基于神經(jīng)網(wǎng)絡的開化縣森林碳儲量空間估計

徐超璇

摘要：本研究以浙江省開化縣為研究對象，用2004年全縣境內76個森林資源清查樣地數(shù)據(jù)及同年Landsat TM遙感影像，將歸一化植被指數(shù)NDVI、IND53和歸一化綠色植被指數(shù)GNDVI融入BP神經(jīng)網(wǎng)絡，對開化縣境內森林碳儲量進行預測。結果顯示：開化縣平均碳密度為37.616Mg/hm2，碳密度最大值為144.691Mg/hm2，碳密度最小值為0.000Mg/hm2，標準差為26.685Mg/hm2。森林碳密度較高區(qū)域主要集中在西北和東部，整體呈現(xiàn)出沿東北方向的兩邊密集、中間稀疏的狀態(tài)。

Abstract： This study takes Kaihua County in Zhejiang Province as the research object. Using the data of 76 forest resources inventory plots in the county in 2004 and Landsat TM remote sensing images of the same year， the normalized vegetation index NDVI， IND53 and normalized green vegetation index GNDVI is integrated into the BP neural network to predict the forest carbon storage in Kaihua County. The results show that the average carbon density of Kaihua County is 37.616 Mg/hm2， the maximum carbon density is 144.691 Mg/hm2， the minimum carbon density is 0.000 Mg/hm2， and the standard deviation is 26.685 Mg/hm2. The areas with higher forest carbon density are mainly concentrated in the northwest and east， and the two sides along the northeast are dense and the center is sparse.

關鍵詞：森林碳儲量;植被指數(shù);BP神經(jīng)網(wǎng)絡

Key words： forest carbon storage;vegetation index;BP neural network

中圖分類號：S718.5? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2020）03-0217-02

0? 引言

森林生態(tài)系統(tǒng)在調節(jié)全球碳均衡和阻止氣候變暖、改善氣候等方面，具有無法替代的作用。在生態(tài)系統(tǒng)中，森林是最大的陸地碳源庫，實現(xiàn)碳儲量估計的基礎在于首先要測定森林生態(tài)系統(tǒng)中的生物量。在國際生物學計劃（IBP）的推動發(fā)展下，各項關于植被生物量的研究紛紛出現(xiàn)，發(fā)展勢頭迅猛，大量的研究數(shù)據(jù)為全方面地探究全球森林生物量和碳儲量分布提供了理論依據(jù)[1]。張茂震等在分析比較了浙江省多年的森林資源連續(xù)清查數(shù)據(jù)的基礎上，根據(jù)生物量和蓄積量之間的關系，對浙江省的森林碳匯生產(chǎn)力進行了定量預估分析[2]。徐新良等通過遙感影像獲取波段信息，以此建立生物量與碳儲量之間的關系來估算植被碳貯量的方法被廣泛應用[3]。目前運用遙感技術進行森林碳儲量估算時，因采用的數(shù)據(jù)源不同而使得相對應的分析方法截然不同。神經(jīng)網(wǎng)絡法就是其中一種分析方法，在預測森林碳儲量方面，具有一定的優(yōu)勢，是當前熱門的研究對象。

本文以浙江省開化縣為例，利用一類森林資源清查數(shù)據(jù)，同時結合TM遙感影像，利用神經(jīng)網(wǎng)絡中的BP人工神經(jīng)網(wǎng)絡方法建模，設立先驗樣本和訓練樣本，預測研究區(qū)域的碳密度值，再獲取研究區(qū)域內森林碳密度的全域分布圖推算估計整個地區(qū)的碳儲量，并將反歸一化計算后獲得的數(shù)據(jù)與實測樣地值進行比較分析，最后進行精度評價。

