基于Landsat 8和随机森林的青海门源天然草地地上生物量遥感估算

doi:10.11686/cyxb2021454

草业学报 ›› 2022, Vol. 31 ›› Issue (7): 1-14.DOI: 10.11686/cyxb2021454

• 研究论文 •

基于Landsat 8和随机森林的青海门源天然草地地上生物量遥感估算

赵翊含¹(), 侯蒙京¹, 冯琦胜¹, 高宏元¹, 梁天刚¹(), 贺金生¹^,², 钱大文³

^1.兰州大学草地农业科技学院，草地农业生态系统国家重点实验室，兰州大学农业农村部牧草创新重点实验室，兰州大学草地农业教育工程研究中心，甘肃兰州 730020
^2.北京大学城市与环境学院，北京 100871
^3.中国科学院西北高原生物研究所，青海西宁 810008

收稿日期:2021-12-09 修回日期:2022-01-13 出版日期:2022-07-20 发布日期:2022-06-01
通讯作者: 梁天刚
作者简介:E-mail： tgliang@lzu.edu.cn
赵翊含（1998-），女，满，内蒙古包头人，在读硕士。E-mail： zhaoyh2020@lzu.edu.cn
基金资助:
国家重点研发计划(2019YFC0507701);国家自然科学基金(31672484);中国工程院咨询研究项目(2021-HZ-5);财政部和农业农村部：国家现代农业产业技术体系和兰州大学中央高校基本科研业务费专项资金(lzujbky-2021-kb13)

Estimation of aboveground biomass in Menyuan grassland based on Landsat 8 and random forest approach

Yi-han ZHAO¹(), Meng-jing HOU¹, Qi-sheng FENG¹, Hong-yuan GAO¹, Tian-gang LIANG¹(), Jin-sheng HE¹^,², Da-wen QIAN³

^1.College of Pastoral Agriculture Science and Technology，Lanzhou University，State Key Laboratory of Grassland Agro-ecosystem，Key Laboratory of Grassland Livestock Industry Innovation，Ministry of Agriculture and Rural Affairs，Engineering Research Center of Grassland Industry，Ministry of Education，Lanzhou 730020，China
^2.College of Urban and Environmental Science，Peking University，Beijing 100871，China
^3.Northwest Institute of Plateau Biology，Chinese Academy of Science，Xining 810008，China

Received:2021-12-09 Revised:2022-01-13 Online:2022-07-20 Published:2022-06-01
Contact: Tian-gang LIANG

摘要/Abstract

摘要：

草地地上生物量（above-ground biomass， AGB）的遥感监测可快速且客观地对草地生长现状进行评估，对生态环境评价和草地资源利用有重要意义。为了提高遥感估算草地AGB的准确性，基于青海省门源县的地面实测数据，利用Landsat-8 OLI遥感数据计算出的植被指数分别构建了单因素回归模型和随机森林模型（random forest， RF），确定了AGB遥感估测最佳模型，并反演得到了研究区2019-2021年草地AGB空间分布。结果表明：1）在29个植被指数构建的单因素回归模型中，与草地AGB相关性较高的5个植被指数为NDVI、RBNDVI、TVI、GNDVI、MSR，R²均达0.49以上。其中，NDVI模型的精度最高，验证集R²为0.50，均方根误差（root mean square error， RMSE）为702.89 kg·hm^-2。2）在RF模型中，变量筛选前R²=0.61，RMSE=621.14 kg·hm^-2；经过变量筛选后模型精度有小幅度提升，R²达0.62，RMSE基本不变；二者精度均优于单因素模型，相比传统单因素最优回归模型，R²提高0.12，RMSE降低了80.95 kg·hm^-2。3）门源县AGB空间分布特征为西北部较高，东南部相对较低；大体呈中部高，四周低的分布状况。2019-2021年全县天然草地总产草量介于4.2827万~8.9776 万t，平均单产介于1063.49~1484.82 kg·hm^-2；草地类型以高寒草甸为主，2019-2021年产草量为4.0825万~5.6653 万t，平均地上AGB介于1060.38~1471.94 kg·hm^-2；山地草甸平均AGB为1036.81~1637.43 kg·hm^-2；温性草原平均AGB介于1198.72~1786.63 kg·hm^-2。

关键词: Landsat-8 OLI, 草地地上生物量, 植被指数, 随机森林, 门源县

Abstract:

Remote sensing monitoring of above-ground biomass （AGB） can quickly and objectively evaluate the growth status of grassland， which is important for ecological environment evaluation and grassland resource utilization. To improve the accuracy of remote sensing estimation of grassland AGB， a single factor regression model and a random forest （RF） model were constructed based on the vegetation index calculated from Landsat-8 OLI images from Menyuan County， Qinghai Province， to determine the best AGB remote sensing estimation model. The spatial distribution in the study area from 2019 to 2021 was inverted. The results were as follows： 1） Among 29 single factor regression models of vegetation indices evaluated， the correlation was high between AGB and five vegetation indices （normalized difference vegetation index， NDVI； red-blue NDVI， RBNDVI； green normalized difference vegetation index， GNVDI； modified simple ratio， MSR； transformed vegetation index， TVI）， with R² values above 0.49. NDVI had the highest accuracy with an R² of 0.50 and a root mean square error （RMSE） of 702.89 kg·ha^-1. 2） In the RF model， the R² of the model built before variable screening was 0.61， and the RMSE was 621.14 kg·ha^-1. After the variable screening， the model accuracy was improved slightly； the R²was 0.62 and the RMSE is unchanged. The accuracy of the two models was better than that of the single-factor optimal regression model. Compared with the single-factor optimal regression model， the R² was increased by 0.12 and the RMSE was decreased by 80.95 kg·ha^-1. 3） The spatial distribution of AGB was higher in the northwest and lower in the southeast in Menyuan County. The biomass distribution was high in the central part of the county and lower towards the county boundaries. From 2019 to 2021， the total annual natural grassland yield in the county ranged from 4.2827×10⁴ to 8.9776×10⁴ t， and the average AGB ranged from 1063.49 to 1484.82 kg·ha^-1. Alpine meadow is the main category of grassland， with yield ranging from 4.0825×10⁴ to 5.6653×10⁴ t^{from 2019 to 2021. The average AGB ranged from 1060.38 to 1471.94 kg·ha^-1. The average AGB of montane meadows ranged from 1036.81 to 1637.43 kg·ha^-1. The average AGB of temperate steppe ranged from 1198.72 to 1786.63 kg·ha^-1.}

Key words: Landsat8-OLI, grassland aboveground biomass, vegetation index, random forest, Menyuan County

赵翊含, 侯蒙京, 冯琦胜, 高宏元, 梁天刚, 贺金生, 钱大文. 基于Landsat 8和随机森林的青海门源天然草地地上生物量遥感估算[J]. 草业学报, 2022, 31(7): 1-14.

Yi-han ZHAO, Meng-jing HOU, Qi-sheng FENG, Hong-yuan GAO, Tian-gang LIANG, Jin-sheng HE, Da-wen QIAN. Estimation of aboveground biomass in Menyuan grassland based on Landsat 8 and random forest approach[J]. Acta Prataculturae Sinica, 2022, 31(7): 1-14.

图/表 10

图1 研究区海拔及采样点空间分布

Fig.1 Spatial distribution of altitude and sampling points in the study area

表1 所用Landsat-8 OLI影像信息

Table 1 Landsat-8 OLI image information used

成像日期 Data （Year-month-day）	行列号 Path/row	云量 Cloud cover （%）
2019-05-28	132/034	12.49
2019-06-13	132/034	1.71
2019-07-31	132/034	25.28
2019-09-01	132/034	9.45
2020-07-01	132/034	17.82
2021-08-05	132/034	21.34
2021-07-20	132/034	5.44

表2 植被指数计算公式

Table 2 Calculation formula of vegetation indexes

植被指数Vegetation index	计算公式Calculation formula
归一化植被指数Normalized difference vegetation index （NDVI）	（NIR-Red）/（NIR+Red）
增强植被指数Enhanced vegetation index （EVI）	2.5×［NIR-Red/（NIR+6Red-7.5Blue+1）］
比值植被指数Ratio vegetation index （RVI）	NIR/Red
绿波段归一化差植被指数Green normalized difference vegetation index （GNDVI）	（NIR-Green）/（NIR+Green）
差值植被指数Difference vegetation index （DVI）	NIR-Red
再归一化植被指数Re-normalized difference vegetation index （RDVI）	（NIR-Red）/ $(N I R + R e d)$
土壤调节植被指数Soil-adjusted vegetation index （SAVI）	1.5×（NIR-Red）/（NIR+Red+0.5）
修正土壤调节植被指数Modified soil-adjusted vegetation index （MSAVI）	0.5×［2×NIR+1- $(2 × N I R + 1) 2 - 8 × (N I R - R e d)$ ］
优化型土壤调节植被指数Optimization soil-adjusted vegetation index （OSAVI）	（NIR-Red）/（NIR+Red+0.16）
绿波段土壤调整植被指数Green soil-adjusted vegetation index （GSAVI）	1.5×（NIR-Green）/（NIR+Green+0.5）
绿波段优化土壤调整植被指数Green optimization soil-adjusted vegetation index （GOSAVI）	1.16×（NIR-Green）/（NIR+Green+0.16）
转换型土壤调节植被指数Transformed soil-adjusted vegetation index （TSAVI）	0.791×（NIR-0.791×Red-0.043）/（0.791×NIR+Red-0.791×0.043）
垂直植被指数Perpendicular vegetation index （PVI）	（NIR-0.791×Red-0.043） / $0.7912 + 1$
转换型植被指数Transformed vegetation index （TVI）	$N D V I + 0.5$
三角植被指数Triangular vegetation index （TVI2）	60×（NIR-Green）-100×（Red-Green）
改进的简单比植被指数Modified simple ratio （MSR）	（NIR/Red-1）/（ $N I R / R e d$ +1）
红绿蓝植被指数Red-green-blue vegetation index （RGBVI）	（ $G r e e n 2 - R e d × B l u e) / (G r e e n 2 + R e d × B l u e)$
可见光波段差值植被指数Visible-band difference vegetation index （VDVI）	$(2 G r e e n - R e d - B l u e) / (2 G r e e n + R e d + B l u e)$
绿波段比值植被指数Green ratio vegetation index （GRVI）	NIR/Green
草地叶绿素含量估测植被指数Grassland chlorophyll index （GCI）	NIR/Green-1
红蓝色归一化植被指数Red-blue normalized difference vegetation index （RBNDVI）	［NIR-（Red+Blue）］/［NIR+（Red+Blue）］
蓝波段归一化差值植被指数Blue normalized difference vegetation index （BNDVI）	（NIR-Blue）/（NIR+Blue）
非线性植被指数Non-linear vegetation index （NLI）	（ $N I R 2 - R e d) / (N I R 2 + R e d)$
改良非线性植被指数Modified non-linear vegetation index （MNLI）	（ $N I R 2 - R e d) × 1.5 / (N I R 2 + R e d + 0.5)$
绿色大动态范围植被指数Green wide dynamic range vegetation index （GWDRVI）	（0.12×NIR-Green）/（0.12×NIR+Green）
综合效应植被指数Multi-vegetation index （MVI）	NIR-（Red+SWIR1）/NIR+（Red+SWIR1）
全色归一化植被指数Pan normalized difference vegetation index （panNDVI）	［NIR-（Green+Red+Blue）］/［NIR+（Green+Red+Blue）］
绿红色归一化植被指数Green-red normalized difference vegetation index （GRNDVI）	［NIR-（Green+Red）］/［NIR+（Green+Red）］
绿蓝色归一化植被指数Green-blue normalized difference vegetation index （GBNDVI）	［NIR-（Green+Blue）］/［NIR+（Green+Blue）］

