西南喀斯特地区植被定量遥感研究进展*

姚月锋，何 文

(广西壮族自治区中国科学院广西植物研究所，广西喀斯特植物保育与恢复生态学重点实验室，广西桂林 541006)

植被作为陆地生态系统不可或缺的部分，是全球变化最直接的指示器，成为全球碳循环和水热平衡研究的核心内容[1,2]。然而，植被及其生态系统存在高度时空差异性，尤其在生态系统脆弱的喀斯特地区，复杂的地质背景决定了植被高度时空差异及其影响因子的多样性和复杂性[3]。因此，厘清植被分布的空间差异，提高植被有效信息的获取精度以完成植被动态过程监测，成为生态环境研究的重要课题之一[4]。传统的植被定量研究方法如野外调查、文献查阅、地图解译以及其他辅助信息方法费时费力，且不能及时反映植被现状[5]。遥感技术具有宏观、快速、高效、多源信息等优势，是大范围、动态性获取地面植被有效信息，以及研究区域乃至全球尺度植被状况及其动态过程必不可少的手段[6]。20世纪70年代，第一颗陆地卫星Landsat发射，开启了基于遥感技术的植被监测与分类研究[7]，但遥感技术早期主要以影像为信息源，通过目视解译等人工方法确定植被类型，或通过影像密度建立有关地表参数经验模型，从而反演地表植被生态参数[8]。随着多光谱、高光谱、热红外、微波雷达、激光雷达以及无人机技术日趋成熟[9,10]，遥感技术在植被定量研究应用上已从小范围、二维尺度的传统地面测量发展到大范围、多维时空遥感模型估算[11-14]；从个体到生态系统的植被生态参数[15-17]、物种分布[18,19]、生物多样性[20-23]、碳循环[24-27]及其空间差异，再到不同尺度自然与人为因素引起的植被及其生态系统服务功能变化。遥感影像处理技术已从过去简单的植被指数、几何模型、混合模型等发展到先进的机器学习和深度学习等智能化多平台相结合[9,28-32]。随着遥感影像数据类型的多样化，如2018年的热红外影像(Ecosystem Spaceborne Thermal Radiometer Experiment on Space Station，ECOSTRESS)，激光雷达影像(Global Ecosystem Dynamics Investigation，GEDI)，第二代对地观测激光雷达冰、云和陆地高程2号卫星(Ice,Cloud,and Land Elevation Satellite-2，ICESat-2)以及2019年的高光谱影像(Hyperspectral Imager SUIte，HISUI)，如何从遥感影像数据中高效、智能化地提取地表植被有效信息，以实现多维时空、区域乃至全球尺度植被定量遥感研究，多源遥感数据融合和同化等方法的研究显得至关重要[33]。

受水平和垂直空间高度异质性地质背景影响，喀斯特生境上发育的植被类型复杂、特点鲜明，与同纬度非喀斯特生境的常绿阔叶林和季节性雨林相比，喀斯特地区植被类型主要为常绿与落叶阔叶混交林和落叶成分较多的季节性雨林[34]；且喀斯特地区植被对干旱胁迫与高钙立地条件具有较强的适应性[35]。因此，喀斯特地区植被定量遥感研究需要考虑高度景观异质性地质背景的影响和植被适应干旱胁迫与高钙等特殊立地条件后所具有的特殊光谱特征。以往对植被定量遥感的研究主要集中在非喀斯特地区，而喀斯特地区相对较少。截至2022年5月10日，在Web of Science(https://www.webofscience.com/wos/woscc/basic-search)上，基于主题(Topic)为“remote sensing” +“vegetation”所检索到的研究综述期刊论文(Review articles)总数为760篇；但限制主题为“remote sensing”+“vegetation”+“karst”检索的研究综述期刊论文仅1篇，Zhang等[36]总结了基于地理空间技术对西南喀斯特地区植被恢复监测与评价的研究进展。同时，在中国知网(www.cnki.net)上，基于主题为“植被”+“遥感”所检索到的学术期刊论文共1.21万条，但限制主题为“植被”+“遥感”+“喀斯特”或“植被”+“遥感”+“岩溶”，检索到的学术期刊论文分别为133条和94条。喀斯特地区占世界陆地面积约15%，其生态环境保护对可持续发展具有全球性战略地位[37,38]。我国西南喀斯特地区作为世界上喀斯特发育最典型、最复杂，景观类型最丰富且连片分布面积最大的区域[39]，同时也是珠江源头、长江乃至东南亚一些国际河流的重要补给区，对喀斯特区域生态环境保护有着重要的战略性地位[40]。但该地区也属于革命老区、少数民族自治地区、陆地边境地区和欠发达地区，贫困区与石漠化地区高度重叠，形成了典型的生态脆弱区。因此，西南喀斯特地区植被定量研究对于石漠化治理以及维持脆弱生态系统稳定与可持续发展起着决定性作用[41]。受高度景观异质性和多云雾天气影响，该地区高时空分辨率和高质量的星载光学遥感数据难以获取，而中低分辨率的多光谱遥感难以精细提取地表植被有效信息[42,43]；加上地表植被类型多样且存在显著同物异谱/同谱异物现象[44]，导致快速、精准获取地表植被有效信息的不确定性增加，进而影响西南喀斯特地区植被定量遥感研究的发展[6]。

