Landsat 8和機器學習估算蒙古高原草地地上生物量

趙 越，徐大偉，范凱凱，李淑貞，沈貝貝，邵長亮，王 旭，辛曉平

Landsat 8和機器學習估算蒙古高原草地地上生物量

趙 越，徐大偉，范凱凱，李淑貞，沈貝貝，邵長亮，王 旭※，辛曉平

（中國農業科學院農業資源與農業區劃研究所/呼倫貝爾草原生態系統國家野外科學觀測研究站，北京 100081）

草地地上生物量（Above-Ground Biomass，AGB）是反映草地植被利用狀況的重要參數，其精準監測對于草地科學管理與合理利用具有重要意義。近年來，遙感技術因其能快速、準確獲取大尺度草地光譜信息，已經被廣泛應用于草地地上生物量的估算中。該研究以中國內蒙古呼倫貝爾市與其毗鄰的蒙古國東方省草原區為研究區，利用Landsat 8數據計算的9種植被指數、氣象數據和地面調查數據，比較分析6種機器學習算法構建的回歸模型性能，重新構建優化的隨機森林回歸模型。結果表明，以光譜、降水量、氣溫為特征的優化后的隨機森林回歸模型性能更穩定，預測值與實測值之間決定系數為0.801，均方根誤差為43.709 g/m2，相對均方根誤差為23.077%。研究區域地上生物量呈中部較低，東西兩側較高的空間分布特征，最高可達357.2 g/m2，最低為33.01 g/m2，與該區域降水量與草地利用方式的空間異質性密切相關。該研究表明，基于Landsat 8數據結合氣象數據構建的機器學習模型在草地生物量遙感反演中有較大潛力，地上生物量反演結果可以為草地資源合理利用與評價提供參考。

遙感；反演；機器學習；地上生物量；蒙古高原

0 引 言

草地是中國面積最大的陸地生態系統，不僅為畜牧業提供了重要資源，而且在防風固沙、水土保持和維護生態安全等方面扮演著重要角色[1]。根據第二次全國國土調查結果，中國草地面積28 731.4 hm2，占國土面積40%以上[2]。草地地上生物量（Above-Ground Biomass，AGB）是評價草地生態系統健康和可持續利用狀況的關鍵指標[3-4]，快速、準確獲取草地地上生物量對于確定合理載畜量、科學管理草地資源至關重要。

蒙古高原是歐亞大陸草地的重要組成部分，蒙古國東方省和中國呼倫貝爾市毗鄰，氣候特征和草地類型相似，但由于人口、經濟狀況和草地利用方式不同，草地生物量分布存在較大的空間異質性，這為構建草地生物量遙感反演模型提供了理想的試驗場景。

草地生物量傳統調查方法主要是利用收獲法實測單位面積綠色植物地上部分干質量，但該方法存在耗時耗力、時空尺度上局限性明顯等問題[5]。相比之下，遙感技術具有監測空間尺度大、時效性強等優點，適用于大尺度草地生物量調查。近年來，隨著遙感數據源不斷完善，更多學者構建基于光譜反射率或計算植被指數與生物量間的統計關系模型、基于同化遙感數據的作物生長模型以及通過機器學習自動構建生物量預測關系模型等進行草地生物量反演和預測[5–9]。草地物種組成豐富，野外實測數據難以獲取，基于機器學習算法的模型具有較強的魯棒性的優點[10-12]，可以通過有限的數據量得到較好的地上生物量的估計結果。由于衛星遙感在成像過程中受到大氣和土壤等因素的影響導致系統性誤差[13]，現有草地生物量遙感反演機器學習模型在精度和效率上仍有提升空間，一些學者通過引入氣象數據作為特征輔助建模[14]，可以顯著提高草地生物量反演精度，從而獲得更精確和穩定的反演結果。本研究基于Landsat 8遙感數據和地面調查數據，通過構建光譜指數與氣象數據的機器學習模型，目的是：對該研究區草地生物量進行反演并對中國呼倫貝爾與蒙古國東方省進行對比，探討草地生物量的高精度遙感反演方法。

