雅鲁藏布江上游高寒草甸地上生物量与多样性沿海拔梯度的变化特征

【目的】雅鲁藏布江是青藏高原最重要的河流,研究雅鲁藏布江地上生物量和物种多样性对了解该区域的草地资源和生态保护具有重要意义。【方法】根据海拔梯度对雅鲁藏布江上游高寒草甸植被特征进行调查,探讨不同海拔梯度下地上生物量和物种多样性的分布差异、地上生物量与物种多样性之间的关系,以及相关环境因子对地上生物量和物种多样性的影响。【结果】(1)雅鲁藏布江上游高寒草甸地上生物量与海拔、气温和降水均无显著相关关系(P>0.05);(2)多物种样性指数与海拔呈显著负相关关系(P<0.05),Shannon-Weiner指数(H)、Patrick指数(R)随海拔升高表现为下降趋势,而物种多样性与气温和降水呈显著正相关关系(P<0.05);(3)地上生物量与物种多样性之间表现为显著负相关关系,Shannon-Weiner指数(H)对地上生物量的解释达到70%(P<0.01)。【结论】雅鲁藏布江上游高寒草甸的海拔与地上生物量无显著相关性,而与物种多样性呈显著负相关关系,这为雅鲁藏布江上游流域草地资源合理利用和物种多样性保护提供依据。

锡林河流域草原生态系统地上生物量时空分布特征及其影响因子

为系统地量化环境因子之间的协同关系及其对生物量时空格局的调控,以锡林河流域为研究区域,测量了2020年5月—9月典型草原生态系统地上生物量以及气象因子(包括降水量和气温)、地形因子(包括高程)、土壤因子(包括土壤含水量、干密度、有机碳质量分数、全氮质量分数和pH)等三大类共8个环境因子,并通过地理探测器方法定量分析了地上生物量与各环境因子之间的关系。结果表明:1)时间维度上,研究区地上生物量在生长季初期稳定增长,在水热条件最好的7月,植被地上生物量增长最为迅速,在9月3日地上生物量达到峰值,此时流域上、下游地上生物量分别为209.12、147.19 g/m^(2);空间维度上,上游地上生物量显著高于下游(显著性水平p<0.05),地上生物量空间分布格局呈现从东南向西北整体减小的趋势。2)整个生长季中,气象因子(降水量和气温)是地上生物量空间格局的关键驱动因子,其对地上生物量分布格局的解释率在60.0%以上;生长季末期,除气象因子外,土壤pH也成为影响研究区地上生物量分布格局的主要驱动因子。3)生长季各阶段,各环境因子对地上生物量的交互作用均呈现出非线性增强和双因子增强关系。生长季初期,降水量和土壤干密度之间交互作用的影响力最大;生长旺期及末期,随着土壤含水量达到较高水平,土壤干密度与其他环境因子(降水量、气温、pH)的交互作用对流域植被地上生物量影响显著。

基于多光谱遥感和CNN的玉米地上生物量估算模型

目前玉米地上生物量(Aboveground biomass,AGB)的预测方法集中在使用从无人机图像中提取光学植被指数,通过线性模型或机器学习算法与AGB建立关系,原始图像信息损失严重,玉米生长后期的饱和效应会严重降低模型精度。针对此问题,本文收集了玉米拔节期、吐丝期和乳熟期的无人机图像和地面数据。分析了不同生育期玉米干地上生物量、鲜地上生物量与8个植被指数(Vegetation indexes,VIs)之间的相关性。分别以最优植被指数作为输入建立多层感知机(Multilayer perceptron,MLP)模型、以无人机多光谱图像作为输入建立卷积神经网络(Convolutional neural network,CNN)模型来估算玉米干地上生物量、鲜地上生物量。结果表明,基于MLP的玉米干地上生物量估算模型随着玉米生育期推进,模型的精度急剧下降,3个生长期MLP模型验证集R^(2)分别为0.65、0.23、0.32,RMSE分别为0.27、2.15、5.03 t/hm^(2)。CNN模型能够较好地克服光谱饱和问题,具有良好的精度和适用性,3个生育期验证集R^(2)分别提高27.69%、191.30%、171.88%,RMSE分别降低22.22%、38.14%、45.53%。基于MLP的玉米鲜地上生物量估算模型在玉米生长后期模型的精度同样较低,吐丝期、乳熟期验证集的R^(2)分别为0.27、0.37,RMSE分别为11.57、14.98 t/hm^(2)。CNN模型2个生育期验证集的R^(2)分别提高159.26%、129.73%,RMSE分别降低26.62%、54.01%。使用原始多光谱图像作为输入的CNN模型取得了最好的估计结果,可为玉米不同生育期的监测研究、精准管理提供指导。

