基于机器学习的红树林生物量遥感反演研究

doi:10.13466/j.cnki.lczyyj.2024.01.009

林草资源研究 ›› 2024›› Issue (1): 65-72.doi: 10.13466/j.cnki.lczyyj.2024.01.009

基于机器学习的红树林生物量遥感反演研究

郝君¹^,³(), 吕康婷², 胡天祺⁴, 王云阁¹^,⁵, 徐刚¹^,⁶()

1.浙江安防职业技术学院,浙江温州 325000
2.温州市天空地态势感知应用技术协同创新中心,浙江温州 325000
3.中国矿业大学,江苏徐州 221116
4.温州市未来城市研究院,浙江温州 325000
5.温州市自然灾害遥感监测重点实验室,浙江温州 325000
6.中南大学地球科学与信息物理学院,长沙 410083

收稿日期:2023-10-16 修回日期:2024-01-12 出版日期:2024-02-28 发布日期:2024-03-22
通讯作者: 徐刚,教授,主要研究方向:人工智能、地理空间信息技术、遥感智能解译。Email:xugang68@163.com
作者简介:郝君,高级工程师,主要研究方向:自然资源信息化、空间大数据分析、遥感智能解译。Email:68502484@qq.com
基金资助:
温州市基础性科研项目“基于‘天空地’一体化及InVEST模型的红树林碳汇能力监测评估研究”(S2023030);浙江省教育厅一般科研项目“顾及物候知识的互花米草遥感监测方法的研究”(Y202351948)

Remote Sensing Inversion of Mangrove Biomass Based on Machine Learning

HAO Jun¹^,³(), LYU Kangting², HU Tianqi⁴, WANG Yunge¹^,⁵, XU Gang¹^,⁶()

1. Zhejiang College of Security Technology,Wenzhou 325000,Zhejiang,China
2. Wenzhou Collaborative Innovation Center for Space-borne,Airborne and Ground Monitoring Situational Awareness Technology,Wenzhou 325000,Zhejiang,China
3. China University of Mining and Technology,Xuzhou 221116,Jiangsu,China,4.Wenzhou Future City Research Institute,Wenzhou 325000,Zhejiang,China
4. Wenzhou Key Laboratory of Natural Disaster Remote Sensing Monitoring and Early Warning,Wenzhou 325000,Zhejiang,China
5. School of Geosciences and Info-Physics,Central South University,Changsha 410083,China

Received:2023-10-16 Revised:2024-01-12 Online:2024-02-28 Published:2024-03-22

摘要/Abstract

摘要：

准确调查红树林生物量有利于评估红树林生态系统碳汇潜力。基于实地调查数据和Landsat 8遥感影像及DEM数据提取22个特征变量,利用随机森林(RF)、支持向量机模型(SVM)和极端梯度提升(XGBoost)3种机器学习方法,对西门岛红树林进行生物量遥感反演。结果表明:1)与RF算法和SVM算法相比,XGBoost算法构建的模型具有更好的估测效果(R²=0.932,E_RMS=1.514 t/hm²,E_MA=1.313 t/hm²),能更准确地估测红树林生物量;2)在递归特征消除法(RFE)筛选出的10个重要特征因子中,植被指数对红树林生物量估测的相对重要性较高;3)10个重要特征因子构成的XGBoost模型生物量反演得出,红树林生物量估测值范围为9.138~29.229 t/hm²,这与实地调查结果非常相近。XGBoost机器学习算法在红树林生物量反演中表现出较好的效果,该结果能为中国人工红树林碳储量的核算提供技术参考。

关键词: 红树林, Landsat 8, XGBoost, 生物量, 遥感反演

Abstract:

Accurately investigating mangrove biomass is beneficial for evaluating the carbon sink potential of mangrove ecosystems.Based on field survey data,Landsat 8 remote sensing images and DEM data,22 feature variables were extracted to carry out remote sensing inversion of mangrove biomass in the Ximen Island,which used three machine learning methods:Random Forest(RF),Support Vector Machine model(SVM)and eXtreme Gradient Boosting(XGBoost).The results showed:1)Compared to the RF model and SVM model,the XGBoost model had a better estimation performance(R²=0.932,E_RMS=0.514 t/hm²,E_MA=0.313 t/hm²),which could more accurately estimate the mangrove biomass.2)Among the 10 important characteristic factors selected by Recursive Feature Elimination(RFE),the vegetation index has a relatively high importance in estimating mangrove biomass.3)The biomass inversion map of the XGBoost model,which is composed of 10 important characteristic factors,showed that the estimated mangrove biomass ranges from 9.138 to 29.229 t/hm²,which was similar to the findings of the field survey.It can be seen that the XGBoost algorithm shows good application capabilities in mangrove biomass.This research will provide a technical reference for the accounting of carbon storage in the Chinese mangroves.

