智能手機原位牧草生物量估算

陶海玉，張愛武，龐海洋，康孝巖

智能手機原位牧草生物量估算

陶海玉，張愛武，龐海洋，康孝巖

首都師范大學地理環(huán)境研究與教育中心/首都師范大學三維信息獲取與應用教育部重點實驗室，北京 100048

【】生物量是草地生態(tài)系統(tǒng)物質和能量基礎，是最基本的生態(tài)參量。以往基于衛(wèi)星和航空遙感定量反演草地生物量過于專業(yè)化，難以在牧民間推廣。因此，本文提出一種用手機近距離拍攝的真彩色圖像估算牧草生物量方法，構建牧草生物量估算模型，為牧民方便、快捷、無損地掌握牧場牧草長勢提供理論依據(jù)和技術支撐。首先，利用手機超高分辨率真彩色圖像，分別基于植被指數(shù)、紋理特征以及聯(lián)合植被指數(shù)和紋理特征構建牧草生物量估算特征集合。其次，為防止過多的特征提取帶來維度災難，提出一種XGBoost與序列前向選擇相結合的特征選擇算法（XGB-SFS），進行特征篩選及最優(yōu)子集構建。最后，使用隨機森林回歸和留一法交叉驗證對比不同特征集合構建模型的生物量估算效果，分析不同類型特征及XGB-SFS算法在牧草地上生物量（Above Ground Biomass，AGB）估算中的作用。（1）對比單類型特征構建的模型，基于空間紋理特征的估算模型（2=0.76）要優(yōu)于基于光譜植被指數(shù)估算模型（2=0.73），表明紋理特征在超高分辨率牧草AGB估算中具有一定作用；（2）對比特征選擇后的模型，聯(lián)合空譜多類型特征構建模型優(yōu)于任何一種單類型特征模型（2=0.83，=127.57 g·m-2，=81.25 g·m-2），表明使用多類型特征構建模型，可一定程度上提高牧草AGB估算精度。（3）對比特征選擇前后構建的模型，特征選擇后的模型估算AGB效果要明顯好于未進行特征選擇的模型，且篩選出的特征與牧草生物量之間都存在較高的相關性，表明XGB-SFS能夠很好降低數(shù)據(jù)維度的同時提高牧草AGB估算精度。手機超高分辨率真彩色圖像可以對牧草生物量進行準確估算，本文提出的XGB-SFS算法也能從眾多特征中篩選出與牧草生物量相關性較高的特征并提高模型估算精度。與以往專業(yè)遙感定量反演草地生物量相比，本文方法具有面向大眾、成本低廉、使用方便等優(yōu)勢，研究將手機現(xiàn)場采集的數(shù)據(jù)與遙感和機器學習方法相結合，可開辟新的視角，支持農業(yè)信息化發(fā)展。

生物量；智能手機；紋理特征；XGBoost；牧草

0 引言

【研究意義】牧草是牲畜生產的重要飼料，其長勢直接關系到牧民的收入和畜牧業(yè)的發(fā)展[1]。牧草地上生物量是草地生態(tài)系統(tǒng)的物質和能量基礎，也是監(jiān)測牧草長勢的重要參數(shù)之一[2]。因此及時、有效地獲取牧草生物量數(shù)據(jù)，對于牧民更好地掌握牧草長勢，采取相應措施以保障牧草健康生長具有重要意義?！厩叭搜芯窟M展】國內外學者多用衛(wèi)星遙感技術來估算地上生物量[3-4]，然而遙感衛(wèi)星重訪周期長、分辨率低、易受天氣、地形等影響，難以滿足現(xiàn)代精準農業(yè)需求。近年來，無人機航空遙感在作物監(jiān)測方面應用廣泛[5-7]，然而無人機的操作需要專業(yè)人士，且其飛行空間具有一定的限制，對于普通牧民來說使用起來有一定困難。在大數(shù)據(jù)發(fā)展的今天，遙感數(shù)據(jù)的獲取已經不局限于空天地專業(yè)傳感器[8]，如何讓遙感技術的使用者從專業(yè)用戶變?yōu)榇蟊娪脩?，是大?shù)據(jù)時代遙感技術亟待解決的問題之一[9]。如今智能手機已走進千家萬戶，手機拍攝的圖片相比較衛(wèi)星和航空影像，具有數(shù)據(jù)獲取方便、較高的空間分辨率、圖像不易變形且包含豐富的細節(jié)信息等優(yōu)勢[10]，使其在遙感技術實際應用中發(fā)揮著巨大的潛力。傳統(tǒng)草地生物量估算大多使用植被的光譜特征，目前常用的有歸一化植被指數(shù)（）、比值植被指數(shù)（）、修正型土壤調整植被指數(shù)（）、窄波段高光譜植被指數(shù)等，除了衛(wèi)星遙感廣泛使用的多光譜植被指數(shù)外，近年來根據(jù)RGB圖像計算的顏色植被指數(shù)也廣泛應用于農業(yè)監(jiān)測等領域。張正健等[11]利用可見光植被指數(shù)對若爾蓋地上牧草生物量進行指數(shù)回歸分析，結果顯示綠紅植被指數(shù)和歸一化綠紅差異指數(shù)對生物量具有較好的擬合精度。張領先等[12]利用提取的8個可見光圖像特征估算冬小麥苗期地上生物量，結果表明基于與冬小麥生物量具有較高的相關性。但是僅基于光譜特征估算AGB效果有限[13]，因此還需要挖掘其他信息來彌補這一不足。手機圖像除了包含RGB光譜信息外，其本身還提供超高分辨率的空間信息，如紋理特征等。紋理特征現(xiàn)已廣泛運用于森林生物量估算[14-15]，但目前利用紋理特征對草地生物量進行估算的研究甚少。豐富的特征提取勢必會造成維度災難和數(shù)據(jù)冗余，甚至會降低模型的回歸性能，因此敏感特征的選擇在遙感反演中具有關鍵作用。目前常用的特征選擇方法有2種：一是由回歸模型訓練，得到每個特征的回歸系數(shù)，根據(jù)系數(shù)大小確定入選特征，如LASSO回歸[16]；二是根據(jù)特征與目標之間的相關性或重要性進行排序，設置閾值或數(shù)量確定入選特征，如皮爾遜相關系數(shù)[17]、單變量特征選擇[18]。但是這2種方法在得到特征排序后，常常人為選擇前個特征進行模型訓練，雖簡單有效，但主觀性較強，且入選特征的可解釋性較弱。因此本文提出一種基于XGBoost重要性特征排序聯(lián)合序列前向選擇算法（SFS）的特征選擇方法，以選擇適合牧草AGB估算模型的最優(yōu)子集?！颈狙芯壳腥朦c】雖然目前國內外利用遙感平臺對生物量估算有了豐富的研究，但是使用手機現(xiàn)場采集的基礎數(shù)據(jù)結合遙感和機器學習方法估算原位牧草生物量的研究較少?！緮M解決的關鍵問題】本文基于手機超高分辨率真彩色圖像，探究植被指數(shù)和紋理特征在牧草生物量估算中的作用，并設計XGB-SFS特征選擇算法構建準確度較高的牧草生物量模型，感知牧草生物量，以期開拓新的思路，讓遙感技術走進普通民眾，支持農業(yè)信息化的發(fā)展。

