普洱季風常綠闊葉林喬木物種多樣性高分辨率遙感估測

劉魯霞,龐 勇,桑國慶,李增元,胡 波

1 濟南大學水利與環(huán)境學院,濟南 250024 2 中國林業(yè)科學研究院資源信息所 國家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點實驗室,北京 100091

季風常綠闊葉林是我國熱帶季雨林、雨林向亞熱帶常綠闊葉林過渡的植被類型,具有豐富的物種及復(fù)雜的垂直結(jié)構(gòu),林冠高度一般在28 m以上[1]。由于復(fù)雜的結(jié)構(gòu)及較高的生產(chǎn)力水平及生物多樣性水平,季風常綠闊葉林對于保護環(huán)境和維持全球碳平衡都具有不可替代作用[2]。季風常綠闊葉林是云南普洱地區(qū)主要的森林植被類型之一,由于受人類種植活動的影響,其分布面積逐年下降,嚴重影響到森林生態(tài)系統(tǒng)功能與服務(wù)的發(fā)揮[3]。近年來,隨著天然林資源保護工程等生態(tài)工程的實施,森林面積呈現(xiàn)恢復(fù)性增長的趨勢,但新增加森林的功能仍然需要更長時間才能恢復(fù)[4]。因此,對季風常綠闊葉林群落生物多樣性維持機制研究對天然林保護具有重要意義。

盡管地面調(diào)查如森林動態(tài)監(jiān)測大樣地建設(shè)或離散小樣方取樣是研究群落結(jié)構(gòu)、功能及動態(tài)、群落與環(huán)境因子關(guān)系以及生物多樣性維持機制等的重要手段。由于人力、物力所限,地面調(diào)查不可能對森林生物多樣性進行全面而詳細的調(diào)查及監(jiān)測,如何將小尺度地面調(diào)查信息推演到大尺度是當前面臨的重大挑戰(zhàn)[5]。遙感觀測技術(shù)具有覆蓋廣、持續(xù)、動態(tài)的特點,為生物多樣性大區(qū)域、持續(xù)監(jiān)測提供了大量數(shù)據(jù)源。一般來說,森林物種多樣性遙感監(jiān)測有兩種方法：一是利用遙感數(shù)據(jù)直接監(jiān)測森林生物個體；二是利用遙感獲取的環(huán)境參數(shù)間接估測森林物種多樣性[6]。由于熱帶、亞熱帶地區(qū)森林垂直結(jié)構(gòu)復(fù)雜,使用高分辨率遙感直接監(jiān)測森林生物個體面臨很大困難。根據(jù)森林物種多樣性與環(huán)境之間的假設(shè),如生產(chǎn)力假說、環(huán)境異質(zhì)性假說及光譜異質(zhì)性假說,使用遙感技術(shù)如Landsat長時間序列衛(wèi)星遙感數(shù)據(jù)間接監(jiān)測物種多樣性應(yīng)用越來越廣泛[7]。生產(chǎn)力假說主要是基于生態(tài)系統(tǒng)食物網(wǎng)和資源制約理論,該假說認為當資源量充足可靠時,單位面積上共存的物種數(shù)量就會越多[8]。長期以來,生態(tài)學家一直對物種多樣性及環(huán)境異質(zhì)性之間的關(guān)系進行研究,環(huán)境異質(zhì)性越高,其包含的潛在生態(tài)位越多,能夠支持的物種數(shù)量越多[9]。其中,根據(jù)遙感信號中的光譜變異或光譜異質(zhì)性也間接反映了環(huán)境異質(zhì)性,也被當作估測物種多樣性的有用工具。因此,代表生產(chǎn)力水平的植被指數(shù)[10]和垂直結(jié)構(gòu),代表環(huán)境異質(zhì)性的土地利用類型、植被類型分類數(shù)據(jù)[11],代表光譜多樣性的光譜反射率變異參數(shù)[12]等遙感獲取的間接參數(shù)用作解釋森林物種多樣性。

使用遙感數(shù)據(jù)監(jiān)測森林物種多樣性時,一般來說遙感數(shù)據(jù)的空間分辨率即像元大小要小于樣地大小[13]。Rocchini等[14]在對比不同空間分辨率遙感數(shù)據(jù)對生態(tài)系統(tǒng)α多樣性的估測能力影響時發(fā)現(xiàn)由于混合像元問題,更粗的空間分辨率導(dǎo)致對α多樣性的估測能力較差。更高的空間分辨率能獲取樣地尺度內(nèi)遙感變異參數(shù),對于使用遙感數(shù)據(jù)解釋森林物種多樣性比粗分辨率遙感數(shù)據(jù)更有優(yōu)勢。因此,高分辨率遙感數(shù)據(jù)在估測區(qū)域森林物種多樣性中發(fā)揮著不可替代的作用[15]。機載高光譜數(shù)據(jù)由于其較高的空間和光譜分辨率,在森林樹種分類應(yīng)用上具有較大優(yōu)勢,對精細尺度森林物種多樣性估測研究具有重要價值[16]。光譜異質(zhì)性假說是連接高光譜數(shù)據(jù)與植被生物多樣性之間的橋梁,生物多樣性豐富的植被在高光譜數(shù)據(jù)中往往具有更高的異質(zhì)性。在國內(nèi)外的相關(guān)研究中,很多種光譜多樣性(Spectral Diversity)參數(shù)經(jīng)常被用作估測植被物種多樣性：光譜指數(shù)或波段反射率變異系數(shù)[17—18]、光譜反射率導(dǎo)數(shù)[19—20]、包絡(luò)線去除[21]、光譜凸包體積或面積[22—23]、光譜角制圖[24]、光譜信息發(fā)散[21]等。先前的研究證明這些光譜多樣性參數(shù)對物種多樣性估測能力受很多因素影響如空間分辨率、時相、物種分布、氣候、地形、土壤等,而且并沒有找到對物種多樣性估測最敏感的光譜多樣性參數(shù)[21]。

