植物多样性光学遥感中的不确定性研究

《Remote Sensing of Environment》：Uncertainties in optical remote sensing of plant diversity

　　

随着生物多样性丧失加速和生态系统退化，亟需能够以系统、可重复、透明且可转移的方式提供信息，并清晰量化测量与估计不确定性的监测工具。遥感技术与方法的发展已提供了前所未有的植物多样性测量与估计，例如与植物功能性状和冠层结构相关的植被吸收特征，以及与生态系统异质性和生物多样性组成相关的光谱多样性。与任何测量一样，遥感植物多样性产品天然具有不确定性。若这种不确定性未被量化、报告和传播，估计结果可能显得比实际更精确或更可靠，从而可能导致对植物多样性变化的偏差解释，并对管理策略和政策制定产生 consequential 影响。此外，遥感植物多样性产品在以下方面仍存在定义不清的问题：什么构成不确定性、应考虑哪些不确定性，以及它们如何从测量信号传播到最终植物多样性产品。本文针对这些问题，通过以下方式提出面向不确定性感知的植物多样性产品的建议：(i) 厘清术语并区分不同类型的不确定性；(ii) 强调这些不确定性的主要来源及其典型量级；(iii) 将不确定性从成像光谱数据量化并传播至衍生植被指数、植物性状和光谱多样性；(iv) 探索提升遥感生物多样性产品透明度、可解释性和可靠性的空白与前进方向。

植物多样性光学遥感中的不确定性：分类、来源与传播框架解读

一、研究背景与问题

生物多样性丧失与生态系统退化日益加剧，迫切需要系统、可重复、透明且可转移的监测工具，同时必须明确量化测量与估计中的不确定性。光学遥感，尤其是成像光谱技术，为估算植物多样性相关的基本生物多样性变量（EBVs）提供了前所未有的能力。常用的光谱特征包括植被指数（VIs）、光学性状（基于反射率的模型反演植物属性）以及主成分（PCs）等，并进一步通过其空间与时间变异性（即光谱多样性）估算植物分类、功能和系统发育多样性。然而，遥感植物多样性产品如同任何测量一样，天然具有不确定性。这些不确定性源自辐射定标、大气校正、地形校正、观测几何归一化等多个处理环节，也来自模型近似、生物多样性定义和原位数据。若不确定性未被量化、报告和传播，估计结果可能看似精确可靠，实则导致对植物多样性变化的偏差解读，进而影响管理策略与政策制定。当前主要问题包括：不确定性术语在不同学科（计量学、遥感、生态学、机器学习）中定义混乱；遥感植物多样性产品缺乏全面的不确定性量化与报告；已有研究多集中于植被指数的不确定性传播，对光学性状和光谱多样性指标的数据不确定性传播鲜有涉及；针对EBVs的不确定性框架远落后于气候 Essential Climate Variables（ECVs）的相关标准。为此，研究人员开展了本研究，旨在综合不确定性术语与分类、梳理植物多样性产品特有的不确定性来源，并提出从地表反射率产品出发估算植物多样性不确定性的实用框架。

二、研究内容与主要技术方法

该研究以德国巴伐利亚森林国家公园及其周边地区为研究区，使用2021年Hypersense期间获取的DESIS（DLR Earth Sensing Imaging Spectrometer）星载成像光谱L2A地表反射率数据（235个窄波段，约400–1000 nm），掩膜去除非植被像元（NDVI<0.4）。数据不确定性设为满足5%相对不确定性的任务要求。研究采用解析法（不确定性传播定律）与数值法（蒙特卡罗模拟）两种途径传播数据不确定性。对于植被指数，推导了氯-胡萝卜素指数（CCI）的不确定性解析公式；对于主成分，基于载荷与谱间误差相关性传播反射率不确定性；对于光学性状，采用PROSAIL辐射传输模型混合反演，结合人工神经网络（NN）预测叶绿素含量（LCC），利用网络雅可比矩阵传播数据不确定性。模型不确定性通过蒙特卡罗dropout估计。表征不确定性采用基于主成分空间的相异度指数和适用区域进行评估。空间相关性通过变异函数建模，并嵌入光谱方差指标的不确定性传播。

