張振東, 田義超, 2, *, 鄧靜雯, 姚貴釗, 李尹伶

基于激光雷達(dá)的欽州灣典型紅樹(shù)林生物量反演

張振東1, 田義超1, 2, *, 鄧靜雯1, 姚貴釗1, 李尹伶1

1. 北部灣大學(xué)資源與環(huán)境學(xué)院, 欽州 535011 2. 北部灣海洋發(fā)展研究中心, 北部灣大學(xué), 欽州 535011

試驗(yàn)區(qū)的紅樹(shù)林生物總量對(duì)于研究區(qū)的生態(tài)系統(tǒng)保護(hù)至關(guān)重要。以地面實(shí)測(cè)樣地?cái)?shù)據(jù)和激光雷達(dá)點(diǎn)云數(shù)據(jù)為基礎(chǔ), 使用隨機(jī)森林方法估算研究區(qū)紅樹(shù)林生物量, 依據(jù)精度檢驗(yàn)結(jié)果構(gòu)建生物量估算模型, 通過(guò)反演獲得試驗(yàn)區(qū)紅樹(shù)林生物總量。結(jié)果表明: (1)研究區(qū)樣地各樣方的無(wú)瓣海桑的生物量介于0.55 kg·m–2—13.57 kg·m–2, 平均值為5.40 kg·m–2。(2)采用隨機(jī)森林模型對(duì)紅樹(shù)林生物量計(jì)算的訓(xùn)練集(2=0.9516、=0.8142、=0.1486), 及測(cè)試集(2=0.6598、=2.0276、=0.3983), 說(shuō)明地表生物量估算模型計(jì)算的生物量與實(shí)測(cè)樣地采樣的數(shù)據(jù)計(jì)算的生物量基本吻合, 隨機(jī)森林算法擬合精度較高。(3)反演的研究區(qū)紅樹(shù)林生物總量為459.18 Mg, 平均生物量為4.15 kg·m–2。樹(shù)高較高、胸徑較大的單木紅樹(shù)林主要分布在潮溝附近以及研究區(qū)中南部。

激光雷達(dá); 紅樹(shù)林; 生物量; 隨機(jī)森林; 欽州灣

0 前言

紅樹(shù)林是一種特殊的濕地沼澤類型, 它大多生長(zhǎng)在熱帶、亞熱帶上部的低能海岸潮間帶[1], 是地球上生產(chǎn)力最高的四大海洋自然生態(tài)系統(tǒng)之一。紅樹(shù)林具有防風(fēng)、保護(hù)堤岸等的作用, 為野生動(dòng)、植物提供了棲息地及食物來(lái)源。它還具備凈化環(huán)境、保護(hù)生物多樣性等功能, 有著非常重要的生態(tài)價(jià)值[2-4]。

相較于傳統(tǒng)的測(cè)繪及光學(xué)遙感技術(shù), 激光雷達(dá)(LightLaser Detection and Ranging, Lidar)具有定位準(zhǔn)確、穿透率高、可直接量算高度等優(yōu)勢(shì), 激光可以直接穿透植被冠層以獲得精確的植被結(jié)構(gòu)信息, 有利于測(cè)定植被結(jié)構(gòu)特征, 估算單木、林分生物量[5-6]。近年來(lái), 歐洲幾國(guó)已經(jīng)開(kāi)始使用機(jī)載Lidar來(lái)進(jìn)行大面積的森林資源的調(diào)查[7]。Lidar技術(shù)對(duì)森林生物量反演主要依據(jù)回歸模型, 回歸方法主要有: 隨機(jī)森林(Random Forest, RF)、多元線性回歸(Multivarate Linear Regression, MLR)、支持向量機(jī)、主成分回歸法等。國(guó)內(nèi)外很多專家學(xué)者如 N?sset[8]、Gleason[9]通過(guò)這些方法對(duì)森林的生物量進(jìn)行了很多具有參考意義的研究。Hickey 等[10]人利用Lidar對(duì)紅樹(shù)林進(jìn)行林分層面上的平均高度測(cè)量, 得出平均林分高度, 并將其應(yīng)用于Saenger和Snedaker開(kāi)發(fā)的全球林分高度—生物量生長(zhǎng)方程。洪奕豐[11]、劉峰[12]、李旺[13]、穆喜云[14]等人將Lidar數(shù)據(jù)作為數(shù)據(jù)源, 使用MLR和RF算法進(jìn)行反演與預(yù)測(cè)取得了較為良好的結(jié)果。田義超[15]等使用紅樹(shù)林的植被指數(shù)、紋理特征以及激光點(diǎn)云數(shù)據(jù), 使用8種機(jī)器學(xué)習(xí)(Machine Learning, ML)算法對(duì)紅樹(shù)林進(jìn)行地上生物量估計(jì)。通過(guò)上述對(duì)比可知RF算法對(duì)于計(jì)算紅樹(shù)林地上生物量具有較高的估計(jì)精度。因?yàn)橹脖簧锪颗c植被的結(jié)構(gòu)參數(shù)之間具有良好的相關(guān)信息, 所以可以使用Lidar估算植被生物量。生物量與結(jié)構(gòu)參數(shù)間的關(guān)系被發(fā)展為異速生長(zhǎng)方程[16]。