Key words: mangroves, Landsat 8, XGBoost, biomass, remote sensing inversion.

中图分类号:

S718.5

郝君, 吕康婷, 胡天祺, 王云阁, 徐刚. 基于机器学习的红树林生物量遥感反演研究[J]. 林草资源研究, 2024,(1): 65-72.

HAO Jun, LYU Kangting, HU Tianqi, WANG Yunge, XU Gang. Remote Sensing Inversion of Mangrove Biomass Based on Machine Learning[J]. Forest and Grassland Resources Research, 2024,(1): 65-72.

图/表 6

图1

图2

表1

表2

纹理特征指数及公式

纹理特征	计算公式
方差(VAR)	V_AR= $∑ i, j = 0 N - 1$ P_i_,_j(1-μ_i)
同质性(HOM)	H_OM= $∑ i, j = 0 N - 1$ iP_i_,_j/[1+(1-j)²]
对比度(CON)	C_ON= $∑ i, j = 0 N - 1$ iP_i_,_j(i-j)
异质性(DIS)	D_IS= $∑ i, j = 0 N - 1$ iP_i_,_j $i - j$
熵(ENT)	E_NT= $∑ i, j = 0 N - 1$ P_i_,_j(-lnP_i_,_j)
角二阶距(SM)	S_M= $∑ i, j = 0 N - 1 i P i, j 2$
相关性(COR)	C_OR= $∑ i, j = 0 N - 1$ [(ijP_i_,_j-μ_iμ_i)/ $σ i 2 σ j 2$ ]
均值(ME)	M_E= $∑ i, j = 0 N - 1$ iP_i_,_j

