謝家頎,張 釗*,周 穩(wěn),王金旺,陳雅慧

(1.自然資源部溫州海洋中心,浙江 溫州 325013; 2.浙江省亞熱帶作物研究所,浙江 溫州 325005)

0 引言

我國共有海島11 000余個,島上植被覆蓋度較高,覆蓋率約為52.0%[1]。海島作為自然資源的組成部分,具有完整、獨立的生態(tài)系統,在減緩氣候變化、維持碳平衡方面發(fā)揮著不可或缺的作用。海島植被碳儲量本底調查是對掌握海陸碳儲量分布的有益補充,是制定“雙碳”政策的基礎性任務。傳統海島植被碳儲量的調查主要參考陸地森林生態(tài)系統,采用樣方清查和生物量相對生長方程相結合的方式[2]。受海況、地形地貌、物種分布等因素的制約,傳統調查存在登島困難、調查過程復雜、工作周期長等弊端,多應用于小尺度的研究[2]。

近年來,利用高分辨率衛(wèi)星遙感研究海島植被碳儲量取得了初步進展,如池毓鋒 等[3]采用Landsat8 OLI衛(wèi)星遙感影像結合歸一化植被指數(normalized difference vegetation index,NDVI)與以專家知識分類為基礎的像元擴張法提取了平潭島木麻黃林分信息,并根據采集的木麻黃樣本生物量與含碳率估測了木麻黃林地的碳儲量,林地分類精度達到了80.6%;魏艷艷[4]采用Landsat8 OLI和Landsat5 TM衛(wèi)星遙感影像,以監(jiān)督分類的方法對崇明島耕地、林地和建設用地等土地利用類型進行分類,估算了2009年和2018年耕地、林地和建設用地的平均碳密度和碳儲量,分類精度Kappa系數分別為81.46%和0.795 1;PASCUAL等[5]采用MODIS 17影像和近紅外反射率估算了夏威夷群島的總初級生產力。在上述利用衛(wèi)星遙感影像估算海島植被碳儲量的研究中,影像的分辨率僅為15～500 m,存在估算精度偏低的不足[3-5]。

無人機遙感影像的分辨率可達到厘米級,反演的植被碳儲量具有精度高的優(yōu)勢。江萍[6]采用無人機高光譜影像開展北疆防護林樹種分類研究,整體分類精度為94.34%,Kappa系數為0.924 8;趙曉宇[7]通過無人機多光譜和可見光數據對桂林會仙巖溶濕地植被進行分類研究,總體分類精度和Kappa系數最高分別達到95.52%和0.900 0;唐佳佳 等[8]聯合無人機機載激光和高光譜數據反演了礦山生態(tài)修復區(qū)植被碳儲量;吳新宇 等[9]利用無人機機載激光雷達估測福建武夷山林場區(qū)域馬尾松的碳儲量,模型精度R2達到0.78。目前無人機遙感技術已經廣泛應用于陸地森林生態(tài)系統碳儲量調查中,但在海島植被碳儲量研究方面運用還較少。

本文以溫州市洞頭區(qū)大竹峙島為研究對象,提出了一種基于無人機多光譜遙感的植被分類、冠幅分割和優(yōu)勢種生物量反演的海島植被碳儲量估算方法,可為海島植被碳儲量研究提供參考。

1 研究區(qū)與研究方法

1.1 研究區(qū)概況

大竹峙島位于溫州洞頭列島的東部,地理位置121°12′28″E—121°13′19″E,27°49′08″N—27°49′37″N(圖1)。島體長約1 250 m,寬約300 m,整島投影面積約45 hm2,海岸線長6 827.10 m,最高點海拔80.60 m。大竹峙島植被覆蓋率為65.06%,植被生物多樣性較高,2021年調查發(fā)現植物物種80科181屬232種,其中蕨類植物8科8屬10種,裸子植物2科2屬2種,被子植物70科171屬220種。植被類型涵蓋喬木、灌叢和草叢三大類,喬木優(yōu)勢種為臺灣相思和椿葉花椒,灌叢優(yōu)勢種為黑松、濱柃、天仙果、野梧桐,草叢優(yōu)勢種為中華結縷草。

