劉沁茹,孫 睿,*

1 遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京師范大學(xué)地理科學(xué)學(xué)部,北京 100875 2 北京市陸表遙感數(shù)據(jù)產(chǎn)品工程技術(shù)研究中心,北京師范大學(xué)地理科學(xué)學(xué)部,北京 100875

森林生物量作為森林生態(tài)系統(tǒng)長(zhǎng)期生產(chǎn)代謝過程中積累的產(chǎn)物,在評(píng)價(jià)森林固碳能力方面發(fā)揮著重要的作用,其大小和分布格局與生物多樣性、碳氧平衡、氣候變化等密切相關(guān)。目前,結(jié)合遙感數(shù)據(jù)建立定量反演模型已成為獲取森林生物量產(chǎn)品的主要方式。GLAS星載激光雷達(dá)可以獲取全球森林冠高,并用于森林生物量估算,目前已有利用GLAS數(shù)據(jù)生成的全球或區(qū)域1 km分辨率森林生物量產(chǎn)品,如Saatchi等[1]于2011年生成的1 km分辨率全球熱帶地區(qū)森林地上生物量產(chǎn)品、Baccini等[2]生成的1 km分辨率非洲森林地上生物量產(chǎn)品。但低空間分辨率產(chǎn)品不能細(xì)致地呈現(xiàn)森林生物量的空間分布格局,不能滿足小區(qū)域森林調(diào)查及動(dòng)態(tài)變化監(jiān)測(cè)的需要,而地面調(diào)查與機(jī)載激光雷達(dá)數(shù)據(jù)獲取成本高,工作量大。因此,有必要結(jié)合較低分辨率森林生物量產(chǎn)品與易獲取的較高分辨率多光譜或SAR數(shù)據(jù)進(jìn)行森林生物量產(chǎn)品降尺度方法研究,提高森林生物量產(chǎn)品的空間分辨率。

降尺度方法被廣泛用于土壤學(xué)、氣候?qū)W等領(lǐng)域[3],它的實(shí)質(zhì)是將大尺度數(shù)據(jù)分解為區(qū)域尺度數(shù)據(jù),實(shí)現(xiàn)亞像元信息提取[4]。目前常用的遙感數(shù)據(jù)降尺度方法有3種：數(shù)理統(tǒng)計(jì)降尺度、基于調(diào)制分配降尺度和基于光譜混合模型降尺度。數(shù)理統(tǒng)計(jì)回歸分析通過建立某些地表參數(shù)(如植被指數(shù)、地表反照率等)和不同分辨率影像值的回歸關(guān)系實(shí)現(xiàn)降尺度[4-14],核心即為“關(guān)系尺度不變”。Kustas等[7]提出DisTrad方法,首次將歸一化差值植被指數(shù)NDVI用于地表溫度LST的降尺度。隨后植被覆蓋度[8]、EVI[9]和地表反照率α[11,13]等因子也逐漸被引入降尺度模型?；谡{(diào)制分配降尺度目前主要用于地表溫度,一些學(xué)者通過 PBIM(像元強(qiáng)度調(diào)制)算法實(shí)現(xiàn)了降尺度[15-16]。該算法利用高分辨率反射波段影像值,對(duì)應(yīng)識(shí)別低分辨率熱像元中的地形變化,根據(jù)反向陰陽坡的觀測(cè)照度差異校正低分辨率熱像元溫度,但顯然這種方法只適用于白天的LST產(chǎn)品降尺度,且地表類型單一。Nichol[17]在此基礎(chǔ)上提出了適用于夜間且地形平坦區(qū)域的EM(Emissivity Modulation)算法?；诠庾V混合模型降尺度考慮了各端元組分的差異,通過建立關(guān)聯(lián)高低分辨率影像的回歸關(guān)系實(shí)現(xiàn)降尺度[15]。

近年來,地表溫度、土壤濕度等領(lǐng)域的尺度轉(zhuǎn)換方法研究成果豐富,但針對(duì)森林生物量產(chǎn)品降尺度的研究尚不多見。已有的研究也多是基于森林植被分布圖,給出各植被類型的生物量代表值,將其作為各植被類型在大尺度上的平均生物量降尺度到格網(wǎng)上,得到高分辨率生物量數(shù)據(jù)[18-19],這并非是傳統(tǒng)意義上的生物量測(cè)算值[20]。且這些研究多是將遙感數(shù)據(jù)和地面調(diào)查數(shù)據(jù)結(jié)合,而利用高分辨率多光譜數(shù)據(jù)對(duì)低分辨率森林生物量進(jìn)行統(tǒng)計(jì)學(xué)降尺度的研究較少。因此,本研究擬建立多光譜地表參數(shù)和低分辨率森林地上生物量產(chǎn)品之間的統(tǒng)計(jì)關(guān)系,探究高低分辨率森林地上生物量之間的轉(zhuǎn)換辦法,生成高分辨率森林地上生物量產(chǎn)品。

