基于Sentinel-2和Landsat 8數(shù)據(jù)的天?？h草地地上生物量遙感反演

黃家興， 吳 靜*， 李純斌， 秦格霞， 錢娟冰， 李懷海

(1.甘肅農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院， 甘肅 蘭州 730070； 2.甘肅省基礎(chǔ)地理信息中心， 甘肅 蘭州 730070)

草地資源在環(huán)境保護(hù)、發(fā)展畜牧業(yè)、維持生態(tài)系統(tǒng)平衡、碳匯方面有著重要作用[1-3]，氣候變化專門委員會(huì)第五次報(bào)告指出，全球幾乎所有地區(qū)都出現(xiàn)了地表溫度持續(xù)上升的現(xiàn)象，這將導(dǎo)致極端低溫事件的減少，極端高溫事件與極端降水事件的增加，從而引起生態(tài)環(huán)境較為脆弱地區(qū)的草地退化、草地畜牧業(yè)生產(chǎn)季節(jié)間的不平衡性等一系列問題[4]。草地地上生物量(Above-ground biomass，AGB)是反映草地長勢，評(píng)價(jià)生態(tài)系統(tǒng)再生能力，草原生態(tài)系統(tǒng)健康狀況和草地資源可持續(xù)利用狀況的關(guān)鍵指標(biāo)，快速、準(zhǔn)確、大范圍監(jiān)測草地AGB對確定草地合理載畜量，確保草地生態(tài)系統(tǒng)安全具有重要意義[5-6]。

傳統(tǒng)草地AGB測量方法一般是通過齊地刈割、循環(huán)采樣等直接獲取方法獲得單點(diǎn)的草地AGB實(shí)測數(shù)據(jù)，準(zhǔn)確度高，但費(fèi)時(shí)費(fèi)力，且在時(shí)間尺度和空間范圍上都有局限性。光學(xué)遙感數(shù)據(jù)因包含有價(jià)值的植被參數(shù)信息，能夠提供一種更方便的草地AGB監(jiān)測方法，目前已被諸多學(xué)者應(yīng)用在草地AGB的監(jiān)測研究中[7-9]。目前大多數(shù)利用光學(xué)遙感數(shù)據(jù)監(jiān)測草地AGB的研究均基于自然經(jīng)驗(yàn)法，即利用實(shí)測AGB與遙感觀測獲得的植被指數(shù)建立經(jīng)驗(yàn)函數(shù)關(guān)系式，進(jìn)而獲得空間尺度的草地AGB分布數(shù)據(jù)，這些傳遞函數(shù)可以是線性的線性、指數(shù)和冪函數(shù)、多項(xiàng)式函數(shù)，也可以是非線性的機(jī)器學(xué)習(xí)算法[10-11]。這種經(jīng)驗(yàn)法受到現(xiàn)場觀測數(shù)據(jù)的代表性的制約，并且模型精度與選擇的遙感數(shù)據(jù)類型、采用的植被指數(shù)類型及選用的函數(shù)形式密切相關(guān)，用于具體區(qū)域草地AGB反演時(shí)還需要進(jìn)行數(shù)據(jù)源、植被指數(shù)類型及函數(shù)形式的比較研究[12]。因采用較高分辨率遙感數(shù)據(jù)所需計(jì)算機(jī)存儲(chǔ)內(nèi)存及數(shù)據(jù)處理的復(fù)雜性[13-14]，目前大尺度草地生物量遙感監(jiān)測以空間分辨率較低的中分辨率成像光譜儀(Moderate resolution imaging spectroradiometer，MODIS)、全球檢測與模型組(Glaobal inventory modelling and mapping studies，GIMMS)等遙感數(shù)據(jù)為主，而較高分辨率的Landsat及更高分辨率的Sentinel-2應(yīng)用不太廣泛[15]，且對兩種數(shù)據(jù)基于不同植被指數(shù)的生物量反演比較研究報(bào)道較少。Google Earth Engine(GEE)云計(jì)算引擎在全球范圍內(nèi)可較為方便地實(shí)現(xiàn)并行處理遙感數(shù)據(jù)[16]，無需訪問超級(jí)計(jì)算機(jī)或?qū)ｉT的編程專業(yè)知識(shí)，也為利用較高分辨率遙感數(shù)據(jù)反演草地生物量提供了便利[17]。

