2023, Vol. 43文章信息
- 聂磊超, 崔丽娟, 刘志君, 窦志国, 翟夏杰, 李伟
- NIE Leichao, CUI Lijuan, LIU Zhijun, DOU Zhiguo, ZHAI Xiajie, LI Wei
- 盐城滨海湿地优势植物碳氮磷生态化学计量高光谱反演
- Hyperspectral inversion of carbon, nitrogen and phosphorus stoichiometry of dominant plants in Yancheng Coastal Wetland
- 生态学报. 2023, 43(12): 5173-5185
- Acta Ecologica Sinica. 2023, 43(12): 5173-5185
- http://dx.doi.org/10.5846/stxb202202280471
-
文章历史
- 收稿日期: 2022-02-28
- 网络出版日期: 2023-02-10
2. 湿地生态功能与恢复北京市重点实验室, 北京 100091
2. Bejing Hanshiqiao National Wetland Ecosystem Research Station, Beijing 100091, China
碳、氮、磷是植物最基本的生命元素, 在植物生长和生理功能调节方面发挥着重要的作用[1]。近年来越来越多的学者从化学计量的角度分析湿地生态系统中养分分配、物质循环等特征及其与生境的关联, 这种方法称为“生态化学计量法”, 其主要是碳氮磷元素的比值(C: N: P)[2—4]。生态化学计量可以揭示生物元素组成差异对生态功能的影响, 可以成功地将分子到生物、生态系统到生物圈等不同尺度的不同研究学科联系起来[5]。湿地植物是湿地生态系统的重要组成部分, 具有指示环境特征、固定能量和净化污染物的功能, 具有极高的生产力[6]。湿地植被的生态化学计量特征能直接反映其生长状况, 对评价湿地生态系统健康状况具有重要的意义[7—8]。
研究湿地植物的碳、氮、磷等生态化学计量特征为理解植物的生存和适应策略提供了有效手段, 因而需要有效可靠的生态化学计量特征的检测方法。然而, 传统的化学计量监测方法多为取样带回实验室进行化学分析, 这类方法虽然精度较高但对植物造成严重损害, 且耗费极大人力物力, 无法适用于长期和大尺度监测。除此之外湿地的复杂环境也为植物样本采集带来了一些挑战, 使得难以实现长期动态监测[9]。因此需要对实现植物生长状况和植物化学计量特征的快速无损监测方法进一步探究。近年来, 遥感技术因其观测尺度大、快速高效、破坏性小等优点, 提供了一条动态可行的即时监测植物生长状况和量化植物生态化学计量特征的替代方法[10]。但在面对湿地生态环境存在的生物多样性高、水文条件复杂等特殊情况时, 常用的遥感手段有着分辨率较大、像素点混合的缺点, 而高光谱遥感技术能通过植被冠层微弱的光谱响应生态化学计量特征含量变化, 因而, 可利用高光谱遥感估算湿地植被元素含量。具体来说, 由于植物冠层结构直接受到碳、氮、磷元素的影响, 进而影响植被的光谱反射率, 因而可以通过高光谱遥感技术监测植物生长状况[11]。
诸多学者对高光谱反演植物组成元素含量进行了广泛的研究, 并发现了不同元素类型对应光谱带的变化差异[12]。目前, 对于高光谱数据反演植被元素已经取得了很大的进展, 但是对于湿地植物的研究主要集中某一指标(如氮、磷、叶绿素)的研究, 而对于生态化学计量的研究较为少见[13—15]。偏最小二乘回归模型(Partial Least Squares Regression, PLSR)集合了普通多元回归、主成分分析和典型相关分析思想, 在观测量小于变量数时及多因变量对多自变量时有着一般最小二乘回归分析方法所没有的优点, 在预测植被生化参数时是十分有效方法之一[16, 17]。随机森林(Random Forest, RF)和反向传播神经网络(Back Propagation Neural Network, BPNN)等方法是基于大样本数据的机器模型, 具有较强的自我学习能力且有着不易过拟合、普适性广的优点, 因而被应用于植被元素含量时具有较强的预测能力[18—20]。本研究以滨海湿地优势植物为研究对象, 基于BPNN、RF和PLSR模型探讨湿地植物冠层高光谱数据与植物生态化学计量特征之间的关系, 筛选针对不同湿地植物的最佳反演模型, 为利用高光谱数据估算和动态监测湿地植物生态化学计量提供科学依据。
1 材料与方法 1.1 研究区概况盐城滨海湿地是我国最为典型的滨海湿地生态系统, 本研究区位于大丰麋鹿国家级自然保护区(32°58′—33°03′N, 120°47′—120°53′E)内, 处于江苏省盐城市东部的黄海之滨, 属亚热带暖温带过渡地带, 有明显的海洋性和季风性气候特征, 雨热同期, 年平均降水量为1068 mm, 年平均气温14.1 ℃。保护区平均海拔2 m, 为淤涨型冲积平原淤泥质滩涂, 不规则半日潮。保护区植被有互花米草(Spartina alterifora)、芦苇(Phragmites australis)、白茅(Imperata cylindrica)、柽柳(Tamarix chinensis)、盐地碱蓬(Suaeda salsa)等[21]。
1.2 数据获取 1.2.1 高光谱数据获取于2018年7月在保护区开展数据采集, 在距海岸300 m范围内, 选择5种优势植物白茅、柽柳、互花米草、盐地碱蓬和芦苇对植被情况进行踏查, 此时正值生长季植物生长旺盛, 选择长势健康生长状况相似的区域设置样方。每种优势植物各设置60个样方, 共计300个样方随机分布, 样方选择均为单一优势植物群落, 样方的尺寸为1 m×1 m, 样方间隔在10 m以上。
