資源一號(hào)02D高光譜數(shù)據(jù)紅樹(shù)林地上生物量反演

黃友菊, 田義超, 張 強(qiáng), 陶 進(jìn), 張亞麗, 楊永偉, 林俊良

1. 廣西壯族自治區(qū)自然資源遙感院, 廣西 南寧 530023 2. 北部灣大學(xué)資源與環(huán)境學(xué)院, 北部灣海洋發(fā)展研究中心, 廣西 欽州 535000 3. 北部灣大學(xué), 廣西北部灣海洋環(huán)境變化與災(zāi)害研究重點(diǎn)實(shí)驗(yàn)室, 海洋地理信息資源開(kāi)發(fā)利用重點(diǎn)實(shí)驗(yàn)室, 廣西 欽州 535000

引 言

紅樹(shù)林濕地是熱帶亞熱帶地區(qū)陸地生態(tài)系統(tǒng)向海洋生態(tài)系統(tǒng)過(guò)渡的重要生態(tài)系統(tǒng)類型之一[1-3]。 紅樹(shù)林生態(tài)系統(tǒng)具有獨(dú)特的景觀格局及其生態(tài)過(guò)程, 為眾多的生物提供了產(chǎn)卵、 索餌和庇護(hù)場(chǎng)所, 在提供棲息地、 生物多樣性維持、 防災(zāi)減災(zāi)、 氣候調(diào)節(jié)以及水質(zhì)凈化等方面都發(fā)揮著關(guān)鍵作用, 為海岸帶地區(qū)提供了眾多的生態(tài)系統(tǒng)服務(wù)功能[4-6]。 此外, 紅樹(shù)林具有高生產(chǎn)力、 高歸還率和高分解率的性質(zhì)使紅樹(shù)林生態(tài)系統(tǒng)的能量和物質(zhì)循環(huán)高速運(yùn)行, 這使得紅樹(shù)林成為熱帶與亞熱帶地區(qū)碳儲(chǔ)量最高的植被類型之一, 是地球碳循環(huán)的重要組成部分, 其以地球上0.1%的面積固定了大氣中5%的碳[7]。 而生物量及生產(chǎn)力的大小是評(píng)價(jià)紅樹(shù)林碳循環(huán)貢獻(xiàn)的基礎(chǔ), 準(zhǔn)確估算紅樹(shù)林生物量可以評(píng)估和追蹤紅樹(shù)林碳儲(chǔ)量的存量及其變化速率, 對(duì)預(yù)測(cè)紅樹(shù)林在全球碳循環(huán)中所起的作用具有重要的意義。 習(xí)近平主席在第七十五屆聯(lián)合國(guó)大會(huì)一般性辯論上提出碳達(dá)峰、 碳中和的具體目標(biāo), 紅樹(shù)林的固碳能力也被挖掘出來(lái), 因此, 采用定量化評(píng)估紅樹(shù)林濕地的生物量, 充分挖掘、 維持與提升紅樹(shù)林的碳匯潛力對(duì)實(shí)現(xiàn)中國(guó)碳中和愿景目標(biāo)具有重要的理論和現(xiàn)實(shí)意義。

實(shí)地調(diào)查是獲取紅樹(shù)林地上生物量(aboveground biomass, AGB)的最基本方法, 雖然此方法可以準(zhǔn)確的反映紅樹(shù)林樣地尺度上的生物量, 并獲取精確的和有價(jià)值的紅樹(shù)林地上生物量數(shù)據(jù)[8-9], 但這種方法在大尺度的紅樹(shù)林地上生物量調(diào)查中受到阻礙。 主要是由于紅樹(shù)林生長(zhǎng)在淤泥質(zhì)淺灘以及海陸過(guò)渡的潮間地帶, 這使得獲取紅樹(shù)林實(shí)地調(diào)查數(shù)據(jù)成本過(guò)高且費(fèi)時(shí)費(fèi)力; 除此之外, 采用此方法開(kāi)展大范圍的紅樹(shù)林地上生物量調(diào)查會(huì)對(duì)紅樹(shù)林群落的生長(zhǎng)環(huán)境造成破壞[10]。 近幾十年來(lái), 估算區(qū)域或更大尺度上的紅樹(shù)林地上生物量主要有兩種方法[11-13], 其一是基于模型的方法, 其二是基于遙感的方法。 基于模型的方法主要是通過(guò)環(huán)境驅(qū)動(dòng)因素和紅樹(shù)林生物量之間的定量關(guān)系來(lái)反演大尺度上的紅樹(shù)林地上生物量, 然而, 基于模型的方法通常模擬的是潛在的生物量分布, 模擬出的生物量通常與實(shí)際分布不一致。 而遙感方法提供了一種間接方法, 通過(guò)將地表野外樣地觀測(cè)數(shù)據(jù)與遙感數(shù)據(jù)聯(lián)系起來(lái)建立回歸模型來(lái)獲取紅樹(shù)林的地上生物量。 遙感技術(shù)的發(fā)展極大的提高了大規(guī)模和大尺度上的紅樹(shù)林地上生物量監(jiān)測(cè)的效率并降低了野外觀測(cè)的成本[14-15], 由于這些遙感數(shù)據(jù)能夠捕獲生物量的空間變化, 并允許在偏遠(yuǎn)地區(qū)進(jìn)行重復(fù)監(jiān)測(cè), 因此在估算紅樹(shù)林地上生物量時(shí)這些方法變得越來(lái)越流行[16]。 目前國(guó)內(nèi)外學(xué)者利用遙感技術(shù)對(duì)紅樹(shù)林地上生物量監(jiān)測(cè)所涉及的衛(wèi)星數(shù)據(jù)源主要有中低分辨率的TM/ETM+[17-18]以及高分辨率的IKONOS-2、 WorldView-2以及Quick Bird等[19-20], 這些多光譜遙感數(shù)據(jù)對(duì)紅樹(shù)林地上生物量的估算起到了極大的推動(dòng)作用, 但是多光譜衛(wèi)星遙感數(shù)據(jù)在紅樹(shù)林地上生物量估算中的主要局限性在于其范化的光譜分辨率, 這使得紅樹(shù)林植被冠層的詳細(xì)反射特性被掩蓋。 而高光譜遙感可以通過(guò)從可見(jiàn)光到近紅外(near-infrared, NIR)或短波紅外(short wave infrared radiometer, SWIR)范圍內(nèi)的大量光譜波段獲取植被表面的豐富光譜信息, 可在植被冠層尺度上提供有關(guān)植被生理以及生化等更詳細(xì)的信息, 在植被覆蓋分類和植被地上生物量估算方面具有一定的潛力。 例如, Sibanda等的研究表明, 高光譜數(shù)據(jù)在估算生物量方面的精確度比Sentinel-2A多光譜遙感數(shù)據(jù)要高的多[21]。 但是, 高光譜數(shù)據(jù)在紅樹(shù)林地上生物量的反演精度如何, 國(guó)產(chǎn)高光譜衛(wèi)星數(shù)據(jù)在紅樹(shù)林地上生物量的估算中能否應(yīng)用, 這些問(wèn)題需要進(jìn)一步驗(yàn)證。 因此, 結(jié)合樣地觀測(cè)數(shù)據(jù)運(yùn)用國(guó)產(chǎn)高光譜遙感技術(shù)對(duì)茅尾海地區(qū)紅樹(shù)林地上生物量反演是極其必要的。

