基于LW一CBAM的荒漠草原植被蓋度提取方法研究

中圖分類號(hào)：S812；TP751 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-5553（2025）07-0111-07

Abstract：Inorder toextractdesert grassland fractionalvegetationcoverage inrealtime，accuratelyandquickly，this paper proposedalightweightnetwork model method integrated atention mechanism（Lightweightnetwork-Convolutional Block Atention Module，LW—CBAM）based on the collected UAV hyperspectral remote sensing data.This method improved the traditional 2Dconvolution kernel to 3Ddeeplyseparableconvolution kernel，andcombined the multi-branch methodand theatention mechanismmoduletomakethe modellightweightandimprovedtheaccuracyof themodel.Inordertoobtain the optimal model，this paperoptimized the batch size and learning rateof the model.Theresultsshowed thatcompared with popular deep learning methods such as ResNet34，VGG16，MobileNetV2andMobileNetV3，LW—CBAM had a higher classification accuracy，OA was 98.97% ， Kappa coefficient was 97.94，and the model had a higher estimation accuracy for fractional vegetation coverage.The absolute error from the true value was only 0.17% .TheLW— CBAM's parameter count was reduced by over 90% compared to the other models，and its computational requirements were respectively 1.37% ， 0.74% ， 13.33% ，and 14.81% of the four other models. During the model validation stage，the estimation error of fractional vegetation coverage by LW—CBAM was below 0.3% . This model provided a feasible method for estimating fractional vegetation coverage in desert steppe and provided a basis for grassland degradation control.

Keywords：fractional vegetation coverage；hyperspectral remote sensing；deep learning；lightweight network; attention mechanism;desert steppe

0 引言

草原是我國生態(tài)系統(tǒng)中不可或缺的一部分[1]。我國的草地面積將近 4×10⁸hm² ，居世界第二位[2]。然而，自從20世紀(jì)60年代以來，草原退化現(xiàn)象在全國各地出現(xiàn)上升趨勢[3]，黨的二十大報(bào)告指出，推行草原森林河流湖泊濕地休養(yǎng)生息，提升生態(tài)系統(tǒng)多樣性、穩(wěn)定性、持續(xù)性。全國第六次荒漠化和沙化土地監(jiān)測調(diào)查結(jié)果顯示，內(nèi)蒙古荒漠化土地占全國荒漠化土地面積的 23.04%^[4] ，土地沙化、次生鹽漬化嚴(yán)重，生態(tài)修復(fù)的任務(wù)艱巨[5]

草原荒漠化主要表現(xiàn)為植被蓋度（FVC）減少、植被種類減少、裸地面積增加等，因此， FVC 是荒漠化監(jiān)測的重要指標(biāo)[6。傳統(tǒng)的植被蓋度監(jiān)測方法以地面實(shí)測為主，優(yōu)點(diǎn)是精度高、數(shù)據(jù)可靠，但只能在小范圍內(nèi)進(jìn)行植被蓋度計(jì)算[7]。得益于技術(shù)的發(fā)展，衛(wèi)星遙感法可以在大范圍內(nèi)對(duì)植被蓋度進(jìn)行反演，但其分辨率不夠高，成本也比較高昂[8]。近年來，無人機(jī)（UAV）搭載高光譜儀借助成本低、分辨率高、操作靈活等優(yōu)勢迅速被大范圍應(yīng)用9，可為荒漠草原植被蓋度的計(jì)算提供技術(shù)支持。

1數(shù)據(jù)采集與預(yù)處理

植被蓋度通常被定義為植被（包括枝、莖、葉）在單位面積內(nèi)的垂直投影面積所占百分比[10]。張燕斌等[11]采用改進(jìn)的3D—ResNet模型對(duì)荒漠草原地物進(jìn)行分類，其總體分類精度為 97.73% ，為荒漠草原整體生態(tài)系統(tǒng)研究奠定基礎(chǔ)； Xu 等[12]提出了MSR—3DCNN模型用于高光譜圖像分類，并在3個(gè)開源數(shù)據(jù)集上進(jìn)行試驗(yàn)。深度可分離卷積（DSC）[13]降低了模型參數(shù)量，為深度學(xué)習(xí)模型的輕量化提供新思路。程鉻杰等[14]提出了輕量化殘差網(wǎng)絡(luò)模型，分類精度較高，且計(jì)算量和參數(shù)量較??；孫一帆等[15]提出了融合注意力機(jī)制的輕量化關(guān)系網(wǎng)絡(luò)，在小樣本條件下也有較高的分類精度?，F(xiàn)有的方法存在計(jì)算效率不夠高的問題，因此，構(gòu)建一種能夠快速、準(zhǔn)確計(jì)算FVC的方法，對(duì)荒漠草原的治理具有重要的現(xiàn)實(shí)意義。

