Volume 33 Issue 3
Oct.  2016
Turn off MathJax
Article Contents

HE Tao, SUN Yujun. Dynamic monitoring of forest carbon stocks based on the InVEST model[J]. Journal of Zhejiang A&F University, 2016, 33(3): 377-383. doi: 10.11833/j.issn.2095-0756.2016.03.002
Citation: HE Tao, SUN Yujun. Dynamic monitoring of forest carbon stocks based on the InVEST model[J]. Journal of Zhejiang A&F University, 2016, 33(3): 377-383. doi: 10.11833/j.issn.2095-0756.2016.03.002

Dynamic monitoring of forest carbon stocks based on the InVEST model

doi: 10.11833/j.issn.2095-0756.2016.03.002
  • Received Date: 2015-06-08
  • Rev Recd Date: 2015-09-09
  • Publish Date: 2016-06-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

Figures(5)  / Tables(4)

Article views(5931) PDF downloads(811) Cited by()

Related
Proportional views

Dynamic monitoring of forest carbon stocks based on the InVEST model

doi: 10.11833/j.issn.2095-0756.2016.03.002

Abstract: Forest carbon storage is almost estimated by the ground survey data, there is a difficulty of huge statistical work and modeling complexity. To calculate forest carbon stocks in a quick and accurate way, which has been the current research focus in forestry both inside and outside of China. A new method is proposed by combining a little input parameters of the InVEST model with a large monitoring scale of remote sensing data. First, InVEST model was used to estimate regional carbon stocks according to forest type carbon data and according to raster data. Then this data was compared to the multistage carbon data from remote sensing data to achieve a dynamic monitoring of forest carbon stocks. This paper estimated and mapped carbon stock of the Qingyuan (a county) in 2009, according to the administrative division map can estimate the carbon storage of the scale of town and village. After estimated carbon reserves of Kengxi (a village) in 2009 and 2014, carbon difference method was adopted to dynamic monitoring of carbon sink. Results showed that the carbon sink estimated with the new method for Qiyuan(a county), Zhejiang, China was 3.274 3×107 Mg in 2009. Also, the carbon stock for Kengxi (a village) increased 1.780 3×104 Mg from 2009 to 2014. Compared to forest average carbon density, adding forest species average carbon storage and carbon sinks to forest carbon stock monitoring improved estimation precision of forest carbon stocks. This dynamic multi-dimensional method for monitoring forest carbon sinks being simple, convenient, user-friendly, and advantageous because it used less data input and visual output in the model, could be used in the county, township (town) and village forest carbon monitoring. [Ch, 5 fig. 4 tab. 32 ref.]

HE Tao, SUN Yujun. Dynamic monitoring of forest carbon stocks based on the InVEST model[J]. Journal of Zhejiang A&F University, 2016, 33(3): 377-383. doi: 10.11833/j.issn.2095-0756.2016.03.002
Citation: HE Tao, SUN Yujun. Dynamic monitoring of forest carbon stocks based on the InVEST model[J]. Journal of Zhejiang A&F University, 2016, 33(3): 377-383. doi: 10.11833/j.issn.2095-0756.2016.03.002
  • 森林是陆地生态系统的主体,在调控全球碳循环和气候变化中扮演着重要的角色[1-4]。2000年,联合国政府间气候变化专门委员会(IPCC)发表报告指出,森林面积占全球陆地面积的27.6%,森林植被的碳储量约占全球植被碳储量的77.0%,森林土壤的碳储量约占全球土壤碳储量的39.0%,整个森林生态系统碳储量占陆地生态系统碳储量的57.0%[5]。因此,森林生态系统是陆地上最大的碳储库和最经济的吸碳器[6],在调节全球气候、维持全球碳平衡中具有重大作用,森林碳储量的监测对于全球气候变化等问题的预测也有着十分重要的意义。迄今为止,森林碳储量的监测是一项耗时耗力耗财的工作,如何快速准确估测森林碳储量仍是亟待解决的一个问题。森林碳储量计量方法主要有以下3类:①利用微气象原理和技术测定二氧化碳通量的方法;②基于生物量估算法;③遥感信息模型法[7]。上述3种计量方法中,第1种方法获得的碳储量数据最为准确[8],但成本也最高[9],只适合在较小尺度范围监测碳储量。基于生物量的方法较适合大尺度范围的计量,但这种方法需要大量的地面调查,整理汇总数据的内业耗费时间也多。上述2种方法均无法计算出森林植被的空间位置和碳储量的定量分布[10]。森林碳储量的动态监测主要方法[11-12]有:①基于增加或损失的方法;②基于库的替代方法。为了减少外业调查工作量,本研究结合遥感数据获取信息便捷、数据成本低和InVEST(integrated valuation of ecosystem services and tradeoffs)模型碳储量模块输入数据量少、输出结果可视化的特点,提出了一种基于InVEST模型结合遥感数据实现县、镇(乡)、村庄等多尺度森林碳储量估测和动态监测的方法。该方法可快速便捷地得出区域森林碳储量并实现动态监测。

