融合无人机和卫星影像的温带疏林草原木本和草本植物覆盖度遥感估算

李晓雅，田昕，段涛，曹晓明，杨凯捷，卢琦，王锋

1.中国林业科学研究院荒漠化研究所,北京 100091;2.中国林业科学研究院资源信息研究所,北京 100091;3.中国科学院微电子研究所,北京 100029

1 引言

温带疏林草原是中国半干旱区的重要生态系统，是在中国北方森林、草原生态系统过渡区域发育于沙地的地带性顶级群落（于顺利，2011；史宇飞 等，2011）。榆树疏林曾广泛分布于松辽平原和内蒙古高原，由于生境的丧失，目前主要分布于内蒙古高原的浑善达克沙地、科尔沁沙地、呼伦贝尔沙地和毛乌素沙地等地，其中以浑善达克沙地和科尔沁沙地分布面积最广，疏林草原景观最为典型（于顺利和陈宏伟，2007）。准确掌握疏林草原的分布及动态，不仅有利于加深对中国温带疏林草原生态系统的理解，进一步也可为温带疏林草原的恢复和重建提供科学依据。

植被覆盖度是定量化表征地表植物群落的重要指标，同时反映着区域生态环境的变化（DeFries等，2007；Yang 等，2012）。定量获取疏林草原植被覆盖度、准确反演植被动态变化规律，是实现疏林草原动态监测与评估的前提。获取植被覆盖度的方法主要包括地面测量和遥感解译两种途径。野外观测获得的植被覆盖度信息是实现覆盖度遥感反演的基础，为覆盖度遥感反演提供训练数据及验证信息。目前使用遥感手段进行覆盖度反演的方主要包括植被指数、经验模型、混合像元分解模型和机器学习方法，植被指数法通过建立植被指数与覆盖度之间的关系反演植被覆盖度（Harris等，2014；Wang 等，2020）；经验模型即建立波段信息与覆盖度之间的经验模型估算植被覆盖度（岳健 等，2020），经验模型对数据集的正态分布特性和波段信息的独立性要求较高，仅适用于特定的区域及特定值被，使其在大尺度植被覆盖度估算中具有一定的局限性（贾坤 等，2013）；混合像元分解方法同样被广泛应用于半干旱地区植被覆盖度的估测中（Cui 等，2019），该方法利用像元分解模型分解像元中各端元的亮度信息贡献，获得端元植被丰度以估算值被覆盖度（Adams 等，1986）。混合像元分解方法前期对光谱端元的选取严重影响到像元分解的精度，植被覆盖度估测能力不稳定（李晓松 等，2010），且疏林草原具有较复杂的地表覆盖情况，端元组合较为复杂。

机器学习方法是通过构建样本数据集，结合地形、气候、植被指数、光谱信息等预测变量，运用数据挖掘方法找出隐含在预测变量和分类样本之间的相关关系，并自动建立估算模型，属于遥感影像解译中全监督学习类方法（周培诚 等，2021）。由于机器方法更适合处理复杂海量的数据集（Brandt等，2016）并具有较高的计算效率与估算精度，在干旱半干旱区植被覆盖类型图的绘制以及植被覆盖度反演等方面得到了广泛的应用（Zhang等，2019；陈黔 等，2019；Hunter等，2020）。

疏林草原具有乔木、灌木和草本植被混合生长的特点，在植物斑块化分布、高异质性景观的疏林草原区域，利用中低分辨率卫星遥感影像识别疏林草原，精度难以保证（Latifovic 和Olthof，2004）。近年来，覆盖全球的高分辨率卫星不断涌现，出现了覆盖全球范围的中高分辨率卫星如哨兵（Sentinel）和国产高分（GF），为区域尺度的疏林草原植被覆盖度估算提供了有利条件。

无人机飞行时间、灵活、可搭载多种类型传感器，具有获取植被结构特征、识别矮小植株的高空间分辨率优势（Kattenborn 等，2019），被广泛应用到植被遥感分类和监测中（韩东 等，2018；Wang等，2019；张顺 等，2019；蔡栋 等，2019）。无人机近地遥感观测技术的逐渐成熟，也带动了遥感信息由过去地面监测与卫星遥感的“二维数据”到星—空—地“三维数据”的转变，成为地面观测与卫星遥感之间重要的纽带，为生态遥感的进一步发展提供了新的机遇（蔡宗磊 等，2019；郭庆华 等，2020；廖小罕 等，2019）。不过由于受到无人机续航时间的限制，通过无人机实现区域尺度的植被监测还面临较大的挑战。