1? 研究區(qū)概況

浙江省衢州市開化縣位于北緯28°54′-29°30′，東經(jīng)118°01′-118°37′的浙江省西部邊境區(qū)域，地處浙江、江西、安徽三省的交界處。全縣總面積約為2236平方公里，整體地勢西北高而東南低，屬浙西中山丘陵地形。其氣候屬于亞熱帶季風氣候，平均溫度16.4℃，年平均降雨量在1800毫米左右，四季分明。開化縣處中亞熱帶常綠闊葉林帶北部亞地帶、浙皖山丘青岡苦櫧林植被區(qū)，是極具特色的植被區(qū)域，植被資源豐富。開化縣生態(tài)環(huán)境優(yōu)良，是浙江省森林碳匯的重要組成部分。

2? 據(jù)準備與研究方法

2.1 數(shù)據(jù)準備

2.1.1 森林資源一類調查數(shù)據(jù)

本次設計采用2004年開化縣森林資源一類調查清查數(shù)據(jù)即省級樣地數(shù)據(jù)，使用系統(tǒng)抽樣的方法在開化縣區(qū)域范圍內進行抽樣調查，各個樣地間間距為4km×6km，樣地為28.28m×28.28m的正方形，面積223600hm，共計76個樣地。

樣地森林碳儲量計算是通過地面樣地調查所獲取記錄的數(shù)據(jù)（樣地號、樹種、胸徑等），其中樹種代碼采用2004年之后的樹種代碼。根據(jù)已發(fā)表的生物量模型、各個樹木種類的生長模型以及其生物參數(shù)，本實驗只對杉木、馬尾松、硬闊林和軟闊林這四個樹種進行生物量研究計算，依據(jù)生物量和碳儲量的轉換系數(shù)為0.50，計算出各樹種的碳儲量，以此計算得到各個樣地上的碳儲量和平均單位面積內的碳儲量，即碳密度。

2.1.2 TM遙感影像數(shù)據(jù)

研究數(shù)據(jù)為2004年獲取的開化縣全景Landsat TM影像，空間分辨率為30m×30m。影像通過大氣校正、幾何校正等系列處理，將精度控制在一個單元格內。

利用ENVI獲取出TM影像中樣地所對應的6個波段的灰度值，并通過波段間的組合，提取植被指數(shù)。本實驗搜集了大量現(xiàn)有的植被指數(shù)資料，提取比較了四十一種植被指數(shù)與開化縣樣地碳儲量相關性，在篩選分析之后，選取采用相關性高的歸一化植被指數(shù)NDVI、歸一化綠色植被指數(shù)GNDVI和歸一化指數(shù)IND53。

在ArcGIS中將各個樣地點在TM遙感影像上有關各個波段的波段信息以及植被指數(shù)的數(shù)值提取到一起，為上述擬定植被指數(shù)提供相關性分析依據(jù)，以及為神經(jīng)網(wǎng)絡預判估計提供輸入層與輸出層。

通過SPSS分析數(shù)據(jù)，對各樣地中碳密度和各波段以及植被指數(shù)之間進行相關性分析，選取最優(yōu)波段結果。結果如表1。

從表1分析的結果可以知道，碳密度跟各個波段及三個植被指數(shù)的相關性并不是特別高，范圍在0.15到0.45之間，都不足0.5。分析比較，在六個波段中TM2與碳密度的相關性是最高的;碳密度與研究的三個植被指數(shù)相關性均超過了0.4，且其中具有最高相關性的是歸一化綠色植被指數(shù)GNDVI。因此選取這三個植被指數(shù)結合到神經(jīng)網(wǎng)絡中，建立森林碳儲量估計模型。

2.2 研究方法

人工神經(jīng)網(wǎng)絡簡稱為神經(jīng)網(wǎng)絡，它效仿動物的神經(jīng)網(wǎng)絡，尤其是行為特征。BP神經(jīng)網(wǎng)絡是一種多層前饋網(wǎng)絡，沿著誤差反方向傳播的路徑來算數(shù)訓練，一般由三部分組成：輸入層、隱含層、輸出層。網(wǎng)絡會按照研究者事先設定得方式，即函數(shù)，進行學習記憶，這種算法的實質是求誤差函數(shù)的最小值。

