本發(fā)明涉及生物量遙感預(yù)測，更具體的說是涉及一種基于空間分層異質(zhì)性的天然草地生物量遙感估算方法及系統(tǒng)。

背景技術(shù)：

1、草地地上生物量(gagb)是草地生態(tài)系統(tǒng)的重要監(jiān)測指標(biāo)，也是衡量草地群落生長狀況和物質(zhì)循環(huán)的關(guān)鍵參數(shù)，直接反映了草地生態(tài)系統(tǒng)的凈初級生產(chǎn)力，動態(tài)地監(jiān)測gagb并分析其在自然和人為因素綜合作用下的時空變化，是解析草地生態(tài)系統(tǒng)結(jié)構(gòu)與功能變化、研究草地生態(tài)系統(tǒng)碳儲量、評估草地生產(chǎn)力水平和健康狀況的重要基礎(chǔ)。因此，構(gòu)建高精度的gagb反演模型對中國生態(tài)環(huán)境修復(fù)和草地資源可持續(xù)利用具有重大意義。

2、目前，關(guān)于放牧草地地上生物量的相關(guān)專利技術(shù)眾多，例如專利“一種基于衛(wèi)星驅(qū)動模型的高寒草地生物量估算方法及系統(tǒng)(cn113297904b)”，通過獲得數(shù)據(jù)信息、預(yù)處理、指標(biāo)提取，基于xgboost算法和相關(guān)性分析構(gòu)建指標(biāo)體系，優(yōu)化選擇衛(wèi)星驅(qū)動模型，進(jìn)而對高寒草地生物量進(jìn)行時空動態(tài)分析。又如“一種草地植物種群地上生物量測量方法及系統(tǒng)(cn108663483a)”，只需測量植物種的高度和蓋度，在實測樣方地上總生物量和估測的樣方地上總生物量之間建立回歸方程，即可得出待測量樣地上待測植物種群的地上生物量。還有“一種草地地上生物量遙感監(jiān)測方法及系統(tǒng)(cn115372284b)”，通過在預(yù)設(shè)時間段內(nèi)對草地上多個采樣點的生物樣本進(jìn)行遞歸統(tǒng)計，對遙感數(shù)據(jù)進(jìn)行轉(zhuǎn)換處理并切分元素，從而計算得到草地地上生物量的遙感預(yù)測數(shù)據(jù)。

3、但是，現(xiàn)有放牧草地生物量反演技術(shù)存在諸多問題，首先是空間分辨率限制，現(xiàn)有技術(shù)多依賴高分遙感數(shù)據(jù)估算放牧草地生物量，但這些數(shù)據(jù)空間分辨率常不足以捕捉草層細(xì)微變化，傳統(tǒng)遙感影像分辨率低，無法有效反映草場內(nèi)部微小地形變化、植被分布和生物量局部差異，評估時易忽略重要環(huán)境特征，如草叢高度差異、局部生長狀態(tài)和受放牧影響區(qū)域。其次，現(xiàn)有技術(shù)在放牧草地生物量估算中往往忽視草場內(nèi)部的空間異質(zhì)性，不同區(qū)域生物量和生態(tài)特征差異顯著，傳統(tǒng)方法依賴整體的ndvi值或單一生物量模型，忽略微觀環(huán)境差異，導(dǎo)致低估某些區(qū)域生物量或高估其他區(qū)域承載能力，且現(xiàn)有預(yù)測模型缺乏對不同管理情景的針對性調(diào)整，預(yù)測可靠性下降。最后，在選取反演尺度時，現(xiàn)有技術(shù)存在依賴經(jīng)驗或試錯的方法進(jìn)行尺度選擇或忽略尺度研究的問題，研究者常根據(jù)以往經(jīng)驗選擇固定尺度，或通過嘗試多個空間尺度篩選最佳尺度，亦或直接選取固定尺度，這使得反演結(jié)果主觀性強(qiáng)、科學(xué)依據(jù)不足，篩選過程盲目且效率低，同時忽視變量的空間異質(zhì)性特征，無法揭示尺度變化對變量特性和模型性能的具體影響。

