森林生物量遥感降尺度研究

ＡＣＴＡＥＣＯＬＯＧＩＣＡＳＩＮＩＣＡ

生态学报

Ｖｏｌ．３９，Ｎｏ．１１Ｊｕｎ．，２０１９

ＤＯＩ：１０．５８４６／ｓｔｘｂ２０１８０１３００２４９

刘沁茹，孙睿．森林生物量遥感降尺度研究．生态学报，２０１９，３９（１１）：３９６７⁃３９７７．

ＬｉｕＱＲ，ＳｕｎＲ．Ｓｐａｔｉａｌｄｏｗｎｓｃａｌｉｎｇｏｆｆｏｒｅｓｔｂｉｏｍａｓｓｂａｓｅｄｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０１９，３９（１１）：３９６７⁃３９７７．

森林生物量遥感降尺度研究

刘沁茹１，２，孙　睿１，２，∗

１遥感科学国家重点实验室，北京师范大学地理科学学部，北京　１００８７５

２北京市陆表遥感数据产品工程技术研究中心，北京师范大学地理科学学部，北京　１００８７５

摘要：森林生物量是评价全球碳氧平衡、气候变化的重要指标。目前已有基于星载激光雷达数据的全球森林生物量产品，但空间分辨率较低，不能很好地满足小区域森林调查和动态监测的需要。针对这一现状，以美国马里兰州两个森林分布状况不同的区域为研究区，基于ＣＭＳ（ＣａｒｂｏｎＭｏｎｉｔｏｒｉｎｇＳｙｓｔｅｍ）３０ｍ分辨率和ＧＥＯＣＡＲＢＯＮ１ｋｍ分辨率森林地上生物量产品以及ＴＭ等数据源，通过升尺度模拟低分辨率生物量数据和直接使用低分辨率产品两种方式，分别尝试建立了多光谱地表参数和低分辨率森林地上生物量之间的统计关系，以此作为降尺度模型实现了森林地上生物量空间分辨率从１ｋｍ到３０ｍ的转换，并对降尺度结果进行精度评价和误差分析。结果表明：模拟数据降尺度后的３０ｍ分辨率森林地上生物量空间分布和ＣＭＳ森林地上生物量分布状况大致相同，ＲＭＳＥ＝５９．２—６５．５Ｍｇ／ｈｍ２，相关系数约为０．７；其降尺度结果优于ＧＥＯＣＡＲＢＯＮ产品直接降尺度结果ＲＭＳＥ＝７５．３—７９．９Ｍｇ／ｈｍ２；相较于线性模型，非线性模型能更好地呈现森林地上生物量和地表参数间的关系；总体上，降尺度生物量呈现高值区低估，低值区高估的现象。

关键词：森林地上生物量；空间降尺度；统计回归；遥感

Ｓｐａｔｉａｌｄｏｗｎｓｃａｌｉｎｇｏｆｆｏｒｅｓｔｂｉｏｍａｓｓｂａｓｅｄｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇ

１ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇＳｃｉｅｎｃｅ，ＦａｃｕｌｔｙｏｆＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅ，ＢｅｉｊｉｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００８７５，ＣｈｉｎａＣｈｉｎａ

ＬＩＵＱｉｎｒｕ１，２，ＳＵＮＲｕｉ１，２，∗

２ＢｅｉｊｉｎｇＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆＧｌｏｂａｌＬａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＰｒｏｄｕｃｔｓ，ＦａｃｕｌｔｙｏｆＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅ，ＢｅｉｊｉｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００８７５，

Ａｂｓｔｒａｃｔ：Ｆｏｒｅｓｔｂｉｏｍａｓｓｉｓａｎｉｍｐｏｒｔａｎｔｉｎｄｉｃａｔｏｒｔｈａｔｃａｎｂｅｕｓｅｄｔｏｅｖａｌｕａｔｅｇｌｏｂａｌｃａｒｂｏｎ⁃ｏｘｙｇｅｎｂａｌａｎｃｅａｎｄｃｌｉｍａｔｅｃｈａｎｇｅ．Ａｔｐｒｅｓｅｎｔ，ｔｈｅｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｏｆｅｘｉｓｔｉｎｇｇｌｏｂａｌｆｏｒｅｓｔｂｉｏｍａｓｓｐｒｏｄｕｃｔｓｂａｓｅｄｏｎｓｐａｃｅｂｏｒｎｅｌａｒｇｅｆｏｏｔｐｒｉｎｔｄｅｔｅｒｍｉｎｅａｄｏｗｎｓｃａｌｉｎｇｍｅｔｈｏｄｔｏｐｒｏｄｕｃｅｈｉｇｈｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｆｏｒｅｓｔｂｉｏｍａｓｓｐｒｏｄｕｃｔｓｆｒｏｍｃｏａｒｓｅｒｅｓｏｌｕｔｉｏｎｐｒｏｄｕｃｔｓ．ＬｉＤＡＲｄａｔａｉｓｔｏｏｃｏａｒｓｅｔｏｍｅｅｔｔｈｅｎｅｅｄｓｏｆｌｏｃａｌｆｏｒｅｓｔｉｎｖｅｓｔｉｇａｔｉｏｎａｎｄｄｙｎａｍｉｃｍｏｎｉｔｏｒｉｎｇ．Ｔｈｅｒｅｆｏｒｅ，ｉｔｉｓｎｅｃｅｓｓａｒｙｔｏＴｗｏａｒｅａｓｗｉｔｈｄｉｆｆｅｒｅｎｔｆｏｒｅｓｔｄｉｓｔｒｉｂｕｔｉｏｎｐａｔｔｅｒｎｓｉｎＭａｒｙｌａｎｄ，ＵＳＡ，ｗｅｒｅｓｅｌｅｃｔｅｄｉｎｔｈｉｓｓｔｕｄｙｔｏｅｓｔａｂｌｉｓｈｓｔａｔｉｓｔｉｃａｌ

ｒｅｌａｔｉｏｎｓｈｉｐｓｂｅｔｗｅｅｎｌｏｗｒｅｓｏｌｕｔｉｏｎｍｕｌｔｉｓｐｅｃｔｒａｌｄａｔａｕｐｓｃａｌｅｄｆｒｏｍＴＭｄａｔａａｎｄｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ（ＡＧＢ），ｗｈｉｃｈｗｅｒｅｕｐｓｃａｌｅｄｆｒｏｍＣＭＳ（ＣａｒｂｏｎＭｏｎｉｔｏｒｉｎｇＳｙｓｔｅｍ）ｆｏｒｅｓｔＡＧＢｐｒｏｄｕｃｔｓｏｒｄｉｒｅｃｔｌｙｆｒｏｍＧＥＯＣＡＲＢＯＮＡＧＢｐｒｏｄｕｃｔｓ．ＴｈｅｓｔａｔｉｓｔｉｃａｌｒｅｌａｔｉｏｎｓｈｉｐｓｗｅｒｅｔｈｅｎｕｓｅｄａｓａｄｏｗｎｓｃａｌｉｎｇｍｏｄｅｌｔｏｄｏｗｎｓｃａｌｅｔｈｅｆｏｒｅｓｔＡＧＢｐｒｏｄｕｃｔｓｆｒｏｍａｓｉｍｕｌａｔｅｄｆｏｒｅｓｔＡＧＢｗａｓｒｏｕｇｈｌｙｔｈｅｓａｍｅａｓｔｈａｔｏｆｔｈｅＣＭＳｂｉｏｍａｓｓ．ＴｈｅＲＭＳＥｗａｓｂｅｔｗｅｅｎ５９．２Ｍｇ／ｈｍ２ａｎｄ６５．５Ｍｇ／

ｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｏｆ１ｋｍｔｏ３０ｍ．Ｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｄｏｗｎｓｃａｌｅｄ３０ｍ⁃ｒｅｓｏｌｕｔｉｏｎｂｉｏｍａｓｓｆｒｏｍｈｍ２．Ｔｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｒｅａｃｈｅｄ０．７．Ｄｏｗｎｓｃａｌｅｄ３０ｍ⁃ｒｅｓｏｌｕｔｉｏｎｂｉｏｍａｓｓｆｒｏｍＧＥＯＣＡＲＢＯＮｆｏｒｅｓｔＡＧＢｈａｄａｈｉｇｈｅｒＲＭＳＥ，ｗｈｉｃｈｗａｓｂｅｔｗｅｅｎ７５．３Ｍｇ／ｈｍ２ａｎｄ７９．９Ｍｇ／ｈｍ２．Ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｌｉｎｅａｒｍｏｄｅｌ，ｔｈｅｎｏｎ⁃ｌｉｎｅａｒｍｏｄｅｌｓｈｏｗｅｄｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎＡＧＢａｎｄｍｕｌｔｉｓｐｅｃｔｒａｌｄａｔａｍｏｒｅｅｆｆｅｃｔｉｖｅｌｙ．Ｉｎｇｅｎｅｒａｌ，ｔｈｅｒｅｗａｓａｎＡＧＢｕｎｄｅｒｅｓｔｉｍａｔｉｏｎ

基金项目：国家重点研发计划（２０１７ＹＦＡ０６０３００２，２０１６ＹＦＢ０５０１５０２）收稿日期：２０１８⁃０１⁃３０；　　网络出版日期：２０１９⁃０３⁃２１∗通讯作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ：ｓｕｎｒｕｉ＠ｂｎｕ．ｅｄｕ．ｃｎ

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ

３９６８　生　态　学　报　　　３９卷　

ａｔｈｉｇｈｖａｌｕｅｓａｎｄｏｖｅｒｅｓｔｉｍａｔｉｏｎａｔｌｏｗｖａｌｕｅｓ．

ＫｅｙＷｏｒｄｓ：ｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ；ｄｏｗｎｓｃａｌｉｎｇ；ｓｔａｔｉｓｔｉｃａｌｒｅｇｒｅｓｓｉｏｎ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ

森林生物量作为森林生态系统长期生产代谢过程中积累的产物，在评价森林固碳能力方面发挥着重要的作用，其大小和分布格局与生物多样性、碳氧平衡、气候变化等密切相关。目前，结合遥感数据建立定量反演模型已成为获取森林生物量产品的主要方式。ＧＬＡＳ星载激光雷达可以获取全球森林冠高，并用于森林生物量估算，目前已有利用ＧＬＡＳ数据生成的全球或区域１ｋｍ分辨率森林生物量产品，如Ｓａａｔｃｈｉ等［１］于２０１１年生成的１ｋｍ分辨率全球热带地区森林地上生物量产品、Ｂａｃｃｉｎｉ等［２］生成的１ｋｍ分辨率非洲森林地上生物量产品。但低空间分辨率产品不能细致地呈现森林生物量的空间分布格局，不能满足小区域森林调查及动态变化监测的需要，而地面调查与机载激光雷达数据获取成本高，工作量大。因此，有必要结合较低分辨率森林生物量产品与易获取的较高分辨率多光谱或ＳＡＲ数据进行森林生物量产品降尺度方法研究，提高森林生物量产品的空间分辨率。

降尺度方法被广泛用于土壤学、气候学等领域［３］，它的实质是将大尺度数据分解为区域尺度数据，实现亚像元信息提取［４］。目前常用的遥感数据降尺度方法有３种：数理统计降尺度、基于调制分配降尺度和基于光谱混合模型降尺度。数理统计回归分析通过建立某些地表参数（如植被指数、地表反照率等）和不同分辨率影像值的回归关系实现降尺度［４⁃１４］，核心即为“关系尺度不变”。Ｋｕｓｔａｓ等［７］提出ＤｉｓＴｒａｄ方法，首次将归一化差值植被指数ＮＤＶＩ用于地表温度ＬＳＴ的降尺度。随后植被覆盖度［８］、ＥＶＩ［９］和地表反照率α［１１，１３］等因子也逐渐被引入降尺度模型。基于调制分配降尺度目前主要用于地表温度，一些学者通过ＰＢＩＭ（像元强度调制）算法实现了降尺度［１５⁃１６］。该算法利用高分辨率反射波段影像值，对应识别低分辨率热像元中的地形变化，根据反向阴阳坡的观测照度差异校正低分辨率热像元温度，但显然这种方法只适用于白天的ＬＳＴ产品降尺度，且地表类型单一。Ｎｉｃｈｏｌ［１７］在此基础上提出了适用于夜间且地形平坦区域的ＥＭ（Ｅｍｉｓｓｉｖｉｔｙ关系实现降尺度［１５］。

Ｍｏｄｕｌａｔｉｏｎ）算法。基于光谱混合模型降尺度考虑了各端元组分的差异，通过建立关联高低分辨率影像的回归

近年来，地表温度、土壤湿度等领域的尺度转换方法研究成果丰富，但针对森林生物量产品降尺度的研究

尚不多见。已有的研究也多是基于森林植被分布图，给出各植被类型的生物量代表值，将其作为各植被类型

在大尺度上的平均生物量降尺度到格网上，得到高分辨率生物量数据［１８⁃１９］，这并非是传统意义上的生物量测算值［２０］。且这些研究多是将遥感数据和地面调查数据结合，而利用高分辨率多光谱数据对低分辨率森林生物量进行统计学降尺度的研究较少。因此，本研究拟建立多光谱地表参数和低分辨率森林地上生物量产品之间的统计关系，探究高低分辨率森林地上生物量之间的转换办法，生成高分辨率森林地上生物量产品。１　研究区概况

本文选择了美国马里兰州的两个研究区（图１）。研究区１位于蓝岭森林区的南山（ＳｏｕｔｈＭｏｕｎｔａｉｎ），海拔在５００ｍ以上，７７°２０′—７７°３８′Ｗ，３９°２４′—３９°４１′Ｎ，地表覆盖类型主要包括落叶阔叶林、农用地等；气温表３８°５８′—３９°１９′Ｎ，地表覆盖类型主要包括混交林、农用地植被混合和城市，此外还有小范围的落叶阔叶林；气候状况表现为夏热冬温，年平均降水量约为１０００ｍｍ。研究区１和研究区２分别位于山区和平原，地形状况差异大；且两个研究区森林分布格局有差异，研究区１的森林分布相较于研究区２更加密集。因此，本文对两个研究区进行了对比研究。２　数据及研究方法２．１　数据及数据处理

　　本文使用到的数据主要包括ＣＭＳ（ＣａｒｂｏｎＭｏｎｉｔｏｒｉｎｇＳｙｓｔｅｍ）森林地上生物量产品、ＧＥＯＣＡＲＢＯＮ森林地

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ

现为冬季低于０℃而夏季保持在２０℃左右。研究区２位于切萨皮克湾附近的平原地区，７６°３７′—７６°５９′Ｗ，

　１１期　　　刘沁茹　等：森林生物量遥感降尺度研究　３９６９

图１　研究区示意图（包括研究区地表分类数据、标准假彩色合成图）

Ｆｉｇ．１　Ｍａｐｏｆｓｔｕｄｙａｒｅａ（ｉｎｃｌｕｄｉｎｇｌａｎｄｓｕｒｆａｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｉｍａｇｅａｎｄｓｔａｎｄａｒｄｆａｌｓｅｃｏｌｏｒｉｍａｇｅｏｆｔｈｅｓｔｕｄｙａｒｅａ）

上生物量产品、Ｌａｎｄｓａｔ⁃５ＴＭ数据和ＡＳＴＥＲＧＤＥＭＶ２（ＡＳＴＥＲＧｌｏｂａｌＤｉｇｉｔａｌＥｌｅｖａｔｉｏｎＭｏｄｅｌＶ２）产品。

分辨率为３０ｍ，时间分辨率为２０１１年一次性估测。该森林地上生物量产品以机载激光雷达数据和实地采样数据作为原始数据，基于随机森林回归模型运算生成［２１］，单位为Ｍｇ／ｈｍ２。经投影转换后，根据研究区经纬度范围对数据进行裁剪。

