基于多特征融合的無人機天山假狼毒地上生物量估算

摘 要：【目的】研究無人機多特征構建天山假狼毒地上生物量（AGB）估算模型的能力，為草地退化程度的分級提供參考依據。【方法】天山假狼毒（Diarthron tianschanicum）作為退化指示植物之一，其生長狀況可反映草地退化程度。通過可見光高空間分辨率遙感影像提取光譜特征、紋理特征和天山假狼毒覆蓋度，將三者分別作為輸入量建立一元線性模型，三類特征融合構建多元逐步回歸與人工神經網絡模型，分析多特征融合估算天山假狼毒AGB的效果。【結果】（1）盛花期為天山假狼毒最佳覆蓋度提取窗口期，利用RF算法構建的天山假狼毒提取模型效果較為理想，總體精度在81%以上。（2）光譜特征、紋理特征、覆蓋度均與天山假狼毒AGB具有相關性，其中紋理特征cor_G相關性最高，達0.784。（3）對比單一植被指數、紋理特征、覆蓋度及任意兩種特征組合作為輸入量，多特征融合估算天山假狼毒AGB的精度最高，R²、RMSE為0.870、15.383，并利用人工神經網絡模型對此結論進行驗證。【結論】融合光譜特征、紋理指數、覆蓋度能有效提高天山假狼毒AGB估算精度。

關鍵詞：無人機；天山假狼毒生物量；可見光；覆蓋度；紋理特征

中圖分類號：S812 文獻標志碼：A 文章編號：1001-4330（2024）10-2527-10

收稿日期（Received）：2024-03-28

基金項目：新疆維吾爾自治區重點研發任務專項計劃（2022B02003）

作者簡介：侯正清（1999-），女，新疆昭蘇人，碩士研究生，研究方向為農業信息化，（E-mail）287511284@qq.com

通訊作者：顏安（1983-），男，四川資陽人，教授，博士，碩士生/博士生導師，研究方向為數字農業與生態環境遙感監測，（E-mail）yanan@xjau.edu.cn

