基于无人机高光谱影像分数阶微分(fractional-order derivative)的城市森林湿地物种多样性多尺度估算——以半红树林(semi-mangrove)海莲(Heritiera littoralis)群落为例
《Science of Remote Sensing》:Multi-scale estimation of species diversity in an urban forest wetland with fractional-order derivative of UAV hyperspectral imagery
编辑推荐:
摘要:城市海岸带半红树林(semi-mangrove)群落具有重要的生态功能,但日益加剧的环境压力威胁其生物多样性。中国深圳坝光保存较为完好的海莲(Heritiera littoralis)群落是快速城市化海岸景观中罕见的近原生半红树林群落,为利用遥感技术推进
摘要:城市海岸带半红树林(semi-mangrove)群落具有重要的生态功能,但日益加剧的环境压力威胁其生物多样性。中国深圳坝光保存较为完好的海莲(Heritiera littoralis)群落是快速城市化海岸景观中罕见的近原生半红树林群落,为利用遥感技术推进群落水平物种多样性评估提供了理想场所。然而,由于光谱多样性随空间分辨率存在尺度依赖性,物种多样性的非破坏性估算仍具挑战性。研究人员开发了一个多尺度框架,将无人机(UAV)高光谱影像与野外调查数据相结合,引入分数阶微分(fractional-order derivative,0–2阶)及集成机器学习(ensemble machine learning),在0.2 m、0.5 m、1.0 m和2.0 m分辨率下对海莲湿地4个物种多样性指数——辛普森优势度(Simpson's dominance,D)、香农-威纳多样性(Shannon–Wiener diversity,H′)、玛格列夫丰富度(Margalef's richness,F)和皮卢均匀度(Pielou's evenness,E)——进行估算。结果表明:分数阶微分显著增强了光谱特征与多样性指数间的相关性,且各指数的最优微分阶数不同;红边(red-edge)和近红外(near-infrared,NIR)变异系数(Coefficient of Variation,CV,1.4阶)对D和H′最具指示性,蓝波段异质性(1.6阶)和近红外微分波段(1.8阶)分别主导F和E的估算;模型精度随空间分辨率变粗而提升,在2.0 m达峰值(R2>0.6),揭示显著的尺度效应,其中1.0 m在空间自相关与局部异质性间取得最佳平衡;AdaBoost在各指数上均表现出最稳定准确的性能。上述发现深化了对半红树林群落物种多样性光谱—尺度机制的理解,并为海莲群落及其他城市湿地生态系统的生物多样性保护、监测与管理提供了高效途径。
论文解读
本研究发表于《Science of the Remote Sensing》。城市森林湿地兼具湿地水文功能与森林植被结构,是快速城市化地区重要的生态基础设施,其中海岸带半红树林(semi-mangrove)群落因水文—陆地交互作用复杂,是研究植物多样性的独特模型。海莲(Heritiera littoralis)是中国珍稀且濒危的半红树林物种,深圳坝光的古海莲群落是国内最大、最完好的自然种群,已被列入IUCN红色名录。然而,复杂城市森林湿地中物种组成混合及湿地植物间光谱相似性高,使物种多样性(species diversity)的非破坏性量化困难;传统整数阶微分易放大噪声,多光谱传感器光谱分辨率不足难以区分光谱相似种,且已有研究多依赖单一空间尺度影像,光谱多样性对空间分辨率的尺度依赖性在结构复杂的海莲湿地中尚不明确,分数阶微分(fractional-order derivative,FOD)与空间尺度的交互效应亦未被探讨。为此,研究人员以深圳坝光海莲湿地为研究区,整合无人机(Unmanned Aerial Vehicle,UAV)高光谱影像、野外样方调查数据、分数阶微分变换及集成机器学习算法,构建多尺度(0.2 m、0.5 m、1.0 m、2.0 m)物种α多样性估算模型,旨在阐明分数阶微分阶数与空间分辨率对多样性估算精度的联合影响,为城市湿地生物多样性精细监测提供方法学支撑。
