基于優化植被指數的蘆葦地上生物量高光譜估算

摘 要：基于93個濕地蘆葦地上生物量（AGB）實測樣本數據和原始光譜（R）反射率及其數學變換，包括一階微分（R′）、二階微分（R\"）、倒數（1/R）和積分（∫R），采用競爭性自適應重加權算法（Competitive Adaptive Reweighted Sampling，CARS），進行敏感波段篩選后，采用逐波段組合法（Band Combination Index， BCI）構建19種不同組合形式的雙波段和三波段優化植被指數，使用極端梯度提升（eXtreme Gradient Boosting， XGBoost），提升回歸樹（Boosted Regression Tree， BRT）和隨機森林（Random Forest， RF）三種算法，基于優化植被指數分別建立蘆葦AGB的預測模型。結果表明：蘆葦AGB與微分變換后的優化植被指數之間的相關性均有所提升，其中經R\"變換的相關系數最大為0.56；XGBoost、BRT和RF基于微分變換構建的AGB模型R2均大于0.5，均可用于濕地蘆葦AGB的估算；經過R\"變換后，RF模型為最優模型，R2為0.65，RMSE為0.234kg/m2，是預測蘆葦AGB的最優模型，可為準確獲取濕地蘆葦AGB提供可靠方法。

關鍵詞：光譜變換；蘆葦AGB；機器學習；逐波段組合法；優化植被指數

中圖分類號：TP79" 文獻標識碼：A" 文章編號：1673-260X（2025）01-0079-07

濕地是在水陸交互作用下，形成的獨特生態系統，是全球氣候變化最為敏感的生態系統之一[1]，具有極高的生態和研究價值，在全球碳循環中發揮著不可替代的作用，在蓄洪防旱、保護生物多樣性、調節氣候等方面，同樣發揮著不可或缺的作用[2]。濕地生態系統十分復雜，濕地植被作為重要組成部分之一，不僅可以保護珍稀鳥類資源、維系生態系統的穩定[3，4]，其地上生物量（Aboverground biomass， AGB）還可以作為濕地生態系統健康的重要指標[5]，是碳循環評估和濕地初級生產力的重要參數[6]。蘆葦濕地具有很強適應性和抗逆性[7]，在陸地生態系統固碳和全球碳循環中發揮著重要作用。因而，如何對區域蘆葦AGB進行監測，并進行定量估算，對濕地資源可持續利用，濕地生態系統管理和發展具有重要意義[8]。

傳統的植被AGB測量方法需要人為進行收割、稱重和記錄，工作量大且費時費力，對植被具有破壞性，并且濕地水文條件復雜，可達性差，使得傳統采集任務更為困難[9，10]，難以實現空間連續的有效觀測。隨著遙感技術的發展，廣泛開展低成本的植被參數無損觀測成為可能[11]。高光譜數據能夠提供連續的波段、豐富的光譜信息，還擁有較高的光譜分辨率，但同時也造成了數據冗余問題[12-14]。光譜指數可以放大植被、土壤等之間的光譜差異[15]。然而，以往研究大多是通過文獻研究等途徑獲得光譜指數，難以保證其與反演參數的相關性。為了提高反演參數的相關性，利用特征波段選擇算法和逐波段組合等方法構建的優化后的光譜指數在植被參數估算等方面已有成效。競爭性自適應重加權算法（CARS）能夠篩選出與植被AGB相關的特征波段，減少光譜冗余波段，夢珊[16]等采用CARS算法進行特征波段篩選，對土壤碳進行了建模估算，最優模型R2為0.81；BCI算法的優點是能夠在保留敏感參數信息的同時減少數據冗余，Fang[17]等在BCI方法的基礎上，利用光譜指數估算了互花米草LAI，模型估算效果較好，RF模型的R2達到0.85。

參數模型和非參數模型是植被AGB估算的常用方法。參數模型易于實現，但難以解決數據間的多重共線性問題。與參數模型相比，隨機森林、提升回歸樹、極端梯度提升等機器學習模型能夠更加靈活處理復雜數據間的關系和噪聲，在解決非線性擬合問題上具有極強的能力[18]，可以提高模型的估測精度，更適用于濕地植被地上生物量的估算[19]。宋柯馨[20]等采用線性模型和RF、XGBoost、SVM等模型，對草地AGB進行建模估算，結果表明RF優于線性模。楊可樂[21]等對竹林AGB進行了建模估算，結果表明XGBoost模型比多元線性回歸模型更適用于竹林AGB估算。雖然RF、XGBoost等方法在植被AGB中有許多潛在的應用，但目前尚缺乏機器學習算法結合高光譜數據對蘆葦AGB進行建模估算。

