基于Sentinel-2和Landsat 8數據的天祝縣草地地上生物量遙感反演

黃家興， 吳 靜*， 李純斌， 秦格霞， 錢娟冰， 李懷海

(1.甘肅農業大學資源與環境學院， 甘肅 蘭州 730070； 2.甘肅省基礎地理信息中心， 甘肅 蘭州 730070)

草地資源在環境保護、發展畜牧業、維持生態系統平衡、碳匯方面有著重要作用[1-3]，氣候變化專門委員會第五次報告指出，全球幾乎所有地區都出現了地表溫度持續上升的現象，這將導致極端低溫事件的減少，極端高溫事件與極端降水事件的增加，從而引起生態環境較為脆弱地區的草地退化、草地畜牧業生產季節間的不平衡性等一系列問題[4]。草地地上生物量(Above-ground biomass，AGB)是反映草地長勢，評價生態系統再生能力，草原生態系統健康狀況和草地資源可持續利用狀況的關鍵指標，快速、準確、大范圍監測草地AGB對確定草地合理載畜量，確保草地生態系統安全具有重要意義[5-6]。

傳統草地AGB測量方法一般是通過齊地刈割、循環采樣等直接獲取方法獲得單點的草地AGB實測數據，準確度高，但費時費力，且在時間尺度和空間范圍上都有局限性。光學遙感數據因包含有價值的植被參數信息，能夠提供一種更方便的草地AGB監測方法，目前已被諸多學者應用在草地AGB的監測研究中[7-9]。目前大多數利用光學遙感數據監測草地AGB的研究均基于自然經驗法，即利用實測AGB與遙感觀測獲得的植被指數建立經驗函數關系式，進而獲得空間尺度的草地AGB分布數據，這些傳遞函數可以是線性的線性、指數和冪函數、多項式函數，也可以是非線性的機器學習算法[10-11]。這種經驗法受到現場觀測數據的代表性的制約，并且模型精度與選擇的遙感數據類型、采用的植被指數類型及選用的函數形式密切相關，用于具體區域草地AGB反演時還需要進行數據源、植被指數類型及函數形式的比較研究[12]。因采用較高分辨率遙感數據所需計算機存儲內存及數據處理的復雜性[13-14]，目前大尺度草地生物量遙感監測以空間分辨率較低的中分辨率成像光譜儀(Moderate resolution imaging spectroradiometer，MODIS)、全球檢測與模型組(Glaobal inventory modelling and mapping studies，GIMMS)等遙感數據為主，而較高分辨率的Landsat及更高分辨率的Sentinel-2應用不太廣泛[15]，且對兩種數據基于不同植被指數的生物量反演比較研究報道較少。Google Earth Engine(GEE)云計算引擎在全球范圍內可較為方便地實現并行處理遙感數據[16]，無需訪問超級計算機或專門的編程專業知識，也為利用較高分辨率遙感數據反演草地生物量提供了便利[17]。

本研究以天祝縣草地覆蓋區域為研究區，運用GEE云平臺，采用Landsat 8和Sentinel-2的反射率數據，分別計算歸一化差分植被指數(Normalized difference vegetation index，NDVI)，差值植被指數(Difference vegetation index，DVI)，綠色歸一化植被指數(Green normalized difference vegetative index，GNDVI)，比值植被指數(Rational vegetation index，RVI)、增強植被指數(Enhanced vegetation index，EVI)5種植被指數，與實測草地AGB建立反演AGB模型，并用均方根誤差、平均相對誤差和R2評估不同數據源、不同植被指數及不同模型草地AGB的反演精度，最后選取8月最佳AGB遙感反演模型，反演得到天祝縣草地覆蓋區域草地AGB空間分布狀況。研究可為推動較高分辨率的Landsat 8，Sentinel-2在大尺度草地AGB估算方面的應用，為研究區相關部門合理確定草畜平衡及利用草地資源提供方法與數據支撐。

1 材料與方法

1.1 研究區概況

天祝縣位于東經102°70′～103°46′、北緯36°31′～37°55′之間，地處河西走廊東端，青藏高原、黃土高原和內蒙古高原的交匯地帶；境內海拔2 040～4 874 m，地勢西北高，東南低，以山地地貌為主；年平均氣溫0.3℃，年降水量407.4 mm，主要集中在 7，8，9月，年蒸發量1 592 mm，是降水量的3.8倍；以烏鞘嶺為界，嶺南屬大陸性高原季風氣候，嶺北屬溫帶大陸性半干旱氣候。全縣東西跨度142.6 km，南北距離158.4 km，總面積7 149.8 km2，其中草地面積為2 310 km2，以旱生耐寒禾本科為主[18-19]。4種主要的草地類型分布見圖1。