1 研究區(qū)概況

本文選擇了美國(guó)馬里蘭州的兩個(gè)研究區(qū)(圖1)。研究區(qū)1位于藍(lán)嶺森林區(qū)的南山(South Mountain),海拔在500 m以上,77°20′—77°38′W,39°24′—39°41′N,地表覆蓋類型主要包括落葉闊葉林、農(nóng)用地等；氣溫表現(xiàn)為冬季低于0℃而夏季保持在20℃左右。研究區(qū)2位于切薩皮克灣附近的平原地區(qū),76°37′—76°59′W,38°58′—39°19′N,地表覆蓋類型主要包括混交林、農(nóng)用地植被混合和城市,此外還有小范圍的落葉闊葉林；氣候狀況表現(xiàn)為夏熱冬溫,年平均降水量約為1000 mm。研究區(qū)1和研究區(qū)2分別位于山區(qū)和平原,地形狀況差異大；且兩個(gè)研究區(qū)森林分布格局有差異,研究區(qū)1的森林分布相較于研究區(qū)2更加密集。因此,本文對(duì)兩個(gè)研究區(qū)進(jìn)行了對(duì)比研究。

2 數(shù)據(jù)及研究方法

2.1 數(shù)據(jù)及數(shù)據(jù)處理

本文使用到的數(shù)據(jù)主要包括CMS(Carbon Monitoring System)森林地上生物量產(chǎn)品、GEOCARBON森林地上生物量產(chǎn)品、Landsat-5 TM數(shù)據(jù)和ASTER GDEMV2(ASTER Global Digital Elevation Model V2)產(chǎn)品。

CMS森林地上生物量產(chǎn)品(數(shù)據(jù)下載網(wǎng)址https://daac.ornl.gov/)覆蓋的空間范圍為美國(guó)馬里蘭州,空間分辨率為30 m,時(shí)間分辨率為2011年一次性估測(cè)。該森林地上生物量產(chǎn)品以機(jī)載激光雷達(dá)數(shù)據(jù)和實(shí)地采樣數(shù)據(jù)作為原始數(shù)據(jù),基于隨機(jī)森林回歸模型運(yùn)算生成[21],單位為Mg/hm2。經(jīng)投影轉(zhuǎn)換后,根據(jù)研究區(qū)經(jīng)緯度范圍對(duì)數(shù)據(jù)進(jìn)行裁剪。

GEOCARBON森林地上生物量產(chǎn)品(數(shù)據(jù)下載網(wǎng)址https://www.wur.nl/en.htm)空間分辨率為0.01°(約1 km),該產(chǎn)品通過融合Avitabile等[22]的熱帶地區(qū)生物量分布圖和Santoro等[23]的北方森林生物量分布圖生成,產(chǎn)品僅覆蓋森林地區(qū),單位為Mg/hm2。其中,北緯30°以北的森林地上生物量是通過ENVISAT ASAR數(shù)據(jù)反演森林蓄積量GSV,然后結(jié)合IPCC(Intergovernmental Panel on Climate Change)的生物量轉(zhuǎn)換與擴(kuò)展因子(BCEF)以及材積與生物量轉(zhuǎn)換關(guān)系估算得到的。

Landsat-5 TM數(shù)據(jù)(行號(hào):015,列號(hào):033；下載于http://earthexplorer.usgs.gov/)成像時(shí)間為2011年8月22日,影像包含7個(gè)波段,研究中用到的波段1—5(可見光、近紅外和中紅外波段)和波段7(中紅外波段)空間分辨率為30 m。研究區(qū)內(nèi)影像無云量。數(shù)據(jù)級(jí)別為L(zhǎng)1T,尚未進(jìn)行輻射定標(biāo)和大氣校正,因此采用FLAASH大氣校正模塊做進(jìn)一步處理,最終生成反射率數(shù)據(jù)。