1 研究區與數據

1.1 研究區概況

蒙古國東方省位于蒙古國東部地區，與中國內蒙古呼倫貝爾市接壤，地理位置介于46°16'26"N～50°16'34"N，111°59'57"E～119°56'15"E之間，海拔高度560～1 300 m，地處北溫帶，氣候干燥，年降水量150～300 mm，氣溫在-27～21 ℃之間。呼倫貝爾市位于48°6'14"N～48°22'57"N，119°29'43"E～119°44'54"E之間，海拔高度550～1 000 m，溫帶半濕潤氣候，年降水量250～400 mm，氣溫在-18～-30 ℃之間。兩地區處于相同緯度帶，被肯特山脈和大興安嶺三面包圍，氣候類型均相似，但兩地人口數量、密度和大型牲畜數量差異較大（表1）。該區域草地類型主要包括草甸草原和典型草原等類型，草甸草原主要分布在大興安嶺西部和肯特山東部山麓，主要植物有貝加爾針茅（）、羊草（）、線葉菊（）等；典型草原主要分布在研究區中部的克魯倫河和烏爾遜河流域，主要植物有大針茅（）、羊草（）、克氏針茅（）、冷蒿（）等[15]。土壤類型為栗鈣土或暗栗鈣土[16]。

表1 人口和農業統計數據

1.2 數據來源

1.2.1 野外調查與采樣

2018年、2020年生長季期間分別在蒙古國東方省和中國呼倫貝爾市草原區開展了樣帶地面樣方調查和生物量采樣（圖1）。每個樣點等距設置3個樣方，每個樣方間隔15 m，樣方大小為1 m×1 m。調查樣方內植物種類、蓋度和高度等指標，并詳細記錄經緯度坐標、海拔、地形、利用方式、利用強度等信息。地上生物量采用收獲法，將樣方內植物所有綠色部分用剪刀齊地面剪取，烘箱65 ℃烘干24 h，稱干質量。

圖1 研究區和采樣點分布

1.2.2 遙感數據

遙感技術作為一項20世紀60年代興起的一種探測技術，廣泛應用于生態研究領域[17-18]。美國的Landsat系列是運行時間最長的地球觀測計劃，空間分辨率為15～60 m不等，時間分辨率為16 d。其中，Landsat 8遙感數據空間分辨率較高，本研究采用Google Earth Engine（GEE）平臺提供的2018年和2020年7—8月分辨率30 m的Landsat 8影像來估算研究區內的地上生物量。為了保證數據的完整性，選擇了所選時相內的同軌道數據篩選無云的部分，對不同軌道影像邊界進行羽化并鑲嵌，根據研究區范圍裁剪影像。從經預處理的影像中提取各波段反射率（紅，綠，藍，近紅外）作為冠層反射率，并計算植被指數（表2）。

表2 植被指數及公式

注：Blue：藍色波段反射率；Green：綠色波段反射率；Red：紅色波段反射率；NIR：近紅外波段反射率。

Note: Blue: Blue band reflectance; Green: Green band reflectance; Red: Red band reflectance; NIR: Near infrared band reflectance.

1.2.3 氣候數據

草地植被生長狀況與氣候條件密切相關，由于研究區地理位置位于山系包圍的草原區，降水量和氣溫的變化顯著影響草地生物量。氣候數據是由World Clim（https://www.worldclim.org/）提供的GeoTiff格式數據，包括當年生長季平均氣溫和生長季總降水量1km空間分辨率柵格數據。

1.3 研究方法

機器學習算法通過直接從數據擬合一個靈活的模型學習輸入值（例如反射率）和輸出值（例如地上生物量）之間的關系[28]。本研究通過Python3.10調用第三方包（Scikit-learn）構建機器學習模型，該包提供分類、回歸、聚類、降維、調參、預處理等科學工具，本研究選用包括：決策樹回歸（Decision Tree Regressor）、K臨近回歸（K-Neighbors Regressor）、隨機森林回歸（Random Forest Regressor）、梯度增加回歸（Gradient Boosting Regressor）、裝袋回歸（Bagging Regressor）、極端樹（Extra Tree Regressor）在內的6種算法作為回歸模型，探究不同機器學習算法預測地上生物量的性能，討論適合作為反演研究區內地上生物量的機器學習算法。

