使用多时相星载成像光谱数据绘制泥炭地物种分数和状况

《Frontiers in Environmental Science》：Mapping peatland species fractions and condition using multi-temporal spaceborne imaging spectroscopy data

　　

再湿润排水后的泥炭地对减缓气候变化至关重要，但需要专门的监测方案来追踪再湿润效果。物种分布和状况可能指示水位，从而反映再湿润成功与否。研究人员利用五幅30米EnMAP图像，绘制了7种泥炭地相关和4种非泥炭地植被类别的分数，以及它们状况的年内动态。研究人员采用神经网络回归（neural network regression）结合合成训练数据增强方法，从高光谱EnMAP堆栈预测泥炭地植被分数（例如，芦苇（Phragmites australis）、香蒲属（Typha spp.）和苔草属（Carex spp.）），并从单时相数据预测非光合活性植被（NPV）、绿色植被（GV）和水分分数，以推导年内动态。物种分数模式与实地观测的吻合程度各异，其中香蒲和芦苇的一致性最高（平均绝对误差MAE分别为16%和22%）。植被状况的变化同样与实地观测吻合（GV：MAE = 12%，水分：MAE = 14%，NPV = 21%），并结合物种分数揭示了类别特异性趋势，例如绿峰（最大GV分数）出现时间的差异。在芦苇类别中可观察到绿峰时间的种内变异，指示了水位的差异。此外，开放水域面积的动态变化明显，凸显了多时相信息的必要性。星载成像光谱数据可用性的增加将能够实现泥炭地再湿润的长期监测，并考虑植被和水分动态的年内变化。

**论文解读：利用多时相星载成像光谱数据监测再湿润泥炭地物种分数与植被状况**

**研究背景与问题**

泥炭地是富含有机质、水分饱和的湿地生态系统，储存着大量碳（450–650 Gt），对全球碳循环至关重要。然而，全球约12%的泥炭地因排水而退化，导致温室气体（GHG）排放增加，约占全球年排放总量的4%。在德国，排水有机土贡献了高达7%的国家排放量，而在梅克伦堡-前波莫瑞州，这一比例甚至达40%。再湿润与恢复是减缓气候变化的关键措施。再湿润后，泥炭地的自调节能力减弱，水位波动增大，易出现淹没，从而可能进一步加剧GHG排放。因此，连续监测再湿润泥炭地的水位与植被发育，对于评估再湿润效果、作为GHG排放与退化的代理指标至关重要。

当前，遥感数据（尤其是多光谱星载与机载数据）已被用于绘制泥炭地范围、植被类型及物种，但存在空间分辨率、光谱分辨率或时间覆盖的局限。高光谱信息因其能捕捉短波红外（SWIR）区域（1,730 nm、2,100 nm、2,300 nm）的纤维素和木质素吸收特征，为泥炭地植被制图与定量化提供了新机遇。然而，星载成像光谱数据（如EnMAP）在泥炭地植被制图中的应用仍较少，尤其是针对多时相、亚像素尺度的混合分解研究。现有产品（如哥白尼水与湿度产品、全球湿地观察）虽提供湿地信息，但多为粗时间聚合，难以捕捉泥炭地特有的年内动态。因此，研究人员旨在评估新一代EnMAP数据（环境测绘与分析计划，Environmental Mapping and Analysis Program）结合回归混合分解方法，监测再湿润泥炭地的植被物种分数与状况动态的潜力。

**研究方法概述**

本研究在德国东北部梅克伦堡-前波莫瑞州的温带泥炭地开展，主要数据源为5幅EnMAP L2A影像（2023–2025年获取，经云掩膜、配准及波段筛选后保留195个波段）。研究人员采用基于回归的混合分解方法，结合纯像元端元选择与合成训练数据增强，利用神经网络回归（Neural Network Regression）模型分别预测两类目标：（1）从多时相堆栈（5时相）预测10类地物分数，包括泥炭地相关物种（芦苇、香蒲、苔草、虉草、湿草地、灌木）及非泥炭地类别（树木、其他植被、人工地表、永久水体）；（2）从单时相影像分别预测3类组分分数（绿色植被GV、非光合活性植被NPV、水分）。合成训练数据生成为线性混合纯像元光谱，共128,000个样本。验证数据包括：机载HyPlant成像光谱仪（2024年8月27日获取，空间分辨率2.6 m）分类导出的物种分数，以及多光谱无人机（UAV）影像（与EnMAP获取时间相差6天内）分类导出的GV-NPV-水分分数。精度评估采用MAE、RMSE及散点图。

