智能手机原位牧草生物量估算

2021-03-26陶海玉张爱武庞海洋康孝岩

中国农业科学 2021年5期

陶海玉，张爱武，庞海洋，康孝岩

智能手机原位牧草生物量估算

陶海玉，张爱武，庞海洋，康孝岩

首都师范大学地理环境研究与教育中心/首都师范大学三维信息获取与应用教育部重点实验室，北京 100048

【】生物量是草地生态系统物质和能量基础，是最基本的生态参量。以往基于卫星和航空遥感定量反演草地生物量过于专业化，难以在牧民间推广。因此，本文提出一种用手机近距离拍摄的真彩色图像估算牧草生物量方法，构建牧草生物量估算模型，为牧民方便、快捷、无损地掌握牧场牧草长势提供理论依据和技术支撑。首先，利用手机超高分辨率真彩色图像，分别基于植被指数、纹理特征以及联合植被指数和纹理特征构建牧草生物量估算特征集合。其次，为防止过多的特征提取带来维度灾难，提出一种XGBoost与序列前向选择相结合的特征选择算法（XGB-SFS），进行特征筛选及最优子集构建。最后，使用随机森林回归和留一法交叉验证对比不同特征集合构建模型的生物量估算效果，分析不同类型特征及XGB-SFS算法在牧草地上生物量（Above Ground Biomass，AGB）估算中的作用。（1）对比单类型特征构建的模型，基于空间纹理特征的估算模型（2=0.76）要优于基于光谱植被指数估算模型（2=0.73），表明纹理特征在超高分辨率牧草AGB估算中具有一定作用；（2）对比特征选择后的模型，联合空谱多类型特征构建模型优于任何一种单类型特征模型（2=0.83，=127.57 g·m-2，=81.25 g·m-2），表明使用多类型特征构建模型，可一定程度上提高牧草AGB估算精度。（3）对比特征选择前后构建的模型，特征选择后的模型估算AGB效果要明显好于未进行特征选择的模型，且筛选出的特征与牧草生物量之间都存在较高的相关性，表明XGB-SFS能够很好降低数据维度的同时提高牧草AGB估算精度。手机超高分辨率真彩色图像可以对牧草生物量进行准确估算，本文提出的XGB-SFS算法也能从众多特征中筛选出与牧草生物量相关性较高的特征并提高模型估算精度。与以往专业遥感定量反演草地生物量相比，本文方法具有面向大众、成本低廉、使用方便等优势，研究将手机现场采集的数据与遥感和机器学习方法相结合，可开辟新的视角，支持农业信息化发展。

