融合星载LiDAR系统GEDI数据与Sentinel-2影像的长江中游洲滩典型禾本科植物高度动态研究*

石 希,夏军强**,周美蓉,辛 沛

(1:武汉大学水资源工程与调度全国重点实验室,武汉 430072)(2:河海大学水灾害防御全国重点实验室,南京 210098)

植物作为河流生态系统中的重要组成部分,具有净化水质、截流固堤和为鸟类、两栖类动物提供栖息地等生态功能[1-2]。受气候变化、人为开垦和河道整治工程的影响,大型河流系统内的禾本科植物高度发生了一系列变化[3]。这种变化一方面将改变滩地植被对水流产生的阻力,进而对河道水位和防洪安全产生影响[4-5];另一方面将改变泥沙和营养物质的输移过程,促使洲滩物理生境和营养结构发生定向调整,进一步影响生物群落的分布情况[6-7]。因此,为全面厘清洲滩植物高度变化对防洪和生态产生的影响,有必要开展针对洲滩禾本科植物高度动态方面的研究。

星载激光雷达(LiDAR)是目前获取大尺度植被垂向结构信息的常用技术手段。伴随着星载LiDAR技术的逐步成熟,应用卫星LiDAR数据反演大型河流生态系统内的禾本科植物垂向特征成为一种可能。作为新一代星载LiDAR观测计划,全球生态系统动力学调查雷达(global ecosystem dynamics investigation, GEDI)自2019年开始收集全球植被垂向结构数据[8]。其凭借更小的探测足印与更高的数据精度,被广泛应用于量化植被地上碳储量分布、评估森林及栖息地退化状况等方面[9-11]。Potapove等[12]融合Landsat多光谱卫星影像与GEDI数据,构建了基于随机森林算法的全球森林高度外推模型,证实了结合GEDI数据与多光谱卫星影像可实现过去近几十年植物高度的反演。Li等[13]在热带稀树草原进行了GEDI数据性能的评估,结果表明现有GEDI产品对于株高大于2.34 m的植物具有更优的探测精度。Di Tommaso等[14]通过结合GEDI和Sentinel-2数据,成功区分并绘制了中法两国主要产粮区内高大农作物玉米(植株高度 >2 m)与低矮农作物水稻和大豆的分布情况。但有别于上述陆地生态系统,河流生态系统尤其是水陆交错带内的植物群落构成往往更为复杂,且部分河漫滩相较陆地生态系统拥有更高的植株密度和单位面积地上生物量[3],给星载LiDAR系统准确探测洲滩植物高度带来了一定困难。此外,洲滩优势种多年生禾本科植物的高度随植物种类变化存在较大的差异,且成熟的禾本科植物存在倒伏、横向生长等一系列问题。因此,在使用GEDI数据前,需探明其在获取洲滩典型禾本科植物垂向结构方面的性能。在数据处理方面,由于GEDI所探测到的植被垂向信息在空间上并不连续,其产品在实际应用前需进行外推处理。目前,已有研究主要利用机器学习的方法将GEDI数据与空间上连续的多光谱卫星数据相结合,构建相应的植被高度外推模型,以实现对植被高度的持续监测[14-15]。然而不同于森林生态系统,洲滩优势种多年生禾本科植物,其高度受气温、光照等环境因子影响,具有明显的年内变化趋势[16]。因此,在构建洲滩禾本科植物高度外推模型时,加入物候、累积温度和辐射等指标能否显著提高模型精度需进一步研究。

为探明星载激光雷达技术在反演洲滩禾本科植被高度方面的性能,本文以长江中游流域洲滩为例,利用实地采样和无人机(UAV)航测数据验证了GEDI卫星的性能。此外,本文融合Sentinel-2多光谱卫星数据构建了考虑物候、累积温度和光合有效辐射的洲滩典型禾本科植物高度外推模型,并分析了各指标对模型精度的影响。随后利用UAV航测数据对植物高度外推模型进行了精度评价,并进一步分析了洲滩典型禾本科植物高度对不同淹没条件的响应模式。

