基于Landsat 8和機器學(xué)習(xí)的塔城地區(qū)草地地上生物量估測模型

摘要：以新疆塔城地區(qū)為研究區(qū)，利用植被指數(shù)、氣象數(shù)據(jù)、地形數(shù)據(jù)作為自變量，結(jié)合研究區(qū)樣地實測生物量數(shù)據(jù)，分析并比較K近鄰回歸（KNN）、多元線性回歸（MLR）、梯度提升決策樹（GBDT）和隨機森林回歸（RF）和極端梯度提升（XGBoost）5種機器學(xué)習(xí)模型，進(jìn)而分析并比較采用投票回歸器（Voting regressor）和堆疊（Stacking）方法構(gòu)建的2種集成學(xué)習(xí)模型的估測精度。結(jié)果表明，基于Stacking集成學(xué)習(xí)模型性能最優(yōu)，R2達(dá)0.764，RMSE和MAE分別為23.29 g/m2和16.8 g/m2，進(jìn)而利用最優(yōu)模型進(jìn)行草地地上生物量（Above ground biomass， AGB）反演制圖。

關(guān)鍵詞：草地地上生物量； Landsat 8； 遙感影像； 機器學(xué)習(xí)； 估測模型；新疆塔城地區(qū)

中圖分類號：S127；TP79" " " " "文獻(xiàn)標(biāo)識碼：A

文章編號：0439-8114（2024）08-0066-06

DOI：10.14088/j.cnki.issn0439-8114.2024.08.012 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Estimation model of above-ground biomass of grassland in Tarbagatay Prefecture based on Landsat 8 and machine learning

YANG Yan-xiao1a， CAO Shan-shan2， LI Quan-sheng1a，ZHANG Xian-hua1b， SUN Wei2

（1a. College of Computer and Information Engineering；1b.College of Grassland Science， Xinjiang Agricultural University， Urumqi" 830052，China；

2. Agricultural Information Institute of Chinese Academy of Agricultural Sciences， Beijing" 100081，China）

Abstract： Taking Tarbagatay Prefecture of Xinjiang as the study area， using vegetation index， meteorological data and terrain data as independent variables， combined with the measured biomass data of sample plots in the study area， five machine learning models including k-nearest neighbors regression （KNN）， multiple linear regression （MLR）， gradient boosting decision tree （GBDT）， random forest regression （RF） and Gradient Boosting Decision Tree （GBDT） were analyzed and compared， as well as two ensemble learning models constructed using voting regressor and stacking methods. The results showed that the stacking ensemble learning model had the best performance， with R2 of 0.764， RMSE and MAE of 23.29 g/m2 and 16.8 g/m2， respectively. The optimal model was then used to invert and map above-ground biomass （AGB） of grassland.

Key words： above-ground biomass （AGB） of grassland； Landsat 8； remote sensing image； machine learning； estimation model； Tarbagatay Prefecture， Xinjiang

草地是陸地生態(tài)系統(tǒng)的重要組成部分，在全球碳循環(huán)中起著至關(guān)重要的作用［1］。健康的草地生態(tài)系統(tǒng)不僅為畜牧業(yè)的發(fā)展提供了重要的物質(zhì)基礎(chǔ)，還在生物多樣性保護(hù)、水土保持等方面發(fā)揮著重要的生態(tài)功能，是江河發(fā)源地和生態(tài)環(huán)境的保護(hù)屏障［2］。草地地上生物量（Above ground biomass， AGB）是評價草地生態(tài)系統(tǒng)健康狀況的重要指標(biāo)，其狀況能夠反映草地的發(fā)展?jié)摿?，快速、?zhǔn)確估算草地地上生物量，對草地資源合理化管理利用、生態(tài)環(huán)境保護(hù)、經(jīng)濟可持續(xù)發(fā)展具有重要意義，能為區(qū)域草地生態(tài)系統(tǒng)的監(jiān)測和管理提供科學(xué)依據(jù)［3，4］。

