Landsat 8和機(jī)器學(xué)習(xí)估算蒙古高原草地地上生物量

趙 越，徐大偉，范凱凱，李淑貞，沈貝貝，邵長(zhǎng)亮，王 旭，辛?xí)云?/p>

Landsat 8和機(jī)器學(xué)習(xí)估算蒙古高原草地地上生物量

趙 越，徐大偉，范凱凱，李淑貞，沈貝貝，邵長(zhǎng)亮，王 旭※，辛?xí)云?/p>

（中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/呼倫貝爾草原生態(tài)系統(tǒng)國(guó)家野外科學(xué)觀測(cè)研究站，北京 100081）

草地地上生物量（Above-Ground Biomass，AGB）是反映草地植被利用狀況的重要參數(shù)，其精準(zhǔn)監(jiān)測(cè)對(duì)于草地科學(xué)管理與合理利用具有重要意義。近年來(lái)，遙感技術(shù)因其能快速、準(zhǔn)確獲取大尺度草地光譜信息，已經(jīng)被廣泛應(yīng)用于草地地上生物量的估算中。該研究以中國(guó)內(nèi)蒙古呼倫貝爾市與其毗鄰的蒙古國(guó)東方省草原區(qū)為研究區(qū)，利用Landsat 8數(shù)據(jù)計(jì)算的9種植被指數(shù)、氣象數(shù)據(jù)和地面調(diào)查數(shù)據(jù)，比較分析6種機(jī)器學(xué)習(xí)算法構(gòu)建的回歸模型性能，重新構(gòu)建優(yōu)化的隨機(jī)森林回歸模型。結(jié)果表明，以光譜、降水量、氣溫為特征的優(yōu)化后的隨機(jī)森林回歸模型性能更穩(wěn)定，預(yù)測(cè)值與實(shí)測(cè)值之間決定系數(shù)為0.801，均方根誤差為43.709 g/m2，相對(duì)均方根誤差為23.077%。研究區(qū)域地上生物量呈中部較低，東西兩側(cè)較高的空間分布特征，最高可達(dá)357.2 g/m2，最低為33.01 g/m2，與該區(qū)域降水量與草地利用方式的空間異質(zhì)性密切相關(guān)。該研究表明，基于Landsat 8數(shù)據(jù)結(jié)合氣象數(shù)據(jù)構(gòu)建的機(jī)器學(xué)習(xí)模型在草地生物量遙感反演中有較大潛力，地上生物量反演結(jié)果可以為草地資源合理利用與評(píng)價(jià)提供參考。

遙感；反演；機(jī)器學(xué)習(xí)；地上生物量；蒙古高原

0 引 言

草地是中國(guó)面積最大的陸地生態(tài)系統(tǒng)，不僅為畜牧業(yè)提供了重要資源，而且在防風(fēng)固沙、水土保持和維護(hù)生態(tài)安全等方面扮演著重要角色[1]。根據(jù)第二次全國(guó)國(guó)土調(diào)查結(jié)果，中國(guó)草地面積28 731.4 hm2，占國(guó)土面積40%以上[2]。草地地上生物量（Above-Ground Biomass，AGB）是評(píng)價(jià)草地生態(tài)系統(tǒng)健康和可持續(xù)利用狀況的關(guān)鍵指標(biāo)[3-4]，快速、準(zhǔn)確獲取草地地上生物量對(duì)于確定合理載畜量、科學(xué)管理草地資源至關(guān)重要。

蒙古高原是歐亞大陸草地的重要組成部分，蒙古國(guó)東方省和中國(guó)呼倫貝爾市毗鄰，氣候特征和草地類型相似，但由于人口、經(jīng)濟(jì)狀況和草地利用方式不同，草地生物量分布存在較大的空間異質(zhì)性，這為構(gòu)建草地生物量遙感反演模型提供了理想的試驗(yàn)場(chǎng)景。

草地生物量傳統(tǒng)調(diào)查方法主要是利用收獲法實(shí)測(cè)單位面積綠色植物地上部分干質(zhì)量，但該方法存在耗時(shí)耗力、時(shí)空尺度上局限性明顯等問(wèn)題[5]。相比之下，遙感技術(shù)具有監(jiān)測(cè)空間尺度大、時(shí)效性強(qiáng)等優(yōu)點(diǎn)，適用于大尺度草地生物量調(diào)查。近年來(lái)，隨著遙感數(shù)據(jù)源不斷完善，更多學(xué)者構(gòu)建基于光譜反射率或計(jì)算植被指數(shù)與生物量間的統(tǒng)計(jì)關(guān)系模型、基于同化遙感數(shù)據(jù)的作物生長(zhǎng)模型以及通過(guò)機(jī)器學(xué)習(xí)自動(dòng)構(gòu)建生物量預(yù)測(cè)關(guān)系模型等進(jìn)行草地生物量反演和預(yù)測(cè)[5–9]。草地物種組成豐富，野外實(shí)測(cè)數(shù)據(jù)難以獲取，基于機(jī)器學(xué)習(xí)算法的模型具有較強(qiáng)的魯棒性的優(yōu)點(diǎn)[10-12]，可以通過(guò)有限的數(shù)據(jù)量得到較好的地上生物量的估計(jì)結(jié)果。由于衛(wèi)星遙感在成像過(guò)程中受到大氣和土壤等因素的影響導(dǎo)致系統(tǒng)性誤差[13]，現(xiàn)有草地生物量遙感反演機(jī)器學(xué)習(xí)模型在精度和效率上仍有提升空間，一些學(xué)者通過(guò)引入氣象數(shù)據(jù)作為特征輔助建模[14]，可以顯著提高草地生物量反演精度，從而獲得更精確和穩(wěn)定的反演結(jié)果。本研究基于Landsat 8遙感數(shù)據(jù)和地面調(diào)查數(shù)據(jù)，通過(guò)構(gòu)建光譜指數(shù)與氣象數(shù)據(jù)的機(jī)器學(xué)習(xí)模型，目的是：對(duì)該研究區(qū)草地生物量進(jìn)行反演并對(duì)中國(guó)呼倫貝爾與蒙古國(guó)東方省進(jìn)行對(duì)比，探討草地生物量的高精度遙感反演方法。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

