青藏高原草地地上生物量估算

姚雨微,任鴻瑞

太原理工大學(xué)測繪科學(xué)與技術(shù)系,太原 030024

草地是陸地生態(tài)系統(tǒng)的重要組成部分,在生物多樣性保護(hù)和畜牧業(yè)經(jīng)濟(jì)中發(fā)揮著關(guān)鍵作用[1—2]。草地地上生物量(Aboveground Biomass,AGB)是表征植被生長狀況、固碳潛力的重要指標(biāo),可以有效衡量草地生產(chǎn)功能,是草地利用決策和資源管理的基礎(chǔ)[3—4]。明晰草地AGB現(xiàn)狀對草地資源管理和生態(tài)保護(hù)具有重要意義。

目前,草地AGB監(jiān)測方法主要包括傳統(tǒng)的地面測量和遙感監(jiān)測。地面測量即直接收割法,通過割草、干燥、稱重獲得AGB,但需要耗費(fèi)大量時間與人力,部分地區(qū)容易受地形和環(huán)境制約,不適合用于長時間序列、大區(qū)域尺度的生物量估算[5]。遙感監(jiān)測以其宏觀性、綜合性等特點,克服了地面測量的不足,被視為大范圍監(jiān)測的有效工具[6]。早期的草地AGB遙感監(jiān)測主要是構(gòu)建植被指數(shù)與實測草地AGB的經(jīng)驗關(guān)系,并根據(jù)該關(guān)系反演區(qū)域尺度的草地AGB[7]。植被指數(shù)是通過對植被在不同波段部分的反射率數(shù)據(jù)進(jìn)行組合和計算獲得[8—9],可以有效反映植被生長狀況和變化信息。常用的植被指數(shù)有歸一化差值植被指數(shù)(normalized difference vegetation index,NDVI)[10]、增強(qiáng)型植被指數(shù)(enhanced vegetation index,EVI)[11]和土壤調(diào)整植被指數(shù)(soil adjusted vegetation index,SAVI)[12]等。但植被指數(shù)自身局限性可能會影響AGB估算準(zhǔn)確性,例如在覆蓋度高的草地上,NDVI敏感性降低,易出現(xiàn)飽和現(xiàn)象[13]。此外,草地AGB的變化受外部環(huán)境因素影響較大[14]。因此基于單因素的回歸模型在估算草地生物量時存在一定的誤差和不確定性。對于具有多種變量的模型,機(jī)器學(xué)習(xí)模型比傳統(tǒng)的回歸模型更適用[15—16]。機(jī)器學(xué)習(xí)模型可以整合草地AGB的多種影響因素,學(xué)習(xí)高度復(fù)雜的非線性映射,從而獲得更好的擬合結(jié)果[17]。與傳統(tǒng)的回歸模型相比,梯度增強(qiáng)回歸樹是一種更強(qiáng)大的經(jīng)驗建模算法。梯度增強(qiáng)回歸樹是一種迭代決策樹,利用加性模型和前向分布算法將若干個弱學(xué)習(xí)器組合成強(qiáng)學(xué)習(xí)器[18]。該模型可靈活處理各種數(shù)據(jù),預(yù)測性能好,模型復(fù)雜度較低,泛化能力較強(qiáng)[19]。Yang等[20]探索了三種機(jī)器學(xué)習(xí)方法,分別是人工神經(jīng)網(wǎng)絡(luò)、多元自適應(yīng)回歸樣條和梯度增強(qiáng)回歸樹來建立估算模型,結(jié)果表明梯度增強(qiáng)回歸樹是生成1 km空間分辨率的全球森林AGB分布圖的最優(yōu)模型,模型驗證R2達(dá)到0.90。Yu等[18]對比了梯度增強(qiáng)回歸樹、隨機(jī)森林和極端隨機(jī)樹三種模型在生成中國三江源地區(qū)1982—2018年草地AGB數(shù)據(jù)集方面的有效性,結(jié)果表明梯度增強(qiáng)回歸樹模型精度最高。以上研究表明梯度增強(qiáng)回歸樹模型在估算草地AGB方面具有很大潛力。

