基于多源遙感數據的草地生物量反演

雷 瑛，劉園園

(1.甘肅省基礎地理信息中心，甘肅 蘭州730030；2.中國地質調查局自然資源綜合調查指揮中心，北京100055)

0 引言

草地分布在全球范圍內,是陸地生態系統的核心組成部分。我國草地資源極其豐富,其覆蓋國土面積的比例高達60%以上,天然草地在陸地面積中占據了41.7%的比例[1]。草地蘊含著巨大的生物儲量,對于維護生態平衡、碳匯、水循環、改善土壤性質、維護草原生態系統、指導放牧決策等都具有重要意義[2]。維持草地生物儲量的穩定,對于生態環境的健康和持續發展起到積極的促進作用。

1960年新發明的遙感技術被人們用在草原出草量變化的監測[3]。80年代起,利用美國國家海洋大氣局的第三代實用氣象觀測衛星TIROS-N/NOAA所采集的遙感數據,國外已開始對草原植被蓋度進行監測研究;利用美國國家航空航天局(National Aeronautics and Space Administration,NASA)的陸地衛星(Landsat)主題成像儀(TM)數據對阿根廷的草退化進行了研究[4]。80年代初,我國引入了遙感技術,使我國的草原生態研究取得了一定進展。趙冰茹等[5]利用美國宇航局研制的中分辨率成像光譜儀系列的歸一化植被指數(Normalized Digital Vegetation Index,NDVI)。何矣等[6]采用線性回歸方法探討了美國陸地衛星計劃的第八顆衛星(Landsat8)影像與地上生物量之間的關系。傳統的監測手段依賴人工上報,頻次不高,不夠及時;僅依靠單一衛星遙感數據進行遙感反演應用存在很多局限。

有學者認為,嘗試多源衛星遙感數據的協同反演,可以克服單一衛星情況下遙感圖像中出現多云霧等不可抗力因素的干擾,同時也消除了原始遙感數據的缺陷和噪聲,對遙感圖像融合有著很大的幫助[7]。近年來,作物生長評估地類變化監測等領域用多時間分辨率遙感圖像融合取得了成功。例如,文獻[8-9]利用時間分辨率更高的中分辨率成像光譜儀(Moderate-resolution Imaging Spectroradiometer,MODIS)多光譜圖像和空間分辨率更高的Landsat多光譜圖像進行融合,在農作物的產量監測和長勢分析中得到了成功的應用。在模型的選擇方面,除了常用的多元回歸模型,還可以用機器學習等其他方法對此進行計算,其中,隨機森林(Random Forest,RF)算法表現出最佳的性能,達到了0.85的高精度[10]。雖然上述方法不同程度嘗試提升生物量反演的成功率及精度,但是由于遙感數據時間序列連續性低及構建經驗關系的地面采樣數據稀疏導致的反演成功率及精度的問題仍有待進一步提升,而這一問題在高分辨率遙感領域更為突出。

隨著遙感技術的發展,較高影像分辨率和較短成像周期在生物量定量估測中起到了重要作用。Landsat8采用陸地成像儀(Operational Land Imager,OLI)作為傳感器類型,其時間分辨率為16 d,空間分辨率為30 m,可獲得更多無云的高品質影像,從而提高對地球環境的認知和保護能力[11-12],在全球變化監測中具有重要作用。我國首個高分辨率衛星高分一號(GF-1),標志著我國衛星技術的重大進步,它搭載全色和多光譜2臺組合相機,重訪周期短、時相多,在農業生態環境觀測中起到重要作用[13]。高分四號(GF-4)衛星發射至36 000 km的地球同步軌道上,衛星搭載了50 m分辨率的可見光、400 m分辨率的中波紅外相機,通過凝視成像光學相機進行高空對地觀測,該技術具備在特定區域長期保持靜止觀測的能力,可廣泛應用于災害風險預警預報、林火災害監測、地震構造信息提取和氣象天氣監測等多個領域[14]?；诋斍斑b感數據反演草原生物量面臨的問題,結合大量在軌且具有高分辨率的各種光學衛星觀測,本文將利用Landsat8、GF-1、GF-4和環境數據,通過多源數據方案初步提升星基遙感參數,比如NDVI時間序列的連續性;然后,通過地理學第一理論思想,將稀疏的、空間不一致的地面采樣數據與目標位置的遙感參數建立空間對應關系,從而構建具有較好時空連續性的星基遙感參數時間序列與地面采樣生物量時間序列的時空匹配。

