基于ASD地物光譜儀反演錫林郭勒典型草原地上生物量模型研究

摘要：草地生物量是草地生態系統的重要參數，草原冠層植被光譜的復雜性使得長期評估草場生長狀況成為一種挑戰。目前少有研究對內蒙典型草原原始光譜信息進行深度探索，探討地物光譜信息對地上生物量估算的影響。本研究于2017年7月至2018年8月使用ASD Field Spec3 野外便攜式高光譜儀采集內蒙古錫林郭勒毛登牧場的草地冠層高光譜數據，分析草地的反射光譜曲線來表征植被變化的趨勢。同時采用光譜預處理方法結合多種高光譜模型選出最優預測模型。結果表明：（1）從對比不同的廣義線性擬合模型（Generalize linear model， GLM）的預測精度來看，最佳的高光譜建模方法為，選取SDrSDb為變量的最佳模型為y=-3.795 3x2+60.065x-78.455（x為SDrSDb，y是估算的地上生物量鮮重），擬合R2=0.662，預測R2=0.302。（2）高光譜變量與地上生物量干重之間分析中，選擇SDr-SDySDr+SDy作為變量的最佳模型為y=7.744e3.434 9x（x為SDr-SDbSDr+SDb，y是估算的地上生物量干重），擬合R2=0.559；預測R2=0.304。該研究結果對草地生物量高光譜預測建模具有科學價值。

關鍵詞：地上生物量；植被指數；高光譜；典型草原；反演模型

中圖分類號：S812.8""" 文獻標識碼：A""""" 文章編號：1007-0435（2024）07-2234-11

doi：10.11733/j.issn.1007-0435.2024.07.024

引用格式：

孫煜焱， 董建軍， 王秀梅.基于ASD地物光譜儀反演錫林郭勒典型草原地上生物量模型研究［J］.草地學報，2024，32（7）：2234-2244

SUN Yu-yan， DONG Jian-jun， WANG Xiu-mei.Hyperspectral Inversion of above-ground biomass model of typical steppe in Xilin Gol based on ASD the Ground Object［J］.Acta Agrestia Sinica，2024，32（7）：2234-2244

收稿日期：2023-11-28；修回日期：2024-03-02

基金項目：內蒙古自治區直屬高校基本科研業務費項目（JY20220108）；內蒙古自治區自然科學基金（2022LHMS03006）；內蒙古工業大學人才項目博士科研啟動金（DC2300001284）；基于高光譜技術的天然草地生物物理參數監測及建模研究（2021MS03082）資助

作者簡介：

孫煜焱（1999-），女，滿族，吉林長春人，碩士研究生，主要從事環境信息系統、高光譜遙感、環境遙感研究，E-mail：1179039672@qq.com；*通信作者Author for correspondence，E-mail：wxm2023@imut.edu.cn

Hyperspectral Inversion of Above-ground Biomass model of Typical Steppe in

Xilin Gol Based on ASD the Ground Object

SUN Yu-yan1， DONG Jian-jun2， WANG Xiu-mei1*

（1. School of Resources and Environmental Engineering， Inner Mongolia University of Technology， Hohhot， Inner Mongolia 010051， China;

2. College of Ecology and Environment， Inner Mongolia University， Hohhot， Inner Mongolia 010021， China）

Abstract：Grassland biomass is an important parameter of grassland ecosystem， and the complexity of grassland canopy vegetation spectrum makes it a challenge to evaluate grassland growth status in a long term. However， at present， few studies have deeply explored the original spectral information of typical grasslands in Inner Mongolia， and discussed the impact of spectral information of surface objects on the estimation of existing above ground biomass. In this study， ASD Field Spec3 portable spectrometer was used to collect the canopy height spectral data of grassland in Lemaudeng Pasture， Xilin Gul， Inner Mongolia from July 2017 to August 2018， and the reflectance spectral curve of grassland was analyzed to characterize the trend of vegetation change. At the same time， the optimal prediction model is selected by spectral preprocessing method combined with various hyperspectral models. The results showed that： （1） From the perspective of comparing the prediction accuracy of different GLM generalize linear models， the best hyperspectral modeling method is select SDrSDb， the best model for the variable is y=-3.795 3x2+60.065x-78.455（x is SDrSDb， y is the estimated fresh weight of aboveground biomass）， fitted R2 =0.662， Predicted R2=0.302. （2） In the analysis between hyperspectral variables and above-ground biomass dry weight， select SDr-SDySDr+SDy. The best model as a variable is y=7.744e3.4349x （x is SDr-SDbSDr+SDb， y is the estimated dry weight of above-ground biomass）， fitted R2=0.559， Predicted R2=0.304. The results of this study have scientific value for hyperspectral prediction modeling of grassland biomass.

