基于Sentinel-2和Landsat 8数据的天祝县草地地上生物量遥感反演

黄家兴， 吴 静*， 李纯斌， 秦格霞， 钱娟冰， 李怀海

(1.甘肃农业大学资源与环境学院， 甘肃 兰州 730070； 2.甘肃省基础地理信息中心， 甘肃 兰州 730070)

草地资源在环境保护、发展畜牧业、维持生态系统平衡、碳汇方面有着重要作用[1-3]，气候变化专门委员会第五次报告指出，全球几乎所有地区都出现了地表温度持续上升的现象，这将导致极端低温事件的减少，极端高温事件与极端降水事件的增加，从而引起生态环境较为脆弱地区的草地退化、草地畜牧业生产季节间的不平衡性等一系列问题[4]。草地地上生物量(Above-ground biomass，AGB)是反映草地长势，评价生态系统再生能力，草原生态系统健康状况和草地资源可持续利用状况的关键指标，快速、准确、大范围监测草地AGB对确定草地合理载畜量，确保草地生态系统安全具有重要意义[5-6]。

传统草地AGB测量方法一般是通过齐地刈割、循环采样等直接获取方法获得单点的草地AGB实测数据，准确度高，但费时费力，且在时间尺度和空间范围上都有局限性。光学遥感数据因包含有价值的植被参数信息，能够提供一种更方便的草地AGB监测方法，目前已被诸多学者应用在草地AGB的监测研究中[7-9]。目前大多数利用光学遥感数据监测草地AGB的研究均基于自然经验法，即利用实测AGB与遥感观测获得的植被指数建立经验函数关系式，进而获得空间尺度的草地AGB分布数据，这些传递函数可以是线性的线性、指数和幂函数、多项式函数，也可以是非线性的机器学习算法[10-11]。这种经验法受到现场观测数据的代表性的制约，并且模型精度与选择的遥感数据类型、采用的植被指数类型及选用的函数形式密切相关，用于具体区域草地AGB反演时还需要进行数据源、植被指数类型及函数形式的比较研究[12]。因采用较高分辨率遥感数据所需计算机存储内存及数据处理的复杂性[13-14]，目前大尺度草地生物量遥感监测以空间分辨率较低的中分辨率成像光谱仪(Moderate resolution imaging spectroradiometer，MODIS)、全球检测与模型组(Glaobal inventory modelling and mapping studies，GIMMS)等遥感数据为主，而较高分辨率的Landsat及更高分辨率的Sentinel-2应用不太广泛[15]，且对两种数据基于不同植被指数的生物量反演比较研究报道较少。Google Earth Engine(GEE)云计算引擎在全球范围内可较为方便地实现并行处理遥感数据[16]，无需访问超级计算机或专门的编程专业知识，也为利用较高分辨率遥感数据反演草地生物量提供了便利[17]。

本研究以天祝县草地覆盖区域为研究区，运用GEE云平台，采用Landsat 8和Sentinel-2的反射率数据，分别计算归一化差分植被指数(Normalized difference vegetation index，NDVI)，差值植被指数(Difference vegetation index，DVI)，绿色归一化植被指数(Green normalized difference vegetative index，GNDVI)，比值植被指数(Rational vegetation index，RVI)、增强植被指数(Enhanced vegetation index，EVI)5种植被指数，与实测草地AGB建立反演AGB模型，并用均方根误差、平均相对误差和R2评估不同数据源、不同植被指数及不同模型草地AGB的反演精度，最后选取8月最佳AGB遥感反演模型，反演得到天祝县草地覆盖区域草地AGB空间分布状况。研究可为推动较高分辨率的Landsat 8，Sentinel-2在大尺度草地AGB估算方面的应用，为研究区相关部门合理确定草畜平衡及利用草地资源提供方法与数据支撑。

1 材料与方法

1.1 研究区概况

天祝县位于东经102°70′～103°46′、北纬36°31′～37°55′之间，地处河西走廊东端，青藏高原、黄土高原和内蒙古高原的交汇地带；境内海拔2 040～4 874 m，地势西北高，东南低，以山地地貌为主；年平均气温0.3℃，年降水量407.4 mm，主要集中在 7，8，9月，年蒸发量1 592 mm，是降水量的3.8倍；以乌鞘岭为界，岭南属大陆性高原季风气候，岭北属温带大陆性半干旱气候。全县东西跨度142.6 km，南北距离158.4 km，总面积7 149.8 km2，其中草地面积为2 310 km2，以旱生耐寒禾本科为主[18-19]。4种主要的草地类型分布见图1。

