利用Sentinel-2影像超分辨率重建的紅樹(shù)林冠層氮含量反演

甄佳寧，蔣俠朋，趙德梅，王俊杰，苗菁，鄔國(guó)鋒

1.深圳大學(xué)生命與海洋科學(xué)學(xué)院,深圳 518060;

2.自然資源部大灣區(qū)地理環(huán)境監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室,深圳 518060;

3.深圳大學(xué)建筑與城市規(guī)劃學(xué)院,深圳 518060

1 引言

氮素是限制紅樹(shù)林生長(zhǎng)最關(guān)鍵的營(yíng)養(yǎng)元素，是參與其光合作用的重要成分（Camino 等，2018；Lemaire等，2008），也是評(píng)價(jià)紅樹(shù)林凈初級(jí)生產(chǎn)力和健康水平的重要指示參數(shù)之一（Loozen 等，2020）。因此，紅樹(shù)林冠層氮素含量CNC（Canopy Nitrogen Content）的準(zhǔn)確估算對(duì)紅樹(shù)林健康及其生態(tài)系統(tǒng)碳循環(huán)研究具有重要意義。當(dāng)前迅猛發(fā)展的遙感技術(shù)為快速、無(wú)損、大范圍地獲取植被冠層信息，進(jìn)而反演植被氮素（Wang 等，2019）、葉綠素（Ali 等，2020）以及葉面積指數(shù)（Estévez等，2020）等理化參數(shù)奠定了數(shù)據(jù)基礎(chǔ)。

植被氮素含量遙感反演的原理是植被葉片中化學(xué)組分分子結(jié)構(gòu)中的氮化學(xué)鍵在一定輻射水平的照射下發(fā)生振動(dòng)或電子躍遷，引起相關(guān)波長(zhǎng)的光譜發(fā)射和吸收差異，從而產(chǎn)生不同的光譜反射率，且光譜吸收強(qiáng)度與葉片氮含量密切相關(guān)（劉良云，2014）。因此植被氮素含量的變化一定程度上影響葉片對(duì)特定波長(zhǎng)的光譜反射特性（陳永喆等，2017；王莉雯和衛(wèi)亞星，2013）。目前，國(guó)內(nèi)外研究學(xué)者已對(duì)植物葉片尺度、冠層尺度氮素含量遙感反演進(jìn)行了大量研究。按照模型的理論基礎(chǔ)，植被氮素含量遙感反演的算法主要可以歸納為兩類(lèi)：（1）統(tǒng)計(jì)方法，包括光譜指數(shù)法和回歸分析法。例如，Inoue 等（2012）在中國(guó)和日本不同環(huán)境條件下獲得水稻地面高光譜數(shù)據(jù)集和CASI-3機(jī)載高光譜影像，分別分析了由原始反射率值和一階導(dǎo)數(shù)值構(gòu)建的歸一化植被指數(shù)NDSI（Normalized Difference Spectral Index）和比值植被指數(shù)RSI（Ratio Spectral Index）與水稻冠層氮素含量的相關(guān)性，研究發(fā)現(xiàn)，基于一階導(dǎo)數(shù)的RSI（D740，D522）是反演CNC 最準(zhǔn)確的變量。Lee 等（2020）對(duì)比了線性回歸、隨機(jī)森林和支持向量機(jī)回歸方法估算玉米冠層氮素濃度結(jié)果的精度，結(jié)果表明兩種機(jī)器學(xué)習(xí)模型均優(yōu)于線性模型。（2）輻射傳輸模型方法，包括PROSPECT 模型和4-scale 模型等。例如，Yang等（2015）將PROSPECT模型中的葉綠素吸收系數(shù)替換為等效氮吸收系數(shù)，建立了N-PROSPECT模型，實(shí)現(xiàn)了冬小麥葉片氮素濃度的反演；Li 等（2018）將N-PROSPECT 與SAIL 模型結(jié)合，探究了N-PROSAIL 模型在葉片和冠層尺度上小麥CNC估算的潛力。

