2024, Vol. 44文章信息
- 靳专, 胥焘, 黄应平, 肖敏, 张家璇, 周爽爽, 席颖, 熊彪
- JIN Zhuan, XU Tao, HUANG Yingping, XIAO Min, ZHANG Jiaxuan, ZHOU Shuangshuang, XI Ying, XIONG Biao
- 三峡库区消落带植被NPP估算——基于机器学习优化CASA模型
- Estimation of vegetation carbon sink in fluctuation zone of Three Gorges Reservoir Area based on CASA Model optimized by machine learning
- 生态学报. 2024, 44(6): 2464-2478
- Acta Ecologica Sinica. 2024, 44(6): 2464-2478
- http://dx.doi.org/10.20103/j.stxb.202304070700
-
文章历史
- 收稿日期: 2023-04-07
- 网络出版日期: 2023-12-22
2. 三峡大学计算机与信息学院, 宜昌 443002;
3. 三峡库区生态环境教育部工程研究中心(三峡大学), 宜昌 443002;
4. 三峡大学水利与环境学院, 宜昌 443002
2. College of Computer and Information Technology, China Three Gorges University, Yichang 443002, China;
3. Engineering Research Center of Eco-Environment in Three Gorges Reservoir Region, Ministry of Education, China Three Gorges University, Yichang 443002, China;
4. College of Hydraulic and Environmental Engineering, China Three Gorges University, Yichang 443002, China
三峡水库为反季节、周期性水位调度模式, 即冬季蓄水至175m, 夏季水位落干至145m。这种特有的调度模式使得库区形成落差约30m, 面积约348.9km2消落带区域[1]。消落带分布着丰富的狗牙根、苍耳等典型植被。消落带中植被作为泥土、有机物、农药以及各种危害物质进入库区水域前的最后的生态防线, 为库区生态安全提供了有力保障；同时, 也为库区碳汇发挥着重要作用。植被固碳量作为衡量库区生态系统健康状态的重要指标, 对其进行实时监测及估算能更好地了解库区的生态状况, 对库区生态净化、碳循环具有重要指导意义。
NPP是单位时间内单位面积植被累积有机物的总量[2], 代表植被的固碳能力。近年来, 随着国际环境保护计划的实施以及双碳政策的不断落实, 大量有关NPP的野外调查、定位估测以及建立模型模拟研究陆续开展, 并取得了一系列成果。对NPP的估算也由野外监测到通过卫星影像进行模型估算[3—4], 其中主流方法就是通过CASA模型[5]估算研究区域的NPP总量。与其他模型比较而言, CASA模型所需数据的更易于获取, 因此可以减少由于数据缺失以及人为因素引起的偏差。从而一定程度降低了实测数据用点代替面所造成的误差, 且更便于推广使用[6—7]。然而消落带区域随着水位的变化而变化, 影响到NPP的估算精度。因此, CASA模型在估算消落带植被NPP存在一定的局限性。
随着人工智能方法的发展, 为人们计算NPP提供了新的途径。虽然机器学习方法在植被固碳估算精度和范围都有较好的效果, 但是都需要大量现场测量数据, 才能保证模型的准确度[8—9]。同时, 目前的固碳方法未尝试将机器学习与CASA模型进行结合。为此, 本文提出运用少量野外实测数据建立环境影响因子模型并耦合CASA模型计算NPP的方法。此外, 大部分卫星影像存在分辨率低, 难以获取实时目标数据的问题。而无人机具有灵活性强、航拍影像分辨率高、实时性好、在人力难以到达的区域可用性好等优点[10—14]。并且无人机影像结合实测数据进行反演的方法已被证实在生态环境监测中具有更大的优势。
本研究采用无人机影像、高程数据、太阳辐射以及降雨数据。通过小样本的实测数据建立的环境影响因子模型, 再结合CASA模型中温度和水分胁迫因子提高植被在像元尺度上的NPP估算精度。解决CASA模型在消落带估算NPP精度不高的问题。使得对消落带区域的NPP估算更加精确合理, 从而能为消落带生态环境监测和评价提供依据。
1 研究区域概括与数据源 1.1 研究区域概括香溪河流域地处东经110°25′—111°06′, 北纬30°57′—31°34′之间, 人口在26.7万人左右, 河道总长97.3km, 流域总面积3099km2；东源于神农架林区骡马店(东河), 西源于神农架山南(西河), 从北向南纵贯兴山县全境, 最终于秭归县香溪镇东注入长江(图 1)。
|
| 图 1 三峡库区香溪河地理位置以及采样区分布 Fig. 1 Geographic Location and Sampling Area Distribution of Xiangxi River in the Three Gorges Reservoir Area |
该流域属亚热带大陆性季风气候, 气候呈垂直变化[15—16], 气候特征十分显著。年均温度约为17.46℃, 年均降雨量约919.734mm, 年总辐射约为4400MJ/m2。对消落带区域植被进行调查, 共发现植物18科34属34种, 其中禾本科植物种类最丰富为9种9属, 菊科4种4属, 大戟科3种3属, 廖科、茄科、苋科均为2种2属。消落带植被垂直分布明显, 底部区域主要分布狗牙根、香附子；中部区域物种较多但数量较少, 其中稗呈现带状分布；上部区域植物种类和数量相对较多, 主要植被为苍耳(图 2)。
|
| 图 2 香溪河消落带与植被情况 Fig. 2 Xiangxi River Fading Zone with Vegetation |
