基于最優(yōu)模型選擇的牧草地上生物量遙感估算研究

郭超凡，陳澤威，張志高

(安陽(yáng)師范學(xué)院資源環(huán)境與旅游學(xué)院，河南 安陽(yáng) 455000)

牧草地上生物量是指單位面積牧草地上組織所積累物質(zhì)的質(zhì)量，是衡量牧草生長(zhǎng)發(fā)育狀態(tài)和指導(dǎo)畜牧業(yè)生產(chǎn)管理的重要指標(biāo)[1]。及時(shí)、準(zhǔn)確的掌握生物量總量、分布及動(dòng)態(tài)變化情況對(duì)于草地生態(tài)系統(tǒng)評(píng)估、全球碳循環(huán)研究和草地資源的可持續(xù)開發(fā)利用等都具有重要意義[2]。

牧草生物量監(jiān)測(cè)方法主要包括直接收獲法、產(chǎn)量模擬模型法和衛(wèi)星遙感估測(cè)法等[2]，其中衛(wèi)星遙感估算方法憑借其宏觀性、動(dòng)態(tài)性和時(shí)效性特點(diǎn)，已成為區(qū)域和大尺度牧草生物量監(jiān)測(cè)的重要技術(shù)方法[3-4]。衛(wèi)星遙感估算是指基于影像像元且以植被指數(shù)為主要輸入變量的數(shù)理統(tǒng)計(jì)回歸方法，通過建立不同尺度數(shù)據(jù)之間的函數(shù)關(guān)系實(shí)現(xiàn)由點(diǎn)及面的轉(zhuǎn)換。于璐等[5]將高分衛(wèi)星影像與地面數(shù)據(jù)相結(jié)合，針對(duì)不同月份分別篩選最佳反演模型，分析出草場(chǎng)各營(yíng)養(yǎng)含量月際動(dòng)態(tài)變化規(guī)律。渠翠平等[6]對(duì)比分析了多種植被指數(shù)與草地生物量之間不同形式的擬合關(guān)系(線性、乘冪、指數(shù))，并利用最優(yōu)模型完成了內(nèi)蒙古科爾沁左翼后旗地上生物量與地上地下總生物量精準(zhǔn)制圖。大量的研究結(jié)果表明，衛(wèi)星遙感估算方法可以較好實(shí)現(xiàn)草地生物量精確估算，但由于受遙感數(shù)據(jù)質(zhì)量、植被的生長(zhǎng)狀態(tài)、地形以及模型差異等因素的干擾，不同植被指數(shù)在不同研究區(qū)生物量估算中表現(xiàn)出了不同的結(jié)果[7-8]。

基于植被指數(shù)構(gòu)建單變量反演模型是目前生物量估算研究中常用且有效的方法。但在高植被蓋度條件下，植被指數(shù)對(duì)于生物量變化的敏感性顯著下降，即出現(xiàn)“過飽和”問題[9]，制約模型估算結(jié)果的準(zhǔn)確性。一些學(xué)者嘗試通過尋求各種統(tǒng)計(jì)方法構(gòu)建基于多植被指數(shù)特征的生物量估算模型。高明亮等[10]比較了多元線性回歸模型與單變量非線性模型在植被生物量估算中的潛力，結(jié)果表明，多變量反演模型的精度和可靠性高于單變量模型。但是由于多元線性回歸模型多存在著變量間多重共線性的問題，容易造成“過擬合”等現(xiàn)象，影響模型的穩(wěn)定性和普適性[11]?；跈C(jī)器學(xué)習(xí)算法構(gòu)建多元非線性反演模型是近些年興起的一種新型估算模型，這種方法能夠有效地代表多變量復(fù)雜的非線性關(guān)系，充分利用傳感器獲得的光譜信息，提高估算精度[12]。其中，隨機(jī)森林模型(Random forest，RF)由于建模過程簡(jiǎn)單且結(jié)果比較精確、對(duì)噪聲和異常值敏感度較低，不易出現(xiàn)過擬合、不需要對(duì)變量的正態(tài)性和獨(dú)立性等假設(shè)條件進(jìn)行檢驗(yàn)等優(yōu)勢(shì)被廣泛應(yīng)用于農(nóng)業(yè)、林業(yè)、濕地等多個(gè)領(lǐng)域定量監(jiān)測(cè)研究[13-14]。以上3種模型是生物量估算中最常見的模型，但3種方法的牧草生物量估算應(yīng)用對(duì)比研究尚不多見。