研究中使用的GDEMV2產(chǎn)品(數(shù)據(jù)下載于http://www.gscloud.cn/)是基于ASTER數(shù)據(jù)計(jì)算生成的,數(shù)據(jù)時(shí)期為2009年,空間分辨率為30 m。根據(jù)研究區(qū)經(jīng)緯度范圍選擇4幅DEM影像進(jìn)行拼接(N38W077/N38W078/N39W077/N39W078),并進(jìn)行投影轉(zhuǎn)換。利用ArcGIS軟件生成坡度分布圖并裁剪。

2.2 森林地上生物量降尺度方法

本文的降尺度思路有兩種：第一種是對(duì)1 km分辨率GEOCARBON AGB產(chǎn)品直接降尺度；第二種采用先升尺度后降尺度的方法,對(duì)30 m分辨率CMS AGB產(chǎn)品進(jìn)行升尺度模擬生成的低分辨率生物量數(shù)據(jù)降尺度。在直接降尺度過程中,不同源AGB產(chǎn)品之間存在的系統(tǒng)性誤差可能會(huì)導(dǎo)致降尺度驗(yàn)證結(jié)果不準(zhǔn)確,不能突出降尺度方法,而本文的研究目的是對(duì)森林地上生物量降尺度進(jìn)行方法性探討,因此同時(shí)采用了利用升尺度模擬數(shù)據(jù)降尺度的思路。

利用統(tǒng)計(jì)回歸對(duì)森林地上生物量降尺度的關(guān)鍵在于建立適用于高分辨率森林地上生物量反演的模型?；陉P(guān)系尺度不變的原理,將在低分辨率下線性/非線性回歸擬合的生物量反演模型進(jìn)行殘差修復(fù),并直接用于高分辨率下的生物量反演,從而利用降尺度手段獲取高分辨率森林地上生物量產(chǎn)品。

森林地上生物量的大小和分布格局受多種因素影響,直接因素包括林分類型、植被地域性和非地域性[24]、植被覆蓋密度等,間接因素包括地形、氣候要素以及人類活動(dòng)等。因此選取能體現(xiàn)上述影響因素的多個(gè)地表參數(shù)作為自變量進(jìn)行回歸。

本文分別采用了多元線性逐步回歸和非線性回歸方法構(gòu)建降尺度模型。多元線性逐步回歸方法將多個(gè)地表參數(shù)同時(shí)用于構(gòu)建方程,在構(gòu)建過程中不斷引入和剔除自變量,在避免多重共線性的基礎(chǔ)上實(shí)現(xiàn)有效地表參數(shù)選取和最優(yōu)回歸方程構(gòu)建；非線性回歸方法僅采用和森林地上生物量相關(guān)性最高的單個(gè)地表參數(shù)作為自變量,建立冪函數(shù)模型。

兩種降尺度思路都需要采用聚合平均方式將30 m地表參數(shù)升尺度到1 km分辨率。在第二種降尺度思路中,還要將已有30 m分辨率森林地上生物量產(chǎn)品轉(zhuǎn)換到1 km?？紤]到研究區(qū)中森林地塊和非森林地塊混合分布,1 km尺度下的生物量像元多為混合像元,純像元比例少。而本文建立的降尺度模型是針對(duì)森林的,由于非森林植被對(duì)光譜指數(shù)也有很大貢獻(xiàn),如果直接建立低分辨率生物量和光譜指數(shù)間的關(guān)系而不進(jìn)行像元篩選,則可能會(huì)存在低分辨率圖像上某像元森林生物量很低但光譜指數(shù)仍很高(非森林植被的貢獻(xiàn)所致)的現(xiàn)象,因此在建立關(guān)系時(shí)應(yīng)盡量選擇比較純的森林像元。計(jì)算1 km網(wǎng)格空間上對(duì)應(yīng)的所有30 m網(wǎng)格中森林像元個(gè)數(shù)占總像元個(gè)數(shù)的比例,并設(shè)定森林像元比例閾值,大于該閾值的1 km生物量像元作為因變量被選中,本研究設(shè)定森林像元比例閾值為0.6。而當(dāng)降尺度模型在30 m尺度上估算森林生物量時(shí),由于研究已經(jīng)假定30 m尺度上都是純像元,因此該尺度上無需考慮森林像元比例。

