森林具有涵养水源、保育土壤和固碳释氧等多种生态功能^[1]，是陆地生态系统的主体，约有85%的陆地生物量集中在森林植被^[2]。森林生物量估算研究是陆地生态系统碳循环和碳动态分析的基础，已经成为生态环境和全球变化监测研究的重要内容之一^{[3, 4, 5]}。森林生物量包括地上生物量和地下生物量，地上生物量主要由树干、枝和叶生物量构成，地下生物量为树根生物量。本文主要指森林地上生物量(aboveground biomass，AGB)，通常被用于指示森林碳汇的总量^[6]。

地面调查是森林生物量估算的重要方法之一。通过地面调查可直接获得单木的树种、树高、冠幅、胸径及林分参数，通过林木异速生长方程可计算出森林生物量。但地面调查耗时费力，破坏性大，只局限于小范围现存生物量和林分生物量估测，不适合大范围森林调查，无法进行区域尺度、全国尺度乃至全球尺度的森林生物量和碳储量的动态变化监测^[7]。基于遥感数据的森林生物量估算具有费用低、现势性好、宏观、大尺度动态监测的特点，各种不同分辨率的多光谱遥感数据已经广泛用于区域及全球森林地上生物量估算研究，遥感技术已经成为林业调查的最主要手段^{[8, 9, 10]}。但基于遥感数据的森林生物量估算需要利用地面调查数据作为样本数据建立数学模型和进行反演精度验证，样本的数量及其生物量精度对基于遥感数据的森林生物量计算有重要影响。如何获取大量而高精度的样本数据成为利用遥感数据估算森林生物量的关键问题。近年来，机载LiDAR技术已经成功应用于树高、材积、生物量等林业资源信息的获取^{[11, 12, 13, 14, 15]}。已有的研究表明,机载LiDAR估算森林生物量具有较高的精度^{[16, 17]}。

本文结合机载LiDAR数据及地面调查数据进行典型样区森林地上生物量估算，然后从机载LiDAR估算的森林地上生物量中提取样本数据，结合多光谱遥感影像开展区域尺度森林地上生物量估算，探索在我国南方地区结合地面调查数据、机载LiDAR数据和多光谱遥感数据的区域尺度森林地上生物量估算的适用方法。

研究区域分为机载LiDAR典型样区和多光谱遥感数据实验区域。多光谱遥感数据实验区域东经110°42′~113°20′，北纬21°49′~25°10′，北接湖南省南端，西临广西省东面，即粤西北区域尺度实验区，含肇庆等19个县市，面积约为40 774.3 km² (图1(a))。该实验区属南亚热带季风湿润型气候，夏长冬短，雨量充沛，阳光充足，年平均气温21.0 ℃，极端最高气温38.1 ℃，极端最低气温-0.2 ℃，年均降水量为1 927 mm，受季风气候影响，4～9月为雨季，降雨量占全年的80.38％，且多见暴雨。实验区内以常绿阔叶林、针阔叶混交林为主，少量针叶林，属南亚热带地带性植被类型，以锥栗、荷木和黄果厚壳桂群落最为典型。机载LiDAR典型样区为广东省鼎湖山国家级自然保护区(图1(b))，东经112°30′～112°57′，北纬23°05′～23°15′，位于广东中部偏西，南亚热带地带性植被，森林茂密，生物多样性丰富，受人为干扰较少，地形以丘陵及山地为主，植被类型及地形与多光谱遥感数据实验区域一致。

图 1 研究区域 Fig. 1 Study Area

图选项

地面调查数据分别位于肇庆鼎湖山国家自然保护区和阳春百涌、信宜林洲顶、连州田心等省级自然保护区。鼎湖山国家自然保护区覆盖有机载LiDAR数据，地面调查与机载LiDAR数据获取同步进行，为典型样区机载LiDAR反演生物量提供样本数据，共获取了41个样方的地面样地数据(图1(b))。位于阳春百涌、信宜林洲顶、连州田心等省级自然保护区的样地数据用于验证区域森林生物量的反演结果，共获取了16个样方的地面调查数据，样方数分别为6、6和4个。面积均为30×30 m²，地面坡度大多在15°~40°之间，坡度较大。每木检尺调查，起测胸径为5 cm，对每株木测量记录树种、胸径、树高和冠幅等因子。单株木的树高使用激光测高仪进行测量，胸径使用胸径围尺进行测量。

