西南喀斯特地區植被定量遙感研究進展*

姚月鋒，何 文

(廣西壯族自治區中國科學院廣西植物研究所，廣西喀斯特植物保育與恢復生態學重點實驗室，廣西桂林 541006)

植被作為陸地生態系統不可或缺的部分，是全球變化最直接的指示器，成為全球碳循環和水熱平衡研究的核心內容[1,2]。然而，植被及其生態系統存在高度時空差異性，尤其在生態系統脆弱的喀斯特地區，復雜的地質背景決定了植被高度時空差異及其影響因子的多樣性和復雜性[3]。因此，厘清植被分布的空間差異，提高植被有效信息的獲取精度以完成植被動態過程監測，成為生態環境研究的重要課題之一[4]。傳統的植被定量研究方法如野外調查、文獻查閱、地圖解譯以及其他輔助信息方法費時費力，且不能及時反映植被現狀[5]。遙感技術具有宏觀、快速、高效、多源信息等優勢，是大范圍、動態性獲取地面植被有效信息，以及研究區域乃至全球尺度植被狀況及其動態過程必不可少的手段[6]。20世紀70年代，第一顆陸地衛星Landsat發射，開啟了基于遙感技術的植被監測與分類研究[7]，但遙感技術早期主要以影像為信息源，通過目視解譯等人工方法確定植被類型，或通過影像密度建立有關地表參數經驗模型，從而反演地表植被生態參數[8]。隨著多光譜、高光譜、熱紅外、微波雷達、激光雷達以及無人機技術日趨成熟[9,10]，遙感技術在植被定量研究應用上已從小范圍、二維尺度的傳統地面測量發展到大范圍、多維時空遙感模型估算[11-14]；從個體到生態系統的植被生態參數[15-17]、物種分布[18,19]、生物多樣性[20-23]、碳循環[24-27]及其空間差異，再到不同尺度自然與人為因素引起的植被及其生態系統服務功能變化。遙感影像處理技術已從過去簡單的植被指數、幾何模型、混合模型等發展到先進的機器學習和深度學習等智能化多平臺相結合[9,28-32]。隨著遙感影像數據類型的多樣化，如2018年的熱紅外影像(Ecosystem Spaceborne Thermal Radiometer Experiment on Space Station，ECOSTRESS)，激光雷達影像(Global Ecosystem Dynamics Investigation，GEDI)，第二代對地觀測激光雷達冰、云和陸地高程2號衛星(Ice,Cloud,and Land Elevation Satellite-2，ICESat-2)以及2019年的高光譜影像(Hyperspectral Imager SUIte，HISUI)，如何從遙感影像數據中高效、智能化地提取地表植被有效信息，以實現多維時空、區域乃至全球尺度植被定量遙感研究，多源遙感數據融合和同化等方法的研究顯得至關重要[33]。

受水平和垂直空間高度異質性地質背景影響，喀斯特生境上發育的植被類型復雜、特點鮮明，與同緯度非喀斯特生境的常綠闊葉林和季節性雨林相比，喀斯特地區植被類型主要為常綠與落葉闊葉混交林和落葉成分較多的季節性雨林[34]；且喀斯特地區植被對干旱脅迫與高鈣立地條件具有較強的適應性[35]。因此，喀斯特地區植被定量遙感研究需要考慮高度景觀異質性地質背景的影響和植被適應干旱脅迫與高鈣等特殊立地條件后所具有的特殊光譜特征。以往對植被定量遙感的研究主要集中在非喀斯特地區，而喀斯特地區相對較少。截至2022年5月10日，在Web of Science(https://www.webofscience.com/wos/woscc/basic-search)上，基于主題(Topic)為“remote sensing” +“vegetation”所檢索到的研究綜述期刊論文(Review articles)總數為760篇；但限制主題為“remote sensing”+“vegetation”+“karst”檢索的研究綜述期刊論文僅1篇，Zhang等[36]總結了基于地理空間技術對西南喀斯特地區植被恢復監測與評價的研究進展。同時，在中國知網(www.cnki.net)上，基于主題為“植被”+“遙感”所檢索到的學術期刊論文共1.21萬條，但限制主題為“植被”+“遙感”+“喀斯特”或“植被”+“遙感”+“巖溶”，檢索到的學術期刊論文分別為133條和94條。喀斯特地區占世界陸地面積約15%，其生態環境保護對可持續發展具有全球性戰略地位[37,38]。我國西南喀斯特地區作為世界上喀斯特發育最典型、最復雜，景觀類型最豐富且連片分布面積最大的區域[39]，同時也是珠江源頭、長江乃至東南亞一些國際河流的重要補給區，對喀斯特區域生態環境保護有著重要的戰略性地位[40]。但該地區也屬于革命老區、少數民族自治地區、陸地邊境地區和欠發達地區，貧困區與石漠化地區高度重疊，形成了典型的生態脆弱區。因此，西南喀斯特地區植被定量研究對于石漠化治理以及維持脆弱生態系統穩定與可持續發展起著決定性作用[41]。受高度景觀異質性和多云霧天氣影響，該地區高時空分辨率和高質量的星載光學遙感數據難以獲取，而中低分辨率的多光譜遙感難以精細提取地表植被有效信息[42,43]；加上地表植被類型多樣且存在顯著同物異譜/同譜異物現象[44]，導致快速、精準獲取地表植被有效信息的不確定性增加，進而影響西南喀斯特地區植被定量遙感研究的發展[6]。

