海洋学研究 >

2023 , Vol. 41 >Issue 4: 84 - 93

DOI: https://doi.org/10.3969/j.issn.1001-909X.2023.04.008

研究报道

基于无人机多光谱遥感的海岛植被碳储量估算研究——以洞头大竹峙岛为例

  • 谢家颀 , 1 ,
  • 张钊 , 1, * ,
  • 周稳 1 ,
  • 王金旺 2 ,
  • 陈雅慧 1
展开
  • 1.自然资源部温州海洋中心,浙江 温州 325013
  • 2.浙江省亚热带作物研究所,浙江 温州 325005
* 张钊(1970—),男,教授级高工,主要从事海洋资源和生态监测评估预警研究,E-mail:。

谢家颀(1987—),男,浙江省温州市人,主要从事海域海岛监测技术研究,E-mail:。

Copy editor: 徐晓群

收稿日期: 2022-11-28

  修回日期: 2023-09-13

  网络出版日期: 2024-01-30

基金资助

自然资源部东海局青年海洋科学基金项目(202211)

收起

Research of carbon storage assessment of island vegetation based on UAV multispectral remote sensing:A case study of Dazhuzhi Island in Dongtou

  • XIE Jiaqi , 1 ,
  • ZHANG Zhao , 1, * ,
  • ZHOU Wen 1 ,
  • WANG Jinwang 2 ,
  • CHEN Yahui 1
Expand
  • 1. Wenzhou Marine Center, MNR, Wenzhou 325013, China
  • 2. Zhejiang Province Subtropical Crops Institute, Wenzhou 325005, China

Received date: 2022-11-28

  Revised date: 2023-09-13

  Online published: 2024-01-30

Fold

摘要

以温州市洞头区大竹峙岛为研究区,采用无人机搭载多光谱传感器获取海岛高分辨率遥感影像,通过比选光谱最佳波段组合,以监督分类方法将植被类型分成乔木、灌丛和草丛,分类精度为99.72%,Kappa系数为0.995 4。通过深度卷积神经网络对乔木和灌丛进行单木分割(精确率为0.79),获得各优势种的空间分布,结合生物量方程反演各乔木、灌丛优势种的生物量空间分布(乔木R2=0.97,灌丛R2=0.99),其中3个灌丛优势种(天仙果、野梧桐、滨柃)的生物量反演方程通过现场采样构建,其余乔木和灌丛优势种生物量反演方程来自文献。根据优势种的生物量和空间分布,计算得到大竹峙岛的乔木碳储量为300.36 t,灌丛碳储量为47.59 t。通过归一化植被指数反演草丛生物量空间分布(R2=0.99),结合根据实测数据构建的草丛优势种(中华结缕草)生物量方程,计算得到大竹峙岛草丛碳储量为21.59 t。

关键词： 海岛; 植被碳储量; 无人机; 多光谱影像

本文引用格式

谢家颀 , 张钊 , 周稳 , 王金旺 , 陈雅慧 . 基于无人机多光谱遥感的海岛植被碳储量估算研究——以洞头大竹峙岛为例[J]. 海洋学研究, 2023 , 41(4) : 84 -93 . DOI: 10.3969/j.issn.1001-909X.2023.04.008

Abstract

Taking Dazhuzhi Island (Dongtou, Wenzhou) as the research area, UAV equipped with multispectral sensors was used to acquire high-resolution remote sensing images, the optimal spectral band combination was selected to classify the island vegetation, and the vegetation types was divided into arbors, shrubs and herbs by supervised classification. The accuracy of vegetation classification was 99.72%, and the Kappa coefficient was 0.995 4. The spatial distribution of dominant species of arbors and shrubs was obtained by using the deep convolutional neural network (the precision rate was 0.79), and combined with the biomass equations, the spatial distribution of the biomass of dominant species of arbors and shrubs was inversed (arbors’ R2=0.97, shrubs’ R2=0.99). The biomass inversion equations of 3 shrub dominant species (Ficus erecta, Mallotus japonicas, and Eurya emarginata) were constructed by field sampling, and the other dominant species biomass inversion equations were obtained from literature. Based on the biomass and spatial distribution of dominant species, the carbon storage of arbors and shrubbys was 300.36 t and 47.59 t, respectively. Using normalized difference vegetation index (NDVI) to invert the spatial distribution of herb biomass (R2=0.99), combined with the biomass equation of the dominant herb species (Zoysia sinica) constructed from the measured data, the carbon storage of herbs was 21.59 t on Dazhuzhi Island.

