靖?jìng)鲗?周偉奇,*,錢雨果

1 中國(guó)科學(xué)院生態(tài)環(huán)境研究中心城市與區(qū)域生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100085 2 中國(guó)科學(xué)院大學(xué),北京 100049

城市喬木樹種多樣性會(huì)影響其提供生態(tài)系統(tǒng)服務(wù)的能力,對(duì)改善城市環(huán)境、維持城市可持續(xù)發(fā)展有著重要的意義。研究表明,城市喬木樹種多樣性會(huì)在不同程度上影響城市樹木在降雨截留[1]、氣溫調(diào)節(jié)[2]、污染物削減[3]、鳥類[4]和昆蟲多樣性維護(hù)[5]、情緒調(diào)節(jié)[6]等方面的生態(tài)系統(tǒng)服務(wù)。量化城市喬木樹種多樣性是定量研究其生態(tài)系統(tǒng)功能和服務(wù)的前提。隨著全球城市化的快速推進(jìn),外來樹種被大量引入城市,導(dǎo)致城市內(nèi)樹種多樣性水平變化劇烈[7],迫切需要快速、準(zhǔn)確量化城市喬木樹種多樣性水平的方法。傳統(tǒng)的量化方法主要基于地面調(diào)查,效率低、成本高,難以滿足及時(shí)掌握城市喬木樹種多樣性信息的需求。因此,發(fā)展基于遙感技術(shù),能夠準(zhǔn)確高效地量化城市喬木樹種多樣性的方法具有重要的意義。

光譜變異性假說(Spectral Variation Hypothesis,SVH)和生產(chǎn)力假說(Productivity Hypothesis)是基于遙感技術(shù)反演喬木樹種多樣性的理論基礎(chǔ)。其中,前者認(rèn)為光譜異質(zhì)性(光譜異質(zhì)性水平可采用分析單元內(nèi)部的光譜標(biāo)準(zhǔn)差表示[8])越高,喬木樹種的多樣性也越高[9]；后者認(rèn)為喬木樹種豐富度與生產(chǎn)力存在相關(guān)關(guān)系[10]?？刹捎煤饬可a(chǎn)力的歸一化植被指數(shù)(Normalized Difference Vegetation Index,NDVI),常用于反映喬木樹種的多樣性水平[11-12]。

上述假設(shè)在自然生態(tài)系統(tǒng)中得到了驗(yàn)證,并應(yīng)用于喬木樹種多樣性的遙感反演。許多學(xué)者研究發(fā)現(xiàn)遙感影像各波段及NDVI的標(biāo)準(zhǔn)差與喬木樹種多樣性之間的關(guān)系滿足光譜變異性假說和生產(chǎn)力假說,并進(jìn)一步應(yīng)用多元回歸、神經(jīng)網(wǎng)絡(luò)等方法構(gòu)建了光譜變異性與喬木樹種多樣性之間的關(guān)系模型,用于快速、準(zhǔn)確地反演了喬木樹種的多樣性水平。但是,鮮有學(xué)者探討上述兩種假說在城市中的適用性及其應(yīng)用。其可能原因是：自然生態(tài)系統(tǒng)中的遙感反演方法無法直接應(yīng)用于城市生態(tài)系統(tǒng)中。自然生態(tài)系統(tǒng)具有景觀相對(duì)均質(zhì)、喬木樹種多樣性水平低等特點(diǎn),采用中、低空間分辨率影像能夠較準(zhǔn)確地刻畫其喬木樹種多樣性水平[13-14]。而城市生態(tài)系統(tǒng)中的景觀異質(zhì)性高、喬木斑塊面積小、單位面積的樹種多樣性水平高,中、低空間分辨率遙感影像通常為喬木斑塊和非喬木斑塊的混合像元,難以精確刻畫城市內(nèi)的喬木樹種多樣性水平。因此,有必要在城市區(qū)域探討光譜變異性假說和生產(chǎn)力假說的適用性,并基于上述兩種理論探索城市喬木樹種多樣性遙感反演方法。