本文利用實測高光譜數據與蘆葦地上生物量，在SG平滑和光譜變換基礎上，利用CARS和BCI相結合的方法，優化構建不同處理下對蘆葦AGB敏感的高光譜指數，分別采用XGBoost、BRT和RF三種機器學習方法建立蘆葦AGB的估算模型，分析各模型的估測精度，探求可用于估測濕地蘆葦AGB的最優估算方法，以期為估算濕地蘆葦AGB總量提供方法和科學依據。

1 材料與方法

1.1 研究區概況

研究區選擇唐山曹妃甸典型的濱海蘆葦濕地，長度和寬度分別為560m和380m，屬于東部季風區溫帶半濕潤氣候，年均降雨量為636mm，年均溫度為11℃。該地四季分明，濕地生物多樣性豐富，有利于候鳥的遷徙和繁殖棲息。研究區內主要植被為蘆葦，濕地中水源充足，光照良好，人際活動較少，蘆葦植株生長高大、茂盛，實測蘆葦AGB平均干重為1.01kg/m2，平均株高為1.4m。研究區及采樣點如圖1所示。

1.2 數據來源與處理

1.2.1 蘆葦地上生物量采集

于2023年5月31日采集蘆葦地上生物量，依據全面性、代表性和典型性的樣地選取原則[22]，在研究區內隨機選擇樣地，每個樣地之間的間隔約為30～40m，在每個樣地內設置1個樣方，樣方大小為0.5m×0.5m的，記錄每個樣方內的植株密度，以及中心位置的經緯度坐標。對樣方內的蘆葦采用齊根收割方式獲取樣方內植物的地上部分，隨機選取5株，放置于保鮮箱內，迅速帶至實驗室，稱取鮮重，用烘箱105℃條件下進行殺青，時間為2h，然后在85℃條件下進行烘干，烘24h至恒重，再稱量作為干重（精度0.01g）。最終，根據每個樣方內獲得的5株蘆葦的生物量計算出每個樣方內的蘆葦AGB，再將其換算為單位面積內蘆葦的地上生物量，共采集有效蘆葦地上生物量樣本93個。單位面積蘆葦AGB計算公式如下：

AGB=AGBavg×D" （1）

公式（1）中，AGB表示樣地單位面積內蘆葦地上生物量；AGBavg表示樣方內隨機割取的5株樣本蘆葦AGB的均值；D為植株密度，是單個樣方內的蘆葦總株數。

1.2.2 實測高光譜曲線及預處理

高光譜反射率測定于2023年5月31日，光照條件良好、低風無云時進行光譜采集，以避免光照和天氣等外部因素對實測數據的影響。使用ASD Field Spec4野外便攜式高光譜儀，該儀器是由美國ASD（Analytical Spectral Devices）公司生產的。儀器的光譜測定范圍是350～2 500nm，不同波段范圍有著不同采樣間隔，例如在350～1 000nm波段范圍內，采樣間隔為1.4nm。每次測量之前，采用白板進行標定，來保證數據的準確性，每個樣品測取10條光譜曲線。原始光譜曲線處理使用View Spec Pro軟件，導入10條光譜曲線，取平均值。為避免由于環境和儀器等原因產生的誤差，對原始光譜信息進行Savitzky-Golay（SG）算法平滑去噪得到R。對R做4種光譜變換：一階微分（R′）、二階微分（R\"）、倒數（1/R）和積分（∫R），4種變換處理采用Origin Pro 2021完成。

1.3 優化植被指數構建

高光譜數據包含大量波段，存在信息冗余和多重共線性等問題，正確選取對蘆葦AGB敏感性強的波段及波段組合是提高模型擬合精度的關鍵。本文通過CARS選取敏感波段，BCI算法構建雙波段和三波段優化植被指數。

Cars算法是一種敏感波段篩選算法。核心算法是能夠自適應調整各波段的選擇概率，通過等概率采樣來建立PLS模型，依據PLS模型的回歸系數更新各波段的選擇概率，然后引入指數衰減函數來剔除不需要的波段，循環多次直至選擇概率收斂，確定建模所需波段。該算法的模型穩定度較高，能夠通過PLS回歸系數來反映各波段的重要性，避免欠擬合和過擬合現象的產生。