4、因此，如何提供一種基于空間分層異質(zhì)性的天然草地生物量遙感估算方法及系統(tǒng)，為草地生態(tài)監(jiān)測和牧業(yè)生產(chǎn)提供高相關(guān)性的指標(biāo)及參數(shù)，同時選擇最佳的機(jī)器學(xué)習(xí)模型顯著提高區(qū)域化生物量的預(yù)測精度是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于空間分層異質(zhì)性的天然草地生物量遙感估算方法及系統(tǒng)，使用地理探測器對研究區(qū)內(nèi)的各個氣候區(qū)域的草地地上生物量的驅(qū)動指標(biāo)進(jìn)行空間分層異質(zhì)性分析，獲得研究區(qū)內(nèi)各個子區(qū)域內(nèi)部的依據(jù)q值量化的生物量的驅(qū)動指標(biāo)排序，最終得出各區(qū)域內(nèi)自適應(yīng)的反映生物量存續(xù)的關(guān)鍵指標(biāo)，這種方法可為草地生態(tài)監(jiān)測和牧業(yè)生產(chǎn)提供高相關(guān)性的指標(biāo)及參數(shù)。使用遙感數(shù)據(jù)和大量地面實測生物量數(shù)據(jù)對機(jī)器學(xué)習(xí)預(yù)測模型的預(yù)測精度進(jìn)行尋優(yōu)，將精度最高的作為生物量最佳預(yù)測模型顯著提高區(qū)域化生物量的預(yù)測精度。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一一種基于空間分層異質(zhì)性的天然草地生物量遙感估算方法，包括：

3、依據(jù)氣候分區(qū)柵格數(shù)據(jù)將研究區(qū)依照柯本-蓋格氣候分區(qū)法劃分為若干個子區(qū)域；

4、收集并處理研究區(qū)內(nèi)的多源遙感數(shù)據(jù)集，生成坐標(biāo)匹配的生物量及其驅(qū)動指標(biāo)數(shù)據(jù)集；

5、使用地理探測器模型對生物量的驅(qū)動指標(biāo)進(jìn)行區(qū)域自適應(yīng)篩選，結(jié)合實測生物量數(shù)據(jù)獲得各子區(qū)域的最佳遙感指標(biāo)組合，得到最佳遙感指標(biāo)組合數(shù)據(jù)集；

6、將最佳遙感指標(biāo)數(shù)據(jù)集使用分層隨機(jī)抽樣的方式劃分為訓(xùn)練集和測試集；

7、構(gòu)建多種機(jī)器學(xué)習(xí)模型，采用隨機(jī)搜索超參數(shù)集方法結(jié)合十折交叉驗證方式分別對所述機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，篩選并封裝得到生物量最優(yōu)預(yù)測模型；

8、基于所述生物量最優(yōu)預(yù)測模型進(jìn)行生物量反演，得到生物量反演數(shù)據(jù)集。

9、優(yōu)選的，使用地理探測器模型對生物量的驅(qū)動指標(biāo)進(jìn)行區(qū)域自適應(yīng)篩選，包括：對研究區(qū)內(nèi)的各個氣候區(qū)域使用地理探測器對生物量的驅(qū)動指標(biāo)進(jìn)行空間分層異質(zhì)性分析，從而對研究區(qū)內(nèi)各個子區(qū)域內(nèi)部的生物量的驅(qū)動指標(biāo)依據(jù)q值進(jìn)行量化的驅(qū)動力分析，篩選得到各子區(qū)域內(nèi)自適應(yīng)的生態(tài)關(guān)鍵指標(biāo)。這種方法可為草地生態(tài)監(jiān)測和牧業(yè)生產(chǎn)提供高相關(guān)性的指標(biāo)及參數(shù)。

