邱新彩，鄭冬梅，王海賓，安天宇，許等平，郝月蘭，彭道黎

（1.北京林業(yè)大學(xué) 林學(xué)院，北京 100083；2.國家林業(yè)和草原局 調(diào)查規(guī)劃設(shè)計(jì)院，北京 100714；3.國家林業(yè)和草原局 林產(chǎn)工業(yè)規(guī)劃設(shè)計(jì)院，北京 100010）

森林是全球陸地生態(tài)系統(tǒng)中最大的有機(jī)碳庫，在維護(hù)生態(tài)環(huán)境和碳平衡中發(fā)揮巨大作用[1]。森林碳儲(chǔ)量是研究大氣碳收支的重要參數(shù)，也是評(píng)價(jià)國家固碳潛力是否有效的數(shù)據(jù)支持[2]。準(zhǔn)確評(píng)估森林碳儲(chǔ)量，不僅可以推動(dòng)碳循環(huán)和碳匯研究工作的進(jìn)展，而且可為森林資源監(jiān)測(cè)和經(jīng)營管理、可持續(xù)發(fā)展和生態(tài)環(huán)境建設(shè)提供決策服務(wù)[3]。傳統(tǒng)的森林碳儲(chǔ)量估算方法，如采用森林資源一類、二類調(diào)查數(shù)據(jù)或生態(tài)樣地的測(cè)樹資料來估算碳儲(chǔ)量，存在費(fèi)時(shí)費(fèi)力、調(diào)查間隔期長、適用范圍小等缺點(diǎn)，遙感數(shù)據(jù)的全覆蓋、多時(shí)相、多空間分辨率等諸多優(yōu)勢(shì)特征，為碳儲(chǔ)量估算提供可行路徑，與傳統(tǒng)估算方法相比更具優(yōu)勢(shì)[4]。它可以與地面實(shí)測(cè)樣地?cái)?shù)據(jù)相結(jié)合，建立碳儲(chǔ)量遙感估算方程，為快速、準(zhǔn)確、實(shí)時(shí)地估算多尺度森林碳儲(chǔ)量提供了有效手段[5-7]。

目前國內(nèi)外關(guān)于森林碳儲(chǔ)量研究主要集中在國家或區(qū)域尺度上，普遍通過直接或間接測(cè)定森林植被或優(yōu)勢(shì)樹種的生物量，再乘以對(duì)應(yīng)的碳元素含量推算而得[8-9]。Landsat 8 作為新型的Landsat 陸地資源衛(wèi)星數(shù)據(jù)，提供了光譜信息豐富、時(shí)間分辨率較高、獲取速度快的遙感信息源，在林業(yè)監(jiān)測(cè)中獲得了較好的效果[10-12]，但應(yīng)用Landsat 8 影像估算森林生物量和碳儲(chǔ)量的研究還不多。森林生物量和碳儲(chǔ)量的估算方法多以參數(shù)和非參數(shù)方法為主，其中參數(shù)方法以回歸分析為主[13-14]，非參數(shù)方法包括隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、K 最近鄰等的研究和應(yīng)用較多[15-20]。但是這些方法大多都沒有考慮空間異質(zhì)性對(duì)森林生物量和碳儲(chǔ)量的影響，缺乏明確的地理空間信息，被認(rèn)為是非空間方法。地統(tǒng)計(jì)學(xué)因其兼顧了空間結(jié)構(gòu)特征并具備完好的空間制圖功能，被廣泛地應(yīng)用在地質(zhì)學(xué)、生態(tài)學(xué)等領(lǐng)域。近年來，國內(nèi)外學(xué)者采用不同的地統(tǒng)計(jì)學(xué)方法對(duì)森林變量進(jìn)行空間插值及驗(yàn)證分析，在森林蓄積量和生物量研究中取得了較好的估算效果[21-23]。賀鵬[24]、王海賓[25]等采用了協(xié)同克里格插值法對(duì)森林蓄積量、森林生物量進(jìn)行了空間插值研究，結(jié)果均顯示了較好的適用性，獲得了較高的預(yù)測(cè)精度。在文章中，作者均未采用遙感數(shù)據(jù)結(jié)合地統(tǒng)計(jì)學(xué)方法對(duì)蓄積量和生物量進(jìn)行適用性研究，但作者對(duì)后續(xù)采用遙感數(shù)據(jù)結(jié)合地統(tǒng)計(jì)學(xué)方法估算變量進(jìn)行了展望。因此，本文借鑒前人的研究展望，將遙感數(shù)據(jù)與協(xié)同克里格插值法相結(jié)合來估算喬木林地上碳儲(chǔ)量，試驗(yàn)并討論這種方法的可行性和適用性。此外，為與非空間估算方法對(duì)比，本文將常用的穩(wěn)健估計(jì)方法作為建模方法參與模型構(gòu)建，并對(duì)兩種估算方法的精度進(jìn)行對(duì)比分析。

