基于无人机多源数据的梭梭（ Holoxylon ammodendron ）地上生物量估算

doi:10.7522/j.issn.1000-694X.2024.00032

基于无人机多源数据的梭梭（ Holoxylon ammodendron ）地上生物量估算

鲍莉莉^,¹^,², 李锦荣^,², 韩兆恩¹^,², 刘悦¹^,², 单浩东¹^,²

1.内蒙古农业大学沙漠治理学院，呼和浩特 010018

2.中国水利水电科学研究院内蒙古阴山北麓草原生态水文国家野外科学观测研究站，北京 100038

Estimation of aboveground biomass of Haloxylon ammodendron based on UAV multi-source data

Bao Lili^,¹^,², Li Jinrong^,², Han Zhaoen¹^,², Liu Yue¹^,², Shan Haodong¹^,²

1.College of Desert Control Science and Engineering，Inner Mongolia Agricultural University，Hohhot 010018，China

2.Yinshanbeilu National Field Research Station of Steppe Eco-hydrological System，China Institute of Water Resources and Hydropower Research，Beijing 100038，China

通讯作者: 李锦荣（E-mail： lijinrong918@126.com）

收稿日期: 2023-12-20 修回日期: 2024-02-16

基金资助:

中国水利水电科学研究院十四五“五大人才”计划“三型人才”项目. MK0199A122021
国家自然科学基金项目. 42071021

Received: 2023-12-20 Revised: 2024-02-16

作者简介 About authors

鲍莉莉（1997—），女，青海西宁人，硕士研究生，研究方向荒漠化防治E-mail：937309774@qq.com , E-mail：937309774@qq.com

摘要

梭梭（Holoxylon ammodendron）是荒漠生态系统的重要组成，其地上生物量（aboveground biomass，AGB）在一定程度上反映了群落及生态系统的健康程度，对荒漠生态系统碳储量的估算具有重要意义。以乌兰布和沙漠梭梭为研究对象，基于无人机激光雷达提取的株高（H）、冠幅（C）参数和可见光数据构建的植被指数（VI）以及二者结合的3类特征指标，采用多元逐步回归、主成分回归和偏最小二乘回归，对梭梭地上生物量进行估算研究，利用决定系数R²和均方根误差RMSE进行评价。结果表明：（1）无人机LiDAR点云数据提取的株高（R²=0.85，RMSE=0.32 m）和冠幅（R²=0.80，RMSE=0.73 m）精度较高。（2）多元逐步回归、主成分回归和偏最小二乘回归模型对梭梭地上生物量拟合效果均较好，R²均大于0.8，而偏最小二乘回归（PLSR）模型的均方根误差最小（2.86 kg·株^-1），可以作为梭梭AGB估算的最优模型。利用无人机激光雷达数据可以有效地提取梭梭单株参数因子（H、C），并开展荒漠低矮植被地上生物量的估算研究。

关键词： 地上生物量 ; 梭梭 ; 无人机激光雷达 ; 株高 ; 冠幅 ; 植被指数

Abstract

As one of the important components of desert ecosystem， the aboveground biomass （AGB） of Haloxylon ammodendron reflects the health of community and ecosystem to a certain extent， which is of great significance to the carbon cycle of desert ecosystem. In this paper， H. ammodendron in Ulan Buh Desert was taken as the research object. Based on the plant height （H）， crown width （C）， visible light vegetation index （VI） extracted by UAV laser radar and the three characteristic indexes of the combination of the two， multiple stepwise regression （MSR）， principal component regression （PCR） and partial least squares regression （PLSR） were used to estimate the above-ground biomass of H. ammodendron. The determination coefficient R² and root mean square error RMSE were used for evaluation. The results showed that：（1） The accuracy of plant height （R²=0.85， RMSE=0.32 m） and crown width （R²=0.80， RMSE=0.73 m） extracted from UAV LiDAR point cloud data was high. （2） MSR， PCR and PLSR models had good fitting effects， and R² was greater than 0.8， while the root mean square error of PLSR model was the smallest （2.86 kg·plant^-1）， which could be used as the optimal model for AGB estimation of H. ammodendron. The results show that the use of UAV LiDAR data can effectively extract the single tree parameter factors （H， C） of H. ammodendron， and carry out the estimation of aboveground biomass of low vegetation in desert.