青藏高原是世界上最高的獨(dú)特自然地理單元,有“地球第三極”之稱,是我國重要的生態(tài)安全屏障,也是全球氣候變化的敏感區(qū)[21—22]。草地是青藏高原的主要生態(tài)系統(tǒng),由于青藏高原特殊的自然環(huán)境以及多年來氣候變化和人類活動影響,草地生態(tài)系統(tǒng)十分脆弱,局部退化嚴(yán)重[1,17,23]。及時準(zhǔn)確的估算青藏高原草地AGB能夠為草地資源的可持續(xù)管理提供參考意義。然而青藏高原地形地貌復(fù)雜多樣,氣候差異顯著[24],基于單一植被指數(shù)的回歸模型無法準(zhǔn)確反映青藏高原生態(tài)環(huán)境的影響。環(huán)境因素與草地AGB密切相關(guān)[25],地形影響土壤濕度、土壤有機(jī)質(zhì)含量、接收的太陽輻射強(qiáng)度和溫度,間接影響到物種生長和草地AGB分布格局[26]。降水氣溫等關(guān)鍵因素的變化將會影響物種的分解、蒸散和光合作用等生理生態(tài)過程從而影響草地AGB[27]。因此構(gòu)建基于氣象、地形和遙感因子的多因素模型是準(zhǔn)確估算青藏高原草地AGB的可能途徑。

為此,本研究將青藏高原草地作為研究區(qū),借助Google Earth Engine(GEE)平臺,探索遙感植被指數(shù)表征草地AGB信息的有效性,評估氣象、地形信息對草地AGB估算的影響,構(gòu)建基于氣象、地形和遙感因子的青藏高原草地AGB估算模型—梯度增強(qiáng)回歸樹,實現(xiàn)青藏高原草地AGB空間分布制圖,為準(zhǔn)確估算青藏高原草地產(chǎn)草量提供重要依據(jù)。

1 材料與方法

1.1 研究區(qū)域

青藏高原地處26°00′12″—39°46′50″N,73°18′52″—104°46′59″E之間,面積約為257.24萬km2,占中國陸地面積的26.8%[28],主要分布在西藏自治區(qū)、青海省、甘肅省、四川省、云南省和新疆維吾爾自治區(qū)。其地勢西北高,東南低,平均海拔在4000 m以上,氣候敏感獨(dú)特,東南部溫暖濕潤,西北部寒冷干旱。由于氣候變化和地形特征的共同作用,青藏高原植被類型復(fù)雜,其中草地為主要植被類型,草地空間分布數(shù)據(jù)(圖1)來源于全球30 m地表覆蓋數(shù)據(jù)產(chǎn)品GlobeLand30[29—30]。

圖1 青藏高原草地AGB樣點分布圖Fig.1 Distribution of grassland AGB sample sites on the Qinghai-Tibet PlateauAGB:地上生物量 Aboveground Biomass

1.2 數(shù)據(jù)來源與處理

1.2.1草地AGB數(shù)據(jù)

本研究中青藏高原草地AGB野外樣點數(shù)據(jù)共210個(圖1),主要來源包括:(1)野外實測,共13個。野外調(diào)查時間在2019年8月,選擇物種組成均勻、地勢平整、面積足夠的典型樣地,記錄經(jīng)緯度、海拔和主要植被類型等信息,根據(jù)代表性原則在每個樣地中均勻布設(shè)3個樣方,樣方大小為1 m×1 m,將樣方中的地上部分沿地面刈割,除去附著的土壤等雜物后,烘干至恒重,該樣地草地AGB即為3個樣方的干重取平均值。(2)文獻(xiàn)查閱。基于中國知網(wǎng)(https://www.cnki.net/)和Web of science(https://www.webofscience.com/),以“草地生物量”“生產(chǎn)力”“Aboveground biomass”為關(guān)鍵詞檢索,篩選樣本點必須包含準(zhǔn)確的采樣時間、經(jīng)緯度坐標(biāo)和植被類型,共收集到符合標(biāo)準(zhǔn)且公開發(fā)表的學(xué)術(shù)論文34篇,實測樣點197個。文獻(xiàn)中樣點采樣時間為2004—2020年7—8月,采樣通常選擇地勢平坦且具有空間代表性的草地樣地,其中布設(shè)2—9個重復(fù)樣方,樣方大小為0.25 m×0.25 m—1 m×1 m,將樣方內(nèi)的草地地上部分齊地面刈割,放入烘箱烘干,稱其干重。

