img

官方微信

遥感技术与应用, 2021, 36(3): 502-510 doi: 10.11873/j.issn.1004-0323.2021.3.0502

森林遥感专栏

基于无线传感器网络的森林生态系统观测试验平台构建

黄艳,1,2,3, 郑玮4

1.金陵科技学院 软件工程学院,江苏 南京 211169

2.金陵科技学院 智能人机交互研究中心,江苏 南京 211169

3.金陵科技学院 南京大数据研究院,江苏 南京 211169

4.金陵科技学院 计算机工程学院,江苏 南京 211169

Design of Forest Ecosystem Observation Experiment Platform based on Wireless Sensor Networks

Huang Yan,1,2,3, Zheng Wei4

1.School of Software Engineering,Jinling Institute of Technology,Nanjing 211169,China

2.Center for Intelligent Computer Human Interaction,Jinling Institute of Technology,Nanjing 211169,China

3.Nanjing Institute of Big Data,Jinling Institute of Technology,Nanjing 211169,China

4.School of Computer Engineering,Jinling Institute of Technology,Nanjing 211169,China

收稿日期: 2020-02-26   修回日期: 2021-04-16   网络出版日期: 2021-07-21

基金资助: 江苏省高校哲学社会科学基金项目.  2020SJA0541

Received: 2020-02-26   Revised: 2021-04-16   Online: 2021-07-21

作者简介 About authors

黄艳(1981-),女,江苏泰兴人,讲师,主要从事生态系统遥感方面的研究E⁃mail:huangyan@jit.edu.cn , E-mail:huangyan@jit.edu.cn

摘要

在长时间尺度上监测和评价森林生态过程的状态变量是当前森林生态系统观测研究的热点问题之一。针对森林生态系统观测站观测数据实时传输存储不畅、数据共享度低、数据碎片化严重、大数据分析平台建设薄弱、森林火灾实时预测预警缺乏等问题,下蜀林场综合观测试验平台结合遥感技术、涡度相关技术、样方调查技术和无线传感器网络技术实现了森林生态系统水、土、气、生各要素长期的连续的综合观测,提供了森林生态系统与大气之间的碳收支数据、水通量数据、能量通量数据、气象数据的实时自动存储及显示,森林生态系统服务功能及价值量的存储及显示,实现了对森林火灾的监控以及森林火险的预测预警。试验平台可为森林生态系统长期自动化观测提供借鉴。

关键词: 森林生态系统 ; 遥感 ; 涡度相关 ; 无线传感器网络 ; 样方调查 ; 数据可视化平台

Abstract

Monitoring and evaluating the state variables and fluxes of forest ecological processes on a long-term scale is one of the hot topics of current forest ecosystem observation research. In order to solve the problems of real-time transmission and storage of observation data of forest ecosystem observation stations, low data sharing, severe data fragmentation, weak construction of big data analysis platforms, and lack of real-time forest fire prediction and warning system, this paper used the remote sensing, eddy covariance technique, field investigation and Wireless Sensor Networks (WSN) technology to observe the spatial and temporal dynamics of carbon budget, water flux, and energy flux in Xiashu Forest Farm. We also developed a Data Visualization Platform Software (DVPS) to store and show the forest ecosystem observation data. Based on those data, DVPS can fulfill the monitoring of forest fires and the forecast and early warning of forest fire risks. DVPS also provides real-time display of carbon balance data, water flux data, energy flux data, and meteorological data between the forest ecosystem and the atmosphere, and the display of forest ecosystem service functions and its value. This experiment provides reference for the integrating of WSN, remote sensing and eddy correlation technology in long-term comprehensive observation experiments of forest ecosystems.

Keywords: Forest ecosystem ; Femote sensing ; Eddy covariance ; Wireless Sensor Networks ; Field investigation ; Data visualization platform software

PDF (2644KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

黄艳, 郑玮. 基于无线传感器网络的森林生态系统观测试验平台构建. 遥感技术与应用[J], 2021, 36(3): 502-510 doi:10.11873/j.issn.1004-0323.2021.3.0502

Huang Yan, Zheng Wei. Design of Forest Ecosystem Observation Experiment Platform based on Wireless Sensor Networks. Remote Sensing Technology and Application[J], 2021, 36(3): 502-510 doi:10.11873/j.issn.1004-0323.2021.3.0502