在利用不同空间尺度遥感数据时，较大的空间尺度可以反应区域上的规律，较精细的空间尺度可以揭示复杂的地表特征（万昌君 等，2019）。最近出现的这些新数据源为我们带来了启示，是否可同时利用近地遥感和高分辨率卫星遥感两种高空间分辨率数据源，基于机器学习算法融合两种数据源在植被遥感监测中各自的优势，实现区域尺度温带疏林草原不同类型植物的高效精准识别和动态监测？

因此，本研究探索了如何利用高分辨率卫星（GF-6 和Sentinel-2）结合近地遥感获取的超高分辨率影像，基于机器学习算法估算疏林草原上木本植物和草本植被的覆盖度。具体目标为：（1）基于无人机正射影像，利用分类和回归树算法对疏林草原木本植物和草本植物进行自动精准分类；（2）利用随机森林算法，实现从无人机正射影像到高分卫星影像的疏林草原木本植物和草本植被覆盖度的估算；（3）比较GF-6 和Sentinel-2 两种高分辨率卫星影像对疏林草原木本植物和草本植被覆盖度估算的差异。

2 研究区与数据

2.1 研究区概况

研究区位于中国内蒙古自治区锡林郭勒盟正蓝旗浑善达克沙地榆树疏林草原长期定位观测大样地，地理位置为42°57′34″N—42°58′15″N，115°57′E—115°58′E，平均海拔高度约为1300 m，面积为1 km×1 km（图1）。该区域属于干旱、半干旱大陆性气候，年平均气温2.1 ℃，降水集中于7—9 月，年平均降水量为313 mm。疏林草原生态系统由乔木层、灌木层和草本层3 层垂直结构组成（于顺利 等，2007）。将研究区内的唯一乔木种榆树（Ulmus pumila）和伴生灌木如耧斗叶绣线菊（Spiraea aquilegifolia）、小红柳（Salix microstachyavar.bordensis）、黄柳（Salix gordejevii）、柴桦（Betula fruticosa）等14种灌木种定义为木本植物。草本层则主要由多年生草本褐沙蒿（Artemisia intramongolica）和一年生草本叉分蓼（Polygonum divaricatum），羊草（Aneurolepidum chinense）等近190 种草本植物构成（韩东 等，2018）。

图1 中国内蒙古自治区浑善达克沙地榆树疏林草原长期定位监测大样地Fig.1 Long-term monitoring plot in Elm（Ulmus pumila）sparse forest grassland ecosystem in the Otindag sandy land（ESFOGE-Plot）Inner Mongolia，China

2.2 遥感数据获取及预处理

2.2.1 无人机影像数据

为了建立精准的疏林草原植被覆盖度训练数据集，选用配置1 cm 精度导航定位和具有2000 万像素CMOS传感器的小型多旋翼高精度航测无人机（精灵4 RTK，大疆，中国深圳），采集榆树疏林草原长期定位观测大样地的无人机正射影像。本研究根据研究区的边界设计无人机飞行方案进行航空影像采集，影像拍摄时间为2020 年7 月20 日，拍摄时长为2 h，共采集到1334 张原始航拍影像，无人机飞行参数设置见表1。利用实景三维建模软件Agisoft Metashape（V1.6.5，Agisoft，俄罗斯）对原始航拍影像进行校正和拼接处理，最终获取样地的数字正射影像图DOM（空间分辨率为2.41 cm/pixel，图2（a））。

表1 榆树疏林草原长期定位观测大样地无人机航拍飞行参数Table 1 Flight parameters of Unmanned Aerial Vehicle（UAV）aerial photogrammetry in the long-term monitoring plot in Elm Sparse Forest Grassland

图2 榆树疏林草原长期定位观测大样地无人机正射影像和高分卫星影像（框图部分为分类精度验证区域）Fig.2 High resolution UAV and satellite images of long-term monitoring plot in Elm sparse forest grassland ecosystem（The area covered by a black box is the sample for validating the classification accuracy）