蒙古國(guó)東方省位于蒙古國(guó)東部地區(qū)，與中國(guó)內(nèi)蒙古呼倫貝爾市接壤，地理位置介于46°16'26"N～50°16'34"N，111°59'57"E～119°56'15"E之間，海拔高度560～1 300 m，地處北溫帶，氣候干燥，年降水量150～300 mm，氣溫在-27～21 ℃之間。呼倫貝爾市位于48°6'14"N～48°22'57"N，119°29'43"E～119°44'54"E之間，海拔高度550～1 000 m，溫帶半濕潤(rùn)氣候，年降水量250～400 mm，氣溫在-18～-30 ℃之間。兩地區(qū)處于相同緯度帶，被肯特山脈和大興安嶺三面包圍，氣候類型均相似，但兩地人口數(shù)量、密度和大型牲畜數(shù)量差異較大（表1）。該區(qū)域草地類型主要包括草甸草原和典型草原等類型，草甸草原主要分布在大興安嶺西部和肯特山東部山麓，主要植物有貝加爾針茅（）、羊草（）、線葉菊（）等；典型草原主要分布在研究區(qū)中部的克魯倫河和烏爾遜河流域，主要植物有大針茅（）、羊草（）、克氏針茅（）、冷蒿（）等[15]。土壤類型為栗鈣土或暗栗鈣土[16]。

表1 人口和農(nóng)業(yè)統(tǒng)計(jì)數(shù)據(jù)

1.2 數(shù)據(jù)來(lái)源

1.2.1 野外調(diào)查與采樣

2018年、2020年生長(zhǎng)季期間分別在蒙古國(guó)東方省和中國(guó)呼倫貝爾市草原區(qū)開(kāi)展了樣帶地面樣方調(diào)查和生物量采樣（圖1）。每個(gè)樣點(diǎn)等距設(shè)置3個(gè)樣方，每個(gè)樣方間隔15 m，樣方大小為1 m×1 m。調(diào)查樣方內(nèi)植物種類、蓋度和高度等指標(biāo)，并詳細(xì)記錄經(jīng)緯度坐標(biāo)、海拔、地形、利用方式、利用強(qiáng)度等信息。地上生物量采用收獲法，將樣方內(nèi)植物所有綠色部分用剪刀齊地面剪取，烘箱65 ℃烘干24 h，稱干質(zhì)量。

圖1 研究區(qū)和采樣點(diǎn)分布

1.2.2 遙感數(shù)據(jù)

遙感技術(shù)作為一項(xiàng)20世紀(jì)60年代興起的一種探測(cè)技術(shù)，廣泛應(yīng)用于生態(tài)研究領(lǐng)域[17-18]。美國(guó)的Landsat系列是運(yùn)行時(shí)間最長(zhǎng)的地球觀測(cè)計(jì)劃，空間分辨率為15～60 m不等，時(shí)間分辨率為16 d。其中，Landsat 8遙感數(shù)據(jù)空間分辨率較高，本研究采用Google Earth Engine（GEE）平臺(tái)提供的2018年和2020年7—8月分辨率30 m的Landsat 8影像來(lái)估算研究區(qū)內(nèi)的地上生物量。為了保證數(shù)據(jù)的完整性，選擇了所選時(shí)相內(nèi)的同軌道數(shù)據(jù)篩選無(wú)云的部分，對(duì)不同軌道影像邊界進(jìn)行羽化并鑲嵌，根據(jù)研究區(qū)范圍裁剪影像。從經(jīng)預(yù)處理的影像中提取各波段反射率（紅，綠，藍(lán)，近紅外）作為冠層反射率，并計(jì)算植被指數(shù)（表2）。

表2 植被指數(shù)及公式

注：Blue：藍(lán)色波段反射率；Green：綠色波段反射率；Red：紅色波段反射率；NIR：近紅外波段反射率。

Note: Blue: Blue band reflectance; Green: Green band reflectance; Red: Red band reflectance; NIR: Near infrared band reflectance.

