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。