1.2.2數(shù)據(jù)資料

遙感資料采用空間分辨率為30 m,時間分辨率為16 d的Landsat遙感衛(wèi)星數(shù)據(jù),包括Landsat 5、Landsat 7和Landsat 8。1984年3月發(fā)射的陸地衛(wèi)星項目第五顆衛(wèi)星,即Landsat 5衛(wèi)星,攜帶TM傳感器。1999年4月發(fā)射的Landsat 7衛(wèi)星,與Landsat 5在空間分辨率和光譜特性方面基本一致。該衛(wèi)星攜帶ETM+傳感器,較TM傳感器多了一個15 m空間分辨率的全色波段。2013年2月發(fā)射的Landsat 8 OLI傳感器較ETM+傳感器新增了深藍(lán)和卷云波段,波段光譜范圍劃分更加精細(xì)。Landsat 5 TM、Landsat 7 ETM+和Landsat 8 OLI各個波段的具體信息見表1。實測草地AGB樣點采樣時間為2004—2020年7—8月,對應(yīng)的影像選取時間分別為2004—2011(Landsat 5 TM)、2012(Landsat 7 ETM+)和2013—2020(Landsat 8 OLI),通過GEE平臺獲取Landsat影像,經(jīng)去云、裁剪等處理后,根據(jù)樣點采樣時間提取相應(yīng)的單波段反射率值和植被指數(shù)數(shù)據(jù),由于去云后導(dǎo)致部分影像數(shù)據(jù)不完整,選取采樣時間臨近的影像代替。

表1 Landsat 5 TM、Landsat 7 ETM+和Landsat 8 OLI波段信息Table 1 Landsat 5 TM, Landsat 7 ETM+ and Landsat 8 OLI band information

輔助數(shù)據(jù)包括地形(高程、坡度、坡向)和氣象(年平均氣溫、年降水量)資料。高程數(shù)據(jù)來自Shuttle Radar Topography Mission(SRTM),空間分辨率為30 m,由云計算平臺GEE提供。坡度和坡向數(shù)據(jù)通過高程數(shù)據(jù)計算生成。氣象數(shù)據(jù)來自國家科技基礎(chǔ)條件平臺—國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心(http://www.geodata.cn)的逐月氣溫、降水?dāng)?shù)據(jù),空間分辨率為1000 m[31]。下載2004—2020年逐月氣象數(shù)據(jù),對每年12個月份的氣溫數(shù)據(jù)取平均值得到年平均氣溫,12個月份的降水?dāng)?shù)據(jù)求和得到年降水量,將結(jié)果重采樣至30 m空間分辨率,提取與各樣點采樣年份相對應(yīng)的年平均氣溫和年降水量。

1.3 研究方法

1.3.1建模變量集構(gòu)建

研究構(gòu)建的建模變量集共包含20個變量,其中遙感數(shù)據(jù)包括單波段反射率Blue、Green、Red、NIR、SWIR1和SWIR2(表1),常用植被指數(shù)NDVI、EVI、GNDVI、NIRV、RVI、SAVI、DVI、OSAVI和MSAVI(表2)。地形數(shù)據(jù)包括高程(dem)、坡度(slope)和坡向(aspect)。氣象數(shù)據(jù)包括年平均氣溫(temperature)和年降水量(precipitation)。

表2 本研究采用的植被指數(shù)Table 2 Vegetation indices used in this study

1.3.2變量篩選

特征變量間的多重共線性會影響模型預(yù)測精度,而且過多的特征變量會使模型更加復(fù)雜,計算效率低。為提高模型準(zhǔn)確性,本研究選用遞歸特征消除法(RFE)優(yōu)選特征變量,將所有變量輸入到模型中進(jìn)行訓(xùn)練,根據(jù)模型給出的特征變量重要性,刪除最差的特征,用剩下的特征變量繼續(xù)輸入模型訓(xùn)練,再刪除最差的特征,重復(fù)上述步驟,直至所有特征都被刪除,根據(jù)刪除特征的順序,得到最優(yōu)特征子集。

1.3.3模型構(gòu)建

梯度增強(qiáng)回歸樹(Gradient Boosting Regression Tree,GBRT)[38]是基于集成學(xué)習(xí)中Boosting算法的一種改進(jìn)?；舅枷胧且曰貧w樹作為弱學(xué)習(xí)器,每個學(xué)習(xí)器的訓(xùn)練都是基于上一個學(xué)習(xí)器的預(yù)測偏差結(jié)果,沿著減少殘差的梯度方向構(gòu)建新的學(xué)習(xí)器,從而使預(yù)測偏差不斷減小,模型精度提高,經(jīng)過多次迭代后,最終結(jié)果由所有學(xué)習(xí)器互相聯(lián)系得到[19,39]。GBRT能夠適應(yīng)復(fù)雜的非線性關(guān)系,產(chǎn)生具有競爭力、高度魯棒、可解釋的程序,尤其適用于挖掘冗雜的數(shù)據(jù)[38]。