使用ASD FS4(Analytical Spectral Devices, Inc., Boulder, CO, 美国)便携式地物波谱仪采集植物植株的冠层光谱数据, 光谱波段范围为350—2500 nm, 采样间隔为1 nm。在测量过程中保持探头位于样方的正中央, 光纤视场角为25°, 光纤探头与植物冠层距离始终保持在1 m。采样时间为10:00至14:00, 此时太阳仰角大于45°, 保证了良好的光照条件。每个样方光谱数据采集均使用参考面板进行校正, 为了确保植物生态化学计量特征的精确反演, 每个样点采集10个光谱数据集, 并进行平均处理作为每个采样点的光谱读数来使用。
1.2.2 植物碳、氮、磷元素测定获取样方内地上植株用于植物碳、氮、磷元素测定, 在干燥箱中于105 ℃处理30 min杀青, 然后在80 ℃干燥直至达到恒定质量。将干燥的植物粉碎并过筛。使用元素分析仪(vario EL Ⅲ, CHNOS元素分析仪, Elementar Analysensysteme GmbH, 德国)测定植物全碳和全氮含量, 使用紫外-可见分光光度计(UV-2550, 紫外-可见分光光度计, 日本岛津)测定植物全磷含量。
1.2.3 高光谱数据预处理通过ViewSpec Pro 6.0、Origin 2016等软件对植物冠层高光谱数据进行预处理, 剔除受大气水汽影响较大而导致反射率异常的波段, 并将在每个样点采集得到的10条光谱数据的平均值作为该样点的反射光谱数据导出。为避免过窄的波段导致数据出现冗余, 选择将相邻的10个波段的通过求平均值来完成对光谱数据的平滑处理[22]。为了提高反演精度, 根据前人的研究基础[23], 选择对冠层原始光谱反射率进行一阶微分(First derivative, FD)转换, 公式为：
|
式中, λi为每个波段的波长, FDR(λi)为波长λi处的一阶微分光谱值, Δλ为波段i到波段i+1的波长值。
1.2.4 数据分析及模型评价高光谱数据波段多存在数据冗余情况, 为提高模型精度, 将冠层原始光谱反射率通过一阶微分后作为自变量, 与植物碳、氮、磷生态化学计量进行皮尔逊相关性分析, 选取显著相关(P＜0.05)的波段做为敏感波段, 此过程基于R语言实现[24]。基于筛选出的敏感波段, 依托Weka3.8软件构建优势植物生态化学计量特征的BPNN、PLSR、RF预测模型。将每个物种的60个样本分配为两组：随机选择2/3样本数据用于模型建立, 剩余1/3样本数据用于模型验证。模型反演精度通过决定系数(R2)、均方根误差(Root-mean-square error, RMSE)来进行评价, R2越大, RMSE越小, 说明建模精度越高[25]。
2 结果 2.1 滨海湿地优势植物碳氮磷生态化学计量特性分析白茅、柽柳、互花米草、盐地碱蓬和芦苇五种优势植物的生态化学计量存在一定的差异(图 1), 在滨海湿地生态系统中发挥的作用与角色也不同。白茅和柽柳的全碳(TC)含量均值最高, 且两个物种没有显著差异, 盐地碱蓬的TC含量均值最低, 与其他物种存在显著差异；柽柳的全氮(TN)含量均值最高, 显著区别于其他物种；全磷(TP)含量均值为柽柳>互花米草>盐地碱蓬>芦苇>白茅。白茅碳氮比(C/N)、碳磷比(C/P)均值显著高于其余物种；氮磷比(N/P)均值最高的是柽柳, 顺序为柽柳>芦苇>盐地碱蓬>互花米草>白茅。
|
| 图 1 五种植物的碳、氮、磷生态化学计量特征 Fig. 1 Ecological stoichiometric characteristics of carbon, nitrogen and phosphorus in five plants 不同的小写字母(a、b、c、d)代表不同物种碳、氮、磷生态化学计量的显著差异(P < 0.05) |
为减小周围环境对冠层光谱的影响, 研究将一阶微分后的光谱数据与湿地优势植物碳、氮、磷生态化学计量进行相关性分析, 剔除光谱曲线存在异常波动的1300—1500 nm、2300—2500 nm波段区域, 得到图 2。研究发现一阶微分处理后350—800 nm波段的相关性相对较低, 但此波段相关性表现较为稳定。碳、氮、磷生态化学计量与一阶微分处理后光谱既有正相关的波段, 也有负相关的波段, 且呈正相关的波段多。
|
| 图 2 白茅的一阶微分光谱反射率与碳、氮、磷生态化学计量特征的相关性 Fig. 2 Correlation between first-order differential spectral reflectance and eco stoichiometric characteristics of carbon, nitrogen and phosphorus of Imperata cylindrica |
|
| 图 3 柽柳的一阶微分光谱反射率与碳、氮、磷生态化学计量特征的相关性 Fig. 3 Correlation between first-order differential spectral reflectance and eco stoichiometric characteristics of carbon, nitrogen and phosphorus of Tamarix chinensis |
|