目前應(yīng)用于紅樹(shù)林地上生物量的模型主要有參數(shù)回歸模型[22]和非參數(shù)機(jī)器學(xué)習(xí)方法兩大類[23]。 參數(shù)回歸模型方法是以生物量和預(yù)測(cè)因子之間的假設(shè)關(guān)系為基礎(chǔ)的, 該模型的假設(shè)前提是預(yù)測(cè)變量和生物量之間存在簡(jiǎn)單的線性關(guān)系, 然而這種假設(shè)在估算森林地上生物量中往往無(wú)法得出令人滿意的結(jié)果[24]。 非參數(shù)機(jī)器學(xué)習(xí)方法如隨機(jī)森林(random forest, RF)、 支持向量機(jī)(support vector machine, SVM)以及KNN神經(jīng)網(wǎng)絡(luò)(knowledge neural network, KNN)等算法能夠處理非線性關(guān)系, 這些方法能夠從復(fù)雜預(yù)測(cè)因子之中找出影響森林生物量的關(guān)鍵驅(qū)動(dòng)因素, 從而實(shí)現(xiàn)生物量的定量化估算[25], 這類方法目前已經(jīng)被成功的應(yīng)用于紅樹(shù)林地上生物量的相關(guān)研究中[26]。 如Pham和Brabyn以高分辨率SPOT衛(wèi)星遙感影像數(shù)據(jù)為基礎(chǔ), 采用隨機(jī)森林以及支持向量機(jī)等機(jī)器學(xué)習(xí)算法對(duì)越南地區(qū)的紅樹(shù)林地上生物量進(jìn)行了估算。 然而像隨機(jī)森林、 支持向量機(jī)以及KNN神經(jīng)網(wǎng)絡(luò)這些傳統(tǒng)的機(jī)器學(xué)算法在模型擬合時(shí)可能會(huì)出現(xiàn)擬合問(wèn)題, 導(dǎo)致回歸模型的穩(wěn)健性方面存在一定的缺陷[27]。 近年來(lái), 極端梯度提升(eXtreme gradient boosting, XGBoost)算法作為新型的機(jī)器學(xué)習(xí)算法被Chen和Guestrin[28]提出, 該算法能夠適應(yīng)復(fù)雜的非線性關(guān)系, 模型具有更佳的并行處理能力, 可以有效的解決機(jī)器學(xué)習(xí)模型中可能出現(xiàn)的模型過(guò)擬合問(wèn)題。 但目前不同機(jī)器學(xué)習(xí)算法在亞熱帶的茅尾海紅樹(shù)林地上生物量中的估算精度如何, 這些機(jī)器學(xué)習(xí)算法能否和國(guó)產(chǎn)高光譜衛(wèi)星結(jié)合, 結(jié)合之后反演紅樹(shù)林的地上生物量效果如何, 這些問(wèn)題都需要深入的分析和研究。