目前，國(guó)內(nèi)植被氮素含量遙感反演總體上處于起步階段（陳永喆等，2017），主要利用地面高光譜數(shù)據(jù)進(jìn)行葉片或小尺度范圍內(nèi)的農(nóng)作物（小麥、水稻及玉米等）氮含量反演（李哲等，2016）。但利用機(jī)載或星載高光譜數(shù)據(jù)反演區(qū)域尺度森林冠層氮素含量的研究較少，尤其是針對(duì)紅樹(shù)林的氮素含量反演還未見(jiàn)報(bào)道。另外，絕大多數(shù)星載高光譜影像空間分辨率較低（30 m），且單一像元平均葉片氮素含量實(shí)測(cè)困難，限制了反演精度。與傳統(tǒng)多光譜數(shù)據(jù)相比（Landsat 和MODIS 等），Sentinel-2 數(shù)據(jù)進(jìn)一步提高了遙感數(shù)據(jù)的時(shí)間、空間、光譜分辨率，是目前唯一具有3個(gè)紅邊波段的多光譜傳數(shù)據(jù)，在植被理化參數(shù)的精細(xì)估算上具有巨大優(yōu)勢(shì)（Xie 等，2019；Clevers 和Gitelson，2013）。然而，Sentinel-2 影像中對(duì)植被健康和變化非常敏感的“紅邊”波段的空間分辨率只有20 m，極大限制了它在植被監(jiān)測(cè)中的潛力（Zhang等，2019）。

圖像超分辨率重建技術(shù)使Sentinel-2 數(shù)據(jù)部分波段的較低空間分辨率（20 m）提高至10 m 提供了可能。本文以廣東省湛江市高橋紅樹(shù)林保護(hù)區(qū)為例，利用三次卷積重采樣、Sen2Res 和SupReMe算法重建10 m空間分辨率的Sentinel-2影像，構(gòu)建紅樹(shù)林CNC反演模型，進(jìn)而實(shí)現(xiàn)CNC反演和制圖。研究成果可為區(qū)域尺度紅樹(shù)林冠層健康狀況的精細(xì)監(jiān)測(cè)提供有效的方法借鑒和數(shù)據(jù)支撐。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

高橋紅樹(shù)林保護(hù)區(qū)（21°31′N(xiāo)—21°35′N(xiāo)，109°45′E—109°48′E，圖1）是廣東省湛江市紅樹(shù)林國(guó)家級(jí)自然保護(hù)區(qū)的核心區(qū)之一，位于廣東省最西端，北部灣東北角，擁有中國(guó)大陸現(xiàn)存連片面積最大的紅樹(shù)林帶（毛麗君，2011）。該地氣候類(lèi)型為南亞熱帶海洋性季風(fēng)氣候，年平均水溫25 ℃—27 ℃，且不隨氣溫的急劇升降而變化，這構(gòu)成了紅樹(shù)林生長(zhǎng)的先決條件之一。4—9月為多雨季節(jié)，8月雨量最多，10—3月雨量較少。

圖1 研究區(qū)地理位置與采樣點(diǎn)空間分布Fig.1 Location of study area and sampling points

研究區(qū)內(nèi)紅樹(shù)林覆蓋度高，樹(shù)種呈現(xiàn)明顯的分帶特征，主要樹(shù)種包括桐花樹(shù)（Aegiceras corniculatum）、木欖（Bruguiera gymnorrhiza）、秋茄（Kandelia obvolata）、紅海欖（Rhizophora stylosa）、白骨壤（Avicennia marina）、 海漆（Excoecaria agallocha）和無(wú)瓣海桑（Sonneratia apetala）等，岸帶分布有黃槿（Hibiscus tiliaceus）等半紅樹(shù)植物（朱耀軍等，2016），其中有中國(guó)連片面積最大的木欖群落，達(dá)300 hm2。

2.2 實(shí)驗(yàn)數(shù)據(jù)