1 材料與方法

1.1 研究區(qū)簡介

本文研究區(qū)位于內蒙古錫林郭勒盟錫林浩特市，地理坐標為44°16′N，116°36′E，海拔1 118 m（圖1-a）。該地區(qū)是距離首都北京最近的草原牧區(qū)，對整個華北平原生態(tài)起屏障作用，年均氣溫1—3℃，年均降水量150—400 mm，具有典型的溫帶大陸性季風氣候特征。錫林郭勒大草原是中國北方典型草原的代表，典型植被主要包括針茅草、羊草、冰草、隱子草等。

a：研究區(qū)地理位置；b：研究區(qū)樣方空間分布圖；c：智能手機設備拍攝的樣方圖像

a: Location of the study area; b: Experiment design; c: Quadrat image by smartphone

圖1 研究區(qū)

Fig. 1 Study area

1.2 數(shù)據(jù)采集及預處理

1.2.1 地上生物量測量 試驗于2019年6月19日進行，地面數(shù)據(jù)主要為地上生物量。試驗區(qū)內A、B、C 3個條帶每隔5 m設置一個0.25 m2的固定樣方共54個，樣方分布如圖1-b。在每個條帶內每隔10 m采集一次地上生物量數(shù)據(jù)，采集方法為在獲取高光譜數(shù)據(jù)和手機圖像數(shù)據(jù)之后，齊地割取樣方內所有牧草，除去粘附的土壤、雜物等，將其裝入密閉保鮮袋中，標號、稱重。由于試驗是在牧草返青期展開，樣方內的草有干草和鮮草，因此我們將樣方內干草和鮮草分開稱重并記錄。本文地上牧草生物量計算公式為：

AGB = 鮮草×0.3+干草 （1）

式中，0.3為溫性草原類鮮草轉為風干重折算系數(shù)，參考了《中國草地資源》[19]中相關的規(guī)定。干草是鮮草枯萎后殘留在地表的干物質，長期受到風吹日曬，因此本文將樣方內干草視為樣方內AGB的組成成分之一。

1.2.2 智能終端超高分辨率圖像獲取 本研究使用的智能終端設備為手機，1200萬像素分辨率。選擇晴朗無云天氣，在中午11：00—14：00對試驗區(qū)內樣方進行手機拍攝（圖1-c）。拍攝高度為垂直地面120 cm，樣方大小0.5 m×0.5 m，每個樣方內4個角點均插有木筷作為圖像進行中心投影校正的校準點，拍照時使手機鏡頭對準樣方中心點，平行地面進行拍攝，盡可能減少圖像幾何形變誤差。拍攝完成后對每幅圖像按照樣方大小進行裁剪，用于圖像的特征提取，提取的特征值為樣方內所有像素特征值的平均值。

