新一代遥感技术助力生态系统生态学研究

随着气候变化和人类活动的加剧, 生态系统正处于剧烈变化中, 生态学家需要从更大的时空尺度去理解生态系统过程和变化规律, 应对全球变化带来的威胁和挑战。传统地面调查方法主要获取的是样方尺度、离散的数据, 难以满足大尺度生态系统研究对数据时空连续性的要求。相比于传统地面调查方法, 遥感技术具有实时获取、重复监测以及多时空尺度的特点, 弥补了传统地面调查方法空间观测尺度有限的缺点。遥感通过分析电磁波信息从而识别地物属性和特征, 反演生态系统组成、能量流动和物质循环过程中的关键要素, 已逐渐成为生态学研究中必不可少的数据来源。近年来, 随着激光雷达、日光诱导叶绿素荧光等新型遥感技术以及无人机、背包等近地面遥感平台的发展, 个人化、定制化的近地面遥感观测逐渐成熟, 新一代遥感技术正在推动遥感信息“二维向三维”的转变, 为传统样地观测与卫星遥感之间搭建了尺度推绎桥梁, 这也给生态系统生态学带来了新的机遇, 推动生态系统生态学向多尺度、多过程、多学科、多途径发展。因此, 该文从生态系统生态学角度出发, 重点关注陆地生态系统中生物组分, 并分别从生态系统类型、结构、功能和生物多样性等方面, 结合作者在实际研究工作中的主要成果和该领域国际前沿动态, 阐述遥感技术在生态系统生态学中的研究现状并指出我国生态系统遥感监测领域发展方向及亟待解决的问题。     

三维辐射传输模型在森林生态系统研究中的应用与展望

太阳辐射是森林生态系统功能与服务得以维持并发展的基础, 对森林中的辐射传输过程进行建模对于理解森林生态系统过程具有重要意义。近年来, 三维辐射传输模型的迅速发展使得冠层辐射能量分布格局与动态的准确模拟成为可能。为更好地理解三维辐射传输模型以使其更有效地服务于森林生态系统研究, 该文从模型的原理、应用及发展趋势3个角度展开论述。首先简要介绍了辐射度方法、光线追踪法等森林三维辐射传输模型常用的原理及目前代表性的模型, 然后总结了三维辐射传输模型在森林生态系统研究中的应用, 最后对模型未来如何通过提高易用性、增加多模型耦合等方式更好地应用于森林生态系统研究进行了展望。随着森林生态系统大数据的积累与过程模型的不断完善, 三维辐射传输模型将在未来森林生态理论研究与实践中发挥更加重要的作用。     

Estimates of subtropical forest biomass based on airborne LiDAR and Landsat 8 OLI data

 快速、定量、精确地估算区域森林生物量一直是森林生态功能评价以及碳储量研究的重要问题。该研究基于机载激光雷达(LiDAR)点云与Landsat 8 OLI多光谱数据, 借助江苏省常熟市虞山地区55块调查样地数据, 首先提取并分析了87个特征变量(53个OLI特征变量, 34个LiDAR特征变量)与森林地上、地下生物量的Pearson’s相关系数以进行变量优选, 然后利用多元逐步回归法建立森林生物量估算模型(OLI生物量估算模型和LiDAR生物量估算模型), 并与基于两种数据建立的综合生物量估算模型的结果进行比较, 讨论预测结果及其精确性。结果表明: 3种模型(OLI模型、LiDAR模型和综合模型)在所有样地无区分分析时, 地上和地下生物量的估算精度均达到0.4以上, 基于不同森林类型(针叶林、阔叶林、混交林)分析时地上和地下生物量的估算精度均有明显提高, 达到0.67及以上。利用分森林类型模型估算生物量, 综合生物量估算模型精度(地上生物量: R²为0.88; 地下生物量: R²为0.92)优于OLI生物量估算模型(地上生物量: R²为0.73; 地下生物量: R²为0.81)和LiDAR生物量估算模型(地上生物量: R²为0.86; 地下生物量: R²为0.83)。     