基于星载激光雷达数据的森林地上生物量估算方法比较

近年来,星载激光雷达数据已被广泛用于大尺度森林地上生物量估计,但由于其激光光斑采样点不连续,通常使其需要与辅助数据相结合来估算森林地上生物量的连续分布,且估算方法仍存在许多不确定性。研究以祁连山国家公园为样本,结合星载激光雷达ICESat/GLAS数据、Landsat OLI数据和样地调查数据建立了3种基于非参数化算法(普通克里金插值(Ordinary Kriging,OK),支持向量回归(Support Vector regression,SVR)和随机森林(Random forest,RF))的森林地上生物量估算模型,以森林资源清查数据独立验证各模型估计精度。结果发现:3种模型的均方根误差(RMSE)从低到高依次为SVR(19.053 t·hm^(-2))、RF(21.074 t·hm^(-2))和OK(26.362 t·hm^(-2)),平均相对误差(MRE)从低到高依次为SVR(31.890%)、RF(33.314%)和OK(55.398%),且除OK模型外,SVR与RF模型的总体相对误差(TRE)都在可接受的范围内。进一步对SVR与RF模型生成的森林地上生物量空间分布的准确性进行验证,发现相较RF模型,SVR模型生成的森林地上生物量空间分布与森林资源清查数据更为接近。SVR森林地上生物量估计模型在数量精度和分布精度上都表现更优。结果可为今后基于星载激光雷达数据的森林地上生物量估算提供借鉴。

2005-2020年中国干旱半干旱区典型草地和荒漠生态系统植被地上生物量数据集

植被生物量是全球碳循环的重要组成部分,是陆地生态系统与大气之间碳交换的重要环节,是定量研究全球气候变化与草地、荒漠生态系统之间的反馈调节作用等的基础。中国干旱半干旱区的草地、荒漠生态系统是重要的碳库类型,本文选取中国生态系统研究网络(Chinese Ecosystem Research Network,CERN)中位于中国干旱半干旱区的2个草地生态系统观测研究站(海北站、内蒙古站)和5个荒漠生态系统类型观测研究站(鄂尔多斯站、阜康站、临泽站、奈曼站、沙坡头站)的典型生态系统,对其按照CERN生态系统长期观测规范开展长期观测获取的植被地上生物量的2005–2020年间生长季的月动态实测数据进行了收集整理与质量控制,并开展了样方原始调查数据到样地尺度观测数据的统计计算,生成了植被地上生物量数据集,可为中国干旱半干旱区草地和荒漠生态系统对全球气候变化响应及植被保育与可持续发展等研究提供地面观测数据支撑。

