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(jié)果知,我國竹林面積已達(dá)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(shí)的“竹子王國”。目前,竹林面積信息主要是通過地面樣地結(jié)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(shí)空分布信息快速準(zhǔn)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(chǎn)力(Net Primary Productivity,NPP)是生態(tài)學(xué)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(shù)。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(chǔ)上,首先通過構(gòu)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?yún)?shù)驅(qū)動(dòng)適用于竹林碳循環(huán)研究的北部生態(tài)系統(tǒng)生產(chǎn)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(jí)生產(chǎn)力。主要研究內(nèi)容包括以下三個(gè)方面:1、最大似然法提取林地信息。綜合MODIS產(chǎn)品、地面調(diào)查數(shù)據(jù)等基礎(chǔ)數(shù)據(jù),結(jié)合目視解譯、樣地?cái)?shù)據(jù)、Google earth等獲取訓(xùn)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(chǎn)品。2、C5.0決策樹結(jié)合混合像元方法獲取竹林分布信息。首先,基于林地MODIS產(chǎn)品、Landsat8 OLI浙江省土地利用專題圖及竹林樣地?cái)?shù)據(jù)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(gòu)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(jí)生產(chǎn)力估算及時(shí)空格局分析。將竹林豐度信息作為輸入?yún)?shù)驅(qū)動(dòng)BEPS模型估算中國竹林生態(tài)系統(tǒng)凈初級(jí)生產(chǎn)力,其次,利用統(tǒng)計(jì)等方法分析全國竹林生態(tài)系統(tǒng)凈初級(jí)生產(chǎn)力時(shí)空動(dòng)態(tài)變化規(guī)律。通過研究,主要得到一下幾個(gè)方面的結(jié)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(chǎn)者精度與使用者精度均為90%以上,Kappa系數(shù)均大于0.9,為下一步獲取竹林信息提供數(shù)據(jù)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(dá)80.07%,結(jié)果能夠粗略反映我國竹林時(shí)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(jié)果與竹林資源清查面積具有較高的一致性,判定系數(shù)均大于0.95,說明通過決策樹模型結(jié)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(shí)空動(dòng)態(tài)碳循環(huán)研究提供了保障。3、將竹林豐度圖作為參數(shù)驅(qū)動(dòng)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(jié)果及樣地調(diào)查數(shù)據(jù)進(jìn)行對比分析顯示:三期判定系數(shù)(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(shí)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(xiàn)率從大到小為春(32.94%)夏(26.72%)冬(22.19%)秋(21.64%)。
【學(xué)位單位】：浙江農(nóng)林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)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?yàn)榻t外波段對粘土具有強(qiáng)吸附性，對沙土和鹽堿土具有強(qiáng)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(dāng) 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(shí)別土壤質(zhì)地類型提供參考依據(jù)[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(shù)據(jù)使用帶來不便，選擇數(shù)據(jù)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(chǎn)品三期的第 305、113、273 天數(shù)據(jù)(MODISRef)。MOD13A2 包括紅光波段(Red)、近紅外(Nir)、藍(lán)光(Blue)、EVI 和 NDVI 等多層數(shù)據(jù)，數(shù)據(jù)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(shù)據(jù)質(zhì)量較差。本研究通過目視的方法分別剔除三期 MODIS NDVI 數(shù)據(jù)中受氣候條件影響較大的數(shù)據(jù)，并利用最大值合成法(Maximum Value Composite, MVC)[98]獲取 NDVI 月最大值，每個(gè)時(shí)期得到 10 組(MODIS-NDVImax)。

2 研究區(qū)概況及數(shù)據(jù)預(yù)處理4 個(gè)浙江省森林資源清查數(shù)據(jù)、157 個(gè) 30m×30m 的樣地調(diào)查數(shù)據(jù)，以及來自獻(xiàn)資料的 136 個(gè)樣點(diǎn)數(shù)據(jù)(2003 年 20 個(gè)、2008 年 35 個(gè)、2014 年 81 個(gè))，各省本量如表 2.2 所示，樣本數(shù)據(jù)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(shù)，參與分類訓(xùn)練樣本的選擇。本研究采用隨機(jī)不重復(fù)抽樣從所有竹林樣地中選 50%作為決策樹模型構(gòu)建的訓(xùn)練樣本，剩余樣本用作精度檢驗(yàn)。表 2.2 各省竹林樣地?cái)?shù)量Table2.2 Number of bamboo forest sample plots in each province城市 個(gè)數(shù) 城市 個(gè)數(shù) 城市 個(gè)數(shù) 城市 個(gè)數(shù)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(tái)灣 5 陜西 3 云南 2安徽 15

