Canopy closure estimation in a temperate forest using airborne LiDAR and LANDSAT ETM+ data

Aims　Forest canopy closure is one of the essential factors in forest survey, and plays an important role in forest ecosystem management. It is of great significance to study how to apply LiDAR (light detection and ranging) data efficiently in remote sensing estimation of forest canopy closure. LiDAR can be used to obtain data fast and accurately and therefore be used as training and validation data to estimate forest canopy closure in large spatial scale. It can compensate for the insufficiency (e.g. labor-intensive, time-consuming) of conventional ground survey, and provide foundations to forest inventory.Methods　In this study, we estimated canopy closure of a temperate forest in Genhe forest of Da Hinggan Ling area, Nei Mongol, China, using LiDAR and LANDSAT ETM+ data. Firstly, we calculated the canopy closure from ALS (Airborne Laser Scanning) high density point cloud data. Then, the estimated canopy closure from ALS data was used as training and validation data to modeling and inversion from eight vegetation indices computed from LANDSAT ETM+ data. Three approaches, multi-variable stepwise regression (MSR), random forest (RF) and Cubist, were developed and tested to estimate canopy closure from these vegetation indices, respectively.Important findings The validation results showed that the Cubist model yielded the highest accuracy compared to the other two models (determination coefficient (R²) = 0.722, root mean square error (RMSE) = 0.126, relative root mean square error (rRMSE) = 0.209, estimation accuracy (EA) = 79.883%). The combination of LiDAR data and LANDSAT ETM+ showed great potential to accurately estimate the canopy closure of the temperate forest. However, the model prediction capability needs to be further improved in order to be applied in larger spatial scale. More independent variables from other remotely sensed datasets, e.g. topographic data, texture information from high-resolution imagery, should be added into the model. These variables can help to reduce the influence of optical image, vegetation indices, terrain and shadow and so on. Moreover, the accuracy of the LiDAR-derived canopy closure needs to be further validated in future studies.     

基于冠层反射光谱的棉花干物质积累量估测

通过分析不同施氮水平下棉花地上部干物质积累量与冠层光谱反射率及其衍生的比值植被指数(RVI)、归一化植被指数(NDVI)及差值植被指数(DVI)之间的关系,确立了棉花地上部干物质积累量的敏感波段及预测模型.结果表明:两个可见光波段(560和710 nm)和5个近红外波段(810、870、950、1 100和1 220 nm)组成的植被指数与棉花地上部干物质积累量的相关性较好,其中RVI(1 100, 560)的相关性最好.通过逐步回归分析确立的棉花地上部干物质积累量的预测模型为:地上部干物质积累量(g·m-2)=66.274×RVI(1 100, 560)-148.84.说明通过遥感手段估测棉花地上部干物质积累量是可行的.     

黄河三角洲植被空间分布特征及其环境解释

为了解黄河三角洲地区植被空间分布与环境因子之间的关系,通过局地植被样方调查、区域遥感影像提取归一化植被指数(NDVI)及地形高度、地下水位埋深、表层土壤Cl~-含量等环境数据采集,综合样地植被与环境数据进行了除趋势对应分析(DCA)和除趋势典范对应分析(DCCA),并对区域NDVI与主要环境变量进行了单因子相关性分析和多元逐步回归分析。结果显示:DCA排序可将黄河三角洲植被分为翅碱蓬、柽柳-翅碱蓬、芦苇-柽柳、芦苇4个主要群落类型(群丛),DCCA与DCA排序图总体相似,但DCCA更清晰地表明其第一轴主要代表的是潜水Cl~-浓度等关键水盐因子,且随着水土环境系统盐分含量的减小,群落由翅碱蓬逐渐向芦苇演变。区域典型植被群落和NDVI分布格局与变化趋势受地下水位埋深和潜水Cl~-浓度2个环境因素影响较大(NDVI与2个环境变量间建立的二元回归方程R~2=0.57),而土壤Cl~-含量的植被效应实际上受地下水位埋深和潜水Cl~-浓度的影响。在区域地下水普遍浅埋条件下,地下水成为影响植被生长与分布的生态环境最敏感要素,而地下水位埋深和潜水Cl~-浓度是这一要素中的2个关键因子,尤其是后者梯度变化对天然植被分布格局起重要的控制作用。     

基于神经网络的马尾松叶绿素含量高光谱估算模型

分析不同生长期的马尾松冠层反射光谱特征与相应叶绿素含量的相关关系.利用36个红边参数逐一筛选,最终确定7个与叶绿素含量相关性较高的红边参数作为光谱特征参数,分别应用逐步分析法与BP神经网络构建叶绿素含量的高光谱估算模型;同样,筛选出4个植被指数作为光谱特征参数,同时,将对原始光谱进行主成分分析降维后的前4个主成分作为BP神经网络的输入变量,分别应用逐步分析法与BP神经网络构建叶绿素含量的高光谱估算模型.结果表明: 将红边参数作为输入变量建立的逐步回归模型和BP神经网络模型的决定系数(R²)分别为0.5205、0.7253,均方根误差(RMSE)分别为0.1004、0.0848,相对误差分别为6.3%、5.7%.将植被指数作为输入变量建立的逐步回归模型和BP神经网络模型的R²分别为0.5392、0.7064,RMSE分别为0.0978、0.0871,相对误差分别为6.2%、6.0%.基于主成分分析的BP神经网络模型的预测效果最好,R²为0.7475,RMSE为0.0540,相对误差为4.8%.     