本研究以天祝縣草地覆蓋區(qū)域?yàn)檠芯繀^(qū)，運(yùn)用GEE云平臺(tái)，采用Landsat 8和Sentinel-2的反射率數(shù)據(jù)，分別計(jì)算歸一化差分植被指數(shù)(Normalized difference vegetation index，NDVI)，差值植被指數(shù)(Difference vegetation index，DVI)，綠色歸一化植被指數(shù)(Green normalized difference vegetative index，GNDVI)，比值植被指數(shù)(Rational vegetation index，RVI)、增強(qiáng)植被指數(shù)(Enhanced vegetation index，EVI)5種植被指數(shù)，與實(shí)測草地AGB建立反演AGB模型，并用均方根誤差、平均相對誤差和R2評(píng)估不同數(shù)據(jù)源、不同植被指數(shù)及不同模型草地AGB的反演精度，最后選取8月最佳AGB遙感反演模型，反演得到天?？h草地覆蓋區(qū)域草地AGB空間分布狀況。研究可為推動(dòng)較高分辨率的Landsat 8，Sentinel-2在大尺度草地AGB估算方面的應(yīng)用，為研究區(qū)相關(guān)部門合理確定草畜平衡及利用草地資源提供方法與數(shù)據(jù)支撐。

1 材料與方法

1.1 研究區(qū)概況

天?？h位于東經(jīng)102°70′～103°46′、北緯36°31′～37°55′之間，地處河西走廊東端，青藏高原、黃土高原和內(nèi)蒙古高原的交匯地帶；境內(nèi)海拔2 040～4 874 m，地勢西北高，東南低，以山地地貌為主；年平均氣溫0.3℃，年降水量407.4 mm，主要集中在 7，8，9月，年蒸發(fā)量1 592 mm，是降水量的3.8倍；以烏鞘嶺為界，嶺南屬大陸性高原季風(fēng)氣候，嶺北屬溫帶大陸性半干旱氣候。全縣東西跨度142.6 km，南北距離158.4 km，總面積7 149.8 km2，其中草地面積為2 310 km2，以旱生耐寒禾本科為主[18-19]。4種主要的草地類型分布見圖1。

圖1 研究區(qū)位置及采樣點(diǎn)示意圖

1.2 數(shù)據(jù)來源及預(yù)處理

1.2.1樣地選取與處理 根據(jù)天?？h草地類型分布特點(diǎn)、草地利用方式、利用強(qiáng)度、管理制度等方面的綜合評(píng)估，于2020年6，7，8月下旬在不同類型、不同蓋度且地勢平坦、草地優(yōu)勢草種比較單一、空間分布均勻、面積大于100 m×100 m的草地試驗(yàn)樣區(qū)內(nèi)進(jìn)行野外數(shù)據(jù)采集。樣地大小為10 m×10 m，每個(gè)樣地內(nèi)按5點(diǎn)法布設(shè)樣方(1 m×1 m)(圖2)，以中心點(diǎn)作為第一個(gè)樣方，4個(gè)角點(diǎn)為其余4個(gè)樣方。實(shí)測時(shí)使用GPS記錄樣地經(jīng)緯度，并詳細(xì)記錄實(shí)測點(diǎn)海拔、地形、優(yōu)勢種、株高、植被覆蓋度、坡度、坡向。草地AGB采用收獲法將樣方內(nèi)草地所有綠色部分用羊毛剪齊地面剪下，稱其鮮重后在實(shí)驗(yàn)室內(nèi)置于105℃溫度下殺青，采用65℃烘干至恒重，獲得每個(gè)樣方的草干重，最后采用5個(gè)樣方的平均值作為10 m×10 m樣地的草地AGB。

圖2 采樣點(diǎn)分布圖

剔除樣方數(shù)據(jù)中表現(xiàn)異常的數(shù)據(jù)，共確定采樣數(shù)據(jù)64個(gè)，其中AGB最大值為418.7 g·m-2，最小值為14.25 g·m-2，平均值為146.29 g·m-2。所有樣方的AGB值處于中國北方溫帶草原AGB的50.0～707.5 g·m-2范圍內(nèi)[20]，與以往研究一致。