1 研究區(qū)概況

浙江?。?80°01′～123°10′E，27°06′～31°11′N）地處中國東南沿海，全省陸地面積1.02×105km2，地勢(shì)從西南向東北呈階梯狀下降趨勢(shì)，西南以山地為主，平均海拔800 m；中部多為丘陵，海拔在100～500 m；東北部是低平的沖積平原，海拔在10 m 以下。浙江省屬亞熱帶季風(fēng)性氣候，四季分明，雨熱同季，年平均氣溫15～18 ℃，無霜期230～270 d，年平均日照時(shí)數(shù)1 710～2 100 h，年 均 降 水 量980～2 000 mm。土壤類型多樣，主要有紅壤、黃壤、粗骨土、水稻土、潮土、鹽土等類型。常綠闊葉林為該省的地帶性植被。浙江省森林資源豐富，森林面積為6.04×106hm2，占林地面積的91.70%，森林覆蓋率達(dá)59.43%，森林蓄積達(dá)2.81×108m3，占活立木總蓄積的89.58%。

2 數(shù)據(jù)準(zhǔn)備及處理

2.1 專項(xiàng)調(diào)查數(shù)據(jù)

2012年，通過外業(yè)調(diào)查獲取專項(xiàng)調(diào)查數(shù)據(jù)，依據(jù)林分年齡（分為幼齡林、中齡林、近成過熟林）和優(yōu)勢(shì)樹種作為控制，設(shè)置和調(diào)查了96 個(gè)樣地，盡量使其具有代表性，樣地為0.067 hm2的正方形樣地，主要包括針葉林、闊葉林、混交林等不同森林類型，專項(xiàng)調(diào)查樣地分布見圖1。樣地屬性因子包括樹種、胸徑（起測(cè)胸徑為5 cm）、平均高、郁閉度、坡向、坡度、海拔、株數(shù)、年齡、喬木林地上生物量和喬木林地下生物量等因子。本研究用到的因子為喬木林地上生物量因子，樣地調(diào)查數(shù)據(jù)的生物量統(tǒng)計(jì)結(jié)果見表1。

圖1 研究區(qū)內(nèi)調(diào)查樣地分布Fig.1 Distribution of survey samples in the study area

表1 調(diào)查樣地生物量統(tǒng)計(jì)結(jié)果Table 1 Statistic results of biomass for the survey samples in the study area

依據(jù)獲取的樣地蓄積量，乘以生物量換算因子（Biomass expansion factor，BEF）得到喬木林地上生物量，為便于計(jì)算，將喬木林地上生物量轉(zhuǎn)換為每公頃生物量（t·hm-2），每公頃生物量乘以相對(duì)應(yīng)的含碳率即可得到喬木林地上碳儲(chǔ)量。蓄積量直接采用已計(jì)算好的樣地蓄積量數(shù)據(jù)。BEF采用沈楚楚[24]提供的浙江省4 大樹種（組）的BEF，分別為杉木林（0.745 3 t·m-3）、馬尾松林（0.883 9 t·m-3）、軟闊類（1.657 2 t·m-3）、硬闊類（1.070 5 t·m-3）。將其他樹種分別歸并到軟闊類和硬闊類樹種（組）并采用相應(yīng)的BEF 進(jìn)行生物量計(jì)算。本文依據(jù)《土地利用、土地利用變化與林業(yè)碳匯計(jì)量監(jiān)測(cè)技術(shù)指南》確定樹種含碳率，指南中的樹種含碳率可覆蓋研究區(qū)內(nèi)的各個(gè)優(yōu)勢(shì)樹種（組）。

在獲得喬木林地上碳儲(chǔ)量數(shù)據(jù)后，采用二倍標(biāo)準(zhǔn)差法剔除異常值，結(jié)果剩余95 個(gè)專項(xiàng)調(diào)查數(shù)據(jù)，將其作為因變量用于本文Landsat 8 影像構(gòu)建喬木林地上碳儲(chǔ)量模型。

