基于光學遙感的稀疏喬灌木地上部分生物量反演方法*

石永磊 王志慧 李世明 李春意 肖培青 張 攀 常曉格

(1.河南理工大學測繪與國土信息工程學院 焦作 454003； 2.黃河水利科學研究院水利部黃土高原水土保持重點實驗室 鄭州 450003； 3.中國林業科學研究院資源信息研究所 北京 100091)

植被生態系統固碳可抵消部分人為的CO2排放，是間接減排的戰略選擇，也是我國實現“碳中和”目標的重要途徑(方精云等， 2011； Xiaoetal.， 2019)。干旱/半干旱面積地區占全球陸地面積的40%以上，碳循環過程對氣候變化和人類活動的響應較為敏感，植被碳儲量估算不確定性大，已成為碳儲量遙感反演研究的熱點區域(Smithetal.， 2019)。自1978年以來，“三北防護林、退耕還林草”等生態工程在干旱半干旱地區相繼實施，我國人工林面積已躍居世界第一，但該區域降水量少，生態系統脆弱，亟需開展稀疏人工林生態系統結構與功能評估(Zhangetal.， 2015)。地上生物量是表征植被生態系統碳儲量的關鍵指標，更能反映生態系統結構與生態功能優劣(Liu， 2012)。開展稀疏人工林地上生物量遙感反演研究，對干旱地區生態工程效益評估具有重要意義。

植被地上生物量獲取的傳統方法多以地面實測為主，雖精度較高，但耗時費力且觀測站點有限，難以獲取植被地上生物量的空間分布信息(馮宗煒等， 1999)。遙感具有宏觀、動態、可重復等特點，已成為區域植被地上生物量反演的主要技術手段(李德仁等， 2012； Liu， 2012)。根據遙感平臺搭載傳感器類型，可分為光學遙感(Liuetal.， 2014； Pengetal.， 2019)、微波遙感(陳爾學， 2007； Nietal.， 2014)、激光雷達遙感(龐勇等， 2012； Latifietal.， 2015)。不同類型遙感數據反演地上生物量的物理機制不同，且各有優缺點(劉茜等， 2015)。由于中低分辨率光學遙感數據的優勢，光譜指數-地上生物量統計模型是目前最簡單易行的方法。但光譜信號對植被冠層結構變化存在飽和效應，且會受到輻射傳輸過程中各種環境因素影響，因而光譜指數-地上生物量統計模型的普適性較差。針對這一問題，前人先后將降雨(Shoshanyetal.， 2011)、林齡(Liuetal.， 2014)、紋理(龐勇等， 2017)、地形(Pengetal.， 2019)、樹種類型(Jiangetal.， 2020)等信息融入光譜指數-地上生物量模型，應用結果表明可提高茂密森林地上生物量反演精度。但是，干旱/半干旱地區天然林或人工林較為稀疏，遙感觀測混合像元問題導致光譜指數-地上生物量模型的反演精度較低(Zandleretal.， 2015； Gaoetal.， 2020)。為解決這一問題，部分學者利用高空間分辨率遙感數據首先獲取植被冠層覆蓋度，再構建覆蓋度-地上生物量模型反演地上生物量(Suganumaetal.， 2006； Ozdemir， 2008； 張華等， 2012； Wangetal.， 2016)，但該類方法大多應用于純喬木林或純灌木林區域，由于該區域木本植被類型和草本植被覆蓋度背景具有高異質性，喬灌木地上部分生物量遙感估算難度較大。探究基于分層方案的光學遙感的稀疏喬灌木地上部分生物量反演方法，可為干旱區人工林喬灌木地上部分生物量高精度反演提供理論依據。鑒于此，本研究基于無人機數據采用3種分層方案構建冠層蓋度-喬灌木地上部分生物量模型以及基于Landsat8 OLI數據采用3種分層方案構建不同光譜指數-喬灌木地上生物量模型，對比分析不同分層方案的喬灌木地上部分生物量模型精度，以期為基于遙感數據的干旱區人工林喬灌木地上部分生物量高精度反演提供科學理論依據。

