基于可見光不同分辨率影像下的昭蘇山地草甸地上生物量估算

摘 要：【目的】無人機(jī)搭載數(shù)碼相機(jī)具有較高的機(jī)動(dòng)性、靈活性和分辨能力，在快速、準(zhǔn)確估算草地AGB等方面優(yōu)勢(shì)明顯。

【方法】探討無人機(jī)搭載的數(shù)碼相機(jī)在不同飛行高度的影像分辨率差對(duì)草地AGB估算精度，在新疆昭蘇山地草甸設(shè)置10、30、50、70和90 m 5個(gè)飛行高度，探究不同飛行高度下獲取的影像在光譜信息、紋理特征等差異下對(duì)草地AGB估算精度的影響。

【結(jié)果】在相同的飛行高度下，采用光譜信息與紋理特征相結(jié)合的方法相較于單獨(dú)使用光譜信息或紋理特征，可以提高AGB估算的精度，分別提高了22.34%、13.25%、11.11%、2.18%和2.35%。僅依賴數(shù)碼圖像的光譜信息來估算草地AGB容易導(dǎo)致飽和現(xiàn)象。然而，與光譜信息相比，草地的紋理特征受環(huán)境影響較小，在相同的圖像分辨率下，所獲得的模型效果更佳，彌補(bǔ)單一指標(biāo)估算草地AGB的不足。

【結(jié)論】影像分辨率在0.27～2.45 cm時(shí)，紋理特征與草地AGB的相關(guān)性弱于植被指數(shù)，但均達(dá)到顯著水平，隨著圖像清晰度減低，兩者之間的關(guān)聯(lián)性差異變得顯著；在同種圖像分辨率前提下，將光譜信息與紋理特征相結(jié)合可以實(shí)現(xiàn)最佳的草地AGB估算效果，單一的紋理特征模型次之，單一的光譜模型效果最差；隨著圖像分辨率的遞增，對(duì)草地AGB的估算精度受到光譜信息、紋理信息以及光譜與紋理信息的影響呈現(xiàn)上升趨勢(shì)。

關(guān)鍵詞：草地；地上生物量；影像分辨率；光譜信息；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（2025）01-0234-09

收稿日期（Received）：

2024-07-19

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）：優(yōu)質(zhì)牧草高效生產(chǎn)與加工關(guān)鍵技術(shù)集成示范

作者簡介：

袁以琳（1994-），男，河南駐馬店人，碩士研究生，研究方向?yàn)檗r(nóng)業(yè)信息化，（E-mail）171043013@qq.com

通信作者：

顏安（ 1983 -） ，男，四川安岳人，教授，博士，博士生導(dǎo)師，研究方向?yàn)閿?shù)字農(nóng)業(yè)技術(shù)、農(nóng)業(yè)資源與環(huán)境，（ E-mail） zryanan@ 163.com

