姚月鋒,何 文
(廣西壯族自治區(qū)中國科學(xué)院廣西植物研究所,廣西喀斯特植物保育與恢復(fù)生態(tài)學(xué)重點(diǎn)實(shí)驗(yàn)室,廣西桂林 541006)
植被作為陸地生態(tài)系統(tǒng)不可或缺的部分,是全球變化最直接的指示器,成為全球碳循環(huán)和水熱平衡研究的核心內(nèi)容[1,2]。然而,植被及其生態(tài)系統(tǒng)存在高度時(shí)空差異性,尤其在生態(tài)系統(tǒng)脆弱的喀斯特地區(qū),復(fù)雜的地質(zhì)背景決定了植被高度時(shí)空差異及其影響因子的多樣性和復(fù)雜性[3]。因此,厘清植被分布的空間差異,提高植被有效信息的獲取精度以完成植被動(dòng)態(tài)過程監(jiān)測,成為生態(tài)環(huán)境研究的重要課題之一[4]。傳統(tǒng)的植被定量研究方法如野外調(diào)查、文獻(xiàn)查閱、地圖解譯以及其他輔助信息方法費(fèi)時(shí)費(fèi)力,且不能及時(shí)反映植被現(xiàn)狀[5]。遙感技術(shù)具有宏觀、快速、高效、多源信息等優(yōu)勢,是大范圍、動(dòng)態(tài)性獲取地面植被有效信息,以及研究區(qū)域乃至全球尺度植被狀況及其動(dòng)態(tài)過程必不可少的手段[6]。20世紀(jì)70年代,第一顆陸地衛(wèi)星Landsat發(fā)射,開啟了基于遙感技術(shù)的植被監(jiān)測與分類研究[7],但遙感技術(shù)早期主要以影像為信息源,通過目視解譯等人工方法確定植被類型,或通過影像密度建立有關(guān)地表參數(shù)經(jīng)驗(yàn)?zāi)P?,從而反演地表植被生態(tài)參數(shù)[8]。隨著多光譜、高光譜、熱紅外、微波雷達(dá)、激光雷達(dá)以及無人機(jī)技術(shù)日趨成熟[9,10],遙感技術(shù)在植被定量研究應(yīng)用上已從小范圍、二維尺度的傳統(tǒng)地面測量發(fā)展到大范圍、多維時(shí)空遙感模型估算[11-14];從個(gè)體到生態(tài)系統(tǒng)的植被生態(tài)參數(shù)[15-17]、物種分布[18,19]、生物多樣性[20-23]、碳循環(huán)[24-27]及其空間差異,再到不同尺度自然與人為因素引起的植被及其生態(tài)系統(tǒng)服務(wù)功能變化。遙感影像處理技術(shù)已從過去簡單的植被指數(shù)、幾何模型、混合模型等發(fā)展到先進(jìn)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等智能化多平臺(tái)相結(jié)合[9,28-32]。隨著遙感影像數(shù)據(jù)類型的多樣化,如2018年的熱紅外影像(Ecosystem Spaceborne Thermal Radiometer Experiment on Space Station,ECOSTRESS),激光雷達(dá)影像(Global Ecosystem Dynamics Investigation,GEDI),第二代對(duì)地觀測激光雷達(dá)冰、云和陸地高程2號(hào)衛(wèi)星(Ice,Cloud,and Land Elevation Satellite-2,ICESat-2)以及2019年的高光譜影像(Hyperspectral Imager SUIte,HISUI),如何從遙感影像數(shù)據(jù)中高效、智能化地提取地表植被有效信息,以實(shí)現(xiàn)多維時(shí)空、區(qū)域乃至全球尺度植被定量遙感研究,多源遙感數(shù)據(jù)融合和同化等方法的研究顯得至關(guān)重要[33]。
