基于无人机遥感的荒漠草地地上生物量反演研究

doi:10.11733/j.issn.1007-0435.2025.04.026

草地学报 ›› 2025, Vol. 33 ›› Issue (4): 1258-1266.DOI: 10.11733/j.issn.1007-0435.2025.04.026

基于无人机遥感的荒漠草地地上生物量反演研究

李文雄, 靳瑰丽, 刘文昊, 李嘉欣, 王生菊, 陈梦甜, 李超, 杜玟霖, 萨木尕尔·达吾列提开勒得, 叶里达那·赛力克艾力

1. 新疆农业大学草业学院/新疆草地资源与生态重点实验室/西部干旱荒漠区草地资源与生态教育部重点实验室, 新疆乌鲁木齐 830052

收稿日期:2024-06-18 修回日期:2024-09-12 出版日期:2025-04-15 发布日期:2025-04-28
通讯作者: 靳瑰丽,E-mail:jguili@163.com
作者简介:李文雄（1999-），男，土家族，重庆人，硕士研究生，主要从事草地资源与生态研究，E-mail：939314017@qq.com
基金资助:
国家自然科学基金项目（31960360）资助

Research on Aboveground Biomass Inversion of Desert Grassland Based on UAV Remote Sensing

LI Wen-xiong, JIN Gui-li, LIU Wen-hao, LI Jia-xin, WANG Sheng-ju, CHEN Meng-tian, LI Chao, DU Wen-lin, Davuletti Khaled Samugal, Serik Eli Yeridana

1. College of Grassland Sciences of Xinjiang Agricultural University/Xinjiang Key Laboratory of Grassland Resources and Ecology,/Key Laboratory of Grassland Resources and Ecology for Western Arid Desert Rengion, Ministry of Education Urumqi, Urumqi, Xinjiang 830052, China

Received:2024-06-18 Revised:2024-09-12 Online:2025-04-15 Published:2025-04-28

摘要/Abstract

摘要： 荒漠草地地上生物量（Aboveground biomass，AGB）是评估植被状况与荒漠化进程的重要指标。为迅速、精确且高效地评估荒漠草地地上生物量，本研究以新疆伊犁绢蒿（Seriphidium transiliense）荒漠草地为研究区，在植被生长旺季采集草地AGB数据，同步获取无人机（Unmanned aerial vehicle，UAV）数据；选取10种植被指数为特征变量，利用3种机器学习算法构建AGB反演模型，并引入遗传算法（Genetic algorithm，GA）优化模型参数，进而筛选出最佳的AGB反演模型。结果表明：3种算法均表现出较高的预测性能，其中XGBoost模型优势显著，尤其是在融合了4种典型植被指数并采用遗传算法优化后，其预测精度达到最高（R²=0.94，RMSE=3.44），其中RVI贡献最大，占比35%。因此，基于4种典型植被指数并结合GA优化的XGBoost模型被认定为最适用于研究区域草地AGB遥感反演的模型。此研究结果可为监测草地生物量遥感反演方法的选择和精度的提高提供一定参考。

关键词: 荒漠草地, 地上生物量, 无人机, 极限梯度提升, 随机森林, 轻量级梯度提升

Abstract: Aboveground biomass （AGB） is an important index to evaluate vegetation status and desertification process in desert grassland. In order to evaluate the aboveground biomass （AGB） of desert grassland rapidly， accurately and efficiently， the desert grassland of Seriphidium transiliense in Xinjiang was taken as the research area in this study. The AGB data of grassland were collected in the vegetation growth season， and the unmanned aerial vehicle （UAV） data were obtained simultaneously. Ten vegetation indices were selected as the characteristic variables， and three machine learning algorithms were used to construct the AGB inversion model. The genetic algorithm （GA） was introduced to optimize the model parameters， and then the best AGB inversion model was selected. The results showed that the three algorithms all had high prediction performance， among which the XGBoost model had significant advantages. Especially after integrating four typical vegetation indices and using genetic algorithm （GA） optimization， the prediction accuracy reached the highest （R²=0.94， RMSE=3.44）， of which RVI contributed the most， accounting for 35 %.Therefore， the XGBoost model based on four typical vegetation indices combined with GA optimization was identified as the most suitable model for grassland AGB remote sensing inversion in the study area. The results of this study could provide a reference for the selection of remote sensing inversion methods for monitoring grassland biomass and the improvement of accuracy.

Key words: Desert grassland, Aboveground biomass, Unmanned aerial vehicle, eXtreme gradient boosting, Random forest, Light gradient boosting machine

中图分类号:

TP79
S812

李文雄, 靳瑰丽, 刘文昊, 李嘉欣, 王生菊, 陈梦甜, 李超, 杜玟霖, 萨木尕尔·达吾列提开勒得, 叶里达那·赛力克艾力. 基于无人机遥感的荒漠草地地上生物量反演研究[J]. 草地学报, 2025, 33(4): 1258-1266.

LI Wen-xiong, JIN Gui-li, LIU Wen-hao, LI Jia-xin, WANG Sheng-ju, CHEN Meng-tian, LI Chao, DU Wen-lin, Davuletti Khaled Samugal, Serik Eli Yeridana. Research on Aboveground Biomass Inversion of Desert Grassland Based on UAV Remote Sensing[J]. Acta Agrestia Sinica, 2025, 33(4): 1258-1266.

参考文献

[1] 陈林，曹萌豪，宋乃平，等. 中国荒漠草原的研究态势与热点分析——基于文献计量研究[J]. 生态学报，2021，41（24）：9990-10000
[2] 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
[3] ZHANG Y X，HUANG J X，HUANG H，et al. Grassland aboveground biomass estimation through assimilating remote sensing data into a grass simulation model[J]. Remote Sensing，2022，14（13）：3194
[4] WENHONG M， JINGYUN F， YUANHE Y，et al. Biomass carbon stocks and their changes in northern China’s grasslands during 1982-2006[J]. Science China，Life Sciences，2010，53（7）：841-50
[5] IFTIKHAR A，FIONA C，EDWARD D，et al. Modeling managed grassland biomass estimation by using multitemporal remote sensing data—a machine learning approach[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2017，10（7）：3254-3264
[6] 徐斌，杨秀春，陶伟国，等. 中国草原产草量遥感监测[J]. 生态学报，2007（2）：405-413
[7] GARROUTTE L E，HANSEN J A，LAWRENCE L R. Using NDVI and EVI to map spatiotemporal variation in the biomass and quality of forage for migratory elk in the greater yellowstone ecosystem[J].Remote Sensing，2016，8（5）：404
[8] 任安才. 基于TM影像的川西北理塘草地生物量与植被指数关系研究[D]. 成都：四川农业大学，2009：16-17
[9] 许明，王蕊，汤萃文. 草地生物量遥感估算方法综述[J]. 甘肃科技，2020，36（21）：55-58
[10] 陈斌，甘辉林，顾新民，等. 无人机遥感在草原生态监测中的作用[J]. 农业与技术，2023，43（15）：66-73
[11] 张子慧，吴世新，赵子飞，等. 基于机器学习算法的草地地上生物量估测——以祁连山草地为例[J]. 生态学报，2022，42（22）：8953-8963
[12] 孙世泽，汪传建，尹小君，等. 无人机多光谱影像的天然草地生物量估算[J]. 遥感学报， 2018，22（5）：848-856
[13] ZHANG H，SUN Y，CHANG L，et al. Estimation of grassland canopy height and aboveground biomass at the quadrat scale using unmanned aerial vehicle[J]. Remote Sensing，2018， 10（6）：851
[14] NA Z， XIAOLI R， HONGLIN H，et al. Estimating the grassland aboveground biomass in the Three-River Headwater Region of China using machine learning and Bayesian model averaging[J]. Environmental Research Letters，2021，16（11）：114020
[15] 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
[16] MORAIS T G，JONGEN M，TUFIK C，et al. Characterization of portuguese sown rainfed grasslands using remote sensing and machine learning[J]. Precision Agriculture，2022，24（1）：161-186
[17] LI Z，ANGERER J P，JAIME X，et al. Estimating rangeland fine fuel biomass in western texas using high-resolution aerial imagery and machine learning[J]. Remote Sensing，2022， 14（17）：4360
[18] JIA Z Y，ZHANG Z H，CHENG Y X，et al. Grassland biomass spatiotemporal patterns and response to climate change in eastern Inner Mongolia based on XGBoost model estimates[J]. Ecological Indicators，2024（158）：111554
[19] BUI Q T，PHAM Q T，PHAM V M，et al. Hybrid machine learning models for aboveground biomass estimations[J]. Ecological Informatics，2024，79（10）：102421
[20] 李莹，张勇娟，靳瑰丽，等. 基于Landsat数据的乌鲁木齐市草地地上生物量时空演变及趋势分析[J]. 草地学报，2023，31（7）：1950-1963
[21] 马建. 基于多源遥感数据的伊犁绢蒿荒漠草地植物的识别与反演[D]. 乌鲁木齐：新疆农业大学，2022：12-19，47
[22] 朱进忠，吴咏梅. 伊犁绢蒿荒漠不同退化阶段草地经济性状演变的分析[J]. 草业科学， 2005，22（10）：1-6
[23] 武红旗，范燕敏，靳瑰丽，等. 伊犁绢蒿荒漠草地植物光谱特征[J]. 草业科学，2019， 36（7）：1765-1773
[24] 韩万强，刘文昊，靳瑰丽，等. 伊犁绢蒿荒漠草地主要植物的高光谱识别[J]. 中国草地学报，2022，44（6）：1-10
[25] LIN X C，CHEN J J，LOU P Q，et al. Improving the estimation of alpine grassland fractional vegetation cover using optimized algorithms and multi-dimensional features[J]. Plant Methods，2021，17（1）：96
[26] 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
[27] 黄志明，周纪，丁利荣，等. 藏东南冰川地区250 m空间分辨率全天候地表温度生成[J]. 遥感学报，2021，25（8）：1873-1888
[28] 王昊煜，高培超，宋长青，等. 基于文献计量和遗传算法的土地利用优化研究进展[J]. 生态学报，2023，43（3）：1286-1293
[29] 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
[30] LI Y C，LI M Y，LI C，et al. Forest aboveground biomass estimation using Landsat 8 and Sentinel-1A data with machine learning algorithms[J]. Scientific Reports，2020，10（1）：9952
[31] 蒋馥根，孙华，李成杰，等. 联合GF-6和Sentinel-2红边波段的森林地上生物量反演[J]. 生态学报，2021，41（20）：8222-8236
[32] 刘占宇，黄敬峰，吴新宏，等. 草地生物量的高光谱遥感估算模型[J]. 农业工程学报，2006，22（2）：111-115
[33] 王婷，周伟，肖洁芸，等. 基于遥感数据和机器学习算法的草地地上生物量估算研究[J]. 冰川冻土，2023，45（2）：753-762
[34] XU M，CAO C X，TONG Q X，et al. Remote sensing based shrub above-ground biomass and carbon storage mapping in Mu Us desert，China[J]. Science China Technological Sciences，2010，53（1）：176-183
[35] 叶静芸，吴波，刘明虎，等. 乌兰布和沙漠东北缘荒漠——绿洲过渡带植被地上生物量估算[J]. 生态学报，2018，38（4）：1216-1225
[36] LU D. The potential and challenge of remote sensing-based biomass estimation[J]. International Journal of Remote Sensing，2006，27（7）：1297-1328
[37] 高燕，梁泽毓，王彪，等. 基于无人机和卫星遥感影像的升金湖草滩植被地上生物量反演[J]. 湖泊科学，2019，31（2）：517-528
[38] 李淑贞，徐大伟，范凯凯，等. 基于无人机与卫星遥感的草原地上生物量反演研究[J]. 遥感技术与应用，2022，37（1）：272-278

基于无人机遥感的荒漠草地地上生物量反演研究

Research on Aboveground Biomass Inversion of Desert Grassland Based on 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]	王生菊, 刘文昊, 靳瑰丽, 崔国盈, 张勇娟, 魏秀红, 李超, 陈梦甜, 李文雄, 杜玟霖. 新疆草地地上生物量时空变化及对气候因子的响应[J]. 草地学报, 2025, 33(7): 2320-2332.
[3]	迪达尔·比苏力旦, 孙宗玖, 于冰洁, 阿斯太肯·居力海提, 李美莎, 敬一胜. 封育对蒿类荒漠草地土壤团聚体稳定性的影响[J]. 草地学报, 2025, 33(5): 1534-1543.
[4]	阿力米日·阿力木江, 唐邦洁, 孔繁晰, 崔文恺, 陈俊. 新疆天然草地地上生物量的便捷估测技术研究[J]. 草地学报, 2025, 33(4): 1308-1315.
[5]	陈炜昊, 张国瑞, 许驭丹, 杨韦轲, 李佳成, 李帅, 严师节, 赵祥. 干扰对亚高山草甸和冻胀丘植物、土壤和微生物的影响[J]. 草地学报, 2025, 33(1): 107-118.
[6]	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.
[7]	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.
[8]	张晓玉, 张定海, 宁婷, 马玉婧. 古尔班通古特沙漠土壤水分-地形-植被关系研究[J]. 草地学报, 2024, 32(5): 1548-1557.
[9]	屈志强, 孙雪岩, 杨子琼, 王宇, 白璐, 李治国, 那亚, 韩国栋, 张梓婷, 王静. 不同放牧强度对荒漠草原草地微斑块特征的影响[J]. 草地学报, 2024, 32(5): 1558-1571.
[10]	袁惠, 张鲜花, 韩禧卿, 熊辉, 撒成辉. 盐、碱胁迫对4份梯牧草苗期生物量及生理特性的影响[J]. 草地学报, 2024, 32(4): 1184-1193.
[11]	王婷, 史倩倩, 祁得胜, 陈克龙, 杜岩功. 青海湖地区紫花针茅型高寒草原群落特征变化[J]. 草地学报, 2024, 32(4): 1204-1209.
[12]	张霞, 刘仰乔, 张灿浩, 吴萨其拉, 朱琳, 康萨如拉. 荒漠草原生物量空间异质性对长期不同放牧强度的响应[J]. 草地学报, 2024, 32(4): 1243-1251.
[13]	周磊, 孙宗玖, 聂婷婷, 于冰洁, 郑丽, 周晨烨. 凋落物添加对蒿类荒漠草地土壤碳氮磷含量及其化学计量特征的影响[J]. 草地学报, 2024, 32(2): 462-469.
[14]	段连学, 马祥, 琚泽亮, 贾志锋. 高寒地区氮肥减量分期施用对燕麦生物量及氮肥利用率的影响[J]. 草地学报, 2024, 32(10): 3185-3193.
[15]	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.