0 引 言

【研究意義】草地生態(tài)系統(tǒng)是陸地生態(tài)系統(tǒng)中分布范圍最為廣泛的系統(tǒng)［1］。草地地上生物量（above ground biomass，AGB）是評(píng)估草地第一生產(chǎn)力的關(guān)鍵指標(biāo)之一，是描述草地植物生長特征、評(píng)估草地生產(chǎn)力的重要指標(biāo)。目前主要通過直接收獲法測(cè)定草地AGB，該方法成本較高、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)，亦無法連續(xù)觀測(cè)［2-4］。因此，快速準(zhǔn)確地監(jiān)測(cè)草地AGB對(duì)于揭示草地植被的變化、確定適宜的草地載畜量以及分析和評(píng)價(jià)區(qū)域的生態(tài)環(huán)境具有重要意義［5］。【前人研究進(jìn)展】近年來，隨著無人機(jī)技術(shù)的快速發(fā)展，將無人機(jī)與數(shù)碼相機(jī)等遙感監(jiān)測(cè)平臺(tái)相結(jié)合，具有性價(jià)比高、數(shù)據(jù)處理簡單和分辨率高等特點(diǎn)［6］，在植被覆蓋度及地上生物量監(jiān)測(cè)等方面應(yīng)用較多。張正健等［7］利用若爾蓋草原可見光圖像，結(jié)合試驗(yàn)地樣方數(shù)據(jù)，構(gòu)建了試驗(yàn)地實(shí)測(cè)樣方和植被指數(shù)之間的回歸模型，并據(jù)此估算了該區(qū)域的生物量。楊琦等［8］基于無人機(jī)數(shù)碼影像，常見的植被指數(shù)與株高預(yù)測(cè)甘蔗LAI回歸模型，在苗期至生長末期中提取的株高對(duì)甘蔗LAI預(yù)測(cè)的效果最好。Jibo等［9］利用無人機(jī)RGB影像和高光譜數(shù)據(jù)，運(yùn)用光學(xué)植被指數(shù)對(duì)LAI和AGB進(jìn)行了估算，得到光學(xué)植被指數(shù)與AGB有很高的相關(guān)性。卜靈心等［10］研究發(fā)現(xiàn)，錫林郭勒盟不同草地類型的不同特征變量中，植被覆蓋度、歸一化植被指數(shù)、增強(qiáng)植被指數(shù)和降水量對(duì)草地AGB估算結(jié)果的影響較大。以上利用無人機(jī)可見光影像對(duì)草地AGB的估算研究成果顯示，可見光圖像在有效監(jiān)測(cè)作物的AGB方面表現(xiàn)出色。但仍有某些局限，大多從植被光譜指數(shù)或者單一的紋理特征入手，忽略了無人機(jī)影像光譜、紋理信息的融合，模型精度容易產(chǎn)生飽和現(xiàn)象，使得模型給出的預(yù)測(cè)結(jié)果不夠準(zhǔn)確或失真，無法真實(shí)地反映實(shí)際情況［11-12］。劉暢等［14］、朱永基等［15］采用高光譜影像以及光譜、紋理和二者結(jié)合的方法估測(cè)了冬小麥的AGB，結(jié)果顯示二者融合后能有效降低AGB估算過程中出現(xiàn)的過早飽和，且模型效果優(yōu)于單一光譜、紋理。劉楊等［19］結(jié)合不同高度采用光譜、紋理和二者結(jié)合的方法估測(cè)了馬鈴薯AGB，結(jié)果伴隨圖像清晰度的提升，光譜數(shù)據(jù)、紋理數(shù)據(jù)以及光譜與紋理數(shù)據(jù)聯(lián)合利用提高了對(duì)AGB的估算精確度。【本研究切入點(diǎn)】目前對(duì)天然草地AGB估測(cè)的相關(guān)研究多集中在植被指數(shù)、植被指數(shù)與紋理特征相結(jié)合的基礎(chǔ)上，關(guān)于無人機(jī)航高等可控應(yīng)用條件的研究還很匱乏。為此，需以新疆昭蘇山地草甸草地為對(duì)象，開展不同分辨率下無人機(jī)數(shù)碼影像的草地AGB估算。【擬解決的關(guān)鍵問題】探究在相同分辨率的影像下，分別采用光譜信息、紋理特征、光譜信息+紋理特征的模型估算草地AGB的效果；分析無人機(jī)在可見光數(shù)碼影像分辨率逐步提升的情況下，對(duì)草地AGB進(jìn)行估測(cè)時(shí)，光譜信息、紋理特征、光譜信息+紋理特征綜合利用對(duì)草地AGB估算精確度的影響，為應(yīng)用無人機(jī)遙感平臺(tái)大范圍估算天然草地植被AGB奠定基礎(chǔ)。

1 材料與方法

1.1 材 料

1.1.1 研究區(qū)域概況

研究區(qū)位于新疆伊犁哈薩克自治州昭蘇縣馬場（N40°55′～43°15′，E81°03′～81°05′），主要有山地、丘陵和山前傾斜平原三大地貌類型，地形坡度大，北高南低，西高東低。馬場以山地草地資源為主，山前平緩地草地資源為輔，山地草地資源占草地資源總面積的78.96%，全場草地資源共分為4個(gè)類，11個(gè)亞類，17個(gè)型，屬于溫帶山區(qū)半濕潤冷涼氣候類型［16］。研究區(qū)所處地段原為天然草地（山地草甸），山地草甸植被主要成分有鴨茅（Dactylis glomerata）、無芒雀麥（Bromus inermis）、新疆鵝觀草（Roegneria sinkiangensis）、貓尾草（Phleum pratense）、草原糙蘇（Phlomis pratensis）、草原老鸛草（Geranium pratense）、大葉橐吾（Ligularia macrophylla）等。

1.1.2 數(shù)據(jù)獲取

分別設(shè)置4塊（50 m×50 m）樣地，在選定的樣地內(nèi)平均設(shè)置12個(gè)小區(qū)，共48個(gè)，每個(gè)小區(qū)面積1 m×1 m，利用GPS定位并記錄其位置信息，調(diào)查指標(biāo)包括蓋度、高度、多度、頻度及生物量干重等，采用收割法［6］齊地面獲取樣地樣方內(nèi)的地上植物活體部分，恒溫80℃烘干至恒重并稱取。