本研究以Sentinel-2遙感影像數(shù)據(jù)衍生獲取的21種寬波段植被指數(shù)作為數(shù)據(jù)源，以青海省海晏縣金銀潭草原為研究區(qū)，對(duì)比分析了單變量模型、多元線性模型和基于隨機(jī)森林算法的多元非線性模型在牧草地上生物量(濕生)估算研究中的應(yīng)用價(jià)值，并從植被理化特征含義角度探討了不同植被指數(shù)對(duì)于牧草生物量估算模型的影響，探索牧草生物量遙感估算的最優(yōu)模型。研究結(jié)果以期為牧草生物量遙感監(jiān)測(cè)提供理論依據(jù)，為草地的可持續(xù)發(fā)展及利用提供數(shù)據(jù)支撐。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于青海省海北藏族自治州海晏縣境內(nèi)，地理位置為36°53′30″～37°5′30″ N，100°47′30″～100°59′10″ E(圖1)，海拔3 000～3 600 m，年日照時(shí)間為2 980 h，年均溫為1.7℃，年降水量為499 mm，日照時(shí)間長(zhǎng)，晝夜溫差大，多年月均最高溫度為10.6℃，最低溫度-13.5℃，年均蒸發(fā)量為1 581.8 mm，為典型的高原內(nèi)陸型氣候。全縣牧草草地面積24.2萬(wàn)hm2，占縣域總面積的49.35%，牧草資源豐富，草種類型多樣，是環(huán)青海湖現(xiàn)代高效畜牧業(yè)重要生產(chǎn)基地、環(huán)湖地區(qū)重要畜產(chǎn)品集散地。成功列入國(guó)家現(xiàn)代農(nóng)業(yè)示范區(qū)、國(guó)家級(jí)一二三產(chǎn)業(yè)融合發(fā)展試點(diǎn)縣、國(guó)家畜牧業(yè)綠色發(fā)展示范縣、全國(guó)草地生態(tài)畜牧業(yè)實(shí)驗(yàn)區(qū)。草地類型以高寒草甸類、高寒草甸草原類和溫性草原3大類型草地為主。研究區(qū)包含冬春草場(chǎng)和夏秋草場(chǎng)，研究區(qū)內(nèi)植被分布較為均勻，混雜分布著高山嵩草(Kobresiapygmaea)、草地早熟禾(PoapratensisLinn.)、矮嵩草(KobresiacuneataKukenth.)、紫花針茅(StipapurpureaGriseb.)、異針茅(StipaalienaKeng)、珠芽蓼(PolygonumviviparumLinn.)、條葉垂頭菊(CremanthodiumlineareMaxim.)等物種。

圖1 研究區(qū)位位置及樣點(diǎn)分布

1.2 采樣點(diǎn)設(shè)置與生物量測(cè)定

地面生物量數(shù)據(jù)采集于2017年8月5，6日進(jìn)行，根據(jù)研究區(qū)內(nèi)牧草的生長(zhǎng)狀況選擇3個(gè)采樣區(qū)進(jìn)行試驗(yàn)，包括1個(gè)夏秋草場(chǎng)(Ⅰ)和2個(gè)春冬草場(chǎng)(Ⅱ，Ⅲ)，共97個(gè)樣方(圖1)，樣方盡可能代表整個(gè)研究區(qū)域的植被生長(zhǎng)狀況。樣方規(guī)格為0.5 m×0.5 m，齊地刈割，挑出石子和動(dòng)物糞便等牲畜不可食用部分稱取鮮重并記錄。記錄內(nèi)容包括樣方編號(hào)、樣方中心點(diǎn)GPS坐標(biāo)、樣本鮮重(Biomass)、照片編號(hào)。

1.3 遙感數(shù)據(jù)獲取及預(yù)處理

研究所選用的遙感數(shù)據(jù)為Sentinel-2遙感影像，包含13個(gè)波段，其中心波長(zhǎng)為490 nm，560 nm，665 nm和842 nm的4個(gè)波段空間分辨率為10 m，705 nm，740 nm，783 nm，865 nm，1 610 nm和2 190 nm的6個(gè)波段分辨率為20 m，其余443 nm，945 nm和1 375 nm的3個(gè)波段分辨率為60 m。影像過境時(shí)間為2017年8月4日。Sentinel-2數(shù)據(jù)下載網(wǎng)址：https://scihub.copernicus.eu/dhus/#/home。使用SNAP對(duì)影像進(jìn)行預(yù)處理，經(jīng)過輻射定標(biāo)，大氣校正后得到反射率數(shù)據(jù)。Sentinel-2數(shù)據(jù)各個(gè)波段的空間分辨率有所不同，本文使用最近鄰插值法，將處理后的各波段重采樣至10 m。

