-
林分郁闭度是指林木树冠垂直投影面积占林地总面积的比例,是反映林分密度的重要指标,在森林资源调查中尤为重要。在传统的森林资源调查中,获取林分郁闭度的主要方法为抬头望法,该方法耗时耗力,获取的数据精度较低,且只适用于面积小、地势缓的林地,难以在地理环境复杂的大区域内应用。随着数字成像技术的发展,HERBERT[1]提出利用鱼眼相机拍摄全天空相片进行郁闭度估测,扩大了拍摄的林冠范围;濮毅涵等[2]基于普通可见光照片中的树叶、树干和天空进行分类,将估测结果与抬头望法结果进行模型比较,得到决定系数(R2)为0.77,但该方法适用于地形平坦的林区,在地形复杂的山地难以应用。为克服地形因子的限制,不少学者基于卫星遥感影像对乔木林林分郁闭度的提取进行了研究。高云飞等[3]基于SPOT 5影像,对各波段的遥感影像像元亮度值进行组合,建立反演模型,最终得到最佳组合模型的R2为0.66;李擎等[4]为提高模型精度,基于高分二号(GF-2)遥感影像,结合光谱信息、纹理特征和地形因子构建郁闭度估测模型,模型精度达89.82%。然而卫星遥感成本高、时效低、灵活性低[5],相比之下无人机可见光遥感在中小型遥感区域作业中能发挥更大的优势,满足动态森林资源监测的条件和需求,并提供更多可能性[6-8]。苏迪等[9]基于无人机可见光影像,利用主成分分析确定模型的主成分变量,建立郁闭度回归方程,估算精度为83.18%;汪霖[10]结合无人机可见光影像得到的数字正射影像(DOM)和冠层高度模型(CHM),使用阈值法对树冠区域进行提取并计算郁闭度,平均精度为92.93%。以上关于乔木林分郁闭度遥感估测的研究都取得了一定的成果,能够满足林业调查需求,然而,目前基于无人机可见光影像的毛竹林林分郁闭度估测研究为数不多。
毛竹作为中国南方重要的笋、竹两用竹种,是最重要的森林资源之一。第九次全国森林清查结果显示:毛竹林面积为467 hm2,占竹林总面积的73%[11]。由于毛竹林的生长特点(扩鞭)[12-13]和经营特点(择伐),使得林分郁闭度在毛竹林经营中尤为重要,出笋率和采伐结果都将反映在郁闭度上,只有保持适宜毛竹生长的郁闭度,才能提高毛竹生产力。毛竹林多分布在山地丘陵地区,传统的实地调查工作量大、效率低、工作周期长、精确度低。随着无人机技术的发展,无人机林业遥感为实现低成本、高时效、高分辨率、高灵活性的动态森林资源监测提供了技术基础。基于无人机和图像识别技术的单木树冠提取已有一定进展。然而相比其他乔木林,毛竹林竹冠具有特殊性,分为钩梢与未钩梢2种形态,且竹冠鲜少呈单个状态,具有“重叠性”,目前还没有利用现有方法直接获取单株毛竹竹冠的研究。本研究对无人机可见光影像的毛竹林郁闭度估测方法进行了分析,以期为快速获取毛竹林的郁闭度提供参考。
-
研究区位于浙江省湖州市安吉县(30°23′~30°53′N,119°14′~119°53′E),该区地处长江三角洲腹地,属于亚热带季风气候,植被类型为亚热带常绿阔叶林,年均气温为12.2~15.6 ℃,年均降水量为1 100~1 900 mm。研究区内光照充足,雨量充沛,竹资源丰富,竹林总面积达757 km2,占森林面积56.47%,其中毛竹占79.30%,被誉为“中国竹乡”。
-
根据是否钩梢和郁闭度2个因素选设样地,共调查36个10 m×10 m的样地,其中已钩梢毛竹林样地24个,未钩梢毛竹林样地12个。利用研究区数字正射影像目视解译获得毛竹林的郁闭度,未钩梢样地为抛荒毛竹林,处于无人经营状态,郁闭度均大于0.9,故在本研究中不再细分郁闭度等级。样地基本情况见表1。
表 1 毛竹林样地基本情况
Table 1. Basic information of plot sites
类型 郁闭度 样地/
个平均胸
径/cm平均树
高/m坡度/
(°)坡向 钩梢 0~0.7 13 8.91 9.9 11.6 北坡 钩梢 0.7~0.8 8 9.03 9.4 16.1 西北坡 钩梢 0.8~1.0 3 8.65 9.2 13.3 北坡 未钩梢 12 8.58 9.6 17.1 东南坡 -
数据采集所用无人机遥感系统为大疆Phantom 4 RTK,飞行系统包括3部分:飞行器、云台相机和遥控器。飞行器提供多方位视觉系统,可稳定飞行和精准悬停,进行航点飞行作业;机身装备机载D-RTK,可提供厘米级高精度准确定位,实现更精准的测绘作业。Phantom 4 RTK配备24 mm广角相机、高精度防抖云台及图像传感器、机械快门,确保成像效果。遥控器的主要功能包括作业设计、远距离信号传输和航拍高清画面实时监测等。
2020年11月18日14:00—15:00,天气晴朗、无风、无云,采用大疆Phantom 4 RTK搭载光学相机对选定研究区域进行拍摄。无人机飞行高度为160 m,飞行范围东西走向为222.82 m,南北走向为106.28 m,航向重叠率为90%,旁向重叠率为80%,飞行路线设计为“S”型路线。拍摄共得原始照片142张,空间分辨率为3.36 cm,照片共3波段:红波段(R)、绿波段(G)、蓝波段(B)。
-
使用大疆智图软件对无人机所获取照片进行图像处理,通过三维重建技术,生成带有空间参考信息的数字表面模型(DSM)和色调自然、无明显接痕的正射影像图。图像处理的主要流程包括:①数据预处理,对照片进行校验、筛选、对齐,剔除一些无法进行后续合成的照片;②空三加密,通过空三计算得到密集点云和纹理;③生成网格,得到带空间参考信息的数字表面模型和数字正射影像。
-
在毛竹林高分辨率遥感影像中,由于影像信息太多、林间空隙太杂,经常会产生“同物异谱”和“同谱异物”现象,而在分类前执行分割能有效解决该问题[14-16]。
多尺度分割是从任意一像元开始,自下而上进行合并的一种分割手段,其参数设置包括分割尺度、形状因子和紧致度因子。其中形状因子的取值为[0,1],它包含了形状和光谱2个方面的意义,取值越大,表示在同质性标准中形状因子所占比例越高,光谱因子所占比例就越低,反之亦然。紧致度因子包含紧致度和光滑度,两者权重之和也为“1”。分割尺度作为各参数中最重要的一项,决定了分割所得的多边形对象内部的异质性,分割尺度越大,所生成的对象面积就越大,数目就越少,反之亦然[17]。本研究采用eCognition软件中的Estimation of Scale Paramater 2(ESP2)插件来确定分割尺度,通过设置一系列的参数进行迭代,计算局部方差以及局部方差变化率(ROC)[18-19],ROC=[VL−(VL−1)]/(VL−1)×100。其中:VL表示尺度为L时分割结果中所有对象局部方差值的方差;VL−1表示尺度为L−1时分割结果中所有对象局部方差值的方差。
本研究对不同类型的毛竹林进行不同参数组合实验,得到不同毛竹林的最优参数组合(表2)。
表 2 不同毛竹林的最优参数组合
Table 2. Optimal parameter combination of different Moso bamboo stands
类型 郁闭度 分割尺度 形状因子 紧致度因子 0~0.7 29 0.3 0.5 钩梢 0.7~0.8 31 0.3 0.5 0.8~1.0 29 0.3 0.5 未钩梢 41 0.3 0.5 -
①基于像元的阈值分类(TP)。通过设定不同的特征阈值,将图像分为若干类。常用的特征值包括2类:直接来自于原始图像的灰度或彩色特征和由原始灰度或彩色值变换得到的特征值。基于无人机影像的毛竹林竹冠区域阈值分类的关键在于选取能有效区分竹冠与非竹冠的最优阈值。通过选取竹冠与非竹冠的样点,得到各样点的阈值,统计不同阈值所包含的像元数目,绘成具有明显峰值与谷值的曲线图[20-21]。2个峰值对应位置分别为竹冠与非竹冠的典型特征值,谷值为竹冠与非竹冠交界处对应的特征值,也就是最优阈值(图1)。
特征值的选取对提取精度至关重要,本研究使用ENVI软件对数字正射影像中的红、绿、蓝波段进行主成分分析,得到红光和绿光波段包含98%以上的信息量,故选取由红、绿波段变换得到的归一化绿红差异指数(INGRD)为特征值[22-23],在MATLAB中对竹冠区域进行提取,表达式为INGRD=(G−R)/(G+R)。其中R为红光波段,G为绿光波段。②基于像元的监督分类(SP)。根据已知训练区提供的样本,选取并求出特征参数作为决策规则,建立判别函数对各类图像进行分类的一种方法。本研究建立竹冠区与非竹冠区2种样本,并在ENVI软件中选择最大似然法作为分类算法进行竹冠区域提取,该方法根据训练样本的均值和方差,评价待分类像元和训练样本之间的相似性进而分类,可同时考虑2个以上的波段和类别。③基于多尺度分割的阈值分类(TM)。与传统基于像元的分类不同,基于多尺度分割的阈值分类是一种面向对象分类,其分类的基本单元为影像对象,基本内容分为影像分割与影像分类2个独立模块。结合了多尺度分割的分类方法,在精确分类的同时,很好地兼顾了地物的宏观尺度和微观特征,极大地消除了传统分类带来的“椒盐效应”。在分割的基础上,本研究使用INGRD对竹冠区域进行阈值提取。④基于多尺度分割的监督分类(SM)。该分类也是在多尺度分割的基础上,基于对象进行监督分类。本研究通过eCognition软件进行多尺度分割,并选择最邻近值分类法进行分类提取,该方法通过均匀地选择样本,建立训练集,统计样本的特征信息,通过计算未分类对象与样本之间的距离进行分类,并提取竹冠区域。
-
郁闭度是指树冠的总垂直投影面积(m2)与该样方的总面积(m2)之比,反映林分的密度和林分光能利用程度,是抚育间伐的重要指标,郁闭度=总冠幅/样方总面积。
