項勇 方之陽

作者簡介：項勇（1998-），男，民族：漢，籍貫：浙江溫州，職務/職稱：學生，學歷：本科，單位：浙江農林大學，從事林業(yè)遙感信息提取研究，研究方向：地理信息科學。方之陽（1998-），女，民族：漢，籍貫：浙江麗水，職務/職稱：學生，學歷：本科，單位：浙江農林大學，研究方向：地理信息科學。

摘?要： 森林是陸地生態(tài)系統(tǒng)的重要組成部分，森林物候是氣候變化的重要感應器。其變化對深入了解研究陸地生態(tài)系統(tǒng)的碳循環(huán)及其對全球氣候變化的響應具有重要意義。以通量觀測數(shù)據提取的森林物候信息作為因變量，以增強植被指數(shù)（Enhanced Vegetation Index， EVI）和地表溫度（Land Surface Temperature， LST）影像數(shù)據為數(shù)據源，提取EVI和LST重要信息作為自變量，通過BP神經網絡建立森林生長季始期（Start of Growing Season， SOS）估算模型，探究EVI和LST數(shù)據估算森林SOS的能力。結果EVI和LST對森林SOS具有較好的解釋能力，由BP神經網絡模型得到的SOS測試樣本預測值與實測值之間決定系數(shù)R2在0.76以上，均方根誤差（Root Mean Squared Error，RMSE）為12.97天?；贐P神經網絡模型和MODIS遙感數(shù)據能夠用于提取北半球森林的物候信息，為森林物候研究提供了可靠的技術和基礎數(shù)據。

關鍵詞： 森林;SOS;物候信息;MODIS;植被指數(shù);溫度產品

【中圖分類號】P208?【文獻標識碼】A?【文章編號】1674-3733（2020）03-0029-02

1?前言

植被物候指植被受遺傳和氣候等影響出現(xiàn)的以年為周期的自然現(xiàn)象，包括植被的發(fā)芽、展葉、開花、葉變色和落葉等。植被物候與氣候因素之間存在著緊密的聯(lián)系，能夠敏感地反映氣候變化[1]。同時植被生長季節(jié)的時間和持續(xù)時間對陸地生態(tài)系統(tǒng)與大氣之間的碳循環(huán)也具有極大的影響[2，3]。準確估計植被物候已成為植被碳循環(huán)研究重要內容[3]。

目前生長季始期（Start of Growing Season， SOS）是用于評估植物物候的常用指標?；诘孛娴闹脖晃锖蛴^測可以獲得客觀而準確的物候信息，但這些結果在空間上存在不足[4]。如今，隨著遙感技術的發(fā)展，遙感數(shù)據已經廣泛應用于物候指標的提取。許多學者利用遙感數(shù)據或將遙感數(shù)據與地面觀測數(shù)據相結合，對區(qū)域尺度植被物候進行提取[5]。

通過建立物候與植被指數(shù)之間的回歸模型來預測植被物候也是一種常用的物候監(jiān)測方法[6]。近年來，許多氣候因子（例如溫度）被加入到物候監(jiān)測的模型中，并在精度上取得了較大改進。相較于單一植被指數(shù)而言，植被指數(shù)結合地表溫度產品在估算SOS方面表現(xiàn)出更好的性能[6]。然而，對于EVI與LST時間序列的其他信息在模擬植被物候的能力尚不清楚。相較回歸分析等方法而言，神經網絡方法預報精度和預報穩(wěn)定性較高，在解決復雜非線性及不確定性的預測工作上有一定的潛力 [7]。

為了進一步驗證EVI與LST時間序列信息以及神經網絡方法在模擬物候方面的能力，提高植被物候預測精度。本文使用北半球通量觀測網絡數(shù)據提取植被物候，利用LST和EVI數(shù)據提取32個原始預測變量，采用隨機森林選取重要性較高的變量。基于BP神經網絡，建立植被SOS模型，評價該模型在預測北半球植被物候上的精度以及在不同植被類型上的差異。構建一種基于LST和EVI的植被物候遙感反演模型，準確反映植被物候的時空變化，為分析植被物候的變化及其對氣候變化的響應提供基礎數(shù)據。