本文構建了從遙感參數到地面實測草地生物量的經驗模型,實現了基于多源遙感數據的大范圍草地生物量的景區估算。研究內容包括以下幾個部分:第一部分分析了當前草地生物量研究的進展和面臨的問題,針對問題提出解決方案;第二部分介紹了研究數據、理論基礎、研究方法和研究流程;第三部分對實驗結果進行驗證及評價,討論不同方法的優缺點,確定本文方法的特點;第四部分討論了本文的創新點,明確了存在的不足,并提出未來的工作重點。

1 材料與方法

1.1 研究區概況

研究區位于青海省黃南藏族自治州河南蒙古族自治縣(河南縣)境內,平均海拔3 650 m,此處陽光充沛、輻射強度高、熱量較低、氣溫差異顯著。研究區位于高寒氣候區,受地形影響,氣候空間分布不均衡。夏季濕潤,冬季干冷,平均氣溫在-1.35 ℃左右,該地區年均日照2 530～3 100 h,而年降雨量則平均達到579.50 mm[15]。由于氣候條件的差異,研究區植被類型也呈現出空間分布的不均衡性,中西部以高寒草甸和高寒草原為主,而東部以山地草甸為主。整體上屬于典型的高寒草地,頻繁發生自然災害和極端天氣,導致生態系統的脆弱性和易損性增加,同時對氣候變化表現出高度敏感性,進而引發草地年際產量的劇烈波動。為保護好生態環境,促進經濟發展,需要建立完善的草原生態系統監測預警體系。為確保草原生態系統的可持續發展,必須建立一套完備的監測預警機制,以保障生態環境的健康和經濟的繁榮。研究區草場面積65.62萬hm2,草場可利用面積60.88萬hm2,占草場面積的92.78%,在全國范圍內屬于典型的生態脆弱帶之一,是我國重要的畜牧業基地。因為人類活動的頻繁和氣候變暖等因素的影響,草原的生態系統已經遭受了嚴重的破壞,其中以草地沙化和鹽漬化最為突出,是影響牧區生態安全的重要因素之一。在高寒草甸、山地草甸、灌叢草甸、沼澤草甸和疏林草甸五大草場類型中,天然草場總面積的94.19%被山地草甸和灌叢草甸2種草場類型所占據。

1.2 數據來源

1.2.1 草原生物量樣方數據

本文實測數據樣品的采集時間為2018年5—8月,根據行政區劃、植被類型和坡度坡向等需要,共獲得193個地面實測樣本數據,包括經緯度、海拔高度、行政區劃、地貌類型、坡度、植被種類、土壤類型等信息,在每個樣點選取大小為50 cm×50 cm的隨機樣方,齊地剪取所有地上植被,獲取地上生物量鮮重,將樣本帶回并放入75 ℃恒溫烘箱中40 h烘干至恒重后稱干重,計算單位面積地上生物量。樣方的分布情況如圖1所示,樣方基本信息如表1、圖2和圖3所示。

圖1 研究區范圍示意及實測樣方分布(影像采用已處理的成像時間為2018-08-24的GF-1全彩色影像)Fig.1 Map of the study area and the distribution of mea-sured sample plots (The image used is a pre-processed full-color image from GF-1 satellite,captured on August 24, 2018)

