趙翊含，侯蒙京，馮琦勝，高宏元，梁天剛*，賀金生，2，錢大文

（1. 蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室，蘭州大學(xué)農(nóng)業(yè)農(nóng)村部牧草創(chuàng)新重點(diǎn)實(shí)驗(yàn)室，蘭州大學(xué)草地農(nóng)業(yè)教育工程研究中心，甘肅 蘭州 730020；2. 北京大學(xué)城市與環(huán)境學(xué)院，北京 100871；3. 中國科學(xué)院西北高原生物研究所，青海 西寧 810008）

草地生物量是反映草地生長狀況和生態(tài)環(huán)境評(píng)估的一項(xiàng)重要指標(biāo)［1］，準(zhǔn)確地估測(cè)草地產(chǎn)量一直是畜牧業(yè)科研工作者持續(xù)探索的目標(biāo)［2］。在高寒地區(qū)，由于過度放牧等因素引起的草地退化、水土流失等環(huán)境惡化問題日益嚴(yán)重；并且生態(tài)系統(tǒng)受干擾后植物生長和恢復(fù)速度緩慢［3］。為了確保高寒地區(qū)畜牧業(yè)的可持續(xù)發(fā)展，對(duì)于準(zhǔn)確估算高寒草地地上生物量十分必要［4］。

傳統(tǒng)地面草地調(diào)查的方法耗費(fèi)成本太高［5］，刈割法對(duì)草地的破壞性大，不利于草地的再生與可持續(xù)?；谶b感技術(shù)對(duì)草地資源監(jiān)測(cè)省時(shí)、省力，能快速且客觀地對(duì)草地生長現(xiàn)狀做出評(píng)估，適合大尺度估測(cè)草地地上生物量（above-ground biomass，AGB）。自20 世紀(jì)80 年代，有很多國內(nèi)外學(xué)者利用多源遙感數(shù)據(jù)開展AGB 估算研究。如姚興成等［6］利用中分辨率成像光譜儀（moderate-resolution imaging spectroradiometer，MODIS）和地面實(shí)測(cè)資料，以云南省為例建立草地AGB 遙感估算模型，用草地植被群落特征優(yōu)化了模型精度；于惠等［7］構(gòu)建古浪縣生物量估算模型，結(jié)果表明基于MODIS 短波紅外波段的歸一化耕作指數(shù)（normalized difference tillage index，NDTI）與草地AGB 的相關(guān)性最好；馮琦勝等［8］基于青藏高原地面實(shí)測(cè)樣本數(shù)據(jù)與MODIS-NDVI 構(gòu)建生物量風(fēng)干重估算模型，研究表明MODIS-NDVI 的指數(shù)函數(shù)模型是最優(yōu)模型。盡管利用MODIS 遙感數(shù)據(jù)可以估測(cè)草地生物量，但是中分辨率影像存在空間分辨率較粗（大于250 m）和混合像元等問題，致使草地AGB 模型的精度不高，不適合縣域尺度高精度精細(xì)化的遙感監(jiān)測(cè)。

