出版日期: 2018-09-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20186388
2018 | Volumn22 | Number 5
上一篇  |  下一篇
  
无人机多光谱影像的天然草地生物量估算
expand article info 孙世泽 , 汪传建 , 尹小君 , 王伟强 , 刘伟 , 张雅 , 赵庆展
1. 石河子大学 信息科学与技术学院，石河子 832000
2. 兵团空间信息工程技术研究中心，石河子 832000
3. 兵团空间信息工程实验室，石河子 832000
收稿日期: 2017-03-03
基金项目: 国家自然科学基金(编号：41461088)；兵团空间信息创新团队(编号：2016AB001)；新疆兵团工业科技计划项目(编号：2015BA006)
第一作者简介: 孙世泽，1991年生，男，硕士研究生，研究方向为信息采集与处理。E-mail：the_answer_sunsz@163.com
通信作者简介: 汪传建，1977年生，男，副教授，研究方向为时空数据挖掘、时空数据安全。E-mail：wcj_inf@shzu.edu.cn
中图分类号: TP79
文献标识码: A

摘要

地上草地生物量是衡量天然草地生态系统的重要指标，是草地资源合理利用和载畜平衡监测的重要依据。为了快速、准确、有效地估算天然草地地上生物量，掌握其变化规律，以天山北坡天然牧场为研究区，分析其地上生物量的时空分布特征。根据研究区阴坡与阳坡不同的草地类型和植被种类，利用多旋翼无人机获取的高分辨率多光谱影像(含近红外波段)，结合地面实测数据，在进行天然草地地上生物量与植被指数相关性分析的基础上，运用回归分析方法，建立生物量和多种植被指数的估算模型。结果表明：考虑地形因子(阴阳坡)之后，植被地上生物量与各植被指数的相关性系数显著提高；不同坡向，同一植被指数拟合精度差异较大；同一坡向，各个植被指数的敏感性也有所不同。总体上，比值植被指数(RVI)与阴阳坡草地生物量拟合效果最好，模型精度均达到75%以上。利用植被指数建立的生物量估算方法结果与实际相符，可为天然草地生态系统检测和草地资源合理利用提供方法和依据。

关键词

天然草地, 生物量, 多光谱影像, 阴阳坡, 估算模型, 无人机

Estimating aboveground biomass of natural grassland based on multispectral images of Unmanned Aerial Vehicles
expand article info SUN Shize , WANG Chuanjian , YIN Xiaojun , WANG Weiqiang , LIU Wei , ZHANG Ya , ZHAO Qingzhan
1.College of Information Science and Technology, Shihezi University, Shihezi 832000, China
2.Geospatial Information Engineering Research Center, Xinjiang Production and Construction Corps, Shihezi 832000, China
3.Geospatial Information Engineering Laboratory, Xinjiang Production and Construction Corps, Shihezi 832000, China

Abstract

The aboveground biomass of grasslands is an important measurement index for grassland ecosystems and an important basis for the optimal use of grassland resources. In addition, identification of aboveground biomass can be used in monitoring the balance between grassland forage supply and livestock demand. To estimate the aboveground biomass of natural grasslands and determine the variation trend rapidly, accurately, and effectively, we selected the natural rangeland in the northern hillside of Tianshan Mountain as a typical study area and analyzed the spatio-temporal change characteristic of its aboveground biomass. With their rapid development, Unmanned Aerial Vehicles (UAVs) have been extensively used in remote sensing because of their convenient operation, lower cost, and shorter revisit cycle compared with satellites. In addition, the lightweight sensors of UAV allow low-altitude remote sensing, which could capture high-spatial, high-spectral resolution images. We conducted a survey of the different grassland types and vegetation varieties in shady and sunny slopes of the rangeland. We used a multi-rotor UAV equipped with Micro-MCA12 Snap to obtain high-resolution multispectral images and collected field survey data. We established a relational model based on the correlation between the aboveground biomass and Vegetation Indexes (VIs) by regression analysis. Results showed poor correlations between the aboveground biomass and VIs, but these correlations improved remarkably after considering the terrain factors. The effectiveness of the VIs varied in different grassland types and vegetation fractions. Accuracy analysis showed large differences in the fitting accuracy of the different slope aspects and small differences in the effectiveness of the same slope aspect. In sum, the highest effectiveness between the Ratio Vegetation Index (RVI) and the aboveground biomass was obtained in the southern and northern slopes, with an estimation precision of more than 75%. The main conclusions are the following. (1) Different grassland types and vegetation fractions led to the poor correlations between the aboveground biomass in the entire area and VIs. (2) The RVI value in sunny slope was higher than that in shady slope, whereas the aboveground biomass in sunny slope was lower than that in shady slope. Grassland degradation resulted from sustained drought and high temperature. (3) This study proved indirectly the relative insensitivity of heavily vegetated areas. Therefore, the findings of this study coincided well with the actual situation. This research provided a reference for the monitoring of grassland ecosystems and reasonable utilization of grassland resources.

