洞庭湖濕地凈初級(jí)生產(chǎn)力估算研究

張猛，陳淑丹，林輝，劉洋，張懷清

1.中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心,長(zhǎng)沙 410004;

2.中南林業(yè)科技大學(xué) 林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙 410004;

3.中南林業(yè)科技大學(xué) 南方森林資源經(jīng)營(yíng)與監(jiān)測(cè)國(guó)家林業(yè)與草原局重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙 410004;

4.中國(guó)林業(yè)科學(xué)研究院資源信息研究所,北京 100091

1 引言

濕地是地球上重要的“碳庫(kù)”之一（張猛 等，2017；Mao等，2020），在調(diào)節(jié)碳平衡以及維持全球氣候穩(wěn)定方面具有不可替代的作用（Cai等，2020；Ye 等，2019）。凈初級(jí)生產(chǎn)力NPP（Net Primary Productivity）是單位時(shí)間和單位面積內(nèi)植被通過(guò)光合作用固定的有機(jī)物質(zhì)的凈積累，是表征碳通量狀況的重要指標(biāo)（張猛和曾永年，2018；朱文泉等，2005）。由于持續(xù)的氣候變化和人類活動(dòng)，濕地大面積的消失和退化，因此，適時(shí)、準(zhǔn)確地估算濕地NPP 對(duì)于濕地植被碳儲(chǔ)量估算對(duì)濕地資源的可持續(xù)發(fā)展及區(qū)域碳循環(huán)具有重要的意義。

遙感影像覆蓋范圍廣、重訪周期短且獲取成本低等特點(diǎn)，使得遙感數(shù)據(jù)結(jié)合估算模型成為NPP 反演的主要方法（Bao 等，2016；Shang 等，2018；Yu 等，2018；尹小君 等，2020）。早期濕地的NPP 遙感估算研究主要依靠低空間分辨率遙 感數(shù) 據(jù)（AVHHR，MODIS，SPOT Vegetation）（Bandaru 等，2013；Liu 等，2019），盡管其能準(zhǔn)確的反映NPP 的時(shí)間變化，但遙感數(shù)據(jù)空間分辨率過(guò)低會(huì)導(dǎo)致NPP 估算結(jié)果的空間細(xì)節(jié)信息呈現(xiàn)不夠，同時(shí)還會(huì)給NPP 精度驗(yàn)證帶來(lái)困難。另外，由于氣候變化和人為因素的持續(xù)干擾，濕地斑塊破碎化越來(lái)越嚴(yán)重。因此，高時(shí)空分辨率的遙感數(shù)據(jù)對(duì)于濕地NPP 估算顯得更為重要。目前的中高分辨率光學(xué)遙感影像數(shù)據(jù)源十分豐富，綜合考慮數(shù)據(jù)的歷史記錄、可獲取性、覆蓋范圍、空間分辨率及處理難易程度，Landsat 數(shù)據(jù)為長(zhǎng)時(shí)間序列濕地NPP 估算的最佳遙感數(shù)據(jù)源（Long 等，2021）。然而受天氣及重訪周期的影響，時(shí)序Landsat 數(shù)據(jù)的獲取受到限制。多源遙感時(shí)空融合方法的出現(xiàn)為獲取時(shí)序Landsat 提供了契機(jī)，并有大量的研究利用時(shí)空融合技術(shù)來(lái)解決遙感影像的“時(shí)空矛盾”問(wèn)題（Gao等，2006；Zhu等，2010；Wu等，2015；Zhao等，2018；Zhang等，2021）?？傮w而言，基于時(shí)空濾波器的融合框架STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）是 應(yīng)用最為廣泛的方法。盡管進(jìn)行了不同方式的改進(jìn)與應(yīng)用，但基于時(shí)空濾波器的融合框架仍存在一些不足之處，如復(fù)雜的變化預(yù)測(cè)能力和預(yù)測(cè)模型的魯棒性等（Cheng 等，2017）。Cheng 等（2017）提出的基于時(shí)空非局部濾波器的融合模型STNLFFM（Spatial and Temporal Nonlocal Filter-based Fusion Model）在增強(qiáng)預(yù)測(cè)能力和準(zhǔn)確性方面較STARFM更有優(yōu)勢(shì)，尤其是針對(duì)于復(fù)雜多變的景觀。然而，傳統(tǒng)的時(shí)空融合算法需要對(duì)遙感影像進(jìn)行下載、預(yù)處理與融合，面對(duì)大尺度、高時(shí)空遙感影像獲取時(shí)，時(shí)間與運(yùn)算成本會(huì)大大增加。遙感云計(jì)算平臺(tái)GEE（Google Earth Engine）為海量遙感數(shù)據(jù)的存儲(chǔ)、快速處理和分析提供了可能，改變了傳統(tǒng)遙感數(shù)據(jù)的處理和分析模式，極大地提高了運(yùn)算效率。因此，構(gòu)建基于遙感云計(jì)算平臺(tái)的時(shí)空融合算法，能夠快速、有效地解決大尺度、時(shí)序密集型Landsat數(shù)據(jù)的獲取問(wèn)題。