-
在无人机影像的基础上,根据竹冠部分的亮度、纹理和阴影等特征,在ArcGIS软件中对各个小样地进行目视解译,并以目视解译的结果作为真值对4种方法进行精度评价[24]。分别用正确识别的竹冠总面积(AC,m2)、真实的竹冠总面积(AR,m2)、识别的竹冠面积(AD,m2)、正确识别的非竹冠面积(AN,m2)、样地面积(AS,m2)、真实郁闭度(RD)、分类结果得到的郁闭度(DC)等7个指标进行精度和误差的计算。总体精度(OA)=(AC+AN)/AS×100%;用户精度(UA)=AC/AD×100%;生产者精度(PA)=AC/AR×100%;郁闭度误差(DE)=|RD−DC|。
-
使用SPSS 25.0对各样地的总体精度、用户精度、生产者精度、郁闭度误差进行统计分析,采用单因素方差分析法(one-way ANOVA)进行显著性检验,采用LSD法进行多重比较分析(P=0.05),文中数据为平均值±标准差。
-
从图2可见:无论是在钩梢毛竹林还是未钩梢毛竹林中,基于像元的阈值分类法的结果存在较多错分和漏分的情况,且提取结果存在“碎片化”情况。基于像元的监督分类法的漏分情况较少,但存在较多的错分且提取结果呈“碎片化”;基于多尺度分割的阈值分类法提取的树冠存在较严重的错分和漏分情况;基于多尺度分割的监督分类法基本解决了树冠提取结果“碎片化”的问题,提高了所提取树冠的整体性,减少了错分和漏分的情况。从表3可以看出:基于多尺度分割的监督分类法的总体精度、生产者精度和用户精度都显著高于其他3种方法(P<0.05);基于多尺度分割的监督分类法郁闭度误差最小,为0.004,显著低于其他3种方法(P<0.05),表明使用基于多尺度分割的监督分类法提取毛竹林郁闭度的结果明显优于其他3种方法。
图 2 不同方法提取竹冠效果对比示意图
Figure 2. Comparison of the bamboo crown extraction results with different methods
表 3 不同方法的毛竹林竹冠提取精度及郁闭度误差对比
Table 3. Bamboo crown extraction accuracy and canopy density error of different methods
方法 总体精度/% 生产者精度/% 用户精度/% 郁闭度误差 TP 91.81±3.08 c 93.34±3.37 c 96.24±2.03 b 0.038±0.026 c SP 92.96±3.66 bc 95.47±3.29 b 95.64±2.64 b 0.030±0.026 ab TM 93.47±2.53 b 96.10±2.24 b 95.57±2.57 b 0.024±0.018 b SM 98.86±0.53 a 99.15±0.40 a 99.36±0.53 a 0.004±0.003 a 说明:同列不同小写字母表示差异显著(P<0.05) -
如表4所示:在基于多尺度分割的监督分类法中,是否钩梢对总体精度均没有显著影响,说明基于多尺度分割的监督分类法对钩梢和未钩梢毛竹林均适用;在其他3种方法中,钩梢毛竹林总体精度显著高于未钩梢毛竹林,说明这3种方法更适用于钩梢毛竹林。无论是钩梢林分,还是未钩梢林分,基于多尺度分割的监督分类法的总体精度均显著高于其他3种方法(P<0.05)。
表 4 4种方法下钩梢和未钩梢毛竹林竹冠区域的提取精度
Table 4. Extraction accuracy of the four methods with truncation and non-truncation
类型 方法 总体精度/% 生产者精度/% 用户精度/% 钩梢 TP 92.82±2.57 Ab 93.85±3.11 Ac 95.96±2.32 Ab SP 93.95±2.74 Ab 96.67±1.39 Ab 95.00±2.98 Ab TM 94.05±2.25 Ab 96.15±2.04 Ab 95.49±2.90 Ab SM 98.9±0.59 Aa 99.14±0.45 Aa 99.27±0.61 Aa 未钩梢 TP 89.80±3.12 Bb 92.33±3.77 Ac 96.81±1.15 Ab SP 90.97±4.52 Bb 93.07±4.57 Bc 96.92±0.98 Bb TM 92.30±2.77 Bb 96.01±2.70 Ab 95.73±1.81 Ac SM 98.78±0.37 Aa 99.16±0.29 Aa 99.55±0.22 Aa 说明:同列不同小写字母表示相同林分类型在不同方法之 间差异显著(P<0.05);同列不同大写字母表示相同 方法在不同林分类型之间差异显著(P<0.05) 从表5可见:基于多尺度分割的监督分类法所得到的郁闭度误差最小,在钩梢林分中仅为0.003,在未钩梢林分中仅为0.004,显著低于其他3种方法(P<0.05)。在基于多尺度分割的监督分类法和基于多尺度分割的阈值分类法中,是否钩梢对郁闭度误差没有显著影响;在基于像元的监督分类法和基于像元的阈值分类法中,钩梢毛竹林的郁闭度误差显著低于未钩梢毛竹林(P<0.05)。
表 5 4种方法下钩梢和未钩梢毛竹林的郁闭度误差
Table 5. Canopy density error of the four methods with truncation and non-truncation
类型 方法 郁闭度误差 类型 方法 郁闭度误差 钩梢 TP 0.029±0.021 Ab 未钩梢 TP 0.052±0.029 Bc SP 0.023±0.015 Ab SP 0.042±0.039 Bbc TM 0.022±0.016 Ab TM 0.026±0.023 Ab SM 0.003±0.003 Aa SM 0.004±0.003 Aa 说明:同列不同小写字母表示相同林分类型在不同方法之 间差异显著(P<0.05);同列不同大写字母表示相同 方法在不同林分类型之间差异显著(P<0.05) -
从表6可见:4种方法对不同郁闭度毛竹林的总体精度均没有显著影响,说明这4种方法在不同郁闭度的毛竹林中均适用。
表 6 不同方法下郁闭度对毛竹林竹冠提取精度的影响
Table 6. Effect of canopy density on the extraction accuracy under different methods
郁闭度 方法 总体精度/% 生产者精度/% 用户精度/% 0~0.7 TP 93.70±2.44 Ab 95.04±2.50 Ab 95.26±2.69 Ab SP 94.98±2.11 Ab 97.02±1.37 Ab 95.33±2.90 Ab TM 93.89±2.66 Ab 96.15±2.52 Ab 94.70±3.32 Ab SM 98.82±0.69 Aa 99.11±0.53 Aa 99.09±0.68 Aa 0.7~0.8 TP 92.21±2.65 Ab 92.43±3.83 Ac 97.03±1.68 Ab SP 93.62±4.31 Ab 96.97±1.43 Ab 95.22±4.78 Ab TM 92.71±1.40 Ab 96.11±1.43 Ab 95.19±1.90 Ab SM 98.88±0.48 Aa 99.08±0.32 Aa 99.42±0.48 Aa 0.8~1.0 TP 90.68±1.46 Ac 92.46±1.39 Ac 96.14±0.74 Ab SP 93.62±4.31 Ab 96.97±1.43 Ab 95.22±4.78 Ab TM 92.71±1.40 Ab 96.11±1.43 Ab 95.19±1.90 Ab SM 99.28±0.33 Aa 99.48±0.22 Aa 99.66±0.33 Aa 说明:同列不同小写字母表示相同郁闭度在不同方法之 间差异显著(P<0.05);同列不同大写字母表示相同 方法在不同郁闭度之间差异显著(P<0.05) -
本研究4种方法提取的毛竹林竹冠区域精度均在90%以上,而汪霖等[25]通过提取单个树冠面积,得到提取树冠区域的总体精度为93.09%,高于本研究基于像元的阈值分类法和基于像元的监督分类法,但低于基于多尺度分割的阈值分类法和基于多尺度分割的监督分类法,证明在分类前执行分割能有效提高提取精度。4种方法在竹冠区域提取精度上,基于像元的提取精度小于基于多尺度的提取精度。可能是相比于乔木林,毛竹林由于其扩鞭生长的特殊性,竹冠部分难以单个呈现,具有很强的整体性,使用传统基于像元的提取方法难以达到对整体性的要求。基于多尺度分割的监督分类法表现最好的原因是在保证对象内部同质性最大的基础上进行的分类,且结合了光谱、纹理等信息进行分类,分类依据更全面;而相较于基于多尺度分割的监督分类法,基于多尺度分割的阈值分类法由于分类规则只基于光谱信息,较为单一,故精度较低。
在基于像元的阈值分类法、基于像元的监督分类法和基于多尺度分割的阈值分类法中,是否钩梢对竹冠区域提取的影响存在较大影响。其一是由于未钩梢毛竹林郁闭度过高,林隙较小且颜色与竹冠接近,导致光学影像的饱和度增高,对特征量的敏感度随之下降,造成误差[26-27];其二是由于未钩梢毛竹林一般处于无人经营状态,存在毛竹倒伏现象和新老竹之间的光谱差异,造成误差。但是,基于多尺度分割的监督分类法则不受毛竹林是否钩梢的影响,其原因是多尺度分割得到内部同质性最大、外部同质性最小的斑块,很好保留了分类必需的有效信息,且避免了高分辨率影像中过于丰富的光谱与纹理信息所带来的干扰,减少错分与漏分的情况,基于此进行的监督分类能在保证竹冠整体性的前提下,通过训练样本分别提取钩梢与未钩梢毛竹林的特征参数,从而提取毛竹林竹冠区域。
在4种方法中郁闭度对竹冠区域的提取均不存在显著影响,说明4种方法对不同郁闭度的毛竹林竹冠提取都有较好的适用性。原因是不同郁闭度的毛竹林遥感影像的光谱与纹理特征差别不大,这4种方法都足以从影像中提取稳定的特征量对竹冠区域进行提取。
就郁闭度估测结果而言,4种方法提取的郁闭度误差都小于0.04,其中基于多尺度分割的监督分类法的误差最低,郁闭度误差仅为0.004,说明基于无人机的可见光影像可以用于毛竹林的郁闭度提取,具有很高的应用价值。苏迪等[9]基于冠层高度模型数据进行主成分确定自变量建立郁闭度模型,通过检验得到模型精度为83.18%,低于本研究的估测精度,说明基于影像提取的郁闭度优于建模所得的郁闭度。严羽[28]使用标记控制分水岭算法对树冠区域与非树冠区域进行分割,基于分割得到的树冠区域面积与实测面积对比,得到郁闭度估测误差为2.33%,高于本研究基于像元的阈值分类法、基于像元的监督分类法和基于多尺度分割的阈值分类法,但低于基于多尺度分割的监督分类法。
-
在提取毛竹林竹冠区域和郁闭度的中,本研究基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法都达到了较高精度,其中基于多尺度分割的监督分类法的提取结果精度最高,竹冠区域总体精度为98.86%,郁闭度误差为0.004,显著优于其他3种方法,而且是否钩梢对于基于多尺度分割的监督分类法提取竹冠区域没有影响。在4种方法中,郁闭度对竹冠区域的提取均不存在显著影响。总体上,低廉轻便的无人机搭载可见光相机节省了大量的调查时间与精力,提高了调查效率与精度,可以用于大面积毛竹林竹冠区域和郁闭度的提取。
Estimation method of Phyllostachys edulis forest canopy density based on UAV visible image
-
摘要:
目的 由于毛竹Phyllostachys edulis的生长特点和经营特点,使得毛竹林郁闭度在毛竹林经营中尤为重要,只有保持适宜毛竹生长的郁闭度,才能提高毛竹生产力。研究无人机可见光影像的毛竹林郁闭度估测方法,可实现实时快速获取毛竹林的郁闭度。 方法 以普通旋翼无人机可见光毛竹林影像为研究对象,基于像元的阈值分类、像元的监督分类、多尺度分割的阈值分类、多尺度分割的监督分类等4种方法,选取不同钩梢和郁闭度的样地36个,利用现有软件和MATLAB编程,对各样地的毛竹林竹冠区域进行快速提取,进而估算林分郁闭度,对比目视解译的郁闭度真值计算各方法的估算精度,利用单因素方差分析比较4种方法在不同钩梢和不同郁闭度下估算郁闭度的表现。 结果 基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法的郁闭度估算总体精度依次为91.81%、92.96%、93.47%、98.86%,郁闭度估测值绝对误差依次为0.038、0.030、0.024、0.004。钩梢和郁闭度等对提取结果没有显著影响。 结论 基于多尺度分割的监督分类方法总体精度最高,估算绝对误差最小,能够满足快速、准确提取并估测毛竹林林分郁闭度的要求,且适用于不同经营类型的毛竹林。图2表6参28 Abstract:Objective Due to the growth and management characteristics of Phyllostachys edulis forest, the canopy density of Ph. edulis forest is a very important factor in the management. This study aims to explore the estimation method of canopy density of Ph. edulis forest based on unmanned aerial vehicle (UAV) visible image, which can achieve real-time and rapid acquisition of Ph. edulis forest canopy density. Method The visible light image of Ph. edulis forest of common rotor UAV was taken as the research object. 4 mature digital image processing methods were adopted, namely, threshold classification based on pixel, supervised classification based on pixel, threshold classification based on multi-scale segmentation, and supervised classification based on multi-scale segmentation. 36 sample plots with different truncation conditions and canopy density were selected. Using the existing software and MATLAB programming, the Ph. edulis canopy area in each sample plot was rapidly extracted, and then the canopy density was estimated. The estimation accuracy of the canopy density of each method was compared with the true value calculated by visual interpretation, and the performance of the 4 methods under different truncation and different canopy density conditions was compared and analyzed. Result The overall accuracy of threshold classification based on pixel, supervised classification based on pixel, threshold classification based on multi-scale segmentation, and supervised classification based on multi-scale segmentation was 91.81%, 92.96%, 93.47% and 98.86%, respectively. The absolute error of the estimated value of canopy density of the 4 methods was 0.038, 0.030, 0.024 and 0.004, respectively. Truncation condition and canopy density had no significant effect on the extraction results. Conclusion The supervised classification method based on multi-scale segmentation has the highest overall accuracy and the smallest absolute error. It can quickly and accurately extract and estimate the canopy density of Ph. edulis forest, and is suitable for different management types of Ph. edulis forest. [Ch, 2 fig. 6 tab. 28 ref.] -
随着工业化进程的加速推进,人类活动产生的温室气体排放量增加,应对气候变化已成为全球共同关注的社会和科学问题。中国积极参与全球气候治理,1993年签署《联合国气候变化公约》,成为首批缔约方;2007年颁布《中国应对气候变化国家方案》,明确减排目标和政策措施;2020年9月正式提出“2030年前实现碳达峰、2060年前实现碳中和”的目标[1]。碳足迹分析被广泛用于量化产品在其生命周期中的温室气体排放量[2],是科学制定减排战略的前提与基础。2023年11月中国提出将加快建立产品碳足迹管理体系,碳足迹评估已成为实现碳达峰和碳中和(“双碳”)目标的重要抓手。竹笋是一种健康的森林食品,其产业是中国林业重点发展的十大富民产业之一[3]。中国作为全球竹类资源最丰富的国家,竹笋产品约占世界产量的95%,是中国16个大宗出口农产品之一[4]。随着欧美等发达国家“碳关税”等绿色贸易规则的推进和实施,碳足迹评估已成为企业产品出口的必选项目。