1.3 特征提取

1.3.1 植被指數(shù) 依據(jù)前人研究，選取了24個與生物量相關的可見光植被指數(shù)，各項指數(shù)的計算公式如表1。

1.3.2 紋理特征 一幅手機圖像，不僅包含RGB光譜信息，由于有較高的分辨率（1 200萬像素），因此還包含豐富的紋理信息。紋理是一種常見的視覺現(xiàn)象，可用來描述不同覆蓋度、不同類型的地物變化，紋理（texture）特征是空間結構特征中非常重要，也是最常用的一種[30]，研究者們習慣用紋理來提取影像特征，補充光譜特征空間的不足。在高分辨率的紋理特征提取中，灰度共生矩陣（GLCM）[31]被廣泛運用。本文利用GLCM方法對R、G、B 3個波段進行8個紋理特征（均值、方差、同質性、對比度、相異性、信息熵、二階矩及相關性）提取，在計算圖像紋理時，對于計算窗口的選取，窗口過小會放大窗口內的差異，但保留了較高的空間分辨率，而窗口過大可能由于過度平滑紋理變化而無法有效提取紋理信息[32]。通過對比分析，本文最終選擇3×3計算窗口。提取的紋理特征如表2所示。

表1 植被指數(shù)計算公式

表2 紋理特征

1.4 研究方法

1.4.1 XGB-SFS特征選擇 在多特征參量建模過程中，敏感特征的選擇至關重要，好的特征選擇算法不僅可以減少特征維數(shù)還可以有效提升訓練模型效率[33]，并且篩選出便于理解特征和目標之間關系的重要性特征。因此有必要對提取的多特征參量進行特征選擇。本文利用XGBoost算法進行初始特征重要性排序，然后采用SFS算法依次選取當前排序得分最高的特征構建新的特征集合，剩余的特征繼續(xù)進行新一輪的排序、選擇。這樣通過迭代可以更加準確得到模型預測準確率最高的特征集合，即為最終特征選擇的最優(yōu)子集。

為對比建模效果，本試驗將分為6組：（a）原始植被指數(shù)模型（RGBVIs）；（b）原始紋理特征模型（Textures）；（c）原始聯(lián)合植被指數(shù)-紋理特征模型（VI-Textures）；（d）XGB-SFS特征選擇植被指數(shù)模型（selected RGBVIs）；（e）XGB-SFS特征選擇紋理特征模型（selected Textures）；（f）XGB-SFS特征選擇聯(lián)合植被指數(shù)-紋理特征模型（selected VI- Textures）。

1.4.2 模型構建及精度驗證 本文特征構建過程中，選擇的底層模型是隨機森林回歸模型。隨機森林（Random Forest，RF）是一種非參數(shù)學習算法，構建模型速度快，由多棵決策樹集成，可以有效解決由數(shù)據(jù)量大造成的共線性以及過擬合等問題，可以用來很好地解決回歸和分類問題，該算法目前已經被廣泛應用于遙感領域[34-35]。

由于本文樣本數(shù)量不多，為保證模型穩(wěn)定性和可靠性，在訓練過程中采用留一法交叉驗證（LOOCV）獲得預測結果。27個樣本數(shù)據(jù)，每次取其中26個樣本建模，1個做預測，如此反復27次得到27個預測結果與原始數(shù)據(jù)進行精度驗證。采用常用的決定系數(shù)（coefficient of determination，2）、均方根誤差（root mean square error，）、平均絕對誤差（mean absolute error，）來評價模型的擬合效果。一般來說2越高，和數(shù)值越小模型預測越準確。本文技術流程如圖2所示。

2 結果

2.1 XGB-SFS算法選擇結果

XGB-SFS算法選擇的特征數(shù)目和留一法交叉驗證的預測決定系數(shù)之間的關系表明，優(yōu)選特征數(shù)目達到3之后2趨近于在一定范圍內變化，隨著特征的逐漸加入，模型的預測精度總體呈上升的趨勢，但不是特征數(shù)目越多預測2越高，當加入的特征達到一定數(shù)量時，預測2則穩(wěn)定在一定范圍甚至出現(xiàn)下降現(xiàn)象（圖 3）。在這一步驟中，模型預測2最高處所對應的特征子集即為模型訓練的最優(yōu)特征集合。在本次試驗中，植被指數(shù)訓練模型保留的特征數(shù)目為14，LOOCV預測2為0.73；紋理特征訓練模型保留的特征數(shù)目為12，LOOCV預測2為0.76；植被指數(shù)和紋理特征相結合的訓練模型保留的特征數(shù)目為11，LOOCV預測2為0.83，模型入選特征順序及數(shù)量見表3。

2.2 生物量估算

3組模型入選特征與牧草生物量之間的皮爾遜相關系數(shù)絕對值如圖4所示。入選的植被指數(shù)與牧草AGB之間的相關系數(shù)在0.24—0.85之間，均達到極顯著水平（＜0.01），其中除了、、外，其余植被指數(shù)特征與牧草AGB相關系數(shù)均大于0.6；入選的紋理特征與牧草AGB之間的相關系數(shù)在0.68—0.86之間，均達到極顯著水平（＜0.01）。

