谭一凡 ，郄广平，王敏姿 ，王广兴 ，，彭友贵 ，罗朝沁 ，孙 华 ，林 辉

（1.仙湖植物园，广东 深圳 518000 ；2.Dept. of Geography and Environmental Resources, Southern Illinois University， Carbondale IL USA； 3.华南农业大学 林学院，广东 广州 ；4.中南林业科技大学 林业遥感与信息工程研究中心，湖南 长沙 410004）

深圳市建成区森林碳分布估测方法比较研究

谭一凡1，郄广平2，王敏姿2，王广兴4，2，彭友贵3，罗朝沁4，孙 华4，林 辉4

（1.仙湖植物园，广东 深圳 518000 ；2.Dept. of Geography and Environmental Resources, Southern Illinois University， Carbondale IL USA； 3.华南农业大学 林学院，广东 广州 ；4.中南林业科技大学 林业遥感与信息工程研究中心，湖南 长沙 410004）

城市森林是森林生态系统的重要组成部分，在改善城市生态环境方面发挥着重要作用。研究城市森林碳分布对于陆地生态系统碳循环的模拟和城市的生态建设规划具有重要意义。以深圳市建成区森林为研究对象，分别采用逐步回归、协同克里格和K个最靠近邻居(KNN)3种方法对深圳市的森林碳分布进行模拟。结果表明:3种方法估测结果各有其优缺点。逐步回归和KNN法能够较准确地反映森林碳分布的信息(如行道树、公园等)，但逐步回归的预测结果偏小，KNN法的预测结果偏大。协同克里格法则可以较准确的反映建成区森林碳分布并能导出总体估测值，但对森林碳空间分布的细节反映不如逐步回归和KNN。

城市森林；城市森林碳分布；估测方法；深圳

森林生态系统是陆地生态系统中最重要的一部分，其生物量约占全球陆地植被生物量的90%[1]，碳储量占全球陆地碳库总储量的77%[2-3]。因此研究森林固碳能力和森林碳收支具有重要意义[4]。近年来中外学者对森林生态系统的碳储量[5-12]、碳密度[12]以及碳汇功能[12-14]做了大量研究，但这些研究大多集中在自然森林生态系统中，而对受人类活动干扰严重的城市森林生态系统研究较少。近年来全球人口的快速增长和城市化进程的不断扩张，导致土地利用与土地覆盖植被的剧烈变化。森林的采伐和植被的破坏导致森林碳汇功能的下降和二氧化碳排放的增加，已经引发了全球性的温室效应和环境变化。据预测，到2020年，中国将有60%的人口生活在城市。而植被在改善城市小气候，防止水土流失，净化及调节河流流量，减轻环境污染以及固碳等方面具有重要作用，因此，研究城市森林碳分布、碳储量十分必要。深圳作为经济特区，近30年来城市森林景观发生了巨大的变化。在城市面积高速扩张的同时，注重城市绿化，在增加绿地面积的同时，保留了远郊的森林面积和城市公园，做到了建设与绿化同步，实现了区域陆地与生态廊道和城市绿地的结合。但是， 复杂的城市景观格局给城市森林碳储量的估计工作带来了一定的困难。基于此，本文采用Landsat8 遥感影像与野外样地调查相结合，分别采用逐步回归、协同克里格和K个最靠近邻居(KNN)3种森林碳汇估测方法进行深圳市建成区森林碳分布研究，并探讨3种方法在城市森林碳汇估测应用中的可行性。

1 研究区概况与数据收集及处理

1.1 研究区概况

深 圳 市 介 于 东 经 113°46′～ 114° 37′， 北 纬22°27′～ 22°52′之间。连接南海和太平洋，毗邻香港，北部与东莞、惠州接壤。属热带季风性气候，年平均气温22.5℃，年降雨量为1 924.3 mm。东西跨度81.4 km，南北约45 km[15]。研究所涉及范围主要为深圳市的建成区，如图1。

图1 研究区范围及样地空间分布Fig. 1 Study area and spatial distribution of sample plots

1.2 研究数据获取及外野布点方法

研究所使用的遥感数据为美国陆地卫星的最新数据Landsat8，接收时间为2013年10月28日，空间分辨率为30m，共有11波段。根据研究需求，此次研究只选取了空间分辨率(30 m × 30 m)与地面样地相近的第1-7波段。利用ATCOR 2013软件进行大气校正后，再使用ERDAS imagine 2013 对选定的波段进行合成和裁剪。