傳統(tǒng)草地地上生物量調(diào)查一般通過齊地刈割的方法直接獲取區(qū)域草地實測數(shù)據(jù)，但該方法耗費成本太高、空間尺度上有明顯局限性等問題［5，6］。相比之下，基于遙感技術(shù)對草地資源的監(jiān)測具有空間尺度大、時效性強、省時省力等明顯優(yōu)勢，適用于大尺度草地地上生物量調(diào)查。國內(nèi)外學(xué)者利用遙感數(shù)據(jù)結(jié)合參數(shù)模型和非參數(shù)的機器學(xué)習(xí)模型開展了草地AGB估算研究。李瑩等［7］構(gòu)建歸一化植被指數(shù)（NDVI）的二次多項式模型在烏魯木齊市草地地上生物量反演模型中性能最優(yōu)，并利用此模型對研究區(qū)草地地上生物量時空演變及趨勢進(jìn)行了分析。烏如汗［8］利用Landsat 8 OLI 遙感影像和地面實測AGB，確定了NDVI植被指數(shù)的一元二次回歸模型作為內(nèi)蒙古自治區(qū)錫林郭勒盟正藍(lán)旗草地地上生物量反演模型。郭芮等［9］使用支持向量機、隨機森林和人工神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了青海省門源縣天然草地生物量估算模型，對不同估算模型進(jìn)行對比并分析了門源縣天然草地AGB的時空變化特征。張子慧等［10］使用多源數(shù)據(jù)基于XGBoost構(gòu)建了祁連山草地AGB最優(yōu)估算模型，并對祁連山草地AGB的時空變化特征進(jìn)行了分析。由于機器學(xué)習(xí)模型無需對模型結(jié)構(gòu)進(jìn)行特定的假設(shè)且泛化能力強，可以減少一定的偏差，有效提高預(yù)測的精確度［11］。

新疆塔城地區(qū)擁有豐富的草地資源，共有草地631.31萬hm2，天然牧草地548.88萬hm2。近年來，由于過度放牧、盲目開墾等草地資源的不合理利用導(dǎo)致天然草場面積急劇減少，草原沙化和水土流失問題也逐漸加?。?2］。因此，對塔城地區(qū)草地地上生物量進(jìn)行大范圍的快速準(zhǔn)確估算，對草地資源精準(zhǔn)監(jiān)測、科學(xué)管理、生態(tài)保護(hù)等具有非常重要的意義。本研究基于Landsat 8遙感數(shù)據(jù)、氣象數(shù)據(jù)和地形數(shù)據(jù)等多源數(shù)據(jù)，結(jié)合塔城地區(qū)地面實測數(shù)據(jù)，構(gòu)建多種機器學(xué)習(xí)模型，通過對比分析模型性能，確定研究區(qū)域遙感反演生物量的最佳模型，旨在為塔城地區(qū)草地資源可持續(xù)利用和草畜科學(xué)管理提供方法依據(jù)和數(shù)據(jù)支撐。

1 材料與方法

1.1 研究區(qū)概況

塔城地區(qū)位于新疆維吾爾自治區(qū)西北部，地理位置82°16′—87°21′E、43°25′—47°15′N，地勢南北高，中東部低，呈馬鞍形。西北部是西準(zhǔn)噶爾山地，南部為北天山山地，中東部是準(zhǔn)噶爾盆地。塔城地區(qū)屬于中溫帶干旱和半干旱氣候，降水時空分布不均，生態(tài)環(huán)境脆弱［13］。研究區(qū)域擁有高寒草甸類、溫性草原類、溫性荒漠類、溫性荒漠草原類、溫性草甸草原類、溫性草原化荒漠類等草地類型。研究區(qū)位置及樣地分布如圖1所示。