被動光學遙感數(shù)據(jù)可以用來識別植被類型和水平景觀結(jié)構(gòu),然而植被的水平及垂直結(jié)構(gòu)在生物多樣性監(jiān)測中都是十分重要的[5]。森林垂直結(jié)構(gòu)越復(fù)雜,表明森林群落中擁有更多的潛在生境和生態(tài)位,意味著可以支持更多的植被種類生存[25]。LiDAR技術(shù)可以直接獲取地表的三維結(jié)構(gòu)信息,被廣泛應(yīng)用于森林垂直及水平結(jié)構(gòu)參數(shù)提取,如樹冠高度、單木分割、葉面積指數(shù)與郁閉度、冠層垂直剖面、生物量水平及樹種分類等[5],這些間接獲取的環(huán)境參量都可以用于森林物種多樣性估測。近年來LiDAR數(shù)據(jù)提取的森林垂直結(jié)構(gòu)參數(shù)開始用于森林喬木物種多樣性建模中。根據(jù)Bergen等[26]的研究,發(fā)現(xiàn)LiDAR提取垂直結(jié)構(gòu)參數(shù)對物種豐富度具有較好的指示作用,尤其在森林垂直結(jié)構(gòu)復(fù)雜的區(qū)域。Wallis等[27]則發(fā)現(xiàn)基于機載LiDAR提取的森林垂直結(jié)構(gòu)參數(shù)對森林物種組成及分布具有顯著影響。一般來說,從LiDAR中提取的與森林物種多樣性相關(guān)的參數(shù)主要包括：微觀地形(局部坡度、粗糙度等)、宏觀地形(海拔、坡度、坡向等)及冠層結(jié)構(gòu)信息[28]。相對于森林物種多樣性遙感估測應(yīng)用較為廣泛的光譜異質(zhì)性假說,Torresani等[29]提出了高度異質(zhì)性假說。在他的研究中,Torresani基于LiDAR提取的冠層高度模型(CHM)使用異質(zhì)性指數(shù)Rao′Q 計算高度異質(zhì)性,并建立高度異質(zhì)性與森林物種多樣性之間的關(guān)系。

關(guān)于我國南亞熱帶季風常綠闊葉林物種多樣性維持機制的研究還不夠充分[30],而且鮮有用遙感技術(shù)研究針對南亞熱帶季風常綠闊葉林物種多樣性進行估測研究。然而對南亞熱帶季風常綠闊葉林物種多樣性估測對當?shù)靥烊涣值谋Ｗo具有重要意義。本文以普洱季風常綠闊葉林為研究對象,使用同步獲取的機載高光譜和激光雷達數(shù)據(jù),提取適用于研究區(qū)森林喬木物種多樣性監(jiān)測的光譜多樣性參數(shù)和森林垂直結(jié)構(gòu)參數(shù),探討機載高光譜和激光雷達數(shù)據(jù)對研究區(qū)季風常綠闊葉林森林喬木物種多樣性估測能力。

圖1 研究區(qū)位置及樣地分布Fig.1 Study area and plot′s location

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于云南省普洱市,地理位置為22°27′—23°06′N,100°19′—101°27′,海拔500—2200 m,地形起伏較大,為典型的高山地貌。受亞熱帶季風氣候影響,降水量豐沛但季節(jié)分配極不均勻,表現(xiàn)為5—10月降水量占全年降水量的86.9%,年降水量在1200 mm以上。年平均氣溫為17.7℃。

研究區(qū)(如圖1機載遙感數(shù)據(jù)覆蓋范圍)內(nèi)植被以季風常綠闊葉林、思茅松林為主,同時還有一部分山地雨林和溝谷季雨林。季風常綠闊葉林作為該區(qū)域的地帶性植被類型,林冠層主要由殼斗科(Fagaceae)物種如短刺錐(Castanopsisechidnocarpa)、紅錐(Castanopsishystrix)及山茶科(Theaceae)物種如西南木荷(Schimawallichii)等組成[31]。受人類活動影響,季風常綠闊葉林常被砍伐作為薪碳、改造成茶園和農(nóng)地等。近年來隨著各項保護措施出臺,季風常綠闊葉林不斷恢復(fù),形成不同恢復(fù)群落如思茅松林、以思茅松為優(yōu)勢木的針闊混交林和闊葉混交林[32—33]。

本研究獲取的機載遙感數(shù)據(jù)覆蓋了太陽河省級自然保護區(qū)大部分區(qū)域,該自然保護區(qū)保留著中國面積最大、最完整的季風常綠闊葉林為標志的南亞熱帶原始森林,具有南亞熱帶和北緣熱帶的代表性植被類型和動物種群,是北回歸線上不可多得的自然生態(tài)景觀和生物資源寶庫[34]。

1.2 數(shù)據(jù)獲取及處理

1.2.1機載遙感數(shù)據(jù)