2.2.1 野外實(shí)驗(yàn)設(shè)計(jì)及地面數(shù)據(jù)收集

野外工作于2020年8月6日至12日開(kāi)展，實(shí)驗(yàn)共設(shè)立了64 個(gè)樣方，采集143 個(gè)樣本點(diǎn)。在研究區(qū)內(nèi)選擇成熟的桐花樹(shù)、白骨壤、木欖、紅海欖和秋茄5種代表性群落類(lèi)型設(shè)立固定樣地?？紤]到Sentinel-2 遙感影像空間分辨率最高為10 m，每種群落設(shè)置15 m×15 m 的樣地。在每個(gè)樣地內(nèi)，選擇2—3 株、間距5—10 m 的紅樹(shù)林樣木，用手持GPS記錄其點(diǎn)位信息；在每株樣木處，采集每株樣木北、南、西、東4 個(gè)方向半球影像圖片，采用HemiView 數(shù)字植物冠層分析系統(tǒng)提取冠層葉面積指數(shù)。利用高枝剪采集每株樣木冠層上方10 個(gè)成熟葉片，并迅速封裝在含有冰塊的保鮮袋內(nèi)帶回實(shí)驗(yàn)室。在實(shí)驗(yàn)室內(nèi)，采用凱氏定氮法（王學(xué)奎，2006）測(cè)定葉片全氮濃度。

2.2.2 Sentinel-2影像

Sentinel-2 衛(wèi)星是歐洲空間局發(fā)射的新一代高時(shí)空分辨率衛(wèi)星，包括Sentinel-2 A/B 兩顆衛(wèi)星，均搭載多光譜傳感器，提供了由可見(jiàn)光、近紅外到短波紅外的13 個(gè)多尺度、中高空間分辨率的遙感影像（表1）。本研究采用從ESA scihub 網(wǎng)站（https://scihub.copernicus.eu/［2021-07-01］）免費(fèi)下載的Senitnel-2 衛(wèi)星影像（2020年9月4日獲?。㎜1C級(jí)大氣頂層反射率產(chǎn)品，該產(chǎn)品已經(jīng)過(guò)輻射定標(biāo)和幾何校正。利用SNAP 軟件的Sen2Cor 插件進(jìn)行大氣校正，將影像大氣頂層反射率轉(zhuǎn)換成冠層反射率。為了探討影像分辨率提升對(duì)紅樹(shù)林CNC反演的應(yīng)用潛力，大氣校正時(shí)，分別將空間分辨率設(shè)置為10 m 和20 m。根據(jù)Sen2Cor 算法，在進(jìn)行10 m 大氣校正時(shí)，B10 波段被剔除，其他波段保持不變，保留12 個(gè)波段；在進(jìn)行20 m 大氣校正時(shí)，3個(gè)60 m波段（B1，B9和B10）和1個(gè)10 m波段（B8）被省略，保留了9個(gè)波段?？紤]到各波段對(duì)植被氮素反演的意義，為了使影像的每個(gè)波段具有相同數(shù)量的像素，本研究移除B1、B9、B10和B8 共4 個(gè)波段，并采用三次卷積法將大氣校正后的20 m分辨率的波段重采樣到10 m。

表1 Sentinel-2衛(wèi)星波段信息Table 1 Bands information of Sentinel-2 satellite

3 研究方法

3.1 Sentinle-2影像超分辨率重建

本研究Sen2Res和SupReMe的影像超分辨率重建算法分別由SNAP 平臺(tái)的第三方插件Sen2Res 和MATLAB 平臺(tái)實(shí)現(xiàn)。利用信息熵和平均梯度定量分析影像重建后的質(zhì)量情況，由于沒(méi)有參考高分辨率影像，而重采樣后的影像與原始影像保持了良好的光譜一致性（Zhang 等，2019），因此，本研究將Sen2Res和SupReMe兩種算法重建后的影像與重采樣后的影像進(jìn)行光譜相關(guān)性分析來(lái)評(píng)估影像光譜一致性。

3.1.1 Sen2Res算法

Sen2Res 插件為Brodu（2017）針對(duì)Sentinel-2衛(wèi)星提出的一種利用相鄰像素之間“共享”幾何信息的超分辨率多光譜多分辨率影像重建方法。該算法基于一個(gè)像素區(qū)域內(nèi)具有相同性質(zhì)地物的比例（幾何信息）是該像素的物理屬性，與波段無(wú)關(guān)，而地物的反射率會(huì)隨波段而變化；利用高分辨率波段擬合整體混合模型，識(shí)別相鄰像素間的通用共享信息作為獨(dú)立于反射率的像素屬性，進(jìn)行幾何編碼。在保持光譜特征不變的同時(shí)，將通用幾何信息用于解混低分辨率像素，實(shí)現(xiàn)低分辨率波段超分辨率重建。此過(guò)程在SNAP 平臺(tái)的Sen2Res插件中完成，算法具體細(xì)節(jié)見(jiàn)Brodu（2017）。

