基于人工神经网络与空间仿真模拟的区域森林碳估算比较——以龙泉市为例

• 作者: 张茂震 杨海宾 秦立厚 袁振花
• 来源期刊: 生态学报
• 关键词: 森林碳储量 高斯协同仿真模拟 BP神经网络 森林资源清查数据 TM影像
• 年，卷（期）: 2017,（10）
• 所属期刊栏目: 研究论文
• 页码范围: 3459-3470
• 页数: 12页
• 语种: 中文
• DOI: 10.5846/stxb201603010352

摘要

森林是生态系统的重要组成部分,准确估算森林碳储量及其分布对于评价森林生态系统的功能具有重要意义.以龙泉市为研究区,利用2009年99个森林资源清查样地数据和同年度LandsatTM影像数据,采用高斯序列协同仿真(SGCS)与BP神经网络方法(BPNN)分别模拟森林地上部分碳密度及其分布,并进行了对比分析.随机将样本数据分成70个建模样本和29个检验样本.通过模型检验,BP神经网络预测值与实测值的相关性达到0.67,相对均方根误差为0.63,空间仿真方法预测值与实测值的相关性为0.68,相对均方根误差为0.63,空间仿真方法预测能力略高于神经网络方法.仿真结果表明,基于BP神经网络模拟的森林碳总量为11042990 Mg,平均碳密度为36.10 Mg/hm2,总体森林碳密度均值高于样地平均值8.82％.基于空间仿真模拟的森林碳总量为11388657 Mg,平均碳密度为37.23 Mg/hm2,总体森林碳密度均值高于样地平均值9.40％.对比分析可知:高斯协同仿真模拟和BP神经网络虽然在碳总量估算值上与抽样数据估计值相近,但两种方法在估测值的频率分布以及研究区碳分布上有较大的差异.与BP神经网络相比,序列高斯协同模拟结果更接近系统抽样样地实测值,全部样地预测值与实测值的相关性达到0.75,在估计区域森林碳空间分布上有明显优势.在碳密度值域与频率分布方面,序列高斯协同模拟结果分布更合理.综上所述,序列高斯协同模拟在森林碳空间估计方面要优于BP神经网络.