样地布设采用分层随机抽样的方法。即，首先在ERDAS imagine 2013 中对影像进行分类。 结合研究目标和地物分布状况，将深圳市地类划分为4类：森林、城市用地、裸地和水体。将分类结果作为分层数据，利用ArcGIS 10.2统计各地类面积，然后按各地类面积比例来确定布设样点的数目，各地类布设样点数目如表1。

表1 各地类按面积比例布设样点数目Table 1 Numbers of sample plots selected based on proportions of areas for different land use and land cover (LULC) types

样点数目确定后， 再利用ArcGIS 10.2的随机布点函数在各地类图层中进行随机布点，并提取各样点的X，Y坐标和波段1至波段7的像元灰度值。

野外样地调查中，将乔木林样方大小设置为25.82 m×25.82 m。该样地大小基本与Landsat8 影像数据像元大小一致。乔木林样方内进行每木检尺， 记录每木胸径、树高、冠幅、枝下高。枯立木则测定胸径和树高度，记录枯立木分解状态；枯倒木则测定区分段直径和长度，按1 m区分进行材积计算。对于无乔木样方，只记录地类类型。

1.3 样地森林碳计算

首先，为了计算样地的单位面积蓄积量， 把野外调查样地中的主要树种进行分类。 根据广东主要树种和软硬阔树种二元立方材积表计算每块样地的单位面积蓄积量。再根据《全国林业碳汇计量与监测技术指南》的生物量与蓄积量关系参数值表，分别计算各样地的单位面积生物量及总生物量。生物量扩展因子及单位面积生物量计算公式如下：

式中B为单位面积生物量，BEF为生物量转换系数，M为单位面积蓄积量，a和b为常数。

得到样方单位面积森林生物量之后，依据优势树种(组)碳含率表计算各样地的森林碳。外业调查共209个样地，单位面积森林碳平均值、标准差和变动系数分别是15.83 (Mg/hm2)、36.47(Mg/hm2)和230.4%。深圳市建城区内森林碳的变动是非常大的。

2 样地森林碳与遥感影像的相关分析

除原有的1～7个波段外，还计算了波段运算值，并利用Excel对实测样地的森林碳和各波段像元值（或波段组合像元值）进行相关性分析。选取相关性最强的13个波段值（或波段组合值）作为自变量（如表2），以森林碳为因变量，用R 3.1.1统计软件进行逐步回归分析，剔除不显著的变量。

由表2可知，13个变量在95%可靠性下，从统计分析的结果来看这些相关系数在统计上是显著的，但相关性不高，这可能是由于单位面积森林碳储量的变动较大所致。

3 基于遥感影像的城市森林碳分布模拟

遥感影像信息是对植被反射光谱特征的反映。而植被在红光和蓝紫光区有强烈的吸收效应以促进植物的光合作用，其反射光谱曲线在该波段范围就表现为波谷形态。因此，植物的反射光谱特征在一定程度上可以反映出该区域的生物量信息。通过分析样地森林碳与遥感影像波段值之间的相互关系，提取出其中的显著变量作为自变量，以森林碳作为因变量，采用逐步回归、协同克里格空间和K个最靠近邻居(KNN)方法进行估测。

表2 波段与森林碳相关性统计Table 2 Correlation of Landsat 8 derived spectral variables with forest carbon

3.1 逐步回归

基于样点实测数据建立遥感影像各波段像元值与森林碳之间的拟合关系。利用R3.1.1统计软件，确定波段或波段组合的像元值与森林碳之间是否有显著相关性，利用提取出的显著相关性的波段或其组合作为自变量，以森林碳为因变量，建立回归模型来估计森林碳分布。

3.2 协同克里格空间模拟

协同克里格(Cokriging)是用一个或多个协变量对主变量进行差值估算的算法。该算法前提是协变量与主变量之间存在相互关系，并假设它们之间的相互关系能用来提高主要预测值的精度。将森林碳设为主变量，将逐步回归所获的3个显著相关波段组合Band5/Band6，Band5/Band7，Band5/Band6+Band5/Band7设为协变量进行森林碳的空间模拟。

3.3 KNN方法

K个最近邻居法(K-Nearest Neighbors)即KNN 法，是一种系统学习方法，思路简单直观。利用遥感数据测定每一个未知位置的目标变量与已知地面数据位置在光谱特征空间中的距离即相似性，用最靠近的K个样地数据来估计这个未知位置，并不要求大量的地面数据，也较少受限于地面样地数据的空间分布，非常适合于复杂性的城市森林景观。

