基于機器學(xué)習(xí)和多源數(shù)據(jù)的湘西北森林地上生物量估測*

丁家祺 黃文麗 劉迎春 胡 楊

(1.武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院 武漢 430079； 2.自然資源部城市國土資源監(jiān)測與仿真重點實驗室 深圳 518034； 3.北京大學(xué)城市與環(huán)境學(xué)院 北京 100871； 4.國家林業(yè)和草原局調(diào)查規(guī)劃設(shè)計院 北京 100714； 5.西北退化生態(tài)系統(tǒng)恢復(fù)與重建教育部重點實驗室 銀川 750021)

森林是陸地生態(tài)系統(tǒng)的重要組成部分，約占全球陸地總面積的1/3(曹春香等， 2015)，同時也是陸地生態(tài)系統(tǒng)中最大的碳庫，占全球植被碳庫的86%以上(Olsonetal.， 1983； Woodwelletal.， 1978)，其年固碳量占比超過整個陸地生態(tài)系統(tǒng)的2/3(Kramer， 1981)，具有減少大氣CO2濃度、緩解氣候變化的潛力(Güneretal.， 2012； Schlamadingeretal.， 2007)，在全球碳循環(huán)中發(fā)揮著重要作用。森林生物量是估算森林碳儲量和判斷森林碳匯能力的主要因子，也是森林生態(tài)系統(tǒng)健康評估的重要指標(biāo)，科學(xué)估算森林生物量既可為碳排放調(diào)控和碳交易提供決策支持，也可為森林質(zhì)量評估提供基礎(chǔ)依據(jù)(徐偉義等， 2018)。

傳統(tǒng)的森林資源清查以抽樣和區(qū)劃調(diào)查方法為主，不僅成本高，而且存在時效性低和結(jié)果統(tǒng)一性差等問題。應(yīng)用遙感技術(shù)建立反演模型，以森林資源清查數(shù)據(jù)為參考，為模型提供訓(xùn)練和驗證數(shù)據(jù)，可得到具有空間一致性的估測結(jié)果，并提供面分布產(chǎn)品，正逐漸成為森林資源信息化調(diào)查的主要手段。按照遙感觀測方式不同，應(yīng)用于森林生物量估測的遙感數(shù)據(jù)可分為3類，包括光學(xué)遙感數(shù)據(jù)、合成孔徑雷達(dá)數(shù)據(jù)(synthetic aperture radar，SAR)和激光雷達(dá)數(shù)據(jù)(light detection and ranging，LiDAR)。光學(xué)遙感數(shù)據(jù)在森林生物量估測方面應(yīng)用較多，但其存在2方面的局限： 一是光學(xué)遙感數(shù)據(jù)主要反映林冠的光譜和紋理信息，對于濃密植被存在信號飽和問題，以熱帶森林為例，當(dāng)生物量密度達(dá)到100～150 mg·hm-2時，可能會出現(xiàn)信號飽和(Foodyetal.， 2003)； 二是光學(xué)遙感數(shù)據(jù)獲取受天氣條件制約，如熱帶潮濕地區(qū)的Landsat影像，存在比較明顯的云層覆蓋現(xiàn)象(Asner， 2001)。微波具有穿透樹冠的能力，不僅能與樹葉發(fā)生作用，還能與森林生物量的主體——樹枝和樹干發(fā)生作用，而且不受云霧干擾。隨著SAR技術(shù)的不斷進(jìn)步，SAR數(shù)據(jù)獲取逐步從單極化、單波段、單軌道發(fā)展為多極化、多波段、多基線等不同方式(吳一戎， 2013)。目前，干涉和層析SAR等技術(shù)在森林生物量反演中表現(xiàn)理想，但其處理技術(shù)比較復(fù)雜，且滿足干涉處理條件的數(shù)據(jù)有限(劉茜等， 2015)。隨著TerraSAR-X、TanDEM-X衛(wèi)星分別于2007、2010年成功發(fā)射，這一雙星聯(lián)合任務(wù)(TDX)會提供目前唯一的同軌雙基線InSAR衛(wèi)星數(shù)據(jù)。同時，歐洲航天局(European Space Agency，ESA)計劃于2022年發(fā)射Biomass衛(wèi)星，將首次獲取P波段星載SAR數(shù)據(jù)。激光雷達(dá)能夠獲取高精度的植被三維結(jié)構(gòu)信息，提高森林生物量估測精度(龐勇等， 2005)。當(dāng)前，應(yīng)用于森林生物量估測的星載激光雷達(dá)數(shù)據(jù)主要為ICESat衛(wèi)星數(shù)據(jù)，美國國家航空航天局(National Aeronautics and Space Administration， NASA)于2003年發(fā)射ICESat衛(wèi)星，其上搭載了全波形激光雷達(dá)載荷GLAS(geoscience laser altimeter system)； 2018年，NASA又陸續(xù)發(fā)射光子計數(shù)式ICESat-2 ATLAS衛(wèi)星、搭載在國際空間站(ISS)平臺上的GEDI(global ecosystem dynamics investigation)全波形激光雷達(dá)，預(yù)計將為激光雷達(dá)在森林資源調(diào)查中的應(yīng)用提供更豐富的星載數(shù)據(jù)(龐勇等， 2019)。Qi等(2019)基于模擬的GEDI數(shù)據(jù)，探索將其與TDX任務(wù)所獲InSAR數(shù)據(jù)相結(jié)合提高中等分辨率(1 km)森林生物量估測精度的可行性，結(jié)果表明，結(jié)合TDX與GEDI數(shù)據(jù)能夠改善森林生物量估測精度或提供更高的空間分辨率產(chǎn)品，且GEDI數(shù)據(jù)本身可用于參數(shù)化利用TDX數(shù)據(jù)對樹高進(jìn)行反演的模型。