1 引 言

长期、持续的人类干扰,严重威胁森林生态系统的稳定性和物种多样性1。如何在长时间尺度上监测和评价森林生态系统的变化态势,是当前森林生态系统观测研究面临的重大挑战2。近年来,针对森林生态系统观测而建立的试验站不断涌现,遥感观测与地面点位观测相结合使得观测尺度由站点尺度向区域尺度转变。典型的森林生态系统综合观测有美国国家生态观测网络(NEOT)3、国际长期生态观测研究网络(ILTER)4以及全球碳通量网(FLUXNET)等。在我国,黑河流域生态—水文过程综合遥感观测联合试验(HiWATER)开展了遥感与地面观测相配合的生态水文过程多尺度观测试验5-6,中国科学院中国生态系统研究网络(CERN)12个森林生态站、国家林业和草原局中国陆地生态系统定位观测研究站网(CTERN)105个森林生态站、国家生态系统观测研究网络(CNERN)17个森林生态站实现了对森林生态系统的水、土、气、生各要素的综合观测,提供了长期连续的观测数据7-8。然而,森林生态系统观测站还存在观测数据实时传输存储不畅、数据共享度低、数据碎片化严重、大数据分析平台建设薄弱等问题9-10。无线传感器网络(WSN)技术具备实时监测、快速响应等优势,因此被应用于森林生态系统的长期定位观测211-12,实现了数据实时、自动、长期地获取和存储,是建立森林生态系统大数据及其分析系统的重要一环。

林火严重影响森林生态系统的林型、碳储量和生物多样性,导致森林生态系统功能面临衰退、林型发生转变,甚至森林消失的风险13。近年来,气候变暖及人类活动使得林火情势趋向严酷化,2018年中国共发生森林火灾2 478起,受灾森林面积为16 309 hm2。因此,森林火灾的实时监测对于维护森林生态系统安全至关重要。现有的森林生态系统观测站侧重火灾对森林生态系统的影响研究313,鲜有关于森林火灾实时监测及预测预警的相关报道。

下蜀林场位于江苏省句容市境内,林地面积为298.9 hm2,占林场总面积的95.1%,其中省级公益林261 hm2。林场内观光旅游、附近居民祭祀活动频繁,这给森林防火带来了挑战。下蜀林场观测试验平台包括硬件方面的森林生态系统水、土、气、生各要素长期的连续的综合观测平台以及软件方面的森林生态系统观测数据可视化平台,重点关注森林生态系统与大气之间的碳收支、水通量和能量通量时空动态变化过程及其驱动机制、演变趋势,森林火灾实时监测、灾前预警、应急救援及灾后恢复,提高无线传感器网络技术、遥感技术和通量观测技术在森林生态系统长期综合观测试验中的应用性,并最终为森林保护提供重要依据。

2 观测试验平台设计

2.1 试验区域

结合重点关注的关键科学问题,试验共设置了3个不同尺度的观测区域。观测区域的选取原则是:一是要有代表性,能够代表下蜀林场主要森林植被类型;二是具备较好的观测设施,能开展多源、多尺度遥感像元之间的尺度转换试验。

(1)观测样地。在图1(a)红色矩形框内设置了4个30 m×30 m的观测样地(图1(b)天蓝色矩形框),样地(1)~(4)植被类型相对均一,且为下蜀林场主要森林植被类型,分别为麻栎、马尾松、毛竹、火炬松。观测样地区域大小与Landsat TM/OLI像元大小一致。

图1

图1   下蜀林场空间分布区域、观测样地及超级观测站分布

Fig.1   The distribution of Xiashu Forest Farm and sampling plots and super-observation station


(2)典型植被样带。典型植被样带为图1(b)所示区域,由4个500 m×500 m的矩形区域构成,矩形区域大小与MODIS像元大小一致,每个矩形区域均有一个观测样地。

(3)第3个尺度为整个下蜀林场区域(图1(a)所示区域)。

2.2 平台总体框架

下蜀林场森林生态系统观测试验平台总体框架如图2所示。平台包括两部分:

图2

图2   平台总体框架

Fig.2   The framework of the forest ecosystem observation experiment platform


(1)野外观测试验平台。野外观测试验平台关注对森林生态系统水、土、气、生各要素长期的连续的综合观测。具体包括:碳收支、水通量、能量通量、气象数据观测;森林植被总初级生产力(GPP)、净初级生产力(NPP)、土壤含水量的Landsat TM/OLI传感器和Terra MODIS传感器观测;森林红外热影像全天候360°全景监控。