主要关键技术方法:研究人员于2021年12月和2022年8月在深圳坝光海莲(Heritiera littoralis)湿地公园设置87个10 m×10 m样方(51个海莲群落样方、36个邻接非海莲植被样方),记录所有DBH≥1 cm木本植物种名与个体数并计算四个α多样性指数——辛普森优势度(Simpson's dominance,D)、香农-威纳多样性(Shannon–Wiener diversity,H′)、玛格列夫丰富度(Margalef's richness,F)和皮卢均匀度(Pielou's evenness,E)。同期采集大疆M600 Pro搭载ZK-VNIR-FPG480推扫式高光谱成像系统(384.0–1004.4 nm,270波段)获取的UAV高光谱数据,经辐射定标、几何校正、去噪(保留404.7–979.6 nm共251波段)及Savitzky–Golay平滑后得到原始反射率影像(0.2 m),用双线性插值重采样至0.5 m、1.0 m、2.0 m。对各尺度影像计算Grünwald–Letnikov定义的0–2阶(步长0.2)分数阶微分,提取每样方内三类特征——波段均值反射率、各波段变异系数(Coefficient of Variation,CV=标准差/均值)及主成分分析(Principal Component Analysis,PCA)前若干主成分方差(光谱异质性),共8283个特征/尺度。采用极端梯度提升(eXtreme Gradient Boosting,XGBoost)结合沙普利加性解释(Shapley Additive exPlanations,SHAP)筛选敏感特征(重要性>1倍标准差),以随机森林(Random Forest,RF)、XGBoost、自适应提升(Adaptive Boosting,AdaBoost)和轻量梯度提升机(Light Gradient Boosting Machine,LightGBM)四种集成算法构建估算模型,通过交叉验证评价决定系数(coefficient of determination,R2)、均方根误差(Root Mean Square Error,RMSE)和预测残差偏差(Residual Prediction Deviation,RPD=SD/RMSE),并以偏依赖图(Partial Dependence Plot,PDP)做局部敏感性分析;同时计算全局莫兰指数(Global Moran's I)和空间异质性指数(Spatial Heterogeneity Index,SHI)量化尺度效应。
研究结果如下:
3.1. The species diversity indices in H. littoralis wetlands
87个样方中D、E、H′、F均值分别为0.66、0.79、1.59、2.13,F变异最大(CV=60.89%)。非海莲群落多样性显著高于海莲群落;海莲群落内海岸陆地生境(coastal terrestrial habitat)各指数略高于潮滩沼泽生境(coastal marsh habitat)和内陆陆地生境(inland terrestrial habitat),但组间无显著差异(p>0.05)。
3.2. Correlation of fractional-order derivative spectral features against species diversity indices
分数阶微分阶数0.6–1.8的特征与多样性相关性普遍高于≤0.6阶;最高绝对相关系数|rmax|在1.6阶达峰值(D为0.491、H′为0.486、E为0.398),F在一阶微分时最高(0.524),均优于原始光谱和二阶微分;敏感波段集中于红边(670–760 nm)和近红外(Near-InfraRed,NIR,780–1000 nm)波段的均值反射率、695–808 nm的CV特征及PCA方差表征的光谱异质性。
3.3. Estimation of species diversity indices with varying fractional orders
3.3.1. The number and composition of sensitive features
