林业科学  2014, Vol. 50 Issue (1): 88-96   PDF    
DOI: 10.11707/j.1001-7488.20140114
0

文章信息

王长委, 胡月明, 沈德才, 黄胜利, 朱剑云, 王璐
Wang Changwei, Hu Yueming, Shen Decai, Huang Shengli, Zhu Jianyun, Wang Lu
基于CBERS数据的亚热带森林地上碳储量估算
Assessing the Capability of CBERS-02 B CCD for Estimating Subtropical Forest above Ground Carbon Storage
林业科学, 2014, 50(1): 88-96
Scientia Silvae Sinicae, 2014, 50(1): 88-96.
DOI: 10.11707/j.1001-7488.20140114

文章历史

收稿日期:2013-02-04
修回日期:2013-06-13

作者相关文章

王长委
胡月明
沈德才
黄胜利
朱剑云
王璐

基于CBERS数据的亚热带森林地上碳储量估算
王长委1, 胡月明1, 沈德才2, 黄胜利3, 朱剑云2, 王璐1    
1. 华南农业大学信息学院 广州 510642;
2. 东莞市林业科学研究所 东莞 523106;
3. 美国地质勘探局地球资源观测和科学数据中心 苏福尔斯 57198
摘要:为探讨CBERS-02B星CCD数据在亚热带森林地上碳储量估算方面的能力,以东莞市范围内的亚热带森林为研究对象,对比分析CBERS-02B星CCD数据的波段信息、植被指数、纹理信息和森林地上碳储量之间的相关性,发现纹理信息的估算能力最强;在此基础上,将波段信息、植被指数和纹理信息结合在一起,通过逐步回归策略构建CBERS-02B星CCD数据的亚热带森林地上碳储量估算模型,其调整系数R2达到0.53,显著度水平P远远小于0.05。这表明:尽管CBERS-02B星CCD数据的近红外波段存在一定的漂移,但是将CBERS-02B星CCD数据的波段信息、植被指数、纹理信息集成构建森林地上碳储量估算模型,在一定程度上可以克服波段信息、植被指数、纹理信息各自单独估算森林地上碳储量的缺点,增强各自间的互补性,提高CBERS-02B星CCD数据估算森林地上碳储量的能力;而且基于CBERS-02B星CCD数据估算的东莞市碳储量空间分布和东莞市实际碳储量分布情况基本一致,说明CBERS-02B星CCD数据用于亚热带的森林地上碳储量估算是可行的。
关键词中巴资源卫星    地上碳储量    亚热带森林    估算    
Assessing the Capability of CBERS-02 B CCD for Estimating Subtropical Forest above Ground Carbon Storage
Wang Changwei1, Hu Yueming1, Shen Decai2, Huang Shengli3, Zhu Jianyun2, Wang Lu1     
1. College of Information, South China Agricultural University Guangzhou 510642;
2. Dongguan Research Institute of Forestry Dongguan 523106;
3. ASRC Federal US Geological Survey Earth Resources Observation and Science Center Sioux Falls, USA, 57198
Abstract: Many remote sensing data have been applied to estimate forest above ground carbon storage(AGCS), but the estimation accuracy is varying.The capability of remotely sensed CBERS-02B CCD data for tropical and subtropical AGCS estimation is unknown.In this paper, with Dongguan forest region as a case study area, the CBERS-02B CCD data, along with the field survey data, were used to examine the relationship between forest biomass and band reflectance, vegetation indices, and image texture.It was found image texture performed the best in biomass estimation.When the band reflectance, vegetation indices, and image texture were combined in stepwise multiple regressions for biomass estimation, the adjustment coefficient R2 was 0.53, root mean square error was 15.66, and P-level was less than 0.05, indicating the significance of the model.The results also showed that the shift of near-infrared band of the CBERS-02B CCD had negative effect on biomass estimation, but the integration of band reflectance, vegetation indices, and image texture can improve the capability of CBERS-02B CCD data for AGCS estimation, because the integration can reduce limitation and improve the complementarity.Moreover, the spatial distribution of AGCS mapping by CBERS-02B CCD data is similar with the actual distribution.We concluded that CBERS data are promising for estimating subtropical forest biomass.
Key words: CBERS    above ground carbon storage (AGCS)    subtropical forest    estimation    

森林生态系统在陆地生态系统碳循环中占有十分重要的地位,特别是热带、亚热带森林生态系统,其碳储量占陆地生态系统碳储量的60%以上(Clark et al.,2011;Dixon et al.,1994),该区域碳储量的较小波动都会对全球碳循环产生明显的影响(Englhart et al.,2011;Phillips et al.,1998),因此准确地估算热带、亚热带森林生态系统碳储量备受关注。

