唐佳佳 董 婧 楊永均 許木桑 雷少剛 華 夏

(1.中國(guó)礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院,江蘇 徐州 221116;2.礦山生態(tài)修復(fù)教育部工程研究中心,江蘇 徐州 221116;3.山東省煤田地質(zhì)局采煤塌陷地與采空區(qū)治理工程研究中心,山東 濟(jì)寧 272100)

生態(tài)修復(fù)是實(shí)現(xiàn)礦山固碳增匯和碳中和目標(biāo)的重要途徑[1-4]。生態(tài)修復(fù)后,植被覆蓋度得到提高,水土保持、水源涵養(yǎng)等多項(xiàng)生態(tài)系統(tǒng)服務(wù)得到改善[5-6],同時(shí),植被的恢復(fù)可以顯著增加生態(tài)系統(tǒng)碳固存[7]。植被碳儲(chǔ)量不僅是研究生態(tài)系統(tǒng)與大氣間碳循環(huán)的基本參數(shù),也是反映群落生態(tài)系統(tǒng)結(jié)構(gòu)和功能特征的重要指標(biāo),準(zhǔn)確評(píng)估碳儲(chǔ)量是估算生態(tài)修復(fù)固碳效應(yīng)的關(guān)鍵,對(duì)生態(tài)修復(fù)物種選取、生態(tài)修復(fù)后生態(tài)系統(tǒng)結(jié)構(gòu)優(yōu)化具有重要意義[8]。

目前,礦區(qū)植被碳儲(chǔ)量估算得到了不少學(xué)者的關(guān)注,現(xiàn)有研究主要是通過(guò)實(shí)地調(diào)查直接獲得碳儲(chǔ)量數(shù)據(jù),或利用基于土地覆被變化的因子法、基于遙感的CASA模型間接獲得。在實(shí)地調(diào)查法方面,樸世龍等[9]根據(jù)森林清查數(shù)據(jù),對(duì)植被碳庫(kù)及其變化做了大尺度的研究,提高了生態(tài)系統(tǒng)的植物碳儲(chǔ)量的估算精度。原野[10]運(yùn)用土壤和植物采樣分析方法,探討了平朔露天礦復(fù)墾生態(tài)系統(tǒng)的碳存儲(chǔ)機(jī)理與效應(yīng)。然而,傳統(tǒng)實(shí)地調(diào)查方法對(duì)于森林生態(tài)系統(tǒng)碳儲(chǔ)量的估算結(jié)果在尺度轉(zhuǎn)化上存在較大誤差,存在空間局限性[11]。利用遙感影像數(shù)據(jù),則能夠?qū)崿F(xiàn)大范圍植被碳儲(chǔ)量的快速評(píng)估。李帆等[12]基于Landsat影像,對(duì)伊敏礦區(qū)土地利用覆蓋信息進(jìn)行分類提取表述土地利用變化,進(jìn)而監(jiān)測(cè)了碳儲(chǔ)量變化;HOU等[13]、吳國(guó)偉等[14]通過(guò)RS和GIS技術(shù),采用改進(jìn)的CASA模型對(duì)煤礦區(qū)植被碳儲(chǔ)量進(jìn)行了測(cè)算研究;張璐[15]基于遙感影像并結(jié)合InVEST模型對(duì)錫林浩特市大型煤電基地土地利用、覆蓋時(shí)空動(dòng)態(tài)變化進(jìn)行了分析,定量評(píng)估了生態(tài)系統(tǒng)碳儲(chǔ)量;劉英等[16]利用InVEST模型評(píng)估了新疆紅沙泉礦區(qū)的碳儲(chǔ)量變化,探究了采礦擾動(dòng)下土地利用變化對(duì)固碳功能的影響。然而,現(xiàn)有的礦區(qū)植被地上碳儲(chǔ)量遙感監(jiān)測(cè)研究大多采用MODIS、Landsat和Sentinel等中低分辨率數(shù)據(jù),監(jiān)測(cè)結(jié)果分辨率較低[17-18]。礦區(qū)存在地形復(fù)雜、生態(tài)修復(fù)斑塊小、植被配置空間異質(zhì)性強(qiáng)等特征[19],中低分辨率遙感數(shù)據(jù)難以實(shí)現(xiàn)礦山生態(tài)修復(fù)區(qū)植物群落地上碳儲(chǔ)量的精細(xì)反演與動(dòng)態(tài)監(jiān)測(cè)。