選取常用于牧草長(zhǎng)勢(shì)研究的21種植被指數(shù)。不同指數(shù)的計(jì)算公式見表1。計(jì)算各植被指數(shù)的值，并利用各樣地記錄的GPS定位坐標(biāo)，提取對(duì)應(yīng)樣地的各類植被指數(shù)。由于Sentinel-2包含3個(gè)紅邊波段，而根據(jù)相關(guān)的研究表明705 nm和740 nm處的反射率與葉綠素含量均具有較高的相關(guān)性[16]，因此本文分別選用中心波長(zhǎng)在705 nm和740 nm的波段作為計(jì)算中的紅邊波段。同時(shí)，由于中心波長(zhǎng)在2 190 nm處的反射率與植被水分相關(guān)性優(yōu)于1 375 nm和1 610 nm處的反射率[17]，因此，本文選取中心波長(zhǎng)在2 190 nm的波段作為計(jì)算中的短波紅外波段。

表1 植被指數(shù)公式

1.4 模型建立與精度評(píng)價(jià)

分別構(gòu)建不同植被指數(shù)與對(duì)應(yīng)生物量間的擬合模型，單變量擬合方程包含線性函數(shù)和非線性(二項(xiàng)式、指數(shù)、冪數(shù)和對(duì)數(shù))函數(shù)，多元線性模型采用逐步線性回歸方法，多元非線性回歸模型采用隨機(jī)森林模型。在多元回歸模型中選擇全局擇優(yōu)法，通過決定系數(shù)(R2)及赤池信息量準(zhǔn)則(Akaike information criterion，AIC)對(duì)所有變量組合模型進(jìn)行評(píng)價(jià)，篩選具有最大R2及最小AIC的變量組合[33]。

2 結(jié)果與分析

2.1 生物量數(shù)據(jù)分析

由于牧草生物量會(huì)受到草地類型、放牧強(qiáng)度等多種因素的影響，不同采樣點(diǎn)的草地生物量差異很大。因此本文根據(jù)研究區(qū)草地的分布狀況設(shè)置了3個(gè)采樣區(qū)。其中采樣區(qū)I屬于夏季牧場(chǎng)，由于長(zhǎng)時(shí)間的放牧，旅游資源的開發(fā)，草地植被高度較矮，生物量最小值僅為40 g·m-2；采樣區(qū)II、采樣區(qū)III屬于冬季牧場(chǎng)，草地一直處于保育狀態(tài)，生產(chǎn)力處于一年最高階段，生物量較高，平均值達(dá)763～810 g·m-2。3個(gè)采樣區(qū)共包含了100個(gè)采樣點(diǎn)，剔除部分異常值后剩余97個(gè)采樣點(diǎn)(如圖1所示)。這些樣點(diǎn)數(shù)據(jù)為研究植被冠層光譜特征與生物量的關(guān)系奠定了基礎(chǔ)(表2所示)。