Landsat-8 OLI（operational land imager，OLI）于2013 年發(fā)射，空間分辨率達(dá)30 m，與MODIS 相比其空間分辨率有實(shí)質(zhì)性的提升，并且包含了9 個(gè)波段，其中包括一個(gè)15 m 的全色波段，適合對(duì)草地AGB 進(jìn)行更精細(xì)的遙感估算。Landsat-8 OLI 改進(jìn)了波段數(shù)量、光譜范圍及輻射分辨率等方面，在性能上相比之前幾代Landsat 衛(wèi)星擁有明顯改善，對(duì)草地AGB 估測(cè)的準(zhǔn)確性有提升作用［9］。李斌等［10］利用Landsat 8 遙感影像對(duì)不同處理階段［數(shù)字量化值（digital number，DN）、輻射定標(biāo)、大氣糾正］的歸一化植被指數(shù)（normalized difference vegetation index，NDVI）進(jìn)行對(duì)比研究，表明應(yīng)該采用經(jīng)過大氣校正后的值作為植被覆蓋的定量指標(biāo)；Li 等［11］利用Landsat-8 增強(qiáng)型植被指數(shù)（enhanced vegetation index，EVI）建立了與植物干物質(zhì)含量的回歸模型，評(píng)價(jià)分析了整個(gè)青藏高原草甸和草原群落地上生物量的變化特點(diǎn)，并比較了植物性狀。烏如汗［12］以內(nèi)蒙古正藍(lán)旗為試驗(yàn)區(qū)，利用Landsat-8 OLI 遙感影像和地面實(shí)測(cè)數(shù)據(jù)，確定了NDVI 植被指數(shù)的一元二次回歸模型作為草地地上生物量反演模型。以上研究表明Landsat-8 可以實(shí)現(xiàn)對(duì)草地AGB 的有效估測(cè)。然而，現(xiàn)有研究多采用傳統(tǒng)參數(shù)化回歸方法構(gòu)建模型，反演誤差相對(duì)較大，因此在提高草地AGB 監(jiān)測(cè)精度上仍然有必要進(jìn)一步開展深入研究。近年來，機(jī)器學(xué)習(xí)方法在植被遙感監(jiān)測(cè)方面取得了良好的效果［13］。它通?；谕暾墓庾V集進(jìn)行建模，能夠充分利用光譜信息，具有非線性、預(yù)測(cè)準(zhǔn)確率高、泛化能力強(qiáng)的特點(diǎn)［14］，因此在遙感領(lǐng)域基于非參數(shù)化的機(jī)器學(xué)習(xí)算法估測(cè)AGB 逐漸受到重視［13］。

基于以上因素考慮，本研究利用Landsat-8 OLI 遙感數(shù)據(jù)結(jié)合青海省門源縣的地面實(shí)測(cè)數(shù)據(jù)，將計(jì)算出的植被指數(shù)作為自變量，構(gòu)建傳統(tǒng)回歸模型和隨機(jī)森林模型，對(duì)比分析模型精度，確定遙感反演生物量的最佳模型，以期為當(dāng)?shù)夭莸刭Y源可持續(xù)利用和草畜科學(xué)管理提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于青海省海北藏族自治州門源回族自治縣，地處青藏高原腹地，地理位置為北緯37.5°-38.0°，東經(jīng)102.0°-102.5°（圖1）。門源回族自治縣地勢(shì)西北高，東南低，平均海拔2800 m 以上，屬于高原大陸性氣候，夏季涼爽短暫，冬季寒冷漫長，年平均氣溫-1.7 ℃，年平均降水500 mm。該地區(qū)天然草地類型主要為高寒草甸類，主要以莎草科牧草嵩草（Kobresia myosuroides）、黑褐苔草（Carex atrofusca）和禾本科牧草為優(yōu)勢(shì)種［15］。門源縣是河湟地區(qū)和河西走廊重要的水源涵養(yǎng)區(qū)和補(bǔ)給地，基于農(nóng)牧資源豐富的區(qū)位優(yōu)勢(shì)，積極貫徹“立草為業(yè)、畜牧強(qiáng)縣”的發(fā)展方針，大力發(fā)展高寒地區(qū)現(xiàn)代高效畜牧業(yè)及很多特色種養(yǎng)業(yè)。