目前在农林产品碳足迹评估领域,学者们主要针对碳足迹评估方法、产品碳足迹评估和减排潜力等方面展开相关研究。投入产出法[5]是一种自上而下的计算方法,适用于评估某个部门或产业的碳足迹;生命周期法采用自下而上的计算方法,适用于产品或服务的碳足迹评估[6]。在产品碳足迹评估及构成研究中,有学者对农产品如柚Citrus maxima [7]、水稻Oryza sativa[8]和苹果Malus pumila[9]进行碳足迹评估,发现减少肥料施用量是降低碳排放的关键。周鹏飞等[10]对竹砧板进行碳足迹评价,结果表明:竹砧板的碳足迹为114.552 8 kg·m−3,为低碳产品。陈莎等[11]通过对中国纸产品全生命周期评价,计算出中国2010和2015年纸产品的温室气体排放量分别为13.4和20.3 Mt,并呈逐年上升的趋势。在减排潜力方面,诸多学者基于碳足迹研究对棉花 Gossypium hirsutum种植经营模式[12]、人造板生产[13]展开减排潜力评估,分别提出科学施肥、调整能源结构等减排路径。
在国外“碳关税”等绿色贸易规则和国内“双碳”战略背景下,准确评估中国五大主要出口竹笋产品的碳足迹、隐含碳排放和减排潜力具有重要意义。雷竹笋通常被用于鲜食和加工成竹笋产品[14] ,是产量较大的典型竹笋品种。由于近几年高产笋用竹的栽培、管理和加工工艺日趋类同[15],因此,本研究选择5种典型的雷竹笋产品开展相关碳足迹的研究,能较好地代表出口竹笋产品碳足迹的现状。本研究以5种主要出口雷竹Phyllostachys violascens笋产品为研究对象,全程溯源竹笋种植、生产和分销阶段生命周期的碳足迹;根据海关出口数据估算2015—2023年隐含碳排放和碳排放强度,并基于碳排放热点协同设计减排路径,量化减排效果,旨在推动竹笋产业低碳高质量发展。
1. 数据来源与研究方法
1.1 数据来源
1.1.1 产品选择
竹笋是竹鞭或秆基上的芽萌发分化而成的膨大的芽和幼嫩的茎[16]。竹笋产品类型主要包括鲜笋和竹笋加工产品。竹笋加工产品是指将鲜笋通过一定的工艺后加工成可直接食用的产品。根据目前海关分类目录,竹笋产品共分为鲜竹笋或冷藏竹笋(简称鲜食笋)、其他方法制作或保藏的未冷冻竹笋(简称水煮笋)、盐水竹笋、笋干丝、竹笋罐头5类。对应海关5类出口竹笋产品及相关生产工艺,本研究分别选取雷竹笋的鲜食笋、水煮笋、盐水手剥笋(简称手剥笋)、笋干丝和调味笋罐头(简称调味笋)开展典型竹笋产品的碳足迹研究。
1.1.2 数据来源
浙江省杭州市临安区与湖州市安吉县是雷竹笋主产区,竹林面积分别为5.65和6.73 万hm2,是浙江省乃至全国高效栽培技术推广最早、面积最大的地区[17]。选择两地开展竹笋产品碳足迹的评估具有典型性和代表性。竹笋种植经营数据来源于临安区某竹笋专业合作社2022年2月至2023年3月的实地调查和农事台账。竹笋产品生产环节数据来源于浙江某生态农业有限公司、安吉某食品有限公司、杭州某食品有限公司和安吉县天荒坪镇某股份经济合作社等4家竹笋加工企业的实地调查。竹笋产品出口数据来源于2015—2023年的中国海关数据。
1.2 研究方法
1.2.1 碳足迹核算
采用英国标准协会《商品和服务在生命周期内的温室气体排放评价规范》(PAS 2050: 2011)为评估标准。考虑到出口竹笋产品在消费和处置过程中碳排放的不确定性,选择包含种植、生产及分销阶段的生命周期系统边界(图1)。为了便于比较5种竹笋产品的碳足迹,功能单位确定为kg·kg−1[表示不同温室气体的影响转化为等效的二氧化碳(CO2)排放量]。
竹笋产品碳足迹评估系统边界包括种植、生产和分销等3个阶段的温室气体排放。①种植阶段,包括农资投入、农资运输、农资施用和农业机械使用等。种植阶段碳排放核算方法:竹笋种植目前主要分为覆盖经营和非覆盖经营。覆盖是指在秋末冬初将砻糠等增温保温材料覆盖在土壤表面,达到早出笋、提高经济效益的目的[18]。覆盖经营中,主要涉及覆盖、水肥一体灌溉、化学杀虫、人工除草等措施;非覆盖主要依据自然生长原则,采用适度的人工干预,如杀虫、除草等措施。本研究不考虑竹林碳汇对竹笋种植经营碳排放的抵消作用。种植阶段碳排放量计算公式如下:
$$ {C}_{1}=\sum _{i=1}^{n}{P}_{i}\times {E}_{i}+\sum _{j=1}^{n}{M}_{j}\times {D}_{j}\times {E}_{j}+N\times \alpha \times \frac{44}{28}\times {G}_{{\mathrm{N}}_2{\mathrm{O}}}。 $$ (1) 式(1)中:C1为种植阶段碳排放量(kg·kg−1);Pi为第i类农资投入量或农业机械能源消耗量(kg或kW·h);Ei为第i类农资或能源的碳排放因子[kg·kg−1或kg·(kW·h)−1];Mj为第j类农资或能源的运输质量(t);Dj为运输距离(km);Ej第j类农资或能源运输方式的碳排放因子(kg·km−1·t−1);N为施用化肥中所含的氮量(kg);α为施用含氮肥引起的氮化亚氮(N2O)排放因子(kg·kg−1),44/28为氮(N2)转换为氧化亚氮的系数,$G_{{\mathrm{N}}_2{\mathrm{O}}} $为100 a尺度下相对于二氧化碳的氧化亚氮增温潜势。②生产阶段,包括鲜笋运输、鲜笋加工、附加物投入和附加物运输等。种植阶段碳排放量核算方法:
$${C}_{2}=\sum _{i=1}^{n}{M}_{i}\times {D}_{i}\times {E}_{i}+\sum _{j=1}^{n}{P}_{j}\times {E}_{j}。 $$ (2) 式(2)中:C2为生产阶段碳排放量(kg·kg−1);Mi为第i类原材料的运输质量(t);Di为第i类原材料的运输距离(km);Ei为第i类运输方式的碳排放因子(kg·km−1·t−1);Pj为第j类原材料投入量或能源消耗量(kg或kW·h),Ej为第j类原材料或能源的碳排放因子[kg·kg−1或kg·(kW·h)−1]。③分销阶段包括产品分销(至港口)。分销阶段碳排放量核算计算公式如下:
$$ {C}_{3}=\sum _{i=1}^{n}{M}_{i}\times {D}_{i}\times {E}_{i}。 $$ (3) 式(3)中:C3为分销阶段碳排放量(kg·kg−1);Mi为第i类竹笋产品的运输质量(kg);Di为第i类竹笋产品的运输距离(km);Ei为竹笋产品运输方式的碳排放因子(kg·km−1·t−1)。
综合系统评估边界内各阶段排放,竹笋产品碳足迹计算公式如下:
$${C}_{\mathrm{E}}={C}_{1}+{C}_{2}+{C}_{3}。 $$ (4) 式(4)中:CE为竹笋产品碳足迹(kg·kg−1)。
1.2.2 竹笋产品出口隐含碳排放
出口隐含碳排放是出口产品在生产国的整个生命周期中直接和间接排放的二氧化碳[19]。竹笋产品出口隐含碳排放计算公式为:
$$ C=\sum _{i=1}^{n}{C}_{\mathrm{E}i}\times {Q}_{i}。$$ (5) 式(5)中:C为竹笋产品出口隐含碳排放量(kg);$ {C}_{\mathrm{E}i} $为第i种竹笋产品碳足迹 (kg·kg−1);Qi为第i种竹笋产品代表海关分类的出口量(kg)。
1.2.3 竹笋产品出口隐含碳排放强度
出口隐含碳排放强度反映了出口贸易的碳排放成本。降低出口隐含碳排放强度是协调出口贸易和碳减排的有效措施[20]。竹笋产品的出口隐含碳排放与出口额决定了其碳排放强度的变化趋势。计算公式如下[21]:
$$ {I}_{\mathrm{C}i}=\frac{{C}_{i}}{{{P}_{\mathrm{E}\mathrm{X}}}_{i}}。$$ (6) 式(6)中: ICi为第i年竹笋产品出口隐含碳排放强度(t·万元−1);Ci表示第i年竹笋产品出口隐含碳排放总量(t); PEXi表示第i年竹笋产品的出口总贸易额(万元)。
2. 结果与分析
2.1 竹笋产品碳足迹评估
2.1.1 种植阶段碳排放
基于覆盖与非覆盖2种经营模式的实地调查,在种植阶段单位质量鲜竹笋的碳排放量表现出明显的差异。表1显示:覆盖经营下的鲜笋碳足迹为0.300 4 kg·kg−1,非覆盖经营的碳足迹为0.002 8 kg·kg−1。在2种竹笋种植经营模式中,农资投入碳排放的占比均处于最高水平,其次是农资运输碳排放。
表 1 种植阶段碳排放量核算结果Table 1 Results of carbon emission accounting at planting stage产品阶段 排放源 排放因子/
(kg·kg−1)或[kg·(kW·h)−1]或(kg·km−1·t−1)不同经营方式碳排放量/(kg·kg−1) 覆盖经营 非覆盖经营 种植阶段 农资投入 复合肥[22] 2.470 0 0.221 6 0.002 8 农药[23] 16.610 0 氮肥[24] 7.480 0 有机肥[25] 0.089 0 农资运输 中型货车[26] 0.042 0 0.045 7 0.000 0 农业机械使用 电力[27] 0.581 0 0.004 3 0.000 0 农资施用 N2O间接排放[28] 0.002 3 0.028 8 0.000 0 合计 0.300 4 0.002 8 2.1.2 生产与分销阶段碳排放
