【目的】运用无人机数据，通过面向对象方法对鄂尔多斯市柠条锦鸡儿进行单株识别，对比RF、SVR、XGBoost机器学习算法，实现单株柠条锦鸡儿的高精度提取及生物量精准估测，为干旱地区环境保护、碳储量研究等提供参考。【方法】综合利用无人机载多光谱和激光雷达数据，融合光谱和垂直结构信息，基于面向对象方法开展单株柠条锦鸡儿高精度提取研究。在此基础上，通过对比随机森林(RF)、支持向量回归(SVR)和极端梯度提升决策树(XGBoost)3种机器学习算法，进行生物量的遥感精准估测。【结果】1) 利用无人机获取超高分辨率影像数据，通过LSMS分割算法和SVM分类器能够实现单株柠条锦鸡儿的高精度识别，各样方柠条锦鸡儿的分割准确率在86%以上，总样方准确率在90%以上，欠分割和过分割误差在6%以下，总体分类精度达91.51%。2) 基于支持向量机的递归特征消除(SVM-RFE)方法筛选出对生物量建模贡献度高的17个变量，其中包括2个平面特征和15个高度变量，高度变量对生物量的累计贡献度显著高于平面特征(8.7 vs. 1.39)。3) 与RF和SVR模型相比，XGBoost模型对柠条锦鸡儿的单株生物量具有更高的估测结果((R^{2}=0.95)，(RMSE =259.57 ~g)，(MAE=157.51 ~g))，尤其在生物量低于2000g时效果最佳。4) 通过UAV-LiDAR提取的多个植被垂直结构信息，反映出植被内部生长的多样性和垂直复杂性，有助于提升生物量估测精度。此外，综合考虑高度的平均绝对偏差、变异系数、方差、高度百分位数等多维度高度变量进行生物量预测，相比单一的最大值高度变量指标更具优势。【结论】利用LSMS分割和SVM分类方法提取单株灌木，为单株植被的识别提供了技术参考;引入多维度的点云高度指标参与生物量估测，弥补了单一多光谱数据对柠条锦鸡儿垂直结构信息的缺失，提高了生物量估测精度;XGBoost模型为干旱区小尺度的灌木生物量估测提供了新的视角和工具;基于无人机数据获取的高分辨率影像和点云数据，避免了对当地生态环境造成破坏，尤其是在脆弱的沙地区域。
关键词
柠条锦鸡儿;无人机;生物量;极端梯度提升决策树;激光雷达数据
论文《基于无人机的柠条锦鸡儿生物量遥感估测》发表在《林业科学》，版权归《林业科学》所有。本文来自网络平台，仅供参考。
引言
灌木根系发达且叶面积较小，具有防风固沙、水土保持的抗旱能力，被广泛应用于干旱、半干旱地区生态建设和退化植被的恢复，其分布面积也呈逐渐增长的趋势。生态系统生物量的准确评估是了解其生产能力的重要手段，同时也为预测碳储量提供支撑，对探究生物圈的结构和动态具有重要的作用。灌木是灌丛生态系统的主体，准确地估算灌木生物量，能够进一步揭示灌丛生态系统的循环规律，因此，科学评价灌丛碳汇潜力可为生态环境的监测与保护提供有力依据。
传统的星载光学遥感技术虽能提供广泛且连续的数据集，能够对大面积干旱地区植被进行信息提取，但受卫星图像时空分辨率的限制，植被信息定量提取研究面临挑战，特别是针对低矮植被区。随着无人机(unmanned aerial vehicle, UAV)遥感技术的发展，无人机可获取厘米级光学图像和高密度激光雷达点云数据，而激光探测和测距(light detection and ranging, LiDAR)的激光脉冲可穿透植被冠层，不受云层限制，从而获取更详细的植被结构信息，在植被分类或物种识别、生物量估算方面具有巨大的潜力。如Teshome等借助无人机影像和机器学习方法对玉米的高度、生物量和产量进行有效估测。包栎炀等通过UAV-LiDAR获取橡胶树点云数据，提取多个树木结构参数作为预测因子来估算橡胶树单木地上生物量。目前，无人机遥感技术的应用为植被研究提供了精确的基础信息，显著提高了植被研究的准确性，然而其在不同场景的应用仍有待进一步探索。
在植被种类组成识别方面，目前主要有植被指数法、阈值法、面向对象、机器学习和深度学习等方法。如戎荣借助面向对象的多尺度分割和最近邻算法实现对小叶锦鸡儿的单株轮廓提取，总体分类精度为92.87%，平均Kappa系数为0.83。在建模方法方面，以往多数学者采用回归方程进行生物量模型构建，近年来生物量研究方法不断由经典回归模型向非回归模型转变，越来越多的学者利用随机森林、k-最近邻、支持向量机、人工神经网络、极端梯度提升决策树、支持向量回归等机器学习方法进行生物量建模研究均取得了较好的效果。以上生物量研究主要集中在森林乔木和农作物方面，对低矮灌木生物量方面的关注相对较少，而结合面向对象分割和非线性模型从单株角度出发研究干旱区低矮灌木的生物量则有待进一步探讨。
柠条锦鸡儿是典型豆科锦鸡儿属落叶灌木，其根系发达，植株通常高1~4m，小叶长7~8mm，宽2~7mm，近年来在鄂尔多斯市广泛种植，形成了一定规模的柠条灌木林。不仅可以防风固沙、保护草原，还可作饲料，对当地畜牧业发展起到了积极的推动作用。无人机数据与机器学习相结合，可为低矮灌木的识别和生物量研究提供先进的工具，能够更快速、详细、无损地采集植被数据，有效避免环境破坏。鉴于此，本研究利用无人机数据，通过SVM和LSMS算法对鄂尔多斯市柠条锦鸡儿进行单株识别，对比RF、SVR、XGBoost 3种机器学习算法对低矮植被生物量的估测表现，以期为干旱地区环境保护、碳储量研究以及经济建设提供新的思路和方法。
1 数据与方法
1.1 研究区概况
本研究选取鄂尔多斯市(106°42′40′′-111°27′20′′E、37°35′24′′-40°51′40′′N)6个区域进行柠条锦鸡儿生物量信息采集。该市地处温带大陆性季风气候区，受降水影响显著，植被以耐旱灌木和多年生草本植物为主;地形地貌多样，北部为黄河冲积平原，东部为丘陵沟壑水土流失区和砒砂岩裸露区，西北部为库布齐沙漠，东南部为毛乌素沙地，沙化土地约占全市总面积的48%。本研究中5号样地地面植被单一，以柠条锦鸡儿为主，因此，以5号样地进行生物量预测和应用。
1.2 数据获取与预处理
1.2.1 无人机数据获取
本研究采用大疆精灵4无人机进行实测数据采集，该无人机搭载1个可见光传感器和5个多光谱传感器(蓝光、绿光、红光、红边和近红外)。通过影像合成、拼接及正射影像生成等技术流程，将采集到的多光谱数据转换成高分辨率的影像图。利用飞马公司的无人机平台，搭载其自主研发的微型机载D-LIDAR2200激光雷达系统获取激光点云数据，无人机相对飞行高度均为120m，平均点云密度约为(101 pts cdot m^{-2})。
1.2.2 激光雷达数据预处理
对于获取的激光雷达数据，利用LiDAR360软件进行预处理。预处理流程包括航带拼接、点云去噪、误差校正、点云滤波、地面点分类等操作，将处理好的点云数据采用不规则三角网方法生成数字高程模型(digital elevation model, DEM)以用于地面归一化处理。本研究区属干旱区，柠条锦鸡儿植株高度差异显著，采集的植株高度为0.3~4.0m，为更准确量化灌木点云数据，本研究优化了点云参数提取的起算高度，将其从传统的2m逐步调整至0.3m，以提高灌木点云数据的采集精度。
1.2.3 野外数据采样
于2023年6月28日-7月23日开展外业工作，通过布设的6块样地，共获得58株柠条锦鸡儿灌木样本。采用全收获法将样地上的典型样本挖出，按照干、枝叶和根系3个营养器官进行收集，并测定其鲜质量，在野外测定各器官鲜质量后，按照一定比例选取各器官样本带回实验室，在80℃恒温下烘干至恒质量，并称量各器官样品干质量，依据采样株各器官生物量干鲜比与鲜质量，计算出每株柠条锦鸡儿灌木的生物量。同时，利用RTK采集每株样木的位置、圈定冠幅形状、利用尺子或无人机获取高度等信息。
2 研究方法
2.1 单株柠条锦鸡儿识别