2002-2016年华北平原植被生长状况及水文要素时空特征分析

基于MODIS增强型植被指数（EVI）资料,结合降水、GRACE重力卫星水储量（TWS）、地下水、土壤水等资料,分析华北平原植被2002-2016年间的生长状况及各水文要素时空分布特征。研究结果表明：（1）2002-2016年间华北平原植被呈好转趋势,降水、水储量、土壤水、地下水等水文要素值呈减少趋势。（2）黄淮平原区植被以农作物为主,植被覆盖度呈增加趋势,而降水、水储量、地下水、土壤水均呈减少趋势,超采地下水灌溉农作物是短期内保障粮食安全的重要措施。（3）燕山-太行山山麓平原区、冀鲁豫低洼平原区的城乡居民用地区域植被覆盖显著减少,而降水增多,水储量、土壤水、地下水减少,人类活动对植被和水文要素贡献量大。（4）山东丘陵农林区分布着林地和草地,这些区域生长季的植被指数呈减少趋势,与降水量减少呈正相关关系。在气候变化和人类活动影响的大背景下,探讨不同生态环境的植被生长特征,清楚植被对水文变化的响应机理,可以消除影响植被生长的不利因素,为制定合理用水制度提供理论依据。     

北京城市与西北远郊地表臭氧浓度梯度移动监测研究

北京城市与区域臭氧浓度逐年升高,对自然生态系统已经构成影响。但地表臭氧在北京城市与远郊梯度空间上的连续递变特征机制尚不清楚。采用移动监测车,搭载臭氧分析仪,选择夏季典型臭氧污染天气,以北京教学植物园为对照点,从北京城市中心向西北远郊方向,多点位连续测定地表臭氧浓度。通过分析臭氧浓度和采样点周围归一化植被指数(NDVI)的关系以及典型臭氧污染情况下的天气形势和气团轨迹,探讨北京城市和区域臭氧浓度连续空间变化特征及机制。结果表明:(1)北京西北山区森林区域臭氧浓度显著高于"城市区域",约为城市区域的2.00倍。十三陵是地表臭氧浓度的分界点,从十三陵开始臭氧浓度陡然升高,在西北山区方向保持在高水平。空间上从高到低的顺序是西北山区(254.68μg/m~3)对照点教学植物园(220.89μg/m~3)城市支路(162.84μg/m~3)城市快速路和高速路(103.24μg/m~3);(2)植被分布影响臭氧空间格局。在相同时间范围内,臭氧浓度和NDVI正相关,随NDVI增加臭氧浓度呈Logistic增长;(3)西北山区地表臭氧空间变异系数为0.11,城市支路上平均为0.28,城市快速路上为0.26,高速公路上为0.36。山区地表臭氧浓度的空间变异系数最小,高速公路最大,城市快速路、城市支路空间变异较大;(4)大范围均压场、高压后部、低压前部等稳定型天气型易造成南向弱气流,能够把空气污染物输送到西北远郊,但本研究中监测到的西北山区高浓度臭氧并非当天从城区输送而来。北京城市与区域臭氧格局与植被的关系及成因需要深入研究。     

陕西省植被覆盖时空变化及其对极端气候的响应

基于2001—2018年MODIS NDVI数据,从生态分区视角分析陕西省归一化植被指数(NDVI)的时空变化特征,并结合该地区31个气象站点日值数据,探讨NDVI对极端气温和极端降水指数的响应特征。结果表明：(1)陕西省及其各生态区的NDVI变化均显著上升,整体呈南高北低的分布特点,其中秦巴山地落叶与阔叶林生态区(IV)NDVI值最高为0.86,陕北北部典型草原生态区(I)NDVI值最低为0.38。(2)年际尺度上,陕西省NDVI与极端气温暖极值(暖夜日数)和极端降水指数总体呈显著正相关(P<0.05),在陕西省北部NDVI变化主要受极端降水的影响,南部则对极端气温的敏感度更高。(3)多年月尺度上,各生态区NDVI对极端气温冷极值(最低气温、日最低气温的极低值和日最高气温的极低值)和极端气温暖极值(最高气温、日最低气温的极高值和日最高气温的极高值)存在明显的滞后性,滞后时间多为3个月;与极端降水指数(单日最大降水量和连续5日最大降水量)的滞后时间为2个月,说明陕西省内NDVI对极端气候的响应具有显著的滞后效应。     

基于通量和光谱观测的中亚热带人工针叶林光能利用效率的反演

利用光谱反射率测量的光化学植被指数（PRI）估算植被光合作用的光能利用效率（LUE）,能够更好地为生态系统总初级生产力的估算及尺度扩展提供重要的技术支撑.本研究以中国通量网（ChinaFLUX）千烟洲通量观测站为研究区域,2013年9月和12月在通量塔上测量了中亚热带人工针叶林的植被反射光谱,并获取了通量塔上同步观测的气象数据和涡度相关通量数据,对两者进行回归分析.结果表明： PRI-LUE相关关系（R²=0.20,P<0.001）优于NDVI LUE.在整个观测期内,土壤水分含量（SWC）与PRI组合的二元回归模型能够提高LUE的估算精度（日间观测R²=0.29,P<0.001;正午观测R²=0.30,P<0.01）,而在秋季,饱和水汽压差（VPD）与PRI组合的二元回归模型能较好地估算正午LUE（R²=0.448, P<0.001）,表明环境因子SWC和VPD是影响PRI-LUE关系的重要因素,不同季节的二元回归模型所选择的最佳环境变量有所不同.     

Dynamics and regulations of ecosystem light use efficiency in a broad-leaved Korean pine mixed forest,Changbai Mountain

Aims Ecosystem light use efficiency (LUE) reflects the ability of CO₂ uptake and light utilization via photosynthesis, which is a key parameter in ecosystem models to evaluate ecosystem productivity. The objectives of this study were to: (1) compare the differences of LUE derived from different methods; (2) elucidate the seasonal dynamics of LUE and its regulatory factors; and (3) evaluate the maximum LUE (LUE_max) and its variability based on eddy-covariance (EC) flux.Methods Using the flux data from an EC tower during 2003-2005 at a broad-leaved Korean pine (Pinus koraiensis) mixed forest, Changbai Mountain, two types of LUE indicators were generated from: 1) the apparent quantum yield (ε) estimated with rectangular hyperbolic curve, and 2) the ecological light use efficiency (LUE_eco) calculated as the ratio between gross ecosystem productivity (GEP) and photosynthetically-active radiation (Q).Important findings The seasonal variation of ε and LUE_eco appeared a unimodal pattern within a year, with the variations significantly dominated by soil surface temperature and Normalized Difference Vegetation Index (NDVI). A positive correlation between GEP and LUE was found for both ε and LUE_eco, with the effect of Q on LUE relatively weak. The increase in diffusion radiation appeared favorable for enhanced LUE. Generally, there was a significant positive relationship between ε and LUE_eco, while ε was higher than LUE_eco, especially during the mid-season. The annual maximum value of ε and LUE_eco was (0.087 ± 0.003) and (0.040 ± 0.002) μmol CO₂·μmol photon^-1 over the three years, respectively. The interannual variability of LUE_max for ε and LUE_eco was 4.17% and 4.25%, respectively, with a maximum difference of >8%, likely resulted from considerable uncertainty in model simulations. Our results indicated that the inversion and optimization of maximum LUE should be taken seriously in the application of LUE models.     

利用CASA模型模拟西南喀斯特植被净第一性生产力

基于SPOT NDVI遥感数据并结合数字高程模型、气象数据和植被参数,利用实测植被生产力计算和修正最大光能利用率,通过改进CASA过程模型,本文估算了中国西南喀斯特地区1999—2003年的植被净第一性生产力（NPP）。结果表明：1）改进后的CASA模型模拟的植被NPP与实测值相关性显著,可较好用于西南喀斯特植被的NPP估算;2）西南8省市区1999—2000年喀斯特和非喀斯特植被的NPP有轻度增加,但空间变化不显著,2001年低值区范围增加,2002年NPP高值区的范围明显扩大,随后在2003年又降低,但仍高于2001年;3）5年间西南喀斯特地区年NPP的变化范围是381.7—439.9 gC m-2 yr-1,平均值为402.34 gC m-2 yr-1,逐年NPP波动中呈现总体增长趋势,平均增加值为9.93 gC m-2 yr-1,5年总增加量为11TgC,但非喀斯特地区的年NPP平均值和增加值都大于喀斯特地区;4）5年间喀斯特地区的热带森林、亚热带森林、灌丛和草地的逐年NPP均小于非喀斯特地区,温带森林和农业植被则相反;这6种典型植被年NPP均呈增加趋势,热带森林的增加值最大,草地最小,非喀斯特地区植被NPP的增长趋势相似,但每种植被的年NPP增加值均大于喀斯特地区。西南喀斯特地区植被NPP的时空变化与气温、降水和太阳辐射的变化有关,而喀斯特植被NPP低于非喀斯特地区,则主要由喀斯特地区水分匮缺、土壤贫瘠等恶劣条件而抑制植物生长造成的。