估算森林碳储量方法很多(张骏等,2010;马泽清等,2007;Fang et al.,2001)。传统的野外样地调查方法尽管精度高,但是比较耗时耗力,在估算大范围热带、亚热带森林地上碳储量时不太实用(Tian et al.,2012;Englhart et al.,2011;Sarker et al.,2011)。遥感具有宏观、综合、动态、快速、重复获取数据等特点,特别是遥感对植被光合有效辐射吸收的测定为估算植被的碳储量/生物量提供了基础,目前已经成为热带、亚热带碳储量估算的主要方法。

森林碳储量通常分为地下和地上2部分。地下部分是指树根系的干物质质量,地上部分主要包括树干、枝和叶的干物质质量和。遥感很难估算地下部分的碳储量,多数遥感都是估算地上部分的碳储量(简称森林地上碳储量,AGCS)。近年来不同学者分别探讨了MODIS(Baccini et al.,2008)、TM(Foody et al.,2003)、IKONOS(Clark et al.,2004)、SAR(Kuplich et al.,2005)和Lidar(Clark et al.,2011)等遥感数据估算热带、亚热带森林地上碳储量的能力,获得了不同的估算精度。然而热带、亚热带森林一般比较高,植被生长比较茂盛,树木种类多,内部结构复杂,多数遥感数据研究估算该区域森林地上碳储量的结果不是很理想(Lu et al.,2005)。

中巴资源地球卫星是由中国、巴西两国共同投资、联合研制的卫星(代号CBERS),其02B卫星于2007年9月19日发射成功。CBERS-02B星携带3种传感器:电荷耦合器件摄像机(CCD)、红外多光谱扫描仪(IRMSS)、宽视场相机(WFI),可提供20 ~256 m分辨率的11个波段、不同幅宽的遥感数据。自从中巴资源卫星实施免费分发政策后,中国资源卫星数据广泛地应用于环境监测、灾害预警、资源勘查等众多领域,但CBERS对热带、亚热带森林生物量的估算能力不是特别清楚。

广东省东莞市是我国经济高速发展的区域,其碳排放压力大,森林碳汇问题令人关注。因此,为了进一步拓展我国资源卫星的应用范围,本文以东莞市的森林区域为例,探讨我国CBERS-02B星CCD数据估算亚热带森林地上碳储量的能力。

1 材料与方法 1.1 研究区概况

东莞市位于广东省中南部,地理坐标为113°31'—114°15' E,22° 39'—23° 09' N,陆地面积2 465km2。地处南亚热带,年平均气温22.1 ℃,年平均降水量1 800 mm,地貌以丘陵台地、冲积平原为主,山地土壤以赤红壤为主,少量红、黄壤。历史上的东莞是森林茂密的地区,地带性森林植被类型为季风常绿阔叶林,组成种类多样而富于热带性,主要由壳斗科(Fagaceae)、樟科(Lauraceae)、山茶科(Theaceae)、大戟科(Euphorbiaceae)、桃金娘科(Myrtaceae)、杜英科(Elaeocarpaceae)、山矾科(Symplocaceae)、梧桐科(Sterculiaceae)等的一些种类为优势种所组成。由于近代人口剧增,干扰频繁,大量的毁林种果,使东莞原生性森林被破坏殆尽,现状植被以人工种植的果林、桉树(Eucalyptus)林、相思(Acacia)林、针叶林和竹林等为主,天然次生林甚少(朱剑云等,2011)。

1.2 样地森林地上碳储量计算方法

2007年9—12月,东莞市林业科学研究所按照森林二类调查的要求对东莞市境内的191个样地进行实地调查。样地面积为60 m×20 m,由12个10 m×10 m子样地构成,如图 1所示。其中只对2,4,9和11等4个子样地的树高、胸径、年龄、数量、树种、优势树种、郁密度等植物群落数据进行了实地调查,然后换算成整个样地调查数据(朱剑云等,2011)。

图 1 样地的设置示意 Fig. 1 Illustration of the ground sample plots

根据广东省林业调查规划院提供的二元立木材积式求算各样地蓄积量;再通过蓄积量与生物量之间的转换公式计算森林地上生物量;接着采用生物量转换因子连续函数法计算每个样地森林地上碳储量(方精云等,1996),转换系数采用0.5;最后将每个样地的森林地上碳储量值换算成每公顷的碳储量。该研究区样地每公顷碳储量最大值是91.56 t·hm-2,最小值是0.33 t·hm-2,平均值是16.05 t·hm-2

