img

官方微信

遥感技术与应用, 2022, 37(1): 272-278 doi: 10.11873/j.issn.1004-0323.2022.1.0272

草地遥感专栏

基于无人机与卫星遥感的草原地上生物量反演研究

李淑贞,, 徐大伟, 范凯凯, 陈金强, 佟旭泽, 辛晓平, 王旭,

中国农业科学院农业资源与农业区划研究所,北京 100081

Research of Grassland Aboveground Biomass Inversion based on UAV and Satellite Remoting Sensing

Li Shuzhen,, Xu Dawei, Fan Kaikai, Chen Jinqiang, Tong Xuze, Xin Xiaoping, Wang Xu,

Institute of Agricultural Resources and Regional Planning,Chinese Academy of Agricultural Sciences,Beijing 100081,China

通讯作者: 王旭(1978-),男,河南南阳人,副研究员,主要从事草地生态遥感研究。E⁃mail:wangxu01@caas.cn

收稿日期: 2021-06-15   修回日期: 2021-12-14  

基金资助: 国家重点研发计划项目.  2017YFE0104500.  2017YFC0503906
中央级公益性科研院所基本业务费专项.  1610132020028.  1610132019024

Received: 2021-06-15   Revised: 2021-12-14  

作者简介 About authors

李淑贞(1996-),女,山东寿光人,硕士研究生,主要从事农业资源与环境遥感研究E⁃mail:82101202278@caas.cn , E-mail:82101202278@caas.cn

摘要

草原生物量是评价草原生态系统功能的重要参数。为了快速、准确、有效地估算草原地上生物量,以呼伦贝尔草原为研究区,基于无人机多光谱影像和卫星遥感(Sentinel-2)影像,选择GNDVI、LCI、NDRE、NDVI、OSAVI、EVI等6个植被指数,结合实测地上生物量数据,建立植被指数回归模型,并采用留一法交叉验证进行精度评价。结果表明:基于无人机多光谱影像的LCI-生物量回归模型(RRMSE为18%,测量值与预测值R2为0.70)和NDRE-生物量模型(RRMSE为18%,测量值与预测值R2达到0.71)精度高于其他植被指数回归模型;基于无人机多光谱影像的生物量—植被指数模型(RRMSE均低于22%)模拟精度均优于基于Sentinel-2影像的生物量—植被指数模型(RRMSE均高于25%),可以更精确地反演草原地上生物量,研究结果可为草原生物量精准反演提供科学方法和依据。

关键词: 无人机 ; Sentinel⁃2 ; 地上生物量 ; 红边 ; 植被指数

Abstract

Grassland biomass is an important parameter to evaluate the grassland ecosystem function. To estimate the grassland aboveground biomass rapidly, accurately and effectively, six vegetation indices (GNDVI, LCI, NDRE, NDVI, OSAVI and EVI) were selected and calculated based on UAV multi-spectral images and satellite remote sensing (Sentinel-2) images, combined with the ground measured biomass data. The vegetation index regression model was established, and the precision was verified by the left one method. The results showed that the accuracy of LCI-biomass regression model (RRMSE = 18%, the measured and predicted R2 = 0.70) and NDRE-biomass model (RRMSE = 18%, the measured and predicted R2 = 0.71) based on UAV multi-spectral images was higher than that of other vegetation -biomass models. The biomass-vegetation index models based on UAV multi-spectral images (RRMSE lower than 22%) have better simulation accuracy than Sentinel-2 biomass-vegetation index models (RRMSE higher than 25%), which can more accurately retrieve the aboveground biomass of Hulunbuir grassland. The results can provide scientific methods and basis for accurate retrieval of grassland biomass.

Keywords: UAV ; Sentinel-2 ; Aboveground biomass ; Red edge ; Vegetation index

PDF (1514KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李淑贞, 徐大伟, 范凯凯, 陈金强, 佟旭泽, 辛晓平, 王旭. 基于无人机与卫星遥感的草原地上生物量反演研究. 遥感技术与应用[J], 2022, 37(1): 272-278 doi:10.11873/j.issn.1004-0323.2022.1.0272

Li Shuzhen, Xu Dawei, Fan Kaikai, Chen Jinqiang, Tong Xuze, Xin Xiaoping, Wang Xu. Research of Grassland Aboveground Biomass Inversion based on UAV and Satellite Remoting Sensing. Remote Sensing Technology and Application[J], 2022, 37(1): 272-278 doi:10.11873/j.issn.1004-0323.2022.1.0272

1 引 言

草原是世界上分布面积最广、最重要的陆地生态系统之一。我国草原面积约占国土面积的41.7%,是北方重要的绿色屏障,对于生态安全和畜牧业发展有着至关重要的作用1。生物量是评价草原生态系统功能的重要参数,准确估算草原植被的地上生物量,对于草原生态系统功能评估、合理利用草地资源具有重要意义2-3。遥感技术以其探测周期短、现时性强、可大面积同时观测的特点,已成为地物定性、定量探测的重要手段4。植被指数作为广泛应用于植被遥感监测的指标之一,主要利用不同波段的线性和非线性组合形成能反映绿色植被生长状况的特征指数5。然而,利用传统的卫星遥感数据估算草原地上生物量存在空间分辨率较低、易受大气影响等诸多不足,难以满足实际需求。近年来,无人机以其获取影像速度快、空间分辨率高、云下获取影像等传统遥感技术无法比拟的优势,在资源调查、环境监测、土地利用等方面有着广阔的应用前景6

目前,国内外许多学者利用卫星遥感和无人机技术对草原生物量进行反演研究。张雅等10利用Landsat-8 OLI数据获得NDVI、RVI、DVI、EVI、GNDVI和SAVI6种常用植被指数,结合地面实测数据,根据坡向分别建立紫泥泉牧场阴坡和阳坡的草原生物量遥感估算模型。Batistoti等7利用无人机可见光影像建立了牧草冠层高度和生物量反演模型,对巴西稀树草原生物量进行估算。张正健等8以若尔盖草原典型样带的无人机可见光影像和地面实测数据为基础,建立了地面实测生物量与多种植被指数的回归模型,并对整个样带的生物量进行了估算8。孙世泽等9利用无人机高分辨率多光谱影像,结合地面实测数据,通过建立植被指数-生物量模型对天山北坡天然牧场草地地上生物量进行估算。尽管针对草原生物量遥感反演已开展了诸多研究,但多数研究基于单一遥感平台数据源,缺乏基于不同遥感平台数据源的生物量反演对比和精度评价研究,大多数无人机搭载的传感器缺少红边波段,而红边波段对绿色植被响应敏感,是植被光谱中反映植被长势最重要的波段之一。本研究以呼伦贝尔草原为研究对象,选择基于红边波段的无人机多光谱影像和卫星遥感影像,结合地面调查数据,通过建立不同植被指数与生物量反演模型,探讨基于无人机和卫星遥感的草原生物量反演方法,为天然草地资源多尺度高时效调查、健康评价和可持续管理提供科学方法和技术支撑。

2 数据与方法

2.1 研究区概况

研究区位于内蒙古自治区呼伦贝尔草原(115°31′~126°04′ E,47°05′~53°20′ N),地处大兴安岭西麓,地势平坦开阔,东西延伸约250 km,南北宽幅约150 km,总面积约8.87×104 km2[11。研究区属温带大陆性季风气候,夏季温凉短促,冬季漫长寒冷。年平均气温-5~0 ℃,最冷月(1月)平均气温在-18~-30 ℃之间,最热月(7月)平均气温在16~21 ℃之间,无霜期约120 d;降水年际变化大且分布不均,年降水量250~350 mm左右,多集中在6~9月。该地区地带性草地类型为草甸草原、典型草原,草甸草原主要分布在呼伦贝尔草原东部的伊敏河流域,主要植物有贝加尔针茅(Stipa Baicalensis)、羊草(Leymus chinensis)、线叶菊(Filifolium sibiricum);典型草原主要分布在呼伦贝尔草原中部的乌尔逊河流域,主要植物有大针茅(Stipa grandis)、克氏针茅(Stipa Krylovii)、冷蒿(Artemisis frigida)等12

2.2 样地设置

沿呼伦贝尔草原东—西样带,设置南、北两条样线上22个样地(如图1),涵盖海拉尔区、陈巴尔虎旗、新巴尔虎右旗、新巴尔虎左旗和鄂温克自治旗,包含刈割、放牧利用方式。选择地势较为平坦、植被类型组成相对均一的样地,同时考虑覆盖不同草原群落类型和利用方式。每个样地间隔10~15 km,面积为200 m×200 m。

图1

图1   研究区及样点地理位置示意图

Fig.1   The location of study area and sampling points


2.3 数据获取与处理

2.3.1 无人机图像获取与处理

研究采用大疆精灵Phantom 4搭载的多光谱传感器,包含红光、蓝光、绿光、近红外、红边5个波段。选择晴空天气飞行,根据样地选择规划飞行航线,设置飞行面积200 m×200 m,飞行高度100 m。利用大疆智图软件完成图像辐射定标、正射校正以及图像镶嵌,由镶嵌结果中各波段反射率计算得到绿色归一化植被指数(GNDVI)、叶片叶绿素指数(LCI)、归一化差异红边(NDRE)、归一化植被指数(NDVI)、优化土壤调整植被指数(OSAVI)、增强型植被指数(EVI)6个常用植被指数,计算公式见表1

表1   植被指数与计算方法

Table 1  Vegetation indices and formulas

植被指数计算公式
绿色归一化植被指数GNDVIρnir-ρgreenρnir+ρgreen
叶片叶绿素指数LCIρnir-ρrededgeρnir+ρred
归一化差异红边NDREρnir-ρrededgeρnir+ρrededge
归一化植被指数NDVIρnir-ρredρnir+ρred
优化土壤调整植被指数OSAVIρnir-ρredρnir+ρred+0.16
增强型植被指数EVI2.5×ρnir-ρredρnir+6×ρred-7.5×ρblue+1

新窗口打开| 下载CSV


2.3.2 样地调查与地上生物量测量

每个样地内随机选择3个样方(1 m×1 m),利用手持GPS终端记录其位置信息。调查指标包括草原类型、物种、高度、多度、覆盖度和生物量等。采用收割法获取样地样方内的地上植物活体部分,称取鲜重,在恒温(65 ℃)下烘干24 h至恒重,称取干重13

2.3.3 Sentinel-2 影像获取与处理

研究选用5景同期Sentinel-2AMSI多光谱遥感影像(https:∥scihub.copernicus.eu/),Sentinel-2是高分辨率多光谱成像卫星,其搭载的多光谱成像仪(MSI),可提供植被、土壤和水覆盖、内陆水路及海岸区域等影像14。Sentinel-2卫星高度为786 km,覆盖13个光谱波段,幅宽达290 km。研究选用的L2A级数据主要包含经过大气校正的大气底层反射率数据,计算得到绿色归一化植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、EVI 6个植被指数,获得每个样地所在像元的植被指数(表1),其中ρnirρredρgreenρblueρrededge分别表示近红外、红、绿、蓝、红边波段的反射率。

2.4 模型构建及精度评价

光谱指数法是遥感反演地表参数的基本方法之一15,研究基于实测草原植物鲜重和干重,分别与无人机、卫星遥感获取的植被指数进行回归分析。针对无人机影像,在无人机图像生成的各光谱指数图像中提取样方植被指数值,分别与22个采样点共66个样方实测值建立线性回归模型。针对卫星影像,提取Sentinel-2A植被指数图像中样点所在像元值作为该样点植被指数,基于22个采样点实测值分别与Sentinel-2A计算的植被指数建立线性回归模型。决定系数R2是指回归直线与样本观测值拟合优度的相对指标,反映了因变量的变异中能用自变量解释的比例,0<R2<1,其值越接近于1表明样本拟合程度越好16

采用留一法交叉验证测试每个预测模型模拟精度。通过相对均方根误差(RRMSE)和相对误差(RE)对其进行精度评价,RRMSE用来判断回归模型质量,衡量模型预测值与平均值之间偏差的均值,取值范围0~100%,其值越小,模型预测精度越高。相对误差取值在0~100%之间,其值越小,误差越小,模型精度越高,RRMSE和RE的计算公式如下:

RRMSE%=1yi¯i=1n(yi-yi0)2n×100%
RE(%)=yi0-yiyi0× 100% 

其中:yi为模型预测值;yi0为地上生物量实测值;n为验证样本数量;y¯=i=0nyin

3 结果与分析

3.1 基于无人机多光谱影像的草原地上生物量反演

表2是基于无人机多光谱影像植被指数的草原地上生物量回归模型,6个植被指数与鲜重和干重均呈显著正相关线性回归关系,其中LCI和NDRE与生物量回归关系达到极显著水平,R2均达到0.7以上,模型拟合效果最优,而其他植被指数回归模型的R2介于0.5~0.7之间。对同一植被指数来说,植被指数与植物鲜重估算模型的R2大于干重,即鲜重拟合效果更好,且方差显著性检验F值最大,优于植被指数与植物干重回归模型。

表2   基于无人机植被指数的草原地上生物量回归模型

Table 2  Regression model of grassland aboveground biomass based on UAV vegetation index

植被指数生物量估算模型R2FP
GNDVI鲜重y =840.19x - 104.500.6199.28***
干重y =326.90x - 48.540.5682.87***
LCI鲜重y = 1 453.52x + 68.410.72165.50***
干重y = 566.46x + 18.590.67130.80***
NDRE鲜重y = 2 977.87x - 5.120.73168.60***
干重y = 1 143.90x - 8.370.66121.80***
NDVI鲜重y = 542.77x - 17.150.6199.87***
干重y = 212.41x - 15.260.5785.60***
OSAVI鲜重y = 992.10x + 45.950.6199.23***
干重y = 394.52x + 7.840.5991.83***
EVI鲜重y = 110.32x + 52.820.64113.30***
干重y = 43.64x + 11.080.61101.40***

注:***p.001

新窗口打开| 下载CSV


图2是基于留一法交叉验证下不同无人机植被指数的RRMSE柱状图,可以看出,不同植被指数之间,LCI鲜重模型RRMSE为18%,测量值与预测值R2为0.70,NDRE鲜重模型RRMSE同样为18%,测量值与预测值的R2达0.71(表3),即这两个植被指数模型对生物量的估算精度最高。对同一植被指数,估算模型中植物鲜重的RRMSE明显低于干重,即每个植被指数对植物鲜重的估算能力高于干重。

图2

图2   无人机与卫星植被指数模型精度对比

Fig.2   Comparison of accuracy between UAV and satellite vegetation index model


表3   基于无人机估算模型的精度评价

Table 3  Prediction accuracy based on UAV estimation models

GNDVILCINDRENDVIOSAVIEVI
鲜重0.580.700.710.590.580.62
干重0.540.650.640.550.570.59

新窗口打开| 下载CSV


3.2 基于卫星遥感影像的草原地上生物量反演

由基于Sentinel-2A植被指数—生物量估算模型(表4)可知,Sentinel-2A影像计算的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI和EVI与鲜重和干重均成正相关关系,其中LCI和NDRE与生物量达到显著水平。基于不同植被指数估算模型中,LCI和NDRE模型拟合效果好,R2达到0.35以上,明显高于其他植被指数;并且同一植被指数模型中,对鲜重的估算模型方差显著性检验的F值也最大,即同一植被指数对植物鲜重变化更敏感。

表4   基于Sentinel-2植被指数草原地上生物量回归模型

Table 4  Regression model of grassland aboveground biomass based on Sentinel-2 vegetation index

植被指数生物量估算模型R2FP
GNDVI鲜重y =664.1x-81.900.277.30*
干重y =273.44x-48.670.256.72*
LCI鲜重y =1 572.61x+73.030.3611.27**
干重y =580.98x+24.270.277.52*
NDRE鲜重y =2 536.58x+52.590.3510.97**
干重y =887.37x+21.370.246.34*
NDVI鲜重y =376.02x+69.720.267.14*
干重y =161.93x+9.560.277.43*
OSAVI鲜重y =653.46x+23.790.277.48*
干重y =258.93x-1.040.246.22*
EVI鲜重y =620.67x+48.880.318.88**
干重y =252.15x+6.490.287.85*

注:*p<.05,**p<.005

新窗口打开| 下载CSV


同样利用交叉检验对遥感估算模型进行精度评价,得到如图2所示柱状图,Sentinel-2A植被指数对植物干重估算模型的RRMSE介于0.30~0.32之间;对鲜重的估算中,LCI和NDRE模型的RRMSE最低,说明基于卫星遥感的LCI和NDRE模型对地上生物量的估算精度更高。同一植被指数对鲜重的估算模型RRMSE均低于30%,即基于卫星遥感影像的植被指数模型更适合估算植物鲜重估算。

表5   基于Sentinel-2估算模型的精度评价

Table 5  Prediction accuracy based on Sentinel-2estimation models

GNDVILCINDRENDVIOSAVIEVI
鲜重0.120.250.220.120.120.13
干重0.110.130.120.120.100.11

新窗口打开| 下载CSV


3.3 基于无人机与Sentinel-2的草原地上生物量反演对比分析

图2可以看出,基于无人机多光谱影像的植被指数—生物量模型精度均高于Sentinel-2影像植被指数模型,其鲜重、干重模型的RRMSE均低于基于Sentinel-2的鲜重、干重模型,且无人机植被指数模型相对误差较Sentinel-2模型小,因此基于无人机影像的植被指数与草原地上生物量有更好的对应关系,且拟合效果更优。

4 讨 论

研究利用GNDVI、LCI、NDRE、NDVI、OSAVI、EVI 6个植被指数,通过建立回归模型估算草原地上生物量,研究结果显示LCI和NDRE的反演效果最好,说明基于红边波段构建的植被指数较其他植被指数的精度更高,红边和近红外区域是分析和估算生物量重要的选择之一18。红边是绿色植物光谱曲线在(680~780 nm)之间快速变化的部分,Boochs就提出“红边”可以通过向长波方向位移的方式来表示植物叶绿素浓度增加的观点,这一现象是由于叶绿素浓度增加植物的光合作用增强,需要消耗更多的光子19-20;Filella等发现红边区间可以作为植物生长状况的指示区21。在本研究中,基于植被指数的草原植被地上鲜重估算模型精度更高,植物群落地上生物量鲜重部分与植物含水量有密切关系22-23,根据我们的观测结果,呼伦贝尔草甸草原地上植物平均含水量(64.41%)明显高于典型草原(42.89%)。由于草原植被群落的复杂性以及人类活动的干扰,草原植被群落含水量不均一,可能是影响基于植被指数的草原地上鲜重、干重差异性的原因24

此外研究还发现,基于无人机多光谱影像的植被指数回归模型精度明显优于Sentinel-2影像植被指数回归模型。Sentinel-2的空间分辨率为10 m、20 m和60 m,受到混合像元的影响,对模型精度产生较大影响25。与卫星遥感相比,无人机多光谱影像地面分辨率达到厘米级,在小空间尺度上反演地上生物量明显优势,在前人研究中,无人机最优估算模型精度达到80%以上,然而其研究区尺度小,仅在研究区域具代表性,如高燕等26以无人机可见光影像多种可见光植被指数和可见光波段,成功估算了升金湖草滩植被地上生物量。由于卫星遥感具有覆盖面积广、获取信息量多、可用于动态监测等众多优点,但对于光学传感器而言,天气状况对数据获取影响大,且由于地物类型的复杂性和不确定性而普遍存在“同物异谱”和“异物同谱”现象27。无人机较高的空间分辨率以及云下成像等特点恰好弥补光学卫星遥感的不足,此外,由于无人机时效性强、效率高等优势,在草原地上生物量估算中极大减少外业样本采集工作,同时可以大大提高生物量的反演精度和效率。本研究覆盖呼伦贝尔草原主要群落类型及利用方式,且由于无人机续航时间、成像清晰度等因素给精度带来一定误差,最优估算模型精度稍低。

5 结 论

基于红边和近红外波段的植被指数LCI和NDRE对草原地上生物量响应更敏感,利用LCI和NDRE构建的生物量回归模型精度最高;基于无人机多光谱影像的植被指数—生物量模型模拟精度均优于卫星遥感影像,无人机以其高空间分辨率以及云下获取影像的优势,在小尺度上比卫星遥感更精确地反演草原地上生物量,研究结果可为草原生物量精准反演提供科学方法和依据。

参考文献

Fang JingyunHe JinshengXiao Yuet al.

Spatial cistribution of grassland biomass in China

[J]. Chinese Journal of Plant Ecology, 2004284):491-498.

[本文引用: 1]

贺金生方精云朴世龙.

中国草地植被生物量及其空间分布格局

[J].植物生态学报, 2004284):491-498.

[本文引用: 1]

Zhao FXu BYang X Cet al.

Remote sensing estimates of grassland aboveground biomass based on MODIS Net Primary Productivity (NPP): A case study in the Xilingol grassland of Northern China

[J]. Remote Sensing,201465368-5386. DOI:10.3390/rs6065368 .

[本文引用: 1]

Jin YunxiangXu BinYang Xiuchunet al.

Remote sensing dynamic estimation of grass production in Xilinguole, Inner Mongolia

[J]. Scientia Sinica(Vitae), 20114112):1185-1195.

[本文引用: 1]

金云翔徐斌杨秀春.

内蒙古锡林郭勒盟草原产草量动态遥感估算

[J].中国科学:生命科学,20114112):1185-1195.

[本文引用: 1]

Li SuyingLi XiaobingYing Geet al.

Vegetation indexes-biomass models for typical semi-arid steppe—A case study for Xilinhot in Northern China

[J]. Chinese Journal of Plant Ecology,2007311):23-31.

[本文引用: 1]

李素英李晓兵莺歌.

基于植被指数的典型草原区生物量模型——以内蒙古锡林浩特市为例

[J].植物生态学报,2007311):23-31.

[本文引用: 1]

Yan RuiruiTang HuangDing Leiet al.

Natural mowing grassland resource distribution and biomass estimation based on remote sensing in Hulunber

[J].Transactions of the Chinese Society of Agricultural Engineering, 20173315):210-218.

[本文引用: 1]

闫瑞瑞唐欢丁蕾.

呼伦贝尔天然打草场分布及生物量遥感估算

[J].农业工程学报,20173315):210-218.

[本文引用: 1]

Wang XiaoqinWang MiaomiaoWang Shaoqianget al.

Extraction of vegetation information from visible unmanned aerial vehicle images

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015315):152-159.

[本文引用: 1]

汪小钦王苗苗王绍强.

基于可见光波段无人机遥感的植被信息提取

[J].农业工程学报,2015315):152-159.

[本文引用: 1]

Batistoti JJunior J MLÍtavoet al.

Estimating pasture biomass and canopy height in Brazilian Savanna using UAV photogrammetry

[J]. Remote Sensing, 20191120):2447-2459.

[本文引用: 1]

Zhang ZhengjianLi AinongBian Jinhuet al.

Estimating aboveground biomass of grassland in Zoige by visible vegetation index derived from unmanned aerial vehicle image

[J]. Remote Sensing Technology and Application, 2016311):51-62.

[本文引用: 2]

张正健李爱农边金虎.

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,2016311):51-62.

[本文引用: 2]

Sun ShizeWang ChuanjianYin Xiaojunet al.

Estimating aboveground biomass of natural grassland based on multispectral images of unmanned aerial vehicles

[J]. Journal of Remote sensing,2018225):848-856.

[本文引用: 1]

孙世泽汪传建尹小君.

无人机多光谱影像的天然草地生物量估算

[J].遥感学报,2018225):848-856.

[本文引用: 1]

Zhang YaYin XiaojunWang Weiqianget al.

Estimation of grassland aboveground biomass using Landsat-8 OLI satellite image in the Northern Hillside of Tianshan Mountain

[J].Remote Sensing Technology and Application,2017326):1012-1021.

[本文引用: 1]

张雅尹小君王伟强.

基于Landsat-8 OLI遥感影像的天山北坡草地地上生物量估算

[J]. 遥感技术与应用, 2017326):1012-1021.

[本文引用: 1]

Wang XuYan YuchunYan Ruiruiet al.

Effect of rainfall on the seasonal variation of soil respiration in Hulunber Meadow Steppe

[J]. Acta Ecologica Sinica,20133318):5631-5635.

[本文引用: 1]

王旭闫玉春闫瑞瑞.

降雨对草地土壤呼吸季节变异性的影响

[J].生态学报,20133318):5631-5635.

[本文引用: 1]

Wang XuYan RuiruiDeng Yuet al.

Effect of grazing on the temperature sensitivity of soil respiration in Hulunber Meadow Steppe

[J]. Environment Science,2014355):1909-1914.

[本文引用: 1]

王旭闫瑞瑞邓钰.

放牧对呼伦贝尔草甸草原土壤呼吸温度敏感性的影响

[J].环境科学,2014355):1909-1914.

[本文引用: 1]

Gao YanLiang ZeyuWang Biaoet al.

UAV and satellite remote sensing images based aboveground biomass inversion in the meadows of Lake Shengjin

[J]. Journal of Lake Sciences, 2019312):517-528.

[本文引用: 1]

高燕梁泽毓王彪.

基于无人机和卫星遥感影像的升金湖草滩植被地上生物量反演

[J].湖泊科学,2019312):517-528.

[本文引用: 1]

Wang HanghangWang JieCui Yuhuanet al.

Remote sensing monitoring on spatial differentiation of suspended sediment concentration in a river-lake system based on Sentinel-2 MSI imaging: A case for Shengjin Lake and connected Yangtze River section in Anhui Province

[J]. Environment Science, 2020413):1207-1216.

[本文引用: 1]

王行行王杰崔玉环.