表3 不同類型特征下XGB-SFS算法入選特征

圖2 技術流程圖

圖3 XGB-SFS優(yōu)選特征數(shù)目與預測精度R2關系

圖4 入選特征和生物量之間的皮爾遜相關系數(shù)絕對值

基于隨機森林回歸建立的6組模型交叉驗證結果如圖5所示，對于僅包含植被指數(shù)的模型，XGB-SFS算法優(yōu)選特征組合模型比未經過特征選擇的模型交叉驗證預測2提高0.04，交叉驗證降低16.19 g·m-2，交叉驗證下降18.73 g·m-2（圖5-a、d）；對于僅包含紋理特征的模型，XGB-SFS算法優(yōu)選特征組合模型比未經過特征選擇的模型交叉驗證預測2提高0.02，交叉驗證降低4.97 g·m-2，交叉驗證下降5.31 g·m-2（圖5-b、e）；對于既包含植被指數(shù)又包含紋理特征的模型，XGB-SFS算法優(yōu)選特征組合模型比未經過特征選擇的模型交叉驗證預測2提高0.1，交叉驗證降低28.18 g·m-2，交叉驗證下降30.3 g·m-2（圖5-c、f）；僅包含紋理特征的模型比僅包含植被指數(shù)特征的模型交叉驗證預測2高0.03，交叉驗證低3.77 g·m-2，交叉驗證低4.73 g·m-2（圖5-d、e）；既包含植被指數(shù)又包含紋理特征的模型比僅包含植被指數(shù)特征的模型交叉驗證預測2高0.1，交叉驗證低25.94 g·m-2，交叉驗證低25.46 g·m-2（圖5-d、f）；既包含植被指數(shù)又包含紋理特征的模型比僅包含紋理特征的模型交叉驗證預測2高0.07，交叉驗證低22.17 g·m-2，交叉驗證低20.73 g·m-2（圖5-e、f）。不同特征類型建立模型預測2與所用特征數(shù)量之間的關系（圖6）表明，進行特征選擇后的模型相比未進行特征選擇的模型建模特征數(shù)量有所減少，模型預測2有所提升。

圖7是基于XGB-SFS算法選擇的最優(yōu)植被指數(shù)和紋理特征綜合模型預測的整個研究區(qū)內牧草生物量反演圖和插值圖。由圖 7-a可知，研究區(qū)啃食區(qū)牧草生物量在330 g·m-2以下，非啃食區(qū)牧草生物量在180—1 000 g·m-2之間。從本文數(shù)據(jù)獲取方式看，獲取的智能手機圖像離散但卻有規(guī)律覆蓋在選擇的牧場上。根據(jù)每張超高分辨率的手機圖像可以估算出相應的牧草生物量，但這些牧草生物量對于整個牧場來說仍然屬于離散狀態(tài)下的樣方尺度的數(shù)據(jù)。本試驗所選擇牧場地勢平坦，研究區(qū)內牧草類型基本相同，因此可通過尺度上推方法，估算整個研究區(qū)局域尺度的牧草生物量。圖7-b結果表明，研究區(qū)啃食區(qū)牧草生物量在400 g·m-2以下，非啃食區(qū)牧草生物量在200—1 200 g·m-2之間。通過對研究區(qū)內牧草生物量進行插值，可以更加快速、直觀、無損地掌握牧草長勢，實現(xiàn)對牧草的生長狀況進行實時監(jiān)測和管理。

3 討論

大量研究采用植被指數(shù)和紋理特征進行生物量估算并取得較好結果[36-37]，但是從手機圖像中提取的可見光光譜信息和空間信息是否能夠應用于牧草生物量估算還未可知，因此本文設計了6組試驗分析了空-譜特征及其組合和XGB-SFS特征選擇算法對牧草生物量的估算能力，以精確反演牧草生物量并結合圖像插值實現(xiàn)空間分布制圖。

（a）原始植被指數(shù)模型，（b）原始紋理特征模型，（c）原始聯(lián)合植被指數(shù)-紋理特征模型，（d）XGB-SFS特征選擇植被指數(shù)模型，（e）XGB-SFS特征選擇紋理特征模型，（f）XGB-SFS特征選擇聯(lián)合植被指數(shù)-紋理特征模型。下同

3.1 紋理特征在牧草AGB估算中具有潛在重要性

對比單類型特征反演模型，基于空間紋理特征的估算模型要優(yōu)于基于光譜植被指數(shù)估算模型，這是因為手機近距離拍攝相片不僅增強了牧草反射率信息，同樣增強了背景信息（如土壤）的光譜反射率，使得僅使用光譜信息建立的模型易受背景信息干擾，而具有高分辨率的紋理信息則取得較好的反演效果。由此可見，紋理特征在牧草AGB估算中具有潛在重要性。關于紋理特征與牧草生物量的關系，Sibanda等[38]研究表明，將紋理特征和紅邊導數(shù)相結合，可以為估算牧草AGB提供一種更為準確的方法，該研究還表明紋理模型在估算草地地上生物量方面優(yōu)于紅邊植被指數(shù)，這與本文研究基本一致。