研究中利用的温度、降雨数据来源于NOAA网站(https://www.ncei.noaa.gov/)以及中国气象数据网(http://data.cma.cn/), 辐射数据来源于地理遥感生态网(http://www.gisrs.cn/), 时间是2021与2022年的7、8、9月的, 站点涉及57461宜昌站和57359兴山站。数据内容为日度降雨量、温度、辐射数据, 通过处理获得月降水量、月平均气温、月总太阳辐射数据。然后使用克里金插值获取研究区域的气象数据。
1.2.2 实测数据研究考虑消落带区域较为狭窄细长, 因此同一采样区降雨与温度变化不明显, 所以选取香溪河消落带8个典型区域作为采样区, 利用无人机对采样区进行航拍, 规避部分影响。每个采样区沿消落带145—175m设置4个高程, 每个高程选取两个样方, 共64个样方。每个样方按照0.3m×0.3m的大小, 应用收获法采集其全部植物体。采样时手持GPS定位获取并记录对应样方的高程数据、经纬度, 以便进行高程校准。将样品装入袋中, 带回实验室在80℃恒温箱内烘至恒重, 称其干重。由于NPP实测数据难以直接获取, 参考大量文献发现, NPP能通过生物量间接获取。因此, 最终NPP的实测值是将生物量乘以转换系数(系数r=0.45)进行换算[17—18]。并将实测数据按照1:1的比例分割为训练集与验证集。由于缺少直接监测实际光能利用率的设备, 所以将训练集中的实测NPP数据通过公式1, 推导计算实际光能利用率。
1.3 无人机数据使用大疆精灵4 RTK四翼无人机搭载1个可见光传感器和5个多光谱单色传感器进行拍摄。该多光谱传感器可捕获红色波段、绿色波段、蓝色波段、近红外波段、红边波段5个波段信息。于2021年9月和2022年7、9月在香溪河消落带区域进行低空飞行以及数据采集。为实现消落带区域植被的动态监测, 飞行拍摄高度约100m, 垂直于地平线进行拍摄。为确保获得影像不受大气等因素的影响, 无人机飞行采样时段选择晴朗无云、无持续风。
研究所用的无人机数据由NDVI影像与高程模型影像组成, 利用Pix4Dmapper导入数据、快速检查、加入控制点、空三、点云加密等[12], 获得5个波段信息的数字正射影像(Digital Orthophoto Map, DOM)以及数字地表模型(Digital Surface Model, DSM), 将DOM通过波段运算获得NDVI影像；高程模型数据通过DSM与实测高程值, 通过ArcGIS进行校正获得。利用ENVI5.3中支持向量机方法对DOM进行植被分类操作, 并裁剪出消落带区域。其中4号研究区域的消落带植被影像、高程分布以及NDVI植被指数空间分布如图 3所示。将NDVI影像数据、月降水量、月平均气温、月总太阳辐射数据以及高程影像数据进行像元尺度读取并代入优化后的模型中, 计算整片区域像元尺度的NPP。
|
| 图 3 典型区域的消落带植被影像、高程分布以及NDVI植被指数空间分布 Fig. 3 Vegetation image, NDVI vegetation index spatial distribution and elevation distribution of fluctuating zone in typical area NDVI：归一化植被指数Normalized difference vegetation index |
在计算过程中, NPP主要由植被所吸收的有效光合辐射(APAR)与实际光能利用率来确定。而消落带区域的植被生长情况很大程度上受蓄水的影响, 不同高程的植被生长状况差距较大。因此使用高程数据以及多种植被指数, 通过机器学习的方法来计算出高程与NDVI对NPP的影响因子。改变实际光能利用率的计算方法, 进而优化CASA模型。RBF-CASA模型计算NPP整体技术路线流程如图 4：
|
| 图 4 整体技术路线流程图 Fig. 4 Overall Technical Route Flow Chart NPP：净初级生产力Net Primary Productivity；CASA：卡内基-艾姆斯-斯坦福方法Carnegie-Ames-Stanford Approach；BP：反向传播Back propagation；RBF：径向基神经网络Radial basis function network；RF：随机森林Random forest |
RBF-CASA模型总体框架如图 5：
|
| 图 5 优化后的CASA模型总体框架图 Fig. 5 Overall framework of optimized CASA model SR：太阳辐射Solar Radiation；PAR：植被能利用的光合有效辐射Photosynthetically active radiation；FPAR：光合有效辐射吸收比例Fraction of photosynthetically Active Radiation；APAR：光合有效辐射Absorbent photosynthetically active radiation；DSM: 数字地表模型Digital Surface Model；εmax：最大光能利用率Maximum light energy utilization rate |
计算过程：
|
(1) |
式中, NPP(x, t)、SR(x, t)、FPAR(x, t)、ε(x, t)分别代表植被净初级生产力(gC m-2 a-1)、像元x在t月的太阳总辐射量(MJ/m2)、有效辐射吸收比例、实际光能利用率(gC/MJ)；0.5表示植被所利用的有效辐射占总辐射的比例[19]；
|
(2) |
|
(3) |
|
(4) |
|
(5) |
式中, FPAR(x, t)ndvi、FPAR(x, t)srvi是通过归一化植被指数与比值植被指数计算出来像元x在t月的植被层对光合有效辐射吸收比例；NDVI(x, t)、SRVI(x, t)为像元x在t月的归一化植被指数与简单比值植被指数, FPARmax=0.95与FPARmin=0.001作为独立参数, NDVIi, min、SRVIi, min取所有NDVI值与SRVI值的5%百分位, NDVIi, max、SRVIi, max取所NDVI值与SRVI值的95%百分位；
|
(6) |