1.2 數(shù)據(jù)來源與處理

1.2.1 野外調(diào)查數(shù)據(jù) 2023年7—8月在塔城地區(qū)開展了野外實地調(diào)查，以每個采樣點所在位置為中心，以40 m為半徑，分別在正北0°、120°、240°方向上的半徑范圍布設(shè)大小為1 m×1 m的樣方，每個樣地共布設(shè)3個，調(diào)查樣方內(nèi)的植物種數(shù)、高度等指標(biāo)，并詳細(xì)記錄樣地經(jīng)緯度坐標(biāo)、坡度、坡向、海拔、利用方式等信息。把每個樣方內(nèi)所有綠色植物齊地面剪下，現(xiàn)場稱其鮮重，取3個樣方的平均值作為樣地生物量鮮重，按每個樣地所屬草地類型依據(jù)《草原植被遙感檢測》［14］中的干重折算系數(shù)，計算得到每個樣地的干重，將其作為該樣點的草地地上生物量，本研究共獲得249個地面實測調(diào)查樣本數(shù)據(jù)。

1.2.2 遙感數(shù)據(jù) 下載USGU網(wǎng)站（United States Geological Survey，https：//glovis.usgs.gov/）2023年7—8月Landsat 8 L1T 影像11景，與地面實測數(shù)據(jù)調(diào)查時間接近，云量小于8%、質(zhì)量較好，完全覆蓋研究區(qū)，空間分辨率為30 m。該產(chǎn)品已使用地面控制點和數(shù)字高程模型數(shù)據(jù)進(jìn)行精確校正，本研究對影像進(jìn)行了輻射定標(biāo)、大氣校正、鑲嵌、裁剪等預(yù)處理后，計算DVI、MVI、NDVI、SAVI、TVI等9種植被指數(shù)（表1）。

1.2.3 氣象數(shù)據(jù) 草地植被的生長狀況受到氣候條件的影響，氣象數(shù)據(jù)下載于世界氣候網(wǎng)站（World Clim，https：//www.worldclim.org/），相近月份的月均最低溫度、月均最高溫度等空間分辨率2.5分的月度數(shù)據(jù)，將下載后的數(shù)據(jù)利用ArcGIS提供的工具進(jìn)行重采樣為30 m空間分辨率，目的是與Landsat 8數(shù)據(jù)的分辨率一致。

1.2.4 DEM高程數(shù)據(jù) 從地理空間數(shù)據(jù)云（Geospatial data cloud，https：//www.gscloud.cn/）下載空間分辨率為30 m的DEM數(shù)據(jù)，對其進(jìn)行鑲嵌、裁剪等預(yù)處理后，得到塔城地區(qū)DEM數(shù)字高程數(shù)據(jù)，利用ArcGIS軟件分別處理得到塔城地區(qū)的坡度、坡向和海拔數(shù)據(jù)。

1.2.5 土壤數(shù)據(jù) 土壤pH、氮磷等元素含量可能對草地生物量的估算產(chǎn)生影響。本研究土壤數(shù)據(jù)來源于國家科技基礎(chǔ)條件平臺——國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心（http：//www.geodata.cn） ［15，16］下載的土層深度為0～5 cm的土壤全氮含量、土壤全磷含量、pH等空間分辨率為90 m的柵格數(shù)據(jù)。對這些數(shù)據(jù)進(jìn)行重采樣至30 m空間分辨率、裁剪等預(yù)處理后得到塔城地區(qū)的土壤數(shù)據(jù)。

1.3 方法

1.3.1 特征變量提取與篩選 利用ArcGIS 10.8軟件分別提取植被指數(shù)、地形數(shù)據(jù)、土壤數(shù)據(jù)、氣象數(shù)據(jù)作為特征變量并進(jìn)行篩選。提取的原始特征如表2所示。

對所有特征變量利用SPSS軟件進(jìn)行斯皮爾曼相關(guān)性分析后共篩選了11個相關(guān)性較高的特征變量作為模型的驅(qū)動因子，包括DVI、GOSAVI、GRNDVI、MSAVI、MVI、NDVI、SAVI、TVI、海拔、月平均最低溫度和月平均最高溫度。