機載遙感數(shù)據(jù)采集時間為2014年3—4月,飛行平臺是運- 12小型運輸機,可以低速穩(wěn)定飛行,相對飛行高度約為1500 m。飛機上搭載的傳感器系統(tǒng)為中國林業(yè)科學研究院資源信息所集成的LiCHy系統(tǒng)[35],可以同步高效獲取LiDAR、CCD、高光譜數(shù)據(jù)。

其中獲取LiDAR數(shù)據(jù)的傳感器為Riegl公司的LMS-Q680i,獲取的LiDAR數(shù)據(jù)為全波形數(shù)據(jù)。經(jīng)過波形分解、地理編碼等一系列預(yù)處理后,獲取的激光點云密度為1.5 pts/m2。然后使用TerraSolid、Lastools等軟件對分解點云進行預(yù)處理,包括去除噪聲點、地面點分類和生產(chǎn)數(shù)字高程模型(Digital Elevation Model,DEM)、數(shù)字表面模型(Digital Surface Model,DSM)、冠層高度模型(Canopy Height Model,CHM)和點云高程歸一化處理。獲取高光譜數(shù)據(jù)的傳感器為AISA Eagle Ⅱ,獲取的高光譜數(shù)據(jù)經(jīng)輻射定標、幾何校正、BRDF輻射校正等預(yù)處理后得到光譜分辨率為9.2 nm,空間分辨率為1 m的高光譜反射率數(shù)據(jù)[36]。通過對比機載激光雷達數(shù)據(jù)提取CHM與機載高光譜影像,兩種數(shù)據(jù)的配準精度小于兩個像元。

1.2.2群落調(diào)查數(shù)據(jù)

為了獲取地面建模和驗證數(shù)據(jù),于2013年11—12月對研究區(qū)季風常綠闊葉林群落進行了野外調(diào)查,共獲取半徑為15m的圓形樣地數(shù)據(jù)58塊,分為思茅松林(S1)、針闊混交林(S2)和闊葉混交林(S3)三種類型。樣地分布如圖1所示。樣地每木調(diào)查起測胸徑為5 cm,調(diào)查因子主要包括：樣地中心位置、樹種以及每木的胸徑、樹高、冠幅等因子。單木的樹高采用激光測高儀進行量測,中心位置的獲取使用差分全球定位系統(tǒng)。在本研究中喬木物種多樣性計算指標為Shannon-Wiener物種多樣性指數(shù),可以對群落物種組成的豐富度及均勻度進行綜合評價,是目前應(yīng)用較為廣泛的指標。樣地Shannon-Wiener物種多樣性指數(shù)計算方式如下式所示。

Shannon-Wiener指數(shù):

(1)

其中pi為有S個物種的群落中第i個物種的個體數(shù)占所有物種總個體數(shù)的比例。

樣地Shannon-Wiener物種多樣性指數(shù)分布如表1所示,多樣性指數(shù)在1—2.5之間的樣地分布最多。所有樣地中包含最少樹種為3種,最多樹種為27種。包含樹種較少的樣地一般來源于思茅松林,來源于季風常綠闊葉林被采伐后的恢復(fù)群落。

表1 樣地喬木Shannon-Winner物種多樣性指數(shù)和物種豐富度匯總

2 研究方法

本研究的總體技術(shù)路線如圖2所示。根據(jù)光譜異質(zhì)性和環(huán)境異質(zhì)性假說,分別從經(jīng)過預(yù)處理的機載高光譜和LiDAR點云數(shù)據(jù)中提取光譜多樣性特征集和垂直結(jié)構(gòu)特征集。由于獲取的遙感特征集較多,采用相關(guān)分析、RFE特征選擇等方法選擇適用于表征研究區(qū)森林喬木物種多樣性的光譜和垂直結(jié)構(gòu)特征。最后采用隨機森林模型(Random Forest,RF)對森林物種多樣性進行建模并分析模型表現(xiàn)。

圖2 技術(shù)流程圖Fig.2 Technical flowchart

2.1 光譜多樣性特征提取

根據(jù)光譜異質(zhì)性假說,使用機載高光譜數(shù)據(jù)共提取以下幾個方面的光譜多樣性特征。

2.1.1光譜反射率的變異系數(shù)

在一些研究中,使用指定區(qū)域如樣地范圍內(nèi)光譜反射率的變異系數(shù)來建立光譜異質(zhì)性與物種多樣性指數(shù)的關(guān)系[37—38]。光譜反射率的變異系數(shù)計算方法為：首先計算樣地范圍內(nèi)每個波段反射率的變異系數(shù),然后對所有波段取平均值。

2.1.2光譜植被指數(shù)

從特定波段計算出的光譜植被指數(shù)被廣泛應(yīng)用在探索植被生物化學參數(shù)中,為森林樹種分類或估測森林物種多樣性提供了特征提取方式[39]。使用ENVI軟件從高光譜數(shù)據(jù)中計算所有可以計算的光譜指數(shù),其中包括與寬帶綠度(如歸一化植被指數(shù)、比值植被指數(shù))、窄帶綠度(如紅邊歸一化植被指數(shù)、改進紅邊比值植被指數(shù)、紅邊位置指數(shù)等)、光利用率(光化學植被指數(shù)、結(jié)構(gòu)不敏感色素指數(shù)等)、葉色素(類胡蘿卜反射率指數(shù)、花青素反射率指數(shù))、冠層水分含量(水波段指數(shù)、水分脅迫指數(shù)等)等相關(guān)植被指數(shù)。

使用高光譜數(shù)據(jù)計算的大量光譜指數(shù)具有一定的相關(guān)性,因此先對這些植被指數(shù)進行相關(guān)性分析,去除Pearson相關(guān)系數(shù)的絕對值大于0.9(|R|>0.9)的植被指數(shù)。然后每個植被指數(shù)計算樣地范圍內(nèi)的變異系數(shù)。