表1 實測樣方信息

圖2 實測樣方土壤分布Fig.2 Distribution of measured soil samples

圖3 實測樣方采集時間統計圖Fig.3 Statistical diagram of measured data collection time

1.2.2 遙感數據獲取與處理

本文根據遙感影像數據的特點,利用3種遙感影像數據,分別為Landsat8、GF-1、GF-4遙感衛星。為了保證影像數據成像時間與地面數據調查時間盡量一致,研究選取了2018年5—8月覆蓋研究區實測點及全域、云量≤30%的多源遙感影像,共11景,遙感衛星的具體信息如表2所示。利用遙感圖像處理平臺(ENVI)軟件,對遙感影像的相關數據實施預處理,多源遙感影像數據處理為NDVI的效果如圖4所示[16]。

表2 遙感衛星信息

(a)Landsat8 OLI NDVI (2018-05-09)

(b)GF-4 NDVI (2018-05-15)

(c)Landsat8 OLI NDVI (2018-05-25)

(d)Landsat8 OLI NDVI (2018-06-10)

(e)Landsat8 OLI NDVI (2018-06-26)

(f)Landsat8 OLI NDVI (2018-07-12)

(g)GF-4 NDVI (2018-07-16)

(h)Landsat8 OLI NDVI (2018-07-28)

(i)Landsat8 OLI NDVI (2018-08-13)

(j)GF-1 NDVI (2018-08-24)

(k)Landsat8 OLI NDVI (2018-08-29)

1.2.3 其他數據

考慮到氣候因素對當地高寒植被的影響,收集了當地2018年的氣象數據作為變量參與RF模型的擬合中。所使用的氣象數據包括氣溫(Temperature,Tem)、降水(Precipitation,Pre)、濕潤度指數(K)、實際蒸散量(Actual Evapotranspiration,EVP)和輻射干燥度(Radiation Dryness Index,RDI)五類。環境變量的處理方法為:從2018年青海省氣象臺站下載逐日降雨量、氣溫、經度、緯度和海拔等數據;將逐日數據經過處理,轉化為逐月數據。其中,降雨量被處理成總和值,而氣溫則處理成平均值;使用專業氣象插值軟件ANUSPIN4.36將氣象數據插值為研究區的數據;用地理信息平臺(ArcGIS10.2)處理研究區數據,得到研究區2018年的氣象數據集。

采用數字高程模型(Dynamic Effect Model,DEM)作為高程數據源和氣象數據空間插值的協變量,以實現更高級別的數據處理和分析。地理高程數據集——Shuttle Radar Topography Mission 3(SRTM3)提供了DEM數據,其空間分辨率達到了90 m。具體處理方法為:首先,從網站上下載得到包含中國全部地上國土的DEM圖像,格式為hgt;然后,在ArcGIS10.2中對全部圖像進行格式轉換,將其轉換為.geotiff格式,并拼合成一幅新的圖像;最后,使用研究區邊界剪裁得到研究區的DEM數據。環境變量和DEM信息如表3所示。

表3 環境變量

1.3 研究方法與路線

本文基于Landsat8和GF-1/4多源遙感數據融合技術,獲取時序精度較高時空連續性及空間分辨率的NDVI時間序列,通過時空匹配方法與各樣地實測草地生物量建立時空對應關系,分別擬合草地生物量反演模型并檢驗擬合精度,進而估算研究區的草場生物量,并討論草地生物量的時空分布規律。具體包括以下幾個步驟:① 星基NDVI時間序列與地面樣方草地生物量的時空匹配,分析通過時空匹配方法建立的2個參數的時間序列的相關性是否滿足反演精度需要;② 進行生物量模型構建;③ 基于地理學第一定律思想,嘗試將構建的各個生物量反演模型推廣到整個空間范圍,實現區域草地生物量反演。技術路線如圖5所示。