圖1 研究區位置及采樣點示意圖

1.2 數據來源及預處理

1.2.1樣地選取與處理 根據天祝縣草地類型分布特點、草地利用方式、利用強度、管理制度等方面的綜合評估，于2020年6，7，8月下旬在不同類型、不同蓋度且地勢平坦、草地優勢草種比較單一、空間分布均勻、面積大于100 m×100 m的草地試驗樣區內進行野外數據采集。樣地大小為10 m×10 m，每個樣地內按5點法布設樣方(1 m×1 m)(圖2)，以中心點作為第一個樣方，4個角點為其余4個樣方。實測時使用GPS記錄樣地經緯度，并詳細記錄實測點海拔、地形、優勢種、株高、植被覆蓋度、坡度、坡向。草地AGB采用收獲法將樣方內草地所有綠色部分用羊毛剪齊地面剪下，稱其鮮重后在實驗室內置于105℃溫度下殺青，采用65℃烘干至恒重，獲得每個樣方的草干重，最后采用5個樣方的平均值作為10 m×10 m樣地的草地AGB。

圖2 采樣點分布圖

剔除樣方數據中表現異常的數據，共確定采樣數據64個，其中AGB最大值為418.7 g·m-2，最小值為14.25 g·m-2，平均值為146.29 g·m-2。所有樣方的AGB值處于中國北方溫帶草原AGB的50.0～707.5 g·m-2范圍內[20]，與以往研究一致。

1.2.2遙感影像數據來源及預處理 研究中采用的植被指數數據由Google Earth Engine(GEE)平臺提供的30 m空間分辨率的Landsat 8地表反射率產品和10 m空間分辨率的Sentinel-2地表反射率產品計算得到。選取2020年6—8月遙感數據，以保證與地面觀測數據同期。為保證遙感數據的質量，計算植被指數之前的反射率數據均通過去云函數去除云量的影響，并利用qualityMosaic()函數合成與地面同一觀測期內的一期無云且代表植被最好生長狀態的地表反射率影像[17]。

1.3 研究方法

1.3.1植被指數計算方法 5種植被指數包括：歸一化植被指數(NDVI)、差值植被指數(DVI)、比值植被指數(RVI)、增強型植被指數(EVI)和綠度植被指數(GNDVI)。計算公式分別為：

(1)

DVI=NIR-R

(2)

(3)

(4)

(5)

式中，NIR代表遙感數據的近紅外波段，R代表紅光波段，BLUE代表藍光波段，GREEN代表綠光波段[21-22]。

1.3.2統計分析與精度評價 根據野外調查樣方的經緯度坐標，提取對應像元的植被指數值，與草地干重生物量生成數據集，用于草地干重生物量與各植被指數之間的相關性分析，并利用SPSS軟件得到各植被指數與草地干重生物量的模擬模型。在64個實測樣本中，選取45個樣本建立模型，另外19個樣本對建立模型精度進行驗證。

模型精度評價采用均方根誤差(RMSE)、決定系數(R2)和平均相對誤差(MRE)來評價反演值與實測值的一致性[3]。精度評價指標的計算公式如下：

(6)

(7)

2 結果與分析

2.1 植被指數與草地AGB的相關性分析

草地AGB實測值與基于Landsat 8計算的各植被指數間的相關性如表1所示。

表1 Landsant 8遙感數據生物量干重與植被指數相關性分析

草地實測AGB與基于Sentinel-2遙感數據建立的各種植被指數的相關性(P<0.01)見表2。

表2 Sentinel-2遙感數據生物量干重與植被指數相關性分析

從總體來看，Landsat 8與Sentinel-2遙感數據提取的植被指數與草地實測AGB之間均存在顯著相關性(P<0.01)，相關系數均在0.6以上，因此，可以基于植被指數與實測草地AGB建立經驗模型用于草地AGB的遙感反演上。從各個月份的各種植被指數與AGB的相關性來看，總體上Sentinel-2數據表現更好，說明空間分辨率對植被指數與草地AGB的相關性有影響。

2.2 草地AGB估算模型構建與應用

利用統計軟件建立草地AGB與不同植被指數估算模型，建立的所有模型均通過顯著性檢驗(表3，4，5)。

表3 6月草原干重生物量估算模型

Sentinel-2數據6月份以RVI建立的模型擬合效果最好，模擬精度最高為二次曲線回歸模型(R2=0.905 6)；7月份以DVI建立的模型效果最好，精度最高為二次曲線回歸模型(R2=0.574 0)；8月份以GNDVI建立的模型效果最好，模擬精度最高為指數模型(R2=0.698 3)。

Landsant 8數據中6月份以RVI建立的模型擬合效果最好，模擬精度最高為二次曲線回歸模型(R2=0.869 3)；7月份以DVI建立的模型效果最好，精度最高為二次曲線回歸模型(R2=0.590 5)；8月份以GNDVI建立的模型擬合效果最好，精度最高為二次曲線回歸模型(R2=0.631 5)。

總體來看，Sentinel-2模型擬合效果優于Landsant 8。兩種遙感數據最佳反演植被指數相同,為6月份RVI、7月份DVI和8月份GNDVI。

表4 7月草原干重生物量估算模型

表5 8月草原干重生物量估算模型

2.2.1最優模型反演生物量驗證 根據植被指數與生物量建立不同月份的最優反演模型，求得Sentinel-2與Landsant 8遙感數據反演生物量數據，并與實測數據進行對比進行誤差分析，采用誤差值與實測值的百分比來評價模型精度。