将森林碳设置为Y，与森林碳相关性最强的3个波段组合的影像像元值设置为Xi，j(i=1，2，…，K，j=1，2，m，K意味着K个最近邻居-样地，m=3是所用的3个波段组合)。

4 结果与分析

采用R3.1.1 统计软件对13组与森林碳相关性最强的波段组合像元值和森林碳做逐步回归分析，结果表明，与森林碳显著相关的波段组合有3个：Band5/Band6，Band5/Band7，Band5/Band6+Band5/Band7，最后得到的最优回归方程为：

Y=-50.62-112 553.96×(Band5/Band6)-112 657.18×(Band5/Band7)+112 637.48×(Band5/Band6+Band5/Band7)

其中Y为森林碳。应用得到的回归方程在ERDAS imagine 2013下建模，得到回归拟合森林碳分布图 （见图2-a）。回归分析得到的森林碳估测最小值为0 ， 最大值为165 Mg/hm2。最大估测值小于实测样地中的最大值。通过对估测图的解译，发现此森林碳分布估测图能较好的反映行道树及生物量密集处的森林碳分布，而对于零散植被分布的森林碳估测效果较差。

协同克里格法则以森林碳为主变量，3个显著波段组合的像元值为协变量，利用ArcGIS10.2 进行分析，得到深圳市建成区的森林碳分布图（见图2-b）。该预测结果中有负值出现，负值主要分布于密集建筑用地且植被覆盖较少或无植被覆盖处，最大预测值为245 Mg/hm2，小于实测样地中的最大值。建成区大部分地区的森林碳预测值区间为1 Mg/hm2至30 Mg/hm2，森林碳较高值出现在城市公园或植被覆盖较大的地方，能较好的反映深圳市建成区森林的整体碳分布情况。但其结果未能较好反映森林碳分布的细节信息，如行道树碳分布以及对城建用地上无森林碳地区的反映。

KNN方法分别计算K=5和K=10时的森林碳估测值并绘图（见图2-c和图2-d）。K=5和K=10时的森林碳预测结果绘图效果差异不明显，且最小值都为0，最大值都为309，与实测数据的变动区间保持一致。KNN法同样能够较好的反映生物量密集地区的森林碳分布，且能够显示行道树类的森林碳分布，但由于草地与林地的光谱特征接近，导致草地密集处(如高尔夫球场)的森林碳预测值偏高。

图2 深圳市建城区森林碳分布模拟方法的比较 (a)回归拟合， (b) 协同克里格， (c) KNN (K=5) 和(d)KNN (K=10)Fig. 2 Comparison of spatial distributions of forest carbon among three methods for Shenzhen urbanized areas:(1) regression, (b) Cokriging, (c) KNN (K=5), and (d) KNN (K=10)

为了更进一步比较3种方法的优劣，利用ArcGIS 10.2 提取样地所在位置的估测值，并将其与实测值之间进行比较，以计算出3种估测方法的均方根误差。计算结果如表3。

表3 不同森林碳分布估测方法均方根误差Table 3 Root mean square errors (RMSE) of forest carbon estimation from three methods

通过比较可以发现，3种森林碳估测方法中逐步回归的均方根误差最大，为36.58，而KNN法在k=5和k=10时的均方根误差差异不大，但误差值都偏大，分别为35.90和34.40。协同克里格法的均方根误差最小，为8.64， 估测值与真实值之间比较接近。

分别计算3种方法的平均值与实测值的差异，结果如表4。

表4 样地平均值比较分析Table 4 Comparison of sample plots average values

从表4说明：3种估测方法的平均值与实测值之间的差异各不相同，KNN法(K=5和K=10)的预测结果明显大于实测值，回归分析的预测值又明显小于实测值，协同克里格法的预测值最接近实测值。

5 结论与讨论

逐步回归分析法和KNN分析法能够较好的展现城市森林碳分布的细节信息，如行道树，公园绿地以及建设用地等。但逐步回归分析法对森林碳的预测值总体偏小，这主要是因为回归模型对建城区内的森林和公园绿地碳的偏小估计造成的。而KNN方法对建城区内的建筑区，森林和公园绿地的碳普遍产生了偏大的估计值，从而导致了总体森林碳的偏大估计，逐步回归和KNN分析法都不能很好的反映深圳市建成区森林碳的总体估计。协同克里格法获得了与样地平均值接近的森林碳的总体估计。其缺点就在于不能有效地反映行道树及森林碳为0的小范围内的森林碳的空间分布，且在少数区域出现了不合理的负值。这可能是由于建城区内单位面积上森林碳储量变动较大及地面样地的不均匀分布所致。

[1] 杨洪晓,吴 波,张金屯,等.森林生态系统的固碳功能和碳储量研究进展[J].北京师范大学学报:自然科学版,2005,41(2): 172-177.

