基于高斯过程回归的Sentinel-2与PlanetScope多尺度草地地上生物量估算优化研究——以意大利北部管理草地为例

《Precision Agriculture》：Optimising grassland Above-Ground biomass Estimation for managed grasslands: A Gaussian process regression approach for Sentinel-2 and Planet Scope in Northern Italy

本研究针对异质草地生态系统地上生物量（AGB）估算难题，创新性地将高斯过程回归（GPR）机器学习算法与Sentinel-2（10-20米）和PlanetScope（3米）多光谱卫星影像相结合，在意大利北部典型管理草地开展系统研究。通过18个月采集的954个实地样本验证，发现像素级预测精度达R2=0.52（MAE≈400 kg DM ha-1），而田间尺度聚合后精度显著提升至R2>0.96（MAE=60-120 kg DM ha-1）。该研究为数字化决策支持系统（DSS）和碳计量（MRV）协议提供了可扩展的技术框架，标志着卫星遥感技术在精细化草地管理应用中的重要突破。

　　

在郁郁葱葱的欧洲乡村景观中，半自然草地如同绿色的地毯，不仅为牛羊提供食粮，更是生物多样性的宝库和气候变化的缓冲器。这些被称为"永久草地"的生态系统，覆盖了全球约70%的农业用地，每年有望吸收高达6.99亿吨的二氧化碳当量。然而，在这片生机勃勃的绿色背后，隐藏着一个长期困扰农牧民的难题：如何准确、及时地掌握草地的生长状况？

传统的草地生物量监测方法如同用尺子丈量森林——既费力又低效。割草烘干法需要破坏性采样，视觉评估法依赖经验判断，而各种测量仪器则难以覆盖大面积区域。更棘手的是，欧洲的农业景观往往被分割成小块田地，犹如绿色的拼图，使得粗分辨率的卫星数据难以发挥作用。

正是在这样的背景下，由Daniele Pinna领衔的研究团队在《Precision Agriculture》上发表了一项突破性研究。他们巧妙地将两种先进的卫星遥感技术——欧洲空间局的Sentinel-2和商业卫星PlanetScope，与一种名为高斯过程回归（GPR）的智能算法相结合，为意大利北部的草地"把脉问诊"。

研究团队采用的多技术融合方法包括：在意大利北部三个典型草地（永久草甸、低地牧场和高山牧场）进行系统采样，使用全球导航卫星系统（GNSS）精确定位954个采样点；同步获取Sentinel-2（10-20米分辨率）和PlanetScope（3米分辨率）卫星影像，并利用MAJA软件进行大气校正；通过高斯过程回归（GPR）机器学习算法建立光谱特征与地上生物量（AGB）的预测模型，采用SHAP框架解析特征重要性，并利用 conformal prediction（保形预测）方法进行不确定性量化；最后在像素和田间尺度进行模型验证与空间制图。

AGB数据集结构与采样框架

研究团队历时18个月，在代表不同海拔高度、管理制度和冠层结构的三种草地类型中，系统收集了954个地上生物量（AGB）样本。样本值分布范围广泛（12.3-4486.3 kg/ha），呈现出向较低值倾斜的分布特征，中位数为1113.5 kg/ha。这种有意的采样设计确保了数据集能够充分捕捉意大利北部草地生态系统的真实异质性，为模型训练提供了理想的数据基础。

AGB预测模型评估

在像素级预测方面，Sentinel-2和PlanetScope模型表现出惊人的一致性，确定系数（R²）分别为0.520和0.514，平均绝对误差（MAE）均约为400 kg DM ha^-1。这种中等精度的预测结果真实反映了异质草地冠层的复杂性，与先前在高分辨率遥感研究中报道的性能水平相当。

田间尺度AGB估算

当预测结果在田间尺度进行聚合时，模型性能实现了质的飞跃。Sentinel-2模型的R²达到0.972，PlanetScope模型为0.968，平均绝对误差降至61.2-117.5 kg DM ha^-1，相对误差不超过10%。这一精度水平已经达到甚至超过了部分商业草地监测平台的性能指标，标志着该技术具备了实际应用的价值。

特征重要性

通过SHAP分析发现，Sentinel-2模型中最具预测力的光谱区域是红边波段（B5-B7，705-783 nm）和短波红外波段（B11-B12，1610-2190 nm），这些波段对冠层结构、叶绿素含量和水分状态特别敏感。而PlanetScope模型则主要依赖近红外波段（PLB8，865 nm）的信息。这一发现为未来传感器选择和波段优化提供了科学依据。

残差、鲁棒性与不确定性分析

残差分析显示，PlanetScope模型的残差分布更接近正态分布，而Sentinel-2模型则呈现轻微偏斜。通过20次重复分层验证，证实了模型性能的稳定性。采用 conformal prediction（保形预测）方法进行不确定性校准后，两种模型在田间尺度均实现了理想的区间覆盖率和显著降低的不确定性水平，为实际应用提供了可靠的误差估计。

预测空间可视化

空间制图结果直观展示了模型在三个研究草地的生物量分布预测能力。PlanetScope凭借其更高的空间分辨率，能够捕捉更细致的空间异质性，而Sentinel-2则提供了与之互补的观测视角。不确定性地图清晰显示，误差较高的区域主要分布在田间边界和树木阴影区，这为未来模型改进指明了方向。

研究结论深刻指出，尽管像素级预测存在光谱饱和（spectral saturation）和混合像元（mixed pixels）等固有局限，但通过田间尺度聚合，高斯过程回归（GPR）模型能够提供满足实际管理需求的精度水平。这种"由点到面"的聚合策略，相当于将无数个有误差的像素预测整合成一个可靠的田间总体估计，好比是将零散的信息碎片拼凑成完整的图景。

该研究的创新之处在于首次将高斯过程回归（GPR）这一具有概率输出优势的机器学习算法，系统应用于欧洲异质草地的多尺度生物量监测，并通过严谨的不确定性量化框架，为数字化决策支持系统（DSS）和碳计量、报告与验证（MRV）协议提供了可靠的技术基础。研究结果证明，无论是免费的Sentinel-2数据还是商业化的PlanetScope影像，都能在合理的误差范围内支持草地管理决策，这为资源有限的小规模农场提供了经济可行的解决方案。

展望未来，随着物联网（IoT）监测系统、高光谱卫星（如PRISMA和EnMAP）以及物理辐射传输模型（RTM）的融合发展，草地生物量监测将逐步从单纯的"量"的估算，迈向"质"的评估，为可持续畜牧业和气候智能型农业提供更加精准的技术支撑。这项研究不仅为意大利北部的草地管理提供了实用工具，也为全球类似生态系统的遥感监测树立了新的技术标杆。