植被在维持喀斯特脆弱生态系统稳定与可持续发展中具有极其重要的作用[45,46]。为了更精准、高效地进行喀斯特地区植被定量遥感研究，本文从个体到生态系统尺度、从遥感数据源选择和影像处理技术上总结了西南喀斯特地区植被定量遥感研究进展，并探讨其存在的困难和科学问题，以期为相关领域的研究提供科学参考。

1 西南喀斯特地区植被个体与种群尺度定量遥感研究

在叶片器官、植被个体以及种群尺度上，西南喀斯特地区植被定量遥感研究还相对较少。在叶片生理生化方面，现有的研究主要是基于地物高光谱遥感技术探讨叶片光谱信息与叶片生理生化参数之间的关系，以期将尺度扩展到整个区域的植被生化参数定量遥感估算。例如，通过地物高光谱遥感技术获取叶片的光谱信息，并同步测定叶片生化组分含量信息，再利用光谱指数和先进深度学习方法(反向传播神经网络和广义回归神经网络)，构建喀斯特植被叶片生化参数与光谱信息关系模型[47,48]，即可借助该模型快速获取喀斯特地区植被叶片生化组分含量信息。刘波等[49]采用自主设计的地面成像光谱系统(Field Imaging Spectrometer System,FISS)，结合可视化手段获取了毫米级高空间分辨率的植被叶片在脱水胁迫状态下的“红边蓝移”现象。地物高光谱遥感技术可有效估测植被叶片在喀斯特环境下特有的耐寒特征[50,51]，对干旱胁迫下植被健康监测有着重要的指导意义。然而，地物高光谱遥感技术目前主要应用于小尺度近地面植被叶片生化组分研究，且需要大量的实测数据支撑，还难以扩展到区域性范围。

喀斯特地区自然植被物种识别是当前研究的难点。Chen等[52]通过地物高光谱遥感技术结合玻尔兹曼机方法，对8种不同杜鹃花叶片的光谱特征进行识别与区分。地物高光谱遥感技术的缺点是费时、费力，且需在晴天条件下采集数据。无人机遥感可以克服多云雾天气影响，快速、准确地获取地面高分辨、高质量影像，有利于高度景观异质性喀斯特地区植被有效信息的提取与识别[53,54]。例如，基于无人机可见光影像，结合最大类间方差法可完成喀斯特高原峡谷区火龙果单株信息的识别与提取，但受植株倒伏等因素影响，分离完好的单株植被信息提取精度仅占总植株数的50.20%[55]。在该研究基础上，Huang等[56]通过对无人机影像进行高斯高通滤波处理和阈值分割，提高了基于无人机遥感技术的火龙果单株信息识别与提取精度。该方法也适用于喀斯特地区山药和花椒单株信息的识别与提取[43,57]。但基于无人机遥感技术的喀斯特地区物种识别，目前多局限于种植规范的农作物物种信息提取，对于自然植被物种的定量遥感精准识别还有待加强。