0 引 言

【研究意義】新疆為我國主要牧區之一，草原面積5 200×10⁴ hm²，占全疆總面積的34.4%^［1］。過度放牧和氣候變化等因素，導致天然草地85%以上草原發生不同程度的退化^［2］，主要表現為草地生產力下降、植被覆蓋度降低、毒害草大量繁殖和擴散，影響當地畜牧業生產和生態平衡^［3］。發生毒害草化的天然草地面積為 681.7 hm²，大約是全疆可利用草地總面積的14.17%^［4］。因此，草原毒害草的監測和防控成為目前退化草地修復的關鍵技術難題。草地退化指示植物種地上產草量相對增加率是我國天然草地退化分級的重要指標之一。天山假狼毒作為我國草原退化的重要指示植物，對其進行地上生物量（above ground biomass，AGB）估算可為草地退化程度分級提供方法依據。【前人研究進展】目前主要通過直接收獲法測定草地AGB，該傳統估算方法成本較高、耗費的時間和精力較多，且易破壞一些相對脆弱的草地生態系統，且無法連續大范圍觀測^［5］。近年來，隨著無人機技術的迅猛發展，將無人機與數碼相機等遙感監測平臺相結合已成為一種趨勢。這種組合具有性價比高、數據處理簡便以及分辨率高等特點。無人機多光譜、高光譜等技術已成功應用于田間作物表型信息的獲取，這些技術能夠對作物的葉面積指數、生物量、葉綠素等屬性進行精確研究^［6-11］。盡管數碼相機的光譜分辨率較低，僅具備紅、綠、藍三個通道，但因其高性價比高、空間分辨率高等特點，也是目前植被AGB研究領域的熱點^［12］。張正健等^［13］使用可見光植被指數對若爾蓋草地進行地上生物量估算，得到NGRDI模型對生物量具有最高的模擬精度。然而，僅利用光譜特征進行生物量估測，在高植被密度條件下，植被指數會表現出對冠層生物量變化不敏感，即出現所謂的“飽和”現象^{［12，14］}。近年來，隨著技術的不斷進步，利用無人機影像并結合光譜特征和紋理特征進行作物生長狀況估算的研究是備受關注的熱點領域。該種方法能夠提供高分辨率的影像數據，以及豐富的光譜和紋理信息，為作物生長狀況的準確估算提供了有力的支持。劉欣誼等^［15］選用圖像顏色與紋理特征數據在小麥越冬前期和拔節期對產量進行預測，得到不同時期將兩種數據結合模型精度更高；劉楊等^［16］采用不同分辨率的無人機數碼影像的研究結果表明，隨著數碼影像分辨率的提高，利用光譜信息、紋理信息以及光譜與紋理信息相結合進行地上生物量估算的精度逐漸改善。同時，有研究發現植被覆蓋度是估算AGB的重要指標，兩者密切相關^［17］。【本研究切入點】以往的研究在估算AGB時往往未充分考慮光譜特征、紋理指數和植被覆蓋度等指標的綜合作用。因此，目前尚缺乏將這些指標共同應用于草地AGB估算的研究，且對背景復雜中的單一植被或退化指示植物AGB估算較少。使用不同傳感技術監測作物生長在以往的研究已經很多，取得了相當的進展。然而，基于可見光影像估算AGB的研究相對較少，大部分研究仍依賴于光譜數據和野外實測數據來進行AGB的估算。僅僅利用光譜特征對生長分布不均、容易受到其他綠色植被光譜干擾的毒害草進行AGB估算，存在一定的局限性。需從RGB圖像中挖掘不同種類特征，增加不同特征貢獻值估算天山假狼毒AGB，對稀疏分布植被AGB估算。【擬解決的關鍵問題】在利用高空間分辨率的可見光無人機影像，根據天山假狼毒與其他牧草的光譜差異選用機器學習的方法提取天山假狼毒覆蓋度，將光譜特征、紋理特征和天山假狼毒覆蓋度結合，通過多元統計模型和人工神經網絡模型等方法，估算天山假狼毒AGB，以期提高天山假狼毒AGB估算精度，為后續退化草地評判提供方法。

1 材料與方法

1.1 材 料

1.1.1 研究區概況

試驗地位于新疆伊犁哈薩克自治州（簡稱伊犁州）昭蘇縣馬場（43°07′～43°09 N，80°59′～81°01′E），海拔1 983～1 990 m，屬大陸性溫帶山區半干旱半濕潤冷涼氣候，4月下旬至6月上旬雨水充沛。所處地段為山地草甸草地。由于過度放牧以及氣候變化等因素，不可食牧草與雜類草比例上升，尤其是毒害草天山假狼毒成為群落的優勢種。表1

1.1.2 數據來源

1.1.2.1 野外實測數據

于2022年植物生長旺盛季（盛花期，6月下旬）采集天山假狼毒AGB數據，此時處于天山假狼毒果實膨大期，葉片長到最大、功能完善且表型特征與其他植被差異最明顯，共采集45個1 m×1 m樣方。測量每個樣方中植被的種類、株高、覆蓋度、地上生物量，共計單株天山假狼毒98株。株高使用卷尺測量（cm），蓋度使用樣方框法測定（%），地上生物量使用陰干稱重法獲取干重（g）。

1.1.2.2 無人機影像獲取及預處理

采用四旋翼電動無人機（大疆精靈4A）獲取影像數據，可實時獲取數據采集時刻的位置和姿態信息。無人機的負載重量為1.52 kg，續航時間為25～30 min。所搭載高清數碼相機型號為FC_6310，其具備2 000萬有效像素，圖像分辨率5 472像素×3 648像素，焦距9 mm。無人機航拍時間為2022年6月25日午間12：00，當天太陽光照強度穩定，晴朗無云，無人機飛行航向重疊度、旁向重疊度和主航線角度分別為80%、75%和90°，飛行高度20 m，使用大疆智圖軟件進行圖像拼接處理。

1.2 方 法

1.2.1 植被指數提取

植被指數（Vegetation Index，VI）是一種簡單有效的方法，被廣泛用于評估地表植被的狀況。其可以反映植被在不同波段之間與土壤背景的反射差異，不同的植被指數可以在一定條件下定量地表明植被的生長狀況^［18］。通過可見光無人機拍攝的數碼影像能較好的反映出草地植物的AGB信息，篩選出8種植被指數進行草地AGB估測分析。表2

1.2.2 紋理特征提取

采用灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）提取各波段紋理特征（Texture indexes，Tis），使用ENVI 5.3軟件二階概率統計的濾波（Co-occurrence measures）工具計算均值（Mean，mean）、方差（Variance，var）、協同性（Homogeneity，hom）、對比度（Contrast，con）、相異性（Dissimilarity，dis）、信息熵（Entropy，ent）、二階矩（Second Moment，sm）和相關性（Correlation，cor）8個基于二階矩陣的紋理特征值^［20］，得到每個波段的8個紋理特征，R、G、B三波段共24個紋理特征值。無人機影像的分辨率為0.55 cm/px，大多數窗口大小涉及土壤與多種植被背景較為復雜，因此在該研究中，紋理分析選取最小的3×3窗口分析，灰度量化級別選擇64，方向選取90°。表3

1.2.3 基于光譜特征的天山假狼毒覆蓋度提取方法

植被覆蓋度（Fraction Vegetation Coverage，FVC）是指植被在地面的垂直投影面積占總面積的百分比，技術上為天山假狼毒像元與小區總像元之比^{［22，23］}。由于天山假狼毒覆蓋度與AGB之間相關性高達0.785，因此提取天山假狼毒覆蓋度并將其作為AGB估算模型輸入量之一。通過對比天山假狼毒盛花期與其他地物光譜特征，發現有較大差異可以進行區分。在研究區使用隨機森林算法的監督分類對天山假狼毒提取，通過目視解選取訓練樣本，建立解譯標志，對地物進行分類，通過聚類分析對細小圖斑進行合并，窗口大小設置為3×3^{［23，24］}，并對分類結果進行精度驗證，得到天山假狼毒在影像中的分布情況。

1.3 數據處理

選擇天山假狼毒盛花期的數據進行模型構建，共采集了45個樣本，并使用5折交叉驗證法對模型的準確性進行驗證。采用了3種建模方式：一元回歸模型（即一元線性模型）、多元回歸模型（即多元逐步回歸模型和人工神經網絡模型）。使用決定系數（Determination coefficient，R²）和均方根誤差（Root Mean Square Error，RMSE）來評估模型的準確性。較高的R²值與較低的RMSE值表示模型的準確性較高^［25］。

1.3.1 K-折交叉驗證

K-折交叉驗證是應用最廣泛的泛化誤差估計方法之一，常用于數據集有限的情況^［26］。首先將數據集均勻地分成K個樣本子集，然后依次遍歷這K個子集。每一次均將當前的子集作為驗證集，而將其他的數據作為訓練集。這個過程將重復K次，最后得到的K折交叉驗證模型的準確性是這K次訓練的準確性的平均值^［27］。研究采用5折交叉驗證的方法，該方法保證數據集中的每個數據既是建模集又是驗證集，所有數據都將被利用，可以避免由于數據集劃分不合理而導致的在訓練集上過擬合問題。

1.3.2 線性模型

利用SPSS 22.0軟件（IBM，USA），采用皮爾遜相關分析法對8種植被指數、24種紋理特征和天山假狼毒覆蓋度分別與AGB進行相關性分析，并建立相應的一元線性模型來估算天山假狼毒AGB。此外，將植被指數、紋理特征和天山假狼毒覆蓋度進行兩兩融合或三特征組合，作為輸入量構建多元線性逐步回歸模型來估算天山假狼毒AGB。使用多元線性逐步回歸模型可以消除自變量之間的多重共線性，并使殘差符合正態分布。

