简讯：
草地的土地利用强度（LUI）信息对于理解生物多样性、生态系统功能、地球系统科学和环境监测的趋势和动态至关重要。LUI是诸多环境过程和指标的主要驱动因素，例如初级生产、固氮和对极端气候的恢复能力。然而，目前仍缺少大尺度、高分辨率的草地LUI数据。新一代的卫星Sentinel-2凭借其精细的空间和时间分辨率，能够在空间上全面检测土地利用集约化引起的主要细微变化。本文开发了一种方法，利用卷积神经网络（CNN）对Sentinel-2卫星数据量化草地LUI的关键参数，如放牧强度、除草频率和肥料施用。随后这些土地利用成分被用来计算连续的LUI指数。并使用综合的现场草地管理数据对预测的LUI及其成分进行验证。基于Shapley值的特征重要性分析证实了方法的有效性，揭示了春季卫星观测和与植被健康和结构相关的光谱带的高度相关性。本文对放牧强度的总体分类准确率达到66%，除草方面为68%，施肥方面为85%，预测LUI的r2为0.82。本文通过对不同区域进行训练和预测，通过空间三倍交叉验证评估了本方法的稳健性。通过描绘模型的适用范区域评估了空间可转移性。该方法能够对草地的LUI进行大尺度、高分辨率的制图。本文由Maximilian Lange等人发表于期刊Remote Sensing of Environment。
1、研究背景：
草地约占全球地表的三分之一，承载地球最多的生物群落。草地提供碳汇、粮食生产等生态系统服务，对物种丰富性的保护也十分重要。其生物多样性、生态系统服务和功能受到管理制度的强烈影响，即放牧、施肥、除草的时间和频率及其数量变化。以产量最大化为目的的耕作效率优化通常会导致这些因素（以下称为土地利用强度成分）的增加，从而影响土地利用强度（LUI），这可能对环境产生许多负面影响，例如生物多样性丧失，水污染，土地退化和碳排放增加。因此，大尺度内监测LUI对于地球系统科学和环境监测至关重要。
土地利用对草地反射特性具有显著的影响，并随其强度而变化。分析这些反射特性能够识别潜在的植被结构，组成和活力，因此可以使用遥感方法评估草地管理。然而植被和反射光之间的关系是复杂的。这些关系通常通过分析光谱波段或植被指数（VI），以及它们的时间变化来推断。此外，近期的研究倾向于在单时空或多时空卫星观测上使用聚类算法或机器学习的分类方法。草地管理事件通常在碎片化景观的小区域内进行，并且由于夏季多年生植物的快速再生，其光谱足迹迅速减少，特别是在除草活动后。为了解决这些问题，本文使用Sentinel-2卫星提供的多光谱影像，其良好的空间和时间分辨率支持检测LUI的微妙变化。
本文主要解决了下述问题：
（1）可否通过CNN识别、关联Sentinel-2时间序列反射率的光谱和时间模式来量化放牧、施肥和除草？
（2）能否将LUI指数转化为基于遥感的框架？
（3）使用德国草地的三个观测站进行训练和验证的LUI成分模型可否迁移到德国的所有草地？
2、研究方法：
（1）德国研究基金会（DFG）生物多样性探索中心空间明确的草地管理数据包括2006年至2018年德国三个地区的放牧、施肥和除草活动的信息。这里使用了2017年和2018年的记录。三个观测站各自包含50个面积为50m×50m地块，分布于26平方千米的草地内。环境监测单元位于每个地块内。与本研究无关的操作性实验，如施肥，干扰和气候变化，在每个观测站的9个地块内进行。
（2）使用覆盖地块的像素及其八邻域组合2017年和2018年的土地管理数据和各自的Sentinel-2时间序列，形成了两个单独的数据集。考虑天气对物候的影响，两年数据被独立处理。之后使用R包clhs采样为训练集（70%）和验证集（30%），以保留草地利用信息的高方差。
（3）本文使用像素级训练的CNN来预测三个 LUI 分量，而不是常见的图像级的应用。卷积本身是在时间和光谱上执行的，而不是在空间模式上进行的。CNN是通过使用R包keras实现的，使用RMSProp优化器进行了50次训练。最后与随机森林（RF）进行比较。