1.2 數(shù)據(jù)來源

1.2.1實(shí)測(cè)數(shù)據(jù)獲取 本研究共獲得202 個(gè)地面實(shí)測(cè)調(diào)查樣本數(shù)據(jù)，包括青海海北高寒草地生態(tài)系統(tǒng)國家野外科學(xué)觀測(cè)研究站（簡稱海北站）多年連續(xù)的觀測(cè)數(shù)據(jù)和全縣范圍內(nèi)開展的草地AGB 外業(yè)調(diào)查數(shù)據(jù)（圖1）。觀測(cè)站數(shù)據(jù)獲取時(shí)間為2019 年5-8 月、2020 年7 月和2021 年7-8 月，共得到178 個(gè)樣本數(shù)據(jù)，全縣范圍內(nèi)AGB 外業(yè)調(diào)查共獲得24 個(gè)樣點(diǎn)數(shù)據(jù)，調(diào)查時(shí)間為2021 年7 月1 日-7 月8 日。在對(duì)草地生長期內(nèi)的AGB 進(jìn)行采集時(shí)，每個(gè)樣點(diǎn)選取3 個(gè)隨機(jī)樣方，樣方大小為50 cm×50 cm，齊地剪取地上生物量，并記錄各樣方測(cè)量時(shí)間、經(jīng)緯度、海拔、草地蓋度、草層高度、鮮重，將樣本裝袋編號(hào)帶回實(shí)驗(yàn)室進(jìn)行65 ℃烘干48 h 后稱重。最終，取3 個(gè)樣方的平均值作為樣本生物量，總計(jì)有202 個(gè)觀測(cè)樣本。

圖1 研究區(qū)海拔及采樣點(diǎn)空間分布Fig.1 Spatial distribution of altitude and sampling points in the study area

1.2.2遙感數(shù)據(jù)獲取 遙感影像數(shù)據(jù)選用Landsat-8 OLI 數(shù)據(jù)，是美國陸地衛(wèi)星計(jì)劃的第8 顆衛(wèi)星，傳感器類型為陸地成像儀（OLI），時(shí)間分辨率為16 d，空間分辨率為30 m。下載的陸地產(chǎn)品級(jí)別為二級(jí)產(chǎn)品（Collection 2 Level-2），該產(chǎn)品已經(jīng)經(jīng)過輻射定標(biāo)、大氣校正和幾何精校正。為了使影像數(shù)據(jù)的成像時(shí)間與地面實(shí)測(cè)數(shù)據(jù)的調(diào)查時(shí)間差異較小，下載影像時(shí)選擇影像完全覆蓋樣地，成像時(shí)間與采樣時(shí)間最接近的影像。選取2019-2021 年的7-8 月覆蓋門源縣采樣點(diǎn)及全境、云量覆蓋<30%的Landsat-8 OLI 影像，總計(jì)7 景（表1）。研究區(qū)實(shí)測(cè)草地生物量樣本數(shù)據(jù)有202 個(gè)，剔除受天氣狀況影響的樣本，實(shí)際參與模型構(gòu)建的樣本數(shù)為199 個(gè)。

表1 所用Landsat-8 OLI 影像信息Table 1 Landsat-8 OLI image information used

1.3 模型構(gòu)建及精度驗(yàn)證

1.3.1單變量回歸模型建立 利用ArcGIS 10.2 軟件結(jié)合樣地經(jīng)緯度坐標(biāo)，導(dǎo)出Landsat-8 OLI 波段2~7，并利用Extraction 工具提取與199 個(gè)地面采樣點(diǎn)對(duì)應(yīng)的像元值。根據(jù)公式計(jì)算29 種植被指數(shù)（表2）。分別構(gòu)建29種植被指數(shù)與AGB 的單因素回歸模型，將植被指數(shù)作為自變量，AGB 作為因變量，二者之間建立線性、對(duì)數(shù)、指數(shù)、乘冪4 種擬合模型；采用10-fold 交叉驗(yàn)證的方式對(duì)模型進(jìn)行精度評(píng)價(jià)。

表2 植被指數(shù)計(jì)算公式Table 2 Calculation formula of vegetation indexes

1.3.2變量篩選 為了篩選出合適的建模因子，本研究在RStudio 中利用“glmnet”程序包實(shí)現(xiàn)基于最小絕對(duì)收縮篩選方法（the least absolute shrinkage and selection operator，LASSO）的變量選擇。這種方法可以將變量的數(shù)量顯著減少，從而實(shí)現(xiàn)降維，被廣泛應(yīng)用于高維數(shù)據(jù)中選擇敏感變量［16］。LASSO 變量篩選方法以模型系數(shù)的絕對(duì)值函數(shù)作為懲罰項(xiàng)施加在普通最小二乘法的損失函數(shù)上，以此來壓縮模型系數(shù)，使一些解釋因變量效果不好的系數(shù)變小甚至壓縮至0 從而移出模型，因此LASSO 方法可以提供一種稀疏解，能夠同時(shí)進(jìn)行變量篩選和參數(shù)估計(jì)［17-18］。

