苗春麗，伏 帥，劉 潔，高金龍，高宏元，包旭瑩，馮琦勝，梁天剛，賀金生,2，錢大文

（1. 蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院 / 草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室 / 蘭州大學(xué)農(nóng)業(yè)農(nóng)村部牧草創(chuàng)新重點實驗室 /蘭州大學(xué)草地農(nóng)業(yè)教育工程研究中心, 甘肅 蘭州 730020；2. 北京大學(xué)城市與環(huán)境學(xué)院, 北京 100871；3. 中國科學(xué)院西北高原生物研究所, 青海 西寧 810008）

天然草地牧草作為重要的生產(chǎn)資料，其營養(yǎng)價值及品質(zhì)的好壞直接影響家畜的生長發(fā)育以及畜產(chǎn)品的質(zhì)量和經(jīng)濟價值，對草牧業(yè)發(fā)展具有非常重要的意義[1]。然而，傳統(tǒng)的多光譜遙感因較少的光譜通道及不連續(xù)的寬波段在天然草地地上生物量(aboveground biomass, AGB)估測方面有一定的局限性，通常存在空間分布率低、穩(wěn)定性差、精度低等諸多問題。目前，國內(nèi)外更多的研究主要使用新一代高分辨率Sentinel-2、Landsat8 和MODIS 等[2-3]多光譜衛(wèi)星資料在估算AGB，這些衛(wèi)星數(shù)據(jù)具有適合監(jiān)測植被生長狀況的紅光和近紅外等波段。但是，由于受到有限的寬波段的影響，依然存在反演精度不足、誤差偏大等問題[4]。

高光譜遙感的光譜分辨率高、波段連續(xù)性強、光譜信息量大，具有傳統(tǒng)遙感技術(shù)無法比擬的優(yōu)勢。高光譜成像是一種獲取大量空間位置光譜信息的新技術(shù)，使任何一個光譜波長都可以用來制作可識別的圖像。高光譜傳感器的窄波段通道能夠探測地物更加細(xì)微的光譜特征，而多光譜傳感器的寬波段通道通常難以捕捉到這些特征。目前，高光譜遙感在地質(zhì)勘探、環(huán)境資源監(jiān)測、生態(tài)系統(tǒng)調(diào)查等領(lǐng)域發(fā)揮著愈加重要的作用。就農(nóng)業(yè)領(lǐng)域而言，國內(nèi)外已將高光譜遙感技術(shù)廣泛應(yīng)用于作物生物生長參量反演、農(nóng)業(yè)生產(chǎn)及農(nóng)情信息監(jiān)測等方面[5-9]。草地高光譜遙感在近幾年的研究中也得到了廣泛的應(yīng)用，包括草地營養(yǎng)狀況、地上生物量和覆蓋度的監(jiān)測、物種識別、健康評價[10-17]。烏蘭吐雅等[18]對內(nèi)蒙古錫林郭勒草原生物量地物高光譜遙感的研究的結(jié)果表明：在選用的8 種常用的植被指數(shù)中，大氣阻抗植被指數(shù)ARVI (R945，R620，R430)與生物之間的相關(guān)性最強，相關(guān)系數(shù)為0.874；張亦然等[4]在內(nèi)蒙古科爾沁通過極限梯度提升(XGboost)算法分別用原始光譜、一階微分光譜、二階微分光譜植被指數(shù)構(gòu)建草甸地上生物量模擬估算模型，結(jié)果表明原始光譜計算的植被指數(shù)模型估算效果最佳，均方根誤差(root mean square error, RMSE)為1 402.6 kg·hm-2；張凱等[19]對甘南草地地上生物量地物高光譜遙感估算研究結(jié)果顯示：在17 個特征變量中，以特征參數(shù)光譜反射率723 nm 處一階微分值(D723)為變量的對數(shù)模型是最佳模型，相關(guān)系數(shù)達(dá)到0.896；高宏元等[20]在海北試驗站利用地物光譜數(shù)據(jù)和隨機森林算法研究草地AGB 估測模型的結(jié)果表明，在4 種特征變量分別構(gòu)建的草地AGB 估測模型中，基于NDBleaf、OSAVI、TCARI、MTCI、PRI、SIPI 和VARIg7 種植被指數(shù)構(gòu)建的RF 模型精度最高，測試集R2= 0.70,RMSE = 557.87 kg·hm-2。上述光譜變量、VIs 和吸收特征均對草地地上生物量具有一定的敏感性，對監(jiān)測天然草地地上生物量的空間變異和分布特征有借鑒意義。但是，以上研究都是基于地物高光譜數(shù)據(jù)構(gòu)建模型，監(jiān)測范圍有限，而本研究借助UAV 成像高光譜系統(tǒng)在光譜和空間分辨率方面的優(yōu)勢，建立的生物量模型，可對農(nóng)牧業(yè)生產(chǎn)和精細(xì)化管理起到很好的支撐作用。

高光譜遙感技術(shù)監(jiān)測草地生物量最常用的方法包括MLR 和PLSR 方法[21]。相較于傳統(tǒng)回歸方法，隨機森林(random forest, RF)機器學(xué)習(xí)具有避免過度擬合和多重共線性、調(diào)優(yōu)簡單、可并行處理、計算速度快等優(yōu)點，并且能夠處理離散數(shù)據(jù)，也能夠處理連續(xù)數(shù)據(jù)，可以增強模型的泛化和抗噪能力。高光譜成像數(shù)據(jù)具有較高的維數(shù)，且包含大量冗余數(shù)據(jù)，需要去除無關(guān)數(shù)據(jù)，提取特征波長。熱力圖通過高光譜波段兩兩組合構(gòu)建所有植被指數(shù)，打破了傳統(tǒng)構(gòu)建植被指數(shù)方法的不連續(xù)性和不完整性。最小絕對壓縮變量篩選方法(least absolute shrinkage and selection operator，LASSO)能夠最大程度上對高光譜波段及植被指數(shù)進(jìn)行降維。以往研究，往往是對敏感波段范圍，進(jìn)行對應(yīng)的衛(wèi)星光譜響應(yīng)函數(shù)計算或者均值化處理，造成敏感信息的缺失，而本研究通過熱力圖分析和LASSO 篩選，可精準(zhǔn)定位到敏感波段。

基于以上因素的考慮，本研究結(jié)合地面實測數(shù)據(jù)和無人機高光譜遙感技術(shù)，利用UAV 搭載的成像高光譜儀對海北試驗站天然草地冠層進(jìn)行光譜成像和分析，篩選光譜敏感波段，結(jié)合機器學(xué)習(xí)方法構(gòu)建天然草地地上生物量估測模型，為高寒天然草地地上生物量的高精度監(jiān)測提供理論基礎(chǔ)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

本研究的試驗區(qū)位于青海省海北高寒草地生態(tài)系統(tǒng)國家野外科學(xué)觀測研究站，地理位置為37°37′N，101°19′ E，土壤類型有高山草甸土、高山灌叢草甸土和沼澤土，發(fā)育差，礫質(zhì)性，土層深度60 cm 左右，母質(zhì)為黃土，其下為洪沖積物。土壤呈現(xiàn)有機質(zhì)及全量養(yǎng)分豐富而速效養(yǎng)分貧乏的特點。植被類型為青藏高原典型的地帶性植被，以金露梅(Potentilla fruticosa)為建群種的高寒灌叢草甸分布于山地陰坡、山麓及河谷低地；以嵩草屬植物為建群種的高寒嵩草草甸分布在山地陽坡和灘地；以藏嵩草(Kobresia tibetica)為建群種的沼澤草甸分布于河灘地。群落結(jié)構(gòu)簡單、種類組成較少，植物生長期短、生產(chǎn)力較低。家畜主要是藏系綿羊和牦牛。

1.2 草地外業(yè)觀測數(shù)據(jù)

如圖1 所示，試驗區(qū)包括A、B 兩塊放牧地，每塊放牧地有15 個小區(qū)(每個小區(qū)面積0.2 hm2)，放牧家畜為牦牛，放牧方式為輪牧，放牧?xí)r間為每年7 月-9 月。

圖1 研究區(qū)樣地空間分布Figure 1 Spatial distribution of sampling sites of the study area

外業(yè)調(diào)查工作選在高寒草甸的生長季進(jìn)行，于2019 年5 月下旬開始，包括9 次監(jiān)測數(shù)據(jù)，其中2019 年分別在5 月-9 月的每月下旬開展了5 次觀測。調(diào)查樣本135 個，其中試驗區(qū)A 有75 個，試驗區(qū)B 有60 個。2020 年分別在7 月、9 月、10 月的下旬開展了3 次調(diào)查，觀測樣本30 個，均在試驗區(qū)A?？紤]到10 月份研究區(qū)高寒草甸已進(jìn)入枯草期，所以在后續(xù)的研究中沒有使用該月的觀測數(shù)據(jù)。本項研究采用的7 次野外調(diào)查觀測樣本總計165 個。

在晴天、無云的狀態(tài)下使用大疆經(jīng)緯M600(http://www.dji.com)搭載雙利合譜 Gaiasky-mini2-VN成像光譜儀(光譜范圍為388～1 000 nm，光譜分辨率為 3.5 nm)在航高30 m (高光譜影像地面分辨率為 6.84 cm)開展外業(yè)高光譜遙感圖像采集。A、B兩塊放牧地設(shè)置大小為40 m × 50 m 的小區(qū)各15個，每個小區(qū)分別選取0.5 m × 0.5 m 的3 個樣方[22]進(jìn)行觀測，主要記錄高程、經(jīng)緯度、草地蓋度、草群高度、優(yōu)勢種、物種數(shù)、鮮重等指標(biāo)。為了減少鮮重數(shù)據(jù)的隨機誤差，避免局部采樣位置空間異質(zhì)性造成的影響，每個樣地內(nèi)采集的所有樣方的草樣均在實驗室60 ℃下烘干48 h，將每個樣地的3 個樣方的草樣干重取平均值，代表其地上部分的生物量。

1.3 光譜數(shù)據(jù)預(yù)處理

使用儀器設(shè)備自帶的Spec VIEW 高光譜圖像采集及數(shù)據(jù)預(yù)處理軟件，對采集的成像高光譜數(shù)據(jù)進(jìn)行鏡頭校正、反射率校正和降噪處理以排除環(huán)境因素的干擾。將預(yù)處理后的影像數(shù)據(jù)導(dǎo)入ENVI 5.3 軟件中轉(zhuǎn)成TIF 格式文件，在ArcGIS 10.2 中對高光譜圖像定義地圖投影。

1.4 原始成像高光譜變量篩選

1.4.1 植被指數(shù)的熱力圖篩選

利用MATLAB 2021 軟件，采用熱力圖方法[23]，分別對常用的與草地AGB 有一定相關(guān)性的NDVI、SR、GWDRVI、TSAVI 4 種植被指數(shù)算法(表1)進(jìn)行熱力圖形式的篩選分析。由于熱力圖表示的是所有波段進(jìn)行兩兩組合，即每種植被指數(shù)的波段組合有30 625 種組合形式。為了從眾多組合形式中篩選出對反演草地AGB 貢獻(xiàn)較大的植被指數(shù)，每一種植被指數(shù)選擇其R2排序前300 的進(jìn)行篩選分析，并在MATLAB 2021 軟件制圖。

表1 植被指數(shù)列表Table 1 List of vegetation index

1.4.2 草地地上生物量反演模型的變量篩選

采用最小絕對壓縮變量篩選方法(least absolute shrinkage and selection operator，LASSO)，在R Studio中對165 個樣本的176 個原始波段和1 200 個熱力圖植被指數(shù)進(jìn)行篩選，為了獲得穩(wěn)定的結(jié)果，設(shè)置重復(fù)次數(shù)為200 次。LASSO 是最初由Tibshirani[28]提出的一種用于處理多重共線數(shù)據(jù)的有偏估計方法。該方法通過構(gòu)造懲罰函數(shù)得到一個精細(xì)化模型，可以在不受顯著影響的情況下將系數(shù)壓縮到零，進(jìn)行變量選擇和變量估計。在回歸系數(shù)絕對值之和小于一個常數(shù)值的約束條件下，最小化殘差平方和，從而生成嚴(yán)格等于零的回歸系數(shù)，從而得到一個可以解釋的模型。本研究使用R Studio 軟件中的LASSO 程序進(jìn)行天然草地AGB 重要波段的篩選。

1.5 模型構(gòu)建與精度分析

1.5.1 模型構(gòu)建

采用RF 方法[29]構(gòu)建研究區(qū)高寒草甸草地AGB反演模型。RF 算法包括ntree (回歸樹數(shù)量)、mtry(每個節(jié)點上測試的預(yù)測器的數(shù)量)和nodesize (樹的終端節(jié)點的最大最小)3 個主要變量。ntree 是基于樣本數(shù)所建立的決策樹數(shù)量，ntree 越大，模擬結(jié)果就越穩(wěn)定，但會導(dǎo)致計算量增加，本研究設(shè)置ntree 為1 000；mtry 是隨機特征的數(shù)量，其默認(rèn)值是輸入變量的平方根，從 2～20 進(jìn)行實驗，間隔為 1，本研究采用默認(rèn)值設(shè)置。RF算法是通過R 軟件中自帶的 “randomForrst”數(shù)據(jù)包實現(xiàn)。

1.5.2 精度分析

本研究采用十折交叉驗證[30]方法評價模型性能。在建立模型之前，將所有自變量及其對應(yīng)的因變量以等樣本數(shù)的方式分為 10 組，每次選取其中一組作為測試數(shù)據(jù)集用來驗證模型的估測能力，其余 9 組作為訓(xùn)練集用來構(gòu)建模型。每次進(jìn)行交叉驗證，都會計算出預(yù)測值與實測值之間的決定系數(shù)(R2)和RMSE，重復(fù)該過程 10 次，最終用R2、RMSE來評價各個模型的精度。R2表示自變量與因變量的相關(guān)性程度，RMSE 用于衡量預(yù)測值與真實值之間的誤差。R2越大，對應(yīng)的RMSE 越小，則可以視為該模型的模擬結(jié)果精度越高。R2和 RMSE 的計算公式如下：

式中：xi和yi分別為模擬和實測的地上生物量數(shù)值，yˉ為實測地上生物量的平均值，n為樣本數(shù)。R2越大，說明模型估測的可信度越高，RMSE 越小，說明模型的擬合度越好。

2 結(jié)果與分析

2.1 高寒草甸生物量及成像高光譜反射率分析

研究區(qū)外業(yè)調(diào)查樣點草地生物量的統(tǒng)計結(jié)果如表2 所列。5 月份2 個樣區(qū)的高寒草甸地上生物量平均值為717.41 kg·hm-2，標(biāo)準(zhǔn)差為240.80 kg·hm-2，6 月份地上生物量平均值為1 609.00 kg·hm-2，7 月份地上生物量較高，平均值為2 602.50 kg·hm-2，8 月草地地上生物量達(dá)到最大值，平均值為3 025.70 kg·hm-2。總體來看，5 月-8 月高寒草甸地上生物量逐漸增大，其中8 月份達(dá)到最高值，9 月份開始下降。

表2 2019-2020 年觀測樣點草地生物量統(tǒng)計分析結(jié)果(n = 165)Table 2 Statistical analysis table of grassland biomass description (n = 165)kg·hm-2

圖2 是成像高光譜數(shù)據(jù)的原始光譜在5 月-9 月的平均反射率曲線，光譜波段的波長范圍介于394～996 nm，反射率在0.01～0.43，反射率最大范圍在780～996 nm 的近紅外光譜，在394～760 nm的可見光波段內(nèi)天然草地的反射率較低，且存在兩個吸收谷和一個反射峰，即450～490 nm 的藍(lán)光吸收谷、490～580 nm 的綠光反射峰和640～680 nm 的紅光吸收谷。這主要是由于天然草地葉片內(nèi)葉綠素a 和葉綠素 b 在藍(lán)光和紅光附近的強吸收和綠光附近的強反射特性所致。在植被生長初期的5 月份，草地蓋度較低，裸露土壤占比大，光譜曲線受地表裸土干擾，在可見光區(qū)域的波峰波谷不明顯，在近紅外部分的反射率較高。9 月份草地出現(xiàn)部分枯黃現(xiàn)象，所以反射率最低。6 月、7 月和8 月草地植被生長旺盛，葉綠素含量高，在近紅外平臺反射率較高，其中7 月份的反射率最高。

圖2 高寒草甸成像高光譜反射率曲線Figure 2 Alpine meadow imaging hyperspectral reflectance curve

由于綠光、紅光和近紅外波段對天然草地地上生物量比較敏感，其光譜反射率差異大，利用這些波段構(gòu)建的植被指數(shù)可以反映草地地上生物量的變化狀況。廣泛應(yīng)用的NDVI、SR 等植被指數(shù)正是采用綠色植被在紅光波段或綠光波段有強吸收和近紅外波段具有強反射的特點構(gòu)建的一些植被指數(shù)，此外也有采用綠波段與近紅外波段構(gòu)建的一些植被指數(shù)(如TSAVI 等)，反演草地地上生物量的時空分布格局。

2.2 基于熱力圖的重要植被指數(shù)與草地生物量的關(guān)系分析

熱力圖(圖3)可以直觀反映由某些波段構(gòu)建的某種形式的植被指數(shù)與草地地上生物量之間的線性相關(guān)關(guān)系。波段范圍介于394～996 nm 的熱力圖反映出與草地AGB 線性回歸決定系數(shù)R2位于前300的TSAVI、NDVI、SR 和GWDRVI 4 種植被指數(shù)的篩選結(jié)果。從圖3 可以看出，TSAVI 的高光譜敏感波段位于熱力圖橫軸821～996 nm 和縱軸503～530 nm；NDVI 與草地AGB 線性回歸決定系數(shù)R2位于前300 的高光譜敏感波段分布范圍介于熱力圖橫軸的536～606 nm 和835～919 nm 兩個區(qū)域，以及縱 軸 的474 ～533 nm 和513 ～523 nm 兩 個 區(qū) 域；SR 的高光譜敏感波段位于熱力圖橫軸的536～610 nm、779 nm 和810～996 nm 3 個區(qū)域，以及縱軸的471～533 nm、743 nm 和712～733 nm 3 個區(qū)域；相應(yīng)的GWDRVI 的高光譜敏感波分布范圍在熱力圖橫軸的536～610 nm 和810～996 nm 兩個區(qū)域，以及縱軸的471～533 nm 和712～736 nm 兩個區(qū)域。由此可見，熱力圖中綠光波段、紅光波段和近紅外波段構(gòu)成的植被指數(shù)與草地地上生物量具有顯著的線性關(guān)系。

圖3 植被指數(shù)熱力圖Figure 3 Thermal map of VIs

2.3 草地地上生物量反演模型與精度分析

表3 和表4 分別表示基于176 個單波段和1 200個植被指數(shù)的1 376 個變量LASSO 回歸分析結(jié)果和利用LASSO 篩選的變量和RF 方法構(gòu)建的草地地上生物量估測模型十折交叉驗證結(jié)果。由表4可以看出，在42 種變量組合構(gòu)建的模型中，模型的訓(xùn)練集R2和驗證集R2較接近，其中42 個模型的驗證集R2大于 0.77。表明這42 種天然草地地上生物量估測模型均具有較高的精度。

表3 基于176 個單波段和1 200 個植被指數(shù)的1 376 個變量LASSO 回歸分析結(jié)果Table 3 Results of LASSO regression analysis of 1 376 variables including 176 single bands and 1 200 vegetation indices

續(xù)表3Table 3 (Continued)