3.1.2 SupReMe算法

SupReMe （Super-resolution for multispectral multiresolution estimation）模型針對(duì)單一傳感器在不同光譜范圍內(nèi)獲取不同空間分辨率的多光譜影像，實(shí)現(xiàn)低分辨率波段超分辨率到最高分辨率的算法（Lanaras等，2017）。該模型依賴(lài)影像模糊和下采樣過(guò)程的觀察模型，充分利用高分辨率波段的紋理信息，通過(guò)對(duì)高分辨率不連續(xù)數(shù)據(jù)進(jìn)行編碼并傳遞給低分辨率波段制定規(guī)則器。在給定二次數(shù)據(jù)和二次正則化條件下，給出一個(gè)凸優(yōu)化問(wèn)題來(lái)反演觀測(cè)模型，并提出一個(gè)有效的數(shù)值求解方法（Lanaras等，2017）。

3.2 紅樹(shù)林冠層氮素含量估算

3.2.1 紅樹(shù)林冠層氮素含量獲得

Sentinel-2 影像獲取的是紅樹(shù)林冠層尺度的反射率光譜，決定氮素敏感的光譜特征的通常是其冠層氮素含量。因此，本研究參考Wu 等（2010）的方法，將紅樹(shù)林冠層氮素含量近似定義為L(zhǎng)AI和LNC的乘積，即：

式中，LNC為葉片氮素含量，LAI為葉面積指數(shù)。

3.2.2 植被指數(shù)計(jì)算

除了探討前人常用的對(duì)氮素敏感的光譜指數(shù)，本研究還嘗試以紅邊波段代替可見(jiàn)光紅波段構(gòu)建新的指數(shù)，從而充分利用Sentinel-2 影像的紅邊波段，并探討其用于紅樹(shù)林冠層氮素含量反演的潛力。研究中所選的植被指數(shù)及計(jì)算公式見(jiàn)表2。

表2 本研究選用的植被指數(shù)Table 2 Vegetation indices used in this study

3.2.3 特征變量選取

SVM-RFE 是一種基于支持向量機(jī)最大間隔原理的遞歸特征消除法。該算法的基本思想是利用SVM 算法對(duì)所有特征向量進(jìn)行排序，并評(píng)估每個(gè)特征向量的重要程度，然后按照后向迭代策略逐一剔除權(quán)重最低的特征，直到數(shù)據(jù)集中剩下期望的特征子集為止（張睿和馬建文，2009）。本研究中的特征變量一共有49 個(gè)，其中包括9 個(gè)Sentinel-2衛(wèi)星影像波段和40個(gè)相關(guān)植被指數(shù)波段。

續(xù)表

3.2.4 核嶺回歸KRR（Kernel Ridge Regression）

核嶺回歸算法由Cristianini 和Shawe-Taylor（2000）等提出，是一種基于核方法的非線性回歸算法，結(jié)合了核技巧和嶺回歸，不但具有較好的穩(wěn)定性和泛化能力，還能夠有效地解決高維多重共線性問(wèn)題。核嶺回歸的基本原理為：將某一原始空間中的n個(gè)樣本利用一個(gè)核函數(shù)，令x→φ( )x，映射到高維特征空間F中，數(shù)據(jù)在高維空間的特征會(huì)更容易劃分，然后應(yīng)用嶺回歸方法，對(duì)映射后的數(shù)據(jù)進(jìn)行回歸處理?；貧w方程為

相應(yīng)的代價(jià)函數(shù)的矩陣形式為

式中，X=[φ(x1)，φ(x2)，…，φ(xn)]為樣本數(shù)據(jù)，w=(w0，w1，…，wn)為權(quán)系數(shù)向量，λ為正則化參數(shù)。