1.3 遥感数据

本研究选用CBERS-02B星CCD的数据,时间是2007年12月1日,正好和地面调查数据同步;而该研究区近几年只有这个时间段的CBERS-02B星CCD有效数据。CBERS-02B星CCD数据包含5个波段,分别是蓝色波段、绿光波段、红光波段、近红外波段和一个全色波段,空间分辨率都是20 m,数据来源于中国资源卫星应用中心网站。

CBERS-02B星CCD数据预处理包括辐射纠正和几何纠正,其中辐射纠正包含辐射定标和大气纠正。辐射定标根据中国资源卫星应用中心网站提供的2007年CBERS-02B星CCD数据定标公式进行;大气纠正采用ENVI提供的QUAC快速大气校正工具,其自动从图像上收集不同物质的波谱信息,获取经验值后完成图像的快速大气纠正。几何纠正则是根据东莞市已经纠正过的高分辨率遥感影像作为参考图像,以桥梁、水库大坝、十字路口、水渠等不变的标志为控制点,在影像中选择了30个控制点均匀分布于图像,选择二次多项式纠正模型对CBERS-02B星CCD数据进行几何纠正,纠正误差小于0.5个像元。

1.4 遥感因子的选择

1)波段信息波段信息是最早用于估算森林地上碳储量的遥感因子。本文将CBERS-02B星CCD数据5个波段信息作为遥感因子,分别讨论其估算森林地上碳储量的能力。

2)植被指数植被指数是光学遥感数据估算森林地上碳储量最常用的遥感因子(Foody et al.,2003),而且大量的研究也证明植被指数和森林地上碳储量之间的关系比较密切(Moreau et al.,2003;Sannier et al.,2002;Diallo et al.,1991;Tucker et al.,1985)。目前大约有150种植被指数用于生态研究,但是只有少数的植被指数可以用于森林地上碳储量的估算(Potter et al.,2012)。在参考前人研究(Wijaya et al.,2010;Lu et al.,2004;赵宪文等,2001)的基础上,考虑研究区域和CBERS-02B星CCD数据的特点,分别选择b and 4/3(Tucker,1979),b and 4/2,b and 4/1,b and 3/2,b and 3/1,b and 2/1,NDVI(Rouse et al.,1974a),ND32(Lu et al.,2004),ND21,EVI(Huete et al.,2002;Miura et al.,2001),ARVI(Kaufman et al.,1996),TVI(Rouse et al.,1974b),PVI(Richardson et al.,1977),SAVI(Huete,1988),SAVI2(Major et al.,1990),MSAVI2(Qi et al.,1994),MSR(Chen,1996),GEMI(Pinty et al.,1992)18个比较常用的植被指数,探讨CBERS-02B星CCD数据的植被指数和森林地上碳储量之间的关系。

3)纹理信息纹理是图像的重要属性信息(Haralick et al.,1973),常用于区分图像中不同的对象和提取感兴趣的区域,在遥感影像分类、定量遥感研究等领域中具有重要作用。由于纹理可以最大限度地利用空间信息,近年来越来越多的学者采用纹理信息估算森林地上碳储量(Sarker et al.,2011;Kuplich et al.,2005)。本文采用ENVI 4.7提供的纹理计算工具提取了CBERS-02B星CCD数据每个波段的纹理信息,根据研究区的森林特性选择了3×3的窗口,具体见表 1

表 1 纹理信息 Tab.1 Texture information used in this study
1.5 多元回归模型

不同的学者采用不同的模型或者解析式研究遥感数据和森林地上碳储量之间的关系,如多元回归分析法、人工神经网络模型法、基准样地法以及遥感机制模型法。部分研究表明,多元回归模型比较适合中分辨率遥感卫星估算森林地上碳储量(Lu,2005;Rahman et al.,2005;2008)。因此,本文将选择波段信息、植被指数和纹理信息等遥感因子为自变量,以样地计算的森林地上碳储量为因变量,采用逐步回归策略下的多元回归模型探讨CBERS-02B星CCD数据估算亚热带森林地上碳储量的能力。

2 结果与分析 2.1 波段信息和森林地上碳储量的相关性

表 2反映了CBERS-02B星CCD数据波段信息和样地森林地上碳储量之间的相关性。在CBERS-02B星CCD数据5个波段中,和森林地上碳储量相关性相对较强的是绿色波段,且为正相关,这主要是因为该波段550 nm波长附近是叶绿素的强反射峰区(翁强等,2006),而其他波段和森林地上碳储量的相关性较弱。