Key words：Above-ground biomass;Vegetation index;Hyperspectral;Typical grassland;Inversion model

草原是一種重要的植被類型，約占地球陸地面積的40%，是陸地生態系統的重要組成部分，在碳循環和氣候變化中起著至關重要的作用。草地還具有重要的生態和經濟功能，包括生物多樣性保護、氣候調節和牲畜飼料供應［1-2］。草地退化是一個全球性的問題，對農業生產構成長期威脅，特別是在內蒙古地區。未來草地退化的風險將更加突出。隨著人口的增長，人們為了滿足發展需要而開發更多的土地，隨之而來的是草地退化導致的土壤板結、肥力下降、酸堿失衡和土壤退化等后果。隨著草量的減少，畜牧業的發展也變得更加困難。因此，對草地地上生物量進行動態監測，及時定量把握，對草地合理開發利用和保持灌區生態可持續發展具有重要意義。草地生物量不只是地上生物量（也稱地上現存生物量，現存生物量），還有地下生物量。評價草地系統狀態的關鍵指標之一是地上生物量（Aboveground biomass，AGB）。

遙感作為監測區域地上生物量這項技術已被許多研究認可。利用遙感方法對區域草地地上生物量進行監測是需要建立可靠的估算模型［3］，這樣不僅有利于草地管理，而且有助于模擬地上生物量反演的過程。對于遙感數據源來說，與多光譜數據相比，高光譜數據有更多的光譜波段可供選擇。因此，為了建立更可靠的分析模型，本研究選擇高光譜數據作為數據源。一般來說，高光譜遙感數據可分為實驗室實測光譜數據、現場實測光譜數據和成像光譜儀獲得的高光譜數據。實驗室光譜測量和野外光譜測量都屬于近高光譜遙感數據獲取方法。高光譜成像光譜儀有多個波段，可以用來反映草地的精細特征，這就具有了光譜積分的特點。Hertel D等［3］發現808 nm和677 nm的反射率計算出的簡單比值可以用來評估亞高山和高寒草地的地上生物量。Hansen等［4］評估了歸一化植被指數（NDVI）中綠色生物量與所有兩波段組合之間的關系，發現了一些與生物量估算高度相關的分組波段（主要在680～750 nm的紅邊光譜區域）。Mutanga等［5］發現，從位于紅邊的波長計算的植被指數可以很好地估計高冠層密度下的牧草生物量。Liang等［6］計算NDVI、EVI、RVI等12種植被指數以建立三江源區高寒草地生物量回歸模型，結果發現NDVI與高寒草地AGB的相關性最佳，模型精度最優良。Filella等［7］在對地中海灌木叢的一項研究中，發現從900和679 nm處的反射率計算的NDVI對生物量和物候變化都很敏感。Xie等［8］提出了一種新的基于物理的PROSAIL模型反演方法。結果表明：測定的AGB值與實測AGB值具有較好的一致性（R2=0.87，RMSE=14.29）。在Google Earth Engine平臺上實現了他們的方法，并生成了覆蓋青藏高原的日和月AGB產品，時間跨度為2000—2021年。這些研究表明，我們可以利用高光譜來估算地上生物量。然而，目前少有針對原始光譜信息進行深入研究，以探討地物光譜信息對地上生物量估算的影響。因此，本研究的目的是通過對草地冠層高光譜曲線特征分析，從而建立基于地面高光譜遙感的內蒙典型草原最佳AGB反演模型，為草原AGB監測提供了可靠的建模框架。

