论文部分内容阅读
在全球气候变暖的大背景下,森林火灾的发生概率也在逐渐上升,同时火后植被恢复仍然取决于许多现场因素,如火干扰烈度,不同的植被恢复经营策略、地形和当地气候等。因此,研究火烧迹地森林恢复及其对火后气候状况的响应有着十分重要科学和现实意义。本研究基于11景Landsat影像,利用植被变化追踪模型(Vegetation Change Tracker,VCT)研究大兴安岭地区1987-2016年的森林干扰、恢复情况,并结合支持向量机(Support Vector Machine,SVM)分类算法,区分VCT监测的干扰类型,提取1987、2000、2006、2010年特大火灾火烧迹地,同时,利用Thiel-Sen估计对火后恢复模式进行分析,通过逐步回归,支持向量回归和随机森林三种建模方式,研究火后第五年森林恢复与五年内各年平均气温、平均最高温、平均最低温、极端最高温、极端最低温、年平均降水量、平均相对湿度七个气象因子、地形因子以及火后植被条件之间的关系。研究发现:(1)在大兴安岭地区,VCT的森林干扰监测结果依然能够保持较高的空间一致性,大部分年份的空间一致性在70%到86%之间。(2)通过结合VCT和SVM算法,能够很好地的从VCT算法的监测结果中辨别出火干扰。总体而言,这种VCT-SVM方法在绘制火干扰方面非常有效,能够较为准确地提供火干扰信息,这为进一步研究火烧迹地的植被恢复奠定了基础。(3)从Theil-Sen估计的结果中可知,在四场火灾中,1987年的火后森林恢复最快,2000年、2006年、2010年与之相比,恢复较慢。(4)随机森林算法能够较好地解释火后森林恢复与各项因子之间的关系。从建模结果来看,逐步回归算法的建模决定系数(R~2)为0.6441,平均相对误差为0.0711,均方根误差0.0584,验证R~2为0.5828,平均相对误差为0.0861,均方根误差为0.0734,随机森林算法建模R~2为0.9258,平均相对误差为0.0350,均方根误差为0.03,验证R~2为0.7701,平均相对误差为0.0665,均方根误差为0.0581,支持向量回归算法建模R~2为0.9011,平均相对误差0.0361,均方根误差为0.0329,验证R~2为0.7041,平均相对误差为0.0724,均方根误差为0.0581。因此,比较三种方法,随机森林算法能够较好的解释火后森林恢复与各项因子之间的关系。(5)气候因子与火后森林恢复之间有较好的耦合关系。三个模型对火后森林恢复情况的解释能力均较强,且从变量筛选的结果中可知,气象因子中降水、平均相对湿度和极端最高温对森林恢复的影响较为显著。