茅尾海地區(qū)的紅樹(shù)林是我國(guó)面積最大、 最為典型的紅樹(shù)林生態(tài)系統(tǒng)群落, 該地區(qū)的紅樹(shù)林群落主要有外來(lái)的無(wú)瓣海桑、 當(dāng)?shù)氐那锴岩约巴┗?shù)群落, 不同群落的紅樹(shù)林地上生物量空間分布格局如何, 目前都尚未知曉。 目前關(guān)于該地區(qū)的紅樹(shù)林生物量估算方面的研究還是極其罕見(jiàn)和匱乏的, 很少有學(xué)者將樣地實(shí)測(cè)數(shù)據(jù)和國(guó)產(chǎn)高光譜數(shù)據(jù)相結(jié)合, 采用不同的機(jī)器學(xué)習(xí)方法估算不同紅樹(shù)林樹(shù)種的地上生物量。 鑒于此, 以茅尾海紅樹(shù)林群落為研究對(duì)象, 基于實(shí)測(cè)的紅樹(shù)林野外樣方調(diào)查數(shù)據(jù)和國(guó)產(chǎn)資源一號(hào)02D高光譜數(shù)據(jù), 在不同的機(jī)器學(xué)習(xí)算法的支持下對(duì)茅尾海的紅樹(shù)林地上生物量進(jìn)行估算, 在此基礎(chǔ)上對(duì)比了不同的機(jī)器學(xué)習(xí)算法的性能, 期望研究成果可為茅尾海紅樹(shù)林的生態(tài)修復(fù)和保護(hù)提供科學(xué)依據(jù)和技術(shù)支撐。

1 實(shí)驗(yàn)部分

1.1 研究區(qū)概況

研究區(qū)位于廣西欽州北部灣的茅尾海地區(qū)(108°28′-108°37′E, 21°48′-21°55′N), 東西長(zhǎng)約為18.08 km, 南北長(zhǎng)約為14.37 km, 總面積為2 784 hm2。 該區(qū)域紅樹(shù)林面積為1 892.70 hm2, 是我國(guó)面積最大和最典型的紅樹(shù)林分布區(qū)。 該地區(qū)主要是以茅嶺江、 大欖江和欽江3條入海河流為主, 在多條河流與海水的共同作用下使得在入?？谛纬赡嗌迟|(zhì)平灘和潮溝島嶼景觀。 該地區(qū)氣候類型屬于南亞熱帶季風(fēng)氣候, 太陽(yáng)輻射強(qiáng), 季風(fēng)環(huán)流明顯。 一年分熱季(3月-5月)、 雨季(6月-10月)和涼季(11月至次年2月), 全年高溫, 各地降水量相差很大, 年均溫為21.7 ℃, 年均降水量為1 658 mm, 年平均總?cè)照諘r(shí)數(shù)為1 673 h[29]。 該地區(qū)的紅樹(shù)林群落主要包括茅嶺江沿岸的無(wú)瓣海桑和桐花樹(shù)群落、 大欖江沿岸的秋茄和桐花樹(shù)群落以及欽江沿岸的桐花樹(shù)群落(圖1)。

1.2 數(shù)據(jù)來(lái)源與研究方法

1.2.1 數(shù)據(jù)來(lái)源

1.2.1.1 野外樣地調(diào)查

對(duì)研究區(qū)的紅樹(shù)林進(jìn)行野外實(shí)地踏查, 主要涉及紅樹(shù)林的樹(shù)種、 栽種模式以及當(dāng)?shù)爻蔽恍畔ⅰ?再通過(guò)樣方調(diào)查方法對(duì)紅樹(shù)林進(jìn)行野外數(shù)據(jù)調(diào)查。 通過(guò)樣方調(diào)查方法對(duì)茅尾海地區(qū)的紅樹(shù)林進(jìn)行樣地調(diào)查。 此次共調(diào)查了227個(gè)樣地, 分別為無(wú)瓣海桑群落, 桐花樹(shù)群落和秋茄群落。 根據(jù)不同的種群劃分不同的樣方大小, 如無(wú)瓣海桑和秋茄的樣方大小設(shè)置為10 m×10 m, 桐花樹(shù)設(shè)置為5 m×5 m。 在每個(gè)樣方內(nèi)使用卷尺測(cè)量每棵樹(shù)的胸徑(在高度1.3 m處測(cè)量無(wú)瓣海桑胸徑, 在0.5 m處測(cè)量秋茄和桐花樹(shù)胸徑, 如果桐花樹(shù)冠幅較小, 測(cè)量?jī)蓚€(gè)方向的CD, 然后取平均值), 然后使用手持激光測(cè)距儀測(cè)量樹(shù)高并利用GPS獲取每棵樹(shù)的經(jīng)緯度坐標(biāo)以及樣方中心的經(jīng)緯度坐標(biāo)。

1.2.1.2 高光譜衛(wèi)星遙感數(shù)據(jù)

高光譜資源一號(hào)02D衛(wèi)星數(shù)據(jù)來(lái)源于廣西壯族自治區(qū)自然資源遙感院。 資源一號(hào)02D衛(wèi)星(5 m光學(xué)衛(wèi)星)于2019年9月12日成功發(fā)射, 衛(wèi)星搭載的兩臺(tái)相機(jī), 可有效獲取115 km幅寬的9譜段多光譜數(shù)據(jù)以及60 km幅寬的166譜段高光譜數(shù)據(jù), 其中全色譜段分辨率可達(dá)2.5 m、 多光譜為10 m、 高光譜30 m, 高光譜載荷可見(jiàn)近紅外和短波紅外光譜分辨率分別達(dá)到10和20 nm。 圖2為茅尾海地區(qū)的紅樹(shù)林高光譜數(shù)據(jù)合成產(chǎn)品, 其中立方體矩形表面的彩色圖像是由高光譜圖像中的Band74、 Band50和Band5合成, 而剖面則由166個(gè)波段構(gòu)成。

