Identification of areas of Aconitum leucostomum incursion and monitoring of grassland degradation in the Tuohulasu grassland of Xinjiang based on multi feature fusion

doi:10.11686/cyxb2025024

Abstract

Abstract:

Land degradation through colonization by poisonous weeds does not exhibit typical land degradation characteristics such as bare ground or reduced plant biomass， making large-scale remote sensing identification of colonized areas challenging. Texture features and temporal characteristics， as important derivatives of remote sensing images， provide more detailed information on land cover， reducing the ambiguities sometimes referred to as “same object， different spectra” and “same spectra， different objects”. Information from these texture features can significantly improve classification accuracy and reliability. This study focuses on the Tuohulasu grassland in the Ili River Valley， using Sentinel-2 satellite data to extract features indicating presence of the toxic weed Aconitum leucostomum. Based on pixel-scale identification， the distribution range of A. leucostomum was determined， and its proportion in mixed pixels was calculated. Finally， the vegetation cover after excluding A. leucostomum was calculated to analyze the grassland degradation trends in the Tuohulasu grassland from 2018 to 2024. The results show that： 1） Feature selection effectively reduces information redundancy， and the combination of spectral and texture features effectively improves classification accuracy （overall accuracy 91.67%， Kappa coefficient 0.83）. 2） A. leucostomum is mainly distributed in the flat areas of sunny slopes and river valleys. A. leucostomum was found in 40% of the study area， with sparse cover （0-0.25%） as the most common scenario. From 2018 to 2024， the distribution of various density levels has changed by 0.67%-1.17%. 3） After correction， the grassland degradation index changed from mild to moderate between 2018 and 2024， but the proportion of non-degraded areas increased by 1.17%， while the areas with moderate and severe degradation decreased by 1.15% and 0.70%， respectively. This study provides important methodological support for large-scale identification of toxic weeds and monitoring of grassland degradation based on multispectral data.

Key words: Tuohulasu grassland, feature selection, Aconitum leucostomum, grassland degradation

Long YIN, Qi-fei HAN, Yang ZHAO, Wen-xin LIU. Identification of areas of Aconitum leucostomum incursion and monitoring of grassland degradation in the Tuohulasu grassland of Xinjiang based on multi feature fusion[J]. Acta Prataculturae Sinica, 2025, 34(12): 73-84.

Figures/Tables 9

Fig. 1 Location of research area

Table 1 Characteristic variable

特征变量Characteristic variable	特征因子 Characteristic factors	公式 Formula
光谱特征 Band feature	Band2 （B2）	蓝Blue
	Band3 （B3）	绿Green
	Band4 （B4）	红Red
	Band5 （B5）	红边1 Red edge1
	Band6 （B6）	红边2 Red edge 2
	Band7 （B7）	红边3 Red edge 3
	Band8 （B8）	近红外1 Near-infrared 1
	Band8A （B8A）	近红外2 Near-infrared 2
无红边植被指数Vegetation index without red edge	归一化植被指数Normalized difference vegetation index （NDVI）	（B8-B4）/（B8+B4）
	比值植被指数Relative vegetation index （RVI）	B8/B4
	差值植被指数Difference vegetation index （DVI）	B8-B4
	改良土壤调整植被指数Modified soil adjusted vegetation index （MSAVI）	$1 / 2$ × $2 B 8 + 1$ × $2 B 8 + 1 2 - 8 (B 8 - B 4)$
	绿光归一化差值植被指数Green normalized difference vegetation index （GNDVI）	（B8-B3）/（B8+B3）
	土壤调整植被指数Soil adjusted vegetation index （SAVI）	$1.5$ × $(B 8 - B 4) / (B 8 + B 4 + 0.5)$
	增强植被指数Enhanced vegetation index （EVI）	$2.5$ × $(B 8 - B 4) / (B 8 + 6 B 4 - 7.5 B 2 + 1)$
	红边差异植被指数Red edge normalized difference vegetation index （RENDVI）	$1 + (B 8 - B 5 - B 6 - B 7) / (B 8 + B 5 + B 6 + B 7)$
红边植被指数 Red edge vegetation index	改良红边土壤调整植被指数Modified soil adjusted red edge vegetation index （MSAre）	$(B 8 / B 5 - 1) / (B 8 / B 5 ? + ? 1)$
	红边比值植被指数1 Modified red edge simple ratio index 1 （mSR1）	B8/B5
	红边比值植被指数2 Modified red edge simple ratio index 2 （mSR2）	B5/B4
	红边近红外归一化植被指数Red edge near-infrared normalized difference vegetation index （NDVIreni ）	（B8-B5）/（B8+B5）
	红边叶绿素指数Red edge chlorophyll index （CIre）	B8/B5-1
	红边归一化植被指数Red edge normalized difference vegetation index （NDVIre）	（B5-B4）/（B5+B4）
	三角植被指数Triangular vegetation index （TVI）	0.5×｛［120（B5-B3）］-［200（B4-B3）］｝
纹理特征Texture features	均值、方差、同质性、对比度、相异性、熵、角二阶矩和相关性Mean， variance， homogeneity， contrast， dissimilarity， entropy， angular second moment， correlation	基于灰度共生矩阵， 3×3窗口计算 Based on the Gray-Level Co-occurrence Matrix，（GLCM）， calculated with a window size of 3×3

