基于無人機獲取草地植物地上生物量的信息損失分析及修正

中圖分類號：TP751；S812 文獻標識碼：A 文章編號：1007-0435（2025）07-2206-13

引用格式：，等.基于無人機獲取草地植物地上生物量的信息損失分析及修正[J].草地學報，2025，33 （7） ：2206-2218 LI Jia-xin，JINGui-li，LIU Wen-hao，et al.Analyzing and Modifyingof Grassland Plant InformationLoss ofAboveg round Biomass based onUAV Data[J].Acta Agrestia Sinica，2025，33（7） ：2206-2218

Analyzingand ModifyingofGrassland PlantInformation Lossof AbovegroundBiomassbasedonUAVData

LI Jia-xin，JIN Gui-li*，LIU Wen-hao，WANG Sheng-ju，CHEN Meng-tian，LI Wen-xiong， DU Wen-lin，LI Chao，HU Xiu-wen

（Colege ofGrassand Science，Xinjiang Agricultural University/Xinjiang KeyLaboratoryof GrasslandResources andEcology， Urumqi，Xinjiang 830005，China）

Abstract：In order to explore the information lossin UAV（Unmanned aerial vehicle） monitoring of grassland biomass，this study compared the ground hyperspectral and on-site measured data with the multispectral images of the desert grassland community of Seriphidium transiliense，and used the vegetation index combined with linear regresson method to construct the inversion model of aboveground biomass of the plant community at different phenological periods.The error and rule of UAV acquisition of aboveground biomass were discussed and the modified model was established.The result shows that：（1）In April，June and September，the best UAV multi-spectral models were NDVI（Normalized diference vegetation index），RVI（Ration vegetation index） and NDVI，with accuracy of 65.61% ， 48.26% and 61.59% ，respectively. Among all the ground hyperspectral data， NDVI is the most optimal， and the accuracy was 71. 77% ， 53.63% and 67.58% ，respectively.（2） The ground hyperspectral retrieval ability was better than the UAV multispectral retrieval ability，the loss rates ofmultispectral data from UAV at each phenological stagewere ΔNDVIgt;ΔRVIgt;I OVI（Differencevegetation index），and the loss rates of optimal model were 8.58% ， 9.89% and 8.87% ，respectively.（3）The UAV multi-spectral accuracy of all models was improved by 0.02%～3.74% ，The modified NDVI mode in April had the highest accuracy of 66.36%（y=403.431x+17.5936） .In summary，by screening the best inversion models，analyzing the information loss of diferent platforms，and modifying the UAV multi-spectral of the UAV can give full play to the advantages of diferent platforms and improve the estimation accuracy.It also proves the feasibility of using high-resolution remote sensing data to modify low-spatial-resolution data.

Keywords： Unmanned aerial vehicle;Ground hyperspectral;Aboveground;Inversion;Informationloss;Modification

地上生物量（Abovegroundbiomass，AGB）是反映草地生長狀況的關鍵指標，準確高效獲取地上生物量信息對草地資源管理至關重要[1-2]。目前多采用地面測量和遙感監測估算地上生物量，地面測量獲取數據信息準確有效，但費時費力，受時間、天氣、交通等因素影響難以實現區域性動態監測[3]。光學遙感為大面積高效監測植物群落結構特征提供了可能。無人機（Unmannedaerialvehicle，UAV能夠捕獲地物的光譜特征，常用于植物冠層群落特征提取[4-5]，其搭載傳感器具有靈活、高效、便捷的特點，克服了衛星和航空遙感的時空分辨率限制，彌補了地面遙感采集效率較低，空間覆蓋能力有限的不足，與地面調查數據更好地銜接，在地面觀測、衛星和航空遙感之間搭建起信息推繹的橋梁，顯著提高了生態系統動態監測的時間頻度和空間尺度[6-7]。

目前，大量研究通過光譜植被指數構建多元線性回歸（Multiplelinearregression，MLR）模型對植被的葉面積指數、葉綠素和地上生物量等屬性進行精確研究[8-10]，并且利用優化植被指數[11]、結合光譜變換等形式進一步提高模型的估測精度，在預測森林蓄積量12、農作物[13和草地生物量[14等研究中得到應用。然而，無人機在數據采集過程中易受到外部環境干擾和下墊面影響，即使使用最先進的無人機傳感器系統，仍然可能遺漏大量的植被信息，從而降低植物群落特征的估計精度[15]，因此了解無人機獲取草地植物群落地上生物量數據信息損失情況亟待進一步探討，通過與地面高光譜進行對比能夠分析不同數據源的精度差異，判斷無人機多光譜在植物地上生物量估測中是否存在信息損失。