1.2.3 氣候數(shù)據(jù)

草地植被生長(zhǎng)狀況與氣候條件密切相關(guān)，由于研究區(qū)地理位置位于山系包圍的草原區(qū)，降水量和氣溫的變化顯著影響草地生物量。氣候數(shù)據(jù)是由World Clim（https://www.worldclim.org/）提供的GeoTiff格式數(shù)據(jù)，包括當(dāng)年生長(zhǎng)季平均氣溫和生長(zhǎng)季總降水量1km空間分辨率柵格數(shù)據(jù)。

1.3 研究方法

機(jī)器學(xué)習(xí)算法通過(guò)直接從數(shù)據(jù)擬合一個(gè)靈活的模型學(xué)習(xí)輸入值（例如反射率）和輸出值（例如地上生物量）之間的關(guān)系[28]。本研究通過(guò)Python3.10調(diào)用第三方包（Scikit-learn）構(gòu)建機(jī)器學(xué)習(xí)模型，該包提供分類、回歸、聚類、降維、調(diào)參、預(yù)處理等科學(xué)工具，本研究選用包括：決策樹(shù)回歸（Decision Tree Regressor）、K臨近回歸（K-Neighbors Regressor）、隨機(jī)森林回歸（Random Forest Regressor）、梯度增加回歸（Gradient Boosting Regressor）、裝袋回歸（Bagging Regressor）、極端樹(shù)（Extra Tree Regressor）在內(nèi)的6種算法作為回歸模型，探究不同機(jī)器學(xué)習(xí)算法預(yù)測(cè)地上生物量的性能，討論適合作為反演研究區(qū)內(nèi)地上生物量的機(jī)器學(xué)習(xí)算法。

根據(jù)野外調(diào)查樣點(diǎn)的位置坐標(biāo)，提取相應(yīng)位置影像像元的植被指數(shù)、年均降水量（Prec）和年均氣溫（Tavg）。通過(guò)六折交叉驗(yàn)證將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集。根據(jù)多源數(shù)據(jù)的訓(xùn)練集作為機(jī)器學(xué)習(xí)算法的輸入，建立其與地上生物量的回歸關(guān)系，并進(jìn)行結(jié)果檢驗(yàn)。基于機(jī)器學(xué)習(xí)算法得出的回歸關(guān)系，反演研究區(qū)內(nèi)地上生物量的空間分布。

反演結(jié)果精度評(píng)定選擇相關(guān)系數(shù)（coefficient of determination，2），均方根誤差（Root Mean Square Error，RMSE）和相對(duì)均方根誤差（relative Root Mean Square Error，rRMSE）來(lái)評(píng)價(jià)模型性能，其公式為

2 結(jié)果分析

2.1 基于多種機(jī)器學(xué)習(xí)算法的地上生物量回歸分析

本文選擇生長(zhǎng)季總降水量，生長(zhǎng)季平均氣溫和九種植被指數(shù)為特征建立機(jī)器學(xué)習(xí)回歸模型，將3種數(shù)據(jù)組成4種組合，通過(guò)3種評(píng)價(jià)指標(biāo)（2，RMSE和rRMSE）比較各種數(shù)據(jù)組合方式與生物量在多種機(jī)器學(xué)習(xí)模型中的性能（表3）。

通過(guò)回歸驗(yàn)證結(jié)果得知，6種機(jī)器學(xué)習(xí)模型在采用單獨(dú)的光譜數(shù)據(jù)作為輸入的情況下，總體表現(xiàn)非常接近，且模型性能較差（RMSE為63.852～87.944 g/m2，rRMSE為46.432%～33.712%，2為0.388～0.647）。其中隨機(jī)森林（RMSE=63.852 g/m2，rRMSE=33.712%，2=0.647）和裝袋回歸模型（RMSE=69.661 g/m2，rRMSE=36.779%，2=0.637）得到的評(píng)價(jià)結(jié)果略高于其他模型。隨著數(shù)據(jù)組合中特征數(shù)量的增加，所有回歸方法的RMSE和rRMSE都逐漸減小，2逐漸增大，表明對(duì)于不同回歸模型而言，增加特征數(shù)量都能夠有效地處理多數(shù)據(jù)輸入特征的融合。當(dāng)數(shù)據(jù)組合為光譜+降水和光譜+溫度時(shí)，幾種回歸方法得到的評(píng)價(jià)結(jié)果均有提高，但評(píng)價(jià)指標(biāo)的上升幅度不同，尤其是在光譜+溫度作為數(shù)據(jù)源的情況下K近鄰方法的誤差最小（RMSE=49.566 g/m2，rRMSE=26.170%）。當(dāng)數(shù)據(jù)組合為光譜+降水+溫度時(shí)，各回歸方法得到了最好的模型評(píng)價(jià)結(jié)果（RMSE為51.702～70.683 g/m2，rRMSE為27.297%～37.319%，2為0.664～0.749），隨機(jī)森林算法效果最好（RMSE=51.702 g/m2，rRMSE=27.297%，2=0.749）。

表3 不同地上生物量預(yù)測(cè)模型統(tǒng)計(jì)驗(yàn)證

注：Prec為生長(zhǎng)季總降水量，Tavg為生長(zhǎng)季平均氣溫。

Note: Prec is total precipitation during the growing season, Tavg is Average growing season temperature.