本研究利用GEE平臺提供的GBRT算法估算草地AGB。為提高草地AGB估測準(zhǔn)確性,分別建立遙感、遙感+氣象、遙感+地形、遙感+氣象+地形四種GBRT模型?；趯崪yAGB樣點,提取對應(yīng)采樣時間的遙感、地形和氣象信息,用于模型訓(xùn)練。并結(jié)合遞歸特征消除法篩選最優(yōu)變量,比較每種GBRT模型變量篩選前后的精度。經(jīng)反復(fù)訓(xùn)練選取擬合效果最好的模型反演青藏高原草地AGB空間分布。

1.3.4精度評價

選擇樣點數(shù)據(jù)的70%作為訓(xùn)練集,30%作為測試集,選用五折交叉驗證進(jìn)行準(zhǔn)確性評估。同時,選取決定系數(shù)R2(Coefficient of Determination)和均方根誤差RMSE(Root Mean Square Error)對模型擬合效果進(jìn)行精度評價。

(1)

(2)

2 研究結(jié)果

2.1 實測草地AGB統(tǒng)計分析

青藏高原實測草地AGB統(tǒng)計分析結(jié)果表明(表3):210個實測樣點的AGB值在草地生長季存在一定差異,最小值為2.95 g/m2、最大值為440.46 g/m2、平均值為135.09 g/m2,變異系數(shù)為0.70。其中,文獻(xiàn)收集樣點共197個,AGB平均值為134.89 g/m2,變異系數(shù)為0.71。野外實測樣點共13個,AGB最大值為336.95 g/m2、最小值為31.13 g/m2、平均值為138.12 g/m2。

表3 草地AGB觀測值的統(tǒng)計分析Table 3 Statistical analysis of grassland AGB observations

2.2 單變量回歸分析

將單變量與實測草地AGB進(jìn)行線性回歸分析,對比分析結(jié)果如下(圖2)。除坡度、坡向和年平均氣溫外,其余變量均通過顯著性檢驗(P<0.01)。遙感因子與草地AGB間的決定系數(shù)R2在0.08—0.40范圍內(nèi),其中,GNDVI與AGB之間相關(guān)性最高,R2為0.40。NDVI(R2=0.39)估算AGB的能力略低于GNDVI,NIR與AGB相關(guān)性最低,R2為0.08。氣象和地形因子中,年降水量、高程與AGB之間相關(guān)性較高,R2分別為0.28和0.12。經(jīng)比較,GNDVI與AGB的擬合效果較好,但僅能解釋青藏高原40%的草地AGB變化。

圖2 單變量與實測草地AGB的關(guān)系Fig.2 Relationship between single variables and measured grassland AGBNIR:近紅外波段;SWIR1:短波紅外1波段;SWIR2:短波紅外2波段;GNDVI:綠色歸一化植被指數(shù);EVI:增強(qiáng)型植被指數(shù);NDVI:歸一化差值植被指數(shù);DVI:差值植被指數(shù);RVI:比值植被指數(shù);NIRV:植被近紅外反射率指數(shù);SAVI:土壤調(diào)整植被指數(shù);OSAVI:優(yōu)化土壤調(diào)整植被指數(shù);MSAVI:修改型土壤調(diào)節(jié)植被指數(shù)

2.3 模型性能評估

基于GEE平臺構(gòu)建的遙感、遙感+氣象、遙感+地形、遙感+氣象+地形四種GBRT模型性能如表4、表5所示。未經(jīng)過RFE特征優(yōu)選之前(表4),基于全部遙感因子構(gòu)建的GBRT模型測試R2為0.55,RMSE為61.75 g/m2。較基于單一植被指數(shù)的回歸模型精度有明顯提高,可解釋55%草地AGB變化情況。在遙感因子的基礎(chǔ)上分別添加氣象、地形因子,兩種模型的測試R2分別為0.59和0.60。綜合遙感、氣象和地形數(shù)據(jù)后,模型測試精度達(dá)到0.62,RMSE為56.49 g/m2,模型性能得到了有效提升。

表4 未經(jīng)過特征篩選的GBRT模型評估Table 4 Evaluation of GBRT models without feature filtering