式中, T1(x, t)与T2(x, t)为温度影响因子；W(x, t)为水分影响因子；εmax为最大光能利用率[20], 由于消落带区域典型植被属于草地, 所以本文参考CASA模型的相关研究结果[21], 消落带的最大光能利用率取0.542；λ(x)为高程影响因子和NDVI影响因子；
|
(7) |
式中, H(x)为像元x的高程数据；RBF(NDVI(x, t), H(x))是将通过实测值推导出的λ(x)与对应NDVI(x, t)、H(x)作为训练参数, 通过环境影响因子模型, 训练出来的函数。因为无人机影像受到坡度影响获得的NDVI数据有所差异, 为了消除消落带地形的坡度影响, 将NDVI再次作为参数输入, 以矫正坡度影响。由于消落带区域的高程与坡度特点, 不同高程土壤中含水量差异较大, 离河流更近的高程土壤含水量更高, 所以高程影响因子其实是间接性的关注土壤含水量对NPP的估算影响。
|
(8) |
|
(9) |
|
(10) |
|
(11) |
|
(12) |
式中, 取NDVI平均值最高月份的平均气温作为最适温度Topt(x, t) (℃)；T(x, t)为像元x在t月的平均温度(℃)；P(x, t)表示像元x在t月的降雨量(单位mm)；E(x, t)为实际蒸散量(单位mm)；Ep(x, t)为潜在蒸散量(单位mm)；E0(x, t)表示局地潜在蒸发量(单位mm)；Rn(x, t)表示像元x在t月的地表净辐射量(单位MJ/m2)[22]。
|
(13) |
|
(14) |
|
(15) |
式中, Ix为代表 12个月总和热量指标；ax为因地而异的常数。
2.2 优化模型特征选择利用ENVI5.3的波段计算器, 分别计算出基于多光谱影像的消落带区域多种植被指数[23—24], 所需植被指数计算公式见表 1：
| 植被指数类型 Vegetation index type |
计算公式 Calculation formula |
来源 Source |
| 归一化植被指数Normalized Difference Vegetation Index | NDVI=(NIR-R)/(NIR+R) | [25] |
| 阴影植被指数Shadow Vegetation Index | SVI=NDVI×NIR | [26] |
| 差值环境植被指数Difference Environmental Vegetation Index | DVI=NIR-R | [27] |
| 三角植被指数Triangle Vegetation Index | TVI=60×(NIR-G)-100×(R-G) | [28] |
| 土壤调节植被指数Soil Adjusted Vegetation Index | SAVI=(1+L)×(NIR-R)/(NIR+R+L) | [29] |
| 叶绿素指数Green Chlorophyll Vegetation Index | GCVI=(NIR/G)-1 | [30] |
| 增强型植被指数Enhanced Vegetation Index | EVI=2.5×NIR-R/NIR+6×R-7.5×B+1 | [31] |
| 修改型土壤调节植被指数Modified Soil Adjusted Vegetation Index | 
|
[32] |
| SVI：阴影植被指数Shadow Vegetation Index；DVI：差值环境植被指数Difference Environmental Vegetation Index；TVI：三角植被指数Triangle Vegetation Index；SAVI：土壤调节植被指数Soil Adjusted Vegetation Index；GCVI：叶绿素指数Green Chlorophyll Vegetation Index；EVI：增强型植被指数Enhanced Vegetation Index；MSAVI：修改型土壤调节植被指数Modified Soil Adjusted Vegetation Index；NIR：近红外波段Near infrared band；R：红色波段Red band；G：绿色波段Green band；L：土壤调节系数Soil regulation coefficient；B：蓝色波段Blue | ||
参考文献[33—36]发现坡度与高程对于植被指数以及NPP有着重要影响, 尤其在消落带区域植被指数随坡度的变化趋势相对明显和单一。在所有月份和季节里, 呈现出随坡度增加而增大的趋势, 并且植被指数是NPP与实际光能利用率的重要影响因素。因此, 在优化模型的过程中本研究对多种植被指数与NPP和实际光能利用率进行相关性分析。实际光能利用率是通过实测NPP数据与公式1推导获得。如表 2所示, NDVI与NPP的相关性最高, 相关系数达0.799, 并且排除温度与降雨的胁迫因子影响后NDVI对实际光能利用率的相关性依旧最高。因此, 使用高程数据以及NDVI作为特征输入建立环境影响因子模型, 输出λ(x)影响因子。
| 植被指数 Vegetation index |
与NPP的相关系数 Correlation coefficient with NPP |
与光能利用率的相关系数 Correlation coefficient with actual light energy utilization |
| 归一化植被指数Normalized Difference Vegetation Index | 0.799 | 0.973 |
| 阴影植被指数Shadow Vegetation Index | 0.285 | 0.627 |
| 差值环境植被指数Difference Environmental Vegetation Index | 0.204 | 0.545 |
| 三角植被指数Triangle Vegetation Index | 0.312 | 0.626 |
| 土壤调节植被指数Soil Adjusted Vegetation Index | 0.349 | 0.667 |
| 叶绿素指数Green Chlorophyll Vegetation Index | 0.252 | 0.518 |
| 增强型植被指数Enhanced Vegetation Index | 0.331 | 0.567 |