根系分隔方式对燕麦/豌豆间作地上生物量、土壤养分及根系性状的影响

为了解燕麦/豌豆间作系统中根系分隔对地上生物量和土壤养分的影响,本研究设燕麦单作、豌豆单作、燕麦豌豆间作不分隔、尼龙网分隔和塑料膜分隔共5个处理,分析了燕麦/豌豆间作后株高、地上生物量、土壤养分和根系性状的变化。结果表明,塑料膜分隔处理降低了燕麦株高和间作地上生物量,其土地当量比小于1,而尼龙网分隔、不分隔处理的土地当量比大于1,间作优势明显。塑料膜分隔处理的土壤有机质含量较尼龙网分隔和不分隔处理降低了14.75%~78.53%,有效磷含量降低了9.31%~29.73%,土壤全氮含量在拔节和开花期的根系分隔处理中无显著变化(P>0.05),灌浆期塑料膜分隔较尼龙网分隔和不分隔处理分别降低了22.16%和18.38%,成熟期不分隔处理较塑料膜分隔高10.83%(P<0.05)。对豌豆而言,塑料膜分隔处理的土壤有机质含量显著高于不分隔和尼龙网分隔。此外,不分隔处理的燕麦根长较尼龙网分隔、单作和塑料膜分隔分别增加了43.03%、59.02%和96.38%;根表面积分别增大了14.84%、30.20%和45.55%;根体积分别增加了17.37%、38.15%和106.15%。由此可见,燕麦/豌豆间作显著影响了作物的根系性状,使根系对土壤养分的竞争力发生了变化,从而影响了地上生物量;根系互作越紧密,燕麦和豌豆的地上生物量越高;根系无互作的塑料膜分隔导致燕麦根系生长较差,土壤养分含量较低,间作生物量较低。

应用机器学习算法模型预测兴安落叶松地上生物量

为了准确预测兴安落叶松地上生物量,以小兴安岭201株兴安落叶松地上生物量作为研究对象,以胸径(D)和树高(H)为变量,构建随机森林(RF)、人工神经网络(ANN)、支持向量回归(SVR)和梯度提升回归树(GBRT)等4种机器学习模型,并将机器学习算法的预测结果与传统二元生物量模型的预测结果进行对比分析。结果表明:对比传统生物量模型,4种机器学习算法的拟合效果与检验精度均有了大幅度提高。模型拟合精度由高到低的顺序为随机森林、梯度提升回归树、人工神经网络、支持向量回归、传统生物量模型;RF模型在各模型中的拟合精度最高,相对于传统生物量模型,RF模型的确定系数(R~2)提升了3.72%,均方根误差(R_(MSE))降低了44.47%,平均绝对误差(M_(AE))降低了42.81%,相对误差绝对值(M_(PB))降低了42.80%,赤池信息准则值降低了18.17%。模型检验精度由高到低的顺序为随机森林、人工神经网络、梯度提升回归树、支持向量回归、传统生物量模型;RF模型在各模型中的预测精度最高,与传统生物量模型相比,RF模型的确定系数(R~2)提升了1.08%,均方根误差(R_(MSE))降低了10.95%,平均绝对误差(M_(AE))降低了10.34%,相对误差绝对值(M_(PB))降低了10.34%,赤池信息准则值降低了5.20%。因此,相对于传统生物量模型,4种机器学习算法模型均可以提高兴安落叶松地上生物量的预测精度,RF模型的预测精度最高。

基于无人机多维数据集的森林地上生物量估测模型研究

森林地上生物量(Aboveground biomass,AGB)是评价森林生长情况的重要指标。基于数字航空摄影(Digital aerial photography,DAP)生成的二维和三维数据,分别计算了41个点云高度变量和16个可见光植被指数,利用6种回归算法(随机森林(RF)、袋装树(BT)、支持向量回归(SVR)、Cubist、类别型特征提升(CatBoost)、极端梯度提升(XGBoost))分别构建了单一变量集和综合变量集AGB估测模型,探索了不同变量对于AGB估测模型的贡献。研究结果表明光谱数据集和点云数据集AGB预测模型精度最高分别为Cubist和XGBoost,R^(2)分别为0.5309和0.6395。组合数据集最高精度模型为XGBoost,R^(2)达到0.7601,XGBoost模型具有更高的AGB估测稳定性。研究还表明6种机器学习模型的贡献主要取决于所考虑的回归方法,所选择的特征个数和特征对模型的重要性在不同的模型中并不一致。DOM光谱特征在AGB的估测中具有更高的重要性。总体来说,二维和三维数据的结合能够有效提高森林AGB估测精度,基于无人机倾斜摄影获取的RGB影像能够实现森林AGB的快速无损估计。