目前，森林生物量估測的建模算法大致可分為2類，即傳統(tǒng)的統(tǒng)計回歸方法和近年來廣泛應(yīng)用的機器學(xué)習(xí)算法。統(tǒng)計回歸方法預(yù)定義模型結(jié)構(gòu)，公式較為簡單，便于計算； 機器學(xué)習(xí)算法以數(shù)據(jù)驅(qū)動方式確定模型結(jié)構(gòu)，可發(fā)揮遙感大數(shù)據(jù)量的優(yōu)勢，能夠更好捕捉生物量與各種特征變量之間存在的復(fù)雜非線性關(guān)系。在森林參數(shù)反演領(lǐng)域，當(dāng)前比較具有代表性的機器學(xué)習(xí)算法包括支持向量機(support vector machine， SVM)、隨機森林(random forest, RF)、k-最近鄰(k-nearest nelghbor, KNN)和人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)等。SVM主要思想是將輸出信息變換到高維空間，并尋找最優(yōu)超平面對樣本數(shù)據(jù)進(jìn)行分類，尤其適用于小樣本、高維數(shù)據(jù)集，該算法最初用于分類問題，隨后逐漸拓展到回歸問題(support vector regression，SVR)。Chen等(2010)基于機載LiDAR和QuickBird數(shù)據(jù)，采用SVR算法對加拿大溫哥華森林冠層高度進(jìn)行估測，與傳統(tǒng)回歸方法相比取得了更好結(jié)果。董金金(2014)在對泰山地區(qū)森林生物量估測中比較包括KNN、ANN在內(nèi)的多種機器學(xué)習(xí)算法，結(jié)果發(fā)現(xiàn)SVM算法的估測精度較高。RF算法通過對樣本和特征進(jìn)行隨機采樣，構(gòu)建一系列決策樹，并通過投票方式得出預(yù)測值，該算法能夠給出各特征變量的重要性，可用于特征選擇。Li等(2018)基于MODIS數(shù)據(jù)對浙江省竹林地上生物量進(jìn)行估算，RF算法較好解決了生物量估測過程中的共線性與過擬合問題。Hu等(2020)利用Sentinel-2數(shù)據(jù)對湖南省森林蓄積量進(jìn)行反演的過程中對比多元線性回歸(multivariate linear regression, MLR)、SVR、RF 3種算法，RF算法在訓(xùn)練和測試階段均取得了最佳表現(xiàn)。