根據野外調查樣點的位置坐標，提取相應位置影像像元的植被指數、年均降水量（Prec）和年均氣溫（Tavg）。通過六折交叉驗證將數據分為訓練集和測試集。根據多源數據的訓練集作為機器學習算法的輸入，建立其與地上生物量的回歸關系，并進行結果檢驗。基于機器學習算法得出的回歸關系，反演研究區內地上生物量的空間分布。

反演結果精度評定選擇相關系數（coefficient of determination，2），均方根誤差（Root Mean Square Error，RMSE）和相對均方根誤差（relative Root Mean Square Error，rRMSE）來評價模型性能，其公式為

2 結果分析

2.1 基于多種機器學習算法的地上生物量回歸分析

本文選擇生長季總降水量，生長季平均氣溫和九種植被指數為特征建立機器學習回歸模型，將3種數據組成4種組合，通過3種評價指標（2，RMSE和rRMSE）比較各種數據組合方式與生物量在多種機器學習模型中的性能（表3）。

通過回歸驗證結果得知，6種機器學習模型在采用單獨的光譜數據作為輸入的情況下，總體表現非常接近，且模型性能較差（RMSE為63.852～87.944 g/m2，rRMSE為46.432%～33.712%，2為0.388～0.647）。其中隨機森林（RMSE=63.852 g/m2，rRMSE=33.712%，2=0.647）和裝袋回歸模型（RMSE=69.661 g/m2，rRMSE=36.779%，2=0.637）得到的評價結果略高于其他模型。隨著數據組合中特征數量的增加，所有回歸方法的RMSE和rRMSE都逐漸減小，2逐漸增大，表明對于不同回歸模型而言，增加特征數量都能夠有效地處理多數據輸入特征的融合。當數據組合為光譜+降水和光譜+溫度時，幾種回歸方法得到的評價結果均有提高，但評價指標的上升幅度不同，尤其是在光譜+溫度作為數據源的情況下K近鄰方法的誤差最小（RMSE=49.566 g/m2，rRMSE=26.170%）。當數據組合為光譜+降水+溫度時，各回歸方法得到了最好的模型評價結果（RMSE為51.702～70.683 g/m2，rRMSE為27.297%～37.319%，2為0.664～0.749），隨機森林算法效果最好（RMSE=51.702 g/m2，rRMSE=27.297%，2=0.749）。

表3 不同地上生物量預測模型統計驗證

注：Prec為生長季總降水量，Tavg為生長季平均氣溫。

Note: Prec is total precipitation during the growing season, Tavg is Average growing season temperature.

2.2 隨機森林算法的特征選擇和超參數優化

特征對目標變量預測的相對重要性可以通過（隨機森林中樹的決策節點的）特征使用的相對順序（即深度）來進行評估。決策樹頂部特征使用的相對順序，對輸入樣本的選擇做出決策。因此，可以使用接受每個特征對最終預測的貢獻的樣本比例，來評估該特征的相對重要性。多種機器學習算法中隨機森林表現出優異的性能，并且對于不同數據組合形式作為輸入特征，均有較高的精度和較低的誤差。通過評估輸入特征的相對重要性確定多源數據在模型中的權重（圖 2）。輸出結果顯示降水量是重要性最高的隨機森林算法輸入特征，其權重大于0.1為最大值，遠高于其他光譜數據。光譜數據中VARI，MSAVI，GEMI三種植被指數作為特征權重大于0.09，高于其他植被指數。

圖2 隨機森林算法中各輸入特征權重

超參數是優化預測建模算法性能的模型配置參數，對模型內超參數進行優化能夠使模型性能較好的同時使用較少的計算量。隨機森林是基于bagging框架的決策樹模型，其超參數包括：隨機森林框架參數，如：樹的個數（n_estimators）和隨機森林決策樹的參數，如：最大深度（max_depth）。本研究對隨機森林樹的個數和最大深度進行超參數優化，優化后的結果通過交叉驗證評分進行評價。通過遍歷模型內不同樹的個數和最大深度確定最佳值。n_estimators值較小時模型出現明顯的欠擬合。其數值增加至n_estimators=52，模型性能顯著提升并趨于穩定，繼續增加n_estimators值對模型提升不明顯（圖 3a）。max_depth值較大時模型有較高的復雜度，max_depth>25時模型性能提升不再顯著（圖3b）。

