摘要：森林生物量是反映森林生态环境的重要指标，它的变化不仅影响自然界，还深刻地影响着人类的社会活动。因此，森林生物量的研究对人类的可持续发展具有重要意义。近些年来，随着遥感技术的不断进步，运用遥感技术进行森林生物量的估算已成为一种新兴的研究手段。本文对森林生物量遥感估算方法进行了深入分析，先介绍了传统的森林生物量估算方法。进而重点整理并总结基于遥感信息估算森林生物量的四种主要方法。然后，分析了森林生物量遥感估算各方法的优缺点与适用情况以及同传统森林生物量估算方法进行比较。最后，在上述的基础上，对森林生物量遥感估算方法进一步总结，并对其未来的发展方向进行展望。以此为研究者择优选取估算森林地上生物量方法和模型提供有效参考。
关键词：森林生物量；遥感信息；KNN；人工神经网络；遥感技术
1.引言
近些年来，随着人类活动日益频繁，全球森林面积锐减，大量使用化石燃料，由此导致的温室效应等环境问题等全球环境问题。所以，全球碳循环问题日渐成为全球环境变化究领域的热点问题，其中森林生态系统碳循环又是全球碳循环中受人类活动影响最强烈的部分[1]。
因此，为了正确评价森林在全球碳平衡中所发挥的作用，森林生物量作为有效衡量森林生态系统生产力、生态系统结构功能的重要指标[2]，其研究正日益成为人们关注的重点。随着航天遥感技术应用技术的提高，利用卫星影像特征判读数据与地面实测数据建立数学模型，进行森林资源调查己越来越被人们所认识和应用。需要注意的是，在对森林生物量进行估算时，模型的恰当选择是关键问题，因为它直接影响了森林生物量的估算精度。
2.基于遥感技术的森林生物量估算方法分析
2.1基于遥感技术的森林生物量估算方法的机理分析
生物量是指在一定时间内，单位面积内所含的一个或多个生物种组成的群落中所有生物有机体的总干物质的质量。森林生物量包括乔木层生物量、活地被物层生物量以及动物和微生物生物量3个部分[3]。目前，对生物量研究的途径主要有三种：依据呼吸作用释放二氧化碳的变化的方法；依据监测光合作用的方法；依据对生物现存量来进行研究的方法。
植物遥感基于对植物叶片和冠层光谱特征的了解，所以要清楚植物叶片结构和植被结构。从植物遥感—植物与光（辐射）的相互作用出发，叶片的大小、形状、结构以及叶绿素含量同植被结构一样，随着植物的种属、生长时期及分布的改变而变化的[4]。从植被光谱特征来看，近红外区的反射主要受叶片的叶腔结构控制；在叶片的光合作用过程中，叶绿素主要吸收可见光中的蓝光、红光以及少部分绿光；植物的发射特征主要表现在热红外和微波普段。由于随着植物的生长发育的变化，其叶腔结构、细胞叶绿素含量和水分含量均会随之变化，导致叶片的光谱反应也发生相关变化[4]。因此，通过对这些现象及其相应的光谱特征变化的研究和多种光谱特征值的合理组合，可有效的进行植物与非植物的区分、不同植被类型的识别、植物长势监测以及植被生物量估算等研究。植物的反射光谱特征反映了植物的叶绿素含量和生长状况，而叶绿素含量与叶生物量相关，叶生物量又与群落生物量相关[5]。因此可以采用多波段遥感数据来揭示植物活动的信息等。
2.2基于传统森林生物量研究分析
传统的森林生物量研究常常以采样区内一定面积内树木质量为主，采用实测数据为基础进行宏观拓展估算或相关分析的方法，其传统研究方法有气体交换法、微气象场法和收获法等[6]。
传统的森林生物量估测方法需要大量的固定样地，运用相应方法进行实地测量以及相关部门提供的研究区统计资料。其为植被遥感储备了丰富的地面实测数据样本[4]。这些数据既是建立生物量模型的基础，也是验证生物量模型的依据。但其通常只能获得点上的数据，且耗时、费力、具有一定破坏性，无法做到实时动态监测[4]，不利于研究生物量的空间分布和变化，而且实际应用中存在着林业测量仪器误差、样地空间分布的代表性不足等问题。