图1 研究区位置及采样点示意图

1.2 数据来源及预处理

1.2.1样地选取与处理 根据天祝县草地类型分布特点、草地利用方式、利用强度、管理制度等方面的综合评估，于2020年6，7，8月下旬在不同类型、不同盖度且地势平坦、草地优势草种比较单一、空间分布均匀、面积大于100 m×100 m的草地试验样区内进行野外数据采集。样地大小为10 m×10 m，每个样地内按5点法布设样方(1 m×1 m)(图2)，以中心点作为第一个样方，4个角点为其余4个样方。实测时使用GPS记录样地经纬度，并详细记录实测点海拔、地形、优势种、株高、植被覆盖度、坡度、坡向。草地AGB采用收获法将样方内草地所有绿色部分用羊毛剪齐地面剪下，称其鲜重后在实验室内置于105℃温度下杀青，采用65℃烘干至恒重，获得每个样方的草干重，最后采用5个样方的平均值作为10 m×10 m样地的草地AGB。

图2 采样点分布图

剔除样方数据中表现异常的数据，共确定采样数据64个，其中AGB最大值为418.7 g·m-2，最小值为14.25 g·m-2，平均值为146.29 g·m-2。所有样方的AGB值处于中国北方温带草原AGB的50.0～707.5 g·m-2范围内[20]，与以往研究一致。

1.2.2遥感影像数据来源及预处理 研究中采用的植被指数数据由Google Earth Engine(GEE)平台提供的30 m空间分辨率的Landsat 8地表反射率产品和10 m空间分辨率的Sentinel-2地表反射率产品计算得到。选取2020年6—8月遥感数据，以保证与地面观测数据同期。为保证遥感数据的质量，计算植被指数之前的反射率数据均通过去云函数去除云量的影响，并利用qualityMosaic()函数合成与地面同一观测期内的一期无云且代表植被最好生长状态的地表反射率影像[17]。

1.3 研究方法

1.3.1植被指数计算方法 5种植被指数包括：归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、增强型植被指数(EVI)和绿度植被指数(GNDVI)。计算公式分别为：

(1)

DVI=NIR-R

(2)

(3)

(4)

(5)

式中，NIR代表遥感数据的近红外波段，R代表红光波段，BLUE代表蓝光波段，GREEN代表绿光波段[21-22]。

1.3.2统计分析与精度评价 根据野外调查样方的经纬度坐标，提取对应像元的植被指数值，与草地干重生物量生成数据集，用于草地干重生物量与各植被指数之间的相关性分析，并利用SPSS软件得到各植被指数与草地干重生物量的模拟模型。在64个实测样本中，选取45个样本建立模型，另外19个样本对建立模型精度进行验证。

模型精度评价采用均方根误差(RMSE)、决定系数(R2)和平均相对误差(MRE)来评价反演值与实测值的一致性[3]。精度评价指标的计算公式如下：

(6)

(7)

2 结果与分析

2.1 植被指数与草地AGB的相关性分析

草地AGB实测值与基于Landsat 8计算的各植被指数间的相关性如表1所示。

表1 Landsant 8遥感数据生物量干重与植被指数相关性分析

草地实测AGB与基于Sentinel-2遥感数据建立的各种植被指数的相关性(P<0.01)见表2。

表2 Sentinel-2遥感数据生物量干重与植被指数相关性分析

从总体来看，Landsat 8与Sentinel-2遥感数据提取的植被指数与草地实测AGB之间均存在显著相关性(P<0.01)，相关系数均在0.6以上，因此，可以基于植被指数与实测草地AGB建立经验模型用于草地AGB的遥感反演上。从各个月份的各种植被指数与AGB的相关性来看，总体上Sentinel-2数据表现更好，说明空间分辨率对植被指数与草地AGB的相关性有影响。

2.2 草地AGB估算模型构建与应用

利用统计软件建立草地AGB与不同植被指数估算模型，建立的所有模型均通过显著性检验(表3，4，5)。

表3 6月草原干重生物量估算模型

Sentinel-2数据6月份以RVI建立的模型拟合效果最好，模拟精度最高为二次曲线回归模型(R2=0.905 6)；7月份以DVI建立的模型效果最好，精度最高为二次曲线回归模型(R2=0.574 0)；8月份以GNDVI建立的模型效果最好，模拟精度最高为指数模型(R2=0.698 3)。

Landsant 8数据中6月份以RVI建立的模型拟合效果最好，模拟精度最高为二次曲线回归模型(R2=0.869 3)；7月份以DVI建立的模型效果最好，精度最高为二次曲线回归模型(R2=0.590 5)；8月份以GNDVI建立的模型拟合效果最好，精度最高为二次曲线回归模型(R2=0.631 5)。

总体来看，Sentinel-2模型拟合效果优于Landsant 8。两种遥感数据最佳反演植被指数相同,为6月份RVI、7月份DVI和8月份GNDVI。

表4 7月草原干重生物量估算模型

表5 8月草原干重生物量估算模型

2.2.1最优模型反演生物量验证 根据植被指数与生物量建立不同月份的最优反演模型，求得Sentinel-2与Landsant 8遥感数据反演生物量数据，并与实测数据进行对比进行误差分析，采用误差值与实测值的百分比来评价模型精度。