1.3.2 機器學(xué)習(xí)方法 機器學(xué)習(xí)算法不依賴于固定的模型框架，而是通過不斷“學(xué)習(xí)”的過程來修正模型，從而減少反饋誤差，提高模型預(yù)測值與真值之間的擬合精度［17］。集成學(xué)習(xí)方法通過組合多個模型的預(yù)測結(jié)果，利用它們的優(yōu)點來彌補各自的缺點，提高整體性能，降低過擬合風(fēng)險，從而提高模型泛化性能和穩(wěn)健性。投票回歸器（Voting regressor）結(jié)合了多個獨立回歸模型的預(yù)測結(jié)果，本研究中取平均值作為投票回歸的最終預(yù)測結(jié)果，堆疊（Stacking）方法包括2個階段，在第一階段多個基學(xué)習(xí)器通過訓(xùn)練集進(jìn)行訓(xùn)練，在第二階段1個元學(xué)習(xí)器利用基學(xué)習(xí)器的獨立預(yù)測結(jié)果，生成最終的集成預(yù)測結(jié)果。通過兩階段的協(xié)同合作，堆疊方法能夠更靈活地捕捉和利用基學(xué)習(xí)器的各自優(yōu)勢提升整體模型性能。

本研究選用了K近鄰回歸（KNN）、多元線性回歸（MLR）、梯度提升決策樹（GBDT）、隨機森林回歸（RF）和極端梯度提升（XGBoost）共5種算法作為基礎(chǔ)回歸模型。在此基礎(chǔ)上對性能較好的模型采用投票回歸器（Voting regressor）和堆疊（Stacking）的集成學(xué)習(xí)方法構(gòu)建強回歸器用于AGB預(yù)測。

超參數(shù)是用于優(yōu)化預(yù)測建模算法性能的關(guān)鍵參數(shù)，對模型的超參數(shù)進(jìn)行優(yōu)化可以使模型性能較好的同時減少計算量。本研究利用Python語言構(gòu)建了機器學(xué)習(xí)模型，對于所用算法采用網(wǎng)格搜索和十折交叉驗證進(jìn)行超參數(shù)尋優(yōu)。

1.3.3 模型精度評價指標(biāo) 采用平均絕對誤差（Mean absolute error，MAE）、均方根誤差（Root mean square error，RMSE）和決定系數(shù)（Coefficient of determination，R2）3種誤差評價指標(biāo)對模型精度進(jìn)行評價［18，19］。RMSE越低，模型的擬合效果越好；MAE越小，表示分析結(jié)果越接近真實情況。R2表示回歸分析中趨勢線的預(yù)測值與實測值之間的擬合程度。當(dāng)趨勢線的R2越接近1，其可信度越高［20］。計算公式如下。

[MAE=i=1n yi-fin]" " " " "（1）

[RMSE=i=1n yi-fi2n]" " " （2）

[R2=1-i=1n yi-fi2i=1n yi-yi2]" " （3）

式中，[yi]為實測AGB；[fi]為預(yù)測AGB；[yi]為實測AGB的均值；n為樣本個數(shù)。

2 結(jié)果與分析

2.1 模型驅(qū)動因子相關(guān)性分析

經(jīng)過篩選后的模型驅(qū)動因子與草地AGB的相關(guān)性如表3所示，可見植被指數(shù)和氣象數(shù)據(jù)均呈正相關(guān)，植被指數(shù)中DVI與干重相關(guān)系數(shù)（Plt;0.05）最大，為0.530，MVI、TVI次之，其他植被指數(shù)相關(guān)系數(shù)均在0.38以上，海拔與AGB呈負(fù)相關(guān)。表明利用植被指數(shù)、氣象數(shù)據(jù)、海拔數(shù)據(jù)與實測樣方數(shù)據(jù)進(jìn)行草地地上生物量遙感監(jiān)測模型的構(gòu)建是可行的［21］。