表2 植被指数计算公式

Table 2 Calculation formula of vegetation indexes

植被指数Vegetation index	计算公式Calculation formula
归一化植被指数Normalized difference vegetation index （NDVI）	（NIR-Red）/（NIR+Red）
增强植被指数Enhanced vegetation index （EVI）	2.5×［NIR-Red/（NIR+6Red-7.5Blue+1）］
比值植被指数Ratio vegetation index （RVI）	NIR/Red
绿波段归一化差植被指数Green normalized difference vegetation index （GNDVI）	（NIR-Green）/（NIR+Green）
差值植被指数Difference vegetation index （DVI）	NIR-Red
再归一化植被指数Re-normalized difference vegetation index （RDVI）	（NIR-Red）/ $(N I R + R e d)$
土壤调节植被指数Soil-adjusted vegetation index （SAVI）	1.5×（NIR-Red）/（NIR+Red+0.5）
修正土壤调节植被指数Modified soil-adjusted vegetation index （MSAVI）	0.5×［2×NIR+1- $(2 × N I R + 1) 2 - 8 × (N I R - R e d)$ ］
优化型土壤调节植被指数Optimization soil-adjusted vegetation index （OSAVI）	（NIR-Red）/（NIR+Red+0.16）
绿波段土壤调整植被指数Green soil-adjusted vegetation index （GSAVI）	1.5×（NIR-Green）/（NIR+Green+0.5）
绿波段优化土壤调整植被指数Green optimization soil-adjusted vegetation index （GOSAVI）	1.16×（NIR-Green）/（NIR+Green+0.16）
转换型土壤调节植被指数Transformed soil-adjusted vegetation index （TSAVI）	0.791×（NIR-0.791×Red-0.043）/（0.791×NIR+Red-0.791×0.043）
垂直植被指数Perpendicular vegetation index （PVI）	（NIR-0.791×Red-0.043） / $0.7912 + 1$
转换型植被指数Transformed vegetation index （TVI）	$N D V I + 0.5$
三角植被指数Triangular vegetation index （TVI2）	60×（NIR-Green）-100×（Red-Green）
改进的简单比植被指数Modified simple ratio （MSR）	（NIR/Red-1）/（ $N I R / R e d$ +1）
红绿蓝植被指数Red-green-blue vegetation index （RGBVI）	（ $G r e e n 2 - R e d × B l u e) / (G r e e n 2 + R e d × B l u e)$
可见光波段差值植被指数Visible-band difference vegetation index （VDVI）	$(2 G r e e n - R e d - B l u e) / (2 G r e e n + R e d + B l u e)$
绿波段比值植被指数Green ratio vegetation index （GRVI）	NIR/Green
草地叶绿素含量估测植被指数Grassland chlorophyll index （GCI）	NIR/Green-1
红蓝色归一化植被指数Red-blue normalized difference vegetation index （RBNDVI）	［NIR-（Red+Blue）］/［NIR+（Red+Blue）］
蓝波段归一化差值植被指数Blue normalized difference vegetation index （BNDVI）	（NIR-Blue）/（NIR+Blue）
非线性植被指数Non-linear vegetation index （NLI）	（ $N I R 2 - R e d) / (N I R 2 + R e d)$
改良非线性植被指数Modified non-linear vegetation index （MNLI）	（ $N I R 2 - R e d) × 1.5 / (N I R 2 + R e d + 0.5)$
绿色大动态范围植被指数Green wide dynamic range vegetation index （GWDRVI）	（0.12×NIR-Green）/（0.12×NIR+Green）
综合效应植被指数Multi-vegetation index （MVI）	NIR-（Red+SWIR1）/NIR+（Red+SWIR1）
全色归一化植被指数Pan normalized difference vegetation index （panNDVI）	［NIR-（Green+Red+Blue）］/［NIR+（Green+Red+Blue）］
绿红色归一化植被指数Green-red normalized difference vegetation index （GRNDVI）	［NIR-（Green+Red）］/［NIR+（Green+Red）］
绿蓝色归一化植被指数Green-blue normalized difference vegetation index （GBNDVI）	［NIR-（Green+Blue）］/［NIR+（Green+Blue）］

表3 观测样本生物量汇总

Table 3 Biomass statistics of observed samples

项目

Item

样本数

Number of

samples

最大值

Maximum

（kg·hm^-2）

最小值

Minimum

（kg·hm^-2）

平均值

Average

（kg·hm^-2）

标准差

Standard

deviation

变异系数

Coefficient of

variation

图2 单因素植被指数回归模型预测值与实测值关系

Fig.2 Relationship between predicted value and measured value of single-factor vegetation indexes regression model （n=199）

图3 随机森林模型预测值与实测值关系a、b分别为变量筛选前、后RF模型。A and B are RF models before and after variable screening respectively.

