The estimation of aboveground vegetation carbon storage based on GF-1 WFV satellite images in Fengning County
KONGFanjie通讯作者:
收稿日期:2016-02-22
修回日期:2016-04-28
网络出版日期:2016-06-20
版权声明:2016《资源科学》编辑部《资源科学》编辑部
基金资助:
作者简介:
-->
展开
摘要
关键词:
Abstract
Keywords:
-->0
PDF (2103KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
陆地生态系统是碳循环的重要组成部分,在全球碳平衡方面发挥着重要的作用。陆地植物通过光合作用吸收大气中的CO2,将其同化为生物量长期地固定在植被或土壤中[1]。在应对全球气候变化的背景下,增加森林、灌丛、草地、农田等陆地生态系统的碳库储量被认为是非常有效的增汇措施[2],相关研究得到了地球科学、生物科学等领域及国际社会的广泛关注[3]。因此,开展陆地植被碳储量的定量估算及其空间分布特征、动态变化的研究具有十分重要的意义。长期以来,国内外****在全球和区域植被碳储量估算方面开展了大量的研究工作。早期研究多采用样地清查法,如依据国家森林、草地资源清查资料评估植被碳库存量[4,5],这种方法精度较高,但是难以满足大尺度以及实时的监测需求。随着3S技术的发展,卫星遥感以其宏观、连续、长期的对地观测优势,在区域植被生物量碳库的动态监测中发挥着不可替代的作用。自20世纪70年代以来,多种对地观测卫星相继发射并逐渐应用于植被生理生态参数的估算。常用的多光谱遥感数据包括空间分辨率较低的NOAA/AVHRR、MODIS影像等,中分辨率的Landsat TM、HJ-1影像以及高分辨率的SPOT5、IKONOS、Worldview影像等。基于植被指数反演生物量及碳储量的方法,被应用于森林、灌丛、草地单一植被类型的研究。如陆君等基于Landsat 5 TM遥感数据及DEM数据,提取不同波段、植被指数及海拔和坡度,结合森林资源二类调查数据,通过逐步回归完成了福州森林蓄积量和碳储量的估算[6]。高明亮基于HJ-1植被指数及实地采样数据,建立了北京军都山荆条灌丛的生物量估算模型[7]。Jia选择MODIS-NDVI、SPOT-NDVI和AVHRR-NDVI作为不同数据源,开展了中国北方草地生物量的反演及其不确定性分析[8]。在以往研究中,高分辨率数据源多以国外数据为主,GF-1是中国高分辨率对地观测卫星系统重大专项的第一颗卫星,搭载了2台2m分辨率全色/8m分辨率多光谱相机,4台16m分辨率多光谱相机,为开展植被资源动态监测提供了新的数据源。然而,目前针对GF-1数据用于植被生理生态参数定量评价的研究较少,部分研究探讨了其在草地盖度、生物量反演方面的应用潜力[9,10]。由于GF-1 WFV结合了高空间分辨率、高时间分辨率、宽覆盖的优势,区域植被碳储量的空间差异及时空动态研究,将成为GF-1数据重要的应用领域。
本文以GF-1 WFV多光谱影像为数据源,以河北丰宁满族自治县为研究区,通过计算常用植被指数,结合野外实测数据,分别建立森林、灌丛及草地植被地上生物量反演模型,探讨区域植被碳密度与碳储量的估算,并结合GIS空间分析技术,分析其空间分布特征。为新型国产高分辨率遥感数据在区域植被生理参数反演中的应用提供参考。
2 研究区概况、数据来源与研究方法
2.1 研究区概况
丰宁县位于河北省北部,承德市西北,地处华北农牧交错地带。地理位置为115°50′E-117°23′E,40°54′N-42°01′N。全县东西宽136.5km,南北长122.0km,总面积为8765km2。地势总体由西北向东南递减,分为坝上高原、坝缘山地、冀北山地三个类型,海拔在347~2236m之间。地处中温带大陆性季风型半湿润、半干旱高原山地气候,坝下年均气温7.2°C,年均降水量457.4mm,坝上年均气温为2.1℃,年均降水量416.5mm,降水集中在7-8月。坝下与接坝地区属温带落叶阔叶林区,植被以落叶阔叶林、针阔混交林和落叶灌丛为主,坝上地区以典型草原和草甸草原植被为主。