研究以廣義線性模型為基礎，分析野外實測數據與草地冠層光譜數據。并通過模型的準確性和穩定性，建立了草原AGB遙感反演模型。本文選擇內蒙古錫林郭勒盟毛登牧場作為研究區域，利用高光譜技術反演地上生物量，包括土地控制實驗、確定地上生物量的高光譜特征；基于ASD地物光譜儀監測模型反演內蒙古典型草原的地上生物量。

1" 材料與方法

1.1" 野外監測樣地試驗點

本研究是在內蒙古錫林郭勒毛登牧場（圖1）進行的，該地區主要由羊草（ Leymus chinensis）群落、大針茅（Stipa grandis）群落、糙隱子草（Cleistogenes squarrosa Trin.）群落和克氏針茅（Stipa krylovii Roshev.）群落等四種典型群落類型組成。其中羊草、大針茅和糙隱子草［9-10］是草原中的優勢植物種類，土壤類型主要是典型的栗鈣土。

本研究進行了放牧樣地的控制試驗（見圖2）。試驗區域分為三個主要區域，并對每個區域進行了三次重復。每個大區域又細分為9個小區塊，每塊面積為33.3 m×33.3 m。這些小區塊被標記為T0～T8，其中T0作為對照組，不進行放牧；T1進行全季放牧，從5月到9月進行5次放牧；T2在5月和7月進行2次放牧；T3在6月和8月進行2次放牧；T4在7月和9月進行2次放牧；T7在6月進行放牧，T8為刈割。每次放牧時，對草地控制留茬高度為6 cm，這是終止放牧的標準。

1.2" 高光譜數據獲取

高光譜測定采用美國ASD（Analytical Spectral Devices）公司的ASD Field Spec3野外便攜式高光譜儀［11］，它能夠快速無損地獲取波長范圍為350～2 500 nm的光譜。在測量草地的高光譜數據時，必須保證光譜輻射光譜的正常工作，才能準確地反映草地管層的光譜反射信息。加載儀器啟動系統后，每次采集光譜前先用白板校準，儀器探頭垂直向下。

要盡量保證在高光照強度和無云天氣下采集數據，避免光照強度等外部因素對實驗數據的影響。在云層覆蓋的情況下，有必要等待云層散去后才能繼續采集，同時需要再次測量白板進行標定，以保證數據準確性［12］。本研究將光譜采集的10個光譜數據設為一個集合，每一次數據采集儀器將記錄10條冠層反射率光譜曲線［13］，計算平均光譜反射率作為最終的數據。

首先利用ASD來測量布設的靶標布反射率光譜曲線，之后在Spectronon Pro軟件中依據ASD測量的光譜數據將圖像輻射率數據轉化為反射率圖像。影像數據進行幾何校正的處理，首先，在Georectify Airborne Datacube軟件中對高光譜圖像數據進行處理。依據大疆精靈4拍攝的圖像通過ArcMap軟件的Mosaic工具進行鑲嵌樣地區域的整幅圖像。

1.3" 高光譜特征參數及提取方法

在高光譜系統中包括大量的波段，有助于應用與目標參數關系密切的窄波段信息從而發展新的方法或改進傳統方法來監測草地特性，通常的方法是將高光譜位置變量和原始光譜導數轉換后提取的面積變量，而本研究基于高光譜變量有如下特征參數：

基于高光譜位置變量有6個：藍邊位置λb和紅邊位置λr分別對應著490～530 nm和680～760 nm內一階導數光譜最大值對應的波長［14］（nm）；黃邊幅值Dy和紅邊幅值Dr分別對應著560～640 nm和680～760 nm內一階導數光譜最大值［15］；紅谷反射率ρr：波長650～690 nm范圍內最小波段反射率；紅谷位置λo：波長650～690 nm范圍內最小波段反射率對應的波長（nm）。

基于高光譜面積變量有3個：藍邊面積SDb、黃邊面積SDy、紅邊面積SDr分別對應著490～530 nm，560～640 nm和680～760 nm內一階導數光譜的積分［16］。