在過(guò)去的二三十年間, 北部灣地區(qū)的紅樹(shù)林面積由于人們的生產(chǎn)建設(shè)、水產(chǎn)養(yǎng)殖及沿海地區(qū)環(huán)境污染而大大減少[17]。近年來(lái)國(guó)家為了加強(qiáng)對(duì)紅樹(shù)林的保護(hù), 從孟加拉國(guó)等地引進(jìn)無(wú)瓣海桑樹(shù)種, 該樹(shù)種樹(shù)高葉大, 成活率高。相較于欽州灣當(dāng)?shù)氐脑鷺?shù)種桐花樹(shù)更加高大, 防風(fēng)防汛的能力也更加優(yōu)越。無(wú)瓣海桑在欽州地區(qū)的生長(zhǎng)擴(kuò)散展現(xiàn)出明顯的優(yōu)勢(shì), 它可以侵入至原生紅樹(shù)林內(nèi)部, 逐漸改變當(dāng)?shù)氐脑鷳B(tài)系統(tǒng)組成[18]。因此本研究以廣西壯族自治區(qū)欽州市欽州灣地區(qū)為研究區(qū), 以實(shí)地調(diào)查數(shù)據(jù)為基礎(chǔ), 使用無(wú)瓣海桑異速生長(zhǎng)方程計(jì)算樣地紅樹(shù)林生物量, 結(jié)合機(jī)載Lidar獲取的激光點(diǎn)云數(shù)據(jù), 將提取的高度變量、強(qiáng)度變量放入RF算法進(jìn)行模型訓(xùn)練、精度檢驗(yàn)。依據(jù)精度檢驗(yàn)結(jié)果獲得紅樹(shù)林生物量回歸模型, 從而實(shí)現(xiàn)對(duì)研究區(qū)紅樹(shù)林生物量反演的分析與研究。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)(圖1)位于廣西壯族自治區(qū)欽州灣康熙嶺片區(qū), 地理坐標(biāo)位于(21°51′18″N—21°51′42″N, 108°29′22″E—108°29′47″E)范圍內(nèi),海拔0.6 m—115.3 m。欽州灣雖地處熱帶區(qū)域, 但區(qū)域亞熱帶季風(fēng)氣候特征更為顯著, 全年平均溫度21 ℃, 年日照時(shí)1800 h, 受海洋影響大, 冬季多東北風(fēng), 夏季多西南風(fēng), 年降水量為1600 mm, 相對(duì)濕度高達(dá)84%。欽州灣適宜的水熱條件, 為紅樹(shù)林的生長(zhǎng)提供了良好的支持條件。研究區(qū)紅樹(shù)林資源豐富, 面積占廣西紅樹(shù)林面積的三分之一。研究區(qū)主要的紅樹(shù)林樹(shù)種有無(wú)瓣海桑()與桐花樹(shù)()。

1.2 數(shù)據(jù)來(lái)源

1.2.1 獲取樣地?cái)?shù)據(jù)