本文采用無人機(jī)搭載高光譜儀組建無人機(jī)高光譜遙感系統(tǒng)，對(duì)研究區(qū)荒漠草原的高光譜影像進(jìn)行采集和數(shù)據(jù)預(yù)處理，構(gòu)建一種融合注意力機(jī)制的輕量化網(wǎng)絡(luò)模型（LW一CBAM），對(duì)高光譜影像中的植被和非植被進(jìn)行分類并計(jì)算FVC，與ResNet34、VGG16、MobileNetV2、MobileNetV3等目前流行的深度學(xué)習(xí)方法進(jìn)行對(duì)比。旨在為以無人機(jī)高光譜遙感為手段的草原監(jiān)測奠定基礎(chǔ)，為草原退化治理提供依據(jù)。

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古農(nóng)牧業(yè)科學(xué)院四子王基地，地處內(nèi)蒙古自治區(qū)中部的烏蘭察布市四子王旗格根塔拉草原，地理坐標(biāo)北緯 41^°78^′ 、東經(jīng) 111^°88^′ 。該區(qū)域海拔在 1 400～1 500m ，屬于溫帶大陸性氣候，全年平均氣溫在 1^°C～6^°C ，年降水量為 280mm^[16] ，主要集中在 6-9 月。土壤類型大部分為淡栗鈣土，土壤有機(jī)碳含量為 16g/kg ，含氮量為 1.67g/kg 。作為我國荒漠草原的典型代表，其植被稀疏低矮、種類貧乏，主要有短花針茅、冷蒿、無芒隱子草、錦雞兒、駝絨藜等。

1.2無人機(jī)高光譜遙感系統(tǒng)

無人機(jī)高光譜遙感系統(tǒng)由A3Pro飛行控制系統(tǒng)控制的大疆 M600Pro 六旋翼無人機(jī)、GaiaSky-mini型高光譜儀、如影云臺(tái)MX、小型機(jī)載計(jì)算機(jī)組成，如圖1所示。無人機(jī)采用大疆經(jīng)緯 M600Pro 六旋翼無人機(jī)，空機(jī)重量為 9.5kg （含電池），最大起飛重量為 15.5kg ，滿載時(shí)可持續(xù)飛行 16min 。高光譜儀采用GaiaSky一mini型高光譜儀，光譜通道數(shù)為256，光譜范圍為 400～1000nm 光譜分辨率為 3.5nm ，圖像分辨率為775像素 ×696 像素，掃描方式為懸停內(nèi)置掃描。機(jī)載計(jì)算機(jī)的CPU為Inteli7—7567U，配有512G的固態(tài)硬盤。

1.3數(shù)據(jù)采集

無人機(jī)數(shù)據(jù)采集時(shí)間為2023年7—8月，包括高光譜數(shù)據(jù)采集和可見光數(shù)據(jù)采集。在研究區(qū)內(nèi)隨機(jī)布置60個(gè)大小為 1m×1m 的樣方，使用小旗和地墊輔助標(biāo)記樣方。為降低天氣等外部條件對(duì)數(shù)據(jù)采集的影響，選擇時(shí)間為10：00—14：00，且在天氣晴朗、無云霧遮擋、風(fēng)力低于3級(jí)（少風(fēng)或微風(fēng)）的條件下采集。高光譜數(shù)據(jù)采集時(shí)無人機(jī)飛行高度為 20m ，空間分辨率為1.73cm/pixel ，且對(duì)每個(gè)地物樣方拍攝3次。每個(gè)架次起飛前后分別進(jìn)行標(biāo)準(zhǔn)白板校正，將光照強(qiáng)度的變化對(duì)高光譜圖像的影響降到最低。可見光數(shù)據(jù)采集使用大疆精靈3無人機(jī)采集，采集高度為 8m ，每個(gè)樣方拍攝2次。