圖5 技術路線Fig.5 Technical roadmap

1.3.1 多源衛星驅動的NDVI與稀疏樣方數據時間序列的時空匹配

NDVI時序建立及與實測樣方草原生物量的匹配植被指數是根據植被反射波段的特性算出能夠體現地表植物生長狀況的指標,計算方便。從草地地上生物量估算出發,植被指數需要滿足以下條件:波段反射率對綠色植被足夠敏感;紅光受到葉片吸收,波段反射率處于低值;在近紅外波段,葉片對近紅外光反射相較其他波段更強。有研究結果表明, NDVI和比值植被指數(Ratio Vegetation Index,RVI)對綠色植被變化靈敏,能較好地反映出草地的覆蓋度、生物量,與地上凈初級生物量相關性較好[17]。根據實測生物量樣點坐標信息以及實測數據的獲取時間,排除大氣、云層、土壤等環境因素的影響,本文主要應用NDVI作為自變量參與草地生物量模型擬合。NDVI的計算方法如下:

NDVI=(NIR-R)/(NIR+R) ,

(1)

式中:NDVI為歸一化植被指數,R為紅光波段的地表反射率,NIR為近紅外波段的地表反射率[18]。

基于式(1)計算獲取了研究區2018年5—8月的高分辨率NDVI數據時間序列;然而樣方草原生物量數據因人工低效導致無法與NDVI時間序列在相同空間位置實現高時間頻率的匹配,導致2個問題:① 生物量估算模型的構建效率低下;② 基于樣方草原生物量模型的構建如何推廣到更大區域。

本文引入時空匹配模型,通過該模型,在研究區構建單個網格像元為0.2 m×0.2 m的格網,如圖6所示。將網格內的樣方生物量與同時刻同位置的NDVI(Landsat8和GFs 16 m)數據進行匹配;基于地理學第一定律,認為0.2 m像元內的植被反映的物候特性相同,包括其NDVI與生物量的物候變化規律。

圖6 構建研究區格網(影像采用已處理的成像時間為2018-08-24的GF-1全彩色影像)Fig.6 Creating a grid network for the study area (The image used is a pre-processed full-color image from GF-1 satellite, captured on Au- gust 24, 2018)

1.3.2 生物量估算模型構建

(1)基于時間序列的一元回歸模型

一元回歸模型預測草地生物量與植被指數之間存在的關系,與多元回歸模型相比,一元回歸模型更容易理解和解釋。通過簡化模型,可以減少模型錯誤,更好地理解數據模式和趨勢。

在建立草地生物量一元線性模型中,選定像元生物量作為因變量,選取遙感影像提取的NDVI作為自變量,利用EXCEL散點圖分別擬合一元回歸模型,一元回歸方程為:

f(xNDVI)=kxNDVI+b,

(2)

式中:xNDVI為NDVI的值,k、b為參數,可以通過散點圖擬合獲取。

本文采用了十折交叉驗證法來提高模型的精確度和適用性。具體方法是將樣本集按照1∶1的比例分成訓練集和測試集,共有98個樣本用于訓練集,95個樣本用于測試集,利用上述公式建立實地采樣數據和變量之間的一元回歸模型,各時點影像對應的一元回歸模型公式如表4所示。

表4 一元回歸模型構建結果

(2)RF模型

RF模型是分類器,其輸出的類別是由個別樹輸出的類別的眾數而定。

針對一個輸入樣本,N棵樹所呈現的分類結果數量為N。在這種情況下,如何對其進行選擇和排序是非常重要的問題。在此情形下,對其進行篩選和排列是一項至關重要的任務。為了解決這個問題,提出了一種基于RF的聚類方法來幫助用戶確定最適合的類。RF綜合了所有的分類投票結果,篩選出投票次數最多的類別作為最終的輸出,這一引導聚集算法(Bagging)的理念在實踐中得到了廣泛的應用,本文采用Bagging算法的公式如下:

(3)

