劉艷慧，蔡宗磊，包妮沙*，劉善軍

1. 東北大學測繪遙感與數(shù)字礦山研究所，遼寧 沈陽 110819；2. 吉林省水利水電勘測設(shè)計研究院，吉林 長春 130012

植被覆蓋度（fractional vegetation cover，F(xiàn)VC）是植被在地面的垂直投影面積占研究區(qū)總面積的百分比（梁順林等，2013），可以表示植被的茂密程度及植物進行光合作用面積的大?。窂V等，2017），是表征陸地植被質(zhì)量和具有一定密度的多種植物生長動態(tài)的重要參數(shù)（佟斯琴等，2016），也是氣象數(shù)值模型、水文生態(tài)模型的重要因子（趙艷華等，2017）。草地生物量指的是在一定的氣候條件下，草地植被進行光合作用的產(chǎn)物（付剛等，2011），生物量可以評價草原生態(tài)系統(tǒng)生產(chǎn)力，評估草原長勢及產(chǎn)量（周宇庭等，2013）。植被覆蓋度是估算生物量的重要指標（趙英時，2013）。因此監(jiān)測草地植被覆蓋度及生物量對于揭露某一區(qū)域草地植被的分布狀況及空間變化規(guī)律、探討變化的驅(qū)動因子具有重要意義，并可為以草定畜提供科學依據(jù)，有利于維護草地生態(tài)系統(tǒng)的穩(wěn)定。

中國北方草地類型有草甸草原、典型草原、荒漠草原等（中華人民共和國農(nóng)業(yè)部畜牧獸醫(yī)司主編等，1996），草地生物量受氣候因素、放牧、開墾、采礦等多種因素共同影響（席小康等，2017），因此，監(jiān)測北方草地生物量可以評價草地生態(tài)系統(tǒng)獲取能量的能力與生產(chǎn)力，對保護草地資源及提高草地產(chǎn)量具有科學的指導意義。

遙感技術(shù)可以獲取大范圍內(nèi)的數(shù)據(jù)，能夠進行周期性觀測，并且由于其空間分辨率、光譜分辨率及其時相特征的多樣性等優(yōu)勢，已經(jīng)成為監(jiān)測區(qū)域乃至全球植被覆蓋度的主要方法。然而，在植被覆蓋度遙感估算方法中，回歸模型法、分類決策樹法、人工神經(jīng)網(wǎng)絡(luò)法等不僅在建立模型時需要地面實測植被覆蓋度，而且也需要地面實測數(shù)據(jù)進一步驗證模型的準確性，而植被指數(shù)法、像元分解模型法僅需要地面實測數(shù)據(jù)進一步驗證（賈坤等，2013）。目前，隨著數(shù)字攝影技術(shù)的快速發(fā)展，將數(shù)碼相機與數(shù)字圖像處理技術(shù)結(jié)合的照相法因具有效率高、速度快、價格便宜、高質(zhì)量等優(yōu)勢，已被廣泛用于估算地面植被覆蓋度，并日趨成熟，照相法不僅促進了地面測量植被覆蓋度的發(fā)展，而且已經(jīng)成為應(yīng)用遙感技術(shù)在大區(qū)域內(nèi)監(jiān)測植被覆蓋度的可靠輔助手段和驗證方法（Zhang et al.，2018）。利用照相法獲取地面數(shù)據(jù)時，必須保障相機與地面保持一定高度水平垂直拍攝，一般手持相機拍攝高度不夠，但利用長桿挑起相機拍攝又不能保持相機的穩(wěn)定性，故目前地面照相法獲取的樣方大小基本在 1 m×1 m 左右，無法與遙感數(shù)據(jù)的空間分辨率相匹配，影響遙感技術(shù)估算植被覆蓋度的精度。

無人機遙感平臺（UAV remote sensing system，UACSS）是通過使用飛行高度在幾千米之內(nèi)的UAV，搭載各種成像或非成像傳感器獲得航空遙感數(shù)據(jù)、視頻數(shù)據(jù)等的無人航空遙感與攝影測量系統(tǒng)（李德仁等，2014）。它可以在云下飛行，靈活性高、速度快，能夠獲取多尺度、高分辨率航拍影像，可以突破有人航空遙感天氣因素、環(huán)境因素、航行時間等限制，又可以彌補衛(wèi)星光學遙感由于時間分辨率與天氣等因素的影響而無法獲取遙感數(shù)據(jù)的不足，還能克服地面遙感范圍小、費時費力的缺點（Anguiano-Morales et al.，2018）。與之前只利用光學衛(wèi)星遙感數(shù)據(jù)作為數(shù)據(jù)源監(jiān)測植被覆蓋度相比，把無人機遙感平臺與光學衛(wèi)星遙感技術(shù)結(jié)合起來具有明顯的優(yōu)勢（Senthilnath et al.，2017）。Torres-Sánchez et al.（2014）研究了無人機在30 m與60 m飛行高度時，基于歸一化綠紅差值指數(shù)、過綠指數(shù)、顏色指數(shù)、vegetativen指數(shù)、過綠紅差值指數(shù)、Woebbecke指數(shù)對麥田植被覆蓋度多時相映射進行了計算，其中以過綠指數(shù)估算精度最高（飛行高度30 m時，精度范圍是87.73%～99%；飛行高度60 m時，精度范圍83.74%～87.82%）。宋清潔等（2017）以甘南州為研究區(qū)，基于小型無人機與MODIS植被指數(shù)產(chǎn)品，對增強型植被指數(shù)與歸一化植被指數(shù)和植被覆蓋度的關(guān)系進行分析，結(jié)果表明基于小型無人機獲取的大樣方數(shù)據(jù)與增強型植被指數(shù)估算草地植被覆蓋度的模型具有更高的精度（88.00%）。周在明等（2017a）以 SPOT6衛(wèi)星為數(shù)據(jù)源利用像元二分模型估算寧德三沙灣灘涂濕地植被覆蓋度，并以同期獲得的無人機數(shù)據(jù)進行驗證，結(jié)果表明均方根誤差為 0.117，判定系數(shù)R2為0.918。因此，無人機可以為遙感估算植被覆蓋度提供大樣方數(shù)據(jù)，提高植被覆蓋度估算模型的精度及模型驗證的準確性，進而通過植被覆蓋度估測草地地上生物量。

本文以內(nèi)蒙古呼倫貝爾典型草甸草原為研究區(qū)，開展基于無人機大樣方草地植被覆蓋度及生物量估算，研究目的在于：

（1）通過無人機獲取大樣方航拍影像數(shù)據(jù)，利用開關(guān)中值濾波及基于維納濾波的小波變換對無人機數(shù)據(jù)進行去噪處理，并用直方圖均衡化進行圖像增強等預(yù)處理，計算過綠指數(shù)與顏色指數(shù)，選擇基于遺傳算法的最大熵法對圖像中植被與背景進行分割，從而估算植被覆蓋度；

（2）結(jié)合地面數(shù)碼相機獲取大樣方周圍布設(shè)的小樣方，進一步驗證基于無人機大樣方快速估算草地植被覆蓋度的可行性及適用性；

（3）利用數(shù)碼相機估算的植被覆蓋度與生物量進行相關(guān)性分析。

本研究可為下一步應(yīng)用無人機遙感平臺與光學衛(wèi)星遙感技術(shù)結(jié)合起來估算呼倫貝爾草地植被覆蓋度奠定基礎(chǔ)，同時可為大區(qū)域利用地面數(shù)據(jù)與遙感技術(shù)監(jiān)測草地的生物量及生長狀況提供科學依據(jù)。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古呼倫貝爾草原中部（圖1），氣候類型屬于干旱半干旱氣候，降水量主要集中在7月、8月。草地類型為草甸草原，草地利用方式主要包括圍欄草場、放牧草場、及退化封育草場等，草地植物群落組成主要有星毛委陵菜（Potentilla acaulis）、鐵桿蒿（Artemisia gmelinii）、黃花蒿（Artemisia annua）、黃芥（Brassica juncea）、羊草（Leymus chinensis）、針茅（Stipa capillata）等，植被覆蓋度較高。由于受到開墾、放牧及礦區(qū)開采等人類活動的影響，研究區(qū)內(nèi)已經(jīng)出現(xiàn)了部分草地退化及沙化。

1.2 樣地的布設(shè)

于2016年7月12日—14日對研究區(qū)進行了地面采樣及觀測實驗，樣方根據(jù)地表草地植物群落組成、放牧情況、退化情況以及地形條件采用分區(qū)隨機采樣法，樣方的位置選擇在其周圍一定區(qū)域內(nèi)，草地生長比較均勻，并且植被景觀具有一致性。采樣點的位置如圖1所示。樣地的布設(shè)情況如圖2所示，其中無人機樣方大小設(shè)置為60 m×60 m，大疆Phantom 3 Professiona無人機（參數(shù)見表1）飛行在樣方上方100 m左右，獲取無人機航拍遙感數(shù)據(jù)。同時在無人機大樣方周圍布設(shè)9個1 m×1 m小樣方，利用索尼SELP 1650數(shù)碼相機在其上方1 m處垂直拍攝獲取數(shù)據(jù)。利用GPS記錄每個樣方的地理坐標，同時記錄樣方內(nèi)的植物群落類型、地貌環(huán)境（表2），并將1 m×1 m小樣方內(nèi)的植被全部齊地面收割，去除碎石等雜物，裝入袋子做好標記，最后共獲取7個大樣方，63個小樣方。將裝入植被的袋子帶回實驗室，在 80 ℃下烘干至恒重，然后用精度為0.01的電子天平稱重，得到單位面積內(nèi)的有機物質(zhì)總量，即生物量。

圖1 研究區(qū)及采樣點位置Fig. 1 Location of research area and sampling

圖2 樣方布設(shè)示意圖Fig. 2 Sketch map of sample plot

表1 大疆Phantom 3 Professiona無人機參數(shù)Table 1 Parameters of DJ Phantom 3 Professiona

2 方法

2.1 無人機數(shù)據(jù)預(yù)處理

2.1.1 無人機圖像去噪

由于受樣地環(huán)境及無人機自身通信的影響，無人機在對樣地進行航拍和圖像傳輸過程中，會受到脈沖噪聲與高斯噪聲的干擾，直方圖中存在尖峰，并且在灰度值為0與255的位置均有噪聲的影響，會影響植被覆蓋度提取的精度，故在植被覆蓋度提取之前，需對圖像進行去噪處理。若單純采用一種去噪方法，并不能完全消除噪聲的影響，基于這種情況，本文采用開關(guān)中值濾波消除脈沖噪聲，采用基于維納濾波的小波變換對剩下的高斯噪聲予以消除。

開關(guān)中值濾波的具體檢測方法如下（丁繼生等，2016）：G(i, j)表示無人機圖像中的灰度值，Max與Min分別表示無人機圖像中的像素灰度值最大值與最小值，利用M模板滑動覆蓋，其中M模板的大小為3×3的窗口，中心像素灰度值記為H(i,j)，則 M 模板覆蓋的像素灰度值集合為 HM(i,j)={H(i+m, j+n)|m, n=-1, 0, 1}，如果H(i, j)等于0或255，則記錄H(i, j)為噪聲點。

小波變換圖像去噪使用的是小區(qū)域的波，其波形長度有限，并且平均值為零。當對消除脈沖噪聲后的無人機圖像使用一級小波分解后，會得到4個子頻帶，分別為低頻分量LL、垂直方向LH、水平方向HL和對角線方向HH，其中LL最為接近分解前的圖像，保留了大量原始信息，具有較好的信息魯棒性，LH、HL、HH 3個中高頻分量主要是圖像的紋理與邊緣信息，信息穩(wěn)定性較差（張超等，2017）。維納濾波是經(jīng)典的消除高斯白噪聲的方法，它是以最小均方誤差為準則，對圖像中的高斯白噪聲具有非常有效的去噪效果（張小波，2014）。

表2 樣地內(nèi)地貌及植被類型Table 2 Landscapes and vegetation types in the sample plot

基于維納濾波的小波變換去噪步驟（圖3）如下：

（1）對去除脈沖噪聲的無人機圖像使用一級小波分解，分別得到LL、LH、HL、HH；

（2）由于LL中保留了大部分原始信息，故不作去噪處理，利用維納濾波器對 LH、HL、HH進行去噪處理；

（3）對LL、LH、HL、HH進行小波重構(gòu)，得到去噪后的圖像。

2.1.2 無人機圖像增強

本文采用直方圖均衡化對無人機圖像進行增強，突出草地植被信息，抑制土壤背景信息。

直方圖均衡化是圖像增強中應(yīng)用廣泛的方法，它的基本思想是將原始圖像中的灰度直方圖經(jīng)變換成為均勻分布的形式，變換后的圖像灰度級出現(xiàn)的概率大致一樣，實現(xiàn)圖像對比度的增強（李錦等，2014）。直方圖均衡化是以圖像各灰度級概率的累積分布函數(shù)作為變換函數(shù)，經(jīng)過變換后，得到灰度概率密度均勻分布的圖像，累積分布函數(shù)可表示為（李錦等，2014）：

式中，rj為變換前的歸一化灰度級；T(rk)為變換函數(shù)；Sk為變換后的歸一化灰度級；nj為原圖像中出現(xiàn)第k級灰度級的像素個數(shù)；n為圖像中像素的總數(shù)；pr(rj)為變換前圖像取第k級灰度值的概率。

2.2 基于最大熵-遺傳算法提取植被覆蓋度

最大熵法通過建立植被與背景的目標函數(shù)，將圖像分割轉(zhuǎn)化為數(shù)學優(yōu)化，進而利用遺傳算法尋找最優(yōu)分割閾值。基于遺傳算法的最大熵法提取植被覆蓋度的流程如圖4所示。

主要步驟如下：

（1）計算植被指數(shù)：由于無人機獲取的數(shù)據(jù)只有紅、綠、藍3種波段，植被與背景（裸土、陰影、砂石等）顏色差異的計算選擇常用的過綠指數(shù)與顏色指數(shù)，并進行修正。

過綠植被指數(shù)（Woebbecke et al.，1995）（Excess green index，Ieg）計算公式：

圖3 基于維納濾波的小波變換去噪流程Fig. 3 Flow chart of wavelet transform based on wiener filtering

圖4 最大熵結(jié)合遺傳算法估算植被覆蓋度流程圖Fig. 4 Flow chart of estimating vegetation coverage based on maximum entropy and genetic algorithm

當 g＞r且 g＞b時：

否則Ieg=0。

顏色植被指數(shù)（Color index of vegetation， ICV）計算公式：

當 g＞r且 g＞b時：

否則ICV=0。

式中，r、g、b分別為無人機航拍圖像中的紅波段、綠綠波段、藍波段。

（2）熵的計算：依據(jù)最大熵算法原理（陳露晨等，2012），熵的判別函數(shù)計算如下：

植被指數(shù)圖像中灰度值的集合為{0, 1, 2,···,255}，共有N個像素，灰度值為i的像素個數(shù)用φ(i)表示，概率用p(i)表示，即：

對無人機圖像構(gòu)建的植被指數(shù)進行圖像分割時，由于裸土受濕度的影響，存在紅波段與藍波段大于綠波段的情況，因此本文圖像分割類別分為植被、背景、受裸土影響誤分的植被三類，即{C1, C2,C3}，每個類別對應(yīng)的灰度值為{0, 1, ···, G1}，{G1+1,G1+2, ···G2}···{G2+1, G2+2, ···255}，則閾值有 2 個，即{T1, T2}。