青藏高原草地地上生物量估算

及时准确评估草地产草量对草地资源的科学管理和可持续发展具有重要意义。青藏高原自然环境特殊,气候差异显著,地形复杂,仅依靠遥感信息准确监测草地地上生物量(Aboveground Biomass,AGB)变化有较大限制。基于青藏高原草地AGB野外实测数据与Landsat遥感影像,探索了植被指数表征草地AGB信息的有效性,评估了气象和地形信息对准确估算草地AGB的影响,综合利用气象、地形和遥感信息,在新一代地球科学数据和分析应用平台(Google Earth Engine)上构建了梯度增强回归树草地AGB估算模型,绘制了青藏高原多年草地AGB空间分布图。结果表明:(1)基于单因素遥感因子的线性回归模型仅能解释8%—40%的草地AGB变化情况,其中绿色归一化植被指数(Green Normalized Difference Vegetation Index,GNDVI)对草地AGB解释能力较强(40%)。(2)基于遥感因子构建的梯度增强回归树模型测试集R~2为0.57。分别添加气象、地形信息,模型对草地AGB的估测准确性有所提升,测试R~2为0.62和0.63。(3)基于气象、地形和遥感因子的多因素估测模型能够提高草地AGB估测精度,经递归特征消除法优选后,基于13个特征变量的梯度增强回归树模型拟合效果最好(训练数据集R~2=0.79,RMSE=43.42 g/m^(2),P<0.01;测试数据集R~2=0.66,RMSE=53.64 g/m^(2),P<0.01),可以解释66%草地AGB变化情况。(4)2010年青藏高原平均AGB为94.58 g/m^(2),2015年93.63 g/m^(2),2020年100.78 g/m^(2)。青藏高原西北部草地AGB较低,东南部草地AGB较高,整体呈现自西北向东南逐渐增加的分布格局。研究结果为准确估算青藏高原草地产草量和碳储量等研究提供重要参考。

集成多源遥感与极限梯度提升的竹林地上生物量估测

森林生物量遥感精准估测是评估森林碳汇潜力的重要依据,通过对比机载激光雷达(LiDAR)与机载多光谱数据在竹林地上生物量(AGB)估测中的差异,探索不同光学与激光点云数据协同估测森林AGB的潜力。以福建特色竹种黄甜竹(Acidosasa edulis)人工林为研究对象,同步采集无人机载多光谱影像和LiDAR数据,提取并优选单一LiDAR的优选特征集、单一多光谱影像数据优选特征集、联合机载LiDAR和多光谱影像的优选特征集,采用多元线性回归模型(MLR)和支持向量机(SVM)、随机森林(RF)、极限梯度提升(XGBoost)拟合竹林AGB估测模型。结果表明:(1)LiDAR数据的高度特征和密度特征是竹林AGB估测的重要特征,基于多源异构数据的特征集对竹林AGB估测的效果优于单一的遥感数据;(2)竹林AGB估测中,基于机器学习算法的非参数模型优于多元线性回归模型;集成XGBoost与多源特征集的黄甜竹AGB估测模型最优,R^(2)达0.64,Erms为9.90 t·hm^(-2)。竹林具有特殊冠层结构,应用LiDAR数据源能够有效获取林分垂直结构信息,联合多源异构数据能提高生物量估测模型精度。

应用UAVSAR数据及改进极化水云模型对热带森林地上生物量反演

针对热带森林地上生物量遥感估测中容易饱和区域大尺度森林地上生物量估测精度低的问题,以非洲加蓬中部的洛佩达国家公园为研究区,以NASA提供的L波段全极化机载合成孔径雷达(SAR)数据和LiDAR网格化森林地上生物量产品为数据源开展森林生物量估测方法研究。采用极化分解方法提取森林的多种散射机制,从中选择反映森林结构差异的地面散射特征和森林体散射的特征构建体-地散射比,采用极化水云模型(PWCM)进行森林地上生物量反演和精度评价。为了提高PWCM模型的适应性,建模过程中根据体散射分量(V_(ol))分段进行模型的参数优化。结果表明:以Freeman三分量极化分解后得到的体散射(V_(ol))、表面散射(O_(dd))、地-干散射(D_(bl))为基础构建的6个体-地散射比在极化水云模型估算森林地上生物量中,以μ_(VG2)作为体-地散射比时估测效果最好,模型决定系数(R^(2))为0.60,均方根误差(R_(MSE))为127.78 Mg/hm^(2);在此基础上,进一步根据体散射分量分段优化极化水云模型,模型决定系数(R^(2))增加到0.74,均方根误差(R_(MSE))降低了约20%,预测精度从50.76%提升至60.28%,并改善了低值高估、高值低估问题,在地上生物量高达450 Mg/hm^(2)时未出现饱和现象。