在經(jīng)過(guò)野外實(shí)地考察之后, 最終將獲取樣地?cái)?shù)據(jù)區(qū)域定在廣西壯族自治區(qū)欽州市欽南區(qū)康熙嶺鎮(zhèn)的紅樹(shù)林片區(qū)。通過(guò)調(diào)查地面樣方的手段來(lái)獲取野外樣地?cái)?shù)據(jù), 本次調(diào)查選擇紅樹(shù)林樹(shù)種無(wú)瓣海桑為研究對(duì)象, 設(shè)置10 m×10 m樣地66塊。樣木調(diào)查因子包括: 樹(shù)種、樹(shù)高、胸徑和地徑等數(shù)據(jù)。使用卷尺測(cè)量單木胸徑(距地高度1.3 m), 使用激光測(cè)距儀測(cè)量每木的樹(shù)高, 并且用全球定位系統(tǒng)(Global Positioning System, GPS)獲取每木、各個(gè)樣方中心點(diǎn)的地理坐標(biāo)及高程數(shù)據(jù), 坐標(biāo)采用地理坐標(biāo)系GCS_ WGS_1984, 投影坐標(biāo)系A(chǔ)lbers。

1.2.2 Lidar數(shù)據(jù)獲取

研究使用DJI M600 Pro無(wú)人機(jī)搭載一臺(tái)普通攝影機(jī)和一臺(tái)HS400P激光傳感器, 硬件系統(tǒng)集成了激光雷達(dá)掃描儀、全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellite System, GNSS)以及慣性傳感器(Inertial Measurement Unit, IMU)。研究于2021年1月19日, 選擇當(dāng)日潮位較低、天氣晴朗、地面無(wú)持續(xù)風(fēng)向且風(fēng)力＜2級(jí)的時(shí)段對(duì)廣西欽州康熙嶺片區(qū)的紅樹(shù)林進(jìn)行航拍。無(wú)人機(jī)平均飛行高度70 m, 垂直拍攝, 航向重疊率及旁向重疊率均為80%。利用Novatel Intertial Ecplorer軟件結(jié)合IMU及GNSS數(shù)據(jù)對(duì)原始的紅樹(shù)林回波信息進(jìn)行解算, 可以得到研究區(qū)的三維激光點(diǎn)云信息。

圖1 研究區(qū)實(shí)測(cè)樣本的地理位置

Figure 1 The geographical location of the measured samples in the study area

1.3 研究方法

1.3.1 生物量測(cè)定方法

由于樣地位于紅樹(shù)林自然保護(hù)區(qū), 對(duì)紅樹(shù)林的保護(hù)較為嚴(yán)格, 且砍伐具有一定的破壞性, 因此使用異速生長(zhǎng)方程[19](表1)計(jì)算樣地實(shí)測(cè)的每個(gè)樣方無(wú)瓣海桑的生物量, 最終確定采用地上部分的無(wú)瓣海桑的異速生長(zhǎng)方程, 如下式(1)所示:

1.3.2 激光點(diǎn)云數(shù)據(jù)提取

使用Lidar360對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行點(diǎn)云去噪、點(diǎn)云分類、歸一化等預(yù)處理, 隨后提取1 m分辨率的數(shù)字高程模型(DEM)和數(shù)字表面模型(DSM), 對(duì)DSM與DEM取差值得到冠層高度模型(CHM)。使用Fusion軟件對(duì)激光點(diǎn)云數(shù)據(jù)進(jìn)行處理, 利用CHM提取得到樣地的高度變量參數(shù)和樣地的強(qiáng)度變量參數(shù)(表2)。此次實(shí)驗(yàn)共提取了48個(gè)森林指標(biāo)變量參數(shù), 提取的森林指標(biāo)變量參數(shù)將用于紅樹(shù)林地表生物量的反演。

1.3.3 地表生物量估算模型的構(gòu)建

RF算法由Leo Breiman[20]提出。其原理為從訓(xùn)練樣本中隨機(jī)有放回的抽取N個(gè)樣本, 從所有特征變量中隨機(jī)抽取K個(gè)變量, 對(duì)上述選出的樣本和特征變量實(shí)施無(wú)需剪枝的CART方法建立決策樹(shù)。將以上步驟重復(fù)M次, 即生成M棵決策樹(shù), 構(gòu)成隨機(jī)森林。在對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí), 由M棵樹(shù)分別預(yù)測(cè), 最終進(jìn)行投票確定分到哪一類。由于RF算法建立的模型可靠, 目前RF算法被廣泛的應(yīng)用于分類及回歸問(wèn)題, 其被廣泛應(yīng)用于森林等林地的生物量、碳儲(chǔ)量反演研究中, 并且有著相當(dāng)高的模型精度。使用boot-strap采樣和bagging集成樹(shù)算法, 從弱學(xué)習(xí)者集合中獲得最準(zhǔn)確的決策。在本實(shí)驗(yàn)中以66個(gè)實(shí)測(cè)生物量數(shù)據(jù)作為因變量, 以48個(gè)森林指標(biāo)變量參數(shù)為自變量, 使用70%的樣本用于模型的訓(xùn)練, 30%的樣本用于模型的測(cè)試。將46個(gè)樣本放入RF算法建立模型, 使用20個(gè)樣本進(jìn)行模型的精度驗(yàn)證。為保證預(yù)測(cè)結(jié)果的準(zhǔn)確性, 研究參數(shù)選擇ntree=1000, mtry=44。