光能利用效率模型CASA（Carnegie-Ames-Stanford Approach）是不同尺度NPP 建模和時(shí)空動(dòng)態(tài)演變使用最廣泛的模型之一（Potter 等，1993；Singh，2011；Yan等，2018；許靜 等，2019；孫金珂 等，2020）。在CASA 模型中，NPP 由植被吸收的光合作用有效輻射（APAR）和光能利用效率（ε）的乘積得到（Mu 等，2013；Piao 等，2005）。CASA 模型中，估算ε需要確定不同植被類型理想條件下的最大光能利用率（εmax），再結(jié)合水分脅迫因子（W）與溫度脅迫因子（T）得到實(shí)際光能利用率ε（Potter 等，1993；Piao 等，2005；Bao 等，2016）。一方面，確定不同類型的εmax，高精度的植被分布圖十分關(guān)鍵。單一機(jī)器學(xué)習(xí)算法容易陷入局部最優(yōu)解，未知樣本的泛化能力較差，在不同分類場(chǎng)景中魯棒性和穩(wěn)定性稍顯不足。卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Networks）作為目前深度學(xué)習(xí)擴(kuò)展研究最熱門的算法之一，盡管CNN 在圖像分類上由巨大的效率和精度優(yōu)勢(shì)，但其依賴于巨大的訓(xùn)練數(shù)據(jù)，同時(shí)訓(xùn)練過(guò)程復(fù)雜且耗時(shí)量大。集成學(xué)習(xí)通過(guò)多個(gè)基分類器及元分類器來(lái)預(yù)測(cè)最終結(jié)果，因此，其適用于各種場(chǎng)景的能力較強(qiáng)，分類準(zhǔn)確率較高。目前Stacking 算法在集成學(xué)習(xí)模型（Boosting，Bagging，Stacking）中在分類任務(wù)中相對(duì)穩(wěn)定，然而Stacking 算法的基分類器最優(yōu)組合結(jié)構(gòu)需要多次重復(fù)實(shí)驗(yàn)才能確定，當(dāng)基分類器數(shù)量較多時(shí)，該過(guò)程將十分繁瑣。因此，本文通過(guò)改進(jìn)Stacking 算法并對(duì)濕地植被進(jìn)行識(shí)別，以提高濕地植被分類精度和分類效率。

另一方面，CASA 模型中水分脅迫因子通常從單層預(yù)算土壤水分模型獲得，但是復(fù)雜的模型結(jié)構(gòu)和粗糙分辨率的柵格土壤參數(shù)數(shù)據(jù)會(huì)影響W和NPP 的估算精度（Mao 等，2014；Xiao 等，2004；Bao 等，2016）。陸表水體指數(shù)LSWI（Land Surface Water Index）代表葉片和冠層含水量以及土壤水分，已有的研究表明利用LSWI 可以較為準(zhǔn)確地估算水分脅迫因子W（Xiao等，2004；Bao等，2016）。然而，Xiao 等（2004）計(jì)算出來(lái)的水分脅迫系數(shù)的取值范圍為0（非常濕潤(rùn)）到1（極端干旱），與CASA 模型中水分脅迫因子的取值范圍是0.5（在極端干旱條件下）到1（在非常潮濕的條件下）正好相反，Bao 等（2016）則對(duì)水分脅迫因子的范圍進(jìn)行了修正。利用LSWI 得到的水分脅迫因子不僅在空間上呈現(xiàn)出與NDVI 的一致性，而且還能準(zhǔn)確的表達(dá)區(qū)域的水分脅迫。

基于此，本文以洞庭湖濕地為研究對(duì)象，采用遙感云平臺(tái)下的時(shí)空融合算法便捷、準(zhǔn)確地獲得了時(shí)間序列Landsat 影像，解決了NPP 估算中高時(shí)空分辨影像缺失的問(wèn)題；發(fā)展自適應(yīng)Stacking 集成算法，并基于該算法獲得高精度的濕地植被分布圖和單個(gè)植被像元中的最大光能利用率；同時(shí)利用時(shí)序Landsat影像獲得LSWI，并結(jié)合降水?dāng)?shù)據(jù)計(jì)算獲得NPP 估算中所需的水分脅迫因子，最后驅(qū)動(dòng)CASA 模型對(duì)洞庭湖濕地NPP進(jìn)行估測(cè)。本研究結(jié)果以期為改善與提高濕地植被NPP 估算及碳儲(chǔ)量研究提供有效的技術(shù)方法。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

