基于多光谱影像和机器学习算法的红树林树种LAI估算

针对红树林叶面积指数(Leaf Area Index,LAI)实地测量难度大、无法快速大范围LAI估算的问题。该研究以广西北部湾红树林为研究对象,以无人机(Unmanned Aerial Vehicle,UAV)和哨兵二号(Sentinel-2A,S2)多光谱影像为数据源,整合原始光谱波段、植被指数和组合植被指数构建高维数据集,并进行数据降维和特征优选。定量评估6种机器学习算法(XGBoost、前馈反向传播神经网络(Back Propagation,BP)、支持向量机(SVM)、岭回归(Ridge)、Lasso和弹性网络(ElasticNet))对不同红树林树种LAI的估算能力;探究UAV和Sentinel-2A影像对红树林树种LAI估算的精度差异。研究结果表明:1)基于XGBoost算法构建的模型实现了红树林LAI高精度估算,R^(2)均高于0.70,RMSE均低于0.349;2)在UAV和Sentinel-2A影像下,XGBoost模型对不同红树林树种LAI的估算精度(R^(2))比其他5种模型分别提高了0.105~0.365和0.283~0.540,RMSE降低了0.100~0.392和0.102~0.518;3)UAV影像数据与XGBoost算法构建的模型对海榄雌LAI的估算精度优于其他组合(R^(2)=0.821、RMSE=0.288),Sentinel-2A影像数据与XGBoost算法构建的模型对秋茄和桐花树LAI的估算精度优于其他组合(R^(2)=0.940~0.979、RMSE=0.142~0.104),不同红树林树种LAI的估算精度依次为桐花树>秋茄>海榄雌;4)SNAP-SL2P算法整体性低估红树林LAI值,UAV影像红树林树种LAI的平均估算精度(R^(2)=0.677~0.713)均优于Sentinel-2A影像,实现了不同红树林树种LAI的高精度估算。

基于DInSAR的洪河国家级自然保护区沼泽水位相对变化量监测研究

水文是沼泽形成、发育和演化的决定性因素。目前,沼泽水位的监测仍然以实地观测为主,需要花费大量的人力和物力。以洪河国家级自然保护区为研究区,利用2007年6~10月星载相控阵L波段合成孔径雷达(phase array type L-band synthetic aperture radar,L-band PALSAR)数据和2015年6~11月C波段Sentinel-1A合成孔径雷达(synthetic aperture radar,SAR)数据,采用合成孔径雷达差分干涉测量(differential interferometric synthetic aperture radar,DInSAR)技术,提取出研究区沼泽的地表形变相位,计算出研究区沼泽水位相对变化量,构建了研究区沼泽水位相对变化量遥感监测经验估算公式,实现了对研究区沼泽年内水位变化量的遥感监测,研究了不同时相浅水沼泽区和深水沼泽区干涉相干性的差异;采用方差分析和回归分析方法,在水位观测站、浅水沼泽区和深水沼泽区3种尺度上,分别对利用两种数据计算出的沼泽水位相对变化量,进行了精度验证和显著性检验。研究结果表明,植物生长期和植物空间格局都对沼泽干涉相干性产生影响,8~10月研究区干涉相干性要好于6~7月,浅水沼泽区干涉相干性要高于深水沼泽区,前者的干涉相干系数比后者的大10%~35%;计算出的沼泽水位相对变化量与地面实测的水位变化量的变化趋势吻合度较高,2007年6~7月和9~10月浅水沼泽区的水位波动幅度较大,水位变化量超过了0.70 m。

联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演

红树林是世界上生产力最高、价值最高的湿地生态系统之一。冠层叶绿素含量CCC(Canopy Chlorophyll Content)作为红树林重要的生物物理参量,是估算其生产力和评价其健康状况的重要指标。本文利用珠海一号高光谱卫星(OHS)影像与Sentinel-2A多光谱数据计算传统植被指数与组合植被指数并构建了高维数据集,综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选;分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法构建了红树林CCC遥感反演模型,探明北部湾红树林CCC的最佳遥感反演模型,验证OHS高光谱影像与Sentinel-2A数据反演红树林CCC的精度差异,评估SNAP-SL2P算法反演红树林CCC的适用性。研究结果表明:(1)通过数据降维和变量选择处理,从高维度OHS数据集选取了8个特征变量,其中RSI_((12,17))、DSI_((12,18))和NDSI_((6,12))组合植被指数对红树林CCC反演精度的贡献率较高;(2)联合OHS数据和最优堆栈GBRT集成学习回归模型(Score=0.999,RMSE=0.963μg/cm^(2))的训练精度优于最优RF机器学习回归模型(RMSE降低了7.531μg/cm^(2)),明显优于最优Lasso线性回归模型(RMSE降低了19.383μg/cm^(2));(3)在最优堆栈集成学习回归模型下,OHS数据反演红树林CCC的精度(R^(2)=0.761,RMSE=16.738μg/cm^(2))高于Sentinel-2A影像(R^(2)=0.615,RMSE=20.701μg/cm^(2));(4)联合OHS和Sentinel-2A数据的最优堆栈集成学习回归模型反演红树林CCC的精度都明显优于SNAP-SL2P算法(R^(2)=0.356,RMSE=49.419μg/cm^(2))。研究结果论证了正态分布检验、最大相关系数法和基于XGBoost的特征选择方法有效降低了高维数据集的维度,并得到了最优特征变量;OHS数据的最优堆栈GBRT集成学习回归模型训练精度最高,是估算红树林CCC的最优反演模型;OHS和Sentinel-2A数据都能有效反演红树林CCC(R^(2)均大于0.61),而OHS数据的估算精度更高(R^(2)大于0.75);SNAPSL2P算法不能有效反演红树林CCC(R^(2)小于0.4),且对红树林CCC数值存在系统性低估。

基于Sentinel-2卫星多光谱数据的会仙喀斯特湿地植物理化参数反演研究

植物是喀斯特湿地生态系统中最敏感的要素,其理化参数反映了喀斯特湿地生态系统的固碳能力和生产力水平,定量反演喀斯特湿地植物理化参数,对于揭示喀斯特湿地环境变化规律具有重要意义。以桂林会仙喀斯特国家湿地公园为研究区,利用Sentinel-2卫星多光谱数据,定量反演典型喀斯特湿地中植物的光合有效辐射吸收率(fraction of absorbed photosynthetically active radiation,FAPAR)、植被覆盖度(fractional vegetation cover,FVC)、叶面积指数(leaf area index,LAI)、冠层叶绿素含量(canopy chlorophyll content,CCC)和冠层含水量(canopy water content,CWC)共5种参数,构建其2018年3~11月的时间序列,定量研究各种植物的5种理化参数的变化特征;同时,利用两个精度较高的植物叶面积指数经验估算公式,评估利用神经网络的简化的L2级产品原型处理器(simplified level 2 product prototype processor,SL2P)算法反演的植物叶面积指数的精度。研究结果表明,采用SL2P算法反演的喀斯特湿地中植物的理化参数的精度较高;在整个湿地和典型航摄区都发现植物的各种理化参数几乎都有在7月明显减小的现象,5~9月植物的各种理化参数多大于3~11月9个月的平均值;在植物生长期,荷花(Nelumbo nucifera)群落与芦苇(Phragmites australis)-白茅(Imperata cylindrica)群落植物的各种理化参数差异显著。SL2P算法可以用于反演喀斯特湿地植物群落的植物理化参数。Sentinel-2卫星多光谱数据可以用于反演喀斯特湿地植物群落的植物理化参数方面的研究。