塔河森林生态系统蒸散发的定量估算

蒸散发是农业、气象、水文科学研究的重要参数,是全球水文循环过程的重要组成部分.本文应用改进的DHSVM分布式水文模型,利用光学遥感TM数据反演得到叶面积指数等地表数据,由数字高程模型求得坡度、坡向等地形指数因子,定量估算塔河地区2007年逐日蒸散发.应用BP神经网络建立逐日蒸散发量与逐日径流出口流量的关系,并建立研究区水量平衡方程,共同检验研究结果的准确性.结果表明:该模型可以较好地应用于本研究区.塔河流域年总蒸散量234.01 mm,蒸散发与季节有明显的相关性,夏季蒸散发值最高,日均蒸散发值1.56 mm,秋季、春季日均蒸散发值分别为0.30、0.29 mm,冬季蒸散发值最低.地表覆盖类型对蒸散发值影响明显,阔叶林的蒸散发能力强于针阔混交林,其次为针叶林.     

长白山林区森林生物量变化定量驱动分析

根据研究区单木生物量模型及森林资源清查资料计算样地生物量,采用试验精度较高的遥感模型进行4期遥感数据的森林生物量估算,获得区域单位面积生物量变化值,并利用bootstrap方法对引起这种变化的气象因素、森林经营活动因素和社会经济因素等驱动因子进行变量筛选,利用偏最小二乘算法建立不同时间段的森林生物量变化驱动模型,计算变量投影重要性指标（VIP）定量刻画各因素对森林生物量变化的影响重要程度.结果表明：目前人为因素对长白山林区森林生物量变化的影响程度（VIP值）已经小于自然因素,说明国家对林区的森林保护政策已经起到了明显的效果.本文拓宽了森林生物量变化驱动分析的内容,引入了VIP值对森林生物量的变化驱动因子进行定量刻画,为定量分析森林生物量的变化提供了一条新的途径.     

黑龙江长白山森林生物量的时空变化分析

森林生物量碳储量的空间分布及其变化信息, 对揭示地表空间变化规律及驱动因子、分析评价森林生产力及生态功能具有重要意义。该文以20世纪70年代、80年代、90年代和21世纪初4个时期的遥感数据和同期的森林资源清查样地数据为基础, 应用遥感信息模型, 估算了黑龙江长白山地区的森林生物量, 分析了该地区森林生物量的时空动态变化, 以及森林生物量随高程、坡度和坡向的变化规律。结果表明: 该地区4个时期的森林平均生物量分别为81.56、44.27、48.27和54.82 t·hm^-2。4个时期总的森林生物量分别为5.37 × 10 ⁸、2.83 × 10 ⁸、3.06 × 10 ⁸和3.46 × 10 ⁸ t。20世纪70年代到21世纪初森林平均生物量和总的森林生物量都呈现出先降低后增加的趋势, 呈先下降趋势的主要原因是20世纪70-80年代以森林采伐为主, 后增加趋势的主要原因是实施天然林保护工程起到了很大的作用。该地区4个时期森林生物量随高程、坡度和坡向都表现出一致性的变化规律, 森林生物量随高程和坡度变化都呈先增加后减少的趋势, 导致这一现象的主要原因是, 高程、坡度和坡向变化引起了局地气候条件的变化, 从而直接影响森林生长环境, 造成森林分布的变化。森林生物量在200-400 m高程所占的比例最大, 约为35%, 在坡度5°-15°所占的比例接近50%。森林生物量在南坡和西南坡所占的比例最小, 为7%; 平坡所占的比例最大, 为28%; 南坡次之, 为19%。     

三个日太阳总辐射估算模型的比较

利用东北三省及内蒙古东部13个气象站1982—2012年的数据,分析比较了3个估算日太阳总辐射的模型(-P模型、Thornton-Running模型和刘可群等提出的模型).经交叉验证分析的结果表明:3个模型的平均绝对误差(MAE)分别为1.71、2.83和1.68 MJ·m-2·d-1,表明利用了日照百分率的-P模型和刘可群等提出的模型对于日太阳总辐射的估算效果明显优于没有利用日照百分率的Thornton-Running模型.刘可群等提出的模型对无日照情况的处理起到了很好效果,其无日照情况下的MAE和偏差百分比分别比-P模型小18.5%和33.8%.在有日照情况下利用-P的简单线性模型计算日太阳总辐射即可获得较高精度.-P模型、Thornton-Running模型和刘可群等提出的模型对日太阳总辐射分别高估12.2%、19.2%和9.9%.各气象站MAE随地理位置的变化不大,MAE随年代的推移呈递减趋势,原因可能是1993年更换辐射观测仪器后所导致的观测精度的变化.3个模型在有雨日、无日照和暖季情况下的MAE均远大于无雨日、有日照和冷季,说明利用气象要素推算太阳辐射的模型有待对不同的天气情况进行不同处理.     

三种森林生物量估测模型的比较分析

森林生物量的定量估算为全球碳储量、碳循环研究提供了重要的参考依据。该研究采用黑龙江长白山地区的TM影像和133块森林资源一类清查样地的数据, 选取地学参数、遥感反演参数等71个自变量分别构建多元逐步回归模型、传统BP (back propagation)神经网络模型和基于高斯误差函数的BP神经网络改进模型(Gaussian error function, Erf-BP), 进而估算该地区的森林生物量, 并进行比较分析。结果表明, 多元逐步回归模型估测的森林生物量预测精度为75%, 均方根误差为26.87 t·m^-2; 传统BP神经网络模型估测森林生物量的预测精度为80.92%, 均方根误差为21.44 t·m^-2; Erf-BP估测森林生物量的预测精度为82.22%, 均方根误差为20.83 t·m^-2。可见, 改进后的Erf-BP能更好地模拟生物量与各个因子之间的关系, 估算精度更高。