竹林是我國亞熱帶森林生態(tài)系統(tǒng)中重要而特殊的資源,其在陸地碳循環(huán)/碳匯功能中扮演著重要的角色。截止第八次(2009-2013年)森林資源清查結果知,我國竹林面積已達601萬公頃,占我國森林面積的3%,占世界竹林面積20%左右,是名副其實的“竹子王國”。目前,竹林面積信息主要是通過地面樣地結合遙感影像并采用不同的分類方法獲取,研究區(qū)多集中在縣域或省域尺度上,缺乏全國范圍竹林時空分布信息快速準確提取。森林生態(tài)系統(tǒng)碳循環(huán)在改善全球氣候變化中具有重要意義,其中,植被凈第一性生產力(Net Primary Productivity,NPP)是生態(tài)學中重要組成部分,是森林生態(tài)系統(tǒng)碳循環(huán)過程中重要的指示參數。然而,中國竹林NPP獲取研究較少,本研究以中國竹林為研究對象,在林地遙感信息提取的基礎上,首先通過構建竹林信息C5.0算法決策樹獲取初步竹林信息,其次,采用最小二乘混合像元分解方法獲取竹林豐度信息,最后,將竹林豐度作為輸入參數驅動適用于竹林碳循環(huán)研究的北部生態(tài)系統(tǒng)生產模擬模型(Boreal Ecosystem Productivity Simulator,BEPS),模擬了全國竹林生態(tài)系統(tǒng)的凈初級生產力。主要研究內容包括以下三個方面:1、最大似然法提取林地信息。綜合MODIS產品、地面調查數據等基礎數據,結合目視解譯、樣地數據、Google earth等獲取訓練樣本,采用最大似然法將全國土地利用類型分為水體、林地、耕地、城鎮(zhèn)、裸地等,并通過掩膜獲得全國林地MODIS產品。2、C5.0決策樹結合混合像元方法獲取竹林分布信息。首先,基于林地MODIS產品、Landsat8 OLI浙江省土地利用專題圖及竹林樣地數據獲取竹林、闊葉林、針葉林林分樣本;其次,利用C5.0算法決策樹構建竹林信息提取模型,最后,通過最小二乘混合像元分解獲得竹林豐度專題圖。3、竹林生態(tài)系統(tǒng)凈初級生產力估算及時空格局分析。將竹林豐度信息作為輸入參數驅動BEPS模型估算中國竹林生態(tài)系統(tǒng)凈初級生產力,其次,利用統(tǒng)計等方法分析全國竹林生態(tài)系統(tǒng)凈初級生產力時空動態(tài)變化規(guī)律。通過研究,主要得到一下幾個方面的結論:1、最大似然法提取林地信息精度高,2003年、2008年和2014年三期生產者精度與使用者精度均為90%以上,Kappa系數均大于0.9,為下一步獲取竹林信息提供數據保障。2、基于林地信息采用C5.0決策樹模型提取的竹林遙感信息,平均精度達80.07%,結果能夠粗略反映我國竹林時空分布特征;然而C5.0決策樹獲取竹林信息仍是基于像元水平上,因此,利用最小二乘像元混合分解獲取較為純凈的竹林信息,研究結果與竹林資源清查面積具有較高的一致性,判定系數均大于0.95,說明通過決策樹模型結合混合像元分解提取的中國竹林面積精度較為理想,為精確估算竹林面積及為大尺度竹林生態(tài)系統(tǒng)時空動態(tài)碳循環(huán)研究提供了保障。3、將竹林豐度圖作為參數驅動BEPS模型獲得中國竹林生態(tài)系統(tǒng)年/月尺度NPP,與已有研究結果及樣地調查數據進行對比分析顯示:三期判定系數(R2)均值為0.73,說明兩者具有較高的一致性。在空間分布上,竹林NPP高值主要聚集在浙江、福建、江西、湖南等地;云南、陜西等地分布較為分散。在時間尺度上,竹林NPP變化明顯。在年尺度上,NPP總量呈上升趨勢。在月尺度上,我國竹林NPP呈現(xiàn)先增加后減緩趨勢,5月為最高值,12月為最低值。在季節(jié)尺度上,四季對全年的貢獻率從大到小為春(32.94%)夏(26.72%)冬(22.19%)秋(21.64%)。
【學位單位】：浙江農林大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：S795;S771.8
【部分圖文】：

