面向自然資源信息提取的多源異構(gòu)數(shù)據(jù)融合技術(shù)
——以漢江流域NDVI數(shù)據(jù)為例

湯宇磊, 吳楊楊, 蔣興征, 馮亮, 高陽

(1.中國地質(zhì)調(diào)查局地球物理調(diào)查中心,河北 廊坊 065000； 2.自然資源要素耦合過程與效益重點實驗室，北京 100055； 3.四川大學建筑與環(huán)境學院,四川 成都 610065； 4.中國農(nóng)業(yè)大學土地科學與技術(shù)學院,北京 100083)

0 引言

進入信息時代以來，人類對地球的觀測與探測能力不斷提升，獲取的數(shù)據(jù)量成冪律增長，數(shù)據(jù)處理技術(shù)的不斷豐富為數(shù)據(jù)融合利用提供了可能。各類自然資源時空屬性信息充實于大量非關(guān)系型、非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)中，具有典型的多源、多維、多類、多尺度等特征[1]。已有研究表明，多傳感器數(shù)據(jù)融合相較于單一來源數(shù)據(jù)在數(shù)據(jù)準確性和實際應(yīng)用方面更具優(yōu)勢[2]。歐美等國基于不同衛(wèi)星傳感器，相繼發(fā)布了各類歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)遙感數(shù)據(jù)產(chǎn)品，在生態(tài)恢復工程評價[3]、林草資源監(jiān)測[4]、生物多樣性估算[5]、高分辨率森林覆蓋分類[6]等諸多方面發(fā)揮了重要作用。但NDVI數(shù)據(jù)源的多源性同時也帶來了植被評估的不確定性[7]，一定程度上限制了遙感數(shù)據(jù)的價值挖掘及植被演變研究的延續(xù)性和準確性。不同流域之間植被種類與分布存在較大差異，NDVI反演參數(shù)差異較大，難以依據(jù)單一產(chǎn)品客觀評估區(qū)域植被生長水平[8]，迫切需要針對各類時空數(shù)據(jù)開展規(guī)則化重建、數(shù)學建模等工作，實現(xiàn)多源異構(gòu)自然資源信息的融匯和海量觀測數(shù)據(jù)的高效利用。漢江流域是我國南水北調(diào)工程的水源地，也是長江中游生態(tài)保護屏障區(qū)，國內(nèi)外學者針對流域生態(tài)服務(wù)[9]、水文效應(yīng)[10]、濕地變化[11]等開展了大量研究，但基于多源數(shù)據(jù)的資源-生態(tài)評估工作有待進一步深入。本文以漢江流域植被覆蓋為研究案例，探索了一種基于數(shù)據(jù)規(guī)則化重構(gòu)與機器學習算法的多源異構(gòu)數(shù)據(jù)融合技術(shù)，有效融合了各類數(shù)據(jù)信息，獲得了多年期高分辨率自然資源觀測指標時空數(shù)據(jù)集，實現(xiàn)了地表植被演變的精準評估，進而定量核算了各類自然資源稟賦規(guī)模與時空演變規(guī)律，為區(qū)域長時間序列生態(tài)保護情況評估與社會經(jīng)濟發(fā)展策略回溯提供了數(shù)據(jù)支持，對我國自然資源調(diào)查和經(jīng)濟社會綠色健康發(fā)展具有現(xiàn)實意義[12]。

1 基于機器學習的多源異構(gòu)數(shù)據(jù)融合技術(shù)

1.1 數(shù)據(jù)融合理論簡介

數(shù)據(jù)融合指處理來自單一和多個來源的數(shù)據(jù)和信息關(guān)聯(lián)的多層次過程，以實現(xiàn)重新定位，從而及時、完善地對其形勢、風險及重要性進行評估[13]，主要包括數(shù)據(jù)級融合、特征級融合和決策級融合3類。數(shù)據(jù)運營層主要針對數(shù)據(jù)讀入、置信驗證等方面進行原始數(shù)據(jù)融合； 數(shù)據(jù)倉庫層主要針對權(quán)重篩查、時空定位、特征空間提取進行特征數(shù)據(jù)融合； 數(shù)據(jù)產(chǎn)品層主要針對全局模擬、需求導向等進行決策分析融合(圖1)。