本文將通過探究高空間分辨率遙感數(shù)據(jù)的各波段光譜異質(zhì)性、NDVI指數(shù)的異質(zhì)性與喬木樹種多樣性水平之間的相關(guān)關(guān)系,發(fā)展基于高空間分辨率遙感數(shù)據(jù)的城市喬木樹種多樣性的快速反演方法。試圖回答以下科學(xué)問題：光譜變異性假說和生產(chǎn)力假說是否適用于城市喬木樹種多樣性的反演研究？

1 數(shù)據(jù)與方法

1.1 研究區(qū)

北京是中國(guó)首都及中國(guó)四個(gè)特大城市之一,是快速發(fā)展的典型城市[15]。1978—2016年,城市常住人口快速增長(zhǎng),從1987年的871.5萬增加到2016年的2172.9萬,年均增加34.2萬,年均增長(zhǎng)2.4%[16]。北京屬于半濕潤(rùn)大陸性季風(fēng)氣候,夏季高溫多雨,冬季寒冷干燥,本地喬木樹種以暖溫帶闊葉林為主,同時(shí)有大量外來引進(jìn)喬木樹種。

研究區(qū)選取北京五環(huán)內(nèi)區(qū)域(39°28′—41°25′N,115°25′—117°30′E),占地面積667.81 km2。該區(qū)域是北京的主要建成區(qū),截止2009年,其植被覆蓋度為32.8%[17]。區(qū)域內(nèi)喬木豐富度為92種,常見種為龍爪槐(Sophorajaponica)、圓柏(Sabinachinensis)、銀杏(Ginkgobiloba)和毛白楊(Populustomentosa),4種樹種數(shù)量占區(qū)域喬木總數(shù)量的35%。其中,龍爪槐(S.japonica)數(shù)量最多,占區(qū)域總喬木數(shù)的12.6%。同時(shí),喬木豐富度表現(xiàn)出空間異質(zhì)性,居民區(qū)、社區(qū)公園、文教區(qū)內(nèi)的豐富度明顯高于其他景觀類型[18]。由于快速地城市化,研究區(qū)內(nèi)的外來物種比例持續(xù)增長(zhǎng),當(dāng)前已增加至50%左右[19]。因此,北京五環(huán)內(nèi)區(qū)域可作為在快速城市化背景下探究城市喬木樹種多樣性遙感反演方法的理想研究區(qū)。

1.2 數(shù)據(jù)

1.2.1喬木樹種多樣性數(shù)據(jù)

居民區(qū)分布廣泛、易于調(diào)查,有利于發(fā)展喬木樹種多樣性反演方法,因而本研究針對(duì)居民區(qū)開展喬木斑塊多樣性地面調(diào)查。研究首先基于高分影像以均勻取樣為原則初步勾畫喬木樣地斑塊,并于2014年6月 至8月期間開展地面調(diào)查和邊界優(yōu)化工作,共收集了395個(gè)有效的喬木斑塊(圖1),斑塊面積分布如圖2。喬木斑塊內(nèi)物種數(shù)最大為20,最小為1,平均值為3.8(圖3)。

圖1 研究區(qū)及采樣點(diǎn)研究區(qū)內(nèi)樣地分布喬木斑塊Fig.1 The study area and the sampling points Distribution of samples Tree patches

圖2 樣地的面積Fig.2 Area of sample plot

圖3 樣地的物種數(shù)Fig.3 The tree species of sample plot

參考已有研究[20],選擇香濃維納指數(shù)和辛普森指數(shù)表征斑塊的喬木樹種多樣性,兩個(gè)指數(shù)越大則多樣性水平越高,但各有偏重。香濃維納指數(shù)同時(shí)考慮物種數(shù)和物種比例,而辛普森指數(shù)側(cè)重對(duì)普通物種的度量,兩者常配合使用。具體公式如下：