1 研究區概況

毛烏素沙地位于陜西省榆林市與內蒙古自治區鄂爾多斯市之間(107°20′—111°30′E，37°27′—39°22′N)，面積約4萬km2，是中國四大沙地之一。潛在蒸散多年均值為1 048.81 mm，年均氣溫6.0～8.5 ℃，年均降水量250～400 mm，降水集中在7—9月份。由于歷史上劇烈人類活動，該地區植被嚴重退化(白壯壯， 2019)，風蝕沙化和水土流失嚴重，生存環境惡劣。經過近30年植樹造林，喬灌植被顯著增加，實現了“人進沙退”的治沙奇跡(鄭玉峰， 2015)。該區域人工喬木主要有新疆楊(Populusalbavar.pyramidalis)、旱柳(Salixmatsudana)和樟子松(Pinussylvestrisvar.mongolica)，灌木主要有沙蒿(Artemisiaordosida)、沙柳(Salixpsammophila)和檸條錦雞兒(Caraganakorshinskii)等。

2 研究方法

2.1 數據采集與處理

2.1.1 野外樣地設置與調查 2019年9月10—30日，在毛烏素沙地烏審旗境內開展了20天野外調查，共隨機調查102塊30 m×30 m樣地，采用Garmin GPSMAP 669 s測量樣地中心點坐標，該設備具有接收CORS(continuous operational reference system)信號的功能，且研究區植被稀疏，地勢平坦，可保障GPS測量坐標準確度。測量樣地內每株喬木的樹高和胸徑，每株灌木的高度和冠幅(東西向與南北向)，并記錄樣地內喬木和灌木的樹種信息，所測的102塊樣地內均至少包含1種喬木或灌木樹種。同時使用大疆無人機(Phantom 4 Pro)垂直拍照樣地，照片重疊度大于60%，利用無人機后處理軟件Photoscan對照片進行拼接和正射校正處理。

2.1.2 Landsat遙感衛星數據 從Google Earth Engine云平臺下載2019年9月21日的研究區Landsat8 OLI地表反射率數據，空間分辨率為30 m，且基于F-mask算法對影像中的云和云陰影進行標識。

2.2 基于異速生長方程的人工林地上生物量計算

由于該地區禁止砍伐樹木，因此，基于實地調查樹種類型及其胸徑、冠幅，選用喬灌木樹種異速生長方程(Liuetal.， 2014； 李海奎等， 2010； Guoetal.， 2021)計算單株喬灌木地上生物量(kg)。將樣地內所有單株木的地上部分生物量求和并除以樣地面積，即得樣地喬灌木地上部分生物量(t·hm-2)。

2.3 稀疏喬灌木地上部分生物量遙感反演方法

本研究總體技術路線見圖1。

圖1 基于光學遙感數據的稀疏喬灌木地上部分生物量反演技術路線圖

2.3.1 基于冠層覆蓋度-喬灌木地上部分生物量模型的分層建模方案 根據前人經驗，HSV顏色空間變化可有效提高基于無人機RGB圖像的植被冠層識別精度(Yanetal.， 2019)，因此將原始無人機RGB圖像進行HSV顏色空間變化。

先根據無人機圖像中的樣地邊線對樣地區域圖像進行裁剪，再利用人工目視解譯從裁剪后的樣地圖像中對地表覆蓋類型樣本進行選取，選取的樣本分別為喬木、灌木、草地、裸地和陰影，并按6∶4比例將樣本集分為訓練樣本與驗證樣本。基于eCognition軟件平臺，首先用多尺度分割算法分割無人機正射圖像，提取分割對象的紋理、亮度、飽和度等特征，再用支持向量機(SVM)算法和訓練樣本對樣地圖像分類。基于驗證樣本構建誤差矩陣，評價分類精度。冠層覆蓋度為植被像素個數占樣地總像素個數的比值。由于無人機影像中存在大量陰影，陰影內主要包含草本植被和裸土，本研究采用歸一化方法對草本植被覆蓋度進行修正，計算公式如下：