圖1 3類數(shù)據(jù)融合方法技術(shù)路線

1.2 數(shù)據(jù)規(guī)則化重構(gòu)

數(shù)據(jù)規(guī)則化重構(gòu)是數(shù)據(jù)融合的先決條件，也是數(shù)據(jù)管理的必要步驟。隨著生態(tài)環(huán)境質(zhì)量評估與自然資源存量調(diào)查的不斷深入，數(shù)據(jù)源不斷豐富，不同的變量數(shù)據(jù)在數(shù)據(jù)結(jié)構(gòu)、格式、時空分辨率等方面均存在較大差異，需預先進行數(shù)據(jù)規(guī)則化重構(gòu)。在數(shù)據(jù)建庫過程中要兼顧服務(wù)器存儲與計算效率，通常采用PostgreSQL、MySQL、Oracle等主流數(shù)據(jù)庫軟件平臺搭建目標數(shù)據(jù)的底層架構(gòu)，并通過搭建數(shù)據(jù)索引提高數(shù)據(jù)檢索速度，建成融合研究前的環(huán)境基礎(chǔ)數(shù)據(jù)庫。這個環(huán)境基礎(chǔ)數(shù)據(jù)庫為自然資源變化區(qū)域的快速識別與精準定位提供了有效抓手。

1.3 機器學習建模評估

多源遙感NDVI在不同植被類型區(qū)域內(nèi)的相關(guān)性不同，即在像元尺度上的相關(guān)性存在差異，難以依據(jù)線性關(guān)系進行有效擬合[14]。隨機森林(Randon Forest，RF)是精細空間和時間分辨率下預測地面植被覆蓋情況的有效工具，可以有效解決上述問題[15-16]。本文以RF為主體，輔以遺傳算法進行因子權(quán)重與數(shù)據(jù)特征空間迭代篩查，實現(xiàn)機器學習數(shù)據(jù)融合。在模型訓練過程中，導入訓練數(shù)據(jù)集構(gòu)建回歸樹。隨機選擇三分之一的預測變量用于構(gòu)建每棵樹[17]。首先，基于單個節(jié)點構(gòu)建一個樹; 然后，重復引導步驟，直到每個終端節(jié)點中只有一個數(shù)據(jù)條，從大量訓練樣本中提取特征，在回歸樹的每個節(jié)點處選擇最佳分割，構(gòu)建自變量與各協(xié)變量之間的相互關(guān)系，提取訓練樣本特征空間; 最后，建立指標因子預測子模型。植被變化不僅包括自然屬性，還涵蓋經(jīng)濟、社會、生態(tài)等多類人文屬性。通過融合3類NDVI數(shù)據(jù)產(chǎn)品和Landsat部分解譯數(shù)據(jù)，配合氣象、地形、流域模式、人口密度等環(huán)境協(xié)變量對研究區(qū)域及時段進行模型預測。

2 材料與方法

2.1 研究區(qū)概況

漢江流域地處長江經(jīng)濟帶中部，涵蓋面積超過15萬km2，位于我國南北氣候過渡帶，氣候溫和濕潤(年均氣溫14.1 ℃)，水量較豐沛(年均降水量972 mm)，是我國重要的水源涵養(yǎng)地和長江中游生態(tài)保護屏障區(qū)。區(qū)域溫帶季風氣候與平原地形特點賦予了流域良好的植被覆蓋條件，流域天然植被主要為亞熱帶常綠闊葉林與常綠和落葉闊葉混交林。流域地勢呈現(xiàn)西北高、東南低的特點，分別以干流丹江口和鐘祥為節(jié)點，區(qū)分上、中、下游。上游高山聳立，峽谷多，植被景觀豐富，丹江口水庫是南水北調(diào)的中線水源區(qū)； 中、下游的江漢平原是我國中部地區(qū)重要的農(nóng)作物產(chǎn)區(qū)[18]，城市外延化進程明顯。區(qū)域工農(nóng)業(yè)等社會、經(jīng)濟活動的不斷加劇與人口的快速增長，造成流域生態(tài)功能弱化、自然資源減少等，這些問題值得關(guān)注。