  • 庆元县,位于浙江省西南部,27°25′~27°51′N,118°50′~119°30′E,北面与浙江省龙泉市、景宁畲族自治县接壤,东、西、南面与福建省寿宁、松溪、政和等3县交界。县城所在地松源镇距丽水市233 km,距杭州市532 km。全县南北长49 km,东西宽67 km,总面积为1 898 km2[13]

    庆元县自然资源十分丰富,在全县1.897 6×105 hm2土地面积中,林业用地1.623 3×105 hm2,占85.5%;农业耕地1.070 7×104 hm2,占5.6%;河流2.300 0×103 hm2,占1.2%;房屋、道路及其他用地1.442 0×104 hm2,占7.7%,全县森林覆盖率达到86%[14]。2003年通过国家级生态示范区创建验收,2004年成为“中国生态环境第一县”。

  • InVEST模型由美国斯坦福大学、世界自然基金会和大自然保护协会联合开发,主要用于生态系统服务功能评估的模型系统,旨在通过模拟预测不同土地利用情景下生态系统服务功能物质量和价值量的变化,为决策者权衡人类活动的效益和影响提供科学依据[15]。InVEST模型实现碳储量动态监测的方法是基于库的替代方法,主要根据土地利用分类现状、木材采伐率、植被降解率和4个碳库的碳储量来计量出某一区域的碳储量现状和预测该区域未来的碳储量。区域内的碳储量主要取决于4个碳库的碳储量,分别为地上生物量、地下生物量、土壤碳储量和死亡有机物的碳储量[16]

    碳储量模块运行基于地理信息系统(GIS)栅格数据的网格地图,每个栅格数据都代表一种土地利用和土地覆盖类型,如森林、牧场或农业用地等。对于每种土地类型,模型至少需要上述4个碳库中的1个碳库的碳储量才能运行,当然如果能够提供更多碳库,那么模型的结果也将更完善、更准确。

    模型运行的基本输入数据必须有以下2项:①栅格数据集,每个栅格单元都代表 1种土地利用分类图的代码;②存储每个土地利用分类图的4个碳库的数据表。模型输出值表示每个网格单元的碳储量,默认单位为t,也可以将单位换算成美元,即表示每个网格单元碳储量的经济价值。

    遥感数据源 日期 含云量/%
    Landsat-5 TM 2009-06-06 0.01
    Landsat-8 OLI_TIRS 2004-07-22 4.02

    Table 1.  Remote sensing data set

    为了估算碳储量的动态变化情况,模型主要对2期地图以上的像元进行简单的差值运算。如果有多个未来土地利用分类图,那么每个未来土地利用分类图都可以和现在的土地利用图进行比对,得到一个时间段内碳储量的动态变化。

  • 本研究所用的遥感数据主要是从中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn)中下载,覆盖研究区的陆地卫星TM5和陆地卫星TM8数据都为条带号119,行编号41的遥感数据。由于该区域的森林植被在每年的七八月达到生长最旺季,为了更好地目视判别该区域的植被,选取该时间段的遥感数据是最佳的,且遥感数据中的总云量应小于5%。最终采集的遥感数据集信息如表 1所示。

