论文部分内容阅读
“碳达峰、碳中和”目标提出与政策实施,体现了我国积极应对气候变化、推动构建人类命运共同体的责任担当,也是我国推动高质量发展的必然要求。“双碳”目标与陆地生态系统的建设与改善有着密不可分的关系。森林生态系统作为陆地生态系统的重要组成,在区域和全球陆地生态系统碳循环、水循环和辐射能量交换中起着关键作用,在吸收大气中的二氧化碳、减缓全球气候变暖中发挥着至关重要的作用。森林生物量是森林生态系统最基本的特征之一,是环境和气候模型研究中重要的因子,也是评估森林生产力和碳汇的一个重要参数,能够反映森林与环境间的物质循环与能量流动关系,也反映着森林的经营水平和利用价值。准确地估算森林生物量是研究地球碳循环和全球气候变化的重要手段,对进一步研究陆地生态系碳循环的不确定性、掌握森林生物量和生产力的变化规律、降低温室效应、促进可持续发展和实现“双碳”目标,具有十分重要的意义。贵州,作为中国喀斯特地貌最广泛发育的一个省份,碳酸盐岩分布广、面积大,植被生长环境相对恶劣,喀斯特地区的石漠化也是影响包括生物量在内的森林生态系统服务功能的主要因素之一。研究喀斯特地区森林生物量遥感反演建模优化方法,分析喀斯特森林生物量时空变化及驱动因素,可以为研究区森林碳汇评价及交易提供基础数据,为区域生态规划及环境治理措施的制定提供科学参考,具有十分重要的理论与现实意义。本文以贵州省为研究区,以1985年、1990年、1995年、2000年、2005年、2010年和2015年的贵州省国家森林资源连续清查数据（National Forest-resources Continuous Inventory,NFCI）为地面实测数据,结合相应年份的Landsat遥感影像、MODIS遥感影像和Sentinel-1遥感影像等,开展了贵州省森林地上生物量（Above Ground Biomass,AGB,以下简称森林生物量）遥感反演研究,并进行了贵州省石漠化的遥感分类研究,定量分析了森林生物量时空变化和驱动因素。研究成果包括如下四个方面:（1）基于NFCI数据,利用MODIS遥感影像,提取了基岩裸露率、植被覆盖度、地表温度差等特征因子,分别构建了逻辑回归（Logistic Regression,Lo R）模型、随机森林（Random Forest,RF）模型和支持向量机（Supported Vector Machine,SVM）模型,并提出了融合植被类型和季节时相差异特征的SVM优化算法,获得了2001年、2005年、2010年、2015年和2020年五期石漠化遥感分类制图。结果表明:Lo R、RF、SVM三种分类算法的总体精度分别为73.7%,78.2%和80.6%,kappa系数分别为0.608,0.672和0.707。植被类型和植被季节时相差异特征均与石漠化有着较强的相关性,优化后的石漠化遥感分类模型总体精度达到91.1%,kappa系数达到0.861。2001-2020年贵州石漠化空间分布呈现“西部重、东部轻、南部重、北部轻”的格局,期间石漠化得到持续改善。（2）基于NFCI数据,采用生物量转换因子（Biomass Expansion Factor,BEF）方法计算样地生物量,并结合一元线性回归方程、重心迁移、热点探测和地理探测器方法,分析了贵州省1985-2015年样地生物量时空格局和驱动因素。研究结果表明:1985-2015年贵州省样地单位生物量呈现上升趋势,从9.87 Mg/ha增长到28.47 Mg/ha,年均增长幅度为6.28%。其中乔木林地的单位生物量在1985-1990年从41.91 Mg/ha下降到35.95 Mg/ha,随后逐渐上升,至2015年达到55.46 Mg/ha。1985-2015年贵州省样地生物量显著增加占比29.3%,轻度增加占比25.8%,稳定不变占比34.4%,轻度减少占比9.1%,显著减少占比1.4%。1985-2015年贵州样地生物量重心由黔东南偏移至黔南,偏移轨迹总距离为54.1 km;样地生物量热点个数从1985年的195个增加到2015年的239个;样地生物量受地形和气候影响较大。（3）基于NFCI数据,利用Landsat光学和Sentinel-1雷达卫星遥感影像,提取波段值、植被指数和纹理特征,并引入森林冠层密度（Forest canopy density,FCD）对深度置信网络算法（Deep Belief Networks,DBN）进行了优化,采用提出的K-DBN模型开展了贵州森林生物量遥感反演建模研究,完成了1985-2020年八期贵州森林生物量反演制图。结果表明:通过K-means聚类分析,将研究区FCD分为稀,中和密三个等级,FCD有助于改进森林生物量遥感反演模型精度;在设置阔叶林（Broadleaf Forest,BLF）、针叶林（Coniferous Forest,CFF）和混交林（Mixed Forest,MXF）林分类型条件下,K-DBN模型相比于线性回归（Linear Regression,LR）、随机森林（RF）和DBN模型,均取得了更好的模型精度。（4）在森林生物量遥感反演制图和石漠化遥感分类制图的基础上,结合地形、气候和人文因素,开展了贵州省森林生物量的时空变化及多尺度驱动分析研究。本文采用基于全局最小二乘（Ordinary Least Squares,OLS）的向前逐步回归方法进行驱动因子筛选,提出了重心-时空地理加权回归（Gravity-Multiscale Geographical Temporally Weighted Regression,G-MGTWR）模型,对贵州森林生物量进行县域尺度驱动力时空分析;采用地理加权回归（Geographical Weighted Regression,GWR）模型开展了网格尺度驱动力空间分析。结果表明:1985-1990年贵州森林生物量呈现下降趋势,1990-2020年呈现随年份增长而增长趋势,森林生物量的分布总体呈现“东南大,西北小,东北大,西南小”的格局。在县域空间尺度上,石漠化、海拔、日照和温度是引起贵州森林生物量变化的主要驱动因子;在县域时空尺度上,石漠化、人口、日照和降水是主要驱动因子;在网格空间尺度上,石漠化、海拔、日照和降水是主要驱动因子。研究区东南部是各驱动因子表现较强烈的区域,而西部地区驱动因子表现较弱。