(2)数据可视化平台。设计标准化的、可共享的数据可视化平台有助于解决数据实时传输存储不畅、数据共享度低、数据碎片化严重、大数据分析平台建设薄弱等问题。数据可视化平台将野外观测试验平台观测的30 m×30 m观测样地和超级观测站观测的碳收支数据、水通量数据、能量通量数据以及气象数据通过GSM/GPRS/4G等传输到数据库服务器。样方调查获得的植被生物量相关数据、土壤养分数据;森林火灾监控红外热影像;Landsat TM/OLI传感器影像、Terra MODIS传感器影像数据通过以太网传输到数据库服务器。平台对所有数据实行统一编码体系,设计规范化的数据库,集中存储和管理数据,数据库管理系统为SQL Server 2012。平台基于B/S模式,采用Node.js框架,为用户提供了森林火灾全天候360°全景监控,火险等级预报及扑火方案预演;森林生态系统碳循环参量、水通量和能量通量的查询和统计分析;森林生态系统服务功能的查询和统计分析;尺度转换结果的显示等功能。

2.3 主要观测变量和仪器

下蜀林场综合观测试验观测的变量主要分为3个大类,分别是气象数据、植被生态变量和土壤参数变量(表1)。30 m×30 m观测样地内设置了4个15 m×15 m的小样地(图1(c)),分布着自动气象站和土壤各类参数传感器。样地观测数据有:①气象数据,包括气温、气压、降水、风速、风向、光照、相对湿度、光合有效辐射;②土壤参数数据,包括土壤温湿度、土壤热通量、土壤氮磷钾含量、土壤有机质含量;③植被状态数据,包括林龄、林分密度、郁闭度、胸径、树高、树冠长度、叶面积指数、凋落物厚度。

表1   核心变量/参数的地面观测

Table 1  The key variables / parameters to be observed in Xiashu forest farm

观测地观测数据类型变量/参数地面测量时间分辨率
样地观测数据气象数据气温、气压、降水、风速、风向、光照、相对湿度、光合有效辐射自动气象站*30 min
植被生态数据林龄、林分密度、郁闭度、胸径、树高、树冠长度、叶面积指数、凋落物厚度样方调查**逐月
土壤参数数据土壤温湿度土壤温湿度传感器*30 min
土壤热通量土壤热通量板*30 min
土壤氮磷钾含量土壤养分速测仪**逐月
土壤有机质含量重铬酸钾容量法**逐月
超级站观测数据通量数据CO2通量、CO2浓度、H2O浓度、潜热通量、显热通量开路/闭路涡度相关系统*30 min
气象数据风速、风向三维超声风速仪、三层风速传感器*30 min
气温和空气相对湿度大气温湿度传感器、红外温度仪*30 min
降水雨量传感器测量*30 min
向下的短波辐射、向上的短波辐射、向下的长波辐射、向上的长波辐射四分量净辐射仪*30 min
植被状态数据胸径胸径传感器*30 min
凋落物厚度凋落物量传感器*30 min
森林火灾监控红外热成像仪*实时
土壤参数数据土壤温湿度土壤温湿度传感器*30 min
土壤热通量土壤热通量板*30 min

注:*为自动观测,**为人工观测

新窗口打开| 下载CSV


超级观测站(图1(b)红色星号)通量观测塔高度40 m,塔上分布着气象传感器、碳通量传感器、红外热成像仪。超级观测站周边30 m×30 m样地还分布着植被胸径传感器、凋落物传感器、土壤温度传感器、土壤含水量传感器、土壤热通量传感器。观测数据有:①通量数据,包括生态系统CO2通量、CO2浓度、H2O浓度、潜热通量、显热通量;②气象数据,包括气温、气压、降水、三维风速、摩擦风速、风向、相对湿度、向下的短波辐射、向上的短波辐射、向下的长波辐射、向上的长波辐射;③植被状态数据,包括胸径、凋落物厚度;④土壤参数数据,包括土壤温湿度、土壤热通量。

3 野外观测试验平台建设

下蜀林场野外观测试验由地面观测以及Landsat TM/OLI传感器、Terra MODIS传感器观测组成,地面观测又包括样地尺度、植被样带尺度和下蜀林场区域尺度3个尺度。从观测目标的角度,对基础试验划分为5个大类,分别为碳收支观测、水通量观测、能量通量观测、森林火险监测以及尺度转换试验。

3.1 碳收支观测

森林生态系统通过光合作用吸收大气中的CO2,而呼吸作用、倒木分解等往大气中释放CO2。本试验根据森林生态系统碳循环过程,选择了3类与碳循环相关的参量进行观测,即碳通量、植被生物量和土壤碳储量。