圖3 超參數優化

為驗證只選用權重較高的特征量的模型穩定性，優選降水量（Prec）、VARI、MSAVI、GEMI四項在隨機森林算法的輸入中權重較高的數據作為輸入特征，通過經超參數優化的隨機森林算法進行回歸分析（圖 4）。模型評價結果顯示，經篩選優化后的數據作為特征的隨機森林回歸模型，在減少數據量的同時模型性能得到提升（RMSE=43.709 g/m2，rRMSE=23.077%，2=0.801）。并且篩選優化后的回歸模型在誤差和擬合程度，均高于未經篩選過的模型評價結果，這可能是由于權重較低的特征與地上生物量相關性較差導致的。

圖4 優化的隨機森林算法地上生物量估計值與地面實測值

2.3 地上生物量反演

通過篩選優化后的隨機森林回歸算法作為估計模型，從空間上對研究區內地上生物量進行反演。從地上生物量空間分布圖中易知，研究區內地上生物量呈現出明顯的空間分布規律：蒙古國東方省西北地區和東部地區以及中國呼倫貝爾東部地區草地生物量較高，地上生物量最高可達357.22 g/m2，東方省中部和呼倫貝爾西部草地生物量較低，最低為33.01 g/m2，整個研究區分布格局來看，地上生物量呈中部較低，東西兩側較高的分布特征（圖5）。

東方省與內蒙古呼倫貝爾市處于同緯度帶，地理特征和氣候類型相似，通過對地上生物量分布情況的分析，兩地在地上生物量空間格局上呈現出差異性（圖 6），標準差越大表示該地區大部分生物量與其平均生物量差異較大，標準差越大地上生物量分布越分散，峰值越低，曲線越低平。即東方省地上生物量空間分布相對均一（標準差為74.35 g/m2），而呼倫貝爾草地地上生物量空間分布異質性較強（標準差為107.43 g/m2）。東方省人口數量、密度和牲畜數量均遠低于呼倫貝爾市，且其利用方式以自然放牧為主，而呼倫貝爾以放牧和刈割利用為主，利用強度較大[29-30]（表1）。這也表明，東方省草地生物量空間分布特征主要受氣候主導，而呼倫貝爾草地生物量空間分布特征則受人類活動和氣候共同影響。

圖5 研究區地上生物量分布圖

圖6 地上生物量像元數分布統計

3 討 論

作物生長模型建模由于涵蓋一定的生物學理論和計算機算法，取得良好的效果，常用在作物的生物量預測中。但由于作物生長模型生物量估算方法需要大量不同數據源，如水分和土壤養分等，并且需要大量生態學理論對模型進行解釋，在解決生物量估算的快速應用上受到了很大制約[31]。而基于各波段反射率或計算植被指數與生物量間關系的機器學習模型，因其模擬精度高、受復雜環境影響小而被廣泛使用[32-34]。本研究設計了不同的數據類型進行組合形式作為機器學習的特征輸入，增加不同類型的特征對幾種回歸模型性能均有明顯提升（表3）。這是由于機器學習算法的結果精度和穩定性與訓練數據量密切相關，對于傳統機器學習算法而言，在一定數據量閾值范圍內更多的數據作為特征的情況下，其性能按照冪律增長，一段時間后隨著數據量繼續增加，導致模型的魯棒性開始降低，模型性能進入停滯不前的狀態。以本研究中驗證性能較好的隨機森林算法為例，隨著特征數量的增加，模型擬合程度（2）顯著提高，誤差明顯減小，類似的結論在Maimaitijing等[35]的研究中也得到有效驗證。