2.1.3植被冠層光譜反射和吸收特征

圖3 各波段反射率變異系數(shù)與Shannon-Winner多樣性指數(shù)相關(guān)關(guān)系Fig.3 The Pearson′s correlation between the cv of all band′s reflectance and tree species Shannon-Winner diversity index

一般來說,健康植被光譜反射曲線具有典型的光譜反射和吸收特征。本研究利用高光譜反射率數(shù)據(jù)和高光譜一階導(dǎo)數(shù)數(shù)據(jù),提取綠波段反射峰、紅波段葉綠素吸收谷、紅邊位置、近紅外反射峰和波段深度等植被光譜吸收和反射特征。

同時,本研究根據(jù)所有63個高光譜波段反射率變異系數(shù)與樣地Shannon-Winner物種多樣性指數(shù)之間的相關(guān)性(如圖3所示),選擇兩個與樣地Shannon-Winner物種多樣性指數(shù)之間的相關(guān)性較高的波段,即中心波長位于0.55μm附近的綠光波段和0.9μm附近的近紅外波段組成綠光-近紅外組合指數(shù)(如公式2所示),增大不同像元之間森林冠層在近紅外和綠光波段反射率的差異。

(2)

式中N.G為構(gòu)建的綠光-近紅外組合指數(shù),ρ900和ρ550是中心波長位于900nm和550nm的波段反射率。

2.1.4凸包體積

在植被光譜多樣性相關(guān)研究中,光譜反射率凸包體積(Convex Hull Volume, CHV)經(jīng)常被使用[22—23]。凸包體積計算方法如下：首先使用高光譜反射率數(shù)據(jù)計算樣地范圍內(nèi)所有像元的前三主成分,然后計算這些三維散點形成的凸包體積。凸包體積越大,代表樣地范圍內(nèi)光譜異質(zhì)性越高。

2.1.5光譜角制圖

光譜角制圖通過計算像元光譜與參考光譜之間矢量夾角,根據(jù)夾角的大小來確定光譜的相似程度。因此在植被光譜多樣性相關(guān)研究中,光譜角制圖法應(yīng)用較為廣泛。角度越大,代表樣地范圍具有較高的光譜異質(zhì)性。本研究通過調(diào)用R語言中RStoolbox內(nèi)sam()函數(shù)計算樣地范圍內(nèi)所有像元與平均光譜反射率之間的夾角來代表光譜異質(zhì)性參數(shù)。

2.1.6光譜平均距離

光譜異質(zhì)性也可以通過計算樣地范圍內(nèi)所有像元的光譜反射率至樣地范圍內(nèi)平均光譜反射率(光譜中心)的距離的均值來代表。Oldeland等發(fā)現(xiàn)光譜反射率至光譜中心的平均距離與樣地Shannon-Wiener多樣性指數(shù)具有一定的相關(guān)關(guān)系,Pearson相關(guān)系數(shù)達0.62[40]。

2.2 垂直結(jié)構(gòu)特征提取

本研究通過對點云數(shù)據(jù)的統(tǒng)計提取的點云垂直結(jié)構(gòu)參數(shù)來代表森林垂直結(jié)構(gòu)。根據(jù)樣地調(diào)查尺度,本研究的統(tǒng)計單元為30 m×30 m。統(tǒng)計中包括點云高度統(tǒng)計(高度統(tǒng)計值和高度分位數(shù))和點云百分比統(tǒng)計(指定高度點云所占比例,植被點高度閾值設(shè)置為0.5 m)。通過在研究區(qū)不同位置截取LiDAR點云垂直剖面發(fā)現(xiàn),研究區(qū)常綠闊葉林可大致分為灌木層(H<5 m)、下層木(5 m10 m),針闊混交林大致分為灌木層(H<5 m)、下層木(5 m20 m)。除了計算林分中所有植被點的垂直分布統(tǒng)計參數(shù),本研究還計算了不同垂直層次的植被點的統(tǒng)計參數(shù)。垂直分層設(shè)置為0.5—5 m(E1),5—10 m(E2),10—20 m(E3),>20 m(E4)。

2.3 隨機森林模型

隨機森林(Random Forest,RF)模型是一種基于分類樹的算法,通過對大量分類樹匯總來提高模型預(yù)測精度。模型首先由Breiman提出,廣泛應(yīng)用于分類和回歸任務(wù)[41]。隨機森林模型“隨機”且有放回地從樣本中抽取訓(xùn)練樣本,沒有被抽到的數(shù)據(jù)集組成袋外數(shù)據(jù)(out-of-bag, OOB),可用作預(yù)測模型正確率或特征的重要性。隨機森林模型同時“隨機”選取分裂特征集,從選取特征中選擇最具區(qū)分能力的某個特征使節(jié)點分裂。因此隨機森林模型不易陷入過擬合,而且通過特征對節(jié)點純度的影響,也可以對變量重要度進行排序。除此之外,隨機森林模型還具有較強的處理高維特征能力、參數(shù)調(diào)整較少、建樹過程中內(nèi)部使用無偏估計、可以很好處理缺失值等優(yōu)點,在生態(tài)遙感應(yīng)用廣泛。隨機森林模型通常只需要設(shè)置3個參數(shù)：終節(jié)點規(guī)模(nodesize),每個分離點選擇的變量數(shù)(mtry)及樹分類器的個數(shù)(ntree)[42]。為了選擇最優(yōu)參數(shù),本文使用網(wǎng)格尋優(yōu)方法選擇最佳隨機森林模型參數(shù)。