Fig.3 Relationship between predicted value and measured value of RF model

图4 LASSO筛选结果

Fig.4 LASSO results

图5 筛选出的植被指数的重要性

Fig.5 The importance of screened vegetation indexes

图6 门源县2019（a）、2020（b）和2021（c）年天然AGB空间分布

Fig.6 Spatial distribution of AGB of natural grassland in 2019 （a）， 2020 （b） and 2021 （c） in Menyuan County

图7 门源县3种主要草地类型的平均地上生物量统计

Fig.7 Average aboveground biomass of three main grassland types in Menyuan County

参考文献 40

1	Tsuyoshi A， Kensuke K. Grassland degradation in China： Methods of monitoring， management and restoration. Japanese Society of Grassland Science， 2013， 53（1）： 1-17.
2	Hu X B. Correlation analysis between pasture spectrum and forage yield. Grass-Feeding Livestock， 1996（4）： 43-47.
	胡新博. 草地光谱与牧草产量的相关分析. 草食家畜， 1996（4）： 43-47.
3	Shang Z， Long R. Formation causes and recovery of the “Black Soil Type” degraded alpine grassland in Qinghai-Tibetan Plateau. Frontiers of Agriculture in China， 2007， 1（2）： 197-202.
4	Yang P W， Fu G， Li Y L， et al. Aboveground biomass assessment in the Northern Tibet Plateau using ground-level remotely-sensed data. Pratacultural Science， 2014， 31（7）： 1211-1217.
	杨鹏万，付刚，李云龙，等. 多光谱相机估算藏北高寒草甸地上生物量. 草业科学， 2014， 31（7）： 1211-1217.
5	Ali I， Cawkwell F， Dwyer E， et al. Modeling managed grassland biomass estimation by using multitemporal remote sensing data-A machine learning approach. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2016， 10（7）： 3254-3264.
6	Yao X C， Qu T T， Chang W J， et al. Estimation of grassland biomass using MODIS data and plant community characteristics. Chinese Journal of Eco-Agriculture， 2017， 25（4）： 530-541.
	姚兴成，曲恬甜，常文静，等. 基于MODIS数据和植被特征估算草地生物量. 中国生态农业学报， 2017， 25（4）： 530-541.
7	Yu H， Wu Y F， Jin Y， et al. An approach for monitoring the aboveground biomass of grassland in arid areas based on MODIS SWIR bands. Remote Sensing Technology and Application， 2017， 32（3）： 524-530.
	于惠，吴玉锋，金毅，等. 基于MODIS SWIR数据的干旱区草地地上生物量反演及时空变化研究. 遥感技术与应用， 2017， 32（3）： 524-530.
8	Feng Q S， Gao X H， Huang X D， et al. Remote sensing dynamic monitoring of grassland growth in Qinghai Tibet Plateau from 2001 to 2010. Journal of Lanzhou University （Natural Sciences）， 2011， 47（4）： 75-81， 90.
	冯琦胜，高新华，黄晓东，等. 2001-2010年青藏高原草地生长状况遥感动态监测. 兰州大学学报（自然科学版）， 2011， 47（4）： 75-81， 90.
9	Xu T， Cao L， She G H. Feature extraction and forest biomass estimation based on Landsat 8 OLI. Remote Sensing Technology and Application， 2015， 30（2）： 226-234.
	徐婷，曹林，佘光辉. 基于Landsat 8 OLI的特征变量优化提取及森林生物量反演. 遥感技术与应用， 2015， 30（2）： 226-234.
10	Li B， Qin M Z， Zhang P Y. Comparative study on NDVI of Landsat 8 remote sensing image. Journal of Henan University （Natural Science）， 2017， 47（2）： 155-161.
	李斌，秦明周，张鹏岩. Landsat 8遥感影像NDVI的对比研究. 河南大学学报（自然科学版）， 2017， 47（2）： 155-161.
11	Li C， Wulf H， Schmid B， et al. Estimating plant traits of alpine grasslands on the Qinghai-Tibetan plateau using remote sensing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2018， 11（7）： 2263-2275.
12	Wu R H. Estimation of aboveground biomass in Zhenglan Banner grassland by remote sensing. Hohhot： Inner Mongolia Normal University， 2018.
	乌如汗. 正蓝旗草地地上生物量遥感估算研究. 呼和浩特：内蒙古师范大学， 2018.
13	Zhou M， Han X X， Zheng H B， et al. Remote sensing estimation of cotton biomass based on parametric and nonparametric methods by using hyperspectral reflectance. Scientia Agricultura Sinica， 2021， 54（20）： 4299-4311.
	周萌，韩晓旭，郑恒彪，等. 基于参数化和非参数化法的棉花生物量高光谱遥感估算. 中国农业科学， 2021， 54（20）： 4299-4311.