根据地面实测的单木胸径、树高分树种按异速生长方程计算每木树干、枝及叶组分生物量，分别记为W_S、W_B、W_L，并将组分生物量相加得到每木地上生物量 (W_A)。然后将样地内所有检尺树木的地上生物量累计相加得到样地地上生物量，并换算为单位面积地上生物量(本研究采用t/ha为单位)。

LiDAR数据获取时间为2012年12月24日，采用的LiDAR系统为德国IGI公司(www.igi.eu)制造的LiteMapper 6800，它能提供全波形LiDAR数据。航摄平台采用运五专用飞机，平均航速为160 km/h，绝对航高为1 100 m，平均相对航高为750 m，平均点云密度为9 point/m²，共获取约72.6 km²的机载LiDAR数据。

利用Terrasolid软件对离散点云数据进行噪声去除、点云分类等处理，将原始点云分类为地面点、植被点、建筑物点及噪声点等^{[18, 19, 20]}，为排除灌木层的干扰，取高于地面1.8 m的回波点作为植被点^[21]；并利用IDL8.0语言编程对地面点采用不规则三角形内插法插值生成数字高程模型(digital elevation model，DEM)(分辨率为0.5 m)；利用DEM对植被点云进行归一化处理，得到归一化植被高度点云。

采用的多光谱数据为搭载于Landsat8卫星上的陆地成像仪(operational land imager，OLI)影像(http://glovis.usgs.gov/)，共获取了6景OLI影像，影像信息如表1所示，获取时间为2013年9~11月，时相基本与获取的机载LiDAR数据同生长季，坐标系统为UTM-WGS-49N。

获取的影像为Landsat8 OLI L1T级数据，已经做过地形数据参与的几何校正。遥感影像由于传感器、大气、地形及其他因素引起的辐射失真或畸变，需要进行辐射定标、大气校正和地形辐射校正等预处理。这些预处理都是利用ATCOR-3软件^{[22, 23]}完成的。

植被指数是通过不同波段反射率的不同组合计算得到的观测量，主要是反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，能有效地综合有关的光谱信号，增强植被信息，减少非植被信息的影响。各个植被指数在一定条件下能用来定量说明植被的生长、健康状况及其生物量含量。几十年来，国内外学者已研究发展了很多不同的指数，本研究选择的植被指数有比值植被指数(ratio vegetation index，RVI) ^[24]、归一化植被指数(normalized difference vegetation index，NDVI)^[25]、土壤调整后的植被指数(soil-adjusted vegetation index，SAVI)^[26]、增强植被指数(enhanced vegetation index，EVI)^[27]、叶绿素归一化植被指数(chlorophyll normalized difference vegetation index,CNDVI)^{[28, 29]}，并利用ENVI软件的算术功能进行植被指数计算。

收集了辅助数据数字高程数据ASTER GDEM V1(http://lpdaac.usgs.gov)(分辨率为30 m)、中国土地覆盖数据及研究区优势树种异速生产方程。GDEM用于提取研究区的坡度、坡向、天空可视和阴影等地形因子作为地形辐射纠正的输入数据。China Cover^[30]以TM和中国环境卫星数据为基础，使用面向对象的自动分割、分类与人工修改方法，形成中国区域的30 m空间分辨率的高精度土地覆盖数据。利用China Cover进行森林类型划分，将土地类型简单分为非林地和有林地，有林地又划分为针叶林、阔叶林和针阔混交林。

总体技术流程如下：

1) 以典型样区野外实地调查的森林参数计算样地的森林生物量，利用样地的森林生物量与机载LiDAR高度、密度变量采用逐步回归法估算典型样区的森林生物量;

2) 从机载LiDAR估算的森林生物量中提取样本数据，与Landsat8 OLI数据的波段反射率及植被指数进行区域尺度森林生物量估算。详细技术流程如图2所示。

图 2 技术流程图 Fig. 2 Flow Chart of the Methods

图选项

植被点云的分位数统计量能很好地体现激光点数据的分布情况^{[31, 32, 33]}，反映了森林的垂直结构和水平分布。建立激光雷达变量与生物量的相关关系，基于IDL8.0语言编程计算机载LiDAR归一化植被高度点云的分位数统计量。点云分位数定义如下^[34]：将计算单元内的激光雷达点云按高度进行排序，对于样本总体 X 和给定的p ( 0≤p≤1)，如果存在p，并使得θ_p满足：