式中:M為數據集的規模,m為樣本個數,x為環境、植被指數等變量因子。

RF能夠避免過度擬合的問題,并且能夠很好地適應數據的變化,讓預測精度更高并且還能讓泛化能力更強[19-20]。

本文使用RF模型來建立生態環境反演模型,通過2.1節中環境變量與實測草地生物量的相關性分析可以看出,環境變量與研究區生物量的相關性較大,該模型包括氣象因子、地形因子和植被因子等10個環境變量。本文以隨機1∶1的比例構建實測數據訓練集和測試集,選取Lansat8、GF-1、GF-4衛星遙感參與建模。

1.3.3 估算區域草地生物量

基于地理學第一定律,為了計算大區域草地生物量,將研究區劃分為較小的網格,計算一個網格中心點與樣本點中最近的點之間的距離,利用最小距離空間插值的方法,將樣本點對應位置的反演模型擴展到每個網格,用已知點的草地生物估算模型計算最近距離網格的草地生物量,進而估算整個研究區的草地生物量分布情況。最小距離計算如下:

(4)

式中:(x1,y1)為草原生物量模型坐標位置變量,(x2,y2)為目標像元的位置變量。當d最小時,使用距離目標像元最近的草原生物量模型驅動目標像元的草原生物量。

1.4 模型精度評價

決定系數(R2)和均方根誤差(RMSE)是2個廣泛使用的評估模型優劣的指標,有助于對模型的性能進行定量評估。通過對這2個參數的比較,對2種方法在模擬研究中的優缺點進行了評估,并通過實例分析驗證了其結果的合理性。衡量模型對觀測數據的解釋能力,可以采用R2來衡量其擬合程度,這一指標能夠反映出模型的適用性。同時還可根據實際應用需要,確定最佳參數值,使其具有更好的效果。在不同的環境條件下,對該模型進行了模擬實驗。R2的取值被限制在[0,1]。在不同的情形下,R2所蘊含的意義是多種多樣的。隨著R2值的增加,模型對觀測數據的擬合程度得到了顯著提升,從而有效增強了其預測能力。本文將以具體案例為例,探討如何運用最小二乘支持向量機回歸算法進行模型構建和預測。一項衡量模型預測值與實際值差異的指標是RMSE,當RMSE減小時,模型預測結果與實際結果之間的誤差將減小,從而提升了模型的預測能力。為了保證該指標能夠達到較高的數值,就需要根據具體的應用條件確定合理的權重系數和最小二乘估計量的參數估計參數。通過計算,得出了在不同精度要求下選擇最優權重系數和加權最小二乘估計參數的方法,為研究提供了有益的參考。為了驗證這些選擇方法的有效性,本文分別對2種常用的最小二乘法——直接法和間接法作了對比分析。R2和RMSE的計算如下:

(5)

(6)

2 結果與分析

2.1 NDVI與實測草地生物量相關性分析

相關分析是研究2個要素相互間密切程度的一種常用的統計方法,為了選取地上生物量反演模型變量,將采用空間匹配以后的NDVI與生物量時間序列進行相關性分析,本文得到的2018年5—8月河南縣實測樣本的草地生物量與NDVI擬合情況如圖7所示。

圖7 實測樣方數據與NDVI相關性分析圖Fig.7 Correlation analysis between measured data and NDVI

圖7建立了草地生物量與NDVI的相關性矩陣,分析了2018年5—8月河南縣的實測草地生物量與NDVI的相關性, R2的平均值為0.479, RMSE為1.827 kg/km2,說明河南縣草地生物量與NDVI之間存在較顯著的正相關關系,同時表明,基于時間序列的NDVI與樣方生物量相關性可靠,能夠用于進一步的生物量評價,是河南縣草地生物量反演的一種有效方法,有助于更好地監測和評估草地資源的利用和管理。

通過將環境變量與地上生物量進行相關性分析,選擇相關性高的因子作為RF模型的變量,本文計算環境變量與實測草地生物量的相關性系數,結果如表5所示。

表5 環境變量因子與實測樣本相關性分析Tab.5 Correlation analysis between environmental variable factors and measured samples