14	Yang J Y， Zhang S， Bai Y， et al. SPEI simulation for monitoring drought based machine learning integrating multi-source remote sensing data in Shandong. Chinese Journal of Agrometeorology， 2021， 42（3）： 230-242.
	杨晋云，张莎，白雲，等. 基于机器学习融合多源遥感数据模拟SPEI监测山东干旱. 中国农业气象， 2021， 42（3）： 230-242.
15	Xiao F. Analysis on main plant community composition of natural grassland in Menyuan County， Qinghai Province. Prataculture and Animal Husbandry， 2007（9）： 10-12.
	肖锋. 青海省门源县天然草地主要植物群落组成分析. 草业与畜牧， 2007（9）： 10-12.
16	Liu J， Feng Q S， Liang T G， et al. Estimating the forage neutral detergent fiber content of alpine grassland in the Tibetan Plateau using hyperspectral data and machine learning algorithms. IEEE Transactions on Geoscience and Remote Sensing， 2021， doi： 10.1109/TGRS.2021.3105482.
17	Zhang L J， Tan B J. Variable selection method based on trace Lasso model. Systems Engineering， 2018， 36（12）： 127-134.
	张立军，谭冰洁. 基于迹Lasso模型的变量筛选方法. 系统工程， 2018， 36（12）： 127-134.
18	Zhang X X， Wang H， Tian S S， et al. Lasso-based independent variable selection in high-dimensional data regression analysis. Chinese Journal of Health Statistics， 2013， 30（6）： 922-926.
	张秀秀，王慧，田双双，等. 高维数据回归分析中基于LASSO的自变量选择. 中国卫生统计， 2013， 30（6）： 922-926.
19	Li G H， Li J Q， Zhang L， et al. Feature selection method based on ant colony optimization and random forest. Computer Science， 2019， 46（Supple2）： 212-215.
	李光华，李俊清，张亮，等. 一种融合蚁群算法和随机森林的特征选择方法. 计算机科学， 2019， 46（增刊2）： 212-215.
20	Chen Y P， Yun W J， Zhou X， et al. Classification and extraction of land use information in hilly area based on MESMA and RF classifier. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（7）： 136-144.
	陈元鹏，郧文聚，周旭，等. 基于MESMA和RF的山丘区土地利用信息分类提取. 农业机械学报， 2017， 48（7）： 136-144.
21	Hou M J， Yin J P， Ge J， et al. Land cover remote sensing classification method of alpine wetland region based on random forest algorithm. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（7）： 220-227.
	侯蒙京，殷建鹏，葛静，等. 基于随机森林的高寒湿地地区土地覆盖遥感分类方法. 农业机械学报， 2020， 51（7）： 220-227.
22	Meng B P， Chen S Y， Cui X， et al. The accuracy of grassland vegetation biomass estimated model based on multi-source remote sensing data——As a case of experimental area in Sangke grassland in Xiahe County. Pratacultural Science， 2015， 32（11）： 1730-1739.
	孟宝平，陈思宇，崔霞，等. 基于多源遥感数据的高寒草地生物量反演模型精度——以夏河县桑科草原试验区为例. 草业科学， 2015， 32（11）： 1730-1739.
23	He Y J， Pan X B， Pei Z Y， et al. Estimation of LAI and yield of sugarcane based on SPOT remote sensing data. Transactions of the Chinese Society for Agricultural Machinery， 2013， 44（5）： 226-231.
	何亚娟，潘学标，裴志远，等. 基于SPOT遥感数据的甘蔗叶面积指数反演和产量估算. 农业机械学报， 2013， 44（5）： 226-231.
24	Wu C Y， Niu Z. Improvement of linearity between hyperspectral vegetation indices and chlorophyll content， leaf area index based on radiative transfer models. Chinese Bulletin of Botany， 2008， 25（6）： 714-721.
	吴朝阳，牛铮. 基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进. 植物学报， 2008， 25（6）： 714-721.
25	Li S Y， Li X B， Ying G， et al. Vegetation indexes-biomass models for typical semi-arid steppe——A case study for Xilinhot in Northern China. Journal of Plant Ecology， 2007， 31（1）： 23-31.
	李素英，李晓兵，莺歌，等. 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.植物生态学报， 2007， 31（1）： 23-31.
26	Ge J， Meng B P， Yang S X， et al. Monitoring of above-ground biomass in alpine grassland based on agricultural digital camera and MODIS remote sensing data： A case study in the Yellow River headwater region. Acta Prataculturae Sinica， 2017， 26（7）： 23-34.