1.3.3 人工神經網絡模型

目前，基于誤差反向傳播（Back Propagation，BP）的人工神經網絡是一種被廣泛應用的神經網絡模型。其主要原理是通過逐層計算目標函數對各神經元權值的偏導數，并利用梯度下降法對權值進行更新，從而使得模型能夠學習和達到一定的水平^［28］。在研究中，所采用的人工神經網絡結構包括輸入層、隱藏層和輸出層。其中，輸入層不參與運算，而隱藏層和輸出層則是全連接層；在研究中，構建一個具有4層隱藏層的人工神經網絡模型，其中使用了identity作為激活函數，并選擇了lbfgs作為求解器。學習率設定為0.1，并進行1 000次迭代。該模型的目的是通過輸入植被指數、紋理指數和天山假狼毒覆蓋度等因素作為變量，驗證多特征融合估算天山假狼毒AGB有效性。

2 結果與分析

2.1 光譜、紋理特征和覆蓋度與天山假狼毒AGB相關性

研究表明，所選的8個植被指數與天山假狼毒AGB相關性在0.01水平下達到極顯著（Plt;0.01），根據絕對值大小的順序排列，植被指數與天山假狼毒AGB相關性依次為ExR、RGRI、NGBDI、NRI、NBI、NGRDI、NGI和GBRI，其相關系數絕對值|R|分別為0.745、0.710、0.692、0.643、0.628、0.578、0.569和0.495。其中只有8個特征與天山假狼毒AGB之間存在極顯著相關（Plt;0.01），其相關性由大到小依次為cor_G、cor_R、mean_G、mean_B、hom_B、cor_B、hom_R和hom_G，對應的|R|分別為0.784、0.766、0.722、0.600、0.489、0.462和0.452。提取的天山假狼毒覆蓋度與天山假狼毒AGB之間存在顯著相關性，|R|為0.720。圖1

2.2 天山假狼毒覆蓋度提取

2.2.1 天山假狼毒與其他地物灰度值差異

研究表明，6月下旬盛花期時天山假狼毒白粉花與其他牧草、裸地分離度較好且不存在重合區域，因此6月下旬為提取天山假狼毒光譜特征最佳窗口期。圖2

2.2.2 天山假狼毒提取結果

研究表明，基于天山假狼毒盛花期使用隨機森林監督分類，將通過目視解譯得到的部分地表真實影像與分類結果計算得到混淆矩陣作為分類實際精度，總體制圖精度達81.33%，天山假狼毒的用戶精度達70.62%，制圖精度達73.65%，可作為天山假狼毒覆蓋度提取精度。圖3，圖4

2.3 一元線性回歸的生物量估測模型

研究表明，在與AGB建立的8種光譜特征（VIs）的一元線性模型中，ExR模型的R²值最高，為0.544，RMSE為29.315；在與AGB建立的8種紋理特征（TIS）的一元線性模型中，cor_G模型的R²值最高，達到0.606，RMSE為27.237；而天山假狼毒覆蓋度（FVC）與AGB建立的一元線性模型的R²值為0.501，RMSE為30.664。精度從高到低依次為cor_G、ExR、FVC。表4

2.4 多元逐步回歸的生物量估測模型

研究表明，結合VIs和TIs的多元逐步回歸模型精度（R²=0.850，RMSE=16.739）明顯優于單一VIs模型（R²=0.544，RMSE=29.315）。而結合VIs、TIs和天山假狼毒覆蓋度FVC的多元逐步回歸模型（R²=0.870，RMSE=15.383）具有最高的精度，優于任意單一特征和任意兩兩組合的變量。VIs+TIs+FVC融合估算AGB估算是一種有效的方法，可以顯著提高AGB估算的準確性。表4～5

2.5 神經網絡的生物量估測模型

研究表明，通過將三類輸入變量：VIs、TIs、FVC、VIs+TIs、VIs+FVC、TIs+FVC和VIs+TIs+FVC共7種組合依次輸入人工神經網絡模型中，構建了AGB估算模型，并對模型精度進行了對比。當VIs+TIs構建AGB模型時，發現模型的精度（R²=0.785，RMSE=20.345）明顯優于單一VIs構建的AGB模型（R²=0.648，RMSE=24.060），R²提高0.137，RMSE降低3.175；將VIs+TIs+FVC融合構建AGB模型時，模型的精度最高（R²=0.806，RMSE=22.685）。AGB估算結論的一致性進行驗證，進一步證實了結合植被指數、紋理指數和天山假狼毒覆蓋度進行AGB估算的方法能夠有效提高模型準確性。表6