2.2.2 卫星影像数据

选用GF-6 和Sentinel-2 作为卫星影像数据。考虑卫星过境时间及云量，分别选取2020 年7 月22 日GF-6 影像和2020 年7 月1 日Sentinel-2 影像。GF-6影像预处理过程包括辐射定标、大气校正等。GF-6 卫星辐射定标采用中国资源卫星应用中心的系数，并采用光谱超立方体的快速视线大气分析（FLAASH）方法进行大气校正。由欧洲航天局网站（https：//scihub.copernicus.eu/［2021-01-08］）下载的Sentinel-2 数据是经过辐射校正后的反射率产品，利用ESA 官方发布的大气校正模型Sen2cor（V2.8，ESA）进行大气校正。由于Sentinel-2 影像可见光波段与红边波段和红外波段具有不同的空间分辨率，对10 m 分辨率的可见光波段进行重采样，重采样后的Sentinel-2影像空间分辨率为20 m。分别将无人机近地面遥感平台获取的数字正射影像重采样到16 m 和20 m，以重采样后的无人机正射影像为基准，基于一阶多项式分别对GF-6 影像和Sentinel-2 影像进行精确的几何配准，校正过后的误差不超过一个像元，保证了后期处理中对无人机正射影像和卫星影像叠加分析的准确性；最后，利用研究区边界分别对影像进行裁剪，获得两景预处理后的研究区影像（图2（b），2（c））。辐射校正、大气校正与图像裁剪等预处理在ENVI（V5.3）中完成。

3 研究方法

3.1 疏林草原木本和草本植物覆盖度估算方法

本研究发展了一套基于高分辨率卫星影像和机器学习算法估算疏林草原木本植物和草本植物的新方法。首先，（1）基于高分辨率的无人机正射影像，利用分类与回归树算法识别木本植物和草本植物，分别计算对应GF-6 和Sentinel-2 卫星像元尺度的木本植物和草本植被覆盖度，作为疏林草原木本植物和草本植物覆盖度估算模型的训练样本；（2）提取卫星影像的波段信息、植被指数以及纹理特征等参数，作为疏林草原木本植物和草本植物覆盖度估算模型的特征因子；（3）利用（1）和（2）的训练样本数据集，基于随机森林算法，针对不同卫星数据源训练模型建立木本植物和草本植物覆盖度估算模型；（4）利用已构建的疏林草原木本植物和草本植物覆盖度估算模型，基于高分辨率卫星影像计算疏林草原木本植物和草本植物覆盖度（图3）。

图3 榆树疏林草原木本植物和草本植物覆盖度估算方法流程图Fig.3 Flowchart of woody and herbaceous Fractional Vegetation Cover（FVC）estimation in Elm sparse forest grassland

3.1.1 分类训练样本的获取

（1）基于无人机影像估算木本和草本植物覆盖度。机器学习是一种通过数据挖掘方法找出隐含在预测变量和分类样本间的相关关系，并自动建立预测模型的方法。分类与回归树（CART）算法是由Breiman 等（1984）提出的一种非参数的有效监督学习方法，即从一系列有特征和标签的数据中总结出决策规则，并用树状图结构来呈现这些规则以解决分类和回归问题的算法，能够有效利用空间辅助信息，深度挖掘特征信息。利用分类与回归树算法对无人机正射影像进行地物分类，基于色彩空间拓展函数，将正射影像各像元的RGB 信息进行扩展，将色彩空间拓展到包含RGB（红，绿，蓝）、HSV（色调，饱和度，明度）、Lab（亮度，坐标轴从红色到绿色，坐标轴从蓝色到红色）和XYZ（CIE1931标准色度系统）（Reinhard等，2001）共12 种特征作为CART 分类算法的特征因子（Wang等，2019）。

利用无人机正射影像RGB 信息建立色彩空间拓展函数作为分类与回归树模型的特征因子；基于地面调查数据和目视解译方法，使用图像编辑软件（如ImageJ，Photoshop 等）分别选取2020 年正射影像中的木本、草本和裸地，建立研究区地表类型的样本训练集作为决策树分类模型的分类样本，生成决策树分类模型。将地物类型划分为木本植物，草本植物和沙地3 类，得到样地木本、草本植物与裸沙地的地表类型图。通过计算不同地物类型的像素数占植被分类图中总像素数比例，获取木本植物和草本植物的植被覆盖度。