圖1 大竹峙島位置及遙感圖Fig.1 Location and remote sensing map of Dazhuzhi Island

1.2 估算流程

采用無人機搭載多光譜傳感器獲取大竹峙島遙感影像,結合光譜的最佳波段組合,根據監(jiān)督分類方法對海島植被進行分類,基于深度卷積神經網絡建立單木樹冠分割模型提取植株冠幅信息,結合樣方數據建立的冠幅和胸徑(基徑)線性方程反演喬木、灌叢的生物量,并根據現場調查數據構建了3種灌木優(yōu)勢種、1種草本植物優(yōu)勢種的生物量反演模型。通過優(yōu)勢種生物量結合無人機遙感提取的植被分類數據,估算大竹峙島植被生物量和碳儲量,用樣方調查的生物量數據驗證無人機遙感估算的精度(圖2)。

圖2 無人機遙感估算流程圖Fig.2 Flow chart of UAV remote sensing assessment

2 數據獲取和處理

2.1 遙感數據獲取和處理

2.1.1 無人機多光譜數據獲取

本研究采用大疆M600無人機搭載MS600多光譜相機采集數據,波段包括藍光(450 nm)、綠光(560 nm)、紅光(650 nm)、紅邊(730 nm)和近紅外(840 nm),傳感器分辨率為1 280×960像素。無人機飛行高度為200 m,飛行速度為8 m/s,飛行航線總長為22 140 m,航線間距為50 m(圖3),數據采集間隔為4 s,采集時間為2021年7月,照片幅寬為160 m×120 m。對獲取的數據進行通道校正、波段合成、拼接、地理位置疊加、空三加密、幾何校正等處理,得到空間分辨率為4 cm的多光譜影像。

圖3 無人機飛行航線Fig.3 Flight route of UAV

2.1.2 波段選擇

選取原始波段間相關性(R2)較小和最佳指數因子(OIF)較高的兩個組合作為待選波段,分別為:紅光-紅邊-近紅外波段(紅光-紅邊R2=0.084,紅光-近紅外R2=0.006,紅邊-近紅外R2=0.810;OIF值為98.42)和藍光-紅邊-近紅外波段(藍光-紅邊R2=0.090,藍光-近紅外R2=0.016,紅邊-近紅外R2=0.810;OIF值為93.98)。結合表征影像光譜特征的歸一化植被指數(NDVI)和紋理特征的均值指標,通過監(jiān)督分類法對兩個波段組合中每個像元進行分類,結果顯示:紅光-紅邊-近紅外波段的分類精度OA為99.05%,Kappa系數為0.981 2;藍光-紅邊-近紅外波段的分類精度OA為99.72%,Kappa系數為0.995 4。因此,本文選擇藍光-紅邊-近紅外波段光譜將大竹峙島植被劃分為喬木、灌叢、草叢和非植被區(qū)4種類型(圖4)。

圖4 大竹峙島植被類型空間分布Fig.4 Spatial distribution of vegetation types on Dazhuzhi Island

2.1.3 喬木、灌叢優(yōu)勢種的單木識別和分割

基于深度卷積神經網絡Mask R-CNN[10]構建大竹峙島喬木、灌叢群落的單木樹冠分割模型,主要步驟如下:根據現場調查獲得的臺灣相思、濱柃、椿葉花椒、天仙果、野梧桐、黑松的地面標識信息確定分類目標,結合目視結果,建立實驗樣本集(1 913個),訓練并優(yōu)化Mask R-CNN模型參數;基于優(yōu)化后的模型對多光譜影像進行像素級分割,得到每一個目標的分割掩碼,并用顏色和大小區(qū)分不同物種的分割輪廓,實現優(yōu)勢種的識別和冠幅分割,獲得臺灣相思、椿葉花椒和濱柃在全島分布的植株數、冠幅面積等信息(圖5)。

圖5 大竹峙島(部分區(qū)域)喬木和灌叢優(yōu)勢種的識別和分割Fig.5 Identification and segmentation of dominant species of arbors and shrubs on Dazhuzhi Island (partial region)

依據文獻[11]評價單木識別和分割的精度,得到該方法的精確率為0.79,召回率為0.86,F測度為0.85。

2.2 樣方設置

基于植被分布和地形地勢,依據代表性和隨機性原則[12],在大竹峙島布設喬木、灌叢和草叢樣方共51個,其中,21個樣方用于驗證無人機遙感估算精度,包括3個喬木樣方(T1～T3)、6個灌叢樣方(S1～S6)和12個草叢樣方(H1～H12);另外30個草叢樣方(H13～H42)用于構建草叢生物量模型(圖6)。

圖6 喬木、灌叢、草叢樣方布設Fig.6 Quadrats setting of arbor, shrub and herb sample plots

2.3 地面數據獲取和處理

為構建冠幅和胸徑(基徑)的線性關系,全島隨機選擇喬木、灌叢優(yōu)勢種15株/種,現場測量其胸徑或基徑以及植株冠幅,具體信息見表1。

表1 優(yōu)勢樹種冠幅與胸徑(基徑)參數Tab.1 The parameters for crown and diameter at breast height(branch) diameter of dominant plant species

