草地资源是中国陆地上最大的生态系统，对发展畜牧业、保持水土和维护生态平衡有重大的作用和价值(杨红飞 等，2012)。新疆的畜产品70%以上来源于天然草地，而天然草地牧草产量季节不平衡，年际不稳定(黄敬峰 等，2001)，且新疆天然草地大多数位于低山丘陵地带，自然条件恶劣，通信和交通落后，缺乏有效监管，往往过度放牧，造成草地荒漠化和沙化，水土流失等。

草地生物量是天然草地生态系统动态研究的重要衡量指标，是草地资源合理利用和载畜平衡监测的重要依据(金云翔 等，2011)。为了快速、便捷、有效地监测草地资源，国内外学者开始利用卫星遥感技术来估算。然而传统的卫星遥感重复周期长，无法有效地获取地面准确信息(Rango 等，2009)，且摄影测量易受大气影响，分辨率低，地形复杂时难以获取像元真值，难以满足实际需求。近年来，无人机遥感具有低成本、低风险、高时效、高分辨率、云下获取影像等特点(李宗南 等，2014)，使其迅速成为遥感不可或缺的技术手段，给遥感技术在灾害分析(周洁萍 等，2008；雷添杰 等，2011)、国情监测(张园 等，2011；曹卫彬 等，2003；王利民 等，2013)、土地覆盖分类(赵庆展 等，2016；鲁恒 等，2011)等各个领域提供了新的平台。

目前，国内外许多学者运用多种方法对草地生物量进行了遥感估算，包括样方统计、回归模型、物理模型等方法。除多等人(2013)利用8—9月藏北地区地上生物量实测数据，分析了藏北主要草地类型的地上生物量大小、差异和空间分布特征，结合同期的MODIS卫星遥感图像，建立了生物量的遥感监测和估算模型，为监测藏北地区草地生物量和草地退化情况提供了依据和手段。行敏锋和何彬彬(2015)结合主动微波遥感和被动光学遥感各自的优势，利用改进的水云模型和双极化ASAR数据，成功估算了乌图美仁草原植被生物量，验证该方法的有效性。张正健等人(2016)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。草地生物量的估算研究虽已有很大的进展，也提出不少新的方法和理论，然而上述研究均未考虑到较为复杂的地形因素对干旱区山地生物量估算带来的影响。此外，考虑到无人机的有效载荷和传感器的使用成本，通常情况下仅搭载了可见光相机，没有近红外波段，而近红外波段对植被差异及植物长势反应敏感，是植被光谱中反映植物光合作用最重要的波段之一。本文根据研究区阴坡和阳坡不同的草地类型，利用多旋翼无人机拍摄的高分辨率多光谱影像(含近红外波段)和地面实测数据，建立了生物量和多种植被指数的回归模型，以期对草地资源合理、高效、持续利用提供决策支持。

研究区中心位置位于85°46′15.06″E，44°00′13.23″N，地处新疆天山北坡中段，属新疆生产建设兵团第八师一五一团，无人机影像面积大约3500 m²。该研究区域属于典型的温带大陆性气候，冬季长而寒冷，夏季短而炎热，年平均温度6.5—7.2 ℃，年均降水量125.0—207.7 mm，海拔980—1100 m，地貌以低山丘陵和宽谷平原为主。

由于阳坡属于迎风坡，地表风蚀，砾石居多，沙化严重，植被类型以荒漠草甸为主，植被主要有博洛塔绢蒿(Seriphidium Borotalense)(于磊 等，2014)。阴坡雨量充沛，空气和土壤湿度较高，植被覆盖度高，植被类型以山地草甸为主，植被主要有针茅(Stipa Capillata)、苔草(Carex Liparocarpos)和丁彬花(李建龙和蒋平，2003)，另外河谷有少量灌丛、荨麻(Nettle)和树木等植被。放牧家畜有军垦细毛羊、奶牛和哈萨克马。

本研究所采用的无人机是大疆Spreading Wing S1000+八旋翼无人机，悬停功耗1500 W，整机重量4.4 kg，有效载荷3 kg。传感器为美国Tetracam公司生产的Micro MCA12 Snap多光谱相机，具有质量轻、体积小等特点，一共有12个波段，每个波段配备1.3 M像素CMOS传感器，光圈F3.2，焦距9.6 mm，图像分辨率为1280像素×1024像素。表1为其获取波段的中心波长及波宽。

表 1(Table 1)

表 1 Micro MCA12 Snap多光谱相机中心波长及波宽 Table 1 Wavelength and wavewidth of Micro MCA12 Snap 波段 中心波长/nm 波宽/nm 1 470 10 2 515 10 3 550 10 4 610 10 5 656 10 6 710 10 7 760 10 8 800 10 9 830 10 10 860 10 11 900 20 12 950 40