1.3.4 評(píng)估標(biāo)準(zhǔn)

實(shí)驗(yàn)基于有限的實(shí)測(cè)樣本數(shù)據(jù), 借助RStudio軟件建立紅樹(shù)林生物量的RF算法估算模型。將實(shí)測(cè)的66個(gè)樣本數(shù)據(jù)分為46個(gè)訓(xùn)練樣本和20個(gè)檢驗(yàn)樣本, 前者為模型建立的輸入數(shù)據(jù), 后者為模型驗(yàn)證的輸入數(shù)據(jù)。我們使用決定系數(shù)(R)(公式(2))均方根誤差()公式(3)、相對(duì)均方根誤差[()公式(4)]對(duì)模型進(jìn)行模型擬合度評(píng)價(jià),R越大越接近于1代表模型的性能越好, 表示實(shí)測(cè)值

表1 無(wú)瓣海桑生物量模型[19]

注:: 生物量;: 距地1.3m處的胸徑;: 樹(shù)高;、: 模型參數(shù)。

與估算值之間的擬合程度更高; 均方根誤差和相對(duì)均方根誤差越小表示模型的估計(jì)效果更好, 但與被估計(jì)變量自身變量的數(shù)量級(jí)有關(guān)系,與被估計(jì)變量自身變量的數(shù)量級(jí)無(wú)關(guān)。

2 結(jié)果與分析

2.1 實(shí)測(cè)數(shù)據(jù)統(tǒng)計(jì)結(jié)果

在樣地選取了66個(gè)樣方, 共對(duì)577棵無(wú)瓣海桑測(cè)定了樹(shù)高和胸徑。結(jié)果表明(表3), 樣方單木紅樹(shù)林樹(shù)高范圍1.55 m—13.58 m, 野外測(cè)得的胸徑范圍為0.77 cm—41 cm。依據(jù)實(shí)測(cè)樹(shù)高與胸徑, 通過(guò)異速生長(zhǎng)方程計(jì)算可得樣地各樣方紅樹(shù)林的生物量范圍為0.55 kg·m–2—13.57 kg·m–2, 平均值為5.40 kg·m–2。

2.2 模型精度評(píng)估

基于Lidar數(shù)據(jù), 在Rstudio中隨機(jī)數(shù)選取70%平均樣方生物量數(shù)據(jù)作為訓(xùn)練集, 30%平均樣方生物量數(shù)據(jù)作為測(cè)試集, 使用RF算法進(jìn)行回歸運(yùn)算得到Lidar采樣方法反演地表生物量估算模型, 結(jié)果如表4所示。訓(xùn)練集測(cè)試結(jié)果2=0.9537、=0.8142、=0.1486, 測(cè)試集測(cè)試結(jié)果2=0.6598、=2.0276、=0.3983表明, 使用Lidar采樣方法反演地表生物量估算模型(AGBLidar模型)計(jì)算的生物量與實(shí)測(cè)樣地采樣的數(shù)據(jù)計(jì)算的生物量基本吻合, 擬合度較高。因此, 可以使用RF算法表示AGBLidar模型, 將Lidar數(shù)據(jù)提取的紅樹(shù)林森林指標(biāo)變量與RF算法結(jié)合可對(duì)研究區(qū)進(jìn)行生物量反演。測(cè)試結(jié)果見(jiàn)圖2。