合成孔径雷达(Synthetic-Aperture Radar,SAR)卫星影像作为不受气候影响的主动遥感数据，可以克服喀斯特地区多云雾天气的影响，更适合喀斯特地区地表植被有效信息的提取。例如周忠发教授研究团队采用合成孔径雷达完成了喀斯特山区烟草生长状况的监测[58-61]。此外，星载遥感影像也可以用来研究植被个体水分状态及其受水分胁迫的生长状况[62]。但在个体和种群尺度上，融合多源数据的喀斯特地区植被定量遥感研究还相对较少(表1)，采用遥感影像类型也较为单一。未来研究需充分发挥地物高光谱遥感和无人机遥感影像的高时空分辨率，以及星载遥感影像的长时间序列优势，拓展个体和种群尺度的喀斯特地区植被定量遥感研究，尤其是植被叶片生化参数定量估算和自然植被物种精准识别研究。

表1 喀斯特地区植被个体和种群尺度生态参数的定量遥感研究Table 1 Quantitative remote sensing study on vegetation individual and population scale ecological parameters in karst area

续表Continued table

2 西南喀斯特地区植被群落与生态系统尺度定量遥感研究

植被群落与生态系统尺度上喀斯特地区植被定量遥感研究相比其他尺度研究更广泛，主要集中在植被覆盖度与其他植被指数、植被分类和植被生态系统定量遥感研究。

2.1 植被覆盖度与其他植被指数定量遥感估算

植被覆盖度为单位面积内植被地上部分垂直投影面积占总面积的百分比，是陆地生态系统的重要表征指标之一，也是全球碳循环估算以及生物地球化学循环、水循环、生物多样性和全球变化模型的重要参数[63]。遥感技术的快速发展为复杂地质背景的西南喀斯特地区植被覆盖度定量估算提供了可能，并发展了多种估算地表植被覆盖度和其他植被指数的方法(表2)。地物高光谱遥感技术可用于估算喀斯特地区近地面绿色植被和干枯植被等不同地类的植被覆盖度[64,65]，为喀斯特地区石漠化评价提供技术支撑。无人机遥感技术在克服喀斯特地区多云雾天气并提高植被覆盖度定量估算精度的同时，也成为有效衔接地面观测与常规植被遥感监测的桥梁[40,53]。Landsat影像和MODIS影像具有较好的空间分辨率和较长的时间序列优势，被广泛应用于喀斯特地区植被覆盖度和植被指数定量估算[65-76]及其与地表温度[77,78]、地形[79-87]、气候等因子间关系[88-96]的研究，为喀斯特地区干旱遥感监测[97,98]与石漠化评价提供技术支撑[99-103]。但受复杂的喀斯特地区多云雾天气的影响，往往难以获取高质量的光学影像，从而制约了喀斯特地区植被覆盖度与其他植被指数定量研究发展。因此，有学者尝试通过统计学方法插值来弥补因光学影像质量问题而引起的数据缺失，进而估算地表植被指数[104-106]。此外，随着遥感计算云平台的发展，其融合了海量多源数据尤其是长时间序列的Landsat卫星数据，只需进行少量代码编程即可快速完成长期的大批量数据处理，为加速完成喀斯特地区植被覆盖度长期遥感动态监测提供有利的技术支撑[107,108]。地物高光谱遥感技术和无人机遥感技术虽可获取高分辨率影像，但需要大量的地面实测数据加以验证，目前难以扩展到大范围植被定量研究。Landsat影像和MODIS影像可获取大范围地物光谱信息，但其空间分辨率依然粗糙，加上受多云雾天气影响，其数据质量不确定性增加，难以满足特定斑块植被和重点植被有效信息的精准识别，需融合更高的时空分辨率和高光谱影像。研究表明，基于高分辨率与地物高光谱遥感技术可以明显提高喀斯特地区植被覆盖度信息的提取精度[109-114]。例如，相比ASTER多光谱遥感影像，Hyperion高光谱遥感影像在估算干枯植被和基岩裸露率时具有更高的精度[111]。然而，受复杂地质背景和多云雾天气的影响，现有遥感卫星影像的覆盖范围及质量难以满足喀斯特地区地表植被覆盖度与其他植被指数的精准估算；遥感影像处理技术主要还是以像元二分模型等简单方法为主，有待融合多源遥感影像并融入具有自动学习能力的机器学习或深度学习方法，以扩展喀斯特地区植被覆盖度与其他植被指数的定量研究。

表2 喀斯特地区植被盖度与其他植被指数反演Table 2 Estimation of vegetation cover and other vegetation indices with remote sensing data