本研究计算了鲜食笋和4种典型竹笋加工产品在生产与分销阶段的碳排放量。计算结果如表2所示:受到能源消耗、运输和包装材料等的影响,5种竹笋产品的生产与分销阶段碳排放存在差异,其中调味笋的碳排放量最大,为1.384 9 kg·kg−1,鲜食笋的碳排放量最小,为0.023 1 kg·kg−1。
表 2 生产与分销阶段碳排放量核算结果Table 2 Carbon emission accounting results in production and distribution stages产品阶段 排放源 排放因子/(kg·kg−1)或
(kW·h)−1或(t·m)−1鲜笋和各种竹笋加工产品碳排放量/(kg·kg−1) 鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 生产阶段 鲜笋运输 轻型货车 0.083 0 0.000 0 0.003 3 0.014 1 0.159 9 0.006 0 鲜笋加工 电力 0.581 0 0.000 0 0.239 8 0.660 5 0.621 1 0.245 9 生物质燃料[29] 0.196 5 附加物投入 玻璃瓶[30] 0.933 8 0.011 6 0.063 5 0.313 5 0.094 3 1.114 3 蒸煮袋[31] 8.810 0 塑料编织袋[32] 2.510 0 香油[33] 1.770 0 附加物运输 微型货车 0.120 0 0.000 0 0.000 0 0.000 3 0.010 8 0.001 4 小计 0.011 6 0.306 6 0.988 4 0.886 1 1.367 6 分销阶段 产品分销 中型货车 0.042 0 0.011 5 0.011 4 0.011 5 0.012 1 0.017 3 合计 0.023 1 0.318 0 0.999 9 0.898 2 1.384 9 在生产阶段,鲜食笋因为不需要进行后续加工,仅有附加物的运输和投入排放,碳排放最小;笋干丝、手剥笋和调味笋的碳排放量相近,处于较高的水平;水煮笋的碳排放量较低。从排放源看,鲜笋加工是水煮笋、手剥笋和笋干丝碳排放最多的环节;附加物投入是调味笋和鲜食笋碳排放最多的环节。在产品分销阶段,各种竹笋产品的碳排放比较接近。
2.1.3 竹笋产品碳足迹核算
根据实地调查和农事台账记录,覆盖经营模式下的竹林在每年11月开始覆盖,12月至翌年1和2月采收。基于海关月度出口数据,每年12、1与2月覆盖经营的鲜食笋出口量占该类竹笋产品全年出口量的50.2%,因此,鲜食笋种植阶段的碳排放量以覆盖和非覆盖2种模式下的碳排放均值计算;根据企业生产实际,4种出口竹笋产品均采用非覆盖经营模式下的碳排放量计算。计算结果如表3所示。5种竹笋产品的碳足迹由大到小依次为调味笋(1.387 4 kg·kg−1)、手剥笋(1.010 8 kg·kg−1)、笋干丝(0.927 4 kg·kg−1)、水煮笋(0.324 9 kg·kg−1)、鲜食笋(0.174 8 kg·kg−1)。鲜食笋的碳足迹最小,种植阶段碳排放占比最大,生产阶段与分销阶段碳排放相近,因此鲜食笋的减排措施应优先考虑从竹笋种植开始。在4种竹笋加工产品中,碳排放主要集中在生产阶段,该阶段平均碳排放占比达96.57%,种植阶段碳排放与分销阶段碳排放占比较小。
表 3 竹笋产品碳足迹核算结果Table 3 Carbon footprint accounting results of 5 bamboo shoot products生产阶段 鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 碳足迹/
(kg·kg−1)占比/
%碳足迹/
(kg·kg−1)占比/
%碳足迹/
(kg·kg−1)占比/
%碳足迹/
(kg·kg−1)占比/
%碳足迹/
(kg·kg−1)占比/
%种植阶段 0.151 7 86.78 0.006 9 2.13 0.010 8 1.07 0.029 2 3.15 0.002 5 0.18 生产阶段 0.011 6 6.64 0.306 6 94.36 0.988 5 97.80 0.886 1 95.54 1.367 6 98.57 分销阶段 0.011 5 6.58 0.011 4 3.51 0.011 5 1.13 0.012 1 1.31 0.017 3 1.25 合计 0.174 8 100 0.324 9 100 1.010 8 100 0.927 4 100 1.387 4 100 2.1.4 竹笋产品碳排放热点分析
为了分析竹笋产品碳足迹构成中各排放源的贡献,将占比超过10%的定义为碳排放热点[34]。表4显示:鲜食笋的排放热点为农资投入,碳排放占比为64.21%。鲜笋运输是笋干丝的排放热点之一,碳排放占比为17.24%。鲜笋加工是水煮笋、手剥笋、笋干丝和调味笋的共同排放热点,碳排放占比分别为73.80%、65.35%、66.97%和17.73%。附加物投入是水煮笋、手剥笋、笋干丝和调味笋的另一个共同排放热点,碳排放占比分别为19.55%、31.02%、10.16%和80.31%。
表 4 竹笋产品碳足迹构成Table 4 Carbon footprint composition of 5 bamboo shoot products产品阶段 排放源 碳排放占比/% 鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 种植阶段 农资投入 64.21 2.13 1.07 3.15 0.18 农资运输 13.10 0.00 0.00 0.00 0.00 农械使用 1.23 0.00 0.00 0.00 0.00 农资施用 8.24 0.00 0.00 0.00 0.00 生产阶段 鲜笋运输 0.00 1.02 1.40 17.24 0.43 鲜笋加工 0.00 73.80 65.35 66.97 17.73 附加物投入 6.64 19.55 31.02 10.16 80.31 附加物运输 0.00 0.01 0.03 1.16 0.10 分销阶段 产品分销 6.58 3.51 1.13 1.31 1.25 2.2 竹笋产品出口隐含碳排放估算
2.2.1 历年竹笋产品出口情况
对历年竹笋产品的出口结构和出口数量(表5)进行分析。在中国竹笋产品出口结构中,调味笋的出口量远大于其他4类竹笋产品,平均出口占比为86.69%;水煮笋平均占比达9.09%;手剥笋、笋干丝和鲜食笋平均出口占比较小,分别为1.98%、1.18%、1.06%。在产品出口结构变化趋势上,鲜食笋和水煮笋出口结构呈现下降趋势;手剥笋、笋干丝和调味笋的出口占比呈波动上升趋势。从出口数量来看,2015—2018年竹笋产品出口数量维持在16 万t,2018—2023年呈波动下降趋势。
表 5 中国竹笋产品出口量Table 5 Export quantity of Chinese bamboo shoot products年份 不同竹笋产品出口量/t 出口总量/t 鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 2015 1 964 26 555 3 316 1 804 125 441 159 080 2016 2 201 21 535 3 034 1 777 131 352 159 900 2017 1 959 14 577 3 061 1 796 135 061 156 454 2018 1 804 13 449 3 011 1 658 137 426 157 347 2019 1 534 11 038 3 013 1 866 128 673 146 123 2020 1 301 7 463 2 579 1 846 118 632 131 822 2021 1 454 9 361 2 594 1 624 132 139 147 172 2022 863 10 461 2 723 1 595 120 732 136 375 2023 1 060 8 047 2 729 1 525 109 670 123 031 平均 1 571 13 610 2 895 1 721 126 570 146 367 2.2.2 历年竹笋产品出口隐含碳排放
随着欧盟“碳边境调节机制”等绿色贸易规则的推进和实施,产品出口成本增加。通过核算竹笋产品的出口隐含碳排放,不仅能促进竹笋产业的低碳发展,也为中国计算产品出口碳排放提供重要的依据。本研究利用5种典型竹笋产品碳足迹的核算结果,结合历年的竹笋产品出口数据,估算历年竹笋产品出口隐含碳排放。结果如表6所示。出口规模是影响出口隐含碳排放的最主要因素,竹笋产品出口隐含碳排放在2015—2023年呈波动下降趋势。历年竹笋产品出口平均隐含碳排放为18.482 0 万t,2018年的隐含碳排放最高,为19.992 7 万t,2023年的隐含碳排放最低,为15.912 7 万t。在竹笋产品出口隐含碳排放的构成中,由于调味笋的出口占比高、产品碳足迹大,该类竹笋产品的出口隐含碳排放占比明显高于其他类型的竹笋产品。