本文選擇的研究對(duì)象為洞庭湖區(qū)，位于長(zhǎng)江中游地區(qū)的湖南省東北部，是中國(guó)重要的濕地分布區(qū)，也是中國(guó)重要的商品糧基地，對(duì)區(qū)域氣候及可持續(xù)發(fā)展具有十分重要的意義。該區(qū)屬亞熱帶季風(fēng)氣候，雨熱條件十分優(yōu)異，主要自然濕地植被類型包括苔草、蘆葦，其他植被主要為林地及其他耕地上的輪值作物（Cai 等，2020；Zhang等，2020）。

圖1 研究區(qū)位置圖Fig.1 Study area

2.2 數(shù)據(jù)及預(yù)處理

研究使用的遙感數(shù)據(jù)包括Landsat 8 OLI 多光譜影像和MOD09Q1 反射率產(chǎn)品，年份為2017 年，均下載于Google Earth Engine。所下載Landsat 8 OLI行列號(hào)為123/39、124/40，云量均小于5%，共12景。所需MOD09A1數(shù)據(jù)行列號(hào)為h28h06，時(shí)間段為1—12 月，共46 景。盡管MOD09A1 數(shù)據(jù)在合成過(guò)程中去除了一些氣溶膠和云污染，但仍然存在著一些無(wú)效值，因此本文利用TIMESAT 軟件包中的Savitzky-Golay 濾波算法對(duì)時(shí)序MOD09A1 進(jìn)行濾波（J?nsson 和Eklundh，2004）。MOD09A1 數(shù)據(jù)的預(yù)處理還包括轉(zhuǎn)投影（UTM，與Landsat 8 一致）、裁剪和與Landsat 8影像進(jìn)行配準(zhǔn)。

野外調(diào)查數(shù)據(jù)包括用于驗(yàn)證分類精度的調(diào)查數(shù)據(jù)和用于驗(yàn)證NPP 估算的生物量調(diào)查數(shù)據(jù)。用于驗(yàn)證分類精度的調(diào)查數(shù)據(jù)的采集時(shí)間為2017 年5 月，采用分層隨機(jī)抽樣方法進(jìn)行采樣，分別獲得36 個(gè)苔草樣本、40 個(gè)蘆葦樣本、42 個(gè)耕地樣本、38 個(gè)林地樣本、32 個(gè)湖泊/河流/庫(kù)塘樣本及30 個(gè)其他樣本。用于驗(yàn)證NPP 估算的生物量樣本采集時(shí)間為2017 年9—10 月，主要為苔草（22）、蘆葦（24）以及兩者的混合樣本（25）。為與Landsat 影像像元相匹配，樣地大小為30 m×30 m，內(nèi)置5 個(gè)1 m×1 m 的小樣方（位于大樣方的對(duì)角線和中心位置）。在小樣方內(nèi)采集植被并烘干，然后基于碳含量將生物質(zhì)的干重轉(zhuǎn)換為碳的重量，本文使用的含碳量系數(shù)為0.475（Ye等，2019）。

氣象數(shù)據(jù)主要為2017 年的月平均溫度、降水及太陽(yáng)輻射，均下載于中國(guó)氣象數(shù)據(jù)網(wǎng)（http：//data.cma.cn［2021-12-03］）。這些數(shù)據(jù)來(lái)自于40 個(gè)氣象站和20 個(gè)太陽(yáng)輻射觀測(cè)站。此外，本研究區(qū)域中的DEM（30 m）及其衍生數(shù)據(jù)（坡度、坡向）結(jié)合多元線性回歸方法來(lái)將氣象數(shù)據(jù)空間化。

其他輔助數(shù)據(jù)包括Google Earth 高分辨率影像、GF-1 多光譜影像（2017 年5 月）以及湖南省土地利用現(xiàn)狀數(shù)據(jù)，主要用于輔助選取濕地分類樣本。

3 研究方法

本文提出洞庭湖濕地NPP 估算方法的技術(shù)路線如圖2，主要包括3 個(gè)部分：（1）利用遙感云平臺(tái)下的時(shí)空融合算法獲得時(shí)間序列的Landsat 8 多光譜影像，并基于光譜影像計(jì)算得到時(shí)間序列的Landsat 8 NDVI 與LSWI；（2）基于Landsat 8 數(shù)據(jù)集，利用自適應(yīng)集成算法（Stacking）分類得到高精度的洞庭湖濕地植被分布圖；（3）利用植被分布圖確定每個(gè)植被像元的最大光能利用率（εmax），通過(guò)時(shí)序LSWI 與月平均氣溫得到水分脅迫因子和溫度脅迫因子，同時(shí)結(jié)合太陽(yáng)輻射與時(shí)序NDVI，并驅(qū)動(dòng)CASA模型得到高時(shí)空分辨率的NPP。