| 修改型土壤调节植被指数Modified Soil Adjusted Vegetation Index | 0.334 | 0.654 |
影响因子是实际光能利用率的重要组成部分, 通过构建的环境影响因子模型提高环境因子的精度, 从而来对CASA模型进行优化。而RBFNN[37]能较好的拟合各种连续函数。因此, 使用RBFNN来构建环境影响因子模型, 模型训练步骤如图 6所示。
|
| 图 6 环境影响因子模型训练流程图 Fig. 6 RBF Training Environment Factor Flow Chart H：高程elevation；hi：高程数据通过特征输入得到的数据；Ci：中心点Center point；G1i：NDVI通过激活函数后的数值The value of NDVI after activating the function；G2i：hi通过激活函数后的数值The value of hi after activating the function；G1i+：G1i求逆矩阵G1i inverse matrix；G2i+：G2i求逆矩阵G2i Inverse matrix；λ1i：环境影响因子environmental impact factors；wi：高程影响因子矩阵Elevation Impact Factor Matrix; Wi：NDVI影响因子矩阵NDVI Impact Factor Matrix |
环境影响因子模型构建三层网络。第一层为输入层, 输入数据将特征信息传递给隐含层, 模型读入NDVI、高程、λ数据, 并对高程数据进行特征缩放, 将不同特征的值量化到[0, 1]之间。
第二层为隐含层, 本层确定其节点数目、核函数、中心点以及径基宽度。使用RBF函数即(高斯函数)作为模型的核函数, 高斯函数如公式16, 径基宽度的求解方法如式17：
|
(16) |
|
(17) |
式中, x为输入的特征向量, 在该模型中为高程特征与NDVI特征；φ(x)为特征向量通过高斯径向基函数得到的第i个输出向量；σi为第i个中心点通过公式17获得的径基宽度；ci为第i个隐含层节点的中心点, n为中心点的个数。该网络层中, 先使用聚类算法替代随机选取计算出中心点, 进而计算出径基宽度；样本经过RBF激活函数进行转换后, 再计算每个中心点到样本的距离；然后训练出隐藏层与输出层之间的权重, 通过对比替代前后效果, 使用聚类算法的模型鲁棒性得到提升。
第三层为输出层, 通过该层得到建立的模型和模拟结果。本文将计算出的高程与NDVI影响系数输出与CASA模型结合, 再评价模拟值与真实值的差异。
3 结果与分析将NDVI作为特征输入对NPP进行预测, 通过使用径向基神经网络与BP神经网络来对NPP进行反演, 并与原始CASA模型进行对比。BP神经网络反演结果R2为0.585, RBF神经网络反演结果决定系数R2=0.646, CASA模型反演结果决定系数R2=0.566。三种模型对比效果相差不大, 而使用RBF-CASA模型反演结果决定系数达到0.730, CASA模型的模拟值与实测值的相关系数为0.812, 优化后的模型模拟值与实测值的相关性达到0.855。结果表明优化后的模型在消落带区域的NPP估算更具有优势。
环境影响因子模型使用RBF神经网络来进行构建, 将NDVI与高程两个数据作为特征输入网络进行训练, 获得植被的环境影响因子, 进而将环境影响因子与CASA模型结合计算出NPP。再对多种模型结果进行对比, 对比效果如图 7所示, 通过CASA模型和RBF模型计算NPP时, 模型估算的NPP值与真实值相差较大。加入NDVI计算的影响因子后, 缩小了与真实值之间的差异。再次加入高程计算的影响因子后, 与真实值之间的差异进一步缩小。结果表明模型计算出的环境影响因子能有效地校正NPP值。
|
| 图 7 模型验证结果对比图 Fig. 7 Comparison Chart of Model Verification Results RBF：径向基神经网络Radial basis function network；RBF-CASA(H(x))：基于高程的径向基函数耦合卡内基-艾姆斯-斯坦福方法Elevation based radial basis function coupling CASA；RBF-CASA(NDVI(x))：基于归一化植被指数的径向基函数耦合卡内基-艾姆斯-斯坦福方法Normalized Difference Vegetation Index based radial basis function coupling CASA；RBF-CASA(H(x), NDVI(x))：基于归一化植被指数和高程的径向基函数耦合卡内基-艾姆斯-斯坦福方法Radial basis function coupling CASA based on normalized vegetation index and elevation |
对多种模型结果进行对比分析, 模型预测值与真实值的R2比较结果如图 8所示。图中依次为CASA模型、RBF神经网络模型(对比BP、RF、RBF三种神经网络, RBF神经网络最优)、NDVI影响因子优化CASA模型(RBF-CASA(NDVI(x, t)))、高程影响因子优化CASA模型(RBF-CASA(H(x)))、高程和NDVI影响因子优化CASA模型(RBF-CASA(H(x), NDVI(x, t)))。表明消落带中高程对于NPP的影响的重要性。
|
| 图 8 净初级生产力模拟值与实测值的比较图 Fig. 8 Plot of simulated versus measured values of net primary productivity |
从图 8中可见使用CASA模型在对消落带区域的植被进行模拟效果不佳, R2为0.648。而Xiaolu[38]使用CASA模型在混交木的模拟的R2为0.770, 老黑云杉为0.620；Gang[39]使用基于LSWI的CASA生态系统模型对蒙古高原半干旱气候下陆地生态系统进行模拟得到R2为0.717；施亚林等人[18]使用改进后的CASA模型对河流域草地进行模拟验证得到R2为0.697。表明CASA模型在对草地的NPP模拟时深受河流的影响, 而消落带作为最靠近河流区域的草地受到河流的影响最为突出。李传华等人[40]使用机器学习的方法对青藏高原冻土区草地NPP进行模拟, 使用随机森林模拟得到R2为0.747, 使用RBF神经网络得到R2为0.741, 表明机器学习方法在对草地的NPP模拟有可靠的结果。本文使用李传华等人[40]的RBF神经网络模型对消落带植被NPP进行模拟, 由于消落带实测数据较少, R2为0.646。以及使用朱文泉教授改进的CASA模型[20]对消落带植被NPP进行模拟, R2为0.566。然而, 使用机器学习的方法来计算该区域的环境影响因子, 再结合CASA模型得R2为0.730, 可见优化后的CASA模型对消落带模拟NPP效果更佳。