表5 經(jīng)過特征篩選的GBRT模型評估Table 5 Evaluation of GBRT models with feature filtering

基于RFE優(yōu)選的特征變量構(gòu)建的GBRT模型精度優(yōu)于輸入全部變量的模型。由表5可知,以GNDVI、Green、SWIR2、EVI、NDVI、DVI、Red、SWIR1、NIR、Blue、SAVI和MSAVI為輸入變量的遙感模型測試R2為0.57,RMSE為60.27 g/m2?；诤Y選后特征變量構(gòu)建的遙感+氣象、遙感+地形模型性能提高,測試R2分別為0.62和0.63,RMSE分別降低3.93 g/m2和4.49 g/m2。以GNDVI、precipitation、slope、temperature、dem、aspect、SWIR2、EVI、Blue、Green、NIR、SAVI和SWIR1為基礎(chǔ)構(gòu)建的遙感+氣象+地形GBRT模型,測試集R2為0.66,RMSE為53.64 g/m2,比經(jīng)過特征篩選后的遙感GBRT模型估測精度提高了0.09,RMSE降低了6.63 g/m2,模型訓(xùn)練集R2也從0.70提高至0.79。

經(jīng)綜合考慮氣象、地形及遙感數(shù)據(jù)和通過RFE特征優(yōu)選后,模型擬合精度逐步提高。以GNDVI、precipitation、slope、temperature、dem、aspect、SWIR2、EVI、Blue、Green、NIR、SAVI和SWIR1為基礎(chǔ)構(gòu)建的GBRT模型具有最佳性能,可解釋青藏高原草地AGB 66%的變化(測試數(shù)據(jù)集R2=0.66,RMSE=53.64 g/m2,P<0.01)。由該模型估測的草地AGB與實測草地AGB的線性關(guān)系以及數(shù)據(jù)分布情況(圖3),可得兩者線性關(guān)系較好,但實測AGB中有些較高的值被估計的偏低,存在低估情況。從數(shù)據(jù)分布而言,實測AGB分布范圍大于估測草地AGB,實測AGB數(shù)據(jù)四分位數(shù)范圍在50—180 g/m2,估測AGB數(shù)據(jù)四分位數(shù)范圍在80—160 g/m2。兩者在中位數(shù)、平均數(shù)上具有相似的分布特征。

圖3 實測AGB與最優(yōu)GBRT模型估測AGB之間的線性關(guān)系和小提琴圖Fig.3 Linear and violin plots between the measured AGB and the estimated AGB from the optimal GBRT model

2.4 青藏高原草地AGB估算

基于最優(yōu)GBRT模型反演了青藏高原2010、2015和2020年草地AGB空間分布圖(圖4),草地AGB平均值范圍為93.63—100.78 g/m2,分別是2010年94.58 g/m2,2015年93.63 g/m2,2020年100.78 g/m2。青藏高原草地AGB整體呈現(xiàn)東南高,西北低的空間格局。其中,西藏自治區(qū)阿里地區(qū)草地AGB較低,2010年基本小于60 g/m2,2015、2020年AGB有明顯上升;青海省果洛藏族自治州南部、黃南藏族自治州和四川省西北部草地AGB相對較高,與實際空間分布基本一致。

圖4 青藏高原2010、2015和2020年草地AGB空間分布圖Fig.4 Spatial distribution of grassland AGB on the Qinghai-Tibet Plateau in 2010, 2015 and 2020

3 討論

3.1 最優(yōu)GBRT模型分析

研究[40—41]表明草地AGB受到多種環(huán)境因素影響,其中,氣象、地形因素與草地生長狀況密不可分。青藏高原氣候敏感、地形險峻、生態(tài)環(huán)境復(fù)雜,為提高草地AGB估算準(zhǔn)確度,基于遙感、氣象和地形信息構(gòu)建了GBRT模型,測試集R2達(dá)到0.66,表明構(gòu)建多因素模型能夠更好的解釋草地AGB變化情況。這一研究結(jié)果與Liang等[42]、Tang等[16]一致,Liang等[42]基于地理位置(經(jīng)度、緯度)和草地覆蓋度構(gòu)建了三江源地區(qū)多因素非線性回歸模型,與基于NDVI的最佳單因素模型相比,模型RMSE降低了20%。Tang等[16]基于經(jīng)度、植被指數(shù)、光照和土壤因子等環(huán)境變量構(gòu)建隨機(jī)森林模型估算黃河流域草地AGB,結(jié)果表明,該模型性能高于NDVI構(gòu)建的單變量回歸模型。