(1)

式中： GN為草本植被覆蓋度修正值，G、BS和S分別為原始草本、裸土和陰影在樣地內的面積占比。

將樣地圖像的冠層覆蓋度作為自變量，異速生長方程計算的喬灌木地上部分生物量作為因變量，兩邊取對數后建立冠層覆蓋度-喬灌木地上部分生物量統計模型：

lnAGB=alnC+b。

(2)

式中：C為喬灌木冠層覆蓋度；AGB為喬灌木地上部分生物量(t·hm-2)；a和b均為系數。

為探討稀疏喬灌混交林木本植被類型異質性對冠層覆蓋度-喬灌木地上部分生物量模型精度的影響，采用3種分層方案構建冠層覆蓋度-喬灌木地上部分生物量模型： 1) 不分層建模，即用樣地喬灌木總覆蓋度與總生物量構建喬灌木地上部分生物量模型； 2) 喬木和灌木分別建模； 3) 5個樹種(樟子松、新疆楊、旱柳、沙蒿和檸條錦雞兒)分別建模。對比分析不同分層方案的喬灌木地上部分生物量模型反演精度。

2.3.2 基于光譜指數-喬灌木地上部分生物量模型的分層建模方案 根據前人經驗，選取與植被地上生物量相關性較強的6種光譜指數： 歸一化植被指數(NDVI)(Rouseetal., 1973)、比值植被指數(RVI)(Pearsonetal., 1972)、改進型調整植被指數(MSAVI)(Qietal., 1993)、植被濕度指數(NDMI)(Gaoetal., 1996)、純植被近紅外反射率(NIRv)(Badgleyetal., 2017)和纓帽變化綠度分量(TCG)(李博倫等， 2016)。

NDVI=(NIR-R)/(NIR+R)；

(3)

RVI=NIR/R；

(4)

MSAVI=0.5×

(5)

NDMI=(NIR-SWIR1)/(NIR+SWIR1)；

(6)

NIRv=NDVI×NIR。

(7)

式中： NIR、R和SWIR1分別為Landsat8 OLI數據的近紅外波段(0.845～0.885 μm)、紅光波段(0.63～0.68 μm)和短波紅外波段(1.56～1.66 μm)的地表反射率。

提取樣地中心點GPS坐標所對應的Landsat像元地表反射率并計算相應光譜指數，將光譜指數作為自變量，異速生長方程計算的生物量作為因變量，構建光譜指數-喬灌木地上部分生物量統計模型：

AGB=a×VI+b。

(8)

式中：VI為光譜指數。

為探討稀疏喬灌混交林草本覆蓋度背景異質性對光譜指數-喬灌木地上部分生物量模型精度的影響，采用3種分層方案構建光譜指數-喬灌木地上部分生物量模型： 1)不分層建模，即所有樣地的光譜指數與喬灌木地上部分生物量構建模型； 2)有草本植被與無草本植被的樣地分別建模； 3)3種草本覆蓋度等級(0%、0～30%、>30%)的樣地分別建模。對比分析同一分層方案下，不同光譜指數反演喬灌木地上部分生物量的精度差異，以及同一光譜指數在不同分層方案下反演喬灌木地上部分生物量的精度差異。

3 結果與分析

3.1 樣地無人機影像分類

無人機影響與基于面向對象的支持向量機分類結果如圖2。利用誤差矩陣法評價無人機影像的總體分類精度、各覆蓋類型的生產者精度和用戶精度。所有樣地無人機影像分類精度評價指標的分位數如圖3所示，表明基于面向對象的支持向量機分類可獲取高空間分辨率無人機影像的高精度地表覆蓋分類結果，從而計算得到高精度植被冠層覆蓋度。

