基于多特征融合的無(wú)人機(jī)天山假狼毒地上生物量估算

摘 要：【目的】研究無(wú)人機(jī)多特征構(gòu)建天山假狼毒地上生物量（AGB）估算模型的能力，為草地退化程度的分級(jí)提供參考依據(jù)。【方法】天山假狼毒（Diarthron tianschanicum）作為退化指示植物之一，其生長(zhǎng)狀況可反映草地退化程度。通過(guò)可見(jiàn)光高空間分辨率遙感影像提取光譜特征、紋理特征和天山假狼毒覆蓋度，將三者分別作為輸入量建立一元線性模型，三類特征融合構(gòu)建多元逐步回歸與人工神經(jīng)網(wǎng)絡(luò)模型，分析多特征融合估算天山假狼毒AGB的效果。【結(jié)果】（1）盛花期為天山假狼毒最佳覆蓋度提取窗口期，利用RF算法構(gòu)建的天山假狼毒提取模型效果較為理想，總體精度在81%以上。（2）光譜特征、紋理特征、覆蓋度均與天山假狼毒AGB具有相關(guān)性，其中紋理特征cor_G相關(guān)性最高，達(dá)0.784。（3）對(duì)比單一植被指數(shù)、紋理特征、覆蓋度及任意兩種特征組合作為輸入量，多特征融合估算天山假狼毒AGB的精度最高，R²、RMSE為0.870、15.383，并利用人工神經(jīng)網(wǎng)絡(luò)模型對(duì)此結(jié)論進(jìn)行驗(yàn)證。【結(jié)論】融合光譜特征、紋理指數(shù)、覆蓋度能有效提高天山假狼毒AGB估算精度。

關(guān)鍵詞：無(wú)人機(jī)；天山假狼毒生物量；可見(jiàn)光；覆蓋度；紋理特征

中圖分類號(hào)：S812 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-4330（2024）10-2527-10

收稿日期（Received）：2024-03-28

基金項(xiàng)目：新疆維吾爾自治區(qū)重點(diǎn)研發(fā)任務(wù)專項(xiàng)計(jì)劃（2022B02003）

作者簡(jiǎn)介：侯正清（1999-），女，新疆昭蘇人，碩士研究生，研究方向?yàn)檗r(nóng)業(yè)信息化，（E-mail）287511284@qq.com

通訊作者：顏安（1983-），男，四川資陽(yáng)人，教授，博士，碩士生/博士生導(dǎo)師，研究方向?yàn)閿?shù)字農(nóng)業(yè)與生態(tài)環(huán)境遙感監(jiān)測(cè)，（E-mail）yanan@xjau.edu.cn