表2

图3

图4

参考文献 34

[1]	陈秋夏, 杨升, 刘星. 浙江红树林发展现状与思考[J]. 浙江林业, 2022(7):26-27.
[2]	李皓宇, 彭逸生, 刘嘉健, 等. 粤东沿海红树林物种组成与群落特征[J]. 生态学报, 2016, 36(1):252-260.
[3]	田义超, 黄远林, 陶进, 等. 基于无人机影像的北部湾典型岛群红树林生态系统净初级生产力估算[J]. 热带地理, 2019, 39(4):583-596.
[4]	余楚滢, 龚辉, 曹晶晶, 等. 基于无人机影像的无瓣海桑单木提取与地上生物量估算[J]. 热带地理, 2023, 43(1):12-22. doi: 10.13284/j.cnki.rddl.003609
[5]	赵越, 徐大伟, 范凯凯, 等. Landsat 8和机器学习估算蒙古高原草地地上生物量[J]. 农业工程学报, 2022, 38(24):138-144.
[6]	韩爱惠, 智长贵, 王雪军, 等. 利用MODIS数据反演森林生物量的方法研究[J]. 林业资源管理, 2011(4):40-47.
[7]	周小成, 黄婷婷, 李媛, 等. 结合遥感林龄因子的亚热带森林蓄积量估算方法[J]. 林业科学, 2023, 59(4):88-99.
[8]	曾伟生, 孙乡楠, 王六如, 等. 基于机载激光雷达数据的森林蓄积量模型研建[J]. 林业科学, 2021, 57(2):31-38.
[9]	郭正齐, 张晓丽, 王月婷. Sentinel-2A多特征变量反演针叶林地上生物量能力评估[J]. 北京林业大学学报, 2020, 42(11):27-38.
[10]	郭芮, 伏帅, 侯蒙京, 等. 基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究[J]. 草业学报, 2023, 32(4):15-29. doi: 10.11686/cyxb2022147
[11]	Zhao Fen, Xu Bin, Yang Xiuchun, et al. Remote sensing estimates of grassland aboveground biomass based on MODIS net primary productivity(NPP):A case study in the Xilingol Grassland of Northern China[J]. Remote Sensing, 2014, 6(6):5368-5386. doi: 10.3390/rs6065368
[12]	Castillo J A, Apan A A, Maraseni T N, et al. Estimation and mapping of above-ground biomass of mangrove forests and their replacement land uses in the Philippines using Sentinel imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 134:70-85. doi: 10.1016/j.isprsjprs.2017.10.016
[13]	田晓敏, 张晓丽. 森林地上生物量遥感估算方法[J]. 北京林业大学学报, 2021, 43(8):137-148.
[14]	邢晓语, 杨秀春, 徐斌, 等. 基于随机森林算法的草原地上生物量遥感估算方法研究[J]. 地球信息科学学报, 2021, 23(7):1312-1324. doi: 10.12082/dqxxkx.2021.200605
[15]	田义超, 郑丹琳, 张强, 等. 基于国产资源一号 02D 卫星和机器学习算法的钦州湾滨海土壤盐分反演[J]. 中国环境科学, 2024, 44(1):371-385.
[16]	仇皓雷, 王海燕. 机器学习在土壤性质预测研究中的应用进展[J/OL]. 生态学杂志:1-15(2023-11-20)[2023-12-19]. https://link.cnki.net/urlid/21.1148.Q.20231120.1134.002
[17]	蔡林菲, 吴达胜, 方陆明, 等. 基于XGBoost的高分二号影像树种识别[J]. 林业资源管理, 2019(5):44-51.
[18]	林秋莲, 顾肖璇, 陈昕韡, 等. 红树植物秋茄替代互花米草的生态修复评估——以浙江温州为例[J]. 生态学杂志, 2020, 39(6):1761-1768.
[19]	Gu Jiali, Wu Jiaping. Blue carbon effects of mangrove restoration in subtropics where Spartina alterniflora invaded[J]. Ecological Engineering, 2023, 186:106822. doi: 10.1016/j.ecoleng.2022.106822
[20]	Gu Xiaoxuan, Qiao Peiyang, Krauss K W, et al. Changes in mangrove blue carbon under elevated atmospheric CO₂[J]. Ecosystem Health and Sustainability, 2023, 9:0033. doi: 10.34133/ehs.0033
[21]	陈海生, 金玮佳. 我国最北缘秋茄红树林湿地土壤呼吸变化特征[J]. 广西民族大学学报(自然科学版), 2017, 23(4):100-103.
[22]	金川, 王金旺, 郑坚, 等. 异速生长法计算秋茄红树林生物量[J]. 生态学报, 2012, 32(11):3414-3422.
[23]	Weiss M, Jacob F, Duveiller G. Remote sensing for agricultural applications:A meta-review[J]. Remote Sensing of Environment, 2020, 236:111402. doi: 10.1016/j.rse.2019.111402
[24]	肖越, 许晓东, 龙江平, 等. 基于国产高分数据的森林蓄积量反演研究[J]. 林业资源管理, 2021(3):101-107.
[25]	赵翊含, 侯蒙京, 冯琦胜, 等. 基于Landsat 8和随机森林的青海门源天然草地地上生物量遥感估算[J]. 草业学报, 2022, 31(7):1-14. doi: 10.11686/cyxb2021454
[26]	Kadiyala A, Kumar A. Applications of python to evaluate the performance of decision tree-based boosting algorithms[J]. Environmental Progress & Sustainable Energy, 2018, 37(2):618-623.
[27]	谭雨欣, 田义超, 黄卓梅, 等. 北部湾茅尾海无瓣海桑红树林地上生物量反演——基于XGBoost机器学习算法[J]. 生态学报, 2023, 43(11):4674-4688.
[28]	王猛, 张新长, 王家耀, 等. 结合随机森林面向对象的森林资源分类[J]. 测绘学报, 2020, 49(2):235-244. doi: 10.11947/j.AGCS.2020.20190272
[29]	修晓敏, 周淑芳, 陈黔, 等. 基于Google Earth Engine与机器学习的省级尺度零散分布草地生物量估算[J]. 测绘通报, 2019(3):46-52. doi: 10.13474/j.cnki.11-2246.2019.0076
[30]	Chen Tianqi, Guestrin C. XGBoost:A scalable tree boosting system[C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco California USA: ACM, 2016:785-794.
[31]	李洋, 彭道黎, 袁钰娜. 应用XGBoost算法对森林地上生物量的机载LiDAR反演[J]. 东北林业大学学报, 2023, 51(5):106-112,129.
[32]	钱忠胜, 俞情媛, 张丁, 等. 结合SVM与XGBoost的链式多路径覆盖测试用例生成[J/OL]. 软件学报:1-26(2023-08-10)[2024-01-08].https://doi.org/10.13328/j.cnki.jos.006905.
[33]	吴伟志, 赵志霞, 杨升, 等. 浙江省红树林分布和造林成效分析[J]. 热带海洋学报, 2022, 41(6):67-74. doi: 10.11978/2021158
[34]	张子慧, 吴世新, 赵子飞, 等. 基于机器学习算法的草地地上生物量估测——以祁连山草地为例[J]. 生态学报, 2022, 42(22):8953-8963.