2.3 檢驗方法

為了檢驗BP人工神經(jīng)網(wǎng)絡模型對森林碳密度的估算精度，本研究使用76個樣地數(shù)據(jù)，其中選取61個作為神經(jīng)網(wǎng)絡的訓練樣本，剩余15個樣地數(shù)據(jù)作為檢驗樣本。通過反歸一化獲取預測數(shù)據(jù)。比較預測數(shù)據(jù)與樣地實測值的最大值、最小值、平均值和標準差，以及數(shù)據(jù)的相關性。

3? 結果與分析

3.1 BP神經(jīng)網(wǎng)絡模型確定

由于本文僅研究76個樣地的碳密度值，設立訓練樣本為61個，檢驗樣本個數(shù)為15個。使用Matlab2010，把之前確定的三個植被指數(shù)：歸一化植被指數(shù)NDVI、歸一化綠色植被指數(shù)GNDVI和歸一化指數(shù)IND53進行歸一化處理，作為輸入層，將樣地計算而得的碳密度放入網(wǎng)絡的輸出層，進行訓練。結果顯示檢驗樣本的預測值與實測值的相關性為0.60，訓練樣本的預測值與實測值的相關性為0.65。

3.2 結果與分析

根據(jù)BP神經(jīng)網(wǎng)絡反歸一化的預測值顯示，開化縣森林碳密度較高區(qū)域主要集中在西北和東部，整體呈現(xiàn)出沿東北方向的兩邊密集、中間稀疏的狀態(tài)，全縣碳密度分布較分散。通過神經(jīng)網(wǎng)絡模擬計算得到的開化縣森林平均碳密度為27.616Mg/hm2，碳密度最大值為144.691Mg/hm2，碳密度最小值為0.000Mg/hm2，碳密度標準差為26.685Mg/hm2。如圖1。

開化縣森林調查的76個樣地，計算統(tǒng)計碳儲量得到平均碳密度為23.018Mg/hm2，碳密度最大值為128.632Mg/hm2，碳密度（表2）最小值為0.000Mg/hm2，碳密度標準差為25.006Mg/hm2。

比較兩者平均值，預測碳密度平均值高于實測碳密度平均值1.665%，兩組數(shù)據(jù)的相關性為99.927%，兩者基本接近，證明通過BP人工神經(jīng)網(wǎng)絡的方法估計開化縣森林碳儲量精度高，準確性大，基本與實地現(xiàn)狀吻合。

4? 總結與討論

文章利用開化縣森林一類樣地清查數(shù)據(jù)和TM遙感影像進行全縣區(qū)域內的森林碳儲量空間估計，采用了BP人工神經(jīng)網(wǎng)絡，得到了較合理的預測結果。無論是碳儲量總量，平均碳密度，模擬得到的最大值以及標準差，通過BP神經(jīng)網(wǎng)絡預測的結果都要高一些。實驗預測結果基本準確，精度高，能夠較好地估計開化縣森林碳儲量。這說明人工神經(jīng)網(wǎng)絡是一種較好的數(shù)學模型，值得深入研究并加以運用，這對我國的森林資源監(jiān)測、管理以及保護具有重要作用。目前尚未有研究用運神經(jīng)網(wǎng)絡法估測開化縣森林碳儲量。本研究利用BP人工神經(jīng)網(wǎng)絡，對開化縣森林碳密度進行估計研究，是一大創(chuàng)新。但由于經(jīng)驗不足，綜合各種影響因素，本次研究仍有發(fā)展進步的空間。

參考文獻：

[1]續(xù)珊珊.森林碳儲量估算方法綜述[J].林業(yè)調查規(guī)劃，2014，39（6）：28-33.

[2]張茂震，王廣興，劉安興.基于森林資源連續(xù)清查資料估算的浙江省森林生物量及生產(chǎn)力[J].林業(yè)科學，2009（09）：13-17.

[3]徐新良，曹明奎，李克讓.中國森林生態(tài)系統(tǒng)植被碳儲量時空動態(tài)變化研究[J].地理科學進展，2007（06）：1-10.