鑒于此，本研究利用光學(xué)與雷達(dá)遙感數(shù)據(jù)，以湖南省西北部為研究區(qū)，采用多元線性回歸、隨機森林和支持向量回歸算法建立森林生物量估測模型，并根據(jù)模型檢驗評價結(jié)果，選擇最優(yōu)模型制作森林地上生物量(AGB)面分布產(chǎn)品，以期為森林資源信息化調(diào)查提供技術(shù)參考。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

湖南省西北部屬亞熱帶季風(fēng)氣候，四季分明，年降水量1 200～1 700 mm，年均氣溫16～18 ℃。根據(jù)《湖南統(tǒng)計年鑒》，截至2019年，全省活立木蓄積量5.7億m3，森林覆蓋率59.82%(湖南省統(tǒng)計局， 2019)。湘西北地區(qū)地處108°47′—112°05′E、24°10′—38°84′N之間，為我國南方重點林區(qū)，集中全省70%左右的森林面積，森林覆蓋率達(dá)67%。

日本宇宙航空研究開發(fā)機構(gòu)(Japan Aerospace Exploration Agency， JAXA)發(fā)布的PALSAR-2 FNF(forest/non-forest)產(chǎn)品是基于PALSAR-2數(shù)據(jù)，經(jīng)一系列處理后制作的全球森林/非森林免費開源數(shù)據(jù)產(chǎn)品(Shimadaetal.， 2014)，空間分辨率25 m，本研究使用該產(chǎn)品作為生物量制圖的森林掩膜。以2017年度的PALSAR-2 FNF產(chǎn)品為底圖，圖1所示為研究區(qū)位置和樣地分布情況。

圖1 研究區(qū)位置和樣地分布

1.2 樣地數(shù)據(jù)收集與處理

1.2.1 樣地數(shù)據(jù)收集 根據(jù)林業(yè)調(diào)查數(shù)據(jù)，選擇10種森林類型作為研究對象，其中，依據(jù)第8次全國森林資源清查數(shù)據(jù)選擇蓄積量最高的7個樹種的純林，包括櫟樹(Quercussp.)、杉木(Cunninghamialanceolata)、馬尾松(Pinusmassoniana)、楊屬(Populussp.)、柏木(Cupressusfunebris)、濕地松(Pinuselliottii)和樟(Cinnamomumcamphora)； 此外，選擇針葉混交林、針闊混交林和闊葉混交林3種森林類型。10種類型森林蓄積量占湖南省森林總蓄積量的98%以上(Huetal.， 2020)。

對于每種森林類型，按照5級樹高、3級冠層密度確定的15個參數(shù)等級進(jìn)行分層抽樣調(diào)查，每一等級取4塊半徑15 m的圓形樣地，樣地調(diào)查時間為2017年10月15日至2018年4月30日，采用聯(lián)合DGPS和GNSS進(jìn)行位置量測，定位精度為0.10～0.25 m。調(diào)查數(shù)據(jù)包括中心坐標(biāo)、單木位置、密度、樹高、冠幅和胸徑等信息，篩選到393個可用樣地數(shù)據(jù)。表1按照森林類型統(tǒng)計了胸徑(D)、樹高(H)、株數(shù)(N)3個指標(biāo)的最大值(max)、最小值(min)、平均值(avg)和標(biāo)準(zhǔn)差(std)。