表2 不同樣區(qū)及生物量統(tǒng)計(jì)結(jié)果

2.2 單變量植被指數(shù)模型

不同植被指數(shù)具有不同的生態(tài)學(xué)意義，可以從不同角度反映植被的理化特征。但由于植被生物量累計(jì)是多因素共同耦合作用的結(jié)果，因而在不同植被理化特征的影響下，植被指數(shù)的擬合效果也各不相同。本研究構(gòu)建的21種植被指數(shù)模型中，反映牧草葉面/冠層水分含量的植被指數(shù)(如NDWI，GVMI，NDII，NDPI)均具有較高估算精度，與牧草葉綠素關(guān)系密切的植被指數(shù)CIgreen，CIre同樣具有較好的表現(xiàn)。但能夠消除影像土壤背景的植被指數(shù)OSAVI與反映牧草冠層結(jié)構(gòu)的植被指數(shù)mNDVI，mSR精度相對(duì)較低，這說(shuō)明影響牧草生物量估算精度的主要因素是水分和葉綠素。同時(shí)，近年來(lái)的一些研究成果表明包含紅邊波段的植被指數(shù)對(duì)于葉綠素變化十分敏感，而葉綠素是綠色植物光合作用的重要成分，因此這類指數(shù)在一些研究中能夠較好的反映植被的生物量[18]。而本研究發(fā)現(xiàn)引入紅邊波段的指數(shù)并未顯著提高生物量的估算精度(如NDVIre所對(duì)應(yīng)的R2和RMSE與NDVI結(jié)果相當(dāng))，甚至一些指數(shù)模型所對(duì)應(yīng)的精度出現(xiàn)了明顯降低(如SRre所對(duì)應(yīng)的R2和RMSE分別為0.53和274 g·m-2，精度遠(yuǎn)低于SR對(duì)應(yīng)的0.70和238 g·m-2)，可能原因是植被的紅邊特征(705 nm)對(duì)于水分的變化敏感性差，而在本試驗(yàn)中水分是牧草濕生物量的重要主導(dǎo)因素。

不同模型預(yù)測(cè)值與實(shí)測(cè)值1∶1關(guān)系如圖2所示，不同指數(shù)模型均一定程度上受到“過飽和”問題的影響，當(dāng)模型達(dá)到飽和點(diǎn)時(shí)，預(yù)測(cè)精度大幅下降，植被指數(shù)對(duì)牧草生物量變化的敏感性減弱(如圖2所示，當(dāng)NDVI模型中實(shí)測(cè)值到達(dá)700 g·m-2左右時(shí)，樣本點(diǎn)數(shù)據(jù)明顯偏向1∶1等值線右側(cè))，在牧草生物量累積較多時(shí)導(dǎo)致估算結(jié)果偏低。在單變量模型中，“過飽和”問題已成為制約植被高生物量估算準(zhǔn)確性的一個(gè)重要因素。

圖2 單變量植被指數(shù)模型交叉驗(yàn)證的預(yù)測(cè)值與實(shí)測(cè)值之間的1∶1關(guān)系圖

2.3 多元線性回歸

在多元線性回歸中，利用AIC準(zhǔn)則對(duì)植被指數(shù)進(jìn)行評(píng)估和特征波段選擇，選擇的特征波段及變量所對(duì)應(yīng)的模型貢獻(xiàn)占比如圖3所示。其中，反映植被水分含量的NDPI占比最大，達(dá)到了32.95%，且同樣反應(yīng)植被水分特征的NDII1與NDWI同樣占有較高比重(模型貢獻(xiàn)占比分別為12.63%和7.89%)，說(shuō)明多元線性回歸模型中水分對(duì)于生物量的變化起主導(dǎo)作用。其次反映植被綠度的指數(shù)(CIgreen，CIre，MTCI和NDVIre)在模型中貢獻(xiàn)占比和達(dá)到31.89%，說(shuō)明了植被綠度在生物量估算模型中效果僅次于植被水分。而反映植被蓋度(MTVI2，WDRVI)和消除大氣背景影響(EVI)的植被指數(shù)在模型中貢獻(xiàn)占比分別為9.75%，1.79%，相對(duì)于植被水分與綠度而言效果并不明顯，在模型中起到一定輔助作用。

圖3 不同植被指數(shù)的貢獻(xiàn)占比

表3 不同植被指數(shù)模型的精度對(duì)比

圖4 預(yù)測(cè)值與實(shí)測(cè)值的1∶1關(guān)系圖

2.4 隨機(jī)森林回歸

隨機(jī)森林回歸中，首先通過統(tǒng)計(jì)分析軟件R自帶的“random Forest”包進(jìn)行植被指數(shù)選擇，選擇的植被指數(shù)及其所對(duì)應(yīng)的模型貢獻(xiàn)占比如圖5所示。在該模型中共有13個(gè)植被指數(shù)入選，且各植被指數(shù)之間貢獻(xiàn)占比較為均衡。其中反映植被水分特征的指數(shù)NDWI占比最高，為10.4%，其他反映植被水分特征的指數(shù)均具有較高的占比(GVMI2和SR的模型貢獻(xiàn)率分別為7.61%和7.17%)，說(shuō)明植被水分在該模型中起關(guān)鍵作用。其次，反映植被葉綠素含量的指數(shù)(mNDVIre，NDVIre2，mSR，CIgreen，CIre)模型貢獻(xiàn)率和達(dá)到了39.24%，說(shuō)明牧草綠度/葉綠素含量變化對(duì)模型具有較大影響。此外，其他反映植被蓋度(WDRVI，MTVI2)、消除大氣背景影響(EVI2)、消除土壤背景影響(OSAVI)等因素的植被指數(shù)在生物量反演中同樣具有重要意義?？偟膩?lái)說(shuō)這些選取的植被指數(shù)組合從各個(gè)方面反映了植被的理化特征，進(jìn)而反映出牧草生物量狀態(tài)。這些入選指數(shù)間不僅僅是高相關(guān)性，還具有較好的互補(bǔ)性，能夠綜合的反映牧草的生物量狀況。

