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

图4 草地地上生物量预测模型及变量相对重要性。蓝色实线代表逐步回归模型(A)的拟合线, 绿色实线代表随机森林模型(B)的拟合线, 灰色虚线为1:1线, 对应模型的决定系数(R²)和均方根误差(RMSE)在左上角进行标示。模型变量重要性: 逐步回归模型(C), 随机森林模型(D)。条柱旁边的数字代表变量对应的相对重要性, 冒号连接的变量代表变量间的交互作用; 逐步回归模型的变量重要性来源于不同变量对R²的贡献, 随机森林模型的变量重要性来源于均值递减精度的方法。CV, 高度变异系数; FVC, 植被覆盖度; h_mean, 植被平均高度; h_max, 植被最大高度; h_min, 植被最小高度; H', 香农-维纳多样性指数; LAI, 叶面积指数。

正文中引用本图/表的段落

此外, 本研究使用交叉验证, 对每个模型的泛化能力表现进行了评估(Stone, 1977)。首先, 对所有样本进行多次随机抽样, 依次随机抽取70%、72%、74%、76%、78%、80%的样本用于模型训练, 剩余样本作为测试样本对训练模型进行验证。然后, 通过计算预测生物量和实测生物量之间的R2和RMSE来评估模型的泛化能力(附录图A-N)。以上所有分析均由R 4.0.5软件实现。

使用LAI、植被平均高度、植被覆盖度、植被最小高度、植被最大高度、物种丰富度、香农-维纳多样性指数、植被高度变异系数及样方植物含水量, 以及LAI、植被平均高度和植被覆盖度三者的交互作用项, 建立逐步回归模型。通过逐步回归筛选的最优模型对地上生物量的预测精度可达到91%, 模型的RMSE = 35.60 g·m-2 (图4A), 最优模型如下:

两模型的相对重要性分析结果表明, LAI、植被覆盖度和植被平均高度是影响地上生物量的主要调控因子(图4C、4D)。逐步回归模型中, 各变量及其变量间的交互作用共同解释了地上生物量变异的91%, 其中单个变量贡献了模型全解释度的90% (图4A、4C)。

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

• 图1 数码相机获取的原始植被图片(A)和ENVI处理后的植被图片(B)。B中绿色区域为植被区域, 浅色区域为非植被区域。
  
• 图2 草地地上生物量估算中各变量的相关矩阵。每个方框内的椭圆颜色和尺寸大小代表变量间的相关方向和程度, 蓝色代表正相关, 红色代表负相关, 颜色越深代表相关性越强。AGB, 地上生物量; CV, 高度变异系数; FVC, 植被覆盖度; H', 香农-维纳多样性指数; h_max, 植被最大高度; h_mean, 植被平均高度; h_min, 植被最小高度; LAI, 叶面积指数; MC, 含水量; richness, 物种丰富度。*, p < 0.05; ***, p < 0.001。
  
• 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。