植被指数	计算公式
归一化植被指数(NDVI)	I_NDV=(N-R)/(N+R)
比值植被指数(RVI)	I_RV=N/R
差值植被指数(DVI)	I_DV=N-R
土壤调节植被指数(SAVI)	I_SAV=(1+L)(N-R)/(N+R+L)
增强型植被指数(EVI)	I_EV=2.5×(N-R)/(N+6R-7.5B+1)
绿波段归一化差值植被指数 (GNDVI)	I_GNDV=(N-G)/(N+G)

基于机器学习的红树林生物量遥感反演研究

Remote Sensing Inversion of Mangrove Biomass Based on Machine Learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 34

相关文章 15

编辑推荐

Metrics

本文评价

[1]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[2]	俞虹帆, 施志源. 红树林碳汇交易的市场化及其实现路径[J]. 林草资源研究, 2023, 0(5): 20-28.
[3]	张绘芳, 朱雅丽, 张景路, 高健, 地力夏提·包尔汉. 基于高分遥感数据的阿尔泰山乔木林地上生物量预测[J]. 林业资源管理, 2023, 0(2): 104-110.
[4]	蓝肖, 郝海坤, 黄开勇, 陈琴, 戴俊, 程琳, 陈仕昌. 杉木人工林生物量分布特征及其碳计量参数[J]. 林业资源管理, 2023, 0(2): 50-56.
[5]	蔡会德, 卢峰, 徐占勇, 潘黄儒, 孟想, 曾伟生. 桉树相容性可加性立木生物量模型系统研建[J]. 林业资源管理, 2023, 0(1): 87-93.
[6]	蒋静俭, 李子睿, 牛明月, 胡卫江, 张勇. 浙江省国有林场森林植被固碳释氧服务功能价值评估[J]. 林业资源管理, 2022, 0(zk1): 66-71.
[7]	王瑜, 蔡年辉, 陈林, 唐军荣, 许玉兰, 陈诗. 云南松苗木生物量分配与个体大小关系研究[J]. 林业资源管理, 2022, 0(6): 101-108.
[8]	宿少锋, 林之盼, 王小燕, 雷湘龄, 薛杨. 海南红树林湿地生态系统退化程度评价指标体系构建研究[J]. 林业资源管理, 2022, 0(6): 54-60.
[9]	聂靖, 陆驰, 欧光龙, 胥辉. 基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测[J]. 林业资源管理, 2022, 0(6): 68-75.
[10]	朱雅丽, 张景路, 张绘芳, 地力夏提·包尔汉, 廉佳佳. 天山中部锦鸡儿生物量分析及模型构建[J]. 林业资源管理, 2022, 0(5): 129-135.
[11]	杨雪清, 孙志超, 王立生, 柴政, 邱议文, 蒋春颖. 森林可燃物大样地抽样调查方法研究[J]. 林业资源管理, 2022, 0(5): 53-59.
[12]	曾伟生, 杨学云, 孙乡楠, 刘樯漪, 张宇超. 森林资源调查监测中各级储量数据的一体化方法研究[J]. 林业资源管理, 2022, 0(4): 13-19.
[13]	田海静, 王林, 韩立亮, 范云豹, 杨吉林. 基于哨兵2号多光谱遥感数据的草原植被盖度反演——以内蒙古自治区为例[J]. 林业资源管理, 2022, 0(4): 134-140.
[14]	李康杰, 胡中岳, 刘萍, 徐正春. 广东省珠三角乔木林生物量碳储量评估[J]. 林业资源管理, 2022, 0(4): 54-60.
[15]	曾伟生. 森林蓄积量和生物量多元混合模型研建[J]. 林业资源管理, 2021, 0(6): 23-28.