本研究以集中分布在我國新疆，具有重要生態和生產功能且處于退化階段的伊犁絹蒿（Seriphid-iumtransiliense）荒漠草地為研究對象，基于多光譜無人機獲取群落冠層影像，以地面高光譜及現場測量數據為對照，通過最佳指數因子法篩選特征波段，采用不同植被指數結合線性回歸法構建反演模型，明確無人機獲取草地群落地上生物量的反演模型及精度，探討其誤差與規律，通過誤差關系式建立修正模型，以期提高無人機對草地群落的估算精度。

1 材料與方法

1. 1 研究區域概況

研究區位于新疆烏魯木齊市米東區柏楊河鄉典型伊犁絹蒿荒漠草地分布區（圖1），地處 87^° 52^′59^′′E～87^°55^′13\"E ， 44^°00^′16^′′N～44^°01^′20^′′N 之間，年降水量為 250mm 左右，屬于溫帶大陸性半干旱半荒漠氣候。該地區建群種為伊犁絹蒿，伴生種為角果藜（Ceratocarpusarenarius）和叉毛蓬（Petrosimonia sibirica）等[16]。

1. 2 試驗設計

伊犁絹蒿荒漠草地建群種伊犁絹蒿春季3—4月返青，5一6月營養生長期，7一8月進入休眠期，8一9月進入花果期，因此參照伊犁絹蒿荒漠草地物候節律以及研究區各類植物生長周期[17-18]，于2022年4月、6月、9月采集無人機多光譜、地面高光譜及實測數據。實驗選擇晴朗無云，地面能見度高，風力不要超過3級的天氣，當天時間在12一16點之間采集光譜數據。遵循植叢分布均勻的原則，在伊犁絹蒿優勢度的草地內設置3條長 550m 寬 50m ，相隔 200m 的樣帶用于無人機多光譜采集，每條樣線內布設55個大小為 0.5m×0.6m 的小樣方用于地面高光譜和實測數據采集，共165個（圖2）。

1.3數據采集及預處理

1.3.1無人機多光譜使用大疆精靈4多光譜版無人機對地采集光譜數據，設置飛行高度為 15m 飛行速度為 1.0m?s^-2 ，空間分辨率為 0.8cm ，拍照模式為等時間拍照（間隔為2.0s），相機沿航線方向拍攝樣線，航向重疊率和旁向重疊率設置為75%^[16] 。通過大疆智圖軟件預處理操作得到5幅單波段圖像，使用ENVI5.3軟件LayerStacking功能融合為多光譜圖像，RadiomatricCalibration和QuickAtmosphericCorrection（QUAC）功能進行輻射定標和大氣校正，提取群落感興趣區（Regionofinterest，ROI保存，BandMath功能計算紅光波段和近紅外波段的植被指數光譜影像[19-20]，剔除因陣風引起變形的圖像異常數據。

1.3.2地面高光譜使用SOC710VP高光譜成像光譜儀采集光譜數據，將高光譜掃描儀安裝在三腳架上，成像光譜儀鏡頭距離地面 1.5m ，垂直正射于樣方植物冠層自然狀態的表面，保證測定樣方中無陰影進入，前方無物體遮擋，對樣方內的植物群落進行光譜成像。每次測量前均使用標準白板校準反射率。在SRAnal710軟件中提取光譜數據，將圖片添加RGB假彩色，選定圖片的最大范圍，生成光譜灰度值，再將光譜灰度值（Digitalnumber，DN）值轉為光譜反射率，選取所有像素點的光譜反射率平均值作為其的光譜反射值[21]

1.3.3植物群落實測地上生物量在采集地面高光譜數據后，采用齊地劉割法齊地采集樣方內所有植物群落地上生物量，利用電子天平稱量鮮重，將0.5m×0.6m 小樣方內群落地上生物量單位換算轉化為 g?m^-2 。在調查時記錄每個樣地經緯度（WGS84坐標系）和海拔等信息，同時用相機拍攝實際植被照片，以便后期將無人機圖片中的地物與