2.2 輔助數(shù)據(jù)

本研究采用的輔助數(shù)據(jù)為覆蓋研究區(qū)的數(shù)字高程模型（Digital elevation model，DEM）數(shù)據(jù)，比例尺為1:50 000，用于提供地形等因子。

2.3 遙感數(shù)據(jù)及預(yù)處理

本研究選用一景Landsat 8 OLI（Operational Land Image，陸地成像儀傳感器）影像作為遙感數(shù)據(jù)源，覆蓋整個(gè)研究區(qū)，空間分辨率為30 米，影像軌道號(hào)為119/040，采集時(shí)間為2014年10月26日。所采用波段包括波段序號(hào)為2～7 的6 個(gè)波段，應(yīng)用ENVI5.3 軟件對(duì)Landsat 8 影像進(jìn)行預(yù)處理，包括輻射定標(biāo)、大氣校正。

3 研究方法

3.1 建模變量設(shè)置

本研究選用植被指數(shù)（9 個(gè)）、紋理波段（48個(gè)）、主成分變換因子（3 個(gè)）、纓帽變換因子（3個(gè)）和地形因子（3 個(gè)）共66 個(gè)特征作為自變量參與模型構(gòu)建。按照地面實(shí)測(cè)樣地位置，提取各個(gè)樣地對(duì)應(yīng)的自變量因子。表2為本研究采用的9個(gè)植被指數(shù)。

紋理是一個(gè)非常復(fù)雜的空間屬性，易受到傳感器觀測(cè)角度以及觀測(cè)對(duì)象所處環(huán)境的不同而產(chǎn)生較大的變化，此外紋理特征的度量易受到窗口大小、方向以及步長的影響。為探究Landsat 8 多光譜波段紋理特征的應(yīng)用潛力，本研究采用灰度共生矩陣方法分別提取Landsat8 多光譜波段的8種紋理特征，8 種紋理特征的計(jì)算見表3。

表2 研究中用到的植被指數(shù)?Table 2 Vegetation indices used in the study

表3 研究中用到的紋理特征?Table 3 Texture features used in the study

影像的多光譜波段間常存在較高的相關(guān)性，圖像變換可以將圖像信息壓縮到少數(shù)幾個(gè)有效波段，去除冗余信息。目前較為常用的有主成分分析法和纓帽變換法，在以往的研究中，主成分分析法的前3 個(gè)波段和纓帽變換的前3 個(gè)波段應(yīng)用較為廣泛[10,27]。本研究采用主成分分析獲取的前3 個(gè)波段和纓帽變換的前3 個(gè)波段（亮度Brightness、綠度Greenness 和濕度Wetness）共計(jì)6 個(gè)波段變換因子作為自變量，通過分析確定相關(guān)自變量參與碳儲(chǔ)量模型的構(gòu)建。此外，應(yīng)用DEM 數(shù)據(jù)提取對(duì)應(yīng)的海拔、坡度、坡向3 個(gè)因子，參與模型構(gòu)建。

3.2 建模變量?jī)?yōu)選

采用皮爾森相關(guān)性分析法對(duì)自變量進(jìn)行篩選，提取出極顯著相關(guān)的因子，進(jìn)一步采用方差膨脹因子（Variance inflation factor，VIF）法篩選自變量，將篩選的自變量用于模型構(gòu)建。VIF 是指解釋變量之間存在多重共線性時(shí)的方差與不存在多重共線性時(shí)的方差之比，為容忍度的倒數(shù)，VIF 越大，顯示共線性越嚴(yán)重[28]。經(jīng)驗(yàn)判斷方法表明：當(dāng)0＜VIF＜10，不存在多重共線性；當(dāng)10≤VIF＜100，存在較強(qiáng)的多重共線性；當(dāng)VIF≥100，存在嚴(yán)重多重共線性。依據(jù)相關(guān)的文獻(xiàn)資料[29-30]，本研究設(shè)置0＜VIF＜10，容忍度＞0.1 來進(jìn)行控制，對(duì)自變量做進(jìn)一步提取。

3.3 穩(wěn)健估計(jì)

穩(wěn)健估計(jì)是實(shí)際情況偏離假設(shè)模型的不敏感性估計(jì)，主要目的是在建模中尋求樣本數(shù)據(jù)分布的主體，不遷就異常樣地，采用一定的抗差函數(shù)削弱其使用比例，以此來孤立異常樣地和抵制其不利影響，從而使估測(cè)模型具有一定的“穩(wěn)定性”和“抗干擾性”[31-32]。穩(wěn)健估計(jì)實(shí)質(zhì)上是求非線性函數(shù)的極值解，采用迭代函數(shù)法求解，具體步驟及原理詳見文獻(xiàn)[32]。