１ｋｍ），该产品通过融合Ａｖｉｔａｂｉｌｅ等［２２］的热带地区生物量分布图和Ｓａｎｔｏｒｏ等［２３］的北方森林生物量分布图生成，产品仅覆盖森林地区，单位为Ｍｇ／ｈｍ２。其中，北纬３０°以北的森林地上生物量是通过ＥＮＶＩＳＡＴＡＳＡＲ数据反演森林蓄积量ＧＳＶ，然后结合ＩＰＣＣ（ＩｎｔｅｒｇｏｖｅｒｎｍｅｎｔａｌＰａｎｅｌｏｎＣｌｉｍａｔｅＣｈａｎｇｅ）的生物量转换与扩展因子（ＢＣＥＦ）以及材积与生物量转换关系估算得到的。

Ｌａｎｄｓａｔ⁃５ＴＭ数据（行号：０１５，列号：０３３；下载于ｈｔｔｐ：／／ｅａｒｔｈｅｘｐｌｏｒｅｒ．ｕｓｇｓ．ｇｏｖ／）成像时间为２０１１年８月ＧＥＯＣＡＲＢＯＮ森林地上生物量产品（数据下载网址ｈｔｔｐｓ：／／ｗｗｗ．ｗｕｒ．ｎｌ／ｅｎ．ｈｔｍ）空间分辨率为０．０１°（约

ＣＭＳ森林地上生物量产品（数据下载网址ｈｔｔｐｓ：／／ｄａａｃ．ｏｒｎｌ．ｇｏｖ／）覆盖的空间范围为美国马里兰州，空间

２２日，影像包含７个波段，研究中用到的波段１—５（可见光、近红外和中红外波段）和波段７（中红外波段）空间分辨率为３０ｍ。研究区内影像无云量。数据级别为Ｌ１Ｔ，尚未进行辐射定标和大气校正，因此采用ＦＬＡＡＳＨ大气校正模块做进一步处理，最终生成反射率数据。

研究中使用的ＧＤＥＭＶ２产品（数据下载于ｈｔｔｐ：／／ｗｗｗ．ｇｓｃｌｏｕｄ．ｃｎ／）是基于ＡＳＴＥＲ数据计算生成的，数据

时期为２００９年，空间分辨率为３０ｍ。根据研究区经纬度范围选择４幅ＤＥＭ影像进行拼接（Ｎ３８Ｗ０７７／２．２　森林地上生物量降尺度方法

Ｎ３８Ｗ０７８／Ｎ３９Ｗ０７７／Ｎ３９Ｗ０７８），并进行投影转换。利用ＡｒｃＧＩＳ软件生成坡度分布图并裁剪。

本文的降尺度思路有两种：第一种是对１ｋｍ分辨率ＧＥＯＣＡＲＢＯＮＡＧＢ产品直接降尺度；第二种采用先升尺度后降尺度的方法，对３０ｍ分辨率ＣＭＳＡＧＢ产品进行升尺度模拟生成的低分辨率生物量数据降尺度。在直接降尺度过程中，不同源ＡＧＢ产品之间存在的系统性误差可能会导致降尺度验证结果不准确，不能突出降尺度方法，而本文的研究目的是对森林地上生物量降尺度进行方法性探讨，因此同时采用了利用升尺度模

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ

３９７０　生　态　学　报　　　３９卷　

拟数据降尺度的思路。

利用统计回归对森林地上生物量降尺度的关键在于建立适用于高分辨率森林地上生物量反演的模型。基于关系尺度不变的原理，将在低分辨率下线性／非线性回归拟合的生物量反演模型进行残差修复，并直接用于高分辨率下的生物量反演，从而利用降尺度手段获取高分辨率森林地上生物量产品。

森林地上生物量的大小和分布格局受多种因素影响，直接因素包括林分类型、植被地域性和非地域性［２４］、植被覆盖密度等，间接因素包括地形、气候要素以及人类活动等。因此选取能体现上述影响因素的多个地表参数作为自变量进行回归。

本文分别采用了多元线性逐步回归和非线性回归方法构建降尺度模型。多元线性逐步回归方法将多个地表参数同时用于构建方程，在构建过程中不断引入和剔除自变量，在避免多重共线性的基础上实现有效地表参数选取和最优回归方程构建；非线性回归方法仅采用和森林地上生物量相关性最高的单个地表参数作为自变量，建立幂函数模型。

两种降尺度思路都需要采用聚合平均方式将３０ｍ地表参数升尺度到１ｋｍ分辨率。在第二种降尺度思路中，还要将已有３０ｍ分辨率森林地上生物量产品转换到１ｋｍ。考虑到研究区中森林地块和非森林地块混合分布，１ｋｍ尺度下的生物量像元多为混合像元，纯像元比例少。而本文建立的降尺度模型是针对森林的，由于非森林植被对光谱指数也有很大贡献，如果直接建立低分辨率生物量和光谱指数间的关系而不进行像元筛选，则可能会存在低分辨率图像上某像元森林生物量很低但光谱指数仍很高（非森林植被的贡献所致）的现象，因此在建立关系时应尽量选择比较纯的森林像元。计算１ｋｍ网格空间上对应的所有３０ｍ网格中森林像元个数占总像元个数的比例，并设定森林像元比例阈值，大于该阈值的１ｋｍ生物量像元作为因变量被选中，本研究设定森林像元比例阈值为０．６。而当降尺度模型在３０ｍ尺度上估算森林生物量时，由于研究已经假定３０ｍ尺度上都是纯像元，因此该尺度上无需考虑森林像元比例。

多元线性逐步回归降尺度和非线性回归降尺度的思路基本相同，仅在步骤（１）建立回归方程时有差异。多元线性逐步回归降尺度模型建立时是将所有自变量输入模型，在构建模型的过程中筛选自变量；而非线性回归降尺度模型的自变量是在对每一个自变量和因变量进行相关分析后，选出的相关系数最高的单个自变量。降尺度步骤具体如下：的回归方程：

（１）将筛选后的１ｋｍ生物量和对应１ｋｍ地表参数值作为因变量和自变量数据，建立Ｂ１ｋｍ和自变量之间

Ｂ１ｋｍ＝ｆ（ＶＩ１ｋｍ、ρ１ｋｍ、Ｓ１ｋｍ…）

（１）

式中，Ｂ１ｋｍ、ＶＩ１ｋｍ、ρ１ｋｍ、Ｓ１ｋｍ分别为１ｋｍ分辨率的森林地上生物量、植被指数、地表反射率和坡度。

（２）回归得到的Ｂ１ｋｍ和真实生物量Ｂ１ｋｍ之间存在一定的误差，即残差，且这部分不能被忽略，表达式为：

(利用残差修复回归模型，把１ｋｍ×１ｋｍ网格内的残差均匀分配到各个３０ｍ×３０ｍ网格内，获取３０ｍ分辨率残差数据ΔＢ３０ｍ，则修复后的模型为：

æçè式中，Ｂ３０ｍ、ＶＩ３０ｍ、ρ３０ｍ、Ｓ３０ｍ分别为３０ｍ分辨率的森林地上生物量、植被指数、地表反射率和坡度。而实现整个降尺度过程。图２为森林地上生物量降尺度流程。２．３　地表特征参数计算

（３）利用上述模型叠合高分辨率预估生物量和高分辨率残差，获得３０ｍ分辨率生物量空间分布数据，从

选取了４种类型共２０个地表特征参数作为降尺度回归方程的自变量（表１），包括６个波段的地表反射率；多波段组合／植被指数；主成分变换分量和缨帽变换分量；地形因子。

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ

(ΔＢ１ｋｍ＝Ｂ１ｋｍ－Ｂ１ｋｍ

（２）

Ｂ３０ｍ＝ｆ（ＶＩ３０ｍ、ρ３０ｍ、Ｓ３０ｍ…）＋ΔＢ３０ｍ

((æçè（３）

(　１１期　　　刘沁茹　等：森林生物量遥感降尺度研究　３９７１

图２　降尺度流程图

Ｆｉｇ．２　ＴｈｅｐｒｏｃｅｓｓｏｆｄｏｗｎｓｃａｌｉｎｇｍｏｄｅｌＣＭＳ：碳监测系统，ＣａｒｂｏｎＭｏｎｉｔｏｒｉｎｇＳｙｓｔｅｍ

表１　研究选取的地表特征参数

Ｔａｂｌｅ１　Ｌａｎｄｓｕｒｆａｃｅｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓｕｓｅｄｉｎｔｈｅｓｔｕｄｙ

