基于無人機(jī)和衛(wèi)星遙感的胡楊林地上生物量估算

楊雪峰，昝 梅，木尼熱?買買提

基于無人機(jī)和衛(wèi)星遙感的胡楊林地上生物量估算

楊雪峰，昝 梅，木尼熱?買買提

（1. 新疆師范大學(xué)地理科學(xué)與旅游學(xué)院，烏魯木齊 830054；2. 新疆干旱區(qū)湖泊環(huán)境與資源實(shí)驗(yàn)室，烏魯木齊 830054）

基于光譜信息的森林地上生物量遙感模型多存在精度不高的問題，如何更準(zhǔn)確地獲取森林地上生物量是遙感領(lǐng)域的研究熱點(diǎn)。該研究以位于塔里木河下游的河岸胡楊林為例，探討在無人機(jī)攝影測量技術(shù)支持下，使用高分辨率衛(wèi)星遙感技術(shù)，通過面向?qū)ο笥跋穹治龊突貧w分析等技術(shù)，獲取區(qū)域尺度下胡楊冠幅、樹高和密度等森林結(jié)構(gòu)參數(shù)，在此基礎(chǔ)上，通過生長方程計(jì)算得到區(qū)域尺度森林地上生物量。在30、50、100和250 m 4個(gè)空間尺度上，與無人機(jī)數(shù)據(jù)的估算結(jié)果相比，高分辨率衛(wèi)星遙感數(shù)據(jù)的地上生物量估算結(jié)果高22%～26%，其誤差主要來自于樹冠生物量部分。隨著空間尺度增大，基于衛(wèi)星遙感的地上生物量回歸模型2也隨之增大，其中在100 m尺度上，地上生物量回歸模型2為0.851，表明使用高分辨率衛(wèi)星遙感技術(shù)可以在較大的區(qū)域尺度上獲得較高的森林地上生物量估算精度。地上生物量回歸模型的標(biāo)準(zhǔn)化系數(shù)分析表明，對森林地上生物量估算精度影響最大的因素是密度和樹高，冠幅影響最小，并且隨著空間尺度增大，密度的影響有增加趨勢，樹高的影響有減少趨勢。研究結(jié)果可為使用無人機(jī)和衛(wèi)星遙感技術(shù)研究森林地上生物量提供參考。

無人機(jī)；遙感；地上生物量；森林結(jié)構(gòu)；胡楊；衛(wèi)星遙感

0 引 言

森林生物量是反映森林生態(tài)系統(tǒng)功能的基本數(shù)據(jù)，了解生物量變化可以更好地理解陸地生態(tài)演變過程[1]。傳統(tǒng)的皆伐法具有精確測量森林生物量的優(yōu)勢，但耗時(shí)費(fèi)力，且對森林生態(tài)系統(tǒng)具有較大的破壞性，只適于較小尺度的森林生物量測定[2]。在實(shí)踐中，為方便操作，常常通過建立整株樹木或器官生物量與胸徑（Diameter at Breast Height, DBH）、樹高等測樹因子之間的異速生長方程來估算[3]。林分水平生物量的測定多基于單木生物量模型套算或選擇標(biāo)準(zhǔn)木測定進(jìn)而獲得林分生物量數(shù)據(jù)[4]。

遙感技術(shù)的發(fā)展為快速獲取大尺度的森林地上生物量（Above Ground Biomass，AGB）提供了新的手段。通過光學(xué)遙感技術(shù)獲取森林地上生物量已成為主要研究方式?？梢姽夂徒t外波段能較好地反映樹木冠層的生化和物理屬性，各種植被指數(shù)通過對多個(gè)波段的差異組合和比值運(yùn)算，減少了大氣、土壤的影響，進(jìn)一步增強(qiáng)了植被信號(hào)。反射率和植被指數(shù)被廣泛用于獲取森林地上生物量，其主要方式是建立植被反射率、植被指數(shù)等光譜信息變量與地上生物量之間的統(tǒng)計(jì)模型[5-8]。光學(xué)影像可以提供豐富的冠層光譜，并已廣泛用于生物量估算，但是對于成熟的林分，葉生物量在整個(gè)森林地上生物量中所占比例大約不到10%，傳統(tǒng)的光學(xué)遙感難以準(zhǔn)確獲取樹干生物量的相關(guān)信息[9]。很多研究發(fā)現(xiàn)，使用中等分辨率影像的光譜反射信息預(yù)測生物量，回歸模型決定系數(shù)2基本在0.5～0.7之間[10-12]。