0 引 言

【研究意義】新疆為我國(guó)主要牧區(qū)之一，草原面積5 200×10⁴ hm²，占全疆總面積的34.4%^［1］。過(guò)度放牧和氣候變化等因素，導(dǎo)致天然草地85%以上草原發(fā)生不同程度的退化^［2］，主要表現(xiàn)為草地生產(chǎn)力下降、植被覆蓋度降低、毒害草大量繁殖和擴(kuò)散，影響當(dāng)?shù)匦竽翗I(yè)生產(chǎn)和生態(tài)平衡^［3］。發(fā)生毒害草化的天然草地面積為 681.7 hm²，大約是全疆可利用草地總面積的14.17%^［4］。因此，草原毒害草的監(jiān)測(cè)和防控成為目前退化草地修復(fù)的關(guān)鍵技術(shù)難題。草地退化指示植物種地上產(chǎn)草量相對(duì)增加率是我國(guó)天然草地退化分級(jí)的重要指標(biāo)之一。天山假狼毒作為我國(guó)草原退化的重要指示植物，對(duì)其進(jìn)行地上生物量（above ground biomass，AGB）估算可為草地退化程度分級(jí)提供方法依據(jù)。【前人研究進(jìn)展】目前主要通過(guò)直接收獲法測(cè)定草地AGB，該傳統(tǒng)估算方法成本較高、耗費(fèi)的時(shí)間和精力較多，且易破壞一些相對(duì)脆弱的草地生態(tài)系統(tǒng)，且無(wú)法連續(xù)大范圍觀測(cè)^［5］。近年來(lái)，隨著無(wú)人機(jī)技術(shù)的迅猛發(fā)展，將無(wú)人機(jī)與數(shù)碼相機(jī)等遙感監(jiān)測(cè)平臺(tái)相結(jié)合已成為一種趨勢(shì)。這種組合具有性價(jià)比高、數(shù)據(jù)處理簡(jiǎn)便以及分辨率高等特點(diǎn)。無(wú)人機(jī)多光譜、高光譜等技術(shù)已成功應(yīng)用于田間作物表型信息的獲取，這些技術(shù)能夠?qū)ψ魑锏娜~面積指數(shù)、生物量、葉綠素等屬性進(jìn)行精確研究^［6-11］。盡管數(shù)碼相機(jī)的光譜分辨率較低，僅具備紅、綠、藍(lán)三個(gè)通道，但因其高性價(jià)比高、空間分辨率高等特點(diǎn)，也是目前植被AGB研究領(lǐng)域的熱點(diǎn)^［12］。張正健等^［13］使用可見(jiàn)光植被指數(shù)對(duì)若爾蓋草地進(jìn)行地上生物量估算，得到NGRDI模型對(duì)生物量具有最高的模擬精度。然而，僅利用光譜特征進(jìn)行生物量估測(cè)，在高植被密度條件下，植被指數(shù)會(huì)表現(xiàn)出對(duì)冠層生物量變化不敏感，即出現(xiàn)所謂的“飽和”現(xiàn)象^{［12，14］}。近年來(lái)，隨著技術(shù)的不斷進(jìn)步，利用無(wú)人機(jī)影像并結(jié)合光譜特征和紋理特征進(jìn)行作物生長(zhǎng)狀況估算的研究是備受關(guān)注的熱點(diǎn)領(lǐng)域。該種方法能夠提供高分辨率的影像數(shù)據(jù)，以及豐富的光譜和紋理信息，為作物生長(zhǎng)狀況的準(zhǔn)確估算提供了有力的支持。劉欣誼等^［15］選用圖像顏色與紋理特征數(shù)據(jù)在小麥越冬前期和拔節(jié)期對(duì)產(chǎn)量進(jìn)行預(yù)測(cè)，得到不同時(shí)期將兩種數(shù)據(jù)結(jié)合模型精度更高；劉楊等^［16］采用不同分辨率的無(wú)人機(jī)數(shù)碼影像的研究結(jié)果表明，隨著數(shù)碼影像分辨率的提高，利用光譜信息、紋理信息以及光譜與紋理信息相結(jié)合進(jìn)行地上生物量估算的精度逐漸改善。同時(shí)，有研究發(fā)現(xiàn)植被覆蓋度是估算AGB的重要指標(biāo)，兩者密切相關(guān)^［17］。【本研究切入點(diǎn)】以往的研究在估算AGB時(shí)往往未充分考慮光譜特征、紋理指數(shù)和植被覆蓋度等指標(biāo)的綜合作用。因此，目前尚缺乏將這些指標(biāo)共同應(yīng)用于草地AGB估算的研究，且對(duì)背景復(fù)雜中的單一植被或退化指示植物AGB估算較少。使用不同傳感技術(shù)監(jiān)測(cè)作物生長(zhǎng)在以往的研究已經(jīng)很多，取得了相當(dāng)?shù)倪M(jìn)展。然而，基于可見(jiàn)光影像估算AGB的研究相對(duì)較少，大部分研究仍依賴于光譜數(shù)據(jù)和野外實(shí)測(cè)數(shù)據(jù)來(lái)進(jìn)行AGB的估算。僅僅利用光譜特征對(duì)生長(zhǎng)分布不均、容易受到其他綠色植被光譜干擾的毒害草進(jìn)行AGB估算，存在一定的局限性。需從RGB圖像中挖掘不同種類特征，增加不同特征貢獻(xiàn)值估算天山假狼毒AGB，對(duì)稀疏分布植被AGB估算。【擬解決的關(guān)鍵問(wèn)題】在利用高空間分辨率的可見(jiàn)光無(wú)人機(jī)影像，根據(jù)天山假狼毒與其他牧草的光譜差異選用機(jī)器學(xué)習(xí)的方法提取天山假狼毒覆蓋度，將光譜特征、紋理特征和天山假狼毒覆蓋度結(jié)合，通過(guò)多元統(tǒng)計(jì)模型和人工神經(jīng)網(wǎng)絡(luò)模型等方法，估算天山假狼毒AGB，以期提高天山假狼毒AGB估算精度，為后續(xù)退化草地評(píng)判提供方法。

1 材料與方法

1.1 材 料

1.1.1 研究區(qū)概況

試驗(yàn)地位于新疆伊犁哈薩克自治州（簡(jiǎn)稱伊犁州）昭蘇縣馬場(chǎng)（43°07′～43°09 N，80°59′～81°01′E），海拔1 983～1 990 m，屬大陸性溫帶山區(qū)半干旱半濕潤(rùn)冷涼氣候，4月下旬至6月上旬雨水充沛。所處地段為山地草甸草地。由于過(guò)度放牧以及氣候變化等因素，不可食牧草與雜類草比例上升，尤其是毒害草天山假狼毒成為群落的優(yōu)勢(shì)種。表1

1.1.2 數(shù)據(jù)來(lái)源

1.1.2.1 野外實(shí)測(cè)數(shù)據(jù)

于2022年植物生長(zhǎng)旺盛季（盛花期，6月下旬）采集天山假狼毒AGB數(shù)據(jù)，此時(shí)處于天山假狼毒果實(shí)膨大期，葉片長(zhǎng)到最大、功能完善且表型特征與其他植被差異最明顯，共采集45個(gè)1 m×1 m樣方。測(cè)量每個(gè)樣方中植被的種類、株高、覆蓋度、地上生物量，共計(jì)單株天山假狼毒98株。株高使用卷尺測(cè)量（cm），蓋度使用樣方框法測(cè)定（%），地上生物量使用陰干稱重法獲取干重（g）。