2.2 隨機(jī)森林算法的特征選擇和超參數(shù)優(yōu)化

特征對(duì)目標(biāo)變量預(yù)測(cè)的相對(duì)重要性可以通過(guò)（隨機(jī)森林中樹(shù)的決策節(jié)點(diǎn)的）特征使用的相對(duì)順序（即深度）來(lái)進(jìn)行評(píng)估。決策樹(shù)頂部特征使用的相對(duì)順序，對(duì)輸入樣本的選擇做出決策。因此，可以使用接受每個(gè)特征對(duì)最終預(yù)測(cè)的貢獻(xiàn)的樣本比例，來(lái)評(píng)估該特征的相對(duì)重要性。多種機(jī)器學(xué)習(xí)算法中隨機(jī)森林表現(xiàn)出優(yōu)異的性能，并且對(duì)于不同數(shù)據(jù)組合形式作為輸入特征，均有較高的精度和較低的誤差。通過(guò)評(píng)估輸入特征的相對(duì)重要性確定多源數(shù)據(jù)在模型中的權(quán)重（圖 2）。輸出結(jié)果顯示降水量是重要性最高的隨機(jī)森林算法輸入特征，其權(quán)重大于0.1為最大值，遠(yuǎn)高于其他光譜數(shù)據(jù)。光譜數(shù)據(jù)中VARI，MSAVI，GEMI三種植被指數(shù)作為特征權(quán)重大于0.09，高于其他植被指數(shù)。

圖2 隨機(jī)森林算法中各輸入特征權(quán)重

超參數(shù)是優(yōu)化預(yù)測(cè)建模算法性能的模型配置參數(shù)，對(duì)模型內(nèi)超參數(shù)進(jìn)行優(yōu)化能夠使模型性能較好的同時(shí)使用較少的計(jì)算量。隨機(jī)森林是基于bagging框架的決策樹(shù)模型，其超參數(shù)包括：隨機(jī)森林框架參數(shù)，如：樹(shù)的個(gè)數(shù)（n_estimators）和隨機(jī)森林決策樹(shù)的參數(shù)，如：最大深度（max_depth）。本研究對(duì)隨機(jī)森林樹(shù)的個(gè)數(shù)和最大深度進(jìn)行超參數(shù)優(yōu)化，優(yōu)化后的結(jié)果通過(guò)交叉驗(yàn)證評(píng)分進(jìn)行評(píng)價(jià)。通過(guò)遍歷模型內(nèi)不同樹(shù)的個(gè)數(shù)和最大深度確定最佳值。n_estimators值較小時(shí)模型出現(xiàn)明顯的欠擬合。其數(shù)值增加至n_estimators=52，模型性能顯著提升并趨于穩(wěn)定，繼續(xù)增加n_estimators值對(duì)模型提升不明顯（圖 3a）。max_depth值較大時(shí)模型有較高的復(fù)雜度，max_depth>25時(shí)模型性能提升不再顯著（圖3b）。

圖3 超參數(shù)優(yōu)化

為驗(yàn)證只選用權(quán)重較高的特征量的模型穩(wěn)定性，優(yōu)選降水量（Prec）、VARI、MSAVI、GEMI四項(xiàng)在隨機(jī)森林算法的輸入中權(quán)重較高的數(shù)據(jù)作為輸入特征，通過(guò)經(jīng)超參數(shù)優(yōu)化的隨機(jī)森林算法進(jìn)行回歸分析（圖 4）。模型評(píng)價(jià)結(jié)果顯示，經(jīng)篩選優(yōu)化后的數(shù)據(jù)作為特征的隨機(jī)森林回歸模型，在減少數(shù)據(jù)量的同時(shí)模型性能得到提升（RMSE=43.709 g/m2，rRMSE=23.077%，2=0.801）。并且篩選優(yōu)化后的回歸模型在誤差和擬合程度，均高于未經(jīng)篩選過(guò)的模型評(píng)價(jià)結(jié)果，這可能是由于權(quán)重較低的特征與地上生物量相關(guān)性較差導(dǎo)致的。

圖4 優(yōu)化的隨機(jī)森林算法地上生物量估計(jì)值與地面實(shí)測(cè)值

2.3 地上生物量反演

通過(guò)篩選優(yōu)化后的隨機(jī)森林回歸算法作為估計(jì)模型，從空間上對(duì)研究區(qū)內(nèi)地上生物量進(jìn)行反演。從地上生物量空間分布圖中易知，研究區(qū)內(nèi)地上生物量呈現(xiàn)出明顯的空間分布規(guī)律：蒙古國(guó)東方省西北地區(qū)和東部地區(qū)以及中國(guó)呼倫貝爾東部地區(qū)草地生物量較高，地上生物量最高可達(dá)357.22 g/m2，東方省中部和呼倫貝爾西部草地生物量較低，最低為33.01 g/m2，整個(gè)研究區(qū)分布格局來(lái)看，地上生物量呈中部較低，東西兩側(cè)較高的分布特征（圖5）。

東方省與內(nèi)蒙古呼倫貝爾市處于同緯度帶，地理特征和氣候類型相似，通過(guò)對(duì)地上生物量分布情況的分析，兩地在地上生物量空間格局上呈現(xiàn)出差異性（圖 6），標(biāo)準(zhǔn)差越大表示該地區(qū)大部分生物量與其平均生物量差異較大，標(biāo)準(zhǔn)差越大地上生物量分布越分散，峰值越低，曲線越低平。即東方省地上生物量空間分布相對(duì)均一（標(biāo)準(zhǔn)差為74.35 g/m2），而呼倫貝爾草地地上生物量空間分布異質(zhì)性較強(qiáng)（標(biāo)準(zhǔn)差為107.43 g/m2）。東方省人口數(shù)量、密度和牲畜數(shù)量均遠(yuǎn)低于呼倫貝爾市，且其利用方式以自然放牧為主，而呼倫貝爾以放牧和刈割利用為主，利用強(qiáng)度較大[29-30]（表1）。這也表明，東方省草地生物量空間分布特征主要受氣候主導(dǎo)，而呼倫貝爾草地生物量空間分布特征則受人類活動(dòng)和氣候共同影響。