2022年8月于草地生長旺盛期用無人機(jī)采集影像后，通過收割法齊地面獲取草地樣方內(nèi)AGB，并迅速帶回實(shí)驗(yàn)室曬洗干凈，105℃殺青，80℃烘干48 h以上，至質(zhì)量恒定再稱量樣本干質(zhì)量［17］。

1.1.3 無人機(jī)影像獲取及預(yù)處理

使用大疆精靈4A系列無人機(jī)搭載高清數(shù)碼相機(jī)作為數(shù)據(jù)采集平臺(tái)，該無人機(jī)配備位置和方向系統(tǒng)（position and orientation system，POS），以實(shí)現(xiàn)即時(shí)數(shù)據(jù)采集。無人機(jī)航拍時(shí)間為2022年8月22日12：00，當(dāng)天太陽光照強(qiáng)度穩(wěn)定，晴朗無云，人工設(shè)置10、30、50、70和90 m五種飛行高度對(duì)應(yīng)地面空間分辨率分別為0.27、0.82、1.36、1.91和2.45 cm。進(jìn)行數(shù)據(jù)采集時(shí)，事先規(guī)劃無人機(jī)的自主航行路徑，并進(jìn)行圖像記錄。表1

采用Pix4Dmapper軟件實(shí)現(xiàn)圖像數(shù)據(jù)融合，以獲取樣地的數(shù)字正射影像（Digital Orthophoto Map，DOM）和數(shù)字地表模型（Digital Surface Model，DSM），首先利用圖像的位置和方向信息（POS）以及相應(yīng)的空間位置數(shù)據(jù)，創(chuàng)建飛行范圍內(nèi)的稀疏點(diǎn)云；其次基于稀疏點(diǎn)云，在加入地面控制點(diǎn)后，構(gòu)建帶有屬性信息的高精度稀疏點(diǎn)云，進(jìn)一步生成地理空間信息；最后通過對(duì)稀疏點(diǎn)云的轉(zhuǎn)化生成高密度的點(diǎn)云，進(jìn)而生成3D網(wǎng)格模型，以搭建區(qū)域內(nèi)的結(jié)構(gòu)化空間在數(shù)據(jù)采集過程中，所有拍攝圖像均包含位置和方向信息（Position and Orientation System，POS），包括經(jīng)度、緯度、航向、相機(jī)角度和高度等，以實(shí)現(xiàn)快速圖像融合。

1.1.4 影像指數(shù)選取

通過可見光無人機(jī)拍攝的數(shù)碼影像能比較好地反映出草地AGB信息，篩選出8種植被指數(shù)估測(cè)分析草地AGB ［14， 18］。

R=Rn/（Rn+Gn+Bn）.

G=Gn/（Rn+Gn+Bn）.（1）

B=Bn/（Rn+Gn+Bn）.

式中，R、G、B分別表示經(jīng)歸一化處理得到DOM影像中紅、綠、藍(lán)（Rn、Gn、Bn）影像波段的平均DN（digital number，DN）值，即波段反射率；Rn、Gn、Bn分別代表紅、綠、藍(lán)影像波段的平均DN值。表2

1.1.5 紋理特征選取

通常利用像素的灰度分布和空間鄰域的變化來顯示圖像的紋理特征，其能夠呈現(xiàn)出目標(biāo)與四周環(huán)境之間的空間位置關(guān)系，這在遙感影像中是一個(gè)至關(guān)重要的信息。通過ENVI軟件，運(yùn)用灰度共生矩陣來提取藍(lán)、綠、紅三個(gè)波段的紋理特性，涵蓋0°、45°、90°、135°四個(gè)方向，隨即對(duì)各個(gè)方向的紋理特性進(jìn)行平均計(jì)算，得出每個(gè)波段的8個(gè)紋理特征，包括對(duì)比性（contrast，con）、相關(guān)性

（correlation，cor）、不同性（dissimilarity，dis）、信息熵（entropy，ent）、同質(zhì)性（homogeneity，hom）、二階矩（second moment，sm）、方差（variance，var）和平均值（mean）。紅波段的紋理特征為con_R，cor_R，dis_R，ent_R，hom_R，sm_R，var_R和mean_R。綠波段的紋理特征為con_G，cor_G，dis_G，ent_G，hom_G，sm_G，var_G和mean_G。藍(lán)波段的紋理特征為con_B，cor_B，dis_B，ent_B，hom_B，sm_B，var_B和mean_B［19］。

1.2 方 法

1.2.1 多重共線性

采用方差膨脹因子（Variance inflation factor，VIF）評(píng)估輸入變量之間的共線性。當(dāng)VIF值較高時(shí)，表明輸入變量之間存在顯著的多重共線性，可能導(dǎo)致數(shù)據(jù)冗余和計(jì)算難度增加，因此需要進(jìn)行數(shù)據(jù)降維［13］。當(dāng)VIF小于10時(shí)，可以認(rèn)為輸入變量之間不存在顯著的多重共線性；如果VIF值顯示為10 ～20，輸入變量之間存在一定的共線性；然而，若VIF超過20，可能暗示著輸入變量之間的共線性問題相當(dāng)嚴(yán)重。