自变量类别

Ｃａｔｅｇｏｒｉｅｓｏｆｉｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅｓ地表反射率Ｓｕｒｆａｃｅｒｅｆｌｅｃｔａｎｃｅ多波段组合Ｍｕｌｔｉ⁃ｂａｎｄｃｏｍｂｉｎａｔｉｏｎ

具体因子Ｆａｃｔｏｒｓ

表达式Ｅｘｐｒｅｓｓｉｏｎｓ

ｒ１／ｒ２／ｒ３／ｒ４／ｒ５／ｒ７ＮＤＶＩ＝ＳＡＶＩ＝ＲＶＩ＝ＶＩ３＝

ｒ４－ｒ３ｒ４＋ｒ３ｒ４－ｒ３

３个可见光／１个近红外／２个中红外波段

归一化差值植被指数ＮＤＶＩ土壤调节植被指数ＳＡＶＩ比值植被指数ＲＶＩ中红外植被指数ＶＩ３［２５］植被覆盖度ｆｃ

［２６］

［２５］

ｒ３

ｒ４－ｒ５ｒ４＋ｒ５

ｒ４＋ｒ３＋Ｌｒ４

（１＋Ｌ）

ｆｃ＝１－ＳＴＭ＝ＴＭ４５２

[

吸收反射与反照度因子ＳＴＭＴＭ４５２波段组合［２７］

主成分变换／缨帽变换分量

Ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔ／Ｔａｓｓｅｌｅｄｃａｐｔｒａｎｓｆｏｒｍａｔｉｏｎｃｏｍｐｏｎｅｎｔ地形因子Ｔｏｐｏｇｒａｐｈｉｃａｌｆａｃｔｏｒ

３个主成分变换分量３个缨帽变换分量坡度Ｓ

ＰＣ１／ＰＣ２／ＰＣ３Ｇ／Ｂ／Ｗ＼

ｒ１＋ｒ２＋ｒ３＋ｒ４＋ｒ５＋ｒ７ｒ４＋ｒ５－ｒ２＝

ｒ４＋ｒ５＋ｒ２

（ＮＤＶＩｍａｘ－ＮＤＶＩｍｉｎ）

ｒ１＋ｒ３

（ＮＤＶＩｍａｘ－ＮＤＶＩ）

]

０．６２５

　　ＮＤＶＩ：归一化差值植被指数，ＮｏｒｍａｌｉｚｅｄＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ；ＳＡＶＩ：土壤调节植被指数，Ｓｏｉｌ⁃ＡｄｊｕｓｔｅｄＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ；ＲＶＩ：比值植被指数，ＲａｔｉｏＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ；ＶＩ３：中红外植被指数，Ｍｉｄ⁃ｉｎｆｒａｒｅｄＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ；ｆｃ：植被覆盖度，Ｆｒａｃｔｉｏｎｏｆｆｏｒｅｓｔｃｏｖｅｒａｇｅ；ＳＴＭ：吸收反射与反照度因子，Ｔｈｅｒａｔｉｏｏｆａｂｓｏｒｐｔｉｏｎ－ｂａｎｄｒｅｆｌｅｃｔａｎｃｅｔｏａｌｂｅｄｏ；ＴＭ４５２：第２／４／５波段组合，Ｃｏｍｂｉｎａｔｉｏｎｏｆｔｈｅｓｅｃｏｎｄ，ｆｏｕｒｔｈａｎｄｆｉｆｔｈｂａｎｄ；ＰＣ１：第绿度，Ｇｒｅｅｎｎｅｓｓ；Ｂ：亮度，Ｂｒｉｇｈｔｎｅｓｓ；Ｗ：湿度，Ｗｅｔｎｅｓｓ；Ｓ：坡度，Ｓｌｏｐｅ

一主成分，Ｔｈｅｆｉｒｓｔｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔ；ＰＣ２：第二主成分，Ｔｈｅｓｅｃｏｎｄｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔ；ＰＣ３：第三主成分，Ｔｈｅｔｈｉｒｄｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔ；Ｇ：

率。ＳＡＶＩ计算公式中Ｌ为土壤调节系数，随植被盖度而变化，本文取常量０．５。

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ

表１中，ｒ１、ｒ２、ｒ３、ｒ４、ｒ５、ｒ７分别是ＴＭ影像的蓝光、绿光、红光、近红外和两个中红外波段的地表反射

３９７２　生　态　学　报　　　３９卷　

３　结果与讨论３．１　降尺度模型

通过多元线性逐步回归和非线性回归，得到森林地上生物量的估算方程（表２）。考虑到模型的普适性，建模过程中将两个区域的自变量和因变量分别合并，建立了同时适用于两个研究区的降尺度模型。进入拟合方程的各自变量系数都满足Ｐ值小于０．０５的条件，通过显著性水平检验。

表２　森林地上生物量估算方程

Ｔａｂｌｅ２　Ｔｈｅｒｅｇｒｅｓｓｉｏｎｅｑｕａｔｉｏｎｓｆｏｒｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｅｓｔｉｍａｔｉｏｎ

思路

Ａｐｐｒｏａｃｈｅｓ

模型建立方法Ｍｏｄｅｌｉｎｇｍｅｔｈｏｄｓ多元线性逐步回归

自变量

Ｉｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅｓｒ４、Ｗ、ＰＣ１、ＰＣ３、ＲＶＩＶＩ３

回归方程

Ｒｅｇｒｅｓｓｉｏｎｅｑｕａｔｉｏｎｓ

Ｙ＝－２２３．２１３×ｒ４＋３８１．５２４×Ｗ＋９４．２８１４×ＰＣ１＋２９２．２０２×ＰＣ３＋２．４２８８５×ＲＶＩ＋２２３．２７７Ｙ＝１９１．８×ＶＩ３０．２１０９

Ｙ＝－２４６９８．８×ｒ１－４２４９３．３×ｒ２－１９８３２．５×ｒ３－２４０４．６４×ｒ４＋２５７１５．３×ｒ５＋９６９０．９９×ｒ７＋６２２．３３×ＮＤＶＩ－６２４．６９×ＳＡＶＩ－６６１．６４１×ＶＩ３－４２６．７０４×ＳＴＭ＋２２０６．８４×Ｂ＋１９２１９．８×ＰＣ１＋１２９５４．７×ＰＣ２＋５４２７３．５×ＰＣ３＋５．８５×Ｓ－２３４．４１

ＧＥＯＣＡＲＢＯＮ

森林地上生物量降尺度ＧＥＯＣＡＲＢＯＮｆｏｒｅｓｔＡＧＢｄｏｗｎｓｃａｌｉｎｇ

非线性回归（幂函数模型）

模拟森林地上生物量降尺度ＳｉｍｕｌａｔｅｄｆｏｒｅｓｔＡＧＢｄｏｗｎｓｃａｌｉｎｇ

多元线性逐步回归

ｒ１、ｒ２、ｒ３、ｒ４、ｒ５、ｒ７、ＮＤＶＩ、ＳＡＶＩ、ＶＩ３、ＳＴＭ、Ｂ、ＰＣ１、ＰＣ２、ＰＣ３、ＳＶＩ３

非线性回归（幂函数模型）

Ｙ＝６５３．３×ＶＩ３１．２６７

３．２　降尺度结果定性评价与分析

通过对两个研究区降尺度３０ｍ森林地上生物量数据和ＣＭＳ３０ｍ森林地上生物量数据对比可以发现（图３、图４），利用模拟低分辨率数据降尺度后的３０ｍ分辨率森林地上生物量空间分布和ＣＭＳ森林地上生物量分布状况大致相同，图３ｂ、３ｃ和图４ｂ、４ｃ中的生物量高值区和低值区与图３ａ、图４ａ吻合较好。而ＧＥＯＣＡＲＢＯＮＡＧＢ产品降尺度后的３０ｍ分辨率森林地上生物量空间分布和ＣＭＳ分布状况相差较大，降尺度ＡＧＢ数值分布集中，空间分布差异不明显。此外，两个研究区降尺度生物量分布图中均存在较为明显的斑块结构，相较于ＣＭＳ森林地上生物量数据而言其内部特征不够平滑，这主要是由于在降尺度过程中未对残差进行平滑处理，而是直接将其叠加到预估森林地上生物量分布图上。