2?數(shù)據與方法

2.1?數(shù)據

2.1.1?全球通量觀測數(shù)據

研究所采取的數(shù)據來自北半球通量監(jiān)測站（https：//fluxnet.fluxdata.org/）。涵蓋2000-2014年共512條數(shù)據。本文所研究的森林類型包括落葉闊葉林（DBF），常綠針葉林（ENF）和混交林（MF），森林類型采用劃分標準是國際地圈生物圈計劃制定的全球土地覆蓋分類體系，該體系將全球土地利用和土地覆蓋劃分為17類。

2.1.2?植被指數(shù)和溫度數(shù)據

所采用的EVI和LST數(shù)據來自于MODIS遙感產品。構建模型所采用的EVI數(shù)據為MOD13Q1產品，其時間分辨率為16天，空間分辨率為250m;LST數(shù)據為MOD11A2產品，其時間分辨率為8天，空間分辨率為1000m。用于北半球植被物候預測的EVI數(shù)據為MOD13C1產品，其時間分辨率為16天;LST數(shù)據為MOD11C2產品，其時間分辨率為8天，空間分辨率為0.05度。最后對經過質量篩選的EVI和LST時間序列數(shù)據進行插值和平滑，獲取該站點一年內的每日EVI與LST數(shù)據。

2.2?方法

2.2.1?實測物候提取

采用閾值法從通量觀測數(shù)據得到的總初級生產力（Gross Primary Production，GPP）中提取森林物候信息作為實測值。使用固定閾值法確定SOS，將提取SOS的閾值設定為年GPP振幅的25%。因此，SOS即為達到閾值的第一個日期[8]。

2.2.2?變量設置與篩選

根據LST與EVI時間序列數(shù)據，構建了32個變量，包括四個季節(jié)開始日期對應EVI和LST，以及春夏秋平均值、標準差和變異系數(shù)。使用隨機森林方法對變量特征重要性進行排序，選取特征重要性較大的變量作為BP神經網絡的輸入變量用于估算森林物候。隨機森林是以決策樹為基本分類器的一個集成學習模型，它能夠通過對變量的重要性進行排序來實現(xiàn)參數(shù)的篩選。隨機森林有放回的在原始數(shù)據中隨機抽取N個樣本作為決策樹的訓練集，其中約有1/3的樣本未被抽中，稱為袋外數(shù)據。通過打亂袋外數(shù)據某一特征的值，造成前后袋外誤差的改變，若袋外誤差大幅度降低，則說明該特征的重要程度較高[9]。

2.3?BP神經網絡模型構建

為消除輸入樣本間的量綱差異，同時提高訓練效率，將變量數(shù)據歸一化至[0.1，0.9]，隱含層節(jié)點數(shù)根據經驗公式[10]確定。在網絡層數(shù)的選擇上，適當?shù)脑黾与[含層數(shù)可以增加網絡的精度，但會導致網絡更加復雜，增加訓練時間以及導致過擬合[10]，本文BP網絡隱含層數(shù)不超過2層。訓練算法為Levenberg-Marquardt，隱含層激活函數(shù)為Tan-Sigmoid，輸出層激活函數(shù)為pure linear function。

2.5?精度評價

利用決定系數(shù)R2與均方根誤差（Root Mean Squared Error，RMSE）對估算結果進行精度評價。

R2的計算公式：

R2=1-∑nj=1（SOSmodel-SOSobs）2/∑ni=1（SOSobs-SOSobs）2

（3-3）

RMSE的計算公式：

RMSE=∑ni=1（sosmodel-sosobs）n（3-4）

式中，SOSmodel表示模型SOS估計值，SOSobs表示實測SOS，n為樣本數(shù)。

3?結果

3.1?變量重要性分析

采用隨機森林方法對32個變量的重要性進行評價表明：春季開始期（第60天，DOY60）的LST和EVI是森林生長開始期（SOS）重要的影響變量。除此之外，夏季平均EVI、春季平均LST、春季EVI的變異系數(shù)等對預測森林SOS也起到重要的影響。根據變量重要性，最終選取重要性較大的LST60 、EVI60 、mEVIsu 、mLSTp 、cEVIsp 、 LST334 、maxEVIsu共7個變量用于構建SOS模型。

3.2?神經網絡模型結構參數(shù)

