摘 要：【目的】无人机搭载数码相机具有较高的机动性、灵活性和分辨能力，在快速、准确估算草地AGB等方面优势明显。
【方法】探讨无人机搭载的数码相机在不同飞行高度的影像分辨率差对草地AGB估算精度，在新疆昭苏山地草甸设置10、30、50、70和90 m 5个飞行高度，探究不同飞行高度下获取的影像在光谱信息、纹理特征等差异下对草地AGB估算精度的影响。
【结果】在相同的飞行高度下，采用光谱信息与纹理特征相结合的方法相较于单独使用光谱信息或纹理特征，可以提高AGB估算的精度，分别提高了22.34%、13.25%、11.11%、2.18%和2.35%。仅依赖数码图像的光谱信息来估算草地AGB容易导致饱和现象。然而，与光谱信息相比，草地的纹理特征受环境影响较小，在相同的图像分辨率下，所获得的模型效果更佳，弥补单一指标估算草地AGB的不足。
【结论】影像分辨率在0.27～2.45 cm时，纹理特征与草地AGB的相关性弱于植被指数，但均达到显著水平，随着图像清晰度减低，两者之间的关联性差异变得显著；在同种图像分辨率前提下，将光谱信息与纹理特征相结合可以实现最佳的草地AGB估算效果，单一的纹理特征模型次之，单一的光谱模型效果最差；随着图像分辨率的递增，对草地AGB的估算精度受到光谱信息、纹理信息以及光谱与纹理信息的影响呈现上升趋势。
关键词：草地；地上生物量；影像分辨率；光谱信息；纹理特征
中图分类号：S812 ""文献标志码：A
文章编号：1001-4330（2025）01-0234-09
收稿日期（Received）：
2024-07-19
基金项目：
新疆维吾尔自治区重点研发任务专项计划（2022B02003）：优质牧草高效生产与加工关键技术集成示范
作者简介：
袁以琳（1994-），男，河南驻马店人，硕士研究生，研究方向为农业信息化，（E-mail）171043013@qq.com
通信作者：
颜安（ 1983 -） ，男，四川安岳人，教授，博士，博士生导师，研究方向为数字农业技术、农业资源与环境，（ E-mail） zryanan@ 163.com
0 引 言
【研究意义】草地生态系统是陆地生态系统中分布范围最为广泛的系统［1］。草地地上生物量（above ground biomass，AGB）是评估草地第一生产力的关键指标之一，是描述草地植物生长特征、评估草地生产力的重要指标。目前主要通过直接收获法测定草地AGB，该方法成本较高、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，亦无法连续观测［2-4］。因此，快速准确地监测草地AGB对于揭示草地植被的变化、确定适宜的草地载畜量以及分析和评价区域的生态环境具有重要意义［5］。【前人研究进展】近年来，随着无人机技术的快速发展，将无人机与数码相机等遥感监测平台相结合，具有性价比高、数据处理简单和分辨率高等特点［6］，在植被覆盖度及地上生物量监测等方面应用较多。张正健等［7］利用若尔盖草原可见光图像，结合试验地样方数据，构建了试验地实测样方和植被指数之间的回归模型，并据此估算了该区域的生物量。杨琦等［8］基于无人机数码影像，常见的植被指数与株高预测甘蔗LAI回归模型，在苗期至生长末期中提取的株高对甘蔗LAI预测的效果最好。Jibo等［9］利用无人机RGB影像和高光谱数据，运用光学植被指数对LAI和AGB进行了估算，得到光学植被指数与AGB有很高的相关性。卜灵心等［10］研究发现，锡林郭勒盟不同草地类型的不同特征变量中，植被覆盖度、归一化植被指数、增强植被指数和降水量对草地AGB估算结果的影响较大。以上利用无人机可见光影像对草地AGB的估算研究成果显示，可见光图像在有效监测作物的AGB方面表现出色。但仍有某些局限，大多从植被光谱指数或者单一的纹理特征入手，忽略了无人机影像光谱、纹理信息的融合，模型精度容易产生饱和现象，使得模型给出的预测结果不够准确或失真，无法真实地反映实际情况［11-12］。刘畅等［14］、朱永基等［15］采用高光谱影像以及光谱、纹理和二者结合的方法估测了冬小麦的AGB，结果显示二者融合后能有效降低AGB估算过程中出现的过早饱和，且模型效果优于单一光谱、纹理。