實際地物進行對比觀察。

1.3.4特征波段篩選光譜特征波段篩選的核心為從全波段光譜中確定最具代表性的特征光譜波段，其能夠提高建模效率與模型性能[21]。因此本研究選擇。CHAVEZ等22]提出的針對整體組合的最佳指數因子法（Optimumindexfactor，OIF）[16.23]篩選兩個遙感平臺的特征波段。使用ENVI軟件ComputeStatistics功能計算遙感影像各個波段的標準差，按照光譜區間范圍將光譜所有的波段分成5個集合，選擇各集合中標準差最大的波段兩兩組合進行相關性分析，計算最佳指數因子。多光譜無人機只有5個波段，直接計算標準差，相關系數及OIF值。最佳指數因子計算公式如下：

式中，OIF為最佳指數因子， S_i 為第i個波段的標準差， R_ij 表示ij兩波段的相關系數且要取絕對值，n為在所有波段中選取的波段數。

1.4模型建立與精度驗證

在ENVI軟件中，提取ROI范圍內無人機的植被指數光譜影像，光譜影像上所有像素值的平均值作為群落的植被指數，并對提取地面高光譜數據的反射率進行植被指數計算，以此獲取不同遙感平臺的歸一化植被指數（Normalizeddifferencevegetation，NDVI）、比值植被指數（Rationvegetationindex，RVI）、差值植被指數（Differencevegetationindex， DVI）^[24] ，采用SPSS軟件對兩個遙感平臺的植被指數與實測地上生物量進行相關性分析，并選擇線性逐步回歸法建立光譜數據與群落地上生物量反演模型。數據集按照7：3的比例隨機進行模型建立與精度驗證。選用決定系數（Determinationcoefficients， R² ）、均方根誤差（Rootmean squareerror，RMSE）、精度（Accuary）3個指標驗證模型精度。計算公式如下：

式中： b_i 和 b_i^′ 分別為實測和估測生物量， 和 分別為實測和估測生物量的平均值。

1. 5 信息損失分析

使用Origin2021軟件將無人機多光譜估測值與實測值通過線性回歸模型擬合，選擇 R² 進行精度驗證，通過與地面高光譜對比，判斷不同數據源之間的精度差異[25-26]。在Excel2016計算多光譜無人機損失率，損失率若為正值表示地面高光譜優于無人機多光譜，若為負值表示無人機多光譜優于地面高光譜。將實測值按照從小到大順序依次排列，并對實測值、地面高光譜估測值、無人機多光譜估測值在Origin2021軟件中進行行統計，計算均值和標準差，繪制誤差棒圖，評估3者的誤差關系，以分析多光譜無人機在植物冠層的信息損失。損失率計算公式如下：

1.6 模型修正

在Exce12016中計算無人機多光譜估測值與地面高光譜估測值之間的差值，將無人機植被指數與差值擬合獲取誤差關系式，利用無人機反演模型減去誤差關系式構建修正模型，計算得出修正后無人機多光譜估測值并驗證精度。

2 結果與分析

2.1草地植物地上生物量反演模型的篩選

2.1.1特征波段篩選無人機多光譜數據4月、6月和9月特征波段均為Red，RedEdge和NIR，OIF值分別為0.69，1.32和1.22。地面高光譜數據選擇的植被指數需要紅光波段和近紅外波段，因此選擇特征波段4月為448.90，622.60和 761.56nm ，6月為499.69，622.6和 761.56nm ，9月為499.69，622.60和 764.35nm ，OIF值分別為0.71，0.64和0.16。利用以上特征波段計算植被指數構建地上生物量反演模型（表1）。

表1不同波段組合的最佳指數因子

Table1 OIF fordifferentband combinations

2.1.2植被指數與群落地上生物量相關性分析植被指數與群落地上生物量關系如表2所示，相關系數均達到顯著性水平 （Plt;0.01） ，無人機多光譜數據的地上生物量在4月和9月與NDVI的相關系數最高，分別為0.500和0.364，6月與RVI的相關系數最高，為0.385；地面高光譜數據地上生物量3個月份均與NDVI的相關系數最高，分別為0.527，0.505和0.529。