1.1.2.2 無(wú)人機(jī)影像獲取及預(yù)處理

采用四旋翼電動(dòng)無(wú)人機(jī)（大疆精靈4A）獲取影像數(shù)據(jù)，可實(shí)時(shí)獲取數(shù)據(jù)采集時(shí)刻的位置和姿態(tài)信息。無(wú)人機(jī)的負(fù)載重量為1.52 kg，續(xù)航時(shí)間為25～30 min。所搭載高清數(shù)碼相機(jī)型號(hào)為FC_6310，其具備2 000萬(wàn)有效像素，圖像分辨率5 472像素×3 648像素，焦距9 mm。無(wú)人機(jī)航拍時(shí)間為2022年6月25日午間12：00，當(dāng)天太陽(yáng)光照強(qiáng)度穩(wěn)定，晴朗無(wú)云，無(wú)人機(jī)飛行航向重疊度、旁向重疊度和主航線角度分別為80%、75%和90°，飛行高度20 m，使用大疆智圖軟件進(jìn)行圖像拼接處理。

1.2 方 法

1.2.1 植被指數(shù)提取

植被指數(shù)（Vegetation Index，VI）是一種簡(jiǎn)單有效的方法，被廣泛用于評(píng)估地表植被的狀況。其可以反映植被在不同波段之間與土壤背景的反射差異，不同的植被指數(shù)可以在一定條件下定量地表明植被的生長(zhǎng)狀況^［18］。通過(guò)可見(jiàn)光無(wú)人機(jī)拍攝的數(shù)碼影像能較好的反映出草地植物的AGB信息，篩選出8種植被指數(shù)進(jìn)行草地AGB估測(cè)分析。表2

1.2.2 紋理特征提取

采用灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）提取各波段紋理特征（Texture indexes，Tis），使用ENVI 5.3軟件二階概率統(tǒng)計(jì)的濾波（Co-occurrence measures）工具計(jì)算均值（Mean，mean）、方差（Variance，var）、協(xié)同性（Homogeneity，hom）、對(duì)比度（Contrast，con）、相異性（Dissimilarity，dis）、信息熵（Entropy，ent）、二階矩（Second Moment，sm）和相關(guān)性（Correlation，cor）8個(gè)基于二階矩陣的紋理特征值^［20］，得到每個(gè)波段的8個(gè)紋理特征，R、G、B三波段共24個(gè)紋理特征值。無(wú)人機(jī)影像的分辨率為0.55 cm/px，大多數(shù)窗口大小涉及土壤與多種植被背景較為復(fù)雜，因此在該研究中，紋理分析選取最小的3×3窗口分析，灰度量化級(jí)別選擇64，方向選取90°。表3

1.2.3 基于光譜特征的天山假狼毒覆蓋度提取方法

植被覆蓋度（Fraction Vegetation Coverage，F(xiàn)VC）是指植被在地面的垂直投影面積占總面積的百分比，技術(shù)上為天山假狼毒像元與小區(qū)總像元之比^{［22，23］}。由于天山假狼毒覆蓋度與AGB之間相關(guān)性高達(dá)0.785，因此提取天山假狼毒覆蓋度并將其作為AGB估算模型輸入量之一。通過(guò)對(duì)比天山假狼毒盛花期與其他地物光譜特征，發(fā)現(xiàn)有較大差異可以進(jìn)行區(qū)分。在研究區(qū)使用隨機(jī)森林算法的監(jiān)督分類對(duì)天山假狼毒提取，通過(guò)目視解選取訓(xùn)練樣本，建立解譯標(biāo)志，對(duì)地物進(jìn)行分類，通過(guò)聚類分析對(duì)細(xì)小圖斑進(jìn)行合并，窗口大小設(shè)置為3×3^{［23，24］}，并對(duì)分類結(jié)果進(jìn)行精度驗(yàn)證，得到天山假狼毒在影像中的分布情況。

1.3 數(shù)據(jù)處理

選擇天山假狼毒盛花期的數(shù)據(jù)進(jìn)行模型構(gòu)建，共采集了45個(gè)樣本，并使用5折交叉驗(yàn)證法對(duì)模型的準(zhǔn)確性進(jìn)行驗(yàn)證。采用了3種建模方式：一元回歸模型（即一元線性模型）、多元回歸模型（即多元逐步回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型）。使用決定系數(shù)（Determination coefficient，R²）和均方根誤差（Root Mean Square Error，RMSE）來(lái)評(píng)估模型的準(zhǔn)確性。較高的R²值與較低的RMSE值表示模型的準(zhǔn)確性較高^［25］。

1.3.1 K-折交叉驗(yàn)證

K-折交叉驗(yàn)證是應(yīng)用最廣泛的泛化誤差估計(jì)方法之一，常用于數(shù)據(jù)集有限的情況^［26］。首先將數(shù)據(jù)集均勻地分成K個(gè)樣本子集，然后依次遍歷這K個(gè)子集。每一次均將當(dāng)前的子集作為驗(yàn)證集，而將其他的數(shù)據(jù)作為訓(xùn)練集。這個(gè)過(guò)程將重復(fù)K次，最后得到的K折交叉驗(yàn)證模型的準(zhǔn)確性是這K次訓(xùn)練的準(zhǔn)確性的平均值^［27］。研究采用5折交叉驗(yàn)證的方法，該方法保證數(shù)據(jù)集中的每個(gè)數(shù)據(jù)既是建模集又是驗(yàn)證集，所有數(shù)據(jù)都將被利用，可以避免由于數(shù)據(jù)集劃分不合理而導(dǎo)致的在訓(xùn)練集上過(guò)擬合問(wèn)題。