表1 樣地數(shù)據(jù)概況

1.2.2 生物量計算 利用生物量異速生長方程將樣地調(diào)查獲取的樹高、胸徑數(shù)據(jù)轉(zhuǎn)換為地上生物量(羅云建等， 2015)，計算得到樣地生物量范圍為2.2～147.6 mg·hm-2、平均值為61.3 mg·hm-2，數(shù)據(jù)分布情況見圖2。

圖2 樣地生物量分布情況

1.3 遙感數(shù)據(jù)收集與處理

1.3.1 光學(xué)遙感數(shù)據(jù) 遙感數(shù)據(jù)往往須經(jīng)輻射校正、幾何校正、影像裁剪等一系列預(yù)處理后才能用于實際研究，用戶需要投入大量精力到數(shù)據(jù)準(zhǔn)備中。為此，對地觀測衛(wèi)星委員會(Committee on Earth Observation Satellites，CEOS)提出分析就緒數(shù)據(jù)(analysis ready data， ARD)的概念，即對衛(wèi)星數(shù)據(jù)進(jìn)行預(yù)處理以滿足最基本分析要求，使其可直接用于研究。本研究使用馬里蘭大學(xué)全球地表分析與發(fā)現(xiàn)(Global Land Analysis and Discovery， GLAD)團隊提供的Landsat ARD產(chǎn)品作為光學(xué)遙感數(shù)據(jù)源。GLAD ARD由以16天為周期合成的歸一化表面反射率影像瓦片組成，提供自1997年至今全球范圍內(nèi)的Landsat數(shù)據(jù)。為計算候選特征，本研究共下載研究區(qū)域內(nèi)2016—2017年276景影像進(jìn)行指標(biāo)計算，并利用GLAD軟件包提供的年度物候指標(biāo)(類型B)計算工具計算2017年度的86個指標(biāo)，可分為按原值與按參考值排序2類指標(biāo)。按原值排序指標(biāo)是指依據(jù)原始波段或光譜指數(shù)對數(shù)據(jù)進(jìn)行排序和統(tǒng)計，共得到50個指標(biāo)，具體見表2。對于按參考值排序指標(biāo)，按照給定的參考值(NDVI、NS2、LST)對數(shù)據(jù)進(jìn)行排序和統(tǒng)計，提取對應(yīng)的原始波段或光譜指數(shù)，共得到36個指標(biāo)，具體見表3。

表2 光學(xué)遙感數(shù)據(jù)指標(biāo)(按原值排序)①

表3 光學(xué)遙感數(shù)據(jù)指標(biāo)(按參考值排序)

在上述指標(biāo)基礎(chǔ)上，根據(jù)相關(guān)文獻(xiàn)(Astolaetal.， 2019； Xiaetal.， 2017； Wittkeetal.， 2019)，補充計算其他常用遙感指數(shù)(EVI、EVI2、RVI)、纓帽變換相關(guān)指標(biāo)(亮度、濕度、綠度、濕度綠度差值)，并基于灰度共生矩陣(grey level co-occurrence matrix，GLCM)選取均值(mean)、方差(variance)、同質(zhì)性(homogeneity)、對比度(contrast)、異質(zhì)性(dissimilarity)、信息熵(entropy)、二階矩(second moment)和相關(guān)性(correlation)8種紋理特征，利用R軟件包GLCM對Landsat數(shù)據(jù)的第2、3波段按7×7窗口大小計算紋理特征。

1.3.2 雷達(dá)遙感數(shù)據(jù) 選擇Sentinel-1的2017年10月—2018年4月合成產(chǎn)品和ALOS-2 PALSAR-2的2017年合成產(chǎn)品作為雷達(dá)遙感數(shù)據(jù)源，其分別提供C、L波段信息。Sentinel-1數(shù)據(jù)經(jīng)輻射定標(biāo)(calibration)、噪音去除(noise removal)、多視(multi-look)和地形校正(terrain correction)等一系列預(yù)處理，獲得包括數(shù)據(jù)均值、中值、標(biāo)準(zhǔn)差和歸一化極化差分指數(shù)(normalized polarization difference index, NPDI)在內(nèi)的7個指標(biāo)。PALSAR-2指標(biāo)包括雙極化方式數(shù)據(jù)均值，經(jīng)計算得到NPDI。從2類SAR數(shù)據(jù)共獲取到10個數(shù)據(jù)指標(biāo)，見表4。

