摘 要：【目的】研究无人机多特征构建天山假狼毒地上生物量（AGB）估算模型的能力，为草地退化程度的分级提供参考依据。【方法】天山假狼毒（Diarthron tianschanicum）作为退化指示植物之一，其生长状况可反映草地退化程度。通过可见光高空间分辨率遥感影像提取光谱特征、纹理特征和天山假狼毒覆盖度，将三者分别作为输入量建立一元线性模型，三类特征融合构建多元逐步回归与人工神经网络模型，分析多特征融合估算天山假狼毒AGB的效果。【结果】（1）盛花期为天山假狼毒最佳覆盖度提取窗口期，利用RF算法构建的天山假狼毒提取模型效果较为理想，总体精度在81%以上。（2）光谱特征、纹理特征、覆盖度均与天山假狼毒AGB具有相关性，其中纹理特征cor_G相关性最高，达0.784。（3）对比单一植被指数、纹理特征、覆盖度及任意两种特征组合作为输入量，多特征融合估算天山假狼毒AGB的精度最高，R2、RMSE为0.870、15.383，并利用人工神经网络模型对此结论进行验证。【结论】融合光谱特征、纹理指数、覆盖度能有效提高天山假狼毒AGB估算精度。
关键词：无人机；天山假狼毒生物量；可见光；覆盖度；纹理特征
中图分类号：S812 文献标志码：A 文章编号：1001-4330（2024）10-2527-10
收稿日期（Received）：2024-03-28
基金项目：新疆维吾尔自治区重点研发任务专项计划（2022B02003）
作者简介：侯正清（1999-），女，新疆昭苏人，硕士研究生，研究方向为农业信息化，（E-mail）287511284@qq.com
通讯作者：颜安（1983-），男，四川资阳人，教授，博士，硕士生/博士生导师，研究方向为数字农业与生态环境遥感监测，（E-mail）yanan@xjau.edu.cn
0 引 言
【研究意义】新疆为我国主要牧区之一，草原面积5 200×104 hm2，占全疆总面积的34.4%［1］。过度放牧和气候变化等因素，导致天然草地85%以上草原发生不同程度的退化［2］，主要表现为草地生产力下降、植被覆盖度降低、毒害草大量繁殖和扩散，影响当地畜牧业生产和生态平衡［3］。发生毒害草化的天然草地面积为 681.7 hm2，大约是全疆可利用草地总面积的14.17%［4］。因此，草原毒害草的监测和防控成为目前退化草地修复的关键技术难题。草地退化指示植物种地上产草量相对增加率是我国天然草地退化分级的重要指标之一。天山假狼毒作为我国草原退化的重要指示植物，对其进行地上生物量（above ground biomass，AGB）估算可为草地退化程度分级提供方法依据。【前人研究进展】目前主要通过直接收获法测定草地AGB，该传统估算方法成本较高、耗费的时间和精力较多，且易破坏一些相对脆弱的草地生态系统，且无法连续大范围观测［5］。近年来，随着无人机技术的迅猛发展，将无人机与数码相机等遥感监测平台相结合已成为一种趋势。这种组合具有性价比高、数据处理简便以及分辨率高等特点。无人机多光谱、高光谱等技术已成功应用于田间作物表型信息的获取，这些技术能够对作物的叶面积指数、生物量、叶绿素等属性进行精确研究［6-11］。尽管数码相机的光谱分辨率较低，仅具备红、绿、蓝三个通道，但因其高性价比高、空间分辨率高等特点，也是目前植被AGB研究领域的热点［12］。张正健等［13］使用可见光植被指数对若尔盖草地进行地上生物量估算，得到NGRDI模型对生物量具有最高的模拟精度。然而，仅利用光谱特征进行生物量估测，在高植被密度条件下，植被指数会表现出对冠层生物量变化不敏感，即出现所谓的“饱和”现象［12，14］。近年来，随着技术的不断进步，利用无人机影像并结合光谱特征和纹理特征进行作物生长状况估算的研究是备受关注的热点领域。该种方法能够提供高分辨率的影像数据，以及丰富的光谱和纹理信息，为作物生长状况的准确估算提供了有力的支持。