圖2 技術(shù)路線圖Fig.2 Flowchart

3.1 遙感云計(jì)算下的時(shí)空融合算法

本項(xiàng)目基于GEE 遙感云平臺(tái)擬構(gòu)建的時(shí)空融合算法，在解決運(yùn)算量和運(yùn)算時(shí)間成本高等問(wèn)題的前提下，改進(jìn)了異質(zhì)性問(wèn)題，當(dāng)土地覆蓋類型變動(dòng)更復(fù)雜時(shí)，能夠有效提高融合精度。該算法通過(guò)GEE 平臺(tái)的Python 端接口實(shí)現(xiàn)，融合算法參考了Cheng 等（2017）提出的STNLFFM 時(shí)空融合模型，并在數(shù)據(jù)融合影像的選擇上進(jìn)行了改進(jìn)，使得在選用所需融合影像時(shí)更加便捷，總體技術(shù)路線如圖3。STNLFFM 與STARFM、ESTARFM 算法同屬于基于時(shí)空濾波的數(shù)據(jù)融合方法，但在選取相似像元時(shí)，STNLFFM 采用非局域?yàn)V波算法（Cheng等，2017）。該算法不僅考慮與中心像元臨近的像元，而且還考慮非中心像元的臨近像元，因而使得STNLFFM 算法能充分利用遙感影像的融合信息，獲取更多有用的相似像元信息。在STNLFFM算法中，每個(gè)目標(biāo)像元預(yù)測(cè)的計(jì)算公式如下：

圖3 遙感云計(jì)算下的時(shí)空融合算法流程Fig.3 Spatio-temporal fusion algorithm process under remote sensing cloud computing

式中，F(xiàn)（x，y，B，tp）是目標(biāo)（預(yù)測(cè)）像元（x，y）在預(yù)測(cè)日期tp的精細(xì)分辨率反射率；M是基準(zhǔn)日期的數(shù)目；N是圖像中類似像元的數(shù)目，包括目標(biāo)像素本身。（xi，yi）是第i個(gè)相似像元的位置，W（xi，yi，B，tk）是在基準(zhǔn)日期tk處的高分辨率反射圖像的第i個(gè)相似像元的權(quán)重。關(guān)于STNLFFM 與非局部濾波算法的更多細(xì)節(jié)信息與源代碼可參考（Cheng 等，2017）。在融合過(guò)程中，選擇基期影像的日期盡量與預(yù)測(cè)目標(biāo)影像的日期接近。通過(guò)STNLFFM 算法，將2017 年46 期30 m 分辨率的反射率數(shù)據(jù)融合預(yù)測(cè)出來(lái)，并通過(guò)公式計(jì)算得到時(shí)序NDVI 與LWSI。同時(shí)，利用真實(shí)的Landsat 影像對(duì)融合得到的Landsat 影像進(jìn)行精度驗(yàn)證，驗(yàn)證指標(biāo)包括兩者的決定系數(shù)（R2）、均方根誤差（RMSE）及光譜角（SAM）。

3.2 基于自適應(yīng)Stacking集成算法的濕地植被分類

準(zhǔn)確的濕地植被分布圖是濕地NPP 準(zhǔn)確估算的一個(gè)重要的因素。在濕地植被分類方法，單一機(jī)器學(xué)習(xí)算法容易陷入局部最優(yōu)解，未知樣本的泛化能力較差。集成學(xué)習(xí)通過(guò)多個(gè)基分類器及元分類器來(lái)預(yù)測(cè)最終結(jié)果，因此，其適用于各種場(chǎng)景的能力較強(qiáng)，分類準(zhǔn)確率較高（Zhang 等，2020；Cai 等，2020；Long 等，2021）。目前最流行的集成分類算法包括Boosting、Bagging 和Stacking，但Boosting 算法在實(shí)際情況下常會(huì)過(guò)分偏向一些難分的樣例從而降低了算法的性能，而B(niǎo)agging 算法對(duì)于穩(wěn)定分類器的集成效果常常不是十分理想。因此，本文選擇集成學(xué)習(xí)模型中在分類任務(wù)中對(duì)穩(wěn)定性的分類器集成效果較好的集成學(xué)習(xí)Stacking 模型用于濕地分類研究（Cai 等，2020；Zhang 等，2020）。為進(jìn)一步提高Stacking 算法的魯棒性和泛化能力，本文在Stacking 算法的基礎(chǔ)上，提出了自適應(yīng)Stacking 算法（圖4）。在自適應(yīng)Stacking 算法中，首先確定了元分類器。以往的研究表明，使用泛化能力較強(qiáng)的機(jī)器算法（如RF（Random Forest））作為元分類器可以糾正多個(gè)機(jī)器算法對(duì)于訓(xùn)練集的偏置情況，并能夠防止過(guò)擬合現(xiàn)象和提高預(yù)測(cè)性能。因此，在本研究中，RF算法被用作元分類器。然后，本文Stacking 集成學(xué)習(xí)的分類器組合模型第一層選擇學(xué)習(xí)能力較強(qiáng)和差異性較大的算法作為基分類器以便于提升模型的預(yù)測(cè)效果，包括支持向量機(jī)SVM（Support Vector Machine）、RF、k-近鄰kNN（k-NearestNeighbor）、邏輯回歸LR（Logistic Regression）和樸素貝葉斯NB（Na?ve Bayes）等機(jī)器學(xué)習(xí)算法。算法流程基本流程為：（1）輸入訓(xùn)練數(shù)據(jù)集，讓基分類器自由組合對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)測(cè)，并得到多個(gè)不同的新數(shù)據(jù)集；（2）通過(guò)元分類器（RF）對(duì)新的數(shù)據(jù)集進(jìn)行再次預(yù)測(cè)，得到最終的預(yù)測(cè)結(jié)果。（3）通過(guò)精度驗(yàn)證，將精度最高的預(yù)測(cè)結(jié)果和最佳的基分類器組合進(jìn)行輸出和顯示。