Key words

natural grassland, biomass, multispectral images, shady-slope and sunny-slope, estimation models, Unmanned Aerial Vehicles (UAV)

1 引　言

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。

2 数据获取与预处理

2.1 研究区概况

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。

2.2 无人机影像获取

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

下载CSV 
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

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
Fig. 1 Typical region of research areas

2.3 生物量获取

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。

2.4 无人机影像数据预处理

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
Fig. 2 Pre-treatment process of UAV images

3 植被指数和地上生物量之间的相关性分析

3.1 植被指数

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 常见的植被指数
Table 2 Usual vegetation indices

下载CSV 
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。

3.2 植被指数与植被地上生物量间的相关性分析

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 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

下载CSV 
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。

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。

4 估算模型的建立

4.1 估算模型的建立

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

下载CSV 
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。

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
Fig. 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
Fig. 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
Fig. 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。

4.2 最优估算模型精度分析

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：

${\rm{RMSE}} = \sqrt {\frac{{\sum { {\left({ y_i' - y_i } \right)}^2 } }}{n}} $ (1)
${\rm{MRE}} = \sqrt {\frac{{\sum { {\left( {{{\left({ y_i' - y_i } \right)} / { y_i }}} \right)}^2 } }}{n}} $ (2)

式中，yi' 为验证样本i的预测值，yi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
Fig. 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
Fig. 7 Scatter plots between measured and predicted aboveground biomass in sunny-slope

5 讨　论

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。

6 结　论

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。

参考文献(References)

  • Bendig J, Yu K, Aasen H, Bolten A, Bennertz S, Broscheit J, Gnyp M L and Bareth G. 2015. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. International Journal of Applied Earth Observation and Geoinformation, 39 : 79–87. [DOI: 10.1016/j.jag.2015.02.012]
  • Cao W B, Yang B J, Pei Z Y and Song J P. 2003. Countermeasure against the establishment of Xinjiang cotton remote sensing monitoring system. Journal of Shihezi University (Natural Science), 7 (2): 165–168. [DOI: 10.3969/j.issn.1007-7383.2003.02.026] ( 曹卫彬, 杨邦杰, 裴志远, 宋金鹏. 2003. 新疆棉花遥感监测系统建立的对策. 石河子大学学报(自然科学版), 7 (2): 165–168. [DOI: 10.3969/j.issn.1007-7383.2003.02.026] )
  • Chu D, Deji Y Z, Pubu C R, Ji Q M and Tang H. 2013. Aboveground biomass in the North Tibet and estimate model using remote sensing data. Journal of Natural Resources, 28 (11): 2000–2011. [DOI: 10.11849/zrzyxb.2013.11.016] ( 除多, 德吉央宗, 普布次仁, 姬秋梅, 唐红. 2013. 藏北草地地上生物量及遥感监测模型研究. 自然资源学报, 28 (11): 2000–2011. [DOI: 10.11849/zrzyxb.2013.11.016] )
  • Huang J F, Wang X Z, Wang R C and Hu X B. 2001. A study on monitoring and predicting models of grass yield in natural grassland using remote sensing data and meteorological data. Journal of Remote Sensing, 5 (1): 69–74. [DOI: 10.11834/jrs.20010113] ( 黄敬峰, 王秀珍, 王人潮, 胡新博. 2001. 天然草地牧草产量遥感综合监测预测模型研究. 遥感学报, 5 (1): 69–74. [DOI: 10.11834/jrs.20010113] )
  • Jin Y X, Xu B, Yang X C, Li J Y, Wang D L and Ma H L. 2011. Remote sensing dynamic estimation of grass production in Xilinguole, Inner Mongolia. Science Sinica Vitae, 41 (12): 1185–1195. [DOI: 10.1360/052011-228] ( 金云翔, 徐斌, 杨秀春, 李金亚, 王道龙, 马海龙. 2011. 内蒙古锡林郭勒盟草原产草量动态遥感估算. 中国科学: 生命科学, 41 (12): 1185–1195. [DOI: 10.1360/052011-228] )
  • Lei T J, Li C C and He X Y. 2011. Application of aerial remote sensing of pilotless aircraft to disaster emergency rescue. Journal of Natural Disasters, 20 (1): 178–183. [DOI: 10.13577/j.jnd.2011.0128] ( 雷添杰, 李长春, 何孝莹. 2011. 无人机航空遥感系统在灾害应急救援中的应用. 自然灾害学报, 20 (1): 178–183. [DOI: 10.13577/j.jnd.2011.0128] )
  • Li J L and Jiang P. 2003. New approach to grass-yield estimation and eco-environment formation analysis by using 3-S methods in Tianshan area, Xinjiang. Journal of Safety and Environment, 3 (2): 8–12. [DOI: 10.3969/j.issn.1009-6094.2003.02.002] ( 李建龙, 蒋平. 2003. 利用3S技术动态监测天山草地农业产量及其成因分析. 安全与环境学报, 3 (2): 8–12. [DOI: 10.3969/j.issn.1009-6094.2003.02.002] )
  • Li Y Y, Song Y Y and Jiang X L. 2015. Study on the differences among 3 kinds of vegetation indexes (VI) in extracting coverage of desert forest with remote sensing image. Journal of Shihezi University (Natural Science), 33 (1): 72–77. [DOI: 10.13880/j.cnki.65-1174/n.2015.01.014] ( 李园园, 宋于洋, 姜小露. 2015. 利用植被指数(VI)提取遥感影像荒漠林覆盖度信息的差异性研究. 石河子大学学报(自然科学版), 33 (1): 72–77. [DOI: 10.13880/j.cnki.65-1174/n.2015.01.014] )
  • Li Z N, Chen Z X, Wang L M, Liu J and Zhou Q B. 2014. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle. Transactions of the Chinese Society of Agricultural Engineering, 30 (19): 207–213. [DOI: 10.3969/j.issn.1002-6819.2014.19.025] ( 李宗南, 陈仲新, 王利民, 刘佳, 周清波. 2014. 基于小型无人机遥感的玉米倒伏面积提取. 农业工程学报, 30 (19): 207–213. [DOI: 10.3969/j.issn.1002-6819.2014.19.025] )