圖5 研究區(qū)地上生物量分布圖

圖6 地上生物量像元數(shù)分布統(tǒng)計(jì)

3 討 論

作物生長(zhǎng)模型建模由于涵蓋一定的生物學(xué)理論和計(jì)算機(jī)算法，取得良好的效果，常用在作物的生物量預(yù)測(cè)中。但由于作物生長(zhǎng)模型生物量估算方法需要大量不同數(shù)據(jù)源，如水分和土壤養(yǎng)分等，并且需要大量生態(tài)學(xué)理論對(duì)模型進(jìn)行解釋，在解決生物量估算的快速應(yīng)用上受到了很大制約[31]。而基于各波段反射率或計(jì)算植被指數(shù)與生物量間關(guān)系的機(jī)器學(xué)習(xí)模型，因其模擬精度高、受復(fù)雜環(huán)境影響小而被廣泛使用[32-34]。本研究設(shè)計(jì)了不同的數(shù)據(jù)類型進(jìn)行組合形式作為機(jī)器學(xué)習(xí)的特征輸入，增加不同類型的特征對(duì)幾種回歸模型性能均有明顯提升（表3）。這是由于機(jī)器學(xué)習(xí)算法的結(jié)果精度和穩(wěn)定性與訓(xùn)練數(shù)據(jù)量密切相關(guān)，對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)算法而言，在一定數(shù)據(jù)量閾值范圍內(nèi)更多的數(shù)據(jù)作為特征的情況下，其性能按照冪律增長(zhǎng)，一段時(shí)間后隨著數(shù)據(jù)量繼續(xù)增加，導(dǎo)致模型的魯棒性開(kāi)始降低，模型性能進(jìn)入停滯不前的狀態(tài)。以本研究中驗(yàn)證性能較好的隨機(jī)森林算法為例，隨著特征數(shù)量的增加，模型擬合程度（2）顯著提高，誤差明顯減小，類似的結(jié)論在Maimaitijing等[35]的研究中也得到有效驗(yàn)證。

在機(jī)器學(xué)習(xí)模型中，對(duì)特征進(jìn)行篩選優(yōu)化有助于在減少數(shù)據(jù)量的同時(shí)提高特征總體質(zhì)量，從而最大程度上發(fā)揮傳統(tǒng)機(jī)器學(xué)習(xí)模型較好的魯棒性[36]。將各特征在隨機(jī)森林算法中的權(quán)重得分作為重要性衡量標(biāo)準(zhǔn)（圖2），結(jié)果表明降水量在模型中占較大權(quán)重，對(duì)回歸結(jié)果有顯著影響，這是由于研究區(qū)特殊的地形特征導(dǎo)致的，蒙古國(guó)東方省和中國(guó)呼倫貝爾市位于大興安嶺以西和肯特山脈以南之間的地勢(shì)平坦區(qū)域，特殊的地形地勢(shì)阻止了氣流對(duì)降水的影響，降水受季風(fēng)影響較弱，而受地形影響較強(qiáng)，形成了靠近山脈降水量較大而中心地帶較少的分布格局。由于半干旱地區(qū)降水量顯著地影響草地生物量和群落物種豐富度[37]，因而降水成為本研究生物量回歸模型的重要特征量。

光譜數(shù)據(jù)中本研究選用9種植被指數(shù)作為模型特征，其中GEMI、MSAVI、VARI三種植被指數(shù)在模型特征的重要性評(píng)估中顯著高于其他植被指數(shù)，而在估計(jì)生物量中廣泛應(yīng)用的NDVI、EVI等植被指數(shù)重要性最低（圖2）。優(yōu)選的3種植被指數(shù)共同特點(diǎn)是受土壤背景和大氣影響較小[21,23,27]。東方省中部降水量較小，人類活動(dòng)干擾較少，出現(xiàn)草地斑塊化和多年枯落物與當(dāng)年生長(zhǎng)植被混雜的情況，導(dǎo)致植被指數(shù)作為特征的估計(jì)效果較差。通過(guò)對(duì)特征進(jìn)行篩選，優(yōu)化后的機(jī)器學(xué)習(xí)算法得到了性能更加穩(wěn)定的評(píng)價(jià)結(jié)果。因此，選用對(duì)裸土敏感的MSAVI等植被指數(shù)作為特征進(jìn)行建模是有效的特征優(yōu)化手段。