3 討 論

3.1 首先使用皮爾遜相關分析法對天山假狼毒VIs、TIs、FVC與天山假狼毒AGB進行定量相關性分析，發現所選8種VIs、FVC均與AGB極顯著相關，而所選24種TIs中只有8種與AGB極顯著相關，說明相比于植被指數，TIs的穩定性較差，后續可考慮將植被指數的思想運用到TIs，經線性運算后使用紋理指數以提高其相關性估算天山假狼毒AGB，以有前人使用紋理指數作為變量估算生長指標，并說明經數學組合后的紋理指數可提升其相關性^［18］。

3.2 該研究利用多元逐步回歸模型，將VIs、TIs、FVC結合起來建立天山假狼毒AGB估算模型。結合VIs和TIs的多元逐步回歸模型（R²=0.850，RMSE=16.739）明顯優于單一VIs模型（R²=0.544，RMSE=29.315），將VIs+TIs+FVC融合估算天山假狼毒AGB（R²=0.870，RMSE=15.383）精度最高，優于所有單一輸入量和任意兩類輸入量組合，其中VIs中的NBI貢獻最大，并使用bp神經網絡對此結論進行驗證，得到三者共同估算天山假狼毒AGB（R²=0.806，RMSE=22.685）精度最高。這主要是因為多指標融合模型綜合了VIs、TIs、FVC對AGB估算的共同貢獻，該結果與前人^{［29，30］}使用多特征估算作物生長指標得出的結果一致。紋理特征是物體表面的內在屬性，提供了地物的空間特征，不易受外界環境如顏色、亮度、地形等干擾，能在一定程度上抑制“同譜異物、同物異譜”現象的發生^［31］，有效彌補了光譜特征的不足，其中紋理測量均值包含移動窗口大小，選擇合適窗口可以平滑圖像，使背景的干擾最小化^［32］。天山假狼毒的覆蓋度隨著AGB的增加而增加，雖天山假狼毒頂部花蕊與其他植被的光譜差異大，但其下部與與其他植被的具有相似光譜特征且對于葉片相互遮擋的現象無法較好提取天山假狼毒，后續可更具不同場景采取更好的提取方法。

4 結 論

4.1 天山假狼毒盛花期與其他地物光譜差異最大為最佳識別窗口期，利用RF算法構建的天山假狼毒提取模型效果較為理想，總體精度在81%以上。

4.2 基于可見光無人機提取天山假狼毒光譜特征、紋理特征、覆蓋度，其中紋理特征cor_G的|R|最高達0.784，TIs與AGB的|R|為0.78～0.45，VIs與AGB的|R|為0.74～0.40，FVC與AGB的|R|為0.720。

4.3 將VIs、TIs、FVC作為模型輸入因子，分別以單一特征、任意兩種特征組合、三種特征融合作為模型輸入量，多特征融合估算天山假狼毒AGB的精度最高（R²=0.870，RMSE=15.383）并將3種特征融合輸入人工神經網絡模型，驗證多特征估算的有效性，結合VIs、TIs、FVC融合估算AGB具有較好的精度。

參考文獻（References）

［1］江惠， 王明利， 勵汀郁， 等. 新疆草原畜牧業轉型升級：發展現狀、現實困境與實現路徑［J］.華中農業大學學報， 2023， 42（5）： 42-52.

JIANG Hui， WANG Mingli， LI Tingyu， et al. Transformation and upgrading of grassland animal husbandry in Xinjiang： development status， realistic dilemma and realization path［J］.Journal of Huazhong Agricultural University， 2023， 42（5）： 42-52.

［2］ 閆俊杰， 劉海軍， 崔東， 等. 近15年新疆伊犁河谷草地退化時空變化特征［J］.草業科學， 2018， 35（3）： 508-520.

