森林分层结构对林下植被的敏感性分析

森林分层结构对林下植被的敏感性分析

1林下植被的界定森林是地球碳水循环与能量交换的重要场所。遥感技术可对地表进行长期、连续的观测,是森林量化描述的有效手段。例如,通过遥感可获得森林分布、叶面积指数(LeafAreaIndex,LAI)、树高等信息,进而开展森林分布和变化监测、气候、水文和生态系统模型模拟等研究。在垂直方向上,森林具有复杂的分层结构。但除了热带雨林分层较多外,大部分森林(如温带森林和北方森林)都可分为两层:一层是林上冠层,主要由乔木组成;另一层是林下植被层,主要由灌木,草本和苔藓植物等构成。目前,大多数的森林参数遥感反演方法不考虑森林内部的结构差异,不进行林上冠层和林下植被层区分,这种做法会导致某些反演结果存在很大偏差。例如,现有的叶面积指数产品在森林区域比其他区域的不确定更大,其中一个重要原因就是没有考虑森林结构的差异。另外,由于木本植物的碳氮比是草本植物的3倍左右,只有考虑冠层和林下植被的贡献差异,才能减小森林的生物化学参数反演时尺度缩放带来的误差。冠层与林下植被对森林生态系统的物质和能量循环的贡献也有很大差异。在森林冠层郁闭度较低的区域,林下植被的地上净初级生产力在整个生态系统中的贡献可以达到40%左右。此外,在北方森林区,林下苔藓植被的净初级生产力有时甚至会超出林上冠层。从生态功能的角度来看,林下植被在维持生态系统的多样性、生态系统功能的稳定性、森林生态系统营养元素的积累和循环、水土涵养方面也有重要的生态作用,尤其在水土保持方面,林下植被的作用尤为突出。林下植被一般指森林立地中乔木冠层下的所有植被。为了方便监测和评估,通常都把林下植被分成不同的层次。由于林下植被的物种组成和垂直分层的地域差异很大,因此,林下植被的各层在不同研究中有不同的定义。主要的定义依据有植被生命形态(如灌木或草本)、高度和生长习性。欧洲的FORESTBIOTA森林清查项目根据高度将林下植被分为3层,包括灌木层、草本层和苔藓层;而BIOFOREST项目则根据生长习性和高度2个指标将地表植被分为6层:大灌木层、亚灌木层、荆棘层、草本层、杂草层和苔藓层。相对于生态和林学研究中将林下植被进行分层或分类的定义,在大多数遥感反演研究中,对林下植被没有明确的定义,但有个别会指出研究对象所包括的范围,例如,Pisek等将林下植被包含在森林背景中,即森林冠层下的所有物质及它们的混合。在雷达探测的植被分层研究中,有的将林下植被分为灌木层和地表植被层。近年来,随着多角度、高光谱和激光雷达(Lidar)等技术的进步,林下植被参数信息的获取有了很大进展。本文着重从林下植被的反射率、叶面积指数、高度和覆盖度方面来讨论当前林下植被遥感反演的研究现状、存在问题及发展趋势,以利其今后的深化研究。2林下植被遥感键特征参数森林背景反射率、林下植被叶面积指数、高度及覆盖度是分析林下植被的关键特征参数,也是当前林下植被遥感中重点关注的内容。其中,森林背景反射率和林下植被叶面积指数,多采用光学遥感数据来提取,特别是多角度和多光谱数据;而林下植被高度及覆盖度通常利用激光雷达数据提取。2.1森林背景反演方法森林背景反射率是指森林冠层下的所有物质,包括林下植被、土壤、岩石、雪、凋落物以及它们的混合所构成系统的总反射率。背景反射率是进行森林冠层遥感反演的关键参数,它不仅可以用于冠层辐射传输模型的输入以提高冠层参数的遥感反演精度,而且可用于森林背景的其他特征的获取,如林下植被的叶面积指数和覆盖度等。在冠层结构的反演中(如LAI),Pisek等的研究表明,森林背景反射率的输入对于北方森林区域由林下植被所导致的冠层LAI的高估有很好的修正作用。此外,冠层化学元素(如冠层叶绿素)的遥感反演也表明森林背景反射的影响不可忽视。森林背景反射特性反演的主要方法:(1)假设背景与冠层的光谱差别,使用多光谱分解技术将森林冠层的反射特性与森林背景贡献进行分离。例如,Caetano等将森林总反射分为森林背景(没有冠层影响)、森林冠层(没有背景影响)和冠层-背景3部分(式(1)),使用非线性光谱解混技术从HGORT模型模拟的森林总反射中提取出森林冠层的反射特性,进而计算得到森林背景的反射率。这种方法为使用单个观测角度的遥感数据来获取森林背景的信息提供了可能。然而,此方法只是概念性的,并没有使用遥感数据进行森林背景反射率的反演实验。