中圖分類號(hào)：TP79；S812 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0435（2025）04-1258-09

Abstract： Aboveground biomass（AGB） is an important index to evaluate vegetation status and desertification process in desert grassand. In order to evaluate the aboveground biomass （AGB）of desert grassland rapidly， accurately and efficiently，the desert grasslandof Seriphidium transiliense in Xinjiangwas takenas 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 thecharacteristic variables，and three machine leaming 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 perfor mance，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 （ ， ，of which RVI contributed the most，accounting for 3 5 % .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 ofremote 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

荒漠草地約占全國(guó)草原總面積的 $8 . 1 ＼% ^ { [ 1 ] }$ ，在維持區(qū)域生態(tài)和生產(chǎn)平衡方面發(fā)揮著關(guān)鍵作用，但由于其生態(tài)特性較為脆弱，對(duì)環(huán)境變化具有較高的敏感性，從而極易遭受損害。在草地管理實(shí)踐中，草地地上生物量（Abovegroundbiomass，AGB）[2-3]是評(píng)價(jià)草地退化、修復(fù)和生態(tài)系統(tǒng)穩(wěn)定性的重要指標(biāo)之一，快速準(zhǔn)確地定量反演草地AGB對(duì)促進(jìn)草原可持續(xù)發(fā)展具有重要意義。

植被指數(shù)是牧草生長(zhǎng)狀況的重要外部指標(biāo)，常被用于草地AGB的遙感估算[4-5]，如歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）[6]增強(qiáng)型植被指數(shù)（Enhanced vegetation index， 、土壤調(diào)節(jié)植被指數(shù)（Soil-adjustedvegetationindex，MASVI）等[8]。已有研究表明，植被指數(shù)與葉面積指數(shù)或生物量相關(guān)的生化參數(shù)之間存在高度相關(guān)性9，通過(guò)遙感平臺(tái)捕捉植被的反射光譜特性，計(jì)算植被指數(shù)、建立與實(shí)測(cè)值之間的統(tǒng)計(jì)模型，為草地AGB的遙感估算提供了重要手段。不同遙感平臺(tái)提供的數(shù)據(jù)源在空間分辨率、時(shí)間分辨率、光譜分辨率以及覆蓋范圍等方面存在差異；為此，在開(kāi)展相關(guān)研究時(shí)，應(yīng)當(dāng)謹(jǐn)慎選擇適宜的遙感平臺(tái)獲取源數(shù)據(jù)，以確保研究的準(zhǔn)確性和有效性。近年來(lái)，無(wú)人機(jī)（Unmannedaerialvehicle，UAV）遙感因具有獲取影像速度快、空間分辨率高、云下獲取影像等傳統(tǒng)遙感技術(shù)無(wú)法比擬的優(yōu)勢(shì)，在草地資源調(diào)查方面有著廣闊的應(yīng)用前景[10]。但是，基于無(wú)人機(jī)遙感數(shù)據(jù)如何選取精確且可靠的草地AGB反演方法，來(lái)實(shí)現(xiàn)退化草地發(fā)展趨勢(shì)的有效監(jiān)測(cè)，是草地資源現(xiàn)狀研究中的一個(gè)重要問(wèn)題。

目前，草地AGB遙感反演方法通常分為線性回歸和機(jī)器學(xué)習(xí)[11兩類。線性回歸方法的參數(shù)模型雖構(gòu)建簡(jiǎn)單、易于實(shí)現(xiàn)，但其有效性在很大程度上依賴于變量與生物量之間關(guān)系的線性假設(shè)：如孫世澤等在天山山脈的陰陽(yáng)坡草地區(qū)域，采集了無(wú)人機(jī)多光譜影像生成多種植被指數(shù)，并據(jù)此構(gòu)建了用于估算AGB的線性回歸模型[12]；Zhang等通過(guò)無(wú)人機(jī)可見(jiàn)光數(shù)據(jù)，構(gòu)建了一個(gè)基于冠層高度模型（Canopyheightmodel，CHM）與實(shí)際測(cè)量AGB的對(duì)數(shù)模型[13]。機(jī)器學(xué)習(xí)算法因能有效解決參數(shù)模型中特征變量間的共線性問(wèn)題，減小誤差、提高預(yù)測(cè)精度被廣泛應(yīng)用。其中，隨機(jī)森林（Randomforest，RF）[14]、極限梯度提升（eXtreme gradient boosting，XGBoost）[15]、輕量級(jí)梯度提升（Lightgradientboostingmachine，LightGBM）[16]等算法在植被參數(shù)估算中應(yīng)用較多：如Li等人利用RF模型對(duì)美國(guó)得克薩斯州草原AGB進(jìn)行了估算[1；Jia等基于XGBoost模型估算的內(nèi)蒙古東部草原AGB[18]；Bui等利用LightGBM模型對(duì)越南北部省份森林AGB進(jìn)行了估算[19]。

前人[20-21]對(duì)荒漠草地AGB的研究中，主要基于典型的植被指數(shù)結(jié)合線性回歸方法進(jìn)行模型的構(gòu)建，而對(duì)多種植被指數(shù)與機(jī)器學(xué)習(xí)算法結(jié)合，以提升模型性能的方法尚未得到充分驗(yàn)證。因此，本研究以新疆廣泛分布且面臨嚴(yán)重退化問(wèn)題的伊犁絹蒿（Seriphidiumtransiliense）荒漠草地為研究對(duì)象，利用無(wú)人機(jī)（UAV）采集的高分辨率多光譜影像以及地面實(shí)測(cè)的草地AGB數(shù)據(jù)，選取了10種植被指數(shù)作為特征變量，結(jié)合RF，XGBoost和LightGBM三種先進(jìn)的機(jī)器學(xué)習(xí)算法，并采用遺傳算法（GA）對(duì)這些算法模型的超參數(shù)進(jìn)行細(xì)致優(yōu)化，以建立更為精確的荒漠草地AGB反演模型。本研究旨在通過(guò)比較和分析不同模型的估算精度，篩選出最優(yōu)性能的模型，從而為無(wú)人機(jī)遙感技術(shù)在荒漠草地AGB估算領(lǐng)域的應(yīng)用提供科學(xué)依據(jù)和技術(shù)支持。

1 材料與方法

1. 1 研究區(qū)概況

伊犁絹蒿荒漠草地主要分布在新疆北部低海拔地區(qū)，屬于溫帶大陸性半干旱半荒漠氣候，多作為春秋放牧場(chǎng)[22]。因自然條件惡劣及過(guò)度的放牧利用，使其生產(chǎn)力迅速下降、群落結(jié)構(gòu)發(fā)生改變而造成了嚴(yán)重退化[23]。研究區(qū)位于新疆維吾爾自治區(qū)烏魯木齊市米東區(qū)柏楊河鄉(xiāng)境內(nèi)（圖1），地處 ， 之間，平均海拔 ，年降水量為 左右，降水主要集中在8一9月；該區(qū)域植被群落中，伊犁絹蒿為優(yōu)勢(shì)種，而角果藜（Ceratocarpusarenarius）與叉毛蓬（Petrosimoniasibirica）則分別作為亞優(yōu)勢(shì)種與之共存，該地區(qū)為典型的伊犁絹蒿荒漠草地分布區(qū)[24]

1. 2 數(shù)據(jù)獲取及處理

1.2.1樣帶和樣方布置遵循植叢分布均勻的原則，參照研究區(qū)草地生長(zhǎng)周期，于伊犁絹蒿荒漠草地植被生長(zhǎng)旺盛期（6月下旬）內(nèi)設(shè)置5條長(zhǎng) 相隔 的樣帶，獲取無(wú)人機(jī)多光譜影像，在每條樣帶中每隔 布設(shè)1個(gè)植物群落測(cè)定樣方，采集大小為 的樣方，每條樣帶50個(gè)樣方，共計(jì)250個(gè)樣方。

1.2.2數(shù)據(jù)的獲取試驗(yàn)選擇晴朗無(wú)云天氣、地面能見(jiàn)度高、風(fēng)力不超過(guò)3級(jí)的天氣開(kāi)展；在北京時(shí)間12：00—16：00間進(jìn)行多光譜數(shù)據(jù)、地面實(shí)測(cè)數(shù)據(jù)的采集。

（1）無(wú)人機(jī)多光譜數(shù)據(jù)獲取

采用大疆精靈4多光譜版（DJIP4Multispectral）無(wú)人機(jī)進(jìn)行數(shù)據(jù)采集，其相機(jī)配置了6個(gè) 1 / 2 . 9 英寸CMOS傳感器，包括1個(gè)彩色傳感器用于可見(jiàn)光成像和5個(gè)單色傳感器用于多光譜成像，5個(gè)單色傳感器分別覆蓋以下波段：藍(lán)（B） ；綠（G ；紅 ；紅邊（RE） ；近紅外 。

為確保飛行系統(tǒng)的穩(wěn)定性和安全性，選擇在晴朗且無(wú)風(fēng)的天氣條件作業(yè)，并將作業(yè)時(shí)間安排在日間光照最為理想的12：00—16：00時(shí)段。無(wú)人機(jī)設(shè)定在 的高度上空（空間分辨率為 以每秒 的速度勻速飛行，并采用等間隔拍照模式，每隔2.0秒進(jìn)行一次拍攝，以實(shí)現(xiàn)對(duì)航線方向上樣方的完整記錄。此外，航向和旁向重疊率均設(shè)定為7 5 % ，以收集伊犁絹蒿荒漠草地的詳細(xì)影像資料。

（2）草地地上生物量獲取

采用齊地劉割法對(duì)樣方內(nèi)所有的地上生物量進(jìn)行采集，并使用電子天平對(duì)收集于袋中的生物量進(jìn)行即時(shí)稱重，以計(jì)算每平方米面積上的地上生物量鮮質(zhì)量 。

1.2.3數(shù)據(jù)處理植被指數(shù)法是遙感反演地表參數(shù)的基本方法之一，對(duì)采集的5幅單波段影像使用ArcGis10.8軟件進(jìn)行指數(shù)計(jì)算，根據(jù)前人和相關(guān)研究的經(jīng)驗(yàn)[21.25]，選取了4種指數(shù)作為典型的植被指數(shù)和6種指數(shù)作為添加的植被指數(shù)共計(jì)10種植被指數(shù)，進(jìn)行草地AGB建模并比較模型精度，其植被指數(shù)信息[4，6-8.20-21]如表1所示。

1.3地上生物量反演模型構(gòu)建

隨機(jī)森林回歸[26]是基于Bagging集成學(xué)習(xí)方法，將多個(gè)決策樹(shù)集成到一個(gè)森林中，并將它們組合起來(lái)預(yù)測(cè)最終結(jié)果。本研究中關(guān)鍵的超參數(shù)設(shè)置為：樹(shù)的最大深度（max_depth）為10；葉子節(jié)點(diǎn)的最大數(shù)量（max_samples_leaf）為5O；決策樹(shù)數(shù)量（n_estimators）為100。

XGBoost[15]是梯度提升決策樹(shù)（Gradientboost-ingdecisiontree，GBDT）的一種高效實(shí)現(xiàn)，給損失函數(shù)增加了正則化項(xiàng)；且因有些損失函數(shù)是難以計(jì)算導(dǎo)數(shù)的，其使用損失函數(shù)的二階泰勒展開(kāi)作為損失函數(shù)的擬合。本研究中關(guān)鍵的超參數(shù)設(shè)置為：學(xué)習(xí)率（learningrate） = 0 . 1 5 ，最小損失函數(shù)下降值（gamma） ，max_depth ，n_estimators ： = 1 5 0 。

LightGBM2]是XGBoost一種高效實(shí)現(xiàn)，其關(guān)鍵的超參數(shù)設(shè)置為：learningrate ，gamma °leddash 0.01，max_depth ，n_estimators 。

遺傳算法（Geneticalgorithm，GA）作為一種經(jīng)典的啟發(fā)式優(yōu)化策略[28，其在并行計(jì)算能力、算法流程的明晰性以及執(zhí)行全局搜索的有效性方面展現(xiàn)出顯著的優(yōu)勢(shì)。因此，將其與機(jī)器學(xué)習(xí)模型進(jìn)行整合，旨在增強(qiáng)模型的優(yōu)化性能及其對(duì)于不同問(wèn)題的適應(yīng)能力。

在Windowsl1系統(tǒng)上配置Anaconda PyCharm的算法環(huán)境，于Python3.11中加載Scikit-Learn、GDAL、Spectral等庫(kù)，將上述植被指數(shù)作為自變量、草地AGB作為因變量輸入模型，通過(guò)RF，XGBoost，LightGBM3種算法建立基于典型植被指數(shù)（4種）典型及添加的植被指數(shù)（10種）的6個(gè)反演模型，并在此基礎(chǔ)上加入GA進(jìn)行參數(shù)尋優(yōu)構(gòu)建6個(gè)優(yōu)化后的模型，共構(gòu)建12個(gè)草地地上生物量反演模型。在模型訓(xùn)練過(guò)程中，數(shù)據(jù)集被劃分為訓(xùn)練集和驗(yàn)證集，其劃分比例為 70 % 用于訓(xùn)練， 30 % 用于驗(yàn)證。

1. 4 反演精度驗(yàn)證

選用決定系數(shù)、均方根誤差（RMSE）2個(gè)指標(biāo)對(duì)反演模型進(jìn)行精度驗(yàn)證[28-29]。 能反映出預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)性強(qiáng)度，RMSE可反映出預(yù)測(cè)值與實(shí)測(cè)值之間的偏差。 的值越大、RMSE的值越小，表明模型精度越高，其計(jì)算公式為：

式（1，2）中， n 為樣本量， i 為第i個(gè)樣本， 分別為估測(cè)值、估測(cè)均值、觀測(cè)值和觀測(cè)均值。

2 結(jié)果與分析

2.1默認(rèn)算法下的生物量反演

以研究區(qū)內(nèi)250個(gè)草地AGB采樣點(diǎn)的鮮重為因變量，分別選擇典型植被指數(shù)（4種）典型及添加的植被指數(shù)（10種）作為自變量，得到3種機(jī)器學(xué)習(xí)算法的生物量結(jié)果（表2）：當(dāng)變量為4種典型植被指數(shù)時(shí)，XGBoost算法的反演精度最高， 為0.89，RMSE為4.77；在添加6種植被指數(shù)變量輸入模型后，LightGBM算法的反演精度最高， 為0.90，RMSE為4.62；RF和LightGBM算法的反演精度提升較為明顯， 均提升超過(guò) 1 5 % ，達(dá)到0.76以上；而XGBoost算法受新輸人變量的影響不強(qiáng)， 下降了 0 . 0 1 。

2.2加入遺傳算法的生物量反演

為提高反演精度，將遺傳算法與3種機(jī)器學(xué)習(xí)算法進(jìn)行了結(jié)合（表3），基于典型植被指數(shù)模型反演中，XGBoost算法的反演精度最高， 為

0.94，RMSE為3.44；添加6種植被指數(shù)變量輸入模型后，XGBoost算法的 下降了O.O2，RF和LightGBM算法的反演精度提升明顯， 均提升超過(guò) 2 5 % 。

2.3 變量貢獻(xiàn)率

基于典型植被指數(shù)模型的4種變量中（圖2），NDVI，EVI對(duì)RF，LightGBM2種機(jī)器學(xué)習(xí)算法的

貢獻(xiàn)率較大，均超過(guò) 26 % ；RVI，SAVI對(duì)XGBoost 的貢獻(xiàn)率較大，均超過(guò) 27 % 專

基于典型及添加其他植被指數(shù)模型的10種變量

中（圖3），DVI，GNDVI，NDRE對(duì)RF和LightGBM2種機(jī)器學(xué)習(xí)算法的貢獻(xiàn)率較大，均超過(guò) 10 % ，RVI，

LCI對(duì)XGBoost的貢獻(xiàn)率最大，分別為 40 % 和 20 % SAVI，WDRVI在3種算法重的貢獻(xiàn)率均不足 7 % 號(hào)

2.4 模型擬合分析

研究區(qū)草地AGB實(shí)測(cè)值和模型預(yù)測(cè)值的擬合分析（圖4）發(fā)現(xiàn)，相較于典型植被數(shù)據(jù)，采用添加植被指數(shù)的數(shù)據(jù)時(shí)，3種機(jī)器學(xué)習(xí)算法模型的散點(diǎn)分布均具有一定的收斂，表明變量的增加可以顯著提高模型擬合效果。

結(jié)合遺傳算法后，基于典型植被指數(shù)數(shù)據(jù)時(shí)的RF，LightGBM算法模型的分布散點(diǎn)收斂效果不強(qiáng)，表現(xiàn)為對(duì)部分生物量的低估散點(diǎn)的增加，對(duì)XGBoost算法收斂效果較好，散點(diǎn)基本分布在擬合曲線上；基于典型及添加植被指數(shù)數(shù)據(jù)時(shí)，表現(xiàn)為RF，LightGBM算法模型的分布散點(diǎn)收斂效果較好，對(duì)XGBoost算法模型的收斂效果較差，多出一些對(duì)生物量的低估、高估的散點(diǎn)。綜合來(lái)看，基于典型植被指數(shù)數(shù)據(jù)結(jié)合遺傳算法的XGBoost模型反演效果最佳，預(yù)測(cè)的伊犁絹蒿荒漠草地AGB范圍為 。

3討論

3.1非參數(shù)模型優(yōu)勢(shì)

植被指數(shù)是構(gòu)建草地AGB遙感反演模型的基本變量[30]，近年來(lái)，諸多學(xué)者采用機(jī)器學(xué)習(xí)算法中RF，XGBoost，LightGBM等進(jìn)行植被參數(shù)估算[31-32]，發(fā)現(xiàn)基于機(jī)器學(xué)習(xí)算法構(gòu)建的AGB反演模型在解決小樣本數(shù)據(jù)時(shí)具有一定的優(yōu)勢(shì)，且通常具有較高的預(yù)測(cè)性能。對(duì)比前人的研究[21]，發(fā)現(xiàn)基于同一時(shí)期的無(wú)人機(jī)遙感數(shù)據(jù)，參數(shù)模型的 在 之間，RMSE在 之間；而本研究中基于機(jī)器學(xué)習(xí)算法的 在 之間，RMSE在 之間；這表明在同一物候期內(nèi)，采用機(jī)器學(xué)習(xí)算法構(gòu)建的荒漠草地地上AGB反演模型更具有優(yōu)勢(shì)。

3.2不同機(jī)器學(xué)習(xí)算法模型性能差異分析

對(duì)比RF，XGBoost和LightGBM這3種在算法性能與敏感性中發(fā)現(xiàn)：伊犁絹蒿荒漠草地AGB的反演中，3種基于決策樹(shù)的集成學(xué)習(xí)算法表現(xiàn)出色，具備較大應(yīng)用潛力，但它們?cè)跍?zhǔn)確度和處理速度上有所不同。RF由于其隨機(jī)性可能在準(zhǔn)確度上不如XGBoost和LightGBM，后者分別因提供更多參數(shù)和靈活性以及更快的處理速度和相似的準(zhǔn)確度而受到青睞。本研究發(fā)現(xiàn)RF，LightGBM算法對(duì)輸入隨機(jī)森林RF 極限梯度提升XGBoost 輕量級(jí)梯度提升1 5 % ；反之，XGBoost算法隨著變量的增加反演精度 下降1 % ～ 2 % ，表現(xiàn)出略微下降。這可能是因?yàn)殡S機(jī)森林和LightGBM能夠有效地利用這些額外的特征來(lái)提高模型的預(yù)測(cè)能力。隨機(jī)森林通過(guò)特征的隨機(jī)選擇可能會(huì)更好地捕捉到這些新增特征的重要性[26]，LightGBM的葉子-wise分裂策略可能有助于模型更細(xì)致地學(xué)習(xí)數(shù)據(jù)中的復(fù)雜關(guān)系[19]；而XGBoost的梯度提升機(jī)制可能會(huì)對(duì)這些新增的不相關(guān)信息或噪聲敏感，從而影響了模型的性能[18]

3.3遺傳算法優(yōu)化下各模型性能差異分析

在融人遺傳算法后，不同數(shù)據(jù)源下XGBoost，LightGBM算法的反演精度均有所提升， 提升約

10 % ，而RF算法在采用典型植被指數(shù)的反演精度降低。這可能是遺傳算法能幫助XGBoost和LightGBM更好地進(jìn)行特征選擇和超參數(shù)優(yōu)化，而RF本身對(duì)特征選擇就不是那么敏感，它的性能更多依賴于模型的多樣性，而不是單個(gè)特征的重要性[26]。因此，遺傳算法在特征選擇上的優(yōu)化可能并沒(méi)有給隨機(jī)森林帶來(lái)顯著的增益[28]，甚至可能由于選擇了次優(yōu)的特征組合而降低了模型的性能。

采用典型植被數(shù)據(jù)融入遺傳算法時(shí)，XGBoost模型對(duì)整個(gè)研究區(qū)的AGB反演估算能力明顯優(yōu)于其他兩種算法。XGBoost模型的估算能力優(yōu)于RF，這與張子慧等[11]和王婷等[33]對(duì)草地AGB反演的結(jié)果一致，而LightGBM是一種新發(fā)展起來(lái)未曾運(yùn)用到草地AGB反演的研究中的模型，故無(wú)法將該模型的結(jié)果與其他的研究進(jìn)行對(duì)比分析。在

XGBoost模型的輸入變量中，無(wú)論是基于典型植被指數(shù)或典型及添加的植被指數(shù)數(shù)據(jù)，RVI的貢獻(xiàn)率均為最大，超過(guò) 3 5 % 。其原因可能為RVI對(duì)土壤背景的敏感性較低，因此在植被覆蓋較低的荒漠草地，更能反映植被生長(zhǎng)的實(shí)際狀況；這也 等[34]與葉靜蕓等35研究結(jié)果一致。荒漠草地的植被分布較稀疏，常面臨混合象元問(wèn)題[36]，本文采用無(wú)人機(jī)高分辨率遙感數(shù)據(jù)構(gòu)建的AGB反演模型可作為中低分辨率遙感數(shù)據(jù)和地面實(shí)測(cè)數(shù)據(jù)之間的橋梁，減少混合象元誤差，準(zhǔn)確估算廣泛區(qū)域的植被地上生物量[37-38]

4結(jié)論

本研究探討了無(wú)人機(jī)遙感技術(shù)在荒漠草地地上生物量（AGB）反演中的應(yīng)用，通過(guò)采集無(wú)人機(jī)多光譜數(shù)據(jù)和地面實(shí)測(cè)AGB數(shù)據(jù)，提取多種植被指數(shù)，構(gòu)建了基于隨機(jī)森林（RF）、極限梯度提升（XGBoost）和輕量級(jí)梯度提升（LightGBM）的草地AGB反演模型。結(jié)果表明：基于機(jī)器學(xué)習(xí)算法構(gòu)建的AGB反演模型在解決小樣本數(shù)據(jù)時(shí)具有優(yōu)勢(shì)，且通常具有較高的預(yù)測(cè)性能。三種基于決策樹(shù)的集成學(xué)習(xí)算法（RF，XGBoost和LightGBM）在AGB反演中表現(xiàn)出色，但各有特點(diǎn)，XGBoost模型在默認(rèn)算法下表現(xiàn)最佳，尤其在典型植被指數(shù)模型中 ，RMSE 。然而，添加植被指數(shù)后，LightGBM模型的精度略高于其他模型（ ， 。加入遺傳算法優(yōu)化后，XGBoost模型在典型植被指數(shù)模型中的精度進(jìn)一步提升，達(dá)到 ，成為最佳模型。此外，RVI對(duì)該模型的貢獻(xiàn)率最大（ 3 5 % ，其次是NDVI和EVI。未來(lái)研究將基于此模型，引入更多輸人因素優(yōu)化草地AGB的反演研究，以期為草地資源的可持續(xù)利用提供有力支持。