YAN Junjie， LIU Haijun， CUI Dong， et al. Spatiotemporal dynamics of grassland degradation in Yili Valley of Xinjiang over the last 15 years［J］.Pratacultural Science， 2018， 35（3）： 508-520.

［3］ 李宏， 陳衛民， 陳翔， 等. 新疆伊犁草原毒害草種類及其發生與危害［J］.草業科學， 2010， 27（11）： 171-173.

LI Hong， CHEN Weimin， CHEN Xiang， et al. Poisonous weed species and their harmfulness in the grassland of Yili regions， Xinjiang Uygur Autonomous Region of China［J］.Pratacultural Science， 2010， 27（11）： 171-173.

［4］ 李宏， 陳衛民， 王華， 等. 四種吡啶類除草劑防除白喉烏頭的篩選試驗［J］.現代農藥， 2010， 9（3）： 48-50.

LI Hong， CHEN Weimin， WANG Hua， et al. Screening experiment of four pyridine herbicides on the Aconitum leucostomum［J］.Modern Agrochemicals， 2010， 9（3）： 48-50.

［5］ 范云豹， 宮兆寧， 趙文吉， 等. 基于高光譜遙感的植被生物量反演方法研究［J］.河北師范大學學報（自然科學版）， 2016， 40（3）： 267-271.

FAN Yunbao， GONG Zhaoning， ZHAO Wenji， et al. Study on vegetation biomass inversion method based on hyperspectral remote sensing［J］.Journal of Hebei Normal University （Natural Science Edition）， 2016， 40（3）： 267-271.

［6］ 劉建剛， 趙春江， 楊貴軍， 等. 無人機遙感解析田間作物表型信息研究進展［J］.農業工程學報， 2016， 32（24）： 98-106.

LIU Jiangang， ZHAO Chunjiang， YANG Guijun， et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform［J］.Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（24）： 98-106.

［7］ Candiago S， Remondino F， De Giglio M， et al. Evaluating multispectral images and vegetation indices for precision farming applications from UAV images［J］.Remote Sensing， 2015， 7（4）： 4026-4047.

［8］ Potgieter A B， George-Jaeggli B， Chapman S C， et al. Multi-spectral imaging from an unmanned aerial vehicle enables the assessment of seasonal leaf area dynamics of Sorghum breeding lines［J］.Frontiers in Plant Science， 2017， 8： 1532.

［9］ Yang G J， Li C C， Wang Y J， et al. The DOM generation and precise radiometric calibration of a UAV-mounted miniature snapshot hyperspectral imager［J］.Remote Sensing， 2017， 9（7）： 642.

［10］ Nie S， Wang C， Dong P L， et al. Estimating leaf area index of maize using airborne discrete-return LiDAR data［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2016， 9（7）： 3259-3266.

［11］ Guo Q H， Su Y J， Hu T Y， et al. An integrated UAV-borne lidar system for 3D habitat mapping in three forest ecosystems across China［J］.International Journal of Remote Sensing， 2017， 38（8/9/10）： 2954-2972.

［12］ 陶惠林， 徐良驥， 馮海寬， 等. 基于無人機數碼影像的冬小麥株高和生物量估算［J］.農業工程學報， 2019， 35（19）： 107-116.

TAO Huilin， XU Liangji， FENG Haikuan， et al. Estimation of plant height and biomass of winter wheat based on UAV digital image［J］.Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（19）： 107-116.

［13］ 張正健， 李愛農， 邊金虎， 等. 基于無人機影像可見光植被指數的若爾蓋草地地上生物量估算研究［J］.遙感技術與應用， 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.

［14］ 陳鵬飛， Nicolas Tremblay， 王紀華， 等. 估測作物冠層生物量的新植被指數的研究［J］.光譜學與光譜分析， 2010， 30（2）： 512-517.

CHEN Pengfei， Nicolas Tremblay， WANG Jihua， et al. New index for crop canopy fresh biomass estimation［J］.Spectroscopy and Spectral Analysis， 2010， 30（2）： 512-517.

［15］ 劉欣誼， 仲曉春， 陳晨， 等. 利用無人機圖像顏色與紋理特征數據在小麥生育前期對產量進行預測［J］.麥類作物學報， 2020， 40（8）： 1002-1007.