Sentinel-2的模型反演值與實測值的誤差范圍為25.64～51.63 g。在Sentinel-2中6月份6個點落在10%～30%之間；7月份中6個點模擬誤差小于實測值的10%，14個點落在10%～20%，8個點落在20%～30%之間，剩余8個點大約30%；8月份中7個點模擬誤差小于實測值的10%，6個點落在10%～20%之間，5個點落在20%～30%之間，剩余4個點大約30%。

Landsant 8的模型反演值與實測值的誤差范圍為51.87～54.92 g。Landsant 8中6月份4個點落在10%～30%之間，2個點大約30%；7月份中5個點模擬誤差不足實測值的10%，12個點落在10%～20%，10個點落在20%～30%之間，剩余9個點大約30%；8月份中5個點模擬誤差不足實測值的10%，4個點落在10%～20%，7個點落在20%～30%之間，剩余6個點大約30%。

總體上，基于Sentinel-2的模型誤差值較小，模型反演值與實測值較為接近。

2.2.2模型精度驗證 數據在進行處理過程中，Sentinel-2數據中分為7月份隨機選取18個數據和8月份隨機選取11個數據作為結果驗證進行數據分析。根據最佳模型，用交叉驗證法對最佳估產模型進行精度驗證，實測值和估測值的對比結果相關系數分別為0.761 1和0.694 3，均達到極顯著水平，均方根誤差RMSE分別為22.01 g·m-2和23.64 g·m-2，平均相對誤差MRE為0.166和0.196，模型精度分別為86%和84%。

Landsant 8數據中分為7月份隨機選取18個數據和8月份隨機選取11個數據作為結果驗證進行數據分析。根據最佳模型，用交叉驗證法對最佳估產模型進行精度驗證，實測值和估測值的對比結果相關系數分別為0.683 2和0.675 2，也均達到0.01極顯著水平，RMSE分別為24.22 g·m-2和26.43 g·m-2，平均相對誤差MRE為0.215和0.236，模型精度分別為81%和79%。

基于以上模型的模擬效果均較好，Sentinel-2模型反演精度優于Landsant 8模型，能夠為天祝縣牧場產草量提供精確地評估和研究。

2.3 草地地上生物量的空間分布

采用Sentinel-2最優模型反演8月份研究區草地地上生物量。天祝縣草地AGB分布有明顯的空間差異(圖3)。中部地區草原生物量較高，生物量大部分在200 g·m-2～350 g·m-2之間。不同草地類型的AGB差異較大：山地草甸平均值為546.6 g·m-2，高寒草甸為289.9 g·m-2，溫性草原為320.6 g·m-2，溫性荒漠草原為201.1 g·m-2。

圖3 草地AGB空間分布圖

3 討論

本研究中Sentinel-2數據建立的6月份RVI二次曲線回歸模型，7月份DVI二次曲線回歸模型，8月份GNDVI指數模型，可以較好地模擬研究區草地地上生物量，結果符合在前者已經實現的模型預測系數變化范圍內[26]，模型精度可靠，效果較為理想，具有一定的實際應用價值，應用于草地地上生物量估測是科學合理的。

草原植被的生長和生物量是一個動態變化的過程，Landsant 8遙感數據分辨率為30 m，Sentinel-2遙感數據精度高分辨率為10 m，運用以上兩種遙感數據通過對比分析可以極大地減少像元混合所帶來的誤差，能夠更細致及時的大范圍監測了解植被各個時期的生長變化。同時GEE平臺在大尺度草地生物量高分辨率的估算方面的應用，為草地資源的合理配置和草地資源的快速大范圍監測提供方法與理論支撐[25-27]。

研究中，植被指數DVI,EVI,GNDVI,NDVI,RVI數據與采樣點數據來自同一時期，這減少了模型模擬的一定誤差，但本試驗在地上生物量樣本數量方面還比較欠缺，以后在條件允許的情況下，適當增加樣本數量個數，以進一步提高模型模擬精度[28]。文中對不同草地類型的生物量差異關注較少，今后可根據研究區實際情況，適當選取不同草地類型進行實地采樣，進一步細致研究該區域草地生物量，這對天祝區植被保護、草場監測等具有重要意義。

4 結論

以天祝縣草地覆蓋區為研究區，分析了草地地上生物量和各種植被指數的相關性，比較了基于Landsant 8與Sentinel-2遙感數據的5種植被指數擬合草地地上生物量的不同模型，并利用最優模型反演得到8月份草地地上生物量空間分布圖。研究結果可為合理開發利用草地資源提供科學參考依據。

研究區實測草地地上干重生物量與所選各植被指數存在顯著的相關性，基于各植被指數建立天祝縣草地生物量遙感估算模型是可行的；基于分辨率為10 m的Sentinel-2建立的模型反演精度優于分辨率為30 m的Landsant 8。數據源空間分辨率的提高對于改進草地地上生物量的反演精度有明顯的效果。