石 希,夏軍強(qiáng)**,周美蓉,辛 沛

(1:武漢大學(xué)水資源工程與調(diào)度全國(guó)重點(diǎn)實(shí)驗(yàn)室,武漢 430072)(2:河海大學(xué)水災(zāi)害防御全國(guó)重點(diǎn)實(shí)驗(yàn)室,南京 210098)

植物作為河流生態(tài)系統(tǒng)中的重要組成部分,具有凈化水質(zhì)、截流固堤和為鳥類、兩棲類動(dòng)物提供棲息地等生態(tài)功能[1-2]。受氣候變化、人為開(kāi)墾和河道整治工程的影響,大型河流系統(tǒng)內(nèi)的禾本科植物高度發(fā)生了一系列變化[3]。這種變化一方面將改變?yōu)┑刂脖粚?duì)水流產(chǎn)生的阻力,進(jìn)而對(duì)河道水位和防洪安全產(chǎn)生影響[4-5];另一方面將改變泥沙和營(yíng)養(yǎng)物質(zhì)的輸移過(guò)程,促使洲灘物理生境和營(yíng)養(yǎng)結(jié)構(gòu)發(fā)生定向調(diào)整,進(jìn)一步影響生物群落的分布情況[6-7]。因此,為全面厘清洲灘植物高度變化對(duì)防洪和生態(tài)產(chǎn)生的影響,有必要開(kāi)展針對(duì)洲灘禾本科植物高度動(dòng)態(tài)方面的研究。

星載激光雷達(dá)(LiDAR)是目前獲取大尺度植被垂向結(jié)構(gòu)信息的常用技術(shù)手段。伴隨著星載LiDAR技術(shù)的逐步成熟,應(yīng)用衛(wèi)星LiDAR數(shù)據(jù)反演大型河流生態(tài)系統(tǒng)內(nèi)的禾本科植物垂向特征成為一種可能。作為新一代星載LiDAR觀測(cè)計(jì)劃,全球生態(tài)系統(tǒng)動(dòng)力學(xué)調(diào)查雷達(dá)(global ecosystem dynamics investigation, GEDI)自2019年開(kāi)始收集全球植被垂向結(jié)構(gòu)數(shù)據(jù)[8]。其憑借更小的探測(cè)足印與更高的數(shù)據(jù)精度,被廣泛應(yīng)用于量化植被地上碳儲(chǔ)量分布、評(píng)估森林及棲息地退化狀況等方面[9-11]。Potapove等[12]融合Landsat多光譜衛(wèi)星影像與GEDI數(shù)據(jù),構(gòu)建了基于隨機(jī)森林算法的全球森林高度外推模型,證實(shí)了結(jié)合GEDI數(shù)據(jù)與多光譜衛(wèi)星影像可實(shí)現(xiàn)過(guò)去近幾十年植物高度的反演。Li等[13]在熱帶稀樹草原進(jìn)行了GEDI數(shù)據(jù)性能的評(píng)估,結(jié)果表明現(xiàn)有GEDI產(chǎn)品對(duì)于株高大于2.34 m的植物具有更優(yōu)的探測(cè)精度。Di Tommaso等[14]通過(guò)結(jié)合GEDI和Sentinel-2數(shù)據(jù),成功區(qū)分并繪制了中法兩國(guó)主要產(chǎn)糧區(qū)內(nèi)高大農(nóng)作物玉米(植株高度 >2 m)與低矮農(nóng)作物水稻和大豆的分布情況。但有別于上述陸地生態(tài)系統(tǒng),河流生態(tài)系統(tǒng)尤其是水陸交錯(cuò)帶內(nèi)的植物群落構(gòu)成往往更為復(fù)雜,且部分河漫灘相較陸地生態(tài)系統(tǒng)擁有更高的植株密度和單位面積地上生物量[3],給星載LiDAR系統(tǒng)準(zhǔn)確探測(cè)洲灘植物高度帶來(lái)了一定困難。此外,洲灘優(yōu)勢(shì)種多年生禾本科植物的高度隨植物種類變化存在較大的差異,且成熟的禾本科植物存在倒伏、橫向生長(zhǎng)等一系列問(wèn)題。因此,在使用GEDI數(shù)據(jù)前,需探明其在獲取洲灘典型禾本科植物垂向結(jié)構(gòu)方面的性能。在數(shù)據(jù)處理方面,由于GEDI所探測(cè)到的植被垂向信息在空間上并不連續(xù),其產(chǎn)品在實(shí)際應(yīng)用前需進(jìn)行外推處理。目前,已有研究主要利用機(jī)器學(xué)習(xí)的方法將GEDI數(shù)據(jù)與空間上連續(xù)的多光譜衛(wèi)星數(shù)據(jù)相結(jié)合,構(gòu)建相應(yīng)的植被高度外推模型,以實(shí)現(xiàn)對(duì)植被高度的持續(xù)監(jiān)測(cè)[14-15]。然而不同于森林生態(tài)系統(tǒng),洲灘優(yōu)勢(shì)種多年生禾本科植物,其高度受氣溫、光照等環(huán)境因子影響,具有明顯的年內(nèi)變化趨勢(shì)[16]。因此,在構(gòu)建洲灘禾本科植物高度外推模型時(shí),加入物候、累積溫度和輻射等指標(biāo)能否顯著提高模型精度需進(jìn)一步研究。