表 2 CBERS-02B星CCD数据波段信息和森林地上碳储量的相关性 Tab.2 Correlation coefficients between CBERS-02B CCD band reflectance and AGCS
2.2 植被指数和森林地上碳储量的相关性

表 3显示了CBERS-02B星CCD数据植被指数和森林地上碳储量之间的相关性。在18个CBERS-02B星CCD数据的植被指数中,与森林地上碳储量在0.05水平上显著的有13个,在0.01水平上显著的有5个;其中和森林地上碳储量关系最强的是修改型土壤调整植被指数(MSAVI2),其相关系数R为0.46;而NDVI,EVI等比较常用的植被指数和森林地上碳储量的相关性则一般。

表 3 CBERS-02B星CCD数据植被指数和森林地上碳储量的相关性 Tab.3 Correlation coefficients between CBERS-02B CCD vegetation indices and AGCS
2.3 纹理信息和森林地上碳储量的相关性

表 4显示了CBERS-02B星CCD数据的纹理信息和森林地上碳储量之间的相关性。在40个CBERS-02B星CCD数据的纹理信息中,和森林地上碳储量在0.05水平上显著的有7个,在0.01水平上显著的有4个。其中绿色波段的平均值(mean2)纹理值和森林地上碳储量的相关性最强,其相关系数R为0.43,蓝色波段和近红外波段的对比度(con1,con4)纹理值以及红色波段方差(var3)纹理值与森林地上碳储量的相关性最弱,仅为0.01。同时,对比8个纹理信息和森林地上碳储量之间的相关性,发现角二阶矩纹理值要比其他纹理信息和森林地上碳储量的相关性强,而对比度纹理值和森林地上碳储量相关性比较弱。

表 4 CBERS-02B 星CCD 数据纹理信息和森林地上碳储量的相关性 Tab.4 Correlation coefficient between CBERS-02B CCD texture and AGCS
2.4 基于CBERS-02B星CCD数据的森林地上碳储量估算模型

在相关性分析的基础上,分别以CBERS-02B星CCD数据的波段信息、植被指数、纹理信息等遥感因子为自变量,以研究区域内的样地森林地上碳储量为因变量,以显著水平0.05作为挑选变量的条件,并以显著水平0.1作为剔除变量的条件,采用逐步回归策略分别构建CBERS-02B星CCD数据的波段信息、植被指数、纹理信息等遥感因子的多元回归森林地上碳储量估算模型,具体见表 5

表 5 CBERS-02B 星CCD 数据构建的森林地上碳储量估算模型 Tab.5 Regression models to estimate AGCS using band reflection, vegetation indices, and image texture of CBERS-02B CCD data

在CBERS-02B星CCD数据5个波段中,只有绿色波段和森林地上碳储量的相关性较强,其他波段和森林地上碳储量之间的相关性较弱。因此,只有绿色波段参与了构建CBERS-02B星CCD数据波段信息的森林地上碳储量估算模型,其调整系数R2仅为0.18。

在18个CBERS-02B星CCD数据的植被指数中,有13个植被指数和森林地上碳储量显著相关,因此以这13个植被指数为自变量,经逐步回归策略最后选择了修改型土壤调整植被指数(MSAVI2)和大气阻抗植被指数(ARVI)构建了CBERS-02B星CCD数据植被指数的森林地上碳储量估算模型,其调整系数R2为0.31,明显高于波段信息的森林地上碳储量估算模型。

在40个CBERS-02B星CCD数据的纹理信息中,有7个纹理信息和森林地上碳储量显著相关,因此以这7个纹理信息为自变量,经逐步回归策略最后选择了绿色波段的平均纹理值(mean2)、红色波段的角二阶矩纹理值(sec3)和全色波段的方差纹理值(var5)构建了CBERS-02B星CCD数据纹理信息的森林地上碳储量估算模型,其调整系数R2为0.48,明显高于波段信息和植被指数的森林地上碳储量估算模型。

在5个波段信息、18个植被指数和40个纹理信息中,有1个波段信息、13个植被指数和7个纹理信息与森林地上碳储量比较显著相关,将这21个CBERS-02B星CCD数据的遥感因子作为自变量,经逐步回归策略最后选择了修改型土壤调整植被指数(MSAVI2)、大气阻抗植被指数(ARVI)、全色波段的方差纹理值(var5)、红色波段的角二阶矩纹理值(sec3)4个遥感因子构建CBERS-02B星CCD数据的森林地上碳储量估算模型,其调整系数R2为0.53,也明显高于波段信息、植被指数和纹理信息各自构建的森林地上碳储量估算模型。而且MSAVI2,ARVI,var5,sec3和常数项的t值都大于显著性水平=0.05的临界值,即4个遥感因子和常数项都在95%的水平下显著,通过了变量显著性检验。