2.2 植被分类

在喀斯特地区植被分类定量遥感研究中，Landsat影像依然是应用最广泛的数据源。基于Landsat影像，采用单一的线性光谱分离技术，虽然可以直接对地表植被和土壤裸露等类型进行分类[115,116]，但受地质背景影响，其分类精度相对较低。为提高喀斯特地区植被分类精度，可通过影像处理以降低地形的影响，并采用最大似然[117-119]、面向对象[46,120]以及神经网络[121]等方法有效完成喀斯特地区植被分类。相比植被覆盖度与其他植被指数定量遥感研究，喀斯特地区植被分类融合了多种影像数据并结合多种分类方法(表3)。例如融合SAR、Google Earth和无人机高分辨率光学影像完成喀斯特地区农作物的分类，分类总精度为75.98%[122]；相比单一的ALOS多光谱数据，融合ALOS多光谱数据和TerraSAR-X数据能更好地提高喀斯特地区地表植被分类精度(提高8%-13%)[123]；利用高分辨率的商业卫星影像如QuickBird[124]、Worldview[125]以及高光谱影像如Hyperion和ASTER[126]，能够精准识别和提高喀斯特地区植被分类精度。此外，国产高分辨率影像数据(如高分影像)也被广泛应用于喀斯特地区植被分类[44,127]，且分类精度也不亚于国外高分辨率影像[128]。除了传统的植被指数光谱混合分析模型外[126]，面向对象[125]、支持向量机以及神经网络[124,129,130]等机器学习与深度学习方法也被广泛应用，这些遥感影像处理方法能够更有效地完成喀斯特地区植被分类。

表3 喀斯特地区植被分类定量遥感研究Table 3 Vegetation classification with remote sensing technologies

续表Continued table

2.3 植被生态系统定量遥感研究

西南喀斯特地区植被生态系统定量遥感研究主要集中在植被生产力、生态系统服务功能与价值评价，在生物多样性和碳循环方面的研究相对较少(表4)。Yan等[133]通过Landsat影像与植被指数方法尝试对喀斯特地区生物多样性进行专题图制作，并指出优化的土壤调节植被指数(Soil-Adjusted Vegetation Index,SAVI)能够较好地表征喀斯特地区植被香浓-威纳指数。但受复杂喀斯特地区地质背景的影响，实地调查往往难以深入，给区域植被生物多样性定量遥感研究带来了巨大挑战。碳循环一直是全球变化研究的热点问题[134,135]，而占全球陆地面积约15%的喀斯特地区，其碳循环研究也成为全球变化研究不可或缺的一部分，并因此备受关注[36,39]。在融合多源数据的西南喀斯特地区碳循环定量遥感估算研究方面，张明阳等[136-139]基于Landsat影像和MODIS影像，利用Carnegie-Ames-Stanford Approach (CASA)模型和光合作用公式，完成了喀斯特地区植被碳储量和碳密度时空特征，以及植被固定二氧化碳和释放氧气的比例定量研究。但该研究未考虑土壤碳库对喀斯特地区植被生态系统碳循环贡献的影响。

在植被生产力定量遥感研究方面，以往的研究大多采用中低分辨率的Landsat影像和MODIS影像，并结合简单分析或生态过程模型，估算喀斯特地区地表植被生产力[140]。例如，通过简单的MODIS 植被总第一性生产力(Gross Primary Productivity，GPP)和净第一性生产力(Net Primary Productivity，NPP)数据，发现喀斯特地区植被生产力小于非喀斯特地区[141,142]，但喀斯特地区关键带或亚喀斯特地区对植被生长与恢复有重要意义[37,143]。因喀斯特地区易受干旱等胁迫因子影响[144]，未来需要加强开展极端气候对脆弱喀斯特生态系统影响的研究。在方法上，结合生态过程模型可以较好地定量估算喀斯特地区地表植被生产力[145]。例如，采用常用的CASA模型，并结合Landsat数据和SPOT NDVI数据，可以较好地定量估算喀斯特地区NPP、Net Ecosystem Productivity(NEP)[139,146]；通过引用新的参数改进CASA模型能够较好地估算喀斯特地区植被NPP，增强模型实用性[147,148]。此外，还有Carbon and Exchange between Vegetation,Soil,and Atmosphere(CEVSA)模型[149,150]、Vegetation Photosynthesis Model(VPM)[150,151]，以及引入林冠密度构建的深度置信网络(Deep Belief Network)模型(K-DBN)[152]等喀斯特地区地表植被生产力/生物量定量遥感估算模型。但受模型参数、影像数据分辨率及其质量影响，喀斯特地区地表植被生产力定量遥感估算的不确定性依然存在[151]。