圖4 自適應(yīng)集成學(xué)習(xí)模型Fig.4 Adaptive stacking algorithm

由于洞庭湖濕地年內(nèi)水文狀況變化較大，為反映研究區(qū)濕地植被真實(shí)分布情況，本文選擇了平水期（5月）的Landsat 8多光譜遙感影像、時(shí)間序列NDVI 和LSWI 數(shù)據(jù)用于濕地分類?；凇稘竦毓s》并結(jié)合遙感影像特征與洞庭湖區(qū)土地利用實(shí)際狀況將遙感影像分為水體、苔草灘地、蘆葦灘地、耕地、林地、建筑用地、其他。

3.3 基于改進(jìn)CASA 模型的濕地高時(shí)空NPP 估算與驗(yàn)證

CASA 模型是Monteith（1972）提出的一種植被光合作用模型，其中植被的NPP可以用APAR和光能利用效率（ε）表示：

式中，PAR（x，t）為像元x在t月的太陽(yáng)總輻射量，F(xiàn)PAR（x，t）為植被吸收光合作用的有效輻射，?（x，t）為植被的實(shí)際光能利用率；f1（x，t）和f2（x，t）為低溫和高溫下的溫度脅迫因子，W（x，t）為水分脅迫因子，?max為理想條件下的植被最大光能利用率。

最大光能利用效率（?max）受植物種類的影響，取決于生命形態(tài)（即草本或木質(zhì)）和碳固存的代謝途徑（C3或C4）。在本研究中，使用了Zhu等（2006）基于BIOME-BGG 模型人生成的?max，該?max更適合中國(guó)的植被狀況，林地、蘆葦、苔草以及耕地的最大光能利用率分別設(shè)置為0.692、0.429、0.542和0.542。

Xiao 等（2004）提出了植被光合作用模型（VPM）中的水分脅迫參數(shù)Wvpm，用于估算CASA模型中的每個(gè)像元的水分脅迫因子：

式中，Wvpm和LSWImax分別是植被光合作用模型中的水分脅迫因子和單個(gè)像元的最大LSWI（使用最大合成法MVC 方法計(jì)算得到）。然而，式（4）計(jì)算出來(lái)的Wvpm水分脅迫系數(shù)的取值范圍為0（非常濕潤(rùn)）到1（極端干旱），與CASA模型中水分脅迫因子的取值范圍是0.5（在極端干旱條件下）到1（在非常潮濕的條件下）正好相反。本文利用Bao等（2016）提出的水分脅迫因子修改算法和時(shí)序Landsat 影像得到的LSWI 指數(shù)計(jì)算水分脅迫因子W，這不僅增強(qiáng)了數(shù)據(jù)的準(zhǔn)確性，也提高了數(shù)據(jù)的分辨率，具體計(jì)算公式如下：

根據(jù)Wu 和Chen（2012），將降水信息納入生態(tài)系統(tǒng)模型可以提高植被生產(chǎn)力確定的預(yù)測(cè)性能。因此，可以通過(guò)將W與降水標(biāo)量（ScaledP）相乘來(lái)生成最終的水分脅迫因子（WLSWI）：

式中，Precipitation 和Precipitationmax代表空間降水的單個(gè)像元在生長(zhǎng)季節(jié)內(nèi)的月降水量和月最大降水量。

確定最大光能利用效率和水分脅迫系數(shù)后，本文應(yīng)用CASA 模型估算洞庭湖濕地生態(tài)系統(tǒng)的NPP，估算過(guò)程中不需要更改模型中的PAR，F(xiàn)PAR 和兩個(gè)溫度脅迫因子的計(jì)算。利用從地上生物量數(shù)據(jù)得到的NPP 值來(lái)驗(yàn)證利用本文方法估算得到的NPP 結(jié)果，驗(yàn)證指標(biāo)主要為兩種數(shù)據(jù)之間的決定系數(shù)（R2）和均方根誤差（RMSE）。