Table 1 Characteristic variable

特征变量Characteristic variable	特征因子 Characteristic factors	公式 Formula
光谱特征 Band feature	Band2 （B2）	蓝Blue
	Band3 （B3）	绿Green
	Band4 （B4）	红Red
	Band5 （B5）	红边1 Red edge1
	Band6 （B6）	红边2 Red edge 2
	Band7 （B7）	红边3 Red edge 3
	Band8 （B8）	近红外1 Near-infrared 1
	Band8A （B8A）	近红外2 Near-infrared 2
无红边植被指数Vegetation index without red edge	归一化植被指数Normalized difference vegetation index （NDVI）	（B8-B4）/（B8+B4）
	比值植被指数Relative vegetation index （RVI）	B8/B4
	差值植被指数Difference vegetation index （DVI）	B8-B4
	改良土壤调整植被指数Modified soil adjusted vegetation index （MSAVI）	$1 / 2$ × $2 B 8 + 1$ × $2 B 8 + 1 2 - 8 (B 8 - B 4)$
	绿光归一化差值植被指数Green normalized difference vegetation index （GNDVI）	（B8-B3）/（B8+B3）
	土壤调整植被指数Soil adjusted vegetation index （SAVI）	$1.5$ × $(B 8 - B 4) / (B 8 + B 4 + 0.5)$
	增强植被指数Enhanced vegetation index （EVI）	$2.5$ × $(B 8 - B 4) / (B 8 + 6 B 4 - 7.5 B 2 + 1)$
	红边差异植被指数Red edge normalized difference vegetation index （RENDVI）	$1 + (B 8 - B 5 - B 6 - B 7) / (B 8 + B 5 + B 6 + B 7)$
红边植被指数 Red edge vegetation index	改良红边土壤调整植被指数Modified soil adjusted red edge vegetation index （MSAre）	$(B 8 / B 5 - 1) / (B 8 / B 5 ? + ? 1)$
	红边比值植被指数1 Modified red edge simple ratio index 1 （mSR1）	B8/B5
	红边比值植被指数2 Modified red edge simple ratio index 2 （mSR2）	B5/B4
	红边近红外归一化植被指数Red edge near-infrared normalized difference vegetation index （NDVIreni ）	（B8-B5）/（B8+B5）
	红边叶绿素指数Red edge chlorophyll index （CIre）	B8/B5-1
	红边归一化植被指数Red edge normalized difference vegetation index （NDVIre）	（B5-B4）/（B5+B4）
	三角植被指数Triangular vegetation index （TVI）	0.5×｛［120（B5-B3）］-［200（B4-B3）］｝
纹理特征Texture features	均值、方差、同质性、对比度、相异性、熵、角二阶矩和相关性Mean， variance， homogeneity， contrast， dissimilarity， entropy， angular second moment， correlation	基于灰度共生矩阵， 3×3窗口计算 Based on the Gray-Level Co-occurrence Matrix，（GLCM）， calculated with a window size of 3×3