3.2 XGB-SFS算法可以提高建模精度，且入選特征增加了模型的可解釋性

對比特征選擇前后模型的估算精度，使用了XGB-SFS特征選擇算法之后參與建模特征數(shù)量減少，且建模效果要明顯好于未進行特征選擇的模型，且篩選出的特征與牧草生物量之間大多存在較高的相關性。本試驗植被指數(shù)模型和多類型特征模型入選的特征子集中，第一個重要特征都為紅邊波段或其衍生指數(shù)，這與已有相關研究結果[39-40]相一致，再次說明基于紅波段的方法可以廣泛應用于監(jiān)測草地生長狀態(tài)和生物量等方面。本試驗紋理特征模型和多類型特征模型入選的特征子集中，3個波段構建的方差（）特征均入選，這與李明詩等[41]、Eckert等[42]研究結果相一致。

圖6 6組試驗建模精度與所用特征數(shù)量之間的關系

3.3 聯(lián)合空譜特征模型估算牧草AGB效果顯著

由于光譜特征提供了植被的顏色變化，紋理特征是獨立于色調，基于灰度空間進行植被空間信息辨別，在一定程度上彌補了基于植被指數(shù)建模的不足，將光譜和空間2種互補的信息一起估算牧草AGB，優(yōu)化了本研究中牧草AGB估算的準確性，且優(yōu)于其中任何一種單獨類型特征模型估算結果。這與陳鵬等[43]在估算馬鈴薯葉綠素含量中的結論一致。

圖7 基于XGB-SFS特征選擇的植被指數(shù)+紋理特征模型反演圖及插值圖

利用手機拍攝相片實現(xiàn)原位牧草生物量估算，為牧民實現(xiàn)掌上監(jiān)測牧草長勢提供理論依據(jù)。然而目前借助手機相片進行牧草生物量估算的研究尚處于探索階段，研究仍存在一些不足。一般使用手機拍攝獲取數(shù)據(jù)時，手機鏡頭應保證與地面保持相同距離平行拍攝，但在實際應用中人為操作難免存在一定偏差，導致采集的數(shù)據(jù)參數(shù)不一致，如圖像拍攝的高度，因此還需進一步設計試驗，探究不同拍攝高度對牧草生物量估算結果的影響，從而更加合理設置手機拍攝高度和探究適合估算牧草生物量的高度范圍。另外，現(xiàn)在提倡空天地一體化監(jiān)測作物長勢，然而手機拍攝的一幅相片獲取的樣方大小在1 m2左右，難以與航空、航天遙感數(shù)據(jù)的空間分辨率相匹配，從而影響一體化的研究進程，后續(xù)將設計不同樣方大小的試驗，驗證不同樣方大小對生物量估算的影響以及探索與航空數(shù)據(jù)相匹配的合適樣方大小。由于本文所使用的樣方數(shù)據(jù)受數(shù)量和空間限制，屬于小樣本集，雖然訓練過程采用了留一法交叉驗證訓練和測試反演模型來避免訓練模型出現(xiàn)過擬合現(xiàn)象，但不同樣本數(shù)量對模型精度的影響還有待探究。在今后的研究中可通過增加樣本數(shù)量、樣本采集時段及采集區(qū)域來獲取更多的訓練數(shù)據(jù)集，來驗證和提升本文結果的普適性和魯棒性。

4 結論

構建的單類型特征模型中，特征選擇前后，基于紋理特征的建模精度都比基于植被指數(shù)好。表明超高分辨率紋理特征在牧草生物量估算中具有一定作用。

相比單類型特征模型，聯(lián)合植被指數(shù)和紋理特征的“空-譜”融合特征估算牧草生物量表現(xiàn)最佳，表明聯(lián)合植被指數(shù)和紋理特征共同反演牧草生物量具有一定優(yōu)勢。

構建的6組模型中，大多數(shù)經特征選擇后的模型精度大于未進行特征選擇模型，且參與建模的特征數(shù)量也有所下降，表明該算法可以通過反復訓練得到更為準確的特征排序，同時獲得基于原始特征的最優(yōu)特征子集來提高模型預測精度。

以上研究證明了基于手機真彩色高分辨率圖像估算牧草生物量的可行性，今后可將研究對象推廣到其他草地類型及作物參數(shù)，完善草地生態(tài)監(jiān)測體系，使遙感技術走進大眾用戶，為農業(yè)信息化發(fā)展提供新的思路和可能。

[1] O'MARA F P. The role of grasslands in food security and climate change. Annals of Botany, 2012, 110(6): 1263-1270.

[2] 安海波, 李斐, 趙萌莉, 劉亞俊. 基于優(yōu)化光譜指數(shù)的牧草生物量估算. 光譜學與光譜分析, 2015, 35(11): 3155-3160.

AN H B, LI F, ZHAO M L, LIU Y J. Optimized spectral indices based estimation of forage grass biomass. Spectroscopy and Spectral Analysis, 2015, 35(11): 3155-3160. (in Chinese)

[3] 姚興成, 曲恬甜, 常文靜, 尹俊, 李永進, 孫振中, 曾輝. 基于MODIS數(shù)據(jù)和植被特征估算草地生物量. 中國生態(tài)農業(yè)學報, 2017, 25(4): 530-541.

YAO X C, QU T T, CHANG W J, YIN J, LI Y J, SUN Z Z, ZENG H. Estimation of grassland biomass using MODIS data and plant community characteristics. Chinese Journal of Eco-Agriculture, 2017, 25(4): 530-541. (in Chinese)

[4] LI H, LI A N, YIN G F, NAN X, BIAN J H. Retrieval of grassland aboveground biomass through inversion of the prosail model with modis imagery. Remote Sensing, 2019, 11(13): 1597.