三、主要研究结果

（一）不确定性分类框架的建立

研究提出了一个整合生态学、遥感和机器学习学科的统一不确定性分类框架，将不确定性分为三类：数据不确定性（由测量误差引起，如传感器噪声和定标误差）、模型不确定性（由建模过程中的选择引起，如参数误差和近似误差）、表征不确定性（由遥测量的定义与地面观测不一致引起，如分辨率误差、系统误差和语言误差）。该分类有助于明确不同来源误差的归属和处理方式。

（二）不确定性来源与量级的量化

地表反射率的不确定性通常约为5%，但强烈依赖波长，短波（<700 nm）相对不确定性最高，部分波段可超过20%，甚至暗植被在450 nm以下可达50%。原位测量存在物种遗漏（100 m2样地约19.2%草本物种）和观测者伪周转（约14%）等不确定性。植被指数的不确定性传播范围为2%–9%，且对某些系统误差不敏感。光学性状的模型不确定性通常在2%–20%（68%置信水平），但数据不确定性常被忽略，且PROSAIL反演的光学性状相对不确定性比植被指数高约四倍。

（三）解析与数值不确定性传播方法的比较

以CCI和光谱方差（SV）为例，解析法计算的CCI不确定性与蒙特卡罗模拟结果几乎一致（平均百分比差异<0.1%，Pearson相关系数r=0.75），但对SV而言，解析法高估不确定性约54%，但两者高度相关（r=0.98）。这表明解析法在非线性程度较高的指标上存在近似误差，但整体上提供了一种高效、可扩展的传播方式。

（四）光学性状数据与模型不确定性的传播

利用混合反演PROSAIL与NN预测LCC时，平均相对数据不确定性为5%，模型不确定性（MC dropout）为9.5%，组合后的预测不确定性为11.2%。数据与模型不确定性在空间上呈现几乎相反的模式，表明两者必须同时考虑才能完整刻画产品不确定性。

（五）表征不确定性的量化

基于10个主成分计算的相异度指数和适用区域，可识别模型外推风险较高的像元。相异度指数与模型不确定性仅中等相关（r=0.32），说明表征不确定性无法由模型不确定性充分捕获，需要单独处理。

四、讨论与结论

讨论部分指出：分解不确定性至单一误差源有助于识别产品关键局限；不确定性类型之间存在重叠，但为透明和可追溯的评估，必须清晰区分；解析传播在效率与近似之间权衡，需在像元子集上通过蒙特卡罗验证；目前仅EMIT和Planet Tanager任务例行提供逐像元逐波段的地表反射率不确定性产品，缺乏带不确定性量化的大范围反射率产品是主要限制；生物多样性产品需建立类似GCOS对ECVs那样的不确定性标准，以促进产品成熟度检验和可追溯性链的建立。

研究结论为：遥感植物多样性产品日益为保护战略和政策提供信息，但其可信度取决于不确定性是否被严格量化、传播和沟通。该研究做出了四项贡献：(i) 厘清术语，区分数据、模型和表征不确定性及其误差来源；(ii) 识别从光谱特征及其时空变异性估算植物多样性的主要不确定性来源；(iii) 提出不确定性传播的解析和数值框架、模型不确定性估计方法以及表征不确定性的潜在量化途径；(iv) 在星载成像光谱数据上展示了所提框架的实用性。未来仍需在术语趋同、模型相互比较、不确定性图示的广泛采用以及操作级生物多样性产品可接受不确定性标准等方面继续努力。当不确定性已知时，可以更有效地评估现有选项（如VIs、光学性状、光谱多样性）的脆弱性，优化野外采样设计，并将不确定性主动纳入决策，从而更好理解生物多样性过程、变化与因果关系。