基于高光譜植被指數的變量有4個： SDrSDb和SDrSDy 分別對應著紅邊面積（SDr）與藍邊面積（SDb）和紅邊面積（SDr）與黃邊面積（SDy） 的比值；SDr-SDbSDr+SDb 和SDr-SDySDr+SDy 分別對應著紅邊面積（SDr）與藍邊面積（SDb） 和紅邊面積（SDr） 與黃邊面積（SDy） 的歸一化值。

1.4" 高光譜數據處理方法

1.4.1" 草地冠層高光譜特征分析" 在草地冠層光譜的研究中，為了便于對其進行混合光譜分解和光譜匹配［17］，需要對光譜數據進行變換［18-19］。

常見的高光譜變換方法包括導數、一階、二階導數、對數變換等，它們是高光譜數據處理中常用的方式［20-21］（公式1，公式2）。在高光譜傳感器設計過程中，每個波段的帶寬一般都不是固定的。光譜微分處理技術將波段帶寬的變化量表示為所增加信息量的函數。那么當兩個相鄰波段的差別不是很大時，可僅用一個波段來描述基本的地理空間現象盡管我們可以計算高階導數，但是一階和二階導數在光譜特征識別方面則更加普遍來對光譜數據進行預處理［22-23］。經過一階、二階導數、對數變換后［24］，可以減少由于光照條件變化引起的影響［25］（公式3，公式4）。

ρ′（λi）=dρ（λi）dλ=ρ（λi+1）-ρ（λi-1）2Δλ（1）

二階導數光譜：

ρ′（λi）=d2ρ（λi）dλ2=ρ′（λi+1）-ρ′（λi-1）2Δλ=ρ（λi+2）-2ρ（λi）+ρ（λi-2）4（Δλ）2（2）

式中，ρ（λi）是波長λi的光譜值，Δλ是波長λi-1到λi的差值。

［logρ（λi）］′=dlogρ（λi）dλ=1ρ（λi）ln10×dρ（λi）dλ（3）

［log1ρ］′= dlog1ρλidλ=-1ρλiln10×dρλidλ（4）

式中，λi是波段i的波長值、ρ（λi）是波長λi的光譜值。

1.4.2" AGB干鮮重與原始光譜數據的相關性分析" 在將提取到的信息用于實際應用之前需要進行精度評估。例如，用于估算大量變量的決策支持模型，模型的精度需要使用獨立的驗證數據集進行評估［26］。其中有：決定系數（R2）、預測和交叉驗證的均方根誤差（RMSE）、以及預測標準差。Pearson相關系數用于衡量兩組數據之間的線性相關性，其取值范圍介于［-1，1］之間，值越大，表示線性相關性越強［27-28］。相關系數公式如下：

ri=Cov（R，Biomass）" DR" D（Biomass））=∑Nn=1Rni-R-iBiomassn-Biomass-" ∑Nn=1Rni-Ri-2∑Nn=1（Biomassn-Biomass-）2（5）

式中，ri為植被鮮重/干重AGB與高光譜變量，i為波段序號，Rni為第n個樣方植被地上鮮生物量第i波段的高光譜變量，R-i為N個樣方植被干/鮮AGB在i波段高光譜變量的平均值。

1.5" 模型驗證和精度評價

根據前人研究結果，模型的精度主要通過以下三個參數來進行評價：均方根誤差（RMSE）、平均相對估計誤差（REE）、決定系數（R2）保留樣本為總樣本的20%。具體計算公式（6～8）如下：