受水平和垂直空間高度異質(zhì)性地質(zhì)背景影響,喀斯特生境上發(fā)育的植被類型復(fù)雜、特點(diǎn)鮮明,與同緯度非喀斯特生境的常綠闊葉林和季節(jié)性雨林相比,喀斯特地區(qū)植被類型主要為常綠與落葉闊葉混交林和落葉成分較多的季節(jié)性雨林[34];且喀斯特地區(qū)植被對(duì)干旱脅迫與高鈣立地條件具有較強(qiáng)的適應(yīng)性[35]。因此,喀斯特地區(qū)植被定量遙感研究需要考慮高度景觀異質(zhì)性地質(zhì)背景的影響和植被適應(yīng)干旱脅迫與高鈣等特殊立地條件后所具有的特殊光譜特征。以往對(duì)植被定量遙感的研究主要集中在非喀斯特地區(qū),而喀斯特地區(qū)相對(duì)較少。截至2022年5月10日,在Web of Science(https://www.webofscience.com/wos/woscc/basic-search)上,基于主題(Topic)為“remote sensing” +“vegetation”所檢索到的研究綜述期刊論文(Review articles)總數(shù)為760篇;但限制主題為“remote sensing”+“vegetation”+“karst”檢索的研究綜述期刊論文僅1篇,Zhang等[36]總結(jié)了基于地理空間技術(shù)對(duì)西南喀斯特地區(qū)植被恢復(fù)監(jiān)測與評(píng)價(jià)的研究進(jìn)展。同時(shí),在中國知網(wǎng)(www.cnki.net)上,基于主題為“植被”+“遙感”所檢索到的學(xué)術(shù)期刊論文共1.21萬條,但限制主題為“植被”+“遙感”+“喀斯特”或“植被”+“遙感”+“巖溶”,檢索到的學(xué)術(shù)期刊論文分別為133條和94條。喀斯特地區(qū)占世界陸地面積約15%,其生態(tài)環(huán)境保護(hù)對(duì)可持續(xù)發(fā)展具有全球性戰(zhàn)略地位[37,38]。我國西南喀斯特地區(qū)作為世界上喀斯特發(fā)育最典型、最復(fù)雜,景觀類型最豐富且連片分布面積最大的區(qū)域[39],同時(shí)也是珠江源頭、長江乃至東南亞一些國際河流的重要補(bǔ)給區(qū),對(duì)喀斯特區(qū)域生態(tài)環(huán)境保護(hù)有著重要的戰(zhàn)略性地位[40]。但該地區(qū)也屬于革命老區(qū)、少數(shù)民族自治地區(qū)、陸地邊境地區(qū)和欠發(fā)達(dá)地區(qū),貧困區(qū)與石漠化地區(qū)高度重疊,形成了典型的生態(tài)脆弱區(qū)。因此,西南喀斯特地區(qū)植被定量研究對(duì)于石漠化治理以及維持脆弱生態(tài)系統(tǒng)穩(wěn)定與可持續(xù)發(fā)展起著決定性作用[41]。受高度景觀異質(zhì)性和多云霧天氣影響,該地區(qū)高時(shí)空分辨率和高質(zhì)量的星載光學(xué)遙感數(shù)據(jù)難以獲取,而中低分辨率的多光譜遙感難以精細(xì)提取地表植被有效信息[42,43];加上地表植被類型多樣且存在顯著同物異譜/同譜異物現(xiàn)象[44],導(dǎo)致快速、精準(zhǔn)獲取地表植被有效信息的不確定性增加,進(jìn)而影響西南喀斯特地區(qū)植被定量遙感研究的發(fā)展[6]。
植被在維持喀斯特脆弱生態(tài)系統(tǒng)穩(wěn)定與可持續(xù)發(fā)展中具有極其重要的作用[45,46]。為了更精準(zhǔn)、高效地進(jìn)行喀斯特地區(qū)植被定量遙感研究,本文從個(gè)體到生態(tài)系統(tǒng)尺度、從遙感數(shù)據(jù)源選擇和影像處理技術(shù)上總結(jié)了西南喀斯特地區(qū)植被定量遙感研究進(jìn)展,并探討其存在的困難和科學(xué)問題,以期為相關(guān)領(lǐng)域的研究提供科學(xué)參考。
在葉片器官、植被個(gè)體以及種群尺度上,西南喀斯特地區(qū)植被定量遙感研究還相對(duì)較少。在葉片生理生化方面,現(xiàn)有的研究主要是基于地物高光譜遙感技術(shù)探討葉片光譜信息與葉片生理生化參數(shù)之間的關(guān)系,以期將尺度擴(kuò)展到整個(gè)區(qū)域的植被生化參數(shù)定量遙感估算。例如,通過地物高光譜遙感技術(shù)獲取葉片的光譜信息,并同步測定葉片生化組分含量信息,再利用光譜指數(shù)和先進(jìn)深度學(xué)習(xí)方法(反向傳播神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)),構(gòu)建喀斯特植被葉片生化參數(shù)與光譜信息關(guān)系模型[47,48],即可借助該模型快速獲取喀斯特地區(qū)植被葉片生化組分含量信息。