Key words： island; vegetation carbon storage; unmanned aerial vehicle (UAV); multispectral remotely sensed image

0 引言

我国共有海岛11 000余个,岛上植被覆盖度较高,覆盖率约为52.0%[1]。海岛作为自然资源的组成部分,具有完整、独立的生态系统,在减缓气候变化、维持碳平衡方面发挥着不可或缺的作用。海岛植被碳储量本底调查是对掌握海陆碳储量分布的有益补充,是制定“双碳”政策的基础性任务。传统海岛植被碳储量的调查主要参考陆地森林生态系统,采用样方清查和生物量相对生长方程相结合的方式[2]。受海况、地形地貌、物种分布等因素的制约,传统调查存在登岛困难、调查过程复杂、工作周期长等弊端,多应用于小尺度的研究[2]。
近年来,利用高分辨率卫星遥感研究海岛植被碳储量取得了初步进展,如池毓锋 等[3]采用Landsat8 OLI卫星遥感影像结合归一化植被指数(normalized difference vegetation index,NDVI)与以专家知识分类为基础的像元扩张法提取了平潭岛木麻黄林分信息,并根据采集的木麻黄样本生物量与含碳率估测了木麻黄林地的碳储量,林地分类精度达到了80.6%;魏艳艳[4]采用Landsat8 OLI和Landsat5 TM卫星遥感影像,以监督分类的方法对崇明岛耕地、林地和建设用地等土地利用类型进行分类,估算了2009年和2018年耕地、林地和建设用地的平均碳密度和碳储量,分类精度Kappa系数分别为81.46%和0.795 1;PASCUAL等[5]采用MODIS 17影像和近红外反射率估算了夏威夷群岛的总初级生产力。在上述利用卫星遥感影像估算海岛植被碳储量的研究中,影像的分辨率仅为15~500 m,存在估算精度偏低的不足[3⇓-5]。
无人机遥感影像的分辨率可达到厘米级,反演的植被碳储量具有精度高的优势。江萍[6]采用无人机高光谱影像开展北疆防护林树种分类研究,整体分类精度为94.34%,Kappa系数为0.924 8;赵晓宇[7]通过无人机多光谱和可见光数据对桂林会仙岩溶湿地植被进行分类研究,总体分类精度和Kappa系数最高分别达到95.52%和0.900 0;唐佳佳 等[8]联合无人机机载激光和高光谱数据反演了矿山生态修复区植被碳储量;吴新宇 等[9]利用无人机机载激光雷达估测福建武夷山林场区域马尾松的碳储量,模型精度R2达到0.78。目前无人机遥感技术已经广泛应用于陆地森林生态系统碳储量调查中,但在海岛植被碳储量研究方面运用还较少。
本文以温州市洞头区大竹峙岛为研究对象,提出了一种基于无人机多光谱遥感的植被分类、冠幅分割和优势种生物量反演的海岛植被碳储量估算方法,可为海岛植被碳储量研究提供参考。

1 研究区与研究方法

1.1 研究区概况

大竹峙岛位于温州洞头列岛的东部,地理位置121°12'28″E—121°13'19″E,27°49'08″N—27°49'37″N(图1)。岛体长约1 250 m,宽约300 m,整岛投影面积约45 hm2,海岸线长6 827.10 m,最高点海拔80.60 m。大竹峙岛植被覆盖率为65.06%,植被生物多样性较高,2021年调查发现植物物种80科181属232种,其中蕨类植物8科8属10种,裸子植物2科2属2种,被子植物70科171属220种。植被类型涵盖乔木、灌丛和草丛三大类,乔木优势种为台湾相思和椿叶花椒,灌丛优势种为黑松、滨柃、天仙果、野梧桐,草丛优势种为中华结缕草。
图1 大竹峙岛位置及遥感图