為探明星載激光雷達(dá)技術(shù)在反演洲灘禾本科植被高度方面的性能,本文以長(zhǎng)江中游流域洲灘為例,利用實(shí)地采樣和無(wú)人機(jī)(UAV)航測(cè)數(shù)據(jù)驗(yàn)證了GEDI衛(wèi)星的性能。此外,本文融合Sentinel-2多光譜衛(wèi)星數(shù)據(jù)構(gòu)建了考慮物候、累積溫度和光合有效輻射的洲灘典型禾本科植物高度外推模型,并分析了各指標(biāo)對(duì)模型精度的影響。隨后利用UAV航測(cè)數(shù)據(jù)對(duì)植物高度外推模型進(jìn)行了精度評(píng)價(jià),并進(jìn)一步分析了洲灘典型禾本科植物高度對(duì)不同淹沒(méi)條件的響應(yīng)模式。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域概況

長(zhǎng)江中游河段上起宜昌下至湖口,長(zhǎng)約955 km,一般可劃分為宜枝、荊江、城漢和漢湖4個(gè)河段。河道中間和兩側(cè)分布有一系列心洲和岸灘,統(tǒng)稱為洲灘。本文選用近年來(lái)最大的洪水,即2020年的流域性洪水,從Sentinel-2 10 m遙感影像中提取該場(chǎng)次洪水的最大淹沒(méi)范圍,并人工勾畫出洪淹區(qū)域以外最近的堤岸線作為洲灘邊界。本文所界定的長(zhǎng)江中游洲灘(圖1),汛期面積在620～980 km2之間,枯水期出露面積約為1150 km2。實(shí)地調(diào)查和以往資料表明,自然狀態(tài)下的洲灘沿垂向可劃分為邊灘、低灘和高灘3個(gè)部分(圖1a～b)。其中,邊灘中水位時(shí)淹沒(méi),枯水位時(shí)露出水面,少量矮小的耐水植物在退水后重新萌發(fā);低灘則會(huì)隨水位波動(dòng)在汛期呈現(xiàn)不同的淹沒(méi)情況,其上主要為耐水性較強(qiáng)、植株矮小的菊科與禾本科植物(如虉草、灰化薹草等)[17];而高灘只在大洪水時(shí)淹沒(méi),其上分布著耐水性稍差、植株較高大的典型濕地禾本科植物蘆葦、南荻等和少量灌木、喬木。

圖1 長(zhǎng)江中游洲灘與漢口江灘的地理位置Fig.1 Floodplain in the middle Yangtze River and the geolocation of in-situ surveyed Hankou floodplain

1.2 實(shí)測(cè)與UAV航測(cè)禾本科植物高度

本文利用實(shí)地觀測(cè)和UAV航測(cè)的手段獲取了中游典型洲灘內(nèi)的禾本科植物高度數(shù)據(jù)。選取位于湖北省武漢市漢口水文站附近的漢口江灘作為典型洲灘(圖1),該洲灘內(nèi)分布有植株密度極高的蘆葦-南荻群落。針對(duì)UAV航測(cè),選用DJI-M300-RTK無(wú)人機(jī)搭載DJI-L1 激光雷達(dá)探頭,分別在植物成熟期2022年7月6日與次年休眠期2023年2月5日獲取了江灘三維點(diǎn)云數(shù)據(jù)。隨后利用Cloud Compare軟件中的CSF過(guò)濾算法[18]將休眠期點(diǎn)云數(shù)據(jù)處理生成洲灘數(shù)字高程模型(DEM);并將成熟期點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為洲灘數(shù)字表面模型(DSM)。隨后將成熟期DSM與休眠期DEM地理配準(zhǔn)后相減,得到洲灘植被高度分布情況。而在實(shí)地觀測(cè)方面,在2022年5-10月共選取10個(gè)0.5 m×0.5 m的樣方,其中2個(gè)處于低灘,剩余8個(gè)分布在高灘,測(cè)量樣方內(nèi)所有禾本科植株的高度。實(shí)測(cè)和UAV航測(cè)數(shù)據(jù)均表明成熟期典型禾本科植物高度介于2～6 m范圍之間。

1.3 GEDI星載激光雷達(dá)數(shù)據(jù)

GEDI是美國(guó)航空航天局開(kāi)展的新一代星載LiDAR探測(cè)計(jì)劃,旨在提供高精度、高密度的植被高度與冠層結(jié)構(gòu)數(shù)據(jù)。GEDI由3個(gè)相同的近紅外LiDAR系統(tǒng)構(gòu)成,具有8條平行的觀測(cè)軌道,各條軌道間相距600 m。3組LiDAR系統(tǒng)在各自軌道上每隔60 m獲取一個(gè)直徑25 m足印內(nèi)的地表三維結(jié)構(gòu),故GEDI數(shù)據(jù)具有空間離散的特性。本文從LP DAAC數(shù)據(jù)庫(kù)(https://lpdaac.usgs.gov/)檢索并下載了2019-2022年研究區(qū)域內(nèi)所有GEDI 2A級(jí)產(chǎn)品,共計(jì)537個(gè)。其中包含各足印內(nèi)的地面高程、植株相對(duì)高度(relative height, RH)和數(shù)據(jù)質(zhì)量等信息。隨后利用開(kāi)源程序(github.com/shixi2ng/Satellite_RS_process_module/)提取了144732個(gè)高質(zhì)量足印范圍內(nèi)的5種相對(duì)高度指標(biāo)RH25、RH75、RH90、RH98、RH100,分別對(duì)應(yīng)累計(jì)回波能量25%、75%、95%、98%以及100%處與地表平面間的相對(duì)高差。

