黃河源永曲河流域高寒草甸地上生物量模擬與時空分布特征研究

摘要：本研究基于谷歌引擎通過四種常用模型及多種輸入組合（地理空間變量（Geospatial variables，GV），植物功能類型（Plant functional types，VT），地面測量（Ground measurements，GM），氣象變量（Meteorological variables，MV））對黃河源區高寒草甸地上生物量（Aboveground biomass，AGB）進行了模擬，并分析了AGB的時空分布與地形因子的關系。結果表明，僅使用GV構建的模型表現較差（0.122lt;R²lt;0.486），MV和VT分別與GV結合使用時能提高模擬精度0.104～0.203（R²），GM與GV結合使用時，模型精度達到了最高（0.678lt;R²lt;0.705）。在沒有GM參與的情況下，深度神經網絡（Deep neural network，DNN）模型結合GV-VT-MV變量組合獲得了最好模擬精度為0.686（R²）。混合使用多種植被類型的數據可以提高模擬精度。本研究發現海拔是影響黃河源流域單位內高寒草甸AGB時空分布的重要決定因素，并且對AGB年變化量影響最強。

關鍵詞：青藏高原高寒草甸；機器學習；谷歌引擎；地上生物量模擬；地上生物量空間分布

中圖分類號：Q141 文獻標識碼：A 文章編號：1007-0435（2023）07-1964-13

Aboveground Biomass Simulation and Its Temporal-Spatial Variation of Yongqu River Basin in the Alpine Meadow in the Yellow River Source Zone

LI Xi-lai1， GAO Jay²， SHI Yan^2*

（1.College of Agriculture and Animal Husbandry， Qinghai University， Xining， Qinghai Province 810016， China; 2.School of Environment， the University of Auckland， Auckland 1010， New Zealand）

Abstract：It is critical to model and map alpine meadow aboveground biomass （AGB） accurately for pastoral sustainable management on the Qinghai-Tibet Plateau. This study evaluated the performance of the four models and various input features combinations for grassland AGB modelling and mapping based on Google Earth Engine in the Yellow River source zone. The former includes the traditional multiple linear regression （MLR），support vector machine （SVM），artificial neural network （ANN），and deep neural network （DNN），the latter the ground measurements （GM），geospatial variables （GV），meteorological variables （MV），plant functional types （VT）. The results showed that the solely use of GV had poor performance in AGB simulation （0.122lt;R²lt;0.486）. The involvement of MV and VT into GV improved the accuracy （R²） by 0.104～0.203. The combination of GM-GV improved the accuracy to the highest level （0.678lt;R²lt;0.705），but models with GM has limitation to map AGB. However，without GM，DNN achieved the highest accuracy of 0.686 （R²） using the feature combination of GV-VT-MV. It was found out that the use of multiple vegetation dataset improved the AGB estimation accuracy. Further analysis between the temporal-spatial AGB distribution and topographic factors showed that elevation is the most important determinant of AGB distribution，and it also has the strongest influence on the variation of annual AGB. The method proposed in this study was able to model and map alpine meadow AGB and its variation，it could be used in the management of the alpine meadow grassland for sustainable development.

Key words：Qinghai Tibet Plateau alpine meadow;Machine learning;Google Earth Engine;Aboveground biomass simulation;Spatial distribution of aboveground biomass

青藏高原高寒草甸地上生物量（Aboveground biomass，AGB）是評估高原草地生態系統健康和生產功能的重要指標，AGB的準確預測是高寒草甸生態系統的可持續發展的基礎^[1-3]。AGB通常通過地面采樣或基于衛星遙感的建模來實現，前者具有破壞性，需要對野外的植被覆蓋率和高度進行主觀評估，這種方法既費時又費力，在較大空間范圍內使用是不切實際的^[4]。相比之下，遙感是非破壞性的，依賴于間接測量，通過植被指數（Vegetation index，VI）估計植被生產力和生物量。高分辨率多波段的影像可以對大面積區域進行有效監測^[5-6]。廣泛使用的歸一化植被指數（Normalized difference vegetation index，NDVI）是草地AGB的有效可靠指標^[7-11]。此外，NDVI可以與其他環境變量，例如地理位置、海拔、地形和氣象等相結合，以提高對AGB的模擬精度^[12-15]，這些方法減少了基于單一VI的模型的預測誤差，提高了它們的穩定性和通用性。

AGB估計模型通常使用統計回歸或機器學習模型構建，這些模型通過諸如地理位置、草覆蓋率和高度等預測變量的地面測量來進行生物量的模擬^[16]。這種傳統的統計回歸模型在青藏高原三江源地區高寒草地AGB建模中使用VIs和地形數據實現的模擬精度約為0.70（R²）^[17]。有植被株高參與的線性回歸模型實現了類似的模擬精度為0.73～0.76（R²）^[18]。機器學習模型可以進一步提高準確性，例如單隱藏層人工神經網絡（Artificial neural network，ANN）和支持向量機（Support vector machine，SVM），由于它們能夠應用非線性關系來處理雜亂的數據^[19-22]。基于合成NDVI時間序列的SVM模型，在模擬內蒙古錫林浩特高山草地生物量時取得了略高的精度，為 0.77 （R²）^[23]。一個包含經度、緯度和NDVI的人工神經網絡模型（ANN）在三江源地區高寒草地AGB估計中的模擬精度為0.62（R²）^[24]。用NDVI和地形數據（海拔、坡向和坡度）估算內蒙古錫林郭勒河流域典型草地干旱AGB時，ANN模型（R²為0.59）比多元線性回歸模型（R²為0.81）獲得了更準確的結果^[25]。