參考文獻(xiàn)

[1]陳林，曹萌豪，宋乃平，等．中國(guó)荒漠草原的研究態(tài)勢(shì)與熱點(diǎn)分析——基于文獻(xiàn)計(jì)量研究[J].生態(tài)學(xué)報(bào)，2021，41（24）：9990-10000

[2] 卜靈心，來(lái)全，劉心怡．不同機(jī)器學(xué)習(xí)算法在草原草地生物量估算上的適應(yīng)性研究[J].草地學(xué)報(bào)，2022，30（11）：3156-3164

[3]ZHANGYX，HUANGJX，HUANGH，etal.Grasslandaboveground biomass estimation through assimilating remotesensing data into a grass simulation model[J].Remote Sensing，2022，14（13）：3194

[4]WENHONG M， JINGYUNF，YUANHE Y，et al. Biomasscarbon stocks and their changes in northern China’s grasslandsduring 1982-2006[J]. Science China，Life Sciences，2010，53（7） ：841-50

[5]IFTIKHAR A，F(xiàn)IONA C，EDWARD D，et al. Modeling man-aged grassland biomass estimation by using multitemporalremote sensing data—a machine learning approach[J]. IEEEJournal of Selected Topics in Applied Earth Observations andRemote Sensing，2017，10（7）：3254-3264[6］徐斌，楊秀春，陶偉國(guó)，等.中國(guó)草原產(chǎn)草量遙感監(jiān)測(cè)[J]．生態(tài)學(xué)報(bào)，2007（2）：405-413

[7] GARROUTTE L E，HANSEN JA，LAWRENCEL R.Using NDVI and EVI to map spatiotemporal variation in thebiomass and quality offorage for migratory elk in the greater yel-lowstone 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與植被指數(shù)關(guān)系研究[D]．成都：四川農(nóng)業(yè)大學(xué)，2009：16-17[9］許明，王蕊，湯萃文．草地生物量遙感估算方法綜述[J].甘肅科技，2020，36（21）：55-58[10］陳斌，甘輝林，顧新民，等．無(wú)人機(jī)遙感在草原生態(tài)監(jiān)測(cè)中的作用[J]．農(nóng)業(yè)與技術(shù)，2023，43（15）：66-73[11］張子慧，吳世新，趙子飛，等．基于機(jī)器學(xué)習(xí)算法的草地地上生物量估測(cè)——以祁連山草地為例[J]．生態(tài)學(xué)報(bào)，2022，42（22）：8953-8963[12］孫世澤，汪傳建，尹小君，等．無(wú)人機(jī)多光譜影像的天然草地生物量估算[J].遙感學(xué)報(bào)，2018，22（5）：848-856

[13] ZHANG H，SUN Y，CHANG L，et al. Estimation of grasslandcanopy height and aboveground biomass at the quadrat scaleusing unmanned aerial vehicle[J].Remote Sensing，2018，10（6）：851

[14]NA Z，XIAOLIR，HONGLIN H，et al. Estimating the grassland aboveground biomass in the Three-River HeadwaterRegion of China using machine learning and Bayesian modelaveraging[J].Environmental Research Letters，2O21，16（11）：

114020[15］張亦然，劉廷璽，童新，等．基于XGBoost算法的草甸地上生物量的高光譜遙感反演[J].草業(yè)學(xué)報(bào)，2021，30（4）：1-12

[16] MORAIS T G，JONGEN M，TUFIK C，et al. Characteriza-tion of portuguese sown rainfed grasslands using remote sensingandmachine learning[J].Precision Agriculture，2O22，24（1）：

161-186

[17]LI Z，ANGERER JP，JAIME X，et al. Estimating rangelandfine fuel biomass inwestern texas using high-resolution aerialimagery and machine learning[J].Remote Sensing，2022，14（17）：4360

[18] JIA ZY，ZHANG Z H，CHENG Y X，et al. Grassland biomassspatiotemporal patterns and response to climate change in east-ern 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 machinelearning models for aboveground biomass estimations[J].Ecological Informatics，2024，79（10）：102421

