标题：A machine learning scheme for estimating fine-resolution grassland aboveground biomass over China with Sentinel-1/2 satellite images
期刊：《 Remote Sensing of Environment》(中科院1区TOP, IF=11.1）
作者：Huaqiang Li, et al.
doi：10.1016/j.rse.2024.114317
本文研究的是中国草原地上生物量（AGB）的高分辨率估算问题。草原生物量是草原生态系统碳储量的重要组成部分，对畜牧业也是重要的饲料来源。然而，由于草原物种结构和组成的巨大差异，使得在广阔区域内对生物量进行表征变得具有挑战性。利用植物生物学特性的电磁响应，如叶绿素和质量含量，通过卫星指标的数学建模，被认为是解决代表性采样不足和生成生物量连续空间估算的有效方法。但是，卫星指标不仅与植物生物学特性相互作用，还受到大气效应、太阳-目标-传感器几何形状和物种结构变化的影响，导致建模能力下降。此外，随着感兴趣空间尺度的增加和生物气候模式的变化，这一障碍进一步加剧。因此，本研究旨在探索多种驱动变量与机器学习（ML）算法在AGB估算中的耦合关系，以提高从局部尺度到广泛尺度的外推鲁棒性。研究使用了17,421个地面实测AGB样本和31个由Sentinel-1/2卫星图像及气候、地形、土壤数据生成的驱动变量。这些数据涵盖了中国18种草原类型。研究中使用了6种机器学习算法，包括多元线性回归（MLR）、支持向量机（SVM）、多层感知器（MLP）、弹性网回归（EN）、梯度提升回归器（HGBR）和随机森林（RF）。通过蒙特卡洛模拟评估了这些算法在AGB建模中的性能，并考察了训练样本不足导致的ML算法稳定性问题。研究还基于最优的RF估算结果、根/茎比（R/S）和放牧动物的大致摄入量，估算了中国草原的植物基碳储量。研究结果表明，31个多方面驱动变量并未增强ML算法在AGB建模中的性能。气候因素（如平均年降水量MAP）和卫星增强植被指数（EVI）在草原AGB的空间变异中占主导地位，分别解释了41%的空间AGB变异。随机森林（RF）算法在迭代训练中的均方根误差（MAE）表现最佳，但其最佳性能强烈依赖于饱和训练，R²为0.68。基于RF算法的最优估算，中国草原AGB为0.25 Pg C，地下生物量（BGB）为1.52 Pg C，放牧动物的大致摄入量为0.02 Pg C，因此估算中国草原的植物基碳储量为1.79 Pg C。空间分布图显示，AGB从中国南方的草丛草原和稀树草原（约295 g/m²）递减到青藏高原的高山草原（约46 g/m²）。所有ML模型均显示，南方中国的DHSTSG、WTH、WTSH、TH和TSH生物群落的AGB值最高，而高山和沙漠草原的AGB值最低。基于草类型的面积聚合，AM生物群落的AGB最高，占中国总AGB的约20%，而AD仅占约0.4%。
本研究强调，要解决使用ML方法的局限性，需要考虑模型训练的鲁棒性以及气候因素和卫星指标之间的互补效应。研究结果表明，气候因素和卫星指标的结合可以提高AGB估算的广泛尺度外推鲁棒性。此外，研究还发现，现有的ML算法普遍存在饱和和收敛趋势，训练样本不足可能导致模型建立错误和AGB估算的大偏差。最后，通过将RF模型的最优AGB估算、18种草原类型的R/S比率计算的地下生物量以及放牧动物的摄入量相加，估算出2020年中国草原的总植物基碳储量为1.79 Pg C。这一研究为从家庭牧场单位到更广泛尺度的草原生态系统的放牧管理和碳储量评估提供了先进的模型方案。
文章来源 ：
Li, H., Li, F., Xiao, J., Chen, J., Lin, K., Bao, G., ... & Wei, G. (2024). A machine learning scheme for estimating fine-resolution grassland aboveground biomass over China with Sentinel-1/2 satellite images. Remote Sensing of Environment, 311, 114317.本公众号发布的内容仅供学习交流使用，内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系。