Sentinel-2的模型反演值与实测值的误差范围为25.64～51.63 g。在Sentinel-2中6月份6个点落在10%～30%之间；7月份中6个点模拟误差小于实测值的10%，14个点落在10%～20%，8个点落在20%～30%之间，剩余8个点大约30%；8月份中7个点模拟误差小于实测值的10%，6个点落在10%～20%之间，5个点落在20%～30%之间，剩余4个点大约30%。

Landsant 8的模型反演值与实测值的误差范围为51.87～54.92 g。Landsant 8中6月份4个点落在10%～30%之间，2个点大约30%；7月份中5个点模拟误差不足实测值的10%，12个点落在10%～20%，10个点落在20%～30%之间，剩余9个点大约30%；8月份中5个点模拟误差不足实测值的10%，4个点落在10%～20%，7个点落在20%～30%之间，剩余6个点大约30%。

总体上，基于Sentinel-2的模型误差值较小，模型反演值与实测值较为接近。

2.2.2模型精度验证 数据在进行处理过程中，Sentinel-2数据中分为7月份随机选取18个数据和8月份随机选取11个数据作为结果验证进行数据分析。根据最佳模型，用交叉验证法对最佳估产模型进行精度验证，实测值和估测值的对比结果相关系数分别为0.761 1和0.694 3，均达到极显著水平，均方根误差RMSE分别为22.01 g·m-2和23.64 g·m-2，平均相对误差MRE为0.166和0.196，模型精度分别为86%和84%。

Landsant 8数据中分为7月份随机选取18个数据和8月份随机选取11个数据作为结果验证进行数据分析。根据最佳模型，用交叉验证法对最佳估产模型进行精度验证，实测值和估测值的对比结果相关系数分别为0.683 2和0.675 2，也均达到0.01极显著水平，RMSE分别为24.22 g·m-2和26.43 g·m-2，平均相对误差MRE为0.215和0.236，模型精度分别为81%和79%。

基于以上模型的模拟效果均较好，Sentinel-2模型反演精度优于Landsant 8模型，能够为天祝县牧场产草量提供精确地评估和研究。

2.3 草地地上生物量的空间分布

采用Sentinel-2最优模型反演8月份研究区草地地上生物量。天祝县草地AGB分布有明显的空间差异(图3)。中部地区草原生物量较高，生物量大部分在200 g·m-2～350 g·m-2之间。不同草地类型的AGB差异较大：山地草甸平均值为546.6 g·m-2，高寒草甸为289.9 g·m-2，温性草原为320.6 g·m-2，温性荒漠草原为201.1 g·m-2。

图3 草地AGB空间分布图

3 讨论

本研究中Sentinel-2数据建立的6月份RVI二次曲线回归模型，7月份DVI二次曲线回归模型，8月份GNDVI指数模型，可以较好地模拟研究区草地地上生物量，结果符合在前者已经实现的模型预测系数变化范围内[26]，模型精度可靠，效果较为理想，具有一定的实际应用价值，应用于草地地上生物量估测是科学合理的。

草原植被的生长和生物量是一个动态变化的过程，Landsant 8遥感数据分辨率为30 m，Sentinel-2遥感数据精度高分辨率为10 m，运用以上两种遥感数据通过对比分析可以极大地减少像元混合所带来的误差，能够更细致及时的大范围监测了解植被各个时期的生长变化。同时GEE平台在大尺度草地生物量高分辨率的估算方面的应用，为草地资源的合理配置和草地资源的快速大范围监测提供方法与理论支撑[25-27]。

研究中，植被指数DVI,EVI,GNDVI,NDVI,RVI数据与采样点数据来自同一时期，这减少了模型模拟的一定误差，但本试验在地上生物量样本数量方面还比较欠缺，以后在条件允许的情况下，适当增加样本数量个数，以进一步提高模型模拟精度[28]。文中对不同草地类型的生物量差异关注较少，今后可根据研究区实际情况，适当选取不同草地类型进行实地采样，进一步细致研究该区域草地生物量，这对天祝区植被保护、草场监测等具有重要意义。

4 结论

以天祝县草地覆盖区为研究区，分析了草地地上生物量和各种植被指数的相关性，比较了基于Landsant 8与Sentinel-2遥感数据的5种植被指数拟合草地地上生物量的不同模型，并利用最优模型反演得到8月份草地地上生物量空间分布图。研究结果可为合理开发利用草地资源提供科学参考依据。

研究区实测草地地上干重生物量与所选各植被指数存在显著的相关性，基于各植被指数建立天祝县草地生物量遥感估算模型是可行的；基于分辨率为10 m的Sentinel-2建立的模型反演精度优于分辨率为30 m的Landsant 8。数据源空间分辨率的提高对于改进草地地上生物量的反演精度有明显的效果。