表4 SAR數(shù)據(jù)指標(biāo)

地形特征也是森林生物量估測的常用變量，本研究使用GLAD團隊提供的與Landsat ARD格式一致的地形數(shù)據(jù)，其源數(shù)據(jù)來自NASA航天飛機雷達(dá)地形測繪任務(wù)(shuttle radar topography mission，SRTM)，經(jīng)重新投影、剪裁為標(biāo)準(zhǔn)ARD瓦片格式，含高程(dem)、坡度(slope)和坡向(aspect)3個指標(biāo)。

對于多源遙感數(shù)據(jù)，統(tǒng)一重采樣至與Landsat ARD產(chǎn)品相同分辨率(30 m)，提取樣地對應(yīng)信息時，利用樣地邊界數(shù)據(jù)，將遙感數(shù)據(jù)重采樣至1 m后統(tǒng)計區(qū)域內(nèi)像元平均值。

2 生物量估測模型建立

2.1 特征變量篩選

經(jīng)過上述處理，共獲取122個備選特征變量，其中光學(xué)遙感數(shù)據(jù)變量109個、雷達(dá)遙感數(shù)據(jù)變量10個、地形因子3個。本研究采用2種方法篩選變量，對于機器學(xué)習(xí)算法建立的模型，采用隨機森林算法進(jìn)行變量選擇； 對于多元線性回歸模型，采用逐步回歸方法選擇出最優(yōu)變量。

2.1.1 隨機森林算法 隨機森林屬機器學(xué)習(xí)算法中的集成學(xué)習(xí)算法，通過對屬性和樣本進(jìn)行隨機采樣構(gòu)建多株決策樹，最終輸出由所有決策樹共同決定。由于每株決策樹建立過程中均對訓(xùn)練樣本進(jìn)行自助抽樣，因此可利用未使用的樣本來計算其袋外(out of bag，OOB)誤差：

(1)

借助OOB誤差指標(biāo)，可對變量重要程度進(jìn)行衡量。本研究使用R軟件包VSURF完成基于隨機森林算法的變量篩選，能夠選擇出與生物量關(guān)系較為密切且內(nèi)部冗余性較低的合適特征變量集。最終，共選擇出13個特征變量，見表5。

表5 隨機森林方法篩選特征變量結(jié)果

2.1.2 逐步回歸方法 逐步回歸方法基于線性回歸選擇變量，其主要思想是通過在預(yù)測模型中迭代添加或移除變量，同時檢驗?zāi)Ｐ捅憩F(xiàn)，從而找到使模型性能達(dá)到最佳的變量子集。本研究使用R軟件包MASS，以最小信息統(tǒng)計量(Akaike information criterion, AIC)為準(zhǔn)則進(jìn)行逐步回歸，共篩選得到19個顯著變量(P<0.01)，見表6。

表6 逐步回歸方法篩選特征變量結(jié)果

2.2 生物量建模

2.2.1 多元線性回歸方法 多元線性回歸是一種采用多個自變量對因變量進(jìn)行預(yù)測的統(tǒng)計方法，廣泛應(yīng)用于各類回歸模型，其目標(biāo)是描述因變量與自變量之間的線性關(guān)系。公式如下：

y=β0+β1x1+β2x2+…+βnxn+ε。

(2)