(1)碳通量观测。涡度相关系统被认为是测量二氧化碳通量的最佳途径,二氧化碳通量由基于三维超声风速仪测量的垂直风速和CO2/H2O红外气体分析仪测量的CO2,协方差得到。三维超声风速仪和1套开路CO2/H2O仪安装高度为38 m。为了开展CO2浓度垂直分布规律的研究,7层闭路CO2/H2O仪安装高度分别为1 m、7 m、11 m、15 m、23 m、31 m和38 m。基于碳通量观测数据和土壤氮磷钾含量数据估算森林生态系统总初级生产力(GPP)14和净初级生产力(NPP)15

(2)植被生物量观测。植被生物量分为地下生物量和地上生物量。利用根钻取样烘干称重法分别测量4个15 m×15 m的小样地(图1(c))地下生物量,同时在4个15 m×15 m的小样地观测林龄、林分密度、郁闭度、胸径、树高、树冠长度和叶面积指数,利用生物量模型估算地上生物量16

(3)土壤碳储量观测。采集植被土壤样本,采样深度分别为0~10 cm和10~30 cm,实验室用重铬酸钾容量法测量土壤有机质含量,从而估算出土壤碳储量17

3.2 水通量观测

森林生态系统在陆地水循环中扮演重要角色。降水经森林截留落到地面后,一部分以地表径流和地下径流的形式汇入河流或海洋;一部分以蒸散发的形式回归大气;剩余部分为土壤水。因此,植被蒸散发和土壤涵养水源是森林生态系统水循环两个最重要的环节。

(1)降水量观测。30 m×30 m观测样地降水数据由自动气象站翻斗式雨量筒测量(图1(c)),超级观测站降水数据由安装在23 m高度的雨量传感器测量。

(2)植被蒸散发观测。涡度相关系统测量蒸散发是基于三维超声风速仪测量的垂直风速和CO2/H2O红外气体分析仪测量的水汽,协方差得到。在超级观测站,采用1套开路CO2/H2O仪和7套闭路CO2/H2O仪观测H2O浓度,以获取连续时间序列的观测数据,从而估算森林生态系统植被蒸散发18

(3)土壤含水量观测。土壤含水量利用HydraⅡ土壤温湿度传感器测量。为了验证卫星遥感反演土壤水分的精度以及对地表热湿传递规律进行研究,土壤温湿度传感器埋设深度分别为5 cm、50 cm和100 cm。

3.3 能量通量观测

太阳短波辐射和大气长波辐射是森林生态系统的能量来源。在超级观测站38 m高度安装有四分量净辐射仪,测量向下的短波辐射、向上的短波辐射、向下的长波辐射、向上的长波辐射。38 m高处的涡度相关系统可用于测量潜热通量和感热通量。土壤热通量板埋设深度为3 cm和5 cm,测量土壤热通量。在30 m×30 m观测样地,自动气象站测量光合有效辐射。土壤热通量板埋设深度为3 cm和5 cm,测量土壤热通量。

3.4 森林火险监测

气象因子(风速、风向、降水、气温、空气相对湿度)、凋落物量和土壤含水量是森林火险预报模型的输入参数19,模型根据实时数据输出森林火险等级情况。在超级观测站,风速和风向由三维超声风速仪和三层风速传感器(安装高度为1 m、7 m和11 m)测量;气温和空气相对湿度由三层大气温湿度传感器(安装高度为1 m、7 m和11 m)测量。在30 m×30 m观测样地,风速、风向、气温、空气相对湿度由自动气象站测量。

在超级观测站,安装在38 m高度的红外热成像仪监控有效半径为3 km,实现了下蜀林场森林红外热影像全天候360°全景监控。

3.5 尺度转换试验

发展地面观测点与多源、多尺度遥感像元之间的尺度转换方法一直是生态学家面临的核心问题之一20。试验使用的卫星传感器数据包括Landsat TM/OLI传感器影像、Terra MODIS传感器影像。TM、OLI影像空间分辨率为30 m,MODIS影像空间分辨率为500 m。试验集成遥感技术、通量观测技术、样方调查法等,提供了样地尺度、植被样带尺度和下蜀林场区域尺度3个尺度的植被NPP、地表温度、土壤含水量观测数据(图1),为植被NPP、地表温度、土壤含水量多尺度转换方法研究提供数据支撑。

4 数据可视化平台建设

野外观测试验平台自动观测的碳收支数据、水通量数据、能量通量数据以及气象数据通过无线传感器网络实时自动地传输到数据库服务器,为数据可视化平台建设提供了数据支撑。

4.1 森林生态无线传感器网络

无线传感器网络是由区域内部署的生态观测传感器通过无线网络通信协议相互通信所形成的多跳自组织网络21,实现了测数据的实时、自动地获取和存储。基于无线传感器网络的景观尺度的观测填补了地面点位观测和遥感卫星之间的尺度空白,可为遥感反演结果的验证和尺度转换提供像元尺度观测值22