（4）本文进行了特征重要性评估，以评估光谱波段和复合周期与LUI分量预测的相关性。使用SHAP的GNU R端口shapper来计算每个特征的重要性，并评估具有主题意义的特征子集的重要性，即卫星波段和复合周期。
（5）大尺度应用需要验证空间迁移性，以评估训练外区域的适用性。包括：空间三倍交叉验证和划定模型的适用区域（AOA）。AOA定义为基于训练的模型固有关系与各自估计的交叉验证性能的适用区域。
图1：本文的模型结构。
3、研究结果：
（1）土地利用强度及其组成部分的验证
总体精度因观测年份而异，放牧强度和除草模型显示2018年的OA更高，而施肥模型显示2017年的OA略高于2018年。2017年和2018年CNN的最高OA是放牧强度模型的59%和66%，除草模型的62%和68%，施肥模型的85%。与RF相比，CNN的LUI组件模型的OA略高。这种差异对于除草和施肥描述是显着的，对于放牧强度模型则不显著。CNN的中位数OA高于RF模型，除了2018年的放牧强度描述，其中最大的OA是通过CNN实现的。CNN模型显示OA的方差于RF模型。
图2：CNN（蓝框）和RF模型（绿框）的100次运行的总体精度。
（2）CNN模型的重要性各不相同
特征重要性评估显示，Sentinel-2的所有光谱波段对于组分模型的重要性至少为中等。冬季的复合周期对所有模型的重要性都很低。最重要的复合期是春末和初夏，其次是夏末和秋季。放牧强度模型受到短波红外和红边波段的影响较强烈。2018年，近红外波段出很高的重要性，这在2017年的特征重要性中没有体现。然而，绿光波段在2017年的重要性更高。放牧强度模型的复合周期重要性在4月至6月和9月至10月间值最高。2017年，除草模型受短波红外以及近红外波段的影响最大。2018年，红光波段、短波红外和近红外波段的重要性最大。施肥模型受短波红外的影响最大。除第6波段外，所有其他波段对2017年的预测贡献不大。2018年，红边波段、短波红外和蓝光波段表现出适度的贡献。从4月到7月上半月的综合周期表现出最高的特征重要性。
图3：特征重要性，平均绝对特征重要性显示在纵坐标上，横坐标显示相应的波段和复合周期。
（3）土地利用强度分量模型的空间转移性
AOA揭示了不同年份的LUI成分模型的空间迁移性。在1.464亿个草地像素中， 2017年AOALUI之外有29.3%，而2018年降至6.9%。2017年和2018年，放牧强度模型不适用于19.7%和4.1%的像素。除草模型不适用于 17.4% 和 5.4% 的像素。施肥模型显示AOA以外的像素数量最多，在2017年和2018年分别为27.3%和5.9%。
4、研究意义：
（1）本文提出了一个能够大尺度绘制LUI地图的框架，并在德国的三个观测站验证了其可行性。
（2）本文的产品，即除草、放牧、施肥的频率和强度以及LUI的国家量化图，有助于及时进行连续草原监测，对草原管理与生物多样性，水文和气候变化相互作用有科学值。
（3）气候影响（例如干旱）与管理变化之间的区别仍然具有挑战性，并可能成为未来科学研究的主题。将本研究的成果与辅助气候数据相结合，可以揭示土地利用，环境和气候的相互作用。
5、引用格式：
Lange M, Feilhauer H, Kühn I, et al. Mapping land-use intensity of grasslands in Germany with machine learning and Sentinel-2 time series[J]. Remote Sensing of Environment, 2022, 277: 112888.
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