图３　研究区１ＣＭＳ森林地上生物量分布和降尺度森林地上生物量分布比较

Ｆｉｇ．３　ＣｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＣＭＳａｎｄｄｏｗｎｓｃａｌｅｄｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｆｓｔｕｄｙａｒｅａ１

（ａ）ＣＭＳ结果；（ｂ）模拟ＡＧＢ多元线性逐步回归降尺度结果；（ｃ）模拟ＡＧＢ非线性回归降尺度结果；（ｄ）ＧＥＯＣＡＲＢＯＮＡＧＢ多元线性逐步回归降尺度结果；（ｅ）ＧＥＯＣＡＲＢＯＮＡＧＢ非线性回归降尺度结果

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ

　１１期　　　刘沁茹　等：森林生物量遥感降尺度研究　３９７３

图４　研究区２ＣＭＳ森林地上生物量分布和降尺度森林地上生物量分布比较

Ｆｉｇ．４　ＣｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＣＭＳａｎｄｄｏｗｎｓｃａｌｅｄｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｆｓｔｕｄｙａｒｅａ２

（ａ）ＣＭＳ结果；（ｂ）模拟ＡＧＢ多元线性逐步回归降尺度结果；（ｃ）模拟ＡＧＢ非线性回归降尺度结果；（ｄ）ＧＥＯＣＡＲＢＯＮＡＧＢ多元线性逐步回归降尺度结果；（ｅ）ＧＥＯＣＡＲＢＯＮＡＧＢ非线性回归降尺度结果

３．３　降尺度结果定量评价与分析

对降尺度结果定量精度评价采用３个指标：相关系数ｒ、均方根误差ＲＭＳＥ、相对误差δ。在降尺度３０ｍ森林地上生物量分布图和ＣＭＳ３０ｍ森林地上生物量分布图中均匀抽选对应像元点。筛选出其中的森林像元，得到散点图图５、图６。

图５　研究区１ＣＭＳ森林地上生物量和降尺度森林地上生物量散点图

Ｆｉｇ．５　ＳｃａｔｔｅｒｐｌｏｔｓｏｆＣＭＳｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｖｅｒｓｕｓｄｏｗｎｓｃａｌｅｄｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｆｓｔｕｄｙａｒｅａ１

（ａ）模拟ＡＧＢ多元线性逐步回归降尺度；（ｂ）模拟ＡＧＢ非线性回归降尺度；（ｃ）ＧＥＯＣＡＲＢＯＮＡＧＢ多元线性逐步回归降尺度；（ｄ）ＧＥＯＣＡＲＢＯＮＡＧＢ非线性回归降尺度

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ

３９７４　生　态　学　报　　　３９卷　

图６　研究区２ＣＭＳ森林地上生物量和降尺度森林地上生物量散点图

Ｆｉｇ．６　ＳｃａｔｔｅｒｐｌｏｔｓｏｆＣＭＳｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｖｅｒｓｕｓｄｏｗｎｓｃａｌｅｄｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｆｓｔｕｄｙａｒｅａ２

（ａ）模拟ＡＧＢ多元线性逐步回归降尺度；（ｂ）模拟ＡＧＢ非线性回归降尺度；（ｃ）ＧＥＯＣＡＲＢＯＮＡＧＢ多元线性逐步回归降尺度；（ｄ）ＧＥＯＣＡＲＢＯＮＡＧＢ非线性回归降尺度

从表３、表４可以看出，研究区１和研究区２降尺度生物量的均值都高于ＣＭＳ生物量均值。标准差反映森林地上生物量的空间变异性，生物量分布的标准差相对大小表现为：ＳＤＣＭＳ＞ＳＤ模拟ＡＧＢ＞ＳＤＧＥＯＣＡＲＢＯＮＡＧＢ，且非线方面，多元线性逐步回归降尺度结果优于非线性回归降尺度结果，这一结论也可从图３ｂ和３ｃ、图４ｂ和４ｃ的对比中看出，相较于多元线性逐步回归降尺度生物量分布图，非线性回归降尺度生物量分布图中的斑块结构更加明显，从而损失了较多细节。从散点图（图５、图６）可看出，在生物量较小的情况下，降尺度生物量普遍高于ＣＭＳ生物量；在生物量较大的情况下，降尺度生物量普遍低于ＣＭＳ生物量。

非线性回归降尺度的精度优于线性回归降尺度，这可能是由于森林地上生物量和植被指数等自变量之间关系较为复杂，相较于线性模型，非线性模型能更好地描述它们之间的关系。此外，对比文中选择的两个研究区的降尺度状况，研究区１比研究区２效果更好，这可能是由于研究区１的森林分布较研究区２更为集中，导致研究区１的森林纯像元比例比研究区２更高，而本文采用的降尺度模型建立方法是利用森林像元比例阈值筛选建立降尺度模型的较纯低分辨率像元，这种降尺度方法可能更适合于森林像元连续分布的研究区。

为了进一步探究两个研究区降尺度结果存在差异的原因，本文基于景观生态学原理，利用Ｆｒａｇｓｔａｔｓ软件在斑块类型水平上选择部分景观指数，分析两个研究区森林地类之间的空间结构差异。斑块类型层次景观指

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ

性回归降尺度生物量的标准差比多元线性逐步回归的结果更低，说明在呈现生物量空间分布差异和细节变化

　１１期　　　刘沁茹　等：森林生物量遥感降尺度研究　３９７５

数一般从斑块的面积、斑块形状指数、斑块密度等方面对斑块不同类型的特征进行分析［２８］。本文仅将两个研究区分为森林和非森林两种地类，方便对比两个研究区森林地类分布的聚集程度。

表３　降尺度方法精度评价指标

Ｔａｂｌｅ３　Ａｃｃｕｒａｃｙｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓｏｆｔｈｅｄｏｗｎｓｃａｌｉｎｇｍｅｔｈｏｄ

思路

Ａｐｐｒｏａｃｈｅｓ

ＧＥＯＣＡＲＢＯＮ森林地上生物量降尺度ＧＥＯＣＡＲＢＯＮｆｏｒｅｓｔＡＧＢｄｏｗｎｓｃａｌｉｎｇ

研究区Ｓｔｕｄｙａｒｅａ研究区１研究区２研究区１研究区２

降尺度方法Ｄｏｗｎｓｃａｌｉｎｇｍｅｔｈｏｄ非线性回归非线性回归非线性回归非线性回归

ｒ０．４４０．２２０．３５０．３５０．６９０．７３０．６９０．７５

均方根误差ＲＭＳＥＲｏｏｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒ／（Ｍｇ／ｈｍ２）

７５．９７５．３７９．３７９．９６４．６５９．２６５．５５９．５

相对误差δ／％Ｒｅｌａｔｉｖｅｅｒｒｏｒ

５２．６５１．７５３．０５２．８４４．４４１．７４５．４４２．０

多元线性逐步回归多元线性逐步回归多元线性逐步回归多元线性逐步回归

模拟森林地上生物量降尺度ＳｉｍｕｌａｔｅｄｆｏｒｅｓｔＡＧＢｄｏｗｎｓｃａｌｉｎｇ

表４　ＣＭＳ森林地上生物量和降尺度森林地上生物量统计度量

Ｔａｂｌｅ４　ＳｔａｔｉｓｔｉｃａｌｍｅａｓｕｒｅｓｏｆＣＭＳｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｄｏｗｎｓｃａｌｅｄｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ

研究区Ｓｔｕｄｙａｒｅａ研究区１Ｓｔｕｄｙａｒｅａ１

森林地上生物量描述

ＴｈｅｄｅｓｃｒｉｐｔｉｏｎｏｆｆｏｒｅｓｔＡＧＢＣＭＳＡＧＢ

模拟ＡＧＢ多元线性逐步回归降尺度结果模拟ＡＧＢ非线性回归降尺度结果

ＧＥＯＣＡＲＢＯＮＡＧＢ多元线性逐步回归降尺度结果

研究区２Ｓｔｕｄｙａｒｅａ２

ＧＥＯＣＡＲＢＯＮＡＧＢ非线性回归降尺度结果ＣＭＳＡＧＢ

模拟ＡＧＢ多元线性逐步回归降尺度结果模拟ＡＧＢ非线性回归降尺度结果

ＧＥＯＣＡＲＢＯＮＡＧＢ多元线性逐步回归降尺度结果ＧＥＯＣＡＲＢＯＮＡＧＢ非线性回归降尺度结果

均值Ｍｅａｎｖａｌｕｅ／（Ｍｇ／ｈｍ２）１３８．５１４５．２１４３．０１５９．２１４５．０１３５．９１５１．８１５０．２１５８．１１７７．７

标准差

Ｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ／

（Ｍｇ／ｈｍ２）

８４．８８３．８７７．４５９．３５８．１８６．５７８．８６６．５４４．４４０．３

最大值Ｍａｘｉｍａｌｖａｌｕｅ／（Ｍｇ／ｈｍ２）

３８６．４４８３．６４８８．９３２２．９２９７．６４０９．１５５３．６５４２．２３４１．６３２０．０

研究选择了斑块密度、分离度指数和聚集指数共３个指标。斑块密度反映了景观破碎程度，值越大则破碎化程度越高。分离度指数是指景观内某一景观类型中斑块之间的分离程度，值越小，表明景观在区域内分布越集中，景观较简单。聚集指数基于同类型斑块像元间公共边界长度来计算，当某类型中所有像元间不存在公共边界时，该类型的聚合程度最低［２８］。

研究区１和研究区２森林地类的斑块数分别为１３６２和１６２０。其他评价指标计算结果见表５。

表５　两个研究区森林地类的景观指数对比

Ｔａｂｌｅ５　Ｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｌａｎｄｓｃａｐｅｉｎｄｅｘｅｓｏｆｆｏｒｅｓｔｉｎｔｗｏｓｔｕｄｙａｒｅａｓ

研究区Ｓｔｕｄｙａｒｅａ

研究区１Ｓｔｕｄｙａｒｅａ１研究区２Ｓｔｕｄｙａｒｅａ２

类型Ｃｌａｓｓｉｆｉｃａｔｉｏｎ

森林森林

斑块密度Ｐａｔｃｈｄｅｎｓｉｔｙ

１．１２１．９５

分离度指数Ｓｐｌｉｔｔｉｎｇｉｎｄｅｘ

１．５１１．９８４

聚集指数Ａｇｇｒｅｇａｔｉｏｎｉｎｄｅｘ

９３．５１９２．８７

从表５可看出，研究区１森林地类的斑块密度和分离度指数都小于研究区２，且聚集指数大于研究区２，这说明研究区１的森林分布相较于研究区２更加聚集，破碎化程度更低，这与降尺度结果保持一致，也从侧面说明本文的降尺度方法可能更适合于森林像元连续分布的研究区。

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ

３９７６　生　态　学　报　　　３９卷　

３．４　讨论

本文的主要目的是探究森林地上生物量降尺度的方法，为避免不同源产品之间存在的系统性误差影响降尺度效果，采用升尺度模拟低分辨率生物量数据和已有低分辨率生物量产品两种数据源用于降尺度。但由于３０ｍ和１ｋｍ之间尺度跨度大，且研究区地表覆盖类型复杂，低分辨率生物量分布图上多为混合像元，森林纯像元少，且低分辨率分布图的像元生物量偏低。尽管本文根据森林像元比例阈值，筛选出较纯的低分辨率森林地上生物量像元用于拟合降尺度模型，但仍然不能完全避免混合像元对降尺度模型建立及精度评价的影响。混合像元引入对降尺度模型的影响主要表现在：对于由不同地表覆盖类型组合（如农用地和森林、城市和森林）的低分辨率混合像元而言，假定其森林像元比例相同，则可能会出现森林地上生物量数值相同但对应光谱值（如某波段地表反射率）差异很大的情况，这对模型构建结果及降尺度结果有较大影响。因此，纯像元选取是降尺度模型构建的关键环节。优化纯像元选取策略及降尺度方法是下一步研究的重点。

从３．３节中的各种特征值指标、精度评价指标可以看出，本文中利用模拟低分辨率生物量数据建立的降尺度模型较好地实现了森林地上生物量从１ｋｍ空间分辨率到３０ｍ空间分辨率的转换，但ＧＥＯＣＡＲＢＯＮ生物量产品降尺度的结果较差，原因主要有以下几点：（１）数据源及反演方法不同，降尺度检验数据ＣＭＳ产品与ＧＥＯＣＡＲＢＯＮ产品之间存在系统偏差，图７中１ｋｍ分辨率的ＧＥＯＣＡＲＢＯＮ森林地上生物量分布和升尺度后ＣＭＳ森林地上生物量分布在空间分布格局上本身存在较大差异，ＧＥＯＣＡＲＢＯＮ生物量分布值普遍低于ＣＭＳ升尺度结果；（２）ＧＥＯＣＡＲＢＯＮ产品本身精度有限，产品自身精度会直接影响到降尺度结果。北半球温带地区ＧＥＯＣＡＲＢＯＮ森林生物量是利用森林蓄积量（ＧＳＶ）转换估算的，ＧＳＶ估算依赖于雷达后向散射测量，在密集的成熟林中信号易饱和导致ＧＳＶ被低估，森林生物量被低估［２３］。图５、图６散点图中ＧＥＯＣＡＲＢＯＮ森林地上生物量产品降尺度结果在高值区都存在明显的低估现象。

Ｆｉｇ．７　ＣｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｓｉｍｕｌａｔｅｄａｎｄＧＥＯＣＡＲＢＯＮｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ

（ａ）研究区１，模拟ＡＧＢ分布；（ｂ）研究区１，ＧＥＯＣＡＲＢＯＮＡＧＢ分布；（ｃ）研究区２，模拟ＡＧＢ分布；（ｄ）研究区２，ＧＥＯＣＡＲＢＯＮＡＧＢ分布

图７　模拟ＡＧＢ和ＧＥＯＣＡＲＢＯＮＡＧＢ分布比较／（Ｍｇ／ｈｍ２）

研究建立的降尺度模型，是基于森林地上生物量与光谱指数数据间关系尺度不变这一假设的。但事实上，由于低分辨率下建立的线性／非线性模型不一定完全适用于高分辨率尺度，这一假设也会给降尺度结果带来误差，从而无法准确判断在转换函数的尺度效应和降尺度模型本身的有效性之中，究竟哪一个因素对降尺度结果精度的影响更大。因此，接下来的研究可进一步探究降尺度模型随尺度变化对森林生物量估算造成的误差。４　结论

本文以美国马里兰州的两个区域为研究区，基于ＣＭＳ３０ｍ分辨率和ＧＥＯＣＡＲＢＯＮ１ｋｍ分辨率森林地上生物量产品以及ＴＭ等数据源，通过升尺度模拟低分辨率生物量数据和直接使用低分辨率产品两种方式，分别尝试建立了多光谱地表参数和低分辨率森林地上生物量数据之间的统计关系，基于关系尺度不变的前提，将森林地上生物量数据的空间分辨率从１ｋｍ降尺度到３０ｍ，并对降尺度结果进行精度评价和误差来源

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ

　１１期　　　刘沁茹　等：森林生物量遥感降尺度研究　３９７７

分析。

ＲＭＳＥ＝５９．２—６５．５Ｍｇ／ｈｍ２，相关系数约为０．７；其降尺度结果优于ＧＥＯＣＡＲＢＯＮ产品直接降尺度结果ＲＭＳＥ＝上，降尺度生物量呈现高值区低估，低值区高估的现象。

参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：

［１］　ＳａａｔｃｈｉＳＳ，ＨａｒｒｉｓＮＬ，ＢｒｏｗｎＳ，ＬｅｆｓｋｙＭ，ＭｉｔｃｈａｒｄＥＴＡ，ＳａｌａｓＷ，ＺｕｔｔａＢＲ，ＢｕｅｒｍａｎｎＷ，ＬｅｗｉｓＳＬ，ＨａｇｅｎＳ，ＰｅｔｒｏｖａＳ，ＷｈｉｔｅＬ，