刘欣谊等［15］选用图像颜色与纹理特征数据在小麦越冬前期和拔节期对产量进行预测，得到不同时期将两种数据结合模型精度更高；刘杨等［16］采用不同分辨率的无人机数码影像的研究结果表明，随着数码影像分辨率的提高，利用光谱信息、纹理信息以及光谱与纹理信息相结合进行地上生物量估算的精度逐渐改善。同时，有研究发现植被覆盖度是估算AGB的重要指标，两者密切相关［17］。【本研究切入点】以往的研究在估算AGB时往往未充分考虑光谱特征、纹理指数和植被覆盖度等指标的综合作用。因此，目前尚缺乏将这些指标共同应用于草地AGB估算的研究，且对背景复杂中的单一植被或退化指示植物AGB估算较少。使用不同传感技术监测作物生长在以往的研究已经很多，取得了相当的进展。然而，基于可见光影像估算AGB的研究相对较少，大部分研究仍依赖于光谱数据和野外实测数据来进行AGB的估算。仅仅利用光谱特征对生长分布不均、容易受到其他绿色植被光谱干扰的毒害草进行AGB估算，存在一定的局限性。需从RGB图像中挖掘不同种类特征，增加不同特征贡献值估算天山假狼毒AGB，对稀疏分布植被AGB估算。【拟解决的关键问题】在利用高空间分辨率的可见光无人机影像，根据天山假狼毒与其他牧草的光谱差异选用机器学习的方法提取天山假狼毒覆盖度，将光谱特征、纹理特征和天山假狼毒覆盖度结合，通过多元统计模型和人工神经网络模型等方法，估算天山假狼毒AGB，以期提高天山假狼毒AGB估算精度，为后续退化草地评判提供方法。
1 材料与方法
1.1 材 料
1.1.1 研究区概况
试验地位于新疆伊犁哈萨克自治州（简称伊犁州）昭苏县马场（43°07′～43°09 N，80°59′～81°01′E），海拔1 983～1 990 m，属大陆性温带山区半干旱半湿润冷凉气候，4月下旬至6月上旬雨水充沛。所处地段为山地草甸草地。由于过度放牧以及气候变化等因素，不可食牧草与杂类草比例上升，尤其是毒害草天山假狼毒成为群落的优势种。表1
1.1.2 数据来源
1.1.2.1 野外实测数据
于2022年植物生长旺盛季（盛花期，6月下旬）采集天山假狼毒AGB数据，此时处于天山假狼毒果实膨大期，叶片长到最大、功能完善且表型特征与其他植被差异最明显，共采集45个1 m×1 m样方。测量每个样方中植被的种类、株高、覆盖度、地上生物量，共计单株天山假狼毒98株。株高使用卷尺测量（cm），盖度使用样方框法测定（%），地上生物量使用阴干称重法获取干重（g）。
1.1.2.2 无人机影像获取及预处理
采用四旋翼电动无人机（大疆精灵4A）获取影像数据，可实时获取数据采集时刻的位置和姿态信息。无人机的负载重量为1.52 kg，续航时间为25～30 min。所搭载高清数码相机型号为FC_6310，其具备2 000万有效像素，图像分辨率5 472像素×3 648像素，焦距9 mm。无人机航拍时间为2022年6月25日午间12：00，当天太阳光照强度稳定，晴朗无云，无人机飞行航向重叠度、旁向重叠度和主航线角度分别为80%、75%和90°，飞行高度20 m，使用大疆智图软件进行图像拼接处理。
1.2 方 法
1.2.1 植被指数提取
植被指数（Vegetation Index，VI）是一种简单有效的方法，被广泛用于评估地表植被的状况。其可以反映植被在不同波段之间与土壤背景的反射差异，不同的植被指数可以在一定条件下定量地表明植被的生长状况［18］。通过可见光无人机拍摄的数码影像能较好的反映出草地植物的AGB信息，筛选出8种植被指数进行草地AGB估测分析。表2
1.2.2 纹理特征提取
采用灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）提取各波段纹理特征（Texture indexes，Tis），使用ENVI 5.3软件二阶概率统计的滤波（Co-occurrence measures）工具计算均值（Mean，mean）、方差（Variance，var）、协同性（Homogeneity，hom）、对比度（Contrast，con）、相异性（Dissimilarity，dis）、信息熵（Entropy，ent）、二阶矩（Second Moment，sm）和相关性（Correlation，cor）8个基于二阶矩阵的纹理特征值［20］，得到每个波段的8个纹理特征，R、G、B三波段共24个纹理特征值。无人机影像的分辨率为0.55 cm/px，大多数窗口大小涉及土壤与多种植被背景较为复杂，因此在该研究中，纹理分析选取最小的3×3窗口分析，灰度量化级别选择64，方向选取90°。表3
1.2.3 基于光谱特征的天山假狼毒覆盖度提取方法
植被覆盖度（Fraction Vegetation Coverage，FVC）是指植被在地面的垂直投影面积占总面积的百分比，技术上为天山假狼毒像元与小区总像元之比［22，23］。由于天山假狼毒覆盖度与AGB之间相关性高达0.785，因此提取天山假狼毒覆盖度并将其作为AGB估算模型输入量之一。通过对比天山假狼毒盛花期与其他地物光谱特征，发现有较大差异可以进行区分。在研究区使用随机森林算法的监督分类对天山假狼毒提取，通过目视解选取训练样本，建立解译标志，对地物进行分类，通过聚类分析对细小图斑进行合并，窗口大小设置为3×3［23，24］，并对分类结果进行精度验证，得到天山假狼毒在影像中的分布情况。
1.3 数据处理
选择天山假狼毒盛花期的数据进行模型构建，共采集了45个样本，并使用5折交叉验证法对模型的准确性进行验证。采用了3种建模方式：一元回归模型（即一元线性模型）、多元回归模型（即多元逐步回归模型和人工神经网络模型）。使用决定系数（Determination coefficient，R2）和均方根误差（Root Mean Square Error，RMSE）来评估模型的准确性。较高的R2值与较低的RMSE值表示模型的准确性较高［25］。
1.3.1 K-折交叉验证
K-折交叉验证是应用最广泛的泛化误差估计方法之一，常用于数据集有限的情况［26］。首先将数据集均匀地分成K个样本子集，然后依次遍历这K个子集。每一次均将当前的子集作为验证集，而将其他的数据作为训练集。这个过程将重复K次，最后得到的K折交叉验证模型的准确性是这K次训练的准确性的平均值［27］。研究采用5折交叉验证的方法，该方法保证数据集中的每个数据既是建模集又是验证集，所有数据都将被利用，可以避免由于数据集划分不合理而导致的在训练集上过拟合问题。
1.3.2 线性模型
利用SPSS 22.0软件（IBM，USA），采用皮尔逊相关分析法对8种植被指数、24种纹理特征和天山假狼毒覆盖度分别与AGB进行相关性分析，并建立相应的一元线性模型来估算天山假狼毒AGB。此外，将植被指数、纹理特征和天山假狼毒覆盖度进行两两融合或三特征组合，作为输入量构建多元线性逐步回归模型来估算天山假狼毒AGB。使用多元线性逐步回归模型可以消除自变量之间的多重共线性，并使残差符合正态分布。
1.3.3 人工神经网络模型
目前，基于误差反向传播（Back Propagation，BP）的人工神经网络是一种被广泛应用的神经网络模型。其主要原理是通过逐层计算目标函数对各神经元权值的偏导数，并利用梯度下降法对权值进行更新，从而使得模型能够学习和达到一定的水平［28］。在研究中，所采用的人工神经网络结构包括输入层、隐藏层和输出层。其中，输入层不参与运算，而隐藏层和输出层则是全连接层；在研究中，构建一个具有4层隐藏层的人工神经网络模型，其中使用了identity作为激活函数，并选择了lbfgs作为求解器。学习率设定为0.1，并进行1 000次迭代。该模型的目的是通过输入植被指数、纹理指数和天山假狼毒覆盖度等因素作为变量，验证多特征融合估算天山假狼毒AGB有效性。
2 结果与分析
2.1 光谱、纹理特征和覆盖度与天山假狼毒AGB相关性
研究表明，所选的8个植被指数与天山假狼毒AGB相关性在0.01水平下达到极显著（Plt;0.01），根据绝对值大小的顺序排列，植被指数与天山假狼毒AGB相关性依次为ExR、RGRI、NGBDI、NRI、NBI、NGRDI、NGI和GBRI，其相关系数绝对值R分别为0.745、0.710、0.692、0.643、0.628、0.578、0.569和0.495。其中只有8个特征与天山假狼毒AGB之间存在极显著相关（Plt;0.01），其相关性由大到小依次为cor_G、cor_R、mean_G、mean_B、hom_B、cor_B、hom_R和hom_G，对应的R分别为0.784、0.766、0.722、0.600、0.489、0.462和0.452。提取的天山假狼毒覆盖度与天山假狼毒AGB之间存在显著相关性，R为0.720。图1
2.2 天山假狼毒覆盖度提取
2.2.1 天山假狼毒与其他地物灰度值差异
研究表明，6月下旬盛花期时天山假狼毒白粉花与其他牧草、裸地分离度较好且不存在重合区域，因此6月下旬为提取天山假狼毒光谱特征最佳窗口期。图2
2.2.2 天山假狼毒提取结果
研究表明，基于天山假狼毒盛花期使用随机森林监督分类，将通过目视解译得到的部分地表真实影像与分类结果计算得到混淆矩阵作为分类实际精度，总体制图精度达81.33%，天山假狼毒的用户精度达70.62%，制图精度达73.65%，可作为天山假狼毒覆盖度提取精度。图3，图4
2.3 一元线性回归的生物量估测模型
研究表明，在与AGB建立的8种光谱特征（VIs）的一元线性模型中，ExR模型的R2值最高，为0.544，RMSE为29.315；在与AGB建立的8种纹理特征（TIS）的一元线性模型中，cor_G模型的R2值最高，达到0.606，RMSE为27.237；而天山假狼毒覆盖度（FVC）与AGB建立的一元线性模型的R2值为0.501，RMSE为30.664。精度从高到低依次为cor_G、ExR、FVC。表4
2.4 多元逐步回归的生物量估测模型
研究表明，结合VIs和TIs的多元逐步回归模型精度（R2=0.850，RMSE=16.739）明显优于单一VIs模型（R2=0.544，RMSE=29.315）。而结合VIs、TIs和天山假狼毒覆盖度FVC的多元逐步回归模型（R2=0.870，RMSE=15.383）具有最高的精度，优于任意单一特征和任意两两组合的变量。VIs+TIs+FVC融合估算AGB估算是一种有效的方法，可以显著提高AGB估算的准确性。表4～5
2.5 神经网络的生物量估测模型
研究表明，通过将三类输入变量：VIs、TIs、FVC、VIs+TIs、VIs+FVC、TIs+FVC和VIs+TIs+FVC共7种组合依次输入人工神经网络模型中，构建了AGB估算模型，并对模型精度进行了对比。当VIs+TIs构建AGB模型时，发现模型的精度（R2=0.785，RMSE=20.345）明显优于单一VIs构建的AGB模型（R2=0.648，RMSE=24.060），R2提高0.137，RMSE降低3.175；将VIs+TIs+FVC融合构建AGB模型时，模型的精度最高（R2=0.806，RMSE=22.685）。AGB估算结论的一致性进行验证，进一步证实了结合植被指数、纹理指数和天山假狼毒覆盖度进行AGB估算的方法能够有效提高模型准确性。表6
3 讨 论
3.1 首先使用皮尔逊相关分析法对天山假狼毒VIs、TIs、FVC与天山假狼毒AGB进行定量相关性分析，发现所选8种VIs、FVC均与AGB极显著相关，而所选24种TIs中只有8种与AGB极显著相关，说明相比于植被指数，TIs的稳定性较差，后续可考虑将植被指数的思想运用到TIs，经线性运算后使用纹理指数以提高其相关性估算天山假狼毒AGB，以有前人使用纹理指数作为变量估算生长指标，并说明经数学组合后的纹理指数可提升其相关性［18］。
3.2 该研究利用多元逐步回归模型，将VIs、TIs、FVC结合起来建立天山假狼毒AGB估算模型。结合VIs和TIs的多元逐步回归模型（R2=0.850，RMSE=16.739）明显优于单一VIs模型（R2=0.544，RMSE=29.315），将VIs+TIs+FVC融合估算天山假狼毒AGB（R2=0.870，RMSE=15.383）精度最高，优于所有单一输入量和任意两类输入量组合，其中VIs中的NBI贡献最大，并使用bp神经网络对此结论进行验证，得到三者共同估算天山假狼毒AGB（R2=0.806，RMSE=22.685）精度最高。这主要是因为多指标融合模型综合了VIs、TIs、FVC对AGB估算的共同贡献，该结果与前人［29，30］使用多特征估算作物生长指标得出的结果一致。纹理特征是物体表面的内在属性，提供了地物的空间特征，不易受外界环境如颜色、亮度、地形等干扰，能在一定程度上抑制“同谱异物、同物异谱”现象的发生［31］，有效弥补了光谱特征的不足，其中纹理测量均值包含移动窗口大小，选择合适窗口可以平滑图像，使背景的干扰最小化［32］。天山假狼毒的覆盖度随着AGB的增加而增加，虽天山假狼毒顶部花蕊与其他植被的光谱差异大，但其下部与与其他植被的具有相似光谱特征且对于叶片相互遮挡的现象无法较好提取天山假狼毒，后续可更具不同场景采取更好的提取方法。
4 结 论
4.1 天山假狼毒盛花期与其他地物光谱差异最大为最佳识别窗口期，利用RF算法构建的天山假狼毒提取模型效果较为理想，总体精度在81%以上。
4.2 基于可见光无人机提取天山假狼毒光谱特征、纹理特征、覆盖度，其中纹理特征cor_G的R最高达0.784，TIs与AGB的R为0.78～0.45，VIs与AGB的R为0.74～0.40，FVC与AGB的R为0.720。
4.3 将VIs、TIs、FVC作为模型输入因子，分别以单一特征、任意两种特征组合、三种特征融合作为模型输入量，多特征融合估算天山假狼毒AGB的精度最高（R2=0.870，RMSE=15.383）并将3种特征融合输入人工神经网络模型，验证多特征估算的有效性，结合VIs、TIs、FVC融合估算AGB具有较好的精度。
参考文献（References）
［1］江惠， 王明利， 励汀郁， 等. 新疆草原畜牧业转型升级：发展现状、现实困境与实现路径［J］.华中农业大学学报， 2023， 42（5）： 42-52.
JIANG Hui， WANG Mingli， LI Tingyu， et al. Transformation and upgrading of grassland animal husbandry in Xinjiang： development status， realistic dilemma and realization path［J］.Journal of Huazhong Agricultural University， 2023， 42（5）： 42-52.
［2］ 闫俊杰， 刘海军， 崔东， 等. 近15年新疆伊犁河谷草地退化时空变化特征［J］.草业科学， 2018， 35（3）： 508-520.
YAN Junjie， LIU Haijun， CUI Dong， et al. Spatiotemporal dynamics of grassland degradation in Yili Valley of Xinjiang over the last 15 years［J］.Pratacultural Science， 2018， 35（3）： 508-520.
［3］ 李宏， 陈卫民， 陈翔， 等. 新疆伊犁草原毒害草种类及其发生与危害［J］.草业科学， 2010， 27（11）： 171-173.
LI Hong， CHEN Weimin， CHEN Xiang， et al. Poisonous weed species and their harmfulness in the grassland of Yili regions， Xinjiang Uygur Autonomous Region of China［J］.Pratacultural Science， 2010， 27（11）： 171-173.
［4］ 李宏， 陈卫民， 王华， 等. 四种吡啶类除草剂防除白喉乌头的筛选试验［J］.现代农药， 2010， 9（3）： 48-50.
LI Hong， CHEN Weimin， WANG Hua， et al. Screening experiment of four pyridine herbicides on the Aconitum leucostomum［J］.Modern Agrochemicals， 2010， 9（3）： 48-50.
［5］ 范云豹， 宫兆宁， 赵文吉， 等. 基于高光谱遥感的植被生物量反演方法研究［J］.河北师范大学学报（自然科学版）， 2016， 40（3）： 267-271.
FAN Yunbao， GONG Zhaoning， ZHAO Wenji， et al. Study on vegetation biomass inversion method based on hyperspectral remote sensing［J］.Journal of Hebei Normal University （Natural Science Edition）， 2016， 40（3）： 267-271.
［6］ 刘建刚， 赵春江， 杨贵军， 等. 无人机遥感解析田间作物表型信息研究进展［J］.农业工程学报， 2016， 32（24）： 98-106.
LIU Jiangang， ZHAO Chunjiang， YANG Guijun， et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform［J］.Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（24）： 98-106.
［7］ Candiago S， Remondino F， De Giglio M， et al. Evaluating multispectral images and vegetation indices for precision farming applications from UAV images［J］.Remote Sensing， 2015， 7（4）： 4026-4047.
［8］ Potgieter A B， George-Jaeggli B， Chapman S C， et al. Multi-spectral imaging from an unmanned aerial vehicle enables the assessment of seasonal leaf area dynamics of Sorghum breeding lines［J］.Frontiers in Plant Science， 2017， 8： 1532.
［9］ Yang G J， Li C C， Wang Y J， et al. The DOM generation and precise radiometric calibration of a UAV-mounted miniature snapshot hyperspectral imager［J］.Remote Sensing， 2017， 9（7）： 642.
［10］ Nie S， Wang C， Dong P L， et al. Estimating leaf area index of maize using airborne discrete-return LiDAR data［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2016， 9（7）： 3259-3266.
［11］ Guo Q H， Su Y J， Hu T Y， et al. An integrated UAV-borne lidar system for 3D habitat mapping in three forest ecosystems across China［J］.International Journal of Remote Sensing， 2017， 38（8/9/10）： 2954-2972.
［12］ 陶惠林， 徐良骥， 冯海宽， 等. 基于无人机数码影像的冬小麦株高和生物量估算［J］.农业工程学报， 2019， 35（19）： 107-116.
TAO Huilin， XU Liangji， FENG Haikuan， et al. Estimation of plant height and biomass of winter wheat based on UAV digital image［J］.Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（19）： 107-116.
［13］ 张正健， 李爱农， 边金虎， 等. 基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究［J］.遥感技术与应用， 2016， 31（1）： 51-62.
ZHANG Zhengjian， LI Ainong， BIAN Jinhu， et al. Estimating aboveground biomass of grassland in zoige by visible vegetation index derived from unmanned aerial vehicle image［J］.Remote Sensing Technology and Application， 2016， 31（1）： 51-62.
［14］ 陈鹏飞， Nicolas Tremblay， 王纪华， 等. 估测作物冠层生物量的新植被指数的研究［J］.光谱学与光谱分析， 2010， 30（2）： 512-517.
CHEN Pengfei， Nicolas Tremblay， WANG Jihua， et al. New index for crop canopy fresh biomass estimation［J］.Spectroscopy and Spectral Analysis， 2010， 30（2）： 512-517.
［15］ 刘欣谊， 仲晓春， 陈晨， 等. 利用无人机图像颜色与纹理特征数据在小麦生育前期对产量进行预测［J］.麦类作物学报， 2020， 40（8）： 1002-1007.
LIU Xinyi， ZHONG Xiaochun， CHEN Chen， et al. Prediction of wheat yield using color and texture feature data of UAV image at early growth stage［J］.Journal of Triticeae Crops， 2020， 40（8）： 1002-1007.
［16］ 刘杨， 冯海宽， 孙干， 等. 不同分辨率无人机数码影像的马铃薯地上生物量估算研究［J］.光谱学与光谱分析， 2021， 41（5）： 1470-1476.