Table 2 Classification method and scoring of grassland degradation levels in the research area

退化等级 Degradation level	草地退化等级划分标准 Classification criteria for grassland degradation levels	评分Grade
未退化Undegraded	草地覆盖度达未退化草地的80%以上Grassland coverage reaches over 80% of the undegraded grassland	1
轻度退化Mild degradation	草地覆盖度达未退化草地的60%~80% Grassland coverage reaches 60% to 80% of the undegraded grassland	2
中度退化Moderate degradation	草地覆盖度达未退化草地的40%~60% Grassland coverage reaches 40% to 60% of the undegraded grassland	3
重度退化Severe degradation	草地覆盖度达未退化草地的40%以下Grassland coverage is less than 40% of the undegraded grassland	4

Fig.2 Correlation coefficient matrix of each feature of A.leucostomum distribution

Table 3 Principal component analysis （PCA） of texture feature

特征分量 Principal component	特征值 Eigenvalue	占比 Percent （%）
第1主成分Principal component 1 （PC1）	0.13774	45.4521
第2主成分Principal component 2 （PC2）	0.05692	64.2347
第3主成分Principal component 3 （PC3）	0.04714	79.7890
第4主成分Principal component 4 （PC4）	0.04157	93.5066
第5主成分Principal component 5 （PC5）	0.01968	100.0000

Table 4 Accuracy comparison of A. leucostomum in 2018

方案

Scheme

光谱

特征

Spectral signature

光谱+纹理特征Spectral signature+texture feature

变化

Change

总体精度Overall accuracy （OA， %）

89.22

91.67

2.45

Kappa系数Kappa coefficient

0.78

0.83

0.05

Fig.3 Classification of A.leucostomum with different feature combinations

Table 5 The proportion of pixels with varying degrees of poisoning from 2018 to 2024

像元类别 Pixel category	像元个数 Number of pixels		占比变化Percentage change （%）
像元类别 Pixel category	2018	2024	占比变化Percentage change （%）
无毒草Non-toxic grass	4938701	5328710	4.62
稀疏分布Sparse distribution	2153158	1923890	-2.72
较稀疏分布Slightly sparse distribution	789568	728267	-0.73
较密集分布Slightly densely distribution	404119	358436	-0.54
密集分布Densely distribution	150334	96577	-0.64
总和All	8435880	8435880	0.00