在機器學習模型中，對特征進行篩選優化有助于在減少數據量的同時提高特征總體質量，從而最大程度上發揮傳統機器學習模型較好的魯棒性[36]。將各特征在隨機森林算法中的權重得分作為重要性衡量標準（圖2），結果表明降水量在模型中占較大權重，對回歸結果有顯著影響，這是由于研究區特殊的地形特征導致的，蒙古國東方省和中國呼倫貝爾市位于大興安嶺以西和肯特山脈以南之間的地勢平坦區域，特殊的地形地勢阻止了氣流對降水的影響，降水受季風影響較弱，而受地形影響較強，形成了靠近山脈降水量較大而中心地帶較少的分布格局。由于半干旱地區降水量顯著地影響草地生物量和群落物種豐富度[37]，因而降水成為本研究生物量回歸模型的重要特征量。

光譜數據中本研究選用9種植被指數作為模型特征，其中GEMI、MSAVI、VARI三種植被指數在模型特征的重要性評估中顯著高于其他植被指數，而在估計生物量中廣泛應用的NDVI、EVI等植被指數重要性最低（圖2）。優選的3種植被指數共同特點是受土壤背景和大氣影響較小[21,23,27]。東方省中部降水量較小，人類活動干擾較少，出現草地斑塊化和多年枯落物與當年生長植被混雜的情況，導致植被指數作為特征的估計效果較差。通過對特征進行篩選，優化后的機器學習算法得到了性能更加穩定的評價結果。因此，選用對裸土敏感的MSAVI等植被指數作為特征進行建模是有效的特征優化手段。

4 結 論

本研究利用Landsat 8數據提取的9種植被指數、生長季降水量和氣溫數據，評估了5種機器學習回歸模型的性能，對評價結果最好的隨機森林模型進行特征重要性分析，根據分析結果建立經特征選擇優化后的回歸模型，模型評價結果顯著提高，基于機器學習算法的回歸模型能夠有效的估計地上生物量，增加特征數量顯著的提高了模型性能。利用優化后的模型進行草地生物量反演，估算精度較好（RMSE = 43.709 g/m2，rRMSE = 23.077%，2= 0.801），研究區草地生物量呈中部地區較低、東西兩側較高的空間分布特征，最大地上生物量達到357.22 g/m2，最低為33.01 g/m2，這與該區域氣候與草地利用方式的空間異質性密切相關。本研究表明，基于Landsat 8數據結合氣象數據構建的機器學習模型在草地生物量遙感反演中有較大潛力，反演結果通過實測數據驗證，地上生物量反演結果可以為草地資源合理利用與評價提供參考。

[1] 劉艷，聶磊，楊耘. 基于植被指數估算天山牧區不同利用類型草地總產草量[J]. 農業工程學報，2018，34(9)：182-188.

Liu Yan, Nie Lei, Yang Yun. Estimation of total yield of different grassland types in Tianshan pastoral area based on vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(9): 182-188. (in Chinese with English abstract)

[2] 第三次全國國土調查主要數據公報[Z]. [2022-11-13]. http://www.gov.cn/xinwen/2021-08/26/content_5633490.htm.

[3] 孟寶平，陳思宇，崔霞，等. 基于多源遙感數據的高寒草地生物量反演模型精度：以夏河縣桑科草原試驗區為例[J]. 草業科學，2015，32(11)：1730-1739.

Meng Baoping, Chen Siyu, Cui Xia, et al. The accuracy of grassland vegetation biomass estimated model based on multi-source remote sensing data: As a case of experimental area in Sangke grassland in Xiahe County[J]. Pratacultural Science, 2015, 32(11): 1730-1739. (in Chinese with English abstract)

[4] Piao S L, Fang J Y, He J S, et al. Spatial distribution of grassland biomass in China[J]. Chinese Journal of Plant Ecology, 2004, 28(4): 491-498

[5] 王新云，郭藝歌，何杰. 基于多源遙感數據的草地生物量估算方法[J]. 農業工程學報，2014，30(11)：159-166.