2.1.3模型建立及精度評價群落地上生物量反演模型如表3，無人機多光譜4月和9月基于NDVI建立的反演模型精度最高，分別為 65.61% 和61.59% ，4月最佳模型為 y=487.7x+5.2916，9 月最佳模型為 y=175.35x+15.777;6 月RVI精度最高為 48.26% ，最佳模型為 y=112.97x-106.47 。地面高光譜3個月份均與NDVI精度最高，分別為71. 77% ， 53.63% 和 67.58% ，4月最佳模型為 y= 434.81x-2.3008，6 月最佳模型為 y=334.19x- 7.2206，9月最佳模型為 $y = 5 7 . 6 3 7 x + 5 . 0 7 6 7 。$ 對比植被群落地上生物量最佳模型可知，地面高光譜模型反演精度優于無人機多光譜，通過模型的篩選和精度差異對比能夠分析無人機獲取地物的信息損失，為模型修正奠定基礎。

2.2草地植物地上生物量反演模型的信息損失分析

2.2.1擬合效果分析將所有樣本的無人機多光譜估測值與實測值進行擬合，并通過與地面高光譜對比得到實測值與估測值的1：1線型圖（圖3），以評估無人機多光譜與地面高光譜對地上生物量估測值的準確性。整體上地面高光譜反演模型得到的植被地上生物量估測值與實測值的擬合線更接近1：1線，4月、6月和9月NDVI的 R² 分別為0.5213，0.325和0.4948，RVI的 R² 分別為0.5091，0.323和0.4875；無人機多光譜4月、6月和9月NDVI的 R² 分別為0.3978，0.174和0.2188，RVI的 R² 分別為0.3977，0.1767和0.2171，對比不同平臺可知不同物候期NDVI和RVI的地上生物量模型 R² 均高于無人機多光譜。說明地面高光譜對植被覆蓋度的估算能力優于無人機多光譜，進一步證明了不同遙感平臺對地上生物量估測的精度差異。

2.2.2損失率分析對反演模型估算精度分析可知（表4），在4月、6月和9月各植被指數的損失率均表現為NDVIgt;RVIgt;DVI，說明地上生物量損失率在不同物候期和植被指數之間具有差異性。其中，對最佳反演模型的計算結果為：4月無人機多光譜NDVI模型相比地面高光譜估算精度低 8.58% ，9月低 8.87% ，6月無人機多光譜RVI模型相比地面高光譜NDVI模型估算精度低 9.89% 。說明無人機多光譜在地上生物量反演過程中存在信息損失，需要根據損失規律和差異利用地面高光譜對其分月份和指標修正。

2.2.3誤差分析不同遙感平臺估測值與實測值之間有誤差，且并不均勻，需要進行誤差分析。由圖4可知不同物候期和植被指數均表現為在較低和較高生物量時誤差較大，在中生物量誤差相對較小，其中4月、6月和9月生物量范圍分別在 69.13～ 83.87，11.02＼～16.77和 19.33～29.67g?m^-2 之間誤差較小，呈現出兩頭大中間小的趨勢，因此需要根據物候期、植被指數誤差的差異性對地上生物量進行修正。

表4基于無人機多光譜反演地上生物量的損失率

Table4 Loss rate of aboveground biomass inversion based onUAV multispectral

2.3草地植物地上生物量反演模型的修正

表5為地面高光譜修正無人機多光譜的地上生物量誤差關系式，將無人機估算模型減去誤差關系式構建修正模型（表6），并利用實測值、無人機多光譜修正前后估測值繪制對比分析圖（圖4）。

由表6可知，所有地上生物量修正模型均得到不同程度的提高，提高了 0.02%～3.74%， 4月以RVI的精度提升最多，為 1.04%，6 月和9月DVI提升最多，分別為 2.94% 和 3.74% ，在月份間和植被指數間無明顯規律性。修正后模型4月和9月以NDVI的精度最高，分別為 66.36% 和61. 61% ，6月以RVI的精度最高為 50.11% ，與修正前對比，地上生物量各月反演最佳模型沒有改變，但精度均得到提高。

由圖5所示，各月份無人機多光譜修正后估測生物量呈現出NDVI，RVI隨實測生物量增加而更接近實測值的趨勢，并且4月DVI修正后效果更加明顯，而9月DVI隨地上生物量增加無明顯變化。綜上，無人機多光譜在4月的修正效果最佳，修正后NDVI精度最高，修正模型為 y=403.431x+17.5936°

