论文部分内容阅读
天然草原和热带树草原是陆地生态系统中高度复杂的生物群系,在物种组成、密度、生物量上随空间和时间变化很大,对不同气候和天气条件等较为敏感。近来,由于气候变暖、极端气候事件频率和强度不断增加以及不断增长的人类活动,这势必对我国生态环境脆弱的草地生长产生了显著影响,极不利于草地生态系统可持续发展。草地地上生物量（above-ground biomass,AGB）和叶面积指数（leaf area index,LAI）作为表征草地植被活动、评价生态再生能力、反映草地健康和资源可持续利用状况的关键指标,因此,快速、准确、大范围获取草地地上生物量和叶面积指数可以及时评估牧草生产力、草地生态效益和草地生长状况,也可为荒漠化地区生态修复工程和荒漠生态系统可持续发展策略制定提供参考依据。本文以天祝藏族自治县草地覆盖区域为研究对象,基于遥感数据、气候数据、地形数据和野外实测数据探究了机器学习模型（包括深度神经网络（deep neural network,DNN）、高斯过程回归（Gaussian process regression,GPR）、人工神经网络（artificial neural network,ANN）、梯度提升回归树（gradient boosting regression tree,GBRT）、随机森林（random forest,RF）、支持向量机（support vector machine,SVR））、物理模型和机器学习的混合模型、作物生长模型同化遥感信息在草地AGB和LAI监测方面的应用潜力。（1）评价了机器学习算法结合地形、植被、气象等因子在草地AGB遥感反演方面的应用潜力;（2）评价了辐射传输模型和不同机器学习算法的混合模型在反演草地LAI上的适用性;（3）探究了基于集合卡尔曼滤波同化算法耦合WOFOST模型和遥感观测信息（LAI）在获取时间连续的草地AGB的应用潜力。主要研究结论如下:（1）DNN估算草地AGB的综合性能最好（综合性能用所有评价指标的综合评分表示）,模拟精度最高,但模型稳定性较差（本文使用30次重复试验的标准误评价模型稳定性,标准误越小,模型稳定性越强）,对样本敏感性较高（模型对样本敏感性指模型精度和模型对样本数量的依赖性大小）;GPR综合性能次于DNN,稳定性和精度均较好;GBRT、RF模拟精度较高,稳定性差;SVR和ANN精度相对其他模型较差,SVR稳定性较高;ANN稳定性较差。总体而言,DNN在估算天祝藏族自治县草地AGB表现的性能最佳,其次分别为GPR性能＞ANN＞GBRT＞RF＞SVR。（2）辐射传输模型（PROSAIL）耦合DNN的混合模型在反演草地LAI的性能优于其他几种模型,但其计算效率和稳定性最低,对样本较敏感;RF精度仅次于DNN模型,计算效率和模型稳定性均较好;ANN模型的精度次于RF模型,但其计算效率较低,对样本数较敏感;GBRT模型稳定性最差,精度次于ANN,计算效率次于DNN模型;SVR模型精度最低,但计算效率最高,模型稳定性较高,对样本敏感性较弱。5种模型反演的LAI与MODIS LAI在空间变化上基本一致,但草地覆盖度较大的高寒草甸和山地草甸类区域的MODIS LAI明显低于5种模型反演的LAI。（3）通过对WOFOST模型输入参数对输出的AGB和LAI的敏感性进行评价发现:无水分胁迫时比叶面积(SLATB0.5)、单叶片光能利用率(EFFTB0、EFFTB40)、最大光合速率(AMAXTB1.3)、根相对维持呼吸速率（RMR）和叶干物质分配系数(FLTB0.5、FLTB0.64)是影响草地AGB的主要因素。存在水分胁迫时SLATB0.5、AMAXTB1.3、RMR和FLTB0.646对草地AGB的影响较大。草地LAI敏感参数从出苗到出苗后60天主要受到SLATB0、FLTB0.25和总干物质占根系比例(FRTB0.4)的影响,出苗后60～200天的主要敏感参数为FLTB0.5、FRTB0.7和SLATB0.5、FLTB0.646和消光系数（KDIFTB0）,后期LAI开始下降时受到KDIFTB0的敏感性增强。通过SUBOLEX算法对敏感参数优化后的WOFOST模型模拟的AGB精度较高,可作为后序同化模型。（4）基于集合卡尔曼滤波算法将LAI同化到优化后的WOFOST作物生长模型实时调整WOFOST模型的状态变量模拟不同草地类型的AGB,结果发现:高寒草甸模拟精度最高(R~2=0.916,RMSE=24.057g·m-2,),其次为温性草原(R~2=0.908,RMSE=27.022 g·m-2)。模拟精度最差的为温性荒漠草原(R~2=0.818,RMSE=30.227 g·m-2),其次为山地草甸(R~2=0.834,RMSE=32.769 g·m-2)。因此,通过对WOFOST模型本地化、优化并将LAI同化后可以很好的应用到草地AGB等参数的反演方面。但针对不同草地类型的同化策略应根据土壤、地形、草地类型及当地水资源对草地生长限制大小等因素选择敏感性参数进行优化。（5）天祝藏族自治县草地AGB集中在50～250 g·m-2,整体从西北向东南呈下降趋势。气温与山地草甸、高寒草甸和温性草原的AGB表现出较明显正相性。高寒草甸、温性草原和山地草甸AGB与降水量的相关性不显著,但对温性荒漠草原影响较大,AGB随降水减少呈减少态势。（6）本文发现（1）SVR、ANN、GPR模型因其高效的处理速度而具有提供近实时的草地生物量和叶面积指数监测的潜力,DNN、GBRT和RF具有较高的精度,但处理速度较慢可能不适用于提供实时监测。（2）基于物理模型的普适性和机器学习算法的灵活性和高度计算效率的混合模型能够很好的应用于草地生长参数的监测。其中,DNN耦合PROSAIL模型优于其他几种机器学习算法的混合模型。（3）对WOFOST模型本地化、优化并将LAI同化后可以很好的应用到草地AGB等参数的反演方面。但针对不同草地类型的同化策略应根据土壤、地形、草地类型及当地水资源对草地生长限制大小等因素选择敏感性参数进行优化,这样优化后的WOFOST模型可能会得到更高精度的模拟结果。