Fig.1 Location and remote sensing map of Dazhuzhi Island

1.2 估算流程

采用无人机搭载多光谱传感器获取大竹峙岛遥感影像,结合光谱的最佳波段组合,根据监督分类方法对海岛植被进行分类,基于深度卷积神经网络建立单木树冠分割模型提取植株冠幅信息,结合样方数据建立的冠幅和胸径(基径)线性方程反演乔木、灌丛的生物量,并根据现场调查数据构建了3种灌木优势种、1种草本植物优势种的生物量反演模型。通过优势种生物量结合无人机遥感提取的植被分类数据,估算大竹峙岛植被生物量和碳储量,用样方调查的生物量数据验证无人机遥感估算的精度(图2)。
图2 无人机遥感估算流程图

Fig.2 Flow chart of UAV remote sensing assessment

2 数据获取和处理

2.1 遥感数据获取和处理

2.1.1 无人机多光谱数据获取

本研究采用大疆M600无人机搭载MS600多光谱相机采集数据,波段包括蓝光(450 nm)、绿光(560 nm)、红光(650 nm)、红边(730 nm)和近红外(840 nm),传感器分辨率为1 280×960像素。无人机飞行高度为200 m,飞行速度为8 m/s,飞行航线总长为22 140 m,航线间距为50 m(图3),数据采集间隔为4 s,采集时间为2021年7月,照片幅宽为160 m×120 m。对获取的数据进行通道校正、波段合成、拼接、地理位置叠加、空三加密、几何校正等处理,得到空间分辨率为4 cm的多光谱影像。
图3 无人机飞行航线

Fig.3 Flight route of UAV

2.1.2 波段选择

选取原始波段间相关性(R2)较小和最佳指数因子(OIF)较高的两个组合作为待选波段,分别为:红光-红边-近红外波段(红光-红边R2=0.084,红光-近红外R2=0.006,红边-近红外R2=0.810;OIF值为98.42)和蓝光-红边-近红外波段(蓝光-红边R2=0.090,蓝光-近红外R2=0.016,红边-近红外R2=0.810;OIF值为93.98)。结合表征影像光谱特征的归一化植被指数(NDVI)和纹理特征的均值指标,通过监督分类法对两个波段组合中每个像元进行分类,结果显示:红光-红边-近红外波段的分类精度OA为99.05%,Kappa系数为0.981 2;蓝光-红边-近红外波段的分类精度OA为99.72%,Kappa系数为0.995 4。因此,本文选择蓝光-红边-近红外波段光谱将大竹峙岛植被划分为乔木、灌丛、草丛和非植被区4种类型(图4)。
图4 大竹峙岛植被类型空间分布

Fig.4 Spatial distribution of vegetation types on Dazhuzhi Island

2.1.3 乔木、灌丛优势种的单木识别和分割

基于深度卷积神经网络Mask R-CNN[10]构建大竹峙岛乔木、灌丛群落的单木树冠分割模型,主要步骤如下:根据现场调查获得的台湾相思、滨柃、椿叶花椒、天仙果、野梧桐、黑松的地面标识信息确定分类目标,结合目视结果,建立实验样本集(1 913个),训练并优化Mask R-CNN模型参数;基于优化后的模型对多光谱影像进行像素级分割,得到每一个目标的分割掩码,并用颜色和大小区分不同物种的分割轮廓,实现优势种的识别和冠幅分割,获得台湾相思、椿叶花椒和滨柃在全岛分布的植株数、冠幅面积等信息(图5)。
图5 大竹峙岛(部分区域)乔木和灌丛优势种的识别和分割

Fig.5 Identification and segmentation of dominant species of arbors and shrubs on Dazhuzhi Island (partial region)

依据文献[11]评价单木识别和分割的精度,得到该方法的精确率为0.79,召回率为0.86,F测度为0.85。

2.2 样方设置

基于植被分布和地形地势,依据代表性和随机性原则[12],在大竹峙岛布设乔木、灌丛和草丛样方共51个,其中,21个样方用于验证无人机遥感估算精度,包括3个乔木样方(T1~T3)、6个灌丛样方(S1~S6)和12个草丛样方(H1~H12);另外30个草丛样方(H13~H42)用于构建草丛生物量模型(图6)。
图6 乔木、灌丛、草丛样方布设