3討論

3.1反演模型的篩選

本研究通過最佳指數因子法篩選無人機多光譜特征波段為藍光、紅邊、近紅外波段，地面高光譜4月為藍光、紅光、近紅外波段，6月和9月為綠光、紅光、近紅外波段。對植被指數與群落地上生物量進行相關性分析，3個月份相關系數均達到了顯著性水平，這與Wang等2研究結果類似。利用特征波段構建反演模型，可以發現相關系數較高的植被指數，構建的反演模型精度也較高，這與針對冬小麥、棉花（Gossypiumhirsutum）等[28-29]農作物的生物量估算研究結果一致，并且通過篩選相關系數較大的敏感植被指數組合作為輸入特征，結合多種機器學習算法構建模型均能獲得較高的估算精度[27.30-31]，有效說明了相關性與模型估算精度之間的密切聯系。本研究利用3個植被指數構建反演模型，整體上NDVI和RVI比DVI更適用于地上生物量的估測，與Jin等[32和牛亞曉等33學者篩選的植被指數各有不同。綜上，需要針對遙感平臺、物候期和地物等差異性需要對植被指數進行專一性篩選。

3.2 信息損失分析

通過擬合效果分析可知地面高光譜在各物候期NDVI和RVI的 R² 均高于無人機多光譜，進一步證明其對地上生物量的估算能力更優。引起無人機多光譜精度差異的原因是地面高光譜連續的窄波段能夠捕捉地物更細微光譜差異[34]，有利于實現地上生物量的高精度反演，而多光譜遙感較少的光譜通道和不連續的寬波段對荒漠草地植被參數提取存在一定困難[35]；并且本研究中地面高光譜采集高度為 1.5m ，無人機飛行高度為 15m ，高度的增加也是引起空間分辨率的差異的原因之一，有研究表明距離目標地物更近，受到的環境干擾相對更小，反映地物的光譜特征更加真實[36]，說明適宜的空間分辨率有助于提高估測精度[37]。冠層信息損失在不同物候期也具有差異性，春季4月伊犁絹蒿處于返青期，角果藜處于苗期；夏季6月群落植物處于生長旺盛期，但由于干旱葉片水分含量降低，逐漸枯黃，7一8月伊犁絹蒿有休眠現象，秋季9月伊犁絹蒿進入花期，角果藜枯黃[16.38]，為此，在不同物候期的地物監測中，需重視因植物生長形態變化而造成的反演精度信息損失的差異。無人機多光譜最佳模型的損失率分別為 8.58%，9.89% 和 8.87% ，誤差分析結果表明隨地上生物量增加呈現出兩頭大中間小的趨勢，證明了無人機多光譜在植被地上生物量反演過程中存在信息損失。趙菡等[39]對研究樣地進行立地質量分級，認為中間立地等級的誤差最小，立地質量越接近平均水平，生物量估計的相對誤差越小，與本文研究結果一致。魏高磊等40認為中高植被覆蓋度時空間尺度效應對植被指數影響顯著，這歸因于植被內部光譜差異和冠層陰影的影響更為突出，而土壤光譜差異較小。因此需要考慮遙感平臺、物候期和植被指數間誤差的差異性對地上生物量進行修正。

3.3 反演模型的修正

一般而言，僅采用單一的低、中等分辨率的遙感數據在大尺度范圍上對植被地上生物量的反演能力較為有限，例如部分研究者利用GF-1衛星遙感構建的反演模型的 R² 在 0.14～0.40^[41-42] ，而馬儀等[43利用無人機構建升尺度修正后GF-1衛星遙感數據土壤含水率反演模型，葉靜蕓等44同樣實現了高分辨率WorldView-3數據的估算結果對低分辨率Landsat-OLI數據的修正，尤其是部分研究者融合了地面與無人機遙感信息[45]，或構建“空-地\"光譜融合構建植被監測模型并驗證，發現兩種尺度融合模型精度優于單一尺度模型[46-47]，均證明了利用高分辨率遙感數據修正較低空間分辨率遙感數據的必要性。本研究通過地面高光譜修正無人機多光譜后所有模型估測精度均提高了 0.02%～ 3.74% ，但從修正前后對比分析圖中可知，地上生物量較低時修正后估測值高于修正前，較高時呈現相反的結果，在中間時更接近實測值，并且對DVI的修正效果不佳。有研究表明在低、高生物量等級的估測值與實測值之間誤差較大，并且不同等級對植被指數的選擇不同[48]；俞靜等49]篩選出最優反演模型對研究區域內植被生物量進行分級評估，發現大部分區域的生物量處于較低等級，說明生物量的空間分布并不均勻；對地上生物量進行分級反演，特別是針對中、高等級的精度有顯著提高[50]，并且隨等級的增加，整體估測精度會逐步提高[51]；考慮到草本覆蓋度背景的異質性，采用分層方案能進一步提高光譜指數與喬灌木地上部分生物量模型的反演精度[52]。因此在今后研究中需要根據物候期與植被指數的差異性對地上生物量分級建模與修正，有利于進一步提高無人機的反演精度。