  • Liu J D, Cao W B, Li H, Tang X L and Oyang Y N. 2011. The research of cotton yield estimation based on vegetation index using remote sensing in Xinjiang. Journal of Shihezi University (Natural Science), 29 (2): 153–157. [DOI: 10.3969/j.issn.1007-7383.2011.02.004] ( 刘姣娣, 曹卫彬, 李华, 唐湘玲, 欧阳异能. 2011. 基于植被指数的新疆棉花遥感估产模型研究. 石河子大学学报(自然科学版), 29 (2): 153–157. [DOI: 10.3969/j.issn.1007-7383.2011.02.004] )
  • Lu H, Li Y S and Lin X C. 2011. Classification of high resolution imagery by unmanned aerial vehicle. Science of Surveying and Mapping, 36 (6): 106–108. [DOI: 10.16251/j.cnki.1009-2307.2011.06.039] ( 鲁恒, 李永树, 林先成. 2011. 无人机高空间分辨率影像分类研究. 测绘科学, 36 (6): 106–108. [DOI: 10.16251/j.cnki.1009-2307.2011.06.039] )
  • Niu Z C and Ni S X. 2003. Study on models for monitoring of grassland bilmass around Qinghai Lake assisted by remote sensing. Acta geographica sinica, 58 (5): 695–702. ( 牛志春, 倪绍祥. 2003. 青海湖环湖地区草地植被生物量遥感监测模型. 地理学报, 58 (5): 695–702. )
  • Pan C, Du P J, Luo Y and Yuan L S. 2009. Decision tree classification of remote sensing images based on vegetation indices. Journal of Computer Application, 29 (3): 777–780. ( 潘琛, 杜培军, 罗艳, 袁林山. 2009. 一种基于植被指数的遥感影像决策树分类方法. 计算机应用, 29 (3): 777–780. )
  • Rango A, Laliberte A, Herrick J E, Winters C, Havstad K, Steele C and Browning D. 2009. Unmanned aerial vehicle-based remote sensing for rangeland assessment, monitoring, and management. Journal of Applied Remote Sensing, 3 (1): 033542 [DOI: 10.1117/1.3216822]
  • Tian Z K, Fu Y Y, Liu S H and Liu F. 2013. Rapid crops classification based on UAV low-altitude remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 29 (7): 109–116. [DOI: 10.3969/j.issn.1002-6819.2013.07.014] ( 田振坤, 傅莺莺, 刘素红, 刘峰. 2013. 基于无人机低空遥感的农作物快速分类方法. 农业工程学报, 29 (7): 109–116. [DOI: 10.3969/j.issn.1002-6819.2013.07.014] )
  • Wang L, Yao Y N, Xi X M, Su J A and Ren Y J. 2011. The ecological water requirement of vegetation in Shihezi based on remote sensing. Journal of Shihezi University (Natural Science), 29 (2): 218–223. [DOI: 10.3969/j.issn.1007-7383.2011.02.018] ( 王玲, 姚亚楠, 奚秀梅, 苏建安, 任远景. 2011. 基于遥感的石河子垦区植被生态需水量的研究. 石河子大学学报(自然科学版), 29 (2): 218–223. [DOI: 10.3969/j.issn.1007-7383.2011.02.018] )
  • Wang L M, Liu J, Yang L B, Chen Z X, Wang X L and Ouyang B. 2013. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring. Transactions of the Chinese Society of Agricultural Engineering, 29 (18): 136–145. [DOI: 10.3969/j.issn.1002-6819.2013.18.017] ( 王利民, 刘佳, 杨玲波, 陈仲新, 王小龙, 欧阳斌. 2013. 基于无人机影像的农情遥感监测应用. 农业工程学报, 29 (18): 136–145. [DOI: 10.3969/j.issn.1002-6819.2013.18.017] )
  • Wang X Q, Wang M M, Wang S Q and Wu Y D. 2015. Extraction of vegetation information from visible unmanned aerial vehicle images. Transactions of the Chinese Society of Agricultural Engineering, 31 (5): 152–159. [DOI: 10.3969/j.issn.1002-6819.2015.05.022] ( 汪小钦, 王苗苗, 王绍强, 吴云东. 2015. 基于可见光波段无人机遥感的植被信息提取. 农业工程学报, 31 (5): 152–159. [DOI: 10.3969/j.issn.1002-6819.2015.05.022] )