表 6 中国历年竹笋产品出口隐含碳排放分析Table 6 Analysis of implied carbon emissions of bamboo shoots exported in China over the years年份 不同竹笋产品出口隐含碳排放/t 出口隐含碳排放/t 鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 2015 343 8 629 3 351 1 673 174 034 188 030 2016 385 6 998 3 066 1 648 182 236 194 332 2017 342 4 737 3 093 1 666 187 381 197 219 2018 315 4 370 3 043 1 537 190 661 199 927 2019 268 3 586 3 045 1 730 178 518 187 148 2020 227 2 425 2 606 1 712 164 587 171 558 2021 254 3 042 2 622 1 506 183 327 190 751 2022 151 3 399 2 752 1 480 167 501 175 283 2023 185 2 615 2 759 1 414 152 154 159 127 平均 275 4 422 2 926 1 596 175 600 184 820 2.2.3 历年竹笋产品出口隐含碳排放强度
2015—2023年5类竹笋产品历年出口隐含碳排放强度以及竹笋产品综合隐含碳排放强度如表7所示。表7显示:5类竹笋产品的平均出口隐含碳排放强度由大到小排序依次为调味笋、手剥笋、水煮笋、笋干丝、鲜食笋。从变化趋势看,5类竹笋产品的出口隐含碳排放强度在2015—2023年均呈现波动下降的趋势,其中下降幅度最大的是笋干丝,为27.69%,下降幅度最小的是调味笋,为4.10%。
表 7 竹笋产品出口隐含碳排放强度Table 7 Implicit carbon emission intensity of bamboo shoot products export年份 5类竹笋产品出口隐含碳排放强度/(t·万元−1) 竹笋产品综合隐含碳排放强度/
(t·万元−1)鲜食笋 水煮笋 手剥笋 笋干丝 调味笋 2015 0.081 1 0.190 3 0.715 4 0.116 8 1.362 0 0.957 6 2016 0.080 5 0.172 3 0.695 1 0.115 8 1.141 5 0.868 8 2017 0.083 8 0.173 8 0.681 6 0.112 4 1.133 6 0.913 1 2018 0.062 6 0.158 1 0.707 6 0.123 4 1.142 0 0.923 9 2019 0.076 8 0.140 2 0.684 3 0.142 8 1.147 5 0.930 2 2020 0.063 5 0.134 2 0.686 1 0.101 1 1.258 3 0.990 7 2021 0.081 3 0.132 9 0.726 5 0.088 0 1.487 0 1.121 9 2022 0.061 8 0.119 9 0.675 8 0.078 9 1.376 1 0.999 7 2023 0.053 9 0.140 8 0.609 6 0.084 5 1.306 1 0.996 0 平均 0.071 7 0.151 4 0.686 9 0.107 1 1.261 6 0.966 9 历年竹笋产品综合平均隐含碳排放强度为0.966 9 t·万元−1,受出口额和出口隐含碳排放的影响,一方面竹笋产品的出口额随着出口数量的波动下降而下降;另一方面,在竹笋产品的出口结构中,碳足迹最大的调味笋出口占比不断攀升,碳足迹较低的其他类型竹笋产品出口占比下降,导致出口隐含碳排放的下降趋势较出口数量平缓。因此从整体来看,竹笋产品出口的综合隐含碳排放强度呈波动上升趋势。
2.3 不确定性分析
综合考虑了竹笋种植阶段、生产阶段和分销阶段的碳排放。选择系统边界的不同会对碳足迹的评价结果产生影响。在评估竹笋产品碳足迹过程中,全程收集了各阶段的初级数据,一些相关碳排放因子主要选择来自国内外数据库及参考文献,可能会对研究结果产生差异。此外,在估算中国竹笋产品出口隐含碳排放与碳排放强度时,选择了5种代表性竹笋产品,但不同的竹种、种植环境和加工工艺可能会导致竹笋产品碳足迹的差异,从而对估算结果产生影响。因此,在未来的研究中,应规范竹笋产品碳排放因子数据的选择,进一步提升碳足迹评估结果的可信度和准确性;扩展不同地区、不同竹种的竹笋产品碳足迹评估研究,推动竹笋产业低碳高质量发展。
3. 减排情景设计及减排量估算
3.1 减排情景设计
通过上述排放热点的识别,确定了农资投入、鲜笋运输、鲜笋加工和附加物投入是有效的减排方向。减排情景一:农资投入是鲜食笋的排放热点。近年来,中国大力推进农药化肥减量增效工作,部分地区降幅达30%以上[35]。根据《“十四五”全国农业绿色发展规划》提出的持续推进药肥减量要求,以减少30%农资投入量作为减排路径。减排情景二:鲜笋运输是笋干丝的排放热点,主要受到运输质量、运输距离与运输方式的影响。目前,竹笋加工企业采用轻型货车进行分散运输,排放因子为0.083 0 kg·t−1·km−1;将轻型货车优化为中型货车,采用公共物流集中运输,排放因子为0.042 0 kg·t−1·km−1,从而减少鲜笋运输碳排放。减排情景三:鲜笋加工是4种竹笋加工产品共同的排放热点,主要受到电力消耗和生物质燃料投入量的影响。《中国区域电网二氧化碳排放因子研究(2023)》报告提出:“十四五”期间中国非化石能源发电占比进一步提高,各省电力排放因子平均年下降速率为4.07%。据此估算2024年电力排放因子为0.534 7 t·(MW·h)−1。减排情景四:附加物投入作为4种竹笋加工产品的共同排放热点,主要涉及到包装、调味品的投入量。采取包装轻量化的减排情景设计,蒸煮袋包装将厚度由原先的12 μm优化至7 μm;玻璃瓶包装平均壁厚由3.5 mm降低至2.0 mm[36]。
3.2 减排优化结果
基于碳足迹核算与政策指导的减排情景设计,应用情景假设方法,计算涉及直接排放或间接排放的共8个排放源在减排优化前后的碳排放量变化(图2A~E)量,其中灰色区域代表减排优化前的碳排放量,黄色区域代表减排优化后的碳排放量。在减排情景优化下,5种产品的碳足迹都有不同程度的下降。下降幅度由大到小依次为调味笋(31.95%)、鲜食笋(21.69%)、笋干丝(19.25%)、水煮笋(17.16%)、手剥笋(10.71%),平均下降幅度为20.15%。
4. 结论
本研究核算了5种典型雷竹笋产品种植阶段、生产阶段和分销阶段的碳足迹,并结合海关出口数据估算了2015—2023年的竹笋产品出口隐含碳排放与碳排放强度。结论如下:①5种典型雷竹笋产品的碳足迹存在显著差异,碳足迹为0.2~1.4 kg·kg−1。在碳足迹构成中,农资投入、鲜笋运输、鲜笋加工和附加物投入是竹笋产品的排放热点。②受出口规模影响,2015—2023年中国竹笋产品的出口隐含碳排放总体呈现先上升后波动下降趋势。由于竹笋产品出口结构的变化,每类竹笋产品的出口隐含碳排放强度呈波动下降趋势,竹笋产品综合隐含碳排放强度呈现波动上升趋势。③结合排放热点分析与政策指导,对5种竹笋产品开展了减排情景优化设计。优化前后,水煮笋和调味笋的碳足迹下降幅度均超过30%;笋干丝和鲜食笋的碳足迹下降幅度为20%~30%;手剥笋的碳足迹下降幅度最小,为10%~20%。
-
表 1 毛竹林样地基本情况
Table 1. Basic information of plot sites
类型 郁闭度 样地/
个平均胸
径/cm平均树
高/m坡度/
(°)坡向 钩梢 0~0.7 13 8.91 9.9 11.6 北坡 钩梢 0.7~0.8 8 9.03 9.4 16.1 西北坡 钩梢 0.8~1.0 3 8.65 9.2 13.3 北坡 未钩梢 12 8.58 9.6 17.1 东南坡 表 2 不同毛竹林的最优参数组合
Table 2. Optimal parameter combination of different Moso bamboo stands
类型 郁闭度 分割尺度 形状因子 紧致度因子 0~0.7 29 0.3 0.5 钩梢 0.7~0.8 31 0.3 0.5 0.8~1.0 29 0.3 0.5 未钩梢 41 0.3 0.5 表 3 不同方法的毛竹林竹冠提取精度及郁闭度误差对比
Table 3. Bamboo crown extraction accuracy and canopy density error of different methods
方法 总体精度/% 生产者精度/% 用户精度/% 郁闭度误差 TP 91.81±3.08 c 93.34±3.37 c 96.24±2.03 b 0.038±0.026 c SP 92.96±3.66 bc 95.47±3.29 b 95.64±2.64 b 0.030±0.026 ab TM 93.47±2.53 b 96.10±2.24 b 95.57±2.57 b 0.024±0.018 b SM 98.86±0.53 a 99.15±0.40 a 99.36±0.53 a 0.004±0.003 a 说明:同列不同小写字母表示差异显著(P<0.05) 表 4 4种方法下钩梢和未钩梢毛竹林竹冠区域的提取精度
Table 4. Extraction accuracy of the four methods with truncation and non-truncation