生物量；智能手机；纹理特征；XGBoost；牧草

0 引言

【研究意义】牧草是牲畜生产的重要饲料，其长势直接关系到牧民的收入和畜牧业的发展[1]。牧草地上生物量是草地生态系统的物质和能量基础，也是监测牧草长势的重要参数之一[2]。因此及时、有效地获取牧草生物量数据，对于牧民更好地掌握牧草长势，采取相应措施以保障牧草健康生长具有重要意义。【前人研究进展】国内外学者多用卫星遥感技术来估算地上生物量[3-4]，然而遥感卫星重访周期长、分辨率低、易受天气、地形等影响，难以满足现代精准农业需求。近年来，无人机航空遥感在作物监测方面应用广泛[5-7]，然而无人机的操作需要专业人士，且其飞行空间具有一定的限制，对于普通牧民来说使用起来有一定困难。在大数据发展的今天，遥感数据的获取已经不局限于空天地专业传感器[8]，如何让遥感技术的使用者从专业用户变为大众用户，是大数据时代遥感技术亟待解决的问题之一[9]。如今智能手机已走进千家万户，手机拍摄的图片相比较卫星和航空影像，具有数据获取方便、较高的空间分辨率、图像不易变形且包含丰富的细节信息等优势[10]，使其在遥感技术实际应用中发挥着巨大的潜力。传统草地生物量估算大多使用植被的光谱特征，目前常用的有归一化植被指数（）、比值植被指数（）、修正型土壤调整植被指数（）、窄波段高光谱植被指数等，除了卫星遥感广泛使用的多光谱植被指数外，近年来根据RGB图像计算的颜色植被指数也广泛应用于农业监测等领域。张正健等[11]利用可见光植被指数对若尔盖地上牧草生物量进行指数回归分析，结果显示绿红植被指数和归一化绿红差异指数对生物量具有较好的拟合精度。张领先等[12]利用提取的8个可见光图像特征估算冬小麦苗期地上生物量，结果表明基于与冬小麦生物量具有较高的相关性。但是仅基于光谱特征估算AGB效果有限[13]，因此还需要挖掘其他信息来弥补这一不足。手机图像除了包含RGB光谱信息外，其本身还提供超高分辨率的空间信息，如纹理特征等。纹理特征现已广泛运用于森林生物量估算[14-15]，但目前利用纹理特征对草地生物量进行估算的研究甚少。丰富的特征提取势必会造成维度灾难和数据冗余，甚至会降低模型的回归性能，因此敏感特征的选择在遥感反演中具有关键作用。目前常用的特征选择方法有2种：一是由回归模型训练，得到每个特征的回归系数，根据系数大小确定入选特征，如LASSO回归[16]；二是根据特征与目标之间的相关性或重要性进行排序，设置阈值或数量确定入选特征，如皮尔逊相关系数[17]、单变量特征选择[18]。但是这2种方法在得到特征排序后，常常人为选择前个特征进行模型训练，虽简单有效，但主观性较强，且入选特征的可解释性较弱。因此本文提出一种基于XGBoost重要性特征排序联合序列前向选择算法（SFS）的特征选择方法，以选择适合牧草AGB估算模型的最优子集。【本研究切入点】虽然目前国内外利用遥感平台对生物量估算有了丰富的研究，但是使用手机现场采集的基础数据结合遥感和机器学习方法估算原位牧草生物量的研究较少。【拟解决的关键问题】本文基于手机超高分辨率真彩色图像，探究植被指数和纹理特征在牧草生物量估算中的作用，并设计XGB-SFS特征选择算法构建准确度较高的牧草生物量模型，感知牧草生物量，以期开拓新的思路，让遥感技术走进普通民众，支持农业信息化的发展。

1 材料与方法

1.1 研究区简介

本文研究区位于内蒙古锡林郭勒盟锡林浩特市，地理坐标为44°16′N，116°36′E，海拔1 118 m（图1-a）。该地区是距离首都北京最近的草原牧区，对整个华北平原生态起屏障作用，年均气温1—3℃，年均降水量150—400 mm，具有典型的温带大陆性季风气候特征。锡林郭勒大草原是中国北方典型草原的代表，典型植被主要包括针茅草、羊草、冰草、隐子草等。

a：研究区地理位置；b：研究区样方空间分布图；c：智能手机设备拍摄的样方图像

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

图1 研究区

Fig. 1 Study area

1.2 数据采集及预处理

1.2.1 地上生物量测量试验于2019年6月19日进行，地面数据主要为地上生物量。试验区内A、B、C 3个条带每隔5 m设置一个0.25 m2的固定样方共54个，样方分布如图1-b。在每个条带内每隔10 m采集一次地上生物量数据，采集方法为在获取高光谱数据和手机图像数据之后，齐地割取样方内所有牧草，除去粘附的土壤、杂物等，将其装入密闭保鲜袋中，标号、称重。由于试验是在牧草返青期展开，样方内的草有干草和鲜草，因此我们将样方内干草和鲜草分开称重并记录。本文地上牧草生物量计算公式为：

AGB = 鲜草×0.3+干草（1）

式中，0.3为温性草原类鲜草转为风干重折算系数，参考了《中国草地资源》[19]中相关的规定。干草是鲜草枯萎后残留在地表的干物质，长期受到风吹日晒，因此本文将样方内干草视为样方内AGB的组成成分之一。

