Estimation of above-ground carbon storage in the Jiufengshan National Forest Park of Wuhan based on GF-2 images
-
摘要:
探究国产高分辨率数据在森林碳储量估算研究中的潜力，为构建森林碳储量估算模型提供新思路。选取武汉市九峰山国家森林公园为研究对象，以GF-2遥感影像为数据源，结合地面实测信息，对研究区森林地上碳储量进行估算，共提取6个植被指数、4个波段值、8种纹理特征，筛选出9个与实测碳储量相关的遥感变量，运用线性与非线性方程对单个高相关变量和多个相关变量进行建模，选出最优模型，为进一步提高预测精度，将模型代入4种纹理窗口（3×3、5×5、7×7、9×9）。结果表明：通过遥感图像提取的植被指数之间，具有较强的共线性，单变量建立的模型精度低于多变量模型；利用均方根误差RMSE与决定系数R²对4个窗口下模型的预测精度进行评价，模型在5×5窗口下预测效果最好（R² = 0.73，RMSE = 0.5），3×3窗口下预测效果最差（R² = 0.64，RMSE = 0.8），将所有估测模型进行比较，在纹理窗口下模型精度提高了0.11。利用5×5窗口下构建的多变量模型对研究区碳储量进行估算，九峰山国家森林公园碳储总量为1.06×104 t ，总体平均碳密度为84.59 t/hm2，具有一定的固碳作用。选用国产高分辨率影像GF-2数据对武汉市九峰山森林公园进行反演研究，能很好地运用在森林植被碳储量定量与生长状况领域。研究结果对“双碳”目标下森林生态系统碳汇监测与管理具有重要科学意义。
Abstract:Exploring the potential of domestic high-resolution data in the estimation of forest carbon storage estimation research provides a new approach for the construction of forest carbon storage estimation model. In this study, the Jiufengshan National Forest Park in Wuhan City was selected, GF-2 remote sensing image was used as the data source, and ground measured information was combined to estimate forest AGC storage in the Park. A total of 6 vegetation indices, 4 band values and 8 texture features were extracted, and 9 remote sensing variables that related to measured carbon storage were screened out. Linear and nonlinear equations were used to model a single highly correlated variable and multiple correlated variables, and subsequently the optimal model was therefore selected. In order to further improve the prediction accuracy, the model was carried into four texture Windows (3×3, 5×5, 7×7, 9×9). The results showed that the vegetation index extracted from remote sensing images had strong collinearity, and the accuracy of the single variable model was lower than that of the multiple regression model. The root-mean-square (RMSE) and the coefficient of determination R² were used to evaluate the prediction accuracy of the model under four Windows. We showed that the model had the best prediction power under the 5×5 window (R²=0.73, RMSE=0.5), and the prediction power was the lowest under the 3×3 window (R²=0.64, RMSE=0.8), compared with all the estimated models, the accuracy of the model is improved by 0.11 in the texture window. Therefore, the constructed multivariate model was used to estimate carbon storage with a 5×5 window. The total carbon storage in the Jiufengshan National Forest Park was 1.06×104 t, the overall average carbon density was 84.59 t/hm2, it has a certain carbon fixation effect. Using domestically produced high-resolution image of GF-2 satellite imagery data to invert Jiufengshan Forest Park in Wuhan, it can be well used in the field of quantitative carbon storage and growth status of forest vegetation. The research has important scientific significance for the monitoring and management of forest carbon sink under the “carbon peaking and carbon neutrality” target.