1.3.3隨機(jī)森林模型構(gòu)建 隨機(jī)森林算法（random forest，RF）是一種新型機(jī)器學(xué)習(xí)算法，是運(yùn)用多棵決策樹訓(xùn)練樣本并集成預(yù)測(cè)的一種非參數(shù)機(jī)器學(xué)習(xí)算法，是從原始樣本中，利用bootstrap 重抽樣技術(shù)隨機(jī)抽取數(shù)據(jù)后構(gòu)造多個(gè)樣本，然后對(duì)每個(gè)重抽樣樣本采用節(jié)點(diǎn)的隨機(jī)分裂技術(shù)構(gòu)造N 棵決策樹［19］。在每棵樹生長過程中，從全部特征變量中隨機(jī)抽選mtry 個(gè)進(jìn)行內(nèi)部節(jié)點(diǎn)劃分；最后，將N 棵決策樹的預(yù)測(cè)結(jié)果集合起來，采用投票的方式?jīng)Q定新樣本的類別［20］。ntree 參數(shù)值上限一般設(shè)置為1000，大量研究已證明該值對(duì)許多RF 程序有效［21］。利用“random forest”程序包實(shí)現(xiàn)隨機(jī)森林算法，需要定義2 個(gè)參數(shù)：決策分類樹的數(shù)目（ntree）和節(jié)點(diǎn)分割的特征數(shù)目（mtry），參數(shù)影響著模型的精度，本研究采用的參數(shù)決策樹數(shù)量ntree 是500、特征個(gè)數(shù)mtry 是4。

1.3.4精度驗(yàn)證 為了比較分析傳統(tǒng)回歸模型和RF 模型對(duì)AGB 的反演效果，這兩種模型均采用十折交叉驗(yàn)證的方法［16］，將所用的樣本數(shù)據(jù)隨機(jī)分成10 份，其中9 份作為訓(xùn)練集，1 份作為驗(yàn)證集，分別計(jì)算均方根誤差（root mean square error，RMSE）、決定系數(shù)（coefficient of determination，R2）評(píng)價(jià)AGB 估測(cè)模型的精度［22］。計(jì)算公式如下：

式中：Yi表示樣本實(shí)測(cè)值，Yi表示模型反演值，yi表示樣本生物量實(shí)測(cè)平均值，n表示樣本數(shù)量；RMSE 越小，表示擬合精度越好；R2越接近1，擬合程度越好，參考價(jià)值越高［1］。

2 結(jié)果與分析

2.1 生物量樣本數(shù)據(jù)分析

2019-2021 年門源縣用于建模的199 個(gè)實(shí)測(cè)樣本的草地生物量統(tǒng)計(jì)結(jié)果見表3。從該表可以看出，海北觀測(cè)站 生物量最大值為4142 kg·hm-2，最小值為187.2 kg·hm-2，平均值 為2061 kg·hm-2，變異系 數(shù)（coefficient of variation，CV）為0.47。外業(yè)調(diào)查數(shù)據(jù)覆蓋門源縣主要草地類型，生物量最大值為4666.67 kg·hm-2，最小值為637.07 kg·hm-2，平均值為1824.01 kg·hm-2，變異系數(shù)（CV）為0.56。

表3 觀測(cè)樣本生物量匯總Table 3 Biomass statistics of observed samples

2.2 單因素植被指數(shù)回歸模型

續(xù)圖2 單因素植被指數(shù)回歸模型預(yù)測(cè)值與實(shí)測(cè)值關(guān)系Continued Fig.2 Relationship between predicted value and measured value of single-factor vegetation indexes regression model（n=199）