林木地上生物量與樹高、胸徑、林分密度等結(jié)構(gòu)參數(shù)相關(guān)程度很高。已有研究表明，在生物量遙感模型中引入樹高、冠幅等森林結(jié)構(gòu)信息可以提高森林地上生物量估算的精度[13-16]。但目前研究局限于單一結(jié)構(gòu)因子，在區(qū)域尺度缺乏驗(yàn)證，研究結(jié)果具有一定的不確定性。

本研究以塔里木河下游的河岸胡楊林為例，結(jié)合高空間分辨率（Very High-Resolution，VHR）衛(wèi)星遙感和無人機(jī)（Unmanned Aerial Vehicle，UAV）遙感，在無人機(jī)獲取的單木尺度胡楊結(jié)構(gòu)信息支持下，使用高分辨率衛(wèi)星遙感影像，通過面向?qū)ο笥跋穹治觯∣bject Based Image Analysis，OBIA）、回歸分析等技術(shù)獲取區(qū)域尺度森林關(guān)鍵結(jié)構(gòu)信息：樹高、冠幅和林分密度，基于生長方程分別計(jì)算胡楊樹冠生物量和樹干生物量，繼而估算出區(qū)域尺度森林地上生物量，并基于無人機(jī)測量數(shù)據(jù)進(jìn)行結(jié)果評(píng)價(jià)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于塔里木河下游，地處范圍88°00′28.6″～88°01′10.17″E，40°25′52.88″～40°26′27.73″N，面積約1.2 km2（圖1）。該區(qū)域?yàn)榕瘻貛Т箨懶愿珊禋夂颍昃鶜鉁?0 ℃，年均降水量約55 mm，降水匱乏，植被稀少。在塔里木河河岸附近發(fā)育有河岸林，主體為胡楊（），林下基本沒有植被覆蓋，表層土壤為粉砂土，且鹽堿化程度較高。地下水水位較高區(qū)域分布有檉柳（Lour.）灌叢，黑枸杞（Murr.）灌叢等，平均海拔840 m，地形較為平坦[17]。

1.2 數(shù)據(jù)來源

1.2.1 實(shí)地測量數(shù)據(jù)

在研究區(qū)內(nèi)，進(jìn)行胡楊數(shù)量統(tǒng)計(jì)和樹高、冠幅抽樣測量，具體過程如下：

1）使用OruxMaps地圖軟件，以WorldView-2影像為參照，在地圖中設(shè)置26個(gè)100 m×100 m樣格網(wǎng)，對格網(wǎng)中的胡楊進(jìn)行數(shù)量統(tǒng)計(jì)，并在地圖上進(jìn)行位置標(biāo)記。

2）根據(jù)離河遠(yuǎn)近、郁閉度和林下環(huán)境（灌草、土壤），隨機(jī)選取80株有較完整和部分完整冠幅的胡楊進(jìn)行標(biāo)記，并對樹高、冠幅和胸徑量測。樹高測量：使用激光測距儀的測高功能分別從3個(gè)不同方向?qū)涔谧罡唿c(diǎn)進(jìn)行測量，獲取胡楊樹高，取平均值作為實(shí)測樹高；冠幅測量：使用長卷尺分別獲取相隔60°的3個(gè)方向的冠幅取平均值。胸徑量測：在距地面130 cm處使用軟尺進(jìn)行測量。

1.2.2 無人機(jī)測量數(shù)據(jù)

研究使用的無人機(jī)為四旋翼小型無人機(jī)大疆精靈4 pro，相機(jī)有效像素為2 000萬。針對研究區(qū)空間大小，使用航線規(guī)劃軟件設(shè)計(jì)包括1次垂直攝影測量和4次傾斜攝影測量的5次飛行任務(wù)，飛行高度為100 m，對應(yīng)地面分辨率為3 cm，航向重疊率為85%，旁向重疊率為70%；傾斜鏡頭觀測角度45°。

1.2.3 高分辨率衛(wèi)星遙感影像

高分辨率遙感影像數(shù)據(jù)為2018年7月拍攝的WorldView-2多光譜影像。包含1個(gè)全色波段和4個(gè)多光譜波段（藍(lán)色波段：450～510 nm；綠色波段：510～580 nm；紅色波段：630～690 nm；近紅外線波段：770～895 nm），全色波段地面分辨率為0.5 m，多光譜波段地面分辨率為2 m。