1.3.2 線性模型

利用SPSS 22.0軟件（IBM，USA），采用皮爾遜相關(guān)分析法對(duì)8種植被指數(shù)、24種紋理特征和天山假狼毒覆蓋度分別與AGB進(jìn)行相關(guān)性分析，并建立相應(yīng)的一元線性模型來(lái)估算天山假狼毒AGB。此外，將植被指數(shù)、紋理特征和天山假狼毒覆蓋度進(jìn)行兩兩融合或三特征組合，作為輸入量構(gòu)建多元線性逐步回歸模型來(lái)估算天山假狼毒AGB。使用多元線性逐步回歸模型可以消除自變量之間的多重共線性，并使殘差符合正態(tài)分布。

1.3.3 人工神經(jīng)網(wǎng)絡(luò)模型

目前，基于誤差反向傳播（Back Propagation，BP）的人工神經(jīng)網(wǎng)絡(luò)是一種被廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型。其主要原理是通過(guò)逐層計(jì)算目標(biāo)函數(shù)對(duì)各神經(jīng)元權(quán)值的偏導(dǎo)數(shù)，并利用梯度下降法對(duì)權(quán)值進(jìn)行更新，從而使得模型能夠?qū)W習(xí)和達(dá)到一定的水平^［28］。在研究中，所采用的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱藏層和輸出層。其中，輸入層不參與運(yùn)算，而隱藏層和輸出層則是全連接層；在研究中，構(gòu)建一個(gè)具有4層隱藏層的人工神經(jīng)網(wǎng)絡(luò)模型，其中使用了identity作為激活函數(shù)，并選擇了lbfgs作為求解器。學(xué)習(xí)率設(shè)定為0.1，并進(jìn)行1 000次迭代。該模型的目的是通過(guò)輸入植被指數(shù)、紋理指數(shù)和天山假狼毒覆蓋度等因素作為變量，驗(yàn)證多特征融合估算天山假狼毒AGB有效性。

2 結(jié)果與分析

2.1 光譜、紋理特征和覆蓋度與天山假狼毒AGB相關(guān)性

研究表明，所選的8個(gè)植被指數(shù)與天山假狼毒AGB相關(guān)性在0.01水平下達(dá)到極顯著（Plt;0.01），根據(jù)絕對(duì)值大小的順序排列，植被指數(shù)與天山假狼毒AGB相關(guān)性依次為ExR、RGRI、NGBDI、NRI、NBI、NGRDI、NGI和GBRI，其相關(guān)系數(shù)絕對(duì)值|R|分別為0.745、0.710、0.692、0.643、0.628、0.578、0.569和0.495。其中只有8個(gè)特征與天山假狼毒AGB之間存在極顯著相關(guān)（Plt;0.01），其相關(guān)性由大到小依次為cor_G、cor_R、mean_G、mean_B、hom_B、cor_B、hom_R和hom_G，對(duì)應(yīng)的|R|分別為0.784、0.766、0.722、0.600、0.489、0.462和0.452。提取的天山假狼毒覆蓋度與天山假狼毒AGB之間存在顯著相關(guān)性，|R|為0.720。圖1

2.2 天山假狼毒覆蓋度提取

2.2.1 天山假狼毒與其他地物灰度值差異

研究表明，6月下旬盛花期時(shí)天山假狼毒白粉花與其他牧草、裸地分離度較好且不存在重合區(qū)域，因此6月下旬為提取天山假狼毒光譜特征最佳窗口期。圖2

2.2.2 天山假狼毒提取結(jié)果

研究表明，基于天山假狼毒盛花期使用隨機(jī)森林監(jiān)督分類，將通過(guò)目視解譯得到的部分地表真實(shí)影像與分類結(jié)果計(jì)算得到混淆矩陣作為分類實(shí)際精度，總體制圖精度達(dá)81.33%，天山假狼毒的用戶精度達(dá)70.62%，制圖精度達(dá)73.65%，可作為天山假狼毒覆蓋度提取精度。圖3，圖4

2.3 一元線性回歸的生物量估測(cè)模型

研究表明，在與AGB建立的8種光譜特征（VIs）的一元線性模型中，ExR模型的R²值最高，為0.544，RMSE為29.315；在與AGB建立的8種紋理特征（TIS）的一元線性模型中，cor_G模型的R²值最高，達(dá)到0.606，RMSE為27.237；而天山假狼毒覆蓋度（FVC）與AGB建立的一元線性模型的R²值為0.501，RMSE為30.664。精度從高到低依次為cor_G、ExR、FVC。表4