表2 基于機載LiDAR數(shù)據(jù)森林垂直結(jié)構(gòu)參數(shù)統(tǒng)計表

2.4 特征選擇

由于提取的特征值之間相關(guān)性較高,為了減少進入模型的特征數(shù)量,本研究首先根據(jù)特征值之間的Pearson相關(guān)系數(shù),經(jīng)過反復(fù)對比分析,去除相關(guān)性|R|>0.9的特征值。然后利用樣地實測Shannon-Wiener物種多樣性指數(shù)與挑選出的特征值開展相關(guān)分析,經(jīng)過對比分析之后去除相關(guān)性|R|<0.2的特征值。這些被去除的特征參數(shù)對模型精度沒有顯著影響。

由于本研究中遙感特征值較多,而樣本個數(shù)較少,因此執(zhí)行隨機森林建模之前,使用基于隨機森林算法的遞歸特征消除方法(Random Forest Recursive Feature Elimination, RF-RFE)去除對模型精度沒有顯著貢獻的變量[15]。RF-RFE方法的基本步驟為：根據(jù)隨機森林模型給出的變量重要性,參考多次10折交叉驗證的模型精度,從最重要變量到最不重要變量迭代考察每個加入變量對模型精度的影響。對于沒有顯著提高模型精度的變量最終得以剔除。

2.5 季風常綠闊葉林喬木物種多樣性指數(shù)建模與制圖

使用隨機森林算法,以實測Shannon-Winner物種多樣性指數(shù)為因變量,以RF-RFE方法選擇出的機載高光譜和LiDAR特征集為自變量建立估測模型,并以R2與RMSE作為模型評價指標。最后利用建立的隨機森林模型估測研究區(qū)季風常綠闊葉林喬木物種Shannon-Winner多樣性指數(shù)的分布。結(jié)合NDVI和CHM,區(qū)分研究區(qū)非植被區(qū)域、低矮植被區(qū)域和森林區(qū)域。本研究僅對研究區(qū)森林區(qū)域Shannon-Winner物種多樣性指數(shù)進行預(yù)測、制圖。

圖4 基于隨機森林算法的光譜多樣性RFE冗余特征去除Fig.4 RF-RFE feature selection from spectral diversity features

3 結(jié)果與分析

3.1 特征選擇

3.1.1光譜多樣性特征選擇

圖4展示了使用光譜多樣性特征的RFE冗余變量去除結(jié)果。通過對高光譜數(shù)據(jù)光譜多樣性特征提取、篩選,共獲取18個光譜多樣性特征進入RF-RFE特征選擇。這些特征與Shannon-Winner多樣性指數(shù)相關(guān)性|R|均大于0.25并具有顯著性差異,特征之間相關(guān)性|R|不大于0.9。根據(jù)隨機森林給出的變量重要度排序,隨著變量個數(shù)增加,隨機森林模型十折交叉驗證中RMSE先大幅下降后再小幅下降并保持低值。因此,對隨機森林估測模型沒有顯著貢獻或者降低模型精度的變量被去除,共10個光譜多樣性特征被選擇(如表3所示)。這些特征與Shannon-Winner多樣性指數(shù)、特征之間的相關(guān)性、顯著性如圖5所示。其中,SW表示樣地實測Shannon-Wiener物種多樣性指數(shù)。

表3 RF-RFE選擇的光譜多樣性特征

在沒有進入RF-RFE特征選擇中的光譜多樣性特征中,“紅邊位置指數(shù)”(皮爾遜相關(guān)系數(shù)R=0.52),“近紅外反射率變異系數(shù)”(R=0.5),“改進非線性指數(shù)”(R=0.48),“光譜反射率平均變異系數(shù)”(R=0.43),“單一比值指數(shù)”(R=0.41),“轉(zhuǎn)換葉綠素吸收反射比指數(shù)” (R=0.37),“平均光譜角”(R=0.34)等光譜多樣性特征與樣地實測Shannon-Winner多樣性指數(shù)均具有較好的線性相關(guān)關(guān)系。但是在特征選擇中,這些特征對模型精度沒有顯著貢獻。相反,被RF-RFE特征選擇出的“歸一化植被指數(shù)”、“水波段指數(shù)”和“歸一化泥漿指數(shù)”與樣地實測Shannon-Winner多樣性指數(shù)均具有相對較差的線性相關(guān)關(guān)系。結(jié)果表明使用高光譜數(shù)據(jù)提取的光譜多樣性特征參數(shù)對研究區(qū)內(nèi)森林喬木Shannon-Winner多樣性進行建模時,線性回歸模型并不適合。同時說明在進行喬木物種多樣性建模之間,對擬參與建模特征進行選擇的必要性。

3.1.2垂直結(jié)構(gòu)特征選擇

圖6展示了使用LiDAR數(shù)據(jù)提取的垂直結(jié)構(gòu)特征的RF-RFE冗余變量去除結(jié)果。通過對LiDAR垂直結(jié)構(gòu)特征提取、篩選,共獲取18個垂直結(jié)構(gòu)特征進入RF-RFE特征選擇。這些特征與Shannon-Winner多樣性指數(shù)相關(guān)性|R|均大于0.2并具有顯著性差異,特征之間相關(guān)性|R|小于0.8。根據(jù)圖7中隨機森林模型交叉驗證RMSE變化情況,去除對隨機森林估測模型沒有顯著貢獻或者降低模型精度的變量。共4個垂直結(jié)構(gòu)特征被選擇(如表4所示),包括2個5—10 m間點云高度分布特征和2個與植被覆蓋度有關(guān)的特征。這些特征與Shannon-Winner多樣性指數(shù)、特征之間的相關(guān)性、顯著性如圖7所示。