2.2 基于機器學習的漢江流域多源NDVI數(shù)據(jù)重構(gòu)

數(shù)據(jù)重構(gòu)主要包括數(shù)據(jù)獲取與清洗、特征工程建模、模型檢驗、產(chǎn)品輸出等過程。本研究針對漢江流域上中下游植被的不同特點，結(jié)合區(qū)域林地、草地、濕地等主要土地利用類型，開展了基于機器學習的多源NDVI數(shù)據(jù)重構(gòu)研究，通過交叉驗證與真實值檢驗等方式評估了重構(gòu)數(shù)據(jù)的準確性與精度。

2.2.1 數(shù)據(jù)獲取與清洗

NDVI數(shù)據(jù)來源于MODIS(美國)、SPOT-VGT(法國等)、PROBA-V(歐洲)3類衛(wèi)星傳感器，時間跨度分別為2000年1月至2019年12月，2000年1月至2014年5月和2013年10月至2019年12月。MODIS產(chǎn)品為16 d短期合成數(shù)據(jù)，一定程度上消除了大部分氣象因素與云層的影響，但仍存在部分噪聲干擾[19]。SPOT產(chǎn)品對于常綠闊葉林和針葉林的指示準確，優(yōu)于MODIS[20]，但受衛(wèi)星壽命限制，已于2014年5月停止提供數(shù)據(jù)。PROBA-V產(chǎn)品是一類植被專有觀測傳感器，具有與SPOT-VGT相似的光譜特征，旨在延續(xù)其地表植被觀測任務(wù)，兩者在整體上保持了觀測一致性(均方根誤差RMSE為0.003)，同時也存在某些未知的非系統(tǒng)差異[21]。

基礎(chǔ)數(shù)據(jù)共涵蓋NDVI數(shù)據(jù)、自然類環(huán)境協(xié)變量、社會經(jīng)濟協(xié)變量等12種不同數(shù)據(jù)來源(表1)的45個數(shù)據(jù)信息。各類數(shù)據(jù)均進行了值域分布檢查、異常值剔除、置信區(qū)間篩查，去除了部分不良噪音。根據(jù)不同數(shù)據(jù)源格式，基于R、Python、SQL等不同計算機編譯語言，實現(xiàn)了數(shù)據(jù)批量導入[22]。

表1 基礎(chǔ)數(shù)據(jù)信息匯總

2.2.2 基于機器學習的多源數(shù)據(jù)融合建模

本研究首先構(gòu)建了漢江流域高分辨率空間網(wǎng)格(1 km×1 km)，獲得基礎(chǔ)網(wǎng)格單元155 365個。之后以盆地網(wǎng)格要素的單元格中心點為基準，將各類數(shù)據(jù)進行重采樣處理，嵌套進入對應(yīng)網(wǎng)格中。Landsat輔助解譯數(shù)據(jù)直接依據(jù)經(jīng)緯度進行網(wǎng)格落定； NDVI值(兩組衛(wèi)星數(shù)據(jù)插值后)、人口密度和國內(nèi)生產(chǎn)總值(Gross Domestic Product, GDP)3類數(shù)據(jù)的空間分辨率與基礎(chǔ)網(wǎng)格一致，采用最近距離法進行重采樣匹配； 氣象(差值后數(shù)據(jù))、海拔、NDVI值(年度最大值)和土地利用類型4類環(huán)境協(xié)變量數(shù)據(jù)的空間分辨率高于已有網(wǎng)格，采用嵌套與反距離權(quán)重插值相結(jié)合的方法，對源數(shù)據(jù)網(wǎng)格內(nèi)多測量值進行加權(quán)和加和； PBLH和排放清單數(shù)據(jù)的空間分辨率低于基礎(chǔ)網(wǎng)格，采用反距離權(quán)重插值方法，基于源數(shù)據(jù)的多測量值的加權(quán)平均，進行網(wǎng)格值重采樣。同時，為了保證數(shù)據(jù)的空間平滑性，對人口密度、海拔、NDVI和土地利用類型4種數(shù)據(jù)均進行了二次空間卷積，卷積前后的兩個變量均作為變量數(shù)據(jù)加入模型構(gòu)建中，相關(guān)過程基于PostGIS、Rstudio等實現(xiàn)(圖2)。