ＳｉｌｍａｎＭ，ＭｏｒｅｌＡ．Ｂｅｎｃｈｍａｒｋｍａｐｏｆｆｏｒｅｓｔｃａｒｂｏｎｓｔｏｃｋｓｉｎｔｒｏｐｉｃａｌｒｅｇｉｏｎｓａｃｒｏｓｓｔｈｒｅｅｃｏｎｔｉｎｅｎｔｓ．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＮａｔｉｏｎａｌＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓｏｆｔｈｅＵｎｉｔｅｄＳｔａｔｅｓｏｆＡｍｅｒｉｃａ，２０１１，１０８（２４）：９８９９⁃９９０４．

［２］　ＢａｃｃｉｎｉＡ，ＬａｐｏｒｔｅＮ，ＧｏｅｔｚＳＪ，ＳｕｎＭ，ＤｏｎｇＨ．ＡｆｉｒｓｔｍａｐｏｆｔｒｏｐｉｃａｌＡｆｒｉｃａ′ｓａｂｏｖｅ⁃ｇｒｏｕｎｄｂｉｏｍａｓｓｄｅｒｉｖｅｄｆｒｏｍｓａｔｅｌｌｉｔｅｉｍａｇｅｒｙ．

ＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓ，２００８，３（４）：０４５０１１．

［３］　赵芳芳，徐宗学．统计降尺度方法和Ｄｅｌｔａ方法建立黄河源区气候情景的比较分析．气象学报，２００７，６５（４）：６５３⁃６６２．［４］　彭晓鹃，邓孺孺，刘小平．遥感尺度转换研究进展．地理与地理信息科学，２００４，２０（５）：６⁃１０，１４⁃１４．

［５］　ＡｍａｎＡ，ＲａｎｄｒｉａｍａｎａｎｔｅｎａＨＰ，ＰｏｄａｉｒｅＡ，ＦｒｏｕｉｎＲ．Ｕｐｓｃａｌｅｉｎｔｅｇｒａｔｉｏｎｏｆｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ：ｔｈｅｐｒｏｂｌｅｍｏｆｓｐａｔｉａｌ

ｈｅｔｅｒｏｇｅｎｅｉｔｙ．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９９２，３０（２）：３２６⁃３３８．

［６］　ＭａｙａｕｘＰ，ＬａｍｂｉｎＥＦ．Ｅｓｔｉｍａｔｉｏｎｏｆｔｒｏｐｉｃａｌｆｏｒｅｓｔａｒｅａｆｒｏｍｃｏａｒｓｅｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｄａｔａ：ａｔｗｏ⁃ｓｔｅｐｃｏｒｒｅｃｔｉｏｎｆｕｎｃｔｉｏｎｆｏｒｐｒｏｐｏｒｔｉｏｎａｌｅｒｒｏｒｓ

ｄｕｅｔｏｓｐａｔｉａｌａｇｇｒｅｇａｔｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９５，５３（１）：１⁃１５．

［７］　ＫｕｓｔａｓＷＰ，ＮｏｒｍａｎＪＭ，ＡｎｄｅｒｓｏｎＭＣ，ＦｒｅｎｃｈＡＮ．Ｅｓｔｉｍａｔｉｎｇｓｕｂｐｉｘｅｌｓｕｒｆａｃｅｔｅｍｐｅｒａｔｕｒｅｓａｎｄｅｎｅｒｇｙｆｌｕｘｅｓｆｒｏｍｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ⁃

ｒａｄｉｏｍｅｔｒｉｃｔｅｍｐｅｒａｔｕｒｅｒｅｌａｔｉｏｎｓｈｉｐ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００３，８５（４）：４２９⁃４４０．

［８］　ＡｇａｍＮ，ＫｕｓｔａｓＷＰ，ＡｎｄｅｒｓｏｎＭＣ，ＬｉＦＱ，ＮｅａｌｅＣＭＵ．Ａｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｂａｓｅｄｔｅｃｈｎｉｑｕｅｆｏｒｓｐａｔｉａｌｓｈａｒｐｅｎｉｎｇｏｆｔｈｅｒｍａｌｉｍａｇｅｒｙ．Ｒｅｍｏｔｅ

ＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００７，１０７（４）：５４５⁃５５８．

［９］　杨静学，苏华，王云鹏．ＤｉｓＴｒａｄ热像元分解模型运用于高植被覆盖区的问题及改进．遥感技术与应用，２０１０，２５（３）：３４６⁃３５２．

［１０］　ＪｅｇａｎａｔｈａｎＣ，ＨａｍｍＮＡＳ，ＭｕｋｈｅｒｊｅｅＳ，ＡｔｋｉｎｓｏｎＰＭ，ＲａｊｕＰＬＮ，ＤａｄｈｗａｌＶＫ．Ｅｖａｌｕａｔｉｎｇａｔｈｅｒｍａｌｉｍａｇｅｓｈａｒｐｅｎｉｎｇｍｏｄｅｌｏｖｅｒａｍｉｘｅｄ

ａｇｒｉｃｕｌｔｕｒａｌｌａｎｄｓｃａｐｅｉｎＩｎｄｉａ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎａｎｄＧｅｏｉｎｆｏｒｍａｔｉｏｎ，２０１１，１３（２）：１７８⁃１９１．

［１１］　ＤｏｍｉｎｇｕｅｚＡ，ＫｌｅｉｓｓｌＪ，ＬｕｖａｌｌＪＣ，ＲｉｃｋｍａｎＤＬ．Ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎｕｒｂａｎｔｈｅｒｍａｌｓｈａｒｐｅｎｅｒ（ＨＵＴＳ）．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１１，１１５

（７）：１７７２⁃１７８０．

［１２］　王祎婷，谢东辉，李亚惠．光谱指数趋势面的城市地表温度降尺度转换．遥感学报，２０１４，１８（６）：１１６９⁃１１８１．

［１３］　ＺｈｕＳＹ，ＧｕａｎＨＤ，ＭｉｌｌｉｎｇｔｏｎＡＣ，ＺｈａｎｇＧＸ．Ｄｉｓａｇｇｒｅｇａｔｉｏｎｏｆｌａｎｄｓｕｒｆａｃｅｔｅｍｐｅｒａｔｕｒｅｏｖｅｒａｈｅｔｅｒｏｇｅｎｅｏｕｓｕｒｂａｎａｎｄｓｕｒｒｏｕｎｄｉｎｇｓｕｂｕｒｂａｎ

ａｒｅａ：ａｃａｓｅｓｔｕｄｙｉｎＳｈａｎｇｈａｉ，Ｃｈｉｎａ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１３，３４（５）：１７０７⁃１７２３．

［１４］　Ｓáｎｃｈｅｚ⁃ＲｕｉｚＳ，ＰｉｌｅｓＭ，ＳáｎｃｈｅｚＮ，Ｍａｒｔíｎｅｚ⁃ＦｅｒｎáｎｄｅｚＪ，Ｖａｌｌ⁃ｌｌｏｓｓｅｒａＭ，ＣａｍｐｓＡ．ＣｏｍｂｉｎｉｎｇＳＭＯＳｗｉｔｈｖｉｓｉｂｌｅａｎｄｎｅａｒ／ｓｈｏｒｔｗａｖｅ／

ｔｈｅｒｍａｌｉｎｆｒａｒｅｄｓａｔｅｌｌｉｔｅｄａｔａｆｏｒｈｉｇｈｒｅｓｏｌｕｔｉｏｎｓｏｉｌｍｏｉｓｔｕｒｅｅｓｔｉｍａｔｅｓ．ＪｏｕｒｎａｌｏｆＨｙｄｒｏｌｏｇｙ，２０１４，５１６：２７３⁃２８３．