采用大规模均值漂移(large scale mean shift, LSMS)分割算法和支持向量机(SVM)分类相结合的方法，实现单株柠条锦鸡儿的识别。SVM是一种依赖于统计学习理论的监督学习算法，在处理数据分类方面算法稳定，泛化能力强，特别是在针对高维特征空间数据时表现突出;LSMS则可通过逐块方式一次性处理无人机高分辨率图像。本研究采用LSMS分割算法对影像进行分割，完成单株灌木轮廓提取，用以计算单株柠条锦鸡儿的归一化差异植被指数、归一化差异红边植被指数、优化土壤调节植被指数、叶面叶绿素指数、绿色归一化植被指数5个植被指数的平均值和标准差，用作后续特征属性输入到SVM中进行分类。在SVM分类中，按照7∶3的比例将数据划分为训练集和测试集，选择径向基函数作为SVM的核函数，并通过网格搜索与交叉验证优化模型，以确保模型的准确性。最后，使用混淆矩阵评估模型的分类性能。
2.2 基于SVM-RFE的建模因子筛选
支持向量机的递归特征消除(support vector machine-recursive feature elimination, SVM-RFE)方法是将SVM作为基础模型进行递归训练。SVM-RFE筛选充分利用SVM在处理高维数据时的优势，最大化模型性能，对于点云数据提取的多个变量信息，能够有效地处理变量之间相互作用和多重共线性问题。本研究采用SVM-RFE模型训练样本，对每个特征进行贡献度排序，递归地剔除不重要的特征，从而提升模型的准确性和解释性。获取的无人机灌木数据可分为两类：一是多光谱数据提取的平面特征，二是激光雷达提取的46个点云高度变量、10个密度变量和42个强度变量。
2.3 生物量模型构建
采用RF、SVR、XGBoost 3种机器学习算法构建生物量模型，旨在评估不同算法在生物量估测中的表现。RF通过集成多个分类和回归树来提高预测的准确性，拥有快速的学习过程，在抗噪性和性能稳定性方面超过传统的回归模型。SVR是一种基于支持向量机的回归方法，通过最佳拟合曲线，揭示输入变量与输出变量之间的关系，在特征空间中探索最大化间隔的超平面，当处理非线性可分时，SVR可通过核函数将特征映射到更高维空间，以实现线性可分。XGBoost是一种对传统Boosting算法进行优化的集成算法，通过其训练机制，能够有效执行机器学习中的分类和回归任务，即使在监督信息较弱的情况下也能保持良好的性能。XGBoost模型可减少过拟合的风险，并通过简化模型结构和引入正则化来提高计算效率，同时控制模型的复杂度。与传统的线性回归模型和机器学习方法相比，XGBoost通过增加正规化项，能够更精确地估测并适应复杂的非线性关系，对植被信息的响应也更为灵敏;同时，模型具有更强的并行处理能力，有助于防止在小样本数据分析中的过拟合问题。3种机器学习中RF和XGBoost属于集成学习方法，可通过结合多个“个体学习器”的估测结果来提高单一学习器的泛化能力和稳定性，能够对特征变量进行评估和排序。此外，SVR和XGBoost具有小样本、低耗时、高准确性等优点而被广泛应用。鉴于上述机器学习模型的优势，本研究选择RF、SVR和XGBoost 3种机器学习模型来进行生物量估测，通过对比分析，探究3种模型在本研究区柠条锦鸡儿生物量建模方面的应用潜力。
2.4 生物量模型精度评价
将数据样本按照8∶2的比例分为训练集和测试集，采用训练集构建生物量模型，并用测试集评价各模型的精度。在综合考虑各种因素后，采用决定系数((R^{2}))、均方根误差(RMSE)、平均绝对误差(MAE)来评估各类机器学习模型对柠条锦鸡儿生物量的适用性。其中，(R^{2})用于评估回归分析中预测值与观测值的拟合优度;RMSE反映预测值与实际值之间的平均偏差大小;MAE则表示预测值与实际值之间平均绝对误差的大小。这些指标能够较好地反映预测误差的实际情况。(R^{2})值越接近1，RMSE和MAE值越小说明模型的拟合效果越好。
3 结果与分析
3.1 柠条锦鸡儿识别结果
通过多次LSMS分割试验调整和对比后确定单株分割参数如下：空间半径为10，范围半径为0.08，最小分割对象为8，单株分割边缘平滑，边界清晰。随机选取样方验证，采用准确率、欠分割误差、过分割误差进一步评价单株分割的提取精度。结果表明，各样方柠条锦鸡儿的分割准确率在86%以上，总样方准确率在90%以上，欠分割和过分割误差在6%以下。
借助无人机影像通过目视解译结合实地记录的灌木类别共选取1529个样本对象，通过分割的矢量数据提取其NDVI、NDRE、OSAVI、LCI、GNDVI的平均值和标准差，利用SVM完成单株柠条锦鸡儿的识别。样本按照7∶3划分，其中70%用于训练模型，30%用于模型验证。通过SVM模型训练和验证后，分类效果最好的是裸地和柠条锦鸡儿，总体分类精度约91.51%，Kappa系数达到0.86。
柠条锦鸡儿单株点云信息提取的结果显示，本研究通过多光谱数据分割的矢量化边界，明确点云数据中柠条锦鸡儿轮廓，并从预处理后的地面归一化点云数据中进行单株点云信息提取，成功提取高度、密度和强度变量，这些指标突出柠条锦鸡儿的空间结构和形态特征，是生物量估测的重要指标。
3.2 最优建模指标的确定
利用SVM-RFE方法进行特征提取，筛选出17个显著变量，主要包括：Area、Perimeter、H_aad_z、H_max、H_stddev、H_variance、H_IQ、H_AIH_IQ、H_madmedian、H_percentile_75th、H_percentile_80th、H_percentile_95th、H_percentile_99th、H_AIH_80th、H_AIH_90th、H_AIH_95th、H_AIH_99th。通过点云数据提取的变量信息为高度变量，剔除了点云强度和密度变量。以上结果表明，灌木生物量与其植株高度有很强的关联性，而点云密度和强度变量相关性较低，这可能是由于研究区植被覆盖率较低以及受地表环境、采集时天气状态等影响，导致难以精确地获取植被的密度和强度信息。
将变量对生物量模型构建的贡献得分进行排序，对比发现平面特征中的面积和周长对生物量建模的累计贡献度为1.39，高度特征中的最大值、中位数绝对偏差的中位数、平均绝度偏差、方差、变异系数、高度百分位数四分位数间距、累积高度百分位数四分位数间距、4个高度百分位数、4个累积高度百分位数对生物量的累计贡献度为8.7。以上结果表明，与平面特征相比，加入多个高度变量能够显著提高生物量预测模型的准确性和可靠性。
3.3 生物量估测结果与比较
基于RF、SVR和XGBoost模型的单株生物量估测结果表明，3种模型均展现出较高的预测精度，其中XGBoost模型表现突出，(R^{2})达到0.95，RMSE为259.57g，MAE为157.51g，显著高于RF和SVR模型。这一结果也证实了XGBoost模型在未见的测试集上表现出良好的泛化能力，能够较好捕捉柠条锦鸡儿生物量与相关特征之间的复杂关系，能够精准的对灌木生物量进行估测。
结合残差图可知，单株生物量在2000g以下时，残差相对集中在零线附近，这表明在低生物量情况下，模型预测较为准确;而在单株生物量大于4000g时，残差波动较大且远离零线，这表明在高生物量条件下模型存在较大的不确定性。进一步对比3种模型的残差，发现XGBoost模型在整个生物量范围内均表现较好，模型的残差点在零线附近更为集中，特别是在生物量值低于500g时，残差集中度尤为显著。相比之下，RF模型在整个生物量范围内的波动较大，而SVR模型虽然在生物量低于1000g时预测波动较小，但其偏差普遍大于XGBoost模型。此外，3种模型残差值大部分都在零线以下，这表明模型倾向于高估生物量。值得注意的是，在XGBoost模型中这一现象得到改善。综上所述，XGBoost模型预测精度较高，残差分布具有一致性，能够成为干旱区低矮灌木生物量估测的有效手段。
3.4 典型区柠条锦鸡儿生物量空间分布
在5号样地进行柠条锦鸡儿生物量估测，并绘制研究区域生物量分布图。研究区内单株生物量估测值为50~7140g，单株生物量平均值为2130g，标准差为1140g。样地生物量分布相对不均匀，中部和东北部生物量相对较高，而低生物量区域分布较为分散。
4 讨论
4.1 提高单株识别精度的必要性
单株灌木的识别有助于进一步了解植株空间结构和生长状况，也是实现高精度生物量获取的前提。本研究对低矮灌木识别方法进行改进与应用，实现了柠条锦鸡儿的单株识别。与Li等应用多尺度分割和RF方法对单株灌木的识别结果相比，精度提高了2.88%和Kappa系数提升了0.04。然而，分割误差的存在仍影响分类特征提取的纯度，导致分类精度降低。本研究中，生物量建模依赖于灌木的几何特征，分割误差可能导致冠幅面积的不准确和单株点云的完整性受损，进而影响生物量的估算结果。如灌木密集区域易出现欠分割，而内部生长不均的灌木易出现过分割，导致生物量存在部分被高估和低估现象。此外，在采集高生物量样本时，由于冠层交错和遮挡，也影响了单株灌丛的分割和信息提取。今后研究可引入更多先进的识别方法，优化分割参数，或通过改进点云处理算法提高点云密度，以更精确地获取复杂植被冠层结构，提高估测的准确性。
4.2 高度信息对生物量估测的影响
植被高度的提取质量对生物量估测的准确性有着重要影响。本研究发现，无人机LiDAR数据在提取低矮灌木高度方面比实测值偏低，这与鲍莉莉等对灌木高度提取结果一致。造成无人机LiDAR提取高度偏低的原因包括设备、地形、植被密度、飞行高度和速度等，均会影响高度采集质量。为降低植被高度提取误差的影响，本研究引入多种高度变量指标细化单株植被垂直结构和冠层分布，弥补了稀疏点云在结构表达上的不足，有效提升了模型对生物量的解释能力。其中，高度百分位数和累积高度百分位数能更准确地反映灌丛的顶部高度和整体结构特征;中位数绝对偏差的中位数、平均绝度偏差、方差、变异系数、高度百分位数、累积高度百分位数以及四分位数间距等指标从不同角度全面刻画了植被的高度分布和集中程度。
4.3 模型选择的适应性与改进
生物量建模模型的选择也对估测结果起着至关重要的作用。与传统的异速生长方程和回归模型灌木生物量估测方法相比，本研究采用XGBoost模型在灌木生物量估测中表现出更高的精度，这可能因为XGBoost的正则化与特征选择功能，以及其允许逐步优化模型和适应数据特性的能力。本研究在研究区范围、样本数量以及人为测量误差等方面存在一定局限性，今后可从以下方面进一步探索：1) 提高点云质量和增加实测样本;2) 探索多源数据融合，如高光谱、合成孔径雷达、气象数据等;3) 结合多变量(如植被指数、土壤、降水、气温等)参与特征筛选，进一步完善生物量模型，推动小尺度研究向大尺度的拓展，发挥无人机遥感技术的优势。
5 结论
本研究针对干旱地区低矮灌木柠条锦鸡儿，融合无人机多光谱和机载LiDAR数据，提出了一种基于单株识别的生物量估测技术流程。在面向对象的框架下，基于LSMS分割和SVM分类，实现了单株柠条锦鸡儿高精度提取;无人机多维度的点云高度变量优化了单株几何特征的提取，增强了对植被空间结构的全面描述，一定程度上缓解了无人机载LiDAR对植被高度的低估问题，提升了生物量建模的精度;XGBoost模型凭借其在多维变量处理中的灵活性和稳健性，显著提高了柠条锦鸡儿生物量估测的准确性。与传统的地面测量方法相比，本方法利用无人机遥感数据，减少了对干旱地区脆弱生态环境的干扰，以期为区域生态恢复和碳储量估算提供参考。
参考文献
[1] 鲍莉莉, 李锦荣, 韩兆恩, 等. 2024. 基于无人机多源数据的梭梭地上生物量估算. 中国沙漠, 44(5): 50−59.
