基于Sentinel-2数据的干旱区典型绿洲植被叶绿素含量估算

摘要: 以渭干河—库车河绿洲(渭—库绿洲)为研究区，采用在机器学习方面具有明显优势的随机森林回归算法，对绿洲内的4种典型植被(棉花、芦苇、杨树、大枣)叶片的叶绿素相对含量(soil and plant analyzer development, SPAD)进行估算和验证。首先基于“红边”处光谱信息丰富的哨兵2号(Sentinel-2)影像和由其衍生的一阶微分、二阶微分影像各提取23种对叶绿素敏感的宽波段光谱指数，加入3种影响植物生长的土壤参量(土壤含水量，土壤有机质，土壤电导率)作为影响叶片SPAD的特征变量，再根据以上特征变量对每种植被叶片各建立3种方案的SPAD估算模型，从而实现对绿洲内植被叶绿素的监测。结果表明：① 影像经一阶微分再提取的植被指数相比原位光谱植被指数，在SPAD估测模型中起到了更重要的作用，在随机森林算法的重要性排序中位居前列；② 4种植被叶片的SPAD估测模型都取得了不错的效果，芦苇叶片尤为显著，确定系数(R2)达到了0.926；③ 分析对比3种方案下模型预测能力，方案3(包含土壤参量)的预测能力卓越〔2.143<相对百分比偏差(RPD)<2.692〕，其预测能力排序为：方案3>方案1>方案2，土壤属性和模型预测结果有较强的非线性相关。Sentinel-2数据具有理想的估算绿洲植被叶绿素含量的潜力，提供了一种高效、低成本、潜在高精度的方案来估算叶绿素含量，可为干旱区绿洲农业、生态系统实现更有效的保护和管理提供参考。