黄土丘陵区草地地上生物量及土壤水分养分对微地形变化的响应

[目的]深入了解地形变化对草地生产力及土壤水分养分的影响,为草地生态系统地形复杂地区的生态恢复以及生产力的维持提供参考和依据,对草地生态系统的合理利用与科学管理具有重要意义。[方法]以黄土丘陵区草地生态系统为研究对象,采用单因素方差分析、Duncan多重比较以及Pearson相关分析等方法对6个不同微地形下的草地地上生物量及0—40 cm的土壤有机碳、全氮、全磷含量和0—100 cm的土壤水分含量进行了研究。[结果](1)在阳坡,地上生物量随坡位的降低逐渐减少且呈极显著差异,土壤有机碳和全氮含量都随坡位的降低而减小,土壤全磷含量随坡位的降低呈“V”字形变化;在阴坡,地上生物量随坡位的降低呈现增加的趋势,土壤全磷含量随坡位降低而增大。土壤有机碳、全氮及全磷含量在不同坡向、坡位上均有显著性差异。(2)土壤有机碳、全氮及全磷含量均随土层加深而减小,其中全磷含量变化不明显;6种微地形的平均水分含量均随土层深度的加深而增加,且在大于40 cm土层上,6种微地形的土壤水分含量之间有显著差异。(3)相关性分析表明,0—20 cm土层的全磷与地上生物量呈显著负相关,20—40 cm土层的有机碳与地上生物量呈显著正相关,40—80 cm土层的土壤水分含量与地上生物量呈极显著正相关。由多元线性回归分析方程可知,在垂直高度的表层土层中土壤有机碳、全磷及土壤水分含量的共同作用对地上生物量有一定的影响,解释度为69.4%。[结论]微地形对地上生物量及土壤有机碳、全氮、全磷含量和土壤水分含量的分布格局有显著的分配作用,在表层土层中土壤有机碳、全磷和土壤水分含量与地上生物量有显著相关性,对地上生物量有一定程度的影响。

思茅松林地上生物量空间效应分析

以普洱市森林资源调查规划数据为基础,采用空间自相关和空间异质性分析方法,对普洱市特有优势树种思茅松林地上生物量进行空间效应分析.结果显示,思茅松林地上生物量从西向东先增大后减小,从南向北逐渐增大.全局Moran’sⅠ指数为0.436,通过1%显著性水平检验,具有极显著的空间正相关,呈现明显的聚集分布.高值聚集(HH)占百分比(29.83%)最大,主要分布在中北部地区.空间异质水平随区域尺度增加逐渐增大.研究较大尺度生物量问题时,考虑到空间效应的影响是必要的.该研究为优化调节思茅松林空间结构、提高森林生态系统服务功能提供理论支撑,丰富空间效应在林业研究中的应用,具有一定的典型性和参考价值.