-
Keywords:
- GF-2 /
- above-ground carbon storage /
- remote sensing inversion /
- forest carbon sink /
- Hubei Province
-
鄂尔多斯盆地位于中国中西部地区，为中国第二大沉积盆地，跨陕、甘、宁、蒙、晋五省区，盆地面积达到25×104km2。鄂尔多斯盆地的中上三叠统—下白垩统发育，发现有多门类的动植物化石[1]，盆地沉积了巨厚的白垩系。含恐龙等脊椎动物足迹的地层属于下白垩统志丹群，自下而上包含宜君组、洛河组、华池组、环河组、罗汉洞组、泾川组，以及仅分布于东北部的喇嘛湾组[2]。在鄂尔多斯盆地西北部，恐龙足迹主要产于罗汉洞组和泾川组[3]。在鄂尔多斯盆地南部边缘旬邑县洛河组也发现过恐龙足迹[1]。
2017年9—11月，陕西省地质调查中心承担的“陕北丹霞地貌地质遗迹调查项目”及神木市公格沟丹霞地质公园申报项目，在鄂尔多斯盆地东北缘神木市中鸡一带的下白垩统洛河组(K1l)上部紫红色砂岩中发现恐龙与其他四足类足迹多处，该组合的发现在中国尚属首次。
1. 地质背景
洛河组由“洛河砂岩”演变而来，区域上平行不整合在中侏罗统安定组之上[4]。研究区，即鄂尔多斯东北部一带，洛河组厚度63.79m，以紫红色-暗紫红色厚-块状粉砂质泥岩、泥质粉砂岩与薄层中-粗粒长石石英砂岩、石英砂岩为主，构成典型的丹霞地貌景观。
鄂尔多斯盆地在中侏罗统安定组沉积末期，受晚侏罗世燕山运动末期的隆升影响，盆地抬升掀斜遭受剥蚀[5]。到早白垩世初期，鄂尔多斯盆地伸展，洛河组开始沉积。前人研究与1：5万区域地质调查资料①指出，洛河组的沉积环境属河流、湖泊相[6]，而近年来不少学者则认为其属于沙漠相[7-8]，在洛河期，鄂尔多斯盆地进入白垩纪第一个沙漠沉积发育的鼎盛期[8]。综合区调等资料，洛河组早期沉积时盆地具准平原性质，河流宽阔，河漫滩较发育，沉积了紫红色、棕红色、砖红色厚层砂岩，并夹有灰白色高岭石质细砂岩，砂岩体中发育以大-巨型槽状交错层、交错层理为特征的中粒长石砂岩夹少量粉砂岩沉积组合，属河流及冲积扇沉积；中期沉积形成紫红色、棕红色、砖红色厚层中粗粒砂岩，砂岩体中发育以大-巨型风成板状交错层、风成斜层理为特征的中粗粒长石砂岩，明显具有沙漠相沙丘、丘间亚相；晚期沉积则形成一套紫红色块状泥岩、粉砂质泥岩夹薄层泥质粉砂岩组合，发育水平层理、低角度斜层理、泥裂、雨痕等，指示了浅水沙漠湖泊相沉积沙丘砂岩发育的低角度斜层理方向，可能反映了以西北风为主，局部有东南暖风作用。
现将研究区含恐龙等脊椎动物足迹地层岩性描述如下。
上覆地层：第四纪全新世风成沙、黄土层
~~~~~~~~~~~~~~~~~不整合接触~~~~~~~~~~~~~~~~~
早白垩世洛河组(K1l) ＞18.74m
6.紫红色薄层状细粒长石石英砂岩 0.51m
5.紫红色薄层中-粗粒长石石英砂岩，发育板状斜层理，有三趾型恐龙足迹 4.74m
4.紫红色薄层细粒石英砂岩，发育平行层理 5.20m
3.紫红色中厚层中粒长石石英砂岩，具平行层理 5.80m
2.紫红色薄层细粒长石石英砂岩，发育水平层理 1.53m
1.紫红色薄层中粒石英砂岩，有二趾型恐龙足迹与小型四足类足迹，未见底 0.96m
~~~~~~~~~~~~~~~~~不整合接触~~~~~~~~~~~~~~~~~
下伏地层：中侏罗统安定组(J2a)深灰色微-薄层粉砂质泥岩
2. 足迹点与足迹形态
2.1 足迹点概貌
神木市中鸡镇脊椎动物足迹化石分布在宝刀石梨村公格沟水库东岸边，在30km2红色丹霞景观范围内，目前已发现3处恐龙足迹点及2处小型四足类足迹点(图 1)。
![]()