通過相關性分析發現,除了DEM、RDI與實測樣本數據為負相關外,其余皆為正相關,Pre4-10、Tem4-10變量與實測樣本數據的相關性較好,這些環境因子有助于更好地理解環境條件對草地生物量狀況的影響,從而為生態環境監測和保護提供有力支持。

2.2 與RF方法的比較

本文對2018年5—8月獲取的實測生物量數據進行篩選,在剔除異常值和離群值后,得到193個有效生物量數據參與模型的模擬,這就可以確定生物量估算模型,并對模型精度進行評價。采用一元回歸模型和RF模型2種估算方法,對模型精度進行驗證與評價,結果如表6所示。

表6 一元回歸模型草地生物量反演精度

由表6可以看出,在一元線性的回歸模型當中, R2平均值為0.75, RMSE平均值為1.10 kg/km2,RMSE相對較小,可信度高,可以說明以NDVI為自變量、訓練樣本草地生物量為因變量,按時空匹配擬合的模型效果較好、精度較高。同時,利用預留的95個樣本用于測試集,用R2和RMSE對一元線性回歸模型的數據結果進行驗證,驗證結果中, R2的平均值為0.49,RMSE平均值為3.50 kg/km2,測試模型的R2較訓練集的稍低,總體擬合效果較好。

通過對數據的總體分析發現,按影像時間序列擬合的一元線性回歸模型在6月反演生物量模型的精度更高,主要因為6月是一年中植被生長最旺盛的時期,植被生長的速度和穩定性都比其他月份更好,因此,模型對這一時期的生物量預測更加準確;同時,6月植被的生物量變化與其他生物量變化有較強的相關性,這使得模型能夠更好地捕捉到生物量之間的相關性,從而提高模型精度;由于6月是植被生長的旺季,獲取的影像數據往往具有較高的質量,模型在這一階段的預測更加可靠。

表7為Landsat8、GF-1、GF-4遙感衛星RF模型反演后訓練集和測試集的反演精度。

表7 RF模型草地生物量反演精度

通過表7可以發現,基于RF模型訓練結果Landsat8衛星(R2=0.36,RMSE=11.46 kg/km2)的測試集精度相對GF-1衛星(R2=0.33,RMSE=25.911 kg/km2)、GF-4衛星(R2=0.17,RMSE=20.92 kg/km2)更好,但相關性較小。Landsat8訓練集和測試集的RMSE最低,相比GF-1、GF-4表現更好。

利用2個估算模型擬合結果與實測生物量進行相關性分析,如圖8和圖9所示。

(a)一元線性回歸模型擬合結果與實測生物量(0509)

(b)一元線性回歸模型擬合結果與實測生物量(0515)

(c)一元線性回歸模型擬合結果與實測生物量(0525)

(d)一元線性回歸模型擬合結果與實測生物量(0610)

(e)一元線性回歸模型擬合結果與實測生物量(0626)

(f)一元線性回歸模型擬合結果與實測生物量(0712)

(g)一元線性回歸模型擬合結果與實測生物量(0716)

(h)一元線性回歸模型擬合結果與實測生物量(0728 )

(i)一元線性回歸模型擬合結果與實測生物量(0813)

(j)一元線性回歸模型擬合結果與實測生物量(0824)

(a)隨機森林模型擬合結果與實測生物量(Landsat8)

(b)隨機森林模型擬合結果與實測生物量(GF-1)

(c)隨機森林模型擬合結果與實測生物量(GF-4)

通過圖8一元回歸模型擬合結果與實測生物量散點分布情況,以及圖9 RF模型擬合結果與實測生物量散點分布情況可以看出,2種模型擬合的草地生物量與實測生物量分布較分散,但均具有一定的相關性。