表 1 Micro MCA12 Snap多光谱相机中心波长及波宽 Table 1 Wavelength and wavewidth of Micro MCA12 Snap

其中，前7个波段位于可见光区域，第6波段位于红光区域，第7—12波段位于近红外区域。实验时间选择在2017年7月初，天气状况良好，无人机拍摄前在影像区域布设了多个地面控制点，另有一块白板，用于像元值的相对定标。设置飞行高度约80 m，根据预定的4条航线垂直拍摄。图1为利用无人机拍摄的多光谱影像，位于研究区中部典型区域(合成波段：656 nm，550 nm，470 nm)，山脉以南北走势为主，其中绿色为植被，其他为非植被，西北部为阳坡，东南部为阴坡，阴阳坡交界处是一条河谷。

图 1 研究区典型区域 Figure 1 Typical region of research areas

无人机拍摄结束后，地面采集生物量工作立即展开，考虑到水汽、湿度和阳光等影响因素，采取坡上、坡中、坡下等间距随机采样，共布设了60个样方，每个样方大小为1 m×1 m，手持GPS(Global Positioning System)终端记录其位置信息，收割所有样方内的草地生物量，待采集完成后带回室内使用高精度电子秤称取每个样方中的植被生物量，记录样方中植被的指标，主要内容包括草地生物量、经纬度及高程、主要植被种类和所在坡向。参与建模的样方共有40个，其中阴坡样方有20个，阴坡样方有20个。参与模型验证的样方共有20个，其中阴阳坡样方各有10个。

无人机影像获取后使用相机自带的校正文件进行通道校正，格式转化和波段合成，然后将处理后的影像和飞行日志导入Pix4D Mapper软件，设置波段参数和相机参数等，自动进行影像的校正、拼接等，生成空间分辨率约为0.04 m的正摄影像。最后导入ENVI软件中进行几何校正，影像裁剪等处理，最终选取畸变较小的区域进行研究。图2为无人机多光谱影像预处理流程图。

图 2 无人机多光谱影像预处理流程 Figure 2 Pre-treatment process of UAV images

遥感影像中不同植被类型不同覆盖度的属性信息可以通过植被指数提取(王玲 等，2011)。近年来，许多国内外学者在植被指数构建方面做了不少尝试。其中归一化差值植被指数(NDVI)是应用最广泛的植被指数，但植被覆盖度低时，受土壤背景影像较大(延昊 等，2002；李园园 等，2015)。比值植被指数(RVI)适用于植被发展高度旺盛，具有高覆盖度的植被监测中(潘琛 等，2009；雷添杰 等，2011)。修正型土壤调整植被指数(MSAVI)较好地消除了土壤背景对植被指数的影响(牛志春和倪绍祥，2003)。各种植被指数反映植被状况各有其优点或弱点。几种常见的植被指数及其变形式见表2。

表 2(Table 2)

表 2 常见的植被指数 Table 2 Usual vegetation indices 植被指数 计算公式 参考文献 归一化差值植 被指数(NDVI) $ \displaystyle\frac{{ \rho _ {\rm{nir}} - \rho _ {\rm{red}} }}{{ \rho _ {\rm{nir}} + \rho _ {\rm{red}} }}$ 田振坤 等(2013) 比值植被指数(RVI) $ \displaystyle\frac{{ \rho _ {\rm{nir}} }}{{ \rho _ {\rm{red}} }}$ 刘姣娣 等(2011) 可见光波段差异 植被指数(VDVI) ${\displaystyle\frac{{ {2\rho }_{{\rm{green}}} - {( \rho _ {\rm{red}} + \rho _ {\rm{blue}} )} }}{{ {2\rho }_{{\rm{green}}} + \left({ \rho _ {\rm{red}} + \rho _ {\rm{blue}} } \right)}}}$ 汪小钦 等(2015) 差值植被指数(DVI) $ \, \rho _ {\rm{nir}} - \rho _ {\rm{red}} $ 张艳楠 等(2012) 修正型土壤调整 植被指数(MSAVI) $ {\displaystyle\frac{{ {2 \rho }_ {\rm{nir}} \!\!+\!\! 1 \!-\!\! \sqrt {{{\left({ {2 \rho }_ {\rm{nir}} \!\!+\!\! 1} \right)}^2} \!-\! 8 \left({ \rho _ {\rm{nir}} \!-\! \rho _ {\rm{red}} } \right)} }}{2}}$ Bendig 等(2015) 　注：植被指数计算时使用的蓝、绿、红和近红外波段分别是第1、3、5、10波段。

