亚美尼亚阿拉加茨火山山体山地牧场基于卫星的地上生物量估算

《Land》：Satellite-Based Aboveground Biomass Estimation in Mountain Pastures of Armenia

　　

准确的地上生物量（Aboveground Biomass，AGB）估算对可持续牧场管理十分关键，但在异质山地环境中仍具挑战。研究人员在亚美尼亚阿拉加茨火山山体五个景观带评估了一种利用PlanetScope影像、地形变量和机器学习（Machine Learning，ML）估算AGB的遥感框架。2025年4月至7月五次野外活动中，在30个样方内设置90个嵌套小样方测定生物量。预测变量选择、算法比较、预处理与调优均在完全嵌套留一样方交叉验证框架内进行。模型在20×20 m样方水平获得折叠外R2为0.596（RMSE=54.0 g m?2；MAE=33.1 g m?2），若用同批预测值与单个1×1 m小样方比较，R2降至0.503，从而分离出野外观测空间支持（spatial support）的影响。方差分解表明，草甸草原带弱分区表现源于样方内变异性主导，而干旱草原带早季稀疏植被下土壤背景强导致性能受限。未做反射率定标的细分辨率无人机（UAV）影像在匹配跨传感器比较中未改善预测。将模型用于18个共1822.5 ha牧场，得到战役日期聚合储量1651.45 t，95%不确定区间1207.70–2092.80 t。

研究背景方面，山地牧场提供碳循环、生物多样性保护、牧草生产、土壤稳固与水文调节等服务，地上生物量（Aboveground Biomass，AGB）是牧场生产力与生态系统状况的核心指标。传统破坏性收割、烘干、称重方法可靠但费时费力，难以大范围应用。Sentinel-2与Landsat因免费长序列档案常被用于生物量监测，但中分辨率在异质山地景观中使单像素跨越较大环境变异，与野外采样单元对应差。PlanetScope以3 m分辨率与近每日重访降低空间错位，但在异质山地草原的AGB估算价值仍研究不足。无人机（Unmanned Aerial Vehicle，UAV）可到厘米尺度，但覆盖、续航与生长季重复飞行受限。亚美尼亚阿拉加茨山体短距离内海拔约1000至3200 m以上，干旱草原、草原、草甸草原、亚高山、高山草原毗邻，季节性放牧增加变异性，而当地融合高分辨率卫星、UAV、地形与机器学习（Machine Learning，ML）的AGB研究稀缺，因此研究人员开展本研究。

研究人员以亚美尼亚阿拉加茨西南坡Nerkin Sasnashen社区18个牧场为对象，整合PlanetScope地表反射率（Surface Reflectance，SR）影像、多光谱UAV、ASTER GDEM地形变量与ML，建立并验证山地牧场AGB估算框架，进行分区性能诊断、空间支持效应分析与跨传感器比较，并最终制图与量化储量不确定性。论文发表于《Land》。

关键方法上，研究人员在2025年4月18日、5月19日、6月11日、7月2日、7月23日按海拔带推进五次野外活动，于每带设6个20×20 m样方、每样方3个1×1 m小样方测干重（Dry Weight，DW）生物量；PlanetScope取近野调日期影像算NDVI、GNDVI、SAVI、MSAVI，地形用海拔、坡度、北向性、东向性；采用完全嵌套留一样方交叉验证（Leave-One-Plot-Out Cross-Validation，LOPO-CV），内部比较线性回归、岭回归、支持向量回归（Support Vector Regression，SVR）、随机森林（Random Forest，RF）、梯度提升机（Gradient Boosting Machine，GBM），响应量做log1p变换后建模并反变换；UAV作细尺度诊断但不参与主算法比较；空间制图用分区战役日期影像，蒙特卡洛200次迭代融合校准样本与经验残差不确定性。

研究结果如下。

3.1 分布分析：研究人员经Shapiro–Wilk检验发现原始AGB正偏（skewness=1.77），log1p后skewness=0.30且不离正态，证实变换响应适合建模；Kruskal–Wallis显示五带AGB总体差异显著，η²=0.316，仅干旱草原与草甸草原对间显著。

3.2 预测变量关系与特征选择：Pearson显示MSAVI（r=0.74）、SAVI（r=0.72）与AGB最强，光谱指数间r=0.90–1.00，VIF达64.87–433.74；嵌套验证中SAVI在85/90折被保留，最终部署取SAVI加四项地形变量，VIF降至1.15–1.57。