2.3基于遥感技术的森林生物量估算方法分析
2.3.1遥感信息参数与生物量拟合关系的方法
遥感信息参数与生物量拟合关系方法基于对遥感信息参数和地面观测的森林生物量进行相关性分析的基础上，通过建立两者的拟合方程来估算生物量的方法[7]。
这种方法常常根据植被的反射光谱特征，利用红光、近红外波段的反射率和其他因子及其组合获得的植被指数，再同生物量进行拟合，从而来估算森林生物量。从现有资料可以看出：基于样点观测数据建立遥感信息参数与森林生物量之间的回归关系模型是基于遥感信息参数与生物量拟合关系方法的关键。上述方法中较常用的如多元线性回归方法，依据多个因变量与自变量的最优组合建立回归分析方程，其一般形式为：
y=b0+b1xi1+b2xi2+b3xi3+…+bpxip+i
式中：为第i（i=1，2…n，n为样本个数。）个样本因变量观测值；称为第i个样本第p个自变量观测值；为的观测误差；为常数x1，x2，…，xp为y对应于，…，的偏回归系数[6]。
在实际应用中，Mynei等应用NOAA/AVHRR数据，建立了森林NDVI值与各省森林生物量总量的关系，其方程为：
1/Bimass=-0.377+0.0006·Lat+3809.65·（1/NDVI/Lat2）
马泽清等在Landsat5.TM遥感图像数据和相应野外调查数据的基础上，建立了植被指数、影像与植被各器官生物量之间的关系。其地上生物量多元回归模型分别为：
Bleaf=11594.663+33.145TM1+60.515TM2-768.449TM3+225.790TM4-27.689TM5+50.638TM7-4062.812RVI
Babove=78434.597+114.335TM1+395.904TM2-4895.496TM3+1462.842TM4-243.747 TM5+490.069TM7-24967.247RVI
杨存建等采用统计回归的方法，对云南省西双版纳热带森林植被的生物量与遥感数据之间的相关性进行了深入探索[9]。
2.3.2遥感数据与过程模型拟合的方法
过程模型根据植物生理、生态学原理，通过对太阳能转化为化学能的过程以及植物冠层蒸散与光合作用相伴随的植物体及土壤水分散失的过程进行模拟，进而计算植被NPP。它从机理上对植物的生物物理过程以及影响因子进行分析和模拟。
在众多NPP估算模型中，过程模型以其完整的理论框架、清晰的过程机理而逐渐趋于主导地位。进行NPP模拟时，主要地表覆被信息、植物的生长状态相关信息与土壤水分相关信息需由遥感数据提供。目前，较为常用的模型有：TEM模型、CENTURY模型、BEPS模型、TOPOPROD模型、GLO-PEM模型等。
M.Chiesi等利用传统数据和NOAA/AVHRR NDVI数据分别应用FOREST-BGC模型，并对模型的模拟结果进行了验证，结果发现使用NOAA/AVHRR NDVI数据能大大提高模型的估算精度。冯险峰对BEPS模型进行了输入变量或部分算法的改进，并基于遥感数据参数对2001年中国陆地生态系统净第一性生产力进行了模拟。
2.3.3基准样地法
基准样地法又被称为KNN。该算法涉及3个主要因素：训练集、距离或相似的衡量、k的大小。这种方法最初是由Cover和Hart于1968年提出的，是一个理论上比较成熟的方法。其基本计算过程：算距离：给定测试对象，计算它与训练集中的每个对象的距离；找邻居：选定距离最近的k个训练对象，作为测试对象的近邻；做分类：根据这k个近邻归属的主要类别，来对测试对象分类。
此外，Heather Reese等采用K最近邻分类法对芬兰的森林材积和林分年龄等进行了估算[9]。Tomppo将KNN算法应用于芬兰国家森林资源清查，提出了基于KNN的MS-NFI技术，并得到了良好的估测效果。