| 图 4 互花米草的一阶微分光谱反射率与碳、氮、磷生态化学计量特征的相关性 Fig. 4 Correlation between first-order differential spectral reflectance and eco stoichiometric characteristics of carbon, nitrogen and phosphorus of Spartina alterifora |
|
| 图 5 盐地碱蓬的一阶微分光谱反射率与碳、氮、磷生态化学计量特征的相关性 Fig. 5 Correlation between first-order differential spectral reflectance and eco stoichiometric characteristics of carbon, nitrogen and phosphorus of Suaeda salsa |
|
| 图 6 芦苇的一阶微分光谱反射率与碳、氮、磷生态化学计量特征的相关性 Fig. 6 Correlation between first-order differential spectral reflectance and eco stoichiometric characteristics of carbon, nitrogen and phosphorus of Phragmites australis |
根据反演精度结果(图 7)显示BPNN模型对湿地优势植物生态化学计量具有较高的预测精度, 其中该模型对C/N的预测精度最高, 五种优势植物R2最高与最低分别为盐地碱蓬0.90、白茅0.61, 对于N/P的预测精度最低, R2最高与低分别为芦苇0.77与白茅0.32；盐地碱蓬TC、TN与白茅TP所建立预测模型的RMSE值相较于其他优势植物更高, 白茅的C/N与互花米草的C/P的RMSE值大于其他优势植物。综合来看使用BPNN模型进行碳、氮、磷生态化学计量的反演预测效果最好的物种为盐地碱蓬, 其中对TN和C/N的R2分别达到了0.86和0.90；BPNN模型对TC、TN和TP的预测精度要明显高于C/N、N/P、C/P的预测精度。
|
| 图 7 BPNN回归模型生态化学计量测定值与预测值的比较 Fig. 7 Validation and prediction of BPNN regression model |
在植物生态化学计量反演方面RF回归模型一直是一个表现优异的热门模型, 在对五种优势植物的TC、TN、TP反演中(图 8), R2均大于0.61, 其中白茅的反演效果相对较差, TC、TN、TP的反演R2分别为0.69、0.76、0.61；而其余四种优势物种的TC、TN、TP的反演R2均在0.62—0.90之间, 反演效果可靠。白茅的C/P、N/P与柽柳的C/N的R2低于其他物种, 分别为0.56、0.53与0.71。其余物种的C/N、N/P、C/P比R2均在0.72以上, 芦苇的C/N、N/P、C/P相较于其他物种反演的R2表现最好, 其中C/N的R2最高, 达到了0.90。五种优势植物的C/P比的RMSE相较于其他反演指标的RMSE要更大, TN、TP的RMSE值相较于其他指标的RMSE要更小。整体来看随机森林模型对TC、TN和TP的预测精度要稍高于C/N、N/P、C/P的预测精度。
|
| 图 8 RF回归模型生态化学计量测定值与预测值的比较 Fig. 8 Validation and prediction of RF regression model |
PLRS模型对于小样本的植物生态化学计量预测具有较良好的反演精度(图 9)。在TC、TN、TP的反演中R2最高可达0.86, 且大多数均达到了0.60以上。而在对于C/N、N/P、C/P的反演中R2除白茅C/N与芦苇C/P外均达到了0.67以上, 最高R2达到0.90, 相较于BPNN、RF模型获得了更加良好的反演效果。白茅与芦苇C/P比的RMSE值在所有反演指标的RMSE中最高, 分别为49.67和20.85, 除C/P以外的其他反演指标的RMSE均小于10.00, 最低值是互花米草和芦苇的TP均为0.04。互花米草C/P值的RMSE值整体最低, 最高值仅为10.83, 最低为0.04。
|
| 图 9 PLSR回归模型生态化学计量测定值与预测值的比较 Fig. 9 Validation and prediction of PLSR regression model |
研究通过R2与RMSE这2项指标对利用不同模型反演的5种优势植物碳、氮、磷生态化学计量的稳定性与拟合性进行评价。由表 1分析, 在白茅碳、氮、磷生态化学计量反演中三种模型对于TC反演效果最好的是BPNN模型, R2为0.72, RMSE为3.17, 略好于其他两种模型的反演效果；TN的验证集反演中模型效果最好的是RF模型, R2为0.76, RMSE为0.57；TP的验证集反演中RF模型的效果最佳, R2为0.61, RMSE为0.21；C/N的反演预测表现最佳的是RF模型, R2为0.74, RMSE为7.88；对于C/P与N/P的预测能力最强的均是PLSR模型, R2分别为0.79和0.77, RMSE分别为49.67和0.51, 明显优于两种模型的反演效果。综上结果可知, 在对白茅碳、氮、磷生态化学计量反演中, 三种模型的预测能力强弱表现为RF模型>PLSR模型>BPNN模型。而在对柽柳与芦苇的碳、氮、磷生态化学计量反演中, 通过RF模型进行预测的表现均最佳。由此可知, RF模型对柽柳与芦苇生态化学计量特征反演的预测能力和拟合性最好。三种模型在对互花米草的碳、氮、磷生态化学计量反演中, 效果最佳的为PLSR模型, 对其TC、TP、C/N和C/P的预测能力均表现最优, R2分别达到了0.81、0.85、0.81和0.79, RMSE分别为1.95、0.04、0.87和10.83。而BPNN模型在对盐地碱蓬的碳、氮、磷生态化学计量反演中表现优于其他两种模型, 在对盐地碱蓬的TC、TN与C/N的预测能力均表现优良, R2分别为0.69、0.85和0.90, RMSE分别为3.76、0.80和3.23。通过总体对比三种模型对五种优势植物的预测效果, 可以发现RF模型的适用性更强, PLSR模型的表现稍次之, 而BPNN模型的效果最差。
