基于机器学习的阿勒泰地区草地地下生物量估测与数字制图

doi:10.11686/cyxb2021481

草业学报 ›› 2022, Vol. 31 ›› Issue (8): 13-23.DOI: 10.11686/cyxb2021481

基于机器学习的阿勒泰地区草地地下生物量估测与数字制图

厉方桢¹^,²^,³(), 钟华平², 欧阳克蕙¹, 赵小敏¹^,³(), 李愈哲²()

^1.江西农业大学，江西南昌 330045
^2.中国科学院地理科学与资源研究所，北京 100101
^3.江西省鄱阳湖流域农业资源与生态重点实验室，江西南昌 330045

收稿日期:2021-12-23 修回日期:2022-02-28 出版日期:2022-08-20 发布日期:2022-07-01
通讯作者: 赵小敏,李愈哲
作者简介:E-mail： liyuzhe@igsnrr.ac.cn
E-mail： zhaoxm889@126.com，
厉方桢（1993-），男，浙江嵊州人，在读博士。E-mail： lifzhen@163.com
基金资助:
国家重点研发计划(2020YFD1100603-02);国家科技基础性工作专项(2013FY110900);国家自然科学基金项目(41971276);江西省研究生创新专项资金(YC2020-B089)

Estimation and digital mapping of grassland belowground biomass in the Altay region， China， based on machine learning

Fang-zhen LI¹^,²^,³(), Hua-ping ZHONG², Ke-hui OUYANG¹, Xiao-min ZHAO¹^,³(), Yu-zhe LI²()

^1.Jiangxi Agricultural University，Nanchang 330045，China
^2.Institute of Geographic Sciences and Natural Resources Research，Chinese Academy of Sciences，Beijing 100101，China
^3.Key Laboratory of Poyang Lake Watershed Agricultural Resources and Ecology of Jiangxi Province，Nanchang 330045，China

Received:2021-12-23 Revised:2022-02-28 Online:2022-08-20 Published:2022-07-01
Contact: Xiao-min ZHAO,Yu-zhe LI

摘要/Abstract

摘要：

为精准估算草地地下生物量，分析其水平及垂直空间格局，实现草地地下生物量（BGB）的数字制图。调查了2015年阿勒泰地区草地生长季节（6-8月）的生态要素和地下生物量。以地理位置、地形、气候、土壤和植被中的代表性信息为基础，基于机器学习算法估测研究区0~30 cm的草地地下生物量，并根据估测结果利用空间插值法得到地下生物量的空间分布格局，最终实现草地地下生物量的数字制图。结果表明：1）相比偏最小二乘回归（PLS）和随机森林模型（RF），支持向量机模型（SVM）在0~10 cm、10~20 cm和20~30 cm土层地下生物量的估测中表现出最高的精度，验证集数据的精度（R²）依次为0.77、0.67和0.69，相应的RMSE为245.56、98.81和63.58 g·m^-2。从空间插值的效果看，反距离权重插值（IDW）优于径向基函数插值（RBF）和张力样条插值（SPL）。2）进一步比较了不同估测模型与空间插值方法间的组合能力，结果显示，在阿勒泰地区的草地地下生物量研究中，SVM+IDW是可靠的估测模型和空间化方法的组合。在0~10 cm、10~20 cm和20~30 cm土层的草地地下生物量数字制图的R²为0.73、0.64和0.60，RMSE为269.73、108.14和73.01 g·m^-2。3）阿勒泰地区草地地下生物量均值为1265 g·m^-2，是全国平均值的两倍，与全球平均水平相当。其中，高寒草甸的地下生物量最大，为2908.50 g·m^-2，温性荒漠的地下生物量最小，为776.84 g·m^-2，全区草地地下生物量共计1.27×10⁸ t（≈0.13 Pg）。全区草地地下生物量的空间变化明显，整体上自北向南，由山地向平原呈递减的趋势。

关键词: 草地地下生物量, 阿勒泰地区, 机器学习, 空间插值, SVM模型, IDW插值, 数字制图

Abstract:

This research investigated the spatial pattern of grassland belowground biomass （BGB） in the Altay region. Ecological indicators and BGB during the peak season （June-August） in 2015 were surveyed. Based on representative information for specific locations， terrain types， climate， and soil and plant factors， a forecasting model involving machine learning was developed to estimate BGB in the 0-30 cm soil layers in the study area. Based on this eatimation model， the spatial pattern was then obtained by the spatial interpolation method for digital mapping of BGB. It was found that： 1） The support vector machine model （SVM） had a higher estimation accuracy than an alternative partial least squares regression model and random forest model， also tested. The R² values from the SVM model for verification data were 0.77， 0.67 and 0.69， respectively in the 0-10 cm， 10-20 cm and 20-30 cm soil layers， with accompanying root mean square error （RMSE） values of 246.56， 98.81 and 63.58 g·m^-2， respectively. The outputs of three spatial interpolations indicated that an inverse distance weighting （IDW） method performed better than radial basis function and tension spline methods. 2） We further compared the output accuracy of different combinations of estimation model and spatial interpolation method. This comparison showed that SVM+IDW was a dependable combination of estimation model and spatial interpolation method for estimating the spatial pattern of BGB in the Altay region. The R² values of the digital map obtained from this combination in the 0-10 cm， 10-20 cm， and 20-30 cm soil layers were， respectively， 0.73， 0.64， and 0.60， and the RMSE values were 269.73， 108.14 and 73.01 g·m^-2. 3） The mean value of BGB in Altay region was 1265 g·m^-2， which was twice that of the average for China and comparable to the global mean value. Temperate meadow steppe had the largest BGB， with a mean value of 2908.50 g·m^-2， the temperate deserts hold the least biomass， estimated at 776.84 g·m^-2. The BGB in the whole region is 1.27×10⁸ t （≈0.13 Pg）. Our modelling identified a strong spatial variability that decreased from the north to the south and from the mountains to plains.

Key words: grassland belowground biomass, Altay region, machine learning, spatial interpolation, SVM model, IDW interpolation, digital mapping

厉方桢, 钟华平, 欧阳克蕙, 赵小敏, 李愈哲. 基于机器学习的阿勒泰地区草地地下生物量估测与数字制图[J]. 草业学报, 2022, 31(8): 13-23.

Fang-zhen LI, Hua-ping ZHONG, Ke-hui OUYANG, Xiao-min ZHAO, Yu-zhe LI. Estimation and digital mapping of grassland belowground biomass in the Altay region， China， based on machine learning[J]. Acta Prataculturae Sinica, 2022, 31(8): 13-23.

图/表 8

图1 阿勒泰地区样点设置和草地类型

Fig.1 Samples setting and the grassland types of Altay region

图2 草地地下生物量和生态要素的相关性

Fig.2 Correlation coefficient between belowground biomass and ecologic factors

表1 草地地下生物量训练数据和验证数据的描述性统计

Table 1 Descriptive statistics of belowground biomass （BGB） in training data and verification data

指标 Index	训练数据Training data （n=130）			验证数据Verification data （n=55）
指标 Index	0~10 cm	10~20 cm	20~30 cm	0~10 cm	10~20 cm	20~30 cm
最小值Min （g·m^-2）	180.68	107.42	29.46	169.87	104.76	28.85
最大值Max （g·m^-2）	2485.20	862.95	459.54	2401.21	808.69	484.32
均值Mean （g·m^-2）	809.57	326.41	150.40	815.11	329.17	162.15
中位值Median （g·m^-2）	640.69	265.79	127.52	726.24	266.06	131.59
偏度Skewness	0.96	0.89	0.95	1.12	0.85	0.82

图3 预测模型在不同土层中对草地地下生物量的估测精度SVM、PLS、RF分别表示支持向量机、偏最小二乘回归和随机森林模型。SVM， PLS， RF indicate support vector machine， partial least squares regression and random forest model， respectively. 下同The same below.

Fig.3 Accuracy of belowground biomass （BGB） estimation by estimation models in different soil layers

图4 估测模型和空间插值方法的组合精度（0~10 cm土层）IDW，RBF，SPL分别表示反距离加权法、径向基函数法和张力样条法。IDW， RBF， SPL indicate inverse distance weighting， radial basis function， spline with tension， respectively. R2， RMSE分别表示预测精度和均方根误差。R2， RMSE indicate estimated accuracy and root mean squared error.