多元線性逐步回歸降尺度和非線性回歸降尺度的思路基本相同,僅在步驟(1)建立回歸方程時(shí)有差異。多元線性逐步回歸降尺度模型建立時(shí)是將所有自變量輸入模型,在構(gòu)建模型的過程中篩選自變量；而非線性回歸降尺度模型的自變量是在對(duì)每一個(gè)自變量和因變量進(jìn)行相關(guān)分析后,選出的相關(guān)系數(shù)最高的單個(gè)自變量。降尺度步驟具體如下：

(1)將篩選后的1 km生物量和對(duì)應(yīng)1 km地表參數(shù)值作為因變量和自變量數(shù)據(jù),建立B1km和自變量之間的回歸方程：

(1)

式中,B1km、VI1km、ρ1km、S1km分別為1 km分辨率的森林地上生物量、植被指數(shù)、地表反射率和坡度。

(2)

(3)

式中,B30m、VI30m、ρ30m、S30m分別為30 m分辨率的森林地上生物量、植被指數(shù)、地表反射率和坡度。

(3)利用上述模型疊合高分辨率預(yù)估生物量和高分辨率殘差,獲得30 m分辨率生物量空間分布數(shù)據(jù),從而實(shí)現(xiàn)整個(gè)降尺度過程。圖2為森林地上生物量降尺度流程。

圖2 降尺度流程圖Fig.2 The process of downscaling modelCMS:碳監(jiān)測(cè)系統(tǒng),Carbon Monitoring System

2.3 地表特征參數(shù)計(jì)算

選取了4種類型共20個(gè)地表特征參數(shù)作為降尺度回歸方程的自變量(表1),包括6個(gè)波段的地表反射率；多波段組合/植被指數(shù)；主成分變換分量和纓帽變換分量；地形因子。

表1 研究選取的地表特征參數(shù)Table 1 Land surface characteristic parameters used in the study

NDVI:歸一化差值植被指數(shù),Normalized Difference Vegetation Index;SAVI:土壤調(diào)節(jié)植被指數(shù),Soil-Adjusted Vegetation Index;RVI:比值植被指數(shù),Ratio Vegetation Index;VI3:中紅外植被指數(shù),Mid-infrared Vegetation Index;fc:植被覆蓋度,Fraction of forest coverage;STM:吸收反射與反照度因子,The ratio of absorption-band reflectance to albedo;TM452:第2/4/5波段組合,Combination of the second,fourth and fifth band;PC1:第一主成分,The first principal component;PC2:第二主成分,The second principal component;PC3:第三主成分,The third principal component;G:綠度,Greenness;B:亮度,Brightness;W:濕度,Wetness;S:坡度,Slope

表1中,r1、r2、r3、r4、r5、r7分別是TM影像的藍(lán)光、綠光、紅光、近紅外和兩個(gè)中紅外波段的地表反射率。SAVI計(jì)算公式中L為土壤調(diào)節(jié)系數(shù),隨植被蓋度而變化,本文取常量0.5。

3 結(jié)果與討論

3.1 降尺度模型

通過多元線性逐步回歸和非線性回歸,得到森林地上生物量的估算方程(表2)?？紤]到模型的普適性,建模過程中將兩個(gè)區(qū)域的自變量和因變量分別合并,建立了同時(shí)適用于兩個(gè)研究區(qū)的降尺度模型。進(jìn)入擬合方程的各自變量系數(shù)都滿足P值小于0.05的條件,通過顯著性水平檢驗(yàn)。

表2 森林地上生物量估算方程Table 2 The regression equations for forest aboveground biomass estimation

3.2 降尺度結(jié)果定性評(píng)價(jià)與分析

通過對(duì)兩個(gè)研究區(qū)降尺度30 m森林地上生物量數(shù)據(jù)和CMS 30 m森林地上生物量數(shù)據(jù)對(duì)比可以發(fā)現(xiàn)(圖3、圖4),利用模擬低分辨率數(shù)據(jù)降尺度后的30 m分辨率森林地上生物量空間分布和CMS森林地上生物量分布狀況大致相同,圖3b、3c和圖4b、4c中的生物量高值區(qū)和低值區(qū)與圖3a、圖4a吻合較好。而GEOCARBON AGB產(chǎn)品降尺度后的30 m分辨率森林地上生物量空間分布和CMS分布狀況相差較大,降尺度AGB數(shù)值分布集中,空間分布差異不明顯。此外,兩個(gè)研究區(qū)降尺度生物量分布圖中均存在較為明顯的斑塊結(jié)構(gòu),相較于CMS森林地上生物量數(shù)據(jù)而言其內(nèi)部特征不夠平滑,這主要是由于在降尺度過程中未對(duì)殘差進(jìn)行平滑處理,而是直接將其疊加到預(yù)估森林地上生物量分布圖上。