最近深度學習模型，例如深度神經網絡（Deep neural network，DNN），是具有多個隱藏層的傳統ANN模型的擴展，在預測建模中應用廣泛^[26-27]。在許多情況下，使用深度學習模型生成的輸出優于其他機器學習模型，因為它們更能夠識別因變量和自變量之間的復雜非線性關系^[28-29]。例如，具有多個隱藏層的DNN模型估計了大豆生物量，其估計精度超過了0.72（R²）^[30]。具有四個隱藏層的DNN模型在小麥生物量估計中表現良好，模擬精度值接近0.80（R²）^[31]。然而，DNN算法在估計天然草地AGB模擬精度的研究較少。與沒有地面測量數據的模型相比，具有地面測量數據（例如植被高度和覆蓋度）的模型與草地AGB的關系更強^[32-35]。但在青藏高原進行大面積的地面采集植被高度和蓋度是不切合實際的，這些指標不具有空間屬性，使用地面測量數據作為模型輸入數據的模型不能直接生成可靠的AGB分布圖。此外，關于植物功能類型的信息尚未用于草地AGB估計模型，一些研究使用草本數據訓練的模型來預測所有植被類型的AGB^[36-38]。除草本外，青藏高原的高寒草地生態系統還包括大面積的灌木叢，約占20%^[39]。因此，有必要考慮植被類型草本和灌木數據納入到AGB估計的模型中。

通常機器學習模型沒有公式可以導出，限制了模型的空間模擬能力。最近，使用谷歌引擎（Google Earth Engine，GEE）輔助和Tensorflow（https：//www.tensorflow.org/）平臺可以用來實現機器學習模型生成植被AGB的空間分布圖，使得優秀的模型能夠用于較大空間范圍的生物量模擬以用于指導草地的管理^[40-41]。鑒于這些考慮，本研究旨在：（1）建立高寒草地AGB模擬和制圖的建模框架；（2）評估各種輸入特征變量和4種模型（多元線性回歸（Multiple linear regression，MLR）、SVM，ANN和DNN模型）的效用；（3）評估植被類型（草本和灌木）對草地生產力模擬的影響；（4）探索草地AGB空間分布與環境因子之間的關系，尋找黃河源流域單元高寒草甸地上生物量關鍵影響因子。

1 材料與方法

1.1 研究區域概況

研究區為青海省河南蒙古族自治縣的永曲河流域（圖1），該流域屬于黃河的支流，地形復雜，平均海拔3 600 m。大陸性氣候具有明顯的干濕季節。年平均溫度在-1.3℃到-1.6℃之間。年平均降水量在597.1～615.5 mm之間，其中70%～75%集中在生長季節內（5月～9月）。研究區的土壤類型為高山草甸土。植被類型有兩種——草本和灌木，它們具有不同的結構、分配和生物量^[42]。前者以嵩草（Kobresia spp.）、垂穗披堿草（Elymus nutans）為主，后者以金露梅（Potentilla fruticose）、山生柳（Salix oritrepha）為主，多分布在陰坡上^{[ 43]}。

1.2 數據及來源

野外數據采集時間如表1所示。研究區共選擇了187個采樣點（圖1），其中草本樣點129個，灌木樣點58個，在2019年～2022年期間每年8月底在187個采樣點重復采集植被樣本。在每個樣點首先地面上標記一個10 m×10 m的樣方，之后隨機放置兩個1 m×1 m的測產樣方，從測產樣方中隨機選擇四分之一進行地上生物量采樣，帶回實驗室后在60℃下烘干48小時稱重，作為模型構建的地面真實數據。同時記錄采樣點緯度、經度、海拔、土壤濕度、植被高度和覆蓋率等信息，其中蓋度測量采用廣泛使用目測估計法^[44-45]，地理坐標位置和高程由GPS（Global positioning system）定位儀（型號：彩途K82B）記錄，土壤濕度、溫度和電導率由便攜儀土壤三參數速測儀TDR 350測量所得。

數字高程（Digital elevation model，DEM）數據來自ALOS PALSAR數據（https：//asf.alaska.edu/），分辨率為30 m。衛星影像數據來自哨兵2號Sentinel-2（https：//scihub.copernicus.eu/），分辨率為10 m，影像時間與地面采樣時間密切同步（表1）。被云層覆蓋的樣點不用于構建模型（表1）。從SPOT 7衛星獲得的高清衛星影像（分辨率1.5 m）用于植物功能類型分類（影像日期：2020年8月28日）。在ArcMap中使用支持向量機將植被類型分為灌木和草本2種，總體準確率高于95.0%，Kappa值超過0.88。氣象數據來自河南縣中部氣象站，在每個觀察期之前，將每日記錄匯總為30天平均溫度（T）和降水量（P）。

1.3 模型構建

在這項研究中，分別測試了四個模型（MLR，SVM，ANN和DNN）。盡管這些模型的結構不同，但建模過程保持不變，如圖2所示。模型構建過程中使用的GEE和Tensorflow均在Google Colab （https：//colab.research.google.com/） 中建立和運行，全部過程在谷歌云空間進行分析，包括圖像處理器（Graphics processing unit，GPU）的使用，以及影像的獲取，數據存儲和結果的輸出^[46]。只有給每個樣點添加實測數據集的過程是在ArcMap中完成，首先創建一個包含所有采樣位置的點要素的矢量文件，并添加實測的生物量標簽。這些數據與其他輸入變量（坐標位置、海拔、坡度、坡向以及氣象數據等）一起，作為額外波段添加到Sentinel-2影像中。對合成后的影像進行歸一化處理（除了實測生物量數據），各波段的像素值都在0和1之間，以提高機器學習模型的性能^[47]，然后將它們存儲到谷歌存儲桶（https：//cloud.google.com），以供后期的模型訓練、測試以及預測使用。通常，圖像會被分割成多個帶有序列化的記錄文件（格式為為TFReord），這有利于處理大尺寸圖像以進行模型訓練和預測。