类型 方法 总体精度/% 生产者精度/% 用户精度/% 钩梢 TP 92.82±2.57 Ab 93.85±3.11 Ac 95.96±2.32 Ab SP 93.95±2.74 Ab 96.67±1.39 Ab 95.00±2.98 Ab TM 94.05±2.25 Ab 96.15±2.04 Ab 95.49±2.90 Ab SM 98.9±0.59 Aa 99.14±0.45 Aa 99.27±0.61 Aa 未钩梢 TP 89.80±3.12 Bb 92.33±3.77 Ac 96.81±1.15 Ab SP 90.97±4.52 Bb 93.07±4.57 Bc 96.92±0.98 Bb TM 92.30±2.77 Bb 96.01±2.70 Ab 95.73±1.81 Ac SM 98.78±0.37 Aa 99.16±0.29 Aa 99.55±0.22 Aa 说明:同列不同小写字母表示相同林分类型在不同方法之 间差异显著(P<0.05);同列不同大写字母表示相同 方法在不同林分类型之间差异显著(P<0.05) 表 5 4种方法下钩梢和未钩梢毛竹林的郁闭度误差
Table 5. Canopy density error of the four methods with truncation and non-truncation
类型 方法 郁闭度误差 类型 方法 郁闭度误差 钩梢 TP 0.029±0.021 Ab 未钩梢 TP 0.052±0.029 Bc SP 0.023±0.015 Ab SP 0.042±0.039 Bbc TM 0.022±0.016 Ab TM 0.026±0.023 Ab SM 0.003±0.003 Aa SM 0.004±0.003 Aa 说明:同列不同小写字母表示相同林分类型在不同方法之 间差异显著(P<0.05);同列不同大写字母表示相同 方法在不同林分类型之间差异显著(P<0.05) 表 6 不同方法下郁闭度对毛竹林竹冠提取精度的影响
Table 6. Effect of canopy density on the extraction accuracy under different methods
郁闭度 方法 总体精度/% 生产者精度/% 用户精度/% 0~0.7 TP 93.70±2.44 Ab 95.04±2.50 Ab 95.26±2.69 Ab SP 94.98±2.11 Ab 97.02±1.37 Ab 95.33±2.90 Ab TM 93.89±2.66 Ab 96.15±2.52 Ab 94.70±3.32 Ab SM 98.82±0.69 Aa 99.11±0.53 Aa 99.09±0.68 Aa 0.7~0.8 TP 92.21±2.65 Ab 92.43±3.83 Ac 97.03±1.68 Ab SP 93.62±4.31 Ab 96.97±1.43 Ab 95.22±4.78 Ab TM 92.71±1.40 Ab 96.11±1.43 Ab 95.19±1.90 Ab SM 98.88±0.48 Aa 99.08±0.32 Aa 99.42±0.48 Aa 0.8~1.0 TP 90.68±1.46 Ac 92.46±1.39 Ac 96.14±0.74 Ab SP 93.62±4.31 Ab 96.97±1.43 Ab 95.22±4.78 Ab TM 92.71±1.40 Ab 96.11±1.43 Ab 95.19±1.90 Ab SM 99.28±0.33 Aa 99.48±0.22 Aa 99.66±0.33 Aa 说明:同列不同小写字母表示相同郁闭度在不同方法之 间差异显著(P<0.05);同列不同大写字母表示相同 方法在不同郁闭度之间差异显著(P<0.05) -
[1] HERBERT T J. Area projections of fisheye photographic lenses [J]. Agric For Meteorol, 1987, 39(2/3): 215 − 223. [2] 濮毅涵, 徐丹丹, 王浩斌. 基于数码相片的林冠郁闭度提取方法研究[J]. 林业资源管理, 2020(6): 153 − 160. PU Yihan, XU Dandan, WANG Haobin. An approach on estimating canopy closure via digital images [J]. For Resour Manage, 2020(6): 153 − 160. [3] 高云飞, 李智广, 杨胜天, 等. 基于SPOT 5影像的郁闭度反演方法[J]. 水土保持研究, 2012, 19(2): 267 − 270. GAO Yunfei, LI Zhiguang, YANG Shengtian, et al. Study on canopy density retrieval method from SPOT 5 [J]. Res Soil Water Conserv, 2012, 19(2): 267 − 270. [4] 李擎, 王振锡, 王雅佩, 等. 基于GF-2号遥感影像的天山云杉林郁闭度估测研究[J]. 中南林业科技大学学报, 2019, 39(8): 48 − 54. LI Qing, WANG Zhenxi, WANG Yapei, et al. Study on canopy density inversion of Picea schrenkiana forest based on GF-2 remote sensing image [J]. J Cent South Univ For Technol, 2019, 39(8): 48 − 54. [5] 李蕴雅. UAV/RS 3D像对森林信息提取方法研究[D]. 北京: 北京林业大学, 2016. LI Yunya. Study on the Method of Extracting Forest Information from 3D UAV/RS[D]. Beijing: Beijing Forestry University, 2016. [6] JONATHAN L, MARC P D, STÉPHANIE B, et al. A photogrammetric workflow for the creation of a forest canopy height model from small unmanned aerial system imagery [J]. Forests, 2013, 4(4): 922 − 944. [7] DANDOIS J P, ELLIS E C. High spatial resolution three-dimensional mapping of vegetation spectral dynamics using computer vision [J]. Remote Sensing Environ, 2013, 136(5): 259 − 276. [8] 李丹, 张俊杰, 赵梦溪. 基于FCM和分水岭算法的无人机影像中林分因子提取[J]. 林业科学, 2019, 55(5): 180 − 187. LI Dan, ZHANG Junjie, ZHAO Mengxi. Extraction of stand factors in UAV image based on FCM and watershed algorithm [J]. Sci Silv Sin, 2019, 55(5): 180 − 187. [9] 苏迪, 高心丹. 基于无人机航测数据的森林郁闭度和蓄积量估测[J]. 林业工程学报, 2020, 5(1): 156 − 163. SU Di, GAO Xindan. Estimation of forest canopy density and stock volume based on UAV aerial survey Data [J]. J For Eng, 2020, 5(1): 156 − 163. [10] 汪霖. 基于无人机高分影像的森林参数估测方法[D]. 南京: 南京林业大学, 2020. WANG Lin. Estimation Method of Forest Parameters based on UAV High Resolution Image[D]. Nanjing: Nanjing Forestry University, 2020. [11] 申景昕, 范少辉, 刘广路, 等. 毛竹林采伐林窗近地层温度时空分布特征[J]. 生态学杂志, 2020, 39(11): 3549 − 3557. SHEN Jingxin, FAN Shaohui, LIU Guanglu, et al. Spatiotemporal distribution characteristics of temperature on the surface layer of cutting gap of Phyllostachys edulis forest [J]. Chin J Ecol, 2020, 39(11): 3549 − 3557. [12] 宋庆妮, 杨清培, 刘骏, 等. 