《Remote Sensing Applications: Society and Environment》：Evaluating LUCAS In-Situ and Sentinel Data for Grass Height and Vigour of Vegetation in Europe
编辑推荐：
欧盟草地生物量遥感监测研究表明，基于LUCAS 2022/23草地的平均高度和植被活力数据，结合Sentinel-2/Sentinel-1影像，构建支持向量回归模型，草地高度预测RMSE为19cm，R2为0.25，显示模型适用性有限，需严格过滤地面数据以提高准确性。
丹尼尔·格鲁施维茨（Daniel Gruschwitz）、马蒂亚·罗西（Mattia Rossi）、朱利安·莫雷尔（Julien Morel）、马里恩·范德维尔德（Marijn van der Velde）、拉斐尔·丹德里蒙（Rapha?l d'Andrimont）、蒙奇尔·约尔达诺夫（Momchil Yordanov）、托比亚斯·乌尔曼（Tobias Ullmann）
德国维尔茨堡大学，地理与地质研究所，地球观测研究集群（EORC），遥感系，D-97074维尔茨堡
摘要
量化草地生物量对于监测基于畜牧业的农业系统的饲料供应情况以及支持可持续土地管理和政策决策至关重要。遥感技术在监测草地方面具有广泛的能力，但由于缺乏足够的实地数据用于训练和验证，限制了在大尺度上进行回归模型评估。2022/23年度发布的土地利用/覆盖面积调查（LUCAS）中的专门草地模块构成了一个独特的大规模、地理上全面的数据库，覆盖了整个欧盟（EU）。本研究通过在对4000多个有清晰Sentinel-2影像的样带进行机器学习回归和分类分析，探讨了LUCAS变量“平均草高”和“植被活力”在遥感分析中的适用性。基于Sentinel-2波段和植被指数的欧盟范围草高支持向量回归模型，其均方根误差（RMSE）约为19厘米，R2值为0.25。由于植被指数的饱和度增加以及植物衰老现象的出现，预测高草地的草高更具挑战性。而植被活力这一视觉评估指标仅适用于分类分析，尽管进行了类别聚合，但仍经常导致分类错误。综上所述，在LUCAS数据库中，平均草高是用于与生物量相关的遥感建模的首选变量。强烈建议使用地面图像和元数据进行严格过滤，以考虑欧盟范围内的环境和管理差异。
引言
在欧盟（EU），永久性草地非常普遍，2020年时几乎覆盖了三分之一的农业用地面积（Eurostat，2022年）。除了其经济重要性外，草地还提供了丰富的环境服务，这取决于管理方式（Bengtsson等人，2019年；Zhao等人，2020年；Bahn等人，2022年）。在欧盟，大多数草地被用于畜牧业。一个关键的目标变量是地上生物量（AGB），它可以直接供牲畜放牧、作为青贮饲料或干草使用，或者用于能源生产（Bogue等人，2019年；Peratoner等人，2019年）。然而，近年来欧盟大部分地区的干旱对植被生产力产生了负面影响，大幅减少了可用的牧草量（EEA，2023年）。这一事实凸显了使用遥感数据大规模监测草地生物量的重要性。
与复杂的生物物理模型相比，回归模型提供了一种将遥感信号与实地测量结果直接联系起来的简单方法（Ali等人，2016年）。许多研究利用实地采样的生物量数据，通过光学植被指数来预测AGB（Ali等人，2016年；Wachendorf等人，2018年；Reinermann等人，2020年；Morais等人，2021年）。在欧洲及其邻国，过去曾对阿尔卑斯山区的意大利牧场（Boschetti等人，2007年）、荷兰的牧场和半自然草地（Ullah等人，2012年）、爱尔兰牧场（Ali等人，2017年）、德国东部的草地（Schwieder等人，2020年）以及地中海和以色列的牧场（Adar等人，2022年）进行过此类研究。最近，深度学习技术也被用于支持AGB的预测（Muro等人，2022年；Eder等人，2023年）。在草地遥感研究中，植被高度作为目标变量的使用频率不如直接测量干AGB重量那么高。在较小尺度上，可以从无人机（UAV）图像中推导出草地冠层高度（Zhang等人，2018年；Bazzo等人，2023年）。然后可以利用结构特征（如草地高度）结合光谱数据来预测AGB、产量甚至草地质量（Zhang等人，2018年；Sun等人，2022年）。然而，卫星遥感数据通常提供的地面采样距离较粗。尽管如此，借助Landsat影像和机器学习技术，在中国内蒙古地区草地高度预测的误差率可降至5厘米以下（Zhang和Ren，2023年）。在西藏高原广阔且生长速度较慢的草地上，中分辨率成像光谱辐射计（MODIS）数据使草高估计的均方根误差约为6厘米（Yin等人，2020年）。在巴西较高的Momba?a几内亚草地上，基于高度的三类分类在区分未放牧、正在放牧或放牧后的草地时出现了相当大的混淆（Bretas等人，2023年）。欧盟的管理草地通常没有达到这样的高度，因此可能更容易进行分类或预测。作为一项重要的比较研究，Dusseux等人（2022年）使用Sentinel-2图像和机器学习模型准确估计了18个法国的草地高度。