基于Sentinel-2 MSI影像的河湖系统水体悬浮物空间分异遥感监测:以安徽省升金湖与连接长江段为例

[J].环境科学,2020413):1207-1216.

[本文引用: 1]

Zhang YannanNiu JianmingZhang Qinget al.

A discussion on applications of vegetation index for estimating aboveground biomass of typical steppe

[J]. Acta Prataculturae Sinica, 2012211):229-238.

[本文引用: 1]

张艳楠牛建明张庆.

植被指数在典型草原生物量遥感估测应用中的问题探讨

[J].草业学报,2012211):229-238.

[本文引用: 1]

Xie LanGao Donghong.

The application and comparison of different nonlinear fit methods

[J].Journal of Mathematics in Practice and Theory, 20093910):117-121.

[本文引用: 1]

谢兰高东红.

非线性回归方法的应用与比较

[J]. 数学的实践与认识, 20093910): 117-121.

[本文引用: 1]

Yi Qiuxiang.

Remote estimation of cotton LAI using Sentinel-2 multispectral data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 20193516):189-197.

易秋香.

基于Sentinel-2多光谱数据的棉花叶面积指数估算

[J].农业工程学报,20193516):189-197.

Filho GueriniKuplichQuadros.

Estimating natural grassland biomass by vegetation indices using Sentinel-2 remote sensing data

[J]. International Journal of Remote Sensing,2020418):2861-2876. DOI:10.1080/01431161.2019. 1697004 .

[本文引用: 1]

Guo YunkaiLiu YulingXu Minet al.

Modeling and analysis of red edge index estimated by leaf Area Index in road vegetation

[J]. Science of Surveying and Mapping, 2021461):93-98.

[本文引用: 1]

郭云开刘雨玲许敏.

植被叶面积指数估算的红边指数建模分析

[J].测绘科学,2021461):93-98.

[本文引用: 1]

Boochs FKupfer GDockter Ket al.

Shape of the red edge as vitality indicator for plants

[J]. International Journal of Remote Sensing,19901110):1741-1753. DOI: 10.1080/01431169008955127 .

[本文引用: 1]

Penuelas F J.

The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status

[J]. International Journal of Remote Sensing,1994157):1459-1470. DOI: 10.1080/01431169408954177 .

[本文引用: 1]

Zhao Yingshi. The principle and method of analysis of remote sensing application[M]. BeijingScience Press2003.

[本文引用: 1]

赵英时.遥感应用分析原理与方法[M].北京科学出版社2003.

[本文引用: 1]

Dong Jianjun.

Yield estimation of typical grassland based on multi-source satellite data: A case study of Xilin River Basin

[D].HohhotlInner Mongolia University2013.[董建军,基于多源卫星数据的典型草原遥感估产研究——以锡林河流域为例[D].呼和浩特: 内蒙古大学,2013.]

[本文引用: 1]

Liu HongGuo WenliQuan Weijun.

Climatic division of the types and yields of grassland in Inner Mongolia

[J]. Journal of Applied Meteorological Science,2011223):329-335.

[本文引用: 1]

刘洪郭文利权维俊.

内蒙古草地类型与生物量气候区划

[J]. 应用气象学报, 2011223):329-335.

[本文引用: 1]

Lai QiangLi QingfengAoqier Morigenet al.

A study on factors affecting moisture content measurement and ratio of forage fresh weight to dry weight

[J]. Chinese Journal of Grassland,2008304):73-77.

[本文引用: 1]

来强李青丰莫日根敖其尔.

影响牧草含水量测定以及牧草干鲜比的主要因素

[J]. 中国草地学报, 2008304):73-77.

[本文引用: 1]

Gao YanLiang ZeyuWang Biaoet al.

UAV and satellite remote sensing images based aboveground biomass inversion in the meadows of Lake Shengjin

[J]. Journal of Lake Science,2019312):215-226.

[本文引用: 1]

高燕梁泽毓王彪.

基于无人机和卫星遥感影像的升金湖草滩植被地上生物量反演

[J]. 湖泊科学, 2019312):215-226.

[本文引用: 1]

Zeng NaRen XiaoliHe Honglinet al.

Estimation of grassland aboveground biomass in Three-river Headwaters region based on neural network

[J]. Research of Environmental Sciences, 2017301):59-66.

[本文引用: 1]

曾纳任小丽何洪林.

基于神经网络的三江源区草地地上生物量估算

[J]. 环境科学研究,2017301):59-66.

[本文引用: 1]

/