Wang Xinyun, Guo Yige, He Jie. Estimation of above-ground biomass of grassland based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(11): 159-166. (in Chinese with English abstract)

[6] Filho M G, Kuplich T M, Quadros F L F D. Estimating natural grassland biomass by vegetation indices using Sentinel 2 remote sensing data[J]. International Journal of Remote Sensing, 2020, 41(8): 2861-2876.

[7] Yang S X, Feng Q S, Liang T G, el al. Modeling grassland above-ground biomass based on artificial neural network and remote sensing in the Three-River Headwaters Region[J]. Remote Sensing of Environment, 2018, 204: 448-455.

[8] Clevers J G P W, Leeuwen H J C V. Combined use of optical and microwave remote sensing data for crop growth monitoring[J]. Remote Sensing of Environment, 1996, 56(1): 42-51.

[9] 吳門新，錢拴，侯英雨，等. 利用NDVI資料估算中國北方草原區牧草產量[J]. 農業工程學報，2009，25(Supp. 2)：149-155.

Wu Menxin, Qian Shuan, Hou Yingyu, et al. Estimation of forage yield in Northern China based on NDVI data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(Supp. 2): 149-155. (in Chinese with English abstract)

[10] 嚴海軍，卓越，李茂娜，等. 基于機器學習和無人機多光譜遙感的苜蓿產量預測[J]. 農業工程學報，2022，38(11)：64-71.

Yan Haijun, Zhuo Yue, Li Maona, et al. Alfalfa yield prediction using machine learning and UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(11): 64-71. (in Chinese with English abstract)

[11] 宋涵玥，舒清態，席磊，等. 基于星載ICESat-2/ATLAS數據的森林地上生物量估測[J].農業工程學報，2022，38(10)：191-199.

Song Hanyue, Shu Qingtai, Xi Lei, et.al. Remote sensing estimation of forest above-ground biomass based on spaceborne lidar ICESat-2/ATLAS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(10): 191-199. (in Chinese with English abstract).

[12] 陸軍勝，陳紹民，黃文敏，等. 采用SEPLS_ELM模型估算夏玉米地上部生物量和葉面積指數[J]. 農業工程學報，2021，37(18)：128-135.

Lu Junsheng, Chen Shaomin, Huang Wenmin, et al. Estimation of aboveground biomass and leaf area index of summer maize using SEPLS_ELM model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 128-135. (in Chinese with English abstract)

[13] 姚薇，李志軍，姚珙，等. Landsat衛星遙感影像的大氣校正方法研究[J]. 大氣科學學報，2011，34(2)：251-256.

Yao Wei, Li Zhijun, Yao Hong, et al. Atmospheric correction model for Landsat images[J]. Transactions of Atmosoheric Sciences, 2011, 34(2): 251-256. (in Chinese with English abstract)

[14] 張旭琛，朱華忠，鐘華平，等. 新疆伊犁地區草地植被地上生物量遙感反演[J]. 草業學報，2015，24(6)：25-34.

Zhang Xuchen, Zhu Huazhong, Zhong Huaping, et al. Assessment of above-ground Biomass of Grassland using remote sensing, Yili, Xinjiang[J]. Acta Prataculturae Sinica, 2015, 24(6): 25-34. (in Chinese with English abstract)

[15] 王旭，閆瑞瑞，鄧鈺，等. 放牧對呼倫貝爾草甸草原土壤呼吸溫度敏感性的影響[J]. 環境科學，2014，35(5)：1909-1914.

Wang Xu, Yan Ruirui, Deng Yu, et al. Effect of grazing on the temperature sensitivity of soil respiration in Hulunber meadow steppe[J]. Envirmental Science, 2014, 35(5): 1909-1914. (in Chinese with English abstract)

[16] 李淑貞，徐大偉，范凱凱，等. 基于無人機與衛星遙感的草原地上生物量反演研究[J]. 遙感技術與應用，2022，37(1)：272-278.

Li Shuzhen, Xu Dawei, Fan Kaikai, et al. Research of grassland aboveground biomass inversion based on UAV and satellite remoting sensing[J]. Remote Sensing Technology and Application, 2022, 37(1): 272-278. (in Chinese with English abstract)

[17] Weiss M, Jacob F, Duveiller G. Remote sensing for agricultural applications: A meta-review[J]. Remote Sensing of Environment, 2020, 236: 111402.