1.2.2遙感影像數(shù)據(jù)來源及預(yù)處理 研究中采用的植被指數(shù)數(shù)據(jù)由Google Earth Engine(GEE)平臺(tái)提供的30 m空間分辨率的Landsat 8地表反射率產(chǎn)品和10 m空間分辨率的Sentinel-2地表反射率產(chǎn)品計(jì)算得到。選取2020年6—8月遙感數(shù)據(jù)，以保證與地面觀測數(shù)據(jù)同期。為保證遙感數(shù)據(jù)的質(zhì)量，計(jì)算植被指數(shù)之前的反射率數(shù)據(jù)均通過去云函數(shù)去除云量的影響，并利用qualityMosaic()函數(shù)合成與地面同一觀測期內(nèi)的一期無云且代表植被最好生長狀態(tài)的地表反射率影像[17]。

1.3 研究方法

1.3.1植被指數(shù)計(jì)算方法 5種植被指數(shù)包括：歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、比值植被指數(shù)(RVI)、增強(qiáng)型植被指數(shù)(EVI)和綠度植被指數(shù)(GNDVI)。計(jì)算公式分別為：

(1)

DVI=NIR-R

(2)

(3)

(4)

(5)

式中，NIR代表遙感數(shù)據(jù)的近紅外波段，R代表紅光波段，BLUE代表藍(lán)光波段，GREEN代表綠光波段[21-22]。

1.3.2統(tǒng)計(jì)分析與精度評(píng)價(jià) 根據(jù)野外調(diào)查樣方的經(jīng)緯度坐標(biāo)，提取對應(yīng)像元的植被指數(shù)值，與草地干重生物量生成數(shù)據(jù)集，用于草地干重生物量與各植被指數(shù)之間的相關(guān)性分析，并利用SPSS軟件得到各植被指數(shù)與草地干重生物量的模擬模型。在64個(gè)實(shí)測樣本中，選取45個(gè)樣本建立模型，另外19個(gè)樣本對建立模型精度進(jìn)行驗(yàn)證。

模型精度評(píng)價(jià)采用均方根誤差(RMSE)、決定系數(shù)(R2)和平均相對誤差(MRE)來評(píng)價(jià)反演值與實(shí)測值的一致性[3]。精度評(píng)價(jià)指標(biāo)的計(jì)算公式如下：

(6)

(7)

2 結(jié)果與分析

2.1 植被指數(shù)與草地AGB的相關(guān)性分析

草地AGB實(shí)測值與基于Landsat 8計(jì)算的各植被指數(shù)間的相關(guān)性如表1所示。

表1 Landsant 8遙感數(shù)據(jù)生物量干重與植被指數(shù)相關(guān)性分析

草地實(shí)測AGB與基于Sentinel-2遙感數(shù)據(jù)建立的各種植被指數(shù)的相關(guān)性(P<0.01)見表2。

表2 Sentinel-2遙感數(shù)據(jù)生物量干重與植被指數(shù)相關(guān)性分析

從總體來看，Landsat 8與Sentinel-2遙感數(shù)據(jù)提取的植被指數(shù)與草地實(shí)測AGB之間均存在顯著相關(guān)性(P<0.01)，相關(guān)系數(shù)均在0.6以上，因此，可以基于植被指數(shù)與實(shí)測草地AGB建立經(jīng)驗(yàn)?zāi)Ｐ陀糜诓莸谹GB的遙感反演上。從各個(gè)月份的各種植被指數(shù)與AGB的相關(guān)性來看，總體上Sentinel-2數(shù)據(jù)表現(xiàn)更好，說明空間分辨率對植被指數(shù)與草地AGB的相關(guān)性有影響。

2.2 草地AGB估算模型構(gòu)建與應(yīng)用

利用統(tǒng)計(jì)軟件建立草地AGB與不同植被指數(shù)估算模型，建立的所有模型均通過顯著性檢驗(yàn)(表3，4，5)。

表3 6月草原干重生物量估算模型

Sentinel-2數(shù)據(jù)6月份以RVI建立的模型擬合效果最好，模擬精度最高為二次曲線回歸模型(R2=0.905 6)；7月份以DVI建立的模型效果最好，精度最高為二次曲線回歸模型(R2=0.574 0)；8月份以GNDVI建立的模型效果最好，模擬精度最高為指數(shù)模型(R2=0.698 3)。