1.4 Sentinel-2多光譜衛(wèi)星數(shù)據(jù)

Sentinel-2衛(wèi)星隸屬歐洲航天航空局哥白尼計(jì)劃。與其他多光譜衛(wèi)星(如Landsat、MODIS)相比,Sentinel-2數(shù)據(jù)具有更高的空間分辨率(10～60 m)和更短的重訪周期(單星10 d,雙星5 d)。本文從哥白尼計(jì)劃數(shù)據(jù)庫(kù)中(https://scihub.copernicus.eu/)檢索并下載了2019-2022年覆蓋長(zhǎng)江中游洲灘的所有Sentinel-2 L2A級(jí)產(chǎn)品,共計(jì)4034幅。L2A級(jí)產(chǎn)品中包含從可見(jiàn)光至中紅外13個(gè)波段的地表反射率和質(zhì)量評(píng)估數(shù)據(jù)。質(zhì)量評(píng)估數(shù)據(jù)主要為通過(guò)場(chǎng)景分類算法生成的云層分布情況。依據(jù)Sentinel-2官方產(chǎn)品指南,利用1.2節(jié)中的開(kāi)源程序?qū)λ杏跋襁M(jìn)行了去云處理,隨后利用雙線性內(nèi)插法將20和60 m分辨率的影像均重采樣至10 m。

1.5 日均氣溫和光合有效輻射數(shù)據(jù)

從 NCEI數(shù)據(jù)庫(kù)(https://www.ncei.noaa.gov/)獲取了國(guó)家基本氣象站觀測(cè)的日均氣溫?cái)?shù)據(jù)。隨后利用反距離權(quán)重法插值得到了全國(guó)逐日氣溫分布情況,并進(jìn)一步將其重采樣和裁剪至Sentinel-2 10 m柵格上,得到研究區(qū)域內(nèi)的日均氣溫分布。此外,本文選用了MODIS光合有效輻射(photosynthetically active radiation, PAR)數(shù)據(jù),其主要反映了太陽(yáng)輻射中對(duì)植物光合作用有效的部分。從LAADS DAAC數(shù)據(jù)庫(kù)(https://ladsweb.modaps.eosdis.nasa.gov/)下載了研究區(qū)內(nèi)的MCD18A2數(shù)據(jù),空間分辨率為1 km,時(shí)間分辨率為3 h。隨后對(duì)數(shù)據(jù)進(jìn)行了空間上的重采樣和時(shí)間上的累加處理,得到日均光合有效輻射。

1.6 日水位數(shù)據(jù)

本文收集了長(zhǎng)江中游河段宜昌、沙市、螺山和漢口4個(gè)水文站測(cè)量的日水位數(shù)據(jù),4個(gè)站點(diǎn)的地理位置詳見(jiàn)圖1。4個(gè)水文站的數(shù)據(jù)分別用于代表宜枝、荊江、城漢和漢湖河段洲灘水位的變化情況。同時(shí),為減少水位波動(dòng)對(duì)洲灘淹沒(méi)情況的影響,4個(gè)代表水文站皆位于相應(yīng)河段的進(jìn)口或上游。

2 研究方法

本文研究方法主要分為3步:(1)基于Attention-UNet的洲灘淹沒(méi)區(qū)域識(shí)別;(2)特征指標(biāo)提取;(3)基于XGB的洲灘典型禾本科植物高度外推模型構(gòu)建,如圖2所示。

圖2 融合Sentinel-2與GEDI數(shù)據(jù)的禾本科植物高度外推模型框架圖Fig.2 The framework of poaceous vegetation height model based on Sentinel-2 and GEDI data

2.1 基于Attention-UNet的洲灘淹沒(méi)區(qū)域識(shí)別

在提取植物物候指標(biāo)前,需準(zhǔn)確剔除遙感影像中受淹沒(méi)影響的數(shù)據(jù)。本文利用一種廣泛應(yīng)用于圖像二元分割的卷積神經(jīng)網(wǎng)絡(luò)Attention-UNet識(shí)別洲灘淹沒(méi)區(qū)域[19]。首先從云量低于10%的235幅Sentinel-2遙感影像中,隨機(jī)選取了80幅。在確保這80幅影像均勻覆蓋研究區(qū)域與研究時(shí)段后,逐幅手動(dòng)標(biāo)注出水體范圍作為樣本數(shù)據(jù)。以往研究表明在運(yùn)用機(jī)器學(xué)習(xí)進(jìn)行濕地水體識(shí)別時(shí),結(jié)合水體和植被指數(shù)可更精確地捕捉濕地植被的淹沒(méi)情況[20]。因此,本文選用3種常用的水體指數(shù)MNDWI、AWEI、AWEIsh與兩種植被指數(shù)NDVI、OSAVI作為基本指標(biāo),隨即構(gòu)建了相應(yīng)的訓(xùn)練集和驗(yàn)證集(表1)。對(duì)超參數(shù)進(jìn)行調(diào)優(yōu)后,得到了基于Attention-UNet的洲灘淹沒(méi)識(shí)別模型,識(shí)別精度介于87.3%～93.2%之間,隨后利用該模型提取了所有Sentinel-2影像中的淹沒(méi)范圍。此外,結(jié)合各河段代表水文站的日水位信息獲取了各像元?dú)v年的起始淹沒(méi)水位,并利用其估算了各像元的淹沒(méi)歷時(shí)和淹沒(méi)水深,具體步驟為:(1)將任意一幅淹沒(méi)影像中處于淹沒(méi)邊界上的像元視為當(dāng)日淹沒(méi)像元,其起始淹沒(méi)水位為該河段代表水文站的當(dāng)日水位;(2)依據(jù)同一年內(nèi)不同影像中所有處于邊界的淹沒(méi)像元,利用Spline內(nèi)插法得到各像元?dú)v年的起始淹沒(méi)水位,隨后運(yùn)用代表水文站日水位數(shù)據(jù)估算出當(dāng)年的淹沒(méi)歷時(shí)與淹沒(méi)水深。