LIU Yang， FENG Haikuan， SUN Qian， et al. Estimation study of above ground biomass in potato based on UAV digital images with different resolutions［J］.Spectroscopy and Spectral Analysis， 2021， 41（5）： 1470-1476.
［17］ 刘艳慧， 蔡宗磊， 包妮沙， 等. 基于无人机大样方草地植被覆盖度及生物量估算方法研究［J］.生态环境学报， 2018， 27（11）： 2023-2032.
LIU Yanhui， CAI Zonglei， BAO Nisha， et al. Research of grassland vegetation coverage and biomass estimation method based on major quadrat from UAV photogrammetry［J］.Ecology and Environmental Sciences， 2018， 27（11）： 2023-2032.
［18］ 杭艳红， 苏欢， 于滋洋， 等. 结合无人机光谱与纹理特征和覆盖度的水稻叶面积指数估算［J］.农业工程学报， 2021， 37（9）： 64-71.
HANG Yanhong， SU Huan， YU Ziyang， et al. Estimation of rice leaf area index combining UAV spectrum， texture features and vegetation coverage［J］.Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 64-71.
［19］ 牛庆林， 冯海宽， 杨贵军， 等. 基于无人机数码影像的玉米育种材料株高和LAI监测［J］.农业工程学报， 2018， 34（5）： 73-82.
NIU Qinglin， FENG Haikuan， YANG Guijun， et al. Monitoring plant height and leaf area index of maize breeding material based on UAV digital images［J］.Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（5）： 73-82.
［20］ Jiang B R， Wang P， Zhuang S， et al. Detection of maize drought based on texture and morphological features［J］.Computers and Electronics in Agriculture， 2018， 151： 50-60.
［21］ 刘咏梅， 胡念钊， 龙永清， 等. 无人机RGB影像在高寒草地狼毒入侵监测及盖度估算中的应用［J］.中国草地学报， 2023， 45（2）： 1-12.
LIU Yongmei， HU Nianzhao， LONG Yongqing， et al. Application of UAV RGB image in monitoring and coverage estimation of Stellera chamaejasme invasion in alpine grasslands， Qinghai-Tibet Plateau［J］.Chinese Journal of Grassland， 2023， 45（2）： 1-12.
［22］ 贾坤， 姚云军， 魏香琴， 等. 植被覆盖度遥感估算研究进展［J］.地球科学进展， 2013， 28（7）： 774-782.
JIA Kun， YAO Yunjun， WEI Xiangqin， et al. A review on fractional vegetation cover estimation using remote sensing［J］.Advances in Earth Science， 2013， 28（7）： 774-782.
［23］ 刘智彪. 基于无人机遥感的白喉乌头防效监测方法的研究［D］.乌鲁木齐： 新疆农业大学， 2022.
LIU Zhibiao. Study on Monitoring Method of Aconitum Leucostomum Prevention Effect Based on Unmanned Aerial Vehicl Remote Sensing［D］.Urumqi： Xinjiang Agricultural University， 2022.
［24］ Haralick R M， Shanmugam K， Dinstein I. Textural features for image classification［J］.IEEE Transactions on Systems， Man， and Cybernetics， 1973， SMC-3（6）： 610-621.
［25］ 范宏. 基于UAV影像的草原毒害草识别检测方法研究——以白喉乌头为例［D］.乌鲁木齐： 新疆大学， 2020.
FAN Hong. Research on Identification and Detection Method of Grassland Poisonous Grass Based on UAV Image［D］.Urumqi： Xinjiang University， 2020.
［26］ 陈鹏， 冯海宽， 李长春， 等. 无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量［J］.农业工程学报， 2019， 35（11）： 63-74.
CHEN Peng， FENG Haikuan， LI Changchun， et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image［J］.Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（11）： 63-74.
［27］ Karal . Performance comparison of different kernel functions in SVM for different k value in k-fold cross-validation［C］//2020 Innovations in Intelligent Systems and Applications Conference （ASYU）. Istanbul， Turkey. IEEE， 2020： 1-5.