2.2 模型精度評價

以研究區(qū)內(nèi)249個采樣點的樣地地上生物量干重為因變量，選取11個特征變量為模型驅(qū)動因子。整體按照8∶2的比例隨機生成訓(xùn)練集和測試集。采用K近鄰回歸（KNN）、多元線性回歸（MLR）、梯度提升決策樹（GBDT）、隨機森林回歸（RF）、極端梯度提升（XGBoost）單一機器學(xué)習(xí)模型和基于投票回歸（Voting regressor）、堆疊（Stacking）方法構(gòu)建的集成學(xué)習(xí)模型對比不同模型性能，不同模型精度評價結(jié)果如表4所示。

單一機器學(xué)習(xí)模型和Voting集成估測模型訓(xùn)練測試結(jié)果如圖2所示，K近鄰回歸模型預(yù)測性能較差（R2=0.625，RMSE=29.35 g/m2，MAE=18.6 g/m2）。多元線性回歸、梯度提升決策樹、隨機森林和極端梯度提升總體表現(xiàn)接近（R2為0.638～0.709，RMSE為25.83～28.85 g/m2，MAE為17.6～18.8 g/m2），對多元線性回歸和隨機森林通過Voting Regressor的方式進(jìn)行模型集成，得到的Voting集成模型性能均高于前5種模型（R2=0.741，RMSE=24.36 g/m2，MAE=16.9 g/m2）。

將單一模型中性能較好的多元線性回歸和隨機森林模型作為基學(xué)習(xí)器，采用Stacking方法進(jìn)行模型集成，集成模型中元學(xué)習(xí)器為線性回歸，采用5折交叉驗證構(gòu)建Stacking集成模型（R2=0.764，RMSE=23.29 g/m2，MAE=16.8 g/m2）。與KNN模型相比，R2提高了0.139，RMSE降低了6.06 g/m2，MAE降低了1.8 g/m2，評價指標(biāo)均優(yōu)于其他模型（圖3）。

2.3 地上生物量空間分布

基于以上分析，采用基于Stacking集成學(xué)習(xí)方法構(gòu)建的AGB估算模型進(jìn)行研究區(qū)生物量反演，利用ArcGIS 10.8軟件對研究區(qū)的草地地上生物量空間反演制圖和數(shù)據(jù)統(tǒng)計。從地上生物量空間分布（圖4）可知，塔城地區(qū)草地地上生物量空間差異性明顯，塔城市南部、裕民縣北部生物量大多集中于40～60 g/m2。裕民縣中部、沙灣市中南部以及塔城市北部地上生物量較高。總體來看，研究區(qū)中部偏西地區(qū)草地生物量較低，西北部生物量較高，草地地上生物量大部分為20～100 g/m2。

3 討論

機器學(xué)習(xí)模型具有較好的穩(wěn)健性和可靠性，通過反饋誤差不斷提高預(yù)測值與實測值之間擬合精度。作物生長模型對水分、土壤養(yǎng)分等環(huán)境因素的依賴性較強，涵蓋生物學(xué)理論和計算機算法的建模方法，模型的泛化能力和對生物量估算的快速方面受到了一定制約，與參數(shù)模型相比，機器學(xué)習(xí)算法通常具有更好的預(yù)測性能［22-24］。本研究在單一機器學(xué)習(xí)模型的基礎(chǔ)上利用2種集成方法構(gòu)建了不同的集成學(xué)習(xí)模型。

在選用的8種植被指數(shù)中，DVI、MVI、TVI 3種植被指數(shù)的相關(guān)性顯著高于其他植被指數(shù)，DVI對監(jiān)測植被的生理變化和健康狀態(tài)具有一定的敏感性，MVI是根據(jù)紅光、近紅外和短波紅外波段計算的植被指數(shù)。根據(jù)于惠等［25］的研究結(jié)果，短波紅外波段對在干旱區(qū)草地中評估植被狀況更為敏感。TVI的計算中考慮了紅光、綠光和近紅外光的組合，在有助于降低土壤背景影響的同時更好地捕捉植被的生長狀態(tài)和健康狀況。投票回歸器和堆疊是2種不同的集成學(xué)習(xí)方法，與單一模型相比均有降低過擬合、提高模型泛化能力和穩(wěn)健性的優(yōu)點，Stacking集成學(xué)習(xí)模型性能最優(yōu)。汪逸聰［26］利用多源遙感數(shù)據(jù)構(gòu)建多種機器學(xué)習(xí)模型對黃河三角洲人工刺槐林生物量進(jìn)行估算，研究表明基于Stacking的集成學(xué)習(xí)模型明顯提高了生物量估測的精度。