在這些數據輸入模型之前，必須通過解析功能將它們轉換為用于序列化數據輸入的協議消息類型（適用于GEE特征的地理數據），即從TFRecord到tf.data.Dataset。解析后的數據集可用于模型訓練、測試和預測。模型采用留一組法交叉驗證，每年的數據作為一個子數據集，共四個子數據集，該方法對模型精度評估有效^[48]。決定系數（R²）和均方根誤差（Root mean square error，RMSE） 用于評估模型的準確性。并對各個輸入組合和模型的表現進行差異顯著性分析。最佳模型用于生成AGB空間分布圖。在此過程中，多個圖像塊會被按序運行，模型將對每個像素賦予一個預測的AGB。值得一提的是此預測結果只是列表文件（圖像塊），但它們是具有序列化屬性的文件并保存在谷歌存儲桶中。因此，只需按照它們原始的順序將它們拼接即可。最后，將預TFRecord文件上傳到GEE云資產中轉化為TIFF格式的文件。本研究中的模型構建和數據分析均使用Python計算機語言來完成。

1.4 模型驅動因子和參數設定

預測變量分為4組（表2）。地理空間變量（Geospatial variables，GV）包括緯度、經度、高程、坡向、坡度和NDVI（坡向轉換為：北向=cos（坡向））。植被類型（Plant functional types，VT）包括草和灌木；地面測量值（Ground measurements，GM） 包括草本株高、灌木株高、植被覆蓋度和土壤濕度；氣象變量（Meteorological variables，MV）包括月氣溫和降水量。VT是類別變量，它將被轉換為獨熱碼，作為模型輸入變量^[49]。這些變量與AGB之間的相關性，通過斯皮爾曼等級相關系數r（Spearman’s rank correlation coefficient）來測試^[50]。如果變量對于AGB的相關性較低，該變量將不再用作模型的輸入數據。

MLR模型是使用Scikit-learn （sklearn.linear_model.LinearRegression） 中的線性回歸算法基于普通最小二乘法構建的。SVM模型是基于支持向量分類方法構建的^[51]。ANN和DNN是基于Keras的Sequential模型構建的（https：//www.tensorflow.org）。神經網絡模型中選擇的損失函數、激活函數和梯度下降優化器分別是均方誤差（Mean squared error，MSE）、sigmoid函數和均方根傳播（Root mean square propagation，RMSprop）^[52-53]。表3為機器學習模型中使用的關鍵參數，盡管有許多篩選最佳參數的方法，但是都沒有普遍適用性^[54-55]。因此本研究中對每一個參數的調整都會建立一個模型做一次模擬測試，通過循環測試經過精心對比每一個模型的精度來獲取最佳參數組合，所有其他參數均取默認值。

1.5 地上生物量的空間分布特點

最優的模型將用來生成地上生物量的空間分布圖。去除有云遮擋的區域并使用克里金空間插值法（ArcMap）來填充獲得完整的分布圖。使用斯皮爾曼等級相關系數評估地上生物量的空間分布和地形因子之間的關系。通過隨機森林模型評估環境變量對地上生物量年變化的重要性，該方法在特征變量重要性選擇方面具有出色的性能^[56]。由于研究區較大面積和原始的衛星影像像素較高，為避免過大的計算量，相關的影像，包括地上生物量的分布圖，年變化圖和各地形因子的柵格圖，在ArcMap中進行100 m×100 m重采樣（原始柵格為10 m×10 m），并提取個指標對應的像素值，再進行變量與地上生物量之間的相關性和重要性分析。

2 結果與分析

2.1 獨立變量的重要性評估

各個環境變量與地上生物量的相關性差異很大（圖3）。通過斯皮爾曼等級相關系數分別分析四年的數據（2019年～2022年），可以看出地面測量的變量均具有較高的正相關性，例如植被高度以及植被蓋度（0.37～0.51），土壤濕度的相關性稍微低一些，僅有0.15～0.25。非地面測量的變量中，經度、緯度和北向的斯皮爾曼等級相關系數非常低（-0.13lt;rlt;0.16），這三個變量將不再用作模型的輸入數據。海拔和坡度的相關性有所提高，分別為0.24～0.28和0.14～0.23。NDVI取得了較高的斯皮爾曼等級相關系數（0.33～0.40），但仍然低于地面測量變量。特別需要注意的是，作為“類別”參數的植被類型與AGB之間有較強的相關性，其中草本與地上生物量負相關系數為-0.6～-0.62，灌木與地上生物量正相關系數為0.62～0.66。這個結果說明了植被類型數據對判定AGB的大小有重要作用。將所有數據混合后（2019—2022年）發現，溫度、降雨與地上生物量也具有較好的正相關性，其斯皮爾曼等級相關系數分別為0.36和0.32。

2.2 變量組合和模型的可信度評估

四種模型類型和變量組合的表現各不相同（圖4）。從平均水平來看，MLR是性能最差的算法，其準確度始終是最低的，R²平均值為 0.369。SVM表現稍好為0.608，ANN和DNN的準確性最好，分別為 0.619和0.627。