植被在維持喀斯特脆弱生態系統穩定與可持續發展中具有極其重要的作用[45,46]。為了更精準、高效地進行喀斯特地區植被定量遙感研究，本文從個體到生態系統尺度、從遙感數據源選擇和影像處理技術上總結了西南喀斯特地區植被定量遙感研究進展，并探討其存在的困難和科學問題，以期為相關領域的研究提供科學參考。

1 西南喀斯特地區植被個體與種群尺度定量遙感研究

在葉片器官、植被個體以及種群尺度上，西南喀斯特地區植被定量遙感研究還相對較少。在葉片生理生化方面，現有的研究主要是基于地物高光譜遙感技術探討葉片光譜信息與葉片生理生化參數之間的關系，以期將尺度擴展到整個區域的植被生化參數定量遙感估算。例如，通過地物高光譜遙感技術獲取葉片的光譜信息，并同步測定葉片生化組分含量信息，再利用光譜指數和先進深度學習方法(反向傳播神經網絡和廣義回歸神經網絡)，構建喀斯特植被葉片生化參數與光譜信息關系模型[47,48]，即可借助該模型快速獲取喀斯特地區植被葉片生化組分含量信息。劉波等[49]采用自主設計的地面成像光譜系統(Field Imaging Spectrometer System,FISS)，結合可視化手段獲取了毫米級高空間分辨率的植被葉片在脫水脅迫狀態下的“紅邊藍移”現象。地物高光譜遙感技術可有效估測植被葉片在喀斯特環境下特有的耐寒特征[50,51]，對干旱脅迫下植被健康監測有著重要的指導意義。然而，地物高光譜遙感技術目前主要應用于小尺度近地面植被葉片生化組分研究，且需要大量的實測數據支撐，還難以擴展到區域性范圍。

喀斯特地區自然植被物種識別是當前研究的難點。Chen等[52]通過地物高光譜遙感技術結合玻爾茲曼機方法，對8種不同杜鵑花葉片的光譜特征進行識別與區分。地物高光譜遙感技術的缺點是費時、費力，且需在晴天條件下采集數據。無人機遙感可以克服多云霧天氣影響，快速、準確地獲取地面高分辨、高質量影像，有利于高度景觀異質性喀斯特地區植被有效信息的提取與識別[53,54]。例如，基于無人機可見光影像，結合最大類間方差法可完成喀斯特高原峽谷區火龍果單株信息的識別與提取，但受植株倒伏等因素影響，分離完好的單株植被信息提取精度僅占總植株數的50.20%[55]。在該研究基礎上，Huang等[56]通過對無人機影像進行高斯高通濾波處理和閾值分割，提高了基于無人機遙感技術的火龍果單株信息識別與提取精度。該方法也適用于喀斯特地區山藥和花椒單株信息的識別與提取[43,57]。但基于無人機遙感技術的喀斯特地區物種識別，目前多局限于種植規范的農作物物種信息提取，對于自然植被物種的定量遙感精準識別還有待加強。