Fig.4 Combination accuracy between estimation models and spatial interpolation methods in the 0-10 cm soil layer

图5 2015年阿勒泰地区草地地下生物量的空间分布空间分辨率Spatial resolution： 1 km×1 km.

Fig.5 Spatial patterns of grassland belowground biomass （BGB） in Altay region of 2015

表2 各草地类型0~30 cm土层地下生物量

Table 2 Belowground biomass in the 0-30 cm soil layer of each grassland type

草地类型Type	面积Area （km²）	地下生物量Belowground biomass （t）	比例Ratio （%）
低地草甸Lowland meadow	2370	3.26×10⁶	2.58
温性荒漠Temperate desert	70021	5.44×10⁷	42.97
温性荒漠草原Temperate desert steppe	4543	5.26×10⁶	4.16
温性草原Temperate steppe	9079	1.54×10⁷	12.19
温性草甸草原Temperate meadow steppe	7725	2.04×10⁷	16.08
山地草甸Mountain meadow	6099	1.41×10⁷	11.17
高寒草甸Alpine meadow	4725	1.37×10⁷	10.86
合计Total	-	1.27×10⁸（≈0.13 Pg）	100.00

图6 2015年植被生长季节里0~30 cm土层中不同草地类型的地下生物量a：低地草甸Lowland meadow （n=18）； b：温性荒漠Temperate desert （n=75）； c：温性荒漠草原Temperate desert steppe （n=38）； d：温性草原Temperate steppe （n=29）； e：温性草甸草原Temperate meadow steppe （n=8）； f：山地草甸Mountain meadow （n=14）； g：高寒草甸Alpine meadow （n=3）.

Fig.6 Belowground biomass （BGB） of different grassland types in the 0-30 cm soil layers during the peak season of 2015