(1)

(2)

式中,H′為香濃維納指數(shù),D為辛普森指數(shù),S為物種數(shù)目,Ni為種i的個(gè)體數(shù),N為群落中全部物種的 個(gè)體數(shù)。

1.2.2光譜異質(zhì)性數(shù)據(jù)

1)樣地的光譜異質(zhì)性。光譜異質(zhì)性以喬木斑塊的各波段或指數(shù)的光譜標(biāo)準(zhǔn)差來表征。本研究選用高空間分辨率的GeoEye-1遙感影像,在喬木斑塊尺度上提取光譜異質(zhì)性特征。該影像包括四景數(shù)據(jù),獲取時(shí)間均為2009年6月,具有全色波段(Pan：0.45—0.90 nm)、藍(lán)波段(Blue：0.45—0.51 nm)、綠波段(Green：0.51—0.58 nm)、紅波段(Red：0.655—0.690 nm)和近紅外波段(NIR：0.78—0.92 nm)五個(gè)波段,全色波段空間分辨率為0.5 m,其他波段空間分辨率為1.65 m,整個(gè)研究區(qū)內(nèi)無云。對(duì)該影像處理工作主要包括幾何校正,波段合成和影像鑲嵌。幾何校正以Google影像為基準(zhǔn)。研究共量化了6種光譜異質(zhì)性,包括NDVI標(biāo)準(zhǔn)差(NDVISD)、藍(lán)波段標(biāo)準(zhǔn)差(BlueSD)、綠波段標(biāo)準(zhǔn)差(GreenSD)、紅波段標(biāo)準(zhǔn)差(RedSD)、近紅外波段標(biāo)準(zhǔn)差(NIRSD)和全色波段標(biāo)準(zhǔn)差(PanSD)。

喬木斑塊多樣性地面調(diào)查2014年6月至8月,而因高空間分辨率遙感數(shù)據(jù)獲取的限制,遙感影像獲取時(shí)間為2009年6月,但本研究通過選擇居民區(qū)內(nèi)樣地的方式,能夠使兩種數(shù)據(jù)在時(shí)間上達(dá)到匹配。居民區(qū)建成后,其內(nèi)部綠地極少重新規(guī)劃,喬木樹種多樣性水平將基本不變,即使研究區(qū)是快速發(fā)展的典型城市,其居民區(qū)仍可認(rèn)為是樹種多樣性的穩(wěn)定的區(qū)域。同時(shí),選擇居民區(qū)時(shí),本研究?jī)H選擇2009年6月至2014年8月期間一直存在的居民區(qū)。

2)研究區(qū)范圍的光譜異質(zhì)性。本研究選擇已有的研究區(qū)土地利用分類結(jié)果(圖4),并以分類結(jié)果中林地斑塊作為喬木斑塊,在喬木斑塊尺度上量化整個(gè)五環(huán)范圍內(nèi)喬木斑塊的光譜標(biāo)準(zhǔn)差。該分類結(jié)果以上述GeoEye遙感影像為數(shù)據(jù)源,采用面向?qū)ο蟮膱D像處理技術(shù)和非監(jiān)督分類方法并結(jié)合手動(dòng)修改獲得。其中,分類器選擇支持向量機(jī),具體參數(shù)設(shè)置[21]：Kernel為rbf神經(jīng)網(wǎng)絡(luò),C=100000,gamma=0.0001。土地利用類型包括林地、草地、耕地、濕地、建設(shè)用地、裸地和其他用地?？傮w精度和Kappa系數(shù)分別為95.50%和0.89,其中林地的用戶精度和制圖精度分別為96.02%和93.56%。