本研究結(jié)果表明，基于Landsat 8數(shù)據(jù)提取的植被指數(shù)結(jié)合氣象數(shù)據(jù)、海拔數(shù)據(jù)構(gòu)建的集成學(xué)習(xí)模型在草地生物量遙感反演中有較好的表現(xiàn)，地上生物量反演結(jié)果為合理利用草地資源提供了參考依據(jù)。

4 小結(jié)

本研究基于多源遙感數(shù)據(jù)共提取了11個特征變量，建立了MLR、RF、KNN、GBDT、XGBoost 5種單一機器學(xué)習(xí)模型和基于投票回歸器、堆疊方法構(gòu)建的2種集成學(xué)習(xí)模型，對比分析了不同模型的性能，并對AGB進(jìn)行空間分布制圖。主要得出以下結(jié)論：①單一機器學(xué)習(xí)算法構(gòu)建的回歸模型在一定程度上能夠有效地估算草地地上生物量；②基于堆疊的集成學(xué)習(xí)模型相比于單一模型預(yù)測性能均有所提升，均方根誤差為23.29 g/m2，平均相對誤差為16.8 g/m2，R2為0.764，能合理地估算草地生物量狀況；③研究區(qū)草地生物量呈西北部和南部相對較高、中部偏西地區(qū)較低的空間分布特征。

參考文獻(xiàn)：

［1］ 厲方楨，鐘華平，歐陽克蕙，等.基于機器學(xué)習(xí)的阿勒泰地區(qū)草地地下生物量估測與數(shù)字制圖［J］.草業(yè)學(xué)報，2022，31（8）：13-23.

［2］ 阿依丁·熱西坦，阿斯婭·曼力克，贠 靜，等.伊犁河谷草地資源利用現(xiàn)狀及可持續(xù)利用對策［J］.草學(xué)，2021（3）：78-81，86.

［3］ 張振西，林扎西尖措，華旦仁青，等.天峻縣草地地上生物量遙感監(jiān)測模型［J］.草原與草坪，2023，43（3）：39-45.

［4］ LYU X，LI X B，GONG J R，et al. Remote-sensing inversion method for aboveground biomass of typical steppe in Inner Mongolia， China［J］.Ecological indicators，2021，120：106883.

［5］ ALI I，CAWKWELL F，DWYER E，et al. Modeling managed grassland biomass estimation by using multitemporal remote sensing data—A machine learning approach［J］.IEEE journal of selected topics in applied earth observations and remote sensing，2017，10（7）：3254-3264.

［6］ 卜靈心，來 全，劉心怡.不同機器學(xué)習(xí)算法在草原草地生物量估算上的適應(yīng)性研究［J］.草地學(xué)報，2022，30（11）：3156-3164.

［7］ 李 瑩，張勇娟，靳瑰麗，等.基于Landsat數(shù)據(jù)的烏魯木齊市草地地上生物量時空演變及趨勢分析［J］.草地學(xué)報，2023，31（7）：1950-1963.

［8］ 烏如汗.正藍(lán)旗草地地上生物量遙感估算研究［D］.呼和浩特：內(nèi)蒙古師范大學(xué)，2018.

［9］ 郭 芮，伏 帥，侯蒙京，等.基于Sentinel-2數(shù)據(jù)的青海門源縣天然草地生物量遙感反演研究［J］.草業(yè)學(xué)報，2023，32（4）：15-29.

［10］ 張子慧，吳世新，趙子飛，等.基于機器學(xué)習(xí)算法的草地地上生物量估測——以祁連山草地為例［J］.生態(tài)學(xué)報，2022，42（22）：8953-8963.

