森林碳储量主要通过地面调查数据来估算，存在着统计工作量大，建模复杂度高等难点。如何快捷、准确地估测森林碳储量一直是国内外林业领域研究的热点和难题。结合遥感图像监测尺度大和ＩｎＶＥＳＴ模型输入参数少的特点，提出一种基于ＩｎＶＥＳＴ模型结合遥感图像估测森林碳储量的方法。该方法根据森林类型碳储量信息和相应的栅格数据，利用ＩｎＶＥＳＴ模型估测区域森林碳储量，然后通过比对多期遥感数据估测出的碳储量得出该区域碳储量变化，从而实现森林碳储量的动态监测。对浙江省庆元县２００９年的碳储量进行了估算和绘图，根据行政区划图可估算出乡（镇）和村级的碳储量。实验分别对坑西村２００９年和２０１４年的碳储量进行了估算，根据．．．

森林碳储量遥感监测是目前林业定量遥感的研究热点之一。以沽源县为研究对象,采用TM影像,对原始自变量进行MNF变换后得到新变量,建立森林乔木地上碳储量遥感估测模型。模型相关系数R为0.708,通过实测样地对估测结果进行检验,精度达到89.89%。结果表明,当自变量间存在显著复相关性情况下,通过MNF变换能有效去除复相关性,用新变量建立的模型估测效果较好。

以北京市延庆县为研究对象,利用遥感和地学数据,分析其与地面碳储量的相关关系,探讨基于遥感和地学信息的森林碳储量遥感估测。利用森林资源二类调查数据和2004年SPOT-5遥感影像,选取B1、B2、B3、B4 4个单波段,IDVI、IRVI、INDVI 3种植被指数以及海拔、坡度共9个因子,对这9个因子进行降维,并提取主成分,建立基于主成分回归的森林碳储量估测方程。结果表明:模型复相关系数为0.892;用30个独立样本检验模型的可靠性与精度,相关系数为0.769,精度达到91.60%。该方程可用于森林地上部分碳储量估测。

针对碳储量回归预测模型存在共线性和精度较低的问题,利用森林资源二类调查数据和SPOT5影像数据对北京市延庆县的杨树林进行碳储量反演研究。先对选取的10个指标进行主成分分析,在此基础上采用径向基函数(RBF)神经网络方法构建碳储量反演模型,用预留测试样本验证,并与实测值进行比较。研究结果表明:SPOT5数据和二类数据可以很好地结合起来用于森林地上碳储量反演研究;PCA-RBF神经网络森林碳储量遥感反演模型拟合精度为99.90%,平均预测精度达到96.71%,预估效果较理想;模型训练完成后,可以应用于延庆县森林地上碳储量反演。

为了研究林场级森林林木生物量和碳储量的信息,以海南省岛东林场为例,采用系统(等距)抽样方式对该场林木资源进行抽样调查。选择政府间气候变化专门委员会(IPCC)制定的方法对不同龄组、不同类型森林的林木生物量和碳储量进行估算。结果显示:林场森林林木碳储量大,达53.00万t,但单位面积上的碳汇能力低,仅为54.35 t/hm2;不同类型林分各个生长阶段(龄组)的单位面积碳储量不尽相同,其中木麻黄成熟林最高,为141.08 t/hm2。以上结果表明,当前短周期人工林皆伐作业模式下的森林林木生物量积累不足,造成岛东林场碳汇能力较低。当前经营方式不能满足应对全球气候变化为目的的多功能森林经营的要求,需要...