根據(jù)精度及穩(wěn)定性，研究區(qū)草地AGB 最優(yōu)模型為L42，在42 個RF 模型中驗證集R2大于0.80 且RMSE 低 于490 kg·hm-2的 模 型 有L42、L31 和L28(表4)，其地上生物量實測值和預(yù)測值的線性回歸系數(shù)決定較高，分別達(dá)0.79、0.79 和0.78，RMSE 分別為506、502 和510 kg·hm-2(圖4)。涉及變量數(shù)量分別為6、21 和24 (表3)。綜合考慮模型的精度和簡約性，最優(yōu)模型可確定為L42。該模型涉及原始光譜波段536 nm、比值植被指數(shù)SR46 (513 nm, 566 nm)、SR47 (510 nm, 573 nm)和SR79 (733 nm, 850 nm)，轉(zhuǎn)換的土壤調(diào)節(jié)植被指數(shù)TSAVI287 (803 nm,879 nm)和TSAVI298 (503 nm, 875 nm)這6 個變量。模 型驗證集的R2達(dá)0.81，RMSE 為489.36 kg·hm-2，訓(xùn)練集R2為0.95，RMSE 為248.70 kg·hm-2。

圖4 不同RF 估測模型的實測AGB 與估測AGB 的相關(guān)性Figure 4 Correlation between measured AGB and predicted AGB in different RF estimations

表4 基于機器學(xué)習(xí)模型的草地地上生物量估測精度評價Table 4 Accuracy evaluation of AGB estimation based on machine learning models

2.4 高寒草甸地上生物量反演分析

圖5 是2020 年7 月7 日利用無人機成像高光譜遙感影像和L42 估測模型對青海省海北試驗站樣區(qū)A 高寒草甸草地AGB 反演結(jié)果，草地地上生物量大部分介于1 500～2 000 kg·hm-2。從該圖可以看出，利用高精度的反演模型和空間分辨率6.84 cm的無人機成像高光譜遙感影像，可以精準(zhǔn)反演高寒草甸草地的空間分布格局，也可以清晰反映試驗區(qū)的圍欄、試驗小區(qū)之間的道路、放牧家畜和裸地等其他地物的細(xì)節(jié)。通過生物量反演圖，可以直觀地看出試驗區(qū)A 生物量的空間分布的異質(zhì)性，有無人機拍攝的影像基本吻合，說明本項研究的變量選擇和模型構(gòu)建效果良好。

圖5 草地地上生物量的空間分布圖Figure 5 Spatial distribution of grassland aboveground biomass

3 討論

3.1 草地地上生物量估測的敏感光譜波段和植被指數(shù)

利用LASSO 方法，對176 個成像高光譜的單波段和1 200 個植被指數(shù)進(jìn)行篩選的結(jié)果表明，與高寒草甸AGB 密切相關(guān)的變量包括1 個單波段和5個植被指數(shù)，分別是536 nm 和比值植被指數(shù)SR46(513 nm, 566 nm)、SR47 (510 nm, 573 nm)、SR79 (733 nm, 850 nm)，轉(zhuǎn)換的土壤調(diào)節(jié)植被指數(shù)TSAVI287(803 nm, 879 nm)和TSAVI298 (503 nm, 875 nm)，敏感波段如圖6 所示。其中，單波段為綠光，組合植被指數(shù)涉及的波段分別為綠光、紅光和近紅外波段，說明這些通道與地上生物量存在重要關(guān)系。本研究提取的敏感光譜波段和植被指數(shù)對生物量的估測能力較強，高光譜的窄波段和窄帶光譜指數(shù)相比其他多光譜衛(wèi)星更能捕捉生物量的空間變化。

圖6 AGB 估測變量的敏感光譜波段構(gòu)成Figure 6 Composition of sensitive spectral bands of AGB estimated variables