基于研究区无人机影像的地表类型分布图（图4（b）），利用GF-6卫星影像和Sentinel-2 卫星影像分别对木本植物和草本植物进行掩膜，统计落在卫星像元窗口内的木本植物和草本植物像元总数，并计算其占卫星窗口像元总数的百分比（以下简称覆盖度分类样本），得到卫星像元尺度的木本和草本植物覆盖度作为疏林草原覆盖度模型的分类样本数据。每组GF-6影像为3903个样本数据，Sentinel-2影像为2497个样本数据。

图4 基于无人机正射影像的卫星像元尺度木本和草本植物覆盖度计算方法Fig.4 Methods of woody and herbaceous FVC at pixel-scale of satellite images calculated from DOM obtained by UAV

（2）分类结果验证。为验证分类与回归树模型对无人机正射影像的分类精度，在无人机正射影像中随机选取4000 个像素点，将目视判别结果与模型分类结果进行对比，基于像素点建立混淆矩阵，并计算Kappa系数和总体误差作为指标评价决策树分类精度。

3.1.2 模型特征因子的选取

植被指数对植被的生物物理特征较为敏感。对于地表空间复杂的影像，提取影像的纹理特征可以获取各种有用的信息，提高分类精度（刘龙飞等，2003）。本实验选择的特征包括3 类，分别是波段反射率、植被指数以及纹理特征（Haralick，1979）。首先，选择卫星像元波段反射率作为模型特征因子（表2）；植被指数包括归一化植被指数NDVI（Normalized Difference Vegetation Index），差值植被指数DVI（Difference Vegetation Index），归一化绿度植被指数GNDVI（Green Normalized Difference Vegetation Index），绿波比指数GRI（Green Ratio Vegetation Index），红边指数（MTCI）和增强型植被指数EVI（Enhanced Vegetation Index）；采用基于统计分析的灰度共生矩阵GLCM（Gray-Level-Co-occurrence Matrix）实现GF-6 和Sentinel-2卫星各波段纹理特征的计算。植被指数和纹理特征的提取在ENVI（V5.3）中完成。GF-6卫星模型特征因子选取8 个波段反射率、6 个植被指数和48个纹理特征，共计62个特征因子，Sentinel-2卫星选取10 个波段反射率、6 个植被指数和60 个纹理特征，共计76个特征因子。

表2 榆树疏林草原木本和草本植物覆盖度估算模型特征因子与描述Table 2 Features and description of woody and herbaceous FVC estimation model in Elm sparse forest grassland

3.1.3 疏林草原木本和草本植物覆盖度估算模型建立

将影像波段反射率、6 种纹理特征和6 种植被指数作为特征因子，利用随机森林算法建立疏林草原木本植物和草本植物覆盖度估算模型。随机森林是一个以分类与回归树算法为基础，将决策树作为弱模型的袋装法集成算法，即通过构建多个相互独立的训练样本子集训练弱模型，然后对各预测结果取平均值作为最终预测结果。随机森林在利用袋装法对独立样本子集进行模型训练时，对每个特征因子出现的次数、深度以及模型的准确率进行统计，并赋予每个特征一定的权重值，该权重值即为各特征因子的重要性（Breiman，2001）。

与复杂模型相比，优先选择特征因子较少且预测结果相对准确的模型（James 等，2013）。由于并非全部特征变量都与覆盖度相关，利用所有特征因子建立随机森林模型后，对特征因子进行优选，以提高随机森林的预测精度并简化节点。特征因子优选首先根据重要性得分对各特征因子进行排序，然后按照重要性排名依次叠加特征因子并训练模型，利用10 倍交叉检验（Crossvalidation）（Breiman，2001）分别计算一定特征因子数量下随机森林模型的相关系数范围，并进行随机森林稳健性估计，当相关系数趋于稳定后，排除对模型贡献较小的变量，建立最优性能下的随机森林模型。