| 因子 Parameters |
指标 Index |
白茅Imperata cylindrica | 柽柳Tamarix chinensis | 互花米草Spartina alterifora | 盐地碱蓬Suaeda salsa | 芦苇Phragmites australis | ||||||||||||||
| RF | PLSR | BPNN | RF | PLSR | BPNN | RF | PLSR | BPNN | RF | PLSR | BPNN | RF | PLSR | BPNN | ||||||
| 总碳TC/(g/kg) | R2 | 0.69 | 0.66 | 0.72 | 0.79 | 0.53 | 0.58 | 0.71 | 0.81 | 0.77 | 0.62 | 0.44 | 0.69 | 0.69 | 0.69 | 0.56 | ||||
| Total carbon | RMSE | 3.9 | 2.56 | 3.17 | 8.31 | 5.74 | 9.93 | 5.38 | 1.95 | 4.07 | 11.59 | 8.48 | 3.76 | 2.31 | 1.01 | 13.83 | ||||
| 总氮TN/(g/kg) | R2 | 0.76 | 0.58 | 0.67 | 0.83 | 0.56 | 0.69 | 0.88 | 0.86 | 0.72 | 0.71 | 0.76 | 0.86 | 0.9 | 0.85 | 0.62 | ||||
| Total nitrogen | RMSE | 0.57 | 0.34 | 0.9 | 2.48 | 1.25 | 4.99 | 0.35 | 0.15 | 0.45 | 0.66 | 0.32 | 0.7 | 0.66 | 0.24 | 0.68 | ||||
| 总磷TP/(g/kg) | R2 | 0.61 | 0.59 | 0.27 | 0.85 | 0.61 | 0.76 | 0.83 | 0.85 | 0.66 | 0.88 | 0.77 | 0.59 | 0.77 | 0.61 | 0.64 | ||||
| Total phosphorus | RMSE | 0.21 | 0.11 | 0.37 | 0.14 | 0.09 | 0.12 | 0.12 | 0.04 | 0.23 | 0.1 | 0.05 | 0.1 | 0.08 | 0.04 | 0.16 | ||||
| 碳氮比 | R2 | 0.74 | 0.5 | 0.61 | 0.71 | 0.69 | 0.69 | 0.76 | 0.81 | 0.69 | 0.72 | 0.76 | 0.9 | 0.9 | 0.86 | 0.62 | ||||
| Ratio of C/N | RMSE | 7.88 | 4.82 | 11.77 | 3.4 | 1.65 | 9.19 | 2.23 | 0.87 | 3.61 | 2.22 | 0.89 | 3.23 | 3.21 | 1.13 | 2.28 | ||||
| 碳磷比 | R2 | 0.56 | 0.79 | 0.45 | 0.9 | 0.77 | 0.81 | 0.77 | 0.79 | 0.59 | 0.9 | 0.9 | 0.62 | 0.83 | 0.58 | 0.69 | ||||
| Ratio of C/P | RMSE | 131.12 | 49.67 | 308.57 | 28.85 | 17.47 | 32.2 | 25.98 | 10.83 | 46.54 | 27.55 | 14.31 | 43.13 | 31.08 | 20.85 | 60.12 | ||||
| 氮磷比 | R2 | 0.53 | 0.77 | 0.32 | 0.74 | 0.67 | 0.62 | 0.86 | 0.76 | 0.62 | 0.92 | 0.92 | 0.67 | 0.79 | 0.72 | 0.77 | ||||
| Ratio of N/P | RMSE | 1.53 | 0.51 | 2.81 | 1.01 | 0.44 | 1.5 | 0.48 | 0.25 | 0.67 | 1.3 | 0.67 | 1.74 | 0.92 | 0.44 | 2.8 | ||||
| RF：随机森林Random Forest；BPNN：反向传播神经网络Back Propagation Neural Network；PLSR：偏最小二乘回归模型Partial Least Squares Regression；RMSE：均方根误差Root-mean-square error | ||||||||||||||||||||