Fig.6 Quadrats setting of arbor, shrub and herb sample plots

2.3 地面数据获取和处理

为构建冠幅和胸径(基径)的线性关系,全岛随机选择乔木、灌丛优势种15株/种,现场测量其胸径或基径以及植株冠幅,具体信息见表1。
表1 优势树种冠幅与胸径(基径)参数

Tab.1 The parameters for crown and diameter at breast height(branch) diameter of dominant plant species

物种 样本量 胸径或基径/cm 冠幅/m2
范围 标准差 范围 标准差
台湾相思 15 4.80~18.90 4.06 3.00~48.00 14.89
椿叶花椒 15 6.30~23.00 5.75 4.00~70.68 22.73
黑松 15 6.80~11.70 5.15 4.94~16.38 4.18
天仙果 15 6.80~10.70 0.93 8.78~19.32 2.74
野梧桐 15 1.30~8.77 1.85 47.75~11.40 1.94
滨柃 15 6.90~9.10 0.65 4.32~7.83 1.23
全岛随机采伐野梧桐、天仙果和滨柃(为减少对海岛植被的破坏,尽量选取个体偏小的植株)用于构建灌丛优势种生物量反演方程。现场测量植株基径、冠幅,收集其干、枝、叶样品各5份,带回实验室烘干至恒重后称重,获得各植株生物量[13],具体信息见表2。
表2 灌丛优势种基径与生物量

Tab.2 The branch diameter and biomass of dominant shrubs

类型 物种 样本量 基径/cm 生物量/kg
范围 标准差 范围 标准差
灌丛 野梧桐 7 2.20~6.80 1.38 0.08~1.33 0.44
天仙果 8 2.23~5.06 0.89 0.28~1.51 0.65
滨柃 12 1.08~5.38 1.51 0.05~2.36 0.81
在草丛样方(H13~H42)中,收集植株的地上部分和地下根系,烘干后称重,获得样方草本生物量。各样方的归一化植被指数(NDVI) 通过ENVI软件计算获得(表3)。
表3 草丛样方的生物量与归一化植被指数

Tab.3 The biomass and normalized difference vegetation index(NDVI) of herb plots

样地编号 生物量/kg NDVI 样地编号 生物量/kg NDVI 样地编号 生物量/kg NDVI
H13 1.04 0.88 H23 0.32 0.34 H33 0.79 0.73
H14 0.15 0.23 H24 0.83 0.71 H34 0.69 0.66
H15 0.22 0.28 H25 0.94 0.79 H35 0.24 0.34
H16 0.20 0.26 H26 0.53 0.49 H36 0.37 0.34
H17 0.17 0.24 H27 0.31 0.37 H37 0.13 0.26
H18 0.43 0.44 H28 0.37 0.37 H38 0.21 0.22
H19 0.76 0.67 H29 0.15 0.25 H39 0.30 0.40
H20 0.25 0.29 H30 0.57 0.51 H40 0.71 0.70
H21 0.40 0.42 H31 0.59 0.52 H41 0.17 0.31
H22 0.08 0.16 H32 0.30 0.31 H42 0.68 0.53

2.4 生物量反演

台湾相思、椿叶花椒和黑松的生物量反演方程来自文献[14],滨柃、天仙果、野梧桐的生物量反演方程根据表2数据构建,其中胸径/(基径)与冠幅的线性方程根据表1数据构建。中华结缕草的生物量方程根据草丛样方NDVI值与实测生物量(表3)进行拟合。
构建Y=a+bX和Y=aXb两种回归方程, R2、F值、估计标准差(SEE)和p值见表4。从表4可以看出,天仙果、滨柃和野梧桐生物量方程均以Y=aXb表现出较大的R2值,呈极显著相关(p<0.01)。优势树种胸径(基径)与冠幅的关系模型以及中华结缕草生物量方程,均以Y=a+bX表现出较大的R2值,呈极显著相关。大竹峙岛各植被优势种生物量方程见表5。
表4 回归方程方差分析