圖2 茅尾海紅樹(shù)林高光譜圖像顏色立體Fig.2 Color Stereo of hyperspectral image of mangrove in Maowei Sea

1.2.2 研究方法

1.2.2.1 異速生長(zhǎng)方程

紅樹(shù)林樹(shù)種主要有無(wú)瓣海桑、 桐花樹(shù)和秋茄三種樹(shù)種, 不同的紅樹(shù)林樹(shù)種伐取難度較大, 并且樹(shù)齡較長(zhǎng), 伐木的破壞性較大。 鑒于此, 本研究采用異速生長(zhǎng)方程計(jì)算了茅尾海不同紅樹(shù)林樹(shù)種的地上生物量, 在計(jì)算紅樹(shù)林地上生物量時(shí)通過(guò)收集前人關(guān)于不同紅樹(shù)林樹(shù)種的具體參數(shù)(包括樹(shù)高、 胸徑以及冠層直徑等), 隨后構(gòu)建不同樹(shù)種的異速生長(zhǎng)方程。 見(jiàn)表1, 如胡懿凱[30]以無(wú)瓣海桑為研究對(duì)象, 構(gòu)建適用于廣東省范圍內(nèi)的無(wú)瓣海桑生物量模型, 結(jié)果模型擬合效果較好, Tam[31]以樹(shù)高高度和胸徑為自變量組合, 回歸方程最能估計(jì)秋茄和桐花樹(shù)的生物量。

表1 不同紅樹(shù)林樹(shù)種異速生長(zhǎng)方程Table 1 Allometric growth equation of different mangrove species

1.2.2.2 光譜數(shù)據(jù)處理

采用Savitzky Golay對(duì)每個(gè)紅樹(shù)林樣地所對(duì)應(yīng)的資源一號(hào)02D高光譜衛(wèi)星數(shù)據(jù)進(jìn)行平滑處理。 隨后對(duì)平滑之后的原始紅樹(shù)林光譜數(shù)據(jù)進(jìn)行一階微分、 二階微分、 倒數(shù)變換、 倒數(shù)一階微分、 倒數(shù)二階微分、 對(duì)數(shù)、 對(duì)數(shù)一階微分、 對(duì)數(shù)二階微分、 對(duì)數(shù)倒數(shù)、 對(duì)數(shù)倒數(shù)一階微分、 對(duì)數(shù)倒數(shù)二階微分、 倒數(shù)對(duì)數(shù)、 倒數(shù)對(duì)數(shù)一階以及倒數(shù)對(duì)數(shù)二階等數(shù)學(xué)變換, 以增強(qiáng)高光譜數(shù)據(jù)的有效波譜信息。

1.2.2.3 機(jī)器學(xué)習(xí)算法

選擇了機(jī)器學(xué)習(xí)中的三種算法對(duì)紅樹(shù)林的地上生物量進(jìn)行建模, 由于不同的機(jī)器學(xué)習(xí)算法的建模能力有差異, 選擇了Boosting算法中的XGBoost、 隨機(jī)森林回歸算法(random forest regression, RFR)以及K近鄰回歸算法(K-nearest neighbors regression, KNNR)三種算法對(duì)紅樹(shù)林的生物量進(jìn)行反演。 使用python語(yǔ)言包scikit-learn和NumPy建立XGBoost、 RFR以及KNNR回歸模型。

(1)XGBoost機(jī)器學(xué)習(xí)算法

極端梯度提升(XGBoost)是由Chen等于2016年提出的一個(gè)梯度增強(qiáng)機(jī)器學(xué)習(xí)的新型算法[28]。 XGBoost模型旨在防止過(guò)度擬合, 同時(shí)通過(guò)簡(jiǎn)化和正則化使得預(yù)測(cè)保持最佳計(jì)算效率而降低計(jì)算成本。 XGBoost算法源于“提升”的概念, 它結(jié)合了一組弱學(xué)習(xí)者的所有預(yù)測(cè), 通過(guò)特殊訓(xùn)練培養(yǎng)強(qiáng)學(xué)習(xí)者。

(2)RFR隨機(jī)森林回歸算法

隨機(jī)森林算法RF是由BREIMAN于2001年提出, 是一個(gè)樹(shù)型分類器的集合[32]。 它通過(guò)利用Bootstrap方法, 從原始樣本集S中進(jìn)行k次有放回的簡(jiǎn)單隨機(jī)抽樣, 形成訓(xùn)練樣本集。

(3)K近鄰回歸算法

K近鄰回歸(K-nearest neighbors regression, KNNR)算法[33], 是機(jī)器學(xué)習(xí)中一個(gè)相對(duì)簡(jiǎn)單和基本的模型。 模型的建立僅基于已知樣本數(shù)據(jù)。 通過(guò)計(jì)算每個(gè)樣本點(diǎn)附近K個(gè)相鄰訓(xùn)練樣本值的平均值, 確定樣本對(duì)應(yīng)的預(yù)測(cè)值, 即根據(jù)樣本的相似性預(yù)測(cè)回歸值。

(4)模型精度評(píng)估

為了驗(yàn)證不同模型算法預(yù)測(cè)的紅樹(shù)林生物量與實(shí)地調(diào)查生物量之間的精度關(guān)系, 選擇了兩個(gè)常用的指標(biāo)進(jìn)行模型的驗(yàn)證, 這兩個(gè)指標(biāo)分別是R2和RMSE。 其中R2越接近1, RMSE值越接近于0, 表示模型的預(yù)測(cè)的生物量精度越高[34]。

