基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究

doi:10.11686/cyxb2022147

草业学报 ›› 2023, Vol. 32 ›› Issue (4): 15-29.DOI: 10.11686/cyxb2022147

基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究

郭芮¹(), 伏帅¹, 侯蒙京¹, 刘洁¹, 苗春丽¹, 孟新月¹, 冯琦胜¹, 贺金生¹^,², 钱大文³, 梁天刚¹()

^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:2022-03-31 修回日期:2022-04-28 出版日期:2023-04-20 发布日期:2023-01-29
通讯作者: 梁天刚
作者简介:E-mail： tgliang@lzu.edu.cn
郭芮（1999-），女，甘肃平凉人，在读硕士。E-mail： guor2018@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(2022-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)

Remote sensing retrieval of nature grassland biomass in Menyuan County， Qinghai Province experimental area based on Sentinel-2 data

Rui GUO¹(), Shuai FU¹, Meng-jing HOU¹, Jie LIU¹, Chun-li MIAO¹, Xin-yue MENG¹, Qi-sheng FENG¹, Jin-sheng HE¹^,², Da-wen QIAN³, Tian-gang LIANG¹()

^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:2022-03-31 Revised:2022-04-28 Online:2023-04-20 Published:2023-01-29
Contact: Tian-gang LIANG

摘要/Abstract

摘要：

草地地上物生物量（AGB）是评价草地生产力的重要指标，精准反演天然草地的AGB，对草地长势监测和草畜平衡评估具有重要的意义。由于常用的遥感数据（如Landsat和MODIS等）受较低时间或空间分辨率引发的诸多问题的影响，因此探索具有更高时空分辨率及更多光谱波段的Sentinel-2卫星数据在县域尺度的草地植被监测状况具有极其重要的作用。利用Sentinel-2卫星遥感影像和青海门源县实测草地AGB数据，构建了基于随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）3种机器学习方法的草地生物量估算模型，研究了2019-2021年门源县天然草地生物量时空分布特征。结果表明：1） Sentinel-2卫星影像的3个原始波段（B2、B6、B11）和2种植被指数［反红边叶绿素指数（IRECI）和特定色素简单比值植被指数（PSSRa）］，是草地AGB敏感的特征变量。其中，红边波段（B5、B6、B7）对天然草地AGB遥感反演具有重要作用。2）基于RF算法的草地AGB估测模型是门源县天然草地生物量估测的最优模型（验证集R² 为0.72，RMSE为622.616 kg·hm^-2），优于SVM模型（验证集R² 为0.66，RMSE为698.271 kg·hm^-2）和ANN模型（验证集R² 为0.63，RMSE为730.676 kg·hm^-2）。3）2019-2021年门源县天然草地AGB平均值为3360.26~3544.00 kg·hm^-2。总体来说， 2019-2021年门源县草地AGB呈先上升后下降的趋势，具有从四周向中部逐渐减少的空间分布特点。

关键词: Sentinel-2, 地上生物量, 机器学习, 天然草地, 反演模型

Abstract:

Above-ground biomass （AGB） is an important indicator for evaluating grassland productivity. Accurate inversion of AGB of natural grassland is of great significance for monitoring grassland growth and evaluating the feed balance of forage-livestock. As commonly used remote sensing data （such as Landsat and MODIS） suffer from by many problems caused by low temporal and spatial resolution， it is extremely important to explore Sentinel-2 satellite data with higher temporal and spatial resolution and more spectral bands in monitoring grassland vegetation at county scale. In this study， we used Sentinel-2 satellite remote sensing imagery and the AGB data of Menyuan County， Qinghai Province to construct a grassland biological monitoring system based on random forest （RF）， support vector machine （SVM） and artificial neural network （ANN） methods， to study the spatial and temporal distribution characteristics of natural grassland biomass in Menyuan County from 2019 to 2021. It was found that： 1） The three original bands（B2，B6，B11）and two vegetation indices， inverted red edge chlorophyll index（IRECI），and pigment specific simple ratio chlorophyll index（PSSRa），were the important variables for AGB quantification in natural grassland. Among these，red-edge bands（B5，B6，B7）play an important role in remote sensing inversion of natural grassland AGB. 2） The AGB estimation model based on the RF algorithm was the optimal model（validation set R² 0.72， RMSE 622.616 kg·ha^-1）for natural grassland biomass estimation in Menyuan County， which was superior to the SVM model（validation set R² 0.66，RMSE 698.271 kg·ha^-1）and the ANN model（validation set R² 0.63，RMSE 730.676 kg·ha^-1）. 3） The average value of AGB of natural grassland in Menyuan County from 2019 to 2021 ranged from 3360.26-3544.00 kg·ha^-1. In general， the AGB of grassland in Menyuan County from 2019 to 2021 showed a trend of initially increasing and then decreasing， with a spatial distribution pattern of gradual decrease from the periphery to the middle.

Key words: Sentinel-2, aboveground biomass, machine learning, nature grassland, inversion mode

郭芮, 伏帅, 侯蒙京, 刘洁, 苗春丽, 孟新月, 冯琦胜, 贺金生, 钱大文, 梁天刚. 基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究[J]. 草业学报, 2023, 32(4): 15-29.