生态化学计量特征随环境的变化出现的差异, 可以反映植物个体乃至功能群体对环境适应的生态策略, 其中碳、氮、磷作为生命体中的大量元素与植物生长密切相关, 是生态化学计量学的重要内容[26]。滨海湿地植物的生长繁殖主要受水文过程的影响, 不同水位高程的植物水淹程度不同导致植物出现不同的适应性生长[27]。本研究中盐地碱蓬TC含量显著低于其他物种, 盐地碱蓬的生物量明显低于其他物种。原因可能是由于盐地碱蓬主要生长于近滩涂地带, 加之植株较为低矮易受水淹。本研究中柽柳的TN含量显著大于其他物种, 且TP含量也处于较高水平, 这可能是由于柽柳是五种优势物种中唯一的木本植物具有较高的生物量。C/N比值在一定程度上可以反映植物碳氮代谢的强弱, 与植物养分利用效率成正比, 对调节植物生长有极其重要的作用[28]。本研究选取的五种滨海湿地优势植物的C/N均较高, 表明这些优势物种的养分利用效率均较高。有研究认为, 当N/P比值＜14时, N是限制植物生长的主要因素[29], 而本研究中选择的湿地植物N/P比值基本均低于14, 说明这五种湿地植物的生长主要受N元素的限制。
3.2 湿地植物高光谱反演的影响差异滨海湿地植被由于群落组成复杂、冠层光谱相似度高的特点而导致其一直是遥感监测的困难领域[30]。而高光谱具备的多波段、高分辨率等优点, 使得高光谱可以被应用于湿地植物遥感监测中, 在对植物生态化学计量反演上具有较高的精度[31—33]。不同物种由于冠层结构的差别导致光谱数据存在明显差异, 这一差异在通过敏感波段处理后被进一步放大, 体现为不同物种生态化学计量特征的敏感波段也存在明显不同, 这在模型建立时是值得关注的地方[34]。本研究对光谱数据进行了统一的一阶微分转换, 但不同的预测模型, 预测精度的高低取决于较多因素, 如样本量、特征向量等；一般来说, 植被覆盖度越大, 光谱特征受下垫面的影响越小[35]。盐地碱蓬的碳氮磷化学计量反演模型精度相对低于柽柳、芦苇与互花米草模型反演的精度, 原因可能是因为盐地碱蓬的植被覆盖度相对较低, 光谱采集时受下垫面反射影响较大, 自变量增大导致建模精度下降；而柽柳与互花米草的化学计量反演模型精度较高, 可能与其植被覆盖度较高, 光谱特征受下垫面影响较小有关[36—37]。
3.3 模型方法对湿地植物高光谱反演精度的影响当前已有众多学者对互花米草、盐地碱蓬、芦苇等湿地植物做出了大量研究, 左雪燕等[38]对江苏盐城的互花米草功能性状利用逐步回归模型(Stepwise Regression, SR)、RF、BPNN、支持向量机(Support Vector Machines, SVM)共4种模型进行反演建模, 认为RF模型对互花米草的反演精度最高；而在Cui等[39]对芦苇的3种元素及3种生态化学计量特征的建模反演中, 得出RF模型的反演精度最高, 与本研究的结果相符(表 2)。
| 指标 Index |
物种 Species |
R2 | RMSE | 模型 Model |
参考文献 References |
本研究R2 The R2 of this study |
本研究RMSE The RMSE of this study |
| TN | 芦苇 | 0.43 | 0.53 | PLSR | Zhang等，2019[43] | 0.85 | 0.24 |
| TN | 0.87 | 0.57 | PLSR | 王莉雯等，2016[44] | |||
| TC | 0.91 | 0.31 | RF | Cui等，2020[39] | 0.69 | 2.31 | |
| TP | 互花米草 | 0.70 | 0.03 | RF | 左雪燕等，2021[38] | 0.83 | 0.12 |
| C/N | 芦苇 | 0.92 | 3.83 | BPNN | Cui等，2020[39] | 0.62 | 2.28 |
| N/P | 0.84 | 2.91 | BPNN | 0.69 | 60.12 | ||
| C/P | 0.90 | 10.22 | BPNN | 0.77 | 2.80 |
不同数据转换方法与不同模型相结合所适用的范围也存在差异, 如RF模型善于处理非线性多元复合回归问题, 易于提高性能, 不易过拟合, 处理大数据集时效率高、速度快, 对结果可解释, 适用于湿地植物的生态化学计量特征反演[38]。而PLSR模型在处理多元线性回归中的多重共线性时有较好的效果, 但在处理包含较多异常变量的样本库时, 提取的自变量往往难以准确[40—41], 导致建模精度降低。BPNN模型存在建模精度较高、验证精度较低的情况, RMSE值较大, 预测值离散程度较严重。这可能与BPNN模型具有一定的推广概括能力, 在建模时易出现过拟合现象[42], 导致验证精度较差。
4 结论本研究发现不同模型对碳、氮、磷生态化学计量特征反演效果表现存在差异, 植物TC、TN、TP的反演精度要明显高于对C/N、C/P、N/P的反演精度, 表明现阶段基于高光谱反演C/N、C/P、N/P还有待进一步完善；本研究发现在比较模型的R2与RMSE的情况下, 白茅、柽柳与芦苇的碳、氮、磷生态化学计量特征反演效果最佳的为RF模型, 互花米草与盐地碱蓬的碳、氮、磷生态化学计量特征反演效果最好的是PLSR模型, 因此在实际应用时需要充分考虑植被类型对反演效果的影响；通过一阶微分转换、敏感波段筛选、建模精度评价以及模型精度验证, 发现RF模型对于不同湿地植物碳、氮、磷生态化学计量特征的反演稳定性最强, 说明RF模型是反演湿地植物生态化学计量特征的最适用模型, 这对于在实际应用时选用何种模型进行反演具有着重要参考价值。
| [1] |
