基于机器学习算法的天祝藏族自治县草地地上生物量反演

使用机器学习算法快速、准确、大范围监测草地地上生物量（AGB）是目前研究热点，但不同机器学习算法因训练样本、超参数设置不同而存在较大差异。基于实测草地AGB和同期遥感数据、气象数据、地形数据，选择与草地AGB相关性较强的13个因子作为深度神经网络 （DNN）、随机森林算法（RF）、梯度提升回归树（GBRT）、支持向量机（SVR）、人工神经网络（ANN）和高斯过程回归（GPR）算法的输入变量，建立草地AGB预测模型并从模型预测精度、稳定性、样本敏感性等方面综合评价6种模型应用潜力，分析2020年天祝藏族自治县生长季（4-9月）内草地AGB时空变化特征及其对气候的响应。结果表明：1）DNN估算草地AGB的综合性能最佳，但稳定性较差，对样本敏感性较高；GPR综合性能次于DNN，稳定性和精度均较好；GBRT、RF模拟精度较高，稳定性差；SVR和ANN精度相对其他模型较差，SVR稳定性较高，ANN稳定性较差。2）天祝藏族自治县草地AGB集中在50~250 g·m^-2，不同月份草地AGB空间异质性较大，整体表现为从西北向东南呈下降趋势。3）山地草甸、高寒草甸和温性草原中的AGB变化与气温表现出较为明显的正相关关系。降水量对高寒草甸、温性草原和山地草甸的影响不明显，但对温性荒漠草原类的影响较大，AGB随降水量减少呈现减少态势。以上研究结果可为监测草地生物量的方法选择和参数设置提供一定技术支持和参考依据。     

基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究

草地地上物生物量(AGB)是评价草地生产力的重要指标，精准反演天然草地的AGB，对草地长势监测和草畜平衡评估具有重要的意义。由于常用的遥感数据(如Landsat和MODIS等)受较低时间或空间分辨率引发的诸多问题的影响，因此探索具有更高时空分辨率及更多光谱波段的Sentinel-2卫星数据在县域尺度的草地植被监测状况具有极其重要的作用。利用Sentinel-2卫星遥感影像和青海门源县实测草地AGB数据，构建了基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)3种机器学习方法的草地生物量估算模型，研究了2019-2021年门源县天然草地生物量时空分布特征。结果表明：1)Sentinel-2卫星影像的3个原始波段(B2、B6、B11)和2种植被指数[反红边叶绿素指数(IRECI)和特定色素简单比值植被指数(PSSRa)]，是草地AGB敏感的特征变量。其中，红边波段(B5、B6、B7)对天然草地AGB遥感反演具有重要作用。2)基于RF算法的草地AGB估测模型是门源县天然草地生物量估测的最优模型(验证集R2为0.72,RMSE为622.616 kg·hm-2)，优于SVM模型(...     

不同机器学习算法在草原草地生物量估算上的适应性研究

准确估算草地地上生物量(Aboveground biomass，AGB)对于科学调整草畜关系、保护生态环境和实现草地资源的可持续发展具有重要意义。本文以锡林郭勒盟不同草地类型为研究对象，基于遥感数据、气象数据和数字高程模型数据，利用支持向量机(Support vector machines,SVM)、BP神经网络(BP neural networks,BP)和随机森林(Random forest,RF)三种机器学习算法建立AGB估算模型，评估三种机器学习算法模型估算AGB的潜力。精度验证结果表明，在研究区内不区分草地类型整体建立估算模型时RF算法的回归精度最高(R=0.88，RMSE=0.10，MSE=0.01，MAE=0.07)。SVM算法建立的模型在草甸草原和荒漠草原回归精度较高，而RF算法回归能力在典型草原具有相对优势。不同特征变量对估算AGB的贡献分析结果表明，植被覆盖度(Fractional vegetation cover,FVC)、归一化植被指数(Normalized difference vegetation Index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)和降水量(Precipitation,PRCP)四个变量对AGB估算结果的影响较大。本文研究结果为干旱/半干旱区草地地上生物量估算精度的提高和方法的选择提供科学建议。     