建立回归模型的一个关键前提是拥有适当的地面数据。特别是在草地生产力方面，实地数据非常稀缺，且往往仅在行政层面可用（Smit等人，2008年）。不同的国家定义阻碍了大陆范围内的数据整合。2022/2023年度的土地利用/覆盖面积调查（LUCAS）及其草地模块提供了一个覆盖整个欧盟的实地数据源（Ballin等人，2022年；Eurostat，2023年）。该调查因其跨越国家边界的统一采样策略而脱颖而出。在2022年的调查中，根据NUTS2级别的分层采样方案，在2x2公里的网格上选择了400,000个点，用于实地调查或照片解释。多年来，还添加了专门的模块来收集特定主题的信息。核心模块（土壤模块）以及特别是Copernicus模块及其均匀的土地覆盖类型，过去已被用于众多遥感研究作为训练和验证数据库（Pflugmacher等人，2019年；Weigand等人，2020年；d'Andrimont等人，2021年；Ghassemi等人，2022年；Sparks等人，2022年；d'Andrimont等人，2024年）。2018年，通过访问约3,000个点对草地模块进行了试点测试（Ballin等人，2018年；Sutcliffe等人，2019年）。2022/2023年度的全规模草地调查计划调查近20,000个点，这些点是通过系统随机选择符合条件的土地覆盖类型（至少30%的草地覆盖率）后确定的（Ballin等人，2022年）。虽然最初的LUCAS点已经按照分层方式选取，但后来对这些点进行了检查并进行了调整，以涵盖不同海拔范围、国家分布以及出于自然保护目的的Natura2000区域。通常，在生物量研究中，需要通过破坏性和耗时的方法（如剪草和干燥）来确定草本层的物种组成、密度以及新鲜或干燥重量（Catchpole和Wheeler，1992年；Ravindranath和Ostwald，2008年）。由于样点数量众多且土地多为私人所有，这种破坏性测量非常困难。相反，LUCAS草地数据收集采用了一种非破坏性的程序，基于估算和视觉评估（Eurostat，2023年）。LUCAS草地调查的最初重点在于评估生态质量和生物多样性（Sutcliffe等人，2019年）。在收集的属性中，平均草地高度和植被活力被认为是最佳的生物量代理指标，因此在此进行了分析。
在这项数据驱动的研究中，LUCAS的草地高度和植被活力与Sentinel-2或Sentinel-1影像进行了关联。通过这种方式，（i）检查了实地测量值与遥感数据的一致性，并评估了LUCAS草地模块在遥感分析中的适用性；（ii）研究了其他LUCAS属性（如管理方式、覆盖类型或结构物种的普遍性）对线性相关性或回归/分类结果的影响；（iii）还探讨了创建区域模型而非欧盟范围模型的效果。
部分内容摘录
LUCAS草地数据
在LUCAS 2022/23年度的调查中，官方共评估了12,119个草地样点，而原计划为近20,000个。采样时间取决于地理位置，理想情况下应在首次管理活动之前进行，同时考虑到调查的原始生态目的（Sutcliffe等人，2019年）。因此，考虑到欧盟内的气候条件，草地实地调查在南部成员国更早进行。
草地高度
将LUCAS草地数据与Sentinel影像关联后，Sentinel-2有4,166个观测结果，由于Sentinel-1不受云层覆盖的影响，共有5,737个观测结果。如果应用NDMI > 0的阈值排除植被干枯的草地样点，Sentinel-2剩下3,668个样本；然而，这一过滤步骤不适用于Sentinel-1。总体而言，草地高度与反射率波段、植被指数或雷达后向散射强度之间的皮尔逊相关系数（r）为
草地高度估计的挑战
在这项研究中，Sentinel-2预测变量和草地高度的欧盟范围回归模型的决定系数（R2）为0.25，与其他生物量模型相比表现不佳（Reinermann等人，2020年；Morais等人，2021年）。值得注意的是，其他研究通常预测不同的目标变量，例如单位面积的干物质重量。然而，使用卫星遥感预测草地高度的研究也获得了较低的误差（Yin等人，2020年；Dusseux等人
结论
实地测量对于遥感分析至关重要，因为它们提供了模型开发所需的基线数据。本研究首次使用2022/23年度LUCAS草地数据集进行草地遥感分析。该调查的广泛空间覆盖范围带来了重大挑战，如草地高度回归分析所示。草地和牧场在管理强度、地点条件或物种组成方面存在巨大差异
CRediT作者贡献声明
马蒂亚·罗西（Mattia Rossi）：撰写——审稿与编辑、资源准备、方法论、概念构建。丹尼尔·格鲁施维茨（Daniel Gruschwitz）：撰写——初稿编写、可视化、软件开发、资源准备、方法论、正式分析、概念构建。托比亚斯·乌尔曼（Tobias Ullmann）：撰写——审稿与编辑、方法论、资金获取、概念构建。蒙奇尔·约尔达诺夫（Momchil Yordanov）：撰写——审稿与编辑、资源准备。朱利安·莫雷尔（Julien Morel）：撰写——审稿与编辑、软件开发、资源准备、方法论、概念构建。拉斐尔·丹德里蒙（Rapha?l d'Andrimont）：撰写——未引用的参考文献
CLMS - Copernicus土地监测服务，2020年；d’Andrimont等人，2021年；d'Andrimont等人，2024年；EEA - 欧洲环境署，2016年；EEA - 欧洲环境署，2023年；EFTASIFAB - 农业生态与生物多样性研究所；EAA - 奥地利环境署，2021年；欧盟委员会；Gruschwitz，2020年。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
资助
这项工作得到了欧盟委员会（European Commission）联合研究中心（JRC）的支持，资助项目编号为：JRC/IPR/2023VLVP/2667/JRC/IPR/2023/VLVP/2667，旨在改进Agri4Cast草地建模。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
我们感谢欧洲航天局（ESA）免费向公众提供Sentinel-1和Sentinel-2数据。