参考文献 39

1	Wang J， Sun J， Yu Z， et al. Vegetation type controls root turnover in global grasslands. Global Ecology and Biogeography， 2019， 28（4）： 442-455.
2	Sun Y， Yang Y， Zhao X， et al. Global patterns and climatic drivers of above- and belowground net primary productivity in grasslands. Science China Life Sciences， 2021， 64（5）： 739-751.
3	Pucheta E， Bonamici I， Cabido M， et al. Below-ground biomass and productivity of a grazed site and a neighbouring ungrazed exclosure in a grassland in central Argentina. Austral Ecology， 2004（29）： 201-208.
4	Zhang D D， Wang X M， Zan M. Estimation of vegetation aboveground biomass in the Wei-Ku Oasis based on Landsat 8 OLI images. Acta Prataculturae Sinica， 2021， 30（11）： 1-12.
	张殿岱，王雪梅，昝梅. 基于Landsat 8 OLI影像的渭-库绿洲植被地上生物量估算. 草业学报， 2021， 30（11）： 1-12.
5	Ghasemi N， Sahebi M R， Mohammadzadeh A. A review on biomass estimation methods using synthetic aperture radar data. International Journal of Geomatics and Geosciences， 2011， 1（4）： 776-788.
6	Sinha S， Jeganathan C， Sharma L K， et al. A review of radar remote sensing for biomass estimation. International Journal of Environmental Science and Technology， 2015， 12（5）： 1779-1792.
7	Tang Z， Deng L， An H， et al. Bayesian method predicts belowground biomass of natural grasslands. Ecoscience， 2017， 24（3）： 1-10.
8	Fierer N， Strickland M S， Liptzin D， et al. Global patterns in belowground communities. Ecology Letters， 2009， 12（11）： 1238-1249.
9	Fan J W， Wang K， Harris W， et al. Allocation of vegetation biomass across a climate-related gradient in the grasslands of Inner Mongolia. Journal of Arid Environments， 2009， 73（4/5）： 521-528.
10	Lopatin J， Kattenborn T， Galleguillos M， et al. Using aboveground vegetation attributes as proxies for mapping peatland belowground carbon stocks. Remote Sensing of Environment， 2019， 231： 111217.
11	Luo W， Jiang Y， Lv X， et al. Patterns of plant biomass allocation in temperate grasslands across a 2500-km transect in northern China. PLoS One， 2013， 8（8）： e71749.
12	Fiala K， Tůma I， Holub P. Interannual variation in root production in grasslands affected by artificially modified amount of rainfall. Scientific World Journal， 2012， 2012： 805298.
13	Gill R A， Kelly R H， Parton W J， et al. Using simple environmental variables to estimate below- ground productivity in grasslands. Global Ecology & Biogeography， 2002， 11： 79-86.
14	Qiao Y X， Zhu H Z， Zhong H P， et al. Spatial interpolation analysis of grassland below-ground biomass in the Inner Mongolia Autonomous Region， China. Acta Prataculturae Sinica， 2016， 25（6）： 1-12.
	乔宇鑫，朱华忠，钟华平，等. 内蒙古草地地下生物量空间格局分析. 草业学报， 2016， 25（6）： 1-12.
15	Li H， Jia S， Le Z. Quantitative analysis of soil total nitrogen using hyperspectral imaging technology with extreme learning machine. Sensors， 2019， 19（20）： 4355.
16	O’Connell J L， Byrd K B， Kelly M. A hybrid model for mapping relative differences in belowground biomass and root∶shoot ratios using spectral reflectance， foliar N and plant biophysical data within coastal marsh. Remote Sensing， 2015， 7（12）： 16480-16503.
17	Zhao H H， Li X D， Zhang D， et al. Aboveground biomass in grasslands in Qinghai Province estimated from MODIS data and its influencing factors. Acta Prataculturae Sinica， 2020， 29（12）： 5-16.
	赵慧芳，李晓东，张东，等. 基于MODIS数据的青海省草地地上生物量估算及影响因素研究. 草业学报， 2020， 29（12）： 5-16.
18	Bernhardt-Römermann M， Römermann C， Sperlich S， et al. Explaining grassland biomass-the contribution of climate， species and functional diversity depends on fertilization and mowing frequency. Journal of Applied Ecology， 2011， 48（5）： 1088-1097.
19	Schenk H J， Jackson R B. Rooting depths， lateral root spreads and below-ground/above-ground allometries of plants in water-limited ecosystems. Journal of Ecology， 2002， 90（3）： 480-494.
20	Ma X X， Yan Y， Lu X Y， et al. Dynamics of belowground biomass and its relationship with soil moisture in alpine grassland on the North Tibetan Plateau. Ecology and Environmental Sciences， 2016， 25（2）： 189-195.
	马星星，鄢燕，鲁旭阳，等.藏北高寒草地地下生物量特征及其与土壤水分的关系. 生态环境学报， 2016， 25（2）： 189-195.