因此,采用CBERS-02B星CCD数据估算亚热带森林地上碳储量时,不仅要采用波段信息和植被指数,而且纹理信息也是重要的遥感因子,只有将波段信息、植被指数、纹理信息结合才能提高CBERS-02B星CCD数据估算亚热带森林地上碳储量的能力。

图 2为CBERS-02B星CCD数据估算东莞森林地上碳储量的分布图。从图 2中可以看出,东莞市绝大部分地区的森林地上碳储量较低,主要是因为东莞市的果树种植区较多,其地上碳储量一般都较低;森林地上碳储量较高的区域主要集中在东莞市几个森林公园区域,这些区域主要是以阔叶混交林、桉树林和相思林为主,其地上碳储量一般都较高,如森林碳储量估算的最高值89.89 t·hm-2,该林斑位于大岭山林场,优势树种是桉树,林斑是平地,郁闭度达到0.9,且种植时间较长,其附近的实测值是91.56 t·hm-2,基本吻合。因此,将波段信息、植被指数、纹理信息集成构建的CBERS-02B星CCD数据森林地上碳储量估算模型反映了东莞市森林地上碳储量的实际分布情况,其精度可以满足东莞市森林碳储量的估算要求。

图 2 CBERS-02B星CCD数据估算东莞市森林地上碳储量分布 Fig. 2 AGCS estimation map of Dongguan city using CBERS-2B data
3 讨论

遥感数据估算森林地上碳储量最初是采用波段信息,而且有研究表明光学遥感影像的波段信息和碳储量之间有很强的相关性(Jakubauskas et al.,1997;Roy et al.,1996;Franklin,1986)。但是CBERS-02B星CCD数据中,除了绿色波段,其他波段和碳储量的相关性都不是很强,限制了CBERS-02B星CCD数据波段信息估算碳储量的能力。这主要原因有:一是CBERS-02B星CCD数据近红外波段可能存在波段漂移(潘志强等,2008),影响了该波段信息和森林地上碳储量之间的关系,通常情况下对于健康的植被,不仅绿色波段和森林地上碳储量的相关性较强,近红外波段和森林地上碳储量的相关性也较强(Muukkonen et al.,2005;Ardö,1992),然而CBERS-02B星CCD数据的近红外波段和碳储量的相关性却最低,相关系数R仅为-0.06;二是波段信息易受大气、土壤、传感器性能、太阳角度等一系列因素的影响(Lu et al.,2004),影响了其估算森林地上碳储量的能力;此外本文研究所用的CBERS-02B星CCD数据是12月份的数据,正好是亚热带森林植物生长缓慢时期,对波段信息估算森林地上碳储量也有一定的影响。

植被指数是光学遥感估算森林地上碳储量比较常用的遥感因子,特别是多数植被指数是由红色波段和近红外波段的波谱反射率不同组合得到,不仅增强了遥感光谱信息和植被生长的关系,而且还减少了大气、土壤、传感器性能、太阳角度等对估算森林地上碳储量的影响(Karnieli et al.,2001;Blackburn et al.,1999; Huete et al.,1985;Tucker,1979),在估算温带和寒带地区的森林地上碳储量中取得不错的效果(Fuchs et al.,2009; Madugundu et al.,2008; Zheng et al.,2004)。但是由于研究区是亚热带森林,其森林结构复杂、树种较多、郁闭度较高,以及CBERS-02B星CCD数据的近红外波段可能存在一定的漂移,CBERS-02B星CCD数据的植被指数估算森林地上碳储量还存在一定的局限性(Sarker et al.,2011;Foody et al.,2001)。

尽管纹理信息是近几年才开始应用在森林地上碳储量估算的遥感因子,但是还是表现出极大的估算森林地上碳储量的能力(Kuplich et al.,2005;Luckman et al.,1997)。这可能主要是由于纹理可以减少树冠中阴影等细小噪声对植被指数等遥感因子的影响,从而可以最大限度地利用空间信息去估算森林地上碳储量,但是纹理信息和森林地上碳储量之间的具体关系还在进一步探讨中(Champion et al.,2008;Kuplich et al.,2003;2005;Luckman et al.,1997)。CBERS-02B星CCD数据纹理信息构建的森林地上碳储量估算模型精度也明显高于波段信息和植被指数构建的森林地上碳储量估算模型精度。但是纹理信息是非常复杂的属性,它会因为对象的不同、自然条件的不同以及选择窗口大小的不同而发生变化;而且在计算纹理信息时会产生大量的数据,比较难以管理(Chen et al.,2004;Franklin et al.,1996),在估算森林地上碳储量时还有一定的限制。