劉波等[49]采用自主設(shè)計(jì)的地面成像光譜系統(tǒng)(Field Imaging Spectrometer System,FISS),結(jié)合可視化手段獲取了毫米級(jí)高空間分辨率的植被葉片在脫水脅迫狀態(tài)下的“紅邊藍(lán)移”現(xiàn)象。地物高光譜遙感技術(shù)可有效估測植被葉片在喀斯特環(huán)境下特有的耐寒特征[50,51],對(duì)干旱脅迫下植被健康監(jiān)測有著重要的指導(dǎo)意義。然而,地物高光譜遙感技術(shù)目前主要應(yīng)用于小尺度近地面植被葉片生化組分研究,且需要大量的實(shí)測數(shù)據(jù)支撐,還難以擴(kuò)展到區(qū)域性范圍。
喀斯特地區(qū)自然植被物種識(shí)別是當(dāng)前研究的難點(diǎn)。Chen等[52]通過地物高光譜遙感技術(shù)結(jié)合玻爾茲曼機(jī)方法,對(duì)8種不同杜鵑花葉片的光譜特征進(jìn)行識(shí)別與區(qū)分。地物高光譜遙感技術(shù)的缺點(diǎn)是費(fèi)時(shí)、費(fèi)力,且需在晴天條件下采集數(shù)據(jù)。無人機(jī)遙感可以克服多云霧天氣影響,快速、準(zhǔn)確地獲取地面高分辨、高質(zhì)量影像,有利于高度景觀異質(zhì)性喀斯特地區(qū)植被有效信息的提取與識(shí)別[53,54]。例如,基于無人機(jī)可見光影像,結(jié)合最大類間方差法可完成喀斯特高原峽谷區(qū)火龍果單株信息的識(shí)別與提取,但受植株倒伏等因素影響,分離完好的單株植被信息提取精度僅占總植株數(shù)的50.20%[55]。在該研究基礎(chǔ)上,Huang等[56]通過對(duì)無人機(jī)影像進(jìn)行高斯高通濾波處理和閾值分割,提高了基于無人機(jī)遙感技術(shù)的火龍果單株信息識(shí)別與提取精度。該方法也適用于喀斯特地區(qū)山藥和花椒單株信息的識(shí)別與提取[43,57]。但基于無人機(jī)遙感技術(shù)的喀斯特地區(qū)物種識(shí)別,目前多局限于種植規(guī)范的農(nóng)作物物種信息提取,對(duì)于自然植被物種的定量遙感精準(zhǔn)識(shí)別還有待加強(qiáng)。
合成孔徑雷達(dá)(Synthetic-Aperture Radar,SAR)衛(wèi)星影像作為不受氣候影響的主動(dòng)遙感數(shù)據(jù),可以克服喀斯特地區(qū)多云霧天氣的影響,更適合喀斯特地區(qū)地表植被有效信息的提取。例如周忠發(fā)教授研究團(tuán)隊(duì)采用合成孔徑雷達(dá)完成了喀斯特山區(qū)煙草生長狀況的監(jiān)測[58-61]。此外,星載遙感影像也可以用來研究植被個(gè)體水分狀態(tài)及其受水分脅迫的生長狀況[62]。但在個(gè)體和種群尺度上,融合多源數(shù)據(jù)的喀斯特地區(qū)植被定量遙感研究還相對(duì)較少(表1),采用遙感影像類型也較為單一。未來研究需充分發(fā)揮地物高光譜遙感和無人機(jī)遙感影像的高時(shí)空分辨率,以及星載遙感影像的長時(shí)間序列優(yōu)勢,拓展個(gè)體和種群尺度的喀斯特地區(qū)植被定量遙感研究,尤其是植被葉片生化參數(shù)定量估算和自然植被物種精準(zhǔn)識(shí)別研究。
表1 喀斯特地區(qū)植被個(gè)體和種群尺度生態(tài)參數(shù)的定量遙感研究Table 1 Quantitative remote sensing study on vegetation individual and population scale ecological parameters in karst area
續(xù)表Continued table