1.2.2 智能终端超高分辨率图像获取本研究使用的智能终端设备为手机，1200万像素分辨率。选择晴朗无云天气，在中午11：00—14：00对试验区内样方进行手机拍摄（图1-c）。拍摄高度为垂直地面120 cm，样方大小0.5 m×0.5 m，每个样方内4个角点均插有木筷作为图像进行中心投影校正的校准点，拍照时使手机镜头对准样方中心点，平行地面进行拍摄，尽可能减少图像几何形变误差。拍摄完成后对每幅图像按照样方大小进行裁剪，用于图像的特征提取，提取的特征值为样方内所有像素特征值的平均值。

1.3 特征提取

1.3.1 植被指数依据前人研究，选取了24个与生物量相关的可见光植被指数，各项指数的计算公式如表1。

1.3.2 纹理特征一幅手机图像，不仅包含RGB光谱信息，由于有较高的分辨率（1 200万像素），因此还包含丰富的纹理信息。纹理是一种常见的视觉现象，可用来描述不同覆盖度、不同类型的地物变化，纹理（texture）特征是空间结构特征中非常重要，也是最常用的一种[30]，研究者们习惯用纹理来提取影像特征，补充光谱特征空间的不足。在高分辨率的纹理特征提取中，灰度共生矩阵（GLCM）[31]被广泛运用。本文利用GLCM方法对R、G、B 3个波段进行8个纹理特征（均值、方差、同质性、对比度、相异性、信息熵、二阶矩及相关性）提取，在计算图像纹理时，对于计算窗口的选取，窗口过小会放大窗口内的差异，但保留了较高的空间分辨率，而窗口过大可能由于过度平滑纹理变化而无法有效提取纹理信息[32]。通过对比分析，本文最终选择3×3计算窗口。提取的纹理特征如表2所示。

表1 植被指数计算公式

表2 纹理特征

1.4 研究方法

1.4.1 XGB-SFS特征选择在多特征参量建模过程中，敏感特征的选择至关重要，好的特征选择算法不仅可以减少特征维数还可以有效提升训练模型效率[33]，并且筛选出便于理解特征和目标之间关系的重要性特征。因此有必要对提取的多特征参量进行特征选择。本文利用XGBoost算法进行初始特征重要性排序，然后采用SFS算法依次选取当前排序得分最高的特征构建新的特征集合，剩余的特征继续进行新一轮的排序、选择。这样通过迭代可以更加准确得到模型预测准确率最高的特征集合，即为最终特征选择的最优子集。

为对比建模效果，本试验将分为6组：（a）原始植被指数模型（RGBVIs）；（b）原始纹理特征模型（Textures）；（c）原始联合植被指数-纹理特征模型（VI-Textures）；（d）XGB-SFS特征选择植被指数模型（selected RGBVIs）；（e）XGB-SFS特征选择纹理特征模型（selected Textures）；（f）XGB-SFS特征选择联合植被指数-纹理特征模型（selected VI- Textures）。

1.4.2 模型构建及精度验证本文特征构建过程中，选择的底层模型是随机森林回归模型。随机森林（Random Forest，RF）是一种非参数学习算法，构建模型速度快，由多棵决策树集成，可以有效解决由数据量大造成的共线性以及过拟合等问题，可以用来很好地解决回归和分类问题，该算法目前已经被广泛应用于遥感领域[34-35]。

由于本文样本数量不多，为保证模型稳定性和可靠性，在训练过程中采用留一法交叉验证（LOOCV）获得预测结果。27个样本数据，每次取其中26个样本建模，1个做预测，如此反复27次得到27个预测结果与原始数据进行精度验证。采用常用的决定系数（coefficient of determination，2）、均方根误差（root mean square error，）、平均绝对误差（mean absolute error，）来评价模型的拟合效果。一般来说2越高，和数值越小模型预测越准确。本文技术流程如图2所示。

2 结果

2.1 XGB-SFS算法选择结果

XGB-SFS算法选择的特征数目和留一法交叉验证的预测决定系数之间的关系表明，优选特征数目达到3之后2趋近于在一定范围内变化，随着特征的逐渐加入，模型的预测精度总体呈上升的趋势，但不是特征数目越多预测2越高，当加入的特征达到一定数量时，预测2则稳定在一定范围甚至出现下降现象（图 3）。在这一步骤中，模型预测2最高处所对应的特征子集即为模型训练的最优特征集合。在本次试验中，植被指数训练模型保留的特征数目为14，LOOCV预测2为0.73；纹理特征训练模型保留的特征数目为12，LOOCV预测2为0.76；植被指数和纹理特征相结合的训练模型保留的特征数目为11，LOOCV预测2为0.83，模型入选特征顺序及数量见表3。

2.2 生物量估算

3组模型入选特征与牧草生物量之间的皮尔逊相关系数绝对值如图4所示。入选的植被指数与牧草AGB之间的相关系数在0.24—0.85之间，均达到极显著水平（＜0.01），其中除了、、外，其余植被指数特征与牧草AGB相关系数均大于0.6；入选的纹理特征与牧草AGB之间的相关系数在0.68—0.86之间，均达到极显著水平（＜0.01）。

表3 不同类型特征下XGB-SFS算法入选特征

图2 技术流程图

图3 XGB-SFS优选特征数目与预测精度R2关系

图4 入选特征和生物量之间的皮尔逊相关系数绝对值

基于随机森林回归建立的6组模型交叉验证结果如图5所示，对于仅包含植被指数的模型，XGB-SFS算法优选特征组合模型比未经过特征选择的模型交叉验证预测2提高0.04，交叉验证降低16.19 g·m-2，交叉验证下降18.73 g·m-2（图5-a、d）；对于仅包含纹理特征的模型，XGB-SFS算法优选特征组合模型比未经过特征选择的模型交叉验证预测2提高0.02，交叉验证降低4.97 g·m-2，交叉验证下降5.31 g·m-2（图5-b、e）；对于既包含植被指数又包含纹理特征的模型，XGB-SFS算法优选特征组合模型比未经过特征选择的模型交叉验证预测2提高0.1，交叉验证降低28.18 g·m-2，交叉验证下降30.3 g·m-2（图5-c、f）；仅包含纹理特征的模型比仅包含植被指数特征的模型交叉验证预测2高0.03，交叉验证低3.77 g·m-2，交叉验证低4.73 g·m-2（图5-d、e）；既包含植被指数又包含纹理特征的模型比仅包含植被指数特征的模型交叉验证预测2高0.1，交叉验证低25.94 g·m-2，交叉验证低25.46 g·m-2（图5-d、f）；既包含植被指数又包含纹理特征的模型比仅包含纹理特征的模型交叉验证预测2高0.07，交叉验证低22.17 g·m-2，交叉验证低20.73 g·m-2（图5-e、f）。不同特征类型建立模型预测2与所用特征数量之间的关系（图6）表明，进行特征选择后的模型相比未进行特征选择的模型建模特征数量有所减少，模型预测2有所提升。

图7是基于XGB-SFS算法选择的最优植被指数和纹理特征综合模型预测的整个研究区内牧草生物量反演图和插值图。由图 7-a可知，研究区啃食区牧草生物量在330 g·m-2以下，非啃食区牧草生物量在180—1 000 g·m-2之间。从本文数据获取方式看，获取的智能手机图像离散但却有规律覆盖在选择的牧场上。根据每张超高分辨率的手机图像可以估算出相应的牧草生物量，但这些牧草生物量对于整个牧场来说仍然属于离散状态下的样方尺度的数据。本试验所选择牧场地势平坦，研究区内牧草类型基本相同，因此可通过尺度上推方法，估算整个研究区局域尺度的牧草生物量。图7-b结果表明，研究区啃食区牧草生物量在400 g·m-2以下，非啃食区牧草生物量在200—1 200 g·m-2之间。通过对研究区内牧草生物量进行插值，可以更加快速、直观、无损地掌握牧草长势，实现对牧草的生长状况进行实时监测和管理。