對(duì)式（3）中的參數(shù)w求偏導(dǎo)，并令其等于0，可得w=(XTX+λI)-1XTy（I為單位矩陣），令α=(K+λI)-1y，核函數(shù)K=K(X，X)=φ(x)φ(x)T，則

w其實(shí)就是所有樣本的一個(gè)加權(quán)平均，所以新樣本的預(yù)測(cè)值為

本研究將由野外測(cè)得的紅樹(shù)林LNC 和LAI 數(shù)據(jù)計(jì)算的CNC 作為模型因變量，3 種Sentinel-2 重建影像中的9 個(gè)波段（B2、B3、B4、B5、B6、B7、B8a、B11 和B12）和40 個(gè)植被指數(shù)共計(jì)49 個(gè)特征參數(shù)為自變量，利用Python 中的sklearn 包進(jìn)行SVM-RFE特征選擇，并利用KRR模型建立紅樹(shù)林CNC的估算模型。

3.3 精度驗(yàn)證

本研究采用留一法交叉驗(yàn)證法LOOCV（Leave-One-Out Cross-Validation）對(duì)模型進(jìn)行驗(yàn)證。評(píng)價(jià)模型預(yù)測(cè)能力的指標(biāo)為：模型決定系數(shù)R2（coefficient of determination）、均方根誤差RMSE（Root Mean Square Errors）和相對(duì)誤差RE（Relative Error）。R2反映反演值與實(shí)測(cè)值之間的線性擬合情況，RMSE 反映反演值與實(shí)測(cè)值之間的不確定性，RE反映了估算結(jié)果的可信度。

4 結(jié)果與分析

4.1 紅樹(shù)林葉片和冠層氮素含量分析

受實(shí)驗(yàn)條件限制，野外實(shí)驗(yàn)數(shù)據(jù)采集有限，且每個(gè)物種采集不均勻。從表3可以看出，不同種類(lèi)的紅樹(shù)植物葉片氮素含量（LNC）、冠層氮素含量（CNC）和葉面積指數(shù)（LAI）存在差異。5 種紅樹(shù)植物L(fēng)CN 分布在7.2—19.3，平均值為10.6，其中白骨壤LNC最高，平均值達(dá)16.4，而桐花樹(shù)平均LNC 最低，為9.5。5 種紅樹(shù)植物L(fēng)AI 的范圍為0.9—4.2，其中木欖的LAI平均值最大（2.5），其次是桐花樹(shù)、紅海欖和秋茄，最小為白骨壤。而5種紅樹(shù)植物CNC 值分布在8.4—52.6；從各物種CNC平均值看，以欖最大（26.3），其次是桐花樹(shù)、紅海欖、秋茄和白骨壤。5 種紅樹(shù)植物L(fēng)NC、LAI 和CNC 的變異系數(shù)分別為3.2%—17.2%、15.8%—29.5%和16.7%—26.3%，其中均是木欖和紅海欖的變異系數(shù)較大。總體來(lái)說(shuō)，不同紅樹(shù)物種CNC與LNC有顯著差異，且種內(nèi)CNC變異豐富。

表3 研究區(qū)內(nèi)各紅樹(shù)物種LNC、CNC和LAI值統(tǒng)計(jì)分析Table 3 Statistical analysis of LNC，CNC and LAI values of each species of mangroves in the study area

4.2 影像重建質(zhì)量評(píng)價(jià)

本研究從定性與定量?jī)蓚€(gè)方面分別對(duì)3種重建影像方法（Resampled、Sen2Res 和SupReMe）進(jìn)行評(píng)估。對(duì)比原始20 m分辨率的影像，目視可見(jiàn)，利用3 種算法重建的10 m 分辨率影像上，紅樹(shù)林、魚(yú)塘和居民地等地物清晰可見(jiàn)，紋理細(xì)節(jié)明顯增強(qiáng)（圖2）。表4 反映了將Sentinel-2 影像從20 m 分辨率重建至10 m 分辨率后，影像在信息熵和平均梯度指標(biāo)值定量變化情況。對(duì)比重采樣方法可以看出，Sen2Res 算法重建后影像B5、B11 和B12 波段信息熵分別略微下降0.201、0.008 和0.093，其他波段均有所提高；SupReMe 算法重建后影像除B5 波段信息熵略微下降0.083，其他各波段均有所提高。對(duì)于平均梯度，Sen2Res 和SupReMe 兩種算法重建后影像各波段的平均梯度均有所提升，其中B8a 的增加幅度最大。此外，由Sen2Res 和SupReMe 重建后影像與重采樣影像光譜相關(guān)性分析（圖3 和圖4）可看出，兩種算法重建后均與原始影像保持了高度相關(guān)性（R2均達(dá)0.96 以上）。以上分析說(shuō)明，利用Sen2Res和SupReMe兩種方法對(duì)Sentinel-2 影像重建，不僅保持了光譜一致性，還提高了影像的清晰度和空間細(xì)節(jié)。