圖4 土地利用分類圖Fig.4 Land use classification map

1.3 方法

參照自然生態(tài)系統(tǒng)的喬木樹種多樣性反演方法,構(gòu)建本研究的思路(圖5)如下：1)基于偏相關(guān)分析方法,探究喬木樹種多樣性與光譜異質(zhì)性之間的相關(guān)關(guān)系,檢驗(yàn)光譜變異性假說和生產(chǎn)力假說是否適用于城市區(qū)域；2)構(gòu)建反演模型,探究高空間分辨率遙感影像對(duì)城市喬木樹種多樣性水平的反演能力。

圖5 本研究技術(shù)路線Fig.5 Flowchart of the analysis

1.3.1相關(guān)性分析

偏相關(guān)分析中,將面積作為控制變量,并分兩部分展開：1)分析光譜異質(zhì)性數(shù)據(jù)(NDVISD、GreenSD、RedSD、PanSD、BlueSD和NIRSD)之間的相關(guān)性,用于探討自變量之間是否具有多重共線性,為多元線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型反演模型的選擇和構(gòu)建提供重要依據(jù)；2)分析光譜異質(zhì)性與喬木樹種多樣性指數(shù)(香濃維納指數(shù)和辛普森指數(shù))之間的相關(guān)性,據(jù)此選擇與喬木樹種多樣性數(shù)據(jù)顯著相關(guān)的光譜異質(zhì)性變量構(gòu)建多元線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型。

1.3.2反演模型構(gòu)建

自然生態(tài)系統(tǒng)中,?；诙嘣€性逐步回歸模型和神經(jīng)網(wǎng)絡(luò)模型反演喬木樹種多樣性水平。本研究試圖從線性和非線性兩個(gè)維度刻畫喬木樹種多樣性與光譜異質(zhì)性之間的關(guān)系,因而同時(shí)選擇了多元線性逐步回歸模型和神經(jīng)網(wǎng)絡(luò)模型反演。為使得分析結(jié)果具有可比性,兩模型均選用了相同的自變量、因變量、訓(xùn)練樣本集和模型精度驗(yàn)證樣本集。參考已有研究[22],隨機(jī)選擇的365個(gè)喬木斑塊樣本構(gòu)成訓(xùn)練樣本集,剩余的30個(gè)樣本組成模型精度驗(yàn)證樣本集。

多元線性逐步回歸模型用于構(gòu)建喬木樹種多樣性與光譜異質(zhì)性之間的線性關(guān)系,其構(gòu)建包括以下幾個(gè)步驟：1)基于光譜異質(zhì)性數(shù)據(jù)與喬木樹種多樣性數(shù)據(jù)之間的相關(guān)性分析結(jié)果,分別篩選出與香濃維納指數(shù)和辛普森指數(shù)顯著相關(guān)的影像因子作為自變量；2)對(duì)上述自變量分別與兩種多樣性指數(shù)進(jìn)行多元線性逐步回歸分析,得到香濃維納指數(shù)和辛普森指數(shù)的多元線性回歸模型；3)應(yīng)用該模型對(duì)測(cè)試樣本集進(jìn)行反演。

BP神經(jīng)網(wǎng)絡(luò)模型[23]具有強(qiáng)大的非線性映射能力,理論上可以逼近任意函數(shù),用于構(gòu)建喬木樹種多樣性與光譜異質(zhì)性之間的非線性關(guān)系。該模型由輸入層、隱含層和輸出3層結(jié)構(gòu)構(gòu)成。其中,輸入層由輸入變量組成,即光譜異質(zhì)性數(shù)據(jù)；輸出層由輸出數(shù)據(jù)組成,即喬木樹種多樣性水平。參照已有研究,模型參數(shù)設(shè)置如下：選擇與香濃維納指數(shù)和辛普森指數(shù)顯著相關(guān)的光譜異質(zhì)性數(shù)據(jù)作為模型輸入,分別以斑塊香濃維納指數(shù)和辛普森指數(shù)作為模型輸出,網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)均為(5,7,1)和(6,7,1),隱含層傳遞函數(shù)采用S型函數(shù)(transig),輸出層傳遞函數(shù)采用線性函數(shù)(purelin),網(wǎng)絡(luò)訓(xùn)練的最大訓(xùn)練次數(shù)為1000次,訓(xùn)練函數(shù)為tranlm。