确定模型最佳特征因子后，通过10 倍交叉检验查看模型预测精度的变化趋势，调整随机森林模型中树的数量和树的深度等参数以获取模型参数的最优值，进一步优化模型、提高模型预测精度。应用建立的模型对研究区木本植物和草本植物的覆盖度进行估算。以上图像处理、模型训练、模型构建和图像分类均利用Python（V3.7）语言完成。

3.2 疏林草原木本和草本植物覆盖度估算模型验证

为防止由空间自相关引起的空间过度拟合，建模之前在研究区内随机且均匀选取25%的独立样本数据作为精度验证数据，以评估模型对覆盖度的估算精度。基于GF-6影像的数据集包含978组独立验证数据，基于Sentinel-2 影像的数据集包含626组独立验证数据。比较无人机正射影像分类得到的覆盖度与模型估算得到的覆盖度值以评估模型精度，选择的精度验证指标包括模型样本的决定系数R2（式（1））、均方根误差RMSE（式（2））和估算精度EA（式（3））。

式中，yi为基于正射影像分类得到的覆盖度，为模型估算的第i个覆盖度，N为样本数。

4 结果与分析

4.1 疏林草原木本和草本植物覆盖度估算结果

4.1.1 无人机正射影像分类

通过比较研究区内部样方的正射影像和分类图，以目视判别方法评估分类的准确性。由图5可见，木本植物、草本植物和裸沙地分类效果良好，草地和裸沙地中稀疏分布的灌木均被完整的提取，木本植物与草本植物边界清晰，木本植物内部完整，准确排除树冠间隙和树冠阴影。目视判别与机器分类之间的误差主要是由于草本植物与裸沙地的混合像元分类产生。表3为基于验证像素点建立的木本植物，草本植物和裸沙地的分类结果混淆矩阵，决策树分类总体精度为0.89，Kappa 系数为0.83，分类精度较高。生产者精度和用户精度的准确性充分证明了基于分类与回归树算法的影像分类能够准确划分无人机正射影像像元类型。

表3 榆树疏林草原长期定位观测大样地无人机正射影像像元分类精度评价Table 3 Accuracy evaluation in pixel-based classification of DOM in long-term monitoring plot in Elm sparse forest

4.1.2 模型特征因子选择

不同特征因子数量下的随机森林模型性能验证结果如图所示（图6）。基于GF-6影像的木本植物覆盖度估算模型在特征因子数量为14 时，模型趋于稳健且预测精度较高，可作为平衡预测精度和简化模型的最优特征因子个数，建立最优性能的覆盖度估算模型。基于GF-6 影像的草本植物覆盖度模型最优特征因子数量为17。基于Sentinel-2影像的木本和草本植物覆盖度模型最优特征因子数量分别为11和17。

图6 不同特征因子数量下的随机森林模型性能验证结果Fig.6 Random forest model performance verification results under different number of feature factors

表4 和表5 分别统计了基于GF-6 和Sentinel-2影像的疏林草原木本植物和草本植物覆盖度估算模型重要性排名前5 的特征因子。基于GF-6 影像的疏林草原木本植物包含DVI、EVI、NDVI、MTCI和GRVI，均为植被指数（表4）；基于Sentinel-2影像的疏林草原木本植物覆盖度估算模型特征因子包括了NDVI、GNDVI、GRVI这3个植被指数、以及红波段和植被红边1 波段。基于GF-6 的草本植物覆盖度估算模型特征因子包含黄色波段、红边2波段、植被指数MTCI、红边2 波段纹理信息的均值和红边2波段纹理信息的方差；基于Sentinel-2的估算模型特征因子包含绿色波段、植被红边1、2波段和短波红外1波段，纹理信息为短波红外的均值。

表4 基于GF-6影像的榆树疏林草原木本和草本植物覆盖度估算模型特征因子Table 4 Top five preferred features ranking of woody and herbaceous FVC estimation model in Elm sparse forest grassland based on GF-6 image

表5 基于Sentinel-2影像的榆树疏林草原木本和草本植物覆盖度估算模型特征因子Table 5 Top five preferred features ranking of woody and herbaceous FVC estimation model in Elm sparse forest grassland based on Sentinel-2 image