從結(jié)果來看，NDVI 與AGB 的對(duì)數(shù)模型精度達(dá)到最優(yōu)，驗(yàn)證集R2達(dá)0.50，RMSE 為702.89 kg·hm-2。單因素植被指數(shù)構(gòu)建的模型的驗(yàn)證集R2介于0.37~0.50，RMSE 介于702.89~792.95 kg·hm-2。所有植被指數(shù)最優(yōu)模型 統(tǒng) 計(jì) 分 析 的 結(jié) 果 表 明，NDVI、EVI、RVI、GNDVI、DVI、RDVI、SAVI、MSAVI、OSAVI、PVI、TVI、TVI2、MSR、GSAVI、GOSAVI、TSAVI、RGBVI、VDVI、GRVI、GCI、RBNDVI、BNDVI 最優(yōu)擬合模型為對(duì)數(shù)，其他植被指數(shù)的最優(yōu)擬合模型為線性。圖2 為所有植被指數(shù)最優(yōu)模型預(yù)測(cè)值和實(shí)測(cè)值的關(guān)系。驗(yàn)證集R2較高的植被指數(shù)前10 個(gè)分別是NDVI、RBNDVI、TVI、GNDVI、MSR、TSAVI、GCI、GRVI、RVI、panNDVI。

圖2 單因素植被指數(shù)回歸模型預(yù)測(cè)值與實(shí)測(cè)值關(guān)系Fig.2 Relationship between predicted value and measured value of single-factor vegetation indexes regression model（n=199）

2.3 隨機(jī)森林模型分析

本研究對(duì)比了RF 模型變量篩選前后的模型精度。以29 種植被指數(shù)建立的模型，其驗(yàn)證集R2為0.61，RMSE為621.14 kg·hm-2（圖3a）。利用LASSO 變量篩選方法，采用十折交叉驗(yàn)證的方法確定模型均方誤差最小時(shí)λ0=0.25，并取距離λ0一個(gè)標(biāo)準(zhǔn)差位置的λ1（1.22）作為最終的懲罰系數(shù)（圖4）。從29 種植被指數(shù)中選出11 種植被指數(shù)，其重要性排序分別是MNLI、MSAVI、GRNDVI、MVI、SAVI、GOSAVI、GRVI、RVI、RGBVI、GSAVI、GCI（圖5）。通過變量篩選所構(gòu)建的AGB 估測(cè)模型為最優(yōu)，驗(yàn)證集R2為0.62，RMSE 為621.95 kg·hm-2（圖3b）。由此可見，在保證精度的基礎(chǔ)上LASSO 變量篩選對(duì)草地AGB 反演模型可以有效進(jìn)行降維和簡化。以上2 種RF 模型的精度均高于單因素回歸模型，其中最優(yōu)RF 模型的R2比最優(yōu)單因素模型提高0.12，RMSE 降低了80.95 kg·hm-2。

圖3 隨機(jī)森林模型預(yù)測(cè)值與實(shí)測(cè)值關(guān)系Fig.3 Relationship between predicted value and measured value of RF model

圖4 LASSO 篩選結(jié)果Fig.4 LASSO results

圖5 篩選出的植被指數(shù)的重要性Fig.5 The importance of screened vegetation indexes

2.4 門源縣AGB 空間分布

經(jīng)過變量篩選的隨機(jī)森林草地AGB 估算模型最優(yōu)，利用該模型對(duì)研究區(qū)2019-2021 年的AGB 進(jìn)行了反演（圖6）?？梢钥闯觯莸谹GB 高值主要集中在西北部，東南部相對(duì)較低，總體呈中部高，四周低的趨勢(shì)。2019 年草 地AGB 值 主 要 在0~800 kg·hm-2和1500~2000 kg·hm-2；2020 年 主 要 在0~800 kg·hm-2和1000~1500 kg·hm-2；2021 年主要分布在1000~1500 kg·hm-2和1500~2000 kg·hm-2。2019-2021 年全縣天然草地總產(chǎn)草量介于4.2827 萬~8.9776 萬t，平均單產(chǎn)介于1063.49~1484.82 kg·hm-2。門源縣草地類型以山地草甸、溫性草原和高寒草甸三類為主，其中分布最廣泛的是高寒草甸，2019-2021 年產(chǎn)草量介于4.0825 萬~5.6653 萬t，平均AGB為1060.38~1471.94 kg·hm-2。 山 地 草 甸2019-2021 年 產(chǎn) 草 量 介 于973.7687~1571.6790 t，平 均AGB 介 于1036.81~1637.43 kg·hm-2；溫 性 草 原2019-2021 年產(chǎn)草量介于746.6281~1112.7140 t，平均AGB 介于1198.72~1786.63 kg·hm-2（圖7）。