通过对比多种模型中NDVI与NPP的关系(图 9)发现, CASA模型中NDVI与NPP之间的关系是线性的。NPP随着NDVI的增加, 增长趋势也不断增大；RBF模型中NDVI与NPP之间的关系也是线性变化, 其中NPP随着NDVI的增加到一定数值, 增长趋势开始减弱；在RBF-CASA模型中, 使用NDVI特征计算环境影响因子, 显示增长趋势比CASA模型增长的更快；在添加高程影响因子后, 模型中NDVI与NPP的关系由以前的线性转变为非线性, 并且整体的增长趋势也较快；通过对高程影响因子与高程特征进行分析可得, 高程对NPP的影响呈起伏状。在不同高程区域, 影响因子变化不同, 在160m左右影响因子系数最大。同时证实消落带区域高程因子是估算NPP的重要影响因素。
|
| 图 9 影响因子分析图 Fig. 9 Influence factor analysis plots |
如表 3本文分别采用RRMSE、MAE、RMSE、MAPE及R2等指标对模型的性能进行评价。对比发现CASA模型与使用神经网络训练结果相差不大。代入NDVI计算的影响因子模型, 决定系数达到0.650；代入高程计算的影响因子模型, 决定系数提升到0.684；将NDVI与高程计算的影响因子同时代入模型, 决定系数提升到0.730；结果表明针对消落带区域, 在CASA模型中使用NDVI与高程计算影响系数能够使得结果更加接近真实值。结合陈艳英等人[33]的研究, 发现由于坡度与高度的原因, 使得获得的NDVI数据受到一定影响。同时由于代入高程数据, 模型效果提升更加明显, 可见高程因子能够较好的提高模型估算精度。
| 模型 Model |
相对均方根误差 Relative root mean square error |
均方根误差 Root mean square error |
平均绝对百分误差 Mean absolute percentage error |
平均绝对误差 Mean absolute error |
决定系数 Coefficient of determination |
| CASA | 0.244 | 113.064 | 0.146 | 75.180 | 0.566 |
| RBF | 0.259 | 119.721 | 0.140 | 73.573 | 0.646 |
| RBF-CASA(H(x)) | 0.208 | 96.439 | 0.143 | 68.649 | 0.684 |
| RBF-CASA(NDVI(x)) | 0.220 | 101.590 | 0.138 | 70.109 | 0.650 |
| RBF-CASA(H(x), NDVI(x)) | 0.193 | 89.203 | 0.135 | 64.189 | 0.730 |
在香溪河消落带4号采样区域中, 由于区域较小, 通过温度与降雨计算的胁迫因子为同一数值。在研究过程中通过空间分布图(图 10)能够快速准确地发现不太区域的差异性与相似性。其中环境影响因子的范围为0.332—1.339。该区域形成随着高程的不断增加环境影响因子也不断递增的空间格局, 并且环境影响因子与实际光能利用率形成递增关系；高程影响因子的空间分布情况显示随着高程的变化, 环境影响因子也会随之变化, 其中植被在165m—175m高程之间对光能的利用率最强, 其次在140—155m高程之间；实际光能利用率表示该区域的植被对光照的利用情况, 计算出的实际光能利用率的范围在0.170—0.686；香溪河典型消落带区域7月份NPP范围在1.454—289.904g C/m2, 平均NPP约为103.352g C/m2, 平均碳密度为29.444—59.633g C/m2之间。可见植被NPP的空间分布随着高程变化而变化, 其中位于150—155m的植被最为茂盛。根据张雪蕾等人[41]研究显示, 三峡库区在7月NPP达到峰值160g C/m2。考虑到植被类型以及区域, 本研究的反演结果在合理范围内, 并且反映不同高程区域的植被的空间分布情况以及生态修复情况。
|
| 图 10 空间分布图 Fig. 10 Spatial Distribution Map |
如图 11所示, 柱状图为各高程区域NPP均值情况, 折现图为各高程NPP总量情况, 饼状图为高程区域面积在消落带区域所占百分比情况。分析图 11可得, 在150—155m高程中NPP总量最高, 最靠近河岸的植被NPP均值与NPP总量都最低。其主要原因是越靠近河岸区域的水分越充足, 当水分超过植被生长所需后, 反而抑制植被的生长, 其他文献也得到过相似结论。在170m以上区域植被NPP均值最高, 最主要原因是170m以上区域存在少量灌木以及苍耳等植被。在消落带区域中155—160m高程的面积占比最大, 其次是150—155m, 最少是145m以下区域。
|
| 图 11 高程影响分析图 Fig. 11 Elevation Impact Analysis Diagram |
2021—2022年香溪河8个典型消落带区域裸露月份的月均NPP变化情况如图 12所示, 植被恢复情况较差。在空间分布上对8个样区进行比较, 可见其中6号区域与8号区域固碳情况最为突出, 3号区域植被恢复情况较差。通过8个采样区的分布情况与对应的月均NPP发现, 上游植被NPP最高, 其次是下游, 中游最低。从时间分布上对8个样区进行比较, 在2021年9月植被NPP均值为35.883g C/m2, 2022年9月植被NPP均值为25.964g C/m2, 发现22年植被生长情况明显弱于21年。通过分析降雨、温度、辐射发现, 22年7月、8月温度持续升高, 使得消落带植被枯死。22年9月16.002 mm的降雨量远少于21年9月97.536 mm的降雨量, 同时长江水位大幅度下降, 使得植被无法及时补充水分。