1.4 模型精度評(píng)價(jià)

模型精度評(píng)價(jià)以喬木樹種多樣性反演結(jié)果與實(shí)際多樣性水平之間的差異為依據(jù)。采用決定系數(shù)(R2),均方根值誤差(root mean square error,RMSE)和平均偏差(mean normalized bias,MNB)[24]三個(gè)指標(biāo)評(píng)估多元線性模型和BP神經(jīng)網(wǎng)絡(luò)模型模型的反演精度。其中,R2能夠反映回歸方程對(duì)因變量y總變異的解釋比例,R2越大則反演模型精度越高。RMSE可以評(píng)估反演值與真實(shí)值之間的誤差,RMSE越小則反演模型精度越高。其公式為：

(3)

MNB用以評(píng)估系統(tǒng)誤差,MNB越小則反演模型精度越高。其表達(dá)式為：

MNB=100mean(xi-x)

(4)

2 結(jié)果

2.1 偏相關(guān)分析結(jié)果

1)各光譜異質(zhì)性特征之間普遍存在正相關(guān)關(guān)系(表1)。其中,BlueSD、GreenSD以及RedSD兩兩之間的線性相關(guān)性最強(qiáng)(R=0.925-0.960,P<0.01)；PanSD與BlueSD、GreenSD以及RedSD之間的線性相關(guān)強(qiáng)度次之(R=0.748-0.815,P<0.01)；NIRSD與PanSD相關(guān)性相對(duì)較低(R=0.413,P<0.01),與GreenSD、RedSD、BlueSD以及NDVISD之間相關(guān)性不顯著。

表1 光譜異質(zhì)性數(shù)據(jù)相關(guān)性Table 1 Correlation analysis of spectral heterogeneity′s data

顯著性水平：**P<0.01,*P<0.05；控制變量：樣地面積；NDVI標(biāo)準(zhǔn)差(NDVISD)、藍(lán)波段標(biāo)準(zhǔn)差(BlueSD)、綠波段標(biāo)準(zhǔn)差(GreenSD)、紅波段標(biāo)準(zhǔn)差(RedSD)、近紅外波段標(biāo)準(zhǔn)差(NIRSD)和全色波段標(biāo)準(zhǔn)差(PanSD)

2)喬木樹種多樣性與光譜異質(zhì)性特征之間存在普遍正相關(guān)性。由表2可知：香濃維納指數(shù)和辛普森指數(shù)均與NIRSD線性相關(guān)性不顯著(P>0.05),與GreenSD、RedSD、BlueSD、PanSD和NDVISD呈現(xiàn)顯著正相關(guān)(P<0.05)。但相關(guān)程度存在差異,與香濃維納指數(shù)的相關(guān)強(qiáng)度由高到低分別為GreenSD、RedSD、BlueSD、PanSD和NDVISD,其皮爾森系數(shù)分別為0.229、0.214、0.204、0.197和0.168；與辛普森指數(shù)的相關(guān)強(qiáng)度由高到低分別為PanSD、NDVISD、GreenSD、RedSD和BlueSD,其皮爾森系數(shù)分別為0.202、0.189、0.174、0.144和0.136。

表2 光譜異質(zhì)性數(shù)據(jù)與喬木樹種多樣性數(shù)據(jù)相關(guān)性Table 2 Correlation analysis between species diversity and spectral heterogeneity′s data