式中：y為因變量；xi為自變量；βi為模型參數(shù)；ε為誤差項。

在逐步回歸選擇變量的基礎(chǔ)上，對各變量進(jìn)行標(biāo)準(zhǔn)化后擬合多元線性回歸模型，得到各自變量系數(shù)見表7。數(shù)據(jù)標(biāo)準(zhǔn)化后，自變量系數(shù)大小的絕對值能夠反映其對AGB預(yù)測模型的影響大小。由表7可知，對于本研究建立的多元線性回歸模型，影響最大的前3個變量為Green波段的方差、均值紋理特征(l8gvari、l8gmean)和Red波段年均值(l8r)。

表7 多元線性回歸自變量系數(shù)①

2.2.2 隨機森林算法 隨機森林是一種重要的集成學(xué)習(xí)算法，其采用決策樹作為基學(xué)習(xí)器構(gòu)建Bagging集成，并在訓(xùn)練中隨機對屬性進(jìn)行選取，在分類與回歸問題上均有廣泛應(yīng)用。本研究使用R軟件包randomForest實現(xiàn)隨機森林建模，其中比較重要的模型參數(shù)為基學(xué)習(xí)器個數(shù)ntree和屬性劃分子集的變量數(shù)mtry。通過對ntree與mtry進(jìn)行網(wǎng)格篩選(ntree取值范圍為500～2 000、mtry取值范圍為1～12)，確定最佳參數(shù)ntree為1 500、mtry為10。

分析變量對模型均方差和模型樹節(jié)點純度的影響可以判斷變量的相對重要性，圖3所示為變量出現(xiàn)在袋外數(shù)據(jù)(out of bag data，OOBD)時對模型均方差的影響指標(biāo)%IncMSE(increase mean squared error%)以及對模型樹節(jié)點純度的影響指標(biāo)IncNodePurity。對于RF模型，最重要的變量為纓帽變換濕度與綠度分量差值(l8tcwgd)，PALSAR-2數(shù)據(jù)HV極化方式后向散射系數(shù)年均值(p2hv)、SVVI指數(shù)較大四分位數(shù)-最大值年均值(l8SVVIav75smax)在2種指標(biāo)衡量下也位于前列，高程指標(biāo)(dem)在IncNodePurity指標(biāo)中排名第二。

圖3 隨機森林模型變量重要性排序

2.2.3 支持向量回歸算法 SVM算法包含2種主要思想： 一是在特征空間中構(gòu)造最優(yōu)超平面對樣本進(jìn)行分割； 二是利用非線性核函數(shù)將樣本映射到高維空間，從而構(gòu)造線性可分問題。將SVM由分類問題推廣到回歸問題即得到支持向量回歸算法(SVR)。本研究使用R軟件包e1071構(gòu)建SVR模型，選擇徑向基核函數(shù)(radical basis function, RBF)，SVM類型為eps-regression。采用網(wǎng)格篩選法對C和ε參數(shù)進(jìn)行選擇(C取值范圍為22～29、ε取值范圍為0～1)，確定最佳參數(shù)C為4、ε為0.57。

3 模型評價與應(yīng)用

3.1 模型效果評價

按7∶3比例隨機劃分訓(xùn)練集和測試集，圖4展示了3種模型在訓(xùn)練集和測試集上的表現(xiàn)。在訓(xùn)練集上，RF模型表現(xiàn)最好(R2=0.93，RMSE=13.2 mg·hm-2，rRMSE=21.7%)，其次為SVR模型(R2=0.59，RMSE=25.9 mg·hm-2，rRMSE=42.6%)，MLR模型表現(xiàn)最差(R2=0.55，RMSE=26.4 mg·hm-2，rRMSE=43.4%)；在測試集上，RF模型同樣獲得了最佳表現(xiàn)(R2=0.32，RMSE=31.7 mg·hm-2，rRMSE=53.1%)，其次為SVR模型(R2=0.26，RMSE=33.4 mg·hm-2，rRMSE=55.9%)，MLR模型的精度最低(R2=0.16，RMSE=45.6 mg·hm-2，rRMSE=76.4%)。同時，3種模型在測試階段均顯示出一定程度的低值高估和高值低估現(xiàn)象。