1.2.2 主成分

主成分分析（Principal components analysis，PCA）是一種廣泛采用的數(shù)據(jù)降維技術(shù)。要點(diǎn)在于通過轉(zhuǎn)換方式，將大量相關(guān)變量轉(zhuǎn)化為少數(shù)不相關(guān)變量，以便更清晰地展示和簡化數(shù)據(jù)信息。在構(gòu)建AGB估測(cè)模型之前，對(duì)光譜數(shù)據(jù)和紋理特征進(jìn)行K-L變換。根據(jù)特征值大于1的原則，選取前n個(gè)主成分來建立估測(cè)模型。

1.2.3 多元線性回歸

多元線性回歸（Multiple linear regression，MLR）當(dāng)有兩個(gè)或更多的自變量時(shí)，被稱為多元回歸。較只有一個(gè)自變量更有效和符合實(shí)際。研究以光譜特征、紋理特征和兩者的組合作為自變量，草地AGB作為因變量，分別組合構(gòu)建模型。

1.2.4 精度評(píng)價(jià)指標(biāo)

從總樣本集（48個(gè)樣本）中選擇2/3的樣本數(shù)據(jù)（32個(gè)）作為建模集，1/3的樣本數(shù)據(jù)（16個(gè)）作為驗(yàn)證集；使用建模集訓(xùn)練模型，并使用驗(yàn)證集進(jìn)行模型驗(yàn)證，如果模型的預(yù)測(cè)結(jié)果與實(shí)際觀測(cè)值差距較小，則說明模型擬合效果良好；使用決定系數(shù)（Coefficient of determination，R2）、均方根誤差（Root mean square error，RMSE）和平均絕對(duì)誤差（Mean absolute error，MAE）評(píng)估模型的準(zhǔn)確性。其中，決定系數(shù)越趨近于1，同時(shí)，RMSE和MAE越小，模型預(yù)測(cè)的誤差越小［20-21］。

2 結(jié)果與分析

2.1 影像指數(shù)與草地AGB的相關(guān)性

研究表明，不同飛行高度下，10 m時(shí)前3個(gè)植被指數(shù)，30 m時(shí)前5個(gè)植被指數(shù)，50 m時(shí)前3個(gè)植被指數(shù)，70 m時(shí)前4個(gè)植被指數(shù)，在90 m的情況下，排在前3的植被指數(shù)均與草地AGB的相關(guān)性顯著（Plt;0.01），且相關(guān)系數(shù)的絕對(duì)值均大于0.410。隨著飛行高度的增加，EXG、VARI、EXGR、GRVI、以及MGRVI等5個(gè)植被指數(shù)與AGB之間的相關(guān)性，除了排列順序略有不同外，依然處于前列。當(dāng)飛行高度為10、30、50、70、90 m時(shí)VARI、EXGR的相關(guān)性均排前3；當(dāng)飛行高度為30、50、70、90 m時(shí)影像指數(shù)EXG、VARI、EXGR的相關(guān)性均處于前列；在高度達(dá)到70 m時(shí)，MGRVI與草地AGB之間的相關(guān)性處于前3；而在高度分別為10、30和90 m時(shí)，GRVI的相關(guān)性均排前4。因此，當(dāng)無人機(jī)所處高度不同時(shí)，草地AGB與前5個(gè)植被指數(shù)間的相關(guān)性排名變化不大。另外，即使在可見光數(shù)碼影像的不同分辨率下，由光譜信息構(gòu)建的圖像指標(biāo)與草地AGB之間的相關(guān)性排序也幾乎無明顯不同。表3

2.2 紋理特征與草地AGB的相關(guān)性

研究表明，8個(gè)紋理特征與草地AGB均呈顯著水平（Plt;0.05），相關(guān)系數(shù)的絕對(duì)值均高于0.169。在飛行高度為10 m和30 m時(shí)，前4個(gè)紋理特征與AGB的關(guān)聯(lián)也較為顯著。

隨著高度變化，相應(yīng)的紋理特征也發(fā)生了顯著變化，同一組紋理特征在不同飛行高度下與草地AGB的相關(guān)性排名也表現(xiàn)出明顯的波動(dòng)。特別值得注意的是，當(dāng)飛行高度達(dá)到90 m時(shí)，與10、30、50和70 m相比，紋理特征與AGB之間的相關(guān)系數(shù)顯著下降。紋理特征的提取在很大程度上受到數(shù)字圖像的分辨率影響。表4