2.3 研究區(qū)紅樹(shù)林生物量空間分布

由于RF算法具有較高的擬合精度, 因此可以用它來(lái)預(yù)測(cè)研究區(qū)的生物量。將研究區(qū)的森林指標(biāo)變量參數(shù)(高度變量參數(shù)和強(qiáng)度變量參數(shù))的柵格文件通過(guò)ArcGIS進(jìn)行柵格轉(zhuǎn)點(diǎn)處理, 共獲得110551個(gè)柵格像元點(diǎn)。將得到的柵格像元點(diǎn)作為自變量代入建立的紅樹(shù)林生物量回歸方程中, 便可得到整個(gè)研究區(qū)域的紅樹(shù)林生物量分布圖, 如圖3所示。將紅樹(shù)林生物量按照分位數(shù)劃為5段, 大部分紅樹(shù)林生物量集中在2.08 kg·m–2—2.27 kg·m–2范圍內(nèi), 樹(shù)齡較大的紅樹(shù)林生物量較高, 大致位于7.54 kg·m–2—11.9 kg·m–2的范圍內(nèi)。經(jīng)計(jì)算, 研究區(qū)紅樹(shù)林生物量為0.82 kg·m–2—11.99 kg·m–2, 平均生物量為4.15 kg·m–2。

表3 實(shí)測(cè)數(shù)據(jù)基本統(tǒng)計(jì)信息

表4 地表生物量估算模型評(píng)價(jià)指標(biāo)運(yùn)算結(jié)果

注: (a)、(b)分別為隨機(jī)森林算法的訓(xùn)練集及測(cè)試集。

Figure 2 Graph of test results for all variable parameters

圖3 紅樹(shù)林地上生物量分布

Figure 3 Aboveground biomass distribution of mangroves

3 討論

3.1 研究區(qū)無(wú)瓣海桑分布

樹(shù)高較高、胸徑較大的單木紅樹(shù)林主要分布在研究區(qū)中南部以及潮溝附近。無(wú)瓣海桑原為欽州地區(qū)紅樹(shù)林造林樹(shù)種, 雖在2009年后不再作為造林樹(shù)種, 但原有的無(wú)瓣海桑在欽州沿海表現(xiàn)出了一定的入侵性[18]。位于潮溝附近的無(wú)瓣海桑逐漸向東北、東南側(cè)的原生樹(shù)種桐花樹(shù)種群入侵, 逐漸成為區(qū)域的優(yōu)勢(shì)樹(shù)種。從研究結(jié)果來(lái)看, 由于潮溝地區(qū)容易聚集更多的營(yíng)養(yǎng)物質(zhì), 對(duì)局部紅樹(shù)林的生長(zhǎng)具有促進(jìn)作用, 致使該區(qū)域紅樹(shù)林生長(zhǎng)旺盛。無(wú)瓣海桑的樹(shù)高、胸徑由研究區(qū)中南部以及潮溝附近向東北、東南方向遞減。

3.2 生物量模型

本實(shí)驗(yàn)將機(jī)載Lidar數(shù)據(jù)與康熙嶺紅樹(shù)林實(shí)測(cè)數(shù)據(jù)相結(jié)合, 通過(guò)RF算法確定研究區(qū)紅樹(shù)林總生物量。洪奕豐[11]、穆喜云[14]等通過(guò)對(duì)比RF與MLR算法的精度, 發(fā)現(xiàn)RF在計(jì)算森林碳儲(chǔ)量及進(jìn)行生物量反演具有明顯的精度優(yōu)勢(shì)。同時(shí)RF算法在處理多自變量的問(wèn)題時(shí)具有一定的優(yōu)勢(shì), 可以根據(jù)變量的重要性, 對(duì)變量進(jìn)行排序、篩選放入模型, 提高模型計(jì)算效率。因?yàn)镽F算法對(duì)植被的參數(shù)預(yù)測(cè)具有較高的擬合精度, 所以可對(duì)研究區(qū)進(jìn)行反演研究。本研究采用的RF算法精度R=0.66, 訓(xùn)練精度較高。由于研究區(qū)選在康熙嶺片區(qū), 試驗(yàn)區(qū)較小, 用以模型訓(xùn)練的樣本數(shù)目不夠多, 導(dǎo)致個(gè)別樣點(diǎn)的實(shí)測(cè)值與估測(cè)值偏差較大。由于個(gè)別樣地內(nèi)紅樹(shù)林單木株數(shù)較少, 機(jī)載Lidar在獲取樣地點(diǎn)云信息時(shí)錯(cuò)失了冠頂數(shù)據(jù), 因此進(jìn)行樣地內(nèi)分位高度統(tǒng)計(jì)時(shí)會(huì)出現(xiàn)偏差。并且實(shí)驗(yàn)區(qū)內(nèi)存在其它樹(shù)種, 并不是單一的無(wú)瓣海桑群落, 在使用無(wú)瓣海桑異速生長(zhǎng)方程進(jìn)行RF模型訓(xùn)練時(shí)勢(shì)必會(huì)產(chǎn)生誤差。同時(shí)產(chǎn)生差異的原因與模型精度直接相關(guān), 模型的精度將直接影響地區(qū)的反演質(zhì)量, 因此反演結(jié)果與實(shí)地生物量并不嚴(yán)格相同。由于測(cè)量誤差的原因, 研究區(qū)實(shí)測(cè)單木樹(shù)高、胸徑可能不夠準(zhǔn)確, 也會(huì)影響生物量的反演結(jié)果。