刘杨等［19］结合不同高度采用光谱、纹理和二者结合的方法估测了马铃薯AGB，结果伴随图像清晰度的提升，光谱数据、纹理数据以及光谱与纹理数据联合利用提高了对AGB的估算精确度。【本研究切入点】目前对天然草地AGB估测的相关研究多集中在植被指数、植被指数与纹理特征相结合的基础上，关于无人机航高等可控应用条件的研究还很匮乏。为此，需以新疆昭苏山地草甸草地为对象，开展不同分辨率下无人机数码影像的草地AGB估算。【拟解决的关键问题】探究在相同分辨率的影像下，分别采用光谱信息、纹理特征、光谱信息+纹理特征的模型估算草地AGB的效果；分析无人机在可见光数码影像分辨率逐步提升的情况下，对草地AGB进行估测时，光谱信息、纹理特征、光谱信息+纹理特征综合利用对草地AGB估算精确度的影响，为应用无人机遥感平台大范围估算天然草地植被AGB奠定基础。
1 材料与方法
1.1 材 料
1.1.1 研究区域概况
研究区位于新疆伊犁哈萨克自治州昭苏县马场（N40°55′～43°15′，E81°03′～81°05′），主要有山地、丘陵和山前倾斜平原三大地貌类型，地形坡度大，北高南低，西高东低。马场以山地草地资源为主，山前平缓地草地资源为辅，山地草地资源占草地资源总面积的78.96%，全场草地资源共分为4个类，11个亚类，17个型，属于温带山区半湿润冷凉气候类型［16］。研究区所处地段原为天然草地（山地草甸），山地草甸植被主要成分有鸭茅（Dactylis glomerata）、无芒雀麦（Bromus inermis）、新疆鹅观草（Roegneria sinkiangensis）、猫尾草（Phleum pratense）、草原糙苏（Phlomis pratensis）、草原老鹳草（Geranium pratense）、大叶橐吾（Ligularia macrophylla）等。
1.1.2 数据获取
分别设置4块（50 m×50 m）样地，在选定的样地内平均设置12个小区，共48个，每个小区面积1 m×1 m，利用GPS定位并记录其位置信息，调查指标包括盖度、高度、多度、频度及生物量干重等，采用收割法［6］齐地面获取样地样方内的地上植物活体部分，恒温80℃烘干至恒重并称取。
2022年8月于草地生长旺盛期用无人机采集影像后，通过收割法齐地面获取草地样方内AGB，并迅速带回实验室晒洗干净，105℃杀青，80℃烘干48 h以上，至质量恒定再称量样本干质量［17］。
1.1.3 无人机影像获取及预处理
使用大疆精灵4A系列无人机搭载高清数码相机作为数据采集平台，该无人机配备位置和方向系统（position and orientation system，POS），以实现即时数据采集。无人机航拍时间为2022年8月22日12：00，当天太阳光照强度稳定，晴朗无云，人工设置10、30、50、70和90 m五种飞行高度对应地面空间分辨率分别为0.27、0.82、1.36、1.91和2.45 cm。进行数据采集时，事先规划无人机的自主航行路径，并进行图像记录。表1
采用Pix4Dmapper软件实现图像数据融合，以获取样地的数字正射影像（Digital Orthophoto Map，DOM）和数字地表模型（Digital Surface Model，DSM），首先利用图像的位置和方向信息（POS）以及相应的空间位置数据，创建飞行范围内的稀疏点云；其次基于稀疏点云，在加入地面控制点后，构建带有属性信息的高精度稀疏点云，进一步生成地理空间信息；最后通过对稀疏点云的转化生成高密度的点云，进而生成3D网格模型，以搭建区域内的结构化空间在数据采集过程中，所有拍摄图像均包含位置和方向信息（Position and Orientation System，POS），包括经度、纬度、航向、相机角度和高度等，以实现快速图像融合。
1.1.4 影像指数选取
通过可见光无人机拍摄的数码影像能比较好地反映出草地AGB信息，筛选出8种植被指数估测分析草地AGB ［14， 18］。
R=Rn/（Rn+Gn+Bn）.
G=Gn/（Rn+Gn+Bn）.（1）
B=Bn/（Rn+Gn+Bn）.
式中，R、G、B分别表示经归一化处理得到DOM影像中红、绿、蓝（Rn、Gn、Bn）影像波段的平均DN（digital number，DN）值，即波段反射率；Rn、Gn、Bn分别代表红、绿、蓝影像波段的平均DN值。表2
1.1.5 纹理特征选取
通常利用像素的灰度分布和空间邻域的变化来显示图像的纹理特征，其能够呈现出目标与四周环境之间的空间位置关系，这在遥感影像中是一个至关重要的信息。通过ENVI软件，运用灰度共生矩阵来提取蓝、绿、红三个波段的纹理特性，涵盖0°、45°、90°、135°四个方向，随即对各个方向的纹理特性进行平均计算，得出每个波段的8个纹理特征，包括对比性（contrast，con）、相关性
（correlation，cor）、不同性（dissimilarity，dis）、信息熵（entropy，ent）、同质性（homogeneity，hom）、二阶矩（second moment，sm）、方差（variance，var）和平均值（mean）。红波段的纹理特征为con_R，cor_R，dis_R，ent_R，hom_R，sm_R，var_R和mean_R。绿波段的纹理特征为con_G，cor_G，dis_G，ent_G，hom_G，sm_G，var_G和mean_G。蓝波段的纹理特征为con_B，cor_B，dis_B，ent_B，hom_B，sm_B，var_B和mean_B［19］。
1.2 方 法
1.2.1 多重共线性
采用方差膨胀因子（Variance inflation factor，VIF）评估输入变量之间的共线性。当VIF值较高时，表明输入变量之间存在显著的多重共线性，可能导致数据冗余和计算难度增加，因此需要进行数据降维［13］。当VIF小于10时，可以认为输入变量之间不存在显著的多重共线性；如果VIF值显示为10 ～20，输入变量之间存在一定的共线性；然而，若VIF超过20，可能暗示着输入变量之间的共线性问题相当严重。
1.2.2 主成分
主成分分析（Principal components analysis，PCA）是一种广泛采用的数据降维技术。要点在于通过转换方式，将大量相关变量转化为少数不相关变量，以便更清晰地展示和简化数据信息。在构建AGB估测模型之前，对光谱数据和纹理特征进行K-L变换。根据特征值大于1的原则，选取前n个主成分来建立估测模型。
1.2.3 多元线性回归
多元线性回归（Multiple linear regression，MLR）当有两个或更多的自变量时，被称为多元回归。较只有一个自变量更有效和符合实际。研究以光谱特征、纹理特征和两者的组合作为自变量，草地AGB作为因变量，分别组合构建模型。
1.2.4 精度评价指标
从总样本集（48个样本）中选择2/3的样本数据（32个）作为建模集，1/3的样本数据（16个）作为验证集；使用建模集训练模型，并使用验证集进行模型验证，如果模型的预测结果与实际观测值差距较小，则说明模型拟合效果良好；使用决定系数（Coefficient of determination，R2）、均方根误差（Root mean square error，RMSE）和平均绝对误差（Mean absolute error，MAE）评估模型的准确性。其中，决定系数越趋近于1，同时，RMSE和MAE越小，模型预测的误差越小［20-21］。
2 结果与分析
2.1 影像指数与草地AGB的相关性
研究表明，不同飞行高度下，10 m时前3个植被指数，30 m时前5个植被指数，50 m时前3个植被指数，70 m时前4个植被指数，在90 m的情况下，排在前3的植被指数均与草地AGB的相关性显著（Plt;0.01），且相关系数的绝对值均大于0.410。随着飞行高度的增加，EXG、VARI、EXGR、GRVI、以及MGRVI等5个植被指数与AGB之间的相关性，除了排列顺序略有不同外，依然处于前列。当飞行高度为10、30、50、70、90 m时VARI、EXGR的相关性均排前3；当飞行高度为30、50、70、90 m时影像指数EXG、VARI、EXGR的相关性均处于前列；在高度达到70 m时，MGRVI与草地AGB之间的相关性处于前3；而在高度分别为10、30和90 m时，GRVI的相关性均排前4。因此，当无人机所处高度不同时，草地AGB与前5个植被指数间的相关性排名变化不大。另外，即使在可见光数码影像的不同分辨率下，由光谱信息构建的图像指标与草地AGB之间的相关性排序也几乎无明显不同。表3
2.2 纹理特征与草地AGB的相关性
研究表明，8个纹理特征与草地AGB均呈显著水平（Plt;0.05），相关系数的绝对值均高于0.169。在飞行高度为10 m和30 m时，前4个纹理特征与AGB的关联也较为显著。
随着高度变化，相应的纹理特征也发生了显著变化，同一组纹理特征在不同飞行高度下与草地AGB的相关性排名也表现出明显的波动。特别值得注意的是，当飞行高度达到90 m时，与10、30、50和70 m相比，纹理特征与AGB之间的相关系数显著下降。纹理特征的提取在很大程度上受到数字图像的分辨率影响。表4
2.3 不同飞行高度下光谱特征估算草地AGB
研究表明，膨胀因子数均超过20，变量间有显著的共线性，需要对前8个植被指数进行主成分分析处理。根据主成分的特征值需要大于1的原则，分别确定了不同飞行高度下的最佳主成分数量为3、3、3、3和2个。
在高度为10 m至90 m时，伴随分辨率的下调，草地AGB的光谱特性估算结果呈现降低。建模集的R2从0.725降至0.638，建模集的RMSE从21.988增至25.206，建模集的MAE从14.326增至18.700。同样，模型验证效果亦呈下降趋势，R2从0.775降至0.658，RMSE从28.861增至37.664，MAE从39.564增至46.753。表5
2.4 不同飞行高度下纹理特征估算草地AGB
研究表明，随着飞行高度的升高，利用纹理特征估算草地AGB的效果逐渐降低。建模R2从0.770递减至0.652，RMSE则从15.128逐渐增加至18.264；MAE从11.481递增为15.603；验证集R2从0.864递减为0.636，RMSE从53.173递增为67.881，MAE从34.239递增为61.365，其中验证集R2、RMSE、MAE在50 m时有略微提升。随着飞行高度的增加，图像分辨率逐渐减小，进而对纹理特征的提取产生影响，并导致对草地AGB的估算效果逐渐减弱。当高度为10 m，对应的图像分辨率为0.27 cm时，模型的估算效果达到最佳水平。表6
2.5 不同飞行高度下光谱信息与纹理特征结合估算草地AGB
研究表明，随着无人机高度的递增，光谱信息和纹理特征结合来估算草地AGB的效果逐渐下降，建模集R2从0.887递减至0.653，RMSE也随之从14.060增加至19.016，MAE从10.281增加到17.315；验证集R2从0.851递减到0.713，RMSE从48.446递增到68.310，MAE从37.805增加到55.183。当无人机以高度10 m飞行时，对应的地面分辨率为0.27 cm，此时模型的估算效果最佳。在相同的飞行高度下，利用融合指标构建的草地AGB估算模型的精度和效果均更为出色。表7
3 讨 论
3.1
研究当无人机的飞行高度分别设定为70和90 m，相应的影像分辨率分别为1.91和2.45 cm时，观察到纹理特征与草地AGB之间的关联性并不显著。是因为天然草地植物的叶片宽度通常小于1.8 cm，在这些飞行高度下难以捕捉到完整的影像纹理特征。研究比较了3种不同方法估算草地AGB的效果：仅使用光谱信息、仅使用纹理特征以及两者的结合。结果表明，在相同的无人机飞行高度条件下，结合光谱信息和纹理特征的方法能够达到最佳估算效果；其次是仅使用纹理特征的方法，而单纯依赖光谱信息的效果则是最差的，与刘畅等［14］在冬小麦AGB估算方面的研究相一致，均强调了光谱信息和纹理特征结合使用在提高估算精度上的重要性。尽管研究同样强调了光谱信息和纹理特征结合方法的高估算精度，但不同之处在于研究发现单独使用光谱信息的估算效果是最差的，这些差异可能源于估算对象的参数、传感器类型以及影像分辨率等因素的不同。试验研究与刘杨等［19］在不同飞行高度下估算马铃薯AGB的研究结果相似，均发现在10 m飞行高度时，光谱信息和纹理特征的结合使用能够达到对草地AGB的最高精度估算。
3.2
在研究草地AGB估算精度受不同飞行高度数码图像影响时，研究设置了5个不同的飞行高度，并获得了相应的图像地面分辨率。通过引入多个变量以分析其对草地AGB估算性能的影响。结果表明，在相同的飞行高度下，采用光谱信息与纹理特征相结合的方法相较于单独使用光谱信息或纹理特征，可以提高山地草甸草地AGB估算的精度，分别提高了22.34%、13.25%、11.11%、2.18%和2.35%。此结果强调了仅依赖数码图像的光谱信息来估算草地AGB容易导致饱和现象。然而，与光谱信息相比，草地的纹理特征受环境影响较小，因此在相同的图像分辨率下，所获得的模型效果更为出色。在研究中，综合考虑了光谱信息和纹理信息对草地AGB估算的贡献，采用了其组合方式，在一定程度上弥补单一指标估算草地AGB的不足之处。在无人机可见光影像的分辨率从0.27～2.45 cm变化时，不论是光谱信息、纹理信息，还是光谱信息和纹理信息的结合，随着图像分辨率的提高，均呈出逐渐增强的趋势，对草地AGB的估算精度也逐渐提高，此结果与刘杨等［19］、李天驰等［20］、甘甜等［21］、钟滨等［22］引入影像光谱特征与纹理特征的马铃薯AGB估算、冬小麦产量预测、竹林信息提取的研究结果相似。未来应该收集更多不同飞行高度和不同时期的样品数据，对影像分辨率与草地AGB估算结果的影响进行更深入的分析。
4 结 论4.1
随着无人机可见光图像分辨率的下降，与昭苏山地草甸草地AGB相关的前8个植被指数类别以及其相关性排序经历了差异和波动，其中，前4个植被指数中的差异和排序变化并不明显。与此相反，与草地AGB相关的前8种纹理特征则呈现出不同的特点，并且其相关性排序发生明显的波动。在飞行高度90 m时，光谱特征和图像的纹理特征与草地AGB的相关性均降至最低点。4.2
在相同的图像分辨率条件下，结合光谱信息和纹理特征的模型表现最为出色，其次是单独采用纹理特征的模型，而仅使用光谱特征的模型效果最差。4.3
无人机可见光数码影像分辨率逐渐提高时，光谱信息、纹理信息以及光谱信息和纹理信息相结合估算昭苏山地草甸草地AGB的精度也相应地逐渐提高。
参考文献（References）
［1］刘伟， 周华坤， 周立. 不同程度退化草地生物量的分布模式［J］. 中国草地， 2005， 27（2）： 9-15.
LIU Wei， ZHOU Huakun， ZHOU Li. Biomass distribution pattern of degraded grassland in alpine meadow［J］. Grassland of China， 2005， 27（2）： 9-15.
［2］ 赖炽敏， 赖日文， 薛娴， 等. 基于植被盖度和高度的不同退化程度高寒草地地上生物量估算［J］. 中国沙漠， 2019， 39（5）： 127-134.
LAI Chimin， LAI Riwen， XUE Xian， et al. Estimation of aboveground biomass of different degraded alpine grassland based on vegetation coverage and height［J］. Journal of Desert Research， 2019， 39（5）： 127-134.
［3］ 李宗南， 陈仲新， 王利民， 等. 基于小型无人机遥感的玉米倒伏面积提取［J］. 农业工程学报， 2014， 30（19）： 207-213.
LI Zongnan， CHEN Zhongxin， WANG Limin， et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（19）： 207-213.
［4］ 陈鹏飞， 梁飞. 基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究［J］. 中国农业科学， 2019， 52（13）： 2220-2229.
CHEN Pengfei， LIANG Fei. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle［J］. Scientia Agricultura Sinica， 2019， 52（13）： 2220-2229.
［5］ 干友民， 成平， 周纯兵， 等. 若尔盖亚高山草甸地上生物量与植被指数关系研究［J］. 自然资源学报， 2009， 24（11）： 1963-1972.
GAN Youmin， CHENG Ping， ZHOU Chunbing， et al. Study on pertinence between the vegetation indexes and the aboveground biomass of sub-alpine meadow of zoige county［J］. Journal of Natural Resources， 2009， 24（11）： 1963-1972.
［6］ 李淑贞， 徐大伟， 范凯凯， 等. 基于无人机与卫星遥感的草原地上生物量反演研究［J］. 遥感技术与应用， 2022， 37（1）： 272-278.
LI Shuzhen， XU Dawei， FAN Kaikai， et al. Research of grassland aboveground biomass inversion based on UAV and satellite remoting sensing［J］. Remote Sensing Technology and Application， 2022， 37（1）： 272-278.
［7］ 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.
［8］ 杨琦， 叶豪， 黄凯， 等. 利用无人机影像构建作物表面模型估测甘蔗LAI［J］. 农业工程学报， 2017， 33（8）： 104-111.
YANG Qi， YE Hao， HUANG Kai， et al. Estimation of leaf area index of sugarcane using crop surface model based on UAV image［J］. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（8）： 104-111.
［9］ Yue J B， Feng H K， Jin X L， et al. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera［J］. Remote Sensing， 2018， 10（7）： 1138.
［10］ 卜灵心， 来全， 刘心怡. 不同机器学习算法在草原草地生物量估算上的适应性研究［J］. 草地学报， 2022， 30（11）： 3156-3164.
BU Lingxin， LAI Quan， LIU Xinyi. Adaptation of different machine learning algorithms for grassland biomass estimation［J］. Acta Agrestia Sinica， 2022， 30（11）： 3156-3164.
［11］ 刘武超， 罗研， 马瞳宇， 等. 高分辨率遥感影像多特征灌丛提取方法研究［J］. 测绘与空间地理信息， 2022， 45（S1）： 111-113.
LIU Wuchao， LUO Yan， MA Tongyu， et al. Study on extraction method of multi-feature shrub from high-resolution remote sensing image［J］. Geomatics amp; Spatial Information Technology， 2022， 45（S1）： 111-113.
［12］ 李健， 江洪， 罗文彬， 等. 融合无人机多光谱和纹理特征的马铃薯LAI估算［J］. 华南农业大学学报， 2023， 44（1）： 93-101.
LI Jian， JIANG Hong， LUO Wenbin， et al. Potato LAI estimation by fusing UAV multi-spectral and texture features［J］. Journal of South China Agricultural University， 2023， 44（1）： 93-101.
［13］ 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.
［14］ 刘畅， 杨贵军， 李振海， 等. 融合无人机光谱信息与纹理信息的冬小麦生物量估测［J］. 中国农业科学， 2018， 51（16）： 3060-3073.
LIU Chang， YANG Guijun， LI Zhenhai， et al. Biomass estimation in winter wheat by UAV spectral information and texture information fusion［J］. Scientia Agricultura Sinica， 2018， 51（16）： 3060-3073.
［15］ 朱永基， 殷飞笺， 王晗， 等. 随机森林方法支持下Sentinel-2A MSI多种特征的冬小麦识别分析［J］. 安徽科技学院学报， 2022， 36（1）： 25-31.
ZHU Yongji， YIN Feijian， WANG Han， et al. Winter wheat identification based on multiple features of sentinel-2AMSI data and random forest method［J］. Journal of Anhui Science and Technology University， 2022， 36（1）： 25-31.
［16］ 黎松松， 王宁欣， 郑伟， 等. 一年生和多年生豆禾混播草地超产与多样性效应的比较［J］. 植物生态学报， 2021， 45（1）： 23-37.
LI Songsong， WANG Ningxin， ZHENG Wei， et al. Comparison of transgressive overyielding effect and plant diversity effects of annual and perennial legume-grass mixtures［J］. Chinese Journal of Plant Ecology， 2021， 45（1）： 23-37.
［17］ 杨婷婷. 荒漠草原生物量动态及碳储量空间分布研究——以苏尼特右旗为例［D］. 呼和浩特： 内蒙古农业大学， 2013.
YANG Tingting. Study on biomass dynamics and spatial distribution of carbon storage in desert grassland— a case study of sunite right banner［D］. Hohhot： Inner Mongolia Agricultural University， 2013.
［18］ 郭涛， 颜安， 耿洪伟. 基于无人机影像的小麦株高与LAI预测研究［J］. 麦类作物学报， 2020， 40（9）： 1129-1140.