Reichert P, Schuwirth N. A generic framework for deriving process stoichiometry in environmental models. Environmental Modelling & Software, 2010, 25(10): 1241-1251. |
| [2] |
Sardans J, Rivas-Ubach A, Peñuelas J. The C: N: P stoichiometry of organisms and ecosystems in a changing world: a review and perspectives. Perspectives in Plant Ecology, Evolution and Systematics, 2012, 14(1): 33-47. DOI:10.1016/j.ppees.2011.08.002 |
| [3] |
Yu M F, Tao Y X, Liu W Z, Xing W, Liu G H, Wang L, Ma L. C, N, and P stoichiometry and their interaction with different plant communities and soils in subtropical riparian wetlands. Environmental Science and Pollution Research, 2020, 27(1): 1024-1034. DOI:10.1007/s11356-019-07004-x |
| [4] |
Zuo X Y, Cui L J, Li W, Lei Y R, Dou Z G, Liu Z J, Cai Y, Zhai X J. Spartina alterniflora leaf and soil eco-stoichiometry in the Yancheng coastal wetland. Plants, 2021, 10(1): 13. |
| [5] |
Tang Z Y, Xu W T, Zhou G Y, Bai Y F, Li J X, Tang X L, Chen D M, Liu Q, Ma W H, Xiong G M, He H L, He N P, Guo Y P, Guo Q, Zhu J L, Han W X, Hu H F, Fang J Y, Xie Z Q. Patterns of plant carbon, nitrogen, and phosphorus concentration in relation to productivity in China′s terrestrial ecosystems. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4033-4038. DOI:10.1073/pnas.1700295114 |
| [6] |
李伟, 崔丽娟, 赵欣胜, 张曼胤, 马牧源, 康晓明, 王义飞. 中国滨海湿地及其生态系统服务功能研究概述. 林业调查规划, 2014, 39(4): 24-30. |
| [7] |
胡伟芳, 章文龙, 张林海, 陈晓艳, 林伟, 曾从盛, 仝川. 中国主要湿地植被氮和磷生态化学计量学特征. 植物生态学报, 2014, 38(10): 1041-1052. |
| [8] |
李伟娜, 韦玮, 张怀清, 刘华. 基于多角度高光谱数据的高寒沼泽湿地植被生物量估算. 遥感技术与应用, 2017, 32(5): 809-817. |
| [9] |
Zheng W, Lu X, Li Y, Li S, Zhang Y Z. Hyperspectral identification of chlorophyll fluorescence parameters of suaeda salsa in coastal wetlands. Remote Sensing, 2021, 13(11): 2066. DOI:10.3390/rs13112066 |
| [10] |
窦志国, 崔丽娟, 武高洁, 李晶, 潘旭, 蔡张杰, 雷茵茹, 李伟. 芦苇粉大尾蚜虫害下芦苇叶绿素高光谱反演估算. 生态学杂志, 2018, 37(10): 3163-3170. |
| [11] |
于泉洲, 王绍强, 黄昆, 周蕾, 陈蝶聪. 基于Hyperion高光谱数据的温带森林不同冠层结构的光谱特征分析. 光谱学与光谱分析, 2015, 35(7): 1980-1985. |
| [12] |
陈圣波, 周超, 王晋年. 黑龙江多金属矿区植物胁迫光谱及其与金属元素含量关系研究. 光谱学与光谱分析, 2012, 32(5): 1310-1315. |
| [13] |
罗玲, 毛德华, 张柏, 王宗明, 杨桄. 芦苇湿地植被NPP估算方法探索与应用. 遥感技术与应用, 2021, 36(4): 742-750. |
| [14] |
田燕芹, 卢霞, 张森, 李昱蓉, 董洪鹏, 林雅丽, 温瑞. 盐胁迫下滨海湿地碱蓬叶绿素含量的高光谱识别. 海洋湖沼通报, 2020(1): 151-160. |
| [15] |
张玮, 王鑫梅, 潘庆梅, 谢锦忠, 张劲松, 孟平. 干旱胁迫下雷竹叶片叶绿素的高光谱响应特征及含量估算. 生态学报, 2018, 38(18): 6677-6684. |
| [16] |