3.3 PlanetScope机器学习模型开发与完全嵌套验证：GBM内环均值R²=0.681且在85/90外环折被选中；折叠外总体R²=0.596、RMSE=54.0 g m^?2、MAE=33.1 g m^?2；三随机种子下R²为0.526–0.597，结果稳定。

3.4 空间聚合对预测精度的影响：同一批折叠外样方级预测对样方均值R²=0.596，对90个小样方R²=0.503、RMSE=65.0 g m^?2、MAE=41.9 g m^?2，证明精度下降来自野外响应聚合水平而非模型重拟合；草甸草原两尺度均负R²。

3.5 残差分析：折叠外残差均值+13.0 g m^?2示轻微低估，SD=53.3 g m^?2，不离正态，绝对残差与预测AGB的Spearman ρ=0.602，存异方差；高山带残差SD最大106.6 g m^?2。

3.6 分区模型表现与方差结构：单因素随机效应分解显示草甸草原内样方SD=65.0、样方间SD=13.5，ICC(1,1)=0.041，约96%变异在样方内；草原带ICC=0.913、高山带0.821，分区R²与ICC走向一致但六样方/带仅作描述诊断。

3.7 生物量制图与不确定性量化：分区战役日期制图得Z1–Z5均值AGB为54.58、110.55、133.70、73.17、178.56 g m^?2；18牧场确定性储量1651.45 t，蒙特卡洛均值1644.82 t，95%区间1207.70–2092.80 t，高生物量牧场区间更宽。

3.8 基于UAV的细尺度与匹配跨传感器评估：分组留样方UAV四叉小样方R²=0.112、RMSE=87.0 g m^?2；28样方匹配下PlanetScope R²=0.642、UAV R²=?0.107，两传感器NDVI中等相关但UAV低0.280，表明未做反射率定标的细分辨率并未转化为更优预测。

讨论部分总结：研究人员指出内环0.681与外环0.596之差是选择乐观偏倚的可量化估计，完全嵌套验证避免层次数据信息泄漏；R²=0.596在跨五带2200 m梯度单模型中处于异质草地文献区间。空间支持实验说明20×20 m样方均值才是牧场制图合适目标，亚米级不一定继续增效。方差结构显示草甸草原因样方内变异主导而弱，干旱草原则因早季土壤背景强致光谱约束，二者机制不同。UAV未改善预测源于分辨率与辐射定标混淆，更宜作“小样方到卫星像元”的上采样桥梁而非竞争预测源。不确定性区间随预测生物量变宽，且五带为不同日期战役条件，总和非同步储量。局限包括物候混淆、样本量小、分辨率与辐射混淆、地形为30 m本质、外推边界与单季单山体可迁移性差。

结论部分翻译：本研究在亚美尼亚阿拉加茨山体跨2200 m海拔梯度的五个植被带，利用PlanetScope影像、地形预测变量与梯度提升机（Gradient Boosting Machine，GBM），在完全嵌套留一样方交叉验证下估算地上生物量（Aboveground Biomass，AGB）。参考结果为折叠外R²=0.596、RMSE=54.0 g m^?2、MAE=33.1 g m^?2，每次外环所留样方不参与任何数据驱动建模决策；三随机种子下R²为0.526–0.597，GBM在90个外环折中入选85次，表明精度水平与算法选择都稳定而非依赖划分。三项发现不依赖于具体模型：相同折叠外预测对样方均值与小样方比较使R²由0.503升至0.596而未重拟合，分离出观测支持效应，并确定20×20 m样方为牧场制图适当目标；方差分解显示模型区分差的带原因不同，草甸草原样方内变异近乎样方间五倍，干旱草原结构有利却精度弱，指向光谱而非结构约束；细分辨率UAV影像未在四叉尺度或28样方同支持比较中改善预测，因UAV正射影像未定标到地表反射率，分辨率与辐射度混淆，不可读为传感器先天优劣。将部署模型用于18个共1822.5 ha社区牧场，得确定性生物量储量1651.45 t，蒙特卡洛95%不确定区间1207.70–2092.80 t；因各带用匹配其野调的PlanetScope获取制图，该值为分区战役日期条件聚合，非同步储量。对复杂地形业务化监测而言，这意味着参照测得样方内方差而非均匀分配参考采样、使预测目标匹配野外数据聚合支持、并为生物量图附带明确不确定区间。