圖 4.2 中國氣象站點(diǎn)分布圖Figure.4.2 China Meteorological Site Distribution Map4.3 中國竹林 NPP 估算結(jié)果分析4.3.1 模型精度評(píng)價(jià)模型評(píng)價(jià)是模型運(yùn)用中非常重要的一步，本研究通過實(shí)測的浙江省竹林樣地NPP 值與基于 BEPS 模型模擬值進(jìn)行相關(guān)關(guān)系比較分析，并采用判定系數(shù)、均方根誤差等評(píng)價(jià)指標(biāo)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(jì)值與實(shí)測值相關(guān)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(jì)值與實(shí)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(shí)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(jì)值與實(shí)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(xiàn)】

相關(guān)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(yīng)——中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)“應(yīng)對氣候變化的碳收支認(rèn)證及相關(guān)問題”之生態(tài)系統(tǒng)固碳任務(wù)群研究進(jìn)展[J];中國科學(xué)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(nóng)業(yè)機(jī)械學(xué)報(bào);2015年09期

3 王聰;杜華強(qiáng);周國模;徐小軍;孫少波;高國龍;;基于幾何光學(xué)模型的毛竹林郁閉度無人機(jī)遙感定量反演[J];應(yīng)用生態(tài)學(xué)報(bào);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(xué)院學(xué)報(bào);2015年02期

5 林曉揚(yáng);蔡雄飛;王濟(jì);梅再美;戴凌駿;;2000～2010年貴州省植被凈初級(jí)生產(chǎn)力時(shí)空變化研究[J];環(huán)境保護(hù)科學(xué);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(kuò)張生態(tài)學(xué)研究:過程、后效與機(jī)制[J];植物生態(tài)學(xué)報(bào);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(jí)生產(chǎn)力的時(shí)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(shù)據(jù)估測毛竹林總初級(jí)生產(chǎn)力[J];浙江農(nóng)林大學(xué)學(xué)報(bào);2014年02期

9 劉洋;劉榮高;陳鏡明;程曉;鄭光;;葉面積指數(shù)遙感反演研究進(jìn)展與展望[J];地球信息科學(xué)學(xué)報(bào);2013年05期

10 孫曉艷;杜華強(qiáng);韓凝;葛宏立;谷成燕;;面向?qū)ο蠖喑叨确指畹腟POT5影像毛竹林專題信息提取[J];林業(yè)科學(xué);2013年10期

相關(guān)博士學(xué)位論文 前10條

1 毛方杰;毛竹林生態(tài)系統(tǒng)碳循環(huán)時(shí)空模型構(gòu)建及應(yīng)用研究[D];浙江農(nóng)林大學(xué);2016年

2 盧偉;小時(shí)步長森林碳循環(huán)模型（BEPS）參數(shù)優(yōu)化及應(yīng)用研究[D];東北林業(yè)大學(xué);2016年

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

4 張存厚;內(nèi)蒙古草原地上凈初級(jí)生產(chǎn)力對氣候變化響應(yīng)的模擬[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2013年

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

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

7 毛學(xué)剛;東北森林碳循環(huán)日步長模型與遙感綜合應(yīng)用研究[D];東北林業(yè)大學(xué);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(xué)研究院;2009年

9 張明偉;基于MODIS數(shù)據(jù)的作物物候期監(jiān)測及作物類型識(shí)別模式研究[D];華中農(nóng)業(yè)大學(xué);2006年

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

相關(guān)碩士學(xué)位論文 前10條

1 李雪建;竹林MODIS LAI時(shí)間序列同化及在碳通量模擬中的應(yīng)用研究[D];浙江農(nóng)林大學(xué);2017年

2 高國龍;面向?qū)ο蟮母叻直媛蔬b感影像竹林多尺度碳儲(chǔ)量估算方法研究[D];浙江農(nóng)林大學(xué);2016年

3 孫少波;亞熱帶典型森林冠層參數(shù)及碳儲(chǔ)量定量估算研究[D];浙江農(nóng)林大學(xué);2016年

4 黃汝根;融合GF-1與MODIS數(shù)據(jù)生成高時(shí)空分辨率LAI產(chǎn)品[D];華南農(nóng)業(yè)大學(xué);2016年

5 孫曉艷;面向?qū)ο蟮拿窳址植歼b感信息提取及調(diào)查因子估算[D];浙江農(nóng)林大學(xué);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(xué);2014年

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

9 王曉軍;基于C5.0數(shù)據(jù)挖掘算法的大區(qū)域地表覆蓋分類關(guān)鍵技術(shù)研究[D];山東農(nóng)業(yè)大學(xué);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(chǔ)量估算研究[D];浙江農(nóng)林大學(xué);2012年

本文編號(hào)：2866747