论文部分内容阅读
我国干旱地区区域广阔,约占国土总面积的47%,生活在干旱地区的人口众多,人们赖以生存的环境由于其自身的结构复杂独特,环境极其脆弱。近些年,全球气候变暖、自然灾害发生频繁、生态环境每况愈下,干旱地区的环境影响到了人民的生活质量。草地作为干旱地区的一种可再生资源,对调节气候条件、防风固沙、涵养水源、维持生态平衡和稳增碳汇具有重要意义。草地生物量对草地长势状态和生产能力有很好的指示作用,用来作为评价草地生态系统的重要指标。因此,准确监测我国干旱地区草地生物量,对我国生态安全、草地合理化管理和利用意义重大。本文基于Google Earth Engine云计算平台,以Landsat8为主要数据源,SRTM(Shuttle Radar Topography Mission)和TRMM(Tropical Rainfall Measuring Mission)为辅助数据,将我国干旱地区作为研究区域,开展使用CART(Classification and Regression Tree)分类回归树和SVM(Support Vector Machine)支持向量机两种机器学习方法构建草地生物量遥感估算模型的研究工作。首先,在Google Earth Engine平台上完成研究区Landsat8、SRTM和TRMM数据的预处理工作;根据野外样地调查实测的草地生物量数据,提取遥感影像上相应位置点的三大类15个遥感特征信息;同时分析了各个遥感特征信息与草地生物量的相关性;然后基于CART和SVM机器学习按照三类遥感特征信息的自由组合分别建立草地生物量遥感估算模型,并构建基于植被指数的一元回归模型与机器学习模型相对比;其次,通过对模型的建模精度和预测能力地验证分析,获得最适用于研究区的草地生物量遥感估算模型;最后反演研究区草地生物量的分布情况。研究的主要结论如下:(1)研究在Google Earth Engine平台上能够对Landsat8、SRTM和TRMM影像提取波段光谱(B2-B7)、植被指数(NDVI、RVI、DVI和ARVI)与DEM及气象(Elevation、Slope、Aspect、Hillshade、Precipitation)三类15个遥感特征信息。经过草地生物量实测数据和对应的遥感特征信息相关性分析,结果表明由于研究区分布范围广,野外采集工作地点的生态条件各不相,15个遥感特征信息与生物量实测数据并没有表现很强的相关性,相关性约在-0.4~0.4之间。因此,本文将三类遥感特征信息自由组合为波段光谱、植被指数和DEM及气象、波段光谱和植被指数以及植被指数和DEM及气象三种信息组合,探讨不同信息集合所构建的草地生物量遥感估算模型。(2)研究将三种信息组合与草地生物量建立联系,采用交叉验证的方法分别构建基于CART模型和基于SVM模型的草地生物量遥感估算模型。研究表明,基于CART和SVM机器学习方法建立模型的精度比仅使用单一植被指数建立回归模型的精度要高,CART模型建模的判定系数R~2在0.78~0.83之间,SVM模型的判定系数R~2在0.48~0.51之间,而一元回归模型的判定系数R~2为0.06。将预留的10%的样本数据进行模型预测能力验证,分析表明基于CART和SVM机器学习方法模型的预测能力优于使用单一植被指数的回归模型(ARVI指数函数模型)。其中,CART模型和SVM模型相对于ARVI指数模型判定系数R~2分别平均提升了0.22和0.15,均方根误差RMSE(Root Mean Square Error)分别平均提升了27.20%和5.83%。(3)综合分析七种模型的建模精度和预测能力,研究结果表明完全使用三类遥感特征信息建立的模型效果最佳,优于使用部分遥感特征信息建立的草地生物量遥感估算模型。三类15个遥感特征信息与草地生物量之间都有一定的联系,尽管三类遥感特征信息与草地生物量的相关性并不明显,但是不可忽略或忽视其中任何一类或一个信息的作用。(4)使用三类遥感特征信息基于CART机器学习反演我国干旱地区草地生物量,研究区内草地生物量分布于<100g/m~2、100~500g/m~2、500~1000 g/m~2、1000~1500 g/m~2、1500~2000g/m~2和>2000 g/m~2六个等级。(5)Google Earth Engine平台展现了遥感影像处理、分析和强大的计算能力,在GEE平台上遥感数据面向用户公开使用,用户可以快速获取大区域的遥感影像数据,凭借其云计算能力,高效完成工作,效率提升明显。GEE平台功能强大,为探讨草地生物量遥感估算提供了一种新的方法途径。