1.3 研究方法

本研究分別使用實(shí)地采樣、無人機(jī)攝影測量和高分辨率衛(wèi)星遙感測量在單木尺度和區(qū)域尺度獲取胡楊結(jié)構(gòu)和生物量數(shù)據(jù)。在單木尺度上，以地面實(shí)測數(shù)據(jù)對無人機(jī)數(shù)據(jù)進(jìn)行精度評(píng)價(jià)；在區(qū)域尺度上，用無人機(jī)估算結(jié)果對高分辨率衛(wèi)星估算結(jié)果進(jìn)行精度評(píng)價(jià)，具體技術(shù)路線如圖2所示。

1.4 數(shù)據(jù)處理

1.4.1 無人機(jī)影像數(shù)據(jù)處理

無人機(jī)影像處理利用PIX4D Mapper軟件完成[18]，經(jīng)過影像配準(zhǔn)、空中三角測量、點(diǎn)云生成等處理步驟，獲得研究區(qū)的點(diǎn)云。對加密點(diǎn)云進(jìn)行分類處理得到地面和植被點(diǎn)云數(shù)據(jù)，再通過ArcGIS IDW插值和柵格化處理得到數(shù)字表面模型（Digital Surface Model, DSM）和數(shù)字地形模型（Digital Terrain Model, DTM）柵格數(shù)據(jù)，對DSM和DTM進(jìn)行減法計(jì)算生成冠層高度模型（Canopy Height Model, CHM）數(shù)據(jù)[19]（圖3a）。CHM數(shù)據(jù)使用eCognition軟件[20]的“Min/Max Filter”最?。ㄗ畲螅┲禐V波算法生成種子點(diǎn)（圖3b），根據(jù)種子點(diǎn)位置提取樹高，然后通過“Pixel-Based Object Resizing”增長算法生成植被冠層矢量多邊形對象（圖3c），繼而使用ArcGIS統(tǒng)計(jì)胡楊株數(shù)。

1.4.2 高分辨率衛(wèi)星影像數(shù)據(jù)處理

1）冠幅提取

WorldView-2影像經(jīng)過大氣校正、幾何校正和影像融合處理，地面分辨率為0.5 m。利用eCognition軟件對WorldView-2影像進(jìn)行分類處理，根據(jù)影像上胡楊樹有顯著陰影的特點(diǎn)，生成植被分類（圖4a）。使用WorldView-2多光譜波段計(jì)算生成歸一化植被指數(shù)（Normalized Difference Vegetation Index, NDVI），利用“Min/Max Filter”算法在NDVI影像中生成種子點(diǎn)，再使用“Pixel-Based Object Resizing”算法生成植被冠層（圖4b）。最后，對胡楊冠層分類影像和植被冠層矢量對象進(jìn)行空間疊加，得到胡楊冠層（圖4c）。在此基礎(chǔ)上，使用ArcGIS計(jì)算得到胡楊冠幅和株數(shù)。

2）樹高提取

從WorldView-2獲取的冠層中選擇與無人機(jī)獲取的冠層空間位置配準(zhǔn)較好的3 505個(gè)胡楊冠層矢量對象，提取對應(yīng)的WorldView-2光譜、幾何和紋理3類特征，根據(jù)特征與胡楊高度的相關(guān)程度和顯著性檢驗(yàn)，篩選出32個(gè)常用特征（1個(gè)一般特征，21個(gè)光譜特征，10個(gè)紋理特征，具體見表1）作為胡楊樹高回歸模型的因子。

表1 特征列表

注：以上特征均在0.01水平顯著。

Note: All features are significant at 0.01 level.

通過線性回歸[21]、多層感知機(jī)回歸[22]、SVM回歸[23]和PACE回歸[24]分別建立特征值和樹高的回歸模型。結(jié)果表明，PACE回歸模型的決定系數(shù)2最高，為0.664，RMSE最小，為0.934 m。因此選擇PACE回歸建立胡楊樹高回歸模型，生成高分辨率衛(wèi)星樹高數(shù)據(jù)。

1.5 胡楊地上生物量計(jì)算

根據(jù)董道瑞等[25]的研究，胡楊地上生物量可以分為樹干生物量和樹冠生物量2部分，分別計(jì)算樹冠生物量樹冠和樹干生物量樹干（kg），累加獲得胡楊地上生物量單木（kg）：