3.4 協(xié)同克里格插值

協(xié)同克里格法（Co-kriging，COK）在變量估測(cè)上具有較好的預(yù)測(cè)精度[24-25,33]，它是利用兩個(gè)或兩個(gè)以上的變量，將其中一個(gè)作為主變量，剩余變量作為輔助變量，將主變量的自相關(guān)性和主輔變量的交互相關(guān)性結(jié)合起來進(jìn)行無偏最優(yōu)估計(jì)[30]，詳細(xì)的理論介紹可參考文獻(xiàn)[24]和[25]。協(xié)同克里格插值的公式如下：

式中，Z*(x0)為待估點(diǎn)處的蓄積量估測(cè)值；λ1i和λ2i分別是主變量Z1和輔變量Z2實(shí)測(cè)值的權(quán)重，且n和m分別是參與估測(cè)x0點(diǎn)的蓄積量和其它輔助變量Z2的實(shí)測(cè)值數(shù)目。

3.5 模型驗(yàn)證

考慮到覆蓋單景Landsat8 影像的專項(xiàng)調(diào)查樣地?cái)?shù)量較少的情況，本文采用留一交叉驗(yàn)證法進(jìn)行評(píng)價(jià)。通過對(duì)比模型預(yù)測(cè)的喬木林地上碳儲(chǔ)量與實(shí)測(cè)碳儲(chǔ)量值，比較不同建模方法的預(yù)測(cè)精度，以評(píng)價(jià)不同模型的估算性能。本研究采用的評(píng)價(jià)指標(biāo)有：決定系數(shù)（R2）、均方根誤差（Root mean square error，RMSE）、平均絕對(duì)偏差（Mean absolute error，MAE）和總預(yù)報(bào)偏差的相對(duì)誤差（RE），R2越大，模型的擬合精度越好，RMSE、MAE 和RE 值越小，表示模型預(yù)測(cè)精度越高。4 個(gè)評(píng)價(jià)指標(biāo)計(jì)算公式如下：

式中：yi為碳儲(chǔ)量實(shí)測(cè)值，為碳儲(chǔ)量預(yù)測(cè)值，為碳儲(chǔ)量實(shí)測(cè)值平均值，n為樣本個(gè)數(shù)。

4 結(jié)果與分析

4.1 描述性統(tǒng)計(jì)分析

使用SPSS 20.0 統(tǒng)計(jì)軟件，對(duì)單位面積喬木林地上的碳儲(chǔ)量進(jìn)行了描述性統(tǒng)計(jì)，并對(duì)其進(jìn)行K-S檢驗(yàn)，結(jié)果顯示喬木林地上碳儲(chǔ)量數(shù)據(jù)服從正態(tài)分布。表4是單位面積喬木林地上碳儲(chǔ)量的描述性統(tǒng)計(jì)和正態(tài)分布性檢驗(yàn)結(jié)果。

表4 喬木林地上碳儲(chǔ)量描述性統(tǒng)計(jì)結(jié)果Table 4 Descriptive statistics of carbon storage in the arbor forest

4.2 自變量篩選結(jié)果

應(yīng)用SPSS 20.0 軟件，對(duì)提取的專項(xiàng)調(diào)查數(shù)據(jù)的喬木林地上碳儲(chǔ)量和66 個(gè)自變量因子進(jìn)行皮爾森相關(guān)性分析，篩選出與碳儲(chǔ)量極顯著相關(guān)（P＜0.01）的自變量因子共計(jì)22 個(gè)，見表5，包括NDVI、RVI、RVI54、RVI64、SAVI、NLI、ARVI、PCA2、Greenness、海拔、B1_Mean、B2_Mean、B3_Mean、B3_Entropy、B3_Second、B3_Correlation、B6_Mean、B6_Variance、B6_Contrast、B6_Diss、B6_Entropy、B6_Second。

對(duì)提取出的極顯著相關(guān)的22 個(gè)自變量因子進(jìn)一步優(yōu)選，生成基于VIF 方法篩選的自變量集，篩選后的7 個(gè)自變量因子見表6，包括RVI、NLI、海拔、B1_Mean、B3_Correlation、B6_Mean、B6_Variance。

