数学建模社区-数学中国

标题: 基于 UAV 和机器学习方法的甘南地区高寒草 地地上生物量遥感估测研究 [打印本页]
作者: 杨利霞    时间: 2020-11-20 15:26
标题: 基于 UAV 和机器学习方法的甘南地区高寒草 地地上生物量遥感估测研究
基于 UAV 和机器学习方法的甘南地区高寒草

. G' f2 {( M/ J0 d
地地上生物量遥感估测研究

, q. t* W% R3 |$ k$ z: l
: u: w$ R! |4 P  _& [9 X/ Q6 q4 U% F4 B& [
草地地上生物量（Above Ground Biomass, AGB）是区域碳循环分析和草地. v7 h6 H+ k0 D% P9 Y+ [; N
生态系统健康评价、草地资源可持续开发利用的关键指标。在青藏高原地区，受4 O6 r% g. i; e8 {/ Z8 T3 t
特殊气候和复杂地形条件的影响，生态环境极其脆弱，草地生物量能够反映高原
# v  W$ ^1 A( @- v1 v地区草地生态系统和植被物种的动态变化情况，是全球气候变化研究的重要指标
+ S) V; o! i. @2 T, s  x之一。因此，构建高精度的草地生物量估测模型对草地资源管理、草畜平衡分析、
5 d4 K9 c5 b( K) K6 n草地生长状况评估和生态环境保护均具有重要的意义。
3 m+ ?! k5 T1 d( p% v+ J许多学者针对青藏高原地区的草地生物量估测已开展了大量的研究。然而，) n  B/ C: X' a
现有草地生物量估测模型差异较大，适合高寒草地生物量估测的反演方法尚缺乏
1 x$ a8 N! f" S系统全面的研究。因此，本研究以青藏高原东缘的甘南地区作为典型研究区，利 1 g( u3 }6 X4 x/ H$ c4 Y' [( [
用与草地生物量有显著相关性的地理位置、地形、植被生物物理指标、气象、土* S3 R# r- ~( s" i" L) ]: }
壤和遥感植被指数等因子，分别构建了草地生物量单因素参数模型、多因素参数
1 G1 k; Z) A, I' J, }8 T5 s# T, k模型和非参数模型，利用 10-fold 交叉验证的方法系统比较了各种模型的精度和
( t2 _2 m& d  D& S* r! ~2 E稳定性。在此基础上，分析了 2000-2016 年研究区草地生物量的时空动态变化特
4 m& K' `- Q) d5 Q1 R征。研究结果表明：
' ]8 L. n' ^% ~! |* n9 {" U3 N1）对 MOD13Q1 植被指数数据的滤波去噪处理是降低基于 MODIS 数据高- m5 _5 k2 b9 v/ m$ W
寒草甸草地 AGB 反演误差的关键之一。基于 Gaussian 函数、Double-Logistic 曲
1 X* B9 Q. R) k) a  Q线和Savitzky-Golay三种方法进行滤波处理后的EVI比MOD13Q1 EVI最优AGB. t9 g5 `5 F% s: J
估测模型的精度高，其测试集的 R2 增加 0.001~0.009，RMSE 减少 0.72 kg/ha~1.33# Z0 I* [& n2 l3 v* U
kg/ha；基于以上三种方法进行滤波处理后的 NDVI 比 MOD13Q1 NDVI 最优 AGB7 I' N4 i! K0 r! P, r) `
估测模型的精度高，其测试集的 R2 增加 0.057~0.068，RMSE 减小 19 kg/ha~34.21 ( w4 c, [0 r1 @9 D
kg/ha。8 Q8 }1 H+ a! j$ e# t6 o1 \5 I
2）在地理位置、地形、植被生物物理指标、土壤和气象等 14 种因子中，经* z8 x6 l: _" k- k$ ?8 g
度（X）、纬度（Y）、海拔（DEM）、坡位（TPI）、草层高度（H）、草地盖度（C）、4 W5 z8 T6 V" U
气温（T）、降水（P）和底层土壤粘粒含量（Clay2）等 9 种因子和草地生物量之 $ X: ]. d& C( R' @7 g  f$ t& y
间具有显著的相关性。在所有单因子最优估测模型中，基于草地盖度的指数模型
8 h, z* p9 v- S; V精度最高，其测试集的 R2 和 RMSE 分别为 0.39 和 859.368 kg/ha；其它因子最优