Rui GUO, Shuai FU, Meng-jing HOU, Jie LIU, Chun-li MIAO, Xin-yue MENG, Qi-sheng FENG, Jin-sheng HE, Da-wen QIAN, Tian-gang LIANG. Remote sensing retrieval of nature grassland biomass in Menyuan County， Qinghai Province experimental area based on Sentinel-2 data[J]. Acta Prataculturae Sinica, 2023, 32(4): 15-29.

图/表 12

图1 2019-2021年研究区样地及随机样点空间分布

Fig. 1 Spatial distribution of sampling sites and random points of the study area from 2019 to 2021

表1 2019-2021 年研究区Sentinel-2卫星影像参数

Table 1 Parameters of Sentinel-2 satellite images of the study area from 2019 to 2021

年份 Year	卫星成像时间 Satellite ingestion period	地面观测时间 Ground observation time	成像卫星 Imaging satellite	轨道号 Track number	云量百分比 Cloud cover percentage （%）	云影百分比 Cloud shadow percentage （%）
2019	05-28	05-29	2B	T47SQB	6.27	0.30
	06-30	06-27-06-28	2B	T47SQB	48.71	1.01
	07-25	07-28-07-29	2A	T47SQB	17.36	0.64
	08-29	08-27-08-28	2B	T47SQB	37.02	0.75
	09-20	09-20-09-22	2A	T47SQB	5.90	1.09
2020	07-06	07-07-07-08	2A	T47SQB	27.12	0.30
2020	09-04	09-02-09-03	2A	T47SQB	2.95	0.48
2021	07-06	07-07	2B	T47SQB	42.49	0.44
	07-31	08-04	2A	T47SQB	12.34	1.89
	09-09	09-03	2A	T47SQB	18.14	1.99
	09-29	09-28-09-29	2A	T47SQB	6.41	0.12

表2 29种常见植被指数的参数

Table 2 Parameters of 29 common vegetation index

变量属性Variable attributes	计算公式Calculation formula
比值植被指数Ratio vegetation index （RVI）	$R V I = B 8 ∕ B 4$
差值植被指数Difference vegetation index （DVI）	$D V I = B 8 - B 4$
权重差值植被指数Weighted difference vegetation index （WDVI）	$W D V I = B 8 - 0.5 × B 4$
红外植被指数Infrared vegetation index （IPVI）	$I P V I = B 8 ∕ (B 8 + B 4)$
红边位置指数Red edge position index （REP）	$R E P = B 5 + 40 × B 4 + B 7 / 2 - B 5 B 6 - B 5$
垂直植被指数Perpendicular vegetation index （PVI）	$P V I = s i n ? 45 ° × B 8 - c o s ? 45 ° ? × B 4$
增强植被指数Enhanced vegetation index （EVI）	$E V I = 2.5 × B 8 - B 4 B 8 + 6 × B 4 - 7 × B 2 + 1$
增强植被指数-2 Enhanced vegetation index-2 （EVI2）	$E V I 2 = 2.5 × B 8 - B 4 B 8 + 2.4 × B 4 + 1$
多时相植被指数-2 Multitemporal vegetation index-2 （MTVI2）	$M T V I 2 = 1.5 × 1.2 × (B 8 - B 3) - 2.5 × (B 4 - B 3) (2 × B 8 + 1) 2 - 6 × (B 8 - 5 B 4) - 0.5$
归一化差值植被指数Normalized difference vegetation index （NDVI）	$N D V I = B 8 - B 4 B 8 ? + ? B 4$
再归一化差植被指数Renormalization the vegetation index （RDVI）	$R D V I = D V I × N D V I$
B4和B5归一化差值植被指数NDVI with band4 and band5 （NDVI45）	$N D V I 45 = B 5 - B 4 B 5 + B 4$
绿波归一化差值植被指数NDVI of green band （GNDVI）	$G N D V I = B 7 - B 3 B 7 + B 3$
反红边叶绿素指数Inverted red edge chlorophyll index （IRECI）	$I R E C I = B 6 × B 7 - B 4 B 5$
三角形植被指数Triangle vegetation index （TVI）	$T V I = 0.5 × [120 × B 6 - B 3 - 200 × B 4 - B 3]$
土壤调节植被指数Soil adjusted vegetation index （SAVI）	$S A V I = 1.5 × (B 8 - B 4) ∕ (B 8 + B 4 + 0.5)$
优化型土壤调节植被指数Optimized soil regulates vegetation index （OSAVI）	$O S A V I = (1 + 0.16) × (B 8 - B 4) B 8 + B 4 + 0.16$
转化土壤调节植被指数Transformed soil adjusted vegetation index （TSAVI）	$T S A V I = 0.5 × B 8 - 0.5 × B 4 - 0.2 0.5 × B 8 + B 4 + 0.1$
修正型土壤调节植被指数Modified soil adjusted vegetation index （MSAVI）	$M S A V I = (2 - N D V I × W D V I) × (B 8 - B 4) ∕ 8 × (B 8 + B 4 + 1 - N D V I × W D V I)$
二次修正型土壤调节植被指数Secondly modified soil adjusted vegetation index （MASVI2）	$M A S V I 2 = 0.5 × 2 × B 8 + 1 - 0.5 × 2 × B 8 + 1 2 - 8 × B 8 - B 4$
大气阻抗植被指数Atmospherically resistant vegetation index （ARVI）	$A R V I = B 8 - (2 × B 4 - B 2) ∕ B 8 + (2 × B 4 - B 2)$
叶绿素吸收比值指数Chlorophyll absorption ratio index （CARI）	CARI =（ $B 5 - B 4) - 0.2 × (B 5 - B 3)$
改进红边比值植被指数Modified red-edge simple ratio index （MSR）	$M S R = B 8 ∕ B 4 - 1 B 8 ∕ B 4 + 1$
特定色素简单比值植被指数Pigment specific simple ratio chlorophyll index （PSSRa）	$P S S R a = B 7 ∕ B 4$
Meris陆地叶绿素指数Meris terrestrial chlorophyll index （MTCI）	$M T C I = B 6 - B 5 B 5 - B 4$
修正型叶绿素吸收比值指数Modified chlorophyll absorption ratio index （MCARI）	$M C A R I = (B 5 - B 4) - 0.2 × B 5 - B 3 × (B 5 ∕ B 4)$
“哨兵2号”红边位置指数Sentinel-2 red edge position index （S2REP）	$S 2 R E P = 705 + 35 × [B 4 + B 7 / 2 - B 5] × (B 6 - B 5)$
红边感染点指数Red edge infection point index （REIP）	$R E I P = 700 + 40 × (B 4 + B 7) ∕ 2 - B 5 B 6 - B 5$
全球环境监测指数Global environmental monitoring index （GEMI）	$G E M I = e t a × 1 - 0.25 × e t a - (B 4 - 0.125) 1 - B 4$ ， $e t a = 2 × (B 8 A 2 - B 42) + 1.5 × B 8 A + 0.5 × B 4 B 8 A + B 4 + 0.5$