圖3 研究區(qū)1 CMS森林地上生物量分布和降尺度森林地上生物量分布比較Fig.3 Comparison between spatial distribution of CMS and downscaled forest aboveground biomass of study area 1(a)CMS結(jié)果;(b)模擬AGB多元線性逐步回歸降尺度結(jié)果;(c)模擬AGB非線性回歸降尺度結(jié)果;(d)GEOCARBON AGB多元線性逐步回歸降尺度結(jié)果;(e)GEOCARBON AGB非線性回歸降尺度結(jié)果

圖4 研究區(qū)2 CMS森林地上生物量分布和降尺度森林地上生物量分布比較Fig.4 Comparison between spatial distribution of CMS and downscaled forest aboveground biomass of study area 2 (a)CMS結(jié)果;(b)模擬AGB多元線性逐步回歸降尺度結(jié)果;(c)模擬AGB非線性回歸降尺度結(jié)果;(d)GEOCARBON AGB多元線性逐步回歸降尺度結(jié)果;(e)GEOCARBON AGB非線性回歸降尺度結(jié)果

3.3 降尺度結(jié)果定量評(píng)價(jià)與分析

對(duì)降尺度結(jié)果定量精度評(píng)價(jià)采用3個(gè)指標(biāo)：相關(guān)系數(shù)r、均方根誤差RMSE、相對(duì)誤差δ。在降尺度30 m森林地上生物量分布圖和CMS 30 m森林地上生物量分布圖中均勻抽選對(duì)應(yīng)像元點(diǎn)。篩選出其中的森林像元,得到散點(diǎn)圖圖5、圖6。

圖5 研究區(qū)1 CMS森林地上生物量和降尺度森林地上生物量散點(diǎn)圖 Fig.5 Scatter plots of CMS forest aboveground biomass versus downscaled forest aboveground biomass of study area 1 (a)模擬AGB多元線性逐步回歸降尺度;(b)模擬AGB非線性回歸降尺度;(c)GEOCARBON AGB多元線性逐步回歸降尺度;(d)GEOCARBON AGB非線性回歸降尺度

圖6 研究區(qū)2 CMS森林地上生物量和降尺度森林地上生物量散點(diǎn)圖 Fig.6 Scatter plots of CMS forest aboveground biomass versus downscaled forest aboveground biomass of study area 2 (a)模擬AGB多元線性逐步回歸降尺度;(b)模擬AGB非線性回歸降尺度;(c)GEOCARBON AGB多元線性逐步回歸降尺度;(d)GEOCARBON AGB非線性回歸降尺度

從表3、表4可以看出,研究區(qū)1和研究區(qū)2降尺度生物量的均值都高于CMS生物量均值。標(biāo)準(zhǔn)差反映森林地上生物量的空間變異性,生物量分布的標(biāo)準(zhǔn)差相對(duì)大小表現(xiàn)為：SDCMS>SD模擬AGB>SDGEOCARBONAGB,且非線性回歸降尺度生物量的標(biāo)準(zhǔn)差比多元線性逐步回歸的結(jié)果更低,說明在呈現(xiàn)生物量空間分布差異和細(xì)節(jié)變化方面,多元線性逐步回歸降尺度結(jié)果優(yōu)于非線性回歸降尺度結(jié)果,這一結(jié)論也可從圖3b和3c、圖4b和4c的對(duì)比中看出,相較于多元線性逐步回歸降尺度生物量分布圖,非線性回歸降尺度生物量分布圖中的斑塊結(jié)構(gòu)更加明顯,從而損失了較多細(xì)節(jié)。從散點(diǎn)圖(圖5、圖6)可看出,在生物量較小的情況下,降尺度生物量普遍高于CMS生物量；在生物量較大的情況下,降尺度生物量普遍低于CMS生物量。