波段 5(1230-1250nm)、6(1628-1652nm)是近紅外波段，反映了植被覆蓋度和生物量，此外，因為近紅外波段對粘土具有強吸附性，對沙土和鹽堿土具有強反射性，可用來描述土地沙化和鹽堿化程度；波段 7(2105-2155nm)相當 Landsat4/5 的 TM7波段，即可監(jiān)測植物生長狀況，又可為監(jiān)測土壤退化、識別土壤質地類型提供參考依據[97]。MODIS 反射率其空間分辨率低、覆蓋范圍廣，受云、雪及其他異常氣候影響非常明顯，給數據使用帶來不便，選擇數據受氣候條件影響較小。本研究通過目視法分別選擇 MODIS 反射率產品三期的第 305、113、273 天數據(MODISRef)。MOD13A2 包括紅光波段(Red)、近紅外(Nir)、藍光(Blue)、EVI 和 NDVI 等多層數據，數據受云層的覆蓋、大氣氣溶膠、雪覆蓋等異常氣候條件、低太陽高度角和傳感器故障等因素影響，數據質量較差。本研究通過目視的方法分別剔除三期 MODIS NDVI 數據中受氣候條件影響較大的數據，并利用最大值合成法(Maximum Value Composite, MVC)[98]獲取 NDVI 月最大值，每個時期得到 10 組(MODIS-NDVImax)。

2 研究區(qū)概況及數據預處理4 個浙江省森林資源清查數據、157 個 30m×30m 的樣地調查數據，以及來自獻資料的 136 個樣點數據(2003 年 20 個、2008 年 35 個、2014 年 81 個)，各省本量如表 2.2 所示，樣本數據分布如圖 2.3 所示。另外，以 2014 年浙江全省基Landsat系列影像的土地利用分類圖[99]及竹林分布信息作為局部區(qū)域的輔助數，參與分類訓練樣本的選擇。本研究采用隨機不重復抽樣從所有竹林樣地中選 50%作為決策樹模型構建的訓練樣本，剩余樣本用作精度檢驗。表 2.2 各省竹林樣地數量Table2.2 Number of bamboo forest sample plots in each province城市 個數 城市 個數 城市 個數 城市 個數浙江 391 湖南 12 江蘇 4 廣東 3福建 53 四川 11 湖北 4 貴州 3江西 21 臺灣 5 陜西 3 云南 2安徽 15

圖 4.2 中國氣象站點分布圖Figure.4.2 China Meteorological Site Distribution Map4.3 中國竹林 NPP 估算結果分析4.3.1 模型精度評價模型評價是模型運用中非常重要的一步，本研究通過實測的浙江省竹林樣地NPP 值與基于 BEPS 模型模擬值進行相關關系比較分析，并采用判定系數、均方根誤差等評價指標來分析模型估算精度,如圖 4.3，從圖中可以看出 NPP 模型估計值與實測值相關趨勢線斜率均在 1 左右，說明二者具有較好的一致性，其中 2003年和 2008 年趨勢線在 1:1 線上方，說明這兩期竹林 NPP 模型估計值與實測值存在高估的現(xiàn)象；此外，2014 年趨勢線斜率接近 1，說明 2014 年竹林 NPP 估測值與實測值吻合最好。R2的最高是 2014 年，為 0.775；最低是 2003 年，為 0.691；R2均值為 0.73。然而，盡管模型估計值與實測值之間存在一定誤差，但是 RMSE較小，均在 50g C m-2yr-1左右，最大值出現(xiàn)在 2003 年，為 52.28g C m-2yr-1，最小值為 2008 年的 48.66g C m-2yr-1。
【參考文獻】

相關期刊論文 前10條

1 方精云;于貴瑞;任小波;劉國華;趙新全;;中國陸地生態(tài)系統(tǒng)固碳效應——中國科學院戰(zhàn)略性先導科技專項“應對氣候變化的碳收支認證及相關問題”之生態(tài)系統(tǒng)固碳任務群研究進展[J];中國科學院院刊;2015年06期