植被群落與生態(tài)系統(tǒng)尺度上喀斯特地區(qū)植被定量遙感研究相比其他尺度研究更廣泛,主要集中在植被覆蓋度與其他植被指數(shù)、植被分類和植被生態(tài)系統(tǒng)定量遙感研究。
植被覆蓋度為單位面積內(nèi)植被地上部分垂直投影面積占總面積的百分比,是陸地生態(tài)系統(tǒng)的重要表征指標(biāo)之一,也是全球碳循環(huán)估算以及生物地球化學(xué)循環(huán)、水循環(huán)、生物多樣性和全球變化模型的重要參數(shù)[63]。遙感技術(shù)的快速發(fā)展為復(fù)雜地質(zhì)背景的西南喀斯特地區(qū)植被覆蓋度定量估算提供了可能,并發(fā)展了多種估算地表植被覆蓋度和其他植被指數(shù)的方法(表2)。地物高光譜遙感技術(shù)可用于估算喀斯特地區(qū)近地面綠色植被和干枯植被等不同地類的植被覆蓋度[64,65],為喀斯特地區(qū)石漠化評(píng)價(jià)提供技術(shù)支撐。無人機(jī)遙感技術(shù)在克服喀斯特地區(qū)多云霧天氣并提高植被覆蓋度定量估算精度的同時(shí),也成為有效銜接地面觀測與常規(guī)植被遙感監(jiān)測的橋梁[40,53]。Landsat影像和MODIS影像具有較好的空間分辨率和較長的時(shí)間序列優(yōu)勢,被廣泛應(yīng)用于喀斯特地區(qū)植被覆蓋度和植被指數(shù)定量估算[65-76]及其與地表溫度[77,78]、地形[79-87]、氣候等因子間關(guān)系[88-96]的研究,為喀斯特地區(qū)干旱遙感監(jiān)測[97,98]與石漠化評(píng)價(jià)提供技術(shù)支撐[99-103]。但受復(fù)雜的喀斯特地區(qū)多云霧天氣的影響,往往難以獲取高質(zhì)量的光學(xué)影像,從而制約了喀斯特地區(qū)植被覆蓋度與其他植被指數(shù)定量研究發(fā)展。因此,有學(xué)者嘗試通過統(tǒng)計(jì)學(xué)方法插值來彌補(bǔ)因光學(xué)影像質(zhì)量問題而引起的數(shù)據(jù)缺失,進(jìn)而估算地表植被指數(shù)[104-106]。此外,隨著遙感計(jì)算云平臺(tái)的發(fā)展,其融合了海量多源數(shù)據(jù)尤其是長時(shí)間序列的Landsat衛(wèi)星數(shù)據(jù),只需進(jìn)行少量代碼編程即可快速完成長期的大批量數(shù)據(jù)處理,為加速完成喀斯特地區(qū)植被覆蓋度長期遙感動(dòng)態(tài)監(jiān)測提供有利的技術(shù)支撐[107,108]。地物高光譜遙感技術(shù)和無人機(jī)遙感技術(shù)雖可獲取高分辨率影像,但需要大量的地面實(shí)測數(shù)據(jù)加以驗(yàn)證,目前難以擴(kuò)展到大范圍植被定量研究。Landsat影像和MODIS影像可獲取大范圍地物光譜信息,但其空間分辨率依然粗糙,加上受多云霧天氣影響,其數(shù)據(jù)質(zhì)量不確定性增加,難以滿足特定斑塊植被和重點(diǎn)植被有效信息的精準(zhǔn)識(shí)別,需融合更高的時(shí)空分辨率和高光譜影像。研究表明,基于高分辨率與地物高光譜遙感技術(shù)可以明顯提高喀斯特地區(qū)植被覆蓋度信息的提取精度[109-114]。例如,相比ASTER多光譜遙感影像,Hyperion高光譜遙感影像在估算干枯植被和基巖裸露率時(shí)具有更高的精度[111]。然而,受復(fù)雜地質(zhì)背景和多云霧天氣的影響,現(xiàn)有遙感衛(wèi)星影像的覆蓋范圍及質(zhì)量難以滿足喀斯特地區(qū)地表植被覆蓋度與其他植被指數(shù)的精準(zhǔn)估算;遙感影像處理技術(shù)主要還是以像元二分模型等簡單方法為主,有待融合多源遙感影像并融入具有自動(dòng)學(xué)習(xí)能力的機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法,以擴(kuò)展喀斯特地區(qū)植被覆蓋度與其他植被指數(shù)的定量研究。
表2 喀斯特地區(qū)植被蓋度與其他植被指數(shù)反演Table 2 Estimation of vegetation cover and other vegetation indices with remote sensing data