主要乔木有华北落叶松(Larix principis-rupprechtii.)、油松(Pinus tabulae-formis)等温性针叶林以及白桦(Betula platyphylla)、山杨(Populus davidiana)、蒙古栎(Quercus monolica)等,灌木植物包括虎榛子(Ostryopsis davidiana Decaisne)、毛榛(Corylus mandshurica Maxim.)、鼠李(Rhamnus davurica Pall.)、荆条(Vitexnegundo var. heterophylla)、山杏(Armeniaca sibirica)等,草本植物以早熟禾(Poa annua)、冰草(Agropyron cristatum)、羊草(Leymus chinensis)、糙隐子草(Cleistogenes squarrosa)、针茅(Stipa capillata)为主。土壤类型丰富,主要类型有棕壤、栗钙土、草甸土、风沙土、沼泽土及褐土。2.2 数据获取与处理
2.2.1 地面实测及数据处理植被野外调查于2015年7月15日-8月9日进行。在研究区内共布设标准样地91个,森林样地33个,包括19个针叶林,6个阔叶林及8个针阔混交林样地,灌丛样地28个,草地样地30个,调查涉及的植被是具有代表性的优势种群。为保证地面数据和影像数据的匹配,样地选在地形坡度小,植被覆盖较均匀的地段,面积设为48m×48m。在样地中心位置,利用GPS精确定位,记录经纬度和海拔高度。图 1为研究区地理位置及调查样地点分布(见本文第1058页)。
显示原图|下载原图ZIP|生成PPT
图1丰宁县地理位置及2015年调查样地点分布
-->Figure 1Location of Fengning County and distribution of survey samples in 2015
-->
在每个样地内随机选取3个样方,灌丛及草地样方面积分别为4m×4m和1m×1m,记录物种、优势种高度、覆盖度等信息,生物量采用样方内植物齐地面刈割的方法,现场称鲜重,取样后在烘箱内105℃杀青20min后在85℃恒温条件下烘干至恒重,称取植物干重。由于研究区森林样地内草本层生物量较小,本文只考虑乔木层及灌木层生物量,森林样方面积设为10m×10m,对于胸径大于5cm的树木,逐一测定单木树种、胸径、树高、冠幅及群落覆盖度。参考对北方地区乔木的相关研究[11-16],基于胸径和树高计算单株生物量干重,根据株数计算样方单位面积地上生物量。同时在每个森林样方内设两个灌木样方,采用与灌丛相同的方法进行调查与采样。将每个样地内3个样方植物生物量的均值作为该样地的地上生物量。经过后期质量控制,剔除异常值,共计有效样本86个。其中24个森林、19个灌丛、23个草地样本用于建模,每种植被类型预留7个样本用于模型精度验证。
2.2.2 遥感影像、DEM数据与预处理
本研究的基础数据选用中国资源卫星应用中心[17]提供的GF-1 WFV数据,成像时间为2015年8月15日(行列号:1/86),云覆盖量为0%。在选取同步影像时,考虑到影像质量和云层遮盖的影响,与地面调查有6天的时差。GF-1 WFV传感器相关参数如表 1所示。
影像的预处理主要包括辐射定标、大气校正和几何校正,根据GF-1 WFV1的波段、半波长信息和中国卫星应用中心提供的2015年绝对辐射定标系数和光谱响应函数,利用ENVI软件进行辐射定标,采用FLAASH Atmospheric Correction模块进行大气校正,从而消除大气、光照等影响,得到地表反射率数据。以一景Landsat 8 OLI卫星影像作为参考,选取45个均匀分布的控制点,基于二次多项式模型对GF-1影像进行几何校正,投影选择Albers 投影,总体校正误差小于1个像元,最后根据丰宁县行政边界裁剪得到研究区域影像。
研究区的DEM数据来源于日本地球遥感观测数据分析中心[18]提供的ASTER GDEM(Version2)产品,空间分辨率为30m。
Table 1
表1
表1GF-1 WFV多光谱卫星影像参数
