原文 发表于《科技导报》2026年第6期《多源无人机遥感协同的干旱半干旱区灌木地上生物量反演》
精准量化灌木地上生物量（AGB），不仅是评估区域生态修复工程成效的核心指标，也是实现荒漠生态系统数字化表征与空间认知的重要基础。《科技导报》邀请鄂尔多斯市国际荒漠化防治技术创新中心孙维娜高级工程师团队撰写文章，提出一种融合无人机多光谱与激光雷达特征的干旱半干旱区灌木地上生物量协同反演方法，结合激光雷达三维结构感知优势和多光谱纹理，构建对象分割、特征筛选与协同反演的技术流程，实现了对沙蒿、沙柳等典型灌木对象的识别与生物量精准核算。
灌木林作为干旱半干旱地区的主要植被类型，凭借其独特的形态结构与致密的根系网络，在防风固沙、水土保持及生物多样性保护等方面发挥着不可替代的作用，具有重要的生态价值。当前干旱区灌木生态资产的精细化监测仍面临严峻挑战。在植被覆盖度较低的干旱半干旱区，受土壤背景强反射与混合像元效应干扰，单一数据源难以捕捉灌木个体的细微结构差异。因此，亟需发展一种面向对象尺度、能够有效剔除背景噪声的高精度AGB近地面遥感估算方法。
无人机（UAV）低空遥感技术为解决上述问题提供了新路径。无人机多光谱（UAV−MS）可提供高分辨率的光谱与纹理信息，但在处理“异物同谱”现象时识别能力不足。无人机激光雷达（UAV−LiDAR）则能穿透冠层，直接获取植被的三维垂直结构参数，但缺乏光谱语义信息，难以实现物种的精准分类。因此，构建融合结构特征、光谱特征与纹理特征的多源协同框架，充分发挥不同模态数据的互补优势，是实现复杂环境下灌木生态资产精准反演的有效途径。
我们的研究提出一种融合无人机多光谱与激光雷达特征的灌木地上生物量协同反演方法，并以鄂尔多斯地区7种典型灌木为研究对象，基于高分辨率无人机多源遥感数据，构建融合对象分割、特征筛选与协同反演的技术流程，实现了对干旱半干旱区复杂环境下灌木对象的精准识别与地上生物量的高效估算。
1
干旱区灌木监测要素
1.1 典型灌木分类体系
依据野外实地调查与物种形态结构差异，我们的研究参考林草生态监测标准，构建了涵盖7种典型优势灌木的监测对象分类体系。
1）高大灌木类。以沙柳和沙棘为代表，具有株型高大、冠层规整和显著的垂直结构特征。
2）半灌木/球状灌木类。以沙蒿、杨柴、小叶锦鸡儿及梭梭为代表，多呈球状或半球状分布，冠层纹理细腻。
3）匍匐型灌木类。以沙地柏为代表，其形态特殊，冠层低矮致密且贴地生长，呈不规则斑块状格局。
1.2 多源遥感协同监测指标体系
针对干旱区灌木群落“异物同谱”及结构复杂的特点，我们融合UAV−MS与UAV−LiDAR的感知优势，构建了融合结构特征、光谱特征与纹理特征的灌木生态资产监测指标体系（表1）。
表1 研究区灌木遥感监测指标体系
在多光谱感知层面，充分利用传感器获取的蓝、绿、红、红边及近红外5个特征波段作为物理基础。其中，构建植被指数，以克服传统宽波段指数在干旱区稀疏植被监测中的背景噪声干扰与信号饱和问题；同时，基于多波段主成分变换提取冠层纹理细节，以弥补单纯光谱信息在物种识别中的局限性。结合激光雷达的三维结构探测能力，形成从体积、冠层结构特征、绿度和纹理等方面表征灌木个体特征的指标体系。
2
多源协同反演算法
2.1 “图谱−结构”多维特征空间构建
2.2.1光谱与植被指数
植被指数通过波段间的代数运算，能够增强植被信号并抑制土壤背景噪声，是表征植被生产力与生物量积累的重要指标。我们选取了对叶绿素含量及冠层结构敏感的5种典型植被指数参与分析，包括归一化差异植被指数（NDVI）、归一化差异红边植被指数（NDRE）、绿色归一化差异植被指数（GNDVI）、优化土壤调节植被指数（OSAVI）、叶面叶绿素指数（LCI），各指数的表达式为