經(jīng)過梳理，20 a的基礎(chǔ)數(shù)據(jù)中，有效記錄為3 728.76萬條，每個數(shù)據(jù)集設(shè)立唯一的DOI編碼，明確數(shù)據(jù)溯源，便于數(shù)據(jù)后期發(fā)布過程中的知識產(chǎn)權(quán)保護。數(shù)據(jù)均依據(jù)變量類別，通過數(shù)據(jù)時段和網(wǎng)格編號ID實現(xiàn)各類信息時空化識別與提取，為下一步數(shù)值建模提供支撐。模型訓練樣本為2015—2019年Landsat影像解譯數(shù)據(jù)及部分實測值。模型添加了季節(jié)性變量，對變量取值空間進行了有效分隔。

圖2 研究技術(shù)路線

通過量化各變量因子單一置換后的預測誤差結(jié)果差異，篩查出每個變量的相對重要性[25]。基于袋外誤差結(jié)果，剔除了各子模型中相關(guān)重要性低(<5‰)的自變量。依據(jù)多組模型超參數(shù)調(diào)整實驗結(jié)果，各子模型中樹的棵數(shù)設(shè)置為500，最終預測結(jié)果取所有回歸樹結(jié)果的均值。在并行與并發(fā)運算支持[26]下，單次模型預測運行時間為55 min，各子模型的模擬結(jié)果均達到近似最優(yōu)的計算效率和預測性能。

2.2.3 模型準確性檢驗

k折交叉驗證是檢驗時空模型泛化能力的合理有效的方法，可以有效避免模型可能存在的過度擬合現(xiàn)象。將模型的訓練數(shù)據(jù)根據(jù)數(shù)量大小，平均分為k份，每次使用其中的(k-1)份數(shù)據(jù)進行模型訓練，預測余下1組數(shù)據(jù)，最后將k次訓練的結(jié)果全部合并，并與原始訓練集數(shù)據(jù)進行比較，根據(jù)決定系數(shù)(R2)、均方根誤差(Root Mean Square Error, RMSE)等指標衡量模型的預測準確性。

3 結(jié)果與討論

3.1 模型驗證與評估

本文兼顧服務(wù)器計算效率，基于網(wǎng)格經(jīng)緯度的分組方式將32.7萬行訓練數(shù)據(jù)進行20折交叉驗證，得出決定系數(shù)R2為0.86，表明了模型在NDVI時空分布重構(gòu)上的優(yōu)越性(圖3)。同時，基于年份與月份進行交叉驗證，R2分別為0.77和0.82，基于流域上、中、下游分別建模驗證，R2分別為0.88、0.86和0.82，表明模型在時間外延與空間外延上均表現(xiàn)出較好的預測準確性。同時，根據(jù)流域42個實地林草樣地調(diào)查結(jié)果比對，重構(gòu)數(shù)據(jù)的植被覆蓋準確度為92.9%，高于單一數(shù)據(jù)源MODIS(88.0%)、SPOT-VGT(83.3%)和PROBA-V(76.1%)，體現(xiàn)了基于機器學習的多源數(shù)據(jù)融合技術(shù)的優(yōu)勢。