合成孔徑雷達(Synthetic-Aperture Radar,SAR)衛星影像作為不受氣候影響的主動遙感數據，可以克服喀斯特地區多云霧天氣的影響，更適合喀斯特地區地表植被有效信息的提取。例如周忠發教授研究團隊采用合成孔徑雷達完成了喀斯特山區煙草生長狀況的監測[58-61]。此外，星載遙感影像也可以用來研究植被個體水分狀態及其受水分脅迫的生長狀況[62]。但在個體和種群尺度上，融合多源數據的喀斯特地區植被定量遙感研究還相對較少(表1)，采用遙感影像類型也較為單一。未來研究需充分發揮地物高光譜遙感和無人機遙感影像的高時空分辨率，以及星載遙感影像的長時間序列優勢，拓展個體和種群尺度的喀斯特地區植被定量遙感研究，尤其是植被葉片生化參數定量估算和自然植被物種精準識別研究。

表1 喀斯特地區植被個體和種群尺度生態參數的定量遙感研究Table 1 Quantitative remote sensing study on vegetation individual and population scale ecological parameters in karst area

續表Continued table

2 西南喀斯特地區植被群落與生態系統尺度定量遙感研究

植被群落與生態系統尺度上喀斯特地區植被定量遙感研究相比其他尺度研究更廣泛，主要集中在植被覆蓋度與其他植被指數、植被分類和植被生態系統定量遙感研究。

2.1 植被覆蓋度與其他植被指數定量遙感估算

植被覆蓋度為單位面積內植被地上部分垂直投影面積占總面積的百分比，是陸地生態系統的重要表征指標之一，也是全球碳循環估算以及生物地球化學循環、水循環、生物多樣性和全球變化模型的重要參數[63]。遙感技術的快速發展為復雜地質背景的西南喀斯特地區植被覆蓋度定量估算提供了可能，并發展了多種估算地表植被覆蓋度和其他植被指數的方法(表2)。地物高光譜遙感技術可用于估算喀斯特地區近地面綠色植被和干枯植被等不同地類的植被覆蓋度[64,65]，為喀斯特地區石漠化評價提供技術支撐。無人機遙感技術在克服喀斯特地區多云霧天氣并提高植被覆蓋度定量估算精度的同時，也成為有效銜接地面觀測與常規植被遙感監測的橋梁[40,53]。Landsat影像和MODIS影像具有較好的空間分辨率和較長的時間序列優勢，被廣泛應用于喀斯特地區植被覆蓋度和植被指數定量估算[65-76]及其與地表溫度[77,78]、地形[79-87]、氣候等因子間關系[88-96]的研究，為喀斯特地區干旱遙感監測[97,98]與石漠化評價提供技術支撐[99-103]。但受復雜的喀斯特地區多云霧天氣的影響，往往難以獲取高質量的光學影像，從而制約了喀斯特地區植被覆蓋度與其他植被指數定量研究發展。因此，有學者嘗試通過統計學方法插值來彌補因光學影像質量問題而引起的數據缺失，進而估算地表植被指數[104-106]。此外，隨著遙感計算云平臺的發展，其融合了海量多源數據尤其是長時間序列的Landsat衛星數據，只需進行少量代碼編程即可快速完成長期的大批量數據處理，為加速完成喀斯特地區植被覆蓋度長期遙感動態監測提供有利的技術支撐[107,108]。地物高光譜遙感技術和無人機遙感技術雖可獲取高分辨率影像，但需要大量的地面實測數據加以驗證，目前難以擴展到大范圍植被定量研究。Landsat影像和MODIS影像可獲取大范圍地物光譜信息，但其空間分辨率依然粗糙，加上受多云霧天氣影響，其數據質量不確定性增加，難以滿足特定斑塊植被和重點植被有效信息的精準識別，需融合更高的時空分辨率和高光譜影像。研究表明，基于高分辨率與地物高光譜遙感技術可以明顯提高喀斯特地區植被覆蓋度信息的提取精度[109-114]。例如，相比ASTER多光譜遙感影像，Hyperion高光譜遙感影像在估算干枯植被和基巖裸露率時具有更高的精度[111]。然而，受復雜地質背景和多云霧天氣的影響，現有遙感衛星影像的覆蓋范圍及質量難以滿足喀斯特地區地表植被覆蓋度與其他植被指數的精準估算；遙感影像處理技術主要還是以像元二分模型等簡單方法為主，有待融合多源遙感影像并融入具有自動學習能力的機器學習或深度學習方法，以擴展喀斯特地區植被覆蓋度與其他植被指數的定量研究。

表2 喀斯特地區植被蓋度與其他植被指數反演Table 2 Estimation of vegetation cover and other vegetation indices with remote sensing data