相比其他變量組合，包含地面測量數據的GV-GM變量組合使得四種模型類型都取得了最佳精度，其R²為0.678～0.709。對于其他不包含地面測量數據的變量組合來說，GV表現最差（0.122lt;R²lt;0.486），但是與VT和MV組合后能獲得較好的表現，可以將三個機器學習模型（SVM，ANN和DNN）的精度提高0.104～0.203。其中GV-VT變量組合使得SVM模型模擬精度達到0.642，GV-VT-MV變量組合將ANN的精度分別提高到了0.675，把DNN模型的精度提到了最高值0.686。差異顯著性和RMSE的評估結果仍然適用于上述模型的評價。

四種模型類型的第一和第二最佳變量組合的散點圖如圖5所示（散點圖為交叉驗證結果的一個）。通過比較預測和實測AGB的1∶1線可以發現，較高的AGB始終被低估（低于1∶1線），而較低的AGB被高估（高于1∶1線）。

2.3 植被類型對模擬精度的影響

根據圖5中的模型類型和輸入數據組合，本文進一步評估了單一植被類型的AGB模擬精度，如表4所示。無論是哪種類型的模型，灌木AGB的模擬精度都比草本AGB更高。對于GV-GM變量組合，MLR模型模擬灌木和草本AGB的精度最低，分別為0.565和0.528。ANN （R²=0.679）對灌木AGB的估計效果最好，其次是DNN（R²=0.648）。相比之下，SVM （R²=0.610）對草本AGB的估計最好，其次是ANN （R²=0.588）。因此，在具有GM數據的情況下，建議分別將ANN和SVM模型用于灌木和草本的AGB模擬。在沒有地面測量數據GM參與的情況下，AGB的模擬精度有所降低。同樣無論是哪種類型的模型，灌木AGB的模擬精度都比草本AGB更高。其中，DNN模型估計的灌木和草本AGB的精度（R²）最高，分別為 0.656 和 0.338。ANN和SVM模擬精度次之，MLR最差。此外，如果根據RMSE進行評估，結果仍然成立。

表4中所有模型的散點圖如圖6所示（散點圖為交叉驗證結果的一個）。通過比較預測和實測AGB的1∶1線可以發現，較高的AGB始終被低估（低于1∶1線），而較低的AGB被高估（高于1∶1線）。特別值得注意的是，對比圖5和圖6可以發現混合使用植被類型數據的模型精度要比單獨使用一種植被類型數據的模型精度要高。

2.4 地上生物量空間分布格局

以GV-VT-MV變量組合作為輸入數據代入DNN模型中得出地上生物量的空間分布圖（圖7），圖7中研究區左側的數字是平均的地上生物量，從2019至2022四年之間呈起伏變化，分別為5.61，6.03，5.38和5.51 t·ha^-1 （表5）。本研究還對地上生物量的空間分布和地形因子之間的關系進行了斯皮爾曼等級相關系數的評估。由表5中可知，海拔與地上生物量具有極顯著的正相關性關系，其斯皮爾曼等級相關系數為0.66～0.78。坡度與地上生物量的斯皮爾曼等級相關系數為0.24～0.30。坡向（北向）與地上生物量的相關性較低。

本研究從時間變化上分析了各個環境變量對地上生物量年變化量的重要程度。如表6所示，海拔具有最高的重要性（0.306），其次為北向（0.235）和坡度（0.168）。其余變量的重要性較為低，其中氣溫和降雨的重要性為最低，其值小于0.05。

3 討論

3.1 環境變量與地上生物量的相關性

輸入變量的類型會影響模型模擬草地AGB的準確性。一般來說，在機器學習模型中包含更多變量會提高準確性，尤其對于神經網絡模型。然而，輸入變量也可能導致過度擬合^[57]，因此，輸入變量的初步篩選尤為重要。

本研究發現，海拔和坡度與AGB的相關性并不高（r=0.14～0.28，圖3）。然而在有關青藏高原草地AGB模擬的研究中，緯度、經度和坡向表現較好^[17]，在本研究中表現不佳的原因可能是流域單位面積小，地形地貌的差異小。在更大的空間范圍內，緯度、經度和坡向與AGB的相關性可能會變得更強。NDVI、溫度和降水與草地AGB密切相關，這與報道的研究結果相似^[58-60]。草本和灌木具有非常不同的AGB密度，由于結構和物種組成不同，灌木的地上生物量是草本的幾倍之多，其在光譜上的差異也較大^[61-63]。在本研究中，植被類型表現出了極強的相關性。由于草本和灌木都具有各自的AGB區間，因此，植被類型變量可以較為準確的判定其AGB的區間。

3.2 地上生物量模擬精度分析

植被類型（VT）是一個類別變量，很少用于草地AGB回歸模型，但是它在植被生物量估計的線性或非線性回歸模型中具有重要作用^[64-65]。每個植被類型都有較為穩定的AGB區間，所以植被類型數據可以為模型提供有力的支持，建議考慮使用更多植被類型數據來更準確地估算草地AGB。

VT和MV均可以使得機器學習模型的模擬精度有所提高，而且VT在SVM模型中的表現優于MV，但是在ANN或者DNN模型中的表現則弱于MV（圖4）。這是因為SVM模型的算法是基于分類的一種回歸分析算法，而草本和灌木在結構和物種組成上有明顯的不同，在光譜反映上也存在較大差異^[63，66-67]。

在本項研究中，植被分類為灌木和草本，因為它們具有非常不同結構和物種組成，其光譜行為也存在較大差異^[62，68-69]。通過評估了單一植被類型的AGB模擬精度，研究發現灌木AGB的模擬精度都比草本AGB更高（圖6）。這是由于灌木的生物量較大，且密度和蓋度有較高的均一性^[70]。