R2=∑（y︿i-y-）2∑（yi-y-）2（6）

RMSE=∑（Yi-Y′i）2N（7）

REE=∑［（Yi-Y′i）/Y′i］2N（8）

式中，Yi為實際地上生物量（鮮重），Y′i為模型估算的地上生物量，N為樣本量。

2" 結果與分析

高光譜數據包含更豐富的地物光譜信息，波譜范圍全，光譜分辨率高，有利于地物的精細分類與識別［29］，正確選取對草原地上生物量最佳波段組合是提高擬合模型精度的關鍵［30］。本文對草地樣方數據與光譜反射率統計相關分析，建立草原地上生物量與光譜反射率相關系數曲線，分析最優決定系數對應最優波段。通過相關分析后發現對內蒙古典型草原地上生物量敏感波段及組合的高光譜特征變量等均通過0.01極顯著性水平，其中SDr-SDbSDr+SDb的歸一化值均最大，其次波長紅邊680～760 nm內一階導數光譜SDrSDb的積分。但沒有出現明顯的綠峰反射率（ρg）與紅谷反射率（ρr），這與草地冠層植物群落集合體的混合光譜及土壤背景等影響有關。其次利用原始冠層光譜、一階導數光譜波段ρ678和ρ′737，建立廣義線性擬合模型，與傳統多光譜遙感估產相比擬合精度相對高，能有效的對典型草原進行估產研究。

2.1" 高光譜數據的相關分析

2.1.1" AGB與高光譜特征變量的相關性分析" AGB干/鮮重與特征變量相關性分析如下：由表1、表2可知，地上生物量鮮重與Dy，Dr，λb，λr，SDb，SDy，SDr之間的相關系數均達到0.01顯著性檢驗水平，但與變量Db，λy無顯著相關。地上生物量干重與Dy，λb，λr，SDb，SDy之間的相關系數均達到0.01顯著性檢驗水平，但與光譜變量的相關系數未達到顯著性檢驗水平。

2.1.2" AGB與高光譜植被指數的相關性分析" 由表3中可知，地上生物量鮮重與植被指數變量SDrSDb，SDrSDy，SDr-SDbSDr+SDb，SDr-SDySDr+SDy之間的相關系數均達到0.01顯著性檢驗水平。

由表4可知，地上生物量干重與植被指數變量SDrSDb，SDrSDy，SDr-SDbSDr+SDb，SDr-SDySDr+SDy之間的相關系數均達到0.01顯著性檢驗水平。

2.2" AGB的高光譜遙感估算模型

2.2.1" 基于敏感波段678和的估算模型" 通過草地冠層光譜分析及高光譜特征相關分析篩選出敏感波段，發現678 nm處出現最大負相關值，737 nm處出現最大正相關值。基于敏感波段本研究來進行高光譜估產。

如圖3和表5所示，二次多項式模型的擬合結果優于其它模型的擬合結果。圖3（a）中AGB鮮重越高，678 nm的反射率越小，兩者是負相關關系，而圖3（b）中AGB鮮重與737 nm處的一階導數光譜則呈正相關關系。表5中F值表示整個擬合方程的顯著性，F越大，表示方程越顯著，擬合程度也就越好。

由圖4和表6可知，非線性模型的擬合結果均優于線性模型的擬合結果，其中圖4（a）中原始光譜反射率ρ678冪函數模型最優。

2.2.2" 基于高光譜特征參數的估算模型" 建立AGB鮮重/干重的廣義線性模型（表7～8）。地上生物量鮮重以Dy，Dr，λb，λr，SDb，SDy，SDr擬合最優模型為二次模型，并且相關系數均達到0.01顯著性檢驗水平； 地上生物量干重以Dy，λb，λr 擬合最優為冪函數、以SDb擬合最優為二次函數、以SDy擬合最優為指數函數。鮮重、干重以SDy，Dy擬合的最佳廣義線性模型擬合結果如圖5。

2.2.3" 基于高光譜植被指數的估算模型" ASD高光譜數據與AGB（鮮重/干重）之間的建模分析中，高光譜植被指數與AGB均密切相關，通過野外采集的54個樣點數據建立模型。從表中選擇與AGB鮮重/干重的相關關系都選SDrSDb，SDrSDy，SDr-SDbSDr+SDb，SDr-SDySDr+SDy為自變量，建立最優廣義線性模型（表9～10，圖6）。可以看出，在地上生物量鮮重以SDrSDb，SDr-SDbSDr+SDb，SDr-SDySDr+SDy擬合最優為二次模型，SDrSDy為對數模型，在地上生物量干重以SDrSDb和SDrSDy 擬合最優為冪函數， SDr-SDbSDr+SDb和SDr-SDySDr+SDy為指數函數。