Keywords： aboveground biomass ; Haloxylon ammodendron ; UAV laser radar ; plant height ; crown width ; vegetation index

PDF (4776KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

鲍莉莉, 李锦荣, 韩兆恩, 刘悦, 单浩东. 基于无人机多源数据的梭梭（ Holoxylon ammodendron ）地上生物量估算. 中国沙漠[J], 2024, 44(5): 50-59 doi:10.7522/j.issn.1000-694X.2024.00032

Bao Lili, Li Jinrong, Han Zhaoen, Liu Yue, Shan Haodong. Estimation of aboveground biomass of Haloxylon ammodendron based on UAV multi-source data. Journal of Desert Research[J], 2024, 44(5): 50-59 doi:10.7522/j.issn.1000-694X.2024.00032

0 引言

梭梭（Holoxylon ammodendron）是生长在荒漠和半荒漠地区的超旱生小乔木，具有很强的抗逆性和耐旱性，是荒漠地区生物量和生产量的重要贡献者^［1］。梭梭作为乌兰布和沙漠防风固沙的重要植物，是荒漠生态系统的重要组成部分，其强大的固沙能力对维持荒漠生态系统的稳定发挥着重要作用^［2-3］。另外，梭梭林也是沙漠地区碳汇研究的重点，在荒漠群落中具有较高的碳汇能力，是全球生态系统碳库中不可或缺的一部分^［4-5］。生物量作为陆地生态系统与大气之间碳交换的重要环节，是碳汇研究的着力点^［6-7］。梭梭的地上生物量（aboveground biomass，AGB）在一定程度上反映了其群落及荒漠生态系统的健康程度，也是荒漠生态系统碳储量估算的关键^［8］，快速有效地掌握梭梭的生长分布状况并估算其地上生物量对保护梭梭物种、改善生态环境及碳汇研究具有重要意义^［9］。

传统的梭梭生物量测定主要采用样地清查的方式，调查范围小、费时费力且时效性差，在脆弱的荒漠生态系统不易大范围地开展^［10］。近年来，随着遥感技术的迅速发展，很大程度上弥补了传统样地调查的不足^［11］。遥感数据凭借其低成本、高分辨率、易操作等优势，广泛应用于植物种的分类与识别^［12-13］、植物资源清查^［14-15］、病虫害监测^［16-17］以及生物量估算^［18-19］等领域。传统的光学遥感对生物量的测定主要通过构建植被的光谱信息以及某些衍生的特征参数与植被生物量之间的函数关系而实现^［20］，往往只能获取植被的二维光谱信息，穿透性差，具有一定的局限性^［21-22］。激光雷达作为一种由传感器发出激光脉冲并接收地物的反射回波从而测定传感器与目标物之间距离的主动式遥感技术^［23］，不仅能够和光学遥感一样获取植被的水平结构信息，还能获得高精度的垂直结构信息，从而大大提升了植被生物量的估测精度^［24］。

本文以乌兰布和沙漠为研究区，利用无人机激光雷达点云数据和可见光影像，结合野外实测数据，开展基于无人机主被动式遥感相结合的梭梭AGB估算研究。本文研究的技术方法和结果可为荒漠生态系统的保护和修复以及梭梭林碳储量的估算提供思路和方法。

1 数据与方法

1.1　研究区概况

研究区位于乌兰布和沙漠东北部，地处内蒙古自治区巴彦淖尔市磴口县境内（图1）。属典型的温带大陆性气候，干旱少雨，昼夜温差大^［25］，年降水量140 mm，多在6—9月，年蒸发量2 400 mm，年均气温7.8 ℃^［26］。植物以沙生、旱生类灌木和半灌木为主，具有代表性的植物有白刺（Nitraria tangutorum）、黑沙蒿（Artemisia desertorum ）、梭梭、柠条（Caragana korshinskii）、柽柳（Tamarix ramosissima）等。土壤主要为风沙土和漠土。在研究区内分别选取西北部靠近沙漠一侧（图1中A点）、东北部靠近绿洲一侧（图1中B点）以及东南部沿黄段一侧（图1中C点）的区域开展调研。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区位置及样地分布

Fig.1 The location and sample plot distribution of the study area

1.2　数据来源

1.2.1　地面调查数据

于2023年8月下旬和9月上旬在研究区内开展样本数据的调查与采集。在研究区布设3个300 m×300 m的大样方，将其分成25个60 m×60 m的小样方，在其4个对角和中心位置的9个小样方中进行测量，共计测量244株。在调查的9个小样方中按不同基径级分别选取一株生物量样本，共计选取120株生物量样本（图2）。地面调查数据（表1）包括株高（H）、冠幅（C）和地上生物量鲜重，对调查的每株样本进行RTK定点，并将生物量样本的地上部分带回实验室，烘干至恒重后称重，计算梭梭单株总地上生物量。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 研究区C样地测量及取样点分布

Fig.2 Plot measurement and sampling point distribution in C subarea of the study area

表1 样地实测数据统计

Table 1 Statistics of measured data of sample plots

样地号	株数	株高/m			冠幅/m
样地号	株数	均值	最大值	最小值	均值	最大值	最小值
A	78	2.76	4.86	0.94	4.25	9.71	1.36
B	83	2.51	4.22	0.91	2.60	5.69	0.94
C	83	2.49	4.82	0.55	2.78	7.23	0.55
总计/ 平均	244	2.58	4.86	0.55	3.19	9.71	0.55

新窗口打开| 下载CSV

1.2.2　无人机数据获取

开展地面数据调查与采集之前，先获取无人机航拍影像。无人机数据的获取使用的是DJI L1，它集成LIVOX激光雷达模块、测绘相机、高精度惯导于一身，可实现高精度、高效率的数据获取。DJI L1可同时采集激光雷达和可见光数据；激光雷达采用三回波模式，重复扫描，采样频率为160 kHz，测距精度为2 cm，平面精度为10 cm，高程精度为5 cm，可见光传感器像素为2 000万。无人机飞行高度50 m，旁向重叠率为75%，航向重叠率为70%，飞行速度为10 m·s^-1。

1.3　研究方法

1.3.1　激光雷达数据预处理

获取的无人机影像利用大疆智图软件进行拼接。使用LiDAR360 V6.0裁剪、去噪激光雷达数据。然后，采用改进的渐进加密三角网滤波算法分离地面点^［27］，这种方法可以很好地克服传统方法中种子点分布不均匀和初始种子点过少的问题，使得初始地形更加精准。虽然激光点云能获得高精度的三维信息，但缺少光谱波段，在区分植被点与非植被点时易产生错误。为了解决这个问题，将可见光波段植被指数（VBD）作为附加属性写入激光点云对应的可见光影像，以目视解译的方法选取附加属性的最优值，从而提取出较为完整的植被点。采用不规则三角网插值法^［28］生成分辨率为0.1 m的数字高程模型（Digital Elevation Model，DEM）和数字表面模型（Digital Surface Model，DSM），二者相减（DSM-DEM）获得冠层高度模型（Canopy Height Model，CHM）。

最后，利用分水岭分割算法^［29］来提取单木的三维信息。将提取的植被点与地面点进行归一化处理，消除地形起伏对高程值的影响，再进行基于种子点的单木分割。实际调查发现，由于梭梭的分枝较多，且高低起伏差异明显，在单木识别时会出现过分割的现象，从而影响提取精度，因此需要对点云进行高斯平滑，通过多次实验确定当sigma为1时分割效果较理想，对于个别存在错误分割的单木需进行手动合并编辑，最后重新统计单木属性，进而获得精度较高的株高（H）与冠幅（C）等单木信息（图3）。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 点云数据处理流程图

Fig.3 Flow chart of point cloud data processing

1.3.2　可见光数据预处理及植被指数

对可见光数据的几何校正、影像裁剪等预处理过程在ENVI5.3软件中进行，得到研究区0.1 m分辨率的可见光影像，与CHM的分辨率一致，因此不需要重采样。

植被指数由于自身对光谱综合利用的特性，在很多方面都有所应用。不同的植被指数能准确地描述出不同自然状况下的植被状况^［30］。其中EXG指数植被与非植被区域的对比度较为明显，植被信息识别效果较好^［31］；VDVI指数具有基于绿波段的强反射以及红蓝波段的吸收特性，植被提取精度较高，且忽略了土壤背景变化对光谱的影响^［32］；基于红绿波段的NGRDI指数，由于绿色波段的高反射和红色波段低反射的特性，可以明显区别出植被与非植被^［33］。因此本文选取EXG、VDVI和NGRDI指数作为生物量估算模型的光谱指标参数，公式见表2。

表2 可见光植被指数

Table 2 Vegetation indices based on visible spectrum

指数名称	计算公式	理论区间
过绿指数EXG^[31]	2G-R-B	［1，2］
可见光波段差异植被指数VDVI^[32]	(2G-R-B)/(2G+R+B)	［-1，1］
归一化绿红差异指数NGRDI^[33]	(G-R)/(G+R)	［-1，1］

注：R、G、B分别代表无人机影像的红、绿、蓝波段。

新窗口打开| 下载CSV

1.3.3　特征选择与生物量估算模型构建

植被指数虽然可以反映植被的光谱信息，但在生物量的研究中因缺少植被垂直结构方面的信息而受限，因此本研究考虑将3个植被光谱信息（EXG、VDVI、NGRDI）与3个结构参数（H、C、CH（株高×冠幅））组合形成15个新的特征指标，根据已有的研究成果和关于乔木生物量预测的经验^［34］，分别采用多元逐步回归、主成分回归和偏最小二乘回归，构建与梭梭地上生物量实测值之间的回归模型。

多元逐步回归（Multiple Stepwise Regression，MSR）根据自变量对因变量作用的显著程度，从大到小依次逐个引入回归方程，当引入的自变量由于后面变量的引入而变得不显著时，将其剔除^［35］。本文在SPSS 27软件的支持下，对参与生物量估算的15个特征指标进行筛选，得到生物量逐步回归估算模型。

主成分回归（Principle Component Regression，PCR）是将存在相关关系的一组指标用一组新的互相无关的几个综合指标来代替，这样既可保留信息的完整性，又可避免变量之间的多重相关^［36］。本文利用SPSS 27软件提取15个特征指标的主成分并构建与生物量之间的回归模型。

偏最小二乘回归（Partial Least Squares Regression，PLSR）有机地结合了主成分分析、典型相关分析、多元回归等多种统计方法，在解决自变量共线性问题的同时最大程度提取特征信息^［37］。利用实测生物量数据及15个特征指标构建偏最小二乘回归模型。

1.3.4　模型评价

将实测样本（共120个）分为两部分，随机选择其中的70%的样本（84）用于建模，30%（36）用于验证。选用决定系数（Coefficient of Determination，R²）和均方根误差（Root Mean Square Error，RMSE）作为评价指标，计算公式为：

R^{2} = 1 - \frac{\sum_{i = 1}^{n} {(y_{i} - {\hat{y}}_{i})}^{2}}{\sum_{i = 1}^{n} {(y_{i} - {\bar{y}}_{i})}^{2}}

（1）

R M S E = \sqrt[]{\frac{\sum_{i = 1}^{n} {(y_{i} - {\hat{y}}_{i})}^{2}}{n}}

（2）

式中：n为样本数；ŷ_i 表示模型预测值；y_i 表示样本的实测值； ${\bar{y}}_{i}$ 表示样本平均值。

2 结果与分析

2.1　点云数据结构参数特征提取

梭梭单株的实测株高在0.55~4.86 m，均值为2.58 m，LiDAR提取的株高在0.40~4.40 m，均值为2.35 m，总体比实测值小。大多数点分布在1∶1虚线的上侧位置（图4）。梭梭单株的冠幅实测值在0.55~9.71 m，均值为3.19 m，LiDAR提取值在0.60~10.05 m，均值为3.31 m，LiDAR提取的冠幅比实测值略高；冠幅的R²为0.80，RMSE为0.73 m，提取值与实测值大都集中分布在1∶1线附近（图5）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 提取株高与实测株高的回归关系

Fig.4 Regression relationship between extracted plant height and measured plant height

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 提取冠幅与实测冠幅的回归关系

Fig.5 Regression relationship between extracted crown width and measured crown width

2.2　生物量模型构建

2.2.1　多元逐步回归模型（MSR）

将结构参数、植被指数以及两者组合的三类特征中的15个变量进行多元逐步回归分析，通过检验的变量为VDVI×CH、C。由表3可知，各模型决定系数R²均大于0.8，并且呈显著性关系（P<0.01），模型2为最优生物量估算模型。

表3 多元逐步回归模型

Table 3 Multiple stepwise regression model

模型	R²	P
y=15.31x₁x₂x₃+3.72	0.81	<0.001
y=10.93x₁x₂x₃+1.43x₂+0.29	0.84	<0.001

注：y为梭梭地上生物量，x₁为H，x₂为C，x₃为VDVI。

新窗口打开| 下载CSV

2.2.2　主成分回归模型（PCR）

对3类特征中的15个变量进行主成分分析，KMO值0.63，>0.6，通过Bartlett球形度检验（P<0.05），满足主成分分析的前提要求。

从表4可知，主成分分析共提取出3个主成分，3个主成分的方差贡献率分别为78.20%、8.86%、5.61%，累计贡献率达到了92.67%。根据载荷分析可知，第一主成分PC₁反映VDVI、NGRDI、VDVI×H、NGRDI×H、VDVI×C、NGRDI×C、VDVI×CH、NGRDI×CH的主要信息；第二主成分PC₂主要反映H、C、CH因子的信息；第三主成分PC₃主要反映EXG、EXG×H、EXG×C、EXG×CH的信息。

表4 主成分因子载荷、特征值及贡献率

Table 4 Principal component factor load，eigenvalue and contribution rate

名称	第一主成分	第二主成分	第三主成分
H	0.20	0.82	0.25
C	0.40	0.79	0.26
CH	0.43	0.88	0.19
VDVI	0.67	0.16	0.66
NGRDI	0.80	0.20	0.50
EXG	0.28	0.10	0.95
VDVI×H	0.63	0.49	0.52
NGRDI×H	0.79	0.41	0.39
EXG×H	0.29	0.42	0.84
VDVI×C	0.70	0.51	0.43
NGRDI×C	0.83	0.43	0.31
EXG×C	0.36	0.46	0.75
VDVI×CH	0.69	0.63	0.30
NGRDI×CH	0.81	0.53	0.19
EXG×CH	0.40	0.61	0.64
特征值	11.73	1.33	0.84
贡献率%	78.20	8.86	5.61
累计贡献率%	78.20	87.06	92.67

新窗口打开| 下载CSV

将3个主成分值作为自变量，实测生物量作为因变量，建立梭梭地上生物量估算模型。由表5可知，主成分回归模型的R²为0.83，且呈显著性关系（P<0.001）。

表5 主成分回归模型

Table 5 Principal component regression model

模型	R²	P
y=4.37PC₁+4.85PC₂+1.85PC₃+9.45	0.83	<0.001

注：y为梭梭地上生物量，PC₁、PC₂、PC₃分别代表第1、2、3个主成分值。

新窗口打开| 下载CSV

2.2.3　偏最小二乘回归模型（PLSR）

将结构参数、植被指数以及两者组合的三类特征中的15个变量与实测生物量进行偏最小二乘回归，当提取的有效成分个数为3时，可以解释自变量90.6%的信息，偏最小二乘回归的模型表达式如下，模型的R²为0.84，P<0.001。

\begin{array}{l} y = 0.28 x_{1} + 0.84 x_{2} + 0.18 x_{1} x_{2} + 15.66 x_{3} - 8.42 x_{4} - \\ 15.67 x_{5} + 3.17 x_{1} x_{3} - 0.61 x_{1} x_{4} - 5.22 x_{1} x_{5} + \\ 10.58 x_{2} x_{3} + 6.94 x_{2} x_{4} + 1.93 x_{2} x_{5} + 2.77 x_{1} x_{2} x_{3} + \\ 1.98 x_{1} x_{2} x_{4} + 0.67 x_{1} x_{2} x_{5} + 0.47 \end{array}

（3）

式中：x₁为H；x₂为C；x₃为VDVI；x₄为NGRDI；x₅为EXG。

2.3　模型精度评价

由图6可知，3种模型大部分估测值与实测值相关性较好，MSR、PCR和PLSR模型的决定系数R²分别为0.85、0.85、0.88，MSR和PCR模型的均方根误差RMSE相差不大，分别为3.09 kg·株^-1和3.11 kg·株^-1，而PLSR模型的均方根误差最小，为2.86 kg·株^-1。MSR和PCR模型的残差图散点较为离散，PLSR模型残差图的离散程度较其他两个模型小。综上所述，偏最小二乘回归模型（PLSR）的拟合效果最好。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 模型验证结果

Fig.6 Model verification results

2.4 研究区梭梭地上生物量估算

基于无人机激光雷达提取的株高、冠幅和可见光植被指数，采用偏最小二乘回归模型对研究区内3个样地的梭梭地上生物量进行估算。

梭梭单位面积生物量B最大，其次是C，A样地最小（表6）。这可能是因为B样地位于绿洲灌溉区，水资源较为充沛，地上生物量相对较高；而位于沙漠区的A样地和沿黄河段的C样地，水资源较为匮乏，因此地上生物量相对较低。

表6 研究区梭梭地上生物量统计

Table 6 Statistical table of Haloxylon ammodendron aboveground biomass in the study area

样地号	植被总面积/m²	梭梭覆盖面积/m²	梭梭总地上生物量/kg	梭梭单位面积地上生物量 /（kg·m^-2）
A	7 576.81	216.05	1 480.59	0.20
B	17 873.17	1 282.47	8 840.47	0.49
C	29 700.88	1 815.70	8 103.66	0.27

