基于Google Earth Engine与机器学习的大尺度30m分辨率沙地灌木覆盖度估算

陈 黔,李晓松,修晓敏,杨广斌

1 贵州师范大学 地理与环境科学学院,贵阳 550001 2 中国科学院 遥感与数字地球研究所 数字地球重点实验室,北京 100094

与乔木林相比,灌木林在整个生态系统中所占的比重较小,但由于其对水分、养分条件要求不高,一直以来在干旱、半干旱区有着大量的分布[1]。因此,灌木对于干旱生态系统的稳定与平衡起着十分重要的作用[2]。准确掌握沙地灌木分布及动态具有重要的生态学意义。传统植被分布调查主要以地面观测为主,该方法具有一定的局限性,例如在人力、物力上的花费都比较大,样地的外推也面临着较大的不确定性[3]。随着遥感对地观测技术的不断发展,使得大区域、大尺度的植被监测成为了可能,而植被类型分类与覆盖度估算一直是植被遥感监测领域的热点,已在全球不同尺度、不同地区得到了广泛的应用[4-8]。目前,绝大部分植被类型遥感分类以像元或若干像元的组合(对象)为基本单元,将其划归为某一指定植被类型[9-10],并未考虑像元中不同植被类型混合存在的情况,而这一问题对于中低分辨率遥感数据来说相当普遍,特别是在地表空间异质性较强的区域[11-12]。意识到这一问题,估算每一像元特定植被类型覆盖度的研究得到了开展,其中最为成熟、应用最为广泛的是全球MODIS FVC树木覆盖度产品[13],并且Sexton等人[14]已通过尺度转换方法生产了全球30m空间分辨率树木覆盖度产品。值得指出的是,FVC产品中树木覆盖度主要反映的是高于5m的树木的覆盖度,并将灌木与草本等定义为其他植被覆盖度,显然无法满足灌木信息提取的需求,另外其精度在以稀疏森林为主的干旱地区也存在较大疑问[15]。……