2.3.4人工神经网络模型法
人工神经网络也称为神经网络人工神经网络模型，具有四个特性：非线性、非局限性、非常定性、非凸性。它是近几年兴起的一种新的研究方法，它从微观结构与功能上模拟人脑神经系统，进而建立的一种模型，是模拟人的智能[8]，比较适用于机制尚不清楚的高维非线性系统的研究。目前国内外已有近40余种神经网络模型，常用的神经网络主要有BP神经网络、前向神经网络、径向基函数神经网络、自适应神经网络等。
首先，提出问题，确定主要变量及其主要影响因素。然后，要建立ANN学习过程，利用己知的原始数据，让人工神经网络预先学习。最后，再利用已知的输入因子来计算输出变量，观测并记录模拟结果；另选一组原始数据（输入因子）进行预测计算，校验预测值与实际值之间的拟合效果。只有当模拟和预测计算的拟合效果达到预设条件时，建模才算完成；否则，重新对模型进行调整，转到1、2步，直至建模完成为止[10]。
3.基于遥感技术的森林生物量估算各方法的比较
每种森林生物量遥感估算方法对森林生物量的研究都有积极的意义，只是所解决问题的角度和适用性不同。明确各种遥感估算方法的特点以及它们之间的联系，有助于在进行森林生物量估算研究之前，选择最优的研究方法和模型，减小估算结果与实际值之间的误差，提高估算精度。所以，各种森林生物量遥感估算方法的特点如下：
（1）遥感信息参数与生物量拟合关系的方法的突出优点是可以宏观、连续地监测植被生物量，并且此种模型简便实用，适合一时一地一事的情况。但其理论基础不完备，对物理机理认识不足，所建立的经验模型缺乏广泛的普适性。
（2）遥感数据与过程模型融合方法的理论完善，并对作用机理进行数学描述较好。然而，它通常是方程复杂、实用性较低。
（3）KNN算法的门槛较低，并且能冗余量小。对于重复较多的待分样本集来说，KNN方法相对于其他的方法更具优势，适用于样本容量较大的情况，但该算法计算量较大。在不同研究尺度上，KNN算法比较适合区域尺度的森林生物量的研究。
（4）人工神经网络模型方法具有独特的信息处理能力，在高维非线性系统且机制不明时，它表现出巨大优势[10]。应用神经网络方法的“黑箱”操作，估测相对误差较小，但不能解释机理，模型缺乏生物物理意义。该方法也只适合一时一地一事的情况，不能进行时间和空间的外推。
4.总结和展望
传统的森林生物量估计相比，基于遥感信息的森林生物量估算方法具有减少野外工作量、节省投入成本、提高工作效率等优点，并可实现森林资源的实时监测，对人迹稀少、常规方法难以调查的地区更具有优势，具有重要的社会意义和经济意义。根据已有资料分析，基于遥感技术的森林生物量估算方法还需要在以下几个方面进一步开展研究：（1）森林生物量监测站点密度较低，需建立标准化观测系统和观测方法，同时协同各个部门（如：气象部门、国土部门和测绘部门等）的数据共享，建立并完善观测数据库。
（2）从多种森林生物量研究方法的比较入手，结合新兴技术手段，发展更高效的估算方法。
（3）微观上从植被生理功能角度利用精确测量仪器测定植被生理参数；宏观上利用3S技术获取研究区域植被的整体变化信息和发展趋势。多角度分析、多技术手段融合，拓展了森林生物量研究的视角。
（4）深化森林生物量因子与遥感信息的相关性研究，识别因树种、树龄以及物候期等的不同而引起的生物量差异，以减小因这些差异而引起的估测误差。
参考文献：
[1]杨海军，邵全琴，陈卓奇，张帅.森林碳蓄积量估算方法及其应用分析.《地球信息科学》，2007，9（4）：5-12.
[2]娄雪婷，曾源，吴炳方.森林地上生物量遥感估测研究进展.《国土资源遥感》，2011，88（1）：1-8.
推荐访问： 生物量 遥感 估算 森林 方法