表1 Sentinel-2水體與植被指數(shù)計(jì)算公式及參考文獻(xiàn)Tab.1 The algorithm and references of Sentinel-2 water and vegetation index

2.2 特征指標(biāo)提取

本文共選用3種特征指標(biāo):地表反射率和指數(shù)信息、物候指標(biāo)以及累積溫度和光合有效輻射量(表2)。針對(duì)地表反射率和指數(shù)信息,選用Sentinel-2 藍(lán)光至中紅外波段的地表反射率和NDVI、OSAVI、MNDWI 3個(gè)指數(shù)(表2)。由于Sentinel-2與GEDI數(shù)據(jù)在時(shí)空維度上均無(wú)法對(duì)應(yīng),進(jìn)一步處理使其相互匹配:首先,利用2.1節(jié)中提取的淹沒(méi)范圍剔除受洪淹影響的數(shù)據(jù)。隨后,對(duì)任意GEDI數(shù)據(jù)點(diǎn),在時(shí)間維度上向前和向后各追溯30 d,直至找到在其足印范圍內(nèi)不存在空值的一幅影像,計(jì)算出足印范圍內(nèi)的指標(biāo)均值。最后對(duì)前后兩幅影像的結(jié)果進(jìn)行線性內(nèi)插處理,得出與GEDI探測(cè)日期相對(duì)應(yīng)的數(shù)據(jù)。若在30天窗口內(nèi)沒(méi)有滿足條件的Sentinel-2影像,則舍棄該組GEDI數(shù)據(jù)。

表2 植物高度外推模型所用特征指標(biāo)Tab.2 The features adopted in the vegetation height model

在提取洲灘優(yōu)勢(shì)種禾本科植物物候指標(biāo)時(shí),以往研究表明七參數(shù)雙邏輯曲線具備準(zhǔn)確描述其年內(nèi)生長(zhǎng)趨勢(shì)的能力[25]。故運(yùn)用七參數(shù)雙邏輯曲線對(duì)OSAVI指數(shù)序列進(jìn)行平滑處理:

(1)

式中,t為年積日;m1表征冬季植被指數(shù)均值;m2表征夏季植被指數(shù)峰值與m1間的差值;m3與m5分別表示植物生長(zhǎng)季開(kāi)始期與結(jié)束期;m4和m6分別表征夏季植物生長(zhǎng)速率與秋冬季衰退速率;m7則表征夏季衰退速率。隨后從擬合曲線中提取了與生物量、生長(zhǎng)速率、生長(zhǎng)日期相關(guān)的8個(gè)物候指標(biāo)(表2)。

最后,為確保模型具備描述禾本科植物年內(nèi)高度變化的能力,引入植物積溫[26]和累積光合有效輻射量:

(2)

(3)

式中,ATGEDI、APARGEDI分別代表GEDI探測(cè)日積溫和累積光合有效輻射量;doy是當(dāng)前年積日;Tb是植物生長(zhǎng)基溫,此處選用生長(zhǎng)季開(kāi)始日期前后各5 d內(nèi)(一個(gè)雙星回歸周期內(nèi))的平均氣溫;Td、PARd分別為日均氣溫和日均光合有效輻射。本文所用積溫為日均氣溫Td相對(duì)生長(zhǎng)基溫Tb的累計(jì)總和,而累計(jì)光合有效輻射量則為生長(zhǎng)季開(kāi)始期之后的累積值。此外,統(tǒng)計(jì)了峰值年積日下的積溫和累積輻射量作為生長(zhǎng)期總積溫和累積總輻射量(表2)。

2.3 基于XGB的洲灘典型禾本科植物高度外推模型構(gòu)建

本文主要利用集成學(xué)習(xí)boosting算法中的XGBoost(XGB)構(gòu)建了洲灘典型禾本科植物高度外推模型。為保證模型具備精確外推禾本科植物高度的能力,同時(shí)防止由于數(shù)據(jù)集不均產(chǎn)生的過(guò)擬合現(xiàn)象,根據(jù)實(shí)測(cè)和UAV航測(cè)數(shù)據(jù),僅選用GEDI相對(duì)高度指標(biāo)(RH100)處于2～6 m的樣本,用于構(gòu)建洲灘典型禾本科植物高度外推模型。隨后,將2.2節(jié)中提取的26種特征指標(biāo)作為模型輸入數(shù)據(jù),并將RH100視為輸出數(shù)據(jù)。此外,為確定不同特征指標(biāo)對(duì)模型精度的影響,利用XGB構(gòu)筑了6種包含不同指標(biāo)的模型(表3)。針對(duì)每種模型,從2019-2022 4年的數(shù)據(jù)中任選3年作為訓(xùn)練集,并利用剩余一年數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證,取4次結(jié)果的均值反映該種模型的精度。