圖3 模型交叉驗證結(jié)果

3.2 漢江流域2000—2019年植被NDVI時空變化

NDVI值域高、低地區(qū)交錯，受局部氣候、地形、人文等因素分布差異影響，具有明顯的空間異質(zhì)性[27-28]。流域上游植被茂密，植被覆蓋處于相對最高水平(NDVI>0.8)，屬亞熱帶山地濕潤季風氣候，降水與日照充足，氣候溫和，區(qū)域的水熱條件非常適合植被的生長和更新[29]，森林覆蓋率高，漢中市、安康市市區(qū)及周邊地區(qū)是上游植被覆蓋較低的區(qū)域； 中、下游各城市及周邊區(qū)域植被覆蓋較低(NDVI城區(qū)=0.52±0.03)，通過與縣級及以上等級的居民點疊加分析，NDVI低值區(qū)主要為城鎮(zhèn)等人口聚集區(qū)，與Landsat影像解譯結(jié)果一致，丹江口水庫是漢江流域的重點水利工程，其改變了流域中、下游部分生態(tài)系統(tǒng)的原有面貌[30]。研究區(qū)植被覆蓋水平相對較低(NDVI≤0.3)的區(qū)域主要分布于丹江口水庫和武漢市、襄陽市、南陽市市區(qū)及其周邊地區(qū)(圖4)。

圖4 漢江流域2000—2019年NDVI年最大值空間分布

流域的植被覆蓋率整體呈波動增加趨勢，總增長率為1.6%/10 a，中、上游增量較明顯[31](增長率分別為2.2%/10 a和1.6%/10 a)，下游植被覆蓋率基本維持不變，一直處于波動階段。流域植被改善面積達到75.1%，其中5.4%面積的植被改善程度超過10%，植被退化面積比例為10.2%。植被覆蓋變化分布存在地區(qū)差異，河流沿岸和人類活動密集區(qū)植被覆蓋變化顯著[32](圖5)。計算結(jié)果表明，20 a間流域植被覆蓋上升區(qū)人口密度平均減少0.3%，植被退化區(qū)人口密度平均增長4.0%。植被覆蓋上升區(qū)主要分布于漢江上游沿岸和流域東北部區(qū)域，丹江口水庫周邊與荊門市西部區(qū)域植被改善情況尤為明顯，一定程度上表明國家水源保護地退耕還林、荒地造林、水土保持等政策的有效性，表明人類活動發(fā)揮了積極作用[33-34]。植被覆蓋減少區(qū)則主要位于城市及周邊區(qū)域，也是人類活動密集區(qū)。

圖5 漢江流域2000—2019年NDVI空間變化趨勢

3.3 漢江流域植被NDVI變化與人類活動間關(guān)聯(lián)

流域的土地利用類型主要包括林地、園地、耕地、濕地/水體和城區(qū)，各類土地植被變化特征有所差異。本文將獲得的NDVI數(shù)據(jù)集與流域兩類土地利用類型數(shù)據(jù)相交疊加，得到流域各類土地NDVI時空變化序列(表2),進而評估出區(qū)域自然資源賦存與生態(tài)環(huán)境質(zhì)量情況。