3.3 無(wú)瓣海桑生物量密度

研究區(qū)紅樹(shù)林生物總量為459.1823773 Mg, 平均生物量為4.15 kg·m–2。研究結(jié)果要低于Wang等[21]估算的海南島東北部的清瀾港自然保護(hù)區(qū)和東寨港國(guó)家保護(hù)區(qū)等地的平均生物量119.26 Mg·ha–2; 低于深圳地區(qū)紅樹(shù)林生物量93.0 Mg·ha–2[22], 略低于廣東無(wú)瓣海桑生物量50.81 t·ha–2[19]。由于各地區(qū)的地理區(qū)位、水熱條件、區(qū)域CO2濃度及地區(qū)人為干擾因素不同, 對(duì)各地區(qū)的紅樹(shù)林的生長(zhǎng)都會(huì)造成一定的影響, 對(duì)紅樹(shù)林的生物總量產(chǎn)生直接影響。研究區(qū)的無(wú)瓣海桑林樹(shù)齡較低, 相比其它區(qū)域研究區(qū)的水熱條件均有不足, 對(duì)紅樹(shù)林生長(zhǎng)的促進(jìn)作用較弱, 因此研究區(qū)紅樹(shù)林平均樹(shù)高較低,所得結(jié)果與海南島、深圳、廣東等地的紅樹(shù)林生物量相比均較低。本實(shí)驗(yàn)選取欽州灣小區(qū)域研究區(qū)進(jìn)行生物量反演研究, 由于康熙嶺地區(qū)的無(wú)瓣海?？傮w生物量偏低, 紅樹(shù)林單木樣本較少, 相較于欽州灣總體平均生物量[23]實(shí)驗(yàn)所得結(jié)果偏低, 所以該計(jì)算結(jié)果具有一定的區(qū)域性。

3.4 不足與展望

實(shí)驗(yàn)中由于RF算法屬于暗箱操作, 其回歸模型并不可見(jiàn), 因此參與建模的樣本隨機(jī)性較大; 同時(shí)由于本實(shí)驗(yàn)是對(duì)小尺度范圍進(jìn)行研究, 選取的紅樹(shù)林品種也較為單一, 且僅以無(wú)瓣海桑為例進(jìn)行了相關(guān)研究。后續(xù)可以選取多個(gè)ML算法、擴(kuò)大研究區(qū)范圍以及紅樹(shù)林的品種數(shù)量, 以做出對(duì)廣西欽州灣地區(qū)紅樹(shù)林生物量反演更有說(shuō)服力的研究成果。

4 結(jié)論

研究以欽州茅尾?？滴鯉X紅樹(shù)林濕地為研究片區(qū), 利用無(wú)人機(jī)低空遙感獲取的激光點(diǎn)云數(shù)據(jù), 結(jié)合實(shí)測(cè)單木結(jié)構(gòu)信息, 使用隨機(jī)森林算法對(duì)研究區(qū)無(wú)瓣海桑的生物量進(jìn)行估算。主要結(jié)論如下:

(1)研究區(qū)樣地各樣方的無(wú)瓣海桑的生物量范圍介于0.55 kg·m–2—13.57 kg·m–2, 平均值為5.40 kg·m–2。

(2)基于機(jī)載雷達(dá)數(shù)據(jù), 隨機(jī)森林算法的訓(xùn)練集R=0.9516、=0.8142、=0.1486; 測(cè)試集R=0.6598 、=2.0276、=0.3983?？傮w來(lái)看RF模型所預(yù)測(cè)的生物量與實(shí)測(cè)樣地采樣的數(shù)據(jù)計(jì)算的生物量相吻合, 隨機(jī)森林算法擬合精度較高。