各個(gè)變量的計(jì)算公式如式(1)和式(2)

(2)

2 結(jié)果與討論

2.1 茅尾海紅樹(shù)林結(jié)構(gòu)參數(shù)

茅尾海不同紅樹(shù)林樹(shù)種樣地調(diào)查的結(jié)構(gòu)參數(shù)如表2所示。 由表2可知, 在三種不同的紅樹(shù)林樹(shù)種中, 無(wú)瓣海桑的紅樹(shù)林樹(shù)種平均高度最高, 其值可達(dá)到9.76 m, 而桐花樹(shù)的樹(shù)高次之, 其值多在2 m左右, 秋茄的樹(shù)高最矮, 其值僅為1.82 m。 就不同的紅樹(shù)林樹(shù)種冠幅的大小而言, 桐花樹(shù)的冠幅最大, 無(wú)瓣海桑次之, 而秋茄的冠幅最小。 由異速增長(zhǎng)方程測(cè)算不同紅樹(shù)林樹(shù)種的地上生物量結(jié)果可知, 無(wú)瓣海桑的AGB平均值最高(87.66 Mg·ha-1), 變化范圍為9.02～305.33 Mg·ha-1, 桐花樹(shù)AGB次之(52.63 Mg·ha-1), 而秋茄樹(shù)種的AGB最小。

表2 北部灣茅尾海不同紅樹(shù)林樹(shù)種結(jié)構(gòu)參數(shù)Table 2 Structural parameters of different mangrove species in Maowei Sea of Beibu Gulf

2.2 紅樹(shù)林地上生物量高光譜特征波譜選擇

將紅樹(shù)林的原始光譜以及15種光譜變換之后的值與紅樹(shù)林野外樣方實(shí)測(cè)的地上生物量值進(jìn)行相關(guān)分析, 如圖3和表3所示, 從圖中可以看出紅樹(shù)林原始光譜曲線與地上生物量實(shí)測(cè)值在40波段之前呈現(xiàn)出負(fù)相關(guān)關(guān)系, 40波段之后則呈現(xiàn)出正相關(guān)關(guān)系。 而15種變換之后的紅樹(shù)林高光譜曲線與原始的紅樹(shù)林地上生物量的相關(guān)系數(shù)相比原始的光譜反射率的相關(guān)系數(shù)有所提升, 說(shuō)明紅樹(shù)林高光譜數(shù)據(jù)經(jīng)過(guò)光譜變換之后, 在某種程度上提高了原始光譜的信噪比, 可以在紅樹(shù)林冠層尺度上提供更為有效的關(guān)于植被生理和生化等方面的信息。 為了對(duì)紅樹(shù)林生物量進(jìn)行更好的反演以提高模型預(yù)測(cè)的精度, 我們將顯著性水平為0.01的顯著相關(guān)波段篩選出來(lái)作為紅樹(shù)林地上生物量反演的特征波段。

表3 紅樹(shù)林生物量與不同光譜轉(zhuǎn)換初步特征波段相關(guān)系數(shù)Table 3 Correlation coefficient between mangrove biomass and preliminary characteristic bands of different spectral forms transforms

通過(guò)相關(guān)系數(shù)雖然可以選擇出與紅樹(shù)林地上生物量相關(guān)性比較高的波段, 但是對(duì)紅樹(shù)林地上生物量預(yù)測(cè)起決定性作用的某些波段信息的篩選還需要更進(jìn)一步的借助擬合回歸方程來(lái)確定, 因?yàn)橛行└吖庾V波段變量之間有可能呈現(xiàn)出共線性, 對(duì)模型來(lái)說(shuō)這些共線性變量可能是冗余變量。 在本研究中我們將相關(guān)系數(shù)選擇出的紅樹(shù)林光譜波段全部放入到逐步回歸方程中, 篩選并剔除模型在回歸過(guò)程中所引起多重共線性的變量, 通過(guò)篩選之后, 可以得到預(yù)測(cè)紅樹(shù)林地上生物量的顯著變量(表3)。

表3中的黑體數(shù)字是經(jīng)過(guò)逐步回歸方程確定的模型最佳預(yù)測(cè)變量, 我們根據(jù)15種不同的光譜變換所獲得的光譜波段進(jìn)行綜合比較, 將出現(xiàn)最多次數(shù)的波段變量保留, 對(duì)重復(fù)的共線性變量波段進(jìn)行整合, 最終篩選并確定了進(jìn)行紅樹(shù)林地上生物量預(yù)測(cè)時(shí)的11個(gè)最佳波段(表4), 分別為B13(499.07 nm)、 B3(413.04 nm)、 B138(2 031.30 nm)、 B10(473.21 nm)、 B19(550.58 nm)、 B27(619.43 nm)、 B5(430.23 nm)、 B52(833.87 nm)、 B76(1 040.20 nm)、 B123(1 778.85 nm)以及B157(2 350.40 nm)。

2.3 紅樹(shù)林地上生物量不同模型預(yù)測(cè)效果對(duì)比

將最終確定的11個(gè)最佳波段作為模型輸入特征波段, 利用XGBoost、 RFR以及KNNR三種機(jī)器學(xué)習(xí)算法進(jìn)行紅樹(shù)林地上生物量估算, 并通過(guò)R2和RMSE對(duì)比模型的運(yùn)行精度(圖4和表5)。