2 蘇偉;姜方方;朱德海;展郡鴿;馬鴻元;張曉東;;基于決策樹和混合像元分解的玉米種植面積提取方法[J];農業(yè)機械學報;2015年09期

3 王聰;杜華強;周國模;徐小軍;孫少波;高國龍;;基于幾何光學模型的毛竹林郁閉度無人機遙感定量反演[J];應用生態(tài)學報;2015年05期

4 鄭麗;;端元提取算法的研究綜述[J];湖北第二師范學院學報;2015年02期

5 林曉揚;蔡雄飛;王濟;梅再美;戴凌駿;;2000～2010年貴州省植被凈初級生產力時空變化研究[J];環(huán)境保護科學;2015年02期

6 楊清培;楊光耀;宋慶妮;施建敏;歐陽明;祁紅艷;方向民;;竹子擴張生態(tài)學研究:過程、后效與機制[J];植物生態(tài)學報;2015年01期

7 王修信;孫濤;朱啟疆;劉馨;陳聲海;;利用BEPS模型估算城區(qū)植被凈初級生產力的時空變化[J];干旱區(qū)資源與環(huán)境;2014年11期

8 張麗景;葛宏立;;利用MODIS數據估測毛竹林總初級生產力[J];浙江農林大學學報;2014年02期

9 劉洋;劉榮高;陳鏡明;程曉;鄭光;;葉面積指數遙感反演研究進展與展望[J];地球信息科學學報;2013年05期

10 孫曉艷;杜華強;韓凝;葛宏立;谷成燕;;面向對象多尺度分割的SPOT5影像毛竹林專題信息提取[J];林業(yè)科學;2013年10期

相關博士學位論文 前10條

1 毛方杰;毛竹林生態(tài)系統(tǒng)碳循環(huán)時空模型構建及應用研究[D];浙江農林大學;2016年

2 盧偉;小時步長森林碳循環(huán)模型（BEPS）參數優(yōu)化及應用研究[D];東北林業(yè)大學;2016年

3 戚玉嬌;大興安嶺森林地上碳儲量遙感估算與分析[D];東北林業(yè)大學;2014年

4 張存厚;內蒙古草原地上凈初級生產力對氣候變化響應的模擬[D];內蒙古農業(yè)大學;2013年

5 許菡;遙感影像混合像元分解新方法及應用研究[D];首都師范大學;2013年

6 于穎;基于InTEC模型東北森林碳源/匯時空分布研究[D];東北林業(yè)大學;2013年

7 毛學剛;東北森林碳循環(huán)日步長模型與遙感綜合應用研究[D];東北林業(yè)大學;2011年

8 鄧旺華;竹林地面光譜特征及遙感信息提取方法研究[D];中國林業(yè)科學研究院;2009年

9 張明偉;基于MODIS數據的作物物候期監(jiān)測及作物類型識別模式研究[D];華中農業(yè)大學;2006年

10 周國模;毛竹林生態(tài)系統(tǒng)中碳儲量、固定及其分配與分布的研究[D];浙江大學;2006年

相關碩士學位論文 前10條

1 李雪建;竹林MODIS LAI時間序列同化及在碳通量模擬中的應用研究[D];浙江農林大學;2017年

2 高國龍;面向對象的高分辨率遙感影像竹林多尺度碳儲量估算方法研究[D];浙江農林大學;2016年

3 孫少波;亞熱帶典型森林冠層參數及碳儲量定量估算研究[D];浙江農林大學;2016年

4 黃汝根;融合GF-1與MODIS數據生成高時空分辨率LAI產品[D];華南農業(yè)大學;2016年

5 孫曉艷;面向對象的毛竹林分布遙感信息提取及調查因子估算[D];浙江農林大學;2014年

6 王飛紅;基于決策樹和混合像元分解的城市綠地信息的提取[D];中北大學;2014年

7 陳利;基于混合像元分解方法的MODIS森林類型識別研究[D];中南林業(yè)科技大學;2014年

8 黃金龍;基于BEPS模型和遙感的森林地上生物量更新方法研究[D];南京大學;2014年

9 王曉軍;基于C5.0數據挖掘算法的大區(qū)域地表覆蓋分類關鍵技術研究[D];山東農業(yè)大學;2013年

10 商珍珍;基于多源遙感毛竹林信息提取及地上部分碳儲量估算研究[D];浙江農林大學;2012年

本文編號：2866747