2.2 植被分類

在喀斯特地區植被分類定量遙感研究中，Landsat影像依然是應用最廣泛的數據源。基于Landsat影像，采用單一的線性光譜分離技術，雖然可以直接對地表植被和土壤裸露等類型進行分類[115,116]，但受地質背景影響，其分類精度相對較低。為提高喀斯特地區植被分類精度，可通過影像處理以降低地形的影響，并采用最大似然[117-119]、面向對象[46,120]以及神經網絡[121]等方法有效完成喀斯特地區植被分類。相比植被覆蓋度與其他植被指數定量遙感研究，喀斯特地區植被分類融合了多種影像數據并結合多種分類方法(表3)。例如融合SAR、Google Earth和無人機高分辨率光學影像完成喀斯特地區農作物的分類，分類總精度為75.98%[122]；相比單一的ALOS多光譜數據，融合ALOS多光譜數據和TerraSAR-X數據能更好地提高喀斯特地區地表植被分類精度(提高8%-13%)[123]；利用高分辨率的商業衛星影像如QuickBird[124]、Worldview[125]以及高光譜影像如Hyperion和ASTER[126]，能夠精準識別和提高喀斯特地區植被分類精度。此外，國產高分辨率影像數據(如高分影像)也被廣泛應用于喀斯特地區植被分類[44,127]，且分類精度也不亞于國外高分辨率影像[128]。除了傳統的植被指數光譜混合分析模型外[126]，面向對象[125]、支持向量機以及神經網絡[124,129,130]等機器學習與深度學習方法也被廣泛應用，這些遙感影像處理方法能夠更有效地完成喀斯特地區植被分類。

表3 喀斯特地區植被分類定量遙感研究Table 3 Vegetation classification with remote sensing technologies

續表Continued table

2.3 植被生態系統定量遙感研究

西南喀斯特地區植被生態系統定量遙感研究主要集中在植被生產力、生態系統服務功能與價值評價，在生物多樣性和碳循環方面的研究相對較少(表4)。Yan等[133]通過Landsat影像與植被指數方法嘗試對喀斯特地區生物多樣性進行專題圖制作，并指出優化的土壤調節植被指數(Soil-Adjusted Vegetation Index,SAVI)能夠較好地表征喀斯特地區植被香濃-威納指數。但受復雜喀斯特地區地質背景的影響，實地調查往往難以深入，給區域植被生物多樣性定量遙感研究帶來了巨大挑戰。碳循環一直是全球變化研究的熱點問題[134,135]，而占全球陸地面積約15%的喀斯特地區，其碳循環研究也成為全球變化研究不可或缺的一部分，并因此備受關注[36,39]。在融合多源數據的西南喀斯特地區碳循環定量遙感估算研究方面，張明陽等[136-139]基于Landsat影像和MODIS影像，利用Carnegie-Ames-Stanford Approach (CASA)模型和光合作用公式，完成了喀斯特地區植被碳儲量和碳密度時空特征，以及植被固定二氧化碳和釋放氧氣的比例定量研究。但該研究未考慮土壤碳庫對喀斯特地區植被生態系統碳循環貢獻的影響。

在植被生產力定量遙感研究方面，以往的研究大多采用中低分辨率的Landsat影像和MODIS影像，并結合簡單分析或生態過程模型，估算喀斯特地區地表植被生產力[140]。例如，通過簡單的MODIS 植被總第一性生產力(Gross Primary Productivity，GPP)和凈第一性生產力(Net Primary Productivity，NPP)數據，發現喀斯特地區植被生產力小于非喀斯特地區[141,142]，但喀斯特地區關鍵帶或亞喀斯特地區對植被生長與恢復有重要意義[37,143]。因喀斯特地區易受干旱等脅迫因子影響[144]，未來需要加強開展極端氣候對脆弱喀斯特生態系統影響的研究。在方法上，結合生態過程模型可以較好地定量估算喀斯特地區地表植被生產力[145]。例如，采用常用的CASA模型，并結合Landsat數據和SPOT NDVI數據，可以較好地定量估算喀斯特地區NPP、Net Ecosystem Productivity(NEP)[139,146]；通過引用新的參數改進CASA模型能夠較好地估算喀斯特地區植被NPP，增強模型實用性[147,148]。此外，還有Carbon and Exchange between Vegetation,Soil,and Atmosphere(CEVSA)模型[149,150]、Vegetation Photosynthesis Model(VPM)[150,151]，以及引入林冠密度構建的深度置信網絡(Deep Belief Network)模型(K-DBN)[152]等喀斯特地區地表植被生產力/生物量定量遙感估算模型。但受模型參數、影像數據分辨率及其質量影響，喀斯特地區地表植被生產力定量遙感估算的不確定性依然存在[151]。

