基于机器学习算法的草地地上生物量估测——以祁连山草地为例.pdfVIP

第 ４２ 卷第 ２２ 期 生 态 学 报 Ｖｏｌ.４２ꎬＮｏ.２２ ２０２２年１１月 ＡＣＴＡ ＥＣＯＬＯＧＩＣＡ ＳＩＮＩＣＡ Ｎｏｖ.ꎬ２０２２ ＤＯＩ:１０.５８４６/ ｓｔｘｂ２０２２０３１８０６６９ 张子慧ꎬ吴世新ꎬ赵子飞ꎬ李向义ꎬ曾凡江ꎬ谢聪慧ꎬ侯冠宇ꎬ罗格平.基于机器学习算法的草地地上生物量估测———以祁连山草地为例.生态学报ꎬ ２０２２ꎬ４２(２２):８９５３￣８９６３. Ｚｈａｎｇ Ｚ ＨꎬＷｕＳＸꎬＺｈａｏＺＦꎬＬｉＸＹꎬＺｅｎｇＦＪꎬＸｉｅＣＨꎬＨｏｕＧＹꎬＬｕｏＧＰ.Ｅｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄｂｉｏｍａｓｓｕｓｉｎｇｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｅｔｈｏｄｓ:Ａｃａｓｅ ｓｔｕｄｙ ｏｆ ｇｒａｓｓｌａｎｄ ｉｎ Ｑｉｌｉａｎ Ｍｏｕｎｔａｉｎｓ.Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａꎬ２０２２ꎬ４２(２２):８９５３￣８９６３. 基于机器学习算法的草地地上生物量估测 ———以祁连山草地为例 １ꎬ５ １ꎬ∗ ２ꎬ４ꎬ５ １ꎬ３ １ꎬ３ １ꎬ５ １ꎬ５ 张子慧 ꎬ吴世新 ꎬ赵子飞 ꎬ李向义 ꎬ曾凡江 ꎬ谢聪慧 ꎬ侯冠宇 ꎬ 罗格平１ １ 中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室ꎬ乌鲁木齐　 ８３００１１ ２ 中国科学院太空应用重点实验室ꎬ北京　 １０００９４ ３ 中国科学院新疆生态与地理研究所新疆荒漠植物根系生态与植被修复重点实验室ꎬ乌鲁木齐　 ８３００１１ ４ 中国科学院空间应用工程与技术中心ꎬ北京　 １０００９４ ５ 中国科学院大学ꎬ北京　 １０００４９ 摘要:草地地上生物量(Ａｂｏｖｅｇｒｏｕｎｄ ＢｉｏｍａｓｓꎬＡＧＢ)是指导畜牧业生产管理的重要指标ꎬ是草畜平衡综合分析的基础ꎮ 目前ꎬ有 关祁连山草地ＡＧＢ反演的研究较少ꎬ且多源数据间的尺度差异问题并未得到很好的解决ꎮ 为了解祁连山草地ＡＧＢ 的空间分 布状况ꎬ利用Ｓｅｎｔｉｎｅｌ￣２多光谱数据、无人机(ＵｎｍａｎｎｅｄＡｅｒｉａｌＶｅｈｉｃｌｅꎬＵＡＶ)数据以及２０２１年植被生长期实测草地ＡＧＢ数据实 现了空天地一体化监测ꎬ通过决策树回归(Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ ＲｅｇｒｅｓｓｉｏｎꎬＤＴＲ)、随机森林回归(Ｒａｎｄｏｍ Ｆｏｒｅｓｔ ＲｅｇｒｅｓｓｉｏｎꎬＲＦＲ)、梯度 提升决策回归树(Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｒｅｇｒｅｓｓｉｏｎ ＴｒｅｅꎬＧＢＲＴ)以及极致梯度提升(ｅＸｔｒｅｍｅ Ｇｒａｄｉｅｎｔ ＢｏｏｓｔｉｎｇꎬＸＧＢｏｏｓｔ)共４种算法 反演草地ＡＧＢ的适用性分析ꎬ利用最优模型反演了祁连山草地的ＡＧＢ空间分布状况ꎮ 结果表明:研究区内多种植被指数所表 ２ 现出的特性有所差异ꎮ 祁连山地区ＡＧＢ在空间分布上呈现出由西北向东南递增的趋势ꎬ平均ＡＧＢ为９２５.４３ｋｇ/ ｈｍ ꎮ ６种植被 指数与实测ＡＧＢ之间均表现为显著正相关ꎬ适合作为祁连山草地ＡＧＢ遥感反演的指标ꎻＸＧＢｏｏｓｔ模型较其它模型具有最高的 ２ ２ ２ Ｒ 值(０.７８)和精度(７４.７５％)、最低的均方根误差(ＲＭＳＥꎬ９９.７４ ｋｇ/ ｈｍ )和平均绝对误差(ＭＡＥꎬ７１.６０ ｋｇ/ ｈｍ )ꎬ模型反演效果 最好ꎻＵＡＶ数据能够提供更加详细的空间细节特征ꎬ减小Ｓｅｎｔｉｎｅｌ￣２数据和实地采样数据间的尺度差异ꎻ因此ꎬ基于６种植被指 数与祁连山草地ＡＧＢ间的相关性ꎬ构建ＸＧＢｏｏｓｔ模型反演研究区草地ＡＧＢ空间分布状况是具有实践意义的ꎮ 研究结果将为指 导祁连山草地畜牧业的发展和维护草地生态系统的平衡提供一定的参考价值与数据支撑ꎮ 关键词:地上生物量ꎻ空天地一体化ꎻ草地ꎻ回归模型ꎻ祁连山 Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｇｒ