基于无人机多源遥感数据的灌丛草原地上生物量估算

doi:10.11733/j.issn.1007-0435.2026.02.018

草地学报 ›› 2026, Vol. 34 ›› Issue (2): 559-572.DOI: 10.11733/j.issn.1007-0435.2026.02.018

• 研究论文 • 上一篇

基于无人机多源遥感数据的灌丛草原地上生物量估算

马磊超^1,2, 王兴¹, 杨秀春¹, 杨东¹, 王子超¹, 邢晓语¹

1. 北京林业大学草业与草原学院, 北京 100083;
2. 中国地质调查局自然资源综合调查指挥中心, 北京 100055

收稿日期:2025-03-28 修回日期:2025-05-16 发布日期:2026-01-22
通讯作者: 杨秀春，E-mail:yangxiuchun@bjfu.edu.cn
作者简介:马磊超（1981-），男，汉族，河南沈丘人，硕士研究生，主要从事草原遥感研究，E-mail:leichaoma@126.com；
基金资助:
国家自然科学基金项目（41571105）资助

Aboveground Biomass Estimation in Shrub-Encroached Grasslands by Using Multi-Source UAV Remote Sensing

MA Lei-chao^1,2, WANG Xing¹, YANG Xiu-chun¹, YANG Dong¹, WANG Zi-chao¹, XING Xiao-yu¹

1. School of Grassland Science, Beijing Forestry University, Beijing 100083, China;
2. Command Center for Natural Resources Comprehensive Survey, China Geological Survey, Beijing 100055, China

Received:2025-03-28 Revised:2025-05-16 Published:2026-01-22

摘要/Abstract

摘要： 气候变化与人类活动加剧了全球草原灌丛化，严重威胁草原生态系统健康，亟需高效精准的生物量监测技术。本研究以锡林郭勒盟灌丛草原为研究区，基于无人机激光雷达（LiDAR）和高光谱数据，结合地面实测数据，采用逐步多元线性回归、支持向量机和随机森林等方法探究了灌丛草原地上生物量（Above-ground biomass，AGB）的最佳反演模型。结果表明，基于LiDAR数据计算的草层平均高度、高光谱数据的红边区间反射率与AGB显著相关。高光谱在草本AGB反演中优于LiDAR精度（R2=0.87 vs. 0.24），而LiDAR较高光谱则更适用于灌木AGB反演（R2=0.58 vs. 0.47）。数据融合能显著提升模型精度，LiDAR和高光谱数据多源特征融合的随机森林模型使草本和灌木AGB的R2分别达到0.88和0.64。相关成果可为灌丛草原可持续利用和精细化管理提供重要科学支撑。

关键词: 草原地上生物量, 激光雷达, 高光谱, 机器学习, 灌丛草原

Abstract: Shrub encroachment in grasslands， intensified by climate change and anthropogenic activities， represents a substantial threat to the health of grassland ecosystems. This underscores the pressing need for effective and precise biomass monitoring methodologies. The present study was carried out in the shrub-encroached grasslands of the Xilingol League， to investigate optimal above ground biomass （AGB） estimation model by utilizing unmanned aerial vehicle-based LiDAR and hyperspectral data validated against field measurements. Stepwise multiple linear regression， support vector machine， and random forest algorithms were employed for analysis. The results demonstrated a robust correlation between AGB and both LiDAR-derived mean canopy height and hyperspectral reflectance within the red-edge spectral region. Hyperspectral data demonstrated superior accuracy to LiDAR for herbaceous AGB inversion （R²=0.87 vs. 0.24）， whereas LiDAR performed better than hyperspectral data for shrub AGB inversion （R²=0.58 vs. 0.47）. Data fusion significantly improved the model performance， with the random forest model integrating features from both LiDAR and hyperspectral data achieving R² values of 0.88 and 0.64 for herbaceous and shrub AGB， respectively. The related findings offer critical scientific support for the sustainable utilization and precise management of shrub-encroached grasslands.

Key words: Grassland above-ground biomass, LiDAR, Hyperspectral, Machine learning, Shrub-encroached grassland

马磊超, 王兴, 杨秀春, 杨东, 王子超, 邢晓语. 基于无人机多源遥感数据的灌丛草原地上生物量估算[J]. 草地学报, 2026, 34(2): 559-572.

MA Lei-chao, WANG Xing, YANG Xiu-chun, YANG Dong, WANG Zi-chao, XING Xiao-yu. Aboveground Biomass Estimation in Shrub-Encroached Grasslands by Using Multi-Source UAV Remote Sensing[J]. Acta Agrestia Sinica, 2026, 34(2): 559-572.

参考文献

[1] FANG J Y，YANG Y H，MA W H，et al. Ecosystem carbon stocks and their changes in China’s grasslands[J]. SCIENTIA SINICA Vitae，2010，40（7）：566-576 方精云，杨元合，马文红，等. 中国草地生态系统碳库及其变化[J]. 中国科学：生命科学，2010，40（7）：566-576
[2] GRÜN A L，STRASKRABA S，SCHULZ S，et al. Long-term effects of environmentally relevant concentrations of silver nanoparticles on microbial biomass，enzyme activity，and functional genes involved in the nitrogen cycle of loamy soil[J]. Journal of Environmental Sciences，2018，69：12-22
[3] LIU Z，CHEN R，SONG Y，et al. Aboveground biomass and water storage allocation in alpine willow shrubs in the Qilian Mountains in China[J]. Journal of Mountain Science，2015，12（1）：207-217
[4] XU B，YANG X C，HOU X Y，et al. Advance of technology of remote sensing monitoring for grassland vegetation[J]. Science & Technology Review，2007（9）：5-8 徐斌，杨秀春，侯向阳，等. 草原植被遥感监测方法研究进展[J]. 科技导报，2007（9）：5-8
[5] KNAPP N，FISCHER R，CAZCARRA-BES V，et al. Structure metrics to generalize biomass estimation from LiDAR across forest types from different continents[J]. Remote Sensing of Environment，2020，237：111597
[6] ZHAO Y J，LIU X L，WANG Y，et al. UAV-based individual shrub aboveground biomass estimation calibrated against terrestrial LiDAR in a shrub-encroached grassland[J]. International Journal of Applied Earth Observation and Geoinformation，2021，101：102358
[7] JIN Y X，XU B，YANG X C， et al. Remote sensing dynamic estimation of grass production in Xilinguole， Inner Mongolia[J]. SCIENTIA SINICA Vitae，2011，41（12）：1185-1195 金云翔，徐斌，杨秀春，等. 内蒙古锡林郭勒盟草原产草量动态遥感估算[J]. 中国科学：生命科学，2011，41（12）：1185-1195
[8] HE L，LI A N，YIN G F，et al. Retrieval of Grassland Aboveground Biomass through Inversion of the PROSAIL Model with MODIS Imagery[J]. Remote Sensing，2019，11（13）：1597
[9] GAO H Y，HOU M J， GE J，et al. Hyperspectral Estimation of Aboveground Biomass of Alpine Grassland based on Random Forest Algorithm[J]. Acta Agrestia Sinica，2021，29（8）：1757-1768 高宏元，侯蒙京，葛静，等. 基于随机森林的高寒草地地上生物量高光谱估算[J]. 草地学报，2021，29（8）：1757-1768
[10] XING X Y，YANG X C，XU B，et al. Remote sensing estimation of grassland aboveground biomass based on random forest[J]. Journal of Geo-information Science，2021，23（7）：1312-1324 邢晓语，杨秀春，徐斌，等. 基于随机森林算法的草原地上生物量遥感估算方法研究[J]. 地球信息科学学报，2021，23（7）：1312-1324
[11] SHEN X J，LIU Y W，LIU B H，et al. Effect of shrub encroachment on land surface temperature in semi-arid areas of temperate regions of the Northern Hemisphere[J]. Agricultural and Forest Meteorology，2022，320：108943
[12] BAZEZEW M N，HUSSIN Y A，KLOOSTERMAN E H. Integrating Airborne LiDAR and Terrestrial Laser Scanner forest parameters for accurate above-ground biomass/carbon estimation in Ayer Hitam tropical forest， Malaysia[J]. International Journal of Applied Earth Observation and Geoinformation，2018，73：638-652
[13] GUO Q H，LIU J，TAO S L，et al. Perspectives and prospects of LiDAR in forest ecosystem monitoring and modeling[J]. Chinese Science Bulletin，2014，59（6）：459-478 郭庆华，刘瑾，陶胜利，等. 激光雷达在森林生态系统监测模拟中的应用现状与展望[J]. 科学通报，2014，59（6）：459-478
[14] YAO X C，QU Y T，CHANG W J，et al. Estimation of grassland biomass using MODIS data and plant community characteristics[J]. Chinese Journal of Eco-Agriculture，2017，25（4）：530-541 姚兴成，曲恬甜，常文静，等. 基于MODIS数据和植被特征估算草地生物量[J]. 中国生态农业学报，2017，25（4）：530-541
[15] YANG S X，ZHANG W J，FENG Q S，et al. Monitoring of grassland herbage accumulation by remote sensing using MODIS daily surface reflectance data in the Qingnan Region[J]. Acta Prataculturae Sinica，2016，25（8）：14-26 杨淑霞，张文娟，冯琦胜，等. 基于MODIS逐日地表反射率数据的青南地区草地生长状况遥感监测研究[J]. 草业学报，2016，25（8）：14-26
[16] SONG K X，JIANG F G，HU Z D，et al. Remote sensing inversion of above-ground biomass of grassland in the Tibet Autonomous Region. Acta Ecologica Sinica，2023，43（13）：5600-5613 宋柯馨，蒋馥根，胡宗达，等. 西藏自治区草地地上生物量遥感反演研究[J]. 生态学报，2023，43（13）：5600-5613
[17] HUANG J X，WU J，LI C B，et al. Remote sensing retrieval of grassland above-ground biomass in tianzhu county based on Sentinel-2 and Landsat 8 data[J]. Acta Agrestia Sinica，2021，29（9）：2023-2030 黄家兴，吴静，李纯斌，等. 基于Sentinel-2和Landsat 8数据的天祝县草地地上生物量遥感反演[J]. 草地学报，2021，29（9）：2023-2030
[18] TONG X，YANG Z L，ZHANG Y R，et al. Estimation of pasture aboveground biomass using different orders of differential hyperspectral vegetation indices[J]. Acta Agrestia Sinica，2022，30（9）：2438-2448 童新，杨震雷，张亦然，等. 基于不同阶微分高光谱植被指数的牧区草场地上生物量估算[J]. 草地学报，2022，30（9）：2438-2448
[19] ZHANG Y R，LIU Y X，TONG X，et al. Hyperspectral remote sensing inversion of meadow aboveground biomass based on an XGBoost algorithm[J]. Acta Prataculturae Sinica，2021，30（4）：1-12 张亦然，刘廷玺，童新，等. 基于XGBoost算法的草甸地上生物量的高光谱遥感反演[J]. 草业学报，2021，30（4）：1-12
[20] YIN X F，WANG C G， WANG H C，et al. Study on biomass estimation of desert steppe based on hyperspectral characteristic[J]. Journal of Agricultural Mechanization Research，2018，40（10）：154-159 殷晓飞，王春光，王海超，等. 基于高光谱特征参数荒漠草原生物量估测研究[J]. 农机化研究，2018，40（10）：154-159
[21] TIBSHIRANI R. Regression shrinkage and selection via the lasso[J]. Journal of the Royal Statistical Society Series B：Statistical Methodology，1996，58（1）：267-288
[22] VAPNIK V N. The nature of statistical learning theory[M]. Cham：Springer New York，2000：156-163
[23] CHEN A，WANG X，ZHANG M，et al. Fusion of LiDAR and multispectral data for aboveground biomass estimation in mountain grassland[J]. Remote Sensing，2023，15：405
[24] XU C，ZHAO D，ZHENG Z，et al. Correction of UAV LiDAR-derived grassland canopy height based on scan angle[J]. Frontiers in Plant Science，2023，14：1108109
[25] XU K H，SHI Z，MA L C，et al. Retrieval of grassland aboveground biomass based on airborne LiDAR and SuperView-1 data[J]. Acta Prataculturae Sinica，2023，32（5）：40-49 许开宏，施招，马磊超，等. 基于机载激光雷达与高景一号数据的草原地上生物量反演研究[J]. 草业学报，2023，32（5）：40-49
[26] CHEN A，XU C，ZHANG M，et al. Cross-scale mapping of above-ground biomass and shrub dominance by integrating UAV and satellite data in temperate grassland[J]. Remote Sensing of Environment，2024，304：114024
[27] WULAN T Y，BAO G，WUYUN D J，et al. Hyper-spectral remote sensing estimates of aboveground biomass of grassland[J]. Journal of Inner Mongolia Normal University （Natural Science Edition），2015，44（5）：660-666 乌兰吐雅，包刚，乌云德吉，等. 草地地上生物量高光谱遥感估算研究[J].内蒙古师范大学学报（自然科学汉文版），2015，44（5）：660-666
[28] THOMSON E R，SPIEGEL M P，ALTHUIZEN I H J，et al. Multiscale mapping of plant functional groups and plant traits in the High Arctic using field spectroscopy， UAV imagery and Sentinel-2A data[J]. Environmental Research Letters，2021，16（5）：055006
[29] REN H R，ZHOU G S，ZHANG X S. Estimation of green aboveground biomass of desert steppe in Inner Mongolia based on red-edge reflectance curve area method[J]. Biosystems Engineering，2011，109（4）：385-395
[30] MUTANGA O， SKIDMORE A K. Red edge shift and biochemical content in grass canopies[J]. ISPRS journal of Photogrammetry and Remote Sensing，2007，62（1）：34-42

基于无人机多源遥感数据的灌丛草原地上生物量估算

Aboveground Biomass Estimation in Shrub-Encroached Grasslands by Using Multi-Source UAV Remote Sensing

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李嘉欣, 靳瑰丽, 刘文昊, 王生菊, 陈梦甜, 李文雄, 杜玟霖, 李超, 胡秀雯. 基于无人机获取草地植物地上生物量的信息损失分析及修正[J]. 草地学报, 2025, 33(7): 2206-2218.
[2]	张国晶, 颜青松, 秦文强, 张兹予, 李希来, 黄建强. 基于梯度提升回归树的三江源地区植被指数的预测方法研究[J]. 草地学报, 2025, 33(5): 1655-1668.
[3]	孙雪岩, 李治国, 吕世杰, 王新宇, 段雷雨, 崔乐. 基于地基激光雷达测定放牧干扰下荒漠草原风蚀物对植被特征的响应[J]. 草地学报, 2025, 33(11): 3698-3710.
[4]	黄轲盼, 杨雪梅, 刘志飞, 张忠, 王景瑞, 徐浩杰. 基于机器学习的梭梭同化枝光合色素含量高光谱反演估算[J]. 草地学报, 2025, 33(1): 250-261.
[5]	孙煜焱, 董建军, 王秀梅. 基于ASD地物光谱仪反演锡林郭勒典型草原地上生物量模型研究[J]. 草地学报, 2024, 32(7): 2234-2244.
[6]	亓慧敏, 陈昂, 杨秀春. 基于无人机高光谱的内蒙古天然牧草氮磷钾含量的反演[J]. 草地学报, 2024, 32(5): 1500-1512.
[7]	刘俊泽, 贺英彩, 马秀琴, 倪浩然, 王雪萌, 王青, 贺晓帆, 聂嘉欣, 胡昊, 毛培胜, 贾善刚. 不同燕麦品种种子自然老化表型和多光谱变化特征[J]. 草地学报, 2024, 32(12): 3688-3697.
[8]	王萌韬, 贺晶, 布和, 刘禹, 刁兆岩, 周雨静, 苏德荣. 呼伦贝尔草原不同利用方式下表层土壤磷元素含量的高光谱反演[J]. 草地学报, 2024, 32(10): 3141-3150.
[9]	李贵鑫, 安东, 于应文, 沈禹颖. 基于无人机多光谱与纹理特征的饲用大豆地上生物量估算研究[J]. 草地学报, 2024, 32(10): 3262-3271.
[10]	李希来, Jay Gao, 师研. 黄河源永曲河流域高寒草甸地上生物量模拟与时空分布特征研究[J]. 草地学报, 2023, 31(7): 1964-1976.
[11]	童新, 杨震雷, 张亦然, 吴宇辰, 段利民. 基于不同阶微分高光谱植被指数的牧区草场地上生物量估算[J]. 草地学报, 2022, 30(9): 2438-2448.
[12]	文铜, 柳小妮, 纪童, 杨冬阳, 乔欢欢, 姜佳昌, 潘冬荣. 基于植被指数的三江源高寒草地植物分类与识别方法研究[J]. 草地学报, 2022, 30(7): 1811-1818.
[13]	卜灵心, 来全, 刘心怡. 不同机器学习算法在草原草地生物量估算上的适应性研究[J]. 草地学报, 2022, 30(11): 3156-3164.
[14]	高宏元, 侯蒙京, 葛静, 包旭莹, 李元春, 刘洁, 冯琦胜, 梁天刚, 贺金生, 钱大文. 基于随机森林的高寒草地地上生物量高光谱估算[J]. 草地学报, 2021, 29(8): 1757-1768.
[15]	纪童, 王波, 王占军, 杨军银, 李强, 刘志刚, 关文昊, 何国兴, 潘冬荣, 柳小妮. 草坪草叶绿素高光谱估测模型的建立及Pb²⁺胁迫下的反演研究[J]. 草地学报, 2020, 28(3): 675-683.