通過對比圖5和圖6可以發現，混合使用植被類型數據的模型精度要比單獨使用一種植被類型數據的模型精度要高。造成這種結果的原因有兩點，首先混合數據擴大了樣本數量和生物量的數值范圍，這能提高機器學習模型的精度^[73-74]。其次，灌木和草本的模型都低估了高觀測水平的AGB，但高估了低觀測值的AGB（圖6），然而數據的合并能幫助模型降低這些估計誤差，從而提高了準確性。因此，建議混合使用多種植被類型的數據以更準確地估算高寒草地AGB。

模型的算法是準確模擬的關鍵因素，DNN算法優于其他算法^[75-76]。本研究中，在沒有地面測量變量的情況下DNN依靠衛星影像、地形和氣象數據取得最好表現，其次是ANN和SVM。它們的排名順序與之前的研究一致^[70-72]。與多元線性回歸模型相比，機器學習模型能夠在不考慮地面測量參數（如植被高度和覆蓋率）的情況下潛在地提高估算的準確性^[75，80-81]。這在青藏高原等地面采樣成本高昂且體力消耗大的地區尤為重要。盡管DNN模型可以整合多個因素并處理大型輸入數據集^[30，82-83]，但高度復雜的DNN模型容易過度擬合。過度擬合問題會導致模型的準確性隨著數據的增多而下降。權重衰減和提前停止（weight decay and early stopping）用于在適當的時間中斷訓練，以盡量減少本研究中的過度擬合問題^[57]。

本文研發的AGB模型精度主要受青藏高原地形地貌的復雜性限制，由于采樣點的空間分布不均等因素的影響，進而影響地面實測數據數量和質量。由于數據收集的困難，本研究僅限于黃河源區一個典型流域單元內。該流域空間異質性可能會導致結果的略微差異。如果將該模型升級至覆蓋整個青藏高原，那么在精確預測AGB時將面臨不確定性，這主要源于不同的放牧活動、植被類型、地形因素和氣候條件導致擬合問題。因此，在未來的研究中，為了提高AGB建模精度，應該重點考慮增加野外采樣點數量，并盡可能覆蓋各種地理位置。

此外，機器模型的構建以及AGB分布圖的預測都是基于GEE提供的免費衛星遙感數據和云存儲，以及高性能云計算服務，GEE已逐漸成為地理空間和大數據分析的重要平臺。并且在大范圍長時間序列的遙感應用研究中GEE更具優勢，可以極大縮短圖像處理的時間，提高工作效率。對今后研究青藏高原廣袤的高寒草甸生態系統有極大的幫助。

3.3 高寒草甸地上生物量的時空間分布特征

無法獲得機器學習模型的方程限制了預測整個研究區的AGB分布^[24，84]。然而，本研究中提出的模型框架可以成功地預測AGB的時間和空間分布圖（圖7）。在此基礎上，分析AGB時空變化是可行的，該結果可以用于青藏高原高寒草地的放牧管理策略。

從空間分布上可以看出（圖7），海拔與AGB有較好的正相關性，坡度次之。地形可以決定土壤水分和溫度，對局部尺度草地生態系統中的AGB分布有顯著影響^[78-79]。與本研究相似，海拔被認為是對AGB分布最重要的地形因子^[87-88]，其次灌木本身具有較高的生物量，并且分布地勢較高的陰坡。從時間變化上來看，雖然氣象因子（氣溫和降雨）對AGB年變化量的重要性很小，但是地形因子海拔和坡向（北向）對AGB年變化量有很大影響。這是由于短時間的氣候變化未能影響草地生物量的顯著變化。地形因素可以影響水熱條件的分布，決定土壤濕度和溫度，影響草地生態系統中生物量的生長和分布^[85-86]，不同的放牧策略也會影響AGB的年變化量^[89-90]。此外，不同植被類型具有不同的利用率和可食性，需要進一步考慮來制定以地上生物量為基礎的可持續發展的放牧管理策略，以及充分利用分布在復雜地形下的草地地上生物量。

4 結論

通過本文提出的模型建造流程，借助GEE強大的算法，評估各種輸入特征變量和模型的效用，并用最優模型DNN繪制出AGB空間分布圖，準確模擬了黃河源流域單元高寒草甸AGB的空間分布。混合使用多種植被類型的數據以更準確地估算高寒草地AGB。通過分析AGB的時空分布與地形因子之間的關系得出結論：在空間分布上，黃河源流域單位的海拔是影響高寒草甸AGB的重要決定因素。這一模型框架和模擬結果，有利于管理和保護青藏高原高寒草甸生態系統。

參考文獻

[1] ZHANG Y，ZHANG C，WANG Z，et al. Vegetation dynamics and its driving forces from climate change and human activities in the Three-River Source Region，China from 1982 to 2012[J]. Science of the Total Environment，2016，563-564：210-220

[2] 李凱輝，胡玉昆，王鑫，等. 不同海拔梯度高寒草地地上生物量與環境因子關系[J]. 應用生態學報，2007，18（9）：2019-2024

[3] 趙慧芳，李曉東，張東，等. 基于MODIS數據的青海省草地地上生物量估算及影響因素研究[J]. 草業學報，2020，29（12）：5-16

[4] XU B，YANG X C，TAO W G，et al. MODIS-based remote sensing monitoring of grass production in China[J]. International Journal of Remote Sensing，2008，29（17-18）：5313-5327

[5] WACHENDORF M，FRICKE T，MCKEL T. Remote sensing as a tool to assess botanical composition，structure，quantity and quality of temperate grasslands[J]. Grass and Forage Science，2018，73（1）：1-14

[6] 陳哲，汪浩，王金洲，等. 基于物候相機歸一化植被指數估算高寒草地植物地上生物量的季節動態[J]. 植物生態學報，2021，45（5）：487-495

[7] WEBER D，SCHAEPMAN-STRUB G，ECKER K. Predicting habitat quality of protected dry grasslands using Landsat NDVI phenology[J]. Ecological Indicators，2018，91：447-460