無(wú)人機(jī)機(jī)載激光雷達(dá)和高光譜遙感具備分辨率高、數(shù)據(jù)獲取受時(shí)間與空間限制小等優(yōu)勢(shì),逐漸得到了廣泛應(yīng)用,為礦區(qū)植被碳儲(chǔ)量監(jiān)測(cè)和評(píng)估提供了新途徑[20]。為此,本研究針對(duì)礦山生態(tài)修復(fù)區(qū),基于無(wú)人機(jī)遙感手段,提取植物群落遙感結(jié)構(gòu)參數(shù)與光譜特征,建立植被地上碳儲(chǔ)量反演模型,評(píng)估無(wú)人機(jī)機(jī)載激光雷達(dá)和高光譜反演礦區(qū)植被地上碳儲(chǔ)量的能力。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于大柳塔采煤沉陷區(qū)水土保持示范園,地處陜北黃土高原北側(cè)和毛烏素沙漠東南緣(圖1)。該區(qū)南北長(zhǎng)2 km,東西寬約300 m,面積約0.6 km2。區(qū)內(nèi)具有鮮明的嚴(yán)寒干燥、風(fēng)沙頻繁的季節(jié)性氣候特征。地勢(shì)北高南低,中間高而東西低。研究區(qū)于2005年開(kāi)始進(jìn)行生態(tài)修復(fù),主要包括水土保持與植被重建措施,采用喬、灌、草結(jié)合的治理模式,經(jīng)過(guò)生態(tài)修復(fù),形成了以楊樹(shù)、樟子松、沙棘、油蒿為主的植物群落。

圖1 研究區(qū)概況Fig.1 Overview of the study area

1.2 數(shù)據(jù)采集與預(yù)處理

1.2.1 無(wú)人機(jī)遙感數(shù)據(jù)

2021年7月28日,利用大疆M600無(wú)人機(jī)采集了激光雷達(dá)和高光譜數(shù)據(jù)。其中,激光雷達(dá)數(shù)據(jù)采集共規(guī)劃航線3條,飛行高度為90 m,飛行速度為5 m/s,水平視場(chǎng)角為360°,垂直視場(chǎng)角大于20°,平均點(diǎn)云密度為130個(gè)/m2。激光雷達(dá)數(shù)據(jù)處理采用Li-DAR 360和python軟件。高光譜數(shù)據(jù)獲取過(guò)程中,為保證區(qū)域全覆蓋,設(shè)置高光譜傳感器8條航線,飛行高度為140 m,空間分辨率為0.19 m,旁向重疊率為57%,光譜范圍為400～1 000 nm,共112個(gè)波段。數(shù)據(jù)處理過(guò)程中,輻射定標(biāo)、大氣校正、幾何校正以及影像波段合成等流程均借助ENVI軟件實(shí)現(xiàn)。

1.2.2 實(shí)地調(diào)查數(shù)據(jù)

實(shí)地調(diào)查數(shù)據(jù)與無(wú)人機(jī)遙感數(shù)據(jù)同步進(jìn)行采集,共設(shè)置樣地60個(gè),然后取2 m×2 m草本樣方、5 m×5 m灌木樣方、10 m×10 m 喬木樣方,控制每個(gè)樣方間距大于50 m,共設(shè)置了382個(gè)樣方。利用GPS標(biāo)記每個(gè)樣方中心點(diǎn)坐標(biāo)和高程,調(diào)查以喬、灌為優(yōu)勢(shì)種的植物群落的植物類型、高度、胸徑、冠幅,鉆取喬、灌植株樹(shù)干、樹(shù)枝、樹(shù)皮、樹(shù)葉4個(gè)部位的樣品。采集草本群落的地上部分,去除植物脫落物和其他雜物后裝袋標(biāo)記。在實(shí)驗(yàn)室內(nèi)將采集的喬、灌、草樣品先置于105 ℃下進(jìn)行殺青30 min,再在溫度65 ℃下烘干48 h至恒重,用電子天平迅速稱量,得到喬、灌、草群落碳儲(chǔ)量測(cè)定樣品與草本群落地上生物量樣地實(shí)測(cè)數(shù)據(jù)。