表2 29种常见植被指数的参数

Table 2 Parameters of 29 common vegetation index

变量属性Variable attributes	计算公式Calculation formula
比值植被指数Ratio vegetation index （RVI）	$R V I = B 8 ∕ B 4$
差值植被指数Difference vegetation index （DVI）	$D V I = B 8 - B 4$
权重差值植被指数Weighted difference vegetation index （WDVI）	$W D V I = B 8 - 0.5 × B 4$
红外植被指数Infrared vegetation index （IPVI）	$I P V I = B 8 ∕ (B 8 + B 4)$
红边位置指数Red edge position index （REP）	$R E P = B 5 + 40 × B 4 + B 7 / 2 - B 5 B 6 - B 5$
垂直植被指数Perpendicular vegetation index （PVI）	$P V I = s i n ? 45 ° × B 8 - c o s ? 45 ° ? × B 4$
增强植被指数Enhanced vegetation index （EVI）	$E V I = 2.5 × B 8 - B 4 B 8 + 6 × B 4 - 7 × B 2 + 1$
增强植被指数-2 Enhanced vegetation index-2 （EVI2）	$E V I 2 = 2.5 × B 8 - B 4 B 8 + 2.4 × B 4 + 1$
多时相植被指数-2 Multitemporal vegetation index-2 （MTVI2）	$M T V I 2 = 1.5 × 1.2 × (B 8 - B 3) - 2.5 × (B 4 - B 3) (2 × B 8 + 1) 2 - 6 × (B 8 - 5 B 4) - 0.5$
归一化差值植被指数Normalized difference vegetation index （NDVI）	$N D V I = B 8 - B 4 B 8 ? + ? B 4$
再归一化差植被指数Renormalization the vegetation index （RDVI）	$R D V I = D V I × N D V I$
B4和B5归一化差值植被指数NDVI with band4 and band5 （NDVI45）	$N D V I 45 = B 5 - B 4 B 5 + B 4$
绿波归一化差值植被指数NDVI of green band （GNDVI）	$G N D V I = B 7 - B 3 B 7 + B 3$
反红边叶绿素指数Inverted red edge chlorophyll index （IRECI）	$I R E C I = B 6 × B 7 - B 4 B 5$
三角形植被指数Triangle vegetation index （TVI）	$T V I = 0.5 × [120 × B 6 - B 3 - 200 × B 4 - B 3]$
土壤调节植被指数Soil adjusted vegetation index （SAVI）	$S A V I = 1.5 × (B 8 - B 4) ∕ (B 8 + B 4 + 0.5)$
优化型土壤调节植被指数Optimized soil regulates vegetation index （OSAVI）	$O S A V I = (1 + 0.16) × (B 8 - B 4) B 8 + B 4 + 0.16$
转化土壤调节植被指数Transformed soil adjusted vegetation index （TSAVI）	$T S A V I = 0.5 × B 8 - 0.5 × B 4 - 0.2 0.5 × B 8 + B 4 + 0.1$
修正型土壤调节植被指数Modified soil adjusted vegetation index （MSAVI）	$M S A V I = (2 - N D V I × W D V I) × (B 8 - B 4) ∕ 8 × (B 8 + B 4 + 1 - N D V I × W D V I)$
二次修正型土壤调节植被指数Secondly modified soil adjusted vegetation index （MASVI2）	$M A S V I 2 = 0.5 × 2 × B 8 + 1 - 0.5 × 2 × B 8 + 1 2 - 8 × B 8 - B 4$
大气阻抗植被指数Atmospherically resistant vegetation index （ARVI）	$A R V I = B 8 - (2 × B 4 - B 2) ∕ B 8 + (2 × B 4 - B 2)$
叶绿素吸收比值指数Chlorophyll absorption ratio index （CARI）	CARI =（ $B 5 - B 4) - 0.2 × (B 5 - B 3)$
改进红边比值植被指数Modified red-edge simple ratio index （MSR）	$M S R = B 8 ∕ B 4 - 1 B 8 ∕ B 4 + 1$
特定色素简单比值植被指数Pigment specific simple ratio chlorophyll index （PSSRa）	$P S S R a = B 7 ∕ B 4$
Meris陆地叶绿素指数Meris terrestrial chlorophyll index （MTCI）	$M T C I = B 6 - B 5 B 5 - B 4$
修正型叶绿素吸收比值指数Modified chlorophyll absorption ratio index （MCARI）	$M C A R I = (B 5 - B 4) - 0.2 × B 5 - B 3 × (B 5 ∕ B 4)$
“哨兵2号”红边位置指数Sentinel-2 red edge position index （S2REP）	$S 2 R E P = 705 + 35 × [B 4 + B 7 / 2 - B 5] × (B 6 - B 5)$
红边感染点指数Red edge infection point index （REIP）	$R E I P = 700 + 40 × (B 4 + B 7) ∕ 2 - B 5 B 6 - B 5$
全球环境监测指数Global environmental monitoring index （GEMI）	$G E M I = e t a × 1 - 0.25 × e t a - (B 4 - 0.125) 1 - B 4$ ， $e t a = 2 × (B 8 A 2 - B 42) + 1.5 × B 8 A + 0.5 × B 4 B 8 A + B 4 + 0.5$