圖3 基于Sen2Res算法的影像重建波段與重采樣波段反射率的相關(guān)性Fig.3 The correlation of the reconstruction band using Sen2Res algorithm against the resampled band reflectance value

圖4 基于利用SupReMe算法的影像重建波段與重采樣波段反射率之間的相關(guān)性Fig.4 The correlation of the reconstruction band using SupReMe algorithm against the resampled band reflectance value

表4 Sentinel-2影像重建方法評(píng)價(jià)Table 4 Evaluation results by three methods of Sentinel-2 images reconstruction

圖2 影像重建后結(jié)果Fig.2 The results of image reconstruction

4.3 植被指數(shù)與紅樹(shù)林冠層氮素含量的相關(guān)性

圖5顯示了基于4種影像（原始20 m和3種10 m重建影像）光譜反射率構(gòu)建的40 個(gè)植被指數(shù)與對(duì)應(yīng)樣本CNC 之間的相關(guān)性分析結(jié)果?；? 種影像的植被指數(shù)與CNC 的相關(guān)性的分布基本相似，30 個(gè)植被指數(shù)的相關(guān)性均達(dá)到了顯著水平（P<0.05）。3種方法重建影像的相關(guān)性均高于原始20 m分辨率影像。具體地，25 個(gè)植被指數(shù)與CNC 呈正相關(guān)關(guān)系，4 種影像的MCARI3/MTVI2、MCARI3/MTVI2、SR 及SR 指數(shù)分別與CNC 相關(guān)性最高，相關(guān)系數(shù)r分別為0.635、0.733、0.727 和0.732；5 個(gè)植被指數(shù)與CNC 呈負(fù)相關(guān)關(guān)系，4 種影像的TCARI3/OSAVI 指數(shù)與CNC 均具有最高的相關(guān)性，相關(guān)系數(shù)分別為-0.602、-0.725、-0.716和-0.734。由此可知，植被指數(shù)對(duì)紅樹(shù)林CNC 很敏感，是紅樹(shù)林冠層氮素含量十分有效的預(yù)測(cè)變量。

圖5 基于3種影像重建方法和原始影像的植被指數(shù)與紅樹(shù)林冠層氮素含量的相關(guān)關(guān)系Fig.5 Correlation between vegetation index and canopy nitrogen content of mangroves based on three image reconstruction methods and original image

4.4 紅樹(shù)林冠層氮素含量反演結(jié)果

利用SVM-RFE 法分別對(duì)4 種影像進(jìn)行變量選擇，基于KRR 方法構(gòu)建CNC 反演模型，在保留1—49 個(gè)特征變量情況下的模型擬合精度和驗(yàn)證精度如圖6所示。對(duì)于原始20 m 影像和Resampled 方法重建的影像，在保留特征變量數(shù)量分別小于13和10 時(shí)，R2val 隨著特征變量的增加呈波動(dòng)性變化的趨勢(shì)，在13 和10 以后呈緩慢增加的趨勢(shì)，直到34 和27 之后基本不變；對(duì)于Sen2Res 和SupReMe方法重建的影像，在保留特征變量數(shù)量分別小于20 和10 時(shí)，R2val 隨著變量的增加呈增加的趨勢(shì)，在20 和10 之后基本不變。從模型驗(yàn)證精度來(lái)看，在保留特征變量數(shù)量大于19、22、15 和9 時(shí)，4 種影像R2cv基本呈不斷下降趨勢(shì)。

圖6 SVM-RFE方法特征變量選擇數(shù)量與模型精度、驗(yàn)證精度的關(guān)系Fig.6 Relationship between the number of selected variables using SVM-RFE method and model accuracy and validation accuracy