**研究结果**

**3.1 物种分数**
通过多时相EnMAP堆栈与合成训练数据，研究人员成功绘制了异质性植被格局。芦苇为最优势种，常沿河岸与开放水体呈线性分布；香蒲与苔草形成大片斑块。验证结果显示：香蒲精度最高（MAE = 16%，RMSE = 20%），其次为芦苇（MAE = 22%，RMSE = 28%）、苔草（MAE = 28%，RMSE = 32%），而虉草与湿草地精度较低（MAE = 22–42%，RMSE = 28–51%），可能由于端元样本不足与光谱相似性。灌木、树木与永久水体的MAE为18–19%。该结果表明多时相高光谱数据能有效区分分布广泛的泥炭地物种，但对稀有种或光谱相似类别的区分存在局限。

**3.2 NPV-GV-水分分数**
从单时相EnMAP预测的GV、NPV与水分分数揭示了泥炭地年内物候异质性。4月NPV分数最高，6月与8月GV分数最高，水分分数在4月与5月较高，6月与8月较低。UAV验证显示GV预测最可靠（MAE = 12%，RMSE = 16%），其次为水分（MAE = 14%，RMSE = 19%），NPV精度较低（MAE = 21%，RMSE = 27%）。NPV与水分之间存在混淆，尤其在湿泥炭或干泥炭区域，突出泥炭水分光谱相似性对NPV预测的挑战，表明多时相信息与水分动态对再湿润泥炭地监测的必要性。

**3.3 物种特异性物候**
结合物种分数与NPV-GV-水分分数，研究人员发现了物种间显著的物候差异。芦苇表现为晚绿（GV峰值在8月），苔草为早绿（GV峰值在6月），香蒲GV呈稳步增加趋势。进一步，芦苇种内存在GV峰值时间的空间变异（从6月到8月），可能与水位深度和波动幅度有关，并可能与2023年7–8月的过量降水相关。对于苔草类（包含不同种），基于9月NPV分数阈值（50%）可将C. acuta（高NPV）与C. riparia/acutiformis（低NPV）分离，表明物候信息有助于进一步细分物种组。

**讨论与结论**

本研究成功展示了利用多时相EnMAP星载成像光谱数据绘制再湿润泥炭地优势物种分数及年内植被与水分动态的能力。物种分数制图整体与空间观测一致，但稀有种（虉草、湿草地）精度受限，主要因纯像元端元样本不足与类别光谱相似度高。NPV预测受泥炭水分状态影响较大，水分分数在高植被覆盖区（如芦苇、香蒲）可能受阴影干扰，但低矮植被（如苔草）阴影影响较小，因此水分预测更可靠。物候分析揭示了芦苇种内绿峰值时间差异，可能与地下水梯度及微气候有关，直接归因仍需更详细水位与温度数据。

结论部分强调：该研究是向利用星载成像光谱数据大规模监测再湿润泥炭地迈出的重要一步。观察到的物候变异（特别是芦苇绿峰值差异）表明遥感数据可作为潜在水文梯度代理指标。但限制依然存在：高类别数量与光谱相似性影响分数预测精度；阴影与湿泥炭影响NPV与水分预测。尽管如此，该方法可追踪植被与水分季节性变化，为评估再湿润效果和理解碳循环驱动因子提供了基础。未来即将升空的高光谱卫星任务（SBG、CHIME）将进一步提高时间分辨率，实现年度物种分布图及真实单年物候模式。