圖5 RF-RFE選擇光譜多樣性特征與Shannon-Winner指數(shù)之間相關(guān)關(guān)系Fig.5 Correlation between RF-RFE selected spectral diversity features and Shannon-Winner species diversity index圖中對角線為樣本分布柱狀圖；左下角為散點圖；右上角數(shù)字為樣本特征之間Pearson相關(guān)性,顯著性代碼為：0‘***’,0.001‘**’,0.01‘*’,0.05‘.’,0.1‘ ’

表4 RF-RFE選擇的垂直結(jié)構(gòu)特征

圖6 基于隨機森林算法的垂直結(jié)構(gòu)特征RFE冗余特征去除Fig.6 RF-RFE feature selection from vertical structure features

除了“5—10m間點云高度分布峰度值”和“5—10m間點云高度分布中值”以外,在沒有進入RF-RFE特征選擇中的垂直結(jié)構(gòu)特征中,如“5—10 m點云高度分布標準差”(R= 0.48)、“10—20 m點云高度分布變異系數(shù)”(R= 0.42)、“0.5—5 m點云高度分布變異系數(shù)”(R= -0.42)、“0.5—5 m點云高度分布偏度”(R= -0.44)與樣地實測Shannon-Winner多樣性指數(shù)之間具有較好的線性相關(guān)關(guān)系。點云高度分布的標準差、變異系數(shù)及峰度、偏度等統(tǒng)計特征表明了點云在垂直方向上分布的異質(zhì)性,與點云覆蓋度相關(guān)特征相比對森林喬木Shannon-Winner物種多樣性指數(shù)更具有指示作用。雖然選擇出的點云覆蓋度相關(guān)特征與森林喬木Shannon-Winner物種多樣性具有較小的線性相關(guān)關(guān)系,但是其對提高模型精度具有較大貢獻。因此根據(jù)LiDAR提取垂直結(jié)構(gòu)特征的RF-RFE特征選擇結(jié)果,選擇4個垂直結(jié)構(gòu)特征進行森林喬木Shannon-Winner物種多樣性建模。

圖7 RF-RFE選擇垂直結(jié)構(gòu)特征與Shannon-Winner指數(shù)之間相關(guān)關(guān)系Fig.7 Correlation between RF-RFE selected vertical structure features and Shannon-Winner species diversity index圖中對角線為樣本分布柱狀圖；左下角為散點圖；右上角數(shù)字為樣本特征之間Pearson相關(guān)性,顯著性代碼為：0‘***’,0.001‘**’,0.01‘*’,0.05‘.’,0.1‘ ’

3.1.3光譜+垂直結(jié)構(gòu)特征選擇

根據(jù)選擇出的10個光譜多樣性特征和4個垂直結(jié)構(gòu)特征,執(zhí)行RF-RFE特征選擇。圖8展示了使用光譜+垂直結(jié)構(gòu)特征的RF-RFE冗余變量去除結(jié)果。雖然單獨使用光譜或者垂直結(jié)構(gòu)特征進行建模時,RF-RFE特征選擇方法選擇了對模型精度具有最大貢獻的少量特征。當把兩種選擇出的特征組合在一起時,仍有一些特征對提高模型精度沒有顯著貢獻。因此本研究最終選擇出7個光譜+垂直結(jié)構(gòu)特征參與最終的Shannon-Winner物種多樣性指數(shù)建模與預(yù)測。這7個特征包括E2.Kurtosis、P1、P2、E2.Median垂直結(jié)構(gòu)特征和GNDVI、N.G、ARI光譜多樣性特征。

圖8 LiDAR&高光譜數(shù)據(jù)RF-RFE特征選擇結(jié)果 Fig.8 RF-RFE feature selection from airborne hyperspectral and LiDAR features

3.2 物種多樣性指數(shù)建模及結(jié)果預(yù)測

3.2.1特征重要度排序

在Shannon-Winner物種多樣性指數(shù)建模過程中,分別從高光譜、LiDAR數(shù)據(jù)提取特征中選擇10個和4個特征。得到隨機森林模型后,使用袋外交叉驗證中各特征對模型精度均方誤差(Mean Squared Error,MSE)增加的大小(%IncMSE)評價特征重要度。這些特征在模型中的重要度排序如圖9所示。在基于高光譜數(shù)據(jù)光譜多樣性特征的隨機森林模型建模中,近紅外-綠光波段組合指數(shù)(N.G)、綠度歸一化植被指數(shù)(GNDVI)、光譜平均距離(MDC)和花青素反射率指數(shù)(ARI)對模型建模精度的影響較大。在基于LiDAR數(shù)據(jù)垂直結(jié)構(gòu)特征的隨機森林建模中,與冠層覆蓋度相關(guān)的特征相比,下層木(5 m

圖9 隨機森林模型變量重要度排序Fig.9 The variable importance of random forest model

3.2.2物種多樣性指數(shù)建模結(jié)果

圖10展示了使用隨機森林模型和高光譜、LiDAR數(shù)據(jù)以及高光譜+LiDAR數(shù)據(jù)提取特征對Shannon-Winner物種多樣性指數(shù)建模結(jié)果散點圖。圖10中藍色直線為1∶1線,紅色直線為線性回歸線,樣地最大樹高以散點大小標記,樣地森林類型以散點顏色區(qū)分(S1為思茅松林,S2為針闊混交林,S3為闊葉混交林)。