4 結(jié)果與分析

4.1 遙感影像融合結(jié)果及精度驗(yàn)證

本文選擇了2017 年5 月23 日、10 月14 日的Landsat 8 與MOD09Q1 數(shù)據(jù)作為基期影像，融合了2017 年4 月21 日Landsat 8 影像，并選擇了典型濕地分布區(qū)（蘆葦、苔草）來(lái)顯示和驗(yàn)證基于遙感云平臺(tái)的融合算法預(yù)測(cè)結(jié)果的精度，包括影像光譜波段、以及在后續(xù)NPP 研究中需要用到的NDVI與LSWI 指數(shù)（圖5）。從目視效果上，STNLFFM在利用基期Landsat 與MODIS 影像對(duì)來(lái)預(yù)測(cè)目標(biāo)日期的Landsat 表現(xiàn)出較好的性能。在真彩色合成（紅波段、綠波段及藍(lán)波段）的情形下，從空間分布上看，融合Landsat影像與真實(shí)Landsat影像十分接近，除了小部分區(qū)域外。同時(shí)，基于融合影像計(jì)算得到的NDVI 與LSWI 指數(shù)與真實(shí)影像也差異很小。

圖5 MODIS影像、真實(shí)Landsat影像與融合Landsat影像Fig.5 MODIS，real Landsat and fusion Landsat images

同時(shí)，本文通過(guò)定量的方法來(lái)對(duì)融合的Landsat影像進(jìn)行精度評(píng)價(jià)，融合Landsat與真實(shí)Landsat影像的相關(guān)系數(shù)、均方根誤差及光譜角如表1。結(jié)果顯示，融合影像與真實(shí)影像波段之間的決定系數(shù)（R2）均大于0.88，均方根誤差（RMSE）均小于0.03，且光譜角（SAM）小于3，這表明融合得到的Landsat影像在光譜和空間上與真實(shí)的Landsat影像基本一致，融合效果較好，可以用于后續(xù)的濕地制圖與NPP估算等研究。

表1 融合Landsat與真實(shí)Landsat之間的決定系數(shù)（R2）、均方根誤差及光譜角Table 1 Determination coefficient（R2），RMSE and SAM between fusion Landsat and real Landsat images

4.2 濕地植被分類圖

利用自適應(yīng)Stacking 算法得到的洞庭湖濕地植被分布圖如圖6 所示。苔草和蘆葦是天然濕地植被，強(qiáng)烈依賴于水資源，因此，主要沿洞庭湖主體周圍分布。耕地主要分布在研究區(qū)域的中部，那里河網(wǎng)密布且人類活動(dòng)相對(duì)活躍。林地多分布于丘陵和山地，主要分布在研究區(qū)的四周。通過(guò)自適應(yīng)集成算法中基分類器的自由組合和測(cè)試，最終算法選擇的最優(yōu)基分類器組合為SVM、kNN和RF，總體分類精度和Kappa 系數(shù)分布在90%和0.88 以上（圖7）。此外，植被類型的用戶精度和生產(chǎn)者精度分別在85%—92%和83%—91%。結(jié)果表明，自適應(yīng)Stacking 算法能夠較好的區(qū)分不同土地覆蓋類型。

圖6 基于自適應(yīng)Stacking算法的洞庭湖濕地分布圖Fig.6 Distribution map of Dongting Lake wetland based on adaptive Stacking algorithm

圖7 基于自適應(yīng)Stacking算法的濕地分布圖分類精度Fig.7 Classification accuracy of wetland distribution map based on adaptive stacking algorithm

此外，本文對(duì)自適應(yīng)Stacking 算法與其他傳統(tǒng)機(jī)器分類方法得到植被分布圖的精度進(jìn)行了對(duì)比（圖8）。結(jié)果表明，自適應(yīng)Stacking 算法的分類精度明顯高于傳統(tǒng)單一分類算法（總體分類精度和Kappa 系數(shù)），表明該方法在識(shí)別復(fù)雜條件下的土地覆蓋類型具有優(yōu)勢(shì)。由于濕地生態(tài)系統(tǒng)比較復(fù)雜，在分類中常常存在一些挑戰(zhàn)，例如濕地植被類型之間以及濕地植被和其他植被之間的光譜混合。現(xiàn)有的機(jī)器學(xué)習(xí)算法具有不同的優(yōu)點(diǎn)和缺點(diǎn)，因此，在單一數(shù)據(jù)集下往往難以得到滿意的分類精度。本文提出的濕地分類方案在考慮植被光譜混合問(wèn)題的同時(shí)，還利用集成學(xué)習(xí)結(jié)合了不同機(jī)器分類方法的優(yōu)勢(shì)，從而提高了濕地分類的準(zhǔn)確性。

圖8 傳統(tǒng)機(jī)器分類方法與自適應(yīng)Stacking算法的分類精度對(duì)比Fig.8 Comparison of classification accuracy between traditional machine classification method and adaptive Stacking algorithm