圖4 不同模型在訓(xùn)練集(a、b、c)和測試集(d、e、f)上的表現(xiàn)

運用十折交叉驗證法得到的評價結(jié)果更為穩(wěn)定，表8所示為不同模型在訓(xùn)練集和測試集上的表現(xiàn)。在訓(xùn)練集上，RF模型表現(xiàn)最好(RMSE=12.8 mg·hm-2，rRMSE=21.1%，R2=0.93)，其次為SVR模型(RMSE=26.1 mg·hm-2，rRMSE=43.3%，R2=0.55)，MLR模型表現(xiàn)最差(RMSE=30.9 mg·hm-2，rRMSE=50.5%，R2=0.39)；在測試集上，RF模型同樣具有最佳泛化能力(RMSE=30.1 mg·hm-2，rRMSE=51.3%，R2=0.42)，MLR模型(RMSE=32.6 mg·hm-2，rRMSE=54.1%，R2=0.30)表現(xiàn)略優(yōu)于SVR模型(RMSE=32.8 mg·hm-2，rRMSE=55.3%，R2=0.25)?？傮w來說，RF算法在訓(xùn)練集和測試集上均獲得最佳表現(xiàn)，因此本研究采用RF模型完成區(qū)域生物量制圖。

表8 不同模型的精度評價結(jié)果

3.2 區(qū)域生物量制圖

利用訓(xùn)練后的RF模型對研究區(qū)森林生物量進(jìn)行反演，并制作湘西北區(qū)域生物量地圖，技術(shù)路線如圖5所示，生物量地圖如圖6所示。

圖5 區(qū)域生物量制圖技術(shù)路線

圖6 湘西北區(qū)域生物量地圖

3.3 生物量制圖產(chǎn)品比較

本研究選取5種中國或全球尺度生物量制圖產(chǎn)品(Chietal.， 2015； Huetal.， 2016； Santoroetal.， 2018； Suetal.， 2016； 顧行發(fā)等， 2017)進(jìn)行比較分析，產(chǎn)品詳細(xì)信息及各產(chǎn)品對研究區(qū)內(nèi)生物量的估測值見表9； 同時進(jìn)行小尺度窗口區(qū)域產(chǎn)品對比，結(jié)果見圖7?？梢钥闯?，應(yīng)用RF模型完成區(qū)域生物量制圖，能夠基本反映研究區(qū)內(nèi)生物量分布情況，并顯示出豐富的生物量分布細(xì)節(jié)信息，生物量范圍為0～119 mg·hm-2，平均生物量為37.5 mg·hm-2，標(biāo)準(zhǔn)差為35.9 mg·hm-2。模型精度方面，RMSE達(dá)到平均水平，R2相對較低。

表9 生物量制圖產(chǎn)品信息對比

相較于其他產(chǎn)品，本研究所得生物量分布圖尺度更小，體現(xiàn)了不同坡向?qū)ι锪康挠绊?，西北坡生物量一般高于其他方向。與實際影像對比，制圖使用的森林掩膜能夠在較高分辨率(25 m)下正確識別森林、非森林區(qū)域，保證了森林資源評價的精確程度。

4 討論

本研究選取5種大尺度生物量制圖產(chǎn)品進(jìn)行對比，產(chǎn)品的生物量空間分布趨勢基本一致，本研究所得生物量分布圖空間分辨率更高，使用PALSAR-2 FNF產(chǎn)品作為掩膜也較為精確，能夠反映研究區(qū)內(nèi)生物量分布細(xì)節(jié)，具有一定的實際參考價值。