4 結(jié) 論

本研究利用Landsat 8數(shù)據(jù)提取的9種植被指數(shù)、生長(zhǎng)季降水量和氣溫?cái)?shù)據(jù)，評(píng)估了5種機(jī)器學(xué)習(xí)回歸模型的性能，對(duì)評(píng)價(jià)結(jié)果最好的隨機(jī)森林模型進(jìn)行特征重要性分析，根據(jù)分析結(jié)果建立經(jīng)特征選擇優(yōu)化后的回歸模型，模型評(píng)價(jià)結(jié)果顯著提高，基于機(jī)器學(xué)習(xí)算法的回歸模型能夠有效的估計(jì)地上生物量，增加特征數(shù)量顯著的提高了模型性能。利用優(yōu)化后的模型進(jìn)行草地生物量反演，估算精度較好（RMSE = 43.709 g/m2，rRMSE = 23.077%，2= 0.801），研究區(qū)草地生物量呈中部地區(qū)較低、東西兩側(cè)較高的空間分布特征，最大地上生物量達(dá)到357.22 g/m2，最低為33.01 g/m2，這與該區(qū)域氣候與草地利用方式的空間異質(zhì)性密切相關(guān)。本研究表明，基于Landsat 8數(shù)據(jù)結(jié)合氣象數(shù)據(jù)構(gòu)建的機(jī)器學(xué)習(xí)模型在草地生物量遙感反演中有較大潛力，反演結(jié)果通過(guò)實(shí)測(cè)數(shù)據(jù)驗(yàn)證，地上生物量反演結(jié)果可以為草地資源合理利用與評(píng)價(jià)提供參考。

[1] 劉艷，聶磊，楊耘. 基于植被指數(shù)估算天山牧區(qū)不同利用類型草地總產(chǎn)草量[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(9)：182-188.

Liu Yan, Nie Lei, Yang Yun. Estimation of total yield of different grassland types in Tianshan pastoral area based on vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(9): 182-188. (in Chinese with English abstract)

[2] 第三次全國(guó)國(guó)土調(diào)查主要數(shù)據(jù)公報(bào)[Z]. [2022-11-13]. http://www.gov.cn/xinwen/2021-08/26/content_5633490.htm.

[3] 孟寶平，陳思宇，崔霞，等. 基于多源遙感數(shù)據(jù)的高寒草地生物量反演模型精度：以夏河縣桑科草原試驗(yàn)區(qū)為例[J]. 草業(yè)科學(xué)，2015，32(11)：1730-1739.

Meng Baoping, Chen Siyu, Cui Xia, et al. The accuracy of grassland vegetation biomass estimated model based on multi-source remote sensing data: As a case of experimental area in Sangke grassland in Xiahe County[J]. Pratacultural Science, 2015, 32(11): 1730-1739. (in Chinese with English abstract)

[4] Piao S L, Fang J Y, He J S, et al. Spatial distribution of grassland biomass in China[J]. Chinese Journal of Plant Ecology, 2004, 28(4): 491-498

[5] 王新云，郭藝歌，何杰. 基于多源遙感數(shù)據(jù)的草地生物量估算方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(11)：159-166.

Wang Xinyun, Guo Yige, He Jie. Estimation of above-ground biomass of grassland based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(11): 159-166. (in Chinese with English abstract)

[6] Filho M G, Kuplich T M, Quadros F L F D. Estimating natural grassland biomass by vegetation indices using Sentinel 2 remote sensing data[J]. International Journal of Remote Sensing, 2020, 41(8): 2861-2876.

[7] Yang S X, Feng Q S, Liang T G, el al. Modeling grassland above-ground biomass based on artificial neural network and remote sensing in the Three-River Headwaters Region[J]. Remote Sensing of Environment, 2018, 204: 448-455.

[8] Clevers J G P W, Leeuwen H J C V. Combined use of optical and microwave remote sensing data for crop growth monitoring[J]. Remote Sensing of Environment, 1996, 56(1): 42-51.

[9] 吳門新，錢拴，侯英雨，等. 利用NDVI資料估算中國(guó)北方草原區(qū)牧草產(chǎn)量[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25(Supp. 2)：149-155.

Wu Menxin, Qian Shuan, Hou Yingyu, et al. Estimation of forage yield in Northern China based on NDVI data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(Supp. 2): 149-155. (in Chinese with English abstract)

[10] 嚴(yán)海軍，卓越，李茂娜，等. 基于機(jī)器學(xué)習(xí)和無(wú)人機(jī)多光譜遙感的苜蓿產(chǎn)量預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38(11)：64-71.

Yan Haijun, Zhuo Yue, Li Maona, et al. Alfalfa yield prediction using machine learning and UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(11): 64-71. (in Chinese with English abstract)

[11] 宋涵玥，舒清態(tài)，席磊，等. 基于星載ICESat-2/ATLAS數(shù)據(jù)的森林地上生物量估測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38(10)：191-199.

Song Hanyue, Shu Qingtai, Xi Lei, et.al. Remote sensing estimation of forest above-ground biomass based on spaceborne lidar ICESat-2/ATLAS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(10): 191-199. (in Chinese with English abstract).

[12] 陸軍勝，陳紹民，黃文敏，等. 采用SEPLS_ELM模型估算夏玉米地上部生物量和葉面積指數(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(18)：128-135.

Lu Junsheng, Chen Shaomin, Huang Wenmin, et al. Estimation of aboveground biomass and leaf area index of summer maize using SEPLS_ELM model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 128-135. (in Chinese with English abstract)

[13] 姚薇，李志軍，姚珙，等. Landsat衛(wèi)星遙感影像的大氣校正方法研究[J]. 大氣科學(xué)學(xué)報(bào)，2011，34(2)：251-256.