本研究通過高精度的地面高光譜對無人機進行修正，在一定程度上提高了其反演精度，使得地面高光譜的作用得以發揮。從結果來看仍存在修正后模型精度提升不顯著的問題，研究需進一步結合對數、二次、冪、指數函數，尤其是多種機器學習法探索多個組分之間的非線性關系；在建模時加大樣本數量，分級建立反演模型以降低樣本異質性，提高模型精度和穩定性。今后需優化實驗流程，加強地面光譜數據修正無人機的相關研究，以進一步應用無人機修正航天遙感，提升草地大面積遙感動態監測的精度。

4結論

（1）通過最佳指數因子法篩選無人機多光譜特征波段3個月份均為Red，RedEdge和NIR，而地面高光譜特征波段在不同物候期表現不一致。各物候期植被指數與群落地上生物量相關性達到顯著性水平（ （Plt;0.01） ，無人機多光譜4月和9月基于NDVI建立的模型精度最高，分別為 65.61% 和61. 59% ，6月RVI精度最高為 48.26% ；地面高光譜各月均與NDVI精度最高，分別為 71.77% 53.63% 和 67.58% 。針對性地篩選模型能夠減少無人機獲取地物的信息損失，對比最佳模型地面高光譜反演精度均優于無人機多光譜，為模型修正奠定基礎。

（2）通過無人機與地面高光譜反演效果對比分析，整體上地面高光譜估測值與實測值的擬合線更接近1：1線，優于無人機多光譜反演能力。無人機多光譜生物量損失率在各物候期均為NDVIgt;RVIgt; DVI，最佳模型損失率分別為 8.58% ， 9.89% 和8.87% 。可見，相比地面高光譜平臺，無人機多光譜在植物冠層反演時在不同月份和模型間存在不同程度的信息損失，應分物候期和植被指數對其修正。

（3）通過建立誤差關系式修正無人機多光譜反演模型，所有模型估測精度均得到不同程度的提高，提高了 0.02%～3.74% 。與修正前對比，修正后的無人機多光譜地上生物量各月反演最佳模型沒有改變，但精度均得到提高；以4月NDVI模型最高，精度為 66.36% ，修正模型為 y=403.431x+ 17.5936。可見，利用地面高光譜平臺修正，提高了無人機對地監測精度。

參考文獻

[1]LIU Y，FENG HK，YUEJB，et al.Estimation of aboveg-round biomass of potatoes based on characteristic variablesextracted fromUAVhyperspectral imagery[J].RemoteSens-ing，2022，14（20）：5121

[2]LIW，DOUZG，WANGY，etal.Estimationof above-groundbiomass of reed（Phragmitescommunis）based onin situ hyperspectral data inBeijingHanshiqiaoWetland，China[J].Wet-landsEcologyand Management，2019，27（1）：87-102

[3] WANG D L，XIN XP，SHAO QQ，et al. Modeling aboveg-round biomass in Hulunber grassland ecosystem by usingunmanned aerialvehicle discrete lidar[J].Sensors，2O17，17（1）：180

[4] VILLOSLADAPECINAM，BERGAMOTF，WARDRD，etal.Anovel UAV-basedapproach forbiomasspredictionandgrassland structure assessment in coastal meadows[J].Ecologi-calIndicators，2021（122）：107227

[5] 楊棟誤，李亞強，刀劍，等，基于無人機多光譜與地面高光譜遙感的土壤主要養分含量估測[J].江蘇農業科學，2022，50（2）：178-186

[6] 胡健波，張健．無人機遙感在生態學中的應用進展[J].生態學報，2018，38（1）：20-30

[7]WUSB，WANGJ，YANZB，et al.Monitoringtree-crownscaleautumn leaf phenologyina temperate forest with aninte-gration of PlanetScope and drone remote sensing observations[J].ISPRS Journal of Photogrammetry and Remote Sensing，2021（171） ：36-48