图 1 神木市中鸡镇恐龙等脊椎动物足迹化石分布Figure 1. Distribution map of footprint fossil from dinosaurs and other vertebrate in Zhongji town, Shenmu city1号足迹点目前发现两枚足迹，产于洛河组上部紫红色块状泥岩、粉砂质泥岩与微–薄层泥质粉砂岩中的湖泊相近底部薄层泥质粉砂岩层面上，层面发育泥裂。2~5号足迹点分布在洛河组上部滨岸相紫红色薄层中细粒石英砂岩中岩层面上。其中2号足迹点发现21枚三趾型足迹，层面发育雹痕、雨痕。3、5号足迹点为小型四足类所留。4号足迹点，目前发现16枚二趾型脚印，层面发育浅水流水波痕、雹痕、雨痕、虫迹。
2.2 小型四足类足迹
小型四足类足迹约200个，至少组成5道行迹。其中保存最好的行迹长约1.5m(图版Ⅰ-A)，由前足迹与后足迹组成，都呈扁椭圆形。前足迹平均长1.0cm，宽1.3cm；后足迹平均长1.1cm，宽1.6cm，前足迹位于后足迹的前内侧。因保存或后期风化的原因，绝大部分足迹的趾痕不清，保存最好的后足迹能观察到至少4个趾痕。这些小型四足类足迹的形态与尺寸都与巴西足迹(Brasilichnium) [9]非常相似。巴西足迹最初发现于巴西上侏罗统—下白垩统博图卡图组，传统上被归于哺乳形类(Mammaliamorpha)或衍生的兽孔类(Therapsida)。此类足迹为中国首次发现。
2.3 三趾型兽脚类足迹
三趾型兽脚类分布于1号和2号足迹点。1号足迹点仅1个足迹保存较好(图版Ⅰ-B)，长14.5cm，宽15.8cm，长宽比为0.9，三趾较纤细，第Ⅱ趾至第Ⅳ趾之间的趾间角约为110°。2号足迹点的21枚三趾型足迹形成一道拐弯的行迹(图版Ⅰ-C)。拐弯的行迹相对罕见。其中保存最好的足迹长12.5cm，宽10.0cm，长宽比为1.3，第Ⅱ趾至第Ⅳ趾之间的趾间角为69°，其趾垫不清，跖趾垫较发育。从整体形态看，2号足迹点的三趾型足迹与实雷龙足迹类(Eubrontidae) [10]较相似。实雷龙足迹类最初发现于北美的下侏罗统，但衍生的足迹形态广泛出现在中国的侏罗系—白垩系[11-12]，鄂尔多斯盆地的白垩系也有类似发现[13]。1号足迹点的孤立足迹的形态特征与实雷龙足迹类完全不同，但其较尖锐的爪痕与宽的趾间角表明其属于兽脚类足迹。
2.4 两趾型兽脚类足迹
2号足迹点的一道行迹揭示了有趣的受沉积物影响的保存现象。大多数足迹只留下明显的一个趾痕(图版Ⅰ-D)，但在一处沉积物条件适宜区，该造迹者留下了一个保存良好的两趾型足迹(图版Ⅰ-E)。该足迹长14.5cm，宽5.0cm，长宽比为2.9，第Ⅲ趾至第Ⅳ趾之间的趾间角为20°。这是二趾型足迹在陕西省的首次记录，与该区相邻的内蒙古鄂托克旗查布地区也曾有报道[3]。
由于与鸟类系统发育学上的紧密联系，近年来，恐爪龙类(deinonychosaurian)演化支得到学者们的充分研究。恐爪龙类包括驰龙类(dromaeosaurids)和伤齿龙类(troodontids)，该类群最具代表性的特征是其第Ⅱ趾上有一个高度发育的大爪，这个大爪可以伸出并高度延展[14]。恐爪龙类运动时，该特化的第Ⅱ趾处于扬起状态，因此留下足迹为两趾，仅由第Ⅲ趾和第Ⅳ趾的印迹组成[11]。因此，两趾型足迹对应恐爪龙类造迹者，是迄今为止特征最鲜明的兽脚类足迹之一。自1994年在中国首次发现以来[15]，现在至少发现了十余个足迹点[11]，均来自白垩系，分布于四川盆地与攀西地区的多个点，以及山东莒南与岌山、河北赤城、北京延庆、甘肃盐锅峡等。中鸡恐爪龙类足迹的尺寸与甘肃盐锅峡标本类似，该记录增加了该类造迹者的古地理分布范围。
3. 结论
在鄂尔多斯盆地东北缘神木市中鸡白垩系丹霞地貌中发现的恐龙与其他四足类的足迹化石，展示了一个非常独特的组合类型：哺乳形类/兽孔类足迹-实雷龙足迹类-恐爪龙类足迹。这种多样性的兽脚类行迹与小型四足类足迹的组合，在中国属首次发现。虽然其详细分类还有待进一步研究，但这无疑对中国白垩纪沙漠相恐龙动物群的类型与分布，乃至该地区的古气候、古地理和地层对比都具有重要的意义。
-
![]()
图 2 回归模型实测值和预测值散点图
Figure 2. A scatter plot of measured and predicted values from regression model
表 1 高分二号卫星简介