2.3 不同飛行高度下光譜特征估算草地AGB

研究表明，膨脹因子數(shù)均超過20，變量間有顯著的共線性，需要對(duì)前8個(gè)植被指數(shù)進(jìn)行主成分分析處理。根據(jù)主成分的特征值需要大于1的原則，分別確定了不同飛行高度下的最佳主成分?jǐn)?shù)量為3、3、3、3和2個(gè)。

在高度為10 m至90 m時(shí)，伴隨分辨率的下調(diào)，草地AGB的光譜特性估算結(jié)果呈現(xiàn)降低。建模集的R2從0.725降至0.638，建模集的RMSE從21.988增至25.206，建模集的MAE從14.326增至18.700。同樣，模型驗(yàn)證效果亦呈下降趨勢(shì)，R2從0.775降至0.658，RMSE從28.861增至37.664，MAE從39.564增至46.753。表5

2.4 不同飛行高度下紋理特征估算草地AGB

研究表明，隨著飛行高度的升高，利用紋理特征估算草地AGB的效果逐漸降低。建模R2從0.770遞減至0.652，RMSE則從15.128逐漸增加至18.264；MAE從11.481遞增為15.603；驗(yàn)證集R2從0.864遞減為0.636，RMSE從53.173遞增為67.881，MAE從34.239遞增為61.365，其中驗(yàn)證集R2、RMSE、MAE在50 m時(shí)有略微提升。隨著飛行高度的增加，圖像分辨率逐漸減小，進(jìn)而對(duì)紋理特征的提取產(chǎn)生影響，并導(dǎo)致對(duì)草地AGB的估算效果逐漸減弱。當(dāng)高度為10 m，對(duì)應(yīng)的圖像分辨率為0.27 cm時(shí)，模型的估算效果達(dá)到最佳水平。表6

2.5 不同飛行高度下光譜信息與紋理特征結(jié)合估算草地AGB

研究表明，隨著無人機(jī)高度的遞增，光譜信息和紋理特征結(jié)合來估算草地AGB的效果逐漸下降，建模集R2從0.887遞減至0.653，RMSE也隨之從14.060增加至19.016，MAE從10.281增加到17.315；驗(yàn)證集R2從0.851遞減到0.713，RMSE從48.446遞增到68.310，MAE從37.805增加到55.183。當(dāng)無人機(jī)以高度10 m飛行時(shí)，對(duì)應(yīng)的地面分辨率為0.27 cm，此時(shí)模型的估算效果最佳。在相同的飛行高度下，利用融合指標(biāo)構(gòu)建的草地AGB估算模型的精度和效果均更為出色。表7

3 討 論

3.1

研究當(dāng)無人機(jī)的飛行高度分別設(shè)定為70和90 m，相應(yīng)的影像分辨率分別為1.91和2.45 cm時(shí)，觀察到紋理特征與草地AGB之間的關(guān)聯(lián)性并不顯著。是因?yàn)樘烊徊莸刂参锏娜~片寬度通常小于1.8 cm，在這些飛行高度下難以捕捉到完整的影像紋理特征。研究比較了3種不同方法估算草地AGB的效果：僅使用光譜信息、僅使用紋理特征以及兩者的結(jié)合。結(jié)果表明，在相同的無人機(jī)飛行高度條件下，結(jié)合光譜信息和紋理特征的方法能夠達(dá)到最佳估算效果；其次是僅使用紋理特征的方法，而單純依賴光譜信息的效果則是最差的，與劉暢等［14］在冬小麥AGB估算方面的研究相一致，均強(qiáng)調(diào)了光譜信息和紋理特征結(jié)合使用在提高估算精度上的重要性。盡管研究同樣強(qiáng)調(diào)了光譜信息和紋理特征結(jié)合方法的高估算精度，但不同之處在于研究發(fā)現(xiàn)單獨(dú)使用光譜信息的估算效果是最差的，這些差異可能源于估算對(duì)象的參數(shù)、傳感器類型以及影像分辨率等因素的不同。試驗(yàn)研究與劉楊等［19］在不同飛行高度下估算馬鈴薯AGB的研究結(jié)果相似，均發(fā)現(xiàn)在10 m飛行高度時(shí)，光譜信息和紋理特征的結(jié)合使用能夠達(dá)到對(duì)草地AGB的最高精度估算。

