基于地面观测和遥感反演的喜马拉雅地区森林地上生物量估算

The Himalaya region located in the Third Pole, characterized by the rich forest resources and significant vertical distribution, is sensitive to climate change. However, the existing forest AGB still contain relative large uncertainty. On one hand, contribution of environmental variables remain uncertain over this region. On the other hand, the spatially explicit estimation of forest AGB with multi-source remote sensing are still lacking. Here, we first assess the extent and triggers of AGB distribution patterns quantitatively and then achieve the scale conversion from field to ICESat/GLAS footprint measurement, utilizing field observations and high precision GLAS vertical structure. Basing on this, we present a high resolution (30 m) benchmarking map of forest biomass with its uncertainty, combining multi-source data with machine learning algorithms. We then evaluated performance of terrestrial ecosystem models on the forest AGB in Himalaya region.

喜马拉雅地区地处生态环境敏感而脆弱的地球“第三极”，森林的单位面积碳储量高且垂直分布变化显著，然而现有研究对该地区森林地上生物量的估算仍存在较大的不确定性。一方面源于影响其空间分布的关键环境因子尚不明确；另一方面则在于现有估算大多基于少量实测数据进行区域反演，准确性较低。因此本项目拟提出一种能够快速准确地估算喜马拉雅地区森林地上生物量的方法，以提高对该区域碳收支的认识。项目首先探索不同环境因子对森林地上生物量的影响程度与作用机制；接着获取高精度激光雷达脚印点森林结构信息，从而实现森林地上生物量从样地尺度到激光雷达脚印点尺度的转换；基于上述结果，利用Landsat遥感影像、森林覆盖率和环境气候等多源数据，结合环境因子影响分析和多种机器学习方法，构建该区域的最优生物量反演模型，最终研制喜马拉雅地区30m高分辨率森林地上生物量分布图并估算其不确定性，据此评估现有陆地生态系统模型的模拟能力。

喜马拉雅地区是地球上气候变暖最为强烈的地区，是世界生物多样性最丰富的热点地区。过去几十年的气候变化和日益增长的人类活动已经对该地区森林生态系统结构和功能产生了深刻的影响。然而由于地理位置的特殊性，该地区森林地上生物量的实测数据匮乏，且遥感在该地形复杂的区域估算精度不高，因此对于喜马拉雅地区森林地上生物量的研究仍存在较大的不确定性。为此，本项目对喜马拉雅东部开展了网格化调查，建立了167个半永久森林样地，获取了森林地上生物量实测数据。基于野外实测数据，整合历史时期观测资料，结合星载激光雷达、ALOS/PALSAR、光学等多源遥感数据，利用基于空间领域的深度学习算法，发展了适用于山区的森林碳密度估算方法，反演了喜马拉雅地区森林地上碳储量。研究发现: (1) 基于空间领域的深度学习算法（CNN）可以自动提取特征且具有抗噪能力，从而较好的模拟区域碳储量，算法精度优于传统的基于像元的机器学习算法；(2) 该地区平均碳密度为147.24 Mg ha-1，远高于同纬度其他地区，区域碳储量达到8.04Pg C (1Pg = 1015)；(3) 进一步研究发现森林地上碳储量空间格局主要受控于冬季温度、季风前降水。研究中发展的基于深度学习和大数据的区域碳库估算方法体系为降低碳库估算不确定性提供了新的思路，为陆地生态系统模型对喜马拉雅地区森林生态系统碳循环的模拟提供评估基准和依据。