Tab.4 Variance analysis of regression equations

回归方程 a b R2 F值 SEE p值
生物量
反演		 天仙果 Y=a+bX -1.374 1 0.672 3 0.847 0 33.204 0 0.276 0 0.001 0
Y=aXb 0.034 2 2.565 7 0.864 5 38.287 0 0.284 0 0.001 0
野梧桐 Y=a+bX -0.795 5 0.467 3 0.756 0 15.521 0 0.438 0 0.011 0
Y=aXb 0.030 3 2.391 5 0.938 0 91.717 0 0.340 0 0.000 2
滨柃 Y=a+bX -0.462 8 0.275 3 0.729 0 30.594 0 0.228 0 0.000 3
Y=aXb 0.027 0 2.154 4 0.738 0 31.913 0 0.430 0 0.000 2
中华结缕草 Y=a+bX -158.480 0 1 352.445 0 0.967 0 809.549 0 49.863 0 0.000 0
Y=aXb 1 384.025 0 1.483 0 0.934 0 394.064 0 0.177 0 0.000 0
胸径(基径)与冠幅 Y=a+bX 5.837 2 0.252 0 0.845 0 484.655 0 1.490 0 0.000 0
Y=aXb 3.578 0 0.382 0 0.526 0 97.508 0 0.258 0 0.000 0
表5 大竹峙岛植被优势种生物量方程

Tab.5 Biomass equations for dominant species on Dazhuzhi Island

植被类型 物种名称 生物量方程 方程来源
乔木 台湾相思/
椿叶花椒		 W干=0.089 5×D2.452 1;
W枝=0.020 5×D2.505 9;
W叶=0.021 5×D2.039 3;
W根=0.006 7×D2.877 4;
W=W干+W枝+W叶+W根		 文献[14]
灌丛 黑松 W干=0.067×D2.409;
W枝=0.022×D2.27;
W叶=0.025×D2.124;
W根=0.038×D2.165;
W=W干+W枝+W叶+W根		 文献[14]
灌丛 天仙果 W=0.034 2×D2.565 7 实测构建
滨柃 W=0.027 0×D2.154 4 实测构建
野梧桐 W=0.030 3×D2.391 5 实测构建
草丛 中华结缕草 W=1 352.445 0×NDVI-158.480 0 实测构建

注:W表示单个植株生物量,D表示植株胸径(基径),D=0.252 0×P+5.837 2,P表示植株冠幅。

2.5 植被碳储量计算

根据各优势种生物量方程和分布计算大竹峙岛乔木、灌丛和草丛的生物量。植被碳储量依据陆地森林生物量与碳储量转换经验公式[15]计算:
$C=a×W$
式中:C为碳储量;W为生物量;a为含碳率,取0.45。

3 结果与分析

3.1 大竹峙岛植被碳储量

通过植被分类、冠幅分割和生物量计算可得大竹峙岛各植被类型的植株数量、面积、生物量和碳储量等信息(表6)。从表6可知,大竹峙岛碳储量总计369.54 t,植被碳储量分布见图7。其中,乔木碳储量300.36 t,灌丛碳储量47.59 t,草丛碳储量21.59 t,乔木、灌丛和草丛碳储量分别占整岛植被碳储量的81.28%、12.88%和5.84%。乔木平均单位面积碳储量(碳密度)为25.69 t/hm2,灌丛平均单位面积碳储量为5.96 t/hm2,草丛平均单位面积碳储量为2.38 t/hm2。
表6 大竹峙岛乔木、灌丛和草丛碳储量估算结果

Tab.6 Carbon storage estimation results of arbors, shrubs and herbs on Dazhuzhi Island

物种
名称		 株数 面积/hm2 总生物量/t 总碳储量/t 平均碳密度/
(t·hm-2)
乔木 28 856 11.69 667.47 300.36 25.69
灌丛 22 597 7.98 105.75 47.59 5.96
草丛 9.07 47.98 21.59 2.38
图7 大竹峙岛植被碳储量分布

Fig.7 Distribution of carbon storage on Dazhuzhi Island

3.2 估算结果分析

3.2.1 无人机遥感估算结果精度验证

将乔木样方T1~T3和灌丛样方S1~S6中实地调查的植株株数与遥感冠幅分割的株数进行相关性分析,验证冠幅分割株数计算的精度。结果显示,遥感冠幅分割精度较高,决定系数R2为0.98(p<0.05)(图8a)。
图8 样方内无人机遥感估算和样方调查结果的相关性

(图8a表示9个乔木和灌丛样方内无人机遥感估算株数和实地调查结果的相关性;图8b~图8d分别表示3个乔木样方、6个灌丛样方和12个草丛样方内无人机遥感估算生物量和实地测定结果的相关性。)

Fig.8 Correlation between UAV multispectral remote sensing and quadrat measurement in sample plots

(Fig.8a shows the correlation of the plant numbers between UAV multispectral remote sensing and quadrat measurement in shrub and arbor sample plots; Fig.8b to Fig.8d show the correlation of biomass between UAV multispectral remote sensing and quadrat measurement in 3 arbor sample plots, 6 shrub sample plots and 12 herb sample plots, respectively.)