單木=樹干+樹冠（1）

樹干生物量根據(jù)胡楊樹干材積和平均密度計(jì)算，如式（2）。其中樹干材積通過胸徑和樹高計(jì)算得到（式（3））；樹冠生物量根據(jù)樹冠面積計(jì)算（式（4））。

樹干=748.43樹干（2）

式中樹干為樹干材積，m3；胡楊平均材積密度為748.43 kg/m3[25]。

樹干=0.000 050 22.09·0.742（3）

式中為胸徑，cm；為樹高，m。

樹冠=0.0162+2.291+11.084（4）

式中樹冠為樹冠生物量，kg；為冠幅面積，m2。

通過公式（1）～（4）計(jì)算出樹干生物量和樹冠生物量，最后得到基于高分辨率衛(wèi)星遙感影像的研究區(qū)地上生物量數(shù)據(jù)。

1.6 精度驗(yàn)證

由于UAV和WorldView-2的地面分辨率和成像幾何條件不同，為了更好地對比評(píng)價(jià)2種方式獲取生物量的差異程度和原因分析，對2種方式獲取的參數(shù)在不同尺度上進(jìn)行對比。分別把研究區(qū)劃分邊長為30、50、100和250 m大小的格網(wǎng)，提取不同尺度格網(wǎng)內(nèi)的無人機(jī)和高分辨率衛(wèi)星遙感數(shù)據(jù)進(jìn)行誤差、精度和影響因子分析。

2 結(jié)果與分析

2.1 樹高-胸經(jīng)關(guān)系模型

在樹高與胸徑的線性模型、指數(shù)模型、對數(shù)模型和冪函數(shù)模型當(dāng)中，指數(shù)模型的決定系數(shù)2最高，為0.531；冠幅與胸徑的冪函數(shù)模型的決定系數(shù)2最高，為0.334。對研究區(qū)胡楊來說，樹高與胸徑的相關(guān)性比冠幅和胸徑的相關(guān)性更高，因此，本研究選擇樹高-胸徑指數(shù)模型（式（5））。

=7.782e0.189H（5）

在該研究區(qū)域的調(diào)查發(fā)現(xiàn)，由于長期干旱脅迫影響到胡楊的生長，其樹高-胸徑相關(guān)程度并不十分顯著。從80株地面采樣點(diǎn)中選取無人機(jī)影像上易區(qū)分的35株胡楊，把無人機(jī)測量的樹高數(shù)據(jù)代入公式（5），得到預(yù)測值與實(shí)測值回歸模型的決定系數(shù)2為0.676，RMSE為6.6 cm，平均誤差為16.7%。

2.2 無人機(jī)測量結(jié)果與分析

利用無人機(jī)提取的樹高數(shù)據(jù)，根據(jù)公式（5）計(jì)算對應(yīng)的胸徑，再根據(jù)公式（1）～（4）計(jì)算出單木地上生物量。為了驗(yàn)證無人機(jī)測量的結(jié)構(gòu)和生物量數(shù)據(jù)精度，從采樣點(diǎn)中選取無人機(jī)影像上易區(qū)分的35株胡楊，使用無人機(jī)提取的胡楊冠幅、樹高和生物量數(shù)據(jù)與實(shí)測數(shù)據(jù)進(jìn)行比較（圖5）。

無人機(jī)數(shù)據(jù)與35個(gè)實(shí)測冠幅、樹高和地上生物量回歸模型的決定系數(shù)2分別是0.783、0.866和0.816（圖5a、5b、5c），與26個(gè)地面格網(wǎng)實(shí)測密度回歸模型的決定系數(shù)2為0.941（圖5d），表明基于無人機(jī)遙感數(shù)據(jù)的提取精度較高，可以使用無人機(jī)估算結(jié)果對高分辨率衛(wèi)星估算結(jié)果進(jìn)行精度評(píng)價(jià)。

2.3 精度驗(yàn)證

2.3.1 誤差分析

為了全面分析高分辨率衛(wèi)星估算數(shù)據(jù)的精度，分別使用30、50、100和250 m的尺度格網(wǎng)，對高分辨率衛(wèi)星估算結(jié)果與無人機(jī)估算結(jié)果進(jìn)行比較。結(jié)果表明，與無人機(jī)估算結(jié)果相比，基于衛(wèi)星遙感數(shù)據(jù)的樹高估算結(jié)果高2.2%～3.2%（圖6a），再加上胸徑估算誤差的影響，造成樹干生物量的估算結(jié)果比無人機(jī)估算結(jié)果高10%～13%（圖6d），冠幅的衛(wèi)星遙感估算結(jié)果高27%～30%（圖6b），造成樹冠生物量的估算結(jié)果偏大58%～71%（圖6d），因此造成密度估算結(jié)果低1.8%～6.5%（圖6c）。綜合以上因素，地上生物量的衛(wèi)星遙感估算結(jié)果總體比無人機(jī)估算結(jié)果高22%～26%，其誤差主要來自于樹冠生物量部分。

冠幅估算結(jié)果偏高的主要原因是由于高分辨率衛(wèi)星影像的地面分辨率低于UAV影像，并且成像角度與UAV相比有一定的差別造成的。

2.3.2 不同空間尺度的估算精度

為了分析各結(jié)構(gòu)因子與地上生物量在不同尺度上的估算精度以及結(jié)構(gòu)因子對地上生物量的影響程度，分別使用30、50、100和250 m 4種尺度統(tǒng)計(jì)格網(wǎng)，對無人機(jī)和高分辨率衛(wèi)星遙感數(shù)據(jù)估算的樹高、冠幅、密度和生物量分別建立回歸模型。統(tǒng)計(jì)發(fā)現(xiàn)，隨著統(tǒng)計(jì)尺度增大，回歸模型決定系數(shù)2（<0.001）也增大。樹高回歸模型決定系數(shù)2均最高，其次是生物量和林分密度，冠幅最低（表2）。在森林生物量統(tǒng)計(jì)常用的100 m尺度上，地上生物量模型決定系數(shù)2為0.851。

造成這種情況主要的原因是由于研究區(qū)植被稀疏，而且CHM與WorldView-2數(shù)據(jù)的幾何配準(zhǔn)存在誤差，統(tǒng)計(jì)網(wǎng)格越大越容易抵消樹高、冠幅和林分密度等的估計(jì)誤差。冠幅模型決定系數(shù)2較低的原因主要是由于基于高分辨率衛(wèi)星遙感數(shù)據(jù)的冠幅估算誤差較大。

通過建立森林地上生物量和樹高、冠幅、林分密度的線性回歸模型，對回歸模型系數(shù)進(jìn)行標(biāo)準(zhǔn)化處理后發(fā)現(xiàn)（表2），無論是無人機(jī)還是衛(wèi)星遙感數(shù)據(jù)的估算結(jié)果，對地上生物量影響最大的因子是林分密度，其次是樹高，冠幅的影響最小。雖然冠幅的估算誤差較大，但樹高和林分密度的估算精度較高，各尺度上地上生物量的估算精度都較高。隨著空間尺度增大，林分密度對地上生物量的影響有增加趨勢，樹高對地上生物量的影響有減少趨勢。

表2 不同網(wǎng)格尺度下胡楊結(jié)構(gòu)信息提取效果

3 結(jié) 論

為了精確獲取區(qū)域尺度森林地上生物量，本文探討了使用無人機(jī)低空遙感和高分辨率衛(wèi)星遙感技術(shù)，通過獲取胡楊林樹高、冠幅和林分密度等關(guān)鍵森林結(jié)構(gòu)參數(shù)，最終獲取區(qū)域尺度胡楊林地上生物量，主要結(jié)論如下：

1）使用UAV通過傾斜攝影測量、面向?qū)ο笥跋穹治龅燃夹g(shù)獲取冠幅、林分密度和樹高等胡楊結(jié)構(gòu)信息，在此基礎(chǔ)上使用生長方程計(jì)算地上生物量。與實(shí)測數(shù)據(jù)對比，在單木尺度上，無人機(jī)獲取的冠幅、樹高和地上生物量線性回歸模型決定系數(shù)2分別達(dá)到0.783、0.866和0.816，林分密度回歸模型決定系數(shù)2為0.941。證明小型無人機(jī)獲取的數(shù)據(jù)可以替代地面實(shí)測數(shù)據(jù)使用。

2）在無人機(jī)數(shù)據(jù)的支持下，使用高分辨率衛(wèi)星影像，通過面向?qū)ο笥跋穹治?、樹高回歸方程得到冠幅、林分密度和樹高信息，最終計(jì)算得到森林地上生物量。在30、50、100和250 m共4個(gè)空間尺度上，與無人機(jī)估算結(jié)果相比，衛(wèi)星數(shù)據(jù)的樹干生物量估算高10%～13%，樹冠生物量高58%～71%，地上生物量高22%～26%，其誤差主要來自于樹冠生物量部分。

