項(xiàng)勇 方之陽

作者簡介：項(xiàng)勇（1998-），男，民族：漢，籍貫：浙江溫州，職務(wù)/職稱：學(xué)生，學(xué)歷：本科，單位：浙江農(nóng)林大學(xué)，從事林業(yè)遙感信息提取研究，研究方向：地理信息科學(xué)。方之陽（1998-），女，民族：漢，籍貫：浙江麗水，職務(wù)/職稱：學(xué)生，學(xué)歷：本科，單位：浙江農(nóng)林大學(xué)，研究方向：地理信息科學(xué)。

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(yīng)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(yīng)具有重要意義。以通量觀測數(shù)據(jù)提取的森林物候信息作為因變量，以增強(qiáng)植被指數(shù)（Enhanced Vegetation Index， EVI）和地表溫度（Land Surface Temperature， LST）影像數(shù)據(jù)為數(shù)據(jù)源，提取EVI和LST重要信息作為自變量，通過BP神經(jīng)網(wǎng)絡(luò)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(jù)估算森林SOS的能力。結(jié)果EVI和LST對森林SOS具有較好的解釋能力，由BP神經(jīng)網(wǎng)絡(luò)模型得到的SOS測試樣本預(yù)測值與實(shí)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。基于BP神經(jīng)網(wǎng)絡(luò)模型和MODIS遙感數(shù)據(jù)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(shù)和基礎(chǔ)數(shù)據(jù)。

關(guān)鍵詞： 森林;SOS;物候信息;MODIS;植被指數(shù);溫度產(chǎn)品

【中圖分類號(hào)】P208?【文獻(xiàn)標(biāo)識(shí)碼】A?【文章編號(hào)】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(shí)植被生長季節(jié)的時(shí)間和持續(xù)時(shí)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(zhǔn)確估計(jì)植被物候已成為植被碳循環(huán)研究重要內(nèi)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(biāo)?；诘孛娴闹脖晃锖蛴^測可以獲得客觀而準(zhǔn)確的物候信息，但這些結(jié)果在空間上存在不足[4]。如今，隨著遙感技術(shù)的發(fā)展，遙感數(shù)據(jù)已經(jīng)廣泛應(yīng)用于物候指標(biāo)的提取。許多學(xué)者利用遙感數(shù)據(jù)或?qū)⑦b感數(shù)據(jù)與地面觀測數(shù)據(jù)相結(jié)合，對區(qū)域尺度植被物候進(jìn)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(yù)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(jìn)。相較于單一植被指數(shù)而言，植被指數(shù)結(jié)合地表溫度產(chǎn)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(shí)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(jīng)網(wǎng)絡(luò)方法預(yù)報(bào)精度和預(yù)報(bào)穩(wěn)定性較高，在解決復(fù)雜非線性及不確定性的預(yù)測工作上有一定的潛力 [7]。

為了進(jìn)一步驗(yàn)證EVI與LST時(shí)間序列信息以及神經(jīng)網(wǎng)絡(luò)方法在模擬物候方面的能力，提高植被物候預(yù)測精度。本文使用北半球通量觀測網(wǎng)絡(luò)數(shù)據(jù)提取植被物候，利用LST和EVI數(shù)據(jù)提取32個(gè)原始預(yù)測變量，采用隨機(jī)森林選取重要性較高的變量?；贐P神經(jīng)網(wǎng)絡(luò)，建立植被SOS模型，評價(jià)該模型在預(yù)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(gòu)建一種基于LST和EVI的植被物候遙感反演模型，準(zhǔn)確反映植被物候的時(shí)空變化，為分析植被物候的變化及其對氣候變化的響應(yīng)提供基礎(chǔ)數(shù)據(jù)。

2?數(shù)據(jù)與方法

2.1?數(shù)據(jù)

2.1.1?全球通量觀測數(shù)據(jù)

研究所采取的數(shù)據(jù)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(jù)。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(biāo)準(zhǔn)是國際地圈生物圈計(jì)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(jù)

所采用的EVI和LST數(shù)據(jù)來自于MODIS遙感產(chǎn)品。構(gòu)建模型所采用的EVI數(shù)據(jù)為MOD13Q1產(chǎn)品，其時(shí)間分辨率為16天，空間分辨率為250m;LST數(shù)據(jù)為MOD11A2產(chǎn)品，其時(shí)間分辨率為8天，空間分辨率為1000m。用于北半球植被物候預(yù)測的EVI數(shù)據(jù)為MOD13C1產(chǎn)品，其時(shí)間分辨率為16天;LST數(shù)據(jù)為MOD11C2產(chǎn)品，其時(shí)間分辨率為8天，空間分辨率為0.05度。最后對經(jīng)過質(zhì)量篩選的EVI和LST時(shí)間序列數(shù)據(jù)進(jìn)行插值和平滑，獲取該站點(diǎn)一年內(nèi)的每日EVI與LST數(shù)據(jù)。