表4 喀斯特地區植被生態系統定量遙感研究Table 4 Estimation of ecosystem services and its functions with remote sensing technologies

此外，在石漠化治理等生態恢復工程實施過程中，喀斯特地區植被生態系統服務功能與價值定量遙感研究也備受關注。基于Landsat影像和MODIS影像，并結合植被指數和模型方法等，可有效完成喀斯特地區生態環境質量動態監測研究[153-155]。相比自然林分，喀斯特地區脆弱生態系統的穩定性較低[156]，尤其在人工植被恢復方面彈性較低，因此更容易受干旱等脅迫因子影響[157]。相比其他地區，西南喀斯特地區生態系統服務價值相對較低[159]。受影像數據和模型參數等因素影響，西南喀斯特地區生態系統服務功能與價值評價指標體系還不夠完善，缺乏統一的評價指標體系[158]。因此，需要融合影像與非影像數據并綜合考慮不同地區特點，以完善西南喀斯特地區生態系統服務功能與價值估算及其對區域可持續發展影響的研究[38,147,160]。

3 展望

西南喀斯特地區植被定量遙感研究具有很強的區域特色，但因其高景觀異質性的地質背景以及多云霧天氣的影響，地表植被有效信息的精準提取與分類依然存在很大的不確定性。相比非喀斯特地區，西南喀斯特地區植被定量遙感研究在研究內容、多源影像與非影像數據應用及其數據挖掘等方面還顯得相對薄弱，亟待加強。

(1)生物多樣性使地球充滿生機，也是人類生存和發展的基礎。在碳達峰和碳中和的雙重目標驅動下，約占國土總面積5%且作為全球范圍內25個生物多樣性熱點地區之一的西南喀斯特地區，其植被定量遙感研究以往主要集中在群落和生態系統尺度上的植被覆蓋度、植被分類以及植被生態系統服務功能與價值，而在群落和生態系統尺度的生物多樣性和碳循環定量遙感研究、個體和種群尺度的植被葉片生化組分含量和自然植被物種精準識別定量方面的研究相對較少，這是西南喀斯特地區植被定量遙感研究急需解決的主要科學問題。

(2)目前西南喀斯特地區植被定量遙感監測常用的數據源是被動成像的光學遙感數據，此外還有少量主動成像的SAR數據以及波段較多的高光譜影像數據。雖然涉及地物光譜儀、無人機以及航空航天等傳感器平臺，但獲取的影像數據相對單一，多以Landsat和MODIS的光學影像數據為主。受復雜地質背景和多云霧天氣影響，高質量的光學影像數據難以獲取。激光雷達是一種新生的主動成像遙感技術，能夠提高地表生物物理參數的測量精度，并提供高分辨率的三維成像數據，被證明可以在復雜生態系統中精確估算葉面積和地表生物量[161]。但基于激光雷達主動成像數據及其技術未見應用在以往的西南喀斯特地區植被定量遙感研究工作中。基于激光雷達影像數據可以提取地表植被樹高、冠幅、林冠結構等三維信息，其點云數據可以直接用來完成樹種識別和提高地表生物量遙感估算精度，對復雜地質背景的喀斯特地區植被定量遙感研究有重要意義。

(3)喀斯特地區植被定量遙感研究已從傳統的地面調查發展到無人機、航天航空遙感技術，從簡單的植被指數、像元二分模型到深度學習乃至遙感計算云平臺應用。但自動、高效、完全定量獲取地表植被有效信息的方法仍處于探索階段。融合多源影像尤其是激光雷達影像與非影像數據，充分利用并挖掘各種數據優點，采用先進的深度學習方法與遙感計算云平臺，特別是我國自主遙感計算云平臺Pixel Information Expert Engine (PIE-Engine)，定量揭示喀斯特地區植被格局、過程與功能變化機制，并加強合作，通過全球喀斯特地區植被定量遙感監測網絡，實現快速、精準、高效的喀斯特地區地表植被有效信息的提取與分類，推動喀斯特地區植被定量遙感研究的深度和廣度，對高景觀異質性西南喀斯特地區脆弱生態系統植被恢復、石漠化治理及其鄉村振興具有重要的生態和社會意義。