1 研究区域与数据

1.1 研究区域概况

长江中游河段上起宜昌下至湖口,长约955 km,一般可划分为宜枝、荆江、城汉和汉湖4个河段。河道中间和两侧分布有一系列心洲和岸滩,统称为洲滩。本文选用近年来最大的洪水,即2020年的流域性洪水,从Sentinel-2 10 m遥感影像中提取该场次洪水的最大淹没范围,并人工勾画出洪淹区域以外最近的堤岸线作为洲滩边界。本文所界定的长江中游洲滩(图1),汛期面积在620～980 km2之间,枯水期出露面积约为1150 km2。实地调查和以往资料表明,自然状态下的洲滩沿垂向可划分为边滩、低滩和高滩3个部分(图1a～b)。其中,边滩中水位时淹没,枯水位时露出水面,少量矮小的耐水植物在退水后重新萌发;低滩则会随水位波动在汛期呈现不同的淹没情况,其上主要为耐水性较强、植株矮小的菊科与禾本科植物(如虉草、灰化薹草等)[17];而高滩只在大洪水时淹没,其上分布着耐水性稍差、植株较高大的典型湿地禾本科植物芦苇、南荻等和少量灌木、乔木。

图1 长江中游洲滩与汉口江滩的地理位置Fig.1 Floodplain in the middle Yangtze River and the geolocation of in-situ surveyed Hankou floodplain

1.2 实测与UAV航测禾本科植物高度

本文利用实地观测和UAV航测的手段获取了中游典型洲滩内的禾本科植物高度数据。选取位于湖北省武汉市汉口水文站附近的汉口江滩作为典型洲滩(图1),该洲滩内分布有植株密度极高的芦苇-南荻群落。针对UAV航测,选用DJI-M300-RTK无人机搭载DJI-L1 激光雷达探头,分别在植物成熟期2022年7月6日与次年休眠期2023年2月5日获取了江滩三维点云数据。随后利用Cloud Compare软件中的CSF过滤算法[18]将休眠期点云数据处理生成洲滩数字高程模型(DEM);并将成熟期点云数据转换为洲滩数字表面模型(DSM)。随后将成熟期DSM与休眠期DEM地理配准后相减,得到洲滩植被高度分布情况。而在实地观测方面,在2022年5-10月共选取10个0.5 m×0.5 m的样方,其中2个处于低滩,剩余8个分布在高滩,测量样方内所有禾本科植株的高度。实测和UAV航测数据均表明成熟期典型禾本科植物高度介于2～6 m范围之间。

1.3 GEDI星载激光雷达数据

GEDI是美国航空航天局开展的新一代星载LiDAR探测计划,旨在提供高精度、高密度的植被高度与冠层结构数据。GEDI由3个相同的近红外LiDAR系统构成,具有8条平行的观测轨道,各条轨道间相距600 m。3组LiDAR系统在各自轨道上每隔60 m获取一个直径25 m足印内的地表三维结构,故GEDI数据具有空间离散的特性。本文从LP DAAC数据库(https://lpdaac.usgs.gov/)检索并下载了2019-2022年研究区域内所有GEDI 2A级产品,共计537个。其中包含各足印内的地面高程、植株相对高度(relative height, RH)和数据质量等信息。随后利用开源程序(github.com/shixi2ng/Satellite_RS_process_module/)提取了144732个高质量足印范围内的5种相对高度指标RH25、RH75、RH90、RH98、RH100,分别对应累计回波能量25%、75%、95%、98%以及100%处与地表平面间的相对高差。

1.4 Sentinel-2多光谱卫星数据

Sentinel-2卫星隶属欧洲航天航空局哥白尼计划。与其他多光谱卫星(如Landsat、MODIS)相比,Sentinel-2数据具有更高的空间分辨率(10～60 m)和更短的重访周期(单星10 d,双星5 d)。本文从哥白尼计划数据库中(https://scihub.copernicus.eu/)检索并下载了2019-2022年覆盖长江中游洲滩的所有Sentinel-2 L2A级产品,共计4034幅。L2A级产品中包含从可见光至中红外13个波段的地表反射率和质量评估数据。质量评估数据主要为通过场景分类算法生成的云层分布情况。依据Sentinel-2官方产品指南,利用1.2节中的开源程序对所有影像进行了去云处理,随后利用双线性内插法将20和60 m分辨率的影像均重采样至10 m。