將烘干后的樣品通過(guò)粉碎機(jī)磨碎后再進(jìn)行研缽研磨,經(jīng)100目網(wǎng)篩篩選后用微量電子天平稱取10 mg樣品裝入塑封袋后測(cè)定樣品碳含量。參照《森林土壤有機(jī)質(zhì)的測(cè)定及碳氮比的計(jì)算》(GB 7857-87)測(cè)定植被樣品碳含量,取實(shí)測(cè)碳含量均值作為進(jìn)一步估算碳儲(chǔ)量的參數(shù)。利用喬、灌木樹(shù)種異速生長(zhǎng)方程估算生物量,再乘以含碳系數(shù)計(jì)算單株喬、灌木地上碳儲(chǔ)量,結(jié)果見(jiàn)表1。利用草本群落地上生物量實(shí)測(cè)數(shù)據(jù)乘以含碳系數(shù)來(lái)計(jì)算草本群落地上碳儲(chǔ)量。

表1 研究區(qū)主要植物生物量估算的異速生長(zhǎng)方程Table 1 Allometric equation for main vegetation species in the study area

2 研究方法

2.1 特征變量提取

將激光雷達(dá)點(diǎn)云數(shù)據(jù)分為地面點(diǎn)、建筑物、低矮植被、中間植被和高層植被5類,根據(jù)點(diǎn)云數(shù)據(jù)中的首次回波點(diǎn)采用克里金插值法生成數(shù)字表面模型,基于地面點(diǎn)建立不規(guī)則三角網(wǎng)生成數(shù)字高程模型,最后將數(shù)字表面模型與數(shù)字高程模型作差得到冠層高度模型。同時(shí),將激光雷達(dá)中的高層植被點(diǎn)、中間植被點(diǎn)和低矮植被點(diǎn)劃分為喬、灌、草3種植物群落類型。

從激光雷達(dá)植被點(diǎn)云中提取了與植物群落高度相關(guān)的變量40個(gè);從高光譜影像中提取了16個(gè)植被指數(shù)以及均值等26個(gè)紋理特征,作為植被地上碳儲(chǔ)量估測(cè)模型的參數(shù),分別構(gòu)建喬、灌、草植物群落地上碳儲(chǔ)量反演模型(表2)。在紋理特征提取過(guò)程中,為避免單一的像元值產(chǎn)生隨機(jī)性誤差,對(duì)圖像進(jìn)行3×3窗口的均值濾波處理,由最小噪聲分離變換后高光譜數(shù)據(jù)的前兩個(gè)波段參與后續(xù)紋理計(jì)算,分別命名為B1和B2?；谝浑A及二階概率統(tǒng)計(jì)法提取植被紋理特征,紋理特征因子命名規(guī)則定義為波段—紋理指數(shù)—概率統(tǒng)計(jì)階數(shù)[27]。

表2 LiDAR與高光譜特征變量Table 2 Features of LiDAR and hyperspectral

2.2 碳儲(chǔ)量反演方法

2.2.1 碳儲(chǔ)量估算模型

本研究構(gòu)建了LiDAR特征、高光譜特征、LiDAR+高光譜特征3個(gè)特征變量組合?；谧兞客队爸匾赃M(jìn)行特征變量篩選,從而篩選出與植物群落地上碳儲(chǔ)量相關(guān)性高、敏感性強(qiáng)的參數(shù),選擇重要性大于0.8的變量構(gòu)建逐步多元回歸模型,進(jìn)而計(jì)算不同特征變量組合反演植被地上碳儲(chǔ)量的精度。最后構(gòu)建研究區(qū)喬、灌、草3種群落的碳儲(chǔ)量反演模型,實(shí)現(xiàn)研究區(qū)植被地上碳儲(chǔ)量制圖。

植被地上碳儲(chǔ)量CS估算模型采用Schumacher-Hall公式[28]構(gòu)建:

式中,LIi為第i個(gè)激光雷達(dá)結(jié)構(gòu)特征變量;SIj為第j個(gè)高光譜特征變量;c、ai和bj為回歸系數(shù)。

為了便于建模,將式(1)模型進(jìn)行自然對(duì)數(shù)變換后得到:

