第一兼通讯作者：Edna Rödig (Helmholtz-Centre for Environmental Research，德国亥姆霍兹环境研究中心)

热带森林在全球碳循环中起着重要作用。高分辨率遥感技术，例如星载激光雷达，可以探测复杂的热带森林结构，但是如何解译此类信息以评估森林生物量和生产力仍然是一个挑战。基于此，该研究团队通过将770,000 GLAS激光雷达(ICESat)剖面与考虑空间异质性环境和生态条件的森林模拟相匹配，进而导出整个亚马逊关键森林属性的频率分布，来估算亚马逊地区的基底面积，地上生物量和生产力。其结果表明，与仅使用平均冠层高度进行的(传统)估算相比，这种基于GLAS 激光雷达(ICESat)与林隙模型相结合的亚马逊森林碳估算可将森林属性的估算精度提高20- 43%。该研究表明，将热带森林的动态建模与激光雷达遥感相结合，可以弥合遥感测量与森林的三维结构之间缺失的联系，以系统地研究不同尺度和干扰状态下的激光雷达与生物量的关系，从而提高全大陆尺度对生物量和生产力的估算精度。

热带森林是巨大的碳库，了解和预测热带森林生物量的时空变异性对评估全球碳循环具有重要意义。已有研究表明，森林的三维结构信息对于碳储量估计，进而反映森林演替状态和森林结构差异至关重要。激光雷达(Lidar)是目前测量森林三维结构最先进的遥感技术。各种激光雷达衍生的指标可用于预测森林属性，如地上生物量。热带森林具有极高的生物多样性和自然干扰引起的演替动态。现阶段大多数研究遥感数据对生物量的解译需要通过野外实测数据建立一个桥梁，然而空间尺度越大(如整个亚马逊雨林)，地面实况数据越难获取，且生物量与树高的关系具有空间异质性。在此背景下，为了研究亚马逊森林不同演替阶段的生产力、森林结构和生物量，该研究团队将基于个体的森林林隙模型(FORMIND)区域化，使用森林动态模型中的虚拟林分补充实况衍生数据，克服实测数据的局限性，从而估算整个亚马逊热带森林生物量的空间差异。区划森林模型的结果与遥感数据有关，从而可分析亚马逊河流域在不同演替阶段的生产力。

研究区域包括南美洲的热带雨林或湿润落叶雨林；激光雷达数据源于2003年至2006年期间ICESat上的GLAS测量。激光雷达拍摄直径约为65米，沿航迹距离约为175米，航迹间距离约为30公里。数据已过滤处理，一共获取了771521次激光雷达影像；将个体水平的森林林隙模型FORMIND应用于亚马逊中部的4个热带森林站点，在空间上调整了早期、中期和晚期演替树木的死亡率参数，以复刻整个亚马逊雨林的实地研究数据：木材密度和地上生物量，以构建区域化森林模型；

从森林模型导出波形信息，并将每个ICESat激光雷达剖面与当地森林演替的模拟激光雷达剖面进行比较，归一化的观测剖面和模拟剖面(包括地面回波总面积)的相似性通过量化它们在5 m以上的相对重叠来确定(Eq. (1)); 分析表明，对于93%的GLAS拍摄，可以找到>70%的最佳相对重叠的模拟剖面。

作者选取了相对重叠超过70%阈值的50个最佳匹配的模拟剖面(图1(1，2))，以确定森林的潜在演替状态及其属性，如地上生物量；对于每个GLAS lidar剖面，作者从森林模型FORMIND中导出了多达50个匹配的森林属性值；最后将森林属性的显著性或不确定性表示为所有这些值的变异系数(CV),该CV在本文中定义为不确定度指数ε(图1(3))。

 

图1 在亚马逊一个站点的工作流程

作者利用森林属性概率分布的变异系数(CV)定义了不确定性指数ε(图1(3))。结果表明，对于某些位点，最佳匹配的剖面显示了森林的清晰演替状态，模拟生物量值仅略有不同(变异系数为0.1)(图2b)；然而，其他位置则较模糊。虽然匹配的模拟剖面看似相似，但模拟森林生物量值不同(变异系数为0.4)(图2a)；区域分析显示，AGB的不确定性指数(εAGB)在东南部，亚马逊河沿岸的亚马逊中部和西北部的森林砍伐沿线最高，剖面的模糊性对圭亚那地盾和安第斯山脉西南部的生物量值影响较小(图2c，d)。

图2 GLAS激光雷达剖面与森林模拟相匹配的两个示例位点(灰色三角形a,b表示两个示例位点)

作者基于森林模型导出了整个亚马逊地区AGB、BA、AWP、SV和GPP的频率分布(图3)。地上生物量(AGB)值高达520 t/ha，平均值为120 t/ha；基底面积(BA)和地上木材生产力(AWP)的不确定度的频率分布在20%以下有一个明确的峰值，而εAGB的分布在12%和44%之间有一个更宽的跨度。

 

图3 森林属性和不确定性指数的频率分布

在所有激光雷达模拟剖面中，AGB的平均不确定度为47%(图4)。但排除平均冠层高度(MCH)<15 m的剖面后，总体不确定度降低至20%。εBA和εSV均在20%附近，εGPP均在30%以下。当MCH 为>15 m时，εBA降至12% (εGPP降至20%)。所有剖面AWP的不确定度低于20%。结果表明，剖面图导出的森林属性值比MCH模型导出的值精确约20-43%。

 

图4 不同森林属性的平均不确定性指数ε

 

以往关于森林生物量与生产力的研究大多基于大量野外实测数据，然而这往往不足以在大空间尺度进行长期预测和外推。该团队基于星载激光雷达与林隙模型相结合的亚马逊森林碳估算的研究表明，森林建模一体化可以揭示森林的碳储量和生产力，并可提高森林属性的估算精度；作者还定义了不确定度指数ε，并将这种差异划分为物种诱导与结构诱导的不确定性。本研究首次将热带森林动态建模与激光雷达遥感相结合，以系统地研究不同尺度和干扰状态下的激光雷达与生物量之间的关系。未来该方法可用于探索其他森林属性(如碳动态)的遥感技术，以及发掘其他遥感系统(如星载激光雷达和雷达)的发展潜力。

该视频显示的是用FORMIND演示乞力马扎罗山热带森林的各个演替阶段。树种被聚合成六种植物功能类型(用不同颜色表征)。在演替晚期，可以看到耐荫物种(绿色)占主导地位。

图5  FORMIND演示图