|
|
||
|
基于Sentinel-2数据的草地植物功能多样性遥感反演及其与生产力的关系
植物生态学报
2022, 46 (10):
1234-1250.
DOI: 10.17521/cjpe.2022.0104
生物多样性与生态系统功能的关系是当前生态学研究的焦点和难点。植物功能多样性是影响生态系统功能的重要指标, 开展植物功能多样性的研究对了解生物多样性与生态系统功能之间的关系有着重要意义。传统的草地植物功能多样性研究多以实地调查为主, 不仅费时费力, 而且由于受到时空的限制, 很难拓展到大尺度的研究中。遥感技术的发展为评估草地功能多样性提供了一种经济、有效的手段。该研究选取内蒙古自治区锡林郭勒盟乌拉盖管理区草甸草原为研究区, 利用Sentinel-2卫星影像和野外实测数据, 选取了波段及植被指数等46个特征变量, 探讨了逐步回归、偏最小二乘法(PLSR)和随机森林(RFR)等3种不同方法对草地植物功能丰富度(FRic)、功能均匀度(FEve)和功能离散度(FDiv)的反演精度, 并基于PLSR反演草地地上生物量, 进一步分析了研究区功能多样性与生产力的关系。研究结果表明: (1)波段B11、优化型土壤调节植被指数(OSAVI)、水波段指数(WBI)对FRic解释度最高; 波段B6、B10、B12、类胡萝卜素反射指数1 (CRI1)、双峰光学指数(D)、归一化差值指数45 (NDI45)等6个特征变量对FEve解释度最高; 波段B5、B9、B10、B11、加权差分植被指数(WDVI)、凸包面积等对FDiv解释度最高; (2)基于十折重复交叉验证, 利用逐步回归估算的FRic和FEve反演精度远高于其他两种回归方法, R2分别为0.52和0.44; 而利用PLSR方法估算的FDiv反演精度最高(R2 = 0.61); (3)群落地上生物量反演精度为R2 = 0.61; FRic与地上生产力的关系最好(R2 = 0.40), 其次为FDiv (R2 = 0.28)和FEve (R2 = 0.27)。研究发现, 基于Sentinel-2卫星影像能较好地反演草地功能多样性和生产力, 为下一步能在大尺度上进行草地功能多样性估算及其与生产力关系研究提供了参考和依据。  View image in article
图1
内蒙古锡林郭勒盟乌拉盖管理区草甸草原研究区采样点位置(A)及样方布设示意图(B)。B中蓝色框为1 m × 1 m小样方; 红色框为小样方中心1/4的面积; 绿色框为10 m × 10 m样方组成方式。NDVI, 归一化植被指数。
正文中引用本图/表的段落
本研究在内蒙古自治区锡林郭勒盟乌拉盖管理区草甸草原(图1)进行。该地区位于锡林郭勒盟东北部, 地处锡盟、兴安盟、通辽市交界地带, 南临霍林郭勒市, 东北与阿尔山市接壤, 介于118.73°-119.83° E, 45.48°-46.63° N之间, 全区总面积5 013.67 km2, 为半湿润半干旱大陆性气候, 海拔在855.1-1 334.9 m之间, 四季交替明显, 昼夜温差大。年平均气温-0.9 ℃, 10 ℃及以上年有效积温1 900-2 100 ℃, 年日照时间2 700 h, 日照百分率61%, 年降水量342 mm, 多集中于6-8月。主要草种有北柴胡(Bupleurum chinense)、麻花头(Klasea centauroides)、羊草(Leymus chinensis)、细叶沙参(Adenophora capillaris subsp. paniculata)、蒙古韭(Allium mongolicum)、黄芩(Scutellaria baicalensis)等。
于2020年7-8月在乌拉盖管理区内开展群落和物种调查, 在研究地选取不同植被覆盖度的样地共6个(图1A)以提升模型的准确性。在每个样地布设2-5个30 m × 30 m的大样方, 在大样方对角线1/4及中点处布设1 m × 1 m的小样方共5个(图1B), 同时在每个小样方中心1/4的面积进行物种调查, 记录出现的物种名称、个数、高度并将其剪下, 共获得95组样方数据。然后将每个样方中的小样方按图中所示的方式组合成4个10 m × 10 m的样方, 以便与Sentinel-2像元数据匹配, 共得到76个样方的数据。用Trimble Pro 6H GPS系统(Trimble, Sunnyvale, USA)记录每个30 m × 30 m、10 m × 10 m及1 m × 1 m样方四角的GPS位置(差分处理后水平误差为10 cm)。
随机森林最早是由Leo Breiman在2001年提出, 并经Adele Cutler等(Cutler & Zhao, 2001; Cutler & Stevens, 2006)修改完善的一种由决策树构成的集成算法, 可以解释若干个自变量对因变量的作用。本研究通过随机森林回归算法构建了基于图像的草地功能多样性反演模型, 分为如下几步: (1)通过自助法(bootstrap)重采样技术, 从原始样本S中随机选取m (m < S)个样本点, 得到S1……Sn个训练集, 再利用每个训练集生成对应的决策树, 测试样本为每次重采样中未被抽到的样本所构成的袋外数据(OOB); (2)随机选取一定数量的候选特征, 从中选择最适合的特征作为分裂节点; (3)重复步骤(2)直到不能被分裂; (4)生成的决策树就构成了随机森林回归模型, 其中每一个决策树最终的预测结果为该样本点到叶节点的均值, 随机森林最终的预测结果为所有决策树预测结果的均值。回归的精度评价采用OOB预测的残差均方表示如下:
本文的其它图/表
|