表 2 常见的植被指数 Table 2 Usual vegetation indices

利用ArcGIS Mapper提取各个采样点植被指数值，再与植被地上生物量作相关性分析，结果显示总体生物量与其他各植被指数相关性均较低。其中植被地上生物量生物量与RVI的相关系数最高，仅为0.410。根据研究区阴阳坡分布不同的草地类型和植被种类，且植被覆盖度差异较大，故将整体分为阴阳坡两类分别分析和处理。表3为阴阳坡各采样点对应的植被地上生物量与植被指数间的相关系数。

表 3(Table 3)

表 3 阴阳坡地上生物量与植被指数间的相关系数 Table 3 Correlation coefficients between vegetation indices and aboveground biomass in shady-slope and sunny-slope 植被指数 NDVI RVI VDVI DVI MSAVI 阳坡生物量 0.831** 0.890** 0.466* 0.832** 0.849** 阴坡生物量 0.861** 0.907** 0.700** 0.856** 0.863** 　注：“*”指两列数组显著相关，“**”指两列数组极显著相关。

表 3 阴阳坡地上生物量与植被指数间的相关系数 Table 3 Correlation coefficients between vegetation indices and aboveground biomass in shady-slope and sunny-slope

由表3可以看出，考虑了阴阳坡之后，生物量和与植被指数间的相关系数明显提高了，且阴坡的相关系数均达到了显著性水平。由此可以认为，利用植被指数来建立阴阳坡草地生物量估算模型是可行的。但是，不同的植被指数与草地生物量的相关性也存在着一定差异。阳坡区域，除VDVI外，生物量和与植被指数间的相关性均达到显著水平，其中RVI对应的相关系数最高，R达到0.890，其次为MSAVI、DVI和NDVI，最低为VDVI，R仅为0.466。阴坡区域，植被指数与生物量的相关系数均达到了0.01的显著水平，其中RVI最高，R达到0.907，其次依次为MSAVI、NDVI、DVI和VDVI。

基于以上草地地上生物量与植被指数的相关性分析，进一步对草地地上生物量和植被指数进行回归分析，建立基于植被指数的草地地上生物量估算模型，统计估算模型的复相关系数R²、F检验，如表4所示。

表 4(Table 4)

表 4 阴阳坡地上生物量估算模型 Table 4 Estimation models between various vegetation indices and aboveground biomass 坡向 植被指数 估算模型 R2 F 阳坡 NDVI y1=−11.582+113.204x1 0.673 40.087 RVI y1=2.659+12.583x1 0.781 68.765 VDVI y1=9.487+135.817x1 0.173 4.982 DVI y1=1.226+184.375x1 0.676 40.622 MSAVI y1=−0.258+129.329x1 0.705 46.488 阴坡 NDVI y2=30.852+118.194x2 0.727 51.562 RVI y2=36.951+16.589x2 0.813 83.662 VDVI y2=5.898+310.174x2 0.462 17.298 DVI y2=50.206+185.426x2 0.718 49.417 MSAVI y2=47.950+129.243x2 0.730 52.428 　注：y1、y2分别表示阴、阳坡植被生物量预测值；x1、x2分别表示对应的阴、阳坡样方植被指数值。

表 4 阴阳坡地上生物量估算模型 Table 4 Estimation models between various vegetation indices and aboveground biomass

R²为复相关系数的平方，它的大小反映样本数据配合回归方程的紧密程度，值越接近于1，表明拟合程度越好。可以看出，不同坡向，同一植被指数拟合精度差异较大，不同指数间拟合效果也有所不同。在阴坡区域，RVI的拟合效果最好，R²为0.813，方程显著性检验F值最大，其次为MSAVI、NDVI、DVI、VDVI的拟合效果相对较差。阳坡区域，除VDVI外，各个植被指数和植被生物量的拟合效果均较好。相比较而言，RVI的拟合效果最好，R²为0.781。综合对比分析可知，利用植被指数RVI建立的阴阳坡植被生物量估算模型最优。图3和图4分别为阴、阳坡生物量与RVI拟合的曲线图。

图 3 阳坡草地地上生物量与RVI的拟合曲线 Figure 3 Fitted curves between RVI and aboveground biomass in shady-slope

图 4 阴坡草地地上生物量与RVI的拟合曲线 Figure 4 Fitted curves between RVI and aboveground biomass in sunny-slop

图 5 研究区典型区域地上生物量分布图 Figure 5 The distribution of aboveground biomass in typical region of research areas