Table 1 Brief introduction of GF-2 satellites
卫星 分辨率 波段 波长范围/μm 重访周期/d 地面幅宽/km
高分二号
GF-2全色1 m Band1 0.45~0.90 5 >45
多光谱4 mBand2 0.45~0.52 Band3 0.52~0.59 Band4 0.63~0.69 Band5 0.77~0.89 
下载: 导出CSV
表 2 实测样地信息
Table 2 Measured sample information
林分类型 样本量 主要树种（组） 群落组成 最大树高/m 最小树高/m 平均树高/m 最大胸径/cm 最小胸径/cm 平均胸径/cm 针叶林 7 马尾松
马尾松-杉木马尾松、杉木，麻栎、栓皮栎、青冈、香樟、冬青、枫香、柿树、柯树、檵木 15.2
~
22.22.6
~
4.38.6
~
12.032.6
~
58.55.1
~
6.315.0
~
19.0阔叶林 7 栎树
青冈-枫香
青冈-栎树栓皮栎、麻栎、青冈、小叶栎、马尾松、冬青、油茶树、短柱茶、山矾、朴树、柿树、女贞、枫香、苦槠 14.5
~
23.43.5
~
5.79.0
~
15.030.7
~
54.55
~
6.815.8
~
23.8针阔混交林 4 马尾松-栎树
马尾松-栎树-枫香
马尾松-栎树-青冈
马尾松-杉木-栎树栓皮栎、麻栎、小叶栎、青冈、马尾松、冬青、枫香、杉木、檵木 16.9
~
23.34.1
~
6.610.8
~
12.636.7
~
52.35.1
~
6.314.8
~
21.0
下载: 导出CSV
表 3 优势树种生物量方程
Table 3 The biomass equations of the predominant tree species
树种 回归方程 马尾松 Pinus massoniana W=0.1056×(D2H)0.8247 麻栎 Quercus acutissima W=1.13796×10−3D2.0825H2.1154 青冈 Quercus glauca W=0.018851976×(D2H)1.091681772 樟树 Cinnamomum camphora W=0.112503(D2H) 杉木 Cunninghamia lanceolate W=0.257×(D2H)0.697 阔叶树 Hardwood forest W=−1.982+1.209ln(D2) 注：W表示生物量；D表示胸径；H表示高度
下载: 导出CSV
表 4 植被指数及纹理参数计算方法
Table 4 Vegetation index and texture parameter calculation methods
类型 遥感数据 计算公式 植被指数 归一化植被指数(NDVI) NDVI=NIR−RNIR+R 比值植被指数(RVI) RVI=NIRR 差值植被指数(DVI)
DVI=NIR−R土壤调整植被指数(SAVI) SAVI=(NIR−R)(1+L)(NIR+R)+L 增强型植被指数(EVI) EVI=2.5NIR−RNIR+6R−7.5BLUE+1 大气阻抗植被指数(ARVI) ARVI=NIR−(2R−BLUE)NIR+(2R−BLUE) 纹理特征 均值 ∑N−1i,j=0iPij 方差 ∑N−1i,jPij(i−ME)2 均匀性 ∑N−1i,j=0iPij1+(i−j)2 对比度 ∑N−1i,j=0iPij(i−j)2 异质性 ∑N−1i,j=0iPij|i−j| 熵 ∑N−1i,j=0iPij(−lnPij) 二阶矩 ∑N−1i,j=0iPij2 相关性 ∑N−1i,j=0iPij[(i−ME)(j−ME)√VAiVAj] 注：NIR—近红外波段；R—红波段；BLUE—蓝波段；L—土壤调节因子（L = 0.5）；ij—第i行第j列位置上的像元亮度值；Pij—归一化共生矩阵；N—计算纹理特征时移动窗口的大小；ME—灰度共生矩阵的均值，VAiVAj—方差
下载: 导出CSV
表 5 建模因子相关性分析