于跃, 于海业, 李晓凯, 王洪健, 刘爽, 张蕾, 隋媛媛. 优化光谱指数建立水稻叶片SPAD的高光谱反演模型. 光谱学与光谱分析, 2022, 42(4): 1092-1097. |
| [17] |
Sabzi S, Pourdarbani R, Rohban M H, García-Mateos G, Arribas J I. Estimation of nitrogen content in cucumber plant (Cucumis sativus L.) leaves using hyperspectral imaging data with neural network and partial least squares regressions. Chemometrics and Intelligent Laboratory Systems, 2021, 217: 104404. |
| [18] |
Dou Z G, Li Y Z, Cui L J, Pan X, Ma Q F, Huang Y L, Lei Y R, Li J, Zhao X S, Li W. Hyperspectral inversion of Suaeda salsa biomass under different types of human activity in Liaohe estuary wetland in North-eastern China. Marine and Freshwater Research, 2020, 71(4): 482-492. |
| [19] |
Li W, Dou Z G, Cui L J, Wang R M, Zhao Z J, Cui S F, Lei Y R, Li J, Zhao X S, Zhai X J. Suitability of hyperspectral data for monitoring nitrogen and phosphorus content in constructed wetlands. Remote Sensing Letters, 2020, 11(5): 495-504. |
| [20] |
Wang X P, Zhang F, Kung H T, Yu H Y. Spectral response characteristics and identification of typical plant species in Ebinur lake wetland national nature reserve (ELWNNR) under a water and salinity gradient. Ecological Indicators, 2017, 81: 222-234. |
| [21] |
左雪燕, 窦志国, 蔡杨, 崔丽娟, 胡宇坤, 严睿, 李伟. 江苏盐城滨海湿地优势植物功能性状分析. 湿地科学与管理, 2019, 15(3): 61-64. |
| [22] |
崔世超, 周可法, 丁汝福. 高光谱的矿区植物异常信息提取. 光谱学与光谱分析, 2019, 39(1): 241-249. |
| [23] |
Cui L J, Zuo X Y, Dou Z G, Huang Y L, Zhao X S, Zhai X J, Lei Y R, Li J, Pan X, Li W. Plant identification of Beijing Hanshiqiao wetland based on hyperspectral data. Spectroscopy Letters, 2021, 54(5): 381-394. |
| [24] |
王芳东, 严志雁, 赵小敏, 郭熙, 周洋, 国佳欣. 油茶叶片叶绿素含量高光谱估测的偏最小二乘模型参数选择. 江西农业大学学报, 2022, 44(1): 86-96. |
| [25] |
张晓光, 黄标, 季峻峰, 胡文友, 孙维侠, 赵永存. 基于可见近红外高光谱的东北盐渍土盐分定量模型研究. 光谱学与光谱分析, 2012, 32(8): 2075-2079. |
| [26] |
Li F, Hu J Y, Xie Y H, Yang G S, Hu C, Chen X S, Deng Z M. Foliar stoichiometry of carbon, nitrogen, and phosphorus in wetland sedge Carex brevicuspis along a small-scale elevation gradient. Ecological Indicators, 2018, 92: 322-329. |
| [27] |
李旭, 于洁, 李峰, 胡聪, 曾静, 侯志勇, 谢永宏, 陈心胜. 不同水位和竞争模式对典型湿地植物生态化学计量特征的影响. 湖泊科学, 2019, 31(6): 1651-1661. |
| [28] |
温晨, 杨智姣, 杨磊, 李宗善, 卫伟, 张钦弟. 半干旱黄土小流域不同植被类型植物与土壤生态化学计量特征. 生态学报, 2021, 41(5): 1824-1834. |
| [29] |
Koerselman W, Meuleman A F M. The vegetation N: P ratio: a new tool to detect the nature of nutrient limitation. Journal of Applied Ecology, 1996, 33(6): 1441-1450. |