由表2可知： 漢江流域所屬林地與園地主要位于上游地區(qū)，一直保持著整體較高的植被覆蓋水平且穩(wěn)中有升(NDVI林地=0.903±0.006,NDVI園地=0.888±0.010)，長期以來的森林撫育、封山育林等積極行為使森林生態(tài)系統(tǒng)保持了穩(wěn)定向好的趨勢[35-36]； 耕地主要位于中、下游的江漢平原，NDVI維持穩(wěn)定水平(NDVI耕地=0.799±0.009)； 濕地/水體主要分布于河流及周邊區(qū)域，NDVI水平中等(NDVI濕地/水體=0.572±0.009)，變化不明顯，丹江口水庫大壩下游，即流域中、下游，濕地生態(tài)系統(tǒng)有所恢復； 城區(qū)NDVI則下降較為突出，每10 a平均下降4.7%，城市建設(shè)用地的不斷擴張帶來了植被的消極變化。上游森林資源與下游耕地資源均保持了相對穩(wěn)定的水平，一定程度上體現(xiàn)了20 a間上游森林生態(tài)系統(tǒng)與中、下游耕地資源的相對穩(wěn)定性[37]。但隨著城鎮(zhèn)化進程的不斷推進，人類活動密集與城市向外擴張造成城區(qū)及周邊區(qū)域植被覆蓋顯著減少，區(qū)域生態(tài)風險形勢依然不容樂觀。

表2 漢江流域2000—2019年不同土地利用類型下NDVI最大值匯總

基于研究區(qū)各網(wǎng)格單位計算流域多年期NDVI與人口密度Spearman秩相關(guān)系數(shù)，兩者相關(guān)性空間分布具有明顯的空間異質(zhì)性(圖6)。NDVI與區(qū)域人口密度正相關(guān)性區(qū)域占總面積的28%，主要集中于河南省南陽市轄區(qū)，印證了該區(qū)域退耕還林工程成效明顯[38]； 負相關(guān)性區(qū)域占總面積的72%，主要分布于流域中游耕地區(qū)及人口密度較高的城市區(qū)域。兩類截然不同的相關(guān)系數(shù)分布情況體現(xiàn)了人類活動對植被覆蓋影響的不確定性和隨機性，會受到國家政策和不同時期發(fā)展需求等多種因素的影響[39]。

圖6 漢江流域NDVI與人口密度相關(guān)系數(shù)空間分布

3.4 不足與展望

本文主要針對植被每年的生長旺盛期進行逐年NDVI最大值模擬與分析，未進行植被生長季全周期的跟蹤觀測。未來可基于該融合技術(shù)方法，進一步提升數(shù)據(jù)的時空分辨率，模擬年內(nèi)植被生長全過程，更精準地實現(xiàn)植被動態(tài)觀測，更好地支撐自然資源管理與生態(tài)質(zhì)量評估。

4 結(jié)論

本研究聚焦自然資源信息高效提取與利用，以漢江流域NDVI數(shù)據(jù)為例，探索了一種多源異構(gòu)數(shù)據(jù)融合技術(shù)，主要結(jié)論如下。

(1)基于機器學習的多源數(shù)據(jù)融合技術(shù)具有速度快、準確度高、經(jīng)濟高效等優(yōu)勢，本研究面向自然資源信息提取領(lǐng)域，形成了一個多源異構(gòu)數(shù)據(jù)智能融合技術(shù)方法，可實現(xiàn)數(shù)據(jù)高效利用與特征空間快速優(yōu)選。

(2)以漢江流域為例，基于隨機森林算法，融合了3種異源NDVI數(shù)據(jù)產(chǎn)品，構(gòu)建了NDVI回溯預測子模型，獲得了2000—2019年漢江流域NDVI逐年時空分布數(shù)據(jù)集，模型交叉驗證決定了系數(shù)R2為0.86，空間分辨率為1 km。模型從多源數(shù)據(jù)中優(yōu)化提取了數(shù)據(jù)特征空間，與原有單一數(shù)據(jù)產(chǎn)品相比，模擬結(jié)果更貼近實際，數(shù)據(jù)質(zhì)量有所提升。

(3)漢江流域植被變化與區(qū)域人類活動密切相關(guān)，兩者相關(guān)系數(shù)分布存在顯著的空間異質(zhì)性，正相關(guān)區(qū)主要為流域東北部區(qū)域，負相關(guān)區(qū)主要為流域中游耕地地區(qū)與城市周邊區(qū)域。人類活動對植被的影響受國家政策、經(jīng)濟發(fā)展等多方面因素控制。