(2)假设不同的观测角度,观测得到的信号中冠层与林下植被的贡献有差别,采用多角度观测来联合反演森林背景反射率。例如,Pisek等将林冠顶层的总反射看成是光照冠层、光照背景、阴影冠层和阴影背景4部分的线性加权(式(2)),通过假设森林背景的反射率在远离主平面的前向散射方向上随天顶角的变化很小,使用多角度成像光谱仪MISR两个角度的观测数据结合4-scale模型反演北美区域2007年每月的森林背景反射率分布。根据相同原理,MODIS多天观测生成的BRDF产品也被用来反演北欧北方森林区的森林背景反射率的季节变化。用长时间积累的MISR数据,以弥补数据覆盖稀少和云干扰的缺点,得到全球森林区域每月的森林背景反射率。使用多角度数据不需要提取冠层的反射率,而是使用森林冠层的叶面积指数作为初始输入,计算不同观测下4种组分的贡献比。式(1)中,ρF(λ)是森林在波长λ的总反射;ρPEM(λ)是森林冠层在波长λ的反射;ρBEM(λ)是森林背景在波长λ的反射;aPEM是森林冠层贡献百分比;S(λ)是依赖于森林背景的反射,以及森林背景和冠层间多次散射作用的系数。式(2)中,R为反射率;K为组成百分比;下标n是指观测角度;下标PT、PG、ZT和ZG分别是指光照树冠、光照背景、阴影树冠和阴影背景。2.2林下植被叶面积指数的遥感反演方法通常,植被的叶面积指数定义为单位地表面积内绿叶总面积的一半。在森林区域,由于林上冠层和林下植被固碳时长差异很大,两者叶面积指数的分离对于精确估算森林区域的物质和能量平衡十分关键。值得注意的是,林下植被的叶面积指数虽然小于林上冠层,但其在森林生态系统中所占的比例却不可忽视。例如,在针叶林区,林下植被的叶面积指数一般可以占总叶面积指数的20%~40%。此外,林下植被叶面积指数可指示林地的演替阶段和生物多样性,对森林管理和生物多样性保护也很需要。林下植被叶面积指数的遥感反演方法:(1)基于森林背景的反射率或植被指数与林下植被的叶面积指数的统计关系。这种经验关系可通过地表实测或者模型模拟来建立。例如,Law和Waring的研究表明,在均质的土壤反射下,森林背景的近红外和红光反射的简单比率(SimpleRatio)与林下植被叶面积指数的相关性高达92%。因此,如果可获得森林背景的反射率,就可通过该统计关系来获取林下植被的叶面积指数。Kobayashi等利用冠层无叶期森林背景对总反射的贡献最大的物候特性,通过模型模拟冠层叶面积指数为0时的总反射,构建了森林的归一化水指数(NDWI)与林下植被叶面积指数的经验关系,进而使用冠层叶片出现之前的SPOT数据反演得到了林下植被的叶面积指数。这种方法由于使用了有限的时相窗口,导致可用的遥感数据很少;且气候变化导致的植被物候年际变化也会使最优观测时相的选择非常困难。(2)基于林上冠层和林下植被光谱反射在总辐射信号中的非线性关系,结合神经网络的方法提取林上冠层和林下植被的叶面积指数,这一方法的局限性是无云高分辨率数据难以获取,且不适合大区域或全球范围的应用。2.3林下植被高度反演林下植被的高度和覆盖度信息在森林管理、碳循环以及生态研究中有重要价值。例如,在森林火灾预测中,火灾行为模型(如FARSITE或BehavePlus)需要林下植被的高度和覆盖度作为输入来探测容易发生火灾和火势容易蔓延的区域;在大尺度北方森林生态系统的碳、水循环研究中,苔藓植被的覆盖度和物种组成信息是精确估计整个生态系统净初级生产力的关键。在遥感反演中,数据的空间分辨率和单株林下植被的量化级别差异很大(前者是m、km,后者是cm、mm),很难对单株林下植被进行高度和覆盖度量化,因此,林下植被常被作为一个或多个植被层进行研究。林下植被的覆盖度一般是指在研究单元内某一林下植被层所占的百分比,而林下植被的高度则是指研究单元内林下植被层内所有或部分植被的平均高度。激光雷达是一种量化森林结构的有利手段,它不但可以获得精细尺度的冠层三维信息,而且可以穿透冠层获得林下植被的结构信息。Lidar数据的高度信息可被用于林下植被高度的反演,激光点云数据中林下植被回波点可以直接用于测量林下植被的高度。通过分离出林下植被的回波点,林下植被的高度信息即可估算出来。分离的方法有高度阈值法和分类算法。高度阈值法中阈值的确定包括地表调查、人为指定以及回波高度分布结合相应的阈值算法;分类方法主要有聚类分析和多尺度的平均偏移算法,在计算中,不同研究采用的林下植被的高度定义有所差别:有的直接使用所有林下植被回波点的平均高度;有的则使用分位数高度值(50%或99%分位数高度值)。