则称θ_p为总体X的p分位数。用于森林生物量估算的变量包括植被点云的分位数高度、植被点云回波点密度、点云平均高度及郁闭度等共20 个变量，即h₁₀、h₂₀、…、h₉₀为归一化植被点云的10％、20％、…、90％分位数高度；h_mean为归一化植被高度的平均值；d₁₀、d₂₀、…、d₉₀为与高于激光雷达分位数高度h₁₀、h₂₀、…、h₉₀相对应的植被点密度；c 为郁闭度，取高于 1.8 m的植被点在所有回波点中所占的比例。

利用提取的机载激光雷达变量与地面实测生物量，采用多元统计逐步回归分析法(Stepwise)筛选变量，建立典型样区机载LiDAR森林生物量估算模型。为了克服变量的非线性问题，采用对数变量线性回归来估测地上生物量^[35]，对数模型的形式如式(2)所示：

式中，W_A为估算的森林生物量；β₀、β₁、…、β₂₀为模型系数；ε为正态分布误差项,ε~Ν(0,σ²)。

建立回归模型的过程中，运用Stepwise和观察决定系数R²的变化情况来选择进入模型的合适变量^[35]。如果有自变量使统计量F值过小,并且T检验达不到显著水平(P>0.1)，则予以剔除；如F值较大,且T检验达到显著水平(P<0.005),则得以进入。这样反复循环，直到回归方程中所有的自变量均符合进入模型的要求，方程外的自变量均不符合进入模型的要求为止。

从基于机载LiDAR数据估算的典型样区地上生物量中提取样本，与Landsat8 OLI数据的波段反射率及植被指数建立回归关系(式(3))，进行区域森林地上生物量估算，实现由典型样区向区域尺度森林生物量估算的扩展。由于不同森林类型的反射光谱特征存在显著差异^{[36, 37]}，需分森林类型分别建立生物量估算模型，以提高估算精度。在进行森林生物量估算区域扩展时，分针叶林、阔叶林和针阔混交林等不同的森林类型分别建立回归关系。

式中,B₁、B₂、…、B₇ 分别为Landsat8 OLI数据的第1至第7波段的反射率；CNDVI、EVI、NDVI、RVI、SAVI_0.5(L=0.5)、SAVI_1.0(L=1.0)是由Landsat8 OLI数据提取的植被指数;其他字母含义同式(2)。

共利用41个地面调查样方数据建立生物量估算模型，运用逐步回归法筛选出的统计变量为 h₃₀、h₅₀和d₇₀，回归模型决定系数R²为0.81，调整R² 为0.80，估算的生物量RMSE为40.85 t/ha(图3)。

图 3 机载LiDAR估测生物量与地面实测生物量的相关性及残差 Fig. 3 Correlation and Residual Error of the Estimated Biomass Between Estimated Based on LiDAR Data and Field Measured

图选项

基于地面实测和机载LiDAR数据,鼎湖山国家自然保护区森林地上生物量的估算成果如图4所示。全区森林地上生物量共计5.605 7×10⁵ t，有林地为71.8%，有林地平均生物量为107.6 t/ha，大于200 t/ha的高生物量较少，约占整个区域的7.9%，高生物量主要分布在保护区中心以南的区域。

图 4 鼎湖山自然保护区森林地上生物量分布图 Fig. 4 Distribution of the Aboveground Biomass Estimated in Dinghu Mountain Nature Reserve

图选项

实验结果显示，由机载LiDAR数据提取的点云高度和密度统计量能较好地反映森林的结构形态，与森林地上生物量的相关性较强，估算精度较高，可以利用机载LiDAR数据反演的生物量作为样本数据。

由于地面实测生物量样地数据的限制，利用机载LiDAR数据进行生物量估算时，本研究未分森林类型分别建立生物量估算模型。由于不同的森林类型的树高、冠幅及郁闭度差异较大，因此其垂直结构特征不同。对于机载LiDAR数据估算森林地上生物量而言，增加地面实测生物量样地数量，按照不同的森林类型分别进行变量筛选、建立回归模型，将有助于进一步提高生物量的估 算精度。但按照不同森林分别建立生物量回归模型需要较多的地面实测的生物量样地数据，将增加地面调查的工作量。