表3 6種植物高度外推模型所用特征指標(biāo)Tab.3 Selected features of six different vegetation height models

3 結(jié)果分析與討論

3.1 UAV航測(cè)與GEDI衛(wèi)星數(shù)據(jù)精度評(píng)價(jià)

圖3 UAV航測(cè)與GEDI探測(cè)植被高度的精度評(píng)價(jià)Fig.3 Accuracy assessment of the UAV-surveyed and GEDI-derived vegetation height

另一方面,比較分析了GEDI不同相對(duì)高度指標(biāo)與UAV航測(cè)高度間的相關(guān)性。從圖4中可以看出僅有RH100、RH98與UAV航測(cè)值之間的誤差均勻分布在0值左右。RH100的中位數(shù)和均值皆為正值,其箱體有明顯的正向偏移,表明RH100相較UAV數(shù)據(jù)整體偏大。而RH98則相反較UAV數(shù)據(jù)整體偏小。進(jìn)一步分析實(shí)測(cè)與UAV航測(cè)數(shù)據(jù)之間的差值,發(fā)現(xiàn)UAV航測(cè)高度較實(shí)測(cè)值普遍偏低,誤差均值為0.06 m。促成這種現(xiàn)象的原因可能是,處于自然狀態(tài)下的洲灘典型禾本科植物在自身重力和外界風(fēng)力的干擾下存在一定倒伏,從而導(dǎo)致實(shí)測(cè)直立狀態(tài)下的禾本科植物高度大于遙測(cè)高度。因此,在后續(xù)構(gòu)建高度外推模型時(shí)選用同較UAV數(shù)據(jù)整體偏大的RH100代表洲灘典型禾本科植株的實(shí)際高度。

圖4 GEDI不同相對(duì)高度指標(biāo)與UAV航測(cè)數(shù)據(jù)間的誤差分布情況Fig.4 Distribution of errors between UAV-surveyed vegetation height and GEDI-derived relative heights

3.2 不同指標(biāo)對(duì)洲灘典型禾本科植物高度外推模型的精度影響

在對(duì)洲灘典型禾本科植物高度外推模型的超參數(shù)進(jìn)行調(diào)優(yōu)后,6種模型訓(xùn)練集和驗(yàn)證集的平均絕對(duì)誤差(MAE)與均方根誤差(RMSE)匯總至表4。結(jié)果表明:(1)3種指標(biāo)皆納入考慮的Index-Pheno-AT模型具有最高的精度,證明3種指標(biāo)對(duì)高度外推模型均有一定貢獻(xiàn);(2)在與Index耦合的模型中,Index-Pheno和Index-Pheno-AT相較Index在精度上有明顯的提升,訓(xùn)練集MAE與RMSE分別下降了約9.4%和5.9%,驗(yàn)證集則下降了約7.5%和6.1%;但是Index-Pheno-AT模型較Index-Pheno提升幅度較小,僅有約0.3%,表明在考慮物候指標(biāo)后,加入積溫、累積輻射指標(biāo)對(duì)模型精度的提升并不顯著。

表4 6種植物高度外推模型的精度Tab.4 Accuracy of six different vegetation height models

進(jìn)一步分析了各指標(biāo)對(duì)植物高度外推模型的貢獻(xiàn)度(圖5)。依據(jù)貢獻(xiàn)度均值(～4%)將26種因子劃分為主要與次要因子,其中主要因子僅包含指數(shù)和物候指標(biāo)。物候指標(biāo)中生長(zhǎng)季開(kāi)始期具有最高的貢獻(xiàn)度約為19.5%,而另外兩種日期型物候指標(biāo)峰值——年積日和生長(zhǎng)季結(jié)束期的貢獻(xiàn)度也分別占9.5%和5.5%,上述結(jié)果表明日期型物候指標(biāo)在反演洲灘禾本科植物高度時(shí)最為關(guān)鍵。而對(duì)于植被指數(shù)而言,其貢獻(xiàn)率存在兩極分化,OSAVI和Band3隸屬主要因子,而NDVI和Band4-Band9的貢獻(xiàn)率僅有約2.5%,這與以往研究結(jié)果較為相似,即重復(fù)添加具有相同波段的植被指數(shù)和具有較強(qiáng)相關(guān)性的紅邊波段數(shù)據(jù)并不會(huì)顯著提高模型精度[12]。此外,所有積溫和累積輻射量皆屬于次要因子,表明累積溫度和輻射對(duì)模型貢獻(xiàn)較低。比較GEDI探測(cè)日期和植被成熟期(峰值年積日)后發(fā)現(xiàn),約90%的GEDI數(shù)據(jù)探測(cè)于禾本科植物的成熟期內(nèi)。由于禾本科植物高度在成熟期前已達(dá)到年內(nèi)峰值,故GEDI探測(cè)日期下的積溫和累積輻射量與其不再具有較強(qiáng)相關(guān)性,而生長(zhǎng)期總積溫、總累積輻射與成熟期植株高度的相關(guān)性更高(圖5)。因此,利用GEDI數(shù)據(jù)所構(gòu)建的洲灘禾本科植物高度外推模型更適用于獲取成熟期內(nèi)典型禾本科植物的高度,即年內(nèi)高度峰值。