[8]POTGIETER A B，GEORGE-JAEGGLI B，CHAPMAN SC，et al. Multi-spectral imaging from an unmanned aerialvehicle enables the assessment of seasonal leaf area dynamics ofSorghum breeding lines[J]. Frontiers in Plant Science，2017（8）：1532

[9］王建華．基于無人機多光譜遙感的玉米葉綠素含量監測研究[D].太谷：山西農業大學，2023：29-35

［10］李天馳，馮海寬，朱貝貝，等．基于無人機高光譜和數碼影像數據的冬小麥生物量反演[J]．現代農業科技，2020（20）：1-5

[11］安海波，李斐，趙萌莉，等．基于優化光譜指數的牧草生物量估算[J]．光譜學與光譜分析，2015，35（11）：3155

[12]霍寶民，職慶利，俞秀玲，等．基于無人機機載激光雷達構建森林蓄積量模型反演及精度分析[J]．河南林業科技，2023，43（3）：13-16

[13]YUE JB，YANG G J，LI C C，et al. Estimation of winterwheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improvedmodels[J].Remote Sensing，2017，9（7）：708

［14］王秀梅．內蒙古典型草原植被地上生物量遙感反演——基于多源數據的整合[D].呼和浩特：內蒙古大學，2022：70-77

[15]HU TY，SUN XL，SUYJ，et al.Development and perfor-mance evaluation of a very low-cost UAV-lidar system for for-estry applications[J]. Remote Sensing，2021，13（1） ：77

[16］馬建．基于多源遙感數據的伊犁絹蒿荒漠草地植物的識別與反演[D].烏魯木齊：新疆農業大學，2022：11-12

［17］鄭偉．伊犁絹蒿的生態學特性及利用和保護研究進展[J]．草原與草坪，2013，33（1）：68-75，83

[18］武紅旗，范燕敏，靳瑰麗，等．伊犁絹蒿荒漠草地植物光譜特征[J].草業科學，2019，36（7）：1765-1773

[19］張恒瑞，段喜明，魏征，等．基于無人機多光譜遙感的華北地區夏玉米LAI監測[J]．山西農業科學，2021，49（5）：608-614

[20]曹中盛，李艷大，潘玉霞，等．基于無人機RGB圖像的金沙柚葉片葉綠素含量監測研究[J]．江西農業大學學報，2022，44（6）：1407-1418

［21］鮑浩，張艷．基于改進哈里斯鷹優化算法的光譜特征波段選擇模型研究[J].光譜學與光譜分析，2024，44（1）：148-157

[22] CHAVEZ P，BERLIN G，SOWERS L. Statistical method forselecting landsat mss ratios[J].Journal of AppliedPhoto-graphic Engineering，1982，8（1）：23-30

[23］魯向暉，龔榮新，張海娜，等．基于無人機多光譜遙感的矮林芳樟光合參數估測[J].農業機械學報，2023，54（10）：179-187

[24]BANNARI A，MORIN D，BONNF，et al. A review of vegeta-tion indices[J].Remote Sensing Reviews，1995，13（1/2）：95-120

[25]陶惠林，徐良驥，馮海寬，等．基于無人機數碼影像的冬小麥株高和生物量估算[J].農業工程學報，2019，35（19）：107-116

[26] ZHAO X X，SU Y J，HU T Y，et al. Analysis of UAV lidarinformation loss and its influence on the estimation accuracy ofstructural and functional traits in a meadow steppe[J].Ecologi-cal Indicators，2022（135）：108515

[27]WANG Y W，XUE W X. Sustainable development early warn-ingand financing risk management of resource-based industrialclusters using optimization algorithms[J].Journal of EnterpriseInformation Management，2022，35（4/5）：1374-1391