[5] 孫世澤, 汪傳建, 尹小君, 王偉強, 劉偉, 張雅, 趙慶展. 無人機多光譜影像的天然草地生物量估算. 遙感學報, 2017, 22(5):848-856.

SUN S Z, WANG C J, YIN X J, WANG W Q, LIU W, ZHANG Y, ZHAO Q Z. Estimating aboveground biomass of natural grassland based on multispectral images of unmanned aerial vehicles. Journal of Remote Sensing, 2017, 22(5): 848-856. (in Chinese)

[6] LUSSEM U, BOLTEN A, GNYP M L, JASPER J, BARETH G. Evaluation of RGB-based vegetation indices from UAV imagery to estimate forage yield in grassland//The ISPRS Technical Commission III Midterm Symposium on “Developments, Technologies and Applications in Remote Sensing”. Beijing, China, 2018: 5.

[7] YUE J, YANG G, TIAN Q J, FENG H K, XU K J, ZHOU C Q. Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 150: 226-244.

[8] 吳炳方, 張鑫, 曾紅偉, 張淼, 田富有. 資源環(huán)境數(shù)據(jù)生成的大數(shù)據(jù)方法. 中國科學院院刊, 2018, 33(8): 804-811. WU B F, ZHANG X, ZENG H W, ZHANG M, TIAN F Y. Big data methods for environmental data. Bulletin of the Chinese Academy of Sciences, 2018, 33(8): 804-811. (in Chinese)

[9] 單杰. 從專業(yè)遙感到大眾遙感. 測繪學報, 2017, 46(10): 1434-1446.

SHAN J. Remote sensing: From trained professionals to general public. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1434-1446. (in Chinese)

[10] 宋德娟, 張承明, 楊曉霞, 李峰, 韓穎娟, 高帥, 董海燕. 高分二號遙感影像提取冬小麥空間分布. 遙感學報, 2018, 24(5): 596-608.

SONG D J, ZHANG C M, YANG X X, LI F, HAN Y J, GAO S, DONG H Y. Extracting winter wheat spatial distribution information from gf-2 image.Journal of Remote Sensing, 2018, 24(5): 596-608. (in Chinese)

[11] 張正健, 李愛農, 邊金虎, 趙偉, 南希, 靳華安, 譚劍波, 雷光斌, 夏浩銘, 楊勇帥, 孫明江. 基于無人機影像可見光植被指數(shù)的若爾蓋草地地上生物量估算研究. 遙感技術與應用, 2016, 31(1): 51-62.

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, SUN M J. Estimating aboveground biomass of grassland in zoige by visible vegetation index derived from unmanned aerial vehicle image.Remote Sensing Technology and Application, 2016, 31(1): 51-62. (in Chinese）

[12] 張領先, 陳運強, 李云霞, 馬浚誠, 杜克明, 鄭飛翔, 孫忠富. 可見光光譜的冬小麥苗期地上生物量估算. 光譜學與光譜分析, 2019, 39(8): 2501-2506.

ZHANG L X, CHEN Y Q, LI Y X, MA J C, DU K M, ZHENG F X, SUN Z F. Estimating above ground biomass of winter wheat at early growth stages based on visual spectral. Spectroscopy and Spectral Analysis, 2019, 39(8): 2501-2506. (in Chinese)

[13] 張愛武, 張帥, 郭超凡, 劉路路, 胡少興, 柴沙駝. Landsat8光譜衍生數(shù)據(jù)分類體系下的牧草生物量反演. 光譜學與光譜分析, 2020, 40(1): 239-246. ZHANG A W, ZHANG S, GUO C F, LIU L L, HU S X, CHAI S T. Grass biomass inversion based on Landsat 8 spectral derived data classification system. Spectroscopy and Spectral Analysis, 2020, 40(1): 239-246. (in Chinese)

[14] BASTIN J, POLOSAN M, PIALLAT B, KRACK P, BOUGEROL T, CHABARDES S, DAVID O. Changes of oscillatory activity in the subthalamic nucleus during obsessive-compulsive disorder symptoms: Two case reports. Cortex, 2014, 60: 145-150.

[15] KELSEY K, NEFF J. Estimates of aboveground biomass from texture analysis of Landsat imagery. Remote Sensing, 2014, 6(7): 6407-6422.

[16] LI J, Veeranampalayamsivakumar A, Bhatta M, GARST N D, STOLL H, BAENZIGER P S, BELAMKAR V, HOWARD R, GE Y F, SHI Y Y. Principal variable selection to explain grain yield variation in winter wheat from features extracted from UAV imagery. Plant Methods, 2019, 15(1): 1-13.

[17] 劉暢, 楊貴軍, 李振海, 湯伏全, 王建雯, 張春蘭, 張麗妍. 融合無人機光譜信息與紋理信息的冬小麥生物量估測. 中國農業(yè)科學, 2018, 51(16): 3060-3073.

LIU C, YANG G J, LI Z H, TANG F Q, WANG J W, ZHANG C L, ZHANG L Y. Biomass estimation in winter wheat by UAV spectral information and texture information fusion. Scientia Agricultura Sinica, 2018, 51(16): 3060-3073. (in Chinese)

[18] 王娜, 李強子, 杜鑫, 張源, 趙龍才, 王紅巖. 單變量特征選擇的蘇北地區(qū)主要農作物遙感識別. 遙感學報, 2017, 21(4): 519-530. WANG N, LI Q Z, DU X, ZHANG Y, ZHAO L C, WANG H Y. Identification of main crops based on the univariate feature selection in Subei. Journal of Remote Sensing, 2017, 21(4): 519-530. (in Chinese)

[19] 中華人民共和國農業(yè)部畜牧獸醫(yī)司, 全國畜牧獸醫(yī)總站. 中國草地資源. 北京: 中國科學技術出版社, 1996.

Department of Animal Husbandry and Veterinary Medicine, Ministry of Agriculture of the People's Republic of China and National Animal Husbandry and Veterinary Station. China Grassland Resources. Beijing: China Science and Technology Press, 1996. (in Chinese)

[20] WOEBBECKE D M, MEYER G E, VON BARGEN K, MORTENSEN D A. Color indices for weed identification under various soil, residue, and lighting conditions. Transactions of the ASABE, 1995, 38(1): 259-269.

[21] SELLARO R, CREPY M, TRUPKIN S A , KARAYEKOV E, BUCHOVSKY A S, ROSSI C, CASAL J J. Cryptochrome as a sensor of the Blue/Green ratio of natural radiation in. Plant Physiology, 2010, 154(1):401-409.

[22] PENUELAS J, GAMON J A, GRIFFIN K L, FIELD C B. Assessing community type, plant biomass, pigment composition, and photosynthetic efficiency of aquatic vegetation from spectral reflectance. Remote Sensing of Environment, 1993, 46(2): 110-118.

[23] HUNT E R, CAVIGELLI M A, DAUGHTRY C S T, MCMURTREY J E, WALTHALL C L. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status. Precision Agriculture, 2005, 6(4):359-378.

[24] HAGUE T, TILLETT N D, WHEELER H. Automated crop and weed monitoring in widely spaced cereals. Precision Agriculture, 2006, 7(1): 21-32.

[25] BENDIG J, YU K, AASEN H, BOLTEN A, BENNERTZ S, BROSCHEIT J, GNYP M L, BARETH G. 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, 2015, 39: 79-87.

[26] VERRELST J, SCHAEPMAN M E, KOETZ B, KNEUBUHLER M. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data. Remote Sensing of Environment, 2008, 112(5): 2341-2353.

[27] MEYER G E, NETO J C. Verification of color vegetation indices for automated crop imaging applications. Computers and Electronics in Agriculture, 2008, 63(2): 282-293.

[28] 汪小欽, 王苗苗, 王紹強, 吳云東. 基于可見光波段無人機遙感的植被信息提取. 農業(yè)工程學報, 2015, 31(5): 152-159.

WANG X Q, WANG M M, WANG S Q, WU Y D. Extraction of vegetation information from visible unmanned aerial vehicle images. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(5): 152-159. (in Chinese)

[29] GITELSON A A, KAUFMAN Y J, STARK R, RUNDQUIST D. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 2002, 80(1): 76-87.

[30] 黃昕. 高分辨率遙感影像多尺度紋理、形狀特征提取與面向對象分類研究[D]. 武漢: 武漢大學, 2009.

HUANG X. Multiscale texture and shape feature extraction and object-oriented classification for very high resolution remotely sensed imagery[D]. Wuhan: Wuhan University, 2009. (in Chinese)

[31] HARALICK R M, SHANMUGAM K, DINSTEIN I H. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 1973 (6): 610-621.

[32] SARKER L R, NICHOL J E. Improved forest biomass estimates using ALOS AVNIR-2 texture indices. Remote Sensing of Environment, 2011, 115(4): 968-977.

[33] 張愛武, 董喆, 康孝巖. 基于XGBoost的機載激光雷達與高光譜影像結合的特征選擇算法. 中國激光, 2019, 46(4): 0404003. ZHANG A W, DONG Z, KANG X Y. Feature selection algorithms of airborne LiDAR combined with hyperspectral images based on XGBoost. Chinese Journal of Lasers, 2019, 46(4): 0404003. (in Chinese)

[34] 王麗愛, 馬昌, 周旭東, 訾妍, 朱新開, 郭文善. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算. 農業(yè)機械學報, 2015, 46(1): 259-265. WANG L A, MA C, ZHOU X D, ZI Y, ZHU X K, GUO W S. Estimation of wheat leaf SPAD value using RF algorithmic model and remote sensing data. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 259-265. (in Chinese)

[35] 趙靜, 李志銘, 魯力群, 賈鵬, 楊煥波, 蘭玉彬. 基于無人機多光譜遙感圖像的玉米田間雜草識別. 中國農業(yè)科學, 2020, 53(8): 1545-1555.