在喀斯特地區(qū)植被分類定量遙感研究中,Landsat影像依然是應(yīng)用最廣泛的數(shù)據(jù)源?;贚andsat影像,采用單一的線性光譜分離技術(shù),雖然可以直接對(duì)地表植被和土壤裸露等類型進(jìn)行分類[115,116],但受地質(zhì)背景影響,其分類精度相對(duì)較低。為提高喀斯特地區(qū)植被分類精度,可通過影像處理以降低地形的影響,并采用最大似然[117-119]、面向?qū)ο骩46,120]以及神經(jīng)網(wǎng)絡(luò)[121]等方法有效完成喀斯特地區(qū)植被分類。相比植被覆蓋度與其他植被指數(shù)定量遙感研究,喀斯特地區(qū)植被分類融合了多種影像數(shù)據(jù)并結(jié)合多種分類方法(表3)。例如融合SAR、Google Earth和無人機(jī)高分辨率光學(xué)影像完成喀斯特地區(qū)農(nóng)作物的分類,分類總精度為75.98%[122];相比單一的ALOS多光譜數(shù)據(jù),融合ALOS多光譜數(shù)據(jù)和TerraSAR-X數(shù)據(jù)能更好地提高喀斯特地區(qū)地表植被分類精度(提高8%-13%)[123];利用高分辨率的商業(yè)衛(wèi)星影像如QuickBird[124]、Worldview[125]以及高光譜影像如Hyperion和ASTER[126],能夠精準(zhǔn)識(shí)別和提高喀斯特地區(qū)植被分類精度。此外,國產(chǎn)高分辨率影像數(shù)據(jù)(如高分影像)也被廣泛應(yīng)用于喀斯特地區(qū)植被分類[44,127],且分類精度也不亞于國外高分辨率影像[128]。除了傳統(tǒng)的植被指數(shù)光譜混合分析模型外[126],面向?qū)ο骩125]、支持向量機(jī)以及神經(jīng)網(wǎng)絡(luò)[124,129,130]等機(jī)器學(xué)習(xí)與深度學(xué)習(xí)方法也被廣泛應(yīng)用,這些遙感影像處理方法能夠更有效地完成喀斯特地區(qū)植被分類。
表3 喀斯特地區(qū)植被分類定量遙感研究Table 3 Vegetation classification with remote sensing technologies
續(xù)表Continued table
西南喀斯特地區(qū)植被生態(tài)系統(tǒng)定量遙感研究主要集中在植被生產(chǎn)力、生態(tài)系統(tǒng)服務(wù)功能與價(jià)值評(píng)價(jià),在生物多樣性和碳循環(huán)方面的研究相對(duì)較少(表4)。Yan等[133]通過Landsat影像與植被指數(shù)方法嘗試對(duì)喀斯特地區(qū)生物多樣性進(jìn)行專題圖制作,并指出優(yōu)化的土壤調(diào)節(jié)植被指數(shù)(Soil-Adjusted Vegetation Index,SAVI)能夠較好地表征喀斯特地區(qū)植被香濃-威納指數(shù)。但受復(fù)雜喀斯特地區(qū)地質(zhì)背景的影響,實(shí)地調(diào)查往往難以深入,給區(qū)域植被生物多樣性定量遙感研究帶來了巨大挑戰(zhàn)。碳循環(huán)一直是全球變化研究的熱點(diǎn)問題[134,135],而占全球陸地面積約15%的喀斯特地區(qū),其碳循環(huán)研究也成為全球變化研究不可或缺的一部分,并因此備受關(guān)注[36,39]。在融合多源數(shù)據(jù)的西南喀斯特地區(qū)碳循環(huán)定量遙感估算研究方面,張明陽等[136-139]基于Landsat影像和MODIS影像,利用Carnegie-Ames-Stanford Approach (CASA)模型和光合作用公式,完成了喀斯特地區(qū)植被碳儲(chǔ)量和碳密度時(shí)空特征,以及植被固定二氧化碳和釋放氧氣的比例定量研究。但該研究未考慮土壤碳庫對(duì)喀斯特地區(qū)植被生態(tài)系統(tǒng)碳循環(huán)貢獻(xiàn)的影響。