| [30] |
刘瑞清, 李加林, 孙超, 孙伟伟, 曹罗丹, 田鹏. 基于Sentinel-2遥感时间序列植被物候特征的盐城滨海湿地植被分类. 地理学报, 2021, 76(7): 1680-1692. |
| [31] |
Rainey M P, Tyler A N, Gilvear D J, Bryant R G, McDonald P. Mapping intertidal estuarine sediment grain size distributions through airborne remote sensing. Remote Sensing of Environment, 2003, 86(4): 480-490. |
| [32] |
刘云根, 余哲修, 张超, 徐晓军. 基于高光谱技术剑湖湿地茭草磷含量估算模型研究. 西南林业大学学报, 2019, 39(1): 123-131. |
| [33] |
黎舟, 杨思林, 刘云根, 王妍, 张超, 肖羽芯, 徐红枫. 基于微分变换的湿地植物高光谱全氮反演. 环境科学研究, 2022, 35(5): 1268-1276. |
| [34] |
王娇娇, 宋晓宇, 梅新, 杨贵军, 李振海, 李贺丽, 孟炀. 基于高斯回归分析的水稻氮素敏感波段筛选及含量估算. 光谱学与光谱分析, 2021, 41(6): 1722-1729. |
| [35] |
Thenkabail P S, Lyon J G. Hyperspectral Remote Sensing of Vegetation. Boca Raton: CRC Press, 2011.
|
| [36] |
郑奕, 王瑶, 刘艳. 基于高光谱数据季相特征的山地草甸植被分类识别. 光谱学与光谱分析, 2022, 42(6): 1939-1947. |
| [37] |
董晶晶, 王力, 牛铮. 植被冠层水平叶绿素含量的高光谱估测. 光谱学与光谱分析, 2009, 29(11): 3003-3006. |
| [38] |
左雪燕, 崔丽娟, 李伟, 窦志国, 蔡杨, 刘志君, 雷茵茹. 基于高光谱数据的互花米草叶片功能性状反演. 生态学报, 2021, 41(15): 6159-6169. |
| [39] |
Cui L J, Dou Z G, Liu Z J, Zuo X Y, Lei Y R, Li J, Zhao X S, Zhai X J, Pan X, Li W. Hyperspectral inversion of Phragmites Communis carbon, nitrogen, and phosphorus stoichiometry using three models. Remote Sensing, 2020, 12(12): 1998. |
| [40] |
Mahajan G R, Das B, Murgaokar D, Herrmann I, Berger K, Sahoo R N, Patel K, Desai A, Morajkar S, Kulkarni R M. Monitoring the foliar nutrients status of mango using spectroscopy-based spectral indices and PLSR-combined machine learning models. Remote Sensing, 2021, 13(4): 641. |
| [41] |
付元元, 王纪华, 杨贵军, 宋晓宇, 徐新刚, 冯海宽. 应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算. 光谱学与光谱分析, 2013, 33(5): 1315-1319. |
| [42] |
Mouazen A M, Kuang B, De Baerdemaeker J, Ramon H. Comparison among principal component, partial least squares and back propagation neural network analyses for accuracy of measurement of selected soil properties with visible and near infrared spectroscopy. Geoderma, 2010, 158(1/2): 23-31. |
| [43] |
Zhang M Y, Li M J, Liu W W, Cui L J, Li W, Wang H N, Wei Y Y, Guo Z L, Wang D A, Hu Y K, Xu W G, Yang S, Xiao H Y, Long S Y. Analyzing the performance of statistical models for estimating leaf nitrogen concentration of Phragmites australis based on leaf spectral reflectance. Spectroscopy Letters, 2019, 52(9): 483-491. |
| [44] |
王莉雯, 卫亚星. 基于减小叶片水分影响的湿地芦苇氮浓度高光谱反演研究. 地理科学, 2016, 36(1): 135-141. |