4 结论

长久以来我国主要依赖国外遥感数据开展各种应用研究。自1999年成功发射中巴一号星,中巴资源系列卫星就开始提供多级分辨率遥感数据,特别是CBERS-02B星CCD数据实施免费分发政策后,开创了我国遥感数据应用的新局面。本文以国产CBERS-02B星CCD数据为研究对象,开展针对亚热带森林地上碳储量的估算研究,发现将CBERS-02B星CCD数据的波段信息、植被指数、纹理信息集成构建亚热带森林地上碳储量估算模型,模型的估算精度R2达到了0.53,明显高于各自单独估算森林地上碳储量的模型精度,在一定程度上可以克服波段信息、植被指数、纹理信息各自单独估算亚热带森林地上碳储量的缺点,增强各自间的互补性,提高了CBERS-02B星CCD数据估算亚热带森林地上碳储量的能力。尽管CBERS-02B星CCD数据的近红外波段发生了漂移,对CBERS-02B星CCD数据估算亚热带森林地上碳储量的能力也有一定的影响,但是基于CBERS-02B星CCD数据估算的东莞市碳储量空间分布和东莞市实际碳储量分布情况基本一致,说明CBERS-02B星CCD数据用于亚热带的森林地上碳储量估算是可行的。

通过本文的研究,为国产遥感卫星估算亚热带森林地上碳储量的研究提供了借鉴,有助于推动我国国产遥感卫星数据在林业行业的应用,提高国产遥感卫星数据的应用水平,进一步构建基于国产遥感卫星的我国森林资源监测体系,提高森林资源监测体系中国产遥感技术运用水平具有十分重大的意义。