2.3" AGB高光譜遙感估算模型反演精度分析

利用高光譜反射率和廣義線性模型分析，我們發現基于高光譜植被指數的估算模型精度最好，我們將對其估算模型進行精度分析（如圖7）。總體而言，由實測和估算AGB之間線性關系的斜率，表明地上生物量估算模型相對穩定，從而有效的克服了冠層光譜飽和現象，提高了地上生物量估算效果。

3" 討論

3.1" 草地冠層光譜分析

綜合比較地上鮮生物量與高光譜波段變量、植被指數變量回歸模型，以植被指數為自變量的回歸模型的擬合效果優于以單個波段為自變量的回歸模型的擬合效果。對原始光譜進行導數變換后發現草地冠層的一階導數可以消除土壤背景對冠層光譜影響。以往對草地葉片的研究多集中在光譜的單一變量上［31-33］，而對數據的綜合處理或對相似變量的模型進行比較的研究較少［34-35］。

唐延林等［36］發現高光譜“紅邊”參數與水稻地上鮮/干生物量以及葉面積指數之間均存在極顯著相關。Mahlein等［37］利用特定的光譜植被指數評估了甜菜病害發展早期的三種真菌葉片病害。Feng等［38］使用單獨的植被指數以及植被指數與紅邊參數的組合分別建立冬小麥產量估算模型，結果表明，與單獨使用植被指數相比，使用植被指數和紅邊參數的組合實現了改進的產量估計。這再次印證觀測“紅邊”參數在提取高光譜特征中表現的尤為重要。本研究對于草地冠層光譜進行導數變換及高光譜特征變量相關分析，其次利用高光譜特征參數、波段ρ678和ρ′737建立廣義線性擬合模型（Generalize linear model， GLM）［22］。高光譜數據的擬合精度相對較高，它能夠有效地應用于對典型草原的估產研究［39］。綜上所述，本研究清楚地表明，利用高光譜數據集和有效的判別算法，可以對草地地上生物量進行估產。

3.2" 不同光譜特征變量的AGB模型分析

與傳統多光譜遙感反演生物量相比，本文所建立的高光譜特征參數，原始冠層光譜678 nm和一階導數光譜波段737 nm、高光譜特征變量和植被指數建立的AGB估產模型中精度更高，更有效進行典型草原高光譜數據地上生物量反演［40］。高光譜遙感估測目前農業方面應用比較廣泛，提取敏感波段建立植被指數［41］，尋找關鍵波段建立反演模型，并取得了較好的成果。本文利用高光譜特征變量、高光譜植被指數、原始光譜反射率ρ678和一階導數光譜ρ′737等特征參數建立AGB的廣義線性模型。高光譜特征變量與AGB均以SDy擬合的最優模型，R2分別為0.543，0.465。高光譜植被指數與AGB以SDrSDb，SDr-SDySDr+SDy自變量擬合模型最優，R2分別為0.662，0.559。原始光譜反射率ρ678、一階導數光譜ρ′737 敏感波段建立的反演模型二次多項式和冪函數結果最優。

4" 結論

利用ASD光譜儀測定了不同時期的AGB鮮重/干重。結果發現，干重形式的AGB對反演模型的擬合程度更好，基于高光譜植被指數在建立AGB估算模型時擬合程度更加優良，模型更具有穩定性。在廣義線性模型的分析中，將內蒙古典型草原的地上生物量鮮重與高光譜變量特征值進行比較，發現其與地上生物量鮮重之間密切相關。本研究通過高光譜傳感器獲得的反射率光譜和選取SDrSDb為變量的最佳模型為：y=-3.795 3x2+60.065x-78.455（x是SDrSDb，y是估算的地上生物量鮮重）。對于大部分變量，指數模型的擬合效果比線性模型更有效，擬合結果與預測結果加以比較，選擇擬合R2與預測R2為最大的模型作為高光譜變量的最佳模型為：y=7.744e3.4349x（x是SDr-SDbSDr+SDb，y是估算的地上生物量干重）。因此，本研究通過對草地地上生物量與高光譜數據之間建立聯系，并構建了相關的估算模型來估算內蒙古典型草原的地上生物量。