Table 5 Modeling factor correlation analysis
变量 变量因子 相关系数 X1 NDVI 0.87** X2 RVI 0.86** X3 SAVI 0.80** X4 DVI 0.80** X5 EVI 0.77** X6 B4 0.77** X7 ARVI 0.76* X8 Mean 0.76** X9 Correlation −0.70* 注：**表示p<0.01；*表示p<0.05（双尾）；−表示负相关
下载: 导出CSV
表 6 回归模型与参数
Table 6 Regression model and the parameters
回归模型 方程 R2 调整后R2 F Sig 多元逐步回归模型 Y=18.549−46.981X1+3.453X2+X6 0.85 0.80 15.06 0.00 一元线性模型 Y=7.393X1−1.407 0.85 0.71 28.61 0.00 二次曲线模型 Y=46.12−138.207X1+111.255X12 0.83 0.79 21.69 0.00 S模型 Y=e2.598−0.893/X1 0.70 0.73 26.90 0.00 复合模型 Y=0.854×8.341X1 0.75 0.73 29.64 0.00 成长模型 Y=e0.158+2.121X1 0.75 0.73 29.64 0.00 指数模型 Y=0.854e2.121X1 0.75 0.73 29.64 0.00 Logistic模型 Y=1/(0+1.171×(0.12×10−4)X1) 0.75 0.73 29.64 0.00 线性模型 Y=7.393X1−1.407 0.74 0.72 28.62 0.00 幂次方模型 Y=6.147X11.378 0.74 0.71 28.26 0.00 对数模型 Y=5.473+4.801ln(X1) 0.73 0.70 27.30 0.00 逆函数模型 Y=8.198−3.112/X1 0.72 0.70 26.00 0.00 注：X1为植被指数NDVI；X2为RVI；X6为遥感影像第4波段灰度值
下载: 导出CSV
表 7 实测样地碳储量状况
Table 7 Measured carbon storage status of sample plots
样地数 碳密度/（t·hm−2） 统计值 变异系数 最小值 最大值 均值 标准差 18 87.5 3.09 4.39 3.5 0.35 0.09
下载: 导出CSV
表 8 不同树种（组）碳储量具体分布
Table 8 Specific distribution of carbon storage in different tree species (groups)
树种 碳储量/t 百分比/% 样本量/棵 马尾松 27.82 44.17 318 栎树 26.56 42.16 365 香樟 3.72 5.92 14 青冈 3.09 4.92 114 其他阔叶树 1.78 2.83 47
下载: 导出CSV
-
Fang J Y, Chen A P, Peng C H, et al. 2001. Changes in forest biomass carbon storage in China between 1949 and 1998[J]. Science, 292(5525): 2320−2322. doi: 10.1126/science.1058629
Moazzam N S. 2010. Estimation of carbon stocks in subtropical managed and unmanaged forests of Pakistan[C]//Thirteenth Sustainable Development Conference (SDC) 21-23 December 2010, Islamabad, Pakistan. DOI: 10.1016/0167-5087(84)90186-8.