DVI 是基于GF-6 影像的木本植物覆盖度估算模型中最重要的特征因子，而NDVI则是Sentinel-2影像的木本植物覆盖度估算模型中最重要的特征因子。对两个模型特征因子综合分析可知，植被指数均对木本植物覆盖度的估算起重要作用，基于Sentinel-2 影像的草本植物估算模型最佳预测因子为中心波长在705 nm 的植被红边1 波段，重要性达到0.60（表5），这与基于GF-6 的草本植物覆盖度模型相似，除黄色波段外，模型特征因子的光谱特征和纹理特征同样集中在红边波段（表4）。由此可知，GF-6 影像和Sentinel-2 影像在730—750 nm 处的反射率能有效反映草本植物植被覆盖度。说明红边波段反射率对草本植物覆盖度变化较为敏感。

4.1.3 模型精度验证

将无人机影像分类得到的木本、草本植物覆盖度样本值与模型估算值进行对比（图7）。基于GF-6 影像和Sentinel-2 影像估算的木本植物覆盖度R2均为0.72，均方根误差为6.76%和6.53%，估算精度分别为46.31%和54.30%。基于GF-6 影像比基于Sentinel-2 影像的木本植物覆盖度估算值均方根误差相比高0.23%，估算精低7.99%。基于GF-6影像和Sentinel-2影像估算的草本植物覆盖度R2分别为0.66 和0.81，均方根误差分别为10.69%和8.20%，估算精度分别为77.88%和83.17%。基于GF-6 影像比基于Sentinel-2 影像估算的草本植物覆盖度R2低0.15，均方根误差高2.49%，估算精度低5.29%。

图7 基于卫星影像与基于无人机正射影像估算的榆树疏林草原长期定位观测大样地木本和草本植物覆盖度结果比较Fig.7 Comparison of woody and herbaceous FVC in Elm sparse forest grassland estimated by satellite images and DOM of UAV

两种卫星影像对疏林草原木本植物覆盖度估算精度总体差别较小，对草本植物覆盖度估算精度Sentinel-2 影像略高于GF-6 影像。不论基于哪种卫星影像，木本植物在0—20%区间的覆盖度估算精度较高，而在20%—100%区间估算精度较低，原因可能由于木本植物覆盖度在20%—100%区间的训练样本数量较少。

4.2 研究区覆盖度分析

分别基于GF-6 影像和Sentinel-2 影像对研究区木本、草本植物覆盖度进行制图，并与基于无人机正射影像得到的木本、草本植物覆盖度图对比，如图8所示。总体来看，基于高分辨率卫星影像获取的木本、草本植物覆盖度，与基于无人机正射影像获取的木本、草本植物覆盖度空间分布一致。基于GF-6 卫星像元尺度对正射影像分类结果进行统计，约3/4 的木本植物像元落在0—20%覆盖度内、草本植物像元落在20%—80%覆盖度范围内；基于Sentinel-2 卫星像元尺度对正射影像分类结果进行统计，约4/5 的木本植物像元落在0—20%覆盖度内、草本植物像元落在20%—80%覆盖度范围内。基于GF-6 影像估算得到的覆盖度3/4 的木本植物集中在0—20%，草本植物在25%—75%；基于Sentinel-2影像得到的覆盖度4/5的木本植物集中在0—20%，草本植物在25%—75%。

图8 基于高分卫星影像和无人机正射影像的榆树疏林草原长期定位观测大样地木本和草本植物覆盖度空间分布图Fig.8 Maps of woody and herbaceous FVC in Elm sparse forest grassland from satellite image（GF-6 and Sentinel-2）and classified DOM

研究区木本植物覆盖度在50%以上仅占研究区总像元数的2%—4%，且集中在研究区西部地势较低的区域。研究区草本植物覆盖度分布较为均衡，覆盖度高于70%的区域集中分布在研究区的东部，覆盖度低于30%的区域集中分布在地势较高的沙丘区域。