[2] 包栎炀, 王祥军, 李少达, 等. 2023. 基于无人机LiDAR的橡胶树单木地上生物量估测. 热带作物学报, 44(6): 1266−1275.
[3] 陈日强, 李长春, 杨贵军, 等. 2020. 无人机机载激光雷达提取果树单木树冠信息. 农业工程学报, 36(22): 50−59.
[4] 陈星京, 冯林艳, 张宇超, 等. 2022. 基于机载激光雷达的崇礼冬奥核心区林分地上生物量反演. 林业科学, 58(10): 35−46.
[5] 党晓宏, 高永, 蒙仲举, 等. 2017. 西鄂尔多斯地区5种荒漠优势灌丛生物量分配格局及预测模型. 中国沙漠, 37(1): 100−108.
[6] 丁家祺, 黄文丽, 刘迎春, 等. 2021. 基于机器学习和多源数据的湘西北森林地上生物量估测. 林业科学, 57(10): 36−48.
[7] 杜中曼, 马文明, 周青平, 等. 2022. 基于遥感技术的植被识别方法研究进展. 生态科学, 41(6): 222−229.
[8] 高宏元, 侯蒙京, 葛静, 等. 2021. 基于随机森林的高寒草地地上生物量高光谱估算. 草地学报, 29(8): 1757−1768.
[9] 郭玉东, 张秋良, 陈晓燕, 等. 2022. 库布齐沙漠地区人工灌木林生物量模型构建. 西北农林科技大学学报(自然科学版), 50(4): 74−82.
[10] 郝君, 吕康婷, 胡天祺, 等. 2024. 基于机器学习的红树林生物量遥感反演研究. 林草资源研究, (1): 65−72.
[11] 胡中洋, 陕亮, 陈翔宇, 等. 2024. CHM与DSM相结合的无人机激光雷达单木分割. 林业科学, 60(8): 14−24.
[12] 黄毅豪. 2023. 基于机器学习的珠江口CDOM反演模型研究. 南昌: 江西师范大学.
[13] 金学娟. 2023. 基于非线性联立方程系统的柠条生物量动态模型研究. 银川: 宁夏大学.
[14] 李增元, 刘清旺, 庞勇. 2016. 激光雷达森林参数反演研究进展. 遥感学报, 20(5): 1138−1150.
[15] 李志杰, 黄兵, 雷建国. 2019. 影响机载激光雷达点云密度的因素分析. 测绘科学, 44(6): 204-211.
[16] 刘晓亮, 隋立春, 白永飞, 等. 2020. 地基激光雷达灌丛化草原小叶锦鸡儿生物量估算. 遥感学报, 24(7): 894−903.
[17] 吕梓晴, 段爱国. 2024. 不同产区杉木生物量与碳储量模型. 林业科学, 60(2): 1−11.
[18] 马强, 张梁, 宋俊峰, 等. 2024. 关于鄂尔多斯市鄂托克旗林草生态建设“先建后补”合同制管理模式的调研与思考. 内蒙古林业, (1): 7−10.
[19] 马苏, 刘军会, 康玉麟, 等. 2022. 鄂尔多斯市防风固沙功能时空变化及驱动因素分析. 环境科学研究, 35(11): 2477−2485.
[20] 毛英伍, 郭颖, 张王菲, 等. 2023. 联合LiDAR、高光谱数据及3D-CNN方法的树种分类. 林业科学, 59(3): 73−83.
[21] 潘霞. 2022. 基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究. 呼和浩特: 内蒙古农业大学.
[22] 戎荣. 2023. 锡林郭勒草原小叶锦鸡儿灌丛地上生物量遥感估算研究. 太原: 山西大学.
[23] 谭雨欣, 田义超, 黄卓梅, 等. 2023. 基于XGBoost机器学习算法的北部湾茅尾海无瓣海桑红树林地上生物量反演. 生态学报, 43(11): 1−15.
[24] 王婷, 周伟, 肖洁芸, 等. 2023. 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. 冰川冻土, 45(2): 753−762.
[25] 杨爱霞, 丁建丽. 2015. 新疆艾比湖湿地土壤有机碳含量的光谱测定方法对比. 农业工程学报, 31(18): 162−168.
[26] 张亦然, 刘廷玺, 童新, 等. 2021. 基于XGBoost算法的草甸地上生物量的高光谱遥感反演. 草业学报, 30(4): 1−12.