[8] GONG Z，KAWAMURA K，ISHIKAWA N，et al. MODIS normalized difference vegetation index （NDVI） and vegetation phenology dynamics in the Inner Mongolia grassland[J]. Solid Earth，2015，6（4）：1185-1194

[9] 王新云，郭藝歌，何杰. 基于多源遙感數據的草地生物量估算方法[J]. 農業工程學報，2014，30（11）：159-166

[10]王正興，劉闖，趙冰茹，等. 利用MODIS增強型植被指數反演草地地上生物量[J]. 蘭州大學學報：自然科學版，2005，41（2）：10-16

[11]張正健，劉志紅，郭艷芬，等. 基于NDVI的西藏不同草地類型生物量回歸建模分析[J]. 高原山地氣象研究，2010，30（3）：43-47

[12]BRETAS I L，VALENTE D S M，SILVA F F，et al. Prediction of aboveground biomass and dry-matter content in Brachiaria pastures by combining meteorological data and satellite imagery[J]. Grass and Forage Science，2021，76（3）：340-352

[13]梁天剛，崔霞，馮琦勝，等. 2001-2008 年甘南牧區草地地上生物量與載畜量遙感動態監測[J]. 草業學報，2009，18（6）：12-22

[14]張憲洲，李猛，武建雙，等. 青藏高原草地地上生物量和理論載畜量[J]. 資源與生態學報，2022，13（1）：129-141

[15]SHI Y，GAO J，LI X L，et al. Improved estimation of aboveground biomass of disturbed grassland through including bare ground and grazing intensity[J]. Remote Sensing，2021，13（11）：2105

[16]李士美，謝高地，張彩霞. 典型草地地上現存生物量資產動態[J]. 草業學報，2009，18（4）：1-8

[17]LIANG T G，YANG S X，FENG Q S，et al. Multi-factor modeling of above-ground biomass in alpine grassland：A case study in the Three-River Headwaters Region，China[J]. Remote Sensing of Environment，2016，186：164-172

[18]REDDERSEN B，FRICKE T，WACHENDORF M. A multi-sensor approach for predicting biomass of extensively managed grassland[J]. Computers and Electronics in Agriculture，2014，109：247-260

[19]TIRYAKI S，AYDIN A. An artificial neural network model for predicting compression strength of heat treated woods and comparison with a multiple linear regression model[J]. Construction and Building Materials，2014，62：102-108

[20]PANDA S S，AMES D P，PANIGRAHI S. Application of vegetation indices for agricultural crop yield prediction using neural network techniques[J]. Remote Sensing，2010，2（3）：673-696

[21]樂榮武，張娜，王晶杰，等. 2000—2019 年內蒙古草地地上生物量的時空變化特征[J]. 中國科學院大學學報，2022，39（1）：21-33

[22]金哲人，馮琦勝，王瑞涇，等. 基于MODIS數據與機器學習的青藏高原草地地上生物量研究[J]. 草業學報，2022，31（10）：1-17

[23]ZHANG B H，ZHANG L，XIE D，et al. Application of synthetic NDVI time series blended from Landsat and MODIS data for grassland biomass estimation[J]. Remote Sensing，2015，8（1）：10

[24]YANG S X，FENG Q S，LIANG T G，et 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

[25]XIE Y，SHA Z，YU M，et al. A comparison of two models with Landsat data for estimating above ground grassland biomass in Inner Mongolia，China[J]. Ecological Modelling，2009，220（15）：1810-1818

[26]REICHSTEIN M，CAMPS-VALLS G，STEVENS B，et al. Deep learning and process understanding for data-driven Earth system science[J]. Nature，2019，566（7743）：195-204

[27]秦格霞，吳靜，李純斌，等. 基于機器學習算法的天祝藏族自治縣草地地上生物量反演[J]. 草業學報，2022，31（4）：177-188

[28]BEYSOLOW II T. Introduction to deep learning using R：A step-by-step guide to learning and implementing deep learning models using R[M]. Berkeley：Apress，2017：6

[29]TAMIMINIA H，SALEHI B，MANDIANPARI M，et al. Comparison of machine and deep learning methods to estimate shrub willow biomass from UAS imagery[J]. Canadian Journal of Remote Sensing，2021，47（2）：209-227

[30]MAIMAITIJIANG M，SAGAN V，SIDIKE P，et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning[J]. Remote Sensing of Environment，2020，237：111599

[31]MOGHIMI A，YANG C，ANDERSON J A. Aerial hyperspectral imagery and deep neural networks for high-throughput yield phenotyping in wheat[J]. Computers and Electronics in Agriculture，2020，172：105299

[32]ZHANG H F，SUN Y，CHANG L，et al. Estimation of grassland canopy height and aboveground biomass at the quadrat scale using unmanned aerial vehicle[J]. Remote Sensing，2018，10（6）：851

[33]張典業，牛得草，陳鴻洋，等. 青藏高原東緣高寒草甸地上生物量的估測模型[J]. 山地學報，2014（4）：453-459

[34]蘇淑蘭，肖建設，裴青生，等. 放牧對高寒草地植被生長的影響及其生物量預測模型構建[J]. 草業科學，2019，36（1）：20-26

[35]賴熾敏，賴日文，薛嫻，等. 基于植被蓋度和高度的不同退化程度高寒草地地上生物量估算[J]. 中國沙漠，2019，39（5）：127

[36]ZHOU W，LI H R，XIE L J，et al. Remote sensing inversion of grassland aboveground biomass based on high accuracy surface modeling[J]. Ecological Indicators，2021.121：107215