［11］ JIANG F，SMITH A R，KUTIA M，et al. A modified KNN method for mapping the leaf area index in arid and semi-arid areas of China［J］.Remote sensing，2020，12（11）：1884.

［12］ 郭 宏.新疆塔城地區(qū)天然草原退化原因及治理對策［J］.草食家畜，2015（3）：55-57.

［13］ 王 飛，劉紅霞.新疆塔城地區(qū)近56年氣候生產(chǎn)潛力變化特征分析［A］.中國氣象學(xué)會.第35屆中國氣象學(xué)會年會 S17 氣候環(huán)境變化與人體健康［C］.2018.171-176.

［14］ 徐 斌，楊秀春，金云翔，等.草原植被遙感監(jiān)測［M］.北京：科學(xué)出版社，2016.74-75.

［15］ LIU F，WU H Y，ZHAO Y G，et al. Mapping high resolution National Soil Information Grids of China［J］.Science bulletin，2022，67（3）：328-340.

［16］ LIU F，ZHANG G L，SONG X D，et al. High-resolution and three dimensional mapping of soil texture of China［J］.Geoderma，2020，361：114061.

［17］ 秦格霞，吳 靜，李純斌，等.基于機器學(xué)習(xí)算法的天祝藏族自治縣草地地上生物量反演［J］.草業(yè)學(xué)報，2022，31（4）：177-188.

［18］ 康孝巖，張愛武，龐海洋.基于光譜重建優(yōu)化的無人機高光譜影像估算牧草生物量［J］.光譜學(xué)與光譜分析，2021，41（1）：250-256.

［19］ 張 雅，尹小君，王偉強，等.基于Landsat 8 OLI遙感影像的天山北坡草地地上生物量估算［J］.遙感技術(shù)與應(yīng)用，2017，32（6）：1012-1021.

［20］ 張旭琛，朱華忠，鐘華平，等.新疆伊犁地區(qū)草地植被地上生物量遙感反演［J］.草業(yè)學(xué)報，2015，24（6）：25-34.

［21］ 李 洋.貴州省喀斯特山區(qū)草地地上生物量遙感反演研究［D］.貴陽：貴州師范大學(xué)，2018.

［22］ 黃健熙，黃 海，馬鴻元，等.遙感與作物生長模型數(shù)據(jù)同化應(yīng)用綜述［J］.農(nóng)業(yè)工程學(xué)報，2018，34（21）：144-156.

［23］ ZENG N，REN X L，HE H L，et al. Estimating grassland aboveground biomass on the Tibetan Plateau using a random forest algorithm［J］.Ecological indicators，2019，102：479-487.

［24］ MARILDO G F，TATIANA M K，QUADROS F L F D. Estimating natural grassland biomass by vegetation indices using sentinel 2 remote sensing data［J］.International journal of remote sensing，2020，41（8）：2861-2876.

［25］ 于 惠，吳玉鋒，金 毅，等.基于MODIS SWIR數(shù)據(jù)的干旱區(qū)草地地上生物量反演及時空變化研究［J］.遙感技術(shù)與應(yīng)用，2017，32（3）：524-530.

［26］ 汪逸聰.基于多源遙感數(shù)據(jù)的黃河三角洲人工刺槐林生物量估算［J］.湖北農(nóng)業(yè)科學(xué)，2023，62（7）：143-148，176.

基金項目：國家自然科學(xué)基金項目（32271880；31860180）；新疆農(nóng)業(yè)大學(xué)2023年度研究生科研創(chuàng)新項目（XJAUGRI2023030）

作者簡介：楊延曉（1996-），男，山東聊城人，在讀碩士研究生，研究方向為農(nóng)業(yè)信息化，（電話）18140993510（電子信箱）2645835163@qq.com；通信作者，張鮮花（1978-），女，新疆呼圖壁人，教授，博士，主要從事草地資源與生態(tài)研究，（電子信箱）zxh@xjau.edu.cn；孫 偉（1978-），男，山東海陽人，研究員，博士，主要從事農(nóng)林時空信息智能分析研究，（電子信箱）sunwei02@caas.cn。