綜合以上分析，本研究分別選擇特征變量數(shù)量為34、27、20 和10 為4 種影像數(shù)據(jù)構(gòu)建CNC 反演模型，對(duì)應(yīng)的SVM-RFE 方法特征變量選擇的結(jié)果如表5所示。其中，基于Resampled 影像的模型擬合精度最高（R2val=0.640，RMSE_val=5.064，RE_val=0.179），其次是Sen2Res 方法（R2val=0.630，RMSE_val=5.133，RE_val=0.179）和SupReMe方法（R2val=0.579，RMSE_val=5.473，RE_val=0.194），最低的是原始20 m影像（R2val=0.504，RMSE_val=5.943，RE_val=0.223）。模型交叉驗(yàn)證精度最高的是SupReMe 方法（R2cv=0.501，RMSE_cv=5.958，RE_cv=0.216），其次是Sen2Res 方法（R2cv=0.497，RMSE_cv=5.985，RE_cv=0.214）和Resampled 方法（R2cv=0.493，RMSE_cv=6.008，RE_cv=0.221），最低的也是原始20 m 影像（R2cv=0.333，RMSE_cv=6.893，RE_cv=0.260）。

由表5 可看出，在對(duì)4 種影像構(gòu)建的模型中，都選擇了紅邊波段（B5）、短波紅外波段（B11）及植被指數(shù)RSSI 和TCARIre1/OSAVI 作為特征變量。此外，紅光波段（B4）、近紅外—窄波段（B8a）、短波紅外波段（B12）以及植被指數(shù)（SR和CIG）也多次被選擇。這表明，與紅樹(shù)林CNC相關(guān)的波段主要集中在紅邊波段、近紅外波段以及短波紅外紅外波段（Homolová 等，2013）。同時(shí)，與“紅邊波段”相關(guān)的植被指數(shù)也是構(gòu)建CNC 反演模型的敏感變量。以Sentinel-2 數(shù)據(jù)的近紅外、綠色和紅邊波段構(gòu)建的RSSI 在紅樹(shù)林冠層葉綠素含量估算中也具有良好的應(yīng)用潛力（Zhen等，2021）；TCARIre1/OSAVI不僅對(duì)葉綠素含量變化非常敏感，也能減小植被下墊面、葉面積指數(shù)和太陽(yáng)天頂角變化的影響（Haboudane 等，2002）。由此說(shuō)明，除了紅樹(shù)林特殊的下墊面外，冠層結(jié)構(gòu)也是紅樹(shù)林CNC 遙感反演的一個(gè)重要影響因素（Yu等，2017）。

表5 基于3種重建影像數(shù)據(jù)SVM_RFE方法特征變量選擇策略Table 5 Feature variables selection strategies using SVM RFE based on three image reconstruction methods

采用留—法交叉驗(yàn)證法對(duì)以上4種影像數(shù)據(jù)建立的CNC 反演模型進(jìn)行驗(yàn)證，實(shí)測(cè)CNC 值與預(yù)測(cè)CNC 值散點(diǎn)圖如圖7所示?？傮w來(lái)說(shuō)，3 種重建影像的模型預(yù)測(cè)結(jié)果與反演結(jié)果均優(yōu)于原始20 m 影像結(jié)果，預(yù)測(cè)值和真實(shí)值較為均勻地分布在1∶1線附近。基于SupReMe 重建影像構(gòu)建的反演模型取得了最好的預(yù)測(cè)效果，模型預(yù)測(cè)精度R2最高為0.501，RMSE和RE均最小，分別為5.958和0.216。Sen2Res 重建影像預(yù)測(cè)精度與SupReMe 基本相當(dāng)，而重采樣后影像預(yù)測(cè)精度略差。由圖7 可以看出，3 種模型對(duì)于CNC 在10—40 范圍內(nèi)的預(yù)測(cè)結(jié)果較好，而當(dāng)CNC>40時(shí)，模型預(yù)測(cè)結(jié)果較低，也就是模型對(duì)于高CNC值有飽和現(xiàn)象。

圖7 針對(duì)3種影像重建數(shù)據(jù)KRR模型實(shí)測(cè)CNC值與預(yù)測(cè)CNC值的擬合結(jié)果Fig.7 The fitting results of measured CNC values and estimated CNC values using KRR model for three image reconstruction data