非線性回歸降尺度的精度優(yōu)于線性回歸降尺度,這可能是由于森林地上生物量和植被指數(shù)等自變量之間關(guān)系較為復(fù)雜,相較于線性模型,非線性模型能更好地描述它們之間的關(guān)系。此外,對(duì)比文中選擇的兩個(gè)研究區(qū)的降尺度狀況,研究區(qū)1比研究區(qū)2效果更好,這可能是由于研究區(qū)1的森林分布較研究區(qū)2更為集中,導(dǎo)致研究區(qū)1的森林純像元比例比研究區(qū)2更高,而本文采用的降尺度模型建立方法是利用森林像元比例閾值篩選建立降尺度模型的較純低分辨率像元,這種降尺度方法可能更適合于森林像元連續(xù)分布的研究區(qū)。

為了進(jìn)一步探究?jī)蓚€(gè)研究區(qū)降尺度結(jié)果存在差異的原因,本文基于景觀生態(tài)學(xué)原理,利用Fragstats軟件在斑塊類型水平上選擇部分景觀指數(shù),分析兩個(gè)研究區(qū)森林地類之間的空間結(jié)構(gòu)差異。斑塊類型層次景觀指數(shù)一般從斑塊的面積、斑塊形狀指數(shù)、斑塊密度等方面對(duì)斑塊不同類型的特征進(jìn)行分析[28]。本文僅將兩個(gè)研究區(qū)分為森林和非森林兩種地類,方便對(duì)比兩個(gè)研究區(qū)森林地類分布的聚集程度。

表3 降尺度方法精度評(píng)價(jià)指標(biāo)Table 3 Accuracy evaluation indexes of the downscaling method

表4 CMS森林地上生物量和降尺度森林地上生物量統(tǒng)計(jì)度量Table 4 Statistical measures of CMS forest aboveground biomass and downscaled forest aboveground biomass

研究選擇了斑塊密度、分離度指數(shù)和聚集指數(shù)共3個(gè)指標(biāo)。斑塊密度反映了景觀破碎程度,值越大則破碎化程度越高。分離度指數(shù)是指景觀內(nèi)某一景觀類型中斑塊之間的分離程度,值越小,表明景觀在區(qū)域內(nèi)分布越集中,景觀較簡(jiǎn)單。聚集指數(shù)基于同類型斑塊像元間公共邊界長(zhǎng)度來計(jì)算,當(dāng)某類型中所有像元間不存在公共邊界時(shí),該類型的聚合程度最低[28]。

研究區(qū)1和研究區(qū)2森林地類的斑塊數(shù)分別為1362和1620。其他評(píng)價(jià)指標(biāo)計(jì)算結(jié)果見表5。

表5 兩個(gè)研究區(qū)森林地類的景觀指數(shù)對(duì)比Table 5 Comparison between landscape indexes of forest in two study areas

從表5可看出,研究區(qū)1森林地類的斑塊密度和分離度指數(shù)都小于研究區(qū)2,且聚集指數(shù)大于研究區(qū)2,這說明研究區(qū)1的森林分布相較于研究區(qū)2更加聚集,破碎化程度更低,這與降尺度結(jié)果保持一致,也從側(cè)面說明本文的降尺度方法可能更適合于森林像元連續(xù)分布的研究區(qū)。

3.4 討論

本文的主要目的是探究森林地上生物量降尺度的方法,為避免不同源產(chǎn)品之間存在的系統(tǒng)性誤差影響降尺度效果,采用升尺度模擬低分辨率生物量數(shù)據(jù)和已有低分辨率生物量產(chǎn)品兩種數(shù)據(jù)源用于降尺度。但由于30 m和1 km之間尺度跨度大,且研究區(qū)地表覆蓋類型復(fù)雜,低分辨率生物量分布圖上多為混合像元,森林純像元少,且低分辨率分布圖的像元生物量偏低。盡管本文根據(jù)森林像元比例閾值,篩選出較純的低分辨率森林地上生物量像元用于擬合降尺度模型,但仍然不能完全避免混合像元對(duì)降尺度模型建立及精度評(píng)價(jià)的影響?；旌舷裨雽?duì)降尺度模型的影響主要表現(xiàn)在：對(duì)于由不同地表覆蓋類型組合(如農(nóng)用地和森林、城市和森林)的低分辨率混合像元而言,假定其森林像元比例相同,則可能會(huì)出現(xiàn)森林地上生物量數(shù)值相同但對(duì)應(yīng)光譜值(如某波段地表反射率)差異很大的情況,這對(duì)模型構(gòu)建結(jié)果及降尺度結(jié)果有較大影響。因此,純像元選取是降尺度模型構(gòu)建的關(guān)鍵環(huán)節(jié)。優(yōu)化純像元選取策略及降尺度方法是下一步研究的重點(diǎn)。