21	Zhu B W， Zhou H K， Xu Y X， et al. Study on seasonal dynamics of biomass in meadow grassland of north shore of Qinghai Lake. Pratacultural Science， 2008， 25（12）： 62-66.
	朱宝文，周华坤，徐有绪，等. 青海湖北岸草甸草原牧草生物量季节动态研究. 草业科学， 2008， 25（12）： 62-66.
22	Peng S， Piao S， Ciais P， et al. Asymmetric effects of daytime and night-time warming on northern hemisphere vegetation. Nature， 2013， 501： 88-92.
23	Mokany K， Raison R J， Prokushkin A S. Critical analysis of root∶shoot ratios in terrestrial biomes. Global Change Biology， 2006， 12： 84-96.
24	Leonid U， Yuriy R， Vasiliy U， et al. Impact of climate and grazing on biomass components of Eastern Russia typical steppe. Journal of Integrative Agriculture， 2014， 13（6）： 1183-1192.
25	Didiano T J， Johnson M T J， Duval T P. Disentangling the effects of precipitation amount and frequency on the performance of 14 grassland species. PLoS One， 2016， 11（9）： e162310.
26	Xia J， Liu S， Liang S， et al. Spatio-temporal patterns and climate variables controlling of biomass carbon stock of global grassland ecosystems from 1982 to 2006. Remote Sensing， 2014， 6（3）： 1783-1802.
27	Wang L， Niu K， Yang Y， et al. Patterns of above- and belowground biomass allocation in China’s grasslands： Evidence from individual-level observations. Science China Life Sciences， 2010， 53（7）： 851-857.
28	Hu T， Sørensen P， Wahlström E M， et al. Root biomass in cereals， catch crops and weeds can be reliably estimated without considering aboveground biomass. Agriculture， Ecosystems & Environment， 2018， 251： 141-148.
29	Yang Y， Dou Y， An S. Environmental driving factors affecting plant biomass in natural grassland in the Loess Plateau， China. Ecological Indicators， 2017， 82： 250-259.
30	Li Y Z， Shao Q Q， Fan J W， et al. Effects of grassland cultivation on ecosystem water use efficiency in a grazed temperate grassland area. Acta Prataculturae Sinica， 2019， 28（10）： 110-121.
	李愈哲，邵全琴，樊江文，等. 开垦对放牧温性草原生态系统水分利用效率的影响. 草业学报， 2019， 28（10）： 110-121.
31	Yuen J Q， Ziegler A D， Webb E L， et al. Uncertainty in below-ground carbon biomass for major land covers in Southeast Asia. Forest Ecology and Management， 2013， 310： 915-926.
32	Lauenroth W K， Wade A A， Williamson M A， et al. Uncertainty in calculations of net primary production for grasslands. Ecosystems， 2006， 9（5）： 843-851.
33	Wilson C H， Strickland M S， Hutchings J A， et al. Grazing enhances belowground carbon allocation， microbial biomass， and soil carbon in a subtropical grassland. Global Change Biology， 2018， 24（7）： 2997-3009.
34	Ren Q， Ai Y， Hu J， et al. Effects of different yak grazing intensities on soil land plant biomass in an alpine meadow on the Qinghai-Tibetan Plateau. Acta Ecologica Sinica， 2021， 41（17）： 6862-6870.
	任强，艾鷖，胡健，等. 不同强度牦牛放牧对青藏高原高寒草地土壤和植物生物量的影响. 生态学报， 2021， 41（17）： 6862-6870.
35	Loretta C， Johnson J R M. Fire and grazing regulate belowground processes in tallgrass prairie. Ecology， 2001， 82（12）： 3377-3389.
36	Frank D A. Drought effects on above- and belowground production of a grazed temperate grassland ecosystem. Oecologia， 2007， 152（1）： 131-139.
37	Hao Y， He Z. Effects of grazing patterns on grassland biomass and soil environments in China： A meta-analysis. PLoS One， 2019， 14（4）： e215223.
38	Acosta-Gallo B， Casado M A， Montalvo J， et al. Allometric patterns of below-ground biomass in Mediterranean grasslands. Plant Biosystems， 2011， 145（3）： 584-595.
39	Harpole W S， Sullivan L L， Lind E M， et al. Addition of multiple limiting resources reduces grassland diversity. Nature， 2016， 537： 93-96.

[1]	秦格霞, 吴静, 李纯斌, 吉珍霞, 邱政超, 李颖. 基于机器学习算法的天祝藏族自治县草地地上生物量反演[J]. 草业学报, 2022, 31(4): 177-188.
[2]	林慧龙, 范迪, 冯琦胜, 梁天刚. 草地综合顺序分类法研究新热点：2008-2020年回顾与展望[J]. 草业学报, 2021, 30(10): 201-213.
[3]	刘慧霞, 董乙强, 崔雨萱, 刘星宏, 何盘星, 孙强, 孙宗玖. 新疆阿勒泰地区荒漠草地土壤有机碳特征及其环境影响因素分析[J]. 草业学报, 2021, 30(10): 41-52.
[4]	乔宇鑫, 朱华忠, 邵小明, 钟华平, 周李磊, 伍兆文. 基于空间插值数据支持下新疆伊犁地区草地类型判别与分类研究[J]. 草业学报, 2017, 26(10): 30-45.

基于机器学习的阿勒泰地区草地地下生物量估测与数字制图

Estimation and digital mapping of grassland belowground biomass in the Altay region， China， based on machine learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 39

相关文章 4

编辑推荐

Metrics