3 讨论

大量研究采用植被指数和纹理特征进行生物量估算并取得较好结果[36-37]，但是从手机图像中提取的可见光光谱信息和空间信息是否能够应用于牧草生物量估算还未可知，因此本文设计了6组试验分析了空-谱特征及其组合和XGB-SFS特征选择算法对牧草生物量的估算能力，以精确反演牧草生物量并结合图像插值实现空间分布制图。

（a）原始植被指数模型，（b）原始纹理特征模型，（c）原始联合植被指数-纹理特征模型，（d）XGB-SFS特征选择植被指数模型，（e）XGB-SFS特征选择纹理特征模型，（f）XGB-SFS特征选择联合植被指数-纹理特征模型。下同

3.1 纹理特征在牧草AGB估算中具有潜在重要性

对比单类型特征反演模型，基于空间纹理特征的估算模型要优于基于光谱植被指数估算模型，这是因为手机近距离拍摄相片不仅增强了牧草反射率信息，同样增强了背景信息（如土壤）的光谱反射率，使得仅使用光谱信息建立的模型易受背景信息干扰，而具有高分辨率的纹理信息则取得较好的反演效果。由此可见，纹理特征在牧草AGB估算中具有潜在重要性。关于纹理特征与牧草生物量的关系，Sibanda等[38]研究表明，将纹理特征和红边导数相结合，可以为估算牧草AGB提供一种更为准确的方法，该研究还表明纹理模型在估算草地地上生物量方面优于红边植被指数，这与本文研究基本一致。

3.2 XGB-SFS算法可以提高建模精度，且入选特征增加了模型的可解释性

对比特征选择前后模型的估算精度，使用了XGB-SFS特征选择算法之后参与建模特征数量减少，且建模效果要明显好于未进行特征选择的模型，且筛选出的特征与牧草生物量之间大多存在较高的相关性。本试验植被指数模型和多类型特征模型入选的特征子集中，第一个重要特征都为红边波段或其衍生指数，这与已有相关研究结果[39-40]相一致，再次说明基于红波段的方法可以广泛应用于监测草地生长状态和生物量等方面。本试验纹理特征模型和多类型特征模型入选的特征子集中，3个波段构建的方差（）特征均入选，这与李明诗等[41]、Eckert等[42]研究结果相一致。

图6 6组试验建模精度与所用特征数量之间的关系

3.3 联合空谱特征模型估算牧草AGB效果显著

由于光谱特征提供了植被的颜色变化，纹理特征是独立于色调，基于灰度空间进行植被空间信息辨别，在一定程度上弥补了基于植被指数建模的不足，将光谱和空间2种互补的信息一起估算牧草AGB，优化了本研究中牧草AGB估算的准确性，且优于其中任何一种单独类型特征模型估算结果。这与陈鹏等[43]在估算马铃薯叶绿素含量中的结论一致。

图7 基于XGB-SFS特征选择的植被指数+纹理特征模型反演图及插值图

利用手机拍摄相片实现原位牧草生物量估算，为牧民实现掌上监测牧草长势提供理论依据。然而目前借助手机相片进行牧草生物量估算的研究尚处于探索阶段，研究仍存在一些不足。一般使用手机拍摄获取数据时，手机镜头应保证与地面保持相同距离平行拍摄，但在实际应用中人为操作难免存在一定偏差，导致采集的数据参数不一致，如图像拍摄的高度，因此还需进一步设计试验，探究不同拍摄高度对牧草生物量估算结果的影响，从而更加合理设置手机拍摄高度和探究适合估算牧草生物量的高度范围。另外，现在提倡空天地一体化监测作物长势，然而手机拍摄的一幅相片获取的样方大小在1 m2左右，难以与航空、航天遥感数据的空间分辨率相匹配，从而影响一体化的研究进程，后续将设计不同样方大小的试验，验证不同样方大小对生物量估算的影响以及探索与航空数据相匹配的合适样方大小。由于本文所使用的样方数据受数量和空间限制，属于小样本集，虽然训练过程采用了留一法交叉验证训练和测试反演模型来避免训练模型出现过拟合现象，但不同样本数量对模型精度的影响还有待探究。在今后的研究中可通过增加样本数量、样本采集时段及采集区域来获取更多的训练数据集，来验证和提升本文结果的普适性和鲁棒性。