整个观测系统无线传感器网络设计的用户需求如下:

(1)由专家确定确切放置传感器节点的位置,并且主要取决于林型、立地条件等特征。网络技术必须能够支持将传感器节点放置在任意位置。 此外,为了使收集到的数据具有植物生理生态代表性,传感器网络必须能够覆盖1~1.5 km2,并由70多个传感器设备组成。

(2)网络必须能够在没有任何强制性用户干预的情况下自行运行。 它们必须能够承受温度波动,在环境变化时能够自愈,并且能够在没有人工干预的情况下运行数年。

(3)每个节点必须能够每30 min报告一次传感器测量。网络必须成功且安全地将传感器数据传输到网关设备,而且必须向用户提供远程监视功能,即远程评估网络健康的能力。生态学家必须能够在测量后的几分钟内访问传感器收集的数据。

SmartMesh IP是由Linear Technology公司的Dust Networks产品组开发的基于IEEE802.15.4e TSCH标准的低功耗无线网络产品,它满足上述用户需求。SmartMesh IP由单个网络管理器(用于监视管理网络性能和安全及接收数据上传至数据中心)和最多100个无线节点(用于收集和中继数据)组成。节点在管理器周围形成一个冗余的多跳和自愈无线网状网络(图3)。目前,全球范围内已经部署了76 000个SmartMesh网络。数据传输可靠性超过99.999%,并且在路由节点上消耗的平均电流低于50 µA,使得电池的使用寿命超过10 a23

Fig.3   Network topology diagram of observation system


目前,本实验在下蜀林场部署了5个SmartMesh网络。其中,4个SmartMesh网络部署在4个30 m×30 m的观测样地,每个SmartMesh网络由一个管理器,14个传感器节点和多个中继节点组成,以防某些传感器节点的部署距离网络其余部分太远而无法连接。部署的无线传感器包括空气温湿度传感器、雨量传感器、风速风向传感器、光合有效辐射传感器、土壤温湿度传感器、土壤热通量传感器(表1)。在超级观测站部署的SmartMesh网络由一个管理器,29个传感器节点和多个中继节点组成,无线传感器包括空气温湿度传感器、雨量传感器、风速风向传感器、四分量辐射传感器、土壤温湿度传感器、土壤热通量传感器、植被胸径传感器、凋落物量传感器、开路/闭路涡度相关系统(表1)。网络管理器安装在离地面2 m的位置,通过GSM/GPRS/4G将传感器数据和网络统计信息上传到下蜀林场数据中心服务器上。

根据林型、立地条件等特征选择传感器节点的位置。传感器节点覆盖1~1.5 km2之间的区域。网络管理器部署在具有良好的蜂窝连接性的开放区域。传感器和网络管理器安装到位并打开设备后,利用管理器中内置的监视工具来验证传感器之间的连接性。以迭代方式放置中继节点,并验证更新的连接信息,验证连接信息时遵循Dust Networks规则,即每个节点至少具有3个与之相连的邻居,且其接收信号强度高于-85 dBm。

4.2 平台功能

4.2.1 森林生态系统服务功能子系统

森林生态系统服务功能是指森林生态系统为人类提供的赖以生存的自然环境条件与效用,主要包括固碳释氧功能、涵养水源功能、保育土壤功能等24。下蜀林场森林生态系统观测数据可视化平台实现了对固碳释氧功能、涵养水源功能、保育土壤功能的观测和评估。

(1)固碳释氧功能观测和评估。平台根据植被生物量数据、碳通量数据以及卫星遥感数据模拟下蜀林场区域尺度净初级生产力(Net Primary Production, NPP)15,并进一步估算出森林生态系统固碳释氧功能1725。具体功能包括CO2浓度、植被胸径、凋落物厚度的查询和统计分析;植被碳储量和土壤碳储量的估算、查询和统计分析;林木固碳量和释氧量及其生态系统服务价值的估算、查询和统计分析。

(2)涵养水源功能观测和评估。平台根据水汽通量数据、土壤温湿度数据、大气温湿度数据以及卫星遥感数据模拟下蜀林场区域尺度土壤含水量,并进一步估算出森林生态系统涵养水源功能26。具体功能包括降水量、H2O浓度、土壤含水量的查询和统计分析;蒸散发量的估算、查询和统计分析;森林水源涵养量及其生态系统服务价值的估算、显示和统计分析。