變量投影重要性(VIP)用來(lái)判斷單個(gè)自變量在解釋因變量的重要性。若自變量對(duì)因變量的重要性越大,則VIP值越大。有學(xué)者建議用0.8作為臨界值來(lái)區(qū)分重要變量與不重要變量[29],其計(jì)算公式為

式中,i為第i個(gè)自變量;k為自變量個(gè)數(shù);ci為第i個(gè)相關(guān)自變量提取的主成分;r(y,ci)為因變量和主成分的相關(guān)系數(shù),表示主成分對(duì)y的解釋能力;wij為自變量在主成分上的權(quán)重。

2.2.2 精度評(píng)價(jià)方法

反演精度評(píng)價(jià)采用決定系數(shù)(R2)和均方根誤差(RMSE)來(lái)檢驗(yàn),R2越接近1,反映模型精度越高;RMSE值越小,說(shuō)明回歸模型更準(zhǔn)確。相關(guān)公式為

式中,Yi為實(shí)測(cè)植被地上碳儲(chǔ)量;yi為預(yù)測(cè)植被地上碳儲(chǔ)量;為估測(cè)植被地上碳儲(chǔ)量均值;n為樣本數(shù)量。

3 結(jié)果與分析

3.1 特征變量?jī)?yōu)選結(jié)果

將LiDAR點(diǎn)云和高光譜影像所提取的參數(shù)作為自變量,輸入SIMCA 14.1中進(jìn)行參數(shù)VIP值排序,篩選VIP＞ 0.8的特征參數(shù)用于后續(xù)構(gòu)建喬、灌、草植物群落地上碳儲(chǔ)量反演模型。其中,使用單一LiDAR特征組合構(gòu)建喬、灌、草群落地上碳儲(chǔ)量模型時(shí),分別篩選出16、32、39個(gè)參數(shù);使用單一高光譜特征組合構(gòu)建植被地上碳儲(chǔ)量模型時(shí),分別篩選出28、28、23個(gè)參數(shù);使用LiDAR+高光譜特征組合構(gòu)建喬、灌、草群落地上碳儲(chǔ)量模型時(shí),分別篩選出51、46、61個(gè)參數(shù)。數(shù)據(jù)篩選結(jié)果表明:LiDAR和高光譜特征中的高度變量和綠色指數(shù)與地上碳儲(chǔ)量的敏感度較高,這兩種參數(shù)分別能體現(xiàn)植物群落垂直結(jié)構(gòu)特征和光譜特征,能在反演植物群落地上碳儲(chǔ)量中發(fā)揮關(guān)鍵性作用,對(duì)反演精度貢獻(xiàn)較大。

3.2 反演模型構(gòu)建結(jié)果

3.2.1 反演模型

3種特征變量組合下的植被碳儲(chǔ)量估算模型及精度見(jiàn)表3。在LiDAR特征組合中,構(gòu)建喬木群落地上碳儲(chǔ)量估算模型時(shí),HP20th、d9兩個(gè)參數(shù)入選;構(gòu)建灌木群落地上碳儲(chǔ)量估算模型時(shí),Hskew、Hsms等5個(gè)參數(shù)入選;構(gòu)建草本群落地上碳儲(chǔ)量估算模型時(shí),d1、Hcv等5個(gè)參數(shù)入選。在高光譜特征組合中,構(gòu)建喬木群落地上碳儲(chǔ)量估算模型時(shí),GI、MSAVI等9個(gè)參數(shù)入選;GI、mSR750等7個(gè)參數(shù)入選參與構(gòu)建灌木群落地上碳儲(chǔ)量估算模型;GI、NIR_G兩個(gè)參數(shù)入選構(gòu)建草本群落地上碳儲(chǔ)量估算模型。在LiDAR+高光譜特征組合中,HP95th、HP99th等5個(gè)參數(shù)入選構(gòu)建喬木群落地上碳儲(chǔ)量估算模型,HP1st、HP99th等7個(gè)參數(shù)入選構(gòu)建灌木群落地上碳儲(chǔ)量估算模型,d1、HP90th等5個(gè)參數(shù)用于構(gòu)建草本群落地上碳儲(chǔ)量估算模型。