［28］ Chanda M， Biswas M. Plant disease identification and classification using Back-Propagation Neural Network with Particle Swarm Optimization［C］//2019 3rd International Conference on Trends in Electronics and Informatics （ICOEI）. Tirunelveli， India. IEEE， 2019： 1029-1036.
［29］ 王来刚， 贺佳， 郑国清， 等. 基于无人机多光谱遥感的玉米FPAR估算［J］.农业机械学报， 2022， 53（10）： 202-210.
WANG Laigang， HE Jia， ZHENG Guoqing， et al. Estimation of maize FPAR based on UAV multispectral remote sensing［J］.Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（10）： 202-210.
［30］ 杨福芹， 冯海宽， 肖天豪， 等. 融合无人机影像光谱与纹理特征的冬小麦氮营养指数估算［J］.农业现代化研究， 2020， 41（4）： 718-726.
YANG Fuqin， FENG Haikuan， XIAO Tianhao， et al. Nitrogen nutrition index estimation in winter wheat by UAV spectral information and texture feature fusion［J］.Research of Agricultural Modernization， 2020， 41（4）： 718-726.
［31］ 汪小钦， 江洪， 傅银贞. 森林叶面积指数遥感研究进展［J］.福州大学学报（自然科学版）， 2009， 37（6）： 822-828.
WANG Xiaoqin， JIANG Hong， FU Yinzhen. The progress of the forest LAI estimation from remote sensing data［J］.Journal of Fuzhou University （Natural Science Edition）， 2009， 37（6）： 822-828.
［32］ Yu Z Y， Ustin S L， Zhang Z C， et al. Estimation of a new canopy structure parameter for rice using smartphone photography［J］.Sensors， 2020， 20（14）： 4011.
Estimation of above ground biomass of drone Diarthron tianschanicum based on multi feature fusion
HOU Zhengqing1， YAN An2， XIE Kaiyun2， YUAN Yilin1， XIA Wenqiu3，
XIAO Shuting1， ZHANG Zhenfei1， SUN Zhe1
（1. College of Resources and Environment， Xinjiang Agricultural University， Urumqi 830052， China; 2. College of Grassland Science， Xinjiang Agricultural University， Urumqi 830052， China; 3. College of Computer and Information Engineering， Xinjiang Agricultural University， Urumqi 830052， China）
Abstract：【Objective】 This project aims to explore the ability of UAV multi feature to construct D. tianschanicum aboveground biomass （AGB） estimation model.The finding has provided a reference for the grading basis for the classification of grassland degradation degree.【Methods】 Diarthron tianschanicum is one of the degradation indicator plants， and its growth status can reflect the degree of grassland degradation. and to extract the spectral features， texture features and D. tianschanicum coverage from visible high spatial resolution remote sensing images， and the three were used as inputs to establish a univariate linear model. The three types of features were fused to construct multiple stepwise regression and artificial neural network models， and the effect of multi feature fusion to estimate AGB was analyzed. 【Results】 （1） The best coverage extraction window period of D. tianschanicum was in full bloom， and the effect of D. tianschanicum extraction model constructed by RF algorithm was ideal， and the overall accuracy was more than 81%. （2） Spectral features， texture features and coverage were all correlated with AGB， and the texture feature G had the highest correlation， which was 0.784. （3） Compared with single vegetation index， texture feature， coverage and any two feature combinations as input amount， the accuracy of AGB was the highest， with R2 and RMSE of 0.870 and 15.383， respectively. 【Conclusion】 It is verified by artificial neural network mode that the fusion of spectral features， texture index and coverage can effectively improve the accuracy of AGB estimation.
Key words：drone; Diarthron tianschanicum biomass; visible light; coverage; texture features
Fund projects： Special Project for Key R amp; D Task in Xinjiang Uygur Autonomous Region （2022B02003）
Correspondence author： YAN An （1983-）， male， from Ziyang，Sichuan，professor， Ph.D.， Master/Doctorals supervisor， research direction： digital agriculture and ecological environment remote sensing monitoring，（E-mail）yanan@xjau.edu.cn
