|
|
||
|
一种基于数码相机图像和群落冠层结构调查的草地地上生物量估算方法
植物生态学报
2022, 46 (10):
1280-1288.
DOI: 10.17521/cjpe.2022.0235
草地地上生物量是影响其生态系统功能最重要的因素之一, 也是草地生态学研究中不可或缺的监测指标。草地地上生物量监测多采用收割法进行, 但这种破坏性取样方法会对研究区域带来巨大干扰, 尤其是面积较小的长期定位监测或者控制实验研究样地, 从而使得地上生物量监测的频次受到很大限制。因此, 通过获取某些原位易测变量, 建立地上生物量的估算方法具有重要意义。该研究依托内蒙古典型草地刈割控制实验平台, 通过数码照片获取不同土地利用方式下的植被覆盖度, 并对样方内的叶面积指数、植被高度、物种多样性等参数进行了测定, 最后利用一元回归模型、逐步回归模型和随机森林模型对地上生物量进行估算。结果表明, 植被覆盖度、叶面积指数、植被平均高度、植被最大高度和物种丰富度是影响地上生物量的主要驱动因素。通过构建适宜于本地的逐步回归模型, 可以实现草地地上生物量的准确预测。在该研究区域中, 预测模型的决定系数(R2) = 0.91, 均方根误差(RMSE) = 35.60 g·m-2。该研究提供了一种快速、准确且非破坏性测定草地地上生物量的方法, 可作为传统收割法的有效补充。  View image in article
图3
草地地上生物量一元回归模型的预测结果。决定系数(R2)和均方根误差(RMSE)以对应的颜色显示。
正文中引用本图/表的段落
一元回归模型的预测结果显示, 植被参数在两种模型中对地上生物量的预测效果存在差异。在线性模型中, 对地上生物量预测能力最强的参数是LAI (R2 = 0.74, RMSE = 61.35 g·m-2)(图3A); 在指数模型中, 则是植被覆盖度对地上生物量的预测效果最好, R2高达0.84 (RMSE = 48.16 g·m-2)(图3B)。同时, 交叉验证结果显示, 此模型泛化能力也较强, 全部模型的R2?均大于0.7 (附录图D)。因此, 对于一元回归模型而言, 以植被覆盖度为自变量的指数回归模型是预测地上生物量的最优模型。
本研究发现, 当建立各变量与地上生物量的线性模型时, LAI对地上生物量的预测精度最高, 解释度可达到74% (图3A)。这是因为LAI可以较为准确地反映植被冠层的结构(Chen & Black, 1992), 且与植物群落光合能力密切相关, 因此最能反映草地生长状况和生物量(Wang et al., 2019)。此外, 一项对法国西部草地的研究发现LAI可以解释68%的地上生物量变异, 而植被覆盖度仅能解释50% (Dusseux et al., 2015)。本研究的线性模型模拟结果与其类似, 植被覆盖度的解释度仅为66% (图3B)。这是因为植被覆盖度与地上生物量存在非线性关系(Sanaei et al., 2019), 导致植被覆盖度在线性模型中对地上生物量解释度偏低。本研究发现在指数模型中, 植被覆盖度对地上生物量的预测能力显著提升, 且超过LAI对地上生物量的解释度(图3B)。因此, 就一元模型而言, 以植被覆盖度作为单一变量的指数模型对草地地上生物量的预测最为准确, 这一结果与先前的研究结果(Xu et al., 2020)基本一致。
本研究也发现当植被覆盖度较高时, 其指数模型与地上生物量的拟合度降低(图3B)。原因可能是: 植被覆盖度是单位面积内植被地上部分在地面的垂直投影面积占总面积的百分比(Gitelson et al., 2002), 它是水平面的二维投影, 所以对整个植被冠层的三维结构指示不足。随着植被覆盖度不断提高, 冠层结构内部出现重叠, 但垂直投影面积没有明显变化, 最终导致高植被覆盖度情况下对地上生物量的预测程度降低。因此, 针对植被覆盖度较高的草甸草原, 仅基于植被覆盖度的地上生物量预测将不准确, 需要引入更多相关变量来提高模型预测能力。
除植被覆盖度外, 逐步回归模型表明LAI、植被平均高度、植被最大高度和物种丰富度4个关键参数对地上生物量影响较大(图4C)。以往研究表明, LAI与草地地上生物量显著正相关(Wang et al., 2019); 在植被覆盖度的基础上加入植被高度这一变量后, 草地地上生物量预测模型拟合R2从43%上升至68%(Liang et al., 2016)。在本研究中, LAI、植被高度以及物种丰富度的加入, 同样使得模型对地上生物量的预测度提升, 其解释度由84%上升到91% (图3, 图4)。本研究进一步发现, 与植被最小高度和植被最大高度相比, 植被平均高度对地上生物量的预测效果更好(图4C、4D)。植被覆盖度表征植物群落的水平二维结构(Jacquemoud et al., 2009), 结合LAI和植被高度的信息, 能较好地表征植被冠层的三维特征, 准确指示草地样方的地上生物量状况。由LAI、植被覆盖度、植被平均高度、植被最大高度和物种丰富度构筑的逐步回归模型, 可以克服单一变量模型不够稳定、容易造成较大误差的缺点, 估算精度提高。在本研究中, 与应用广泛的机器学习模型相比, 逐步回归模型表现出更好的预测能力(图4A、4B), 原因可能是多元线性模型比机器学习模型更加适合样本量较少的回归分析(Abrougui et al., 2019)。
本文的其它图/表
|