[27] 张振西, 林扎西尖措, 华旦仁青, 等. 2023. 天峻县草地地上生物量遥感监测模型. 草原与草坪, 43(3): 39−45.
[28] Anderson K E, Glenn N F, Spaete L P, et al. 2018. Estimating vegetation biomass and cover across large plots in shrub and grass dominated drylands using terrestrial lidar and machine learning. Ecological Indicators, 84: 793−802.
[29] Bar-On Y M, Phillips R, Milo R. 2018. The biomass distribution on Earth. Proceedings of the National Academy of Sciences of the United States of America, 115(25): 6506−6511.
[30] Chen L, Xing M F, He B B, et al. 2021. Estimating soil moisture over winter wheat fields during growing season using machine-learning methods. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 3706−3718.
[31] Du L M, Pang Y, Wang Q, et al. 2023. A LiDAR biomass index-based approach for tree- and plot-level biomass mapping over forest farms using 3D point clouds. Remote Sensing of Environment, 290: 113543.
[32] Estornell J, Ruiz L A, Velázquez-Martí B, et al. 2011. Estimation of shrub biomass by airborne LiDAR data in small forest stands. Forest Ecology and Management, 262(9): 1697−1703.
[33] Jia Z Y, Zhang Z H, Cheng Y X, et al. 2024. Grassland biomass spatiotemporal patterns and response to climate change in eastern Inner Mongolia based on XGBoost model estimates. Ecological Indicators, 158: 111554.
[34] Li Z, Ding J, Zhang H, et al. 2021. Classifying individual shrub species in UAV images-a case study of the Gobi Region of Northwest China. Remote Sensing, 13(24): 4995.
[35] Mitra A, Sengupta K, Banerjee K. 2011. Standing biomass and carbon storage of above-ground structures in dominant mangrove trees in the Sundarbans. Forest Ecology and Management, 261(7): 1325−1335.
[36] Morais T G, Teixeira R F M, Figueiredo M, et al. 2021. The use of machine learning methods to estimate aboveground biomass of grasslands: a review. Ecological Indicators, 130: 108081.
[37] Pang Y, Wang W W, Du L M, et al. 2021. Nyström-based spectral clustering using airborne LiDAR point cloud data for individual tree segmentation. International Journal of Digital Earth, 14(10): 1452−1476.
[38] Prošek J, Petra Š. 2019. UAV for mapping shrubland vegetation: does fusion of spectral and vertical information derived from a single sensor increase the classification accuracy?. International Journal of Applied Earth Observation and Geoinformation, 75: 151−162.
[39] Tamiminia H, Salehi B, Mahdianpari M, et al. 2021. Random forest outperformed convolutional neural networks for shrub willow aboveground biomass estimation using multi-spectral UAS imagery. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, 8269-8272.
[40] Teshome F T, Bayabil H K, Hoogenboom G, et al. 2023. Unmanned aerial vehicle (UAV) imaging and machine learning applications for plant phenotyping. Computers and Electronics in Agriculture, 212: 108064.
[41] Vapnik V, Golowich S, Smola A. 1996. Support vector method for function approximation, regression estimation and signal processing. Proceedings of the 9th International Conference on Neural Information Processing Systems. Cambridge, MA, USA: MIT Press: 281-287.
[42] Xu H, Wang Z J, Li Y, et al. 2020. Dynamic growth models for Caragana korshinskii shrub biomass in China. Journal of Environmental Management, 269: 110675.
[43] Xu Y H, Ghamisi P. 2022. Consistency-regularized region-growing network for semantic segmentation of urban scenes with point-level Annotations. IEEE Transactions on Image Processing, 31: 5038−5051.
[44] Yao X L, Yang G J, Wu B, et al. 2021. Biomass estimation models for six shrub species in Hunshandake Sandy Land in Inner Mongolia, Northern China. Forests, 12(2): 167.
[45] Yue W, Gao Z H, Sun B, et al. 2023. Sample plot design can affect the efficiency and accuracy of shrub coverage measurements in shrub-encroached grasslands. CATENA, 233: 107533.
转载请注明来自：http://www.lunwencheng.com/lunwen/nye/22692.html