基于Landsat 8和随机森林的青海门源天然草地地上生物量遥感估算

草地地上生物量（above-ground biomass, AGB）的遥感监测可快速且客观地对草地生长现状进行评估,对生态环境评价和草地资源利用有重要意义。为了提高遥感估算草地AGB的准确性,基于青海省门源县的地面实测数据,利用Landsat-8 OLI遥感数据计算出的植被指数分别构建了单因素回归模型和随机森林模型（random forest, RF）,确定了AGB遥感估测最佳模型,并反演得到了研究区2019-2021年草地AGB空间分布。结果表明：1）在29个植被指数构建的单因素回归模型中,与草地AGB相关性较高的5个植被指数为NDVI、RBNDVI、TVI、GNDVI、MSR,R²均达0.49以上。其中,NDVI模型的精度最高,验证集R²为0.50,均方根误差（root mean square error, RMSE）为702.89 kg·hm^-2。2）在RF模型中,变量筛选前R²=0.61,RMSE=621.14 kg·hm^-2;经过变量筛选后模型精度有小幅度提升,R²达0.62,RMSE基本不变;二者精度均优于单因素模型,相比传统单因素最优回归模型,R²提高0.12,RMSE降低了80.95 kg·hm^-2。3）门源县AGB空间分布特征为西北部较高,东南部相对较低;大体呈中部高,四周低的分布状况。2019-2021年全县天然草地总产草量介于4.2827万~8.9776 万t,平均单产介于1063.49~1484.82 kg·hm^-2;草地类型以高寒草甸为主,2019-2021年产草量为4.0825万~5.6653 万t,平均地上AGB介于1060.38~1471.94 kg·hm^-2;山地草甸平均AGB为1036.81~1637.43 kg·hm^-2;温性草原平均AGB介于1198.72~1786.63 kg·hm^-2。     

基于STARFM的草地地上生物量遥感估测研究——以甘肃省夏河县桑科草原为例

遥感数据具有实时、动态、大范围等特点,在草地资源监测与管理研究中获得了广泛应用。然而,单一的遥感植被指数无法同时满足草地地上生物量观测中时空分辨率的需求。因此,本研究基于时间序列Landsat NDVI和MODIS NDVI数据,结合时空融合算法（spatial and temporal adaptive reflectance fusion model, STARFM）,生成了2000-2016年高时空分辨率的植被指数数据集（NDVI_STARFM,时间分辨率为16 d,空间分辨率为30 m）,并基于2013-2016年地面实测草地地上生物量数据,构建了夏河县桑科草原高寒草地地上生物量遥感反演模型,分析了2000-2016年研究区草地地上生物量生长状况和变化趋势。结果表明：1）基于NDVI_STARFM的最优估测模型为乘幂模型,其R²为0.58,均方根误差（root mean square error, RMSE）为795.62 kg·hm^-2,模型的表现能力次于Landsat NDVI最优估测模型（R²=0.76,RMSE=634.83 kg·hm^-2）,而优于MODIS NDVI最优估测模型（R²=0.24,RMSE=937.79 kg·hm^-2）;2）基于NDVI_STARFM最优估测模型对各样区草地地上生物量总产的估测精度优于MODIS NDVI而次于Landsat NDVI,总体精度达84.05%;3）2000-2016年来,夏河县研究区草地地上生物量总体呈现增加趋势,其中90%左右的区域年增量大于30 kg·hm^-2,草地地上生物量呈现减少趋势的区域仅占2.30%。     

基于Landsat 8 OLI和MODIS数据的高寒草地盖度升尺度效应研究——以夏河县桑科草原试验区为例

基于Landsat 8OLI和MODIS卫星遥感资料,结合2013-2014年甘南州夏河县桑科草原试验区野外实测盖度数据,对草地盖度敏感的OLI波段及其组合指数进行了筛选,构建并确立了试验区基于MODIS植被指数的草地盖度反演模型,探讨了不同空间升尺度方式对草地盖度的空间效应。结果表明,1)OLI比值植被指数r(Band7/Band5)对草地盖度的响应最敏感,基于该指数的草地盖度最优反演模型为yoli=-270.064xoli+115.987(R2=0.833,P0.001);2)基于MODIS MEVI和Landsat 8OLI比值植被指数r(30m)反演的盖度重采样数据(250m)的对数模型为最优草地盖度评估模型(R~2=0.795,P0.001),其决定系数较MODIS MEVI与基于农业多光谱照相机(agricultural digital camera,ADC)的盖度数据建立的回归模型高(R~2=0.706),绝对误差和相对误差较低;3)基于OLI和MODIS植被指数的3种草地盖度回归模型(方法1~3)精度均优于直接使用MODIS植被指数建立的回归模型(方法4);方法3利用OLI比值指数r反演盖度(30m),将其升尺度至250m,再反演盖度构建的对数模型的精度最高(R~2=0.795),其次依次为方法2构建的模型(R2=0.760)、方法1构建的模型(R~2=0.730)和方法4构建的模型(R2=0.706)。     