通過(guò)以上結(jié)果和分析，基于Sen2Res方法重建影像構(gòu)建的反演模型擬合精度與重采樣基本相當(dāng)，模型預(yù)測(cè)精度也較高且模型變量選擇數(shù)量更為合理。因此，本研究基于Sen2Res 方法重建的Sentinel-2 影像，采用SVM-RFE 法選擇的20 個(gè)特征變量的反演模型對(duì)紅樹(shù)林CNC 進(jìn)行空間制圖（圖8）。由圖8 可知，研究區(qū)內(nèi)紅樹(shù)林CNC 的范圍為0—61.8，主要集中在18.8—42.5。從空間分布規(guī)律來(lái)看，研究區(qū)紅樹(shù)林CNC 值分布整體上與紅樹(shù)物種分布相似（高常軍等，2022）。研究區(qū)西北部中間區(qū)域紅樹(shù)林CNC 值較高，東南角區(qū)域的CNC 值較低，主要原因是西北部主要分布著樹(shù)齡大且覆蓋度高的木欖、桐花樹(shù)、紅海欖群落；而東南部主要分布著覆蓋度較低的白骨壤群落，以及人工種植的較為低矮的木欖和紅海欖群落。

圖8 基于Sen2Res重建影像的紅樹(shù)林CNC制圖Fig.8 The map of mangroves CNC derived from Sen2Res Sentinel-2 data

5 結(jié)論

（1）本研究利用Sen2Res和SupReMe兩種算法實(shí)現(xiàn)了Sentinel-2 影像波段20 m 的分辨率提升至10 m，在保持光譜一致性的同時(shí)提高了影像的空間細(xì)節(jié)。對(duì)比原始20 m分辨率影像，2種方法重建后影像大部分波段信息熵均有所提高（除個(gè)別波段），平均梯度均有所提升，明顯提高了地物的清晰度和空間細(xì)節(jié)。重建后影像與重采樣影像反射率具有高度相關(guān)性，所有波段之間的決定系數(shù)（R2）均大于0.96。

（2）相關(guān)性分析和SVM-RFF 特征選擇結(jié)果表明，與紅樹(shù)林CNC 相關(guān)的波段主要集中在紅色波段（B4）、紅邊波段（B5）、近紅外波段（B8a）以及短波紅外紅外波段（B11 和B12）。植被指數(shù)（SR 和CIG），以及與“紅邊波段”的植被指數(shù)（RSSI 和TCARIre1/OSAVI）也是構(gòu)建CNC 反演的敏感變量。

（3）綜合考慮特征變量選擇、模型擬合和驗(yàn)證精度，本研究選用Sen2Res算法重建的Sentinel-2影像數(shù)據(jù)進(jìn)行研究區(qū)紅樹(shù)林CNC 空間制圖?；?種方法重建的10 m影像構(gòu)建的模型反演精度均優(yōu)于原始20 m 的影像。3 種影像重建方法（Resampled、Sen2Res 和SupReMe）的特征變量選擇數(shù)量分別為27、20 和10，重采樣后影像的模型擬合精度最高（R2val=0.640，RMSE_val=5.064，RE_val=0.179），其次是Sen2Res （R2val=0.630，RMSE_val=5.133，RE_val=0.179），SupReMe 最低。SupReMe 方法重建后影像模型驗(yàn)證精度最高（R2cv=0.501，RMSE_cv=5.958，RE_cv=0.216），其次是Sen2Res（R2cv=0.497，RMSE_cv=5.985，RE_cv=0.214）。

綜合考慮重建影像光譜細(xì)節(jié)及模型精度，基于Sen2Res 算法重建的Sentinel-2 影像在紅樹(shù)林CNC 反演中具有良好的應(yīng)用潛力。本研究基于重建的Sentinel-2B 影像首次在國(guó)內(nèi)成功構(gòu)建了紅樹(shù)林CNC 反演模型，并完成了紅樹(shù)林冠層氮素含量空間制圖。Sentinel-2B 衛(wèi)星影像，尤其是它的“紅邊波段”和短波紅外波段對(duì)于紅樹(shù)林氮含量反演具有較強(qiáng)的應(yīng)用潛力。相比農(nóng)作物和草地等植被，紅樹(shù)林CNC 遙感反演影響因素更為復(fù)雜。盡管本研究考慮了主要冠層結(jié)構(gòu)因素（LAI）的影響，但紅樹(shù)物種、群落結(jié)構(gòu)、葉傾角以及其他生化組分的協(xié)同變化等因子對(duì)反演結(jié)果的影響還有待進(jìn)一步研究。