  • 将收集到的2008年的研究区森林资源二类调查数据落到2009年的TM遥感卫星图像上并进行栅格化,文件格式采用标准GIS栅格文件,每个栅格表示森林类型编码(例如,1代表杉柏林,3代表松树林等)。研究使用的数据集投影坐标单位为米,大地坐标系采用西安80坐标系。具体的调查地类和小班数详见表 2

    编码森林类型小班数/个
    1杉柏林6 342
    2阔叶林4 791
    3松树林3 911
    4竹林3 394
    5经济林817
    7未成林176
    8灌木林139
    9茶园110
    10火烧迹地27
    11其他林地17

    Table 2.  Survey of forest class data in the study area

  • 通过查阅文献资料,整理得出研究区内11种森林类型的平均碳储量密度。根据IPCC(2006)资料:当研究区域生物量小于125.0 t·hm-2时,地下生物量根据地上生物量折算的时候,一般采用的根茎比为0.20[17]。因此,本研究的地下碳储量都是通过地上碳储量乘以0.20的根茎比系数折算得出。由于InVEST模型里没有单独计算枯死木碳库,因此枯死木碳库在本研究中计算到凋落物碳库中。非林地和火烧迹地在本文研究中只计算土壤碳储量。最终得出研究区内各森林类型的4大碳库的碳储量如表 3所示。从表 3中可看出:各森林类型的土壤碳储量差别明显,0~1.0 m深的土壤碳储量在88.60~166.93 Mg·hm-2,这与相关研究得出的全国土壤平均碳密度105.30 Mg·hm-2相符合[18]。在各碳池中,阔叶林类型包含最大的碳储总量,为225.10 Mg·hm-2,非林地和火烧迹地碳储量最小,只有88.60 Mg·hm-2。研究区的各森林类型的总碳储量低于相关研究中中国森林生态系统碳密度258.83 Mg·hm-2的平均水平[19]

    地类代码地类名称地上碳密度/ (Mg·hm-2)地下碳密度/ (Mg·hm-2)土壤碳密度/ (Mg·hm-2)凋落物碳密度/(Mg·hm-2)总碳密度/ (Mg·hm-2)文献出处
    1杉柏林26.835.37159.771.52193.49[20]
    2阔叶林44.598.92166.934.66225.10[20]
    3松树林25.625.12119.472.72152.93[20]
    4竹林23.094.61110.100.66138.46[21, 22]
    5经济林8.701.64101.231.20112.77[23, 24]
    6非林地0088.60088.60[18]
    7未成林8.101.6291.703.48104.90参考灌木林
    8灌木林8.101.6291.703.48104.90[25, 26]
    9茶园21.214.24137.504.91167.86[27]
    10火烧迹地0088.60088.60参考非林地
    11其他林地35.037.01142.583.75188.37[20]

    Table 3.  Survey carbon data of land classes in the study area

  • 实验的主要步骤为:①结合2008年的森林资源二类调查数据,分别在2009年TM5和2014年TM8遥感底图上勾勒出森林类型矢量图,根据遥感图像的目视判别,对地面调查时森林类型不准确的区域,进行森林类型校正勾画,然后根据勾勒出的矢量图得出各自的森林类型栅格文件;②在InVEST模型碳储量模块中输入2个时期的栅格数据和碳储量数据,得出2个时期的森林碳储量;③在ArcGIS 10.0中利用ArcToolbox中Spatial Analyst Tool下的Map Algebra用2014年的碳储量减去2009年的碳储量,即得到了该区域2009年到2014年的碳储量动态变化信息。

    通过InVEST模型碳储量模块进行森林碳储量监测的主要流程图如图 1所示。

    Figure 1.  The main scheme

  • 根据研究区2008年的地面调查数据和2009年的遥感数据,利用InVEST模型碳储量模块对研究区的不同尺度区域的碳储量估算结果如下:庆元县的碳储量为3.274 3×107 Mg;松源镇的碳储量为2.138 6×106 Mg;坑西村的碳储量为1.716 9×105 Mg。它们各自的碳储量空间分布如图 2图 3图 4所示。