全島隨機采伐野梧桐、天仙果和濱柃(為減少對海島植被的破壞,盡量選取個體偏小的植株)用于構建灌叢優(yōu)勢種生物量反演方程。現場測量植株基徑、冠幅,收集其干、枝、葉樣品各5份,帶回實驗室烘干至恒重后稱重,獲得各植株生物量[13],具體信息見表2。

表2 灌叢優(yōu)勢種基徑與生物量Tab.2 The branch diameter and biomass of dominant shrubs

在草叢樣方(H13～H42)中,收集植株的地上部分和地下根系,烘干后稱重,獲得樣方草本生物量。各樣方的歸一化植被指數(NDVI) 通過ENVI軟件計算獲得(表3)。

表3 草叢樣方的生物量與歸一化植被指數Tab.3 The biomass and normalized difference vegetation index(NDVI) of herb plots

2.4 生物量反演

臺灣相思、椿葉花椒和黑松的生物量反演方程來自文獻[14],濱柃、天仙果、野梧桐的生物量反演方程根據表2數據構建,其中胸徑/(基徑)與冠幅的線性方程根據表1數據構建。中華結縷草的生物量方程根據草叢樣方NDVI值與實測生物量(表3)進行擬合。

構建Y=a+bX和Y=aXb兩種回歸方程,R2、F值、估計標準差(SEE)和p值見表4。從表4可以看出,天仙果、濱柃和野梧桐生物量方程均以Y=aXb表現出較大的R2值,呈極顯著相關(p<0.01)。優(yōu)勢樹種胸徑(基徑)與冠幅的關系模型以及中華結縷草生物量方程,均以Y=a+bX表現出較大的R2值,呈極顯著相關。大竹峙島各植被優(yōu)勢種生物量方程見表5。

表4 回歸方程方差分析Tab.4 Variance analysis of regression equations

表5 大竹峙島植被優(yōu)勢種生物量方程Tab.5 Biomass equations for dominant species on Dazhuzhi Island

2.5 植被碳儲量計算

根據各優(yōu)勢種生物量方程和分布計算大竹峙島喬木、灌叢和草叢的生物量。植被碳儲量依據陸地森林生物量與碳儲量轉換經驗公式[15]計算:

C=a×W

(1)

式中:C為碳儲量;W為生物量;a為含碳率,取0.45。

3 結果與分析

3.1 大竹峙島植被碳儲量

通過植被分類、冠幅分割和生物量計算可得大竹峙島各植被類型的植株數量、面積、生物量和碳儲量等信息(表6)。從表6可知,大竹峙島碳儲量總計369.54 t,植被碳儲量分布見圖7。其中,喬木碳儲量300.36 t,灌叢碳儲量47.59 t,草叢碳儲量21.59 t,喬木、灌叢和草叢碳儲量分別占整島植被碳儲量的81.28%、12.88%和5.84%。喬木平均單位面積碳儲量(碳密度)為25.69 t/hm2,灌叢平均單位面積碳儲量為5.96 t/hm2,草叢平均單位面積碳儲量為2.38 t/hm2。

表6 大竹峙島喬木、灌叢和草叢碳儲量估算結果Tab.6 Carbon storage estimation results of arbors, shrubs and herbs on Dazhuzhi Island

3.2 估算結果分析

3.2.1 無人機遙感估算結果精度驗證

將喬木樣方T1～T3和灌叢樣方S1～S6中實地調查的植株株數與遙感冠幅分割的株數進行相關性分析,驗證冠幅分割株數計算的精度。結果顯示,遙感冠幅分割精度較高,決定系數R2為0.98(p<0.05)(圖8a)。

圖8 樣方內無人機遙感估算和樣方調查結果的相關性Fig.8 Correlation between UAV multispectral remote sensing and quadrat measurement in sample plots(圖8a表示9個喬木和灌叢樣方內無人機遙感估算株數和實地調查結果的相關性;圖8b～圖8d分別表示3個喬木樣方、6個灌叢樣方和12個草叢樣方內無人機遙感估算生物量和實地測定結果的相關性。)(Fig.8a shows the correlation of the plant numbers between UAV multispectral remote sensing and quadrat measurement in shrub and arbor sample plots; Fig.8b to Fig.8d show the correlation of biomass between UAV multispectral remote sensing and quadrat measurement in 3 arbor sample plots, 6 shrub sample plots and 12 herb sample plots, respectively.)