[28］陶惠林，馮海寬，徐良驥，等．基于無人機高光譜遙感數據的冬小麥生物量估算[J].江蘇農業學報，2020，36（5）：1154-1162

[29］周萌，韓曉旭，鄭恒彪，等．基于參數化和非參數化法的棉花生物量高光譜遙感估算[J].中國農業科學，2021，54（20）：4299-4311

[30]馬彥鵬，邊明博，樊意廣，等．基于無人機RGB影像的馬鈴薯植株鉀含量估算[J].農業機械學報，2023，54（7）：196-203，233

[31]DONGJW，XIAO XM，WAGLEP，et al.Comparison offour EVI-based models for estimating grossprimary productionof maize and soybean croplands and tallgrass prairie undersevere drought[J]. Remote Sensing of Environment，2015（162）：154-168

[32]JINXL，YANGGJ，XUXG，etal.Combined multi-temporaloptical and radar parameters for estimating LAI and biomass inwinterwheat usingHJ and RADARSAR-2 data[J].RemoteSensing，2015，7（10）：13251-13272

[33]牛亞曉，張立元，韓文霆，等，基于無人機遙感與植被指數的冬小麥覆蓋度提取方法[J].農業機械學報，2018，49（4）：212-221

[34]孫偉偉，劉圍圍，王煜淼，等．2010—2022年全球濕地高光譜遙感研究進展與展望[J].遙感學報，2023，27（6）：1281-1299

[35］苗春麗，伏帥，劉潔，等．基于UAV成像高光譜圖像的高寒草甸地上生物量一以海北試驗區為例[J]．草業科學，2022，39（10）：1992-2004

[36］王圓，基于無人機高光譜遙感及人工智能的荒漠化草原地物分類研究[D].呼和浩特：內蒙古農業大學，2023：2-6

[37］張婧，劉詠梅，徐健，等，影像分辨率對植被覆蓋度提取的影響[J].水土保持研究，2014，21（3）：120-124

[38］孫宗玖，安沙舟，許鵬．伊犁絹蒿構件動態變化研究[J].草地學報，2007，15（5）：454-459

[39］趙菡，雷淵才，符利勇．江西省不同立地等級的馬尾松林生物量估計和不確定性度量[J」.林業科學，2017，53（8）：81-93

[40]魏高磊，吳太夏，王樹東，等．基于無人機數據的植被指數空間尺度效應研究[J].地理空間信息，2021，19（4）：4-9，40

[41]張智韜，陳欽達，黃小魚，等，基于加權算法的空-天遙感升尺度土壤含鹽量監測模型[J].農業機械學報，2022，53（9）：226-238，251

[42]姚一飛，王爽，張珺銳，等．基于GF-1衛星遙感的河套灌區土壤含水率反演模型研究[J].農業機械學報，2022，53（9）：239-251

[43]馬儀，黃組桂，賈江棟，等．基于無人機-衛星遙感升尺度的土壤水分監測模型研究[J].農業機械學報，2023，54（6）：307-318

[44]葉靜蕓，吳波，賈曉紅，等.極干旱區稀疏荒漠植被地上生物量遙感估算[J].干旱區地理，2022，45（2）：478-487

[45］朱航．基于多源遙感信息融合的作物營養狀況監測與噴灑控制系統的研究[D].長春：吉林大學，2011：104-109

[46］印彩霞，基于“空-地\"光譜融合的棉花氮營養監測研究[D].石河子：石河子大學，2023：89-95

[47]KAUFMAN JR，EISMANN M T，CELENK M. Assessmentof spatial-spectral feature-level fusion for hyperspectral targetdetection[J]．IEEE Journal of Selected Topics in AppliedEarth Observations and Remote Sensing，20l5，8（6）：2534-2544

[48]王惠寧，靳瑰麗，范燕敏，等．不同蓋度下伊犁絹蒿荒漠草地光譜特征及蓋度反演精度研究[J].中國草地學報，2019，41（2）：51-57

[49］俞靜，張世文，芮婷婷，等．基于無人機遙感的多特征組礦區草本植物地上生物量反演[J].草業科學，2024，41（1）：35-48

[50］李嘉欣，王惠寧，劉文昊，等．伊犁絹蒿光譜反射率及反演精度對覆蓋度變化的響應[J].草業科學，2023，40（11）：2775-2786

[51]王艷芳，譚露，郭紅麗，等．基于多源遙感數據的溧陽市林地植被覆蓋度時空差異研究[J].南京林業大學學報（自然科學版），2023，47（6）：183-191

[52]石永磊，王志慧，李世明，等．基于光學遙感的稀疏喬灌木地上部分生物量反演方法[J]．林業科學，2022，58（2）：13-22

（責任編輯劉婷婷）