3.2

在研究草地AGB估算精度受不同飛行高度數(shù)碼圖像影響時(shí)，研究設(shè)置了5個(gè)不同的飛行高度，并獲得了相應(yīng)的圖像地面分辨率。通過引入多個(gè)變量以分析其對(duì)草地AGB估算性能的影響。結(jié)果表明，在相同的飛行高度下，采用光譜信息與紋理特征相結(jié)合的方法相較于單獨(dú)使用光譜信息或紋理特征，可以提高山地草甸草地AGB估算的精度，分別提高了22.34%、13.25%、11.11%、2.18%和2.35%。此結(jié)果強(qiáng)調(diào)了僅依賴數(shù)碼圖像的光譜信息來估算草地AGB容易導(dǎo)致飽和現(xiàn)象。然而，與光譜信息相比，草地的紋理特征受環(huán)境影響較小，因此在相同的圖像分辨率下，所獲得的模型效果更為出色。在研究中，綜合考慮了光譜信息和紋理信息對(duì)草地AGB估算的貢獻(xiàn)，采用了其組合方式，在一定程度上彌補(bǔ)單一指標(biāo)估算草地AGB的不足之處。在無人機(jī)可見光影像的分辨率從0.27～2.45 cm變化時(shí)，不論是光譜信息、紋理信息，還是光譜信息和紋理信息的結(jié)合，隨著圖像分辨率的提高，均呈出逐漸增強(qiáng)的趨勢(shì)，對(duì)草地AGB的估算精度也逐漸提高，此結(jié)果與劉楊等［19］、李天馳等［20］、甘甜等［21］、鐘濱等［22］引入影像光譜特征與紋理特征的馬鈴薯AGB估算、冬小麥產(chǎn)量預(yù)測(cè)、竹林信息提取的研究結(jié)果相似。未來應(yīng)該收集更多不同飛行高度和不同時(shí)期的樣品數(shù)據(jù)，對(duì)影像分辨率與草地AGB估算結(jié)果的影響進(jìn)行更深入的分析。

4 結(jié) 論4.1

隨著無人機(jī)可見光圖像分辨率的下降，與昭蘇山地草甸草地AGB相關(guān)的前8個(gè)植被指數(shù)類別以及其相關(guān)性排序經(jīng)歷了差異和波動(dòng)，其中，前4個(gè)植被指數(shù)中的差異和排序變化并不明顯。與此相反，與草地AGB相關(guān)的前8種紋理特征則呈現(xiàn)出不同的特點(diǎn)，并且其相關(guān)性排序發(fā)生明顯的波動(dòng)。在飛行高度90 m時(shí)，光譜特征和圖像的紋理特征與草地AGB的相關(guān)性均降至最低點(diǎn)。4.2

在相同的圖像分辨率條件下，結(jié)合光譜信息和紋理特征的模型表現(xiàn)最為出色，其次是單獨(dú)采用紋理特征的模型，而僅使用光譜特征的模型效果最差。4.3

無人機(jī)可見光數(shù)碼影像分辨率逐漸提高時(shí)，光譜信息、紋理信息以及光譜信息和紋理信息相結(jié)合估算昭蘇山地草甸草地AGB的精度也相應(yīng)地逐漸提高。

參考文獻(xiàn)（References）

［1］劉偉， 周華坤， 周立. 不同程度退化草地生物量的分布模式［J］. 中國草地， 2005， 27（2）： 9-15.

LIU Wei， ZHOU Huakun， ZHOU Li. Biomass distribution pattern of degraded grassland in alpine meadow［J］. Grassland of China， 2005， 27（2）： 9-15.

［2］ 賴熾敏， 賴日文， 薛嫻， 等. 基于植被蓋度和高度的不同退化程度高寒草地地上生物量估算［J］. 中國沙漠， 2019， 39（5）： 127-134.

LAI Chimin， LAI Riwen， XUE Xian， et al. Estimation of aboveground biomass of different degraded alpine grassland based on vegetation coverage and height［J］. Journal of Desert Research， 2019， 39（5）： 127-134.

［3］ 李宗南， 陳仲新， 王利民， 等. 基于小型無人機(jī)遙感的玉米倒伏面積提取［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30（19）： 207-213.

LI Zongnan， CHEN Zhongxin， WANG Limin， et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（19）： 207-213.

［4］ 陳鵬飛， 梁飛. 基于低空無人機(jī)影像光譜和紋理特征的棉花氮素營養(yǎng)診斷研究［J］. 中國農(nóng)業(yè)科學(xué)， 2019， 52（13）： 2220-2229.

CHEN Pengfei， LIANG Fei. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle［J］. Scientia Agricultura Sinica， 2019， 52（13）： 2220-2229.

［5］ 干友民， 成平， 周純兵， 等. 若爾蓋亞高山草甸地上生物量與植被指數(shù)關(guān)系研究［J］. 自然資源學(xué)報(bào)， 2009， 24（11）： 1963-1972.