|
| 图 12 样区月均NPP情况图 Fig. 12 Monthly Average NPP in Sample Area |
由于研究区域狭长和消落带区域气象站较少, 对克里金插值法获得的研究区域的温度、降雨、辐射影响较大, 只能通过多个典型采样区进行采样, 规避部分影响；消落带植被都属于草地类型, 未考虑消落带以上区域还存在人工种植的灌木以及树木对消落带的影响；采样ENVI 5.3中支持向量机方法对植被进行分类, 分类精确度不够高；无人机图像采集8个典型区域的7、9月影像来探测植被的修复情况以及固碳潜力, 但不能代替香溪河消落带整体区域的修复情况以及固碳潜力。后续应采集逐月的消落带区域影像, 以便更准确的对消落带区域进行监测；由于香溪河消落带区域较长, 获取无人机影像较为费时, 未来可使用无人机图像结合高分卫星影像对消落带区域进行监测, 从而提高估算精度。
综上所述, 对植被分类算法做出优化, 以便能够精确的分割出消落带的各种植被。同时扩大研究区域, 采集各种植被数据, 提高模型的适用性。尝试使用深度学习方法来对环境影响因子模型进一步优化。
5 结论本研究以香溪河消落带生态系统的无人机航拍数据为基础；借助与ENVI 5.3软件对波段影像进行波段运算得到NDVI数据；在Python语言支持下对CASA模型进行优化；再应用于该区域生态系统研究当中, 计算出8个样区的固碳情况进而分析香溪河消落带的生态修复情况；并通过ArcGIS绘画出采样区的空间分布图, 进而分析消落带区域高程对NPP的影响情况；估算研究区域净初级生产力数据, 并探讨研究区域净初级生产力的月度变化、年度变化。
得到主要结论为：通过建立的RBF-CASA模型进行验证, 估算值与观测数据的R2为0.730(P＜0.01, n=32), 对比CASA模型MAE降低10.991, RRMSE降低5.10%, MAPE降低1.12%；消落带区域中, 高程对NPP的影响较大。NPP随高程增加呈现起伏变化, 不同高程区域的NPP总量或均值都存在较大差距。其中高程在150—155m之间的NPP总量最高, 在170m以上区域NPP均值最高；在植被生长最茂盛的月份, 8个采样区NPP均值在66.234—134.144g C/m2之间, 平均碳密度在29.444—59.633g C/m2之间。并且位于中游区域的3号点的NPP最低, 在2021—2022年间由于降雨量减少、长江水位下降, 植被总体恢复情况较差；本文构建的RBF-CASA模型为固碳模型提供新优化方向, 并且为消落带生态系统的功能以及生态评估提供数据和技术支持。消落带的固碳经济为消落带防护经济效益计算提供新的参考。
| [1] |
董智, 李留彬, 向国伟, 耿倩雯, 殷凡, 郑杰, 李昌晓. 三峡库区忠县消落带植物群落特征及其与环境因子的关系. 西南大学学报: 自然科学版, 2022, 44(7): 2-13. |
| [2] |
王丽霞, 丁慧兰, 刘招, 张双成, 孔金玲. 基于CASA模型探究泾河流域植被NPP时空动态及其对气候变化的响应. 水土保持研究, 2022, 29(1): 190-196. |
| [3] |
涂海洋, 古丽·加帕尔, 于涛, 李旭, 陈柏建. 中国陆地生态系统净初级生产力时空变化特征及影响因素. 生态学报, 2023, 43(3): 1219-1233. |
| [4] |
Zhao J F, Liu D S, Cao Y, Zhang L J, Peng H W, Wang K L, Xie H F, Wang C Z. An integrated remote sensing and model approach for assessing forest carbon fluxes in China. Science of the Total Environment, 2022, 811: 152480. DOI:10.1016/j.scitotenv.2021.152480 |
| [5] |
Christopher S P, James T R, Christopher B F, Pamela A M, Peter M V, Harold A M, Steven A K. Terrestrial ecosystem production: A process model based on global satellite and surface data. Global Biogeochemical Cycles, 1993, 7(4): 811-841. DOI:10.1029/93GB02725 |
| [6] |
Wang Y L, Xu X G, Huang L S, Yang G J, Fan L L, Wei P F, Chen G. An improved CASA model for estimating winter wheat yield from remote sensing images. Remote Sensing, 2019, 11(9): 1088. DOI:10.3390/rs11091088 |
| [7] |
刘剑锋, 陈琳, 孟琪, 王璇, 王远征, 王来刚, 张喜旺. 基于CASA-VPM模型的植被最大光能利用率研究. 河南农业科学, 2019, 48(12): 157-163. |
| [8] |
Bai X Y, Li Z H, Li W, Zhao Y, Li M X, Chen H Y, Wei S C, Jiang Y M, Yang G J, Zhu X C. Comparison of machine-learning and CASA models for predicting apple fruit yields from time-series planet imageries. Remote Sensing, 2021, 13(16): 3073. DOI:10.3390/rs13163073 |
| [9] |