從3.3節(jié)中的各種特征值指標(biāo)、精度評(píng)價(jià)指標(biāo)可以看出,本文中利用模擬低分辨率生物量數(shù)據(jù)建立的降尺度模型較好地實(shí)現(xiàn)了森林地上生物量從1 km空間分辨率到30 m空間分辨率的轉(zhuǎn)換,但GEOCARBON生物量產(chǎn)品降尺度的結(jié)果較差,原因主要有以下幾點(diǎn)：(1)數(shù)據(jù)源及反演方法不同,降尺度檢驗(yàn)數(shù)據(jù)CMS產(chǎn)品與GEOCARBON產(chǎn)品之間存在系統(tǒng)偏差,圖7中1 km分辨率的GEOCARBON森林地上生物量分布和升尺度后CMS森林地上生物量分布在空間分布格局上本身存在較大差異,GEOCARBON生物量分布值普遍低于CMS升尺度結(jié)果；(2)GEOCARBON產(chǎn)品本身精度有限,產(chǎn)品自身精度會(huì)直接影響到降尺度結(jié)果。北半球溫帶地區(qū)GEOCARBON森林生物量是利用森林蓄積量(GSV)轉(zhuǎn)換估算的,GSV估算依賴于雷達(dá)后向散射測(cè)量,在密集的成熟林中信號(hào)易飽和導(dǎo)致GSV被低估,森林生物量被低估[23]。圖5、圖6散點(diǎn)圖中GEOCARBON森林地上生物量產(chǎn)品降尺度結(jié)果在高值區(qū)都存在明顯的低估現(xiàn)象。

圖7 模擬AGB和GEOCARBON AGB分布比較/(Mg/hm2)Fig.7 Comparison between spatial distribution of simulated and GEOCARBON forest aboveground biomass (a)研究區(qū)1,模擬AGB分布;(b)研究區(qū)1,GEOCARBON AGB分布;(c)研究區(qū)2,模擬AGB分布;(d)研究區(qū)2,GEOCARBON AGB分布

研究建立的降尺度模型,是基于森林地上生物量與光譜指數(shù)數(shù)據(jù)間關(guān)系尺度不變這一假設(shè)的。但事實(shí)上,由于低分辨率下建立的線性/非線性模型不一定完全適用于高分辨率尺度,這一假設(shè)也會(huì)給降尺度結(jié)果帶來誤差,從而無法準(zhǔn)確判斷在轉(zhuǎn)換函數(shù)的尺度效應(yīng)和降尺度模型本身的有效性之中,究竟哪一個(gè)因素對(duì)降尺度結(jié)果精度的影響更大。因此,接下來的研究可進(jìn)一步探究降尺度模型隨尺度變化對(duì)森林生物量估算造成的誤差。

4 結(jié)論

本文以美國(guó)馬里蘭州的兩個(gè)區(qū)域?yàn)檠芯繀^(qū),基于CMS 30 m分辨率和GEOCARBON 1 km分辨率森林地上生物量產(chǎn)品以及TM等數(shù)據(jù)源,通過升尺度模擬低分辨率生物量數(shù)據(jù)和直接使用低分辨率產(chǎn)品兩種方式,分別嘗試建立了多光譜地表參數(shù)和低分辨率森林地上生物量數(shù)據(jù)之間的統(tǒng)計(jì)關(guān)系,基于關(guān)系尺度不變的前提,將森林地上生物量數(shù)據(jù)的空間分辨率從1 km降尺度到30 m,并對(duì)降尺度結(jié)果進(jìn)行精度評(píng)價(jià)和誤差來源分析。

模擬數(shù)據(jù)降尺度后的30 m分辨率森林地上生物量空間分布和CMS森林地上生物量分布狀況大致相同,RMSE=59.2—65.5 Mg/hm2,相關(guān)系數(shù)約為0.7；其降尺度結(jié)果優(yōu)于GEOCARBON產(chǎn)品直接降尺度結(jié)果RMSE=75.3—79.9 Mg/hm2；相較于線性模型,非線性模型能更好地呈現(xiàn)森林地上生物量和地表參數(shù)間的關(guān)系；總體上,降尺度生物量呈現(xiàn)高值區(qū)低估,低值區(qū)高估的現(xiàn)象。