圖5 各因子對(duì)植被高度外推模型貢獻(xiàn)率Fig.5 Contribution of each indicator to the XGB-based vegetation height model

依據(jù)上述分析,對(duì)模型所用特征量進(jìn)一步優(yōu)化,剔除NDVI、Band4、Band8、Band8a等冗余指標(biāo),并將當(dāng)前累積輻射量、積溫替換成其與生長(zhǎng)期累積總輻射量或總積溫的比值 σAPAR、σAT(式(4)～(5))。優(yōu)化后的Index-Pheno-AT模型整體精度進(jìn)一步提升約1.1%。綜上,在構(gòu)建洲灘典型禾本科植物高度外推模型時(shí),綜合考慮物候、積溫和累積輻射指標(biāo)可提升模型精度,提升幅度在6.8%～10.7%之間。

σAT=min(1,ATGEDI/AT生長(zhǎng)期)

(4)

σAPAR=min(1,APARGEDI/APAR生長(zhǎng)期)

(5)

3.3 典型禾本科植物高度外推模型精度評(píng)價(jià)及中游洲灘植物高度分布情況

分別利用指標(biāo)修改前后的模型外推了2022年7月4日漢口江灘禾本科植物高度的分布情況,并運(yùn)用UAV航測(cè)數(shù)據(jù)對(duì)結(jié)果進(jìn)行了精度評(píng)價(jià)(圖6a、b)。結(jié)果表明:(1)調(diào)整指標(biāo)有效地提高了模型精度,原模型MAE=0.77 m,R2=-0.141,而調(diào)整后MAE降低至0.71 m,R2提高至0.056,且散點(diǎn)圖有更向?qū)蔷€靠攏的趨勢(shì);(2)利用UAV航測(cè)數(shù)據(jù)得到的模型誤差相較3.2節(jié)中的訓(xùn)練集和驗(yàn)證集分別高出0.38和0.33 m。分析圖6b可以發(fā)現(xiàn),有部分航測(cè)高度小于2.5 m的數(shù)據(jù),其外推高度均大于3 m,影響模型整體精度。進(jìn)一步分析后將誤差歸因于兩個(gè)方面:(1)當(dāng)使用UAV數(shù)據(jù)評(píng)價(jià)模型精度時(shí),GEDI與UAV數(shù)據(jù)間存在的誤差(見(jiàn)3.1節(jié))將傳遞至模型結(jié)果中,導(dǎo)致模型誤差被進(jìn)一步放大;(2)2022年7月4日漢口江灘部分區(qū)域已有河水上灘,區(qū)域內(nèi)植株在水流作用下發(fā)生了一定的彎折,導(dǎo)致UAV航測(cè)植株高度小于植株實(shí)際高度。同時(shí)對(duì)于受洪淹影響的像元,其各波段光譜反射率受光譜融合影響,導(dǎo)致外推模型無(wú)法準(zhǔn)確計(jì)算植被高度。因此,將受洪水淹沒(méi)影響數(shù)據(jù)剔除后(圖6c),模型整體MAE降低至0.64 m,且處于[-0.93, +0.93] m范圍內(nèi)的數(shù)據(jù)上升至79.6%。

圖6 模型外推漢口江灘植被高度與UAV航測(cè)植被高度比較Fig.6 Comparison between model-derived and UAV-surveyed vegetation height in Hankou floodplain

此外,利用修改后的洲灘典型禾本科植物高度外推模型繪制了2019-2022年長(zhǎng)江中游流域植物年內(nèi)高度峰值的分布情況。首先,以2022年為例分析了植被高度的空間分布情況(圖7a)。2022年長(zhǎng)江中游洲灘植被高度均值為(3.79±0.54)m,且各河段間植被高度呈現(xiàn)明顯差異:宜枝段植株平均高度為(3.56±0.45)m,整體偏矮;城漢段植株平均高度為(3.88±0.59)m,整體最高。從圖7a中可以看出,植物高度的空間差異主要與開(kāi)墾、造林等一系列人類活動(dòng)有關(guān)。另一方面,圖7b～e給出了2019-2022年各河段植被高度的年際變化情況,4個(gè)河段植被高度皆呈現(xiàn)“先降后增”的趨勢(shì)。受2020年流域性洪水影響,4個(gè)河段植被高度整體下降了0.03～0.24 m,淹沒(méi)區(qū)域內(nèi)高度下降了0.07～0.43 m。其中,城漢段高度均值從2019年的3.67 m降低至2020年的3.23 m,下降趨勢(shì)最為明顯;漢湖段植物高度出現(xiàn)明顯的低分布峰。該場(chǎng)次洪水影響近乎所有中游洲灘且部分河段高灘淹沒(méi)歷時(shí)較長(zhǎng),導(dǎo)致其上不耐水植物因無(wú)氧呼吸耗干營(yíng)養(yǎng)物質(zhì)而死亡[27]。此外,大洪水也一定程度地破壞了植物生長(zhǎng)環(huán)境,導(dǎo)致多年生植物的根系在休眠期內(nèi)無(wú)法補(bǔ)充足夠的營(yíng)養(yǎng)物質(zhì)影響次年植物高度。但2022年荊江段植被高度整體抬升至洪水前水平,城漢段眾數(shù)復(fù)位至平均值附近,漢湖段低值峰消失,表明洲灘生態(tài)系統(tǒng)具備一定的自我恢復(fù)能力,即在外界干擾下可自行恢復(fù)至干擾前的穩(wěn)態(tài)。