由图3和图4可知，由于阴坡植被覆盖度高，水分充足，RVI主要集中在1.6—4.0，而植被种类主要是绢蒿和针茅，生物量主要集中在60—100 g/m²；阳坡区域草地类型为荒漠草甸，植被主要为绢蒿，枝干粗壮，茎叶发达，但覆盖度低，RVI主要集中在1.5—3.9，生物量主要集中在35—90 g/m²。综合来看，阴阳坡拟合效果均较好。图5为研究区典型区域生物量分布图。

利用预留的采样点，通过均方根误差(RMSE)和平均相对误差(MRE)两个指标检验估算模型的精度，计算公式如下：

式中，y_i' 为验证样本i的预测值，y_i为验证样本i的实测值，n=10。

验证样本实测值与预测值的散点关系图见图6和图7。可以看出，利用植被指数RVI建立的阴阳坡估算模型预测的生物量和实测样方生物量有较好的对应关系，散点均匀分布在1∶1线两侧，RMSE分别为为17.362和10.588，MRE分别为0.242和0.224，估算精度分别为75.8%和77.6%，预测效果较好。

图 6 阴坡地上生物量预测值与实测值的散点关系图 Figure 6 Scatter plots between measured and predicted aboveground biomass in shady-slope

图 7 阳坡地上生物量预测值与实测值的散点关系图 Figure 7 Scatter plots between measured and predicted aboveground biomass in sunny-slope

利用植被指数与地上生物量之间的关系进行草地生物量估算已研究多年，也提出了不少理论和方法。本文拟用常见的NDVI、RVI、VDVI、DVI和MSAVI共5种植被指数建立整个研究区的草地地上生物量估算模型，而结果显示总体生物量与各植被指数相关性均较低，这可能有多种原因引起。研究区位于天山北坡中段，地貌以低山丘陵和宽谷平原为主，受地形，降水和迎风等影响，阳坡植被基本为绢蒿，绢蒿枝干粗壮发达，地上生物量较高，但茎多为丛生，覆盖度低；阴坡植被以针茅为主，针茅密丛禾木，枝叶繁茂，生长均匀，但地上生物量较低，从而计算植被指数时出现同一植被指数值对应不同的生物量，这是总体生物量与各植被指数相关性较低的根本原因。

针对阴阳坡草地类型迥异，利用无人机多光谱影像和阴阳坡草地地上生物量实测数据，分别建立了植被地上生物量和多种植被指数的估算模型。研究结果表明，显示地形因素对地上生物量估算影响较大。考虑了地形因子之后，植被生物量与各植被指数的相关性系数明显提高了。以建立的阴阳坡植被地上生物量和植被指数RVI的估算模型为基础，分析发现阳坡RVI主要集中在2.50左右，比阴坡较高，而地上生物量却比阴坡较低，产生这种现象的原因是持续的干旱和高温导致了针茅退化，枝叶变黄，逐渐被绢蒿替代。

此外，本研究充分考虑了地形因素对植被地上生物量空间分布的影响，利用无人机获取多光谱数据，结合阴阳坡地面实测数据，建立了草地地上生物量估算模型。由表4可以看出，阴坡区域拟合效果比阳坡区域相对较好，考虑到阳坡的植被类型和植被覆盖度，这一现象也间接地说明了RVI适用于植被发展高度旺盛，具有高覆盖度的植被监测中，NDVI对植被空间分布密度反映敏感，受土壤背景的影响较大，适用于植被生长早期的区域。另外考虑到植被的覆盖度，特此引用了MSAVI和其他植被指数作比较分析，结果显示除RVI外，拟合效果均比其他植被指数好。

本研究针对研究区阴阳坡不同的植被类型，利用无人机多光谱影像(含近红外波段)和草地地上生物量实测数据，分别建立了植被地上生物量和多种植被指数的估算模型，经过综合分析，得出以下结论：

(1)多数草地研究以锡林郭勒等平原草地为主，其建立的估算模型难以准确反映以山地草原为主的新疆天然草地，本研究结合实际地形特征，建立了估算模型，结果与实际相符。

(2)阴阳坡不同的植被类型及其生长特征，致使计算植被指数时出现同一植被指数值对应不同的生物量，这是总体生物量与各植被指数相关性较低的根本原因。

(3)阴阳坡拟合效果间接地验证了前人结论，即植被指数对绿色植被的生长状态和空间分布密度反映敏感程度不同。

(4)电动无人机续航时间，地面采样地点、样方数量、大小及其代表性均给模型的精度带来一定的误差，且所建模型是否能真实反演整个天山北坡天然草地还有待验证。因此，今后进一步研究可以考虑增加采样时间，增加样本点，结合卫星遥感影像协同反演整个天山北坡天然草地。