Fig.4 Grassland degradation index and changes of Tuohulasu grassland

References 32

[1]	Tian X C. Causes of grassland degradation in Xinjiang and its impact on soil ecology and biodiversity. Modern Agricultural Science and Technology， 2022（5）： 181-184.
	田新春. 新疆草地退化原因及对土壤生态和生物多样性的影响. 现代农业科技， 2022（5）： 181-184.
[2]	Lang Y B. The characteristics of natural grassland resource and types of grassland deterioration in Sunan County of Gansu Province. Chinese Journal of Grassland， 2008， 30（3）： 100-105.
	郎永斌. 甘肃省肃南县天然草地资源特征及退化类型. 中国草地学报， 2008， 30（3）： 100-105.
[3]	Yu H Y， Yu L P， Yang L P， et al. Analysis on the change of the yield and nutrient content of the edible forage and the grassland grazing capacity in the alpine grassland of Maqu County. China Herbivore Science， 2020， 40（3）： 40-46.
	俞慧云，俞联平，杨林平，等. 玛曲县高寒草地可食牧草产量和养分含量变化及草地承载力分析. 中国草食动物科学， 2020， 40（3）： 40-46.
[4]	Gusman H W， Menges R M， Escobar D E， et al. Pubescence affects spectra and imagery of silverleaf sunflower （Helianthus argophyllus）. Weed Science， 1977， 25（5）： 437-440.
[5]	An R， Jiang D P， Li X X， et al. Using hyperspectral data to determine spectral characteristics of grassland vegetation in central and eastern parts of Three-River Source. Remote Sensing Technology and Application， 2014， 29 （2）： 202-211.
	安如，姜丹萍，李晓雪，等. 基于地面实测高光谱数据的三江源中东部草地植被光谱特征研究. 遥感技术与应用， 2014， 29（2）： 202-211.
[6]	Hu Y N， An R， Ai Z T， et al. Researches on grass species fine identification based on UAV hyperspectral images in Three-River Source region. Remote Sensing Technology and Application， 2021， 36（4）： 926-935.
	胡宜娜，安如，艾泽天，等. 基于无人机高光谱影像的三江源草种精细识别研究. 遥感技术与应用， 2021， 36（4）： 926-935.
[7]	Li H R. Classification and degradation index extraction of grassland vegetation based on hyperspectral remote sensing. Chongqing： Chongqing Jiaotong University， 2022.
	李浩然. 基于高光谱遥感的草地植被分类与退化指标提取研究. 重庆：重庆交通大学， 2022.
[8]	Li Y F， Sun B， Gao Z H， et al. Farmland shelterbelt information extraction based on multispectral image of the ZY1-02E satellite. National Remote Sensing Bulletin， 2024， 28（3）： 624-634.
	李毅夫，孙斌，高志海，等. 5米光学02星多光谱影像农田防护林信息提取. 遥感学报， 2024， 28（3）： 624-634.
[9]	Li H. Technical manual for prevention and control of biological disasters in Yili grassland. Beijing： Chemical Industry Press Co.，Ltd， 2012.
	李宏. 伊犁草原生物灾害防治技术手册. 北京：化学工业出版社， 2012.
[10]	Qinghai Provincial Administration for Market Regulation. DB63/T 241-2021. Technical specification for comprehensive management of poisonous grass in grassland. Xining： Qinghai Provincial Administration for Market Regulation. 2021.
	青海省市场监督管理局. DB63/T 241-2021. 草地毒害草综合治理技术规范. 西宁：青海省市场监督管理局， 2021.
[11]	Su D X， Zhang Z H， Chen Z Z， et al. Discussion on grading indicators for degradation， desertification， and salinization of natural grasslands in China// Research on desertification control and sand industry in China-celebrating the 10th anniversary of the establishment of the Chinese society for desertification control and sand industry （1993-2003）. Beijing： Petroleum Industry Press Academic Papers Collection， 2003.
