植被固碳能力智能化評估能力建設方案

1、植被固碳能力智能化評估能力建設方案林草智能化，助力碳中和一、背景概述2035年是中國城市低碳轉型和可持續(xù)發(fā)展的重要節(jié)點。主席在2018年5月召開的全國生態(tài)環(huán)境保護大會上指出：要通過加快構建生態(tài)文明體系，確保到2035年，生態(tài)環(huán)境質量實現根本好轉，美麗中國目標基本實現。這與中國在第七十五屆聯合國大會一般性辯論會上提出的“中國將提高國家自主貢獻力量，采取更加有力的政策和措施,二氧化碳排放力爭于2030年前達到峰值,努力爭取2060年前實現碳中和”的目標，以及可持續(xù)發(fā)展目標是一致的。中國各城市在面向2035年的規(guī)劃中，普遍突出了對低碳轉型和持續(xù)發(fā)展的重視。上海市城市總體規(guī)劃（2017年-2035年）

2、提出了“更可持續(xù)的韌性生態(tài)之城”的城市發(fā)展定位，專門寫入了應對氣候變化與低碳發(fā)展章節(jié)，提出了明確的碳排放峰值目標，即全市碳排放總量與人均碳排放預計2025年前達峰，至2035年，控制碳排放總量較峰值減少5%左右。這在國內城市總體規(guī)劃編制中尚屬首次。北京城市總體規(guī)劃（2016年一2035年）指標體系中，“堅持綠色發(fā)展，在改善生態(tài)環(huán)境方面達到國際一流水平”在42個指標中占11個。雄安新區(qū)發(fā)展規(guī)劃綱要中，綠色生態(tài)指標在38個指標中占17個，藍綠空間占比、保護碳匯空間、海綿城市、使用綠色建材、智慧運營和管理等內容，目標對標國際先進水平。林草生態(tài)系統(tǒng)的建立和保護，對于保護碳匯空間具有非常重要的作用。碳匯

3、主要是指森林吸收并儲存二氧化碳的多少，或者說是森林吸收并儲存二氧化碳的能力。森林碳匯是指森林植物吸收大氣中的二氧化碳并將其固定在植被或土壤中，從而減少該氣體在大氣中的濃度，而森林固碳能力評估就是碳匯的實現方式。二、能力建設方案2.1概述達到碳中和目標無非有兩種方式：減少碳排放和増加碳吸收。而碳吸收能力（碳匯）的評估主要是針對植被的固碳能力評估，這也是林草部門的工作內容之O植被固碳能力評估主要是計算植被總初級生產力（Grossprimaryproductivity,GPP），即單位時間內生物（主要是綠色植物）通過光合作用所固定的有機碳量，又稱總第一性生產。作為地表碳循環(huán)的重要組成部分，GPP不但

4、反映了植被群落的生產能力，也是客觀評價生態(tài)系統(tǒng)功能狀況的重要指標。進行GPP評估，可用的方法之一是增加生態(tài)群系的時空變化觀測，即將野外采樣與遙感數據相結合。在現有的技術條件下，建立空間連續(xù)的植被碳匯估算模型，基于遙感的技術框架是可行和很有前途的。植物通過光和作用從空氣中吸收二氧化碳，并以有機物的形式固化在植物體內，而一段時間內植物生物碳儲量的變化量即可近似認為其在這段時間內的碳吸收量。植被固碳能力評估計算模型的主流包括統(tǒng)計模型、參數模型和過程模型等。遙感技術比較適合用于參數和統(tǒng)計模型的參數獲取，以及在過程模型中用于生態(tài)群系分類。植被固碳能力評估模型的核心技術能夠描述為：1. 給出植被生物量（A

5、VB）和GPP測算模型，解決森林生態(tài)系統(tǒng)固碳量現狀和年增量測算問題；2. 通過遙感數據提取樹種和環(huán)境壓力控制下的冠徑（用來表征樹齡并間接表征GPP生產階段）信息，預測未來若干年的GPP年修正量，解決時間連續(xù)定量問題；3. 通過以具體樹種單株測算植物固碳性能，并以25mX25m采樣尺度測算影響GPP的主要環(huán)境壓力和生產模式數據，解決野外地區(qū)異質空間精確定量問題；4. 通過開發(fā)遙感和GIS數據驅動的模型，解決空間連續(xù)定量問題；并通過實現所有驅動參數的計算機自動提取，解決快速定量問題。植被固碳能力評估模型技術框架示意圖如下：2-2樹種識別不同樹種的固碳性能相差較大。所以，無論從重要性還是從提取難度來