BCI的基本原理是將任意兩個或三個波段組合起來構建植被指數，并與AGB進行線性相關分析，通過比較相關系數得到最優植被指數。優化植被指數具有更高的相關性，能夠更好的提高模型預測的可靠性。本文使用CARS篩選后的敏感波段進行BCI算法，增強其對AGB的敏感性。本研究基于原始和變換光譜構建19個優化植被指數，如表1所示。

1.4 模型構建

本研究使用優化植被指數作為預測蘆葦AGB的輸入變量，同時采用隨機法劃分數據集，70%用于訓練集，30%用于驗證集。為了比較不同模型對于AGB估測的效果，構建了XGBoost、BRT和RF三種模型，使用網格搜索法設置機器學習模型的超參數組合，選擇當RMSE最小時的超參數，作為模型的最優超參數，同時基于十折交叉驗證，來將所有的變量進行遍歷。模型構建基于R語言實現。

1.4.1 極端梯度提升

極端梯度提升（XGBoost）是一個基于決策樹的強大預測模型。該算法采用加權迭代法生成決策樹，下一次迭代生成的決策樹在上一次迭代的基礎上進行訓練，將所有決策樹的結果相加得到預測結果。XGBoost還包括L1和L2正則化項，從而增強模型對難以預測樣本的擬合能力。不同于傳統梯度提升機（GBM），XGBoost模型優化了運行速度，提高了精度。在實際應用中能夠防止過擬合現象的產生，且具有較高的精度。

1.4.2 提升回歸樹

提升回歸樹（BRT）是一種統計模型，結合了回歸樹和增長方法，核心是將多個弱學習器進行組合，形成一個強學習器。基于boosting策略，在每一次的迭代中，初始化數據的權重分布，并使用當前數據權重分布來訓練新的決策樹。與梯度提升樹不同的是該方法在損失函數擬合方面用的是平方損失，以獲得最優損失函數。BRT有很強的適應性，在適應各種類型的變量的同時還能夠處理數據中的缺失值。

1.4.3 隨機森林

隨機森林（RF）是一種基于集成學習思想的算法。該算法由多個決策樹構成，通過決策樹來對數據進行建模，同時將預測的結果進行集成，以提高模型的穩定性和性能。在RF中，每棵決策樹在進行隨機選擇子樣本后，在子樣本上獨立的進行訓練，增加了模型的隨機性，提高了組合決策樹模型對AGB預測的精度，具有較強的抗噪聲性，可以防止過擬合現象的產生[23]。最終的回歸結果是通過將多個決策樹的預測結果進行加權得到的。

1.5 精度評價指標

采用3個指標來對模型的估算效果進行評價：（1）決定系數R2（Determination Cofficient，R2），（2）均方根誤差RMSE（Root Mean Square Error， RMSE），（3）平均絕對誤差MAE（Mean absolute error， MAE）。R2表示自變量和因變量的相關程度，R2的值在0～1之間，R2值越接近于1，表示模型的擬合效果越好；RMSE用于衡量預測值與真實值之間的誤差，RMSE越小，表示模型的預測結果越好；MAE表示絕對誤差的平均值，MAE越小，表示模型的精度越高。計算公式如下：

R2=" （2）

RMSE=" （3）

MAE=" （4）

式中：Yi為實測蘆葦AGB，Y′i為預測蘆葦AGB，為實測蘆葦AGB的平均值，N為樣本數。

2 結果與分析

2.1 蘆葦的光譜特征

對蘆葦原始光譜進行變換后，光譜曲線變化如圖2所示，蘆葦的原始光譜曲線具有典型的健康植被光譜特征。例如，在可見光波段，蘆葦葉片反射率受葉綠素等色素吸收的作用，呈現出較低的反射率；在550nm附近，由于會強烈反射綠光，呈現出反射峰；在670nm附近，葉綠素對紅光進行吸收，呈現吸收谷；在680nm～760nm范圍內蘆葦葉片呈現出反射“陡坡”；在770nm～940nm的近紅外波段內，呈現出極高反射率；而在短紅外波段，呈現出水分吸收谷。數學變換后的蘆葦光譜特性明顯改變。一階微分（R′）的曲線波動劇烈，使得原始光譜的上升和下降趨勢更為明顯；二階微分（R\"）的光譜反射率在0周圍浮動，反映原始曲線的凹凸性；經過倒數（1/R）變換后，蘆葦的光譜反射率曲線整體與原始的相反且更加聚集；經過積分（∫R）變換后，蘆葦光譜曲線呈現出逐漸遞增的趨勢。