1.5 日均气温和光合有效辐射数据

从 NCEI数据库(https://www.ncei.noaa.gov/)获取了国家基本气象站观测的日均气温数据。随后利用反距离权重法插值得到了全国逐日气温分布情况,并进一步将其重采样和裁剪至Sentinel-2 10 m栅格上,得到研究区域内的日均气温分布。此外,本文选用了MODIS光合有效辐射(photosynthetically active radiation, PAR)数据,其主要反映了太阳辐射中对植物光合作用有效的部分。从LAADS DAAC数据库(https://ladsweb.modaps.eosdis.nasa.gov/)下载了研究区内的MCD18A2数据,空间分辨率为1 km,时间分辨率为3 h。随后对数据进行了空间上的重采样和时间上的累加处理,得到日均光合有效辐射。

1.6 日水位数据

本文收集了长江中游河段宜昌、沙市、螺山和汉口4个水文站测量的日水位数据,4个站点的地理位置详见图1。4个水文站的数据分别用于代表宜枝、荆江、城汉和汉湖河段洲滩水位的变化情况。同时,为减少水位波动对洲滩淹没情况的影响,4个代表水文站皆位于相应河段的进口或上游。

2 研究方法

本文研究方法主要分为3步:(1)基于Attention-UNet的洲滩淹没区域识别;(2)特征指标提取;(3)基于XGB的洲滩典型禾本科植物高度外推模型构建,如图2所示。

图2 融合Sentinel-2与GEDI数据的禾本科植物高度外推模型框架图Fig.2 The framework of poaceous vegetation height model based on Sentinel-2 and GEDI data

2.1 基于Attention-UNet的洲滩淹没区域识别

在提取植物物候指标前,需准确剔除遥感影像中受淹没影响的数据。本文利用一种广泛应用于图像二元分割的卷积神经网络Attention-UNet识别洲滩淹没区域[19]。首先从云量低于10%的235幅Sentinel-2遥感影像中,随机选取了80幅。在确保这80幅影像均匀覆盖研究区域与研究时段后,逐幅手动标注出水体范围作为样本数据。以往研究表明在运用机器学习进行湿地水体识别时,结合水体和植被指数可更精确地捕捉湿地植被的淹没情况[20]。因此,本文选用3种常用的水体指数MNDWI、AWEI、AWEIsh与两种植被指数NDVI、OSAVI作为基本指标,随即构建了相应的训练集和验证集(表1)。对超参数进行调优后,得到了基于Attention-UNet的洲滩淹没识别模型,识别精度介于87.3%～93.2%之间,随后利用该模型提取了所有Sentinel-2影像中的淹没范围。此外,结合各河段代表水文站的日水位信息获取了各像元历年的起始淹没水位,并利用其估算了各像元的淹没历时和淹没水深,具体步骤为:(1)将任意一幅淹没影像中处于淹没边界上的像元视为当日淹没像元,其起始淹没水位为该河段代表水文站的当日水位;(2)依据同一年内不同影像中所有处于边界的淹没像元,利用Spline内插法得到各像元历年的起始淹没水位,随后运用代表水文站日水位数据估算出当年的淹没历时与淹没水深。

表1 Sentinel-2水体与植被指数计算公式及参考文献Tab.1 The algorithm and references of Sentinel-2 water and vegetation index

2.2 特征指标提取

本文共选用3种特征指标:地表反射率和指数信息、物候指标以及累积温度和光合有效辐射量(表2)。针对地表反射率和指数信息,选用Sentinel-2 蓝光至中红外波段的地表反射率和NDVI、OSAVI、MNDWI 3个指数(表2)。由于Sentinel-2与GEDI数据在时空维度上均无法对应,进一步处理使其相互匹配:首先,利用2.1节中提取的淹没范围剔除受洪淹影响的数据。随后,对任意GEDI数据点,在时间维度上向前和向后各追溯30 d,直至找到在其足印范围内不存在空值的一幅影像,计算出足印范围内的指标均值。最后对前后两幅影像的结果进行线性内插处理,得出与GEDI探测日期相对应的数据。若在30天窗口内没有满足条件的Sentinel-2影像,则舍弃该组GEDI数据。