3）隨著空間尺度增大，基于高分辨率衛(wèi)星遙感數(shù)據(jù)的地上生物量模型2明顯增大，說明較大的統(tǒng)計(jì)尺度可以一定程度上抵消結(jié)構(gòu)因子帶來的誤差影響。在100 m尺度上，地上生物量模型決定系數(shù)2為0.851，證明結(jié)合無人機(jī)和高分辨率衛(wèi)星遙感技術(shù)，可以在區(qū)域尺度上獲取較高精度的森林地上生物量。通過對地上生物量回歸模型的標(biāo)準(zhǔn)化系數(shù)進(jìn)行比較發(fā)現(xiàn)，地上生物量估算精度主要受樹高和林分密度的影響，受冠幅的影響較小。隨著空間尺度增大，林分密度對地上生物量估算結(jié)果的影響有增加趨勢、樹高有減少趨勢。

由于研究區(qū)森林郁閉度較低，雖然冠幅的總體估算精度較低，但對樹高和林分密度估算精度的影響相對較小，如能提高冠幅估算精度，對林分密度和樹高估算精度的提高也會(huì)產(chǎn)生積極的影響。

本研究使用的小型無人機(jī)存在空中飛行姿態(tài)不穩(wěn)定、相機(jī)分辨率不高等不足，具有一定的系統(tǒng)誤差，未來可以考慮使用更專業(yè)的無人機(jī)設(shè)備。另外，使用面向?qū)ο笥跋穹治黾夹g(shù)從無人機(jī)和高分辨率衛(wèi)星影像中提取冠幅信息時(shí)，其處理流程和參數(shù)設(shè)置的選擇均會(huì)對結(jié)果產(chǎn)生一定影響，可考慮使用深度學(xué)習(xí)算法來進(jìn)行胡楊識(shí)別和冠幅提取。高分辨率遙感衛(wèi)星技術(shù)近些年快速發(fā)展，在森林生態(tài)研究中具有巨大的潛力，未來會(huì)繼續(xù)在以上方面開展研究。

[1]Temesgen H, Affleck D, Poudel K, et al. A review of the challenges and opportunities in estimating above ground forest biomass using tree-level models[J]. Scandinavian Journal of Forest Research, 2015, 30(4): 1-10.

[2]王超，賈翔，趙瑩，等. 森林生物量估算方法研究進(jìn)展[J]. 北華大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，20(3)：391-394.

Wang Chao, Jia Xiang, Zhao Ying, et al. Review of methods on estimating forest biomass[J]. Journal of Beihua University: Natural Science, 2019, 20(3): 391-394. (in Chinese with English abstract)

[3]周國逸，尹光彩，唐旭利，等. 中國森林生態(tài)系統(tǒng)碳儲(chǔ)量：生物量方程[M]. 北京：科學(xué)出版社，2018.

[4]歐光龍，胥輝. 森林生物量模型研究綜述[J]. 西南林業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)，2020，40(1)：1-11.

Ou Guanglong, Xu Hui. A review on forest biomass models[J]. Journal of Southwest Forestry University: Natural Science, 2020, 40(1): 1-11. (in Chinese with English abstract)

[5]徐新良，曹明奎. 森林生物量遙感估算與應(yīng)用分析[J]. 地球信息科學(xué)，2006，8(1)：23-30.

Xu Xinliang, Cao Mingkui. An analysis of the applications of remote sensing method to the forest biomass estimation[J]. Geo-Information Science, 2006, 8(1): 23-30. (in Chinese with English abstract)

[6]王紅巖，高志海，王琫瑜，等. 基于SPOT5遙感影像豐寧縣植被地上生物量估測研究[J]. 遙感技術(shù)與應(yīng)用，2010，25(5)：639-646.

Wang Hongyan, Gao Zhihai, Wang Fengyu, et al. Estimation vegetation biomass of SPOT5 satelite images in Fengning Country, Hebei Province[J]. Remote Sensing Technology and Application, 2010, 25(5): 639-646. (in Chinese with English abstract)

[7]Muukkonen P, Heiskanen J. Estimating biomass for boreal forests using ASTER satellite data combined with standwise forest inventory data[J]. Remote Sensing of Environment, 2005, 99(4): 434-447.