6、看,樹種都是植被固碳能力測算模型的關鍵輸入參數。植被固碳能力測算模型將首先建立樹種分類器，其技術框架如下圖所示：如何設計特征描述符、建立分類模型和輔助特征專家?guī)焓菢浞N分類器的關鍵技術。2.2.1特征描述符遙感圖像種類和獲取環(huán)境條件常常具有多變性，使得不同時相、不同季節(jié)、不同傳感器獲得的圖像表現顯著的波譜特征差異。如果采用常規(guī)波譜特征聚類/分類，一般需要根據圖像獲取條件，不斷調整分類邏輯。在歸一化植被指數、灰度共生矩陣統(tǒng)計指標和形狀系數等經典描述符的基礎上，本方案給出歸一化陰影指數、飽和度明度相對差、相對邊緣點數、相對暗細節(jié)密度、相對骨架密度、加權平均冠徑等14個新描述符，如下表。符號名稱含義波

7、譜特征4紅波段相對亮度Ar=（R-R平均）/R平均（R鬲為紅波段亮度R在滑動窗口區(qū)的均值，一下G.盧淵B必類推丿AG綠波段相對亮度爆=(G-G平均)/G平均Ab藍波段相對亮度r=(B-B平均)/B平均B_NDVI單色相對植被指數B_NDVI=(B/IR-NDVI)/NDVINDUI歸一化陰影指數NDUI=(S-I)/(S+I)住要用于分割亮區(qū)和陰影區(qū)植被丿Dsi飽和度明度相對差DSI=(S-I)/S俗,/分別為窗口平均飽和度和明度丿cd欠提取像素補償集點密度Cd=SUM(Dsi)Z4；d為第，個單元欠提取像素補償集的點密度，4為第，個單元植被覆蓋面積丿紋理特征T相對邊緣點數T=sedge/Ae

8、dgers強e為滑動窗口區(qū)邊緣點數，Andvi是窗口區(qū)以NDVI>0.18提取的樹冠覆蓋面積丿QF相對起伏度QF=Ahg/ANDV!億Ees是滑動窗口區(qū)樹冠表面小凹陷面積丿Ld相對亮細節(jié)密度Ld=Slight/Am(Slight是窗口區(qū)亮細節(jié)數丿Dd相對暗細節(jié)密度Dd=Sdak/Ag】69曲心是窗口區(qū)亮細節(jié)數)形狀特征Sk相對骨架密度Sf/DJ、D分別為樹冠圖斑的骨架長度和外輪廓直徑，Ss越大標識樹冠輪郭越復雜丿Cv邊界起伏幅度Cv=Acon/A（Ae為樹冠圖斑凸包的面積，A為圖斑面積；Gz越大邊界凹凸起伏幅度越大丿Ra加權平均冠徑取當前單元內圖斑的短軸相對于圖斑面積的加權平均值2.2.

9、1.1波譜特征描述符單個波譜分量IR、R、G6（紅外、紅、綠）或H、S、I（色調、飽和度、明度）對遙感圖像的類型和獲取時環(huán)境條件的變化比較敏感，分割閾值通常不特定，由此導致聚類結果不穩(wěn)定或神經網絡的輸出沒有意義。而使用一些具有組合、歸一化、相對值、平滑化性質的描述符，如NDUI和DSI和A等，這種情況通常會有較大改善。2.2.1.2波譜特征描述符紋理特征是樹種識別最有用的特征之一。即使難以建立適合多數樹種的紋理描述符，紋理分割的難度也很大；但因為紋理特征幾乎不受遙感圖像的類型和獲取環(huán)境條件變化的影響，使得它的重要性在很多方面勝過波譜特征。本方案在灰度共生矩陣統(tǒng)計量和小波分析等傳統(tǒng)紋理特征描述符