Table 1Parameters of GF-1 WFV multispectral satellite image
参数 | 多光谱相机 |
---|---|
波长范围/μm | 0.45~0.52 |
0.52~0.59 | |
0.63~0.69 | |
0.77~0.89 | |
空间分辨率/m | 16 |
幅宽/km | 800(4台相机组合) |
重访周期/d | 4 |
新窗口打开
2.3 研究方法
2.3.1 土地覆被类型遥感分类准确判定土地覆被类型,提取各类植被类型空间信息,是利用遥感估算区域植被碳储量的基础。参考土地覆被分类体系并结合研究区实际情况,采用最大似然法监督分类与目视解译相结合的方法,将研究区分为森林、灌丛、草地、农田4种植被类型以及非植被类型(包括水体、建设用地和裸地等),并利用野外调查数据进行精度检验。
2.3.2 回归模型建立及精度验证
遥感影像的植被信息,主要是通过绿色植物叶片和植被冠层光谱特性及其变化差异而反映的[19]。由多波段数据经线性或非线性组合而成的植被指数,可用于对一系列植被参数进行估测[20]。本研究涉及森林、灌丛及草地3种植被类型,借鉴前人的经验并结合本研究的特点,在众多的植被指数中选取以下10种较为常用的多光谱植被指数。计算公式见表 2。
Table 2
表2
表2研究中用到的植被指数计算方法
Table 2Vegetation index calculation method used in this study
植被指数 | 计算公式 | 参考文献 |
---|---|---|
归一化差值植被指数NDVI | [21] | |
差值植被指数DVI | [22] | |
比值植被指数RVI | [23] | |
增强型植被指数EVI | [24] | |
土壤调整植被指数SAVI | [25] | |
修正土壤调整植被指数MSAVI | [26] | |
优化土壤调整指数OSAVI | [27] | |
修正三角植被指数2 MTVI2 | [28] | |
归一化绿波波段差值植被指数GNDVI | [29] | |
考虑绿光改进的植被指数GBNDVI | [30] |
新窗口打开
利用ENVI软件计算表2中的植被指数,根据地面样地生物量数据的地理坐标信息提取相应位置的植被指数值,在SPSS软件中进行相关分析,分别建立基于植被指数的森林、灌丛、草地地上生物量的一元曲线回归模型(SCRM),以及基于GF-1WFV
4个波段反射率和植被指数的多元线性回归模型(MLRM),依据决定系数(R2)与均方根误差(RMSE)筛选最佳拟合模型。R2越接近于1,RMSE的数值越低,表明回归模型越精确,参考价值越高。为了验证模型的精度,采用每种植被类型预留的7个样本进行验证,计算平均相对误差(MRE)。MRE的计算公式如下:
式中
2.3.3 植被碳储量的计算与空间分析
本研究通过平均生物量法间接计算植被碳储量,即用某植被类型的单位面积生物量乘以转换系数换算成碳密度,与该植被类型的覆盖面积相乘求得某一生态系统的碳储量,各单一植被类型的碳储量相加可得到总量。由于农作物存在季相变化问题,收获期短,本研究暂不考虑农田植被碳储量的计算。碳转换系数通常采用国际上常用的数值,草地植被统一取0.45,灌丛与森林植被为0.50[31]。
利用ArcGIS软件中的空间分析模块,从DEM数据中提取高程的分级图层,将研究区海拔以400m为一个等级分为5级,分别是300~700m,700~1100m,1100~1500m,1500~1900m,1900~2300m,分析地上植被碳密度与碳储量在不同海拔梯度间的差异。
3 结果及分析
3.1 土地覆被类型遥感分类结果
将研究区地表覆盖类型分为森林、灌丛、草地、农田四种植被类型以及非植被类型,如图2所示。经过野外调查验证,遥感影像解译结果的Kappa系数为0.762,总体精度达81.32%,说明分类精度效果较为理想,可信度较高。经过统计,研究区森林面积为2836.15km2、灌丛面积为3074.30km2、草地面积为1508.43km2,分别占研究区总面积的32.36%,35.07%和17.21%,植被(除农田外)总覆盖面积达到84.64%。森林及灌丛分布在坝下及接坝大部分山地及丘陵地区,草地主要分布于坝上高原。显示原图|下载原图ZIP|生成PPT