LIU Xinyi， ZHONG Xiaochun， CHEN Chen， et al. Prediction of wheat yield using color and texture feature data of UAV image at early growth stage［J］.Journal of Triticeae Crops， 2020， 40（8）： 1002-1007.

［16］ 劉楊， 馮海寬， 孫乾， 等. 不同分辨率無人機數碼影像的馬鈴薯地上生物量估算研究［J］.光譜學與光譜分析， 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.

［17］ 劉艷慧， 蔡宗磊， 包妮沙， 等. 基于無人機大樣方草地植被覆蓋度及生物量估算方法研究［J］.生態環境學報， 2018， 27（11）： 2023-2032.

LIU Yanhui， CAI Zonglei， BAO Nisha， et al. Research of grassland vegetation coverage and biomass estimation method based on major quadrat from UAV photogrammetry［J］.Ecology and Environmental Sciences， 2018， 27（11）： 2023-2032.

［18］ 杭艷紅， 蘇歡， 于滋洋， 等. 結合無人機光譜與紋理特征和覆蓋度的水稻葉面積指數估算［J］.農業工程學報， 2021， 37（9）： 64-71.

HANG Yanhong， SU Huan， YU Ziyang， et al. Estimation of rice leaf area index combining UAV spectrum， texture features and vegetation coverage［J］.Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 64-71.

［19］ 牛慶林， 馮海寬， 楊貴軍， 等. 基于無人機數碼影像的玉米育種材料株高和LAI監測［J］.農業工程學報， 2018， 34（5）： 73-82.

NIU Qinglin， FENG Haikuan， YANG Guijun， et al. Monitoring plant height and leaf area index of maize breeding material based on UAV digital images［J］.Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（5）： 73-82.

［20］ Jiang B R， Wang P， Zhuang S， et al. Detection of maize drought based on texture and morphological features［J］.Computers and Electronics in Agriculture， 2018， 151： 50-60.

［21］ 劉詠梅， 胡念釗， 龍永清， 等. 無人機RGB影像在高寒草地狼毒入侵監測及蓋度估算中的應用［J］.中國草地學報， 2023， 45（2）： 1-12.

LIU Yongmei， HU Nianzhao， LONG Yongqing， et al. Application of UAV RGB image in monitoring and coverage estimation of Stellera chamaejasme invasion in alpine grasslands， Qinghai-Tibet Plateau［J］.Chinese Journal of Grassland， 2023， 45（2）： 1-12.

［22］ 賈坤， 姚云軍， 魏香琴， 等. 植被覆蓋度遙感估算研究進展［J］.地球科學進展， 2013， 28（7）： 774-782.

JIA Kun， YAO Yunjun， WEI Xiangqin， et al. A review on fractional vegetation cover estimation using remote sensing［J］.Advances in Earth Science， 2013， 28（7）： 774-782.

［23］ 劉智彪. 基于無人機遙感的白喉烏頭防效監測方法的研究［D］.烏魯木齊： 新疆農業大學， 2022.

LIU Zhibiao. Study on Monitoring Method of Aconitum Leucostomum Prevention Effect Based on Unmanned Aerial Vehicl Remote Sensing［D］.Urumqi： Xinjiang Agricultural University， 2022.

［24］ Haralick R M， Shanmugam K， Dinstein I. Textural features for image classification［J］.IEEE Transactions on Systems， Man， and Cybernetics， 1973， SMC-3（6）： 610-621.

［25］ 范宏. 基于UAV影像的草原毒害草識別檢測方法研究——以白喉烏頭為例［D］.烏魯木齊： 新疆大學， 2020.

FAN Hong. Research on Identification and Detection Method of Grassland Poisonous Grass Based on UAV Image［D］.Urumqi： Xinjiang University， 2020.

［26］ 陳鵬， 馮海寬， 李長春， 等. 無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量［J］.農業工程學報， 2019， 35（11）： 63-74.

CHEN Peng， FENG Haikuan， LI Changchun， et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image［J］.Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（11）： 63-74.