式中，BNIR 表示近红外波段的反射率，BRed 表示红光波段的反射率，BRedEdge 表示红边波段的反射率，BGreen 表示绿光波段的反射率。
2.1.2基于GLCM的纹理特征提取
为表征高分辨率影像的空间异质性，在对多光谱波段与植被指数进行主成分分析后，选取第一主成分（方差贡献率>0.89）计算GLCM纹理特征。最终选取10个常用统计量作为纹理特征变量（表2）。
表2 基于灰度共生矩阵的纹理特征
2.1.3 几何/三维结构特征
对归一化后的点云数据进行对象尺度的特征统计，提取能够反映灌木垂直结构与体积特征的关键变量（表3）。
表3 灌木垂直结构与体积特征变量表
2.2 特征优选与协同建模策略
2.2.1基于RF−RFECV的特征优选
为解决多源数据引入的高维特征冗余及多重共线性问题，我们采用基于随机森林的递归特征消除与交叉验证（RF−RFECV）方法，利用随机森林处理非线性关系的优势，在保证模型精度的同时，显著降低模型复杂度。
2.2.2 模型构建与参数设定
选取3种代表性的机器学习回归算法进行AGB反演建模。
1）随机森林（RF）。一种基于Bagging策略的集成算法，具有较强的抗噪性和泛化能力。
2）支持向量回归（SVR）。适合小样本的高维回归问题。
3）极端梯度提升（XGBoost）。在模型结构中引入正则化项，优化损失函数与特征拆分策略、并行处理等措施提高训练效率。
所有模型均基于Python Scikit−learn与XGBoost库实现。样本集按照7∶3的比例随机划分为训练集与独立测试集。
2.3 精度评价与验证
采用决定系数（R2）和均方根误差（RMSE）2个指标对模型性能进行综合评价。计算公式如下：
3
实验结果与分析
3.1 实验区
鄂尔多斯（37°35′N~40°51′N，106°42′E~111°27′E）位于内蒙古自治区西南部，地处中国北方农牧交错带与干旱半干旱气候过渡区，是黄河流域生态保护和高质量发展的关键区域，也是构筑北方生态安全屏障的重要组成区域。遵循地貌类型与植被群落相结合的采样原则，在乌审旗、鄂托克旗等5个旗县内选取9个典型样区（图1）。样区涵盖了流动沙地、半固定沙丘、丘陵及硬梁地等主要生境类型，确保了样本在物种组成、覆盖度及立地条件等方面的多样性与代表性。
图1 研究区概况
3.2 多源遥感数据获取与数字化预处理
数据采集工作于2023年7月植被生长旺季开展，采用无人机低空遥感与地面样地调查结合的同步观测方式，以最大限度减少时相差异带来的不确定性。
1）无人机多光谱影像。采用大疆Phantom 4 Multispectral平台。传感器集成1个可见光波段与5个窄波段（蓝、绿、红、红边、近红外）相机。利用DJI Terra软件进行辐射校正与正射镶嵌处理，生成数字正射影像图（DOM），并据此计算植被指数，以增强对灌木叶绿素含量及生长状况的表征能力。
2）无人机激光雷达数据。规采用D2000s多旋翼飞行平台搭载D−LiDAR 2200激光雷达模块进行采集，主要技术指标见表4。原始点云数据经轨迹解算、航带平差与去噪处理后，利用渐进加密三角网（TIN）算法分离地面点与非地面点。基于分类后的点云构建数字高程模型（DEM）与数字表面模型（DSM），通过差值运算（CHM = DSM−DEM）生成冠层高度模型（CHM）。
表4 激光雷达模块参数
3）地面样地调查数据。在无人机作业覆盖范围内，同步开展地面样地调查。在每个样区内按“中心+四角”模式布设5个10 m×10 m 的标准样方，利用实时动态差分定位技术（RTK）记录样方中心及角点的高精度坐标（水平误差<±1 cm），并详细记录海拔、坡度、覆盖度及主要伴生草本信息。
为获取灌木生物量真值，采用全收获法进行野外实测，共采集7种典型优势灌木样本486株，对每株样本进行人工收割，随后抽取部分样品带回实验室，最后，基于ArcGIS平台将实测样木的形态参数（株高、冠幅等）、生物量数据与高精度地理坐标进行空间匹配，构建地面样木空间属性数据库。
3.3 典型灌木数字化提取结果
3.3.1灌木对象自动化识别与提取结果
基于构建的对象级多维特征集，利用随机森林算法对研究区486个灌木对象进行分类识别，结果如图2所示。混淆矩阵统计结果（表5）表明该方法在复杂荒漠背景下取得了较好的识别效果，为后续分物种地上生物量反演模型的构建提供了可靠的数据基础。
图2 典型灌木分类结果
表5 典型灌木分类混淆矩阵
从物种层面看，小叶锦鸡儿的识别精度最高，这主要归因于其独特的冠层纹理结构与光谱特征，易于与其他物种区分。相比之下，杨柴的分类精度相对较低，主要表现为与沙蒿、小叶锦鸡儿的混淆。究其原因，一方面在于杨柴与沙蒿在生长季具有相似的光谱反射特性；另一方面，在植被覆盖度较低的区域，裸土背景的强反射干扰了冠层边缘的像元信号，导致分类器对形态相近的灌木产生误判。
3.3.2多维特征优选与重要性分析
综合光谱、植被指数、纹理及点云结构特征，共提取58个候选变量，采用RF−RFECV特征优选策略，筛选出各物种对应的最优特征子集（图3、图4）。结果表明，不同灌木物种对特征维度的依赖程度存在显著差异：沙柳的模型复杂度最高（需37个特征），而小叶锦鸡儿的模型最为精简（仅需25个特征）。
图3 特征重要性排序
图4 回归模型特征维数与验证精度关系
3.3.3AGB反演精度验证与泛化性评估
基于优选特征子集，对比分析 XGBoost、RF与SVR这3种机器学习模型在7种典型灌木AGB反演中的性能（表6）。总体而言，XGBoost模型在所有物种中均表现出最优的拟合精度与泛化稳定性。这一优势主要归因于XGBoost引入的正则化项有效抑制了过拟合现象，且对非线性特征关系具有更强的捕捉能力。RF模型次之，而SVR在处理高维特征时的泛化能力相对较弱，反演精度最低。
不同灌木物种的AGB反演精度呈现显著分异，其中沙柳与沙棘的估算效果最佳。这2种灌木株型高大、冠层规整，点云数据能高质量地重构其三维形态特征。小叶锦鸡儿、沙蒿、杨柴与梭梭模型表现稳健，能够满足区域尺度生态监测的实际需求。沙地柏的估算难度最大。这主要是由于沙地柏属于匍匐型灌木，冠层低矮且呈致密贴地生长态势，导致激光雷达点云在地面点与植被点分离时易产生误差，进而影响株高及冠层体积等关键参数的提取精度。
基于性能最优的XGBoost模型，生成了灌木AGB空间分布图（图5）。结果表明，该方法能够精细刻画不同生境下灌木生物量的空间异质性特征，为鄂尔多斯地区生态系统碳储量的精准核算与动态监测提供了高精度的基础数据支撑。
图5 典型灌木地上生物量结果
4
4.1 多源特征对灌木生物量反演的协同表征机制
研究证实，在个体尺度灌木AGB反演中，激光雷达提供的三维结构特征贡献度显著高于光谱及纹理特征，这一发现与Xie等在干旱区的研究结论一致。相比之下，光谱指数NDRE、LCI虽然对叶绿素含量敏感，但在荒漠灌丛中，受“绿度”饱和效应及非光合作用组织（枯枝、树干）比例较高的影响，其对总生物量的解释力相对有限。
然而，本研究同时发现，在沙柳等叶面积指数较高的物种中，红边指数与纹理特征仍可作为关键补充变量，修正单纯依靠几何体积进行估算时产生的偏差，充分体现了“结构为主、图谱为辅”的多源协同反演优势。