[20]李瑩，張勇娟，靳瑰麗，等．基于Landsat數(shù)據(jù)的烏魯木齊市草地地上生物量時(shí)空演變及趨勢(shì)分析[J].草地學(xué)報(bào)，2023，31（7）：1950-1963

[21］馬建.基于多源遙感數(shù)據(jù)的伊犁絹蒿荒漠草地植物的識(shí)別與反演[D].烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2022：12-19，47

[22]朱進(jìn)忠，吳詠梅.伊犁絹蒿荒漠不同退化階段草地經(jīng)濟(jì)性狀演變的分析[J].草業(yè)科學(xué)，2005，22（10）：1-6

[23]武紅旗，范燕敏，靳瑰麗，等，伊犁絹蒿荒漠草地植物光譜特征[J].草業(yè)科學(xué)，2019，36（7）：1765-1773

[24］韓萬(wàn)強(qiáng)，劉文昊，靳瑰麗，等．伊犁絹蒿荒漠草地主要植物的高光譜識(shí)別[J].中國(guó)草地學(xué)報(bào)，2022，44（6）：1-10

[25]LINXC，CHENJJ，LOUPQ，etal.Improving the estimationofalpine grassland fractional vegetation cover using optimizedalgorithmsandmulti-dimensional features[J].PlantMethods，2021，17（1）：96

[26]高宏元，侯蒙京，葛靜，等．基于隨機(jī)森林的高寒草地地上生物量高光譜估算[J].草地學(xué)報(bào)，2021，29（8）：1757-1768

[27]黃志明，周紀(jì)，丁利榮，等.藏東南冰川地區(qū) 空間分辨率全天候地表溫度生成[J].遙感學(xué)報(bào)，2021，25（8）：1873-1888

[28]王昊煜，高培超，宋長(zhǎng)青，等．基于文獻(xiàn)計(jì)量和遺傳算法的土地利用優(yōu)化研究進(jìn)展[J].生態(tài)學(xué)報(bào)，2023，43（3）：1286-1293

[29］邢曉語(yǔ)，楊秀春，徐斌，等．基于隨機(jī)森林算法的草原地上生物量遙感估算方法研究[J].地球信息科學(xué)學(xué)報(bào)，2021，23（7）：1312-1324

[30]LIYC，LIMY，LIC，et al. Forest aboveground biomass esti-mation usingLandsat8 and Sentinel-1A data with machinelearningalgorithms[J].ScientificReports，202O，1O（1）：9952

[31]蔣馥根，孫華，李成杰，等．聯(lián)合GF-6和Sentinel-2紅邊波段的森林地上生物量反演［J].生態(tài)學(xué)報(bào)，2021，41（20）：8222-8236

[32]劉占宇，黃敬峰，吳新宏，等.草地生物量的高光譜遙感估算模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2006，22（2）：111-115

[33]王婷，周偉，肖潔蕓，等.基于遙感數(shù)據(jù)和機(jī)器學(xué)習(xí)算法的草地地上生物量估算研究[J].冰川凍土，2023，45（2）：753-762

[34]XUM，CAOCX，TONGQX，etal.Remotesensingbasedshrub above-ground biomassand carbon storage mapping in MuUsdesert，China[J].Science China Technological Sciences，2010，53（1）：176-183

[35]葉靜蕓，吳波，劉明虎，等．烏蘭布和沙漠東北緣荒漠——綠洲過(guò)渡帶植被地上生物量估算[J].生態(tài)學(xué)報(bào)，2018，38（4）：1216-1225

[36]LU D.The potential and challenge of remote sensing-basedbiomassestimation[J].International Journal ofRemote Sens-ing，2006，27（7）：1297-1328

[37]高燕，梁澤毓，王彪，等．基于無(wú)人機(jī)和衛(wèi)星遙感影像的升金湖草灘植被地上生物量反演[J].湖泊科學(xué)，2019，31（2）：517-528

[38]李淑貞，徐大偉，范凱凱，等，基于無(wú)人機(jī)與衛(wèi)星遙感的草原地上生物量反演研究[J].遙感技術(shù)與應(yīng)用，2022，37（1）：272-278

（責(zé)任編輯劉婷婷）