圖7長(zhǎng)江中游洲灘植被高度的時(shí)空分布情況Fig.7 Spatiotemporal distribution of vegetation height on the floodplains in the middle Yangtze River

3.4 長(zhǎng)江中游洲灘典型禾本科植物年際間高度動(dòng)態(tài)與淹沒(méi)條件的關(guān)系

以2020年流域性洪水為例,進(jìn)一步分析了洲灘典型禾本科植物年際間高度動(dòng)態(tài)對(duì)不同淹沒(méi)歷時(shí)和淹沒(méi)水深的響應(yīng)模式。圖8給出了2020-2021年植被高度變化率與淹沒(méi)歷時(shí)之間的關(guān)系。結(jié)果表明,洲灘典型禾本科植物年際間高度動(dòng)態(tài)對(duì)淹沒(méi)歷時(shí)的響應(yīng)可分為3個(gè)階段:當(dāng)淹沒(méi)歷時(shí)小于7 d,洪水有促進(jìn)植物生長(zhǎng)的作用,最大促進(jìn)幅度相較未淹沒(méi)區(qū)域?yàn)?.8%;而當(dāng)淹沒(méi)歷時(shí)逐步增加至10～35 d時(shí),洪水開(kāi)始抑制植物生長(zhǎng),植物高度的平均變化率相較未淹沒(méi)區(qū)約為-2.3%;當(dāng)淹沒(méi)歷時(shí)進(jìn)一步增大至35 d以上時(shí),洪水進(jìn)一步對(duì)植物長(zhǎng)勢(shì)產(chǎn)生負(fù)向作用,高度平均變化率下降至-3.1%。從洲灘垂向結(jié)構(gòu)進(jìn)行分析,處于高灘上的不耐水植物在經(jīng)歷短期的洪水淹沒(méi)后,土壤含水量得到補(bǔ)充,水流中攜帶的營(yíng)養(yǎng)物質(zhì)和泥沙沉積在洲灘表層,促使植物長(zhǎng)勢(shì)變好;而對(duì)于高灘中層的不耐水植物,隨著淹沒(méi)歷時(shí)的增加,厭氧呼吸將逐漸占據(jù)主導(dǎo)地位,而伴隨著營(yíng)養(yǎng)物質(zhì)耗盡部分植物將徹底死亡,故這一區(qū)域內(nèi)次年植物高度明顯下降;而對(duì)于淹沒(méi)歷時(shí)更長(zhǎng)、處于高灘下層以及低灘上的植物,其不僅面臨無(wú)氧呼吸的問(wèn)題,還要長(zhǎng)時(shí)間承受河道水流對(duì)其產(chǎn)生的拖曳力,在兩種因子的共同作用下,禾本科植物的高度受到更嚴(yán)重的負(fù)面影響。

圖8 2020年洪水淹沒(méi)歷時(shí)與植被年際間高度動(dòng)態(tài)的關(guān)系Fig.8 Relationship between inundation duration and interannual vegetation height dynamics for flood of 2020

但無(wú)論是洪淹導(dǎo)致的厭氧呼吸亦或是洪水對(duì)植被拖曳作用的強(qiáng)弱,從機(jī)理上其皆與淹沒(méi)水深存在一定關(guān)系,故進(jìn)一步分析了淹沒(méi)水深與禾本科植物高度動(dòng)態(tài)的相關(guān)性。圖9給出了2020年流域性洪水作用下洲灘禾本科植物高度變化率與最大淹沒(méi)水深間的關(guān)系,從圖中可得出3 種不同區(qū)域內(nèi)植被高度的響應(yīng)方式:(1)對(duì)于最大淹沒(méi)水深h<1.5 m的高灘而言,隨著h的增大,洪淹對(duì)于禾本科植物高度的影響從促進(jìn)轉(zhuǎn)變?yōu)橐种?(2)對(duì)于h>3 m的高灘底層至低灘區(qū)域,隨著最大淹沒(méi)水深的增加,所屬區(qū)域內(nèi)的植物耐水性提升,因此淹沒(méi)水深對(duì)植被高度的影響逐步變小,最后于0值附近波動(dòng);(3)而對(duì)于h處于[1.5, 3] m的所有洲灘而言,由于其灘體所屬層與植物高度皆有差異,因此該部分植物對(duì)淹沒(méi)水深的響應(yīng)模式?jīng)]有明顯規(guī)律,植被高度動(dòng)態(tài)在[-10%, -5%]間波動(dòng)。

圖9 2020年最大淹沒(méi)水深與植被年際間高度動(dòng)態(tài)的關(guān)系Fig.9 Relationship between and maximum submersion depth and interannual vegetation height dynamics in 2020