分别将乔木样方T1~T3、灌丛样方S1~S6、草丛样方H1~H12中实地调查的生物量与无人机遥感估算结果进行相关性分析。结果显示,无人机遥感估算精度较高,其中乔木生物量决定系数R2为0.97(p<0.05),灌丛生物量决定系数R2为0.99(p<0.05),草丛生物量决定系数R2为0.99(p<0.05)(图8b~8d)。
对于乔木样方T1~T3,无人机遥感单木分割得到的植株株数分别为80、95、39,估算的生物量分别为5 231.35、2 420.34、879.42 kg;实地样方调查的株数分别为86、91、46,生物量分别为6 397.01、2 171.10、1 006.23 kg。两者生物量差值绝对值为126.81~1 165.66 kg,相对偏差为11.48%~18.22%(表7)。
表7 乔木、灌丛植株数、生物量的遥感反演和样方调查比较

Tab.7 Comparison of arbor and shrub plant number and biomass by remote sensing inversion and quadrat measurement

植被
类型		 样方
编号		 株数 生物量
实测
/株		 单木分
割/株		 样方调
查/kg		 遥感估
算/kg		 差值/kg 相对偏
差/%
乔木 T1 86 80 6 397.01 5 231.35 -1 165.66 18.22
T2 91 95 2 171.10 2 420.34 249.24 11.48
T3 46 39 1 006.23 879.42 -126.81 12.60
灌丛 S1 09 11 35.28 27.96 -7.32 20.75
S2 7 9 219.99 192.22 -27.77 12.62
S3 7 5 34.95 23.48 -11.47 32.82
S4 15 5 36.52 25.09 -11.43 31.30
S5 6 5 14.28 10.03 -4.25 29.76
S6 6 5 86.41 63.18 -23.23 26.88
对于灌丛样方S1~S6,无人机遥感单木分割得到的植株株数在5~11之间,样方生物量为14.28~219.99 kg;实地样方调查的株数在6~15之间,生物量在10.03~192.22 kg之间。两者生物量差值绝对值为4.25~27.77 kg,相对偏差为12.62%~32.82%(表7)。
对于草丛样方H1~H12,无人机遥感估算的生物量在0.14~0.77 kg之间,实地样方测定的生物量在0.12~0.84 kg之间。生物量差值绝对值为0~0.08 kg,相对偏差为0%~22.73%(表8)。
表8 草丛生物量的遥感反演和样方调查比较

Tab.8 Comparison between remote sensing inversion and quadrat measurement of herb biomass

样地
编号		 NDVI 生物量
样方调查/kg 遥感估算/kg 差值/kg 相对偏差/%
H1 0.27 0.21 0.21 0.00 0.00
H2 0.25 0.18 0.17 -0.01 5.56
H3 0.25 0.18 0.18 0.00 0.00
H4 0.22 0.12 0.14 0.02 16.67
H5 0.40 0.37 0.39 0.02 5.41
H6 0.31 0.24 0.26 0.02 8.33
H7 0.45 0.44 0.45 0.01 2.27
H8 0.38 0.33 0.35 0.02 6.06
H9 0.69 0.74 0.77 0.03 4.05
H10 0.24 0.22 0.17 -0.05 22.73
H11 0.65 0.79 0.72 -0.07 8.86
H12 0.68 0.84 0.76 -0.08 9.52