2.4 多元逐步回歸的生物量估測(cè)模型

研究表明，結(jié)合VIs和TIs的多元逐步回歸模型精度（R²=0.850，RMSE=16.739）明顯優(yōu)于單一VIs模型（R²=0.544，RMSE=29.315）。而結(jié)合VIs、TIs和天山假狼毒覆蓋度FVC的多元逐步回歸模型（R²=0.870，RMSE=15.383）具有最高的精度，優(yōu)于任意單一特征和任意兩兩組合的變量。VIs+TIs+FVC融合估算AGB估算是一種有效的方法，可以顯著提高AGB估算的準(zhǔn)確性。表4～5

2.5 神經(jīng)網(wǎng)絡(luò)的生物量估測(cè)模型

研究表明，通過(guò)將三類輸入變量：VIs、TIs、FVC、VIs+TIs、VIs+FVC、TIs+FVC和VIs+TIs+FVC共7種組合依次輸入人工神經(jīng)網(wǎng)絡(luò)模型中，構(gòu)建了AGB估算模型，并對(duì)模型精度進(jìn)行了對(duì)比。當(dāng)VIs+TIs構(gòu)建AGB模型時(shí)，發(fā)現(xiàn)模型的精度（R²=0.785，RMSE=20.345）明顯優(yōu)于單一VIs構(gòu)建的AGB模型（R²=0.648，RMSE=24.060），R²提高0.137，RMSE降低3.175；將VIs+TIs+FVC融合構(gòu)建AGB模型時(shí)，模型的精度最高（R²=0.806，RMSE=22.685）。AGB估算結(jié)論的一致性進(jìn)行驗(yàn)證，進(jìn)一步證實(shí)了結(jié)合植被指數(shù)、紋理指數(shù)和天山假狼毒覆蓋度進(jìn)行AGB估算的方法能夠有效提高模型準(zhǔn)確性。表6

3 討 論

3.1 首先使用皮爾遜相關(guān)分析法對(duì)天山假狼毒VIs、TIs、FVC與天山假狼毒AGB進(jìn)行定量相關(guān)性分析，發(fā)現(xiàn)所選8種VIs、FVC均與AGB極顯著相關(guān)，而所選24種TIs中只有8種與AGB極顯著相關(guān)，說(shuō)明相比于植被指數(shù)，TIs的穩(wěn)定性較差，后續(xù)可考慮將植被指數(shù)的思想運(yùn)用到TIs，經(jīng)線性運(yùn)算后使用紋理指數(shù)以提高其相關(guān)性估算天山假狼毒AGB，以有前人使用紋理指數(shù)作為變量估算生長(zhǎng)指標(biāo)，并說(shuō)明經(jīng)數(shù)學(xué)組合后的紋理指數(shù)可提升其相關(guān)性^［18］。

3.2 該研究利用多元逐步回歸模型，將VIs、TIs、FVC結(jié)合起來(lái)建立天山假狼毒AGB估算模型。結(jié)合VIs和TIs的多元逐步回歸模型（R²=0.850，RMSE=16.739）明顯優(yōu)于單一VIs模型（R²=0.544，RMSE=29.315），將VIs+TIs+FVC融合估算天山假狼毒AGB（R²=0.870，RMSE=15.383）精度最高，優(yōu)于所有單一輸入量和任意兩類輸入量組合，其中VIs中的NBI貢獻(xiàn)最大，并使用bp神經(jīng)網(wǎng)絡(luò)對(duì)此結(jié)論進(jìn)行驗(yàn)證，得到三者共同估算天山假狼毒AGB（R²=0.806，RMSE=22.685）精度最高。這主要是因?yàn)槎嘀笜?biāo)融合模型綜合了VIs、TIs、FVC對(duì)AGB估算的共同貢獻(xiàn)，該結(jié)果與前人^{［29，30］}使用多特征估算作物生長(zhǎng)指標(biāo)得出的結(jié)果一致。紋理特征是物體表面的內(nèi)在屬性，提供了地物的空間特征，不易受外界環(huán)境如顏色、亮度、地形等干擾，能在一定程度上抑制“同譜異物、同物異譜”現(xiàn)象的發(fā)生^［31］，有效彌補(bǔ)了光譜特征的不足，其中紋理測(cè)量均值包含移動(dòng)窗口大小，選擇合適窗口可以平滑圖像，使背景的干擾最小化^［32］。天山假狼毒的覆蓋度隨著AGB的增加而增加，雖天山假狼毒頂部花蕊與其他植被的光譜差異大，但其下部與與其他植被的具有相似光譜特征且對(duì)于葉片相互遮擋的現(xiàn)象無(wú)法較好提取天山假狼毒，后續(xù)可更具不同場(chǎng)景采取更好的提取方法。

4 結(jié) 論

4.1 天山假狼毒盛花期與其他地物光譜差異最大為最佳識(shí)別窗口期，利用RF算法構(gòu)建的天山假狼毒提取模型效果較為理想，總體精度在81%以上。

4.2 基于可見(jiàn)光無(wú)人機(jī)提取天山假狼毒光譜特征、紋理特征、覆蓋度，其中紋理特征cor_G的|R|最高達(dá)0.784，TIs與AGB的|R|為0.78～0.45，VIs與AGB的|R|為0.74～0.40，F(xiàn)VC與AGB的|R|為0.720。