[8]Houghton R A, Butman D, Bunn A G, et al. Mapping Russian forest biomass with data from satellites and forest inventories[J]. Environmental Research Letters, 2007, 2(4): 45032-45037.

[9]Dobson M C, Ulaby F T, LeToan T, et al. Dependence of radar backscatter on coniferous forest biomass[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 412-415.

[10]Castillo-Santiago M A, Ricker M, Jong B H J D. Estimation of tropical forest structure from SPOT5 satellite images[J]. International Journal of Remote Sensing, 2010, 31(9/10): 2767-2782.

[11]Chen W, Blain D, Li J, et al. Biomass measurements and relationships with Landsat-7/ETM+ and JERS-1/SAR data over Canada’s western subarctic and low arctic[J]. International Journal of Remote Sensing, 2009, 30(9): 2355-2376.

[12]Hall R J, Skakun R S, Arsenault E J, et al. Modeling forest stand structure attributes using Landsat ETM+ data: Application to mapping of aboveground biomass and stand volume[J]. Forest Ecology and Management, 2006, 225: 378-390.

[13]黃金龍，居為民，鄭光，等. 基于高分辨率遙感影像的森林地上生物量估算[J]. 生態(tài)學(xué)報(bào)，2013，33(20)：6497-6508.

Huang Jinlong, Ju Weiming, Zheng Guang, et al. Estimation of forest aboveground biomass using high spatial resolution remote sensing imagery[J]. Acta Ecologica Sinica, 2013, 33(20): 6497-6508. (in Chinese with English abstract)

[14]池泓，黃進(jìn)良，邱娟，等. GLAS星載激光雷達(dá)和Landsat/ETM+數(shù)據(jù)的森林生物量估算[J]. 測繪科學(xué)，2018，4(43)：12-19，26.

Chi Hong, Huang Jinliang, Qiu Juan, et al. Estimation of forest aboveground biomass using ICESat/GLAS data and Landsat/ETM+ imagery[J]. Science of Surveying and Mapping, 2018, 4(43): 12-19, 26. (in Chinese with English abstract)

[15]Leboeuf A, Beaudoin A, Fournier L, et al. Mapping tree biomass of northern boreal forest using shadow fraction from Quickbird imagery[C]. //Wolfville: Proceedings of the 26th Canadian Symposium on Remote Sensing, 2005.

[16]Fatoyinbo T E, Simard M. Height and biomass of mangroves in Africa from ICESat/GLAS and SRTM[J]. International Journal for Remote Sensing, 2013, 34(2): 668-681.

[17]陳亞寧，張小雷，祝向民，等. 新疆塔里木河下游斷流河道輸水的生態(tài)效應(yīng)分析[J]. 中國科學(xué)：D輯，2004，34(5)：475-482.

Chen Yaning, Zhang Xiaolei, Zhu Xiangming, et al. Analysis on ecological effect of water conveyance in thelower reaches of tarim river in xinjiang[J]. Science China: Earth Sciences, 2004, 34(5): 475-482. (in Chinese with English abstract)

[18]Forsmoo J, Anderson K, Macleod C J A, et al. Structure from motion photogrammetry in ecology: Does the choice of software matter?[J]. Ecology & Evolution, 2019, 9(23): 12964-12979.

[19]ESRI. ArcGIS Tutorial[EB/OL], [2020-11-12] https://desktop. arcgis.com/zh-cn/arcmap/10.3/manage-data/las-dataset/lidar-solutions-estimating-forest-density-and-height.html.

[20]Trimble. eCognition Tutorial[EB/OL], [2020-06-12] https://docs. Ecognition.com/v10.0.0.

[21]Sadiq M. Prediction of software project effort using linear regression model[J]. International Journal of Information & Electronics Engineering, 2013, 3(3): 262-265.

[22]Gaudart J, Giusiano B, Huiart L. Comparison of the performance of multi-layer perceptron and linear regression for epidemiological data[J]. Computational Stats & Data Analysis, 2018, 44(4): 547-570.

[23]Shevade S K, Keerthi S S, Bhattacharyya C, et al. Improvements to the SMO algorithm for SVM regression[J]. IEEE Transactions on Neural Networks, 2000, 11(5): 1188-1193.

[24]Wang Yong, Ian H W. Modeling for optimal probability prediction[C]//Sydney: Proceedings of the Nineteenth International Conference in Machine Learning, 2002.

[25]董道瑞，李霞，萬紅梅，等. 塔里木河下游胡楊（）地上生物量估測[J]. 中國沙漠，2013，33(3)：724-730.

