基于Sentinel-2卫星的美国西部牧场植被覆盖度与冠层间隙的高分辨率估算研究

《Scientific Data》：Sentinel-2 based estimates of rangeland fractional cover and canopy gap class for the western United States

本研究针对美国西部广袤牧场生态系统监测需求，利用Sentinel-2卫星的高时空分辨率优势，开发了一种时序一维卷积神经网络(1D CNN)模型，成功实现了10米分辨率的植被功能型覆盖度（包括入侵性一年生草类、山艾树等）和冠层间隙大小等级的年际估算。该数据集为牧场管理和生态研究提供了更精细的监测工具，显著提升了对植被动态和生态系统结构的表征能力。

　　

在美国西部的广袤土地上，牧场生态系统占据着重要地位，这些生态系统不仅为野生动物提供栖息地，还支撑着畜牧业发展。然而，这些生态系统正经历着持续变化，包括入侵物种扩散、植被组成改变等，传统监测方法难以满足大范围、高精度的评估需求。卫星遥感技术虽然已被广泛应用于植被监测，但现有数据如MODIS（250米）和Landsat（30米）的空间分辨率有限，无法捕捉牧场中细微的植被变化特征。

为了更精确地监测牧场植被动态，研究人员将目光投向了新一代的Sentinel-2卫星。该卫星星座提供10-60米的空间分辨率和更高的重访频率，为牧场监测带来了新的机遇。这项发表在《Scientific Data》上的研究，利用Sentinel-2卫星数据，开发了一种创新的估算方法，生成了美国西部17个州2018-2024年高分辨率牧场植被数据集。

研究团队采用时序一维卷积神经网络(1D CNN)模型，整合了多时相卫星数据和野外调查数据，同时估算植被覆盖度和冠层间隙。该方法不仅考虑了植被的光谱特征，还利用了物候信息，提高了对不同植物功能型的区分能力。

主要技术方法包括：1）收集来自多个监测项目的47,833个野外样本，采用线点截取法测量植被覆盖和冠层间隙；2）使用Sentinel-2卫星顶层反射率数据，构建29个时序图像；3）应用一维卷积神经网络进行多输出预测，同时估算多种植被参数。

数据与方法

研究使用的野外数据来源广泛，包括土地管理局评估监测数据、国家资源清单等，覆盖美国本土47个州。植被数据通过线点截取法收集，包括常见植物功能型（一年生草本、灌木、树木等）和特定属类（如山艾树、入侵性一年生草类等）的覆盖度，以及冠层间隙大小等级。

卫星数据处理方面，研究使用Sentinel-2A和2B卫星的顶层反射率数据，而非地表反射率，这样可以获得更多可用的影像数据。研究人员创建了29个连续的10天时序，计算了可见光、近红外和短波红外波段的反射率中值，并计算了NDVI和NBR2等植被指数。

模型构建

研究采用时序一维卷积神经网络架构，包含两个独立的卷积流分别处理反射率值和植被指数。模型包含三个连续的1D卷积层，使用ReLU激活函数，膨胀率从1到4指数增加。空间位置信息被编码并与其他特征结合，最终通过全连接层输出16个预测值，对应不同的植被覆盖度和冠层间隙类别。

模型训练使用均方误差作为损失函数，Adam优化器，学习率为0.0001，批量大小为64。为了防止过拟合，在每个卷积层后应用了丢弃率为0.2的dropout层。

结果与验证

模型表现出良好的预测性能，常见植物功能型的均方根误差在6.3%-12.7%之间，决定系数(r²)在0.52-0.76之间。其中，多年生草本和树木的预测精度最高，r²分别达到0.76和0.67。冠层间隙大小的预测中，25-50厘米间隙等级的r²为0.50，而大于200厘米间隙的r²达到0.65。

与基于Landsat的估算相比，Sentinel-2模型在多个植被类型的预测精度上有明显提升。例如，一年生草本的均方根误差降低了1.6%，多年生草本降低了1.3%。这表明更高分辨率的卫星数据能够提供更准确的植被覆盖估算。

数据产品

研究生成了覆盖美国西部17个州的数据产品，包括常见植物功能型覆盖度、特定属类覆盖度（仅限于UTM 10-13带）以及冠层间隙大小等级。数据以75×75公里的瓦片形式组织，存储为云优化的GeoTIFF格式，总数据量约为2TB。

应用与局限性

该数据集的高空间分辨率使其能够检测更细微的植被变化，如入侵物种治理效果、植被恢复进展等。更高的时间分辨率也有助于利用物候特征区分不同植被类型，特别是对于入侵性一年生草类、松柏类等具有独特物候特征的植物。

然而，研究也指出了若干局限性。松柏类林地的表征仍然具有挑战性，模型在松柏类分布区以外的预测可能存在误差。河岸和湿地生态系统由于具有独特的物候特征，且野外样本相对较少，预测结果需要谨慎解读。此外，林下植被在茂密冠层下的表征可能不够准确。

结论与展望

这项研究展示了Sentinel-2卫星在牧场监测中的巨大价值，提供了迄今为止最详细的美国西部牧场植被覆盖度和冠层间隙数据集。高时空分辨率使该数据集能够捕捉更细微的植被变化，为牧场管理和生态研究提供了重要工具。

研究人员建议用户结合本地知识和其他数据源使用这些数据，特别是在生态系统类型复杂的区域。未来研究可以探索将Sentinel-2和Landsat数据进行协调，以扩展时间序列分析能力。该数据集为理解牧场生态系统动态、评估管理措施效果以及监测气候变化影响提供了新的可能性。

该研究的创新之处在于同时估算了植被覆盖度和冠层间隙，提供了更全面的牧场植被结构信息。随着Sentinel-2C卫星的加入和未来更多遥感资源的发展，牧场监测能力有望进一步提升，为生态系统管理和保护提供更强大的技术支持。