图2基于GF-1 WFV的2015年丰宁县土地覆被分类结果
-->Figure 2Land cover classification of Fengning County based on GF-1 WFV in 2015
-->
3.2 植被地上生物量遥感反演模型
植被指数与研究区地面实测地上生物量有正相关关系,应用SCRM方法建立森林、灌丛、草地植被地上生物量遥感估算模型,表 3-表5为拟合效果较好的几个模型及其精度,均通过显著性水平检验。综合考察各类模型的R2和RMSE,对于森林植被来说,基于GNDVI的二次方程模型相关性较好,决定系数R2为0.475,均方根误差为33.164t/hm2,采用未参与建模的预留样本进行精度验证,平均相对误差是45.25%。灌丛地上生物量与RVI和NDVI相关性较好,其中基于RVI的指数函数模型最佳,决定系数达到0.620,均方根误差与平均相对误差分别是0.232t/hm2和33.17%。总体上看,草地生物量回归模型精度高于灌丛及森林。基于RVI二次方程的草地地上生物量回归模型R2值最高,为0.758,均方根误差与平均相对误差最小,分别是0.333t/hm2和28.91%。Table 3
表3
表3丰宁县森林地上生物量SCRM拟合结果及精度检验
Table 3Comparison between results of SCRM for predicting forest aboveground biomass in Fengning County
回归模型 | 显著性 | 模型决定系数R2 | 均方根误差RMSE/(t/hm2) | 平均相对误差MRE/% |
---|---|---|---|---|
y=2 123.870(GNDVI)2-2 244.564(GNDVI)+620.666 | 0.002 | 0.475 | 33.164 | 45.25 |
y=428.107(GNDVI)-200.314 | 0.002 | 0.375 | 35.258 | 42.99 |
y=16.829e0.150(RVI) | 0.002 | 0.382 | 0.543 | 38.81 |
y=9.398(RVI)-2.274 | 0.003 | 0.362 | 35.628 | 38.73 |
新窗口打开
Table 4
表4
表4丰宁县灌丛地上生物量SCRM拟合结果及精度检验
Table 4Comparison between results of SCRM for predicting shrub aboveground biomass in Fengning County
回归模型 | 显著性 | 模型决定系数R2 | 均方根误差RMSE/(t/hm2) | 平均相对误差MRE/% |
---|---|---|---|---|
y=3.019e0.105(RVI) | 0.000 | 0.620 | 0.232 | 33.17 |
y=88.914(NDVI)2-104.132(NDVI)+34.807 | 0.000 | 0.615 | 1.619 | 33.57 |
y=0.014(RVI)2+0.524(RVI)+2.290 | 0.001 | 0.608 | 1.705 | 32.72 |
y=0.728(RVI)+1.647 | 0.000 | 0.606 | 1.658 | 32.53 |
新窗口打开
Table 5
表5
表5丰宁县草地地上生物量SCRM拟合结果及精度检验
Table 5Comparison between results of SCRM for predicting grasslands aboveground biomass in Fengning County
回归模型 | 显著性 | 模型决定 系数R2 | 均方根误差RMSE/(t/hm2) | 平均相对误差MRE/% |
---|---|---|---|---|
y=0.021(RVI)2+0.005(RVI)+0.748 | 0.000 | 0.758 | 0.333 | 28.91 |
