摘 要：基于93個(gè)濕地蘆葦?shù)厣仙锪浚ˋGB）實(shí)測(cè)樣本數(shù)據(jù)和原始光譜（R）反射率及其數(shù)學(xué)變換，包括一階微分（R′）、二階微分（R\"）、倒數(shù)（1/R）和積分（∫R），采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（Competitive Adaptive Reweighted Sampling，CARS），進(jìn)行敏感波段篩選后，采用逐波段組合法（Band Combination Index， BCI）構(gòu)建19種不同組合形式的雙波段和三波段優(yōu)化植被指數(shù)，使用極端梯度提升（eXtreme Gradient Boosting， XGBoost），提升回歸樹（Boosted Regression Tree， BRT）和隨機(jī)森林（Random Forest， RF）三種算法，基于優(yōu)化植被指數(shù)分別建立蘆葦AGB的預(yù)測(cè)模型。結(jié)果表明：蘆葦AGB與微分變換后的優(yōu)化植被指數(shù)之間的相關(guān)性均有所提升，其中經(jīng)R\"變換的相關(guān)系數(shù)最大為0.56；XGBoost、BRT和RF基于微分變換構(gòu)建的AGB模型R2均大于0.5，均可用于濕地蘆葦AGB的估算；經(jīng)過R\"變換后，RF模型為最優(yōu)模型，R2為0.65，RMSE為0.234kg/m2，是預(yù)測(cè)蘆葦AGB的最優(yōu)模型，可為準(zhǔn)確獲取濕地蘆葦AGB提供可靠方法。

關(guān)鍵詞：光譜變換；蘆葦AGB；機(jī)器學(xué)習(xí)；逐波段組合法；優(yōu)化植被指數(shù)

中圖分類號(hào)：TP79" 文獻(xiàn)標(biāo)識(shí)碼：A" 文章編號(hào)：1673-260X（2025）01-0079-07

濕地是在水陸交互作用下，形成的獨(dú)特生態(tài)系統(tǒng)，是全球氣候變化最為敏感的生態(tài)系統(tǒng)之一[1]，具有極高的生態(tài)和研究?jī)r(jià)值，在全球碳循環(huán)中發(fā)揮著不可替代的作用，在蓄洪防旱、保護(hù)生物多樣性、調(diào)節(jié)氣候等方面，同樣發(fā)揮著不可或缺的作用[2]。濕地生態(tài)系統(tǒng)十分復(fù)雜，濕地植被作為重要組成部分之一，不僅可以保護(hù)珍稀鳥類資源、維系生態(tài)系統(tǒng)的穩(wěn)定[3，4]，其地上生物量（Aboverground biomass， AGB）還可以作為濕地生態(tài)系統(tǒng)健康的重要指標(biāo)[5]，是碳循環(huán)評(píng)估和濕地初級(jí)生產(chǎn)力的重要參數(shù)[6]。蘆葦濕地具有很強(qiáng)適應(yīng)性和抗逆性[7]，在陸地生態(tài)系統(tǒng)固碳和全球碳循環(huán)中發(fā)揮著重要作用。因而，如何對(duì)區(qū)域蘆葦AGB進(jìn)行監(jiān)測(cè)，并進(jìn)行定量估算，對(duì)濕地資源可持續(xù)利用，濕地生態(tài)系統(tǒng)管理和發(fā)展具有重要意義[8]。

傳統(tǒng)的植被AGB測(cè)量方法需要人為進(jìn)行收割、稱重和記錄，工作量大且費(fèi)時(shí)費(fèi)力，對(duì)植被具有破壞性，并且濕地水文條件復(fù)雜，可達(dá)性差，使得傳統(tǒng)采集任務(wù)更為困難[9，10]，難以實(shí)現(xiàn)空間連續(xù)的有效觀測(cè)。隨著遙感技術(shù)的發(fā)展，廣泛開展低成本的植被參數(shù)無損觀測(cè)成為可能[11]。高光譜數(shù)據(jù)能夠提供連續(xù)的波段、豐富的光譜信息，還擁有較高的光譜分辨率，但同時(shí)也造成了數(shù)據(jù)冗余問題[12-14]。光譜指數(shù)可以放大植被、土壤等之間的光譜差異[15]。然而，以往研究大多是通過文獻(xiàn)研究等途徑獲得光譜指數(shù)，難以保證其與反演參數(shù)的相關(guān)性。為了提高反演參數(shù)的相關(guān)性，利用特征波段選擇算法和逐波段組合等方法構(gòu)建的優(yōu)化后的光譜指數(shù)在植被參數(shù)估算等方面已有成效。競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）能夠篩選出與植被AGB相關(guān)的特征波段，減少光譜冗余波段，夢(mèng)珊[16]等采用CARS算法進(jìn)行特征波段篩選，對(duì)土壤碳進(jìn)行了建模估算，最優(yōu)模型R2為0.81；BCI算法的優(yōu)點(diǎn)是能夠在保留敏感參數(shù)信息的同時(shí)減少數(shù)據(jù)冗余，F(xiàn)ang[17]等在BCI方法的基礎(chǔ)上，利用光譜指數(shù)估算了互花米草LAI，模型估算效果較好，RF模型的R2達(dá)到0.85。

參數(shù)模型和非參數(shù)模型是植被AGB估算的常用方法。參數(shù)模型易于實(shí)現(xiàn)，但難以解決數(shù)據(jù)間的多重共線性問題。與參數(shù)模型相比，隨機(jī)森林、提升回歸樹、極端梯度提升等機(jī)器學(xué)習(xí)模型能夠更加靈活處理復(fù)雜數(shù)據(jù)間的關(guān)系和噪聲，在解決非線性擬合問題上具有極強(qiáng)的能力[18]，可以提高模型的估測(cè)精度，更適用于濕地植被地上生物量的估算[19]。宋柯馨[20]等采用線性模型和RF、XGBoost、SVM等模型，對(duì)草地AGB進(jìn)行建模估算，結(jié)果表明RF優(yōu)于線性模。楊可樂[21]等對(duì)竹林AGB進(jìn)行了建模估算，結(jié)果表明XGBoost模型比多元線性回歸模型更適用于竹林AGB估算。雖然RF、XGBoost等方法在植被AGB中有許多潛在的應(yīng)用，但目前尚缺乏機(jī)器學(xué)習(xí)算法結(jié)合高光譜數(shù)據(jù)對(duì)蘆葦AGB進(jìn)行建模估算。

本文利用實(shí)測(cè)高光譜數(shù)據(jù)與蘆葦?shù)厣仙锪?，在SG平滑和光譜變換基礎(chǔ)上，利用CARS和BCI相結(jié)合的方法，優(yōu)化構(gòu)建不同處理下對(duì)蘆葦AGB敏感的高光譜指數(shù)，分別采用XGBoost、BRT和RF三種機(jī)器學(xué)習(xí)方法建立蘆葦AGB的估算模型，分析各模型的估測(cè)精度，探求可用于估測(cè)濕地蘆葦AGB的最優(yōu)估算方法，以期為估算濕地蘆葦AGB總量提供方法和科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)選擇唐山曹妃甸典型的濱海蘆葦濕地，長(zhǎng)度和寬度分別為560m和380m，屬于東部季風(fēng)區(qū)溫帶半濕潤(rùn)氣候，年均降雨量為636mm，年均溫度為11℃。該地四季分明，濕地生物多樣性豐富，有利于候鳥的遷徙和繁殖棲息。研究區(qū)內(nèi)主要植被為蘆葦，濕地中水源充足，光照良好，人際活動(dòng)較少，蘆葦植株生長(zhǎng)高大、茂盛，實(shí)測(cè)蘆葦AGB平均干重為1.01kg/m2，平均株高為1.4m。研究區(qū)及采樣點(diǎn)如圖1所示。

1.2 數(shù)據(jù)來源與處理

1.2.1 蘆葦?shù)厣仙锪坎杉?/p>

于2023年5月31日采集蘆葦?shù)厣仙锪?，依?jù)全面性、代表性和典型性的樣地選取原則[22]，在研究區(qū)內(nèi)隨機(jī)選擇樣地，每個(gè)樣地之間的間隔約為30～40m，在每個(gè)樣地內(nèi)設(shè)置1個(gè)樣方，樣方大小為0.5m×0.5m的，記錄每個(gè)樣方內(nèi)的植株密度，以及中心位置的經(jīng)緯度坐標(biāo)。對(duì)樣方內(nèi)的蘆葦采用齊根收割方式獲取樣方內(nèi)植物的地上部分，隨機(jī)選取5株，放置于保鮮箱內(nèi)，迅速帶至實(shí)驗(yàn)室，稱取鮮重，用烘箱105℃條件下進(jìn)行殺青，時(shí)間為2h，然后在85℃條件下進(jìn)行烘干，烘24h至恒重，再稱量作為干重（精度0.01g）。最終，根據(jù)每個(gè)樣方內(nèi)獲得的5株蘆葦?shù)纳锪坑?jì)算出每個(gè)樣方內(nèi)的蘆葦AGB，再將其換算為單位面積內(nèi)蘆葦?shù)牡厣仙锪?，共采集有效蘆葦?shù)厣仙锪繕颖?3個(gè)。單位面積蘆葦AGB計(jì)算公式如下：

AGB=AGBavg×D" （1）

公式（1）中，AGB表示樣地單位面積內(nèi)蘆葦?shù)厣仙锪?；AGBavg表示樣方內(nèi)隨機(jī)割取的5株樣本蘆葦AGB的均值；D為植株密度，是單個(gè)樣方內(nèi)的蘆葦總株數(shù)。

1.2.2 實(shí)測(cè)高光譜曲線及預(yù)處理

高光譜反射率測(cè)定于2023年5月31日，光照條件良好、低風(fēng)無云時(shí)進(jìn)行光譜采集，以避免光照和天氣等外部因素對(duì)實(shí)測(cè)數(shù)據(jù)的影響。使用ASD Field Spec4野外便攜式高光譜儀，該儀器是由美國ASD（Analytical Spectral Devices）公司生產(chǎn)的。儀器的光譜測(cè)定范圍是350～2 500nm，不同波段范圍有著不同采樣間隔，例如在350～1 000nm波段范圍內(nèi)，采樣間隔為1.4nm。每次測(cè)量之前，采用白板進(jìn)行標(biāo)定，來保證數(shù)據(jù)的準(zhǔn)確性，每個(gè)樣品測(cè)取10條光譜曲線。原始光譜曲線處理使用View Spec Pro軟件，導(dǎo)入10條光譜曲線，取平均值。為避免由于環(huán)境和儀器等原因產(chǎn)生的誤差，對(duì)原始光譜信息進(jìn)行Savitzky-Golay（SG）算法平滑去噪得到R。對(duì)R做4種光譜變換：一階微分（R′）、二階微分（R\"）、倒數(shù)（1/R）和積分（∫R），4種變換處理采用Origin Pro 2021完成。

1.3 優(yōu)化植被指數(shù)構(gòu)建

高光譜數(shù)據(jù)包含大量波段，存在信息冗余和多重共線性等問題，正確選取對(duì)蘆葦AGB敏感性強(qiáng)的波段及波段組合是提高模型擬合精度的關(guān)鍵。本文通過CARS選取敏感波段，BCI算法構(gòu)建雙波段和三波段優(yōu)化植被指數(shù)。

Cars算法是一種敏感波段篩選算法。核心算法是能夠自適應(yīng)調(diào)整各波段的選擇概率，通過等概率采樣來建立PLS模型，依據(jù)PLS模型的回歸系數(shù)更新各波段的選擇概率，然后引入指數(shù)衰減函數(shù)來剔除不需要的波段，循環(huán)多次直至選擇概率收斂，確定建模所需波段。該算法的模型穩(wěn)定度較高，能夠通過PLS回歸系數(shù)來反映各波段的重要性，避免欠擬合和過擬合現(xiàn)象的產(chǎn)生。

BCI的基本原理是將任意兩個(gè)或三個(gè)波段組合起來構(gòu)建植被指數(shù)，并與AGB進(jìn)行線性相關(guān)分析，通過比較相關(guān)系數(shù)得到最優(yōu)植被指數(shù)。優(yōu)化植被指數(shù)具有更高的相關(guān)性，能夠更好的提高模型預(yù)測(cè)的可靠性。本文使用CARS篩選后的敏感波段進(jìn)行BCI算法，增強(qiáng)其對(duì)AGB的敏感性。本研究基于原始和變換光譜構(gòu)建19個(gè)優(yōu)化植被指數(shù)，如表1所示。

1.4 模型構(gòu)建

本研究使用優(yōu)化植被指數(shù)作為預(yù)測(cè)蘆葦AGB的輸入變量，同時(shí)采用隨機(jī)法劃分?jǐn)?shù)據(jù)集，70%用于訓(xùn)練集，30%用于驗(yàn)證集。為了比較不同模型對(duì)于AGB估測(cè)的效果，構(gòu)建了XGBoost、BRT和RF三種模型，使用網(wǎng)格搜索法設(shè)置機(jī)器學(xué)習(xí)模型的超參數(shù)組合，選擇當(dāng)RMSE最小時(shí)的超參數(shù)，作為模型的最優(yōu)超參數(shù)，同時(shí)基于十折交叉驗(yàn)證，來將所有的變量進(jìn)行遍歷。模型構(gòu)建基于R語言實(shí)現(xiàn)。

1.4.1 極端梯度提升

極端梯度提升（XGBoost）是一個(gè)基于決策樹的強(qiáng)大預(yù)測(cè)模型。該算法采用加權(quán)迭代法生成決策樹，下一次迭代生成的決策樹在上一次迭代的基礎(chǔ)上進(jìn)行訓(xùn)練，將所有決策樹的結(jié)果相加得到預(yù)測(cè)結(jié)果。XGBoost還包括L1和L2正則化項(xiàng)，從而增強(qiáng)模型對(duì)難以預(yù)測(cè)樣本的擬合能力。不同于傳統(tǒng)梯度提升機(jī)（GBM），XGBoost模型優(yōu)化了運(yùn)行速度，提高了精度。在實(shí)際應(yīng)用中能夠防止過擬合現(xiàn)象的產(chǎn)生，且具有較高的精度。

1.4.2 提升回歸樹

提升回歸樹（BRT）是一種統(tǒng)計(jì)模型，結(jié)合了回歸樹和增長(zhǎng)方法，核心是將多個(gè)弱學(xué)習(xí)器進(jìn)行組合，形成一個(gè)強(qiáng)學(xué)習(xí)器?；赽oosting策略，在每一次的迭代中，初始化數(shù)據(jù)的權(quán)重分布，并使用當(dāng)前數(shù)據(jù)權(quán)重分布來訓(xùn)練新的決策樹。與梯度提升樹不同的是該方法在損失函數(shù)擬合方面用的是平方損失，以獲得最優(yōu)損失函數(shù)。BRT有很強(qiáng)的適應(yīng)性，在適應(yīng)各種類型的變量的同時(shí)還能夠處理數(shù)據(jù)中的缺失值。

1.4.3 隨機(jī)森林

隨機(jī)森林（RF）是一種基于集成學(xué)習(xí)思想的算法。該算法由多個(gè)決策樹構(gòu)成，通過決策樹來對(duì)數(shù)據(jù)進(jìn)行建模，同時(shí)將預(yù)測(cè)的結(jié)果進(jìn)行集成，以提高模型的穩(wěn)定性和性能。在RF中，每棵決策樹在進(jìn)行隨機(jī)選擇子樣本后，在子樣本上獨(dú)立的進(jìn)行訓(xùn)練，增加了模型的隨機(jī)性，提高了組合決策樹模型對(duì)AGB預(yù)測(cè)的精度，具有較強(qiáng)的抗噪聲性，可以防止過擬合現(xiàn)象的產(chǎn)生[23]。最終的回歸結(jié)果是通過將多個(gè)決策樹的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)得到的。

1.5 精度評(píng)價(jià)指標(biāo)

采用3個(gè)指標(biāo)來對(duì)模型的估算效果進(jìn)行評(píng)價(jià)：（1）決定系數(shù)R2（Determination Cofficient，R2），（2）均方根誤差RMSE（Root Mean Square Error， RMSE），（3）平均絕對(duì)誤差MAE（Mean absolute error， MAE）。R2表示自變量和因變量的相關(guān)程度，R2的值在0～1之間，R2值越接近于1，表示模型的擬合效果越好；RMSE用于衡量預(yù)測(cè)值與真實(shí)值之間的誤差，RMSE越小，表示模型的預(yù)測(cè)結(jié)果越好；MAE表示絕對(duì)誤差的平均值，MAE越小，表示模型的精度越高。計(jì)算公式如下：

R2=" （2）

RMSE=" （3）

MAE=" （4）

式中：Yi為實(shí)測(cè)蘆葦AGB，Y′i為預(yù)測(cè)蘆葦AGB，為實(shí)測(cè)蘆葦AGB的平均值，N為樣本數(shù)。

2 結(jié)果與分析

2.1 蘆葦?shù)墓庾V特征

對(duì)蘆葦原始光譜進(jìn)行變換后，光譜曲線變化如圖2所示，蘆葦?shù)脑脊庾V曲線具有典型的健康植被光譜特征。例如，在可見光波段，蘆葦葉片反射率受葉綠素等色素吸收的作用，呈現(xiàn)出較低的反射率；在550nm附近，由于會(huì)強(qiáng)烈反射綠光，呈現(xiàn)出反射峰；在670nm附近，葉綠素對(duì)紅光進(jìn)行吸收，呈現(xiàn)吸收谷；在680nm～760nm范圍內(nèi)蘆葦葉片呈現(xiàn)出反射“陡坡”；在770nm～940nm的近紅外波段內(nèi)，呈現(xiàn)出極高反射率；而在短紅外波段，呈現(xiàn)出水分吸收谷。數(shù)學(xué)變換后的蘆葦光譜特性明顯改變。一階微分（R′）的曲線波動(dòng)劇烈，使得原始光譜的上升和下降趨勢(shì)更為明顯；二階微分（R\"）的光譜反射率在0周圍浮動(dòng)，反映原始曲線的凹凸性；經(jīng)過倒數(shù)（1/R）變換后，蘆葦?shù)墓庾V反射率曲線整體與原始的相反且更加聚集；經(jīng)過積分（∫R）變換后，蘆葦光譜曲線呈現(xiàn)出逐漸遞增的趨勢(shì)。

2.2 優(yōu)化植被指數(shù)與AGB相關(guān)性

由不同變換下的優(yōu)化植被指數(shù)與AGB相關(guān)性（表2）可知，AGB與微分變換下的優(yōu)化植被指數(shù)相關(guān)性明顯提高，最高可達(dá)0.56；進(jìn)過1/R變換后，優(yōu)化植被指數(shù)與AGB之間的相關(guān)性沒有變化；經(jīng)過∫R變換后，二者相關(guān)性反而下降，例如NDVI與AGB的相關(guān)性由0.28下降到了0.23。結(jié)果表明，對(duì)R經(jīng)過合適的變換能夠消除一定的噪聲，增強(qiáng)植被指數(shù)和AGB之間的相關(guān)性。在同一變換下，發(fā)現(xiàn)三波段優(yōu)化植被指數(shù)的相關(guān)性要明顯高于雙波段優(yōu)化植被指數(shù)，如在二階微分變換下，三波段優(yōu)化植被指數(shù)NVI與蘆葦AGB的相關(guān)性為0.52，雙波段優(yōu)化植被指數(shù)NDVI與蘆葦AGB的相關(guān)性為0.43，表明在三波段選取的光譜信息更為豐富，更好的捕獲了傳統(tǒng)植被反射率指數(shù)無法覆蓋的植被信息，使得優(yōu)化植被指數(shù)與蘆葦AGB呈現(xiàn)出強(qiáng)相關(guān)性。

2.3 模型對(duì)比分析

對(duì)蘆葦原始光譜經(jīng)過4種變換，微分變換后的建模效果顯著優(yōu)于倒數(shù)和積分變換，見表3。原始光譜經(jīng)過微分變換后，反射率與蘆葦AGB之間的關(guān)系轉(zhuǎn)換為了反射率的斜率與蘆葦AGB之間的關(guān)系，有效消除了反射率中存在的噪聲；倒數(shù)變換在3種建模方法中與原始數(shù)據(jù)表現(xiàn)相近，表明簡(jiǎn)單的算術(shù)運(yùn)算并不能充分挖掘出光譜中的有效信息；積分變換后的建模效果有所降低，表明積分變換不能提高對(duì)蘆葦AGB的敏感性。由此表明對(duì)R經(jīng)過合適的變換能夠更好的消除外界因素對(duì)植被指數(shù)的影響，以增強(qiáng)優(yōu)化植被指數(shù)對(duì)蘆葦AGB的敏感性。

三種機(jī)器學(xué)習(xí)算法中，微分變換下的優(yōu)化植被指數(shù)建立的模型R2均高于經(jīng)其他變換所建立模型的R2，而RMSE和MAE的值則要低于其他（表3）。例如，RF中二階微分（R\"）變換下的優(yōu)化植被指數(shù)建立的模型效果最好，R2為0.65，RMSE為0.234 kg/m2，MAE為0.196kg/m2，與原始光譜（R）相比，R2提升了38.3%，RMSE和MAE分別降低了11.7%和12.5%。而不同變換對(duì)不同模型的估測(cè)效果有著顯著差異，XGBoost模型R2集中于0.35～0.58，BRT模型R2集中于0.36～0.57，RF模型R2集中于0.43～0.65；在XGBoost模型中，估測(cè)效果最好的是一階微分（R′）變換，而在BRT模型和RF模型中，建模效果最好的是二階微分（R\"）變換。綜合評(píng)價(jià)以RF與二階微分（R\"）變換建模效果最好，模型R2為0.65，RMSE為0.234kg/m2，MAE為0.196kg/m2。

利用優(yōu)化植被指數(shù)和3種回歸模型進(jìn)行建模，圖3顯示了3種回歸模型各自的最優(yōu)模型蘆葦AGB實(shí)測(cè)值和預(yù)測(cè)值的散點(diǎn)圖，從圖中可以看出，RF模型的蘆葦AGB實(shí)測(cè)值和預(yù)測(cè)值的擬合曲線比XGBoost和BRT更接近1：1線，其次是BRT和XGBoost模型，結(jié)果表明，RF模型的預(yù)測(cè)值更接近實(shí)測(cè)值，更適用于估算蘆葦AGB。

3 結(jié)論

基于3種回歸模型和優(yōu)化植被指數(shù)建立蘆葦AGB的高光譜預(yù)測(cè)模型，重點(diǎn)討論了不同變換下建立的蘆葦AGB回歸模型的估測(cè)效果，表明對(duì)光譜進(jìn)行微分變換可以有效提升蘆葦AGB的建模估測(cè)精度，具體結(jié)論如下：

（1）對(duì)原始光譜反射率進(jìn)行變換后提取優(yōu)化植被指數(shù)，發(fā)現(xiàn)三波段優(yōu)化植被指數(shù)與蘆葦AGB的相關(guān)性要高于雙波段，表明三波段選取的光譜信息更為豐富，更好的捕獲了傳統(tǒng)植被反射率指數(shù)無法覆蓋的植被信息，使得優(yōu)化植被指數(shù)與蘆葦AGB呈現(xiàn)出強(qiáng)相關(guān)性。

（2）基于優(yōu)化植被指數(shù)建立XGBoost、BRT和RF三種模型，微分變換后的建模效果顯著優(yōu)于倒數(shù)和積分變換，表明微分變換可以有效消除誤差，提高優(yōu)化植被指數(shù)對(duì)蘆葦AGB的敏感性。

（3）基于R\"變換下建立的RF模型R2是0.65，RMSE是0.234kg/m2，MAE是0.196kg/m2，是預(yù)測(cè)濕地蘆葦AGB的最優(yōu)模型。

——————————

參考文獻(xiàn)：

〔1〕董李勤，章光新.全球氣候變化對(duì)濕地生態(tài)水文的影響研究綜述[J].水科學(xué)進(jìn)展，2011，22（03）：429-436.

〔2〕Barbier B E， Hacker D S， Kennedy C， et al. The value of estuarine and coastal ecosystem services[J]. Ecological Monographs，2011，81（02）：169-193.

〔3〕唐娜，崔保山，趙欣勝.黃河三角洲蘆葦濕地的恢復(fù)[J].生態(tài)學(xué)報(bào)，2006，（08）：2616-2624.

〔4〕程嘉偉，鄧昶身，魯長(zhǎng)虎.蘇州太湖湖濱人工種植和原生蘆葦濕地鳥類群落[J].動(dòng)物學(xué)雜志，2014， 49（03）：347-356.