3.2.2 大竹峙岛植被碳储量估算的合理性分析

研究显示:中国森林生态系统中乔木幼龄林碳密度为19.51 t/hm2、乔木中龄林的碳密度为37.57 t/hm2[16],温州市森林生态系统中乔木碳密度为27.98 t/hm2[17],中国温带、亚热带落叶灌丛碳密度为6.24 t/hm2[18]。本研究中乔木碳密度为25.69 t/hm2,灌丛碳密度为5.96 t/hm2,略小于文献值。因海岛的风、土壤、降水等条件常对植物生长不利,其植株一般小于陆地植株,如大竹峙岛乔木的平均高度约为5.6 m,平均胸径小于10 cm,表明其多为幼龄林和中龄林,因而大竹峙岛的碳密度略小于陆地是合理的。
总体来说,本研究中无人机遥感海岛植被碳储量展现了较高的估算精度。虽然该方法与传统方法的结果存在一定偏差,但偏差在合理范围内,表明本研究具有较高的可信度。

4 结论与展望

本文选取OIF值为93.98的蓝光-红边-近红外为波段组合对植被类型进行分类,采用深度卷积神经网络模型对乔木和灌丛进行了冠幅分割,构建了乔木、灌丛、草丛生物量方程,估算了大竹峙岛植被生物量和碳储量,并用样方调查实测数据验证了无人机遥感估算结果的精度。研究结果表明,大竹峙岛植被碳储量总计369.54 t,其中乔木300.36 t、灌丛47.59 t、草丛21.59 t;植被分类精度OA达99.72%,Kappa系数为0.995 4。遥感单木树冠分割精确率为0.79;无人机遥感估算的乔木、灌丛和草丛生物量与样方测定结果决定系数均大于0.97。
无人机遥感估算方法具有作业周期短、估算精度高的特点,可在海岛植被碳储量遥感监测体系建设和业务化工作中进行推广和应用。研究获取的监测数据可作为海岛植被卫星遥感观测和实地调查数据体系的补充。
本文中乔木生物量是在实测胸径和冠幅构建函数关系的基础上参考陆地生物量推荐方程计算而得的。考虑到生境的特殊性,海岛乔木的形态与陆地植物存在一定差别,直接利用陆地乔木生物量方程计算其生物量可能对结果准确性有一定影响。在后续探索中,将通过实测获得的植株胸径、冠幅等信息,结合无人机激光雷达获取的空间点云数据,提取乔木植株高度信息,丰富变量参数,提高生物量反演模型的精度。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
2017年海岛统计调查公报[R]. 北京: 自然资源部, 2018.

2017 bulletin of island statistical survey[R]. Beijing: Ministry of Natural Resources, 2018.

[2]
王晓丽, 王嫒, 石洪华, 等. 海岛陆地生态系统固碳估算方法[J]. 生态学报, 2014, 34(1):88-96.

WANG X L, WANG A, SHI H H, et al. Discussion of carbon sequestration estimates in the island terrestrial ecosystems[J]. Acta Ecologica Sinica, 2014, 34(1): 88-96.

[3]
池毓锋, 赖日文, 余莉莉, 等. 平潭岛木麻黄碳储量遥感估测[J]. 森林与环境学报, 2016, 36(4):461-466.

CHI Y F, LAI R W, YU L L, et al. Remote sensing estimation of Casuarina equisetifolia carbon storage in Pingtan Island[J]. Journal of Forest and Environment, 2016, 36(4): 461-466.

[4]
魏艳艳. 2009-2018年崇明岛主要土地利用类型植被碳储量变化及其驱动力分析[D]. 上海: 上海师范大学, 2020.

WEI Y Y. Analysis on the change and driving force of carbon storage of main land use types in Chongming Island from 2009 to 2018[D]. Shanghai: Shanghai Normal University, 2020.

[5]
PASCUAL A, GIARDINA C P, SELMANTS P C, et al. A new remote sensing-based carbon sequestration potential index (CSPI): A tool to support land carbon management[J]. Forest Ecology and Management, 2021, 494: 119343.

DOI

[6]
江萍. 基于无人机高光谱影像的防护林树种分类研究[D]. 石河子: 石河子大学, 2022.

JIANG P. Research on tree species classification of shelterbelt based on UAV hyperspectral image[D]. Shihezi: Shihezi University, 2022.

[7]
赵晓宇. 无人机影像空间分辨率和波谱信息对湿地地物分类的影响研究[D]. 桂林: 桂林理工大学, 2022.