【目的】构建广东省主要森林类型林分生物量和碳储量模型，为省内储量数据的本底摸查、省级与县市级储量数据的有效衔接提供模型支撑；分析树种结构和气候条件对模型的影响和作用机制，为更精细的碳汇监测及森林质量提升提供理论指导。【方法】以广东省12种主要森林类型为研究对象，基于2007、2012和2017年3期森林资源连续清查数据，采用非线性误差变量联立方程组构建各森林类型与蓄积量兼容的地上和地下生物量、地上和地下碳储量模型。以哑变量形式区分树种结构，以再参数化方法建立气候敏感的林分生物量和碳储量模型，评价模型拟合结果，分析气候变量对林分生物量和碳储量的影响。【结果】研究得到各森林类型的蓄积量、地上和地下生物量模型以及地上和地下林分平均含碳系数。1）基于胸高断面积和平均树高的基础模型调整决定系数（R_a~2）为0.947～0.997，总相对误差（TRE）和平均系统误差（MSE）分别在±1.54%和±2.48%范围，均不超±3%。平均预估误差（MPE）为0.30%～3.61%，仅栎树林、相思林部分模型略超3%。平均百分标准误差（MPSE）为3.30%～13.39%，均不超15%。2）基于胸高断面积的简化模型R_a~2为0.876～0.996，除相思林地下生物量模型拟合效果较差外，其余模型的TRE和MSE分别在±3.19%和±2.74%范围，MPE为0.36%～4.70%,MPSE为4.18%～15.61%。基于平均胸径和林分密度的补充模型R_a~2为0.775～0.977，多数在0.9以上，除相思林部分模型拟合效果较差外，其余模型的TRE和MSE分别在±2.28%和±1.83%范围，MPE为1.12%～6.24%,MPSE为5.91%～17.44%。3）区分树种结构的林分模型R_a~2为0.960～0.997,TRE和MSE分别在±1.61%和±2.33%范围，MPE为0.30%～3.41%,MPSE为2.67%～12.92%，多数模型显著优于基础模型。4）建立8种森林类型气候敏感的林分生物量和碳储量模型，R_a~2为0.947～0.998, TRE和MSE分别在±1.86%和±1.96%范围，MPE为0.29%～2.65%, MPSE为3.18%～13.29%，多数模型较基础模型得到显著改进。生物量大多情况下与温度呈负相关，与蒸散量呈负相关或与降水量呈正相关。【结论】所建模型具有较好拟合效果和较高预估精度，实际应用时可根据数据详略和估算范围选择合适模型。温度过高、蒸散过多或降水不足是限制广东省森林生物量和碳储量增长的主要因素。

【目的】构建地理加权随机森林（Geographically weighted random forest,GWRF）模型估算森林碳储量以解决区域尺度范围内森林碳储量估算精度不高的问题，对科学经营管理森林、推动碳循环和碳汇相关研究、实现我国“双碳”目标有重要指导意义。【方法】以黑龙江省小兴安岭、长白山地区森林植被碳储量为研究对象，基于2015年森林资源连续清查数据和Landsat8-OLI影像，采用普通最小二乘（Ordinary least squares,OLS）、随机森林（Random forest,RF）模型、地理加权回归（Geographically weighted regression,GWR）模型以及地理加权随机森林模型分别构建不同林型及总体（不分林型）的森林碳储量估测模型，比较是否区分林分类型时，不同模型预测精度之间的差异，实现对研究区森林碳储量的精准反演。【结果】1)各个模型在区分林型时的预测精度均高于总体（不分林型）情况，以GWRF模型精度最优，其中针叶林精度最高（R²=0.58,RMSE=15.97 t/hm²）；阔叶林次之（R²=0.46,RMSE=17.66 t/hm²）；针阔混交林随后（R²=0.45,RMSE=19.51 t/hm²）；总体（不分林型）最低（R²=0.40,RMSE=20.22 t/hm²）。2)4种模型的检验精度GWRF>RF>GWR>OLS。与OLS相比，GWRF在针叶林、阔叶林、针阔混交林和总体（不分林型）中提升的ΔR²分别为0.15、0.09、0.16和0.04；降低的ΔRMSE分别为2.09、1.35、3.47和0.89 t/hm²；与RF相比，GWRF提升的ΔR²分别为针叶林0.14、阔叶林0.06、针阔混交林0.04、总体（不分林型）0.02；降低的ΔRMSE分别为针叶林1.95 t/hm²、阔叶林0.86 t/hm²、针阔混交林0.67 t/hm²、总体（不分林型）0.29 t/hm²。3)研究区森林碳储量密度最高预测值为77.08 t/hm²，最低值为5.24 t/hm²，平均值为41.07 t/hm²，总量为552.04 Tg；从空间上看，森林碳储量高值分布在小兴安岭东南部、张广财岭等地区，呈现斑状不均匀性分布。【结论】相比于其他3种模型，GWRF作为局部模型，考虑到空间异质性，在区域尺度范围内估测森林碳储量有较好的应用前景。区分林分类型能提高预测精度，在今后对森林生物量或碳储量的研究中，应考虑区分林分类型建模。本研究的模型和方法有一定适应性，可为森林资源的快速和精准监测提供方法借鉴。