每個類別對應(yīng)的灰度值概率為：

其中 Pk=Σi∈Ckpi, k=1, 2···, 3。

因而，各類別的熵為：

定義熵的判別函數(shù)為：

當目標與背景的信息量最大時，即可得到熵的判別函數(shù)最大時的分割閾值，即：

（3）編碼：無人機圖像計算的植被指數(shù)的灰度值在0～255之間，同時又使用兩個閾值對圖像進行分割，所以用16位二進制進行編碼。

（4）設(shè)置初始種群：種群的數(shù)量設(shè)置為20，繁殖代數(shù)為100。

（5）設(shè)計適應(yīng)度函數(shù)：適應(yīng)度函數(shù)選擇的是熵的判別函數(shù)，通過產(chǎn)生隨機數(shù)作為初始分割閾值，計算各個個體的適應(yīng)度。

（6）復(fù)制：復(fù)制操作采用輪盤賭法，將上一代適應(yīng)度高的個體的染色體通過復(fù)制操作遺傳到下一代。

（7）交叉：交叉概率設(shè)置為 0.6，交叉操作使用的是雙點交叉。交叉操作將產(chǎn)生適應(yīng)度更強的個體，可以加快全局的尋優(yōu)。

（8）變異：變異概率取0.03，防止種群在一開始取得最優(yōu)分割閾值而停止進化。

（9）終止條件：當相鄰兩代平均適應(yīng)度的差值小于0.01時，進化趨于穩(wěn)定，或達到最大迭代次數(shù)時進化完成。

2.3 草地地上生物量估算方法

3 結(jié)果與分析

3.1 無人機數(shù)據(jù)預(yù)處理結(jié)果

以Y5為例，利用開關(guān)中值濾波與基于維納濾波的小波變換對無人機圖像進行圖像去噪，去噪后的圖像直方圖如圖5所示。結(jié)果顯示，無人機圖像經(jīng)過去噪后，直方圖較為平滑，并且在灰度值為 0與255處沒有值，消除了噪聲對圖像的影響。利用直方圖均衡化對去噪后的無人機圖像進行圖像增強，增強前的直方圖（圖 5）與增強后的圖像（圖6）顯示，無人機圖像經(jīng)過均衡化后，各灰度等級分布比較均勻，植被與土壤背景之間差別明顯。

3.2 無人機植被覆蓋度提取結(jié)果及驗證

圖6 無人機圖像增強結(jié)果Fig. 6 UAV image enhancement

對無人機大樣方數(shù)據(jù)進行預(yù)處理并計算植被指數(shù)，應(yīng)用基于遺傳算法的最大熵法提取植被覆蓋度，結(jié)果如表3所示，兩種植被指數(shù)估算的植被覆蓋度、閾值1、閾值2均有一定差異，最大熵差別不大。

為了定量分析無人機大樣方估算草地植被覆蓋度的精度，利用手持GPS記錄的控制點對無人機圖像進行幾何校正，并利用實地照相法獲取控制點位置1 m×1 m小樣方的植被覆蓋度（圖7），基于t檢驗方法，利用照相法估算的1 m×1 m小樣方的植被覆蓋度驗證無人機影像估算結(jié)果，并計算其均方根誤差?；跓o人機估算植被覆蓋度與照相法估算植被覆蓋度t檢驗，結(jié)果如表4所示，無人機影像兩種植被指數(shù)的估算結(jié)果與照相法估算結(jié)果不存在顯著差異（P＜0.05），其中以過綠指數(shù)估算結(jié)果精度較高，t檢驗 P值為 0.272，均方根誤差為6.6356，可以利用該方法估算無人機大樣方草地植被覆蓋度。7個樣地中，兩種植被指數(shù)均以 Y6樣地的精度最高，Y2的精度最低。其中，Y6樣地為丘地低平地，沙化裸土，植被類型少，植被覆蓋較低，而Y2為丘間平地，植被種類多，覆蓋較高，空間異質(zhì)性較強，故Y2樣地的估算精度低于其他樣地（表5）。