牦牛放牧率与小嵩草高寒草甸暖季草地地上、地下生物量相关分析

通过对牦牛放牧率与小嵩草Kobrecia parva高寒草甸暖季草地地上、地下生物量相关分析得出,牦牛放牧率对小嵩草高寒草甸地上、地下生物量有显著的影响.随着放牧率的增加, 总地上生物量和优良牧草地上生物量及其比例减小,杂类草比例增加;总地上生物量和优良牧草地上生物量与放牧率呈线性回归关系, 杂类草地上生物量与放牧率呈二次回归关系,且当放牧率为2.30头/hm2时, 1998年杂类草的地上生物量达到最大;放牧率为2.04头/hm2时, 1999年杂类草的地上生物量达到最大.各土壤层地下生物量与放牧率呈线性回归关系;1998和1999年对照组0～30 cm地下生物量分别是轻度、中度和重度放牧的1.1,1.4,1.5倍和1.1,1.6,1.7倍;1998年各放牧处理不同土壤层地下生物量占0～30 cm地下生物量的比例为:0～10 cm占87.18%～88.38%,10～20 cm占8.19%～9.55%,20～30 cm占2.87%～3.44%;1999年各放牧处理0～10 cm地下生物量占0～30 cm总地下生物量的88.04%～89.37%,10～20 cm占7.14%～9.34%,20～30 cm占2.25%～3.5%;另外,1999年各处理组0～10 cm地下生物量的比例均高于1998年,而10～20和20～30 cm地下生物量的比例均低于1998年.不同土壤层地下生物量与地上生物量呈线性回归关系.

基于无人机影像VDVI指数的不同草地类型地上生物量估算

【目的】对天然草地地上生物量进行快速、高效及无损伤估算。【方法】本研究利用无人机对青藏高原高寒草原及高寒草甸2种不同类型的天然草地进行航拍调查,通过构建无人机可见光波段差异性植被指数(VDVI,Visible Band Difference Vegetation Index),分析VDVI与不同草地类型地上生物量之间的关系并对研究区地上生物量进行无人机遥感估算。【结果】VDVI指数与两种草地类型地上生物量均具有较高的相关性,高寒草原地上生物量估算精度达到70.68%,最优估产模型为y=-17070x2+2120.4x+4.9506;高寒草甸地上生物量估算精度达到80.76%,最优估产模型为y=332.15x2+39.712x+14.638。【结论】小型可见光无人机结合VDVI指数被证明可用于高寒草原和高寒草甸生物量快速无损估算,可为高寒草地高效估产提供实用帮助。

大气CO_(2)浓度升高背景下冬小麦冠层光谱特征和地上生物量估算

本研究旨在探究大气CO_(2)浓度升高对冬小麦全生育时期冠层光谱特征的影响,并基于筛选的敏感波段建立地上生物量(AGB)与光谱参数的定量关系。为此,在2021—2022年的冬小麦生长季,利用开放式CO_(2)富集系统(Mini-FACE),设定大气CO_(2)浓度(ACO_(2),(420±20)μL L^(–1))和高CO_(2)浓度(ECO_(2),(550±20)μL L^(–1))两个处理水平,分析了高CO_(2)浓度下光谱特征变化,基于连续投影算法(SPA)、逐步多元线性回归(SMLR)和偏最小二乘法回归(PLSR)筛选AGB敏感波段并构建估算模型。结果表明:CO_(2)浓度升高使冬小麦拔节期和开花期AGB显著增加。红边和近红边反射率及红边面积在拔节期增加,在开花期和灌浆期降低,蓝边、黄边和红边位置在不同生育时期均发生移动;AGB的敏感光谱波段主要分布在红边和近红边区域,CO_(2)浓度升高缩小了AGB敏感波段范围,但不影响AGB的估算;AGB的SMLR和PLSR模型均取得了较高的估算精度(R^(2)>0.8),其中SMLR模型中的R_(799′)、D_(y)、SD_(y)和PRI等特征参数与AGB显著相关,R^(2)为0.866。PLSR模型(R^(2)>0.9)在估算精度和稳定性上优于SMLR模型。本研究可为未来高CO_(2)浓度下冬小麦生长发育的遥感监测提供理论基础和技术方法。