顯著性水平：**P<0.01,*P<0.05；控制變量：樣地面積；NDVI標(biāo)準(zhǔn)差(NDVISD)、藍(lán)波段標(biāo)準(zhǔn)差(BlueSD)、綠波段標(biāo)準(zhǔn)差(GreenSD)、紅波段標(biāo)準(zhǔn)差(RedSD)、近紅外波段標(biāo)準(zhǔn)差(NIRSD)和全色波段標(biāo)準(zhǔn)差(PanSD)

2.2 模型選擇及應(yīng)用

1)多元線性逐步回歸模型。利用訓(xùn)練樣本集分別擬合獲得香濃維納指數(shù)和辛普森指數(shù)的多元線性逐步回歸模型。在多元線性逐次回歸分析中,剔除了PanSD和RedSD,得到香濃維納指數(shù)的線性回歸模型：

Y1=0.029X2+0.002X6-0.026X1+0.410(R2=0.094,P=0.00)

(5)

其中,Y1為香濃維納指數(shù)、X1為BlueSD、X2為GreenSD、X6為NDVISD；

剔除了GreenSD、RedSD和BlueSD,得到辛普森指數(shù)的線性回歸模型：

Y2=-0.005X5+0.001X6+0.280(R2=0.080,P=0.00)

(6)

其中,Y2為辛普森指數(shù),X5為PanSD、X6為NDVISD。

2)模型精度分析。應(yīng)用以上多元線性回歸模型,以及相同訓(xùn)練樣本得到的非線性的BP神經(jīng)網(wǎng)模型,分別估計(jì)香濃維納指數(shù)和辛普森指數(shù)。結(jié)果顯示,BP神經(jīng)網(wǎng)模型香濃維納指數(shù)和辛普森指數(shù)的預(yù)測(cè)能力均顯著高于多元線性回歸模型。在多元逐步回歸預(yù)測(cè)模型中(圖6),香濃維納指數(shù)模型的決定系數(shù)(R2)、均方根值誤差(RMSE)和平均偏差(MNB)分別為0.167、36.27%和52.28%；辛普森指數(shù)模型的決定系數(shù)(R2)、均方根值誤差(RMSE)和平均偏差(MNB)分別為0.25、10.69%和19.95%。在BP神經(jīng)網(wǎng)絡(luò)模型中(圖7),香濃維納指數(shù)模型的決定系數(shù)(R2)、均方根值誤差(RMSE)和平均偏差(MNB)分別為0.57、24.04%和42.16%；辛普森指數(shù)模型的決定系數(shù)(R2)、均方根值誤差(RMSE)和平均偏差(MNB)分別為0.72、4.44%和15.95%。

圖6 香濃維納指數(shù)反演值與實(shí)際值之間的關(guān)系Fig.6 The relationship between Shannon-Wiener′s calculated values and actual values

圖7 辛普森指數(shù)反演值與實(shí)際值之間的關(guān)系Fig.7 The relationship between Simpson′s calculated values and the actual values

3)基于上述模擬結(jié)果,選擇BP神經(jīng)網(wǎng)絡(luò)對(duì)北京市的喬木樹種多樣性水平進(jìn)行反演。以研究區(qū)的土地利用分類結(jié)果中提取的喬木斑塊為分析單元,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型開展了研究區(qū)喬木樹種多樣性預(yù)測(cè),并基于歸一化后的預(yù)測(cè)值(相對(duì)預(yù)測(cè)值)繪制研究區(qū)喬木樹種多樣性空間地圖(圖8、圖9)。