	葛静，孟宝平，杨淑霞，等. 基于ADC和MODIS遥感数据的高寒草地地上生物量监测研究——以黄河源区为例. 草业学报， 2017， 26（7）： 23-34.
27	Ma C， Shi Y， Li M H， et al. Research of grassland biomass model based on NDVI in loess hilly and gully region： A case study of Pengyang County， Ningxia. Ningxia Engineering Technology， 2017， 16（1）： 19-23.
	马超，石云，李梦华，等. 基于NDVI的黄土丘陵沟壑区草地生物量模型研究——以宁夏彭阳县为例. 宁夏工程技术， 2017， 16（1）： 19-23.
28	Gao Z H， Wei H D， Ding F. Methods for subtracting vegetation information using vegetation index（VI）from TM images. Journal of Arid Land Resources and Environment， 1998， 12（3）： 98-104.
	高志海，魏怀东，丁峰. TM影像VI提取植被信息技术研究. 干旱区资源与环境， 1998， 12（3）： 98-104.
29	Qu C P， Guan D X， Wang A Z， et al. Comparison of grassland biomass estimation models based on MODIS data. Chinese Journal of Ecology， 2008， 27（11）： 2028-2032.
	渠翠平，关德新，王安志，等. 基于MODIS数据的草地生物量估算模型比较. 生态学杂志， 2008， 27（11）： 2028-2032.
30	Wang F M， Huang J F， Tang Y L， et al. New vegetation index and its application in estimating leaf area index of rice. Rice Science， 2007， 14（3）： 195-203.
31	Mutanga O， Adam E， Cho M A. High density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm. International Journal of Applied Earth Observation and Geoinformation， 2012， 18： 399-406.
32	Wang J G， Lv X D， Yao G P， et al. Estimation of fresh forage yield of mixed sowing pastures of alfalfa and smooth-brome with hyperspectral remote sensing. Chinese Journal of Grassland， 2013， 35（1）： 35-41.
	王建光，吕小东，姚贵平，等. 苜蓿和无芒雀麦混播草地高光谱遥感估产研究. 中国草地学报， 2013， 35（1）： 35-41.
33	Zhang Z J， Li A N， Bian J H， et al. Estimating aboveground biomass of grassland in Zoige by visible vegetation index derived from unmanned aerial vehicle images. Remote Sensing Technology and Application， 2016， 31（1）： 51-62.
	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. 遥感技术与应用， 2016， 31（1）： 51-62.
34	Gong P， Pu R， Biging G S， et al. Estimation of forest leaf area index using vegetation indices derived from hyperion hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（6）： 1355-1362.
35	Guo C F， Chen Z W， Zhang Z G. Research of remote sensing estimation of forage above-ground biomass based on optimal model selection. Acta Agrestia Sinica， 2021， 29（5）： 946-955.
	郭超凡，陈泽威，张志高. 基于最优模型选择的牧草地上生物量遥感估算研究. 草地学报， 2021， 29（5）： 946-955.
36	Zhou J H， Wang Z Z， Liao S X， et al. Remote sensing estimation of forest aboveground biomass in Potatso National Park using GF-1 images. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（4）： 216-223.
	周俊宏，王子芝，廖声熙，等. 基于GF-1影像的普达措国家公园森林地上生物量遥感估算. 农业工程学报， 2021， 37（4）： 216-223.
37	Chen Y Y. Exploring bamboo forest aboveground biomass estimation using Sentinel-2 data. Hangzhou： Zhejiang A&F University， 2019.
	陈瑜云. 基于Sentinel-2影像数据的毛竹林生物量估测. 杭州：浙江农林大学， 2019.
38	Gao H Y， Hou M J， Ge J， et al. Hyperspectral estimation of aboveground biomass of alpine grassland based on random forest algorithm. Acta Agrestia Sinica， 2021， 29（8）： 1757-1768.
	高宏元，侯蒙京，葛静，等. 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， 2021， 29（8）： 1757-1768.
39	Liang T G， Yang S X， Feng Q S， et al. Multi-factor modeling of above-ground biomass in alpine grassland： A case study in the Three-River Headwaters Region， China. Remote Sensing of Environment， 2016， 186： 164-172.
40	Meng B P. Estimation grassland above ground biomass based on UAV technology and machine learning methods in alpine grassland， Gannan Region. Lanzhou： Lanzhou University， 2018.
	孟宝平. 基于UAV和机器学习方法的甘南地区高寒草地地上生物量遥感估测研究. 兰州：兰州大学， 2018.