(3)保育土壤功能观测和评估。平台根据土壤氮磷钾含量数据以及卫星遥感数据模拟下蜀林场区域尺度土壤氮磷钾含量,并进一步估算出森林生态系统保育土壤功能27。具体功能包括土壤氮含量、土壤磷含量、土壤钾含量的查询和统计分析;森林固土量和保肥量及其生态系统服务价值的估算、显示和统计分析。

4.2.2 林火管理子系统

林火管理子系统由森林火险等级的预测预警、森林火灾的监控两部分组成。

(1)森林火险等级的预测预警。平台根据气象因子(风速、风向、降水、气温、空气相对湿度)、凋落物量和土壤含水量,建立森林火险预报模型,对下蜀林场森林火险等级进行评估及预警19。具体功能包括气象因子、地面可燃物、土壤含水量的查询和统计分析;火险等级的实时预报、中期预报和历史数据查询。

(2)森林火灾监控。平台利用红外热成像仪对下蜀林场森林火灾全天候360°全景监控,一旦图像像元点值超出阈值,则触发火灾警报,并生成扑救方案。具体功能模块有4个:①防火监控模块,提供了实时视频监控、起火报警和动态回放功能;②防火巡视模块,提供了火灾报警、防火信息查询、巡查签到、突发用火审批、下发通知、巡查考核和用火备案功能;③火灾扑救模块,提供了平面和三维立体电子沙盘、扑救方案制定和下达、指挥调度功能;④基本信息模块,提供了地貌信息、道路信息、水源信息、装备信息、人口分布、敏感点位和生物隔离带等信息的查询和显示。

4.2.3 尺度转换子系统

平台基于30 m×30 m观测样地和超级观测站的观测数据以及Landsat TM/OLI影像数据(空间分辨率为30 m),利用遥感数据驱动模型实现了森林植被GPP、NPP、土壤含水量数据由站点尺度向30 m空间分辨率尺度的转换。基于站点观测数据、Landsat TM/OLI影像数据以及Terra MODIS传感器影像数据(空间分辨率为500 m),利用模型实现了森林植被GPP、NPP、土壤含水量数据由站点尺度向30 m空间分辨率尺度和500 m空间分辨率尺度的转换。平台提供了站点尺度、30 m、500 m空间分辨率尺度、下蜀林场区域尺度这4个尺度森林植被GPP、NPP、土壤含水量数据的查询和显示。

5 结 语

森林生态系统与大气之间的碳收支、水通量和能量通量时空动态变化过程及其驱动机制、演变趋势,以及森林火灾实时监测、灾前预警、应急救援及灾后恢复是下蜀林场综合观测试验关注的关键科学问题。试验在下蜀林场部署了5个SmartMesh网络,并结合遥感技术、涡度相关技术和样方调查技术,在3个不同尺度上实现了森林生态系统碳收支、水通量和能量通量的长期的连续的综合观测。针对森林生态系统观测站观测数据实时传输存储不畅、数据共享度低、数据碎片化严重、大数据分析平台建设薄弱、森林火灾实时预测预警缺乏等问题,试验设计开发了森林生态系统观测数据可视化平台,实现了观测数据的实时存储和显示;提供了森林生态系统与大气之间的碳收支数据、水通量数据、能量通量数据、气象数据的实时自动存储;评估了森林生态系统固碳释氧功能、涵养水源功能、保育土壤功能及其价值量;实现了站点尺度、30 m、500 m空间分辨率尺度、区域尺度这4个尺度的转换;基于红外热成像仪实现了对森林火灾的监控,建立了森林火险预报模型,对下蜀林场森林火险等级进行评估及预警。综合观测试验为分析大气圈—生物圈—地圈之间的耦合作用,评价下蜀林场森林生态系统在区域碳循环中的贡献提供了重要的数据支撑;增强了无线传感器网络技术、遥感技术、通量观测技术和方法的综合应用,并最终为森林保护提供重要依据。

参考文献

MacDougall A SMcCann K SGellner Get al.

Diversity Loss with Persistent Human Disturbance Increases Vulnerability to Ecosystem Collapse

[J]. Nature, 20134947435): 86-89. doi: 10.1038/nature11869.

[本文引用: 1]

Yu GuiruiHe HonglinZhou Yuke.

Ecosystem Observation and Research Under Background of Big Data

[J]. Bulletin of Chinese Academy of Sciences, 2018338): 832-837.

[本文引用: 2]

于贵瑞何洪林周玉科.

大数据背景下的生态系统观测与研究

[J]. 中国科学院院刊, 2018338): 832-837.

[本文引用: 2]

Kampe T UJohnson B RKuester M Aet al.