3.3 植被覆蓋度與生物量的相關(guān)性分析

圖5 無人機圖像預(yù)處理直方圖Fig. 5 Histogram of preprocessed UAV image

表3 植被覆蓋度估算結(jié)果Table 3 Result of estimating vegetation coverage

圖7 無人機大樣方驗證示意圖Fig. 7 Verification sketch map of large quadrat

表4 無人機估算植被覆蓋度的精度Table 4 Precision of estimating vegetation coverage by UAV image

表5 各樣地無人機數(shù)據(jù)估算結(jié)果均方根誤差Table 5 RMSE of estimating vegetation coverage by UAV imagery form various sampling plot

由于生物量與植被覆蓋度（P）、植被株高（h）及植被覆蓋度與株高的乘積（P×h）密切相關(guān)（Wen et al.，2017），本文對草地生物量與3個變量之間的相關(guān)性進行了分析，結(jié)果如表6所示，生物量與3個變量之間具有顯著的相關(guān)性，相關(guān)系數(shù)均在0.8以上，其中生物量和植被覆蓋度與株高的乘積相關(guān)性最高，為0.9134。

表6 草地生物量與各變量相關(guān)系數(shù)Table 6 Correlation coefficient of grassland biomass with each variable

利用 y=a+bx，y=axb，y=ax2+bx+c，y=ax3+bx2+cx+d，y=a+blgx等回歸模型，以生物量與單一變量P、h，交叉變量P×h及聯(lián)合變量P、h 4種情況進行回歸方程建模，計算均方根誤差與估算精度對各模型進行精度分析。

式中，RMSE為均方根誤差；AGRi為實測草地生物量；AGRi′為估算草地生物量；N為樣本數(shù)；Ac代表估算精度；AGR 代表實測草地生物量的平均值。

擬合結(jié)果及精度如表7所示，結(jié)合圖8可知，單一變量中，生物量與變量P以及生物量與變量h的擬合效果最優(yōu)的均為三次回歸模型，其中變量P三次擬合效果（R2為 0.8244，RMSE為 3.5008 g·m-2，估算精度為 78.80%）優(yōu)于變量 h三次擬合（R2為 0.7460，RMSE 為 3.6213 g·m-2，估 算精度為76.42%）；交叉變量P×h、聯(lián)合變量P和h建模效果均優(yōu)于單一變量建模精度，對于聯(lián)合變量P和h，一次擬合效果（R2為0.8326，RMSE為2.6119 g·m-2，估算精度為 82.26%）優(yōu)于單一變量的最優(yōu)擬合，交叉變量 P×h三次回歸建模精度最高（R2為 0.8536，RMSE 為 2.4420 g·m-2，估算精度為83.41%）。

表7 草地生物量與各變量的模型及精度Table 7 The model and precision of grassland biomass and every variable

圖8 草地生物量與各變量的擬合結(jié)果Fig. 8 Fitting result of grassland biomass and every variable

4 討論與結(jié)論

4.1 討論

無人機遙感作為衛(wèi)星遙感的有益補充，具有高時效、高分辨率、低成本、低損耗、低風險及可重復(fù)等優(yōu)點，尤其在小尺度區(qū)域進行地表植被估測效果顯著，周在明等（2017b）以低空無人機影像對三沙灣灘涂濕地入侵種互花米草進行了覆蓋度研究，得出植被覆蓋度的估算值與真實值之間的均方根誤差（RMSE）為0.06，決定系數(shù)R2為0.92的高精度結(jié)果。牛亞曉等（2018）證明基于無人機多光譜遙感技術(shù)及植被指數(shù)法可以較好地提取冬小麥越冬期、拔節(jié)期、挑旗期和抽穗期的植被覆蓋度信息。本文利用無人機獲取呼倫貝爾草甸草原 60 m×60 m大樣方數(shù)據(jù)，實現(xiàn)草地植被覆蓋度較高精度估算（t檢驗P值為0.272，均方根誤差為6.6356）。