［１５］　全金玲，占文凤，陈云浩，刘闻雨．遥感地表温度降尺度方法比较———性能对比及适应性评价．遥感学报，２０１３，１７（２）：３６１⁃３８７．

［１６］　ＳｔａｔｈｏｐｏｕｌｏｕＭ，ＣａｒｔａｌｉｓＣ．ＤｏｗｎｓｃａｌｉｎｇＡＶＨＲＲｌａｎｄｓｕｒｆａｃｅｔｅｍｐｅｒａｔｕｒｅｓｆｏｒｉｍｐｒｏｖｅｄｓｕｒｆａｃｅｕｒｂａｎｈｅａｔｉｓｌａｎｄｉｎｔｅｎｓｉｔｙｅｓｔｉｍａｔｉｏｎ．Ｒｅｍｏｔｅ

ＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００９，１１３（１２）：２５９２⁃２６０５．

［１７］　ＮｉｃｈｏｌＪ．ＡｎｅｍｉｓｓｉｖｉｔｙｍｏｄｕｌａｔｉｏｎｍｅｔｈｏｄｆｏｒｓｐａｔｉａｌｅｎｈａｎｃｅｍｅｎｔｏｆｔｈｅｒｍａｌｓａｔｅｌｌｉｔｅｉｍａｇｅｓｉｎＵｒｂａｎＨｅａｔＩｓｌａｎｄａｎａｌｙｓｉｓ．Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ

Ｅｎｇｉｎｅｅｒｉｎｇ＆ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００９，７５（５）：５４７⁃５５６．

［１８］　刘双娜，周涛，舒阳，戴铭，魏林艳，张鑫．基于遥感降尺度估算中国森林生物量的空间分布．生态学报，２０１２，３２（８）：２３２０⁃２３３０．

［１９］　ＫｉｎｄｅｒｍａｎｎＧＥ，ＭｃＣａｌｌｕｍＩ，ＦｒｉｔｚＳ，ＯｂｅｒｓｔｅｉｎｅｒＭ．Ａｇｌｏｂａｌｆｏｒｅｓｔｇｒｏｗｉｎｇｓｔｏｃｋ，ｂｉｏｍａｓｓａｎｄｃａｒｂｏｎｍａｐｂａｓｅｄｏｎＦＡＯｓｔａｔｉｓｔｉｃｓ．Ｓｉｌｖａ

Ｆｅｎｎｉｃａ，２００８，４２（３）：３８７⁃３９６．

［２０］　刘茜，杨乐，柳钦火，李静．森林地上生物量遥感反演方法综述．遥感学报，２０１５，１９（１）：６２⁃７４．

［２１］　ＤｕｂａｙａｈＲ，ＡｒｍｓｔｒｏｎｇＡ，ＣｏｏｋＢＤ，ＨａｌｌＦＧ，ＨｕａｎｇＣ，ＨｕｒｔｔＧＣ，ＭａｓｅｋＪＧ，ＮｅｌｓｏｎＲＦ，ＰｉｎｔｏＮ，ＲｏｓｅｔｔｅＪ，ＳａａｔｃｈｉＳＳ，ＳｕａｒｅｚＪ，

ＴｕｃｋｅｒＣＪ．Ｃｏｕｎｔｙ⁃ＳｃａｌｅｃａｒｂｏｎｅｓｔｉｍａｔｉｏｎｉｎＮＡＳＡ′ｓｃａｒｂｏｎｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍ．ＢｉｏｍａｓｓＣａｒｂｏｎＳｔｏｒａｇｅ，２０１２．［２０１８⁃１０⁃０７］．ｈｔｔｐ：／／ｎａｃｐ⁃fiｌｅｓ．ｎａｃａｒｂｏｎ．ｏｒｇ／ｂｉｏｍａｓｓ＿ｐｉｌｏｔ／ｐｒｅｓｅｎｔａｔｉｏｎｓ／Ｃｏｕｎｔｙ％２０Ｂｉｏｍａｓｓ％２０Ｒｅｐｏｒｔ．ｐｄｆ．

［２２］　ＡｖｉｔａｂｉｌｅＶ，ＨｅｒｏｌｄＭ，ＨｅｕｖｅｌｉｎｋＧＢＭ，ＬｅｗｉｓＳＬ，ＰｈｉｌｌｉｐｓＯＬ，ＡｓｎｅｒＧＰ，ＡｒｍｓｔｏｎＪ，ＡｓｈｔｏｎＰＳ，ＢａｎｉｎＬ，ＢａｙｏｌＮ，ＢｅｒｒｙＮＪ，Ｂｏｅｃｋｘ

Ｐ，ｄｅＪｏｎｇＢＨＪ，ＤｅＶｒｉｅｓＢ，ＧｉｒａｒｄｉｎＣＡＪ，ＫｅａｒｓｌｅｙＥ，ＬｉｎｄｓｅｌｌＪＡ，Ｌｏｐｅｚ⁃ＧｏｎｚａｌｅｚＧ，ＬｕｃａｓＲ，ＭａｌｈｉＹ，ＭｏｒｅｌＡ，ＭｉｔｃｈａｒｄＥＴＡ，ＮａｇｙＬ，ＱｉｅＬ，ＱｕｉｎｏｎｅｓＭＪ，ＲｙａｎＣＭ，ＦｅｒｒｙＳＪＷ，ＳｕｎｄｅｒｌａｎｄＴ，ＬａｕｒｉｎＧＶ，ＧａｔｔｉＲＣ，ＶａｌｅｎｔｉｎｉＲ，ＶｅｒｂｅｅｃｋＨ，ＷｉｊａｙａＡ，ＷｉｌｌｃｏｃｋＳ．Ａｎｉｎｔｅｇｒａｔｅｄｐａｎ⁃ｔｒｏｐｉｃａｌｂｉｏｍａｓｓｍａｐｕｓｉｎｇｍｕｌｔｉｐｌｅｒｅｆｅｒｅｎｃｅｄａｔａｓｅｔｓ．ＧｌｏｂａｌＣｈａｎｇｅＢｉｏｌｏｇｙ，２０１６，２２（４）：１４０６⁃１４２０．

［２３］　ＳａｎｔｏｒｏＭ，ＢｅａｕｄｏｉｎＡ，ＢｅｅｒＣ，ＣａｒｔｕｓＯ，ＦｒａｎｓｓｏｎＪＥＳ，ＨａｌｌＲＪ，ＰａｔｈｅＣ，ＳｃｈｍｕｌｌｉｕｓＣ，ＳｃｈｅｐａｓｃｈｅｎｋｏＤ，ＳｈｖｉｄｅｎｋｏＡ，ＴｈｕｒｎｅｒＭ，

ＷｅｇｍüｌｌｅｒＵ．Ｆｏｒｅｓｔｇｒｏｗｉｎｇｓｔｏｃｋｖｏｌｕｍｅｏｆｔｈｅｎｏｒｔｈｅｒｎｈｅｍｉｓｐｈｅｒｅ：ｓｐａｔｉａｌｌｙｅｘｐｌｉｃｉｔｅｓｔｉｍａｔｅｓｆｏｒ２０１０ｄｅｒｉｖｅｄｆｒｏｍＥｎｖｉｓａｔＡＳＡＲ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１５，１６８：３１６⁃３３４．

［２４］　杨远盛，张晓霞，于海艳，吕志远．中国森林生物量的空间分布及其影响因素．西南林业大学学报，２０１５，３５（６）：４５⁃５２．［２５］　仝慧杰．森林生物量遥感反演建模基础与方法研究［Ｄ］．北京：北京林业大学，２００７．

［２６］　聂建亮，武建军，杨曦，刘明，张洁，周磊．基于地表温度⁃植被指数关系的地表温度降尺度方法研究．生态学报，２０１１，３１（１７）：

４９６１⁃４９６９．

［２７］　李春梅，张王菲，李增元，陈尔学，田昕．基于多源数据的根河实验区生物量反演研究．北京林业大学学报，２０１６，３８（３）：６４⁃７２．［２８］　董小俊．南方红壤丘陵区森林景观格局分析和优化研究［Ｄ］．北京：首都师范大学，２０１４．

模拟数据降尺度后的３０ｍ分辨率森林地上生物量空间分布和ＣＭＳ森林地上生物量分布状况大致相同，

７５．３—７９．９Ｍｇ／ｈｍ２；相较于线性模型，非线性模型能更好地呈现森林地上生物量和地表参数间的关系；总体

ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