[18] 鄭陽，吳炳方，張淼. Sentinel-2數據的冬小麥地上干生物量估算及評價[J]. 遙感學報，2017，21(2)：318-328.

Zheng Yang, Wu Bingfang, Zhang Miao. Estimating the above ground biomass of winter wheat using the Sentinel-2 data[J]. Journal of Remote Sensing, 2017, 21(2): 318-328. (in Chinese with English abstract)

[19] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289-298.

[20] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1): 195-213.

[21] Pinty B, Verstraete M M. GEMI: A non-linear index to monitor global vegetation from satellites[J]. Vegetatio, 1992, 101(1): 15-20.

[22] Buschmann C, Nagel E. In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation[J]. International Journal of Remote Sensing, 1993, 14(4): 711-722.

[23] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119-126.

[24] Rouse J W, Haas R H, Deering D W, et al. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation[R]. 1974.

[25] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295-309.

[26] Birth G S, Mcvey G R. Measuring the Color of Growing Turf with a Reflectance Spectrophotometer[J]. Agronomy Journal, 1968, 60(6): 640-643.

[27] Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[28] Verrelst J, Munoz J, Alonso L, et al. Machine learning regression algorithms for biophysical parameter retrieval: Opportunities for Sentinel-2 and -3[J]. Remote Sensing of Environment, 2012, 118: 127-139.

[29] 蒙古國畜牧業統計數據[EB/OL]. 蒙古國國家統計局，[2022-11-20]. https: //www. 1212. mn/mn.

[30] 內蒙古自治區盟市統計數據[EB/OL]. 內蒙古自治區統計局，[2022-11-01]. http: //tj. nmg. gov. cn/datashow/index. htm.

[31] 黃健熙，黃海，馬鴻元，等. 遙感與作物生長模型數據同化應用綜述[J]. 農業工程學報，2018，34(21)：144-156.

Huang Jianxi, Huang Hai, Ma Hongyuan, et al. Review on data assimilation of remote sensing and crop growth models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 144-156. (in Chinese with English abstract)

[32] 馬國林，丁建麗，韓禮敬，等. 基于變量優選與機器學習的干旱區濕地土壤鹽漬化數字制圖[J]. 農業工程學報，2020，36(19)：124-131.

Ma Guolin, Ding Jianli, Han Lijing, et al. Digital mapping of soil salinization in arid area wetland based on variable optimized selection and machine learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 124-131. (in Chinese with English abstract)

[33] 周俊宏，王子芝，廖聲熙，等. 基于GF-1影像的普達措國家公園森林地上生物量遙感估算[J]. 農業工程學報, 2021, 37(4): 216-223.

Zhou Junhong, Wang Zizhi, Liao Shengxi, et al. Remote sensing estimation of forest aboveground biomass in Potatso National Park using GF-1 images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 216-223. (in Chinese with English abstract)

[34] 楊雪峰，昝梅，木尼熱·買買提. 基于無人機和衛星遙感的胡楊林地上生物量估算[J]. 農業工程學報，2021，37(1)：77-83.

Yang Xuefeng, Zan Mei, Munire·Maimaiti. Estimation of above ground biomass of Populus euphratica forest using UAV and satellite remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 77-83. (in Chinese with English abstract)

[35] Maimaitijing M, Sagan V, Sisike P, et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning[J]. Remote Sensing of Environment, 2020, 237: 111599.

[36] 付波霖，孫軍，李雨陽，等. 基于多光譜影像和機器學習算法的紅樹林樹種LAI估算[J]. 農業工程學報，2022，38(7)：218-228.

Fu Bolin, Sun Jun, Li Yuyang, et al. Mangrove LAI estimation based on remote sensing images and machine learning algorithms[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(7): 218-228. (in Chinese with English abstract)

[37] 武建雙，李曉佳，沈振西，等. 藏北高寒草地樣帶物種多樣性沿降水梯度的分布格局[J]. 草業學報，2012，21(3)：17-25.