對比上述一元回歸模型及RF模型的精度可以發現,按時序構建的一元回歸模型相比RF模型,R2更高,RMSE也相對較小,具有更高的模型精度,每個時刻具有較好的擬合結果,選取該模型,可更好地估算研究區在一個時間序列上的生物量。RF模型由于進入了更多的環境變量,能夠避免過度擬合的問題,并且能夠很好地適應數據的變化,但該模型的精度較低,因此,綜合考慮,選定一元回歸模型為反演研究區草地生物量模型。

2.3 反演河南縣2018年生長季草地生物量

通過對研究區草地生物量模型精度的驗證,選取一元回歸模型作為估算研究區生物量的模型,利用1.3.3節的最近距離空間插值法,將反演模型導入到每個網格,估算整個研究區的草地生物量分布情況,如圖10所示。

(a)研究區估算草地生物量(2018-05-09)

(b)研究區估算草地生物量(2018-05-15)

(c)研究區估算草地生物量 (2018-05-25)

(d)研究區估算草地生物量 (2018-06-10)

(e)研究區估算草地生物量(2018-06-26)

(f)研究區估算草地生物量(2018-07-12)

(g)研究區估算草地生物量(2018-07-16)

(h)研究區估算草地生物量(2018-07-28)

(i)研究區估算草地生物量(2018-08-13)

(k)研究區估算草地生物量 (2018-08-29)

由圖10可以看出研究區域內顯著的空間和時間層面上的差異。在空間維度上,草地的地上生物量會因地勢的起伏而產生波動;而在時間維度上,草地的地上生物量會伴隨著植被的發育和成熟而發生變動。每年的7—8月,植被步入成熟期,此時草地的生物量也將進入旺盛增長階段。通過上圖可以看到,生物量的估算也遵循了植被的生長規律。

綜合分析研究區地形、地勢和水土條件等因素,計算得到研究區內每個鄉鎮的年平均草地生物量,基本呈現自東向西、自東南向西北遞減的趨勢,與水熱條件分布一致,如表8所示。

表8 研究區草地生物量統計

托葉瑪鄉(43.61 kg/km2)、賽爾龍鄉(42.24 kg/km2)、柯生鄉(41.94 kg/km2)、優干寧鎮(41.38 kg/km2)、多松鄉(40.62 kg/km2)、寧木特鎮(39.65 kg/km2),其中托葉瑪鄉草地生物量較高的主要原因與該區域位于研究區東南方向的地理位置、水熱條件分布較西北更好等因素有關。

3 結束語

本文聚焦于多源衛星遙感數據,從多源遙感數據融合切入,通過一個新穎的時空匹配方法將星基NDVI時間序列與稀疏的實測樣方生物量數據建立時空對應的時間序列對,從而實現高精度草原生物量模型的構建;進一步地,基于地理學第一定律思想,將構建的草原生物量點模型推廣到整個研究區,實現區域草原生物量的精確反演。通過驗證,比較傳統的時空不一致的衛星觀測與實測樣方數據擬合的方案(RF擬合方法),本文方法不但精度更加可靠,且實現了較精確的區域草原生物量估算,實現了河南縣大區域草地生物量的時空分布制圖,并對該區域草地生物量時空分布情況進行了分析。

通過本文,在草地生物量的估計方面,利用多源遙感數據對草地生物量進行反演,可以彌補傳統單一多光譜遙感數據源的局限,提高草原遙感估產精度,為北方草原資源調查、監測、管理及合理利用提供有效技術支撐。

但由于本文的研究數據有限,可能無法代表整個草地生態系統的生物量分布情況。在研究中僅考慮了植被指數與生物量之間的關系,暫未考慮其他影響生物量的因素,如土壤類型、群落套件等,生物量反演模型的精度還有待進一步提高,以滿足更精確的生物量估算需求。基于此,在本文的基礎上,將進一步擴大研究區域,以獲取更全面的草地生態系統生物量分布信息;引入其他影響因素,建立更完善的生物量估算模型;探索更高精度的遙感數據融合方法,以提高生物量反演模型的精度。