Yao Wei, Li Zhijun, Yao Hong, et al. Atmospheric correction model for Landsat images[J]. Transactions of Atmosoheric Sciences, 2011, 34(2): 251-256. (in Chinese with English abstract)

[14] 張旭琛，朱華忠，鐘華平，等. 新疆伊犁地區(qū)草地植被地上生物量遙感反演[J]. 草業(yè)學(xué)報(bào)，2015，24(6)：25-34.

Zhang Xuchen, Zhu Huazhong, Zhong Huaping, et al. Assessment of above-ground Biomass of Grassland using remote sensing, Yili, Xinjiang[J]. Acta Prataculturae Sinica, 2015, 24(6): 25-34. (in Chinese with English abstract)

[15] 王旭，閆瑞瑞，鄧鈺，等. 放牧對(duì)呼倫貝爾草甸草原土壤呼吸溫度敏感性的影響[J]. 環(huán)境科學(xué)，2014，35(5)：1909-1914.

Wang Xu, Yan Ruirui, Deng Yu, et al. Effect of grazing on the temperature sensitivity of soil respiration in Hulunber meadow steppe[J]. Envirmental Science, 2014, 35(5): 1909-1914. (in Chinese with English abstract)

[16] 李淑貞，徐大偉，范凱凱，等. 基于無(wú)人機(jī)與衛(wèi)星遙感的草原地上生物量反演研究[J]. 遙感技術(shù)與應(yīng)用，2022，37(1)：272-278.

Li Shuzhen, Xu Dawei, Fan Kaikai, et al. Research of grassland aboveground biomass inversion based on UAV and satellite remoting sensing[J]. Remote Sensing Technology and Application, 2022, 37(1): 272-278. (in Chinese with English abstract)

[17] Weiss M, Jacob F, Duveiller G. Remote sensing for agricultural applications: A meta-review[J]. Remote Sensing of Environment, 2020, 236: 111402.

[18] 鄭陽(yáng)，吳炳方，張淼. Sentinel-2數(shù)據(jù)的冬小麥地上干生物量估算及評(píng)價(jià)[J]. 遙感學(xué)報(bào)，2017，21(2)：318-328.

Zheng Yang, Wu Bingfang, Zhang Miao. Estimating the above ground biomass of winter wheat using the Sentinel-2 data[J]. Journal of Remote Sensing, 2017, 21(2): 318-328. (in Chinese with English abstract)

[19] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289-298.

[20] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1): 195-213.

[21] Pinty B, Verstraete M M. GEMI: A non-linear index to monitor global vegetation from satellites[J]. Vegetatio, 1992, 101(1): 15-20.

[22] Buschmann C, Nagel E. In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation[J]. International Journal of Remote Sensing, 1993, 14(4): 711-722.

[23] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119-126.

[24] Rouse J W, Haas R H, Deering D W, et al. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation[R]. 1974.

[25] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295-309.

[26] Birth G S, Mcvey G R. Measuring the Color of Growing Turf with a Reflectance Spectrophotometer[J]. Agronomy Journal, 1968, 60(6): 640-643.

[27] Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[28] Verrelst J, Munoz J, Alonso L, et al. Machine learning regression algorithms for biophysical parameter retrieval: Opportunities for Sentinel-2 and -3[J]. Remote Sensing of Environment, 2012, 118: 127-139.

[29] 蒙古國(guó)畜牧業(yè)統(tǒng)計(jì)數(shù)據(jù)[EB/OL]. 蒙古國(guó)國(guó)家統(tǒng)計(jì)局，[2022-11-20]. https: //www. 1212. mn/mn.

[30] 內(nèi)蒙古自治區(qū)盟市統(tǒng)計(jì)數(shù)據(jù)[EB/OL]. 內(nèi)蒙古自治區(qū)統(tǒng)計(jì)局，[2022-11-01]. http: //tj. nmg. gov. cn/datashow/index. htm.

[31] 黃健熙，黃海，馬鴻元，等. 遙感與作物生長(zhǎng)模型數(shù)據(jù)同化應(yīng)用綜述[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(21)：144-156.

Huang Jianxi, Huang Hai, Ma Hongyuan, et al. Review on data assimilation of remote sensing and crop growth models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 144-156. (in Chinese with English abstract)

[32] 馬國(guó)林，丁建麗，韓禮敬，等. 基于變量?jī)?yōu)選與機(jī)器學(xué)習(xí)的干旱區(qū)濕地土壤鹽漬化數(shù)字制圖[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(19)：124-131.

Ma Guolin, Ding Jianli, Han Lijing, et al. Digital mapping of soil salinization in arid area wetland based on variable optimized selection and machine learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 124-131. (in Chinese with English abstract)

[33] 周俊宏，王子芝，廖聲熙，等. 基于GF-1影像的普達(dá)措國(guó)家公園森林地上生物量遙感估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2021, 37(4): 216-223.

Zhou Junhong, Wang Zizhi, Liao Shengxi, et al. Remote sensing estimation of forest aboveground biomass in Potatso National Park using GF-1 images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 216-223. (in Chinese with English abstract)

[34] 楊雪峰，昝梅，木尼熱·買買提. 基于無(wú)人機(jī)和衛(wèi)星遙感的胡楊林地上生物量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(1)：77-83.