1.4 數(shù)據(jù)預(yù)處理

通過人工對(duì)比，剔除成像不佳、過度曝光以及欠曝光的圖像，將高光譜數(shù)據(jù)導(dǎo)人SpecVIEW軟件，結(jié)合采集的白幀和黑幀對(duì)反射率進(jìn)行校正。圖2為經(jīng)過反射率校正后的光譜曲線?？梢钥闯?，植被和非植被的反射率曲線存在明顯差異，在 680nm 處植被反射率曲線有明顯的“波谷”，之后快速上升，而非植被在 400～ 800nm 上升較為平緩，且無明顯波動(dòng)。反射率的差異為精確區(qū)分植被和非植被以及FVC的計(jì)算提供可能。

圖2植被和非植被的反射率曲線 Fig.2Reflectance curve of vegetation and non-vegetation

?

相比傳統(tǒng)的遙感圖像，高光譜圖像具有分辨率高、特征維數(shù)高的特點(diǎn)，但同時(shí)也存在信息冗余的問題，在數(shù)據(jù)處理過程中會(huì)出現(xiàn)維數(shù)災(zāi)難和Hughes現(xiàn)象[17]。為避免模型學(xué)到無關(guān)信息，采用主成分分析（PCA）[18，19]法對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理。表1為高光譜數(shù)據(jù)經(jīng)過PCA后主成分的協(xié)方差貢獻(xiàn)率?？梢钥闯觯?jīng)過PCA降維后，前30個(gè)主成分的累計(jì)協(xié)方差貢獻(xiàn)率為 99.80% ，基本可以包含原始高光譜圖像的全部信息，因此，選擇將高光譜數(shù)據(jù)降至30維。為方便處理，將高光譜圖像進(jìn)行裁剪，最終高光譜圖像的尺寸為500lines ×500 samples ×30 bands。

表1協(xié)方差貢獻(xiàn)率Tab.1 Covariance contribution rate

?

在ENVI5.6軟件中使用ROI感興趣區(qū)域制作標(biāo)簽數(shù)據(jù)集，其中植被像元24809個(gè)，非植被像元26673個(gè)，共有51482個(gè)樣本，將總樣本的 40% 作為訓(xùn)練集，其余作為測試集。

1.5 FVC真實(shí)值

為確定FVC的真實(shí)值，使用大疆精靈3無人機(jī)采集樣方的可見光圖像，此操作在完成樣方的高光譜數(shù)據(jù)采集后進(jìn)行。為了使可見光圖像與 500lines×500 samples的高光譜影像相對(duì)應(yīng)，使用PhotoshopCC2015對(duì)可見光圖像進(jìn)行裁剪，保證可見光圖像的植被蓋度可以作為真實(shí)值。支持向量機(jī)（SVM是一種機(jī)器學(xué)習(xí)算法，常被用于二分類問題，因此，選用SVM對(duì)可見光圖像進(jìn)行監(jiān)督分類并結(jié)合目視解譯法得到FVC真實(shí)值。

將裁剪后的可見光圖像導(dǎo)人ENVI5.6中，首先對(duì)圖像進(jìn)行歸一化處理，接著通過ROI感興趣區(qū)域定義訓(xùn)練樣本（訓(xùn)練樣本約占總樣本的 15%～20% ，并計(jì)算樣本的可分離度?？煞蛛x度的值為 0～2.0 ，可分離度大于1.9，說明樣本之間可分離性很好；可分離度小于1.8，則需要重新選擇樣本。最后使用SVM監(jiān)督分類對(duì)整幅圖像進(jìn)行分類，通過目視解譯法對(duì)分類錯(cuò)誤的區(qū)域進(jìn)行調(diào)整，之后分別統(tǒng)計(jì)植被和非植被的像元個(gè)數(shù)，植被像元數(shù)與總像元數(shù)的比值即為FVC真實(shí)值。通過SVM對(duì)可見光圖像進(jìn)行監(jiān)督分類并結(jié)合目視解譯法最終得到植被蓋度的真實(shí)值為 50.92% 。