與區(qū)域相近研究相比，如Li等(2019a)在湘西地區(qū)按冠層密度分級建立AGB估測模型(R2=0.41，RMSE=23.0 mg·hm-2，rRMSE在40%～50%之間)，Li等(2019b)在湘北地區(qū)采用不同季節(jié)獲取的Landsat8 OLI影像對AGB進(jìn)行估測(模型對應(yīng)的R2、RMSE、rRMSE分別在0.27～0.39、21.67～22.15 mg·hm-2、44.1%～45.7%之間)，本研究模型誤差水平與其基本一致。與其他區(qū)域研究相比，如蒙詩櫟等(2017)在黑龍江省涼水自然保護(hù)區(qū)利用高分辨率衛(wèi)星WorldView-2紋理對森林AGB反演結(jié)果(R2=0.85, RMSE=42.3 mg·hm-2)、廖凱濤等(2018)結(jié)合GLAS與TM數(shù)據(jù)對江西省森林AGB估測結(jié)果(R2=0.47, RMSE=36.8 mg·hm-2)，本研究RMSE指標(biāo)略優(yōu)。采用不同建模算法、不同建模方式(如按植被類型或冠層密度分級)以及不同時間跨度的遙感數(shù)據(jù)(如年度、季度或單日產(chǎn)品)，均可能影響AGB估測模型的表現(xiàn)，如何更為系統(tǒng)地確定最佳AGB估測模型有待進(jìn)一步探究。

結(jié)合多源數(shù)據(jù)與機器學(xué)習(xí)算法，能夠準(zhǔn)確、快速地測算大范圍生物量，具有較大應(yīng)用潛力。考慮本研究內(nèi)容，未來還可對模型進(jìn)行完善和改進(jìn)，如可利用星載激光雷達(dá)數(shù)據(jù)進(jìn)行采樣，在樣本充足的條件下采用深度學(xué)習(xí)算法，以探索不同算法在生物量反演這一應(yīng)用上的表現(xiàn)。

5 結(jié)論

本研究以Landsat-8、ALOS PALSAR-2、Sentinel-1數(shù)據(jù)以及SRTM DEM產(chǎn)品為遙感數(shù)據(jù)源，結(jié)合樣地調(diào)查數(shù)據(jù)，對湘西北森林地上生物量進(jìn)行反演。在建模過程中，首先采用逐步回歸方法篩選建模變量，建立線性回歸模型，同時采用RF算法進(jìn)行變量提取，建立RF、SVR 2種機器學(xué)習(xí)算法模型，并利用RF模型完成研究區(qū)生物量制圖。

傳統(tǒng)的統(tǒng)計回歸方法難以捕捉森林生物量與各種特征變量之間存在的復(fù)雜非線性關(guān)系，而基于機器學(xué)習(xí)算法能夠更好地擬合數(shù)據(jù)，但也普遍存在過擬合情況。對3種建模算法的評估結(jié)果顯示，RF算法在生物量數(shù)據(jù)擬合與預(yù)測之間取得了較好平衡，RMSE達(dá)30.1 mg·hm-2，rRMSE為51.3%，R2達(dá)0.42。另外，3種算法在估測生物量時均顯示出一定程度的低值高估和高值低估現(xiàn)象。

RF算法能夠從多源變量中有效篩選出適用于AGB機器學(xué)習(xí)建模的變量，根據(jù)%IncMSE和IncNodePurity 2個指標(biāo)綜合判斷，影響研究區(qū)生物量估測的重要變量包括纓帽變換濕度與綠度分量差值(l8tcwgd)、PALSAR-2數(shù)據(jù)HV極化方式后向散射系數(shù)均值(p2hv)、SVVI指數(shù)較大四分位數(shù)-最大值年均值(l8SVVIav75smax)以及高程指標(biāo)(dem)，這一變量集合分別對應(yīng)于光譜波段主成分信息、垂直結(jié)構(gòu)信息、考慮物候的光譜信息以及地形影響，包含一定的物理意義，具有較好的解釋性。此外，本研究發(fā)現(xiàn)來自SAR數(shù)據(jù)的垂直結(jié)構(gòu)信息中，L波段相較C波段的指標(biāo)對生物量更敏感，這同時表現(xiàn)在多元線性回歸和隨機森林2類變量選擇方法中。