4.2 误差传递与不确定性来源解析
尽管XGBoost模型整体反演精度较高，但不同物种间的估算效果仍存在显著分异，其误差主要源于以下2个环节的级联效应。
1）分类误差的传播。杨柴与沙蒿在生长季存在显著的“异物同谱”现象，且两者株型尺度相近，导致分类混淆。这种误分类将导致错误的异速生长关系被引入AGB估算，是制约杨柴反演精度的主要因素。
2）点云结构提取的局限性。沙地柏在所有模型中反演精度均最低。这一结果主要归因于其特殊的“匍匐−贴地”生长形态：一方面，低矮致密的冠层使得激光雷达难以准确分离地面点与植被点；另一方面，沙地柏样本量相对较少（35株），泛化能力受到小样本效果的显著制约。
4.3 方法适用性与未来优化方向
我们提出的对象分割、特征筛选与协同反演方法，有效解决了传统卫星遥感在离散灌丛监测中面临的混合像元问题。该方法无需依赖大量地面破坏性采样，仅基于无人机低空遥感数据即可实现区域尺度灌木碳储量的高效估算，具有较高的工程化应用价值。
针对当前研究存在的局限，未来工作可聚焦于以下3个方面：一是增强时相维度信息，利用物种间物候差异特征解决杨柴与沙蒿的光谱混淆问题；二是优化小样本建模策略，探索迁移学习或小样本生成技术（GAN）以提升模型的鲁棒性；三是深化机理模型融合，以提升模型在复杂生境下的物理可解释性与外推能力。
5
结论
我们针对干旱半干旱区典型灌木生态资产监测需求，构建了融合无人机多光谱与激光雷达特征的对象分割、特征筛选与协同反演的技术方法，主要结论如下。
1）构建了高精度的灌木对象数字化识别体系。针对荒漠背景下“异物同谱”的分类难题，提出的多源协同分类方法在地形破碎、植被覆盖度低的荒漠生境中表现出良好的鲁棒性，实现了对沙蒿、沙柳等7种典型灌木对象的精准识别，能够有效抑制“异物同谱”现象及背景噪声干扰，为区域尺度灌木精细化管理与碳储量估算提供了可靠的数据支撑。
2）揭示了三维结构特征在灌木生物量反演中的主导机制。UAV−LiDAR提取的高度分位数与冠层参数是生物量估算的核心解释变量，而UAV−MS的光谱纹理特征在沙柳等叶面积指数较高的物种中起到了重要的补充作用，验证了融合三维结构特征、光谱特征与纹理特征的多源协同反演优势。
3）明确了XGBoost模型在小样本、高维特征条件下的反演优势。在3种机器学习模型对比中，XGBoost综合性能最优，显著优于RF与SVR模型。研究所构建的方法体系具有较强的泛化能力，能够满足干旱区主要灌木类型生态监测的实际需求。
本文作者：王亚欣、吴家敏、贺振平、李泽江、郭跃、孙维娜、马志杰、由海霞、吕文
作者简介：王亚欣，中国林业科学研究院资源信息研究所、林草遥感与监测评估国家林业和草原局重点实验室，副研究员，研究方向为草原和荒漠化遥感；孙维娜（通信作者），鄂尔多斯市国际荒漠化防治技术创新中心，高级工程师，研究方向为荒漠化防治。
文章来 源 ： 王亚欣, 吴家敏, 贺振平, 等. 多源无人机遥感协同的干旱半干旱区灌木地上生物量反演[J]. 科技导报, 2026, 44(6): 57−67.
本文有删改，
内容为【科技导报】公众号原创，欢迎转载
白名单回复后台「转载」
《科技导报》创刊于1980年，中国科协学术会刊，主要刊登科学前沿和技术热点领域突破性的研究成果、权威性的科学评论、引领性的高端综述，发表促进经济社会发展、完善科技管理、优化科研环境、培育科学文化、促进科技创新和科技成果转化的决策咨询建议。常设栏目有院士卷首语、科技新闻、科技评论、本刊专稿、特色专题、研究论文、政策建议、科技人文等。
热门跟贴