圖6 門源縣2019（a）、2020（b）和2021（c）年天然AGB 空間分布Fig.6 Spatial distribution of AGB of natural grassland in 2019（a），2020（b）and 2021（c）in Menyuan County

圖7 門源縣3 種主要草地類型的平均地上生物量統(tǒng)計(jì)Fig. 7 Average aboveground biomass of three main grassland types in Menyuan County

3 討論

現(xiàn)階段國內(nèi)外研究基于植被指數(shù)構(gòu)建生物量估算模型的方法較為常見，其數(shù)值可以代表植被活力，比單波段更具有靈敏性［23］。NDVI 是目前在遙感領(lǐng)域應(yīng)用最廣泛的一種植被指數(shù)，可以捕獲植被整個(gè)生長季的動(dòng)態(tài)，可用于植物生物量的預(yù)測(cè)，在各類植被指數(shù)中，NDVI 可以較好反映AGB，對(duì)植被生長的相關(guān)信息敏感，如水分含量和植被覆蓋等［24］。從本研究對(duì)29 種植被指數(shù)單因素建模的研究結(jié)果來看，NDVI 用于草地AGB 的估測(cè)模型在傳統(tǒng)統(tǒng)計(jì)回歸模型中精度最優(yōu)，這與許多學(xué)者［25-27］的研究結(jié)果一致。也有很多學(xué)者研究認(rèn)為SAVI 比NDVI 更適合估算草地地上生物量，因?yàn)镾AVI 適應(yīng)植被密度變化及消除土壤影響的能力較強(qiáng)［28-29］。但是，本研究區(qū)分布范圍最大的草地類型是高寒草甸，其植被覆蓋度較高且均一，所以土壤背景對(duì)植被估測(cè)的影響不如其他學(xué)者的研究區(qū)域明顯［4］，并且這是單因素估算模型，其反演結(jié)果不如NDVI 與AGB 估測(cè)效果，這與楊鵬萬等［4］的研究結(jié)果類似。

除NDVI 以外，單因 素 回 歸 模 型R2較高的前10 個(gè)植被指數(shù)依次分 別 是NDVI、RBNDVI、TVI、GNDVI、MSR、TSAVI、GCI、GRVI、RVI、panNDVI。經(jīng)過LASSO 變量篩選后構(gòu)建研究區(qū)草地AGB 反演模型的植被指數(shù)有RVI、SAVI、MSAVI、MNLI、GSAVI、GOSAVI、RGBVI、GRVI、GCI、MVI、GRNDVI。由此可見，傳統(tǒng)回歸結(jié)果與RF 建模篩選出的變量有一定差異。值得一提的是，在29 種單因素植被指數(shù)回歸模型中，NDVI 與AGB 的相關(guān)性最高，但是在隨機(jī)森林模型構(gòu)建篩選變量的過程中NDVI 沒有被篩選出來，篩選出來的相近植被指數(shù)是GRNDVI。這是因?yàn)镚RNDVI 是基于NDVI 基礎(chǔ)上改進(jìn)的植被指數(shù)，GRNDVI 與NDVI 具有較好的線性相關(guān)關(guān)系，利用這兩種植被指數(shù)估算葉綠素可以達(dá)到相似的精度［30］。GRNDVI、RVI、GRVI、GCI 在變量篩選中被篩選出來，同時(shí)也是單因素回歸模型中與生物量擬合精度較好的幾種植被指數(shù)。但在RF 模型中其他被篩選出的植被指數(shù)（SAVI、MSAVI、MNLI、GSAVI、GOSAVI、RGBVI、MVI），其單因素模型的精度并不高。多種植被指數(shù)性能具有交互影響和互補(bǔ)作用可能是導(dǎo)致這種現(xiàn)象的重要原因。兩種模型采用的是完全不同的變量篩選方法，單因素模型是植被指數(shù)各自分別與AGB 的相關(guān)性，不能涵蓋多種因素的綜合影響，基于單因素構(gòu)建的回歸模型的誤差偏大；而在RF 模型中是所有篩選出來的植被指數(shù)共同影響并決定了模型的精度，明顯優(yōu)于傳統(tǒng)回歸模型。