2 研究方法

2.1 注意力機(jī)制

注意力機(jī)制被廣泛應(yīng)用于深度學(xué)習(xí)中，本文將3D卷積注意力機(jī)制模塊（CBAM）[20]融入深度學(xué)習(xí)模型，其可以分為兩部分：第一部分為通道注意力機(jī)制；第二部分為空間注意力機(jī)制。圖3為CBAM的整體結(jié)構(gòu)，假設(shè)網(wǎng)絡(luò)輸入的特征尺寸為 H×W×C ，首先在空間維度（H，W 維度）分別作3DGlobalAveragePooling和3DGlobalMaxPooling，接著進(jìn)行通道壓縮、展開操作， r 為通道 C 下降的倍數(shù)，即可得到每個(gè) c 的權(quán)重，將二者相加后與原始特征圖相乘即可得到通道加權(quán)后的特征圖。之后在 c 維度分別作3DGlobalAveragePooling和3DGlobalMaxPooling，將二者在通道維度拼接，再通過卷積將通道合二為一，即可得到空間權(quán)重圖，將其與通道加權(quán)特征圖相乘即可得到通道空間加權(quán)的特征圖。

圖3卷積注意力機(jī)制模塊 Fig.3 Convolutional block attention module

?

2.2 神經(jīng)網(wǎng)絡(luò)模型

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)運(yùn)算量大、運(yùn)算時(shí)間長，而深度可分離卷積（DSC）的出現(xiàn)大大減少了模型的參數(shù)量和運(yùn)算量。因此，選擇使用DSC，以達(dá)到輕量化的目的。圖4為融合注意力機(jī)制的輕量化網(wǎng)絡(luò)模型（LW—CBAM的結(jié)構(gòu)圖，通過PCA將高光譜數(shù)據(jù)降至30維，經(jīng)過Patch后以 30×9×9 的大小送人神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。首先通過一個(gè) 7×7×7 的3D—DSC，并采用ReLU激活函數(shù)進(jìn)行特征初步提??；接著分為3條支路分別提取特征，第一條支路為 3×3×3 的3D—DSC，第二條支路包括最大池化下采樣和上采樣，將第一條支路和第二條支路提取到的特征在維度方向上進(jìn)行拼接，并在其后融入CBAM，第三條支路同樣是 3× 3×3 的3D—DSC；最后將第三條支路的特征與拼接后的結(jié)果進(jìn)行融合，在其后也融入CBAM，通過展平層、全連接層以及Logsoftmax函數(shù)后輸出分類結(jié)果。此外，在每個(gè)卷積之后都加入批量歸一化（BN）操作，避免梯度消失與爆炸，加快模型收斂。為避免模型過擬合，在訓(xùn)練階段使用dropout操作，隨機(jī)失活 40% 的神經(jīng)元。

圖4神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4Neural network structure

?

3 結(jié)果與分析

數(shù)據(jù)處理在Windows10系統(tǒng)上進(jìn)行，RAM為16 GB，CPU 為 Intel Core i5-9300H ，顯卡為NVIDIAGeForceGTX1650，4GB獨(dú)顯。神經(jīng)網(wǎng)絡(luò)模型基于Pytorch1.13.0框架編寫，編譯器選擇Anaconda 的 Spyder。

輸人神經(jīng)網(wǎng)絡(luò)的圖像大小為30像素 ×9 像素 ×9 像素，訓(xùn)練批次為100，采用交叉熵?fù)p失函數(shù)，優(yōu)化器選擇Adam。并選用ResNet34、VGG16、MobileNetV2、MobileNetV3等目前流行的深度學(xué)習(xí)模型與LW—CBAM模型進(jìn)行對(duì)比。

3.1 評(píng)價(jià)指標(biāo)

對(duì)于分類精度，選用總體分類精度（OA）和Kappa系數(shù)21進(jìn)行評(píng)價(jià)。 OA 為被正確分類的像元個(gè)數(shù)除以總像元個(gè)數(shù)。 OA 越高， Kappa 越大，模型效果越好。OA和Kappa系數(shù)的計(jì)算如式（1）和式（2）所示。

?