基于无人机大样方数据及国产卫星反演草地植被覆盖度方法研究

受开垦、采矿等人类活动影响,草原出现退化甚至沙化,监测其植被覆盖度对于揭示草地的分布状况与空间变化规律具有重要意义。本文以无人机大样方数据与国产高分一号（GF-1）数据作为数据源,结合野外同步数码相机获取的数据,应用支持向量机（Support vector machine,SVM）构建不同数据源之间的植被覆盖度反演模型（数码相片—无人机大样方数据植被覆盖度估算模型,无人机大样方数据—GF-1数据植被覆盖度估算模型）,探讨国产GF-1卫星结合无人机大样方估算草原植被覆盖度的方法。结果表明,基于SVM模型的GF-1数据结合无人机大样方计算的土壤调节植被指数（Soil-adjusted vegetation index,SAVI）具有较高的精度（判定系数R²=0.97,相对分析误差RPD=4.86,均方根误差RMSE=3.23）,因此基于无人机大样方数据结合GF-1数据可以准确、快速地反演草地覆盖度,利用这种方法可以估算整个草原的植被覆盖度。     

基于MODIS的青藏高原牧草生长季草地生物量动态

摘要：草地生物量是评价青藏高原生态脆弱性和敏感性的重要指标,也是度量草地退化的重要指标。本研究利用MODIS植被指数NDVI和EVI资料及青藏高原三江源地区326个样方实测数据,构建并优化了研究区不同类型草地生物量的预测模型,估算了2002-2009年期间草地生物量年际和月际变化特征。结果表明,高寒草甸地上生物量适宜植被指数为NDVI,反演模型为,y=6.202 5x2-574.89x+14 586,高寒草原地上生物量适宜植被指数为EVI,反演模型为,y=0.165 5x1.773 2。高寒草甸和高寒草原生物量在2002-2009年表现为波动状态,但高寒草甸比高寒草原波动幅度大。高寒草甸和高寒草原生物量在6-8月间均持续增加,9月开始下降,但7月高寒草原生物量波动大于高寒草甸,8月高寒草原生物量波动小于高寒草甸,6月和9月两种草地类型生物量波动不明显。     

基于多源遥感数据的高寒草地生物量反演模型精度——以夏河县桑科草原试验区为例

基于MODIS、Landsat-8 OLI和HJ-1A/1B CCD卫星遥感资料,结合2013-2014年甘南州夏河县桑科草原试验区野外实测数据,建立了高寒草地地上生物量遥感反演模型,筛选出基于不同遥感资料植被指数的生物量最优反演模型,比较分析了生物量最优模型的空间效应。同时,分析了2000-2013年基于MODIS植被指数估算的试验区产草量的年际变化特征。结果表明,草地生物量最优反演模型为基于Landsat-8 OLI NDVI数据的对数模型(y=727.54lnx1+495.23,R2=0.772,RMSE=31.333 kg DM·hm-2);在30和250 m空间分辨率下,基于MODIS NDVI及EVI、Landsat-8 OLI NDVI和HJ-1A/1B CCD NDVI最优模型估算的生物量均高于实测生物量,其中Landsat-8 OLI NDVI数据估算的草地生物量与实测生物量值最接近;2000-2013年试验区草地总生物量整体上具有显著增加的趋势(R2=0.590 7,P0.001),平均增加速率达50.57 kg DM·hm-2·a-1。     