NEON: The First Continental-scale Ecological Observatory with Airborne Remote Sensing of Vegetation Canopy Biochemistry and Structure

[J]. Journal of Applied Remote Sensing, 201041): 043510. doi: 10.1117/1.3361375.

[本文引用: 2]

Mirtl MBorer E TDjukic Iet al.

Genesis, Goals and Achievements of Long-term Ecological Research at the Global Scale: A Critical Review of ILTER and Future Directions

[J]. Science of the Total Environment,20186261439-1462. doi: 10.1016/j.scitotenv.2017.12.001.

[本文引用: 1]

Li XCheng GLiu Set al.

Heihe Watershed Allied Telemetry Experimental Research (HiWATER): Scientific Objectives and Experimental Design

[J]. Bulletin of the American Meteorological Society, 2013941145-1160. doi: 10.1175/BAMS-D-12-00154.1.

[本文引用: 1]

Liu SLi XXu Zet al.

The Heihe Integrated Observatory Network: A Basin-scale Land Surface Processes Observatory in China

[J]. Vadose Zone Journal, 201817180072. doi: 10.2136/vzj2018.04.0072.

[本文引用: 1]

Fu BojieNiu DongYu Guirui.

The Roles of Ecosystem Observation and Research Network in Earth System Science

[J]. Progress in Geography, 2007261): 1-16.

[本文引用: 1]

傅伯杰牛栋于贵瑞.

生态系统观测研究网络在地球系统科学中的作用

[J]. 地理科学进展, 2007261): 1-16.

[本文引用: 1]

Lu KangningDuan JinghuaJi Pinget al.

A Brief Review of Progress of Terrestrial Ecosystem Observation Research Network of China

[J]. Journal of Temperate Forestry Research, 201923): 13-17.

[本文引用: 1]

卢康宁段经华纪平.

国内陆地生态系统观测研究网络发展概况

[J]. 温带林业研究, 201923): 13-17.

[本文引用: 1]

Zhou Yuke.

Development of Integrated Management Information System for Ecological Observing Stations

[J]. Geomatics & Spatial Information Technology, 2019428): 11-14.

[本文引用: 1]

周玉科.

生态观测台站综合管理信息系统研发

[J]. 测绘与空间地理信息, 2019428): 11-14.

[本文引用: 1]

Dai ShengqiZhao Bin.

Trends and Challenges of Ecosystem Observations in the Age of Big Data

[J]. Biodiversity Science, 2016241): 85-94.

[本文引用: 1]

戴圣骐赵斌.

大数据时代下的生态系统观测发展趋势与挑战

[J]. 生物多样性, 2016241): 85-94.

[本文引用: 1]

Tan XingFeng PengfeiZhang Xuet al.

Application State and Development Strategy of Internet of Things Technology in Intelligent Forestry in China

[J]. World Forestry Research, 2019325): 57-62.

[本文引用: 1]

谭星冯鹏飞张旭.

物联网技术在我国智慧林业建设中的应用现状及发展策略

[J]. 世界林业研究, 2019325): 57-62.

[本文引用: 1]

Li XinLiu ShaominSun Xiaominet al.

Innovative Development of Equipments and Internet-of-things Techniques for Ecosystem Monitoring and Its Demonstration

[J]. Acta Ecologica Sinica, 20163622): 7023-7027.

[本文引用: 1]

李新刘绍民孙晓敏.

生态系统关键参量监测设备研制与生态物联网示范

[J]. 生态学报, 20163622): 7023-7027.

[本文引用: 1]

Bustamante M MRoitman IAide T Met al.

Toward an Integrated Monitoring Framework to Assess the Effects of Tropical Forest Degradation and Recovery on Carbon Stocks and Biodiversity

[J]. Global Change Biology, 2016221): 92-109. doi: 10.1111/gcb.13087.

[本文引用: 2]

Xie XLi ATan Jet al.

Assessments of Gross Primary Productivity Estimations with Satellite Data-driven Models Using Eddy Covariance Observation Sites over the Northern Hemisphere

[J]. Agricultural and Forest Meteorology, 2020280107771. doi: 10.1016/j.agrformet.2019.107771.

[本文引用: 1]

Chen SJiang HChen Yet al.

Spatial-temporal Patterns of Net Primary Production in Anji(China) between 1984 and 2014

[J]. Ecological Indicators,2020110105954. doi:10.1016/j.ecolind.2019.105954.

[本文引用: 2]

Wen XiaorongJiang LixiuLiu Leiet al.

Estimation of forest Biomass, Net Primary Production and Analysis on Spatial Distribution Pattern for Jiangsu Province

[J]. Journal of Northwest Forestry University, 2014291): 36-40.