?

式中： k 分類的類別數(shù)；x_ii （204 第 i 類樣本中被正確分類的個(gè)數(shù)；n （2 樣本總數(shù)量；P e 期望分類精度；P_o 總體分類精度。

假設(shè)每一類真實(shí)樣本個(gè)數(shù)分別為 x₁，x₂，…，x_a ， 預(yù)測出的每一類樣本個(gè)數(shù)為 y₁，y₂，…，y_a ，則

?

對(duì)于植被蓋度的計(jì)算結(jié)果，選用估算值與真實(shí)值的絕對(duì)誤差 （AE ）進(jìn)行評(píng)價(jià)，絕對(duì)誤差越小，植被蓋度的計(jì)算結(jié)果越準(zhǔn)確。絕對(duì)誤差的計(jì)算如式（4）所示。

?

式中： Z （20 -FVC的估算值；

? （204號(hào) -FVC的真實(shí)值。

對(duì)于模型輕量化，選擇參數(shù)量（Params）、運(yùn)算量（Flops）^[22] ，并輔以訓(xùn)練時(shí)間和預(yù)測時(shí)間進(jìn)行評(píng)價(jià)，Params和Flops運(yùn)算量越小，訓(xùn)練時(shí)間和預(yù)測時(shí)間越短，表明模型越輕量化。

3.2 結(jié)果分析

為得到最優(yōu)模型，將LW—CBAM模型進(jìn)行批量大?。╞atchsize）和學(xué)習(xí)率（learningrate）的優(yōu)化。為避免模型運(yùn)算的偶然性，數(shù)據(jù)均為3次重復(fù)運(yùn)算取平均值的結(jié)果。評(píng)估batchsize對(duì)模型效果的影響時(shí)，分別設(shè)置32、64、128、256共4種不同的batchsize，學(xué)習(xí)率為0.001。表2為對(duì)比結(jié)果，可以看出，在4種不同的batchsize下， OA 均高于 97.9% ，當(dāng)batchsize為64時(shí)，取得最佳分類精度 98.44% 。

表2批量大小優(yōu)化結(jié)果對(duì)比Tab.2Comparison of optimization results for batch sizt

?

在batch size為64的基礎(chǔ)上，設(shè)置0.00l、0.004、0.007，0.01，0.02 共5種不同的learningrate，目的是確定最佳的learningrate參數(shù)。由表3可知， OA 介于 98%～99% ，當(dāng)學(xué)習(xí)率為0.01時(shí)，總體分類精度最高為 98.97% 。在試驗(yàn)過程中，當(dāng)learningrate為0.02時(shí)，訓(xùn)練后期準(zhǔn)確率振蕩劇烈，這是學(xué)習(xí)率過大導(dǎo)致的。因此，經(jīng)過優(yōu)化后，最終的批量大小和學(xué)習(xí)率分別為64、0.01。

表3學(xué)習(xí)率優(yōu)化結(jié)果對(duì)比 Tab.3Comparison of optimization results for learning rate

?

為更好地評(píng)估模型的性能，將LW一CBAM與ResNet34、VGG16、MobileNetV2、MobileNetV3等深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行對(duì)比。圖5為5種模型的OA和Kappa系數(shù)對(duì)比。由圖5可知， OA 與Kappa系數(shù)的變化呈現(xiàn)相同的趨勢， OA 高的模型Kappa系數(shù)也高，其關(guān)系為LW—CI BAMgt; MobileNetV3gt;VGG16gt; MobileNet V2gt; ResNet34。需要說明的是，本文對(duì)Kappa系數(shù)做了放大100倍的處理。LW—CBAM的 OA 和 Kappa 系數(shù)分別為 98.97% 797.94，MobileNetV3的分類精度緊隨其后，分別為97.76%.96.15 。VGG16的性能處于5種模型的中間位置，分類精度為LW一CBAM的 98.30% 、96.54% 。MobileNetV2的效果表現(xiàn)不佳，OA和Kappa系數(shù)僅為 95.57%.91.13 。ResNet34的OA和Kappa系數(shù)最低，分別為 94.58% 、89.14，相比于LW—CBAM，分別降低 4.39%.8.8 。

模型訓(xùn)練完成，需要對(duì)整幅高光譜圖像的覆蓋度進(jìn)行預(yù)測，并與真實(shí)值進(jìn)行對(duì)比，表4為5種模型計(jì)算FVC的結(jié)果，可以看出，LW—CBAM估算的植被覆蓋度與真實(shí)的植被覆蓋度最為接近，其絕對(duì)誤差為 0.17% 其次為MobileNetV3，估算植被覆蓋度為 50‰ ，絕對(duì)誤差為 0.24% ，VGG16和MobileNetV2模型的估算結(jié)果與真實(shí)值相差不大，絕對(duì)誤差分別為 0.32%.0.35% ResNet34的預(yù)測結(jié)果與真實(shí)值相差最大，絕對(duì)誤差為 0.44% 。

表4FVC估算結(jié)果Tab.4Estimation of FVC

?

圖5OA和Kappa系數(shù) Fig.5 OA and Kappa coefficient

?

表5為各模型參數(shù)的對(duì)比，可以看出，LW—CBAM迭代100次的時(shí)間為 9.73min ，分別為ResNet34、VGG16、MobileNetV2、MobileNetV3的27.79% 、 60.12% ！ 63.99% 、 66.82% ，預(yù)測時(shí)間為18s ，較其他模型分別降低 23.33s，11.39s，15.61s ‘14.63s 。LW一CBAM的參數(shù)量僅為 0.74M ，較ResNet34、VGG16、MobileNetV2、MobileNetV3模型分別下降 99.11%.98.09%.91.90%.92.39% ，降幅均在 90% 以上，運(yùn)算量分別為其他模型的 1.37% 、0.74%.13.33%.14.81% 。

表5模型參數(shù)對(duì)比Tab.5Model parameter comparison

?

FVC的可視化對(duì)比如圖6所示。

圖6可視化對(duì)比 Fig.6Visual contrast chart

?

為驗(yàn)證LW一CBAM在荒漠草原FVC估算方面的有效性，對(duì)另外3張高光譜圖像進(jìn)行FVC估算，結(jié)果如表6所示。可以看出，LW—CBAM對(duì)3張影像的FVC估算值分別為 51.91%.47.51%.52.56% ，與真實(shí)值的絕對(duì)誤差均在 0.3% 以下，驗(yàn)證LW—CBAM在荒漠草原植被蓋度估算中的精準(zhǔn)性。圖7為可視化結(jié)果。

表6FVC估算值與真實(shí)值對(duì)比 Tab.6Compare the estimated value with the truevalueofFVC

?

圖7覆蓋度估算模型可視化結(jié)果

Fig. 7Visualization results of coverage estimation model

?

4結(jié)論

通過無人機(jī)遙感系統(tǒng)采集荒漠草原的高光譜數(shù)據(jù)，研究融合注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)荒漠草原植被蓋度計(jì)算的準(zhǔn)確性和快速性。

1）提出一種基于無人機(jī)高光譜圖像計(jì)算植被蓋度的輕量化網(wǎng)絡(luò)模型（LW—CBAM），并在該模型中融合注意力機(jī)制。結(jié)果表明，該模型的OA為 98.97% ，Kappa為97.94，與其余4種模型相比，分類精度更高，且該模型對(duì)荒漠草原植被蓋度估算的絕對(duì)誤差僅為 0.17% ，可以準(zhǔn)確估算荒漠草原的 FVC 。

2）LW—CBAM舍去傳統(tǒng)的2D卷積模塊，采用3D深度可分離卷積模塊（3D—DSC），使得模型更加輕量化。與ResNet34、VGGl6、MobileNetV2、MobileNetV3相比，LW一CBAM的參數(shù)量降低 90% 以上，運(yùn)算量分別為4種模型的 1.37%.0.74%.13.33%.14.81% ，且在模型訓(xùn)練時(shí)間與預(yù)測時(shí)間上都有顯著優(yōu)勢。