圖4 模型訓(xùn)練階段不同的機(jī)器學(xué)習(xí)模型擬合效果Fig.4 Different machine learning model fitting effects in the model training stage

由不同光譜XGBoost算法的模型訓(xùn)練結(jié)果可知, 通過(guò)倒數(shù)2階變換的建模精度最高, 其R2=0.964 5, RMSE=9.807 7 Mg·ha-2, 而在模型訓(xùn)練階段中對(duì)數(shù)2階變換的建模精度最低, 其R2=0.948 8, RMSE=12.616 3 Mg·ha-2。 在模型驗(yàn)證方面, 對(duì)數(shù)倒數(shù)1階變換的模型驗(yàn)證精度最高(R2=0.751 5, RMSE=27.494 8 Mg·ha-2), 而最低的是原始光譜的二階變換(R2=0.124 3, RMSE=40.402 2 Mg·ha-2)。 雖然倒數(shù)2階變換有最大的R2和最小的RMSE, 但是倒數(shù)2階變換在驗(yàn)證階段的R2和RMSE結(jié)果并不理想, 模型的穩(wěn)健性和性能較差。 而對(duì)數(shù)倒數(shù)1階變換在模型的訓(xùn)練階段和驗(yàn)證階段均取得了較好的擬合效果, 因此, 經(jīng)過(guò)XGBoost機(jī)器學(xué)習(xí)算法的建模階段和驗(yàn)證階段的綜合比較之后我們發(fā)現(xiàn), 對(duì)數(shù)倒數(shù)1階變換為最優(yōu)模型。

從不同光譜變換形式的RFR算法的結(jié)果中可以看出, 在模型訓(xùn)練階段, 原始的光譜反射率與紅樹(shù)林地上生物量的精度最高, 其R2=0.774 6, RMSE=23.106 6 Mg·ha-2, 而在訓(xùn)練階段中對(duì)數(shù)2階模型的擬合精度較差, 其R2=0.698 7, RMSE=30.610 9 Mg·ha-2。 在模型驗(yàn)證方面, 對(duì)數(shù)倒數(shù)1階變換的模型驗(yàn)證精度最高(R2=0.656 8, RMSE=31.600 2 Mg·ha-2), 而最低的是對(duì)數(shù)倒數(shù)2階(R2=0.315 0, RMSE=43.924 5 Mg·ha-2)。 雖然原始的光譜反射率有最大的R2和最小的RMSE, 但是原始光譜反射率在驗(yàn)證階段可能存在著過(guò)度擬合現(xiàn)象, 而對(duì)數(shù)倒數(shù)1階變換在RF算法模型的訓(xùn)練階段和驗(yàn)證階段均取得了較好的擬合效果。

從不同光譜變換形式的KNNR算法的結(jié)果中可以看出, 在模型訓(xùn)練階段, 原始的光譜反射率與紅樹(shù)林地上生物量的精度最高, 其R2=0.653 9, RMSE=28.628 7 Mg·ha-2, 而在訓(xùn)練階段的對(duì)數(shù)倒數(shù)1階的擬合精度較差, 其R2=0.295 4, RMSE=41.394 8 Mg·ha-2。 在模型驗(yàn)證方面, 對(duì)數(shù)倒數(shù)變換的模型驗(yàn)證精度最高(R2=0.539 9, RMSE=33.604 2 Mg·ha-2), 而最低的是倒數(shù)1階(R2=0.101 3, RMSE=47.890 2 Mg·ha-2)。 對(duì)于KNNR而言, 綜合比較模型訓(xùn)練和驗(yàn)證階段的數(shù)據(jù)結(jié)果之后發(fā)現(xiàn)對(duì)數(shù)倒數(shù)變換為最佳的擬合變換。

為了更清晰的表征不同的光譜變換在不同模型中的性能, 繪制了3種機(jī)器學(xué)習(xí)算法在測(cè)試階段的散點(diǎn)圖, 如果散點(diǎn)圖中的預(yù)測(cè)值與野外觀測(cè)的紅樹(shù)林地上生物量實(shí)際值越接近1∶1線, 代表模型的擬合精度越高。 由圖4可以看出, 基于對(duì)數(shù)倒數(shù)1階變換的XGBoost模型精度最高, 為最佳的機(jī)器學(xué)習(xí)模型, 其模型在測(cè)試階段R2=0.751 5, RMSE=27.494 8 Mg·ha-2。 基于對(duì)數(shù)倒數(shù)1階變換的RFR模型精度次之, 其模型在測(cè)試階段R2=0.656 8, RMSE=31.600 2 Mg·ha-2。 而基于對(duì)數(shù)倒數(shù)變換的KNNR模型的擬合效果最差, 其模型在測(cè)試階段R2=0.539 9, RMSE=33.604 2 Mg·ha-2。 因此, 基于對(duì)數(shù)倒數(shù)1階變換的XGBoost模型是茅尾海紅樹(shù)林地上生物量預(yù)測(cè)時(shí)的最佳模型, 采用對(duì)數(shù)倒數(shù)1階變換和XGBoost模型能夠更好的揭示高光譜變量與紅樹(shù)林地上生物量之間的定量化關(guān)系。