〔5〕田艷林，劉賢趙，毛德華，等.基于MODIS數(shù)據(jù)的松嫩平原西部蘆葦濕地地上生物量遙感估算[J].生態(tài)學(xué)報(bào)，2016，36（24）：8071-8080.

〔6〕Jensen D， Cavanaugh C K， Simard M， et al. Integrating Imaging Spectrometer and Synthetic Aperture Radar Data for Estimating Wetland Vegetation Aboveground Biomass in Coastal Louisiana[J]. Remote Sensing，2019，11（21）：2533.

〔7〕梁雪，賀鋒，徐棟，等.人工濕地植物的功能與選擇[J].水生態(tài)學(xué)雜志，2012，33（01）：131-138.

〔8〕厲成偉，趙萌，陶燕東，等.濱海濕地植被-土壤相互作用及其對(duì)沉積環(huán)境分異的響應(yīng)格局[J].生態(tài)學(xué)雜志，2018，37（11）：3305-3314.

〔9〕劉潤(rùn)紅，梁士楚，趙紅艷，等.中國濱海濕地遙感研究進(jìn)展[J].遙感技術(shù)與應(yīng)用，2017，32（06）：998-1011.

〔10〕朱遠(yuǎn)輝，柳林，劉凱，等.紅樹林植物生物量研究進(jìn)展[J].濕地科學(xué)，2014，12（04）：515-526.

〔11〕Bilige S， Guangzhi R， Suri G， et al.Retrieving SPAD Values of Summer Maize Using UAV Hyperspectral Data Based on Multiple Machine Learning Algorithm[J]. Remote Sensing，2022，14（21）：5407-5407.

〔12〕Anting G， Wenjiang H， Yingying D， et al. Wheat Yellow Rust Detection Using UAV-Based Hyperspectral Technology[J]. Remote Sensing，2021，13（01）：123-123.

〔13〕Milica C， Kang Y， Mladen T， et al. Hyperspectral Vegetation Indices to Assess Water and Nitrogen Status of Sweet Maize Crop[J]. Agronomy，2022，12（09）：2181-2181.

〔14〕孫煜焱，董建軍，王秀梅.基于ASD地物光譜儀反演錫林郭勒典型草原地上生物量模型研究[J].草地學(xué)報(bào)，2024，32（07）：2234-2244.

〔15〕Wenjing F， Hongfen Z， Shuai L， et al. Rapid Identification of Main Vegetation Types in the Lingkong Mountain Nature Reserve Based on Multi-Temporal Modified Vegetation Indices[J]. Sensors，2023，23（02）：659-659.

〔16〕孟珊，李新國，焦黎.基于CARS算法的湖濱綠洲土壤表層有機(jī)碳估算[J].環(huán)境科學(xué)與技術(shù)，2022，45（08）：218-225.

〔17〕Fang H， Man W， Liu M， et al. Leaf Area Index Inversion ofSpartina alternifloraUsing UAV Hyperspectral Data Based on Multiple Optimized Machine Learning Algorithms[J]. Remote Sensing，2023，15（18）：115-121.

〔18〕張清文，吳風(fēng)華，宋敬茹，等.基于光譜變換的濱海濕地土壤全氮含量建模預(yù)測(cè)[J].土壤，2023，55（04）：880-886.

〔19〕Prakriti S， Larry L， Jiyul C， et al. Above-Ground Biomass Estimation in Oats Using UAV Remote Sensing and Machine Learning[J]. Sensors，2022，22（2）：601-601.

〔20〕宋柯馨，蔣馥根，胡宗達(dá)，等.西藏自治區(qū)草地地上生物量遙感反演研究[J].生態(tài)學(xué)報(bào)，2023，43（13）：5600-5613.

〔21〕楊可樂，譚艷，郭孝玉，等.集成多源遙感與極限梯度提升的竹林地上生物量估測(cè)[J].森林與環(huán)境學(xué)報(bào)，2024，44（04）：431-440.

〔22〕楊曉蕪，滿衛(wèi)東，劉明月，等.浙江濱海濕地互花米草生物量遙感估算模型研究[J].遙感技術(shù)與應(yīng)用，2023，38（06）：1445-1454.

〔23〕Yue J， Yang G， Tian Q， et al. Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2019，150226-244.