比較分析最優(yōu)RF 模型涉及的多種植被指數(shù)，可以看出：1）基于近紅外和紅光波段組合計(jì)算的植被指數(shù)，是反演草地AGB 的重要變量。本研究由LASSO 篩選出的11 個(gè)植被指數(shù)作為建模因子構(gòu)建了最優(yōu)RF 模型，其中，有4 個(gè)植被指數(shù)是基于Landsat-8 近紅外和紅光波段計(jì)算的，分別為RVI、SAVI、MSAVI、MNLI。已有研究表明，利用紅邊和近紅外光譜計(jì)算的植被指數(shù)可以最大限度地減少大氣和水分吸收等因素的影響［31］，研究區(qū)具有高寒陰濕的氣候特點(diǎn)，這可能是這類植被指數(shù)對(duì)高寒地區(qū)草地AGB 有顯著影響的關(guān)鍵因素之一。2）由綠波段參與構(gòu)建的植被指數(shù)對(duì)高寒草地AGB 也具有重要影響。大部分植被指數(shù)多基于近紅外和紅光波段反射率組合計(jì)算，然而近年來研究發(fā)現(xiàn)以近紅外光和綠光波段構(gòu)建的植被指數(shù)有時(shí)更加敏感［32-33］。本研究篩選出的GSAVI、GOSAVI、RGBVI、GRVI、GCI、GRNDVI 這幾種植被指數(shù)的計(jì)算均有綠波段，這表明基于綠波段構(gòu)建的植被指數(shù)對(duì)高寒地區(qū)的草地生物量的精準(zhǔn)估算也具有顯著影響。3）MVI 和MNLI 這兩個(gè)植被指數(shù)對(duì)干旱區(qū)的植被更為敏感，這可能與本研究區(qū)地處青藏高原腹地，屬半干旱地區(qū)密切相關(guān)。首先短波紅外波段參與構(gòu)建的植被指數(shù)對(duì)特定區(qū)域的草地植被的AGB 更為敏感。MVI 植被指數(shù)是基于紅光、近紅外和短波紅外波段計(jì)算的植被指數(shù)，于惠等［7］研究表明短波紅外波段對(duì)干旱區(qū)草地植被更為敏感；此外，MNLI 是非線性植被指數(shù)的改進(jìn)指數(shù)，它與葉綠素含量具有較高的相關(guān)性，在半干旱環(huán)境下，MNLI 可以將植被指數(shù)與地表生物物理參數(shù)的非線性化關(guān)系線性化［34］。故MVI 和MNLI 被篩選出來，對(duì)處于半干旱區(qū)的植被生物量估算也具有一定的作用。綜上所述，本研究通過變量篩選后，用選出的多種類型的植被指數(shù)建模，這不僅簡化了模型，也從葉綠素含量、消除水分影響、植被密度等方面綜合反映了植被特征，多種植被指數(shù)與草地AGB 之間具有顯著的相關(guān)性，并且不同植被指數(shù)之間也具有一定的互補(bǔ)性，從而可以綜合地反映草地生物量的狀況。

