不同采样密度下县域森林碳储量仿真估计

采用浙江省台州市仙居县森林资源二类调查样地实测地上部分碳储量数据,结合Landsat TM影像数据,利用序列高斯协同仿真(SGCS)算法、序列高斯块协同仿真(SGBCS)算法,以4种地面采样密度(SD)SD_1=0.012%、SD_2=0.010%、SD_3=0.007%、SD_4=0.005%,估计全县森林碳储量及其空间分布,分析不同地面采样密度对区域森林碳储量及其分布格局估计精度的影响。结果表明:1)不同采样密度下SGCS和SGBCS估计的森林碳储量分布趋势相似,SGCS估计在采样密度为SD_2时可以满足精度要求,且均值与实测最相符;SGBCS估计受采样密度影响较小,在四种采样密度下均可满足精度要求。2)SGCS、SGBCS估计的不确定性随着采样密度的降低均呈现出整体升高的趋势,增长速率在SD_2采样密度时最低,相对SD_1分别升高1.08%、-1.71%;当SGBCS算法的采样密度由SD_2变为SD_3时,样地数的减少对不确定性影响最大,但对区域空间变异格局估计没有实质性影响。3)将采样密度控制在SD_2(0.010%)水平,利用SGCS和SGBCS算法均能得到准确可靠的森林碳储量及其分布信息,同时能节省至少20%左右的森林调查工作量。     

基于人工神经网络与空间仿真模拟的区域森林碳估算比较——以龙泉市为例

森林是生态系统的重要组成部分,准确估算森林碳储量及其分布对于评价森林生态系统的功能具有重要意义。以龙泉市为研究区,利用2009年99个森林资源清查样地数据和同年度Landsat TM影像数据,采用高斯序列协同仿真(SGCS)与BP神经网络方法(BPNN)分别模拟森林地上部分碳密度及其分布,并进行了对比分析。随机将样本数据分成70个建模样本和29个检验样本。通过模型检验,BP神经网络预测值与实测值的相关性达到0.67,相对均方根误差为0.63,空间仿真方法预测值与实测值的相关性为0.68,相对均方根误差为0.63,空间仿真方法预测能力略高于神经网络方法。仿真结果表明,基于BP神经网络模拟的森林碳总量为11042990 Mg,平均碳密度为36.10 Mg/hm2,总体森林碳密度均值高于样地平均值8.82%。基于空间仿真模拟的森林碳总量为11388657 Mg,平均碳密度为37.23 Mg/hm2,总体森林碳密度均值高于样地平均值9.40%。对比分析可知:高斯协同仿真模拟和BP神经网络虽然在碳总量估算值上与抽样数据估计值相近,但两种方法在估测值的频率分布以及研究区碳分布上有较大的差异。与BP神经网络相比,序列高斯协同模拟结果更接近系统抽样样地实测值,全部样地预测值与实测值的相关性达到0.75,在估计区域森林碳空间分布上有明显优势。在碳密度值域与频率分布方面,序列高斯协同模拟结果分布更合理。综上所述,序列高斯协同模拟在森林碳空间估计方面要优于BP神经网络。