Landsant 8數(shù)據(jù)中6月份以RVI建立的模型擬合效果最好，模擬精度最高為二次曲線回歸模型(R2=0.869 3)；7月份以DVI建立的模型效果最好，精度最高為二次曲線回歸模型(R2=0.590 5)；8月份以GNDVI建立的模型擬合效果最好，精度最高為二次曲線回歸模型(R2=0.631 5)。

總體來看，Sentinel-2模型擬合效果優(yōu)于Landsant 8。兩種遙感數(shù)據(jù)最佳反演植被指數(shù)相同,為6月份RVI、7月份DVI和8月份GNDVI。

表4 7月草原干重生物量估算模型

表5 8月草原干重生物量估算模型

2.2.1最優(yōu)模型反演生物量驗(yàn)證 根據(jù)植被指數(shù)與生物量建立不同月份的最優(yōu)反演模型，求得Sentinel-2與Landsant 8遙感數(shù)據(jù)反演生物量數(shù)據(jù)，并與實(shí)測數(shù)據(jù)進(jìn)行對比進(jìn)行誤差分析，采用誤差值與實(shí)測值的百分比來評(píng)價(jià)模型精度。

Sentinel-2的模型反演值與實(shí)測值的誤差范圍為25.64～51.63 g。在Sentinel-2中6月份6個(gè)點(diǎn)落在10%～30%之間；7月份中6個(gè)點(diǎn)模擬誤差小于實(shí)測值的10%，14個(gè)點(diǎn)落在10%～20%，8個(gè)點(diǎn)落在20%～30%之間，剩余8個(gè)點(diǎn)大約30%；8月份中7個(gè)點(diǎn)模擬誤差小于實(shí)測值的10%，6個(gè)點(diǎn)落在10%～20%之間，5個(gè)點(diǎn)落在20%～30%之間，剩余4個(gè)點(diǎn)大約30%。

Landsant 8的模型反演值與實(shí)測值的誤差范圍為51.87～54.92 g。Landsant 8中6月份4個(gè)點(diǎn)落在10%～30%之間，2個(gè)點(diǎn)大約30%；7月份中5個(gè)點(diǎn)模擬誤差不足實(shí)測值的10%，12個(gè)點(diǎn)落在10%～20%，10個(gè)點(diǎn)落在20%～30%之間，剩余9個(gè)點(diǎn)大約30%；8月份中5個(gè)點(diǎn)模擬誤差不足實(shí)測值的10%，4個(gè)點(diǎn)落在10%～20%，7個(gè)點(diǎn)落在20%～30%之間，剩余6個(gè)點(diǎn)大約30%。

總體上，基于Sentinel-2的模型誤差值較小，模型反演值與實(shí)測值較為接近。

2.2.2模型精度驗(yàn)證 數(shù)據(jù)在進(jìn)行處理過程中，Sentinel-2數(shù)據(jù)中分為7月份隨機(jī)選取18個(gè)數(shù)據(jù)和8月份隨機(jī)選取11個(gè)數(shù)據(jù)作為結(jié)果驗(yàn)證進(jìn)行數(shù)據(jù)分析。根據(jù)最佳模型，用交叉驗(yàn)證法對最佳估產(chǎn)模型進(jìn)行精度驗(yàn)證，實(shí)測值和估測值的對比結(jié)果相關(guān)系數(shù)分別為0.761 1和0.694 3，均達(dá)到極顯著水平，均方根誤差RMSE分別為22.01 g·m-2和23.64 g·m-2，平均相對誤差MRE為0.166和0.196，模型精度分別為86%和84%。

Landsant 8數(shù)據(jù)中分為7月份隨機(jī)選取18個(gè)數(shù)據(jù)和8月份隨機(jī)選取11個(gè)數(shù)據(jù)作為結(jié)果驗(yàn)證進(jìn)行數(shù)據(jù)分析。根據(jù)最佳模型，用交叉驗(yàn)證法對最佳估產(chǎn)模型進(jìn)行精度驗(yàn)證，實(shí)測值和估測值的對比結(jié)果相關(guān)系數(shù)分別為0.683 2和0.675 2，也均達(dá)到0.01極顯著水平，RMSE分別為24.22 g·m-2和26.43 g·m-2，平均相對誤差MRE為0.215和0.236，模型精度分別為81%和79%。