4.3 濕地NPP估算結(jié)果精度驗(yàn)證

在獲得濕地植被分布圖，確定NPP 估算中苔草、蘆葦和林地最終的εmax，并使用修正后的CASA模型估算整個(gè)研究區(qū)的NPP?；谌诤系腖andsat NDVI 估算得到的NPP 具有較高的空間分辨率和詳細(xì)的空間信息，顯示了不同地類之間的細(xì)微差異（圖9（a））。苔草，蘆葦和耕地之間的差異非常明顯，植被類型之間的界限也很明顯。在洞庭湖區(qū)的中部，基本被水域覆蓋，因此其NPP 接近于0。苔草和蘆葦覆蓋的地區(qū)，其年NPP 總量達(dá)到約300—500 g C/m2。由于人類活動(dòng)的影響，研究區(qū)域的中部分布著大量耕地，NPP 總量大約在250—300 g C/m2。林地主要分布在研究區(qū)東部和南部，其年均NPP 總量約為893 g C/m2（圖9（c））。本文利用地上生物量數(shù)據(jù)得出的NPP 實(shí)測(cè)值來(lái)驗(yàn)證模擬NPP的準(zhǔn)確性。利用改進(jìn)CASA 模型估算得到的NPP 和實(shí)測(cè)NPP 之間的相關(guān)系數(shù)為R2=0.85，兩者之間的RMSE 為20.16 g C/m2（圖9（b）），表現(xiàn)出顯著的線性關(guān)系。因此，基于CASA 模型基于融合得到的Landsat 8 NDVI 與LSWI 數(shù)據(jù)的估算得到NPP 精度較好，可以適用于區(qū)域高時(shí)空NPP 的模擬與估算。

圖9 洞庭湖濕地NPP估算結(jié)果及精度Fig.9 NPP estimation results and accuracy of Dongting Lake wetland

圖10 顯示了2017 年研究區(qū)月NPP 的空間分布和變化。3—11 月的NPP 表現(xiàn)出較大的時(shí)空變化，這對(duì)于濕地植被變化檢測(cè)和監(jiān)測(cè)具有重要的意義。由于研究區(qū)域四季分明，因此植被的生長(zhǎng)隨季節(jié)而變化。因此，研究區(qū)域的最大平均NPP 出現(xiàn)在8—9月。同時(shí)，估算結(jié)果顯示的研究區(qū)東北部6—9月的NPP 平均值較小，主要原因是由于夏季和秋季降水量較大，苔草，蘆葦甚至農(nóng)作物大面積被淹沒(méi)，導(dǎo)致相應(yīng)遙感圖像的NDVI 值降低的緣故。本文的NPP 估算方法有望為區(qū)域濕地碳儲(chǔ)量和可持續(xù)發(fā)展等定量研究提供科學(xué)的數(shù)據(jù)支持。

圖10 洞庭湖濕地月NPP變化Fig.10 Monthly NPP change of Dongting Lake wetland

5 討論

5.1 不同估算模型下NPP估算結(jié)果比較

為了驗(yàn)證本文修正CASA 模型在濕地NPP估算中的適用性，將修正CASA 模型估算的NPP結(jié)果與其他學(xué)者構(gòu)建的CASA 模型估計(jì)的NPP結(jié)果進(jìn)行了比較，包括CASA（Monteith，1972）、Zhu-CASA（Zhu 等，2005）和LSWI-CASA（Xiao 等，2004）。盡管不同CASA 模型下各種植被類型的NPP估算結(jié)果存在一些差異，本文修正CASA模型、CASA模型、Zhu-CASA 模型以及LSWI-CASA 模型估算得到的研究區(qū)NPP均值分別為450.89 g C/m2、463.92 g C/m2、446.31 g C/m2和459.51 g C/m2，但本文修正CASA模型模擬的NPP值與其他CASA 模擬的結(jié)果比較接近（表2）。同時(shí)，修正CASA模型估算得到的濕地（蘆葦與苔草）NPP均值，與其他模型估算的結(jié)果也較為接近。此外，本文修正CASA 模型估算的NPP值與NPP 實(shí)測(cè)值之間表現(xiàn)出了最高的決定系數(shù)和最低的RMSE。誤差的存在是不可避免的，但其本文修正CASA 模型估算的NPP值的誤差在可接受的合理變化范圍內(nèi)，說(shuō)明本研究中CASA 模型估算的NPP 具有較高的準(zhǔn)確性和應(yīng)用價(jià)值，可以作為區(qū)域濕地高時(shí)空分辨率NPP模擬與估算的參考數(shù)據(jù)。

表2 不同CASA模型下的NPP估算結(jié)果比較Table 2 Comparison of NPP estimation results under different CASA models