ZHAO X Y. Effects of UAV image resolution and spectral information on wetland feature classification[D]. Guilin: Guilin University of Technology, 2022.

[8]
唐佳佳, 董婧, 杨永均, 等. 联合LiDAR和高光谱数据反演矿山生态修复区植被地上碳储量[J]. 金属矿山, 2023(1):65-72.

TANG J J, DONG J, YANG Y J, et al. Inversion of aboveground carbon stock of vegetation in mine ecological restoration area by combining LiDAR and hyperspectral data[J]. Metal Mine, 2023(1): 65-72.

[9]
吴新宇, 廖廓, 李勇波, 等. 基于无人机LiDAR数据的马尾松碳储量估测[J]. 海峡科学, 2023(2):43-49.

WU X Y, LIAO K, LI Y B, et al. Carbon storage estimation of Pinus massoniana based on UAV LiDAR data[J]. Straits Science, 2023(2): 43-49.

[10]
黄昕晰. 基于无人机影像与Mask R-CNN的城市单木检测与参数提取研究[D]. 杭州: 浙江农林大学, 2020.

HUANG X X. Research on urban single tree detection and parameters extraction based on UAV image and mask R-CNN[D]. Hangzhou: Zhejiang A & F University, 2020.

[11]
HAO Z B, LIN L L, POST C J, et al. Automated tree-crown and height detection in a young forest plantation using mask region-based convolutional neural network (Mask R-CNN)[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 178: 112-123.

DOI

[12]
关于发布全国生物物种资源调查相关技术规定试行的公告[Z/OL]. 北京: 环境保护部, 2010. https://www.mee.gov.cn/gkml/hbb/bgg/201004/t20100428_188866.htm.

Announcement on the issuance of relevant technical provisions for the national survey of biological species resources for trial implementation[Z/OL]. Beijing: Ministry of Environmental Protection, 2010. https://www.mee.gov.cn/gkml/hbb/bgg/201004/t20100428_188866.htm.

[13]
汪珍川, 杜虎, 宋同清, 等. 广西主要树种(组)异速生长模型及森林生物量特征[J]. 生态学报, 2015, 35(13):4462-4472.

WANG Z C, DU H, SONG T Q, et al. Allometric models of major tree species and forest biomass in Guangxi[J]. Acta Ecologica Sinica, 2015, 35(13): 4462-4472.

[14]
周国逸, 尹光彩, 唐旭利, 等. 中国森林生态系统碳储量-生物量方程[M]. 北京: 科学出版社, 2018.

ZHOU G Y, YIN G C, TANG X L, et al. Carbon storage-biomass equation of forest ecosystem in China[M]. Beijing: Science Press, 2018.

[15]
戎建涛, 郜爱玲, 刘晓双, 等. 浙南主要乔木树种碳含量研究[J]. 西北林学院学报, 2018, 33(5):258-262.

RONG J T, GAO A L, LIU X S, et al. Carbon concen-tration of the main tree species in southern Zhejiang[J]. Journal of Northwest Forestry University, 2018, 33(5): 258-262.

[16]
徐新良, 曹明奎, 李克让. 中国森林生态系统植被碳储量时空动态变化研究[J]. 地理科学进展, 2007, 26(6):1-10.

XU X L, CAO M K, LI K R. Temporal-spatial dynamics of carbon storage of forest vegetation in China[J]. Progress in Geography, 2007, 26(6): 1-10.

[17]
雷海清, 孙高球, 郑得利. 温州市森林生态系统碳储量研究[J]. 南京林业大学学报:自然科学版, 2022, 46(5):20-26.

LEI H Q, SUN G Q, ZHENG D L. Carbon storage of forest ecosystem in Wenzhou City, Zhejiang Province,China[J]. Journal of Nanjing Forestry University: Natural Sciences Edition, 2022, 46(5): 20-26.

[18]
胡会峰, 王志恒, 刘国华, 等. 中国主要灌丛植被碳储量[J]. 植物生态学报, 2006, 30(4):539-544.

DOI

HU H F, WANG Z H, LIU G H, et al. Vegetation carbon storage of major shrublands in China[J]. Journal of Plant Ecology, 2006, 30(4): 539-544.

Options
文章导航

/

〈 〉