论文部分内容阅读
近半个世纪,国家投入大量的人力、物力和财力开展喀斯特石漠化综合治理工作。至今,石漠化土地面积已经得到有效控制,石漠化治理工作从以抑制石漠化面积扩张为主,转向石漠化生态系统恢复力提升为主的新阶段。因此,喀斯特生态系统恢复力评估和生态修复机制成为当前石漠化综合治理的关键问题。依据综合治理工程的空间布置尺度及时间效益尺度,研究以植被生物量作为该生态系统恢复力的替代因子,对典型喀斯特石漠化综合治理区乔木林地上生物量进行估算,以实现石漠化生态系统恢复力定量评估,从而为新时期石漠化综合治理提供科学依据。首先,本文基于光学和雷达数据,采用面向对象法、监督分类法、随机森林算法,提取乔木林空间分布,与实际乔木林空间分布进行对比,筛选分类效果最佳的分类方法。其次,提取5种植被指数、8种纹理及其比值差值等23个变量,采用因子分析法选取最佳变量。最后,基于最佳变量构建乔木林地上生物量反演模型,采用108个验证数据验证模型精度,基于最优反演模型反演乔木林地上生物量,进而分析2010年和2018年乔木林地上生物量分布情况。结果表明:（1）使用面向对象法（K邻近法、支持向量机法、主成分分析法）、监督分类法（最小距离法、马氏距离法、最大似然法、神经网络法、支持向量机法）、随机森林算法对研究区地类进行分类,进而提取乔木林空间分布。综合9种分类精度及面积对比知,分类精度显示,分类效果较好的有面向对象支持向量机法（总体分类精度72.46%,Kappa系数0.67）,监督分类支持向量机法（总体分类精度91.30%,Kappa系数0.65）以及随机森林算法（总体分类精度77.17%,Kappa系数0.72）。乔木林空间分布显示,面向对象分类支持向量机法、监督分类支持向量机法、随机森林算法提取乔木林和实际对比,均呈现乔木林集中分布在研究区中、中偏北及东南部,经统计,三种方法提取的面积分别是318.795km2、69.803 km2和235.292 km2,和森林资源现状的乔木林面积267.921 km2相比,随机森林算法提取乔木林面积差值最小,仅为32.629 km2。故随机森林算法提取乔木林呈现较为稳定的状态,分类效果最好,其总体分类精度77.17%,Kappa系数0.72。（2）基于光学遥感影像提取DVI、EVI、RVI、NDVI、OSAVI 5个植被指数,相关性结果显示NDVI和OSAVI与其余植被指数的冗余度较大,呈现显著相关的植被指数超过总数的一半,与NDVI和OSAVI呈现显著性相关的植被指数各有3个,且其中2个植被指数的置信度为0.01。基于ALOS PALSAR数据提取Mean、Variance、Homogeneity、Contrast、Dissimilarity、Entropy、Second Moment、Correlation 8个纹理特征和其比值、差值,根据因子分析结果,将10个纹理变量分成三大类,第一类全选Mean、Variance、Homogeneity、Correlation（HV:Mean、Contrast、Second Moment、Correlation）4个变量进行建模,这一大类纹理变量与其他变量间的相关性较小,信息冗余度低;第二类依次选Contrast、Dissimilarity、Entropy、Second Moment（HV:Variance、Homogeneity、Dissimilarity、Entropy）纹理变量进行建模,这一大类纹理变量随便一个与其他变量间基本呈显著相关,若同时选,意味着信息量冗余度增加;第三类依次选HH/HV、HH-HV变量进行建模,这一大类纹理变量主要是将两种极化数据的信息量综合在一起,具体选择哪一个变量作为最终的模型构建因子,就取决于其参与模型构建时的拟合优度谁比较高。（3）基于不同组合的估算模型拟合优度及108个验证数据验证模型精度显示,使用混合变量构建的模型ZBWL＿4效果最佳,其拟合优度0.934,相对误差（σ）为4.04 kg/m2,均方根误差（RMSE）为4.05 kg/m2。2010年-2018年,石漠化综合治理工程取得的效果明显,乔木林面积增加25.489 km2,五个乡（镇）思恩镇、水源镇、大安乡和下南乡四个乡（镇）的乔木林面积都在增长,分别增加10.531 km2、9.287 km2、2.197 km2和3.504 km2,大才乡下降0.029 km2。与2010年对比,研究区乔木林地上生物量减少1051644.045 t,五个乡（镇）的乔木林地上生物量都在下降,下南乡、水源镇、思恩镇、大才乡、大安乡分别下降152421.739 t、425994.953 t、10900.935 t、64051.505 t、398274.913 t,故后续的石漠化综合治理工作不仅应关注植被恢复的面积,同时还要关注植被的地上生物量,以提高地区的生态系统恢复力。