圖8 香濃維納指數(shù)空間分布圖Fig.8 The spatial distribution of Shannon-Wiener index

圖9 辛普森指數(shù)空間分布圖Fig.9 The spatial distribution of Simpson index

4 討論與結(jié)論

在城市中,光譜變異性假說和生產(chǎn)力假說得到了更好地詮釋。研究發(fā)現(xiàn),與自然生態(tài)系統(tǒng)相比,城市生態(tài)系統(tǒng)中的喬木樹種多樣性與遙感影像光譜異質(zhì)性之間不僅存在類似的正相關(guān)關(guān)系[25],甚至該關(guān)系顯著性和相關(guān)性水平更高[8]?？赡艿脑蚴牵?)樣本中像元數(shù)量的差異。在自然生態(tài)系統(tǒng)中,一個(gè)樣本僅有少量像元,如9個(gè)像元；而本研究以斑塊為分析單元,單個(gè)樣本點(diǎn)包含的像元數(shù)是前述樣本的幾十倍甚至幾百倍；2)遙感影像分辨率的差異。一株喬木冠幅等于一個(gè)像元的大小是探究喬木樹種多樣性水平與遙感影像光譜異質(zhì)性關(guān)系的最理想情況。而實(shí)際研究中,由于不同喬木具有不同的冠幅,難以找到完全與冠幅相匹配的遙感數(shù)據(jù)。針對(duì)同一樣本,與最理想情況的光譜異質(zhì)性水平相比,中等分辨率遙感影像的光譜異質(zhì)性水平常偏低,高空間分辨率遙感影像的光譜異質(zhì)性水平常偏高；3)喬木樹種多樣性數(shù)據(jù)分布特征的差異。與自然生態(tài)系統(tǒng)相比,城市生態(tài)系統(tǒng)中喬木樹種多樣性的最低水平相似,而由于城市中大量地進(jìn)外來物種[7],其內(nèi)部喬木樹種多樣性水平具有更最高的水平,進(jìn)而導(dǎo)致其極差更大。城市中喬木斑塊小、異質(zhì)性強(qiáng),如應(yīng)用中等空間分辨率的遙感影像,樣地內(nèi)包含的像元數(shù)較少、像元過大,難以刻畫其喬木樹種多樣性水平,因此,本研究建議采用高空間分辨率遙感影像探究城市喬木樹種多樣性水平。

神經(jīng)網(wǎng)絡(luò)模型在刻畫非線性關(guān)系時(shí)具有明顯的優(yōu)勢(shì)[26],更適合城市喬木樹種多樣性的反演。結(jié)果顯示,基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建非線性回歸反演能力明顯優(yōu)于多元線性回歸模型(圖6、7)。這說明非線性模型能夠更好地刻畫城市喬木樹種多樣性與遙感影像光譜異質(zhì)性之間的關(guān)系。然而,本研究?jī)H采用最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)模型對(duì)城市喬木樹種多樣性與遙感影像光譜異質(zhì)性之間的關(guān)系開展初步地探索。未來建議采用非線性映射能力更強(qiáng)的神經(jīng)網(wǎng)絡(luò),進(jìn)一步提高遙感反演喬木樹種多樣性的能力。

基于光譜變異性假說和生產(chǎn)力假說,本研究提出了一種基于遙感技術(shù)的城市喬木樹種多樣性反演方法,能夠定量表征城市喬木樹種多樣性的空間格局,可為城市喬木樹種多樣性地面調(diào)查和城市樹種的生態(tài)系統(tǒng)服務(wù)時(shí)空動(dòng)態(tài)的研究提供新的思路和技術(shù)手段。城市喬木樹種多樣性地面調(diào)查結(jié)果的可信度和調(diào)查效率分別受到樣本的代表性和抽樣方法的直接影響。本研究構(gòu)建的方法可量化城市喬木樹種多樣性水平的空間分布,可為地面調(diào)查提供分層抽樣的依據(jù),有助于提高城市喬木樹種多樣性地面調(diào)查結(jié)果的可信度和調(diào)查效率。城市喬木樹種多樣性水平的時(shí)空動(dòng)態(tài)是研究其生態(tài)系統(tǒng)服務(wù)動(dòng)態(tài)的重要基礎(chǔ),該方法可快速量化多期城市喬木樹種多樣性水平,為城市樹種的生態(tài)系統(tǒng)服務(wù)動(dòng)態(tài)研究提供了必要的技術(shù)手段。