y=18.750(MSAVI)2-11.767(MSAVI)+2.783 | 0.000 | 0.723 | 0.356 | 30.61 |
y=30.409(SAVI)2-21.155(SAVI)+4.601 | 0.000 | 0.723 | 0.356 | 30.56 |
y=0.272(RVI)+0.083 | 0.000 | 0.719 | 0.350 | 31.33 |
新窗口打开
Table 6
表6
表6丰宁县各植被类型的MLRM精度检验
Table 6Accuracy checks results of MLRM for different vegetation type in Fengning County
植被类型 | 显著性 | 模型决定 系数R2 | 均方根误差RMSE/(t/hm2) | 平均相对 误差MRE/% |
---|---|---|---|---|
森林 | 0.001 | 0.528 | 31.431 | 43.96 |
灌丛 | 0.000 | 0.606 | 1.658 | 35.72 |
草地 | 0.000 | 0.777 | 0.319 | 20.38 |
新窗口打开
Table 7
表7
表72015年丰宁县不同植被的生物量、碳密度及碳储量
Table 7Biomass,carbon density and carbon storage for different vegetation type of Fengning County in 2015
植被类型 | 生物量 /(t/hm2) | 碳密度 /(tC/hm2) | 碳储量 /TgC | 碳比例 /% |
---|---|---|---|---|
森林 | 110.813 | 55.406 | 15.714 | 93.48 |
灌丛 | 6.608 | 3.304 | 1.016 | 6.04 |
草地 | 1.185 | 0.533 | 0.080 | 0.48 |
新窗口打开
基于4个波段反射率及10种植被指数,采用多元逐步回归法筛选自变量,建立的森林、灌丛、草地地上生物量多元回归模型分别为公式(2)、公式(3)、公式(4)。其中,森林及草地地上生物量模型精度较SCRM有一定程度的提高(表6),R2分别达到0.528和0.777,RMSE相对较小,MRE分别是43.96%和20.38%,草地总体精度达到79.62%,具有一定的可靠性,森林模型精度仍有待提高。对于灌丛植被,采用多元线性回归模型通过逐步筛选剔除其余变量,建立基于RVI的线性模型,精度较SCRM方法的最佳模型低。因此,最终分别选择基于GNDVI、GBNDVI的多元线性模型,基于RVI的指数模型,基于RVI和EVI的多元线性模型作为森林、灌丛及草地地上生物量反演模型。
式中
3.3 植被碳储量计算与空间分布
根据得到的反演模型分别对研究区森林、灌丛、草地植被地上生物量进行估算,再由碳转换系数得出碳密度。通过空间叠加获得丰宁县的植被(除农田)地上生物量、植被碳密度空间分布图(图3、图4)。依据各植被类型覆盖面积,统计得到丰宁县的植被地上部分碳储量(表7)。结果表明,丰宁县森林、灌丛、草地植被生物量分别为110.813t/hm2、6.608t/hm2、1.185t/hm2;平均碳密度分别为55.406t C/hm2、3.304tC/hm2、0.533tC/hm2。植被地上生物量总量为3364万t,碳储量总量为16.810TgC,其中森林植被为15.714TgC,灌丛为1.016TgC,草地为0.080TgC,分别占总量的93.48%、6.04%和0.48%,由此可见,森林植被是丰宁县主要的地上植被碳库。地上生物量与碳密度呈现坝下及接坝地区高于坝上的空间差异,其中有62.27%的地区碳密度小于30tC/hm2,西南部、中东部山区的生物量与碳密度明显高于其他地区,与山区有大面积森林分布相对应。丰宁县具有独特的地貌特征,自坝下至坝上海拔跨度大,不同海拔地区的水热状况直接影响植物生长与群落分布,并导致了地上生物量碳库产生垂直差异,另一方面,海拔越高人为干扰程度也会越低[32]。丰宁县地上植被碳密度总体呈现随海拔梯度先升高后降低的趋势(表8)。在海拔1100~1500m区间平均碳密度达到最大,为61.957tC/hm2,在海拔300~700m碳密度最低,为53.548tC/hm2。森林植被碳密度在300~1500m区间随海拔梯度增加,在1500m以上随海拔升高而降低;灌丛植被碳密度在(3.253~3.470)tC/hm2之间,随海拔变化不显著;除300~700m之外,草地植被碳密度在700~2300m间随海拔呈现总体升高趋势。植被地上碳库主要集中分布在海拔700~1500m之间,占到总碳储量的77.75%。