4 结论

构建的单类型特征模型中，特征选择前后，基于纹理特征的建模精度都比基于植被指数好。表明超高分辨率纹理特征在牧草生物量估算中具有一定作用。

相比单类型特征模型，联合植被指数和纹理特征的“空-谱”融合特征估算牧草生物量表现最佳，表明联合植被指数和纹理特征共同反演牧草生物量具有一定优势。

构建的6组模型中，大多数经特征选择后的模型精度大于未进行特征选择模型，且参与建模的特征数量也有所下降，表明该算法可以通过反复训练得到更为准确的特征排序，同时获得基于原始特征的最优特征子集来提高模型预测精度。

以上研究证明了基于手机真彩色高分辨率图像估算牧草生物量的可行性，今后可将研究对象推广到其他草地类型及作物参数，完善草地生态监测体系，使遥感技术走进大众用户，为农业信息化发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, 赵萌莉, 刘亚俊. 基于优化光谱指数的牧草生物量估算. 光谱学与光谱分析, 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] 姚兴成, 曲恬甜, 常文静, 尹俊, 李永进, 孙振中, 曾辉. 基于MODIS数据和植被特征估算草地生物量. 中国生态农业学报, 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] 孙世泽, 汪传建, 尹小君, 王伟强, 刘伟, 张雅, 赵庆展. 无人机多光谱影像的天然草地生物量估算. 遥感学报, 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] 吴炳方, 张鑫, 曾红伟, 张淼, 田富有. 资源环境数据生成的大数据方法. 中国科学院院刊, 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] 单杰. 从专业遥感到大众遥感. 测绘学报, 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, 张承明, 杨晓霞, 李峰, 韩颖娟, 高帅, 董海燕. 高分二号遥感影像提取冬小麦空间分布. 遥感学报, 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] 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. 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, 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] 张领先, 陈运强, 李云霞, 马浚诚, 杜克明, 郑飞翔, 孙忠富. 可见光光谱的冬小麦苗期地上生物量估算. 光谱学与光谱分析, 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] 张爱武, 张帅, 郭超凡, 刘路路, 胡少兴, 柴沙驼. Landsat8光谱衍生数据分类体系下的牧草生物量反演. 光谱学与光谱分析, 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] 刘畅, 杨贵军, 李振海, 汤伏全, 王建雯, 张春兰, 张丽妍. 融合无人机光谱信息与纹理信息的冬小麦生物量估测. 中国农业科学, 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, 李强子, 杜鑫, 张源, 赵龙才, 王红岩. 单变量特征选择的苏北地区主要农作物遥感识别. 遥感学报, 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] 中华人民共和国农业部畜牧兽医司, 全国畜牧兽医总站. 中国草地资源. 北京: 中国科学技术出版社, 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] 汪小钦, 王苗苗, 王绍强, 吴云东. 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, 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] 黄昕. 高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 武汉: 武汉大学, 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] 张爱武, 董喆, 康孝岩. 基于XGBoost的机载激光雷达与高光谱影像结合的特征选择算法. 中国激光, 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] 王丽爱, 马昌, 周旭东, 訾妍, 朱新开, 郭文善. 基于随机森林回归算法的小麦叶片SPAD值遥感估算. 农业机械学报, 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] 赵静, 李志铭, 鲁力群, 贾鹏, 杨焕波, 兰玉彬. 基于无人机多光谱遥感图像的玉米田间杂草识别. 中国农业科学, 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] 李明诗, 谭莹, 潘洁, 彭世揆. 结合光谱、纹理及地形特征的森林生物量建模研究. 遥感信息, 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] 陈鹏, 冯海宽, 李长春, 杨贵军, 杨钧森, 杨文攀, 刘帅兵. 无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量. 农业工程学报, 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