	苏大学，张自和，陈佐忠，等. 中国天然草地退化、沙化、盐渍化分级指标的商榷// 中国治沙暨沙产业研究——庆贺中国治沙暨沙业学会成立10周年（1993-2003）学术论文集. 北京：石油工业出版社， 2003.
[12]	Abdureheman·Wusiman， Yusufujiang R， Zhang F， et al. Temporal and spatial characteristics of grassland degradation in Xinjiang section of Tianshan Mountains based on remote sensing monitoring and its relationship with climate factors. Pratacultural Science， 2023， 40（7）： 1779-1792.
	阿卜杜热合曼·吾斯曼，玉素甫江·如素力，张发，等. 基于遥感监测的天山新疆段草地退化时空特征及其与气候因子的关系. 草业科学， 2023， 40（7）： 1779-1792.
[13]	Tian C H， Li M Y， Li T， et al. Estimation of forest net primary productivity based on sentinel active and passive remote sensing data and canopy height. Journal of Nanjing Forestry University （Natural Sciences Edition）， 2024， 48（4）： 132-140.
	田春红，李明阳，李陶，等. 基于Sentinel 1&2主被动遥感数据和冠层高度的森林净初级生产力估测. 南京林业大学学报（自然科学版）， 2024， 48（4）： 132-140.
[14]	Cao Y J， Dai J G， Zhang G S， et al. Remote sensing monitoring of non-agriculturalization in typical areas of the Northern Xinjiang of China based on feature optimization. Transactions of the Chinese Society of Agricultural Engineering， 2024， 40（5）： 275-286.
	曹宇娟，戴建国，张国顺，等. 基于特征优选的北疆典型区域非农化遥感监测. 农业工程学报， 2024， 40（5）： 275-286.
[15]	Xu D. Research on typical crop classification based on multiple features. Changchun： Jilin University， 2023.
	徐达. 基于多种特征的典型农作物分类研究. 长春：吉林大学， 2023.
[16]	She J， Shen A H， Shi Y， et al. Vegetation classification of UAV remote sensing in desert steppe based on object-oriented technology. Acta Prataculturae Sinica， 2024， 33（7）： 1-14.
	佘洁，沈爱红，石云，等. 基于无人机遥感影像和面向对象技术的荒漠草原植被分类. 草业学报， 2024， 33（7）： 1-14.
[17]	Zhou X C， Zheng L， Huang H Y. Classification of forest stand based on multi-feature optimization of UAV visible light remote sensing. Scientia Silvae Sinicae， 2021， 57（6）： 24-36.
	周小成，郑磊，黄洪宇. 基于多特征优选的无人机可见光遥感林分类型分类. 林业科学， 2021， 57（6）： 24-36.
[18]	Wang J L. Research on species diversity and integrated control technology of poisonous weeds in Xinjiang grazing grassland. Yangzhou： Yangzhou University， 2020.
	王军亮. 新疆放牧草地毒害草种属多样性与综合防控措施研究. 扬州：扬州大学， 2020.
[19]	Chen N， Zhang Y J， Zhu J T， et al. Nonlinear responses of productivity and diversity of alpine meadow communities to degradation. Chinese Journal of Plant Ecology， 2018， 42（1）： 50-65.
	陈宁，张扬建，朱军涛，等. 高寒草甸退化过程中群落生产力和物种多样性的非线性响应机制研究. 植物生态学报， 2018， 42（1）： 50-65.
[20]	Tuo W H， Liu Z H， Zhang R L， et al. Research progress on the causes and restoration of degraded grassland of black soil land in Qinghai Province. Qinghai Prataculture， 2024， 33（4）： 43-49.
	妥万花，刘泽华，张润琳，等. 青海省黑土滩退化草地的成因及恢复治理研究进展. 青海草业， 2024， 33（4）： 43-49.
[21]	Ren H， Zhao C Z， An L J. Spatial point patterns of Stellera chamaejasme and Stipa krylovii populations in degraded grassland of noxious and miscellaneous types based on Ripley’s K（r） function. Journal of Arid Land Resources and Environment， 2015， 29（1）： 59-64.
	任珩，赵成章，安丽涓. 基于Ripley的K（r）函数的"毒杂草"型退化草地狼毒与西北针茅种群空间分布格局. 干旱区资源与环境， 2015， 29（1）： 59-64.