參考文獻

［1］" GAO X X，DONG S K，LI S，et al. Using the random forest model and validated MODIS with the field spectrometer measurement promote the accuracyof estimating aboveground biomass and coverage of alpine grasslands on the Qinghai-Tibetan Plateau［J］. Ecological Indicators，2019，112（C）：106114-106114

［2］" DAWEI X，CONG W，JIN C，et al. The superiority of the normalized difference phenology index （NDPI） for estimating grassland aboveground fresh biomass［J］. Remote Sensing of Environment，2021，264：112578

［3］" HERTEL D，THERBURG A，VILLALBA R. Above- and below-ground response by Nothofagus pumilio to climatic conditions at the transition from the steppe-forest boundary to the alpine treeline in southern Patagonia，Argentina［J］. Plant Ecology Diversity，2008，1（1）：21-33

［4］ "HANSEN P，SCHJOERRING J. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression［J］. Remote Sensing of Environment，2003，86（4）：542-553

［5］" MUTANGA O，SKIDMORE K A. Narrow band vegetation indices overcome the saturation problem in biomass estimation［J］. International Journal of Remote Sensing，2004，25（19）：3999-4014

［6］" LIANG T，YANG S，FENG Q，et al. Multi-factor modeling of above-ground biomass in alpine grassland：A case study in the Three-River Headwaters Region，China［J］. Remote Sensing of Environment，2016，186：164-172

［7］" FILELLA I，PEUELAS J，LLORENS L，et al. Reflectance assessment of seasonal and annual changes in biomass and CO2uptake of a Mediterranean shrubland submitted to experimental warming and drought［J］. Remote Sensing of Environment，2004，90（3）：308-318

［8］" XIE J，WANG C，MA D，et al. Generating spatiotemporally continuous grassland aboveground biomass on the Tibetan Plateau through PROSAIL model inversion on Google Earth Engine ［J］. IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-10

［9］" LYU X，LI X，GONG J，et al. Comprehensive grassland degradation monitoring by remote sensing in Xilinhot，Inner Mongolia，China［J］. Sustainability，2020，12（9）：3682

［10］閆敏，左合君，張曄，等.錫林浩特草原大針茅返青特征及其與氣象因子的關系［J］.生態環境學報，2019，28（7）：1307-1312

［11］劉昌華，方征，陳志超，等.ASD Field Spec3野外便攜式高光譜儀診斷冬小麥氮營養［J］.農業工程學報，2018，34（19）：162-169

［12］高宏元，侯蒙京，葛靜，等.基于隨機森林的高寒草地地上生物量高光譜估算［J］.草地學報，2021，29（8）：1757-1768

［13］張勇.基于高光譜數據的草甸草原遙感估產研究［D］.呼和浩特：內蒙古大學，2022：44-46

［14］李燕強.不同冬小麥品種冠層光譜特征及其與農學參數關系研究［D］.鄭州：河南農業大學，2012：15-18

［15］孫鵬.三江源區不同退化梯度高寒草原植被高光譜特征研究［D］.蘭州：甘肅農業大學，2018：33-35

［16］杜保佳.基于無人機高光譜影像的濕地植物群落分類與冠層氮素含量反演研究［D］.北京：中國科學院大學（中國科學院東北地理與農業生態研究所），2021：39-40

［17］易秋香.玉米主要生物物理和生物化學參數高光譜遙感估算模型研究［D］.烏魯木齊：新疆農業大學，2005：29-30

［18］孔嘉鑫，張昭臣，張健.基于多源遙感數據的植物物種分類與識別：研究進展與展望［J］.生物多樣性，2019，27（7）：796-812

［19］KIRRILLY P，RENEE B，TIMOTHY W，et al. Multi-temporal spectral reflectance of tropical savanna understorey species and implications for hyperspectral remote sensing［J］. International Journal of Applied Earth Observation and Geoinformation，2022，112：102870