4.3 將VIs、TIs、FVC作為模型輸入因子，分別以單一特征、任意兩種特征組合、三種特征融合作為模型輸入量，多特征融合估算天山假狼毒AGB的精度最高（R²=0.870，RMSE=15.383）并將3種特征融合輸入人工神經(jīng)網(wǎng)絡(luò)模型，驗(yàn)證多特征估算的有效性，結(jié)合VIs、TIs、FVC融合估算AGB具有較好的精度。

參考文獻(xiàn)（References）

［1］江惠， 王明利， 勵(lì)汀郁， 等. 新疆草原畜牧業(yè)轉(zhuǎn)型升級(jí)：發(fā)展現(xiàn)狀、現(xiàn)實(shí)困境與實(shí)現(xiàn)路徑［J］.華中農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2023， 42（5）： 42-52.

JIANG Hui， WANG Mingli， LI Tingyu， et al. Transformation and upgrading of grassland animal husbandry in Xinjiang： development status， realistic dilemma and realization path［J］.Journal of Huazhong Agricultural University， 2023， 42（5）： 42-52.

［2］ 閆俊杰， 劉海軍， 崔東， 等. 近15年新疆伊犁河谷草地退化時(shí)空變化特征［J］.草業(yè)科學(xué)， 2018， 35（3）： 508-520.

YAN Junjie， LIU Haijun， CUI Dong， et al. Spatiotemporal dynamics of grassland degradation in Yili Valley of Xinjiang over the last 15 years［J］.Pratacultural Science， 2018， 35（3）： 508-520.

［3］ 李宏， 陳衛(wèi)民， 陳翔， 等. 新疆伊犁草原毒害草種類及其發(fā)生與危害［J］.草業(yè)科學(xué)， 2010， 27（11）： 171-173.

LI Hong， CHEN Weimin， CHEN Xiang， et al. Poisonous weed species and their harmfulness in the grassland of Yili regions， Xinjiang Uygur Autonomous Region of China［J］.Pratacultural Science， 2010， 27（11）： 171-173.

［4］ 李宏， 陳衛(wèi)民， 王華， 等. 四種吡啶類除草劑防除白喉烏頭的篩選試驗(yàn)［J］.現(xiàn)代農(nóng)藥， 2010， 9（3）： 48-50.

LI Hong， CHEN Weimin， WANG Hua， et al. Screening experiment of four pyridine herbicides on the Aconitum leucostomum［J］.Modern Agrochemicals， 2010， 9（3）： 48-50.

［5］ 范云豹， 宮兆寧， 趙文吉， 等. 基于高光譜遙感的植被生物量反演方法研究［J］.河北師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2016， 40（3）： 267-271.

FAN Yunbao， GONG Zhaoning， ZHAO Wenji， et al. Study on vegetation biomass inversion method based on hyperspectral remote sensing［J］.Journal of Hebei Normal University （Natural Science Edition）， 2016， 40（3）： 267-271.

［6］ 劉建剛， 趙春江， 楊貴軍， 等. 無(wú)人機(jī)遙感解析田間作物表型信息研究進(jìn)展［J］.農(nóng)業(yè)工程學(xué)報(bào)， 2016， 32（24）： 98-106.

LIU Jiangang， ZHAO Chunjiang， YANG Guijun， et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform［J］.Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（24）： 98-106.

［7］ Candiago S， Remondino F， De Giglio M， et al. Evaluating multispectral images and vegetation indices for precision farming applications from UAV images［J］.Remote Sensing， 2015， 7（4）： 4026-4047.

［8］ Potgieter A B， George-Jaeggli B， Chapman S C， et al. Multi-spectral imaging from an unmanned aerial vehicle enables the assessment of seasonal leaf area dynamics of Sorghum breeding lines［J］.Frontiers in Plant Science， 2017， 8： 1532.

［9］ Yang G J， Li C C， Wang Y J， et al. The DOM generation and precise radiometric calibration of a UAV-mounted miniature snapshot hyperspectral imager［J］.Remote Sensing， 2017， 9（7）： 642.

［10］ Nie S， Wang C， Dong P L， et al. Estimating leaf area index of maize using airborne discrete-return LiDAR data［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2016， 9（7）： 3259-3266.

［11］ Guo Q H， Su Y J， Hu T Y， et al. An integrated UAV-borne lidar system for 3D habitat mapping in three forest ecosystems across China［J］.International Journal of Remote Sensing， 2017， 38（8/9/10）： 2954-2972.

［12］ 陶惠林， 徐良驥， 馮海寬， 等. 基于無(wú)人機(jī)數(shù)碼影像的冬小麥株高和生物量估算［J］.農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（19）： 107-116.

TAO Huilin， XU Liangji， FENG Haikuan， et al. Estimation of plant height and biomass of winter wheat based on UAV digital image［J］.Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（19）： 107-116.

［13］ 張正健， 李愛(ài)農(nóng)， 邊金虎， 等. 基于無(wú)人機(jī)影像可見(jiàn)光植被指數(shù)的若爾蓋草地地上生物量估算研究［J］.遙感技術(shù)與應(yīng)用， 2016， 31（1）： 51-62.