以福建省闽江流域为研究对象,利用年均降水、温度数据,结合改进NPP模型构建基于气象因子的森林生产力估测模型,并通过森林生产力与二类调查结果对应的小班年龄曲线建立森林生物量模型,以此获得遥感估测模型所需的样地生物量,在此基础上利用遥感影像和杉木平均含碳率可以成功构建森林生物量非线性遥感估测模型和碳储量遥感估测模型。本研究不仅能建立森林碳储量模型,而且避免了繁杂的森林生物量野外实测,节省了大量的人力物力,且不需砍伐森林树木。实验计算结果:闽江流域杉木林碳储量2003~2012年从10 337 774 t增加到19 624 374 t。

利用全国森林资源清查资料,依据建立的不同森林类型生物量和蓄积量之间的回归方程,估算了北京市不同时段的森林生物量和碳储量,并分析其动态变化特点。结果表明:北京市森林碳储量由1988年的532万t增加到2003年的852万t,平均每年以4.00%的速率递增,这说明北京市森林起着碳汇作用。全市森林总碳储量中,阔叶林碳储量的贡献最大,其中,栎类、杨树占主导地位;全市森林碳储量中幼、中龄林所占比重大,而且不同森林类型及不同龄级的碳密度均呈减少趋势。因此,在实施各重点造林工程的同时加强对现有森林的抚育和管理,将会使北京市森林碳汇能力进一步提高。

在PLUS模型中纳入POI驱动因子并利用LASSO回归进行驱动体系筛选与精度验证，设定自然发展、经济保护与生态保护3种情景，利用筛选后的驱动因子模拟2030年各情景下陕南地区的土地利用格局，利用InVEST模型分析2000—2020年陕南地区碳储量的时空分异特征，探讨不同发展情景下土地利用变化对陕南地区碳储量的影响。结果表明：(1)2000—2020年，陕南地区的建设用地面积由23 648.49 hm~2增长到78 000.21 hm~2,侵占了耕地、林地和草地的生存空间，使其分别减少了39 415.05 hm~2,8 787.51 hm~2与17 476.56 hm~2,2030年3种发展情景下的建设用地均保持扩张的趋势。(2)在PLUS模型中加入POI驱动因子且利用LASSO算法筛选驱动因子有效提升了模型的精度与运行效率，模型的Kappa系数和OA系数分别提高了2.53%和0.20%,更精准地模拟了建设用地的分布情况。(3)2000—2020年陕南地区碳储量总量呈下降趋势，由2.188 7×10~9 t下降至2.177 5×10~9 t。2030年经济保护情景与自然发展情景的碳储量总量均小于2020年，生态保护情景下的碳储量总量最高，达到了2.183 0×10~9 t。(4)生态保护情景更有利于陕南地区的可持续发展策略，以陕南地区平均碳密度分区分布为基础，可为陕南地区分区发展与区域碳收支平衡提供参考，对未来不同情景下土地利用对区域碳储量的影响和双碳背景下的国土空间规划具有借鉴意义。

森林消防物资储备是森林火灾预防和扑救的物质基础.该文针对森林火灾预防和扑救的特点、规律,运用信息熵原理,构建森林消防物资储量优化模型,为今后森林消防部门合理储备森林消防资源提供了合理的计算方法和科学的依据,从而确保森林消防物资储备更加切实合理、科学高效.