3.2 傳統(tǒng)植被指數(shù)波段范圍與熱力圖波段范圍對比分析

傳統(tǒng)意義上的NDVI 通常被認(rèn)為在紅光和近紅外的波段范圍的反射率與草地地上生物量的相關(guān)性較好[28]。然而，本研究結(jié)果中發(fā)現(xiàn)除了近紅外波段和紅光波段之外，紅光和綠光構(gòu)建的植被指數(shù)與高寒草甸AGB 相關(guān)性更高。由于傳統(tǒng)多光譜遙感因較少的光譜通道及不連續(xù)的寬波段在天然草地地上生物量估測方面具有局限性，而UAV 成像高光譜的多通道、窄波段和連續(xù)性在估測草地地上生物量方面具有明顯優(yōu)勢，其精度更高，效果更好。另外，采用熱力圖分析敏感波段具有更多優(yōu)點：一是可以將所有波段進(jìn)行兩兩組合，直觀地反映決定系數(shù)R2的高值區(qū)域；二是每一種形式的植被指數(shù)都有其一一對應(yīng)的熱力圖R2高值區(qū)，而傳統(tǒng)意義上的植被指數(shù)波段往往以一個固定的波段范圍來計算其相應(yīng)的植被指數(shù)，這不利于最適波段范圍的選取。

3.3 成像高光譜在草地地上生物量反演中的優(yōu)勢

目前，對于天然草地地上生物量監(jiān)測的研究多基于多光譜衛(wèi)星影像數(shù)據(jù)，其空間代表性受到限制。而多光譜衛(wèi)星遙感技術(shù)受時空分辨率等因素的影響，難以實現(xiàn)天然草地地上生物量的高精度監(jiān)測[7]。目前基于傳統(tǒng)衛(wèi)星遙感的遙感反演生物量模型，主要適用于大尺度宏觀估測，而借助UAV成像高光譜系統(tǒng)在光譜和空間分辨率方面的優(yōu)勢，建立的生物量模型，可進(jìn)一步反映出田間尺度家畜采食軌跡，優(yōu)勢物種空間分布等信息，可對農(nóng)牧業(yè)生產(chǎn)和精細(xì)化管理起到很好的支撐作用，是開展高精度天然草地地上生物量的動態(tài)監(jiān)測的重要手段[2]。

研究區(qū)的高寒草甸生物量空間分布圖表明，機載成像高光譜成像技術(shù)在樣地或者較小空間尺度上對生物量以及不同放牧強度引起的生物量空間異質(zhì)性具有較強的捕捉能力。但是，由于本研究觀測的地域范圍小，因此，研究結(jié)果的普適性仍然需要進(jìn)行驗證，后續(xù)研究應(yīng)考慮增加更多的樣點，并結(jié)合衛(wèi)星遙感數(shù)據(jù)構(gòu)建更大區(qū)域尺度、更高精度的估測模型。

4 結(jié)論

本研究以青海海北試驗站天然草地為研究對象，利用無人機成像高光譜遙感數(shù)據(jù)和機器學(xué)習(xí)算法，結(jié)合海北天然草地地上生物量實測數(shù)據(jù)，對比分析了不同時期的高光譜遙感特征，構(gòu)建了天然草地生物量的估測模型，對天然草地地上生物量進(jìn)行了反演和評估。主要得出以下結(jié)論：

1) 8 月份海北試驗站的高寒草甸地上生物量較高，其平均值為3 025.7 kg·hm-2，影響地上生物量的重要變量為窄通道的綠光波段(536 nm)和由綠光波段和近紅外波段構(gòu)建的比值植被指數(shù)SR46 (513 nm, 566 nm)、SR47 (510 nm, 573 nm)、SR79 (733 nm,850 nm)以及轉(zhuǎn)換的土壤調(diào)節(jié)植被指數(shù)TSAVI287(803 nm, 879 nm)和TSAVI298 (503 nm, 875 nm)。

2) RF 模型在高寒草甸地上生物量(AGB)估測上有獨特的優(yōu)勢，其驗證集的R2在 0.77～0.81，RMSE 介于508.825～554.48 kg·hm-2，訓(xùn)練集的R2在0.95～0.96， RMSE 介于237.39～274.44 kg·hm-2。

3)無人機高光譜遙感技術(shù)具有高空間分辨率、高光譜分辨率等方面的優(yōu)勢，能夠為高寒草甸地上生物量的快速、精準(zhǔn)監(jiān)測提供重要理論依據(jù)。研究結(jié)果表明基于機器學(xué)習(xí)方法構(gòu)建的估測模型的估測效果良好，可以為天然草地地上生物量監(jiān)測技術(shù)提供參考。