Cho S, Kang M, Ichii K, Kim J, Lim J H, Chun J H, Park C W, Kim H S, Choi S W, Lee S H, Indrawati Y M, Kim J. Evaluation of forest carbon uptake in South Korea using the national flux tower network, remote sensing, and data-driven technology. Agricultural and Forest Meteorology, 2021, 311: 108653. DOI:10.1016/j.agrformet.2021.108653 |
| [10] |
田义超, 黄远林, 陶进, 张强, 吴彬, 张亚丽, 梁铭忠, 周国清. 基于无人机影像的北部湾典型岛群红树林生态系统净初级生产力估算. 热带地理, 2019, 39(4): 583-596. |
| [11] |
高燕, 梁泽毓, 王彪, 吴艳兰, 刘诗雨. 基于无人机和卫星遥感影像的升金湖草滩植被地上生物量反演. 湖泊科学, 2019, 31(2): 517-528. |
| [12] |
林怡, 张文豪, 宇洁, 张翰超. 基于无人机影像的城市植被精细分类. 中国环境科学, 2022, 42(6): 2852-2861. |
| [13] |
张正健, 李爱农, 边金虎, 赵伟, 南希, 靳华安, 谭剑波, 雷光斌, 夏浩铭, 杨勇帅, 孙明江. 基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究. 遥感技术与应用, 2016, 31(1): 51-62. |
| [14] |
Freitas R G, Pereira F R S, Dos Reis A A, Magalhães P S G, Figueiredo G K D A, do Amaral L R. Estimating pasture aboveground biomass under an integrated crop-livestock system based on spectral and texture measures derived from UAV images. Computers and Electronics in Agriculture, 2022, 198: 107122. DOI:10.1016/j.compag.2022.107122 |
| [15] |
陈功, 李晓玲, 黄杰, 向玲, 孙雷, 杨进, 胥焘, 黄应平. 三峡水库秭归段消落带植物群落特征及其与环境因子的关系. 生态学报, 2022, 42(2): 688-699. |
| [16] |
Yang Z J, Wei C Y, Liu D F, Lin Q C, Huang Y L, Wang C F, Ji D B, Ma J, Yang H. The influence of hydraulic characteristics on algal bloom in Three Gorges Reservoir, China: a combination of cultural experiments and field monitoring. Water Research, 2022, 211: 118030. DOI:10.1016/j.watres.2021.118030 |
| [17] |
Zhang M, Yuan N Q, Lin H, Liu Y, Zhang H Q. Quantitative estimation of the factors impacting spatiotemporal variation in NPP in the Dongting Lake wetlands using Landsat time series data for the last two decades. Ecological Indicators, 2022, 135: 108544. DOI:10.1016/j.ecolind.2022.108544 |
| [18] |
施亚林, 曹艳萍, 苗书玲. 黄河流域草地净初级生产力时空动态及其驱动机制. 生态学报, 2023, 43(2): 731-743. |
| [19] |
原一荃, 薛力铭, 李秀珍. 基于CASA模型的长江口崇明东滩湿地植被净初级生产力与固碳潜力. 生态学杂志, 2022, 41(2): 334-342. |
| [20] |
杜金燊, 于德永. 气候变化和人类活动对中国北方农牧交错区草地净初级生产力的影响. 北京师范大学学报: 自然科学版, 2018, 54(3): 365-372. |
| [21] |
朱文泉, 潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估算. 植物生态学报, 2007, 31(3): 413-424. |
| [22] |
Chen Y, Chen X W, Zheng P, Tan K M, Liu S Q, Chen S X, Yang Z X, Wang X L. Value compensation of net carbon sequestration alleviates the trend of abandoned farmland: a quantification of paddy field system in China based on perspectives of grain security and carbon neutrality. Ecological Indicators, 2022, 138: 108815. DOI:10.1016/j.ecolind.2022.108815 |
| [23] |
王莉雯, 卫亚星. 植被光能利用率高光谱遥感反演研究进展. 测绘与空间地理信息, 2015, 38(6): 15-22, 38, 41. |
| [24] |