表3 2019-2021年观测样点草地生物量统计分析

Table 3 Descriptive statistical analysis of grassland above ground biomass from 2019 to 2021 （n=325）

指标 Indicators	月份 Month
指标 Indicators	5	6	7	8	9	10
平均值 Mean value （kg·hm^-2）	716.411	1999.937	2701.109	3161.746	2926.367	2750.452
最大值 Maximum value （kg·hm^-2）	1220.000	4666.700	6160.600	5930.000	5509.200	4647.333
最小值 Minimum value （kg·hm^-2）	187.200	744.700	1368.700	1398.933	716.800	904.667
标准差 Standard deviation （kg·hm^-2）	240.516	909.195	732.878	998.728	891.322	1139.032
变异系数 Coefficient variable	0.336	0.455	0.271	0.316	0.305	0.414

表4 不同月份天然草地光谱反射率

Table 4 Spectral reflectance values of nature grassland in different months

月份 Month	项目 Item	波段Band
月份 Month	项目 Item	B1	B2	B3	B4	B5	B6	B7	B8	B8A	B9	B11	B12
5	Max	0.059	0.086	0.123	0.140	0.195	0.300	0.334	0.358	0.373	0.363	0.390	0.259
	Min	0.051	0.073	0.109	0.123	0.182	0.279	0.309	0.327	0.345	0.342	0.365	0.246
	Mean	0.055	0.080	0.117	0.131	0.187	0.287	0.319	0.340	0.356	0.350	0.377	0.253
	STD	0.00280	0.00286	0.00333	0.00404	0.00321	0.00454	0.00533	0.00671	0.00569	0.00407	0.00462	0.00338
6	Max	0.019	0.032	0.070	0.038	0.116	0.364	0.438	0.462	0.466	0.445	0.220	0.101
	Min	0.016	0.025	0.060	0.031	0.104	0.329	0.392	0.394	0.418	0.418	0.202	0.091
	Mean	0.018	0.029	0.066	0.034	0.109	0.346	0.411	0.425	0.438	0.429	0.211	0.096
	STD	0.00074	0.00175	0.00252	0.00151	0.00299	0.00939	0.01061	0.01247	0.01050	0.00730	0.00427	0.00245
7	Max	0.016	0.026	0.066	0.036	0.120	0.381	0.463	0.482	0.496	0.490	0.199	0.088
	Min	0.013	0.019	0.052	0.029	0.100	0.337	0.406	0.432	0.445	0.449	0.174	0.073
	Mean	0.014	0.022	0.059	0.030	0.109	0.364	0.441	0.458	0.474	0.466	0.184	0.078
	STD	0.00075	0.00191	0.00329	0.00242	0.00521	0.01266	0.01403	0.01331	0.01332	0.01069	0.00581	0.00381
8	Max	0.024	0.051	0.086	0.062	0.141	0.349	0.418	0.440	0.461	0.443	0.229	0.111
	Min	0.016	0.026	0.061	0.040	0.107	0.287	0.344	0.357	0.386	0.383	0.186	0.084
	Mean	0.019	0.036	0.072	0.049	0.124	0.319	0.381	0.397	0.423	0.410	0.208	0.098
	STD	0.00209	0.00559	0.00663	0.00563	0.00893	0.01754	0.02161	0.02279	0.02296	0.02074	0.01259	0.00730
9	Max	0.018	0.033	0.075	0.067	0.137	0.277	0.317	0.346	0.358	0.353	0.268	0.144
	Min	0.012	0.018	0.053	0.042	0.109	0.240	0.278	0.304	0.318	0.333	0.219	0.104
	Mean	0.014	0.024	0.062	0.052	0.121	0.262	0.303	0.331	0.343	0.343	0.239	0.121
	STD	0.00197	0.00475	0.00628	0.00688	0.00896	0.00907	0.00971	0.01111	0.01001	0.00651	0.01513	0.01224

