《Science of The Total Environment》:Environmental variables improve remote sensing-based water table monitoring in peatlands
编辑推荐:
地下水位(Water table, WT)是泥炭地生态系统功能的关键指示因子,但其时空监测具有挑战性。光学遥感已被用于泥炭地WT监测,并取得了不同程度的成功,但仅有少数研究检验了环境变量——尤其是由LiDAR导出的地形和林分结构变量——是否能够提升模型性能。研
地下水位(Water table, WT)是泥炭地生态系统功能的关键指示因子,但其时空监测具有挑战性。光学遥感已被用于泥炭地WT监测,并取得了不同程度的成功,但仅有少数研究检验了环境变量——尤其是由LiDAR导出的地形和林分结构变量——是否能够提升模型性能。研究人员检验了环境变量是否能够改善:(1)芬兰北方针叶林带(northern boreal)两处部分排水的Aapa沼泽中基于无人机(uncrewed aerial vehicle, UAV)数据的空间WT模型;以及(2)芬兰南方针叶林带(southern boreal)一处排水泥炭地森林中基于卫星影像的WT时空模型。研究采用随机森林回归(random forest regression)与变量筛选技术,以光学遥感变量和环境变量作为预测因子构建WT模型。结果表明,与仅使用光学变量的模型相比,与地形和林分结构相关的环境变量可提高模型性能,使R2增加0.01–0.19。研究结果支持在北方泥炭地WT空间及时空监测中整合光学数据与环境数据。
该文发表于《Science of The Total Environment》,聚焦泥炭地地下水位(Water table, WT)遥感监测中一个长期存在的关键问题:传统点位观测虽然测量直接、可比性强,但难以完整表征大尺度泥炭地复合体内部高度异质的水文格局;而仅依赖光学遥感进行WT反演时,模型性能常受植被覆盖、地表微地形和林冠遮蔽等因素限制,尤其在有林泥炭地中更为明显。泥炭地虽仅占全球陆地表面的极小比例,却储存了近30%的陆地碳,同时承担流域调蓄、生物多样性维持和生态恢复等重要功能。WT与泥炭沉降、温室气体通量、植被格局及湿润程度密切相关,因此发展可扩展、可重复、具有空间连续性的WT监测方法,对于泥炭地保护、排水影响评估和恢复成效追踪具有基础意义。现有研究已表明光学遥感在北方泥炭地WT建模中通常优于雷达,但将光学信息与LiDAR衍生环境变量联合用于WT监测的证据仍然有限,尤其缺乏对地形湿度指数、地形位置、沟渠距离和林分高度等变量增益效应的系统检验。因此,研究人员以芬兰两个区域的三处样地为对象,系统评估环境变量能否提升基于UAV和卫星影像的WT空间与时空建模性能。
在技术方法上,研究主要采用以下策略:在北芬兰Pallas区域的Matorovansuo与V?lisuo两个Aapa沼泽中,获取人工立管地下水位观测、UAV多光谱影像与UAV-LiDAR数据;在南芬兰Lettosuo排水泥炭地森林中,利用2017–2023年25个自动记录仪的生长季WT序列,并配套Sentinel-2地表反射率影像与机载LiDAR衍生数据。研究人员构建光学变量及环境变量集合,环境变量包括冠层高度模型(Canopy Height Model, CHM)、SAGA湿度指数(SAGA wetness index, SWI)、坡度、坡向、地形位置指数(Topographic Position Index, TPI)、至排水沟距离(Distance to drainage, DTD)和近水深度指数(Depth to Water, DTW)。随后采用随机森林回归(random forest regression)和基于随机森林的变量筛选(Variable Selection Using Random Forests, VSURF),并结合空间分块交叉验证与严格时空交叉验证评估模型性能。
研究结果部分可概括如下。
3.1. Water table modelling performances
研究人员首先比较了不同区域、地类和变量组合下的WT建模效果。总体而言,各模型性能介于较弱到中等水平之间,R
2为0.16–0.59,均方根误差(Root Mean Square Error, RMSE)为8.26–16.71 cm。最核心的结果是:在所有情形下,引入环境变量均能稳定提升模型精度,使R
2增加0.01–0.19,RMSE下降0.31–4.51 cm。
在Pallas区域,加入环境变量后的UAV-ENV模型在开阔区与有林区的表现几乎一致,R
2分别达到0.41和0.42,说明环境变量能够在林冠遮挡条件下有效弥补纯光学信息的不足。空间外推图进一步显示,Pallas的WT具有显著空间异质性,较干的strings与较湿的flarks在图上被清晰区分,有林区整体较开阔区更干,而UAV-ENV模型在有林区呈现出更低WT和更高空间异质性。
在Lettosuo区域,卫星时空模型在不同采伐处理下表现差异明显。控制区模型精度最高,加入环境变量后R
2由0.49提升至0.59,RMSE由16.71 cm显著降低至12.19 cm;皆伐区提升最小,R
2仅由0.16增至0.17。时空外推图显示,控制区在早夏、盛夏和秋季均保持较低WT,而部分采伐区和皆伐区WT较高;同时WT总体上由早夏向盛夏、秋季下降。引入环境变量后,Lettosuo图面空间分异增强,尤其在盛夏和秋季更为明显。