基于以上模型的模擬效果均較好，Sentinel-2模型反演精度優(yōu)于Landsant 8模型，能夠?yàn)樘熳？h牧場產(chǎn)草量提供精確地評(píng)估和研究。

2.3 草地地上生物量的空間分布

采用Sentinel-2最優(yōu)模型反演8月份研究區(qū)草地地上生物量。天?？h草地AGB分布有明顯的空間差異(圖3)。中部地區(qū)草原生物量較高，生物量大部分在200 g·m-2～350 g·m-2之間。不同草地類型的AGB差異較大：山地草甸平均值為546.6 g·m-2，高寒草甸為289.9 g·m-2，溫性草原為320.6 g·m-2，溫性荒漠草原為201.1 g·m-2。

圖3 草地AGB空間分布圖

3 討論

本研究中Sentinel-2數(shù)據(jù)建立的6月份RVI二次曲線回歸模型，7月份DVI二次曲線回歸模型，8月份GNDVI指數(shù)模型，可以較好地模擬研究區(qū)草地地上生物量，結(jié)果符合在前者已經(jīng)實(shí)現(xiàn)的模型預(yù)測系數(shù)變化范圍內(nèi)[26]，模型精度可靠，效果較為理想，具有一定的實(shí)際應(yīng)用價(jià)值，應(yīng)用于草地地上生物量估測是科學(xué)合理的。

草原植被的生長和生物量是一個(gè)動(dòng)態(tài)變化的過程，Landsant 8遙感數(shù)據(jù)分辨率為30 m，Sentinel-2遙感數(shù)據(jù)精度高分辨率為10 m，運(yùn)用以上兩種遙感數(shù)據(jù)通過對比分析可以極大地減少像元混合所帶來的誤差，能夠更細(xì)致及時(shí)的大范圍監(jiān)測了解植被各個(gè)時(shí)期的生長變化。同時(shí)GEE平臺(tái)在大尺度草地生物量高分辨率的估算方面的應(yīng)用，為草地資源的合理配置和草地資源的快速大范圍監(jiān)測提供方法與理論支撐[25-27]。

研究中，植被指數(shù)DVI,EVI,GNDVI,NDVI,RVI數(shù)據(jù)與采樣點(diǎn)數(shù)據(jù)來自同一時(shí)期，這減少了模型模擬的一定誤差，但本試驗(yàn)在地上生物量樣本數(shù)量方面還比較欠缺，以后在條件允許的情況下，適當(dāng)增加樣本數(shù)量個(gè)數(shù)，以進(jìn)一步提高模型模擬精度[28]。文中對不同草地類型的生物量差異關(guān)注較少，今后可根據(jù)研究區(qū)實(shí)際情況，適當(dāng)選取不同草地類型進(jìn)行實(shí)地采樣，進(jìn)一步細(xì)致研究該區(qū)域草地生物量，這對天祝區(qū)植被保護(hù)、草場監(jiān)測等具有重要意義。

4 結(jié)論

以天?？h草地覆蓋區(qū)為研究區(qū)，分析了草地地上生物量和各種植被指數(shù)的相關(guān)性，比較了基于Landsant 8與Sentinel-2遙感數(shù)據(jù)的5種植被指數(shù)擬合草地地上生物量的不同模型，并利用最優(yōu)模型反演得到8月份草地地上生物量空間分布圖。研究結(jié)果可為合理開發(fā)利用草地資源提供科學(xué)參考依據(jù)。

研究區(qū)實(shí)測草地地上干重生物量與所選各植被指數(shù)存在顯著的相關(guān)性，基于各植被指數(shù)建立天?？h草地生物量遙感估算模型是可行的；基于分辨率為10 m的Sentinel-2建立的模型反演精度優(yōu)于分辨率為30 m的Landsant 8。數(shù)據(jù)源空間分辨率的提高對于改進(jìn)草地地上生物量的反演精度有明顯的效果。