2.4 紅樹(shù)林生物量空間分布

基于2.2節(jié)選出的11個(gè)最佳波段進(jìn)行對(duì)數(shù)倒數(shù)1階變換, 將變換之后的波段變量輸入到XGBoost模型進(jìn)行茅尾海紅樹(shù)林地上生物量反演。 由圖5可知, 茅尾海紅樹(shù)林地上生物量的預(yù)測(cè)值范圍為4.58～208.35 Mg·ha-1, 平均值為88.98 Mg·ha-1。 從圖中可以看出, 茅尾海的西部地區(qū)主要以無(wú)瓣海桑為優(yōu)勢(shì)樹(shù)種, 該地區(qū)的紅樹(shù)林樹(shù)干高大, 紅樹(shù)林的地上生物量值較高, 而團(tuán)和島對(duì)岸的無(wú)瓣海桑紅樹(shù)林地上生物量則是由其他地方擴(kuò)展而來(lái), 因此該地區(qū)的無(wú)瓣海桑紅樹(shù)林地上生物量值偏低。 在研究區(qū)中部的大欖江地區(qū)主要紅樹(shù)植物是秋茄、 無(wú)瓣海桑以及桐花樹(shù)群落的混生區(qū), 該區(qū)域紅樹(shù)林地上生物量值偏低, 其值多在110 Mg·ha-1左右, 而研究區(qū)東部的欽江流域入?？诘貐^(qū)的紅樹(shù)植物則主要是由桐花樹(shù)群落組成, 該地區(qū)紅樹(shù)林地上生物量偏高, 其值多在180 Mg·ha-1左右。

圖5 茅尾海紅樹(shù)林地上生物量空間分布Fig.5 Spatial distribution of aboveground biomass of mangroves in Maowei Sea

3 討 論

基于資源一號(hào)02D高光譜數(shù)據(jù), 在優(yōu)選的11個(gè)最佳波段的基礎(chǔ)上, 采用3種不同的機(jī)器學(xué)習(xí)算法對(duì)茅尾海地區(qū)的紅樹(shù)林地上生物量進(jìn)行反演, 并獲得了茅尾海不同地區(qū)的紅樹(shù)林地上生物量空間分布格局。 3種機(jī)器學(xué)習(xí)算法的模型性能相差不一, 模型所模擬出的結(jié)果有著顯著的區(qū)域差異性, 致使模擬結(jié)果在茅尾海的東部、 中部以及西部地區(qū)存在著異質(zhì)性特征。 有研究表明機(jī)器學(xué)習(xí)算法在紅樹(shù)林生物量估算方面已經(jīng)被證實(shí)相比傳統(tǒng)的線性統(tǒng)計(jì)回歸方法具有一定的優(yōu)勢(shì), 這些算法可以克服多重共線性問(wèn)題, 并且不要求數(shù)據(jù)樣本滿足一定的要求, 且不要求數(shù)據(jù)服從一定的分布特征[25], 但是不同機(jī)器學(xué)習(xí)算法中模型的特征變量選擇及其模型中超參數(shù)的選擇對(duì)模型的預(yù)測(cè)能力有著非常重要的作用。 Alsumaiti采用隨機(jī)森林RF算法對(duì)阿布扎比瀉湖國(guó)家公園的紅樹(shù)林地上生物量進(jìn)行了反演[35], 獲得該地區(qū)的紅樹(shù)林地上生物量空間分布格局, 但是隨機(jī)森林對(duì)樣本的異常值不敏感, 具有最優(yōu)超參數(shù)值的隨機(jī)森林分類器可能過(guò)度擬合訓(xùn)練數(shù)據(jù)而使得預(yù)測(cè)的結(jié)果產(chǎn)生偏差, 而XGBoost模型中的Boosting算法對(duì)異常值非常敏感, 它能靈活的處理各種類型的數(shù)據(jù), 在相對(duì)較少的調(diào)參時(shí)間下, 預(yù)測(cè)的準(zhǔn)確度較高[36]。 因此, 在對(duì)茅尾海紅樹(shù)林地上生物量進(jìn)行反演時(shí)發(fā)現(xiàn), XGBoost模型的反演能力最強(qiáng), 在測(cè)試階段R2為0.751 5, RMSE為27.494 8 Mg·ha-1, 其次是RFR隨機(jī)森林模型,R2和RMSE分別為0.539 9和33.604 2 Mg·ha-1, 而KNNR模型的擬合效果較差, 在訓(xùn)練階段和測(cè)試階段效果較差。 因此, 在北部灣茅尾海地區(qū), 基于國(guó)產(chǎn)高光譜數(shù)據(jù)采用XGBoost機(jī)器學(xué)習(xí)方法明顯優(yōu)于其他兩種算法, 未來(lái)可將國(guó)產(chǎn)高光譜遙感衛(wèi)星數(shù)據(jù)反演紅樹(shù)林地上生物量的相關(guān)研究推廣到北部灣的其他紅樹(shù)林相關(guān)研究中。