3.2. Variable importance
在变量贡献方面,研究人员识别了不同泥炭地系统中控制WT的关键因子。Pallas区域中,合并区域模型最重要的变量为归一化植被指数(Normalized Difference Vegetation Index, NDVI),有林区模型中SWI最重要,开阔区模型中土壤调节植被指数(Soil Adjusted Vegetation Index, SAVI)最重要。总体来看,进入最终UAV-ENV模型的重要变量同时包含环境变量与UAV光学变量,其中植被指数、近红外(Near-infrared, NIR)、蓝光(BLUE)、红光(RED)以及归一化差异水体指数(Normalized Difference Water Index, NDWI)贡献较大。偏依赖图(Partial Dependence Plot, PDP)表明,SWI与WT呈正相关,即SWI越高,预测WT越高;而TPI和多种植被指数与WT呈负相关,说明相对高位地形和较高植被生产力常对应更低的WT。
Lettosuo区域中,CHM在除皆伐区和控制区外的大多数SAT-ENV模型中均为最重要预测因子,在合并模型中尤为突出。其他重要环境变量包括坡向、5 m尺度TPI、坡度、DTW和SWI;重要光学变量则包括NDVI、归一化差异红边指数(Normalized Difference Red Edge Index, NDRE)、SAVI,以及多个红边波段和湿度指数。PDP结果显示,CHM与预测WT之间存在非线性关系:在约3 m以内呈正向关系,中等高度出现平台,高CHM值时则转为负向趋势。该结果表明,林分结构对泥炭地水文具有复杂调节作用。
4. Discussion
讨论部分指出,本研究的核心贡献在于证明:LiDAR衍生环境变量可显著提高北方泥炭地WT空间及时空建模能力,尤其在仅依赖光学数据表现受限的有林泥炭地中更为关键。与既往研究相比,本文不仅整合了人工观测、自动记录仪、多源遥感和多类环境变量,还通过严格的空间或时空交叉验证降低了自相关和信息泄漏带来的偏差,因此所得结论更具稳健性。
关于不同区域间性能差异,研究人员认为,这既与泥炭地类型差异有关,也与数据的时间覆盖程度有关。Lettosuo具有跨多年生长季的连续记录,能更好反映空间与时间双重变异,因此模型R
2整体高于仅有单次观测的Pallas。Pallas有林区纯UAV模型表现较差,反映了林冠遮蔽削弱地表湿度和地被植被光学信号的典型问题;而加入SWI、DTW、TPI等变量后,其精度可提升至与开阔区相当,表明地形环境信息对克服林冠限制具有明显补偿效应。
在光学变量解释方面,Pallas中较高植被指数通常对应较低WT,这与泥炭地生态学一致:较低WT有利于维管植物扩展,而较高WT更利于泥炭藓(Sphagnum)占优。Lettosuo中相似光谱变量虽也重要,但其与WT的关系更不清晰,研究人员将其归因于树冠覆盖和Sentinel-2较粗空间分辨率导致单像元混合了树冠与林下信息。
在环境变量解释方面,Pallas中地形变量的作用尤为突出。SWI能有效表征地表汇水和湿润潜势,TPI则反映测点相对周边地形的位置,高TPI通常对应较低WT,符合strings高于flarks、因而更干的水文格局。DTD在Pallas合并模型中表现出约50 m的阈值响应,提示排水沟影响在一定距离内更显著,但该变量并未在多数模型中稳定入选,说明在其他区域其解释力可能弱于更直接的地形变量。Lettosuo中CHM的重要性最为突出,研究人员指出CHM不仅指示是否有树冠存在,也间接反映林分结构和蓄积量,而成熟、密集林分通过蒸散(evapotranspiration)可显著降低WT,因此CHM成为关键水文代理变量。
研究同时指出若干局限:其一,SWI、TPI、DTW和CHM等环境变量均为时间静态变量,无法反映短期水文波动;其二,Pallas仅有单时点WT观测,不利于时间泛化;其三,靠近排水沟的采样较稀疏,限制了模型识别DTD效应;其四,模型向其他泥炭地类型和气候区的可迁移性仍需跨站点验证。尽管如此,研究认为,对于具有相似宏观和微地形结构的北方Aapa沼泽,地形变量的重要性应具有一定普适性。
本研究还强调了其管理与恢复应用意义。空间连续、时间重复的WT信息对泥炭地恢复规划、恢复后评估以及政策执行具有直接价值。文中指出,欧盟《自然恢复条例》、欧盟2030生物多样性战略及全球昆明-蒙特利尔框架均要求大尺度、可验证的湿地恢复成效,而结合光学遥感与环境变量的多源遥感方法,可为排水泥炭地再湿化和恢复监测提供可扩展工具。研究生成的空间化WT图可服务于恢复优先区识别、工程后成效追踪及气候减缓相关决策,但其应用仍依赖样地校准数据和模型可迁移性。
研究结论部分可译为:
本研究表明,多源遥感——尤其是光学UAV或卫星变量与LiDAR衍生环境变量的组合——能够有效模拟并刻画北方泥炭地WT的空间与时空动态。值得注意的是,与仅依赖光学变量的模型相比,纳入环境变量可提高WT预测能力。然而,不同站点中影响最强的环境变量并不相同。在Pallas具有纹理化地表的北方Aapa沼泽中,地形环境变量显著提升了空间WT模型性能;在Lettosuo排水泥炭地森林中,纳入林分结构信息则进一步改善了WT时空预测。这些结果意味着,多源遥感为大范围或偏远泥炭地区域的WT监测提供了一种高效且可扩展的方法,因此能够支持泥炭地保护和气候减缓中的循证决策。精确的WT空间与时间信息对于评估排水影响和监测恢复成效至关重要,并有助于支持欧盟《自然恢复条例》等政策工具的实施。