ZHANG Zhengjian， LI Ainong， BIAN Jinhu， et al. Estimating aboveground biomass of grassland in zoige by visible vegetation index derived from unmanned aerial vehicle image［J］.Remote Sensing Technology and Application， 2016， 31（1）： 51-62.

［14］ 陳鵬飛， Nicolas Tremblay， 王紀(jì)華， 等. 估測(cè)作物冠層生物量的新植被指數(shù)的研究［J］.光譜學(xué)與光譜分析， 2010， 30（2）： 512-517.

CHEN Pengfei， Nicolas Tremblay， WANG Jihua， et al. New index for crop canopy fresh biomass estimation［J］.Spectroscopy and Spectral Analysis， 2010， 30（2）： 512-517.

［15］ 劉欣誼， 仲曉春， 陳晨， 等. 利用無(wú)人機(jī)圖像顏色與紋理特征數(shù)據(jù)在小麥生育前期對(duì)產(chǎn)量進(jìn)行預(yù)測(cè)［J］.麥類作物學(xué)報(bào)， 2020， 40（8）： 1002-1007.

LIU Xinyi， ZHONG Xiaochun， CHEN Chen， et al. Prediction of wheat yield using color and texture feature data of UAV image at early growth stage［J］.Journal of Triticeae Crops， 2020， 40（8）： 1002-1007.

［16］ 劉楊， 馮海寬， 孫乾， 等. 不同分辨率無(wú)人機(jī)數(shù)碼影像的馬鈴薯地上生物量估算研究［J］.光譜學(xué)與光譜分析， 2021， 41（5）： 1470-1476.

LIU Yang， FENG Haikuan， SUN Qian， et al. Estimation study of above ground biomass in potato based on UAV digital images with different resolutions［J］.Spectroscopy and Spectral Analysis， 2021， 41（5）： 1470-1476.

［17］ 劉艷慧， 蔡宗磊， 包妮沙， 等. 基于無(wú)人機(jī)大樣方草地植被覆蓋度及生物量估算方法研究［J］.生態(tài)環(huán)境學(xué)報(bào)， 2018， 27（11）： 2023-2032.

LIU Yanhui， CAI Zonglei， BAO Nisha， et al. Research of grassland vegetation coverage and biomass estimation method based on major quadrat from UAV photogrammetry［J］.Ecology and Environmental Sciences， 2018， 27（11）： 2023-2032.

［18］ 杭艷紅， 蘇歡， 于滋洋， 等. 結(jié)合無(wú)人機(jī)光譜與紋理特征和覆蓋度的水稻葉面積指數(shù)估算［J］.農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（9）： 64-71.

HANG Yanhong， SU Huan， YU Ziyang， et al. Estimation of rice leaf area index combining UAV spectrum， texture features and vegetation coverage［J］.Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 64-71.

［19］ 牛慶林， 馮海寬， 楊貴軍， 等. 基于無(wú)人機(jī)數(shù)碼影像的玉米育種材料株高和LAI監(jiān)測(cè)［J］.農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（5）： 73-82.

NIU Qinglin， FENG Haikuan， YANG Guijun， et al. Monitoring plant height and leaf area index of maize breeding material based on UAV digital images［J］.Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（5）： 73-82.

［20］ Jiang B R， Wang P， Zhuang S， et al. Detection of maize drought based on texture and morphological features［J］.Computers and Electronics in Agriculture， 2018， 151： 50-60.

［21］ 劉詠梅， 胡念釗， 龍永清， 等. 無(wú)人機(jī)RGB影像在高寒草地狼毒入侵監(jiān)測(cè)及蓋度估算中的應(yīng)用［J］.中國(guó)草地學(xué)報(bào)， 2023， 45（2）： 1-12.

LIU Yongmei， HU Nianzhao， LONG Yongqing， et al. Application of UAV RGB image in monitoring and coverage estimation of Stellera chamaejasme invasion in alpine grasslands， Qinghai-Tibet Plateau［J］.Chinese Journal of Grassland， 2023， 45（2）： 1-12.

［22］ 賈坤， 姚云軍， 魏香琴， 等. 植被覆蓋度遙感估算研究進(jìn)展［J］.地球科學(xué)進(jìn)展， 2013， 28（7）： 774-782.

JIA Kun， YAO Yunjun， WEI Xiangqin， et al. A review on fractional vegetation cover estimation using remote sensing［J］.Advances in Earth Science， 2013， 28（7）： 774-782.

［23］ 劉智彪. 基于無(wú)人機(jī)遙感的白喉烏頭防效監(jiān)測(cè)方法的研究［D］.烏魯木齊： 新疆農(nóng)業(yè)大學(xué)， 2022.

LIU Zhibiao. Study on Monitoring Method of Aconitum Leucostomum Prevention Effect Based on Unmanned Aerial Vehicl Remote Sensing［D］.Urumqi： Xinjiang Agricultural University， 2022.

［24］ Haralick R M， Shanmugam K， Dinstein I. Textural features for image classification［J］.IEEE Transactions on Systems， Man， and Cybernetics， 1973， SMC-3（6）： 610-621.