表2 植物高度外推模型所用特征指标Tab.2 The features adopted in the vegetation height model

在提取洲滩优势种禾本科植物物候指标时,以往研究表明七参数双逻辑曲线具备准确描述其年内生长趋势的能力[25]。故运用七参数双逻辑曲线对OSAVI指数序列进行平滑处理:

(1)

式中,t为年积日;m1表征冬季植被指数均值;m2表征夏季植被指数峰值与m1间的差值;m3与m5分别表示植物生长季开始期与结束期;m4和m6分别表征夏季植物生长速率与秋冬季衰退速率;m7则表征夏季衰退速率。随后从拟合曲线中提取了与生物量、生长速率、生长日期相关的8个物候指标(表2)。

最后,为确保模型具备描述禾本科植物年内高度变化的能力,引入植物积温[26]和累积光合有效辐射量:

(2)

(3)

式中,ATGEDI、APARGEDI分别代表GEDI探测日积温和累积光合有效辐射量;doy是当前年积日;Tb是植物生长基温,此处选用生长季开始日期前后各5 d内(一个双星回归周期内)的平均气温;Td、PARd分别为日均气温和日均光合有效辐射。本文所用积温为日均气温Td相对生长基温Tb的累计总和,而累计光合有效辐射量则为生长季开始期之后的累积值。此外,统计了峰值年积日下的积温和累积辐射量作为生长期总积温和累积总辐射量(表2)。

2.3 基于XGB的洲滩典型禾本科植物高度外推模型构建

本文主要利用集成学习boosting算法中的XGBoost(XGB)构建了洲滩典型禾本科植物高度外推模型。为保证模型具备精确外推禾本科植物高度的能力,同时防止由于数据集不均产生的过拟合现象,根据实测和UAV航测数据,仅选用GEDI相对高度指标(RH100)处于2～6 m的样本,用于构建洲滩典型禾本科植物高度外推模型。随后,将2.2节中提取的26种特征指标作为模型输入数据,并将RH100视为输出数据。此外,为确定不同特征指标对模型精度的影响,利用XGB构筑了6种包含不同指标的模型(表3)。针对每种模型,从2019-2022 4年的数据中任选3年作为训练集,并利用剩余一年数据对模型进行验证,取4次结果的均值反映该种模型的精度。

表3 6种植物高度外推模型所用特征指标Tab.3 Selected features of six different vegetation height models

3 结果分析与讨论

3.1 UAV航测与GEDI卫星数据精度评价

图3 UAV航测与GEDI探测植被高度的精度评价Fig.3 Accuracy assessment of the UAV-surveyed and GEDI-derived vegetation height

另一方面,比较分析了GEDI不同相对高度指标与UAV航测高度间的相关性。从图4中可以看出仅有RH100、RH98与UAV航测值之间的误差均匀分布在0值左右。RH100的中位数和均值皆为正值,其箱体有明显的正向偏移,表明RH100相较UAV数据整体偏大。而RH98则相反较UAV数据整体偏小。进一步分析实测与UAV航测数据之间的差值,发现UAV航测高度较实测值普遍偏低,误差均值为0.06 m。促成这种现象的原因可能是,处于自然状态下的洲滩典型禾本科植物在自身重力和外界风力的干扰下存在一定倒伏,从而导致实测直立状态下的禾本科植物高度大于遥测高度。因此,在后续构建高度外推模型时选用同较UAV数据整体偏大的RH100代表洲滩典型禾本科植株的实际高度。

图4 GEDI不同相对高度指标与UAV航测数据间的误差分布情况Fig.4 Distribution of errors between UAV-surveyed vegetation height and GEDI-derived relative heights

3.2 不同指标对洲滩典型禾本科植物高度外推模型的精度影响

在对洲滩典型禾本科植物高度外推模型的超参数进行调优后,6种模型训练集和验证集的平均绝对误差(MAE)与均方根误差(RMSE)汇总至表4。结果表明:(1)3种指标皆纳入考虑的Index-Pheno-AT模型具有最高的精度,证明3种指标对高度外推模型均有一定贡献;(2)在与Index耦合的模型中,Index-Pheno和Index-Pheno-AT相较Index在精度上有明显的提升,训练集MAE与RMSE分别下降了约9.4%和5.9%,验证集则下降了约7.5%和6.1%;但是Index-Pheno-AT模型较Index-Pheno提升幅度较小,仅有约0.3%,表明在考虑物候指标后,加入积温、累积辐射指标对模型精度的提升并不显著。