基于ADC和MODIS遥感数据的高寒草地地上生物量监测研究——以黄河源区为例

利用2015-2016年8月采集的黄河源区草地生物量数据和MODIS卫星遥感资料,结合农业多光谱相机(agricultural digital camera,ADC)获取的植被指数数据,比较分析3种_(ADC)植被指数(NDVI_(ADC)、SAVI_(ADC)和GNDVI_(ADC))与野外实测草地地上生物量(above-ground biomass,AGB)数据的相关性,筛选出适合构建草地AGB反演模型的_(ADC)植被指数;结合MODIS NDVI(记作NDVIMOD)构建草地地上生物量反演模型,采用留一法交叉验证方法评价各模型精度,确立适宜模拟研究区草地AGB的最优模型;并利用NDVI_(ADC)校正NDVI_(MOD),获得高分辨率、高精度的草地AGB遥感监测改进模型。结果表明,1)基于_(ADC)获取的3种植被指数中,NDVI_(ADC)与高寒草地地上生物量关系最为密切,其次为SAVI_(ADC),拟合效果最差的是GNDVI_(ADC);2)基于NDVI_(ADC)建立的草地AGB监测模型的精度(RMSEP介于383.55~393.18kg DW/hm2;r范围为0.65~0.66)远高于NDVI_(MOD)的模型精度(RMSEP介于421.08~427.00kg DW/hm~2;r范围为0.55~0.58),NDVI_(ADC)反演得到的草地AGB更接近于黄河源区草地实际生物量,且相较于NDVI_(ADC),NDVI_(MOD)的样本值整体偏高;3)在NDVI_(ADC)构建的4类模型中,线性和乘幂模型模拟研究区草地AGB的能力较好,但线性模型精度更高(y=3248.93×NDVI_(ADC)-305.59,RMSEP=383.55kg DW/hm~2,r=0.66),该模型为黄河源区草地生物量的估测提供了一个新型且易操作的方法;4)NDVI_(ADC)与NDVIMOD相关性较高,利用NDVI_(ADC)校正NDVI_(MOD)可以改进草地AGB遥感反演模型,优化模型为y=2455.54×NDVI_(MOD)-301.69。该模型可在大尺度范围内估测黄河源区的草地生物量,且模型精度接近于地表测量法的监测精度。     

西藏典型草地地上生物量季节变化特征

采用高寒草甸、高寒草原、高寒沼泽化草甸和温性草原4种西藏高原典型草地类型地上生物量定点观测数据,分析其地上生物量季节动态变化特征和生长规律。结果表明,高寒沼泽化草甸地上生物量最高,其中围网草地年均地上生物量达384.45 g·m-2,比无围网草地地上生物量高73%,且是温性草原类草地生物量的6倍,是高寒草甸和高寒草原类草地的12~14倍,与自由放牧相比,围栏禁牧措施可以明显提高草原地上生物量,是改良退化草地最有效的措施之一;温性草原草地生产力大于高寒草甸和高寒草原,城市附近山地草地生物量明显大于远离城市的地区,表明城市化进程降低了天然草地放牧强度,是恢复退化草地生产力的有效途径之一;属半干旱气候类型的西藏高原中部,降水是制约草地植被生长的主要因子;草地地上生物量的绝对增长速率和相对增长速率季节动态均在生物量达到高峰期前为正增长,之后为负增长。区域水热条件差异及其季节性变化导致了不同草地类型或同一类型不同区域的草地最快生长期出现的时间存在一定差别。     

基于CASA模型和MODIS数据的甘南草地NPP时空动态变化研究

植被净初级生产力(net primary productivity, NPP)在全球气候变化及碳循环研究中扮演着重要的角色,精准快速的估算NPP对评估区域生态系统承载力以及合理利用自然资源具有重要的意义。利用2011-2014年甘南地面实测草地地上生物量(aboveground biomass, AGB)数据和根冠比系数计算的草地NPP数据,分别验证了MOD17A3 NPP产品和基于CASA(Carnegie-Ames-Stanford approach)模型估算的草地NPP的精度,分析了2000-2016年甘南地区草地NPP的时空动态变化。结果表明:基于CASA模型模拟的草地NPP精度整体上高于MOD17A3 NPP产品的精度,其均方根误差(root mean square error, RMSE)较MOD17A3 NPP小9.94 g C·m^-2;CASA模型分析的甘南地区草地NPP总体上呈现由西南向东北逐渐减少的趋势;对不同草地类型而言,沼泽类的平均NPP最高(469.07 g C·m^-2),温性草原类最低(324.18 g C·m^-2),而占研究区草地总面积比例较大的高寒草甸类和高寒灌丛草甸类草地的平均NPP分别为449.22和465.27 g C·m^-2;2000-2016年间,甘南地区大部分草地NPP稳定不变,其面积占研究区草地总面积的75.31%,NPP呈增加趋势的区域占草地面积的22.63%,而NPP呈减少趋势的区域占比最小,仅为2.06%。以上研究结果表明CASA模型在高寒地区草地NPP评估、草地资源合理利用与管理方面具有重要的应用价值。     