在植被生產(chǎn)力定量遙感研究方面,以往的研究大多采用中低分辨率的Landsat影像和MODIS影像,并結(jié)合簡單分析或生態(tài)過程模型,估算喀斯特地區(qū)地表植被生產(chǎn)力[140]。例如,通過簡單的MODIS 植被總第一性生產(chǎn)力(Gross Primary Productivity,GPP)和凈第一性生產(chǎn)力(Net Primary Productivity,NPP)數(shù)據(jù),發(fā)現(xiàn)喀斯特地區(qū)植被生產(chǎn)力小于非喀斯特地區(qū)[141,142],但喀斯特地區(qū)關(guān)鍵帶或亞喀斯特地區(qū)對(duì)植被生長與恢復(fù)有重要意義[37,143]。因喀斯特地區(qū)易受干旱等脅迫因子影響[144],未來需要加強(qiáng)開展極端氣候?qū)Υ嗳蹩λ固厣鷳B(tài)系統(tǒng)影響的研究。在方法上,結(jié)合生態(tài)過程模型可以較好地定量估算喀斯特地區(qū)地表植被生產(chǎn)力[145]。例如,采用常用的CASA模型,并結(jié)合Landsat數(shù)據(jù)和SPOT NDVI數(shù)據(jù),可以較好地定量估算喀斯特地區(qū)NPP、Net Ecosystem Productivity(NEP)[139,146];通過引用新的參數(shù)改進(jìn)CASA模型能夠較好地估算喀斯特地區(qū)植被NPP,增強(qiáng)模型實(shí)用性[147,148]。此外,還有Carbon and Exchange between Vegetation,Soil,and Atmosphere(CEVSA)模型[149,150]、Vegetation Photosynthesis Model(VPM)[150,151],以及引入林冠密度構(gòu)建的深度置信網(wǎng)絡(luò)(Deep Belief Network)模型(K-DBN)[152]等喀斯特地區(qū)地表植被生產(chǎn)力/生物量定量遙感估算模型。但受模型參數(shù)、影像數(shù)據(jù)分辨率及其質(zhì)量影響,喀斯特地區(qū)地表植被生產(chǎn)力定量遙感估算的不確定性依然存在[151]。
表4 喀斯特地區(qū)植被生態(tài)系統(tǒng)定量遙感研究Table 4 Estimation of ecosystem services and its functions with remote sensing technologies
此外,在石漠化治理等生態(tài)恢復(fù)工程實(shí)施過程中,喀斯特地區(qū)植被生態(tài)系統(tǒng)服務(wù)功能與價(jià)值定量遙感研究也備受關(guān)注。基于Landsat影像和MODIS影像,并結(jié)合植被指數(shù)和模型方法等,可有效完成喀斯特地區(qū)生態(tài)環(huán)境質(zhì)量動(dòng)態(tài)監(jiān)測研究[153-155]。相比自然林分,喀斯特地區(qū)脆弱生態(tài)系統(tǒng)的穩(wěn)定性較低[156],尤其在人工植被恢復(fù)方面彈性較低,因此更容易受干旱等脅迫因子影響[157]。相比其他地區(qū),西南喀斯特地區(qū)生態(tài)系統(tǒng)服務(wù)價(jià)值相對(duì)較低[159]。受影像數(shù)據(jù)和模型參數(shù)等因素影響,西南喀斯特地區(qū)生態(tài)系統(tǒng)服務(wù)功能與價(jià)值評(píng)價(jià)指標(biāo)體系還不夠完善,缺乏統(tǒng)一的評(píng)價(jià)指標(biāo)體系[158]。因此,需要融合影像與非影像數(shù)據(jù)并綜合考慮不同地區(qū)特點(diǎn),以完善西南喀斯特地區(qū)生態(tài)系統(tǒng)服務(wù)功能與價(jià)值估算及其對(duì)區(qū)域可持續(xù)發(fā)展影響的研究[38,147,160]。