利用無人機圖像進行植被覆蓋度提取時，由于每個草地樣方內(nèi)植被物種、地貌類型均有所差異，為了保證及提高每個樣地無人機圖像提取的植被覆蓋度精度，基于遺傳算法，根據(jù)最大熵原理，建立植被覆蓋度與土壤背景的目標函數(shù)，通過獲取每一幅無人機圖像的動態(tài)雙閾值，實現(xiàn)植被與土壤背景的最佳分割。閾值法是圖像分割的常用方法，通過建立最大熵雙閾值數(shù)學模型和設(shè)計遺傳算法，可有效解決雙閾值圖像分割，優(yōu)化分割結(jié)果，最大熵遺傳算法在醫(yī)學CT腦顱圖像、人物圖像及山水圖像的分割中，均實現(xiàn)了最佳分割（王文淵等，2011；蔡軍杰等，2016）。

本文分別作生物量與植被覆蓋度（P）、植被株高（h）及P×h相關(guān)性的分析，得出生物量與3個變量之間具有顯著的相關(guān)性，相關(guān)系數(shù)均在0.8以上。利用植被覆蓋度及株高建模估測生物量時，發(fā)現(xiàn)生物量不僅與P、h的單一變量顯著相關(guān)，還與兩者的交叉（Ph乘積）及聯(lián)合變量（P×h）密切相關(guān)。交叉變量建模精度最高，P與h聯(lián)合變量的一次擬合建模結(jié)果高于任意單一變量建模結(jié)果。趙成義等（2004）在估測琵琶柴（Reaumuria songonica）灌叢生物量時也發(fā)現(xiàn)植株冠幅長與寬所建擬合方程精度最高，相對誤差在4.79%～10.12%之間。劉陟等（2014）利用多個變量，包括株高（h）、冠幅面積（C）、株高與冠幅面積乘積（h×C）參數(shù)估算油蒿（Artemisia ordosica）生物量，發(fā)現(xiàn)交叉變量估測效果優(yōu)于冠幅面積的單一變量擬合。馬媛等（2017）證明黃柳（Salix gordejevii）灌木生物量最優(yōu)模型為株高和基徑的乘積的三次回歸模型，經(jīng)驗證模型的預(yù)測值與實測值擬合率在72.08%～88.72%，其預(yù)測效果較好。

4.2 結(jié)論

本文利用無人機獲取呼倫貝爾草甸草原 60 m×60 m大樣方數(shù)據(jù)，對無人機圖像進行處理、分析及驗證，估測樣方內(nèi)植被覆蓋度及草地生物量，得出以下結(jié)論：

（1）利用遺傳算法對植被與背景最大熵目標函數(shù)進行優(yōu)化，獲取每個樣地圖像中植被與背景的動態(tài)分割閾值，從而得出其植被覆蓋度，結(jié)合野外同步實地數(shù)據(jù)，通過t檢驗及均方根誤差驗證其精度，結(jié)果表明，該方法估算估測精度較高（t檢驗P值為0.272，均方根誤差為6.6356）。

（2）草地生物量和植被覆蓋度、植被株高及草地植被覆蓋度與株高的乘積3個變量的相關(guān)性均較高，其中生物量和植被覆蓋度與株高的乘積相關(guān)性最高，為0.9134。構(gòu)建的交叉變量的三次回歸擬合效果（R2為 0.8536，RMSE為 2.4420，估算精度為83.41%）高于單一變量。