北部湾茅尾海无瓣海桑红树林地上生物量反演——基于XGBoost机器学习算法

无瓣海桑是广西从自治区外引进的外来红树林树种,采用定量化算法精确估算无瓣海桑地上生物量对红树林生态修复以及海洋蓝碳监测提供经验和方法。论文以广西茅尾海自然保护区无瓣海桑红树林为研究对象,以野外实测无瓣海桑红树林地上生物量数据和Sentinel-1/2卫星提取的后向散射数据、波段数据、植被指数数据和纹理指数数据为数据源,通过分析各遥感因子与实测红树林地上生物量之间的重要性关系,采用极端梯度提升(XGBoost)机器学习算法对比了不同的变量组合对模型精度的影响,最后基于优选的变量组合反演了无瓣海桑红树林的地上生物量。结果表明:(1)研究区无瓣海桑红树林实测树高范围为1.55—13.58m,平均值为8.37m,胸径范围为0.7—41cm,平均值为15.62cm;(2)通过XGBoost算法优选的21个特征变量组合模型拟合效果较好,其模型在测试阶段R2=0.7237,RMSE=21.70Mg/hm^(2)。XGBoost算法反演研究区无瓣海桑地上生物量介于19.14—138.46Mg/hm^(2)之间,平均值为51.92Mg/hm^(2);(3)Sentinel-1数据衍生的交叉极化(VH)后向散射系数对无瓣海桑红树林地上生物量的贡献最大;(4)无瓣海桑地上生物量高值区主要分布在北部、西北和西南部等偏西地区,低值区主要分布在东部和东南部等偏东地区,其反演结果与实际调查结果保持一致。总之,XGBoost机器学习算法在无瓣海桑红树林地上生物量反演中表现出较好的应用能力。

资源一号02D高光谱数据红树林地上生物量反演

红树林生态系统是地球上生产力最高的生态系统之一,它也是海岸带“蓝碳”生态系统的重要组成部分。地上生物量作为红树林蓝碳的重要组成部分,如何准确快速地获取红树林地上生物量已成为红树林生态系统研究的热门问题。分析北部湾茅尾海红树林地上生物量(AGB)空间分布格局及其量级,可为该区域红树林生态环境保护及“南红北柳”生态修复提供科学依据。资源一号数据作为我国自主研发的民用国产高光谱卫星,其高光谱数据为红树林地上生物量的研究提供了新的机遇。机器学习算法因其高性能、高效率的优势被越来越多的应用于红树林相关研究,目前已经成为获取红树林参数信息的重要手段。高光谱数据在红树林地上生物量的反演精度如何?国产高光谱卫星数据和机器学习算法在红树林地上生物量的估算中能否应用?这些问题仍需进一步验证。基于国产资源一号02D高光谱数据,采用极端梯度提升(XGBoost)、随机森林回归(RFR)以及K近邻回归(KNNR)三种不同的机器学习算法对茅尾海的红树林地上生物量进行估算,在此基础上对比了不同的机器学习算法的性能。结果显示:(1)无瓣海桑红树林地上生物量的平均值最高(90.93 Mg·ha^(-1)),桐花树次之(52.63 Mg·ha^(-1)),而秋茄最小(20.27 Mg·ha^(-1))。(2)采用XGBoost、 RF以及KNN三种机器学习算法进行红树林地上生物量和红树林光谱变量建模后发现,基于对数倒数1阶变换的XGBoost模型精度最高,为最佳的机器学习模型。其模型在测试阶段R^(2)=0.751 5, RMSE=27.494 8 Mg·ha^(-2)。(3)基于资源一号02D高光谱数据,采用XGBoost算法反演茅尾海的红树林地上生物量介于4.58~208.35 Mg·ha^(-2)之间,平均值为88.98 Mg·hm^(-2),地上生物量在空间上呈现出中部低,两边高的空间分布格局。总之,该研究论证了国产高光谱卫星数据和XGBoost机器学习算法的组合在红树林生物量的估算方面具有良好的应用前景,可为茅尾海红树林的生态修复和保护提供科学依据和技术支撑。