广西桉树人工林叶面积指数的估测及其校正

叶面积指数(Leaf area index, LAI)是森林生态系统重要的结构参数,通过遥感技术可反演区域LAI,但其可靠性需要地面准确的实测数据进行验证。选取广西国有高峰林场不同林龄的桉树(Eucalyptus robusta)人工林为对象,以异速生长法(Allometry)为对照,综合利用植物冠层分析仪法(LAI-2200)、跟踪辐射和冠层结构分析仪法(TRAC)、半球摄影法(DHP)以及地基激光雷达法(TLS)等间接法估测样地的LAI,并考虑木质成分以及聚集效应影响,进行相应的校正处理,为地面快速、准确测量桉树人工林LAI提供参考。结果表明：桉树人工林的比叶面积为125.37±13.38 cm~2/g,通过Allometry获得的LAI变化范围在1.65—3.84,平均为2.73,不同林龄间的差异均显著(P<0.05),随着林龄的增加呈现先增加后减少的趋势。在未校正情况下,LAI-2200、TRAC、DHP、TLS估算的LAI存在显著差异(P<0.05)。与对照相比,LAI-2200在幼龄林和过熟林中估算误差最小,TRAC在成熟林中估算误差最小。相对于完全去除法,利用...     

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.     

基于激光雷达数据的物种分布模拟: 以美国加州内华达山脉南部区域食鱼貂分布模拟为例

生态位模型通过拟合物种分布与环境变量之间的关系提供物种空间分布预测, 在生物多样性研究中有广泛应用。激光雷达(LiDAR)是一种新兴的主动遥感技术, 已被大量应用于森林三维结构信息的提取, 但其在物种分布模拟的应用研究比较缺乏。本研究以美国加州内华达山脉南部地区的食鱼貂(Martes pennanti)的分布模拟为例, 探索LiDAR技术在物种分布模拟中的有效性。生态位模型采用5种传统多类分类器, 包括神经网络、广义线性模型、广义可加模型、最大熵模型和多元自适应回归样条模型, 并使用正样本-背景学习(presence and background learning, PBL)算法进行模型校正; 同时对这5种模型使用加权平均进行模型集成, 作为第6个模型。此外, 一类最大熵模型也被用于模拟该物种的空间分布。模型的连续输出和二值输出分别使用AUC (area under the receiver operating characteristic curve)以及基于正样本-背景数据的评价指标F_pb进行评价。结果表明, 仅考虑气候因子(温度和降水)时, 7个模型的AUC和F_pb平均值分别为0.779和1.077; 当考虑LiDAR变量(冠层容重、枝下高、叶面积指数、高程、坡度等)后, AUC和F_pb分别为0.800和1.106。该研究表明, LiDAR数据能够提高食鱼貂空间分布的预测精度, 在物种分布模拟方面存在一定的应用价值。     

遥感在生物多样性研究中的应用进展

随着人口的持续增长, 人类经济活动对自然资源的利用强度不断升级以及全球气候变暖, 全球物种正以前所未有的速度丧失, 生物多样性成为了全球关注的热点问题。传统生物多样性研究以地面调查方法为主, 重点关注物种或样地水平, 但无法满足景观尺度、区域尺度以及全球尺度的生物多样性保护和评估需求。遥感作为获取生物多样性信息的另一种手段, 近年来在生物多样性领域发展迅速, 其覆盖广、序列性以及可重复性等特点使之在大尺度生物多样性监测和制图以及评估方面具有极大优势。本文主要通过文献收集整理, 从观测手段、研究尺度、观测对象和生物多样性关注点等方面综述了遥感在生物多样性研究中的应用现状, 重点分析不同遥感平台的技术优势和局限性, 并探讨了未来遥感在生物多样性研究的应用趋势。遥感平台按观测高度可分为近地面遥感、航空遥感和卫星遥感, 能够获取样地-景观-区域-洲际-全球尺度的生物多样性信息。星载平台在生物多样性研究中应用最多, 航空遥感的应用研究偏少主要受飞行成本限制。近地面遥感作为一个新兴平台, 能够直接观测到物种的个体, 获取生物多样性关注的物种和种群信息, 是未来遥感在生物多样性应用中的发展方向。虽然遥感技术在生物多样性研究中的应用存在一定的局限性, 未来随着传感器发展和多源数据融合技术的完善, 遥感能更好地从多个尺度、全方位地服务于生物多样性保护和评估。     