表4 喀斯特地区植被生态系统定量遥感研究Table 4 Estimation of ecosystem services and its functions with remote sensing technologies

此外，在石漠化治理等生态恢复工程实施过程中，喀斯特地区植被生态系统服务功能与价值定量遥感研究也备受关注。基于Landsat影像和MODIS影像，并结合植被指数和模型方法等，可有效完成喀斯特地区生态环境质量动态监测研究[153-155]。相比自然林分，喀斯特地区脆弱生态系统的稳定性较低[156]，尤其在人工植被恢复方面弹性较低，因此更容易受干旱等胁迫因子影响[157]。相比其他地区，西南喀斯特地区生态系统服务价值相对较低[159]。受影像数据和模型参数等因素影响，西南喀斯特地区生态系统服务功能与价值评价指标体系还不够完善，缺乏统一的评价指标体系[158]。因此，需要融合影像与非影像数据并综合考虑不同地区特点，以完善西南喀斯特地区生态系统服务功能与价值估算及其对区域可持续发展影响的研究[38,147,160]。

3 展望

西南喀斯特地区植被定量遥感研究具有很强的区域特色，但因其高景观异质性的地质背景以及多云雾天气的影响，地表植被有效信息的精准提取与分类依然存在很大的不确定性。相比非喀斯特地区，西南喀斯特地区植被定量遥感研究在研究内容、多源影像与非影像数据应用及其数据挖掘等方面还显得相对薄弱，亟待加强。

(1)生物多样性使地球充满生机，也是人类生存和发展的基础。在碳达峰和碳中和的双重目标驱动下，约占国土总面积5%且作为全球范围内25个生物多样性热点地区之一的西南喀斯特地区，其植被定量遥感研究以往主要集中在群落和生态系统尺度上的植被覆盖度、植被分类以及植被生态系统服务功能与价值，而在群落和生态系统尺度的生物多样性和碳循环定量遥感研究、个体和种群尺度的植被叶片生化组分含量和自然植被物种精准识别定量方面的研究相对较少，这是西南喀斯特地区植被定量遥感研究急需解决的主要科学问题。

(2)目前西南喀斯特地区植被定量遥感监测常用的数据源是被动成像的光学遥感数据，此外还有少量主动成像的SAR数据以及波段较多的高光谱影像数据。虽然涉及地物光谱仪、无人机以及航空航天等传感器平台，但获取的影像数据相对单一，多以Landsat和MODIS的光学影像数据为主。受复杂地质背景和多云雾天气影响，高质量的光学影像数据难以获取。激光雷达是一种新生的主动成像遥感技术，能够提高地表生物物理参数的测量精度，并提供高分辨率的三维成像数据，被证明可以在复杂生态系统中精确估算叶面积和地表生物量[161]。但基于激光雷达主动成像数据及其技术未见应用在以往的西南喀斯特地区植被定量遥感研究工作中。基于激光雷达影像数据可以提取地表植被树高、冠幅、林冠结构等三维信息，其点云数据可以直接用来完成树种识别和提高地表生物量遥感估算精度，对复杂地质背景的喀斯特地区植被定量遥感研究有重要意义。

(3)喀斯特地区植被定量遥感研究已从传统的地面调查发展到无人机、航天航空遥感技术，从简单的植被指数、像元二分模型到深度学习乃至遥感计算云平台应用。但自动、高效、完全定量获取地表植被有效信息的方法仍处于探索阶段。融合多源影像尤其是激光雷达影像与非影像数据，充分利用并挖掘各种数据优点，采用先进的深度学习方法与遥感计算云平台，特别是我国自主遥感计算云平台Pixel Information Expert Engine (PIE-Engine)，定量揭示喀斯特地区植被格局、过程与功能变化机制，并加强合作，通过全球喀斯特地区植被定量遥感监测网络，实现快速、精准、高效的喀斯特地区地表植被有效信息的提取与分类，推动喀斯特地区植被定量遥感研究的深度和广度，对高景观异质性西南喀斯特地区脆弱生态系统植被恢复、石漠化治理及其乡村振兴具有重要的生态和社会意义。