新窗口打开| 下载CSV

3 讨论

3.1　LiDAR提取单木结构参数精度分析

作为主动遥感数据源，无人机激光雷达为植被地上生物量估算提供了新的方法。它相较于传统的生物量测定法不仅能够降低对植被的破坏，而且还能观测生物量的动态变化，同时弥补了光学遥感在垂直层面的信息缺失，为样方尺度植被单木参数提供高精度的测量，为区域尺度地上生物量估测提供可靠基础^［38］。而利用LiDAR估测植被参数和生物量多集中于森林生态系统中的高大乔木，对于荒漠生态系统中的低矮乔木及灌木关注较少。我们通过荒漠低矮小乔木梭梭的研究发现，整体上激光雷达提取的高度，与实测值相比偏低，这与其他人员对高大乔木的研究结果一致^［39］；进一步发现，高度较低的梭梭提取值与实测值相比，偏离程度更大。对此，我们分析了其他研究成果发现，在高大乔木的提取中也存在这一现象，即同一提取过程中，相对低矮的单株植物，提取结果偏低程度更大^［40］。其次，无人机飞行高度也是限制提取值偏低的因素，较高的飞行高度会降低点云密度，进而影响低矮小乔木的提取精度^［41］。而LiDRA提取低矮小乔木的冠幅与实测值之间具有很好的一致性，提取精度较高。综上所述，无人机激光LiDAR可以有效地提取荒漠植被的单木结构参数。

3.2　梭梭生物量估算模型分析

本文引用结构参数、植被指数及二者组合的3类特征指标分别构建了多元逐步回归、偏最小二乘回归和主成分回归的生物量模型，各模型的效果较好，决定系数R²均大于0.80，生物量实测值与预测值均呈显著相关（P<0.01）。

通过对3种估算模型的验证结果发现，模型的估测值均存在不同程度的低估和高估现象，大的生物量值往往被低估，而小的生物量值通常被高估。这是因为模型预测的是训练数据集的平均值，从而导致低估高生物量区域和高估低生物量区域^［42］。Gao等^［43］在利用生物量估算模型对高生物量样地进行生物量估算时，多种模型也均出现低估的情况，导致无法正确估算生物量。3种模型的拟合效果相差不大，但偏最小二乘回归的均方根误差RMSE要小于其他两个模型，可能是因为偏最小二乘回归在解释变量较多、样本数量较少且各变量间存在严重的多重共线性时要优于多元逐步回归法和主成分分析法^［44］。因此，利用偏最小二乘回归建立的生物量模型基本满足精度要求，适合估算梭梭地上生物量。

荒漠植被是生态系统的重要组成部分，其生物量直接影响着荒漠植物群落的生产力，对碳循环有着极其重要的作用^［45］。随着遥感技术的全面发展，基于遥感信息的生物量估算方法相比于传统方法有一定的优越性，而基于遥感数据估算生物量的研究多集中于乔木林，低矮的灌木林研究较少，因此，如何高效、快速且精准地估算荒漠低矮植被的地上生物量非常关键。本研究中选用的多元逐步回归、主成分回归和偏最小二乘回归的生物量模型估算效果较好，但估算精度仍有很大的提升空间。植被地上生物量与降水、气温、地形等条件也密切相关^［46］，在今后的研究中，还需辅助地表环境因素，并引入更为复杂的机器学习模型等进一步提高生物量模型的精度^［47］。

4 结论

无人机LiDAR点云数据提取的梭梭株高（R²=0.85，RMSE=0.32 m）和冠幅（R²=0.80，RMSE=0.73 m）精度较高，表明激光雷达可以有效地提取荒漠低矮植被的结构参数。

基于LiDAR点云数据提取的结构参数、光谱数据构建的植被指数以及二者结合的三类特征指标，分别采用多元逐步回归、主成分回归和偏最小二乘回归建立了梭梭地上生物量估算模型。偏最小二乘回归模型的拟合效果更好，模型的预测精度最高（R²=0.84，RMSE=2.86 kg·株^-1），为最优模型。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

刘媖心

.中国沙漠植物志［M］.北京：科学出版社，1985.

[本文引用: 2]

[2]

张奕，肖辉杰，辛智鸣，等.

乌兰布和沙区典型灌木防风阻沙效益

［J］.中国水土保持科学（中英文），2021，19（1）：87-96.

[本文引用: 2]

[3]

李映坤，李锦荣，董雷，等.

乌兰布和沙漠周边典型植物群落防风阻沙效果

［J］.中国沙漠，2022，42（6）：65-73.