* {. |; O/ p( y. c9 v- {I II" j/ V* t% ?! x# ^( h
估测模型的精度由高到低依次为 H、P、T、Y、DEM、X、TPI 和 Clay2。总体7 c" G* j6 |( Z* ]0 ?( I
来看，9 个单因子 AGB 参数模型的估测精度较低，存在较大的不确定性，仅能% }5 n4 |) i) p+ y2 e( B
解释生长季草地生物量变化的 1.5%~36.3%。 8 c% R; J  X1 [; F4 k
3）与单因素 AGB 模型相比，构建草地生物量多因素参数模型和非参数模* j3 U: t9 f8 y
型是提高草地生物量监测精度的重要途径。在 6 大类因素中，基于植被生物物理
+ n: }; Q" n: c/ F6 j8 y指标 H 和 C 构建的最优估测模型在参数和非参数两类模型中的精度均最高，其( H( E0 y0 N3 ^, |1 H! `2 ~# e
次依次为气象（T、P）、地理位置（X、Y）和地形（DEM、TPI）等因素构建的
6 I5 W: b: C& z3 N/ Z最优草地生物量估测模型；并且以上 4 类因素所构建的非参数模型精度较参数模  {( M+ s4 j$ D# P
型高，其测试集的 R2增加 0.07~0.1，RMSE 减小 1.41kg/ha~80.65kg/ha。在基于
( u2 @( U+ W' O& b各因素组合的参数和非参数模型中，不同组合模型的精度随着构建模型时自变量2 C$ S, |6 K5 A3 y
的减少，两类模型的精度均呈现逐渐递减的趋势。在相同组合中，非参数模型精' p, a/ o9 [" v# T
度均高于参数模型，其测试集的 R2增加 0.04~0.12，RMSE 减小 74.91 kg/ha~138.34
' h) n1 A& ^- {: p* `kg/ha。! a5 Y7 e  D. S
4）构建多因素参数和非参数模型是改进草地生物量估测模型稳定性的关键。 9 Y- Q& {0 ~4 m: z
在参数和非参数 2 类模型中，随着参与构建模型因素数量的增加，模型的稳定性
4 {3 `) Y& j) K4 {& @0 t- V也呈现增加趋势。在所有模型中，基于 X、Y、DEM、TPI、H、C、T、P、Clay2、4 u6 {2 j! v9 I( {
EVISG等 10 种因子的最优非参数模型稳定性最高，其 RMSE 的标准偏差较最优
4 Z9 o) g( \: V3 l) B单因素模型减少 51.643 kg/ha ~61.286 kg/ha，较最优多因素参数模型减少 37.508 , H( k! ^0 l1 z9 r* _
kg/ha~61.286 kg/ha。
4 m; ?5 ^2 W. |+ q5）2000-2016 年甘南地区草地生物量总体呈现增加趋势，年均增加量约为
4 ]& b# @1 M! D12.463kg/ha。从草地生物量变化趋势的空间分布特征来看，研究区大多数区域的
  ~% k: `% [; U草地生物量变化趋势处于稳定和增加的状态，其中保持稳定区域占整个研究区草   a2 o) Q0 g% I8 l
地面积的 78.53%，增加趋势的区域占整个研究区草地面积的 20.50%，而生物量
8 W! G# p8 u! L1 v, q呈减少趋势的区域仅占 0.98%。从草地类型来看，除低平地草甸类草地生物量有4 k6 ~: _! `( W  x
轻微减小趋势外，其它各类型的草地生物量变化主要处于稳定和增加趋势的状态，2 l: |# O, j" x0 k6 u+ X
其中保持稳定的区域面积占各种草地类型的面积比例介于 76.81%~97.64%，呈现
+ v, Z- T& r$ t7 [. t增加趋势的比例介于 12.55%~23.02%，而具有减小趋势的比例仅为 0.17%~6.43%。
! F( K  L1 ^1 h, x6 q7 @1 W0 I5 n6 F* \# Y8 s6 K3 y
5 e- Z9 z3 N3 V

基于 UAV 和机器学习方法的甘南地区高寒草.pdf

7.11 MB, 下载次数: 0, 下载积分: 体力 -2 点



欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) Powered by Discuz! X2.5