(3)研究區(qū)紅樹(shù)林生物總量為459.1823773 Mg, 平均生物量為4.15 kg·m–2。由于康熙嶺地區(qū)的無(wú)瓣海桑總體生物量偏低, 相較于欽州灣總體平均生物量實(shí)驗(yàn)所得結(jié)果偏低, 所得結(jié)果具有一定的區(qū)域性。

[1] 朱可峰, 廖寶文, 章家恩, 等. 廣州市南沙紅樹(shù)植物無(wú)瓣海桑、木欖人工林生物量的研究[J]. 林業(yè)科學(xué)研究, 2011, 24(4): 531–536.

[2] 石莉. 中國(guó)紅樹(shù)林的分布狀況、生長(zhǎng)環(huán)境及其環(huán)境適應(yīng)性[J]. 海洋信息, 2002, 17(4): 14–18.

[3] 生農(nóng), 辛琨, 廖寶文, 等. 紅樹(shù)林濕地生態(tài)功能及其價(jià)值研究文獻(xiàn)學(xué)分析[J]. 濕地科學(xué)與管理, 2021, 17(1): 47–50.

[4] CLAUDIA K, ANDREA B, STEFFEN G, et al. Remote Sensing of Mangrove Ecosystems: A Review[J]. Remote Sensing, 2011, 3(5): 878–928.

[5] NELSON R F, KRABILL W, TONELLI J, et al. Estimating forest biomass and volume using airborne laser data[J]. Remote Sensing of Environment, 1988, 24(2): 247–267.

[6] MACLEAN G A, KRABILL W B. Gross-merchantable timber volume estimation using an airborne Lidar system[J]. Canadian Journal of Remote Sensing, 1986, 12(1): 7–18.

[7] N?sset E, Gobakken T, Holmgren J, et al. Laser scanning of forest resources: the Nordic experience[J]. Scandinavian Journal of Forest Research, 2004, 19(6): 482–499.

[8] N?sset E, Gobakken T. Estimation of above-and below-ground biomass across regions of the boreal forest zone using airborne laser[J]. Remote Sensing of Environment, 2008, 112(6): 3079–3090.

[9] GLEASON C J, JUNGHO I. Forest biomass estimation from airborne LiDAR data using machine learning approaches[J]. Remote Sensing of Environment, 2012, 125: 80–91.

[10] HICKEY S M, CALLWO N J, PHINN S, et al. Spatial complexities in aboveground carbon stocks of a semi-arid mangrove community: A remote sensing height-biomass- carbon approach[J]. Estuarine Coastal & Shelf Science, 2018, 200: 194–201.

[11] 洪奕豐, 張守攻, 陳偉, 等. 基于機(jī)載激光雷達(dá)的落葉松組分生物量反演[J]. 林業(yè)科學(xué)研究, 2019, 32(5): 83–90.

[12] 劉峰, 譚暢, 張貴, 等. 長(zhǎng)白落葉松單木參數(shù)與生物量機(jī)載LiDAR估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(9): 219–224+242.

[13] 李旺, 牛錚, 王成, 等. 機(jī)載LiDAR數(shù)據(jù)估算樣地和單木尺度森林地上生物量[J]. 遙感學(xué)報(bào), 2015, 19(4): 669–679.

[14] 穆喜云, 劉清旺, 龐勇, 等. 基于機(jī)載激光雷達(dá)的森林地上碳儲(chǔ)量估測(cè)[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2016, 44(11): 52–56.

[15] TIAN Yichao, HUANG Hu, ZHOU Guoqing, et al. Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing[J]. Science of The Total Environment, 2021, 781(3): 146816.

[16] WANG Chuankuan. Biomass allometric equations for 10 co-occurring treespecies in Chinese temperate forests[J]. Forest Ecology and Management, 2006, 222(1/3): 9–16.

[17] DUARTE L, MORENE J B, CATHARINO M, et al. Mangrove metal pollution induces biological tolerance to Cd on a crab sentinel species subpopulation[J]. Science of The Total Environment, 2019, 687: 768–779.