Nandal A, Yadav S S, Rao A S, et al. 2023. Advance methodological approaches for carbon stock estimation in forest ecosystems[J]. Environmental Monitoring and Assessment, 195(2): 315. doi: 10.1007/s10661-022-10898-9
Pan Y, Birdsey R A, Fang J, et al. 2011. A large and persistent carbon sink in the world’s forests[J]. Science, 333(6045): 988−993. doi: 10.1126/science.1201609
Planck N R V, MacFarlane D W. 2015. A vertically integrated whole−tree biomass model[J]. Trees, 29: 449−460
Pragasan L A. 2022. Tree carbon stock and its relationship to key factors from a tropical hill forest of Tamil Nadu, India[J]. Geology, Ecology, and Landscapes, 6(1): 32−39. doi: 10.1080/24749508.2020.1742510
Qiao Y, Zheng G, Du Z, et al. 2023. Tree−species classification and individual−tree−biomass model construction based on hyperspectral and LiDAR data[J]. Remote Sensing, 15(5): 1341. doi: 10.3390/rs15051341
Sun W, Liu X. 2020. Review on carbon storage estimation of forest ecosystem and applications in China[J]. Forest Ecosystems, 7(1): 1−14. doi: 10.1186/s40663-019-0212-0
Wei M, Jiao L, Zhang P, et al. 2023. Spatio−temporal diversity in the link between tree radial growth and remote sensing vegetation index of qinghai spruce on the northeastern margin of the tibetan plateau[J]. Forests, 14(2): 260. doi: 10.3390/f14020260
Yang F, Jiang X, Ziegler A D, et al. 2023. Improved Fine−Scale Tropical Forest Cover Mapping for Southeast Asia Using Planet−NICFI and Sentinel−1 Imagery[J]. J. Remote Sens., 3: Article 0064.
鲍宽乐, 许文波, 王庆同. 2023. 基于机器学习的Landsat数据地层信息提取——以西南天山柯坪地区为例[J]. 地质通报, 42(4): 637−645. 曹海翊, 邱心怡, 贺涛. 2022. 森林生物量遥感卫星发展综述[J]. 光学学报, 42(17): 402−409. 丁增发. 2014. 安徽亚热带常绿阔叶林甜槠等4个优势树种的生物量模型及生长模型[J]. 安徽农业大学学报, 41(5): 859−865. 葛婧, 彭建松. 2023. 城市绿地碳储量估算方法分析[J]. 现代园艺, 46(12): 179−184. doi: 10.3969/j.issn.1006-4958.2023.12.059 苟睿坤, 陈佳琦, 段高辉, 等. 2019. 基于GF-2的油松人工林地上生物量反演[J]. 