集成高分辨率UAV影像与激光雷达点云的亚热带森林林分特征反演

该研究集成高分辨率无人机(UAV)影像和激光雷达(LiDAR)点云数据估算亚热带天然次生林林分基本特征变量。首先, 基于LiDAR点云和反距离加权插值法构建林下高精度数字高程模型(DEM); 然后利用UAV影像对序列构建植被冠层上层三维点云, 并借助DEM进行高度信息归一化, 提取高度和冠层点云密度相关的特征变量; 最后, 构建预测模型并估算Lorey’s高、林分密度、胸高断面积、蓄积量。结果表明: 联合提取的特征变量与Lorey’s高的敏感性最高, 蓄积量次之, 林分密度和胸高断面积最低; 利用UAV灵活快速的手段获取森林冠层信息, 辅以高精度LiDAR数据获取的地形信息, 两者互补实现一种可重复的快速、廉价和灵活的林分特征的反演方式。     

利用机载激光雷达技术估测东北林区典型针叶林的蓄积量

为了推广激光雷达技术在森林蓄积量估测计量方面的应用,本研究以东北林区云冷杉林、落叶松林、红松林和樟子松林4种典型针叶林为对象,基于机载激光雷达获取的点云数据提取特征变量,结合800块地面样地数据,采用逐步回归方法和偏最小二乘方法,建立4种针叶林的蓄积量模型。结果表明: 偏最小二乘法建立的模型精度优于逐步回归方法(ΔR²=0.05～0.15,ΔRRMSE=2.6%～4.2%);在参与建模的3类点云特征变量中,贡献最大的是点云高度变量(被选择26次),其他变量有一定的辅助作用(分别被选择12次和11次);使用偏最小二乘方法建立的林分蓄积量模型中,红松林(R²=0.79,RMSE=60.92,RRMSE=22.9%)和落叶松林(R²=0.76,RMSE=28.39,RRMSE=25.8%)的精度最高,云冷杉林(R²=0.81,RMSE=46.96,RRMSE=27.7%)次之,樟子松林(R²=0.50,RMSE=55.49,RRMSE=30.4%)的精度稍低。研究结果为东北林区4种典型针叶林蓄积量估测提供了一种有效的方法。     

利用聚类算法监测森林乔木物种多样性

该研究基于机载激光雷达(LiDAR)和高光谱数据, 从森林物种叶片的生理化学源头探寻生化特征与光谱特征的内在关联, 探讨生化多样性、光谱多样性与物种多样性之间的响应机制, 选择最优植被指数并结合最优结构参数, 通过聚类方法构建森林物种多样性遥感估算模型, 在古田山自然保护区开展森林乔木物种多样性监测。研究结果表明: (1)从16种叶片生化组分中, 筛选出叶绿素a、叶绿素b、类胡萝卜素、叶片含水量、比叶面积、纤维素、木质素、氮、磷和碳可通过偏最小二乘法用叶片光谱有效模拟(R² = 0.60-0.79, p < 0.01), 并选择有效的植被指数: 转换型吸收反射指数/优化型土壤调整指数(TCARI/OSAVI)、类胡萝卜素反射指数(CRI)、水波段指数(WBI)、比值植被指数(RVI)、生理反射指数(PRI)和冠层叶绿素浓度指数(CCCI)表征相应的最优生化组分; (2)基于机载LiDAR数据利用结合形态学冠层控制的分水岭算法获得高精度单木分离结果(R ² = 0.77, RMSE = 16.48), 同时采用逐步回归方法从常用的森林结构参数中选取树高和偏度作为最优结构参数(R ² = 0.32, p < 0.01); (3)基于6个最优植被指数和2个最优结构参数, 以20 m × 20 m为窗口通过自适应模糊C均值方法进行聚类, 实现了研究区森林乔木物种丰富度(Richness, R ²= 0.56, RMSE = 1.81)和多样性指数Shannon-Wiener (R ² = 0.83, RMSE = 0.22)与Simpson (R ² = 0.85, RMSE = 0.09)的成图。该研究在冠层尺度上获取了与物种多样性相关的生化、光谱和结构参数, 将单木个体作为最小单元, 利用聚类算法直接估算物种类别差异, 无需判定具体的树种属性, 是利用遥感数据进行区域尺度森林物种多样性监测与成图的实践, 可为亚热带地区常绿阔叶林的物种多样性监测提供借鉴。