[37]WANG G Q，LIU S M，LIU T X，et al. Modelling above-ground biomass based on vegetation indexes：a modified approach for biomass estimation in semi-arid grasslands[J]. International Journal of Remote Sensing，2019，40（10）：3835-3854

[38]焦翠翠，于貴瑞，陳智，等. 基于遙感反演的 1982-2015 年中國北方溫帶和青藏高原高寒草地地上生物量空間數據集[J]. 中國科學數據（中英文網絡版），2019，4（1）：35-49

[39]HU H F，WANG Z H，LIU G H，et al. Vegetation carbon storage of major shrublands in China[J]. Journal of Plant Ecology，2006，30（4）：539-544

[40]GORELICK N，HANCHER M，DIXON M，et al. Google Earth Engine：Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment，2017，202：18-27

[41]HANCHER M. New Techniques for Deep Learning with Geospatial Data using TensorFlow，Earth Engine，and Google Cloud Platform[C]. AGU Fall Meeting Abstracts，2017：IN11E-08

[42]DAI L，KE X，GUO X，et al. Responses of biomass allocation across two vegetation types to climate fluctuations in the northern Qinghai-Tibet Plateau[J]. Ecology and Evolution，2019，9（10）：6105-6115

[43]吳蓉蓉，史惠蘭，王維，等. 青海河南高寒草地生態系統健康評價[J]. 安徽大學學報：自然科學版，2018，42（3）：98-108

[44]章文波，劉寶元，吳敬東. 小區植被覆蓋度動態快速測量方法研究[J]. 水土保持通報，2001，21（6）：60-63

[45]XING C R，FENG Y G，YANG G J，et al. Method of estimating vegetation coverage based on remote sensing[J]. Remote Sensing Technology and Application，2012，24（6）：849-854

[46]SHI Y，GAO J，BRIERLEY G，et al. Improving the accuracy of models to map alpine grassland above-ground biomass using Google earth engine[J]. Grass and Forage Science，2023，78（2），237-253

[47]FAN J，YUE W，WU L，et al. Evaluation of SVM，ELM and four tree-based ensemble models for predicting daily reference evapotranspiration using limited meteorological data in different climates of China[J]. Agricultural and Forest Meteorology，2018，263：225-241

[48]WONG T T. Performance evaluation of classification algorithms by k-fold and leave-one-out cross validation[J]. Pattern Recognition，2015，48（9）：2839-2846

[49]ZHANG W，DU T，WANG J. Deep learning over multi-field categorical data[C]. European Conference on Information Retrieval，2016：45-57

[50]DORMANN C F，ELITH J，BACHER S，et al. Collinearity：A review of methods to deal with it and a simulation study evaluating their performance[J]. Ecography，2013，36（1）：27-46

[51]SMOLA A J，SCHOLKOPF B. A tutorial on support vector regression[J]. Statistics and Computing，2004，14（3）：199-222

[52]KURBIEL T，KHALEGHIAN S. Training of deep neural networks based on distance measures using RMSProp[EB/OL]. https：//arxiv.org/abs/1708.01911，2017-08-06/2023-03-16

[53]RUDER S. An overview of gradient descent optimization algorithms[EB/OL]. https：//arxiv.org/abs/1609.04747，2017-09-15/2023-03-16

[54]QOLOMANY B，MAABREH M，AL-FUQAHA A，et al. Parameters optimization of deep learning models using particle swarm optimization[C]. 2017 13th International Wireless Communications and Mobile Computing Conference （IWCMC），IEEE，2017：1285-1290

[55]SHRESTHA A，MAHMOOD A. Review of deep learning algorithms and architectures[J]. IEEE access，2019，7：53040-53065

[56]ROGERS J，GUNN S. Identifying feature relevance using a random forest[C]. Berlin：Springer，International Statistical and Optimization Perspectives Workshop \"Subspace，Latent Structure and Feature Selection\"，2006：173-184

[57]YU H，WU Y，NIU L，et al. A method to avoid spatial overfitting in estimation of grassland above-ground biomass on the Tibetan Plateau[J]. Ecological Indicators，2021，125：107450

[58]GAO Q，ZHU W，SCHWARTZ M W，et al. Climatic change controls productivity variation in global grasslands[J]. Scientific Reports，2016，6：26958

[59]HU Z Y，LI Q X，CHEN X，et al. Climate changes in temperature and precipitation extremes in an alpine grassland of Central Asia[J]. Theoretical and Applied Climatology，2016，126（3-4）：519-531

[60]SUN J，DU W P. Effects of precipitation and temperature on net primary productivity and precipitation use efficiency across China's grasslands[J]. GIScience and Remote Sensing，2017，54（6）：881-897

[61]董洲，趙霞，梁棟，等. 內蒙古灌叢化草原分布特征的遙感辨識[J]. 農業工程學報，2014，30（11）：152-158

[62]劉濤宇，趙霞，沈海花，等. 灌叢化草原灌木和草本植物光譜特征差異及灌木蓋度反演——以內蒙古鑲黃旗為例[J]. 植物生態學報，2016，40（10）：969-979

[63]ZHOU L H，SHEN H H，CHEN L Y，et al. Ecological consequences of shrub encroachment in the grasslands of northern China[J]. Landscape Ecology，2019，34（1）：119-130

[64]RACINE J S，HART J，LI Q. Testing the significance of categorical predictor variables in nonparametric regression models[J]. Econometric Reviews，2006，25（4）：523-544

[65]SILVA J P M，DA SILVA M L M，DA SILVA E F，et al. Computational techniques applied to volume and biomass estimation of trees in Brazilian savanna[J]. Journal of Environmental Management，2019，249：109368