3）為驗(yàn)證LW—CBAM在荒漠化草原蓋度估算方面的有效性，使用模型分別對(duì)3張高光譜影像進(jìn)行植被蓋度估算。結(jié)果表明，LW一CBAM對(duì)植被蓋度的估算誤差在 0.3% 以下，實(shí)現(xiàn)高精度、快速的荒漠草原植被蓋度估算。

4）LW—CBAM為荒漠草原植被蓋度的計(jì)算提供一種切實(shí)可行的方法，為以無人機(jī)高光譜遙感為手段的荒漠草原監(jiān)測奠定基礎(chǔ)。

參考文獻(xiàn)

[1]俞樹毅，王睿．草原生態(tài)文明建設(shè)進(jìn)路中“圍欄困境”的破解[J]．蘭州大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2022，50（4）：63-73.Yu Shuyi， Wang Rui. The solution ofthe“FenceDilemma”in the construction of grassland ecologicalcivilization[J]. Journal of Lanzhou University （SocialSciences），2022，50（4）：63-73.

[2]石磊，孫海蓮，王慧敏，等．內(nèi)蒙古草地生態(tài)系統(tǒng)質(zhì)量評(píng)估[J]．北方農(nóng)業(yè)學(xué)報(bào)，2021，49（6）：128—134.Shi Lei，Sun Hailian，Wang Huimin，et al.Assessmentof grassland ecosystem quality in Inner Mongolia [J]. Journalof Northern Agriculture，2021，49（6）：128—134.

[3]臧琛，尚士友，王志國，等．典型草原退化評(píng)價(jià)因子及其分級(jí)標(biāo)準(zhǔn)的研究[J]．中國農(nóng)機(jī)化學(xué)報(bào)，2016，37（10）：210—213，245.Zang Chen，Shang Shiyou，Wang Zhiguo，et al. Studyon degradation evaluation factorsof typical steppeand its classification standard [J]. Journal of ChineseAgriculturalMechanization，2016，37（10）：210-213，245.

[4]昝國盛，王翠萍，李鋒，等．第六次全國荒漠化和沙化調(diào)查主要結(jié)果及分析[J]：林業(yè)資源管理，2023（1）：1-7.Zan Guosheng，Wang Cuiping，Li Feng，et al.Keydata results and trend analysis of the sixth national surveyondesertification andsandification[J]. ForestryResources Management，2023（1）：1—7.

[5］韓芳，劉朋濤，牛建明，等．50a來內(nèi)蒙古荒漠草原氣候干燥度的空間分布及其演變特征[J]．干旱區(qū)研究，2013，30（3）：449-456.Han Fang，LiuPengtao，Niu Jianming， etal.Spatial distribution and evolution ofclimaticaridityin desert steppe in Inner Mongolia in recent 5O years [J].AridZoneResearch，2013，30（3）：449-456.

[6]Oliveira D E T，F(xiàn)reitas D S D， GianeziniM，et al.Agricultural land use change in the Brazilian Pampa biome：The reduction of natural grasslands [J]. Land Use Policy，2017（63）：394-400.

[7]郭慶華，胡天宇，馬勤，等.新一代遙感技術(shù)助力生態(tài)系統(tǒng)

生態(tài)學(xué)研究[J]．植物生態(tài)學(xué)報(bào)，2020，44（4）：418-435.Guo Qinghua，Hu Tianyu，Ma Qin，et al.Advance forthenewremotesensingtechnologyinecosystemecology research [J]. Chinese Journal of Plant Ecology，2020，44（4）：418-435.

[8]劉克．衛(wèi)星遙感技術(shù)縣域應(yīng)用現(xiàn)狀及前景分析[J]．科技風(fēng)，2022（35）：7—10.Liu Ke. Application status and prospect analysis ofsatellite remote sensing technology in counties [J].Science and Technology Style，2022（35）：7-10.

[9]Riihimaki H， Luoto M，Heiskanen J.Estimatingfractional cover of tundra vegetation at multiple scales usingunmanned aerial systems and optical satelite data [J].Remote Sensing of Environment，2019，224：119—132.

[10]HuaL，MichaelRR，TimRM，etal.Decomposition ofvegetation cover into woody and herbaceous componentsusing AVHRR NDVI time series [J]. Remote Sensing ofEnvironment，2003，86（1）：1—18.