  • Xing M F and He B B. 2015. Estimation of vegetation biomass in arid region with active and passive remote sensing data. Remote Sensing Technology and Application, 30 (6): 1122–1128. [DOI: 10.11873/j.issn.1004-0323.2015.6.1122] ( 行敏锋, 何彬彬. 2015. 主被动遥感数据协同估算干旱区草原植被生物量. 遥感技术与应用, 30 (6): 1122–1128. [DOI: 10.11873/j.issn.1004-0323.2015.6.1122] )
  • Yan H, Wang C Y, Niu Z, Jiang X G and Wang W. 2002. Application of principal component analysis by using different vegetation index derived from multitemporal AVHRR data. Journal of Remote Sensing, 6 (1): 30–34. [DOI: 10.11834/jrs.20020106] ( 延昊, 王长耀, 牛铮, 姜小光, 王汶. 2002. 遥感植被指数对多时相AVHRR数据主成分分析的影响. 遥感学报, 6 (1): 30–34. [DOI: 10.11834/jrs.20020106] )
  • Yang H F, Li J L, Mu S J, Yang Q, Hu X X, Jin G P and Zhao W Y. 2012. Analysis of hyperspectral reflectance characteristics of three main grassland types in Xinjiang. Acta Prataculturae sinica, 21 (6): 258–266. ( 杨红飞, 李建龙, 穆少杰, 杨齐, 胡潇潇, 金国平, 赵万羽. 2012. 新疆三种主要草地植被类型的高光谱反射特征研究. 草业学报, 21 (6): 258–266. )
  • Yu L, Lu W H, Yan P, Luo L J and Zhang Q B. 2014. Resources and assessment of natural grassland in shaertao mountains, Zhaosu county in Xinjiang. Chinese Journal of Grassland, 36 (6): 4–11. ( 于磊, 鲁为华, 阎平, 罗良俊, 张前兵. 2014. 新疆昭苏县境沙尔套山天然草地牧草资源与评价. 中国草地学报, 36 (6): 4–11. )
  • Zhang Y, Tao P, Liang S X and Liang W L. 2011. Research on application of UAV RS techniques in forest inventories. Journal of Southwest Forestry University, 31 (3): 49–53. [DOI: 10.3969/j.issn.2095-1914.2011.03.011] ( 张园, 陶萍, 梁世祥, 梁万里. 2011. 无人机遥感在森林资源调查中的应用. 西南林业大学学报, 31 (3): 49–53. [DOI: 10.3969/j.issn.2095-1914.2011.03.011] )
  • Zhang Y N, Niu J M, Zhang Q, Yang Y and Dong J J. 2012. A discussion on applications of vegetation index for estimating aboveground biomass of typical steppe. Acta Prataculturae Sinica, 21 (1): 229–238. ( 张艳楠, 牛建明, 张庆, 杨艳, 董建军. 2012. 植被指数在典型草原生物量遥感估测: 应用中的问题探讨. 草业学报, 21 (1): 229–238. )
  • Zhang Z J, Li A N, Bian J H, Zhao W, Nan X, Jin H A, Tan J B, Lei G B, Xia H M, Yang Y S and Sun M J. 2016. Estimating aboveground biomass of grassland in Zoige by visible vegetation index derived from unmanned aerial vehicle image. Remote Sensing Technology and Application, 31 (1): 51–62. [DOI: 10.11873/j.issn.1004-0323.2016.1.0051] ( 张正健, 李爱农, 边金虎, 赵伟, 南希, 靳华安, 谭剑波, 雷光斌, 夏浩铭, 杨勇帅, 孙明江. 2016. 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, 31 (1): 51–62. [DOI: 10.11873/j.issn.1004-0323.2016.1.0051] )
  • Zhao Q Z, Liu W, Yin X J and Zhang T Y. 2016. Selection of optimum bands combination based on multispectral images of UAV. Transactions of the Chinese Society for Agricultural Machinery, 47 (3): 242–248, 291. [DOI: 10.6041/j.issn.1000-1298.2016.03.034] ( 赵庆展, 刘伟, 尹小君, 张天毅. 2016. 基于无人机多光谱影像特征的最佳波段组合研究. 农业机械学报, 47 (3): 242–248, 291. [DOI: 10.6041/j.issn.1000-1298.2016.03.034] )
  • Zhou J P, Gong J H, Wang T, Wang D C, Yang L Y, Zhao X J, Hong Y and Zhao Z M. 2008. Study on UAV remote sensing image acquiring and visualization management system for the area affected by 5•12 Wenchuan earthquake. Journal of Remote Sensing, 12 (6): 877–884. [DOI: 10.11834/jrs.200806118] ( 周洁萍, 龚建华, 王涛, 汪东川, 杨荔阳, 赵向军, 洪宇, 赵忠明. 2008. 汶川地震灾区无人机遥感影像获取与可视化管理系统研究. 遥感学报, 12 (6): 877–884. [DOI: 10.11834/jrs.200806118] )
数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献
  • 多媒体 多媒体