5.2 本文方法的創(chuàng)新性與局限性

目前，利用高時(shí)空分辨率影像進(jìn)行大范圍濕地NPP 高精度估算的研究比較少。本文借助于遙感云平臺(tái)下的時(shí)空融合技術(shù)，獲得了高時(shí)空分辨率的NDVI和LSWI?；贑ASA 模型的原理，結(jié)合植被分布圖獲得了獲得了準(zhǔn)確的植被最大光能利用率（εmax），并利用LSWI和降水?dāng)?shù)據(jù)，獲得了與NDVI一致的空間分辨率的水脅迫因子（W）。結(jié)果表明，與其他CASA 模型相比，本文提出的改進(jìn)CASA 模型模擬的NPP具有更高的估算精度。

在時(shí)空融合算法方面，本研究借助遙感云平臺(tái)和STNLFFM 算法原理，構(gòu)建了遙感云計(jì)算下的時(shí)空融合模型，面對(duì)大尺度、高時(shí)空遙感影像獲取時(shí)，大大減少了時(shí)間與運(yùn)算成本。同時(shí)，STNLFFM模型采用非局部濾波算法來(lái)選擇相似像元，選擇參考日期和預(yù)測(cè)日期之間的時(shí)間變化更接近目標(biāo)像元的變化作為候選相似像元，相比于傳統(tǒng)的STARFM 與ESTARFM 模型在預(yù)測(cè)精度上更有優(yōu)勢(shì)，尤其是復(fù)雜變化的景觀。針對(duì)濕地這種動(dòng)態(tài)性較強(qiáng)的地理景觀，本文方法能夠較為準(zhǔn)確地抓住濕地隨時(shí)間發(fā)生地變化，從而能對(duì)時(shí)序Landsat數(shù)據(jù)進(jìn)行有效預(yù)測(cè)。植被分類算法方面，本文基于Stacking 算法框架，發(fā)展了自適應(yīng)融合算法，提高分類精度的同時(shí)，增強(qiáng)了算法的魯棒性。

盡管能夠準(zhǔn)確地呈現(xiàn)高時(shí)空分辨率NPP，但本文修正的CASA 模型存在著一定的局限性。利用基于云平臺(tái)的時(shí)空融合數(shù)據(jù)能夠在快速獲取時(shí)序Landsat 影像，解決云雨地區(qū)的數(shù)據(jù)缺失問(wèn)題。由于洞庭湖濕地的水文情況變化迅速且劇烈，加之混合像元的存在，在數(shù)據(jù)融合過(guò)程中難以捕捉到一些細(xì)微變化，在一定程度上會(huì)影響融合影像的質(zhì)量與精度。相較于單一的機(jī)器學(xué)，本文提出的自適應(yīng)集成學(xué)習(xí)有效提高了分類的精度和算法的魯棒性。近年來(lái)，深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)在影像分類方面取得了突破，然而海量訓(xùn)練數(shù)據(jù)及標(biāo)簽的制作限制了其在大尺度土地利用分類上的應(yīng)用。因此，利用卷積神經(jīng)網(wǎng)絡(luò)提取遙感影像深層次特征，再結(jié)合集成學(xué)習(xí)進(jìn)行影像分類值得探討。此外，本文構(gòu)建的修正CASA 模型還需要在更大范圍及其他生態(tài)系統(tǒng)中進(jìn)一步地驗(yàn)證其估算NPP 的實(shí)用性和精度。

6 結(jié)論

針對(duì)區(qū)域高時(shí)空分辨率濕地NPP 估算研究相對(duì)薄弱，本研究基于遙感云平臺(tái)下的時(shí)空融合技術(shù)獲取了的時(shí)間序列Landsat數(shù)據(jù)，并修正的CASA模型估算了洞庭湖濕地高時(shí)空分辨率的NPP，解決了高時(shí)空分辨率濕地NPP 估算中的數(shù)據(jù)缺失問(wèn)題以及估算精度不高的問(wèn)題。結(jié)果顯示，融合得到的Landsat 數(shù)據(jù)質(zhì)量較好，與真實(shí)影像相關(guān)性較高。通過(guò)精度驗(yàn)證可知，濕地植被分布圖分類精度高。另外，利用修正CASA 估算的NPP與實(shí)測(cè)的NPP具有較高的相關(guān)系數(shù)（R2=0.85）和較低的RMSE（20.16 g C/m2）。本文的研究結(jié)果以期為濕地遙感分類NPP 估算提供數(shù)據(jù)與技術(shù)支持。此外，本文利用光能利用率模型CASA 與NDVI 植被指數(shù)對(duì)濕地植被NPP 進(jìn)行了估算，但模型和指數(shù)都存在對(duì)著飽和問(wèn)題的欠考慮。后續(xù)研究將顧及飽和現(xiàn)象，構(gòu)建新型植被指數(shù)和顧及光飽和的NPP 估算模型，擬進(jìn)一步提高濕地植被NPP估算精度。