ZHAO J, LI Z M, LU L Q, JIA P, YANG H B, LAN Y B. Weed identification in maize field based on multi-spectral remote sensing of unmanned aerial vehicle. Scientia Agricultura Sinica, 2020, 53(8): 1545-1555. (in Chinese)

[36] ZHENG H, CHENG T, ZHOU M, LI D, YAO X, TIAN Y C, ZHU Y. Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery. Precision Agriculture, 2019, 20(3): 611-629.

[37] LIU Y, LIU S, LI J, GUO X Y, WANG S Q, LU J W. Estimating biomass of winter oilseed rape using vegetation indices and texture metrics derived from UAV multispectral images. Computers and Electronics in Agriculture, 2019, 166: 105026.

[38] SIBANDA M, MUTANGA O, ROUGET M, KUMAR L. Estimating biomass of native grass grown under complex management treatments using worldview-3 spectral derivatives. Remote Sensing, 2017, 9(1): 55.

[39] American Society for Photogrammetry and Remote Sensing. Manual of Remote Sensing.New Jersey: John Wiley & Sons, Inc., 1999.

[40] CHO M A, SKIDMORE A, CORSI F, WIEREN S E V, SOBHAN I. Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression. International Journal of Applied Earth Observation and Geoinformation, 2007, 9(4): 414-424.

[41] 李明詩, 譚瑩, 潘潔, 彭世揆. 結合光譜、紋理及地形特征的森林生物量建模研究. 遙感信息, 2006(6): 6-9.

LI M S, TAN Y, PAN J, PENG S K. Modeling forest aboveground biomass by combining the spectrum, textures with topographic features. Remote Sensing Information, 2006, 2006(6): 6-9. (in Chinese)

[42] ECKERT S. Improved forest biomass and carbon estimations using texture measures from WorldView-2 satellite data. Remote Sensing, 2012, 4(4): 810-829.

[43] 陳鵬, 馮海寬, 李長春, 楊貴軍, 楊鈞森, 楊文攀, 劉帥兵. 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. 農業(yè)工程學報, 2019, 35(11): 63-74.

CHEN P, FENG H K, LI C C, YANG G J, YANG J S, YANG W P, LIU S B. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(11): 63-74. (in Chinese)

Smart-Phone Application in Situ Grassland Biomass Estimation

TAO HaiYu, ZHANG AiWu, PANG HaiYang, KANG XiaoYan

Center for Geographic Environment Research and Education, Capital Normal University/Key Laboratory of 3D Information Acquisition and Application, Ministry of Education, Capital Normal University, Beijing 100048

【】Biomass is the material and energy basis of grassland ecosystem and the most basic ecological parameter. In the past, the quantitative grassland biomass retrieval based on aerospace and aerial remote sensing was too specialized to be popularized among herders. Therefore, this paper proposed a method for estimating grassland biomass by using true color images taken on the phone near the ground, and constructing a grassland biomass estimation model, which provided a theoretical basis and technical support for herders to easily, quickly and non-destructively grasp the growth of grassland in their own pasture. 【】 Firstly, the feature sets of grassland biomass estimation were constructed based on vegetation index, texture features and combined vegetation index and texture features by using the ultra-high resolution true color images of mobile phones. Secondly, in order to prevent dimensional disaster caused by excessive feature extraction, this paper proposed a feature selection algorithm (XGB-SFS) that combined XGBoost and sequence forward selection to perform feature selection and optimal subset construction. Finally, random forest regression and leave-one-out cross-validation were used to compare the biomass estimation effects of different feature sets to build models, and analyze the role of different types of features and XGB-SFS algorithm in grassland AGB estimation.【】 (1) Compared with the model constructed by single-type features, the estimation model based on spatial texture features (2= 0.76) was better than the estimation model based on spectral vegetation index (2= 0.73), indicating that texture features had a certain role in the ultra-high-resolution grassland AGB estimation; (2) Compared with the model after feature selection, the combined spatial spectrum multi-type feature construction model was superior to any single-type feature model (2= 0.83,= 127.57 g·m-2,= 81.25 g·m-2), indicating that multi-type feature construction model could improve the accuracy of grassland AGB estimation to a certain extent. (3) Comparing the models building before and after feature selection, the model after feature selection by estimating the AGB effect was significantly better than the model without feature selection, and there was a high correlation between the selected features and grassland biomass, indicating that XGB-SFS could reduce the data dimension and improve the accuracy of grassland AGB estimation.【】The ultra-high-resolution true color images of mobile phones could accurately estimate the grassland biomass. The XGB-SFS algorithm proposed in this paper could also select the features with high correlation with the grassland biomass from many features and improve the model estimation accuracy. Compared with the previous professional remote sensing quantitative inversion of grassland biomass, this method had the advantages of facing the public, low cost, and easy to use. The study combined the data collected on the phone with remote sensing and machine learning methods, which could open up new perspectives and support the development of agricultural informatization.

biomass; smart-phone; texture features; XGBoost; grassland

10.3864/j.issn.0578-1752.2021.05.006

2020-05-26；

2020-07-30

國家自然科學基金（42071303）、科技基礎資源調查項目（2019FY101304）

陶海玉，E-mail：hytao96@gmail.com。通信作者張愛武，E-mail：zhangaw98@163.com

（責任編輯 楊鑫浩）