根據變量篩選結果以及BP神經網絡模型隱含層節(jié)點數(shù)經驗公式，建立 SOS模型（表1）。

將數(shù)據劃分為訓練樣本、驗證樣本與測試樣本。其中訓練樣本用來建立模型，驗證樣本用來確定網絡結構，而測試樣本則用來檢驗模型的性能。

3.3?SOS估算結果分析

使用SOS神經網絡模型對SOS樣本中SOS實測值與SOS預測值做相關性分析，見圖1。驗證樣本中SOS實測值與SOS預測值的決定系數(shù)R2=0.74（圖1（b）），RMSE=11.83天。其精度在15天內，表明SOS模型的網絡結構選擇較合適。

測試樣本中SOS實測值與SOS預測值的決定系數(shù)R2=0.76（圖1（c））， RMSE=12.97天。測試樣本精度評價結果表明該模型對SOS具有較好的預測精度，表明構建的BP神經網絡模型具有較好的泛化能力。

4?結論與討論

4.1?變量重要性分析

本文通過隨機森林方法獲取EVI和LST所衍生的不同特征的重要性。從結果中可以看到，春季開始期（DOY60）的EVI和LST在對SOS的預測中具有重要作用。其中春季開始期（DOY60）的LST相較于春季開始期（DOY60）的EVI具有更大的作用。此外，夏季平均LST、春季平均LST以及春季EVI的變異系數(shù)等變量在森林SOS的表達上也發(fā)揮了一定作用。研究結果表明，除了季節(jié)性EVI和LST的平均值以及EVI和LST的變異系數(shù)外，不同季節(jié)開始期的EVI和LST在物候的模擬中起到較大的作用。

4.2?模型精度分析

基于BP神經網絡，選擇了EVI與LST所衍生的較重要特征建立物候擬合模型。從結果中發(fā)現(xiàn)該模型對于SOS的預測效果較好將獲得的模型與其他研究結果進行對比，如劉玉霞等（2016）基于MODIS的EVI和LST數(shù)據建立模型，估算北美針葉林的SOS，并與站點觀測數(shù)據進行對比，結果地面觀測的SOS與模擬SOS的R2為0.59，RMSE為15.70天。而本文基于BP神經網絡，利用EVI和LST數(shù)據建立模型得到的結果表明實測SOS和模擬SOS的R2=0.76，RMSE=12.97天?；贐P神經網絡，結合LST與EVI信息建立模型與其他方法相比，SOS的預測精度有所改進。

參考文獻

[1]?VAN SCHAIK C P，TERBORGH J W，WRIGHT S J. The phenology of tropical forests： adaptive significance and consequences for primary consumers[J]. Annual Review of Ecology and Systematics， 1993， 24（1）：353-377.

[2]?ZHOU S， ZHANG Y， CAYLOR K K， et al. Explaining inter-annual variability of gross primary productivity from plant phenology and physiology[J]. Agricultural & Forest Meteorology， 2016， 226-227：246-256.

[3]?RICHARDSON A D， BLACK T A， CIAIS P， et al. Influence of spring and autumn phenological transitions on forest ecosystem productivity[J]. Philosophical transactions of the Royal Society of London.Series B，Biological science， 2010， 365（19） ：3227-3246.

[4]?STUDER S， STCKLI R， APPENZELLER C， et al. A comparative study of satellite and ground-based phenology[J]. International Journal of Biometeorology， 2007， 51（5）：405-414.

[5]?ADOLE T， DASH J， ATKINSON P M. Characterising the land surface phenology of Africa using 500m MODIS EVI[J]. Applied Geography， 2018， 90：187-199.

[6]?LIU Y， WU C， PENG D， et al. Improved modeling of land surface phenology using MODIS land surface reflectance and temperature at evergreen needleleaf forests of central North America[J]. Remote Sensing of Environment，2016，176：152-162.

[7]?劉志紅，張雷，燕亞菲， 等.BP神經網絡在小麥赤霉病氣象預測中的應用[J].云南農業(yè)大學學報（自然科學版），2010，25（05）：680-685.

[8]?KEENAN T F， GRAY J， FRIEDL M A， et al. Net carbon uptake has increased through warming-induced changes in temperate forest phenology[J]. Nature Climate Change， 2014， 4（7）：598-604.

[9]?陳妙金，汪小欽，吳思穎.基于隨機森林算法的水土流失影響因子重要性分析[J].自然災害學報，2019，28（04）：209-219.

[10]?吳昌友. 神經網絡的研究及應用[D].東北農業(yè)大學，2007.