Li C Q, Han W T, Peng M M. Improving the spatial and temporal estimating of daytime variation in maize net primary production using unmanned aerial vehicle-based remote sensing. International Journal of Applied Earth Observation and Geoinformation, 2021, 103: 102467. DOI:10.1016/j.jag.2021.102467 |
| [25] |
惠嘉伟, 白中科, 刘凯杰, 王子昊. 归一化植被指数(NDVI)在草原露天煤矿区的适用性分析. 工程科学学报, 2023, 45(1): 54-63. |
| [26] |
许章华, 林璐, 王前锋, 黄旭影, 刘健, 余坤勇, 陈崇成. 归一化阴影植被指数NSVI的构建及其应用效果(英文). 红外与毫米波学报, 2018, 37(2): 154-162. |
| [27] |
李艳大, 舒时富, 陈立才, 叶春, 黄俊宝, 孙滨峰, 王康军, 曹中盛. 基于便携式作物生长监测诊断仪的江西双季稻氮肥调控研究. 农业工程学报, 2019, 35(2): 100-106. |
| [28] |
Qian B X, Ye H C, Huang W J, Xie Q Y, Pan Y H, Xing N C, Ren Y, Guo A T, Jiao Q J, Lan Y B. A sentinel-2-based triangular vegetation index for chlorophyll content estimation. Agricultural and Forest Meteorology, 2022, 322: 109000. DOI:10.1016/j.agrformet.2022.109000 |
| [29] |
谢京凯, 王福民, 王飞龙, 张东尼. 面向水稻LAI监测的植被指数土壤调节参数修正. 遥感技术与应用, 2018, 33(2): 342-350. |
| [30] |
Zhang L L, Zhang Z, Luo Y C, Cao J, Xie R Z, Li S K. Integrating satellite-derived climatic and vegetation indices to predict smallholder maize yield using deep learning. Agricultural and Forest Meteorology, 2021, 311: 108666. DOI:10.1016/j.agrformet.2021.108666 |
| [31] |
文可, 姚焕玫, 龚祝清, 纳泽林, 韦毅明, 黄以, 陈华权, 廖鹏任, 唐丽萍. 水淹频率变化对鄱阳湖增强型植被指数的影响. 植物生态学报, 2022, 46(2): 148-161. |
| [32] |
徐红涛, 陈春波, 郑宏伟, 罗格平, 杨辽, 王伟胜, 吴世新. 集成建模变量优选和参数学习的SVR盐渍化监测. 遥感技术与应用, 2021, 36(1): 176-186. |
| [33] |
陈艳英, 游扬声, 唐云辉, 张建平. 重庆市植被指数与高度/坡度的关系研究. 西南师范大学学报: 自然科学版, 2016, 41(11): 122-129. |
| [34] |
邵嘉豪, 李晶, 闫星光, 马天跃, 张瑞. 基于地理探测器的山西省2000-2020年NPP时空变化特征及驱动力分析. 环境科学, 2023, 44(1): 312-322. |
| [35] |
陈玉兰, 焦菊英, 田红卫, 徐倩, 冯兰茜, 王楠, 白雷超, 杨雪. 黄土高原归一化植被指数与自然环境因子的空间关联性——基于地理探测器. 生态学报, 2022, 42(9): 3569-3580. |
| [36] |
Prakash Sarkar D, Uma Shankar B, Ranjan Parida B. Machine learning approach to predict terrestrial gross primary productivity using topographical and remote sensing data. Ecological Informatics, 2022, 70: 101697. DOI:10.1016/j.ecoinf.2022.101697 |
| [37] |
赵文杰, 李洪平, 刘海行. SMAP卫星的RBF神经网络海表盐度遥感反演. 海洋科学进展, 2022, 40(3): 513-522. |
| [38] |
Zhou X L, Peng C H, Dang Q L, Sun J F, Wu H B, Hua D. Simulating carbon exchange in Canadian Boreal forests. Ecological Modelling, 2008, 219(3/4): 287-299. |
| [39] |
Bao G, Bao Y H, Qin Z H, Xin X P, Bao Y L, Bayarsaikan S, Zhou Y, Chuntai B. Modeling net primary productivity of terrestrial ecosystems in the semi-arid climate of the Mongolian Plateau using LSWI-based CASA ecosystem model. International Journal of Applied Earth Observation and Geoinformation, 2016, 46: 84-93. DOI:10.1016/j.jag.2015.12.001 |
| [40] |
李传华, 孙皓, 王玉涛, 曹红娟, 殷欢欢, 周敏, 朱同斌. 基于机器学习估算青藏高原多年冻土区草地净初级生产力. 生态学杂志, 2020, 39(5): 1734-1744. |
| [41] |
张雪蕾, 肖伟华, 王义成. 基于改进的CASA模型三峡库区NPP时空特征及气候驱动机制. 生态学报, 2021, 41(9): 3488-3498. |