Dong Daori, Li Xia, Wan Hongmei, et al. Aboveground biomass estimation ofin the lower reaches of tarim river[J]. Journal of Desert Research, 2013, 33(3): 724-730. (in Chinese with English abstract)

Estimation of above ground biomass offorest using UAV and satellite remote sensing

Yang Xuefeng, Zan Mei, Munire·Maimaiti

(1.,,830054,;2.,830054,)

Currently, there is still some limitations on the Above Ground Biomass(AGB) of forest using spectral information from remote sensing technology. In this study, takingforest in the lower reaches of Tarim River as an example, the Unmanned Aerial Vehicle(UAV) low altitude remote sensing and Very High-Resolution(VHR) satellite remote sensing were used to estimate the forest AGB using forest structure information. Some more advanced UAV and image segmentation techniques were used to improve the accuracy of crown diameter, thereby to improve the accuracy of AGB estimation in the future. The AGB ofwas divided into trunk biomass and crown biomass. An allometric equation was used to calculate with the parameters of tree height, Diameter at Breast Height(DBH), and crown diameter. The actual procedure was as follows: Digital Surface Model(DSM) and Digital Terrain Model(DTM) were firstly obtained using UAV oblique photogrammetry and Geographic Information System(GIS) interpolation, together with the Canopy Height Model(CHM). Secondly, an Object-Oriented Image Analysis(OBIA) was used to acquire the tree height and crown diameter. Finally, an allometric equation was used to calculate the AGB by UAV measured data. The VHR WorldView-2(WV2) Normalized Difference Vegetation Index(NDVI) image was calculated by the OBIA and GIS overlay technologies, thereby to extract the crown diameter as result. Specifically, the WV2 tree height was obtained from the regression model that built between 32 general features and UAV-measured tree height. The AGB by WV2 measured was calculated using an allometric equation. A comparison of UAV- and field-measured data showed that: The coefficients of determination(2) of crown diameter, height, density, and AGB were 0.783, 0.866, 0.941 and 0.816, respectively. A high goodness-of-fit was also proved that the UAV-measurement can be expected to replace the field-measurent in plot size. Tree height from the WV2-measured was overestimated by 2.2%-3.2%, resulting in the trunk biomass was higher by 10%-13%, compared with the UAV-measured data. The crown diameter of WV2-measured was significantly overestimated by 27%-30%, resulting in the canopy biomass was overestimated by 58%-71%. Therefore, the density was underestimated by 1.8%-6.5%. The AGB of WV2-measured was overestimated by 22%-26%, compared with the UAV-measured data, where the error mainly came from the canopy biomass. A comparison of WV2- and UAV-measured data on the four scale grid size of 30 to 250 m showed that the2of crown diameter, height, density, and AGB increased with the increasing of statistical grid size, whereas, the2of AGB was 0.851 at the scale of 100 m, which was usually used as a AGB statistical standard size. The forest structure information can be obtained by the VHR remote sensing through the OBIA with the support of UAV-measured data, and a good AGB accuracy can be obtained on a coarse scale. The linear regression models were established between AGB and crown diameter, height, density obtained by the UAV- and WV2-measured data. The coefficients of tree density and tree height were larger than those of crown diameter, indicating that tree density and tree height were the most important factors affecting the AGB on four scales, while the crown diameter has the least effect. There was an increasing trend in the influence of density, whereas a decreasing trend in the effect of tree height, with the increase of statistical grid size.

UAV; remote sensing; above ground biomass; structure of forest;; satellite remote sensing

楊雪峰，昝梅，木尼熱?買買提. 基于無人機(jī)和衛(wèi)星遙感的胡楊林地上生物量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(1)：77-83.doi：10.11975/j.issn.1002-6819.2021.01.010 http://www.tcsae.org

Yang Xuefeng, Zan Mei, Munire·Maimaiti. Estimation of above ground biomass offorest using UAV and satellite remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 77-83. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.01.010 http://www.tcsae.org

2020-10-11

2021-12-17

新疆維吾爾自治區(qū)自然科學(xué)基金資助面上項(xiàng)目（2018D01A32）

楊雪峰，副教授，主要從事干旱區(qū)環(huán)境遙感技術(shù)應(yīng)用研究。Email：744157426@qq.com

10.11975/j.issn.1002-6819.2021.01.010

TP79

A

1002-6819(2021)-01-0077-07