近期，2025澳门2025免费原料网（SDG中心）在红树植物功能性状参数遥感反演取得进展。该研究得到SDG中心开放研究计划项目（CBAS2022ORP06）的资助，成果以SDG中心为第一单位发表于《International Journal of Applied Earth Observation and Geoinformation》期刊。
红树林生态系统在维护海岸带生态平衡、保持海洋生物多样性、应对全球变化等方面具有重要作用。红树植物是红树林生态系统最重要的组成部分，其功能性状可客观表征红树林生态系统对外部环境的响应特性。因此，在人为活动和全球变化不断加剧的背景下，精确获取红树植物功能性状有利于理解和预测红树群落结构甚至是红树林生态系统如何响应与日俱增的干扰因素，也是制定红树林生态系统管理和保护政策、助力实现全球可持续发展的重要依据。然而红树植物生长于潮间带浅滩，可达性差，传统的野外调查方法不足以支撑大尺度、周期性的生态系统管理和相关科学研究的需求，遥感技术是实现大尺度、快速获取红树植物功能性状的有效手段。
近年来，耦合物理模型（radiative transfer model，RTM）和机器学习回归算法（machine learning regression algorithm，MLRA）的混合模型（RTM-MLRA）已被有效地应用于遥感反演不同陆地植物功能性状。然而，由于红树林生态系统的复杂性及RTM的重度参数化特征，直接应用RTM反演红树植物功能性状会产生严重的数据冗余。主动学习策略（active learning，AL）可以通过智能采样选择标准来减轻这种冗余现象。因此，将AL引入到RTM-MLRA，进而构建耦合反演框架（MLRA-AL）可实现大尺度红树植物功能性状快速反演。
本研究基于Sentinel-2影像，利用MLRA-AL反演框架获取了漳江口红树林国家级自然保护区4种能够表征红树植被光合作用、资源捕获利用、蒸腾速率、初级生产力能力的重要功能性状，即叶面积指数（leaf area index，LAI）、叶片叶绿素含量（leaf chlorophyll content，Cab）、叶片干物质含量（leaf dry matter content，Cm）和等效水厚度（leaf equivalent water thickness，Cw）。本研究系统地评估了36种不同的MLRA-AL反演框架，这些反演框架由6种MLRA和6种AL耦合组合。结果表明，GPR（gaussian processes regression）-ABD（angle-based diversity）是反演LAI的最优反演框架（R2 = 0.68, NRMSE = 10.488%）；GPR-PAL（variance-based pool of regressors）是反演Cw的最优反演框架（R2 = 0.47, NRMSE = 13.868%）；GPR-EBD（Euclidean distance-based diversity）是反演Cab（R2 = 0.71, NRMSE = 13.764%）和Cm（R2 = 0.54, NRMSE = 11.695%）的最优反演框架。
最优反演框架获取的估测值与实测验证数据之间的散点图：（a）LAI；（b）Cab；（c）Cm；（d）Cw
此外，本研究基于最优反演框架，获取了漳江口红树林国家级自然保护区上述4种功能性状分布图。结果显示，LAI的范围为0.55-3.71；Cab的范围为39.5-106.9；Cm的范围为0.012-0.043；Cw的范围为0.03-0.062。整体分布上，红树林LAI和Cab的高值区位于保护区中部，低值区位于保护区底部；红树林Cm和Cw的总体值在保护区内的分布较为均匀。
漳江口红树林国家级自然保护区4种功能性状分布图：（a）LAI；（b）Cab；（c）Cm；（d）Cw
全文链接：