［20］陳程，杜健民，楊紅艷.內蒙古荒漠化草原植被高光譜特征提取與分析［J］.光學儀器，2018，40（6）：42-7

［21］高莎，林峻，馬濤，等.新疆巴音布魯克草原馬先蒿光譜特征提取與分析［J］.遙感技術與應用，2018，33（5）：908-14

［22］劉琦.小麥條銹病潛育期遙感監測及分子檢測技術研究［D］.北京：中國農業大學，2016：31-32

［23］李嵐濤.冬油菜氮素營養高光譜特異性及定量診斷模型構建與推薦追肥研究［D］.武漢：華中農業大學，2018：64-71

［24］謝凱.基于高光譜遙感的水稻稻瘟病分級檢測技術［D］.長沙：湖南農業大學，2017：20-22

［25］羅紅霞，闞應波，王玲玲，等.基于高光譜遙感技術的農作物病蟲害應用研究現狀［J］.廣東農業科學，2012，39（18）：76-80

［26］管立新.農作物監測高光譜遙感技術研究［D］.深圳：深圳大學，2018：28-30

［27］GUSTAVO A T，ARKO L，RICHARD R，et al. Perennial ryegrass biomass retrieval through multispectral UAV data［J］. Computers and Electronics in Agriculture，2022，193：106574

［28］YANG L，HAIKUAN F，JIBO Y，et al. Estimation of aboveground biomass of potatoes based on characteristic variables extracted from UAV Hyperspectral Imagery ［J］. Remote Sensing，2022，14（20）：5121

［29］楊哲海，韓建峰，宮大鵬，等.高光譜遙感技術的發展與應用［J］.海洋測繪，2003（6）：55-58

［30］王福民，黃敬峰，王秀珍，等.波段位置和寬度對不同生育期水稻NDVI影響研究［J］. 遙感學報，2008（4）：626-632

［31］金梁，胡克林，田明明，等.夏玉米葉片分層氮素營養的高光譜診斷［J］.光譜學與光譜分析，2013，33（4）：1032-1037

［32］張樂勤，陳素平.基于偏最小二乘通徑分析方法的科技創新對用水效率邊際效應的測度與分析［J］.水利水電科技進展，2018，38（1）：55-62

［33］白麗敏，李粉玲，常慶瑞，等.結合SPA和PLS法提高冬小麥冠層全氮高光譜估算的精確度［J］. 植物營養與肥料學報，2018，24（5）：1178-1184

［34］羅批，郭繼昌，李鏘，等.基于偏最小二乘回歸建模的探討［J］.天津大學學報，2002（6）：783-786

［35］王宏博，趙梓淇，林毅，等.基于線性回歸算法的春玉米葉面積指數的冠層高光譜反演研究［J］.光譜學與光譜分析，2017，37（5）：1489-1496

［36］唐延林，王人潮，黃敬峰，等.不同供氮水平下水稻高光譜及其紅邊特征研究［J］.遙感學報，2004（2）：185-192

［37］MAHLEIN A，STEINER U，DEHNE H，et al. Spectral signatures of sugar beet leaves for the detection and differentiation of diseases［J］. Precision Agriculture，2010，11（4）：413-431

［38］HAIKUAN F，HUILIN T，YIGUANG F，et al. Comparison of winter wheat Yield Estimation based on Near-Surface Hyperspectral and UAV Hyperspectral Remote Sensing Data［J］. Remote Sensing，2022，14（17）：4158-4158

［39］王秀梅.內蒙古典型草原植被地上生物量遙感反演［D］.呼和浩特：內蒙古大學，2022：78-80

［40］童新，楊震雷，張亦然，等.基于不同階微分高光譜植被指數的牧區草場地上生物量估算［J］.草地學報，2022，30（9）：2438-2448

［41］文銅，柳小妮，紀童，等.基于植被指數的三江源高寒草地植物分類與識別方法研究［J］.草地學報，2022，30（7）：1811-1818

（責任編輯" 劉婷婷）