2.2?方法

2.2.1?實(shí)測物候提取

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

2.2.2?變量設(shè)置與篩選

根據(jù)LST與EVI時(shí)間序列數(shù)據(jù)，構(gòu)建了32個(gè)變量，包括四個(gè)季節(jié)開始日期對應(yīng)EVI和LST，以及春夏秋平均值、標(biāo)準(zhǔn)差和變異系數(shù)。使用隨機(jī)森林方法對變量特征重要性進(jìn)行排序，選取特征重要性較大的變量作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量用于估算森林物候。隨機(jī)森林是以決策樹為基本分類器的一個(gè)集成學(xué)習(xí)模型，它能夠通過對變量的重要性進(jìn)行排序來實(shí)現(xiàn)參數(shù)的篩選。隨機(jī)森林有放回的在原始數(shù)據(jù)中隨機(jī)抽取N個(gè)樣本作為決策樹的訓(xùn)練集，其中約有1/3的樣本未被抽中，稱為袋外數(shù)據(jù)。通過打亂袋外數(shù)據(jù)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(jīng)網(wǎng)絡(luò)模型構(gòu)建

為消除輸入樣本間的量綱差異，同時(shí)提高訓(xùn)練效率，將變量數(shù)據(jù)歸一化至[0.1，0.9]，隱含層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)公式[10]確定。在網(wǎng)絡(luò)層數(shù)的選擇上，適當(dāng)?shù)脑黾与[含層數(shù)可以增加網(wǎng)絡(luò)的精度，但會(huì)導(dǎo)致網(wǎng)絡(luò)更加復(fù)雜，增加訓(xùn)練時(shí)間以及導(dǎo)致過擬合[10]，本文BP網(wǎng)絡(luò)隱含層數(shù)不超過2層。訓(xùn)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(jià)

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

R2的計(jì)算公式：

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

（3-3）

RMSE的計(jì)算公式：

RMSE=∑ni=1（sosmodel-sosobs）n（3-4）

式中，SOSmodel表示模型SOS估計(jì)值，SOSobs表示實(shí)測SOS，n為樣本數(shù)。

3?結(jié)果

3.1?變量重要性分析

采用隨機(jī)森林方法對32個(gè)變量的重要性進(jìn)行評價(jià)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(yù)測森林SOS也起到重要的影響。根據(jù)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(gè)變量用于構(gòu)建SOS模型。

3.2?神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)

根據(jù)變量篩選結(jié)果以及BP神經(jīng)網(wǎng)絡(luò)模型隱含層節(jié)點(diǎn)數(shù)經(jīng)驗(yàn)公式，建立 SOS模型（表1）。

將數(shù)據(jù)劃分為訓(xùn)練樣本、驗(yàn)證樣本與測試樣本。其中訓(xùn)練樣本用來建立模型，驗(yàn)證樣本用來確定網(wǎng)絡(luò)結(jié)構(gòu)，而測試樣本則用來檢驗(yàn)?zāi)Ｐ偷男阅堋?/p>

3.3?SOS估算結(jié)果分析

使用SOS神經(jīng)網(wǎng)絡(luò)模型對SOS樣本中SOS實(shí)測值與SOS預(yù)測值做相關(guān)性分析，見圖1。驗(yàn)證樣本中SOS實(shí)測值與SOS預(yù)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(nèi)，表明SOS模型的網(wǎng)絡(luò)結(jié)構(gòu)選擇較合適。

測試樣本中SOS實(shí)測值與SOS預(yù)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(jià)結(jié)果表明該模型對SOS具有較好的預(yù)測精度，表明構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型具有較好的泛化能力。

4?結(jié)論與討論

4.1?變量重要性分析

本文通過隨機(jī)森林方法獲取EVI和LST所衍生的不同特征的重要性。從結(jié)果中可以看到，春季開始期（DOY60）的EVI和LST在對SOS的預(yù)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(dá)上也發(fā)揮了一定作用。研究結(jié)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(jīng)網(wǎng)絡(luò)，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(jié)果中發(fā)現(xiàn)該模型對于SOS的預(yù)測效果較好將獲得的模型與其他研究結(jié)果進(jìn)行對比，如劉玉霞等（2016）基于MODIS的EVI和LST數(shù)據(jù)建立模型，估算北美針葉林的SOS，并與站點(diǎn)觀測數(shù)據(jù)進(jìn)行對比，結(jié)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(jīng)網(wǎng)絡(luò)，利用EVI和LST數(shù)據(jù)建立模型得到的結(jié)果表明實(shí)測SOS和模擬SOS的R2=0.76，RMSE=12.97天?；贐P神經(jīng)網(wǎng)絡(luò)，結(jié)合LST與EVI信息建立模型與其他方法相比，SOS的預(yù)測精度有所改進(jìn)。

參考文獻(xiàn)

[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(jīng)網(wǎng)絡(luò)在小麥赤霉病氣象預(yù)測中的應(yīng)用[J].云南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)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(jī)森林算法的水土流失影響因子重要性分析[J].自然災(zāi)害學(xué)報(bào)，2019，28（04）：209-219.

[10]?吳昌友. 神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D].東北農(nóng)業(yè)大學(xué)，2007.