10、的基礎上，針對樹種識別的特點，提出相對邊緣點數、相對起伏度、相對亮/暗細節(jié)密度等表征樹冠表面粗糙程度的數學描述符。樹冠表面的微小起伏會形成細小陰影或暗細節(jié)，能夠用這種暗細節(jié)的密度和平均長度等表征樹冠表面粗糙度。暗細節(jié)提取利用了灰度形態(tài)濾波的概念，它通過灰度閉合和開啟操作，來提取尺寸比結構元素小的暗細節(jié)，該指標能較好表征樹冠的表面粗糙度。2.2.1.3形狀特征描述符形狀描述符對于某些樹種的識別比較有效，它也是分割閾值幾乎不受遙感圖像類型和獲取環(huán)境條件變化影響的穩(wěn)定描述符。對于冠頂亮圖斑或本影暗圖斑的形態(tài)，能夠用基于區(qū)域或基于邊界的一些形狀描述符表征。如圖斑面積、圖斑重心、長寬比、外接矩形、長軸方

11、向角等是區(qū)域形狀描述符的例子，又如圖斑周長、角點坐標、凸包節(jié)點坐標等是邊界形狀描述符的例子，此外還有二者結合的形狀描述符，如形狀系數（通常為圖斑面積與同周長正方形或圓形面積之比）等。本方案根據樹種識別的特點，還補充了相對骨架密度、邊界起伏幅度、加權平均冠徑等表征樹冠投影輪廓復雜程度和樹冠相對大小等新描述符。2.2.2分類模型各識別特征的關聯規(guī)則（組合、邏輯順序、權重等）不但取決于樹種，而且取決于環(huán)境背景（如山體陰影等）、造林模式（如栽種密度等）和圖像獲取季節(jié)和時間等。在多數情況下，這種關聯規(guī)則表現出隨機性、模糊性和不特定性。為此，選擇空間數據挖掘中的一些代表性概念模型和算法（即模糊集、云理論、

12、粗集，決策樹等）進行測試比較，以指導樹種分類器的設計。2.2.3輔助特征專家知識庫在多維特征空間分類出現不特定性時，能夠考慮啟用專家知識庫輔助分類。本方案設計的輔助特征包括： 拓撲鄰域特征用于描述各類別/圖斑之間的相互關系(即兩個樹種的相鄰概率等)。 造林模式儲存常規(guī)造林模式，能夠從現有GIS中獲取與造林栽種模式有關的背景信息O 季節(jié)/物候儲存植物常綠、落葉、花期等季節(jié)/物候特點，以用于多時相遙感圖像分類。2.3冠徑提取植物冠徑是一個能夠從遙感圖像上提取的客觀量。冠徑信息不但能夠用于計算冠徑年差，也能夠用于模擬計算冠高，以及與覆蓋面積結合求取植株數等，還能夠分樹種建立冠徑-AVB關系，就像根據

13、冠徑模擬計算綠量一樣。為了實現冠徑的自動提取,本方案確定樹冠周長面積比x與冠徑y(tǒng)之間具有對數相關性如下式：y=-4.4878In(x)+0.1563該方程的R2為0.8293,是相對應樣本數在99%置信度下限值的4.86倍(限值為0.1706)o它從一個角度證明周長面積比與冠徑具有很好的相關性，以這種方法提取冠徑，從理論上說非常合理。對于郁閉度較高的植被，冠徑提取的基本方法是：通過波譜和紋理特征組合的模糊聚類，初步劃分樹冠圖斑；通過數學形態(tài)學處理，減少和消除圖斑粘連；通過樹冠或其本影圖斑的短軸長獲得冠徑。對于陰影區(qū)植被，釆用歸一化陰影指(NDUI),基本能夠準確分離陰影區(qū)的喬木植株。當遙感圖像

14、的空間分辨優(yōu)于Im時，植被并未達到郁閉度飽和，冠徑自動提取是可行的。隨著樹種分類器開發(fā)的深入，冠徑提取算法也能夠隨之調整，冠徑自動提取的精度有望進一步改善。對于郁閉度較高的喬木林，隨著樹冠不斷擠緊，郁閉度達到飽和狀態(tài)，此時樹冠本影能夠較好表達樹冠的交叉程度。隨著樹冠越擠越緊，樹冠本影逐漸消失,植株不可分，整個樹林的頂部變成一個起伏逐漸減小的近似平頂。對于這種情況,能夠采用郁閉度飽和的特殊AVB和GPP計算方法。描述樹冠交叉程度的參數是“郁閉飽和度”，它能夠用樹冠本影面積與覆蓋面積之比來表征；該比值充足小，表明樹冠本影消失，郁閉度達到飽和狀態(tài)。對于這種郁閉度飽和或其它冠徑自動提取有困難的綠地，考