基于无人机多光谱与纹理特征的饲用大豆地上生物量估算研究

本研究利用无人机获取了饲用大豆[Glycine max(L.)Merr.]主要生育时期的多光谱遥感影像,并基于多光谱影像提取的40个纹理特征和光谱反射率构建的12个植被指数,通过多元线性回归(Multiple linear regression,MLR)、人工神经网络(Artificial neural networks,ANN)、随机森林(Random forest,RF)、支持向量机(Support vector regression,SVR)等算法,对饲用大豆营养体生长过程的地上生物量进行了估测。结果表明:450 nm,560 nm,650 nm和730 nm这4个波段的光谱反射率随饲用大豆生育进程而变化,具体表现为分枝前期下降、分枝后期上升至峰值、开花期下降的变化趋势。840 nm波段的光谱反射率表现为分枝期上升并在后期达到峰值、开花期下降的变化趋势。方差(Variance)、对比度(Contrast)、相异性(Dissimilarity)和信息熵(Entropy)等纹理特征在各波段下数值变化基本趋于一致,表现出红边波段最大,红光波段最小。综合来看,基于植被指数与纹理特征作为输入参数的ANN模型对于饲用大豆各生育时期地上部生物量的估测效果最好(R^(2)=0.71,RMSE=1.81 t·hm^(-2))。研究结果可为饲用大豆地上生物量快速精准估测以及高效栽培管理提供技术支撑。

基于Landsat 8和机器学习的塔城地区草地地上生物量估测模型

以新疆塔城地区为研究区,利用植被指数、气象数据、地形数据作为自变量,结合研究区样地实测生物量数据,分析并比较K近邻回归(KNN)、多元线性回归(MLR)、梯度提升决策树(GBDT)和随机森林回归(RF)和极端梯度提升(XGBoost)5种机器学习模型,进而分析并比较采用投票回归器(Voting regressor)和堆叠(Stacking)方法构建的2种集成学习模型的估测精度。结果表明,基于Stacking集成学习模型性能最优,R^(2)达0.764,RMSE和MAE分别为23.29 g/m^(2)和16.8 g/m^(2),进而利用最优模型进行草地地上生物量(Above ground biomass,AGB)反演制图。

干旱荒漠区草地植物群落地上生物量时空分布对地下水的响应

分析了塔里木河下游以芦苇为优势种群的草地植物群落地上生物量时空分布特征及其对物种多样性和地下水的响应。结果表明,1)在时间上,2007年群落地上生物量最高,达741.75g/m2;在空间上,群落地上生物量随垂直河道距离的增加显著减少。2)物种多样性与群落地上生物量呈显著正相关。3)地上生物量在地下水埋深<3m时较高,且地上生物量对地下水中的Mg-Cl盐含量最为敏感,群落耐盐上限在5.0g/L左右。

结合修正后的全球生态系统动态调查冠层高度的森林地上生物量模型优化——以福建省为例

森林地上生物量(Above Ground Biomass,AGB)是衡量森林生态系统碳存储、能量流动和生物多样性的关键指标,对于气候变化研究和森林资源管理至关重要。福建省地处多云多雨的亚热带,地形和森林类型复杂,森林地上生物量估算难度大。为提升森林地上生物量估算效果,将最新星载激光雷达数据全球生态系统动态调查(GEDI)、Landsat以及Sentinel系列卫星等多源遥感数据进行集成和综合利用,通过Landsat影像计算的林龄对GEDI_V27冠层高度产品进行优化,结合优化后的MGEDI_V27冠层高度产品,建立传统遥感特征结合冠层高度的极端梯度提升模型(XGBoost)生物量反演模型,实现了福建省森林地上生物量的有效估算与制图。研究结果表明:(1)通过林龄优化后的GEDI冠层高度精度评价结果为R^(2)=0.67,RMSE=2.24m;(2)通过递归特征消除算法对三种森林类型进行特征优选,得到10个遥感特征,其中,三种森林类型最重要的遥感特征均为森林冠层高度,并且对比评价了在包含传统遥感特征因子的情况下有无冠层高度对于模型精度的影响,结果表明,在冠层高度因子参加特征构建时,森林AGB回归分析的精度明显提高,证实了冠层高度在生物量估算中具有显著的重要性;(3)研究得到的福建省森林AGB范围为0.001—363.331Mg/hm^(2),整体精度评价结果为R^(2)=0.75,RMSE=17.34Mg/hm^(2),2020年全省AGB总量为8.22亿Mg,平均值为101.24Mg/hm^(2)。通过优化GEDI中的森林冠层高度,并且结合传统遥感特征,可以实现对福建省森林地上生物量的精确估算和监测,研究成果有助于区域森林碳汇的评估。