10、優(yōu)選的，對研究區(qū)內(nèi)的各個氣候區(qū)域使用地理探測器對生物量的驅(qū)動指標(biāo)進(jìn)行空間分層異質(zhì)性分析，包括：

11、對各連續(xù)驅(qū)動指標(biāo)做最優(yōu)離散化處理；

12、使用地理探測器中的因子檢測器對生物量的單個驅(qū)動指標(biāo)進(jìn)行生物量驅(qū)動力分析，得到每個驅(qū)動指標(biāo)的q值；

13、使用地理探測器中的交互檢測器對兩個不同驅(qū)動指標(biāo)交互作用下進(jìn)行生物量驅(qū)動力敏感性分析，得到交互作用下每兩個驅(qū)動指標(biāo)的q值；

14、將交互作用下每兩個驅(qū)動指標(biāo)的q值與對應(yīng)的每個驅(qū)動指標(biāo)的q值進(jìn)行比較，得到q值排序的驅(qū)動指標(biāo)組合；

15、基于每兩個驅(qū)動指標(biāo)間的交互作用，使用地理探測器中的生態(tài)檢測器判斷兩個驅(qū)動指標(biāo)對生物量的驅(qū)動作用在空間分布上的差異顯著性，得到生物量在空間上變化敏感的驅(qū)動指標(biāo)組合。

16、優(yōu)選的，篩選得到各子區(qū)域內(nèi)自適應(yīng)的生態(tài)關(guān)鍵指標(biāo)，包括：

17、將單個q值最高的m個驅(qū)動指標(biāo)、交互作用下q值最高的k組驅(qū)動指標(biāo)組合中的全部指標(biāo)、對生物量的驅(qū)動作用在空間分布上的差異為不顯著的所有指標(biāo)作為各子區(qū)域內(nèi)自適應(yīng)的生態(tài)關(guān)鍵指標(biāo)。

18、優(yōu)選的，每個驅(qū)動指標(biāo)的q值的計算方法如下：

19、

20、式中，h表示驅(qū)動指標(biāo)數(shù)據(jù)離散化后形成的分類數(shù)量，分類數(shù)量h在空間上體現(xiàn)為分區(qū)數(shù)量；nh和n分別表示子區(qū)域h和整個區(qū)域內(nèi)生物量的單元數(shù)；和σ2分別為子區(qū)域h和整個區(qū)域內(nèi)生物量的方差。

21、如果q＝0表示生物量和驅(qū)動指標(biāo)之間沒有相關(guān)性；q＝1表示生物量完全由驅(qū)動指標(biāo)的空間分布決定。因此，q值越大，驅(qū)動指標(biāo)對生物量變化的影響越顯著。

22、優(yōu)選的，判斷兩個驅(qū)動指標(biāo)對生物量的驅(qū)動作用在空間分布上的差異顯著性，其衡量標(biāo)準(zhǔn)為f統(tǒng)計量：

23、

24、其中，nu和nv是兩指標(biāo)的樣本數(shù)，mu和mv是兩指標(biāo)的子區(qū)域數(shù)，和分別是兩變量內(nèi)子區(qū)域方差的總和；

25、在給定的顯著性水平下，設(shè)定h0：通過f分布表來檢驗生物量的驅(qū)動作用在空間分布上的差異顯著性。

26、優(yōu)選的，多種機(jī)器學(xué)習(xí)模型包括：隨機(jī)森林、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和線性回歸。

27、優(yōu)選的，基于所述生物量最優(yōu)預(yù)測模型進(jìn)行生物量反演，包括：

28、對最佳遙感指標(biāo)組合數(shù)據(jù)集進(jìn)行逐項元采樣并輸入到生物量最優(yōu)預(yù)測模型中，輸出生物量反演數(shù)據(jù)集。