按§ 3.2所述方法，采用式(3)根据针叶林、阔叶林及针阔混交林不同森林类型分别建立生物量估算模型，从典型样区提取机载LiDAR估算的森林生物量样本数分别为251、235及241个，回归模型结果如图5所示，其相关系数 R²分别为0.51(n=251)、0.58(n=235)、0.56(n=241) ，生物量RMSE分别为24.1 t/ha、31.3 t/ha、29.9 t/ha。

图 5 不同森林类型区域森林生物量回归结果 Fig. 5 Correlation and Residual Error of Aboveground Biomass Estimated for Different Forest Types at Regional Scale

图选项

利用建立的生物量估算模型按不同的森林类型分别进行生物量估算，然后进行拼接得到粤西北地区肇庆等19个县市的森林地上生物量的分布结果，如图6所示。

图 6 粤西北森林地上生物量分布图 Fig. 6 Distribution Map of Aboveground Biomass Classified in Northwest Guangdong Province

图选项

粤西北地区肇庆等19个县市总森林地上生物量为2.428×10⁸ t，全区平均生物量为59.6 t/ha；全区有林地面积共25 798.5 km²，占整个区域的63.3%，有林地平均生物量为94.1 t/ha。

利用区内百涌、林洲顶、田心等自然保护区共计16个样地的地面实测生物量数据进行验证，结果显示，以机载LiDAR估算生物量作为样本数据，利用Landsat8影像数据计算森林地上生物量的相关系数R²为0.58，RMSE为36.9 t/ha(图7)。估算结果主要受多光谱遥感数据各波段反射率及植被指数饱和性问题的影响，同时地形因子、森林复杂性、森林类型及分类精度、影像本身的光谱差异及机载LiDAR估算的生物量精度等因素也在一定程度上制约了区域尺度森林地上生物量的估算精度。

图 7 地面实测生物量与区域反演的生物量的相关性 Fig. 7 Correlation Between Biomass Calculated by Field Inventory Data and Biomass Estimated at Regional Scale

图选项

郭志华等^[38]利用TM数据估算的粤西肇庆、云浮等地区的森林生物量的平均值为48.4 t/ha，本研究估算的全区平均生物量为59.6 t/ha，比前者估算的结果稍高，生物量分布趋势大体上一致。由于二者的研究方法不同，研究区域的范围不完全一致，时间上存在约10 a的差别，因此森林生长变化等因素导致其研究结果存在差别。

本研究采用的空间尺度为30 m分辨率，地面调查数据、机载LiDAR点云高度和密度统计量的分辨率与多光谱遥感数据的分辨率一致。对于其他空间尺度，存在尺度转换问题，如何实现不同空间尺度的转换，有待今后进一步研究。

机载LiDAR数据的面积相对多光谱遥感数据而言很小，属于点状数据，以机载LiDAR反演的生物量作为样本数据，其代表性有限。在进行生物量估算区域扩展时，区域范围不宜过大，应保证区域内气候、地貌、森林类型等特征的一致性。本研究区仅为粤西北亚热带常绿阔叶林区，生物量回归模型仅适合本地区及森林类型相似的区域，对于其他不同气候、地貌、森林类型特征的区域可能不适用，这有待进一步验证。

本文以广东省鼎湖山国家自然保护区和粤西北常绿阔叶林区为实验区，开展了结合地面调查、机载LiDAR和多光谱遥感数据的区域尺度森林地上生物量估算研究，主要结论归纳如下。

1) 利用地面实测生物量与机载LiDAR点云数据的高度和密度变量建立回归模型，采用Stepwise筛选出变量h₃₀、h₅₀和d₇₀，建立典型样区机载LiDAR森林地上生物量估算模型，其相应的决定系数R²达0.81，生物量RMSE为40.85 t/ha，相关性较高，可以利用机载LiDAR数据估算的生物量作为样本数据。

2) 从机载LiDAR估算的森林地上生物量中提取样本，结合多光谱遥感数据进行区域尺度森林生物量估算是可行的。以机载LiDAR数据估算的生物量作为样本数据，可以弥补地面实测地上生物量的不足。总体上看，利用遥感数据可以开展区域尺度的森林地上生物量估算，为森林固碳监测提供有力的参考数据。