表3 不同特征組合構(gòu)建的植被地上碳儲(chǔ)量反演模型Table 3 Inversion models of aboveground carbon storage of vegetation based on different feature combinations

由表3可知:LiDAR+高光譜特征組合在植被碳儲(chǔ)量估算中表現(xiàn)最佳,R2最高,喬、灌、草植物群落地上碳儲(chǔ)量精度分別為0.87、0.73、0.72。而使用單一LiDAR特征時(shí),構(gòu)建的喬灌草群落地上植被碳儲(chǔ)量反演模型精度分別為0.64、0.44、0.36;使用單一高光譜特征組合時(shí),碳儲(chǔ)量估算模型精度R2分別為0.42、0.43、0.41。因此,盡管LiDAR數(shù)據(jù)或高光譜數(shù)據(jù)可以單獨(dú)估算植被地上碳儲(chǔ)量,但植物群落碳儲(chǔ)量不僅與從LiDAR數(shù)據(jù)中提取的群落結(jié)構(gòu)特征有關(guān),還與高光譜信息中反映的光合固碳特征有關(guān),因而結(jié)合LiDAR和高光譜兩種數(shù)據(jù)能顯著提高植物群落碳儲(chǔ)量的反演精度。

3.2.2 模型精度

將在3種特征組合下使用偏最小二乘法篩選得出的特征變量與地面實(shí)測(cè)樣地?cái)?shù)據(jù),分別作為自變量和因變量輸入線性多元逐步回歸模型,結(jié)果如圖2所示。

圖2 3種特征組合下植物群落地上碳儲(chǔ)量實(shí)測(cè)值與估測(cè)值Fig.2 Measured and estimated aboveground carbon stock of plant communities under 3 feature combinations

由表3和圖2可知:LiDAR特征組合中,喬木群落地上碳儲(chǔ)量模型反演精度最高,為0.64,表明Li-DAR提供的高度百分位變量特征可以有效反映喬木群落的垂直結(jié)構(gòu)信息,從而提高地上碳儲(chǔ)量反演精度。在高光譜特征組合中,灌木群落地上碳儲(chǔ)量模型反演精度最高,為0.43,說(shuō)明高光譜影像能體現(xiàn)灌木群落豐富的光譜及紋理特征,對(duì)于提升地上碳儲(chǔ)量反演精度的貢獻(xiàn)較大。在LiDAR+高光譜特征組合中,融合激光雷達(dá)與高光譜數(shù)據(jù)提取高度百分位變量特征和綠色指數(shù)共同參與植被地上碳儲(chǔ)量建模,喬、灌、草3種群落的植被地上碳儲(chǔ)量模型反演精度分別提升了23%、29%、31%,反演精度的提升受益于LiDAR檢測(cè)到的結(jié)構(gòu)特征和高光譜捕獲的植被光譜信息的融合互補(bǔ)。

以上反演結(jié)果表明:采用數(shù)據(jù)融合、特征消冗、參數(shù)優(yōu)選技術(shù)可有效提高植物群落地上碳儲(chǔ)量的反演精度。首先采用偏最小二乘算法對(duì)兩種數(shù)據(jù)3種組合方式進(jìn)行總體參數(shù)篩選,分別篩選出一定數(shù)量的回歸參數(shù);然后使用逐步多元回歸算法對(duì)參數(shù)進(jìn)行了優(yōu)選,兩次參數(shù)優(yōu)選過(guò)程能去除與植物群落碳儲(chǔ)量相關(guān)性低、敏感性差的參數(shù)[30]。綜合反演結(jié)果可知:在兩種數(shù)據(jù)的3種組合方式下,單一使用兩種數(shù)據(jù)反演均有較大的局限性,采用LiDAR和高光譜兩種數(shù)據(jù)相結(jié)合可發(fā)揮各自優(yōu)勢(shì),能同時(shí)表征植物群落水平和垂直結(jié)構(gòu),體現(xiàn)植物群落的三維結(jié)構(gòu)特征,進(jìn)而提高植物群落碳儲(chǔ)量的反演精度。