29、優(yōu)選的，一種基于空間分層異質(zhì)性的天然草地生物量遙感估算系統(tǒng)，包括：分區(qū)模塊，用于依據(jù)氣候分區(qū)柵格數(shù)據(jù)將研究區(qū)劃分為若干個子區(qū)域；

30、數(shù)據(jù)集生成模塊，用于收集并處理研究區(qū)內(nèi)的多源遙感數(shù)據(jù)集，生成坐標(biāo)匹配的生物量及其驅(qū)動指標(biāo)數(shù)據(jù)集；

31、自適應(yīng)篩選模塊，用于使用地理探測器模型對生物量的驅(qū)動指標(biāo)進(jìn)行區(qū)域自適應(yīng)篩選，結(jié)合實測生物量數(shù)據(jù)獲得各子區(qū)域的最佳遙感指標(biāo)組合，得到最佳遙感指標(biāo)組合數(shù)據(jù)集；

32、分層隨機(jī)抽樣模塊，用于將最佳遙感指標(biāo)數(shù)據(jù)集使用分層隨機(jī)抽樣的方式劃分為訓(xùn)練集和測試集；

33、模型封裝模塊，用于構(gòu)建多種機(jī)器學(xué)習(xí)模型，采用隨機(jī)搜索超參數(shù)集方法結(jié)合十折交叉驗證方式分別對所述機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，篩選并封裝得到生物量最優(yōu)預(yù)測模型；

34、生物量反演模塊，用于基于所述生物量最優(yōu)預(yù)測模型進(jìn)行生物量反演，得到生物量反演數(shù)據(jù)集。

35、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種基于空間分層異質(zhì)性的天然草地生物量遙感估算方法及系統(tǒng)，包括：依據(jù)氣候分區(qū)柵格數(shù)據(jù)將研究區(qū)劃分為若干個子區(qū)域；收集并處理研究區(qū)內(nèi)的多源遙感數(shù)據(jù)集，生成坐標(biāo)匹配的生物量及其驅(qū)動指標(biāo)數(shù)據(jù)集；使用地理探測器模型對生物量的驅(qū)動指標(biāo)進(jìn)行區(qū)域自適應(yīng)篩選，結(jié)合實測生物量數(shù)據(jù)獲得各子區(qū)域的最佳遙感指標(biāo)組合，得到最佳遙感指標(biāo)組合數(shù)據(jù)集；將最佳遙感指標(biāo)數(shù)據(jù)集使用分層隨機(jī)抽樣的方式劃分為訓(xùn)練集和測試集；構(gòu)建多種機(jī)器學(xué)習(xí)模型，采用隨機(jī)搜索超參數(shù)集方法結(jié)合十折交叉驗證方式分別對機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，篩選并封裝得到生物量最優(yōu)預(yù)測模型；基于生物量最優(yōu)預(yù)測模型進(jìn)行生物量反演，得到生物量反演數(shù)據(jù)集。本發(fā)明使用地理探測器方法對多種遙感指標(biāo)依據(jù)其對生物量的空間分層異質(zhì)性進(jìn)行驅(qū)動力敏感性篩選，克服了傳統(tǒng)僅依靠經(jīng)驗判斷的指標(biāo)篩選方法無法準(zhǔn)確提供區(qū)域自適應(yīng)的反應(yīng)區(qū)域內(nèi)生物量存續(xù)機(jī)理的高相關(guān)性指標(biāo)的不足，本發(fā)明可篩選出區(qū)域自適應(yīng)的并準(zhǔn)確反映生物量存續(xù)機(jī)理的高驅(qū)動力指標(biāo)數(shù)據(jù)集。同時，本發(fā)明優(yōu)化了生物量機(jī)器學(xué)習(xí)遙感預(yù)測模型，使用具有明確物理意義的指標(biāo)組合構(gòu)建模型并同時在多種機(jī)器學(xué)習(xí)模型方法中尋優(yōu)，顯著提升了生物量的估算精度，可生產(chǎn)出高精度且符合實際情況的生物量柵格數(shù)據(jù)集。