[66]DONG Z，ZHAO X，LIANG D，et al. Remote sensing identification of shrub encroachment in grassland in Inner Mongolia[J]. Transactions of the Chinese Society of Agricultural Engineering，2014，30（11）：152-158

[67]LIU T Y，ZHAO X，SHEN H H，et al. Spectral feature differences between shrub and grass communities and shrub coverage retrieval in shrub-encroached grassland in Xianghuang Banner，Nei Mongol，China[J]. Chinese Journal of Plant Ecology，2016，40（10）：969-979

[68]ZHOU D，XIA Z，DONG L，et al. Remote sensing identification of shrub encroachment in grassland in Inner Mongolia[J]. Transactions of the Chinese Society of Agricultural Engineering，2014，30（11）：152-158

[69]MADSEN B，TREIER U A，ZLINSZKY A，et al. Detecting shrub encroachment in seminatural grasslands using UAS LiDAR[J]. Ecology and Evolution，2020，10（11）：4876-4902

[70]KUEMMERLE T，RODER A，HILL J. Separating grassland and shrub vegetation by multidate pixel-adaptive spectral mixture analysis[J]. International Journal of Remote Sensing，2006，27（15）：3251-3271

[71]WANG J，XIAO X M，BAJGAIN R，et al. Estimating leaf area index and aboveground biomass of grazing pastures using Sentinel-1，Sentinel-2 and Landsat images[J]. Isprs Journal of Photogrammetry and Remote Sensing，2019，154：189-201

[72]GUERINI FILHO M，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，2019，41（8）：2861-2876

[73]ZENG W Z，ZHANG D Y，FANG Y H，et al. Comparison of partial least square regression，support vector machine，and deep-learning techniques for estimating soil salinity from hyperspectral data[J]. Journal of Applied Remote Sensing，2018，12（2）：022204

[74]ZHENG H，CHENG T，LI D，et al. Combining Unmanned Aerial Vehicle （UAV）-Based Multispectral Imagery and Ground-Based Hyperspectral Data for Plant Nitrogen Concentration Estimation in Rice[J]. Front Plant Science，2018，9：936

[75]MORAIS T G，TEIXEIRA R F M，FIGUEIREDO M，et al. The use of machine learning methods to estimate aboveground biomass of grasslands：A review[J]. Ecological Indicators，2021，130：108081

[76]OSCO L P，MARCATO JUNIOR J，MARQUES RAMOS A P，et al. A review on deep learning in UAV remote sensing[J]. International Journal of Applied Earth Observation and Geoinformation，2021，102：102456

[77]ALI I，CAWKWELL F，GREEN S，DWYER N. Application of statistical and machine learning models for grassland yield estimation based on a hypertemporal satellite remote sensing time series[C]. 2014 IEEE Geoscience and Remote Sensing Symposium，IEEE，2014：5060-5063

[78]FAN J L，ZHENG J，WU L F，et al. Estimation of daily maize transpiration using support vector machines，extreme gradient boosting，artificial and deep neural networks models[J]. Agricultural Water Management，2021，245：106547

[79]YE Q，YU S，LIU J，et al. Aboveground biomass estimation of black locust planted forests with aspect variable using machine learning regression algorithms[J]. Ecological Indicators，2021，129：107948

[80]GE J，MENG B P，LIANG T G，et al. Modeling alpine grassland cover based on MODIS data and support vector machine regression in the headwater region of the Huanghe River，China[J]. Remote Sensing of Environment，2018，218：162-173

[81]張雨欣，黃健熙，金云翔，等. 草地地上生物量估算模型研究進展[J]. 草地學報，2022，30（4）：850-858

[82]MENG B，LIANG T，YI S，et al. Modeling alpine grassland above ground biomass based on remote sensing data and machine learning algorithm：A case study in east of the Tibetan Plateau，China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：2986-2995

[83]YUAN Q Q，SHEN H F，LI T W，et al. Deep learning in environmental remote sensing：Achievements and challenges[J]. Remote Sensing of Environment，2020，241：111716

[84]CHEN Y，GUERSCHMAN J，SHENDRYK Y，et al. Estimating Pasture Biomass Using Sentinel-2 Imagery and Machine Learning[J]. Remote Sensing，2021，13（4）：603

[85]BRIERLEY G J，LI X L，CULLUM C， et al. Landscape and Ecosystem Diversity，Dynamics and Management in the Yellow River Source Zone. Springer Geography[M]. Cham： Springer，Cham，2016：253-274

[86]張宇鵬，吳笑天，李希來，等. 黃河源流域單元退化高寒草甸空間分布及其對土壤理化性質的響應[J]. 草地學報，30（3）：503-512

[87]GAO Q，WAN Y，LI Y，et al. Effects of topography and human activity on the net primary productivity （NPP） of alpine grassland in northern Tibet from 1981 to 2004[J]. International Journal of Remote Sensing，2013，34（6）：2057-2069

[88]馬婧婧，劉耘華，盛建東，等. 新疆草地優勢種植物相對生物量沿海拔梯度變化特征[J]. 草業學報，2021，30（8）：25-35

[89]趙文，尹亞麗，李世雄，等. 祁連山不同類型草地植被群落及牧草營養特征研究[J]. 草地學報，2022，30（6）：1328-1335

[90]ZHANG R Y，WANG Z W，HAN G D，et al. Grazing induced changes in plant diversity is a critical factor controlling grassland productivity in the Desert Steppe，Northern China[J]. Agriculture Ecosystems and Environment，2018，265：73-83

（責任編輯 閔芝智）