表4 6种植物高度外推模型的精度Tab.4 Accuracy of six different vegetation height models

进一步分析了各指标对植物高度外推模型的贡献度(图5)。依据贡献度均值(～4%)将26种因子划分为主要与次要因子,其中主要因子仅包含指数和物候指标。物候指标中生长季开始期具有最高的贡献度约为19.5%,而另外两种日期型物候指标峰值——年积日和生长季结束期的贡献度也分别占9.5%和5.5%,上述结果表明日期型物候指标在反演洲滩禾本科植物高度时最为关键。而对于植被指数而言,其贡献率存在两极分化,OSAVI和Band3隶属主要因子,而NDVI和Band4-Band9的贡献率仅有约2.5%,这与以往研究结果较为相似,即重复添加具有相同波段的植被指数和具有较强相关性的红边波段数据并不会显著提高模型精度[12]。此外,所有积温和累积辐射量皆属于次要因子,表明累积温度和辐射对模型贡献较低。比较GEDI探测日期和植被成熟期(峰值年积日)后发现,约90%的GEDI数据探测于禾本科植物的成熟期内。由于禾本科植物高度在成熟期前已达到年内峰值,故GEDI探测日期下的积温和累积辐射量与其不再具有较强相关性,而生长期总积温、总累积辐射与成熟期植株高度的相关性更高(图5)。因此,利用GEDI数据所构建的洲滩禾本科植物高度外推模型更适用于获取成熟期内典型禾本科植物的高度,即年内高度峰值。

图5 各因子对植被高度外推模型贡献率Fig.5 Contribution of each indicator to the XGB-based vegetation height model

依据上述分析,对模型所用特征量进一步优化,剔除NDVI、Band4、Band8、Band8a等冗余指标,并将当前累积辐射量、积温替换成其与生长期累积总辐射量或总积温的比值 σAPAR、σAT(式(4)～(5))。优化后的Index-Pheno-AT模型整体精度进一步提升约1.1%。综上,在构建洲滩典型禾本科植物高度外推模型时,综合考虑物候、积温和累积辐射指标可提升模型精度,提升幅度在6.8%～10.7%之间。

σAT=min(1,ATGEDI/AT生长期)

(4)

σAPAR=min(1,APARGEDI/APAR生长期)

(5)

3.3 典型禾本科植物高度外推模型精度评价及中游洲滩植物高度分布情况

分别利用指标修改前后的模型外推了2022年7月4日汉口江滩禾本科植物高度的分布情况,并运用UAV航测数据对结果进行了精度评价(图6a、b)。结果表明:(1)调整指标有效地提高了模型精度,原模型MAE=0.77 m,R2=-0.141,而调整后MAE降低至0.71 m,R2提高至0.056,且散点图有更向对角线靠拢的趋势;(2)利用UAV航测数据得到的模型误差相较3.2节中的训练集和验证集分别高出0.38和0.33 m。分析图6b可以发现,有部分航测高度小于2.5 m的数据,其外推高度均大于3 m,影响模型整体精度。进一步分析后将误差归因于两个方面:(1)当使用UAV数据评价模型精度时,GEDI与UAV数据间存在的误差(见3.1节)将传递至模型结果中,导致模型误差被进一步放大;(2)2022年7月4日汉口江滩部分区域已有河水上滩,区域内植株在水流作用下发生了一定的弯折,导致UAV航测植株高度小于植株实际高度。同时对于受洪淹影响的像元,其各波段光谱反射率受光谱融合影响,导致外推模型无法准确计算植被高度。因此,将受洪水淹没影响数据剔除后(图6c),模型整体MAE降低至0.64 m,且处于[-0.93, +0.93] m范围内的数据上升至79.6%。

图6 模型外推汉口江滩植被高度与UAV航测植被高度比较Fig.6 Comparison between model-derived and UAV-surveyed vegetation height in Hankou floodplain