［27］ Karal . Performance comparison of different kernel functions in SVM for different k value in k-fold cross-validation［C］//2020 Innovations in Intelligent Systems and Applications Conference （ASYU）. Istanbul， Turkey. IEEE， 2020： 1-5.

［28］ Chanda M， Biswas M. Plant disease identification and classification using Back-Propagation Neural Network with Particle Swarm Optimization［C］//2019 3rd International Conference on Trends in Electronics and Informatics （ICOEI）. Tirunelveli， India. IEEE， 2019： 1029-1036.

［29］ 王來剛， 賀佳， 鄭國清， 等. 基于無人機多光譜遙感的玉米FPAR估算［J］.農業機械學報， 2022， 53（10）： 202-210.

WANG Laigang， HE Jia， ZHENG Guoqing， et al. Estimation of maize FPAR based on UAV multispectral remote sensing［J］.Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（10）： 202-210.

［30］ 楊福芹， 馮海寬， 肖天豪， 等. 融合無人機影像光譜與紋理特征的冬小麥氮營養指數估算［J］.農業現代化研究， 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.

［31］ 汪小欽， 江洪， 傅銀貞. 森林葉面積指數遙感研究進展［J］.福州大學學報（自然科學版）， 2009， 37（6）： 822-828.

WANG Xiaoqin， JIANG Hong， FU Yinzhen. The progress of the forest LAI estimation from remote sensing data［J］.Journal of Fuzhou University （Natural Science Edition）， 2009， 37（6）： 822-828.

［32］ Yu Z Y， Ustin S L， Zhang Z C， et al. Estimation of a new canopy structure parameter for rice using smartphone photography［J］.Sensors， 2020， 20（14）： 4011.

Estimation of above ground biomass of drone Diarthron tianschanicum based on multi feature fusion

HOU Zhengqing¹， YAN An²， XIE Kaiyun²， YUAN Yilin¹， XIA Wenqiu³，

XIAO Shuting¹， ZHANG Zhenfei¹， SUN Zhe¹

（1. College of Resources and Environment， Xinjiang Agricultural University， Urumqi 830052， China; 2. College of Grassland Science， Xinjiang Agricultural University， Urumqi 830052， China; 3. College of Computer and Information Engineering， Xinjiang Agricultural University， Urumqi 830052， China）

Abstract：【Objective】 This project aims to explore the ability of UAV multi feature to construct D. tianschanicum aboveground biomass （AGB） estimation model.The finding has provided a reference for the grading basis for the classification of grassland degradation degree.【Methods】 Diarthron tianschanicum is one of the degradation indicator plants， and its growth status can reflect the degree of grassland degradation. and to extract the spectral features， texture features and D. tianschanicum coverage from visible high spatial resolution remote sensing images， and the three were used as inputs to establish a univariate linear model. The three types of features were fused to construct multiple stepwise regression and artificial neural network models， and the effect of multi feature fusion to estimate AGB was analyzed. 【Results】 （1） The best coverage extraction window period of D. tianschanicum was in full bloom， and the effect of D. tianschanicum extraction model constructed by RF algorithm was ideal， and the overall accuracy was more than 81%. （2） Spectral features， texture features and coverage were all correlated with AGB， and the texture feature G had the highest correlation， which was 0.784. （3） Compared with single vegetation index， texture feature， coverage and any two feature combinations as input amount， the accuracy of AGB was the highest， with R² and RMSE of 0.870 and 15.383， respectively. 【Conclusion】 It is verified by artificial neural network mode that the fusion of spectral features， texture index and coverage can effectively improve the accuracy of AGB estimation.

Key words：drone; Diarthron tianschanicum biomass; visible light; coverage; texture features

Fund projects： Special Project for Key R amp; D Task in Xinjiang Uygur Autonomous Region （2022B02003）

Correspondence author： YAN An （1983-）， male， from Ziyang，Sichuan，professor， Ph.D.， Master/Doctoral's supervisor， research direction： digital agriculture and ecological environment remote sensing monitoring，（E-mail）yanan@xjau.edu.cn