激光雷达数据除了能获取林下植被的高度外,其回波点的密度信息和波形信息也可以用来反演林下植被的覆盖度。在使用激光点云数据反演时,林下植被的覆盖度可直接通过林下植被回波点个数占总回波点或是去除了冠层部分的回波点个数的比例来估算。此外,通过林下植被回波点的特征值与地表测量值的回归关系也可估算林下植被的覆盖度。例如,Wing等使用林下植被回波点的特征值(林下光达覆盖密度(ULCD)),结合2种回归模型,对林下植被的覆盖度进行了预测,验证表明相关性高达0.9。在使用雷达的波形信息反演林下植被的覆盖度时,一般是基于回波波形所构建的波形指数与林下植被覆盖度的相关关系。例如,Peckham等采用SLICER波形数据的冠层特性指数(CHPI)对苔藓植被sphagnum的覆盖度进行了估测,结果与野外测量值的相关系数高达92%。激光雷达虽具有穿透冠层的能力,但是当冠层较为密闭时,效果较差。一种改进方法是增加Lidar单位面积的采样密度,通过增加总的采样密度来增加激光与林下植被交互的可能;另一种方法是使用小光斑全波段模式的Lidar数据,通过回波波形的信息来增强林下植被信号。然而,这两种方法都局限于局部或样地尺度。此外,相对被动遥感而言,主动遥感对技术的要求更高,因此数据的获取和处理需要的成本也相对较大。目前,激光雷达提取林下植被高度和覆盖度在大区域的应用还比较困难。3地下植被研究中存在的问题和发展趋势3.1林下植被的遥感识别森林区域的遥感信号是林下植被和林上冠层的混合信息,林上冠层的信息强,林下植被的信息弱,因此,林下植被信息的提取受到林上冠层的影响很大。从森林结构的角度来看,在水平方向上,冠层的遮挡作用(如较大的林上冠层郁闭度)阻碍了林下植被,特别是在可见光波段的遥感信息获取;在垂直方向上,有些森林冠层与林下植被没有明显的分层。此外,林下植被的组成和结构在时空上的变化也使得遥感反演更加复杂。目前,多角度、高光谱和激光雷达遥感系统在林下植被信息获取方面得到广泛应用,但是局限性依然很明显。例如,MISR多角度数据的幅宽较窄且受云的影响很大,因此,大区域的森林背景反射率制图需要在空间上进行粗分辨率平滑或者在时间上进行合成。又如,激光雷达获取的是空间离散的点云数据,由于其覆盖的区域小且获取成本高难以大范围连续地获取林下植被信息。特别是在郁闭的冠层区域,只有单位面积的采样密度大于5次/m2才能有足够的激光穿透森林冠层到达林下植被。另外,数据获取对技术和平台要求很高,使用成本高。3.2林下植被brdf研究的必要性林下植被的量化描述对深入了解森林功能非常重要,受到的关注日益增加,但目前仍处于起步阶段。根据碳水循环和森林功能等方面的研究需求,未来可能的发展趋势体现在以下3方面:(1)充分利用林上和林下植被在光谱、观测角度和物候方面的差异实现两者分离。乔木和灌木/草的物候期有明显差别,在反演中可以选择林上无叶(如展叶期和落叶期)而林下仍茂盛的时期的观测,使得林下植被在总反射率中的贡献最大化,这有助于提取林下植被的信息。(2)双向反射模型(BRDF)的应用。由于不同观测方向上森林背景的贡献存在差异,这样遥感获得的BRDF信息可以为林下植被的遥感反演提供多种信息,经过这样转换,单角度的观测数据可以作为多角度数据进行反演,克服多角度数据覆盖有限的问题。MODIS的BRDF产品已经用于这方面的尝试。(3)多种数据的融合。不同的遥感数据都有各自的优势和缺点,采用合适的定量融合方法,可达到取长补短的效果,从而得到更详细的林下植被信息。例如,雷达的后向散射数据对于森林木质部的大小和朝向比较敏感,激光雷达数据对垂直结构和水平分布比较敏感,而多光谱数据则对物质的含水量和生物物理结构比较敏感。通过将三者结合起来,雷达所提供的冠层木质部信息(如树干和树枝)和由多光谱数据得到的叶片光学、生物、物理和化学特性(如冠层LAI,叶片反射和透射率)就可作为冠层辐射传输模型的输入来量化林下植被的光谱和结构信息。随着对林下植被贡献的认知不断增强,这方面的研究也会变得更加系统和完善,有助于深入了解全球森林对碳水循环贡献的差异,也能加深我们对林下植被在整个森林生态系统中的作用和贡献的理解。目前,国内对林下植被的叶面积指数、高度、覆盖度、生物量和多样性的量化多采用传统的地表调查方法,获取的实测数据说虽然比较精确,但是存在着工作量大、过程冗繁、破坏性强、耗时耗力等问