相較于傳統(tǒng)回歸分析方法，機(jī)器學(xué)習(xí)算法更適用于較復(fù)雜的運(yùn)算，可以更好地進(jìn)行變量篩選和組合，很大程度地提升草地AGB 估測(cè)模型的精度。隨機(jī)森林模型可以組合不同含義的變量特征，且有效解決“過飽和”和共線性的問題［35］。有很多學(xué)者利用隨機(jī)森林模型進(jìn)行了農(nóng)作物、森林、竹林的生物量估算和茶園提?。?6-37］，均取得了不錯(cuò)的研究成果。但是，RF 模型也有其局限性，特別是在構(gòu)建回歸分類樹的方式上，會(huì)低估超出訓(xùn)練集范圍內(nèi)的高生物量值［32］。此外，機(jī)器學(xué)習(xí)基于數(shù)據(jù)驅(qū)動(dòng)，通常需要大量的數(shù)據(jù)，若研究的數(shù)據(jù)量較小，可能對(duì)模型準(zhǔn)確性造成一定的影響［38］。

Landsat-8 OLI 遙感數(shù)據(jù)因其相較于低分辨率衛(wèi)星具有更高的分辨率，相較于之前的Landsat 衛(wèi)星具有更多的波段和覆蓋范圍，有避免大氣吸收特征的干擾，可用于海岸帶觀測(cè)和云檢測(cè)，近紅外波段、短波紅外波段與MODIS 對(duì)應(yīng)波段接近等優(yōu)勢(shì)，在我國草地資源的監(jiān)測(cè)方面有較廣泛的應(yīng)用［22］。本研究通過機(jī)器學(xué)習(xí)算法和Landsat-8 OLI 數(shù)據(jù)提升了傳統(tǒng)草地生物量估算模型的精度，但是還存在一定的局限性。Landsat-8 OLI 的空間分辨率是30 m，比起MODIS 的影像空間分辨率（250~1000 m）高很多，但其時(shí)間分辨率是16 d。另外，研究區(qū)地處青藏高原，受云量和當(dāng)?shù)靥鞖庥绊戄^大，衛(wèi)星過境重訪周期長，不能很好地獲得高質(zhì)量的影像，可能會(huì)對(duì)模型精度和AGB 動(dòng)態(tài)監(jiān)測(cè)造成一定的影響。在未來研究中，可以獲取更高時(shí)間分辨率的Landsat 數(shù)據(jù)，進(jìn)一步提高模型的精度。另外，草地生物量受地理位置、氣候、土壤、地形等多種因素的影響［39］。其中氣候因素包括光照、氣溫和降水等；土壤因素包括土壤營養(yǎng)元素、土壤結(jié)構(gòu)和肥力等。并且還受到草地類型與分布、物種多樣性等生物因素，以及放牧、圍欄封育、輪牧等管理因素的共同影響［40］。未來可以考慮土壤、地形、氣象因素等變量參與模型的構(gòu)建，優(yōu)化現(xiàn)有RF 模型。

4 結(jié)論

本研究基于Landsat-8 OLI 遙感數(shù)據(jù)，分別構(gòu)建并比較了29 個(gè)植被指數(shù)與草地AGB 的單因素回歸模型和RF模型，主要得出以下結(jié)論：1）綜合并確立了29 個(gè)國內(nèi)外廣泛應(yīng)用的植被指數(shù)與高寒草地AGB 的線性最優(yōu)關(guān)系，表明多種植被指數(shù)與草地AGB 之間均具有顯著的相關(guān)性。2）多種植被指數(shù)之間具有一定的互補(bǔ)性，機(jī)器學(xué)習(xí)算法可以更好地進(jìn)行變量篩選和組合，因此基于機(jī)器學(xué)習(xí)的多種植被指數(shù)的組合應(yīng)用在很大程度上可以提升草地AGB 模型的反演精度，從而更加精準(zhǔn)地反映草地生物量的時(shí)空變化狀況。3）得到了2019-2021 年門源縣30 m分辨率的草地AGB 分布?？臻g分布特征為西北部較高，東南部相對(duì)較低；大體呈中部高，四周低的狀況，其中高寒草甸分布最多。