显示原图|下载原图ZIP|生成PPT
图32015年丰宁县植被地上生物量空间分布
-->Figure 3Spatial distribution of vegetation aboveground biomass of Fengning County in 2015
-->
显示原图|下载原图ZIP|生成PPT
图42015年丰宁县植被地上碳密度空间分布
-->Figure 4Spatial distribution of vegetation aboveground carbon density of Fengning County in 2015
-->
Table 8
表 8
表 8丰宁县植被碳密度与碳储量随海拔变化情况
Table 8Variation in vegetation carbon density and carbon storage with altitude in Fengning County
海拔/m | 碳密度/(tC/hm2) | 碳储量/TgC | 总碳密度 /(tC/hm2) | 总碳储量 /TgC | ||||
---|---|---|---|---|---|---|---|---|
森林 | 灌丛 | 草地 | 森林 | 灌丛 | 草地 | |||
300~700 | 49.597 | 3.470 | 0.481 | 0.601 | 0.192 | 0.001 | 53.548 | 0.794 |
700~1 100 | 53.256 | 3.273 | 0.478 | 5.706 | 0.459 | 0.008 | 57.007 | 6.173 |
1 100~1 500 | 58.161 | 3.262 | 0.534 | 6.536 | 0.297 | 0.055 | 61.957 | 6.888 |
1 500~1 900 | 55.508 | 3.254 | 0.547 | 2.714 | 0.066 | 0.036 | 59.309 | 2.816 |
1 900~2 300 | 52.466 | 3.253 | 0.683 | 0.138 | 0.001 | 0.000 | 56.402 | 0.139 |
新窗口打开
4 结论与讨论
4.1 结论
利用遥感技术反演区域植被生物量并估算碳储量,有助于了解碳平衡以及评价区域的可持续发展,为增汇减排管理提供科学依据。本研究基于GF-1 WFV影像和地面实测数据,通过多种回归模型对丰宁县植被碳储量进行了估算,探讨了植被碳储量的空间分布。结论如下:(1)基于GF-1 WFV卫星影像提取植被指数,结合野外实地采样数据可以完成区域森林、灌丛及草地植被地上碳储量的估算,对于推动中国自主高分卫星数据在资源生态领域的应用具有重要意义。GF-1的高时间分辨率及宽幅特征使其能够获得植被不同生长阶段的多幅影像,在植被资源动态监测方面具有较大的应用潜力。
(2)由GNDVI和GBNDVI参数拟合的森林地上生物量多元线性回归模型,由RVI和EVI参数拟合的草地地上生物量多元线性回归模型,以及基于RVI指数方程的灌丛地上生物量模型具有相对较好的精度和预测能力,决定系数分别为0.528,0.620,0.777,均方根误差为31.431t/hm2,0.232t/hm2,0.319 t/hm2,平均相对误差为43.96%,33.17%,20.38%。徐婷等基于Landsat8数据建立了虞山地区森林地上生物量多元线性回归方程[33],估测精度R2为0.41,RMSE为21.89 t/hm2;陈鹏飞等利用HJ数据MTVI2植被指数估测呼伦贝尔草地生物量估测模型[34],R2为0.61,RMSE为0.586t/hm2;王建步等建立了基于6种GF-1 WFV植被指数的湿地草本植被生物量回归模型,平均相对误差在23.9%~54.0%之间[35]。因此,与相关研究进行比较,本研究建立的各植被类型回归模型具有一定的可靠性。