GAN Youmin， CHENG Ping， ZHOU Chunbing， et al. Study on pertinence between the vegetation indexes and the aboveground biomass of sub-alpine meadow of zoige county［J］. Journal of Natural Resources， 2009， 24（11）： 1963-1972.

［6］ 李淑貞， 徐大偉， 范凱凱， 等. 基于無人機(jī)與衛(wèi)星遙感的草原地上生物量反演研究［J］. 遙感技術(shù)與應(yīng)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.

［7］ 張正健， 李愛農(nóng)， 邊金虎， 等. 基于無人機(jī)影像可見光植被指數(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.

［8］ 楊琦， 葉豪， 黃凱， 等. 利用無人機(jī)影像構(gòu)建作物表面模型估測(cè)甘蔗LAI［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（8）： 104-111.

YANG Qi， YE Hao， HUANG Kai， et al. Estimation of leaf area index of sugarcane using crop surface model based on UAV image［J］. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（8）： 104-111.

［9］ Yue J B， Feng H K， Jin X L， et al. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera［J］. Remote Sensing， 2018， 10（7）： 1138.

［10］ 卜靈心， 來全， 劉心怡. 不同機(jī)器學(xué)習(xí)算法在草原草地生物量估算上的適應(yīng)性研究［J］. 草地學(xué)報(bào)， 2022， 30（11）： 3156-3164.

BU Lingxin， LAI Quan， LIU Xinyi. Adaptation of different machine learning algorithms for grassland biomass estimation［J］. Acta Agrestia Sinica， 2022， 30（11）： 3156-3164.

［11］ 劉武超， 羅研， 馬瞳宇， 等. 高分辨率遙感影像多特征灌叢提取方法研究［J］. 測(cè)繪與空間地理信息， 2022， 45（S1）： 111-113.

LIU Wuchao， LUO Yan， MA Tongyu， et al. Study on extraction method of multi-feature shrub from high-resolution remote sensing image［J］. Geomatics amp; Spatial Information Technology， 2022， 45（S1）： 111-113.

［12］ 李健， 江洪， 羅文彬， 等. 融合無人機(jī)多光譜和紋理特征的馬鈴薯LAI估算［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2023， 44（1）： 93-101.

LI Jian， JIANG Hong， LUO Wenbin， et al. Potato LAI estimation by fusing UAV multi-spectral and texture features［J］. Journal of South China Agricultural University， 2023， 44（1）： 93-101.

［13］ 楊福芹， 馮海寬， 肖天豪， 等. 融合無人機(jī)影像光譜與紋理特征的冬小麥氮營養(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.

［14］ 劉暢， 楊貴軍， 李振海， 等. 融合無人機(jī)光譜信息與紋理信息的冬小麥生物量估測(cè)［J］. 中國農(nóng)業(yè)科學(xué)， 2018， 51（16）： 3060-3073.

LIU Chang， YANG Guijun， LI Zhenhai， et al. Biomass estimation in winter wheat by UAV spectral information and texture information fusion［J］. Scientia Agricultura Sinica， 2018， 51（16）： 3060-3073.

［15］ 朱永基， 殷飛箋， 王晗， 等. 隨機(jī)森林方法支持下Sentinel-2A MSI多種特征的冬小麥識(shí)別分析［J］. 安徽科技學(xué)院學(xué)報(bào)， 2022， 36（1）： 25-31.

ZHU Yongji， YIN Feijian， WANG Han， et al. Winter wheat identification based on multiple features of sentinel-2AMSI data and random forest method［J］. Journal of Anhui Science and Technology University， 2022， 36（1）： 25-31.

［16］ 黎松松， 王寧欣， 鄭偉， 等. 一年生和多年生豆禾混播草地超產(chǎn)與多樣性效應(yīng)的比較［J］. 植物生態(tài)學(xué)報(bào)， 2021， 45（1）： 23-37.

LI Songsong， WANG Ningxin， ZHENG Wei， et al. Comparison of transgressive overyielding effect and plant diversity effects of annual and perennial legume-grass mixtures［J］. Chinese Journal of Plant Ecology， 2021， 45（1）： 23-37.

［17］ 楊婷婷. 荒漠草原生物量動(dòng)態(tài)及碳儲(chǔ)量空間分布研究——以蘇尼特右旗為例［D］. 呼和浩特： 內(nèi)蒙古農(nóng)業(yè)大學(xué)， 2013.

YANG Tingting. Study on biomass dynamics and spatial distribution of carbon storage in desert grassland— a case study of sunite right banner［D］. Hohhot： Inner Mongolia Agricultural University， 2013.