[11］張燕斌，杜健民，王圓，等．基于無人機(jī)高光譜遙感和3D—ResNet的荒漠草原地物分類[J].中國農(nóng)機(jī)化學(xué)報(bào)，2022，43（4）：66—73.Zhang Yanbin， Du Jianmin， Wang Yuan， etal.Terrain classificationindesert steppe based onUAV hyperspectral remote sensing and 3D-ResNet[J]. Journal of Chinese AgriculturalMechanization，2022，43（4）：66－73.

[12] Xu H，Yao W，Cheng L，et al.Multiple spectralresolution3Dconvolutional neural networkforhyperspectral image clasification [J]. Remote Sensing，2021，13（7）：1248.

[13]Andrew G H，Menglong Z，Bo C，et al. MobileNets：Efficientconvolutionalneuralnetworksformobilevision applications [J].arXiv preprint arXiv：1704.04861，2017.

[14]程諮杰，楊耘，李龍威，等．基于深度可分離卷積的輕量化殘差網(wǎng)絡(luò)高光譜影像分類[J]．光學(xué)學(xué)報(bào)，2023，43（12）：311-320.Cheng Rongjie， Yang Geng， Li Longwei， etal.Lightweightresidual networkbasedon depthwiseseparableconvolution forhyperspectral imageclassification[J]. Acta Optica Sinica，2023，43（12）：311—320.

[15］孫一帆，余旭初，譚熊，等．面向小樣本高光譜影像分類的輕量化關(guān)系網(wǎng)絡(luò)[J]．武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2022，47（8）：1336—1348.SunYifan， Yu Xuchu， Tan Xiong， etal.Lightweightrelation networkorsmall samplehyperspectral'image classification [J]. Geomatics andInformation Science of Wuhan University，2O22，47（8）：1336—1348.

[16］潘占磊，王忠武，韓國棟，等．短花針茅荒漠草原甲烷通量對(duì)增溫和施氮的響應(yīng)[J]．生態(tài)環(huán)境學(xué)報(bào)，2016，25（2）：209-216.Pan Zhanlei， Wang Zhongwu， Han Guodong，et al.Responseofmethanefluxes on warming andnitrogen addition in Stipa breviflora desert steppe [J].Ecology and Environment Sciences，2016，25（2）：209-216.

[17] Ma W， Gong C， Hu Y， et al.The Hughesphenomenon in hyperspectral classification based onthe ground spectrum of grasslands in the region aroundQinghai Lake[J].The International Society for OpticalEngineering，2013，8910.

[18] Taskin K，Hasan T， Merve E Y， et al.Dimensionality reduction and classification ofhyperspectral images using object-based imageanalysis [J].Journal of the Indian Society of RemoteSensing，2018，46（8）：1297—1306.

[19]孫肖，彭軍還，趙鋒，等．基于空間統(tǒng)計(jì)學(xué)的高光譜遙感影像主成分選擇方法[J]．自然資源遙感，2022，34（2）：37—46.Sun Xiao，Peng Junhuan，Zhao Feng，et al.Principalcomponentselectionmethodofhyperspectralremotesensing images based on spatial statistics [J]. Remote Sensingfor Natural Resources，2022，34（2）：37-46.

[20] Chaoqun W，Binbin L，Bin J. Fault diagnosis of rollingbearing basedon convolutionalneuralnetworkofconvolutional block attention module [J]. JournalofPhysics：Conference Series，2021，1732（1）：012045.

[21］陳桂芬，曾廣偉，陳航，等．基于紋理特征和神經(jīng)網(wǎng)絡(luò)算法的遙感影像分類方法研究[J]．中國農(nóng)機(jī)化學(xué)報(bào)，2014，35（1）：270—274.ChenGuifen，Zeng Guangwei，Chen Hang，etal.Studyof RS image classification method based on texturefeatures and neural network algorithm [J]. Journal ofChinese Agricultural Mechanization， 2014， 35（1）：270—274.

[22] Tao Z， Yuge B， Fei H，etal. Transformerattentionnetworkand unmanned aerial vehiclehyperspectralremote sensingfor grassland rodentpest monitoring research [J]. Journal of Applied RemoteSensing，2022，16（4）：044525.