圖10 基于高光譜和LiDAR數(shù)據(jù)的Shannon-Winner物種多樣性隨機森林模型預(yù)測結(jié)果Fig.10 The scatter plots between prediction and observation for Shannon-Winner species diversity index

從圖10來看,使用隨機森林模型對樣地Shannon-Winner物種多樣性指數(shù)的估測結(jié)果均出現(xiàn)對高物種多樣性樣本的低估情況。使用LiDAR數(shù)據(jù)提取的垂直結(jié)構(gòu)特征對Shannon-Winner物種多樣性指數(shù)的建模精度(R2為0.5,RMSE為0.45)略高于使用高光譜數(shù)據(jù)提取的光譜多樣性特征的建模精度(R2為0.48,RMSE為0.46)。然而,結(jié)合LiDAR數(shù)據(jù)提取的垂直結(jié)構(gòu)特征和高光譜數(shù)據(jù)提取的光譜多樣性特征,使用隨機森林模型對Shannon-Winner物種多樣性指數(shù)的建模精度大大提高(R2為0.69,RMSE為0.37),估測結(jié)果更加收斂。結(jié)果表明結(jié)合森林垂直結(jié)構(gòu)信息和水平光譜分布信息對研究區(qū)森林Shannon-Winner物種多樣性具有更好的估測作用。

從圖10中可以看出,使用高光譜數(shù)據(jù)提取的光譜多樣性特征對針闊混交林的估測結(jié)果較差。可能的原因是針闊混交林內(nèi)上層木一般被高大的陽性樹種思茅松覆蓋,使用高光譜數(shù)據(jù)很難獲取中下層木的光譜異質(zhì)性特征。而闊葉混交林上層覆蓋物種更加多樣,與樣地中整體物種多樣性分布更加相關(guān),因此使用高光譜數(shù)據(jù)獲取的光譜多樣性特征對研究區(qū)闊葉混交林的估測精度比針闊混交林更高。由于不同的樹種分布往往表現(xiàn)出不同的森林垂直結(jié)構(gòu),因此使用LiDAR數(shù)據(jù)提取的垂直結(jié)構(gòu)特征對研究區(qū)針闊混交林和闊葉混交林均具有一定的代表性。與高光譜數(shù)據(jù)相比,使用LiDAR提取的垂直結(jié)構(gòu)指數(shù)對闊葉混交林、針闊混交林Shannon-Winner物種多樣性指數(shù)的估測結(jié)果沒有顯著差異。因此結(jié)合兩種數(shù)據(jù)有助于提高對研究區(qū)森林Shannon-Winner物種多樣性指數(shù)的反演精度。

3.2.3研究區(qū)物種多樣性制圖

太陽河自然保護區(qū)分布著大片、連續(xù)的原始季風常綠闊葉林,具有豐富的生物多樣性。從圖11中可以看出,太陽河自然保護區(qū)和曼歇壩地區(qū)具有較高的物種多樣性。在曼歇壩的西部,分布著大片思茅松人工林,物種豐富度較低。飛行范圍西部為昆磨高速及其緩沖范圍,受人類活動影響該區(qū)域森林分布較少且破碎、物種多樣性較低。研究區(qū)Shannon-Winner多樣性指數(shù)預(yù)測圖在較大尺度展示普洱季風常綠闊葉林喬木物種多樣性的分布,對研究區(qū)生物多樣性保護和森林管理策略制定具有重要意義。

圖11 研究區(qū)季風常綠闊葉林喬木物種Shannon-Winner多樣性指數(shù)預(yù)測圖Fig.11 The prediction of Shannon-Winner species diversity in study area

4 討論

本研究使用機載激光雷達和高光譜數(shù)據(jù)提取的垂直結(jié)構(gòu)特征和光譜多樣性特征估測了普洱季風常綠闊葉林森林喬木物種多樣性,取得了較好的結(jié)果。根據(jù)特征重要度排序,對葉綠素更加敏感的綠度歸一化植被指數(shù)對模型的貢獻度最大。除此之外,LiDAR數(shù)據(jù)提取的4個垂直結(jié)構(gòu)特征均具有較高的重要度。以針闊混交林為例,其上層木大多為高大思茅松。從圖8可以看出,由于高光譜數(shù)據(jù)只能獲取冠層上層光譜特征,光譜多樣性特征對針闊混交林喬木物種多樣性的解釋能力較差。而LiDAR獲取的垂直結(jié)構(gòu)特征從垂直結(jié)構(gòu)上更好的解釋了針闊混交林的物種多樣性分布。單獨使用光譜多樣性特征或垂直結(jié)構(gòu)特征對研究區(qū)森林喬木物種多樣性的分布均具有一定的解釋作用,然而結(jié)合兩種數(shù)據(jù)源則大大提高了遙感數(shù)據(jù)對研究區(qū)森林喬木物種多樣性的反演能力。