高阶微分(>1.0阶)筛选出的敏感特征数少于低阶(≤1.0阶),D从平均34.4个降至19.0个;低阶以光谱异质性特征为主,高阶以波段反射率特征为主,表明低阶微分通过空间异质性关联多样性,高阶微分直接强化与物种组成相关的光谱曲线形态信息。
3.3.2. Comparing four algorithms for species diversity indices estimation
AdaBoost对D、H′、E估算精度最高(0.2 m原分辨率下D:R2=0.547,FOD 1.4阶;H′:R2=0.563,FOD 1.4阶;E:R2=0.402,FOD 1.8阶),F由LightGBM最优(R2=0.489,FOD 1.6阶);高阶微分(>1.0阶)普遍提升模型表现。预测值与实测值散点图中D和E偏低估,H′和F围绕1:1线分布较对称;制图显示区域均值低于野外观测,海莲群落内海岸陆地生境预测多样性最高。
3.3.3. Global and local sensitivity analysis of key spectral features with the optimal models
SHAP全局分析表明D和H′共享六个关键敏感特征,以1.4阶红边波段(如769.7 nm、731.4 nm)和近红外CV波段(900.6 nm)为主;F受1.6阶蓝波段CV(450.2 nm)和近红外波段(882.6 nm)驱动;E受1.8阶红边波段(898.4 nm)及PCA方差(Var_PCA179)影响。PDP局部分析揭示关键特征对预测的影响存在阈值效应与区间依赖性,仅依全局重要性可能掩盖局部复杂性。
3.4. Comparison of estimation accuracy and spatial pattern across scales
模型精度随分辨率变粗而提高,2.0 m最优(D:R2=0.685),H′尺度敏感性较低;最优分数阶微分阶数随分辨率变粗略有降低。Moran's I和SHI分析显示1.0 m分辨率在全局空间自相关与局部异质性间取得最佳折衷——D和H′呈U形响应(转折点在1.0 m),H′、F、E呈倒U形(峰值在0.5 m或1.0 m),证实明显的尺度效应。
讨论与结论部分总结:研究人员指出海莲优势种导致的竞争排斥使群落光谱与生态均质化,降低多样性;土壤盐度—养分交互作用是不同生境多样性差异的主要环境过滤机制。分数阶微分通过增强红边和近红外区微弱光谱变化提升了混合冠层信号中多样性相关信息的提取能力,但超过最佳阶数会引入高频噪声;最优微分阶数随空间分辨率变粗而降低,因粗像素混合减弱了高阶微分对局部不连续性的捕捉能力。近红外与红边区一阶/分数阶微分特征对D、H′、E最敏感,蓝波段异质性特征对F较敏感,符合光谱变异假说(Spectral Variation Hypothesis,SVH)——光谱多样性反映群落物种多样性。AdaBoost因迭代调整弱分类器权重在该数据集上优于RF和XGBoost。2.0 m分辨率接近海莲平均冠幅(中位冠径2.25 m),聚合亚冠层噪声后保留冠层尺度变异故精度最高;1.0 m则在空间格局与局部异质性间平衡最优,适于多样性制图。研究局限在于未融合激光雷达(Light Detection and Ranging,LiDAR)或合成孔径雷达(Synthetic Aperture Radar,SAR)及辐射传输模型,未跨区验证模型可移植性,未涉及β多样性和功能多样性(functional diversity),且存在微小图斑—影像配准误差。未来应发展多源数据融合与机理驱动反演框架,纳入β多样性和基于性状的功能多样性估算。
主要结论:(1)分数阶微分显著增强光谱特征与物种多样性指数的相关性,各指数具不同最优微分阶数;(2)D和H′主要由1.4阶红边及近红外CV特征驱动,F由1.6阶蓝波段异质性特征驱动,E由1.8阶近红外分数阶微分波段驱动;(3)空间分辨率显著影响模型表现,整体精度随变粗而升高并在2.0 m达峰值(R2>0.6),1.0 m在空间自相关与局部异质性间取得最佳平衡;(4)AdaBoost对各多样性指数普遍最准确,LightGBM在细分辨率下对F较优,XGBoost仅对粗分辨率下H′略优。该研究首次在城市森林湿地中将分数阶高光谱微分、光谱变异假说与空间尺度理论整合,为高度异质及人为干扰湿地森林的生物多样性量化提供了尺度自适应框架,所生成的精细尺度物种多样性分布图可支持海莲群落的保护分区、生境修复及长期生态监测。