[2] 陈泮勤.地球系统碳循环[M].北京: 科学出版社,2004.

[3] Fang J Y, Guo Z D, Piao S L,et al. Terrestrial vegetation carbon sinks in China, 1981-2000[J]. Beijing: Science Press,2004.

[4] Brown S, Sathaye J, Canell M,et al.Mitigation of carbon emission to the atmosphere by forest management[J]. Com. For.Research, 1996, 75: 80-91.

[5] Alexeyev V, Birdsy R, Stakanov V,et al.Carbon in vegetation of Russian forests: Methods to estimate storage and geographical distribution[J]. Water Air Soil Poll, 1995, 82: 271-282.

[6] Turner D P, Koerper G J, Harmon M E,et al.A carbon budget for forests of the conterminous United States [J].Ecological Application, 1995, 5(2): 421-436.

[7] Fang J Y, Chen A P. Changes in forest biomass carbon storage in China between 1949 and 1998 [J].Science,2001,292:2320-2322.

[8] Fang J Y, Wang G G, Liu G,et al.Forest biomass of China: an estimate based on the biomass-volume relationship[J]. Ecological Application,1998,8(4):1084-1091.

[9] 陈 利,林 辉,孙 华.基于决策树分类的森林信息提取研究[J].中南林业科技大学报,2013,33(1):46-57.

[10] Zhao M, Zhou G S. Carbon Storage of forest Vegetation in China and its Relationship with Climatic Factors[J].Climatic Change,2006, 74: 175-189.

[11] 应天玉,李明泽,范文义. 哈尔滨城市森林碳储量的估算[J].东北林业大学学报,2009,37(9):33-35.

[12] 张 雨, 林 辉,臧 卓,等.高光谱遥感影像森林信息提取方法比较[J].中南林业科技大学学报,2013,33(1):75-79.

[13] 吕劲文,乐 群,王 铮,等.福建省森林生态系统碳汇潜力[J].生态学报,2010,30(8):2188-2196.

[14] 曹吉鑫,田赟,王小平,等.森林碳汇的估算方法及其发展趋势[J].生态学报,2009,18(5):2001-2005.

[15] 叶 果.深圳植物名录[M].北京:中国林业出版社, 2007.

Comparison of Landsat 8 images based city forest carbon modeling for Shenzhen built-up area

TAN Yi-fan1, QIE Guang-ping2, WANG Min-zi2, WANG Guang-xing4,2, PENG You-gui3, LUO Chao-qin4, SUN Hua4, LIN Hui4
(1. Xianhu Botanic Garden of Shenzhen, Guangdong; 2. Dept. of Geography and Environmental Resources, Southern Illinois University,Carbondale IL USA; 3. College of Forestry, South China Agricultural University, Guangzhou of Guangdong; 4.The Research Centre of Remote Sensing and Information Engineering, College of Forestry, Central South University of Forestry & Technology, Changsha, Hunan)

City forest is one of important components of terrestrial ecosystems and plays a critical role in improving city ecosystem and environment. Thus, it is very signif i cant to study urban forest carbon distribution for simulating carbon cycling in terrestrial ecosystem and setting out urban ecological construction. By taking Shenzhen built-up area as studied object, the urban forest carbon distribution of the area were simulated with the methods of stepwise regression modeling, Cokriging and K-nearest neighbors (KNN). The results show that these three methods had their own advantages and disadvantages; The stepwise regression and KNN can more accurately revealed the detailed information of forest carbon spatial distribution (such as trees along streets, parks, and so on) than Cokriging; However, the regression led to underestimation, while KNN resulted in overestimation; The Cokring produced more accurate estimation value of forest carbon for Shenzhen city urbanized areas, but the obtained spatial distribution of forest carbon was less detailed compared to those from the regression and KNN.

city forest; urban forest carbon distribution; assessing method; Shengzhen city

S718.5

A

1673-923X(2014)11-0140-05

2014-01-12

国家十二五高技术研究发展计划（863计划）课题：“数字化森林资源监测关键技术研究”（2012AA102001）；国家自然科学基金项目（31370639）；湖南省高校产业化培育项目（13CY011）

谭一凡（1961-），男，湖南衡阳人，副研究员，主要从事城市生态研究

[本文编校：吴 毅]