图2 不同月份天然草地光谱反射率曲线

Fig.2 Spectral reflectance curves of nature grassland in different months

表 5 采用LASSO方法筛选重要特征变量结果

Table 5 Results of important characteristic variables were selected by LASSO method

LASSO ID	变量Variables
LASSO 1	B2， B6， B11， IRECI， PSSRa
LASSO 2	B2， B8A， B11， EVI， TVI， REP， CARI， IRECI， PSSRa
LASSO 3	B2， B11， EVI， CARI， IRECI， PSSRa
LASSO 4	B2， B8A， B11， EVI， TVI， B11， IRECI， PSSRa
LASSO 5	B2， B6， B11， EVI， IRECI， PSSRa

表6 5种LASSO变量组合的模型精度评价

Table 6 Model accuracy evaluation of five combinations of LASSO variables

LASSO ID	模型 Models	训练集 Training set		验证集 Validation set
LASSO ID	模型 Models	T-R²	T-RMSE （kg·hm^-2）	V-R²	V-RMSE （kg·hm^-2）
LASSO 1	RF	0.93	316.937	0.72	622.616
	SVM	0.69	656.276	0.66	698.271
	ANN	0.73	601.837	0.63	730.676
LASSO 2	RF	0.95	284.129	0.72	624.594
	SVM	0.71	638.798	0.68	685.008
	ANN	0.83	477.670	0.67	686.136
LASSO 3	RF	0.94	296.973	0.71	625.002
	SVM	0.69	655.849	0.66	691.631
	ANN	0.78	546.190	0.66	686.613
LASSO 4	RF	0.94	295.179	0.71	627.529
	SVM	0.71	642.576	0.67	681.942
	ANN	0.81	501.278	0.67	695.866
LASSO 5	RF	0.94	294.397	0.72	632.793
	SVM	0.69	659.055	0.66	691.451
	ANN	0.76	561.079	0.63	729.430

图3 基于机器学习模型的AGB估测值与实测值对比验证

Fig.3 The validation results by comparing AGB predicted values and observed values based on machine learning model

图4 变量重要性排序

Fig.4 Importance ranking of variables

图5 门源县2019、2020和2021年天然草地AGB空间分布

Fig.5 Spatial distribution of AGB of nature grassland in 2019， 2020 and 2021 in Menyuan County