15、慮以激光雷達(Lidar)數據計算樹高，并結合樹種數據計算AVB,以部分取代冠徑自動提取。2.4陰影區(qū)樹冠分離和提取為了植被碳捕獲模型的全遙感驅動，必須解決的基礎性難題之一是分離與提取處于山體陰影區(qū)植物。為此，本方案提出了歸一化陰影指數NDUI的概念。NDUI=(S-I)(S+I)其中S和I分別為HSI彩色系統(tǒng)中的飽和度和明度分量。當采用歸一化植被指數NDVI確定植被范圍后，能夠通過NDUI進一步分離和提取陰影區(qū)植物.為了改善識別效果，還能夠在此基礎上對陰影區(qū)植被進行亮度修復。使用NDUI能夠準確分離和提取陰影區(qū)植被是因為NDUI對于陰影區(qū)樹冠覆蓋范圍具有穩(wěn)定的閾值。這主要得益于飽和度S在暗區(qū)

16、并不顯著下降，而使陰影區(qū)植被SI的值通常高于非陰影區(qū)；加上NDUI使用系數1/IS+D對SI做了非線性拉伸。所以NDUI對遙感圖像的類型和獲取環(huán)境條件的變化具有很好的穩(wěn)定性。在本方案中，陰影區(qū)植被亮度修復在前述陰影區(qū)植被提取的基礎上進行，亮度修復值的計算采用CLAH直方圖均衡化算法。CLAHE采用一定尺寸的滑動窗口對每個像素進行局部直方圖均衡化，由此避免因為陰影區(qū)植被像素在全圖像總像素中的占比較少而受到壓抑。在對整個植被覆蓋區(qū)域做CLAHE后，以其結果替換陰影區(qū)內的相對應像素。2.5植物表觀特征與綠量和樹齡的相關性因為在遙感圖像上無法直接獲得喬木胸徑。所以在本方案植被固碳模型的技術框架中，以冠

17、徑表征喬木的生長階段或間接表征樹齡。這部分試驗是樣本木地上生物量與冠徑相關分析的第一步，主要分析樣本木部分表觀特征之間的相關性，以期給出更合理的釆樣分析方案，減少樣本砍伐量。2.6環(huán)境壓力計算理論上，能夠根據植物冠徑年差AD推算AVB年差，以此計算GPPo但喬木的AD或GPP隨樹齡不同變化較大。同時，CO?環(huán)境濃度、氣溫、風沙、山體遮蔽等環(huán)境壓力因子，以及樹木郁閉度、造林模式等管養(yǎng)模式因子等都可能對D產生不同程度的影響。為此本方案的模型考慮將AD設置為上述影響因子的函數，即：D=f(D,RS1Rv,Cg,Ts,Td>S)上式體現樹齡(以D表征)、主要環(huán)境壓力因子和管養(yǎng)模式因子等對AD的影

18、響，能夠通過多元分析獲得函數表達式的具體形式，該多元關系的一般形式為：AD=a1D+a2Rs+a3Rv+a4CCO2+a5Ts+a6Td+a7式中，aj(i=l,2,.，7)為待定系數，a,為常量；D為時間移動平均冠徑,指與AD獲取時間相對應的平均冠徑；Rs為樹木郁閉度；Rv為山體陰影等對植物的遮蔽率；Cc°2和Ts分別指與AD獲取時間相對應的年均CO?濃度和年積溫記錄數據；Td為風沙密度(體現風沙對植物呼吸的影響)。為了減少野外采樣量，樣本數據通過30a階梯遙感圖像判讀采樣方法獲得,技術流程見下圖：遙感圖像判讀采樣為同株采樣，即確定樣株后，在時序階梯圖像上計算機自動獲取冠徑,并根據遙感圖像的年份計算AD和對應的D;同時計算Rs、R,和Ts等數據。Cc°2