欢迎访问林草资源研究

Forest and Grassland Resources Research >

2023 , Vol. 0 >Issue 6: 98 - 104

DOI: https://doi.org/10.13466/j.cnki.lczyyj.2023.06.012

Technical Application

Spatial Distribution of Forest Carbon Storage in the Pearl River Delta Based on Geographically Weighted Regression Model

  • Cong CAO ,
  • Zexin GUO ,
  • Yanqing GUO ,
  • Yanqing MO ,
  • Ping LIU
Expand
  • 1. College of Forestry and Landscape Architecture,South China Agricultural University,Guangzhou 510642,China
    2. Guangdong Eco-engineering Polytechnic,Guangzhou 510520,China
    3. Guangdong Lingnanyuan Exploration and Design Co.Ltd.,Guangzhou 510000,China

Received date: 2023-08-24

  Revised date: 2023-11-09

  Online published: 2024-02-21

Fold

Abstract

Based on the data of 419 consecutive forest resource inventory plots in the Pearl River Delta region in 2017,the spatial distribution of forest carbon storage in the Pearl River Delta region was predicted using the Ordinary Least Squares (OLS)model and four Geographically Weighted Regression (GWR)models.The results showed that all four GWR models had better model fitting performance and independent sample test results than OLS models,with MGWR (Gaussian)model having the best fitting performance and GWR (Gaussian)model having the best independent sample test results;Using the GWR (Gaussian)model to draw a spatial distribution map of forest carbon storage,the estimated carbon storage per unit area of the Pearl River Delta forest is 6.15-81.52 t/hm2,with an average value of 33.46 t/hm2.The estimation error is better than the OLS model,and the overall spatial distribution pattern shows a high center and low edge.It also provides a new method and idea for the estimation of forest carbon stocks in the Pearl River Delta.

Key words： carbon storage; spatial distribution; ordinary least square; geographically weighted regression; Pearl River Delta

Cite this article

Cong CAO , Zexin GUO , Yanqing GUO , Yanqing MO , Ping LIU . Spatial Distribution of Forest Carbon Storage in the Pearl River Delta Based on Geographically Weighted Regression Model[J]. Forest and Grassland Resources Research, 2023 , 0(6) : 98 -104 . DOI: 10.13466/j.cnki.lczyyj.2023.06.012

References

[1] 叶金盛, 佘光辉. 广东省森林植被碳储量动态研究[J]. 南京林业大学学报(自然科学版), 2010, 34(4):7-12.
[2] 刘畅, 李凤日, 甄贞. 空间误差模型在黑龙江省森林碳储量空间分布的应用[J]. 应用生态学报, 2014, 25(10):2779-2786.
[3] 杜一尘, 李明泽, 范文义, 等. 基于地理加权回归模型与林火遥感数据估算森林年龄[J]. 林业科学, 2019, 55(6):184-194.
[4] 陈科屹, 张会儒, 张博, 等. 基于地理加权回归的天然次生林进界木空间分布模拟[J]. 北京林业大学学报, 2021, 43(2):1-9.
[5] 刘畅. 黑龙江省森林碳储量空间分布研究[D]. 哈尔滨: 东北林业大学, 2014.
[6] 李康杰, 胡中岳, 刘萍, 等. 广东省珠三角乔木林生物量碳储量评估[J]. 林业资源管理, 2022(4):54-60.
[7] 邵怡若, 钟斌, 杨振意, 等. 广东省森林资源及碳储量分布[J]. 湖南林业科技, 2013, 40(3):34-38.
[8] 谭一凡, 彭友贵, 史正军, 等. 深圳市森林碳储量及其动态变化[J]. 西南林业大学学报, 2013, 33(4):17-24.
[9] 全国森林资源标准化技术委员会. 立木生物量模型及碳计量参数——栎树:LY/T 2658-2016[S]. 北京: 国家林业局, 2016.
[10] 全国森林资源标准化技术委员会. 立木生物量模型及碳计量参数——杉木:LY/T 2264-2014[S]. 北京: 国家林业局, 2014.
[11] 全国森林资源标准化技术委员会. 立木生物量模型及碳计量参数——木荷:LY/T 2660-2016[S]. 北京: 国家林业局, 2016.
[12] 全国森林资源标准化技术委员会. 立木生物量模型及碳计量参数——湿地松:LY/T 2261-2014[S]. 北京: 国家林业局, 2014.
[13] 全国森林资源标准化技术委员会. 立木生物量模型及碳计量参数——马尾松:LY/T 2263-2014[S]. 北京: 国家林业局, 2014.
[14] 曾伟生. 基于木材密度的34个树种组一元立木生物量模型建立[J]. 林业资源管理, 2017(6):41-46.
[15] 曾伟生, 唐守正. 一个新的通用性相对生长生物量模型[J]. 林业科学, 2012, 48(1):48-52.
[16] 陈宣强, 赵明松, 卢宏亮, 等. 基于3种地理加权回归方法的安徽省土壤pH空间预测制图对比研究[J]. 地理科学, 2023, 43(1):173-183.
[17] 赵明松, 陈宣强, 徐少杰, 等. 基于MGWR的土壤pH值空间建模及其影响因素分析[J]. 环境科学, 2023, 44(12):6909-6920.
[18] 龙依, 蒋馥根, 孙华, 等. 基于带宽优选地理加权回归模型的深圳市植被碳储量反演[J]. 生态学报, 2022, 42(12):4933-4945.
[19] 闾妍宇, 李超, 欧光龙, 等. 基于地理加权回归模型的思茅松生物量遥感估测[J]. 林业资源管理, 2017(1):82-90.
[20] 孙钰森. 基于GWRK模型的帽儿山地区森林碳储量空间分布[D]. 哈尔滨: 东北林业大学, 2019.
[21] 李康杰, 胡中岳, 刘萍, 等. 基于Landsat-8 Oli影像的珠三角森林生物量估测[J]. 中南林业科技大学学报, 2023, 43(3):73-81.
[22] 冯益明, 唐守正, 李增元. 空间统计分析在林业中的应用[J]. 林业科学, 2004, 40(3):149-155.
[23] 张博, 欧光龙, 孙雪莲, 等. 空间效应及其回归模型在林业中的应用[J]. 西南林业大学学报, 2016, 36(03):144-152.
[24] 陈科屹, 张会儒, 张博, 等. 基于地理加权回归拓展模型的天然次生林碳储量空间分布[J]. 应用生态学报, 2021, 32(4):1175-1183.
Options
Outlines

/

〈 〉