[22]	Ren H， Zhao C Z， An L J. Niche characteristics of ‘noxious and miscellaneous grass type’ degraded grassland on northern slope of Qilian Mountains， China. Chinese Journal of Ecology， 2013， 32（10）： 2711-2715.
	任珩，赵成章，安丽涓. 祁连山北坡“毒杂草”型退化草地群落生态位特征. 生态学杂志， 2013， 32（10）： 2711-2715.
[23]	Deng T T， Li C B， Sun H S， et al. Degradation and vegetation characteristics of Kovresia tibeica swamp meadow in the Sanjiangyuan area. Grassland and Turf， 2024， 44（6）： 199-207.
	邓彤彤，李长斌，孙海松，等. 青藏高原三江源地区藏嵩草沼泽化草地退化与植被特征的变化. 草原与草坪， 2024， 44（6）： 199-207.
[24]	Zhao C Z， Fan S Y， Yin C Q， et al. Study on vegetation community’s structure of degraded grassland of noxious and miscellaneous grass type. Journal of Desert Research， 2004， 24（4）： 129-134.
	赵成章，樊胜岳，殷翠琴，等. 毒杂草型退化草地植被群落特征的研究. 中国沙漠， 2004， 24（4）： 129-134.
[25]	Huang B， Wang Y， Deng X B， et al. Study on the effects of different degradation types on plant diversity and interspecific relationship in alpine grassland： a case study in Lixian County. Journal of Sichuan Forestry Science and Technology， 2024， 45（5）： 85-91.
	黄波，王悦，邓小兵，等. 高寒草地不同退化类型对植物多样性与种间关系的影响研究——以理县为例. 四川林业科技， 2024， 45（5）： 85-91.
[26]	Cheng C F. Causes and countermeasures of grassland degradation of Altai mountains. Protection Forest Science and Technology， 2022（2）： 57-59.
	程传飞. 阿尔泰山草地退化原因及治理对策. 防护林科技， 2022（2）： 57-59.
[27]	Sun X F， Tang H J， Yang H W， et al. The causes of grassland degradation and countermeasures in China. Journal of Anhui Agricultural Sciences， 2024， 52（9）： 39-44， 50.
	孙小富，唐华江，杨红文，等. 我国草地退化原因及治理对策. 安徽农业科学， 2024， 52（9）： 39-44， 50.
[28]	Li M M， Wu B F， Yan C Z， et al. Estimation of vegetation fraction in the Upper Basin of Miyun Reservoir by remote sensing. Resources Science， 2004， 26（4）： 153-159.
	李苗苗，吴炳方，颜长珍，等. 密云水库上游植被覆盖度的遥感估算. 资源科学， 2004， 26（4）： 153-159.
[29]	Pang G W， Yang Q K， Wang C M. et al. Influence of parameter determination methods of the pixel dichotomy model on the estimation accuracy of fractional vegetation cover by GF-1 PMS data. Geography and Geo-Information Science， 2019， 35（4）： 27-33.
	庞国伟，杨勤科，王春梅，等. 像元二分模型参数确定方法对高分一号PMS数据估算植被覆盖度精度的影响. 地理与地理信息科学， 2019， 35（4）： 27-33.
[30]	Yang J Y， Li X G， Yan K， et al. Temporal and spatial variation characteristics of grassland vegetation coverage in Hejing of Xinjiang based on remote sensing and Dimidiate pixel model. Journal of Northwest Forestry University， 2017， 32（1）： 210-217.
	杨静雅，李新国，闫凯，等. 基于遥感与像元二分模型的新疆和静县草地植被覆盖度时空变化特征研究. 西北林学院学报， 2017， 32（1）： 210-217.
[31]	Liu X B. Experimental study on estimation of grassland coverage by the pixel dichotomy model using remotely sensed data. Huhhot： Inner Mongolia Normal University， 2020.
	刘晓波. 基于像元二分模型的草地覆盖度遥感估算实验研究. 呼和浩特：内蒙古师范大学， 2020.
[32]	Wang J Q， Li J F， Wang Z Y， et al. Analysis of vegetation coverage change in typical oasis area in recent 20 years based on Dimidiate Pixel model. Water Saving Irrigation， 2019（1）： 96-101.
	王金强，李俊峰，王昭阳，等. 基于像元二分模型的典型绿洲区近20年植被覆盖变化及分析. 节水灌溉， 2019（1）： 96-101.