森林的生物多樣性形成機制及影響因素極其復(fù)雜,其空間分布是各種生態(tài)、環(huán)境、氣候等因子梯度變化的綜合反映。在區(qū)域乃至全球尺度上,氣候因子是森林群落生物多樣性空間分布的主導(dǎo)因素[43]。地形因子在景觀或更小尺度往往導(dǎo)致生境的差異,進而對森林生物多樣性的分布具有一定的影響作用。在本研究中,由于實驗區(qū)尺度較小、樣本分布對不同地形的代表性較差等原因,地形因子對樣本森林喬木物種多樣性分布具有較差的解釋能力。根據(jù)生產(chǎn)力假說、環(huán)境異質(zhì)性假說和光譜異質(zhì)性假說,從遙感數(shù)據(jù)獲取的代表生產(chǎn)力水平的植被指數(shù)、代表光譜異質(zhì)性的光譜多樣性特征和代表環(huán)境異質(zhì)性的垂直結(jié)構(gòu)特征或植被類型等遙感獲取參數(shù)在反演森林喬木物種多樣性中應(yīng)用廣泛。但是在這些研究中[10—29],對于不同的研究區(qū)并沒有發(fā)現(xiàn)統(tǒng)一的遙感特征參數(shù)對森林喬木物種多樣性指數(shù)具有較好的解釋能力。因此使用多源遙感數(shù)據(jù)構(gòu)造盡可能多的特征參數(shù),選擇合適特征參數(shù)反演研究區(qū)森林喬木物種多樣性十分重要。

通過分析提取的遙感特征參數(shù)與樣地實測森林喬木物種多樣性指數(shù)之間的相關(guān)關(guān)系及對進入模型的特征重要度,發(fā)現(xiàn)一些與樣本相關(guān)性較低的特征參數(shù)在模型中的貢獻較高,而一些與樣本相關(guān)性較低的特征參數(shù)沒有被選擇進入模型中。通過隨機森林模型變量部分依賴圖(如圖12)可以看出,遙感特征參數(shù)對模型擬合值的影響并不是線性的。因此選擇非線性模型建立森林喬木物種多樣性遙感估測模型十分重要。本研究使用了在喬木物種多樣性遙感建模中應(yīng)用較為廣泛的隨機森林模型進行特征篩選和模型建立。模型對研究區(qū)森林喬木Shannon-Winner多樣性指數(shù)的估測結(jié)果R2為0.69,RMSE為0.37,對研究區(qū)森林喬木Shannon-Winner多樣性指數(shù)具有一定的解釋作用,其預(yù)測結(jié)果可以為森林經(jīng)營管理和保護策略提供參考。森林喬木物種多樣性形成機制極其復(fù)雜,受眾多因素影響,遙感數(shù)據(jù)僅能解釋一部分變異。而且由于研究區(qū)森林喬木物種多樣性分布差異、遙感特征提取差異以及估測模型差異等因素,不同研究對物種多樣性估測結(jié)果差異較大。

圖12 隨機森林模型變量部分依賴圖Fig.12 Partial dependence plots for the seven most influential variables retained by the random forest model

在生物多樣性遙感估測研究中,地面調(diào)查樣地的尺度面臨的問題比遙感數(shù)據(jù)更加復(fù)雜與重要。根據(jù)物種-面積曲線,當面積越大時,物種的數(shù)量也傾向于越多。代表群落的最小取樣面積往往從物種-面積曲線中而來。從李帥峰的研究中可以看出,普洱季風常綠闊葉林喬木物種豐富度增加速度隨著取樣面積的增加至大約700 m2放緩[33]。當取樣面積增加至900 m2,面積解釋了94%的總物種數(shù)量變化。因此本研究設(shè)置的半徑為15 m(706 m2)的圓形樣地在研究區(qū)喬木物種多樣性調(diào)查中具有一定的代表性。

遙感數(shù)據(jù)源及特征提取方式對面向生物多樣性遙感估測應(yīng)用極其重要。隨著主被動遙感結(jié)合、高分辨率、多時相遙感數(shù)據(jù)海量增加,結(jié)合機器學習方法,以地面調(diào)查數(shù)據(jù)為支撐,可以快速挖掘?qū)ι志植课锓N多樣性解釋能力高的遙感特征,為大尺度森林生物多樣性制圖提供基礎(chǔ)。

5 結(jié)論

本文基于隨機森林模型評估了機載高光譜數(shù)據(jù)提取的光譜多樣性特征和激光雷達數(shù)據(jù)提取的垂直結(jié)構(gòu)特征對普洱季風常綠闊葉林喬木物種多樣性分布的解釋能力。主要結(jié)論如下:

(1)本文提取的光譜多樣性特征和垂直結(jié)構(gòu)特征均對研究區(qū)季風常綠闊葉林喬木物種多樣性指數(shù)具有較好的解釋能力。結(jié)合兩種數(shù)據(jù)源,大大提高遙感數(shù)據(jù)對研究區(qū)森林喬木物種多樣性的估測能力。

(2)機器學習方法如隨機森林方法有助于從海量遙感數(shù)據(jù)源中選擇適合當前試驗區(qū)的主要特征,并在線性不可分的情況下充分探索樣本中各特征值的分布,提高多源遙感數(shù)據(jù)源對森林喬木物種多樣性分布的解釋能力。

(3)對于本研究區(qū)而言,與高光譜數(shù)據(jù)相比,激光雷達數(shù)據(jù)提取的垂直結(jié)構(gòu)特征對研究區(qū)內(nèi)針闊混交天然林的森林喬木物種多樣性的分布更有預(yù)測優(yōu)勢。

(4)對季風常綠闊葉林喬木物種多樣性的估測有助于研究區(qū)生物多樣性保護和森林管理策略制定,為監(jiān)測研究區(qū)被破壞原始森林不同恢復(fù)時期森林發(fā)展狀況提供借鑒。