圖5 不同植被指數(shù)的貢獻(xiàn)占比

圖6 預(yù)測(cè)值與實(shí)測(cè)值的1∶1關(guān)系圖

2.5 牧草生物量反演及制圖

綜上分析，基于隨機(jī)森林回歸構(gòu)建的牧草生物量反演模型較單變量指數(shù)模型和多元線性模型具有明顯優(yōu)勢(shì)，因此將該方法應(yīng)用于整個(gè)研究區(qū)生物量反演制圖。剔除城區(qū)、道路和水域等非植被區(qū)域獲取的研究區(qū)生物量反演制圖結(jié)果如圖7所示。結(jié)果反映出研究區(qū)牧草生物量分布具有明顯的空間差異性。生物量最高的區(qū)域是優(yōu)質(zhì)牧草種植基地，同時(shí)遠(yuǎn)離城區(qū)的牧草生物量較高，而城區(qū)周邊的牧草生物量明顯較低，可能是由于城區(qū)周圍多為夏季牧場(chǎng)，牛羊放牧制約了牧草生物量的累積，此外旅游開發(fā)以及人為活動(dòng)也會(huì)在一定程度影響牧草的生長(zhǎng)。

圖7 研究區(qū)牧草生物量估算結(jié)果圖

3 討論

通過模型對(duì)比發(fā)現(xiàn)：隨機(jī)森林模型和多元線性回歸模型精度明顯高于單變量指數(shù)模型，其中隨機(jī)森林模型精度最高。由于單變量指數(shù)模型只運(yùn)用單個(gè)表示某一特征的植被指數(shù)進(jìn)行建模，未充分利用Sentinel-2數(shù)據(jù)豐富的光譜信息，容易造成重要信息的丟失。同時(shí)單變量模型容易受到“過飽和”問題影響，對(duì)于高蓋度區(qū)域牧草生物量的估算結(jié)果較差[15]；多元線性回歸模型集合了多個(gè)指數(shù)特征，在一定程度上提高了模型精度，但其由于受到共線性問題的影響，制約了模型普適性和穩(wěn)定性[34]；隨機(jī)森林模型可以綜合不同含義的變量特征，且有效緩解“過飽和”與共線性問題[35]，因此在所有模型中表現(xiàn)出了最優(yōu)的精度和穩(wěn)定性。很多研究利用該方法進(jìn)行水質(zhì)元素含量以及農(nóng)作物、牧草理化參量的估算并取得了較好的效果[36-37]。

通過入選波段對(duì)比發(fā)現(xiàn)：?jiǎn)巫兞磕Ｐ椭蠧Igreen和NDWI指數(shù)與牧草生物量具有最優(yōu)的擬合關(guān)系。同樣，多元線性模型和隨機(jī)森林模型的入選變量中也包含CIgreen和NDWI指數(shù)。另外，多元回歸模型中相同的入選波段還包括CIre，MTVI2，GVMI2，WDRVI，NDVIre(NDVIre2)和EVI(EVI2)。說(shuō)明一些關(guān)鍵的指數(shù)在牧草生物量估算研究中具有普適性，這些具有普適性的指數(shù)從葉綠素含量、水分含量、植被蓋度和消除影像背景噪聲等方面反映了牧草的理化特征，進(jìn)而反映出牧草生物量狀態(tài)。而其他入選波段的差異性則說(shuō)明不同模型對(duì)于特征變量的綜合能力存在差異。此外，本文的研究結(jié)果表明，無(wú)論是單變量模型還是多變量模型，植被指數(shù)和生物量非線性擬合模型精度高于線性擬合，這可能是由于受到“過飽和”問題的影響，隨著生物量的增加，植被指數(shù)的敏感性逐漸下降。

4 結(jié)論