应用生态学报, 30(12): 4031−4040. 菅永峰, 韩泽民, 黄光体, 等. 2021. 基于高分辨率遥感影像的北亚热带森林生物量反演[J]. 生态学报, 41(6): 2161−2169. 李兰, 陈尔学, 李增元, 等. 2016. 合成孔径雷达森林树高和地上生物量估测研究进展[J]. 遥感技术与应用, 31(4): 625−633. 李娜, 李清顺, 李宏韬. 2021. 祁连山国家公园青海片区森林植被碳储量与碳汇价值研究[J]. 浙江林业科技, 41(2): 41−46. doi: 10.3969/j.issn.1001-3776.2021.02.007 李威, 黄玫, 张远东, 等. 2021. 中国国家森林公园碳储量及固碳速率的时空动态[J]. 应用生态学报, 32(3): 799−809. 蒙诗栎, 庞勇, 张钟军, 等. 2017. WorldView-2纹理的森林地上生物量反演[J]. 遥感学报, 21(5): 812−824. 倪欢, 牛晓楠, 李云峰, 等. 2021. 基于统计学习方法的安徽省安庆市自然资源自动化监测——以山体为例[J]. 地质通报, 40(10): 1656−1663. 潘腾. 2015. 高分二号卫星的技术特点[J]. 中国航天, 441(1): 3−9. 庞勇, 李增元, 余涛, 等. 2022. 森林碳储量遥感卫星现状及趋势[J]. 航天返回与遥感, 43(6): 1−15. 秦立厚, 张茂震, 钟世红, 等. 2017. 森林生物量估算中模型不确定性分析[J]. 生态学报, 37(23): 7912−7919. 邵文静, 孙伟伟, 杨刚. 2021. 高光谱遥感影像纹理特征提取的对比分析[J]. 遥感技术与应用, 36(2): 431−440. 汤旭光, 刘殿伟, 王宗明, 等. 2012. 森林地上生物量遥感估算研究进展[J]. 生态学杂志, 31(5): 1311−1318. 汤煜, 石铁矛, 卜英杰, 等. 2020. 城市绿地碳储量估算及空间分布特征[J]. 生态学杂志, 39(4): 1387−1398. 王东明, 田世攀, 张昱,等. 2021. 森林-沼泽浅覆盖区地质填图方法试验——以黑龙江1∶5万望峰公社幅为例[J]. 地质通报, 40(5): 782−797. 乌迪, 巫明焱, 陈佳丽,等. 2019. 基于Landsat影像的梭磨乡冷杉林地上碳储量估测及其时空动态[J]. 生态科学, 38(1): 111−122. 魏吉鑫, 刘斯文, 李海潘, 等. 2020. 江西赣州废弃离子型稀土矿修复区植被高光谱特征与健康状况评价[J]. 地质通报, 39(12): 2037−2043. doi: 10.12097/j.issn.1671-2552.2020.12.017 巫明焱, 董光, 王艺积,等. 2020. 川西米亚罗自然保护区森林地上碳储量遥感估算[J]. 生态学报, 40(2): 621−628. 徐丽华, 张结存, 黄博, 等. 2014. 基于QuickBird影像的城市森林碳储量遥感估测[J]. 应用生态学报, 25(10): 2787−2793. 续珊珊. 2014. 森林碳储量估算方法综述[J]. 林业调查规划, 39(6): 28−33. 岳春宇, 郑永超, 庞勇, 等. 2020. 卫星林业遥感系统及应用[J]. 卫星应用, 106(10): 51−55. doi: 10.3969/j.issn.1674-9030.2020.10.013 殷鸣放, 杨琳, 殷炜达,等. 2010. 森林固碳领域的研究方法及最新进展[J]. 浙江林业科技, 30(6): 78−86. doi: 10.3969/j.issn.1001-3776.2010.06.018 张桂莲, 邢璐琪, 张浪, 等. 2022. 城市绿地碳汇计量监测方法研究进展[J]. 园林, 39(1): 7. 张梦顺. 2022. 高光谱遥感影像中纹理特征的作用[J]. 工程技术研究, 7(12): 219−221. doi: 10.12361/2705-0513-04-12-105869 郑吉林, 蔡艳龙, 郭晓宇,等. 2024. 基于InVEST模型的晋北土地利用变化与碳储量研究[J]. 地质通报, 43(1): 173−180.
计量
- 文章访问数: 1188
- HTML全文浏览量: 475
- PDF下载量: 1298