[本文引用: 1]

温小荣蒋丽秀刘磊.

江苏省森林生物量与生产力估算及空间分布格局分析

[J]. 西北林学院学报, 2014291): 36-40.

[本文引用: 1]

Chen ShulinWen Zuomin.

Estimating Forest Ecosystem Service Function and Its Value of Soil Carbon Sequestration Under Different Tree Species in Guangxi Province: Take Raw Material Forest of Stora Enso bases for Example

[J]. Issues of Forestry Economics, 2017372): 35-38.

[本文引用: 2]

陈书林温作民.

桉树人工林不同树种土壤固碳价值评估——以广西斯道拉恩索公司两个原料林基地为例

[J]. 林业经济问题, 2017372): 35-38.

[本文引用: 2]

Li XGentine PLin Cet al.

A Simple and Objective Method to Partition Evapotranspiration into Transpiration and Evaporation at Eddy-covariance Sites

[J]. Agricultural and Forest Meteorology,2019265171-182. doi:10.1016/j.agrformet. 2018. 11.017.

[本文引用: 1]

Wang LZhao QWen Zet al.

RAFFIA: Short-term Forest Fire Danger Rating Prediction via Multiclass Logistic Regression

[J]. Sustainability, 20181012): 4620-4636. doi: 10.3390/su10124620.

[本文引用: 2]

Li AinongBian JinhuZhang Zhengjianet al.

An Integrated Multi-scale Remote Sensing Experiment on Carbon Budget Parameters in the Zoige Plateau: Scientific Objectives and Experiment Design

[J]. Remote Sensing Technology and Application, 2016313): 405-416.

[本文引用: 1]

李爱农边金虎张正健.

若尔盖高原区域碳收支参量多尺度遥感综合观测试验:科学目标与试验设计

[J]. 遥感技术与应用, 2016313): 405-416.

[本文引用: 1]

Qian ZhihongWang Yijun.

Internet of Things-oriented Wireless Sensor Networks Review

[J]. Journal of Electronics & Information Technology, 2013351): 215-227.

[本文引用: 1]

钱志鸿王义君.

面向物联网的无线传感器网络综述

[J]. 电子与信息学报, 2013351): 215-227.

[本文引用: 1]

Li XinLiu ShaominMa Mingguoet al.

HiWATER: An Integrated Remote Sensing Experiment on Hydrological and Ecological Processes in the Heihe River Basin

[J]. Advances in Earth Science, 2012275): 481-498.

[本文引用: 1]

李新刘绍民马明国.

黑河流域生态—水文过程综合遥感观测联合试验总体设计

[J]. 地球科学进展, 2012275): 481-498.

[本文引用: 1]

Zhang ZGlaser S DWatteyne Tet al.

Long-term Monitoring of the Sierra Nevada Snowpack Using Wireless Sensor Networks

[J]. IEEE Internet of Things Journal, 2020doi:10.1109/JIOT.2020.2970596.

[本文引用: 1]

Liu ShirongDai LiminWen Yuanguanget al.

A Review on Forest Ecosystem Management Towards Ecosystem Services: Status, Dhallenges, and Future Perspectives. Acta Ecologica Sinica, 2015, 35(1): 1-9. [刘世荣, 代力民, 温远光,

等. 面向生态系统服务的森林生态系统经营:现状、挑战与展望[J]. 生态学报, 2015351): 1-9.]

[本文引用: 1]

Chen ShulinWen Zuomin.

Estimating Forest Ecosystem Service Function of Carbon Sequestration and Oxygen Release in Guangxi Province

[J]. Journal of Agro-forestry Economics and Management, 2016155): 557-563.

[本文引用: 1]

陈书林温作民.

广西人工林植被固碳释氧服务功能及其价值量评估

[J]. 农林经济管理学报, 2016155): 557-563.

[本文引用: 1]

Chen Shulin.

Estimating Forest Ecosystem Service Function of Water Conservation based on TVDI

[J]. Ecological Economy, 20163212): 182-186.

[本文引用: 1]

陈书林.

基于TVDI模型的森林生态系统水源涵养服务功能研究

[J]. 生态经济, 20163212): 182-186.

[本文引用: 1]

Chen ShulinWen Zuomin.

Estimating Forest Ecosystem Service Function of Soil Conservation in Guangxi-taking Stora Enso's Raw Material Forest base as Example

[J]. Forestry Economics, 20163811): 104-107.

[本文引用: 1]

陈书林温作民.

广西人工林保育土壤服务功能价值评估-以斯道拉恩索原料林基地为例

[J]. 林业经济, 20163811): 104-107.

[本文引用: 1]

/