此外,利用修改后的洲滩典型禾本科植物高度外推模型绘制了2019-2022年长江中游流域植物年内高度峰值的分布情况。首先,以2022年为例分析了植被高度的空间分布情况(图7a)。2022年长江中游洲滩植被高度均值为(3.79±0.54)m,且各河段间植被高度呈现明显差异:宜枝段植株平均高度为(3.56±0.45)m,整体偏矮;城汉段植株平均高度为(3.88±0.59)m,整体最高。从图7a中可以看出,植物高度的空间差异主要与开垦、造林等一系列人类活动有关。另一方面,图7b～e给出了2019-2022年各河段植被高度的年际变化情况,4个河段植被高度皆呈现“先降后增”的趋势。受2020年流域性洪水影响,4个河段植被高度整体下降了0.03～0.24 m,淹没区域内高度下降了0.07～0.43 m。其中,城汉段高度均值从2019年的3.67 m降低至2020年的3.23 m,下降趋势最为明显;汉湖段植物高度出现明显的低分布峰。该场次洪水影响近乎所有中游洲滩且部分河段高滩淹没历时较长,导致其上不耐水植物因无氧呼吸耗干营养物质而死亡[27]。此外,大洪水也一定程度地破坏了植物生长环境,导致多年生植物的根系在休眠期内无法补充足够的营养物质影响次年植物高度。但2022年荆江段植被高度整体抬升至洪水前水平,城汉段众数复位至平均值附近,汉湖段低值峰消失,表明洲滩生态系统具备一定的自我恢复能力,即在外界干扰下可自行恢复至干扰前的稳态。

图7长江中游洲滩植被高度的时空分布情况Fig.7 Spatiotemporal distribution of vegetation height on the floodplains in the middle Yangtze River

3.4 长江中游洲滩典型禾本科植物年际间高度动态与淹没条件的关系

以2020年流域性洪水为例,进一步分析了洲滩典型禾本科植物年际间高度动态对不同淹没历时和淹没水深的响应模式。图8给出了2020-2021年植被高度变化率与淹没历时之间的关系。结果表明,洲滩典型禾本科植物年际间高度动态对淹没历时的响应可分为3个阶段:当淹没历时小于7 d,洪水有促进植物生长的作用,最大促进幅度相较未淹没区域为6.8%;而当淹没历时逐步增加至10～35 d时,洪水开始抑制植物生长,植物高度的平均变化率相较未淹没区约为-2.3%;当淹没历时进一步增大至35 d以上时,洪水进一步对植物长势产生负向作用,高度平均变化率下降至-3.1%。从洲滩垂向结构进行分析,处于高滩上的不耐水植物在经历短期的洪水淹没后,土壤含水量得到补充,水流中携带的营养物质和泥沙沉积在洲滩表层,促使植物长势变好;而对于高滩中层的不耐水植物,随着淹没历时的增加,厌氧呼吸将逐渐占据主导地位,而伴随着营养物质耗尽部分植物将彻底死亡,故这一区域内次年植物高度明显下降;而对于淹没历时更长、处于高滩下层以及低滩上的植物,其不仅面临无氧呼吸的问题,还要长时间承受河道水流对其产生的拖曳力,在两种因子的共同作用下,禾本科植物的高度受到更严重的负面影响。

图8 2020年洪水淹没历时与植被年际间高度动态的关系Fig.8 Relationship between inundation duration and interannual vegetation height dynamics for flood of 2020

但无论是洪淹导致的厌氧呼吸亦或是洪水对植被拖曳作用的强弱,从机理上其皆与淹没水深存在一定关系,故进一步分析了淹没水深与禾本科植物高度动态的相关性。图9给出了2020年流域性洪水作用下洲滩禾本科植物高度变化率与最大淹没水深间的关系,从图中可得出3 种不同区域内植被高度的响应方式:(1)对于最大淹没水深h<1.5 m的高滩而言,随着h的增大,洪淹对于禾本科植物高度的影响从促进转变为抑制;(2)对于h>3 m的高滩底层至低滩区域,随着最大淹没水深的增加,所属区域内的植物耐水性提升,因此淹没水深对植被高度的影响逐步变小,最后于0值附近波动;(3)而对于h处于[1.5, 3] m的所有洲滩而言,由于其滩体所属层与植物高度皆有差异,因此该部分植物对淹没水深的响应模式没有明显规律,植被高度动态在[-10%, -5%]间波动。