3.3 碳儲(chǔ)量反演結(jié)果

本研究采用線性多元逐步回歸算法,反演得到的研究區(qū)植物群落地上碳儲(chǔ)量分布如圖3所示。

圖3 3種特征變量組合反演的植被碳儲(chǔ)量Fig.3 Inversion results of vegetation carbon stock using three characteristic combination models

由圖3可知:群落碳儲(chǔ)量高值分布在研究區(qū)東北部的楊樹(shù)群落與研究區(qū)中部沙棘群落,圖3(a)中灌木群落碳儲(chǔ)量較為均一,道路兩側(cè)有少量高值分布,喬、灌、草3種群落之間碳儲(chǔ)量差異較大,研究區(qū)西部草本群落碳儲(chǔ)量最低。圖3(b)中,喬木與灌木群落碳儲(chǔ)量較大,草本群落區(qū)域碳儲(chǔ)量較低。研究區(qū)喬灌草群落碳儲(chǔ)量分布表現(xiàn)出明顯的差異性,碳儲(chǔ)量高值分布在沙棘林及楊樹(shù)林區(qū)域,各灌木群落反演結(jié)果均較好,但喬木群落有明顯的低估現(xiàn)象。圖3(c)中各植物群落碳儲(chǔ)量的空間差異性明顯,植被地上碳儲(chǔ)量高值區(qū)主要分布在研究區(qū)北部、中部的喬木林附近,灌木群落地上碳儲(chǔ)量較為均一,低值區(qū)主要分布在研究區(qū)主干道草本群落附近,可以有效地反映出不同群落間地上碳儲(chǔ)量的差異。

綜合分析可知:使用LiDAR與高光譜數(shù)據(jù)融合反演植物群落地上碳儲(chǔ)量時(shí),植被地上碳儲(chǔ)量的空間分布趨勢(shì)與研究區(qū)實(shí)際相符,有效地反映了復(fù)雜地形下植被地上碳儲(chǔ)量的空間異質(zhì)性。其中,研究區(qū)北部及中部區(qū)域多為人工種植的楊樹(shù)或樟子松林,生長(zhǎng)狀況較好,樹(shù)高與胸徑均較大,因此地上碳儲(chǔ)量較高;在研究區(qū)域的主干道附近種植有行道樹(shù),因而有少量碳儲(chǔ)量高值點(diǎn)分布。

4 結(jié) 論

(1)評(píng)估了激光雷達(dá)和高光譜遙感預(yù)測(cè)植被地上碳儲(chǔ)量的能力,并構(gòu)建了一種聯(lián)合LiDAR和高光譜數(shù)據(jù)的礦山生態(tài)修復(fù)區(qū)喬、灌、草3種植被類型地上碳儲(chǔ)量的反演模型。

(2)采用LiDAR和高光譜兩種數(shù)據(jù)相結(jié)合可發(fā)揮各自優(yōu)勢(shì),進(jìn)而提高植物群落碳儲(chǔ)量反演精度,喬、灌、草群落地上碳儲(chǔ)量R2分別達(dá)到0.87、0.73、0.72。LiDAR 和高光譜特征中的高度百分位變量和綠色指數(shù)分別與地上碳儲(chǔ)量的敏感度最高,對(duì)提升地上碳儲(chǔ)量反演精度貢獻(xiàn)最大。碳儲(chǔ)量的提高不僅與從LiDAR數(shù)據(jù)中提取的群落結(jié)構(gòu)特征有關(guān),還與高光譜信息中反映的群落光合固碳特征有關(guān)。

(3)總體來(lái)說(shuō),融合激光雷達(dá)與高光譜數(shù)據(jù)在估算礦區(qū)復(fù)雜地形和植被配置下的植被地上碳儲(chǔ)量方面具有一定的優(yōu)勢(shì),可為準(zhǔn)確評(píng)估生態(tài)修復(fù)區(qū)植物生態(tài)系統(tǒng)碳儲(chǔ)量提供技術(shù)支撐。今后可利用無(wú)人機(jī)載激光雷達(dá)與高光譜對(duì)礦區(qū)植被碳儲(chǔ)量開(kāi)展持續(xù)監(jiān)測(cè)、時(shí)序變化分析、固碳效益評(píng)估等相關(guān)工作。