    Figure 2.  Carbon distribution map of Qingyuan County

    Figure 3.  Carbon distribution map of Songyuan Town

    Figure 4.  Carbon distribution map of Kengxi Village

  • 通过InVEST模型,如果对于同一研究区域有2期或者2期以上的土地利用分类数据,那么就可根据同一区域的2期碳储量比对实现对该区域碳储量的动态监测。同时,根据树种的年度碳储量增长和树木腐烂速率,InVEST模型也可以估算出若干年后该区域的碳储量以及碳储量增加或者减少的数量和空间分布状况。因搜集到的地面调查数据有限,本研究并没有收集到完全覆盖整个研究区2期或者以上的土地利用分类地面数据,但收集到2期以上的遥感数据,分别为2009年6月6日和2014年7月22日。考虑到遥感数据目视判别森林类型的工作量和难度,本研究没有选择整个研究区进行目视判别,只对研究区中的坑西村的2期遥感数据进行遥感目视判别地类。对2期遥感数据的目视判别主要是对林地和非林地的变更进行判别,其他林种分布基本按照2008年的地面调查数据进行分类。各地类年度碳汇量(碳储量增加或者减少量)如表 4所示。

    地类代码地类名称年度碳汇量/(Mg’hm'a-1)文献出处
    1杉柏林3.47[28]
    2阔叶林1.11[20]
    3松树林2.82[28]
    4竹林5.09[29]
    5经济林1.62[30]
    6非林地0
    7未成林1.63参考灌木林
    8灌木林1.63[30]
    9茶园1.10[31]
    10火烧迹地0
    11其他林地0.31[32]

    Table 4.  Survey of land class data in the study area

    根据模型得出:坑西村2009年的碳储量为1.716 9×105 Mg,2014年的碳储量为1.894 9×105 Mg,5 a间的碳汇量达到1.780 3×104 Mg,5 a间坑西村的碳储量空间动态分布图如图 5所示。图 5中,最大减少碳储量的值为3.121 0 Mg·像元-1;增加碳储量的值为3.014 8 Mg·像元-1

    Figure 5.  Carbon distribution map of Kengxi Village

  • 本研究主要根据遥感图像数据结合森林资源地面调查数据,利用InVEST模型对研究区不同空间尺度[县、乡(镇)、村级]的森林碳储量进行了量化,估算了同一区域不同时期碳储量的变化值,同时绘制出了森林碳储量的空间分布状态图。主要结论如下:①目前,InVEST模型在森林碳储量动态监测方面的应用还较少。通过将遥感图像数据和森林资源地面调查数据作为InVEST模型的土地利用类型输入数据源,可实现区域森林碳储量的估测,监测方法简便,可操作性强。②InVEST模型需要录入的数据量较少,只需要输入土地利用类型和土地利用类型的碳储量数据表,大大降低了地面调查和室内汇总整理工作。同时,结合遥感图像数据可提高碳储量估算结果的准确性。③利用InVEST模型不仅可以通过估算出某区域2个以上时期碳储量数据实现对该区域森林碳储量的动态监测,获得树种的年度碳储量增长量,还可预测若干年后该区域的碳储量变化和空间分布状况。这对地方政府和林业主管部门制定相关方针政策有着十分重要的参考价值。同时,利用InVEST模型可将量化的数据直观地反映在研究区森林碳储量分布状况图上,方便地方政府和林业主管部门直观理解碳储量薄弱区域。

    今后,如果输入模型的数据采用更为详细的土地利用/土地覆盖图和更为精准的碳储量数据表,那么将会提升模型的精度和准度。国内外也有相当多的研究集中在如何建立遥感图像与森林碳储量之间的模型,因此,如果建立起区域碳储量与遥感图像的模型,而不是输入森林类型的平均碳储量,那么森林碳储量监测精度将会更高,且可提高工作效率,减少目视判别工作量。以上这些方面都是今后的研究方向和研究重点。

Reference (32)

Catalog

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return