5 结论

本研究探索了一种利用近地遥感和卫星遥感影像，基于机器学习算法，估算疏林草原木本植物和草本植物覆盖度的新方法。研究不仅实现了基于无人机正射影像不同地物类别的精准分类，获取了清晰的不同植被类型生活型信息。同时利用重采样升尺度的方法分别提取卫星影像混合像元内的疏林草原木本、草本植物覆盖度，构建了疏林草原木本、草本植物覆盖度估算模型，实现了从无人机到卫星的疏林草原木本植物和草本植被的覆盖度精准估算。研究结果表明：（1）利用无人机遥感监测平台能够实现疏林草原景观尺度的精准植被分类与覆盖度计算；（2）构建了基于GF-6 卫星影像和Sentinel-2 卫星影像的木本和草本植物覆盖度估算模型，实现了基于高分辨率卫星影像的疏林草原木本和草本植物覆盖度估算；（3）基于Sentinel-2 卫星影像的疏林草原木本和草本植物覆盖度估算精度稍高于GF-6 卫星，基于两个卫星影像的草本植物覆盖度的估算精度都要显著高于木本植物。

近年来，覆盖全球的高分辨率卫星不断涌现，通过融合不同分辨率的多源卫星遥感数据，基于定量遥感尺度转换模型，监测热带地区稀树草原上木本植被状况和动态是稀树草原研究的热点（Brandt等，2016；Tian等，2017）。González-Roglich和Swenson（2016）利用中巴地球卫星（CBERS）影像与陆地卫星（Landsat）影像，基于随机森林算法估计阿根廷中部稀树草原树木覆盖度。Herrmann等（2013）在西非塞内加尔使用轨道观测卫星（Orbview）高分辨率影像与中分辨率成像光谱仪（MODIS）的NDVI数据，基于决策树算法建立模型并反演木本覆盖度。Higginbottom 等（2018）融合Landsat 影像与日本对地观测卫星（ALOS）高分辨率合成孔径雷达数据，基于随机森林算法绘制出南非林波波省疏林草原地区木本植物覆盖度图。以上研究均应用机器学习方法结合多分辨率遥感影像实现了热带稀树草原木本植物覆盖度估算。中国温带疏林草原景观与热带稀树草原特征相似，在连续的草本层里镶嵌有不连续的乔木和灌木植物，是中国半干旱区重要的生态系统，也是世界上唯一分布于温带的疏林草原生态系统（于顺利 等，2007）。本研究探索了将无人机近地遥感数据与高分辨率卫星遥感数据相结合的新方法，以分布于中国内蒙古高原上的温带疏林草原为对象，实现了疏林草原上木本植物和草本植物的同步监测。新方法为实现区域尺度温带疏林草原不同生活型植物的高效精准监测提供了方法基础。

本研究结果与同样利用随机森林方法，结合航空遥感数据与卫星数据，估算热带稀树草原木本植物覆盖度的验证结果相比（Ludwig等，2019），具有更高的决定系数和更低的均方根误差。Ludwig估测得到的木本植物覆盖度估算模型决定系数R2为0.44，均方根误差为11.6%；基于GF-6 影像和Sentinel-2 影像估算的木本植物覆盖度估算模型决定系数R2均为0.72，均方根误差为6.76%和6.53%。此外，基于随机森林建立的植被覆盖度模型预测值均高估了较低的植被覆盖度值，而低估了高植被覆盖度值，与随机森林算法在预测结果时，对每棵回归树得到的预测变量求平均值作为预测结果的属性相关（Prasad 等，2006）。随机森林该属性导致在覆盖度预测中对于较低和较高的木本植物和草本植被覆盖度估算误差较大。

Higginbottom 等（2018）融合了Landsat卫星数据和PALSAR 合成孔径雷达数据，并通过组合旱季、雨季多季节指标训练模型。得到的木本植物覆盖度验证结果中，决定系数最高达0.77。该结论对模型的改进具有一定的启发性，可以结合辅助数据并加入生长季的不同时期影像作为预测指标，进一步提高疏林草原木本植物和草本植物覆盖度估算精度。

基于机器学习算法，融合无人机正射影像和高分辨率卫星影像等多源数据，充分发挥了近地遥感高空间分辨率和卫星遥感区域大尺度覆盖的特点。无人机正射影像为疏林草原木本、草本植被覆盖度估算模型提供了高质量的训练数据，卫星影像为探测区域尺度植被状况提供了基础数据源，机器学习的方法为两种类型数据的融合搭建了桥梁。利用这一方法，未来可以实现中国温带疏林草原分布范围的精确制图，进一步利用多时相的卫星遥感数据也可监测疏林草原上木本植物和草本植物的长期变化特征。