GUO Tao， YAN An， GENG Hongwei. Prediction of wheat plant height and leaf area index based on UAV image［J］. Journal of Triticeae Crops， 2020， 40（9）： 1129-1140.
［19］ 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.
［20］ 李天驰， 冯海宽， 田坤云， 等. 基于PROSAIL模型和无人机高光谱数据的冬小麦LAI反演［J］. 麦类作物学报， 2022， 42（11）： 1408-1418.
LI Tianchi， FENG Haikuan， TIAN Kunyun， et al. Retrieval of winter wheat leaf area index by PROSAIL model and hyperspectral data［J］. Journal of Triticeae Crops， 2022， 42（11）： 1408-1418.
［21］ 甘甜， 李雷， 李红叶， 等. 基于多源遥感数据和机器学习算法的冬小麦产量预测研究［J］. 麦类作物学报， 2022， 42（11）： 1419-1428.
GAN Tian， LI Lei， LI Hongye， et al. Winter wheat yield prediction based on multi-source remote sensing data and machine learning algorithms［J］. Journal of Triticeae Crops， 2022， 42（11）： 1419-1428.
［22］ 钟滨， 廖永皓， 蔡海生. 基于光谱与纹理特征的高分二号竹林信息提取——以庐山自然保护区为例［J］. 测绘与空间地理信息， 2020， 43（12）： 8-13.
ZHONG Bin， LIAO Yonghao， CAI Haisheng. Extraction bamboo forest from GF-2 satellite based on spectral and texture features： taking Lushan nature reserve as an example［J］. Geomatics amp; Spatial Information Technology， 2020， 43（12）： 8-13.
Aboveground biomass estimation of Zhaosu mountain meadow
based on visible light images with different resolution
YUAN Yilin1， YAN An1， NING Songrui2， HOU Zhengqing1，
ZHANG Zhenfei1， XIAO Shuting1， SUN Zhe1， XIA Wenqiu1
（1." College of Resources and Environment， Xinjiang Agricultural University， Urumqi 830052， China; 2. Xian University of Technology， Xian 710048， China）
Abstract：【Objective】 Unmanned aerial vehicles （UAVs） equipped with digital cameras offer high mobility， flexibility， and resolution， making them advantageous for rapid and accurate AGB estimation. This study aims to investigate the impact of image resolution differences at various flight altitudes of UAVs on the accuracy of AGB estimation.
【Methods】" In this study， we conducted UAV flights at five different altitudes （10， 30， 50， 70， 90 m） over the Zhaosu mountain meadow in Xinjiang to explore the effects of image acquisition at different flight altitudes on AGB estimation accuracy by analyzing differences in spectral information and texture features.
【Results】" By extracting digital images collected at different flight altitudes， we analyzed their spectral information and texture features and correlated these features with measured AGB.The top 8 vegetation indices selected in this study and the top 8 texture features showed strong correlations with AGB. After integrating the three input variables variance inflation factor （VIF）， we constructed an AGB estimation model using Principal Component Analysis （PCA） and Multiple Linear Regression （MLR）. The study compared the model accuracy for estimating AGB using images of different resolutions.
【Conclusion】 The results indicate that： （1） The correlation between texture features and AGB is weaker than that of vegetation indices when image resolution ranges from 0.27 to 2.45 cm but both of them reach a significant level. As image resolution decreases， the difference in correlation between the two becomes more apparent. （2） At the same image resolution， the best AGB estimation results are achieved when spectral information is combined with texture features， followed by a model using a single texture feature， with a single spectral model performing the worst. （3） As image resolution increases， the accuracy of AGB estimation improves for models using spectral information， texture information， and spectral + texture information.
Key words：grassland; above-ground biomass; image resolution; spectral information; texture features
Fund projects：the Major Scientific R amp; D Program Project of Xinjiang Uygur Autonomous Region （2022B02003）;Demonstration of Integrated Key Technologies for High-Quality Forage Efficient Production and Processing
Correspondence author： YAN An （1983 - ）， male， from Anyue， Sichuan， Ph.D. ， professor，doctoral supervisor，research direction：digital agricultural technology， agricultural resources and environment，（ E-mail） zryanan@ 163.com