2.2 優化植被指數與AGB相關性

由不同變換下的優化植被指數與AGB相關性（表2）可知，AGB與微分變換下的優化植被指數相關性明顯提高，最高可達0.56；進過1/R變換后，優化植被指數與AGB之間的相關性沒有變化；經過∫R變換后，二者相關性反而下降，例如NDVI與AGB的相關性由0.28下降到了0.23。結果表明，對R經過合適的變換能夠消除一定的噪聲，增強植被指數和AGB之間的相關性。在同一變換下，發現三波段優化植被指數的相關性要明顯高于雙波段優化植被指數，如在二階微分變換下，三波段優化植被指數NVI與蘆葦AGB的相關性為0.52，雙波段優化植被指數NDVI與蘆葦AGB的相關性為0.43，表明在三波段選取的光譜信息更為豐富，更好的捕獲了傳統植被反射率指數無法覆蓋的植被信息，使得優化植被指數與蘆葦AGB呈現出強相關性。

2.3 模型對比分析

對蘆葦原始光譜經過4種變換，微分變換后的建模效果顯著優于倒數和積分變換，見表3。原始光譜經過微分變換后，反射率與蘆葦AGB之間的關系轉換為了反射率的斜率與蘆葦AGB之間的關系，有效消除了反射率中存在的噪聲；倒數變換在3種建模方法中與原始數據表現相近，表明簡單的算術運算并不能充分挖掘出光譜中的有效信息；積分變換后的建模效果有所降低，表明積分變換不能提高對蘆葦AGB的敏感性。由此表明對R經過合適的變換能夠更好的消除外界因素對植被指數的影響，以增強優化植被指數對蘆葦AGB的敏感性。

三種機器學習算法中，微分變換下的優化植被指數建立的模型R2均高于經其他變換所建立模型的R2，而RMSE和MAE的值則要低于其他（表3）。例如，RF中二階微分（R\"）變換下的優化植被指數建立的模型效果最好，R2為0.65，RMSE為0.234 kg/m2，MAE為0.196kg/m2，與原始光譜（R）相比，R2提升了38.3%，RMSE和MAE分別降低了11.7%和12.5%。而不同變換對不同模型的估測效果有著顯著差異，XGBoost模型R2集中于0.35～0.58，BRT模型R2集中于0.36～0.57，RF模型R2集中于0.43～0.65；在XGBoost模型中，估測效果最好的是一階微分（R′）變換，而在BRT模型和RF模型中，建模效果最好的是二階微分（R\"）變換。綜合評價以RF與二階微分（R\"）變換建模效果最好，模型R2為0.65，RMSE為0.234kg/m2，MAE為0.196kg/m2。

利用優化植被指數和3種回歸模型進行建模，圖3顯示了3種回歸模型各自的最優模型蘆葦AGB實測值和預測值的散點圖，從圖中可以看出，RF模型的蘆葦AGB實測值和預測值的擬合曲線比XGBoost和BRT更接近1：1線，其次是BRT和XGBoost模型，結果表明，RF模型的預測值更接近實測值，更適用于估算蘆葦AGB。

3 結論

基于3種回歸模型和優化植被指數建立蘆葦AGB的高光譜預測模型，重點討論了不同變換下建立的蘆葦AGB回歸模型的估測效果，表明對光譜進行微分變換可以有效提升蘆葦AGB的建模估測精度，具體結論如下：

（1）對原始光譜反射率進行變換后提取優化植被指數，發現三波段優化植被指數與蘆葦AGB的相關性要高于雙波段，表明三波段選取的光譜信息更為豐富，更好的捕獲了傳統植被反射率指數無法覆蓋的植被信息，使得優化植被指數與蘆葦AGB呈現出強相關性。

（2）基于優化植被指數建立XGBoost、BRT和RF三種模型，微分變換后的建模效果顯著優于倒數和積分變換，表明微分變換可以有效消除誤差，提高優化植被指數對蘆葦AGB的敏感性。

（3）基于R\"變換下建立的RF模型R2是0.65，RMSE是0.234kg/m2，MAE是0.196kg/m2，是預測濕地蘆葦AGB的最優模型。

——————————

參考文獻：

〔1〕董李勤，章光新.全球氣候變化對濕地生態水文的影響研究綜述[J].水科學進展，2011，22（03）：429-436.