4.3 穩(wěn)健估計(jì)

將篩選的自變量集構(gòu)建喬木林地上碳儲(chǔ)量模型，應(yīng)用MATLAB2014a 計(jì)算各個(gè)模型的參數(shù)，最后得到穩(wěn)健估計(jì)法構(gòu)建的喬木林地上碳儲(chǔ)量估算模型，其數(shù)學(xué)表達(dá)式為C=0.000 1×RVI+2.100 6×NLI+0.000 1×海拔-0.000 2×B1_Mean+0.000 5×B3_Mean-0.000 4×B6_Mean-0.000 5×B6_Variance，C 為喬木林地上碳儲(chǔ)量，其他因子為對(duì)應(yīng)的自變量因子。

表5 自變量因子與喬木林地上碳儲(chǔ)量的Pearson 相關(guān)系數(shù)?Table 5 Pearson correlation coefficients between independent variables and arbor forest above ground carbon storage

表6 基于VIF 法篩選的自變量因子?Table 6 Independent factors filter based on the VIF method

4.4 協(xié)同克里格插值

基于VIF 法篩選的自變量，提取出與喬木林地上碳儲(chǔ)量相關(guān)性最高的1 個(gè)自變量（RVI）和相關(guān)性最低的2 個(gè)自變量（B6_Mean、B3_Correlation），采用協(xié)同克里格插值對(duì)喬木林地上碳儲(chǔ)量進(jìn)行估算。為取得更好地估算效果，本研究對(duì)ArcGIS 10.1 地統(tǒng)計(jì)分析模塊中的11 種變異模型進(jìn)行了計(jì)算和分析，根據(jù)變異函數(shù)的理論和評(píng)價(jià)方法[25]，得到最優(yōu)變異函數(shù)的擬合結(jié)果，變異函數(shù)擬合結(jié)果見表7。由表7可知，在協(xié)同克里格插值中，采用提取的3 個(gè)變量參與插值后，塊金值為0，塊金值/基臺(tái)值小于25%，表明系統(tǒng)具有很強(qiáng)的相關(guān)性，依據(jù)變異函數(shù)的評(píng)價(jià)標(biāo)準(zhǔn)可知，在使用RVI、B6_Mean、B3_Correlation 時(shí)，K-貝塞耳模型可獲得最優(yōu)的擬合結(jié)果。為獲得較高的預(yù)測(cè)精度，本研究選擇VIF 中的RVI、B6_Mean、B3_Correlation 3 個(gè)變量擬合的最優(yōu)變異函數(shù)（K-貝塞耳模型）作為最優(yōu)變異函數(shù)，最后采用協(xié)同克里格法對(duì)喬木林地上碳儲(chǔ)量進(jìn)行插值，并對(duì)插值效果進(jìn)行評(píng)價(jià)。

表7 基于VIF 提取的3 個(gè)自變量擬合的最優(yōu)方差函數(shù)模型及參數(shù)Table 7 Optimal variance function model and parameters fitted by three different variables extracted by VIF

4.5 模型評(píng)價(jià)及對(duì)比

應(yīng)用2 種方法對(duì)喬木林地上的碳儲(chǔ)量進(jìn)行估算，并采用4 種評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行比較，結(jié)果見表8。由表8可知，協(xié)同克里格插值法的決定系數(shù)（R2=0.45）高于穩(wěn)健估計(jì)（R2=0.42），表示協(xié)同克里格插值的擬合精度較好。協(xié)同克里格插值法的均方根誤差、平均絕對(duì)偏差和總預(yù)報(bào)偏差的相對(duì)誤差（RMSE=9.88 t·hm-2，MAE=7.75 t·hm-2，RE=0.24%）均明顯低于穩(wěn)健估計(jì)法（RMSE=10.15 t·hm-2，MAE=8.03 t·hm-2，RE=0.27%），表示協(xié)同克里格模型預(yù)測(cè)精度更高。由以上分析可知，協(xié)同克里格插值法對(duì)喬木林地上碳儲(chǔ)量的估算性能更強(qiáng)，具有較高的空間模擬預(yù)測(cè)精度。