表7 门源县2019-2021年天然草地生物量

Table 7 Nature grassland biomass in Menyuan County from 2019 to 2021

年份

Year

最小值

Minimum value （kg·hm^-2）

最大值

Maximum value （kg·hm^-2）

均值

Mean value （kg·hm^-2）

标准差

Standard deviation （kg·hm^-2）

总和

Sum （ $×$ 10⁶ t）

表7 门源县2019-2021年天然草地生物量

Table 7 Nature grassland biomass in Menyuan County from 2019 to 2021

年份

Year

最小值

Minimum value （kg·hm^-2）

最大值

Maximum value （kg·hm^-2）

均值

Mean value （kg·hm^-2）

标准差

Standard deviation （kg·hm^-2）

总和

Sum （ $×$ 10⁶ t）

2019

1035

5071

3471.49

517.13

1.41

2020

1158

5073

3544.00

512.41

1.44

2021

1154

5085

3360.26

425.35

1.37

参考文献 44

1	Su D X. Rangeland resources decreases fast and its protection strategy in China//The 2nd symposium in the sixth term of Chinese grassland society and international grassland workshop. Chinese grassland society， Inner Mongolia autonomous region people’s government， national natural science foundation of China： Chinese grassland society， 2004： 48-51.
	苏大学. 我国草地资源快速消失与保护对策//中国草学会第六届二次会议暨国际学术研讨会论文集. 中国草学会、内蒙古自治区人民政府、国家自然科学基金委员会：中国草学会， 2004： 48-51.
2	Liu J， Yang J. Prediction and evaluation method of high cold meadow in Haibei area of Qinghai Province. Qinghai Prataculture， 2020， 29（4）： 2-8.
	刘洁，杨静. 青海省海北地区高寒草甸最高产量预测及评估方法研究. 青海草业， 2020， 29（4）： 2-8.
3	Jing X Q， Wang R H， Ren D Z， et al. Characteristics of three kinds of typical plant communities of the alpine meadow in Haibei Region， Qinghai Province. Acta Agrestia Sinica， 2017， 25（1）： 190-194.
	井向前，王瑞红，任德智，等. 青海海北3种典型高寒草甸植物群落特征研究. 草地学报， 2017， 25（1）： 190-194.
4	Fu J J， Zhou H K， Zhao X Q， et al. Clonal plants and their importance of different alpine grasslands in Haibei Region， Qinghai Province. Acta Agrestia Sinica， 2013， 21（6）： 1065-1072.
	付京晶，周华坤，赵新全，等. 青海海北不同类型高寒草地的克隆植物及其重要性. 草地学报， 2013， 21（6）： 1065-1072.
5	Zheng Y， Wu B F， Zhang M. Estimating the above ground biomass of winter wheat using the Sentinel-2 data. National Remote Sensing Bulletin， 2017， 21（2）： 318-328.
	郑阳，吴炳方，张淼. Sentinel-2数据的冬小麦地上干生物量估算及评价. 遥感学报， 2017， 21（2）： 318-328.
6	Bretas I L， Valente D S M， Silva F F， et al. Prediction of aboveground biomass and dry-matter content in brachiaria pastures by combining meteorological data and satellite imagery. Grass and Forage Science， 2021， 76（3）： 340-352.
7	Tian X M， Zhang X L. Estimation of forest aboveground biomass by remote sensing. Journal of Beijing Forestry University， 2021， 43（8）： 137-148.
	田晓敏，张晓丽. 森林地上生物量遥感估算方法. 北京林业大学学报， 2021， 43（8）： 137-148.
8	Wang X Y， Li J， Xing L T. Comparative agricultural drought monitoring based on three machine learning methods. Arid Zone Research， 2022， 39（1）： 322-332.
	王晓燕，李净，邢立亭. 基于3种机器学习方法的农业干旱监测比较. 干旱区研究， 2022， 39（1）： 322-332.
9	Xu M， Zhao Y X， Zhang G， et al. Method for forecasting winter wheat first flowering stage based on machine learning algorithm. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（11）： 162-171.
	徐敏，赵艳霞，张顾，等. 基于机器学习算法的冬小麦始花期预报方法. 农业工程学报， 2021， 37（11）： 162-171.
10	Wang N Y， Yu F H， Xu T Y， et al. Hyperspectral retrieval modelling for chlorophyll contents of japonica-rice leaves based on machine learning. Acta Agriculturae Zhejiangensis， 2020， 32（2）： 359-366.
	王念一，于丰华，许童羽，等. 基于机器学习的粳稻叶片叶绿素含量高光谱反演建模. 浙江农业学报， 2020， 32（2）： 359-366.
11	Huang F， Gao S， Yao X， et al. Estimation of winter wheat leaf nitrogen concentration using machine learning algorithm and multi-color space. Journal of Nanjing Agricultural University， 2020， 43（2）： 364-371.
	黄芬，高帅，姚霞，等. 基于机器学习和多颜色空间的冬小麦叶片氮含量估算方法研究. 南京农业大学学报， 2020， 43（2）： 364-371.
12	Drusch M， Del B U， Carlier S， et al. Sentinel-2： ESA’s optical high-resolution mission for GMES operational services. Remote Sensing of Environment， 2012， 120： 25-36.
13	SUHET. Sentinel-2 user handbook. Paris： European Space Agency， 2015.
14	Han B， Gao Y N， Guo Y， et al. Modeling aboveground biomass of alpine grassland in the three-river headwaters region based on remote sensing data. Research of Environmental Sciences， 2017， 30（1）： 67-74.
	韩波，高艳妮，郭杨，等. 三江源区高寒草地地上生物量遥感反演模型研究. 环境科学研究， 2017， 30（1）： 67-74.
15	Huang J X， Wu J， Li C B， et al. Remote sensing retrieval of grassland above-ground biomass in Tianzhu County based on Sentinel-2 and Landsat 8 data. Acta Agrestia Sinica， 2021， 29（9）： 2023-2030.
	黄家兴，吴静，李纯斌，等. 基于Sentinel-2和Landsat 8数据的天祝县草地地上生物量遥感反演. 草地学报， 2021， 29（9）： 2023-2030.
16	Qin Q， Xu D W， Hou L L， et al. Comparing vegetation indices from Sentinel-2 and Landsat 8 under different vegetation gradients based on a controlled grazing experimen. Ecological Indicators， 2021， 133： 108363.
17	Chen Y， Guerschman J， Shendryk Y， et al. Estimating pasture biomass using sentinel-2 imagery and machine learning. Remote Sensing， 2021， 13（603）： 1-20.
18	Marildo G F， Tatiana M K， Fernando D Q. Estimating natural grassland biomass by vegetation indices using Sentinel 2 remote sensing data. International Journal of Remote Sensing， 2020， 41（8）： 2861-2876.
19	Morais T G， Teixeira R F M， Figueiredo M， et al. The use of machine learning methods to estimate aboveground biomass of grasslands： A review. Ecological Indicators， 2021， 130： 108081 .
20	Bao X Y， Wang Y， Feng Q S， et al. Spatial distribution extraction of alfalfa based on Sentinel-2 and GF-1 images. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（16）： 153-160.
	包旭莹，王燕，冯琦胜，等. Sentinel-2和GF-1影像结合提取苜蓿空间分布. 农业工程学报， 2021， 37（16）： 153-160.
21	Yu H， Wu Y F， Niu L T， et al. A method to avoid spatial overfitting in estimation of grassland above-ground biomass on the Tibetan Plateau. Ecological Indicators， 2021， 125： 107450.