参考文献(References)
[1] 方精云,徐嵩龄.1996.我国森林植被的生物量和净生产量.生态学报,16(5): 497-508.(1)
[2] 马泽清,刘琪璟,徐雯佳,等.2007.江西千烟洲人工林生态系统的碳蓄积特征.林业科学,43(11): 1-7.(1)
[3] 潘志强,傅俏燕,张浩平.2008.CBERS-02星CCD波段平均太阳辐照度反演及应用.地球信息科学,10(1): 109-113.(1)
[4] 翁强,卢昌义.2006.红树植物地面反射光谱特征研究.福建林业科技,33(3): 14-19.(1)
[5] 张骏,葛滢,江波,等.2010.浙江省杉木生态公益林碳储量效益分析.林业科学,46(6): 22-26.(1)
[6] 赵宪文,李崇贵,斯林,等.2001.森林资源遥感估测的重要进展.中国工程科学,(8): 15-24.(1)
[7] 朱剑云,莫罗坚,叶永昌,等.2011.东莞森林生态系统碳储量研究.广东林业科技,27(2): 22-29.(2)
[8] Ardö J.1992.Volume quantification of coniferous forest compartments using spectral radiance recorded by Landsat Thematic Mapper.International Journal of Remote Sensing,13(9): 1779-1786.(1)
[9] Baccini A,Laporte N,Goetz S J,et al.2008.A first map of tropical Africa's above-ground biomass derived from satellite imagery.Environmental Research Letters,3(4): 45011.(1)
[10] Blackburn G A,Steele C M.1999.Towards the remote sensing of matorral vegetation physiology: relationships between spectral reflectance,pigment,and biophysical characteristics of semiarid bushland canopies.Remote Sensing of Environment,70(3): 278-292.(1)
[11] Champion I,Dubois-Fernandez P,Guyon D,et al.2008.Radar image texture as a function of forest stand age.International Journal of Remote Sensing,29(6): 1795-1800.(1)
[12] Chen D,Stow D A,Gong P.2004.Examining the effect of spatial resolution and texture window size on classification accuracy: an urban environment case.International Journal of Remote Sensing,25(11): 2177-2192.(1)
[13] Chen J M.1996.Evaluation of vegetation indices and a modified simple ratio for boreal applications.Canadian Journal of Remote Sensing,22(3): 229-242.(1)
[14] Clark D B,Castro C S,Alvarado L D A,et al.2004.Quantifying mortality of tropical rain forest trees using high-spatial-resolution satellite data.Ecology Letters,7(1): 52-59.(1)
[15] Clark M L,Roberts D A,Ewel J J,et al.2011.Estimation of tropical rain forest aboveground biomass with small-footprint lidar and hyperspectral sensors.Remote Sensing of Environment,115(11): 2931-2942.(2)
[16] Diallo O,Diouf A,Hanan N P,et al.1991.AVHRR monitoring of savanna primary production in Senegal,West Africa: 1987-1988.International Journal of Remote Sensing,12(6): 1259-1279.(1)
[17] Dixon R K,Solomon A M,Brown S,et al.1994.Carbon pools and flux of global forest ecosystems.Science,263(5144): 185-190.(1)
[18] Englhart S,Keuck V,Siegert F.2011.Aboveground biomass retrieval in tropical forests—The potential of combined X-and L-band SAR data use.Remote Sensing of Environment,115(5): 1260-1271.(2)
[19] Fang J,Chen A,Peng C,et al.2001.Changes in forest biomass carbon storage in China between 1949 and 1998.Science,292(5525): 2320-2322.(1)
[20] Foody G M,Boyd D S,Cutler M E J.2003.Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions.Remote Sensing of Environment,85(4): 463-474.(2)
[21] Foody G M,Cutler M E,McMorrow J,et al.2001.Mapping the biomass of Bornean tropical rain forest from remotely sensed data.Global Ecology and Biogeography,10(4): 379-387.(1)
[22] Franklin J.1986.Thematic mapper analysis of coniferous forest structure and composition.International Journal of Remote Sensing,7(10): 1287-1301.(1)
[23] Franklin S E,Wulder M A,Lavigne M B.1996.Automated derivation of geographic window sizes for use in remote sensing digital image texture analysis.Computers &Geosciences,22(6): 665-673.(1)
[24] Fuchs H,Magdon P,Kleinn C,et al.2009.Estimating aboveground carbon in a catchment of the Siberian forest tundra: combining satellite imagery and field inventory.Remote Sensing of Environment,113(3): 518-531.(1)
[25] Haralick R M,Shanmugam K,Dinstein I H.1973.Textural features for image classification.Systems,Man and Cybernetics,IEEE Transactions,3(6): 610-621.(1)
[26] Huete A R.1988.A soil-adjusted vegetation index(SAVI).Remote Sensing of Environment,25(3): 295-309.(1)
[27] Huete A R,Jackson R D,Post D F.1985.Spectral response of a plant canopy with different soil backgrounds.Remote Sensing of Environment,17(1): 37-53.(1)
[28] Huete A,Didan K,Miura T,et al.2002.Overview of the radiometric and biophysical performance of the MODIS vegetation indices.Remote Sensing of Environment,12(83): 195-213.(1)
[29] Jakubauskas M E,Price K P.1997.Emperical relationships between structural and spectral factors of yellowstone lodgepole pine forests.Photogrammetric Engineering and Remote Sensing,63(12): 1375-1380.(1)
[30] Karnieli A,Kaufman Y J,Remer L,et al.2001.AFRI-Aerosol free vegetation index.Remote Sensing of Environment,77(1): 10-21.(1)
[31] Kaufman Y J,TanréD.1996.Strategy for direct and indirect methods for correcting the aerosol effect on remote sensing: from AVHRR to EOS-MODIS.Remote Sensing of Environment,55(1): 65-79.(1)
[32] Kuplich T M,Curran P J.2003.Estimating texture independently of tone in simulated images of forest canopies.Proc Brazilian Remote Sensing Symposium,2209-2216.(1)
[33] Kuplich T M,Curran P J,Atkinson P M.2005.Relating SAR image texture to the biomass of regenerating tropical forests.International Journal of Remote Sensing,26(21): 4829-4854.(4)
[34] Lu D.2005.Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon.International Journal of Remote Sensing,26(12): 2509-2525.(1)
[35] Lu D,Batistella M,Moran E.2005.Satellite estimation of aboveground biomass and impacts of forest stand structure.Photogrammetric Engineering and Remote Sensing,71(8): 967.(1)
[36] Lu D,Mausel P,Brondizio E,et al.2004.Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin.Forest Ecology and Management,198(1): 149-167.(3)
[37] Luckman A J,Frery A C,Yanasse C,et al.1997.Texture in airborne SAR imagery of tropical forest and its relationship to forest regeneration stage.International Journal of Remote Sensing,18(6): 1333-1349.(2)
[38] Madugundu R,Nizalapur V,Jha C S.2008.Estimation of LAI and above-ground biomass in deciduous forests: Western Ghats of Karnataka,India.International Journal of Applied Earth Observation and Geoinformation,10(2): 211-219.(1)
[39] Major D J,Baret F,Guyot G.1990.A ratio vegetation index adjusted for soil brightness.International Journal of Remote Sensing,11(5): 727-740.(1)
[40] Miura T,Huete A R,Yoshioka H,et al.2001.An error and sensitivity analysis of atmospheric resistant vegetation indices derived from dark target-based atmospheric correction.Remote Sensing of Environment,78(3): 284-298.(1)
[41] Moreau S,Bosseno R,Gu X F,et al.2003.Assessing the biomass dynamics of Andean bofedal and totora high-protein wetland grasses from NOAA/AVHRR.Remote Sensing of Environment,85(4): 516-529.(1)
[42] Muukkonen P,Heiskanen J.2005.Estimating biomass for boreal forests using ASTER satellite data combined with standwise forest inventory data.Remote Sensing of Environment,99(4): 434-447.(1)
[43] Phillips O L,Malhi Y,Higuchi N,et al.1998.Changes in the carbon balance of tropical forests: evidence from long-term plots.Science,282(5388): 439-442.(1)
[44] Pinty B,Verstraete M M.1992.GEMI: a non-linear index to monitor global vegetation from satellites.Plant Ecology,101(1): 15-20.(1)
[45] Potter C,Li S,Huang S,et al.2012.Analysis of sapling density regeneration in Yellowstone National Park with hyperspectral remote sensing data.Remote Sensing of Environment,121: 61-68.(1)
[46] Qi J,Chehbouni A,Huete A R,et al.1994.A modified soil adjusted vegetation index.Remote Sensing of Environment,48(2): 119-126.(1)
[47] Rahman M M,Csaplovics E,Koch B.2005.An efficient regression strategy for extracting forest biomass information from satellite sensor data.International Journal of Remote Sensing,26(7): 1511-1519.(1)
[48] Rahman M M,Csaplovics E,Koch B.2008.Satellite estimation of forest carbon using regression models.International Journal of Remote Sensing,29(23): 6917-6936.(1)
[49] Richardson A J,Weigand C L.1977.Distinguishing vegetation from soil background information.Photogrammetric Engineering and Remote Sensing,43(12): 1541-1552.(1)
[50] Rouse J W,Haas R H,Schell J A,et al.1974a.Monitoring vegetation systems in the Great Plains with ERTS//Stanley C F,Enrico P M,Margaret A B.Third Earth Resources Technology Satellite\|1 Symposium,volume I: Technical Presentations.NASA SP\|351NASA,Washington,DC,1974,309-317.(1)
[51] Rouse J W,Haas R H,Schell J A,et al.1974b.Monitoring the vernal advancement of retrogradation of natural vegetation.Greenbelt,MD,USA,NASA/GSFC.Type Ⅲ,Final Report,1-371.(1)
[52] Roy P S,Ravan S A.1996.Biomass estimation using satellite remote sensing data—an investigation on possible approaches for natural forest.Journal of Biosciences,21(4): 535-561.(1)
[53] Sannier C A D,Taylor J C,Du Plessis W.2002.Real-time monitoring of vegetation biomass with NOAA-AVHRR in Etosha National Park,Namibia,for fire risk assessment.International Journal of Remote Sensing,23(1): 71-89.(1)
[54] Sarker L R,Nichol J E.2011.Improved forest biomass estimates using ALOS AVNIR\|2 texture indices.Remote Sensing of Environment,115(4): 968-977.(3)
[55] Tian X,Su Z,Chen E,et al.2012.Estimation of forest above-ground biomass using multi-parameter remote sensing data over a cold and arid area.International Journal of Applied Earth Observation and Geoinformation,14(1):160-168.(1)
[56] Tucker C J.1979.Red and photographic infrared linear combinations for monitoring vegetation.Remote Sensing of Environment,8(2): 127-150.(2)
[57] Tucker C J,Vanpraet C L,Sharman M J,et al.1985.Satellite remote sensing of total herbaceous biomass production in the Senegalese Sahel: 1980-1984.Remote Sensing of Environment,17(3): 233-249.(1)
[58] Wijaya A,Kusnadi S,Gloaguen R,et al.2010.Improved strategy for estimating stem volume and forest biomass using moderate resolution remote sensing data and GIS.Journal of Forestry Research,21(1): 1-12.(1)
[59] Zheng D L,Rademacher J,Chen J Q,et al.2004.Estimating aboveground biomass using Landsat 7 ETM+data across a managed landscape in northern Wisconsin,USA.Remote Sensing of Environment,93(3): 402-411.

(1)