黄河源区高寒草甸群落高度遥感模拟与评价

草层高度是反映草地生长状况的重要指标之一,与草地地上生物量的监测及载畜力的评估具有紧密联系。目前,对我国天然草地群落高度的监测尚缺乏精确的遥感方法。本研究以黄河源区高寒草甸为研究区,分别基于MODIS植被指数、冠层高度模型以及草地冠层高光谱反射率,构建了高寒草甸草地群落高度的估算模型,并对模型精度进行了评价。结果表明,1)12种MODIS植被指数中,NDVI对草层高度的变化最为敏感,其4种回归模型的R~2均较低,介于0.203~0.241,NDVI指数模型(y=0.789e~(3.186x),R~2=0.241)的拟合效果最好,但反演误差较大(RMSE=4.2cm,CVRMSE=45.7%);2)冠层高度模型在黄河源地区高寒草甸试验区的反演精度较低(RMSE=5.8cm,CVRMSE=62.1%),实际应用误差较大;3)高寒草甸群落高度与519.4-583.17nm波段之间的冠层光谱反射率存在显著负相关关系(P0.05),基于光谱位置变量R′510.59的线性模型(y=~(-1)56.375x+20.384)相对最优(R~2=0.489,RMSE=3.5cm),较适合反演高寒草甸群落的草层高度。     

甘南州高寒天然草地生长状况遥感监测

以甘南州高寒天然草地为研究对象,利用2016?2019年草地地上生物量实测数据和MOD13Q1植被指数产品,构建了甘南州草地地上生物量遥感反演模型,分析了近20年(2000?2019年)甘南州高寒天然草地地上生物量的时空分布特征。结果表明：1) MODIS EVI植被指数适宜于甘南州高寒天然草地地上生物量变化监测研究,模型决定系数R2 = 0.524 9,均方根误差RMSE = 527.9 kg·hm?2;2) 20年间甘南州高寒草甸和山地草甸的地上生物量均呈增加趋势,而沼泽类草地地上生物量呈减少趋势;3) 近20年来甘南州草地呈现出整体恢复、局部恶化的趋势,全州66.04%的草地呈稳定或恢复趋势,33.96%的草地地上生物量呈减少趋势,其中18.08%的草地呈持续性恶化趋势。研究结果为甘南州草地植被动态监测和高寒草地退化修复提供了数据支持。     

甘南州高寒天然草地生长状况遥感监测

以甘南州高寒天然草地为研究对象,利用2016-2019年草地地上生物量实测数据和MOD13Q1植被指数产品,构建了甘南州草地地上生物量遥感反演模型,分析了近20年(2000-2019年)甘南州高寒天然草地地上生物量的时空分布特征.结果表明:1)MODIS EVI植被指数适宜于甘南州高寒天然草地地上生物量变化监测研究,模型决定系数R2=0.5249,均方根误差RMSE=527.9 kg·hm-2;2)20年间甘南州高寒草甸和山地草甸的地上生物量均呈增加趋势,而沼泽类草地地上生物量呈减少趋势;3)近20年来甘南州草地呈现出整体恢复、局部恶化的趋势,全州66.04％的草地呈稳定或恢复趋势,33.96％的草地地上生物量呈减少趋势,其中18.08％的草地呈持续性恶化趋势.研究结果为甘南州草地植被动态监测和高寒草地退化修复提供了数据支持.     

基于XGBoost算法的草甸地上生物量的高光谱遥感反演

准确、高效获取草甸地上生物量信息,对牧区农牧业生产、草地资源管理、牧草可持续利用具有重要意义。本研究基于实地采集的牧草冠层光谱反射率及同期获取的地上生物量数据,运用互信息法分别分析了微分光谱、优化植被指数与草甸地上生物量的相关性,进一步构建了极限梯度提升（XGBoost）算法与不同阶光谱植被指数数据集的草甸地上生物量模拟估算模型,并与多元线性回归（MLR）和随机森林（RF）算法建立的模型进行对比。结果表明：对光谱反射率进行一阶、二阶微分与光谱植被指数变换协同应用,有助于提高冠层光谱与地上生物量的相关性;基于原始光谱植被指数与XGBoost算法构建的草甸地上生物量模拟估算模型效果最佳,均方根误差（RMSE）为140.26 g·m^-2,平均绝对误差（MAE）为97.20 g·m^-2,Nash效率系数（NSE）为0.81,一致性指数（d）为0.94,其次为基于RF算法构建的模型,MLR算法构建的模型精度较差。研究认为XGBoost算法可适用于草甸地上生物量模拟估算模型的建立,为快速准确的牧草高光谱遥感监测提供了技术和方法,为区域性草地高精度大面积生产力估算奠定了基础。