区域碳储量的空间分布特征研究可为区域生态系统碳库管理和减排增汇政策制定提供重要科学依据。基于Ｉｎ ＶＥＳＴ模型和ＧＩＳ技术，估算及分析了２０１０年甘肃白龙江流域碳储量及其空间格局，并探讨了海拔、坡度和坡向对碳储量空间分布的影响。结果表明：甘肃白龙江流域碳总储量为２５１．５７ＴＧ Ｃ，平均碳密度为１３６．４６ＭＧ Ｃ／ｈＭ～２；其中，土壤碳储量为２０２．２０ＴＧ Ｃ，植被碳储量为４９．３７ＴＧ Ｃ。碳储量空间分布呈现一定的规律性，碳储量高值区主要集中在流域西北部山区（如迭部县）和白水江南岸（如白水江国家级自然保护区），云杉、冷杉类常绿针叶林的碳总储量最大；低值区多分布在流域东部和东南部（如武都区．．．

【目的】探索基于地理编码的森林碳储量的空间分布，为森林碳储量长周期空间变化分析提供方法参考。【方法】基于紫金山1987、2002和2019年3期森林资源二类调查数据，结合生物量转换因子连续函数法，并利用地理编码的固定网格对32年来紫金山的森林碳储量及其空间分布变化进行分析。【结果】1）在时间维度上，1987、2002和2019年研究区森林碳储量分别为62 541.1、81 703.0和106 281.8 t,32年来净增加43 740.7 t，年平均增加1 325.5 t；阔叶类乔木林的碳储量占森林碳储量的62.1%、73.0%、81.7%，明显大于针叶类乔木林和针阔混交类乔木林。1987和2002年期间，中龄林和成熟林的碳储量之和占乔木林碳储量的76.4%、60.4%;2019年，成熟林及过熟林碳储量占乔木林总碳储量的59.5%。2）在空间分布上，研究区森林碳储量均呈现由南到北逐渐增大的空间分布特征。中碳储量和高碳储量分布区域占比从1987年的45.1%提升到2002年的53.9%，到2019年的60.3%。研究区中稳定性、中高稳定性和高稳定性区占总面积的71.1%，森林碳储量的总体稳定性区域占比较高。3）在时空维度上森林经营作用，针对区域森林碳储量长周期空间变化分析困难和森林经营明确空间位置精度低的问题，论文研究提出的方法，既能对比相同空间位置长时间序列森林碳储量的分布特征，又能对比分析其具体明确空间位置固碳增碳的森林经营效果，也便于查询监督；能为林长制网格化长周期管理提供支撑以及区域森林碳汇经营精准提升提供技术支撑。【结论】利用地理编码的固定网格及变异系数指数对森林碳储量空间分布进行研究，为今后紫金山的森林碳储量持续监测提供参考。

联合国粮农组织(FAO)发布一项新的评估报告显示,通过提高发展中国家的森林监测能力,改善数据收集,可以释放森林储碳潜力。FAO向联合国"减少毁林和森林退化所致排放量方案"(UN-REDD方案)提供的技术支持,帮助各国显著改善了其国家森林监测系

利用第七次全国森林资源连续清查数据,以回归模型估计法作为乔木林生物量的主要计算方法,以树种含碳率作为生物量转换为碳储量的系数,从单木归并到样地,从样地加权平均至省级区域,估算乔木林碳储量;以加权平均转换系数估算疏林地、散生木和四旁树的碳储量,以模型法估算竹林、灌木林的碳储量。结果表明:中国森林植被碳储量主要集中在西南和东北两大区;乔木林是中国森林植被碳储量的主体;人工林碳储量在中国乔木林碳储量中比例超过15%;阔叶树的碳储量和碳密度均大于针叶树。