(3)丰宁县2015年8月的森林、灌丛及草地植被碳密度分别为55.406tC/hm2、3.304tC/hm2、0.533tC/hm2,植被地上碳储量总量为16.810TgC,森林植被为主要碳库,为15.714TgC,灌丛及草地植被地上碳储量分别是1.016TgC和 0.080TgC。对比王红岩等基于SPOT遥感影像对丰宁县2008年8月植被地上生物量的估算结果[36],本研究估算植被地上生物量总量相对低10%,相差3400万t,具有较高一致性。植被地上碳密度在垂直分布上呈现随海拔升高先升高后降低的趋势。丰宁县植被地上碳库主要集中在海拔700~1500m间。Xiao Yu、徐少军等对北京、重庆山区植被的研究表明,植被碳密度在两个地区1000m以下随海拔的增高而增高,与本研究基本一致[37,38]。丰宁县海拔1500m以上地区多为坝上高原,森林植被覆盖较少,多为人工种植,林龄低。
4.2 讨论
植被地上生物量与碳储量的反演精度受到卫星影像时空分辨率、光谱分辨率、图像辐射校正、地面采样点数量及其代表性等多种因素的影响[39]。尽管本研究筛选出基于GF-1影像区域植被地上碳储量的最优估算模型,但仍存在需要探讨的问题:(1)首先,本研究地面实测样本数量有限,基于统计的线性回归对样本数量要求较高,今后可考虑增加各类植被样地数量,森林植被按照针叶林、阔叶林、针阔混交林及经济林加以区分。
(2)地表覆盖的非连续性,即遥感影像中存在的混合像元会影响反演精度[40],研究区内植被复杂,同一类别内不同植被群落生长状况仍存在较大差异。
(3)可根据需要添加遥感影像纹理特征、地形因子、土壤等多种因子作为反演因子,以期建立更为精确的估算方法。丰宁县作为京津源风沙治理工程区,在今后的研究中,可以考虑对不同时期植被碳储量动态进行研究,将有助于科学评估我国重大生态工程的固碳效应。
The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
[1] | [J]. , [J]. , |
[2] | [J]. , |
[3] | [J]. , |
[4] | [J]. , |
[5] | [J]. , [J]. , |
[6] | [EB/OL].[ [EB/OL].[ |
[7] | [J]. , [J]. , |
[8] | [J]. , |
[9] | [J]. , [J]. , |
[10] | [J]. , [J]. , |
[11] | [J]. , [J]. , |
[12] | [J]. , [J]. , |
[13] | [J]. , [J]. , |
[14] | [J]. , [J]. , |
[15] | [J]. , [J]. , |
[16] | . , , |
[17] | .[EB/OL].[ .[EB/OL].[ |
[18] | .[EB/OL].[ [EB/OL].[ |
[19] | [J]. , [J]. , |
[20] | [J]. , [J]. , |
[21] | , |
[22] | [J]. , [J]. , |
[23] | [J]. , |
[24] | [J]. , |
[25] | [J]. , |
[26] | [J]. , |
[27] | [J]. , |
[28] | [J]. , |
[29] | [J]. , |
[30] | [J]. , |
[31] | [J]. , [J]. , |
[32] | [J]. , [J]. , |
[33] | [J]. , [J]. , |
[34] | [J]. , [J]. , |
[35] | [J]., [J]. , |
[36] | [J]. , [J]. , |
[37] | [J]. , |
[38] | [J]. , [J]. , |
[39] | [J]. , |
[40] | [J]. , [J]. , |