〔2〕Barbier B E， Hacker D S， Kennedy C， et al. The value of estuarine and coastal ecosystem services[J]. Ecological Monographs，2011，81（02）：169-193.

〔3〕唐娜，崔保山，趙欣勝.黃河三角洲蘆葦濕地的恢復[J].生態學報，2006，（08）：2616-2624.

〔4〕程嘉偉，鄧昶身，魯長虎.蘇州太湖湖濱人工種植和原生蘆葦濕地鳥類群落[J].動物學雜志，2014， 49（03）：347-356.

〔5〕田艷林，劉賢趙，毛德華，等.基于MODIS數據的松嫩平原西部蘆葦濕地地上生物量遙感估算[J].生態學報，2016，36（24）：8071-8080.

〔6〕Jensen D， Cavanaugh C K， Simard M， et al. Integrating Imaging Spectrometer and Synthetic Aperture Radar Data for Estimating Wetland Vegetation Aboveground Biomass in Coastal Louisiana[J]. Remote Sensing，2019，11（21）：2533.

〔7〕梁雪，賀鋒，徐棟，等.人工濕地植物的功能與選擇[J].水生態學雜志，2012，33（01）：131-138.

〔8〕厲成偉，趙萌，陶燕東，等.濱海濕地植被-土壤相互作用及其對沉積環境分異的響應格局[J].生態學雜志，2018，37（11）：3305-3314.

〔9〕劉潤紅，梁士楚，趙紅艷，等.中國濱海濕地遙感研究進展[J].遙感技術與應用，2017，32（06）：998-1011.

〔10〕朱遠輝，柳林，劉凱，等.紅樹林植物生物量研究進展[J].濕地科學，2014，12（04）：515-526.

〔11〕Bilige S， Guangzhi R， Suri G， et al.Retrieving SPAD Values of Summer Maize Using UAV Hyperspectral Data Based on Multiple Machine Learning Algorithm[J]. Remote Sensing，2022，14（21）：5407-5407.

〔12〕Anting G， Wenjiang H， Yingying D， et al. Wheat Yellow Rust Detection Using UAV-Based Hyperspectral Technology[J]. Remote Sensing，2021，13（01）：123-123.

〔13〕Milica C， Kang Y， Mladen T， et al. Hyperspectral Vegetation Indices to Assess Water and Nitrogen Status of Sweet Maize Crop[J]. Agronomy，2022，12（09）：2181-2181.

〔14〕孫煜焱，董建軍，王秀梅.基于ASD地物光譜儀反演錫林郭勒典型草原地上生物量模型研究[J].草地學報，2024，32（07）：2234-2244.

〔15〕Wenjing F， Hongfen Z， Shuai L， et al. Rapid Identification of Main Vegetation Types in the Lingkong Mountain Nature Reserve Based on Multi-Temporal Modified Vegetation Indices[J]. Sensors，2023，23（02）：659-659.

〔16〕孟珊，李新國，焦黎.基于CARS算法的湖濱綠洲土壤表層有機碳估算[J].環境科學與技術，2022，45（08）：218-225.

〔17〕Fang H， Man W， Liu M， et al. Leaf Area Index Inversion ofSpartina alternifloraUsing UAV Hyperspectral Data Based on Multiple Optimized Machine Learning Algorithms[J]. Remote Sensing，2023，15（18）：115-121.

〔18〕張清文，吳風華，宋敬茹，等.基于光譜變換的濱海濕地土壤全氮含量建模預測[J].土壤，2023，55（04）：880-886.

〔19〕Prakriti S， Larry L， Jiyul C， et al. Above-Ground Biomass Estimation in Oats Using UAV Remote Sensing and Machine Learning[J]. Sensors，2022，22（2）：601-601.

〔20〕宋柯馨，蔣馥根，胡宗達，等.西藏自治區草地地上生物量遙感反演研究[J].生態學報，2023，43（13）：5600-5613.

〔21〕楊可樂，譚艷，郭孝玉，等.集成多源遙感與極限梯度提升的竹林地上生物量估測[J].森林與環境學報，2024，44（04）：431-440.

〔22〕楊曉蕪，滿衛東，劉明月，等.浙江濱海濕地互花米草生物量遙感估算模型研究[J].遙感技術與應用，2023，38（06）：1445-1454.

〔23〕Yue J， Yang G， Tian Q， et al. Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2019，150226-244.