圖2 無人機影像(a)與基于面向對象的支持向量機分類結果(b)

圖3 所有樣地無人機影像分類精度指標分位數統計圖

3.2 冠層覆蓋度-喬灌木地上部分生物量模型分層建模反演結果

3種分層方案所構建的樣地冠層覆蓋度-喬灌木地上部分生物量模型見表1。圖4為喬灌木地上部分生物量模型模擬結果與實測值對比結果。不同分層方案構建的模型均通過了P<0.01的顯著性檢驗，但R2存在差異。不分層方案所構建的模型魯棒性最差(R2= 0.22)，且反演結果精度最低(RMSE = 14.98 t·hm-2)。與不分層的冠層覆蓋度-喬灌木地上部分生物量模型相比，基于喬木和灌木2種植被類型分層建模(RMSE = 7.44 t·hm-2)和基于5個樹種分層建模(RMSE = 5.82 t·hm-2)的反演誤差分別減少了50.32%和61.1%。結果表明，冠層覆蓋度-喬灌木地上部分生物量模型方法對木本植被類型較為敏感，模型反演精度會隨木本植被類型分類精細化程度增加而顯著提高。

3.3 光譜指數-喬灌木地上部分生物量模型分層建模反演結果

在3種分層方案下，用6種光譜指數分別構建光譜指數-喬灌木地上部分生物量模型(表2)，圖5為不同模型的精度驗證結果。由圖5可以看出，NIRv-喬灌木地上部分生物量模型的精度最高(3種分層方案平均RMSE = 7.25 t·hm-2)，這表明NIRv對稀疏喬灌木地上部分生物量變異的解釋能力優于其他光譜指數； 常用的NDVI-喬灌木地上部分生物量模型反演精度最低(3種分層方案平均RMSE = 9.43 t·hm-2)； 不同光譜指數對稀疏喬灌木地上部分生物量變異的解釋能力排序為NIRv>NDMI>TCG>MSAVI>RVI>NDVI。光譜指數-喬灌木地上部分生物量模型反演精度會隨草本覆蓋度等級分類精細化程度的增加而增加。其中，NIRv-喬灌木地上部分生物量模型對草本覆蓋度異質性最敏感，分層方案使RMSE減少了16.62%，而NDMI-喬灌木地上部分生物量模型對草本覆蓋度異質性最不敏感，分層方案僅使RMSE減少了8.13%。不同光譜指數-喬灌木地上部分生物量模型對草本覆蓋度背景的敏感性排序為NIRv>TCG>NDVI>MSAVI>RVI>NDMI。

表1 3種分層方案所構建的冠層覆蓋度-喬灌木地上部分生物量模型

圖4 3種分層方案下冠層覆蓋度-喬灌木地上部分生物量模型反演精度

4 討論

前人研究已表明基于高空間分辨率遙感的冠層覆蓋度-喬灌木地上部分生物量模型方法可有效消除草本植被蓋度背景對稀疏喬灌木地上部分生物量反演精度的影響(彭守璋等， 2010； 張華等， 2012； Wangetal., 2015)，但對稀疏喬灌混交林區域，木本植被類型異質性會嚴重影響冠層覆蓋度-喬灌木地上部分生物量模型反演精度。這主要是由于干旱地區喬木和灌木的冠幅與樹高之比存在明顯差異，導致二者的冠層覆蓋度與喬灌木地上部分生物量的響應關系差異顯著。若基于喬灌木混合數據(即不分層)構建喬灌木地上部分生物量模型，必然降低模型魯棒性與反演精度(Caoetal.， 2014)。因此，對稀疏喬灌混交林，必須考慮喬木和灌木2種植被類型才能使冠層覆蓋度-喬灌木地上部分生物量模型方法精度達到實用要求。