图9 2020年最大淹没水深与植被年际间高度动态的关系Fig.9 Relationship between and maximum submersion depth and interannual vegetation height dynamics in 2020

为进一步给出图9中高、低滩混合区域内禾本科植被高度动态与淹没水深间的关系,选取图9中两条拟合曲线等于Δmin/3(Δmin为两条曲线交点处植被高度变化率最小值)时所对应的最大淹没水深作为上下边界,分析了该范围内禾本科植被高度动态随日均淹没水深与植株高度比值(s)间的关系,如图10所示。当s<0.95时,受淹没历时和淹没水深共同影响,洲滩禾本科植被高度动态与s之间的关系表现得较为复杂,于[-10%, 0%]范围内波动;而当s>0.95时,高度变化率随着s呈现出单调下降趋势,Δ从s=0.95时的0.1%下降到s=1.9时的-11.3%,即随着水流彻底淹没禾本科植物,植株高度将受到更为严重的负面影响。

图10 2020年日均淹没水深与植被高度比值和植被年际间高度动态的关系Fig.10 Relationship between the daily average submersion depth to vegetation height ratio and interannual vegetation height dynamics in 2020

4 结论

星载激光雷达技术的发展给监测大型河流系统内的禾本科植被高度带来了新的可能。本文利用实测和UAV航测数据评估了新一代星载LiDAR卫星GEDI在获取典型禾本科植物高度方面的性能,并结合Sentinel-2数据构建了考虑植物物候、累积温度和光合有效辐射量的洲滩典型禾本科植物高度外推模型。随后以长江中游洲滩为例,全面评价了GEDI数据的适用性与模型的精度,并分析了洲滩典型禾本科植物高度对不同淹没条件的响应模式。主要结论包括:

1)利用实测数据对UAV航测植物高度进行精度评价,RMSEUAV=0.28 m。同时GEDI数据与同年UAV航测数据相比,RMSE=0.43 m,综合表明GEDI数据具有反映洲滩植物高度的能力。此外,受禾本科植物倒伏作用的影响,洲滩实测禾本科植被高度与 GEDI相对高程指标RH100间的相关性最强。

2)综合考虑植被指数、物候、积温和累积光合有效辐射指标的洲滩典型禾本科植物高度外推模型精度最高,相较仅考虑植被指数的模型精度提升为6.8%～10.7%。其中日期型物候指标(生长季开始期、结束期等)的贡献度最高,而由于GEDI探测日期普遍晚于洲滩植被成熟期,故引入积温和累积辐射指标对模型精度的提升并不显著。

3)利用UAV航测数据对模型外推精度进行评价,MAE与RMSE分别为0.64和0.80 m。运用该模型外推结果分析后表明:在空间尺度上,长江中游各河段植被高度存在差异,宜枝河段植株整体偏矮,城汉河段则整体偏高;在时间尺度上,受2020年流域性洪水的影响,所有河段植被高度均值下降了0.03～0.24 m,淹没区域内高度下降了0.07～0.43 m,导致2019-2022年植被高度整体呈现先降后增的趋势。

4)在2020年流域性洪水的作用下,洲滩禾本科植物高度变化率随淹没时间的上涨呈现先增后减的趋势,即淹没历时≤10 d,次年植株高度增加;淹没历时>10 d,株高平均降低约2.3%～3.1%。此外,当最大淹没水深从0增长到1.5 m时,洪水对植被高度的影响从促进转变为抑制;而当最大淹没水深大于3 m时,随着最大淹没水深的进一步增加,洪水对洲滩植物的抑制作用逐渐趋近于无。另一方面,当洲滩日均淹没水深与株高比值大于0.95时,其次年植物高度随着比值的增加,从2020年相似水平单调下降至2020年的88.7%。

上述结论将有助于评估大型河流系统中典型禾本科植物对河床糙率、河流顶托、泥沙沉积的作用,同时提高对不同淹没条件影响下禾本科植物动态的认知,从而有利于制订相应的洲滩典型植被生境保护以及恢复政策。