22	Zhao Y H， Hou P， Jiang J B， et al. Progress in quantitative inversion of vegetation ecological remote sensing parameters. National Remote Sensing Bulletin， 2021， 25（11）： 2173-2197.
	赵燕红，侯鹏，蒋金豹，等. 植被生态遥感参数定量反演研究方法进展. 遥感学报， 2021， 25（11）： 2173-2197.
23	Guo Z Q， Zhang X L， Wang Y T. Ability evaluation of coniferous forest aboveground biomass inversion using Sentinel-2A multiple characteristic variables. Journal of Beijing Forestry University， 2020， 42（11）： 27-38.
	郭正齐，张晓丽，王月婷. Sentinel-2A多特征变量反演针叶林地上生物量能力评估. 北京林业大学学报， 2020， 42（11）： 27-38.
24	Rondeaux G， Steven M， Baret F. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment， 1996， 55（2）： 95-107.
25	Zhou X S. Urban vegetation classification and biomass inversion based on Sentinel-2A data in Xuzhou. Xuzhou： China University of Mining and Technology， 2019.
	周希胜. 基于Sentinel-2A数据的徐州城市植被分类及生物量反演研究. 徐州：中国矿业大学， 2019.
26	Li C H， Zhou L Z， Xu W B. Estimating aboveground biomass using Sentinel-2 MSI data and ensemble algorithms for grassland in the Shengjin Lake wetland， China. Remote Sensing， 2021， 13： 1595.
27	Xing X Y， Yang X C， Xu B， et al. Remote sensing estimation of grassland aboveground biomass based on random forest. Journal of Geo-information Science， 2021， 23（7）： 1312-1324.
	邢晓语，杨秀春，徐斌，等. 基于随机森林算法的草原地上生物量遥感估算方法研究. 地球信息科学学报， 2021， 23（7）： 1312-1324.
28	Lei X D. Applications of machine learning algorithms in forest growth and yield prediction. Journal of Beijing Forestry University， 2019， 41（12）： 23-36.
	雷相东. 机器学习算法在森林生长收获预估中的应用. 北京林业大学学报， 2019， 41（12）： 23-36.
29	Xiu X M， Zhou S F， Chen Q， et al. Above-ground biomass estimation of provincial scattered grassland based on Google Earth Engine and machine learning. Bulletin of Surveying and Mapping， 2019， 504（3）： 46-52.
	修晓敏，周淑芳，陈黔，等. 基于Google Earth Engine与机器学习的省级尺度零散分布草地生物量估算. 测绘通报， 2019， 504（3）： 46-52.
30	Baret F， Guyot G， Major D J. TSAVI： A vegetation index which minimizes soil brightness effects on LAI and APAR estimation. Geoscience and Remote Sensing Symposium， 1989. IGARSS’89. 12th Canadian Symposium on Remote Sensing， 1989 International.
31	Yang B， Li D， Wang L， et al. Retrieval of surface vegetation biomass information and analysis of vegetation feature based on Sentinel-2A in the upper of Minjiang River. Science & Technology Review， 2017， 35（21）： 74-80.
	杨斌，李丹，王磊，等. 基于Sentinel-2A岷江上游地表生物量反演与植被特征分析. 科技导报， 2017， 35（21）： 74-80.
32	Zhang G F， Yue C R， Zhang W Q. Above-ground biomass estimation in Kunming Dianchi lake wetland using Sentinel imagery. Journal of Terahertz Science and Electronic Information Technology， 2020， 18（1）： 142-149.
	张国飞，岳彩荣，章皖秋. 基于Sentinel数据的滇池湖滨湿地地上生物量反演. 太赫兹科学与电子信息学报， 2020， 18（1）： 142-149.
33	Schwieder M， Buddeberg M， Kowalski K， et al. Estimating grassland parameters from Sentinel-2： A model comparison study. Pfg-Journal of Photogrammetry Remote Sensing and Geoinformation Science， 2020， 88（5）： 379-390.
34	Xu X J， Zhang J Y， Chao M N， et al. Study on soybean biomass forecasting model based on canopy reflectance spectra. Heilongjiang Agricultural Sciences， 2017（9）： 119-123.
	徐新娟，张晋玉，晁毛妮，等. 基于冠层反射光谱的大豆生物量预测模型研究. 黑龙江农业科学， 2017（9）： 119-123.
35	Xu H， Bao Y H， Bao G， et al. Typical grassland of Inner Mongolia hay biomass hyper-spectral remote sensing estimation research. Yinshan Academic Journal （Natural Science Edition）， 2014， 28（4）： 22-27.
	胥慧，包玉海，包刚，等. 内蒙古典型草原干草生物量高光谱遥感估算研究. 阴山学刊（自然科学版）， 2014， 28（4）： 22-27.
36	Jiang H L， Yang H， Chen X P， et al. Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method. Spectroscopy and Spectral Analysis， 2015， 35（4）： 975-981.
	姜海玲，杨杭，陈小平，等. 利用光谱指数反演植被叶绿素含量的精度及稳定性研究. 光谱学与光谱分析， 2015， 35（4）： 975-981.
37	Fang C Y， Wang L， Xu H Q. A comparative study of different red edge indices for remote sensing detection of Urban grassland health status. Journal of Geo-Information Science， 2017， 19（10）： 1382-1392.
	方灿莹，王琳，徐涵秋. 不同植被红边指数在城市草地健康判别中的对比研究. 地球信息科学学报， 2017， 19（10）： 1382-1392.
38	Zhao J S， Li W， Wang W S， et al. Analysis on saturation of Suaeda salsa vegetation index based on DART model. Journal of Central China Normal University （Natural Sciences）， 2021， 55（1）： 121-127.
	赵健顺，李微，王文硕，等. 基于DART模型的盐地碱蓬植被指数饱和问题分析. 华中师范大学学报（自然科学版）， 2021， 55（1）： 121-127.
39	Xia Y， Fan J R， Zhang X Y， et al. Application of composite vegetation index in remote sensing inversion of sparse fractional vegetation cover in alpine steppe. Pratacultural Science， 2017， 34（9）： 1767-1777.
	夏颖，范建容，张茜彧，等. 复合植被指数在稀疏高寒草原植被盖度遥感反演中的应用. 草业科学， 2017， 34（9）： 1767-1777.
40	Shuai S， Zhang Z， Lv X B， et al. Remote sensing monitoring of vegetation phenological characteristics and vegetation health status in mine restoration areas. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（4）： 224-234.
	帅爽，张志，吕新彪，等. 矿山恢复治理区植被物候与健康状况遥感监测. 农业工程学报， 2021， 37（4）： 224-234.
41	Xu Z Y， Li Y C， Li M Y， et al. Forest biomass retrieval based on Sentinel-1A and Landsat 8 image. Journal of Central South University of Forestry & Technology， 2020， 40（11）： 147-155.
	许振宇，李盈昌，李明阳，等. 基于Sentinel-1A和Landsat 8数据的区域森林生物量反演. 中南林业科技大学学报，2020，40（11）： 147-155.
42	Ramoelo A， Cho M A， Mathieu R， et al. Monitoring grass nutrients and biomass as indicators of rangeland quality and quantity using random forest modelling and WorldView-2 data. International journal of applied earth observation and geoinformation， 2015， 43： 43-54.
43	Wu F， Li Y X， Zhang Y Y et al. Hyperspectral estimation of biomass of winter wheat at difference growth stages based on machine learning algorithms. Journal of Triticeae Crops， 2019， 39（2）： 217-224.
	吴芳，李映雪，张缘园，等. 基于机器学习算法的冬小麦不同生育时期生物量高光谱估算. 麦类作物学报， 2019， 39（2）： 217-224.
44	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.

