森林工程

作者：刘磊,贾炜玮,张小勇,何金有,吴思敏,卢士欣,梁月鹏

单位：；东北林业大学 林学院，哈尔滨 150040；

关键词：遥感,森林乔木层碳储量,光饱和值,BP神经网络模型,立方项模型

基金：国家重点研发计划项目(2022YFD2201003-02),中央高校基本科研业务费专项资金项目(2572019CP08),黑龙江省嘉荫县生态系统各碳库碳储量本地调查及动态分析(HFW220100057)

利用遥感的方式对森林乔木层碳储量（Aboveground Biomass Carbon Stocks，ABGCS）以及乔木层碳储量的光饱和值进行精准估测，以期替代传统大面积调查的繁琐工序，为碳储量的估测提供参考和依据，提高森林可持续经营管理的效率。以2017年黑龙江省伊春市嘉荫县森林乔木层碳储量（ABGCS）作为研究对象，利用Landsat8 OLI遥感影像以及森林资源二类调查数据，构建参数模型多元逐步回归模型（Stepwise Multiple-Regression，SMR），非参数模型BP神经网络模型（BP neural network，BP-NN）、随机森林模型（Random Forest，RF）、支持向量回归模型（Support Vector Machine，SVR）对嘉荫县地区ABGCS进行估测和反演其空间分布情况。研究结果表明，非参数模型的估测精度明显高于参数模型，其中3种非参数模型（BP-NN、RF、SVR）相较于参数模型（SMR），拟合精度分别提高了25.0%、12.2%、7.3%；综合比较4种模型十折交叉验证的评价指标，分析得出模型性能优劣为BP-NN>RF>SVR>SMR，其中BP-NN模型拟合出最大的决定系数（R 2为0.785）和最小的均方根误差（RMSE为3.572 t/hm2）、均方误差（MSE为12.757 t/hm2）、平均绝对误差（MAE为2.687 t/hm2）；从碳储量残差分段检验结果来看，4种模型均存在碳储量不同程度上高值低估和低值高估的情况，BP-NN模型在各碳储量分段的平均残差（ME）和相对平均残差（MRE）值均为最小，其泛化能力较强；利用立方项模型确定ABGCS的光饱和值为63.056 t/hm2，与BP-NN所预测的ABGCS光饱和值接近（64.232 t/hm2）。因此，BP-NN模型在估测嘉荫县ABGCS具有较为理想的效果，为森林碳储量动态监测及研究提供重要依据。

来源：2024年第4期

《森林工程》期刊编辑部

查看森林工程杂志2024年第4期