木本植被類型的冠層覆蓋度-喬灌木地上部分生物量模型精度更高，但基于高空間分辨率遙感提取喬木、灌木兩種植被類型難度較大，且不適合大范圍推廣應用。本研究繼續探討了基于Landsat衛星數據的光譜指數-喬灌木地上部分生物量模型在稀疏喬灌混交林區域的適用性。大量研究已證實純植被冠層近紅外反射率NIRv與植被初級生產力(GPP)有較強相關性(Badgleyetal.， 2017)，本研究發現NIRv與植被地上部分生物量的相關性也優于其他光譜指數，這主要是因為NIRv指數能反映更多植被冠層結構信息，同時能消除草本植被覆蓋度背景對冠層光譜的部分影響(Badgleyetal.， 2017)。

根據植被輻射傳輸過程的物理機理，影響衛星光譜信號的關鍵植被結構參數為葉面積指數，而不是冠層覆蓋度(Heetal.， 2019)，因此光譜指數-喬灌木地上生物量模型反映的是葉面積指數與喬灌木地上部分生物量之間的生物物理響應關系。考慮草本覆蓋度背景異質性的分層方案可有效提高光譜指數-喬灌木地上部分生物量模型的反演精度，但不同光譜指數-喬灌木地上部分生物量模型對草本覆蓋度背景的敏感性存在差異。NIRv是NDVI與近紅外反射率的乘積，而NDVI受草本植被綠度影響較大，因此草本植被變化對NDVI和NIRv反演喬灌木地上部分生物量精度影響較大。而干旱地區草本植被葉片含水量較低，NDMI對草本覆蓋度變化并不敏感，因此，草本植被覆蓋變化對NDMI反演精度影響較小。

表2 3種分層方案所構建的光譜指數-喬灌木地上部分生物量模型

圖5 3種分層方案下6種光譜指數-喬灌木地上部分生物量模型反演精度

本研究所用實測喬灌木地上部分生物量數據是由前人構建的喬木、灌木異速生長方程計算得到的，與真實喬灌木地上部分生物量的絕對值存在一定偏差，但該偏差為系統誤差，并不影響不同喬灌木地上部分生物量模型的精度評價和相互對比關系。本研究利用面向對象的機器學習算法分類地表覆蓋精度較高，但分類誤差仍會影響喬灌木地上部分生物量反演精度，需結合深度學習算法，以期降低由圖像分類誤差引起的喬灌木地上部分生物量反演不確定性。本研究僅利用了統計回歸方法對喬灌木地上部分生物量遙感反演進行研究，今后需綜合利用混合像元分解與輻射傳輸模型，研究光學衛星觀測信號與植被喬灌木地上生物量的物理響應關系(Jos′eetal.， 2021； 陳晉等， 2016； 柳欽火等， 2016)，有機結合微波和激光雷達數據，提高衛星反演喬灌木地上生物量方法的普適性與精度水平。

5 結論

1) 木本植被類型對冠層覆蓋度-喬灌木地上部分生物量模型精度影響較大，考慮木本植被類型的分層方案可顯著提高反演精度，且反演精度隨分層精細程度增加而增加，至少需區分喬木和灌木兩種木本植被類型才能保證冠層覆蓋度-喬灌木地上部分生物量模型在喬灌混交林區域的反演精度滿足實用需求。

2) 基于草本植被覆蓋度的分層方案可顯著提高光譜指數-生物量模型反演精度，但每種光譜指數-喬灌木地上部分生物量模型對草本覆蓋度背景的敏感性又存在差異。

3) 高空間分辨率遙感可用于獲取木本植被類型及其草本覆蓋度背景信息等先驗知識，基于Landsat衛星數據的考慮草本植被覆蓋度背景的分層方案的NIRv-喬灌木地上部分生物量統計模型適于大區域稀疏喬灌木地上部分生物量的遙感反演。