Yang Xuefeng, Zan Mei, Munire·Maimaiti. Estimation of above ground biomass of Populus euphratica forest using UAV and satellite remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 77-83. (in Chinese with English abstract)

[35] Maimaitijing M, Sagan V, Sisike P, et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning[J]. Remote Sensing of Environment, 2020, 237: 111599.

[36] 付波霖，孫軍，李雨陽(yáng)，等. 基于多光譜影像和機(jī)器學(xué)習(xí)算法的紅樹(shù)林樹(shù)種LAI估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38(7)：218-228.

Fu Bolin, Sun Jun, Li Yuyang, et al. Mangrove LAI estimation based on remote sensing images and machine learning algorithms[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(7): 218-228. (in Chinese with English abstract)

[37] 武建雙，李曉佳，沈振西，等. 藏北高寒草地樣帶物種多樣性沿降水梯度的分布格局[J]. 草業(yè)學(xué)報(bào)，2012，21(3)：17-25.

Wu Jianshuang, Li Xiaojia, Shen Zhenxi, et al. Species diversity pattern of alpine grasslands communities along a precipitation gradient across Northern Tibetan Plateau[J]. Acta Prataculturae Sinica, 2012, 21(3): 17-25. (in Chinese with English abstract)

Estimating above-ground biomass in grassland using Landsat 8 and machine learning in Mongolian plateau

Zhao Yue, Xu Dawei, Fan Kaikai, Li Shuzhen, Shen Beibei, Shao Changliang, Wang Xu※, Xin Xiaoping

(,,100081,)

Above-Ground Biomass (AGB) is one of the most important indicators to reflect the status of grassland use. Accurate and rapid monitoring is of great significance to scientific management and rational use. Alternatively, remote sensing technology has been widely used to estimate the AGB in recent years. However, the estimation errors can often be caused by the common phenomenon of “same spectrum, different species” in remote sensing. One of the potential solutions can be to use the spectral and meteorological data to invert the AGB grassland. In this study, a machine learning model was developed to characterize the spectral indices and meteorological data using Landsat 8 remote sensing and ground survey as data sources. A systematic investigation was implemented to explore the performance of regression models constructed by five machine learning algorithms. Specifically, the AGB of grassland was estimated to obtain the high accuracy inversion of remote sensing for the grassland biomass. Nine vegetation indices were selected to calculate in Hulunbuir of Inner Mongolia and Dornod of Mongolia in China. An optimal Random Forest (RF) regression model was then reconstructed by feature selection. The regression validation revealed that a similar overall performance was achieved in the six machine learning models. But the lower performance was found in the spectral data as the input only (Root Mean Square Error (RMSE): 63.852-87.944 g/m2, relative Root Mean Square Error (rRMSE): 33.712%-46.432%, coefficient of determination (2): 0.388-0.647). Furthermore, the error of all regression decreased gradually, as the number of features increased in the data combination. The model fitting ability increased gradually as well, indicating that the increasing number of features in the different regression models was effectively handled through the fusion of multiple data inputs. The best evaluation was obtained from each regression model in the data combination of spectra + precipitation + temperature. The RF also obtained the best performance (RMSE=51.702 g/m2, rRMSE=27.297%, and2=0.749). The weights of the multiple source data in the model were determined to assess the relative importance of the input data. The results showed that the precipitation was the most important input feature of the model, with a maximum weight of more than 0.1, much higher than the other spectral data. Three vegetation indices of VARI, MSAVI, and GEMI in the spectral data were weighted more than 0.09 as the features, which was higher than the rest. The more stable performance was achieved in the optimized RF regression model, with a correlation coefficient (2) of 0.801 between predicted and measured values, an RMSE of 43.709 g/m2, and an rRMSE of 23.077%. The AGB spatial distribution in the study area was lower in the central area, but higher on the east and west sides, with a maximum of 357.2 g/m2and a minimum of 33.01 g/m2. It was closely related to the spatial heterogeneity of climate and grassland use patterns.

remote sensing; inversion; machine learning;aboveground biomass; Mongolian plateau

10.11975/j.issn.1002-6819.2022.24.015

S127；TP79

A

1002-6819(2022)-24-0138-07

趙越，徐大偉，范凱凱，等. Landsat 8和機(jī)器學(xué)習(xí)估算蒙古高原草地地上生物量[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38(24)：138-144.doi：10.11975/j.issn.1002-6819.2022.24.015 http://www.tcsae.org

Zhao Yue, Xu Dawei, Fan Kaikai, et al. Estimating above-ground biomass in grassland using Landsat 8 and machine learning in Mongolian Plateau[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(24): 138-144. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.24.015 http://www.tcsae.org

2022-08-31

2022-11-17

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2021YFD1300502）；國(guó)家科技基礎(chǔ)資源調(diào)查專項(xiàng)（2019FY102000）；國(guó)家自然科學(xué)基金項(xiàng)目（32171567）

趙越，研究方向?yàn)檗r(nóng)業(yè)工程與信息技術(shù)。Email：82101215505@caas.cn

王旭，博士，副研究員，研究方向?yàn)椴莸厣鷳B(tài)遙感。Email：wangxu01@caas.cn