表8 2 種建模方法的預(yù)測(cè)精度比較Table 8 Comparison of prediction accuracy of two models

5 結(jié)論與討論

本研究基于Landsat 8 影像和DEM 數(shù)據(jù)提取植被指數(shù)、紋理特征、主成分波段、纓帽變換以及地形因子，結(jié)合研究區(qū)專項(xiàng)調(diào)查樣地?cái)?shù)據(jù)和輔助數(shù)據(jù)，采用皮爾森相關(guān)系數(shù)和VIF法提取自變量，基于篩選的自變量，采用穩(wěn)健估計(jì)和協(xié)同克里格插值法構(gòu)建喬木林地上碳儲(chǔ)量模型，并對(duì)模型精度進(jìn)行對(duì)比分析。結(jié)果表明協(xié)同克里格插值法構(gòu)建模型的精度要優(yōu)于穩(wěn)健估計(jì)。

在自變量篩選上，采用了兩步法對(duì)自變量進(jìn)行了篩選，以期為建模提供更好的自變量因子。皮爾森相關(guān)系數(shù)法是用來反映因變量和自變量間的相關(guān)程度，通過剔除不相關(guān)的自變量因子，提取出與因變量相關(guān)性較高的自變量因子用于建模。但在實(shí)際的應(yīng)用中，采用遙感影像衍生出的自變量因子間往往存在多重共線性問題，如何減小這些問題對(duì)模型穩(wěn)定性的影響，也是變量篩選的關(guān)鍵因素之一。方差膨脹因子法在這方面顯示了其優(yōu)勢(shì)，通過考察給定的解釋變量被方程中其他所有解釋變量所解釋的程度，以此來判斷其是否存在多重共線性，通過一定的標(biāo)準(zhǔn)剔除影響較大的自變量因子，減小多重共線性影響。因此，本文將兩種方法結(jié)合使用，既兼顧了因變量與自變量間的相關(guān)性，又兼顧了自變量間的共線性問題，在一定程度上可提高所構(gòu)建模型的穩(wěn)定性和適用性。

研究結(jié)果顯示協(xié)同克里格插值法的估算效果要優(yōu)于穩(wěn)健估計(jì)法，這是因?yàn)閰f(xié)同克里格插值法將主變量的自相關(guān)性和主輔變量的交互相關(guān)性結(jié)合起來，對(duì)喬木林地上碳儲(chǔ)量進(jìn)行無偏最優(yōu)估計(jì)，可獲得較好的估算精度。此外，本文將協(xié)同克里格插值和遙感影像相結(jié)合的方式，考慮了遙感自變量的空間連續(xù)特征，與前人只考慮不具有空間連續(xù)性特征的自變量進(jìn)行插值相比，更具有優(yōu)勢(shì)，可以說是對(duì)文獻(xiàn)[22]和[23]的探索式研究。

采用協(xié)同克里格插值法構(gòu)建喬木林地上碳儲(chǔ)量模型時(shí)，本研究選擇了相關(guān)性最高的RVI 自變量和相關(guān)性最低的B6_Mean、B3_Correlation 兩個(gè)自變量，這是因?yàn)樵诓捎门c喬木林地上碳儲(chǔ)量相關(guān)性最好的3 個(gè)自變量插值時(shí)，由于變量間存在的共線性問題，導(dǎo)致插值精度較低，在試驗(yàn)不同3 個(gè)自變量插值時(shí)，也顯示了同樣的效果。當(dāng)選擇RVI、B6_Mean、B3_Correlation 進(jìn)行插值時(shí)，可獲得最高的精度。因此，在采用協(xié)同克里格插值法時(shí)，選取相關(guān)性較高且共線性較弱的自變量因子對(duì)因變量進(jìn)行插值具有較好的估測(cè)效果和適用性。

在自變量因子上，地形因子與喬木林地上碳儲(chǔ)量顯示了較好的相關(guān)性，在經(jīng)過兩步篩選后，海拔因子仍被優(yōu)選出來作為建模變量，說明海拔因子能夠反映喬木林地上碳儲(chǔ)量的空間垂直分布特征。但本研究在采用協(xié)同克里格插值法構(gòu)建模型時(shí)，并未將海拔因子參與建模。本研究采用的DEM 數(shù)據(jù)比例尺為1:50 000，屬于較小比例尺數(shù)據(jù)，在一定程度上均化了地理空間特征信息，未能充分挖掘出地理空間特征信息對(duì)建模精度的貢獻(xiàn)。因此，如何進(jìn)一步挖掘地形因子信息、采用適宜比例尺DEM 數(shù)據(jù)作為建模自變量，充分利用其特有的空間特征信息，提高所構(gòu)建模型的穩(wěn)定性和精度等問題有待于進(jìn)一步研究。