由研究結(jié)果可知, XGBoost模型反演的茅尾海紅樹(shù)林地上生物量的平均值為88.98 Mg·ha-2, 該值稍微高于野外樣方調(diào)查的實(shí)測(cè)平均值, 但是與實(shí)地調(diào)查值非常接近, 這反映了XGBoost模型的在無(wú)瓣海桑紅樹(shù)林地上生物量模擬方面表現(xiàn)出了一定的優(yōu)勢(shì)。 無(wú)瓣海桑野外樣地調(diào)查的地上生物量真實(shí)值范圍為3.86～208.8 Mg·ha-2, XGBoost模型估測(cè)的預(yù)測(cè)值范圍為4.58～208.35 Mg·ha-2, 由真實(shí)值與預(yù)測(cè)值的關(guān)系可知, 在低生物量范圍時(shí), XGBoost模型高估了紅樹(shù)林AGB; 在高生物量范圍時(shí), XGBoost則低估了紅樹(shù)林AGB。 盡管本研究采用了新型的機(jī)器學(xué)習(xí)算法對(duì)研究區(qū)的紅樹(shù)林地上生物量進(jìn)行反演, 但機(jī)器學(xué)習(xí)算法中不同特征變量所表現(xiàn)出的性能也有所差異, 因此, 也不能完全消除不同特征變量和波段值飽和所帶來(lái)的影響[37]。 本研究基于XGBoost模型得到的茅尾海紅樹(shù)林地上生物量均值(88.98 Mg·ha-1)比王德智[38]等采用的激光LiDAR方法估算的海南島紅樹(shù)林地上生物量(119.26 Mg·ha-1)較低, 這可能是海南島紅樹(shù)林緯度較茅尾海地區(qū)紅樹(shù)林緯度低, 水熱充足, 物種豐富, 紅樹(shù)林生物量相差較大。 在本研究中, 無(wú)瓣海桑地上生物量預(yù)測(cè)值范圍為0～305.33 Mg·ha-1, 平均值為64.82 Mg·ha-1, 該值比深圳福田地區(qū)21年生無(wú)瓣海桑的估算結(jié)果(161 Mg·ha-1)較低[39], 這可能是由于廣州地區(qū)環(huán)境較好, 受人為干擾較少, 無(wú)瓣海桑生長(zhǎng)較快, 其群落生物量較大。 秋茄是本研究區(qū)的劣勢(shì)樹(shù)種, 該樹(shù)種主要分布在茅尾海的大欖江附近, 其生物量預(yù)測(cè)值為0～108.07 Mg·ha-1, 平均值為29.90 Mg·ha-1, 比福建福鼎地區(qū)秋茄群落生物量略小, 其平均值為32.92 Mg·ha-1[40], 這可能也是受緯度水熱條件以及紅樹(shù)林灘涂土壤不同的理化性質(zhì)的影響。 桐花樹(shù)生物量預(yù)測(cè)值為0～240.07 Mg·ha-1, 平均值為79.50 Mg·ha-1, 該值高于Cao等[18]在廣西沿海地區(qū)的紅樹(shù)林生物量(54.40 Mg·ha-1), 這說(shuō)明當(dāng)?shù)氐耐┗?shù)群落生長(zhǎng)狀況較好, 因此東部地區(qū)紅樹(shù)林地上生物量值偏高。

4 結(jié) 論

基于國(guó)產(chǎn)資源一號(hào)02D高光譜數(shù)據(jù), 采用極端梯度提升(eXtreme gradient boosting, XGBoost)、 隨機(jī)森林回歸(random forest regression, RFR)以及K近鄰回歸(k-nearest neighbor regression, KNNR)三種不同的機(jī)器學(xué)習(xí)算法對(duì)茅尾海的紅樹(shù)林地上生物量進(jìn)行了估算。 結(jié)果顯示:

(1)無(wú)瓣海桑的紅樹(shù)林樹(shù)種平均高度最高, 其值可達(dá)到9.76 m, 而桐花樹(shù)的樹(shù)高次之, 秋茄的樹(shù)高最矮, 其值僅為1.82 m。 無(wú)瓣海桑紅樹(shù)林地上生物量的平均值最高(90.93 Mg·ha-1), 桐花樹(shù)次之(52.63 Mg·ha-1), 而秋茄最小(20.27 Mg·ha-1)。

(2)優(yōu)選并確定了11個(gè)紅樹(shù)林地上生物量預(yù)測(cè)最佳波段, 分別為B13(499.07 nm)、 B3(413.04 nm)、 B138(2 031.30 nm)、 B10(473.21 nm)、 B19(550.58 nm)、 B27(619.43 nm)、 B5(430.23 nm)、 B52(833.87 nm)、 B76(1 040.20 nm)、 B123(1 778.85 nm)以及B157(2 350.40 nm)。

(3)基于對(duì)數(shù)倒數(shù)1階變換的XGBoost模型精度最高, 為最佳的機(jī)器學(xué)習(xí)模型, 其模型在測(cè)試階段R2=0.751 5, RMSE=27.494 8 Mg·ha-2。

(4)采用XGBoost算法反演茅尾海的紅樹(shù)林地上生物量介于4.58～208.35 Mg·ha-2之間, 平均值為88.98 Mg·ha-2, 紅樹(shù)林地上生物量預(yù)測(cè)值在空間上呈現(xiàn)出中部低, 兩邊高的空間分布格局。

致謝:廣西壯族自治區(qū)自然資源遙感院提供了資源一號(hào)02D高光譜遙感影像數(shù)據(jù), 北部灣大學(xué)資源與環(huán)境學(xué)院田義超博士提供了北部灣茅尾海紅樹(shù)林樣地實(shí)測(cè)數(shù)據(jù), 在此向廣西壯族自治區(qū)自然資源遙感院以及北部灣大學(xué)對(duì)本實(shí)驗(yàn)的支持表示衷心的感謝。