西南喀斯特地區(qū)植被定量遙感研究具有很強(qiáng)的區(qū)域特色,但因其高景觀異質(zhì)性的地質(zhì)背景以及多云霧天氣的影響,地表植被有效信息的精準(zhǔn)提取與分類依然存在很大的不確定性。相比非喀斯特地區(qū),西南喀斯特地區(qū)植被定量遙感研究在研究內(nèi)容、多源影像與非影像數(shù)據(jù)應(yīng)用及其數(shù)據(jù)挖掘等方面還顯得相對(duì)薄弱,亟待加強(qiáng)。
(1)生物多樣性使地球充滿生機(jī),也是人類生存和發(fā)展的基礎(chǔ)。在碳達(dá)峰和碳中和的雙重目標(biāo)驅(qū)動(dòng)下,約占國土總面積5%且作為全球范圍內(nèi)25個(gè)生物多樣性熱點(diǎn)地區(qū)之一的西南喀斯特地區(qū),其植被定量遙感研究以往主要集中在群落和生態(tài)系統(tǒng)尺度上的植被覆蓋度、植被分類以及植被生態(tài)系統(tǒng)服務(wù)功能與價(jià)值,而在群落和生態(tài)系統(tǒng)尺度的生物多樣性和碳循環(huán)定量遙感研究、個(gè)體和種群尺度的植被葉片生化組分含量和自然植被物種精準(zhǔn)識(shí)別定量方面的研究相對(duì)較少,這是西南喀斯特地區(qū)植被定量遙感研究急需解決的主要科學(xué)問題。
(2)目前西南喀斯特地區(qū)植被定量遙感監(jiān)測常用的數(shù)據(jù)源是被動(dòng)成像的光學(xué)遙感數(shù)據(jù),此外還有少量主動(dòng)成像的SAR數(shù)據(jù)以及波段較多的高光譜影像數(shù)據(jù)。雖然涉及地物光譜儀、無人機(jī)以及航空航天等傳感器平臺(tái),但獲取的影像數(shù)據(jù)相對(duì)單一,多以Landsat和MODIS的光學(xué)影像數(shù)據(jù)為主。受復(fù)雜地質(zhì)背景和多云霧天氣影響,高質(zhì)量的光學(xué)影像數(shù)據(jù)難以獲取。激光雷達(dá)是一種新生的主動(dòng)成像遙感技術(shù),能夠提高地表生物物理參數(shù)的測量精度,并提供高分辨率的三維成像數(shù)據(jù),被證明可以在復(fù)雜生態(tài)系統(tǒng)中精確估算葉面積和地表生物量[161]。但基于激光雷達(dá)主動(dòng)成像數(shù)據(jù)及其技術(shù)未見應(yīng)用在以往的西南喀斯特地區(qū)植被定量遙感研究工作中?;诩す饫走_(dá)影像數(shù)據(jù)可以提取地表植被樹高、冠幅、林冠結(jié)構(gòu)等三維信息,其點(diǎn)云數(shù)據(jù)可以直接用來完成樹種識(shí)別和提高地表生物量遙感估算精度,對(duì)復(fù)雜地質(zhì)背景的喀斯特地區(qū)植被定量遙感研究有重要意義。
(3)喀斯特地區(qū)植被定量遙感研究已從傳統(tǒng)的地面調(diào)查發(fā)展到無人機(jī)、航天航空遙感技術(shù),從簡單的植被指數(shù)、像元二分模型到深度學(xué)習(xí)乃至遙感計(jì)算云平臺(tái)應(yīng)用。但自動(dòng)、高效、完全定量獲取地表植被有效信息的方法仍處于探索階段。融合多源影像尤其是激光雷達(dá)影像與非影像數(shù)據(jù),充分利用并挖掘各種數(shù)據(jù)優(yōu)點(diǎn),采用先進(jìn)的深度學(xué)習(xí)方法與遙感計(jì)算云平臺(tái),特別是我國自主遙感計(jì)算云平臺(tái)Pixel Information Expert Engine (PIE-Engine),定量揭示喀斯特地區(qū)植被格局、過程與功能變化機(jī)制,并加強(qiáng)合作,通過全球喀斯特地區(qū)植被定量遙感監(jiān)測網(wǎng)絡(luò),實(shí)現(xiàn)快速、精準(zhǔn)、高效的喀斯特地區(qū)地表植被有效信息的提取與分類,推動(dòng)喀斯特地區(qū)植被定量遙感研究的深度和廣度,對(duì)高景觀異質(zhì)性西南喀斯特地區(qū)脆弱生態(tài)系統(tǒng)植被恢復(fù)、石漠化治理及其鄉(xiāng)村振興具有重要的生態(tài)和社會(huì)意義。