[18] 鄧必玉. 廣西欽州沿海無(wú)瓣海桑入侵性初探[J]. 湖北林業(yè)科技, 2020, 49(5): 46–49+52.

[19] 胡懿凱, 徐耀文, 薛春泉, 等. 廣東省無(wú)瓣海桑和林地土壤碳儲(chǔ)量研究[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào), 2019, 40(6): 95–103.

[20] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5–32.

[21] WANG Dezh, WAN Bo, LIU Jing, et al. Estimating aboveground biomass of the mangrove forests on northeast Hainan Island in China using an upscaling method from field plots, UAV-LiDAR data and Sentinel-2 imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 85: 101986.

[22] LI Zhen, ZAN Qijie, YANG Qiong, et al. Remote Estimation of Mangrove Aboveground Carbon Stock at the Species Level Using a Low-Cost Unmanned Aerial Vehicle System[J]. Remote Sensing, 2019, 11(9): 1018.

[23] 曹慶先. 北部灣沿海紅樹(shù)林生物量和碳貯量的遙感估算[D]. 北京: 中國(guó)林業(yè)科學(xué)研究院, 2010.

Biomass inversion of typical mangrove forests in Qinzhou Bay based on LiDAR

ZHANG Zhendong1, TIAN Yichao1, 2, *, DENG Jingwen1, YAO Guizhao1, LI Yinling1

1. College of Resources and Environment, Beibu Gulf University, Qinzhou 535011, China 2. Beibu Gulf Ocean Development Research Center, Beibu Gulf University, Qinzhou 535011, China

The total mangrove biomass in the test area is critical to the conservation of the ecosystem in the study area. In combination with the measured sample plot data and LiDAR point cloud data, random forest method was employed to estimate the mangrove biomass in the study area. A biomass estimation model was then built based on the subsequent accuracy test to invert the entire mangrove biomass in the test area. The results showed that: (1) The biomass of Sonneratia apetala in the sample plots of the study area ranged from 0.55 kg·m–2to 13.57 kg·m–2, averaging 5.40 kg·m–2. (2) The training set obtained by calculating mangrove biomass through the random forest model wasR=0.9516,=0.8142, and=0.1486; and the test set wasR=0.6598,=2.0276, and=0.3983. These indicated that the biomass calculated by the surface biomass estimation model was basically consistent with that calculated based on the measured sample plot data, thereby verifying the accuracy of the random forest algorithm. (3) In the study area, the total mangroves biomass was 459.18 Mg, averaging 4.15 kg·m–2. The single-tree mangroves with higher heights and larger DBHs were mainly distributed near the tidal creek as well as the central and southern parts of the study area.

lidar; mangroves; biomass; random forest; Qinzhou Bay

10.14108/j.cnki.1008-8873.2024.01.024

TP79

A

1008-8873(2024)01-203-08

2021-09-06;

2021-11-15

國(guó)家自然科學(xué)基金(42261024); 廣西高校人文社會(huì)科學(xué)重點(diǎn)研究基地“北部灣海洋發(fā)展研究中心”項(xiàng)目; 廣西創(chuàng)新驅(qū)動(dòng)發(fā)展專項(xiàng)(AA18118038); 廣西基地和人才項(xiàng)目(2019AC20088); 廣西自治區(qū)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目(1707402429)

張振東(1999—), 男, 山東青州人, 本科, 主要從事資源環(huán)境遙感方面的研究, E-mail: 1394648468@qq.com

通信作者:田義超(1986—), 男, 陜西西安人, 中國(guó)科學(xué)院地球化學(xué)研究所博士, 教授, 碩士生導(dǎo)師, 主要從事資源環(huán)境遙感與GIS及海岸帶生態(tài)環(huán)境監(jiān)測(cè)的相關(guān)研究, E-mail: tianyichao1314@yeah.net

張振東, 田義超, 鄧靜雯, 等. 基于激光雷達(dá)的欽州灣典型紅樹(shù)林生物量反演[J]. 生態(tài)科學(xué), 2024, 43(1): 203–210.

ZHANG Zhendong, TIAN Yichao, DENG Jingwen, et al. Biomass inversion of typical mangrove forests in Qinzhou Bay based on LiDAR[J]. Ecological Science, 2024, 43(1): 203–210.