［18］ 郭濤， 顏安， 耿洪偉. 基于無人機(jī)影像的小麥株高與LAI預(yù)測(cè)研究［J］. 麥類作物學(xué)報(bào)， 2020， 40（9）： 1129-1140.

GUO Tao， YAN An， GENG Hongwei. Prediction of wheat plant height and leaf area index based on UAV image［J］. Journal of Triticeae Crops， 2020， 40（9）： 1129-1140.

［19］ 劉楊， 馮海寬， 孫乾， 等. 不同分辨率無人機(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.

［20］ 李天馳， 馮海寬， 田坤云， 等. 基于PROSAIL模型和無人機(jī)高光譜數(shù)據(jù)的冬小麥LAI反演［J］. 麥類作物學(xué)報(bào)， 2022， 42（11）： 1408-1418.

LI Tianchi， FENG Haikuan， TIAN Kunyun， et al. Retrieval of winter wheat leaf area index by PROSAIL model and hyperspectral data［J］. Journal of Triticeae Crops， 2022， 42（11）： 1408-1418.

［21］ 甘甜， 李雷， 李紅葉， 等. 基于多源遙感數(shù)據(jù)和機(jī)器學(xué)習(xí)算法的冬小麥產(chǎn)量預(yù)測(cè)研究［J］. 麥類作物學(xué)報(bào)， 2022， 42（11）： 1419-1428.

GAN Tian， LI Lei， LI Hongye， et al. Winter wheat yield prediction based on multi-source remote sensing data and machine learning algorithms［J］. Journal of Triticeae Crops， 2022， 42（11）： 1419-1428.

［22］ 鐘濱， 廖永皓， 蔡海生. 基于光譜與紋理特征的高分二號(hào)竹林信息提取——以廬山自然保護(hù)區(qū)為例［J］. 測(cè)繪與空間地理信息， 2020， 43（12）： 8-13.

ZHONG Bin， LIAO Yonghao， CAI Haisheng. Extraction bamboo forest from GF-2 satellite based on spectral and texture features： taking Lushan nature reserve as an example［J］. Geomatics amp; Spatial Information Technology， 2020， 43（12）： 8-13.

Aboveground biomass estimation of Zhaosu mountain meadow

based on visible light images with different resolution

YUAN Yilin1， YAN An1， NING Songrui2， HOU Zhengqing1，

ZHANG Zhenfei1， XIAO Shuting1， SUN Zhe1， XIA Wenqiu1

（1." College of Resources and Environment， Xinjiang Agricultural University， Urumqi 830052， China; 2. Xi’an University of Technology， Xi’an 710048， China）

Abstract：【Objective】 Unmanned aerial vehicles （UAVs） equipped with digital cameras offer high mobility， flexibility， and resolution， making them advantageous for rapid and accurate AGB estimation. This study aims to investigate the impact of image resolution differences at various flight altitudes of UAVs on the accuracy of AGB estimation.

【Methods】" In this study， we conducted UAV flights at five different altitudes （10， 30， 50， 70， 90 m） over the Zhaosu mountain meadow in Xinjiang to explore the effects of image acquisition at different flight altitudes on AGB estimation accuracy by analyzing differences in spectral information and texture features.

【Results】" By extracting digital images collected at different flight altitudes， we analyzed their spectral information and texture features and correlated these features with measured AGB.The top 8 vegetation indices selected in this study and the top 8 texture features showed strong correlations with AGB. After integrating the three input variables’ variance inflation factor （VIF）， we constructed an AGB estimation model using Principal Component Analysis （PCA） and Multiple Linear Regression （MLR）. The study compared the model accuracy for estimating AGB using images of different resolutions.

【Conclusion】 The results indicate that： （1） The correlation between texture features and AGB is weaker than that of vegetation indices when image resolution ranges from 0.27 to 2.45 cm but both of them reach a significant level. As image resolution decreases， the difference in correlation between the two becomes more apparent. （2） At the same image resolution， the best AGB estimation results are achieved when spectral information is combined with texture features， followed by a model using a single texture feature， with a single spectral model performing the worst. （3） As image resolution increases， the accuracy of AGB estimation improves for models using spectral information， texture information， and spectral + texture information.

Key words：grassland; above-ground biomass; image resolution; spectral information; texture features

Fund projects：the Major Scientific R amp; D Program Project of Xinjiang Uygur Autonomous Region （2022B02003）;Demonstration of Integrated Key Technologies for High-Quality Forage Efficient Production and Processing

Correspondence author： YAN An （1983 - ）， male， from Anyue， Sichuan， Ph.D. ， professor，doctoral supervisor，research direction：digital agricultural technology， agricultural resources and environment，（ E-mail） zryanan@ 163.com