分別將喬木樣方T1～T3、灌叢樣方S1～S6、草叢樣方H1～H12中實地調查的生物量與無人機遙感估算結果進行相關性分析。結果顯示,無人機遙感估算精度較高,其中喬木生物量決定系數R2為0.97(p<0.05),灌叢生物量決定系數R2為0.99(p<0.05),草叢生物量決定系數R2為0.99(p<0.05)(圖8b～8d)。

對于喬木樣方T1～T3,無人機遙感單木分割得到的植株株數分別為80、95、39,估算的生物量分別為 5 231.35、2 420.34、879.42 kg;實地樣方調查的株數分別為86、91、46,生物量分別為6 397.01、2 171.10、1 006.23 kg。兩者生物量差值絕對值為126.81～1 165.66 kg,相對偏差為11.48%～18.22%(表7)。

表7 喬木、灌叢植株數、生物量的遙感反演和樣方調查比較Tab.7 Comparison of arbor and shrub plant number and biomass by remote sensing inversion and quadrat measurement

對于灌叢樣方S1～S6,無人機遙感單木分割得到的植株株數在5～11之間,樣方生物量為14.28～219.99 kg;實地樣方調查的株數在6～15之間,生物量在10.03～192.22 kg之間。兩者生物量差值絕對值為4.25～27.77 kg,相對偏差為12.62%～32.82%(表7)。

對于草叢樣方H1～H12,無人機遙感估算的生物量在0.14～0.77 kg之間,實地樣方測定的生物量在0.12～0.84 kg之間。生物量差值絕對值為 0～0.08 kg,相對偏差為0%～22.73%(表8)。

表8 草叢生物量的遙感反演和樣方調查比較Tab.8 Comparison between remote sensing inversion and quadrat measurement of herb biomass

3.2.2 大竹峙島植被碳儲量估算的合理性分析

研究顯示:中國森林生態(tài)系統中喬木幼齡林碳密度為19.51 t/hm2、喬木中齡林的碳密度為37.57 t/hm2[16],溫州市森林生態(tài)系統中喬木碳密度為27.98 t/hm2[17],中國溫帶、亞熱帶落葉灌叢碳密度為6.24 t/hm2[18]。本研究中喬木碳密度為25.69 t/hm2,灌叢碳密度為5.96 t/hm2,略小于文獻值。因海島的風、土壤、降水等條件常對植物生長不利,其植株一般小于陸地植株,如大竹峙島喬木的平均高度約為5.6 m,平均胸徑小于10 cm,表明其多為幼齡林和中齡林,因而大竹峙島的碳密度略小于陸地是合理的。

總體來說,本研究中無人機遙感海島植被碳儲量展現了較高的估算精度。雖然該方法與傳統方法的結果存在一定偏差,但偏差在合理范圍內,表明本研究具有較高的可信度。

4 結論與展望

本文選取OIF值為93.98的藍光-紅邊-近紅外為波段組合對植被類型進行分類,采用深度卷積神經網絡模型對喬木和灌叢進行了冠幅分割,構建了喬木、灌叢、草叢生物量方程,估算了大竹峙島植被生物量和碳儲量,并用樣方調查實測數據驗證了無人機遙感估算結果的精度。研究結果表明,大竹峙島植被碳儲量總計369.54 t,其中喬木300.36 t、灌叢47.59 t、草叢21.59 t;植被分類精度OA達99.72%,Kappa系數為0.995 4。遙感單木樹冠分割精確率為0.79;無人機遙感估算的喬木、灌叢和草叢生物量與樣方測定結果決定系數均大于0.97。

無人機遙感估算方法具有作業(yè)周期短、估算精度高的特點,可在海島植被碳儲量遙感監(jiān)測體系建設和業(yè)務化工作中進行推廣和應用。研究獲取的監(jiān)測數據可作為海島植被衛(wèi)星遙感觀測和實地調查數據體系的補充。

本文中喬木生物量是在實測胸徑和冠幅構建函數關系的基礎上參考陸地生物量推薦方程計算而得的。考慮到生境的特殊性,海島喬木的形態(tài)與陸地植物存在一定差別,直接利用陸地喬木生物量方程計算其生物量可能對結果準確性有一定影響。在后續(xù)探索中,將通過實測獲得的植株胸徑、冠幅等信息,結合無人機激光雷達獲取的空間點云數據,提取喬木植株高度信息,豐富變量參數,提高生物量反演模型的精度。