Wu Jianshuang, Li Xiaojia, Shen Zhenxi, et al. Species diversity pattern of alpine grasslands communities along a precipitation gradient across Northern Tibetan Plateau[J]. Acta Prataculturae Sinica, 2012, 21(3): 17-25. (in Chinese with English abstract)

Estimating above-ground biomass in grassland using Landsat 8 and machine learning in Mongolian plateau

Zhao Yue, Xu Dawei, Fan Kaikai, Li Shuzhen, Shen Beibei, Shao Changliang, Wang Xu※, Xin Xiaoping

(,,100081,)

Above-Ground Biomass (AGB) is one of the most important indicators to reflect the status of grassland use. Accurate and rapid monitoring is of great significance to scientific management and rational use. Alternatively, remote sensing technology has been widely used to estimate the AGB in recent years. However, the estimation errors can often be caused by the common phenomenon of “same spectrum, different species” in remote sensing. One of the potential solutions can be to use the spectral and meteorological data to invert the AGB grassland. In this study, a machine learning model was developed to characterize the spectral indices and meteorological data using Landsat 8 remote sensing and ground survey as data sources. A systematic investigation was implemented to explore the performance of regression models constructed by five machine learning algorithms. Specifically, the AGB of grassland was estimated to obtain the high accuracy inversion of remote sensing for the grassland biomass. Nine vegetation indices were selected to calculate in Hulunbuir of Inner Mongolia and Dornod of Mongolia in China. An optimal Random Forest (RF) regression model was then reconstructed by feature selection. The regression validation revealed that a similar overall performance was achieved in the six machine learning models. But the lower performance was found in the spectral data as the input only (Root Mean Square Error (RMSE): 63.852-87.944 g/m2, relative Root Mean Square Error (rRMSE): 33.712%-46.432%, coefficient of determination (2): 0.388-0.647). Furthermore, the error of all regression decreased gradually, as the number of features increased in the data combination. The model fitting ability increased gradually as well, indicating that the increasing number of features in the different regression models was effectively handled through the fusion of multiple data inputs. The best evaluation was obtained from each regression model in the data combination of spectra + precipitation + temperature. The RF also obtained the best performance (RMSE=51.702 g/m2, rRMSE=27.297%, and2=0.749). The weights of the multiple source data in the model were determined to assess the relative importance of the input data. The results showed that the precipitation was the most important input feature of the model, with a maximum weight of more than 0.1, much higher than the other spectral data. Three vegetation indices of VARI, MSAVI, and GEMI in the spectral data were weighted more than 0.09 as the features, which was higher than the rest. The more stable performance was achieved in the optimized RF regression model, with a correlation coefficient (2) of 0.801 between predicted and measured values, an RMSE of 43.709 g/m2, and an rRMSE of 23.077%. The AGB spatial distribution in the study area was lower in the central area, but higher on the east and west sides, with a maximum of 357.2 g/m2and a minimum of 33.01 g/m2. It was closely related to the spatial heterogeneity of climate and grassland use patterns.

remote sensing; inversion; machine learning;aboveground biomass; Mongolian plateau

10.11975/j.issn.1002-6819.2022.24.015

S127；TP79

A

1002-6819(2022)-24-0138-07

趙越，徐大偉，范凱凱，等. Landsat 8和機器學習估算蒙古高原草地地上生物量[J]. 農業工程學報，2022，38(24)：138-144.doi：10.11975/j.issn.1002-6819.2022.24.015 http://www.tcsae.org

Zhao Yue, Xu Dawei, Fan Kaikai, et al. Estimating above-ground biomass in grassland using Landsat 8 and machine learning in Mongolian Plateau[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(24): 138-144. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.24.015 http://www.tcsae.org

2022-08-31

2022-11-17

國家重點研發計劃項目（2021YFD1300502）；國家科技基礎資源調查專項（2019FY102000）；國家自然科學基金項目（32171567）

趙越，研究方向為農業工程與信息技術。Email：82101215505@caas.cn

王旭，博士，副研究員，研究方向為草地生態遙感。Email：wangxu01@caas.cn