［25］ 范宏. 基于UAV影像的草原毒害草識(shí)別檢測(cè)方法研究——以白喉烏頭為例［D］.烏魯木齊： 新疆大學(xué)， 2020.

FAN Hong. Research on Identification and Detection Method of Grassland Poisonous Grass Based on UAV Image［D］.Urumqi： Xinjiang University， 2020.

［26］ 陳鵬， 馮海寬， 李長(zhǎng)春， 等. 無(wú)人機(jī)影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量［J］.農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（11）： 63-74.

CHEN Peng， FENG Haikuan， LI Changchun， et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image［J］.Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（11）： 63-74.

［27］ Karal . Performance comparison of different kernel functions in SVM for different k value in k-fold cross-validation［C］//2020 Innovations in Intelligent Systems and Applications Conference （ASYU）. Istanbul， Turkey. IEEE， 2020： 1-5.

［28］ Chanda M， Biswas M. Plant disease identification and classification using Back-Propagation Neural Network with Particle Swarm Optimization［C］//2019 3rd International Conference on Trends in Electronics and Informatics （ICOEI）. Tirunelveli， India. IEEE， 2019： 1029-1036.

［29］ 王來(lái)剛， 賀佳， 鄭國(guó)清， 等. 基于無(wú)人機(jī)多光譜遙感的玉米FPAR估算［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（10）： 202-210.

WANG Laigang， HE Jia， ZHENG Guoqing， et al. Estimation of maize FPAR based on UAV multispectral remote sensing［J］.Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（10）： 202-210.

［30］ 楊福芹， 馮海寬， 肖天豪， 等. 融合無(wú)人機(jī)影像光譜與紋理特征的冬小麥氮營(yíng)養(yǎng)指數(shù)估算［J］.農(nóng)業(yè)現(xiàn)代化研究， 2020， 41（4）： 718-726.

YANG Fuqin， FENG Haikuan， XIAO Tianhao， et al. Nitrogen nutrition index estimation in winter wheat by UAV spectral information and texture feature fusion［J］.Research of Agricultural Modernization， 2020， 41（4）： 718-726.

［31］ 汪小欽， 江洪， 傅銀貞. 森林葉面積指數(shù)遙感研究進(jìn)展［J］.福州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2009， 37（6）： 822-828.

WANG Xiaoqin， JIANG Hong， FU Yinzhen. The progress of the forest LAI estimation from remote sensing data［J］.Journal of Fuzhou University （Natural Science Edition）， 2009， 37（6）： 822-828.

［32］ Yu Z Y， Ustin S L， Zhang Z C， et al. Estimation of a new canopy structure parameter for rice using smartphone photography［J］.Sensors， 2020， 20（14）： 4011.

Estimation of above ground biomass of drone Diarthron tianschanicum based on multi feature fusion

HOU Zhengqing¹， YAN An²， XIE Kaiyun²， YUAN Yilin¹， XIA Wenqiu³，

XIAO Shuting¹， ZHANG Zhenfei¹， SUN Zhe¹

（1. College of Resources and Environment， Xinjiang Agricultural University， Urumqi 830052， China; 2. College of Grassland Science， Xinjiang Agricultural University， Urumqi 830052， China; 3. College of Computer and Information Engineering， Xinjiang Agricultural University， Urumqi 830052， China）

Abstract：【Objective】 This project aims to explore the ability of UAV multi feature to construct D. tianschanicum aboveground biomass （AGB） estimation model.The finding has provided a reference for the grading basis for the classification of grassland degradation degree.【Methods】 Diarthron tianschanicum is one of the degradation indicator plants， and its growth status can reflect the degree of grassland degradation. and to extract the spectral features， texture features and D. tianschanicum coverage from visible high spatial resolution remote sensing images， and the three were used as inputs to establish a univariate linear model. The three types of features were fused to construct multiple stepwise regression and artificial neural network models， and the effect of multi feature fusion to estimate AGB was analyzed. 【Results】 （1） The best coverage extraction window period of D. tianschanicum was in full bloom， and the effect of D. tianschanicum extraction model constructed by RF algorithm was ideal， and the overall accuracy was more than 81%. （2） Spectral features， texture features and coverage were all correlated with AGB， and the texture feature G had the highest correlation， which was 0.784. （3） Compared with single vegetation index， texture feature， coverage and any two feature combinations as input amount， the accuracy of AGB was the highest， with R² and RMSE of 0.870 and 15.383， respectively. 【Conclusion】 It is verified by artificial neural network mode that the fusion of spectral features， texture index and coverage can effectively improve the accuracy of AGB estimation.

Key words：drone; Diarthron tianschanicum biomass; visible light; coverage; texture features

Fund projects： Special Project for Key R amp; D Task in Xinjiang Uygur Autonomous Region （2022B02003）

Correspondence author： YAN An （1983-）， male， from Ziyang，Sichuan，professor， Ph.D.， Master/Doctoral's supervisor， research direction： digital agriculture and ecological environment remote sensing monitoring，（E-mail）yanan@xjau.edu.cn