[1]	沈江龙, 陈吉军, 阿布都瓦里 ·伊玛木, 杨坤, 郭雅婷, 郑江华. 新疆荒漠草地亮柔伪步甲虫害与草地变化关系研究—以昌吉州南山草场为例[J]. 草业学报, 2022, 31(6): 163-177.
[2]	刘佳丽, 范建容, 张茜彧, 杨超, 徐富宝, 张晓雪, 梁博. 高寒草地生长季/非生长季植被盖度遥感反演[J]. 草业学报, 2021, 30(9): 15-26.
[3]	张亦然, 刘廷玺, 童新, 段利民, 吴宇辰. 基于XGBoost算法的草甸地上生物量的高光谱遥感反演[J]. 草业学报, 2021, 30(4): 1-12.
[4]	赵慧芳, 李晓东, 张东, 校瑞香. 基于MODIS数据的青海省草地地上生物量估算及影响因素研究[J]. 草业学报, 2020, 29(12): 5-16.
[5]	陆丰帅, 阿的鲁骥, 程云湘, 侯扶江. 祁连山高寒草原土壤水分与植被盖度的关系[J]. 草业学报, 2020, 29(11): 23-32.
[6]	荀其蕾,董乙强,安沙舟,闫凯. 基于MOD 09GA数据的新疆草地生长状况遥感监测研究[J]. 草业学报, 2018, 27(4): 10-26.
[7]	葛静, 孟宝平, 杨淑霞, 高金龙, 殷建鹏, 张仁平, 冯琦胜, 梁天刚. 基于ADC和MODIS遥感数据的高寒草地地上生物量监测研究——以黄河源区为例[J]. 草业学报, 2017, 26(7): 23-34.
[8]	杨淑霞, 张文娟, 冯琦胜, 孟宝平, 高金龙, 梁天刚. 基于MODIS逐日地表反射率数据的青南地区草地生长状况遥感监测研究[J]. 草业学报, 2016, 25(8): 14-26.
[9]	许玉凤, 杨井, 李卫红, 方功焕, 张淑花, 邓海军, 董杰. 1982-2013年新疆不同植被生长时空变化[J]. 草业学报, 2016, 25(1): 47-63.
[10]	赵凤杰，王正浩，王慧萍，吴惠惠，刘航玮，王广君，张泽华. 不同密度短星翅蝗危害后羊草的高光谱变化及对产草量的影响[J]. 草业学报, 2015, 24(3): 195-203.
[11]	陈梦蝶,黄晓东,侯秀敏,冯琦胜,于惠,郭正刚,梁天刚. 青海省草原鼠害区域草地生物量及盖度动态监测研究[J]. 草业学报, 2013, 22(4): 247-256.
[12]	钱育蓉,于炯,贾振红,杨峰,帕力旦·吐尔逊. 新疆典型荒漠草地的高光谱特征提取和分析研究[J]. 草业学报, 2013, 22(1): 157-166.
[13]	杨红飞,李建龙,穆少杰,杨齐,胡潇潇,金国平,赵万羽. 新疆三种主要草地植被类型的高光谱反射特征研究[J]. 草业学报, 2012, 21(6): 258-266.
[14]	花立民. 玛曲草原植被NDVI与气候和载畜量变化的关系分析[J]. 草业学报, 2012, 21(4): 224-235.
[15]	宋春桥,游松财,刘高焕,柯灵红,钟新科. 那曲地区草地植被时空格局与变化及其人文因素影响研究[J]. 草业学报, 2012, 21(3): 1-10.

基于Landsat 8和随机森林的青海门源天然草地地上生物量遥感估算

Estimation of aboveground biomass in Menyuan grassland based on Landsat 8 and random forest approach

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 40

相关文章 15

编辑推荐

Metrics