圖5為最優(yōu)GBRT模型中特征變量重要性排序,重要性得分越高,說明該特征對模型估算結(jié)果貢獻(xiàn)越大。遙感因子特征重要性占比62.06%,其中,GNDVI最高,該指數(shù)使用綠波段代替了NDVI中的紅波段,對葉綠素含量更加敏感,趙翊含等[43]研究表明由綠波段構(gòu)建的植被指數(shù)對高寒草地AGB有重要作用。氣象與地形因子特征重要性占比37.94%,年降水量特征重要性最高,說明年降水量與AGB密切相關(guān)。大量研究也表明[17,44]在青藏高原地區(qū),降水比氣溫對草地AGB影響更大。氣象、地形信息是影響草地AGB的重要環(huán)境因素,降水影響土壤含水量、空氣濕度,溫度影響植被的光合作用、蒸騰作用、呼吸作用[27],地形主要影響氣溫、濕度和光照度[26],以及影響土壤中物質(zhì)、能量的再分配影響植被生長。因此,綜合考慮了氣象、地形和遙感多個因素的最優(yōu)GBRT模型計算效率高,預(yù)測準(zhǔn)確性強(qiáng),在估算青藏高原草地AGB方面具有良好應(yīng)用前景。

圖5 最優(yōu)GBRT模型中特征變量重要性Fig.5 Importance of feature variables in the optimal GBRT model

3.2 青藏高原草地AGB比較

本研究使用最優(yōu)GBRT模型反演了三年青藏高原草地AGB,空間變化呈現(xiàn)自西北向東南方向增加的趨勢,研究結(jié)果與Zhang等[41]、金哲人等[45]一致。AGB平均值范圍為93.63—100.78 g/m2,略高于Zeng等[17](77.12 g/m2),與Zhang等[41](102.40 g/m2)最為接近。研究[17,41]表明過去十幾年青藏高原草地AGB呈上升趨勢,本研究中AGB平均值雖有較小波動,總體仍呈上升趨勢。不同研究中存在AGB估算差異的原因可能是:數(shù)據(jù)來源不同,包括實測AGB數(shù)據(jù)、遙感影像數(shù)據(jù)等。Zeng等[17]研究所用遙感數(shù)據(jù)是空間分辨率為250 m的MODIS數(shù)據(jù),與本研究中數(shù)據(jù)空間分辨率不同。機(jī)器學(xué)習(xí)模型效果易受樣點數(shù)量和分布情況影響[46]。而且,不同研究所用模型不同,也會導(dǎo)致估算差異[47]。

本研究中最優(yōu)GBRT模型具有較高的精度,但機(jī)器學(xué)習(xí)模型性能依賴于訓(xùn)練數(shù)據(jù)。由于交通不便和海拔限制,青藏高原西北部樣點較少,這可能會影響該區(qū)域草地AGB估算的準(zhǔn)確性;此外,AGB樣點大多收集于不同文獻(xiàn),盡管操作人員在測量時嚴(yán)格遵守了相關(guān)規(guī)范,但不同研究的測量方法、樣本選擇可能存在不同,實測數(shù)據(jù)中的不確定性可能會導(dǎo)致估算誤差。未來可繼續(xù)擴(kuò)大樣點數(shù)量,嘗試不同的深度學(xué)習(xí)算法及特征優(yōu)選方法,提升草地AGB遙感監(jiān)測和建模的準(zhǔn)確性。

4 結(jié)論

本研究利用GEE平臺和機(jī)器學(xué)習(xí)算法,結(jié)合詳實的2004—2020年期間青藏高原實測草地AGB數(shù)據(jù),評估了基于不同特征變量構(gòu)建的GBRT模型的性能,估算了青藏高原草地AGB,得到主要結(jié)論如下:

(1)基于單一遙感因子的線性回歸模型性能較差,僅能解釋草地AGB變化的8%—40%?；谌窟b感因子構(gòu)建的GBRT模型測試數(shù)據(jù)集R2為0.55。

(2)基于遙感+氣象、遙感+地形的GBRT模型擬合效果較好,經(jīng)RFE特征篩選后,測試數(shù)據(jù)集R2分別為0.62和0.63,對草地AGB的解釋能力有所增強(qiáng)。

(3)在青藏高原地區(qū),基于氣象、地形和遙感信息構(gòu)建GBRT模型能夠有效提高草地AGB估算精度,模型驗證表明,R2=0.66,RMSE=53.64 g/m2,P<0.01,估測值與實測值吻合性較好,適用于青藏高原草地AGB模擬。

(4)利用最優(yōu)GBRT模型反演青藏高原草地AGB分布圖,呈現(xiàn)東南高,西北低的空間格局。