為進(jìn)一步給出圖9中高、低灘混合區(qū)域內(nèi)禾本科植被高度動(dòng)態(tài)與淹沒(méi)水深間的關(guān)系,選取圖9中兩條擬合曲線等于Δmin/3(Δmin為兩條曲線交點(diǎn)處植被高度變化率最小值)時(shí)所對(duì)應(yīng)的最大淹沒(méi)水深作為上下邊界,分析了該范圍內(nèi)禾本科植被高度動(dòng)態(tài)隨日均淹沒(méi)水深與植株高度比值(s)間的關(guān)系,如圖10所示。當(dāng)s<0.95時(shí),受淹沒(méi)歷時(shí)和淹沒(méi)水深共同影響,洲灘禾本科植被高度動(dòng)態(tài)與s之間的關(guān)系表現(xiàn)得較為復(fù)雜,于[-10%, 0%]范圍內(nèi)波動(dòng);而當(dāng)s>0.95時(shí),高度變化率隨著s呈現(xiàn)出單調(diào)下降趨勢(shì),Δ從s=0.95時(shí)的0.1%下降到s=1.9時(shí)的-11.3%,即隨著水流徹底淹沒(méi)禾本科植物,植株高度將受到更為嚴(yán)重的負(fù)面影響。

圖10 2020年日均淹沒(méi)水深與植被高度比值和植被年際間高度動(dòng)態(tài)的關(guān)系Fig.10 Relationship between the daily average submersion depth to vegetation height ratio and interannual vegetation height dynamics in 2020

4 結(jié)論

星載激光雷達(dá)技術(shù)的發(fā)展給監(jiān)測(cè)大型河流系統(tǒng)內(nèi)的禾本科植被高度帶來(lái)了新的可能。本文利用實(shí)測(cè)和UAV航測(cè)數(shù)據(jù)評(píng)估了新一代星載LiDAR衛(wèi)星GEDI在獲取典型禾本科植物高度方面的性能,并結(jié)合Sentinel-2數(shù)據(jù)構(gòu)建了考慮植物物候、累積溫度和光合有效輻射量的洲灘典型禾本科植物高度外推模型。隨后以長(zhǎng)江中游洲灘為例,全面評(píng)價(jià)了GEDI數(shù)據(jù)的適用性與模型的精度,并分析了洲灘典型禾本科植物高度對(duì)不同淹沒(méi)條件的響應(yīng)模式。主要結(jié)論包括:

1)利用實(shí)測(cè)數(shù)據(jù)對(duì)UAV航測(cè)植物高度進(jìn)行精度評(píng)價(jià),RMSEUAV=0.28 m。同時(shí)GEDI數(shù)據(jù)與同年UAV航測(cè)數(shù)據(jù)相比,RMSE=0.43 m,綜合表明GEDI數(shù)據(jù)具有反映洲灘植物高度的能力。此外,受禾本科植物倒伏作用的影響,洲灘實(shí)測(cè)禾本科植被高度與 GEDI相對(duì)高程指標(biāo)RH100間的相關(guān)性最強(qiáng)。

2)綜合考慮植被指數(shù)、物候、積溫和累積光合有效輻射指標(biāo)的洲灘典型禾本科植物高度外推模型精度最高,相較僅考慮植被指數(shù)的模型精度提升為6.8%～10.7%。其中日期型物候指標(biāo)(生長(zhǎng)季開(kāi)始期、結(jié)束期等)的貢獻(xiàn)度最高,而由于GEDI探測(cè)日期普遍晚于洲灘植被成熟期,故引入積溫和累積輻射指標(biāo)對(duì)模型精度的提升并不顯著。

3)利用UAV航測(cè)數(shù)據(jù)對(duì)模型外推精度進(jìn)行評(píng)價(jià),MAE與RMSE分別為0.64和0.80 m。運(yùn)用該模型外推結(jié)果分析后表明:在空間尺度上,長(zhǎng)江中游各河段植被高度存在差異,宜枝河段植株整體偏矮,城漢河段則整體偏高;在時(shí)間尺度上,受2020年流域性洪水的影響,所有河段植被高度均值下降了0.03～0.24 m,淹沒(méi)區(qū)域內(nèi)高度下降了0.07～0.43 m,導(dǎo)致2019-2022年植被高度整體呈現(xiàn)先降后增的趨勢(shì)。

4)在2020年流域性洪水的作用下,洲灘禾本科植物高度變化率隨淹沒(méi)時(shí)間的上漲呈現(xiàn)先增后減的趨勢(shì),即淹沒(méi)歷時(shí)≤10 d,次年植株高度增加;淹沒(méi)歷時(shí)>10 d,株高平均降低約2.3%～3.1%。此外,當(dāng)最大淹沒(méi)水深從0增長(zhǎng)到1.5 m時(shí),洪水對(duì)植被高度的影響從促進(jìn)轉(zhuǎn)變?yōu)橐种?而當(dāng)最大淹沒(méi)水深大于3 m時(shí),隨著最大淹沒(méi)水深的進(jìn)一步增加,洪水對(duì)洲灘植物的抑制作用逐漸趨近于無(wú)。另一方面,當(dāng)洲灘日均淹沒(méi)水深與株高比值大于0.95時(shí),其次年植物高度隨著比值的增加,從2020年相似水平單調(diào)下降至2020年的88.7%。

上述結(jié)論將有助于評(píng)估大型河流系統(tǒng)中典型禾本科植物對(duì)河床糙率、河流頂托、泥沙沉積的作用,同時(shí)提高對(duì)不同淹沒(méi)條件影響下禾本科植物動(dòng)態(tài)的認(rèn)知,從而有利于制訂相應(yīng)的洲灘典型植被生境保護(hù)以及恢復(fù)政策。