[1]	戎荣, 孙斌, 武志涛, 高志海, 杜自强, 滕思翰. 灌丛化草原小叶锦鸡儿灌丛地上生物量测量方法研究[J]. 草业学报, 2023, 32(1): 36-47.
[2]	厉方桢, 钟华平, 欧阳克蕙, 赵小敏, 李愈哲. 基于机器学习的阿勒泰地区草地地下生物量估测与数字制图[J]. 草业学报, 2022, 31(8): 13-23.
[3]	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.
[4]	秦格霞, 吴静, 李纯斌, 吉珍霞, 邱政超, 李颖. 基于机器学习算法的天祝藏族自治县草地地上生物量反演[J]. 草业学报, 2022, 31(4): 177-188.
[5]	金哲人, 冯琦胜, 王瑞泾, 梁天刚. 基于MODIS数据与机器学习的青藏高原草地地上生物量研究[J]. 草业学报, 2022, 31(10): 1-17.
[6]	马婧婧, 刘耘华, 盛建东, 李宁, 武红旗, 贾宏涛, 孙宗玖, 程军回. 新疆草地优势种植物相对生物量沿海拔梯度变化特征[J]. 草业学报, 2021, 30(8): 25-35.
[7]	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.
[8]	张殿岱, 王雪梅, 昝梅. 基于Landsat 8 OLI影像的渭-库绿洲植被地上生物量估算[J]. 草业学报, 2021, 30(11): 1-12.
[9]	季波, 何建龙, 吴旭东, 王占军, 谢应忠, 蒋齐. 宁夏典型天然草地土壤有机碳及其活性组分变化特征[J]. 草业学报, 2021, 30(1): 24-35.
[10]	高金龙, 刘洁, 殷建鹏, 葛静, 侯蒙京, 冯琦胜, 梁天刚. 天然草地牧草营养品质的高光谱遥感研究进展[J]. 草业学报, 2020, 29(2): 172-185.
[11]	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.
[12]	倪璐, 吴静, 李纯斌, 秦格霞, 李政, 孔婕. 近30年中国天然草地物候时空变化特征分析[J]. 草业学报, 2020, 29(1): 1-12.
[13]	都帅, 刘昊, 尤思涵, 格根图, 贾玉山. 打捆密度和堆垛方式对天然草地青干草化学成分和真菌毒素的影响[J]. 草业学报, 2019, 28(7): 143-150.
[14]	李明雨, 黄文广, 杨君珑, 李小伟. 宁夏草原植物叶片氮磷化学计量特征及其驱动因素[J]. 草业学报, 2019, 28(2): 23-32.
[15]	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.

基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究

Remote sensing retrieval of nature grassland biomass in Menyuan County， Qinghai Province experimental area based on Sentinel-2 data

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 44

相关文章 15

编辑推荐

Metrics