毛竹扩张对常绿阔叶林土壤氮素矿化及有效性的影响[J]. 应用生态学报, 2013, 24(2): 338 − 344. SONG Qingni, YANG Qingpei, LIU Jun, et al. Effects of Phyllostachys edulis expansion on soil nitrogen mineralization and its availability in evergreen broadleaf forest [J]. Chin J Appl Ecol, 2013, 24(2): 338 − 344. [13] 杨清培, 杨光耀, 宋庆妮, 等. 竹子扩张生态学研究: 过程、后效与机制[J]. 植物生态学报, 2015, 39(1): 110 − 124. YANG Qingpei, YANG Guangyao, SONG Qingni, et al. Ecological studies on bamboo expansion: process, consequence and mechanism [J]. Chin J Plant Ecol, 2015, 39(1): 110 − 124. [14] 孙晓艳, 杜华强, 韩凝, 等. 面向对象多尺度分割的SPOT 5影像毛竹林专题信息提取[J]. 林业科学, 2013, 49(10): 80 − 87. SUN Xiaoyan, DU Huaqiang, HAN Ning, et al. Multi-Scale segmentation, object-based extraction of Moso bamboo forest from SPOT 5 imagery [J]. Sci Silv Sin, 2013, 49(10): 80 − 87. [15] 赵敏, 赵银娣. 面向对象的多特征分级CVA遥感影像变化检测[J]. 遥感学报, 2018, 22(1): 119 − 131. ZHAO Min, ZHAO Yindi. Object-oriented and muti-feature hierarchical change detection based on CVA for high-resolution remote sensing imagery [J]. J Remote Sensing, 2018, 22(1): 119 − 131. [16] 黄慧萍, 吴炳方. 地物提取的多尺度特征遥感应用分析[J]. 遥感技术与应用, 2003(5): 276 − 281. HUANG Huiping, WU Bingfang. Analysis of the mutli-scale characteristiscs with objects extraction [J]. Remote Sensing Technol Appl, 2003(5): 276 − 281. [17] ADDINK E A, JONG S, PEBESMA E J. The importance of scale in object-based mapping of vegetation parameters with hyperspectral imagery [J]. Photogramm Eng Remote Sensing, 2007, 73(8): 905 − 912. [18] DRĂGUŢ L, CSILLIK O, EISANK C, et al. Automated parameterisation for multi-scale image segmentation on multiple layers [J]. ISPRS J Photogramm Remote Sensing, 2014, 88: 119 − 127. [19] 刘金丽, 陈钊, 高金萍, 等. 高分影像树种分类的最优分割尺度确定方法[J]. 林业科学, 2019, 55(11): 95 − 104. LIU Jinli, CHEN Zhao, GAO Jinping, et al. Research on the method of determining the optimal segmentation scale for tree species classification of high-resolution image [J]. Sci Silv Sin, 2019, 55(11): 95 − 104. [20] PUREVDORJ T, TATEISHI R, ISHIYAMA T, et al. Relationships between percent vegetation cover and vegetation indices [J]. Int J Remote Sensing, 1998, 19(18): 3519 − 3535. [21] 祁媛, 徐伟诚, 王林琳, 等. 基于无人机遥感影像的沙糖橘果树提取方法研究[J]. 华南农业大学学报, 2020, 41(6): 126 − 133. QI Yuan, XU Weicheng, WANG Linlin, et al. Study on the extraction method of sugar tangerine fruit trees based on UAV remote sensing images [J]. J South China Agric Univ, 2020, 41(6): 126 − 133. [22] MEYER G E, NETO J C. Verification of color vegetation indices for automated crop imaging applications [J]. Comput Electron Agric, 2008, 63(2): 282 − 293. [23] 汪小钦, 王苗苗, 王绍强, 等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报, 2015, 31(5): 152 − 159. WANG Xiaoqin, WANG Miaomiao, WANG Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images [J]. Trans Chin Soc Agric Eng, 2015, 31(5): 152 − 159. [24] 陈时跃. 基于无人机可见光影像的郁闭山地杉木人工林的单木与林分结构参数提取[D]. 杭州: 浙江农林大学, 2020. CHEN Shiyue. Extraction of Individual Tree and Stand Structure Parameters based on RGB Images UVA in Closed Canopy Mountainous Forest [D]. Hangzhou: Zhejiang A&F University, 2020. [25] 汪霖, 李明阳, 方子涵, 等. 基于无人机数据的人工林森林参数估测[J]. 林业资源管理, 2019(5): 61 − 67. WANG Lin, LI Mingyang, FANG Zihan, et al. Plantation forest parameter estimation based on UAV data [J]. For Resour Manage, 2019(5): 61 − 67. [26] 智献坡, 李明泽, 于颖, 等. 应用4-scale模型对人工针叶林郁闭度的反演[J]. 东北林业大学学报, 2020, 48(12): 5 − 11. ZHI Xianpo, LI Mingze, YU Ying, et al. Artficial coniferous forest remote sensing by using geometric optical model [J]. J Northeast For Univ, 2020, 48(12): 5 − 11. [27] 刘赛赛, 陈冬花, 栗旭升, 等. 基于高分一号PMS的新疆落叶松林分郁闭度遥感定量估测[J]. 西北农林科技大学学报(自然科学版), 2020, 48(7): 57 − 66. LIU Saisai, CHEN Donghua, LI Xusheng, et al. Quantitative estimation of stand closure density of Larix sibirica by remote sensing based on GF-1 PMS [J]. J Northwest A&F Univ Nat Sci Ed, 2020, 48(7): 57 − 66. [28] 严羽. 基于无人机的林分郁闭度和树高估测研究[D]. 杭州: 浙江农林大学, 2019. YAN Yu. Estimation of Canopy Density and Tree Height Based on UAV[D]. Hangzhou: Zhejiang A&F University, 2019. -
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20210576