原文 發表於《科技導報》2026年第6期《多源無人機遙感協同的乾旱半乾旱區灌木地上生物量反演》
精準量化灌木地上生物量（AGB），不僅是評估區域生態修復工程成效的核心指標，也是實現荒漠生態系統數字化表徵與空間認知的重要基礎。《科技導報》邀請鄂爾多斯市國際荒漠化防治技術創新中心孫維娜高級工程師團隊撰寫文章，提出一種融合無人機多光譜與激光雷達特徵的乾旱半乾旱區灌木地上生物量協同反演方法，結合激光雷達三維結構感知優勢和多光譜紋理，構建對象分割、特徵篩選與協同反演的技術流程，實現了對沙蒿、沙柳等典型灌木對象的識別與生物量精準覈算。
灌木林作爲乾旱半乾旱地區的主要植被類型，憑藉其獨特的形態結構與緻密的根系網絡，在防風固沙、水土保持及生物多樣性保護等方面發揮着不可替代的作用，具有重要的生態價值。當前乾旱區灌木生態資產的精細化監測仍面臨嚴峻挑戰。在植被覆蓋度較低的乾旱半乾旱區，受土壤背景強反射與混合像元效應干擾，單一數據源難以捕捉灌木個體的細微結構差異。因此，亟需發展一種面向對象尺度、能夠有效剔除背景噪聲的高精度AGB近地面遙感估算方法。
無人機（UAV）低空遙感技術爲解決上述問題提供了新路徑。無人機多光譜（UAV−MS）可提供高分辨率的光譜與紋理信息，但在處理“異物同譜”現象時識別能力不足。無人機激光雷達（UAV−LiDAR）則能穿透冠層，直接獲取植被的三維垂直結構參數，但缺乏光譜語義信息，難以實現物種的精準分類。因此，構建融合結構特徵、光譜特徵與紋理特徵的多源協同框架，充分發揮不同模態數據的互補優勢，是實現複雜環境下灌木生態資產精準反演的有效途徑。
我們的研究提出一種融合無人機多光譜與激光雷達特徵的灌木地上生物量協同反演方法，並以鄂爾多斯地區7種典型灌木爲研究對象，基於高分辨率無人機多源遙感數據，構建融合對象分割、特徵篩選與協同反演的技術流程，實現了對乾旱半乾旱區複雜環境下灌木對象的精準識別與地上生物量的高效估算。
1 乾旱區灌木監測要素
1.1 典型灌木分類體系
依據野外實地調查與物種形態結構差異，我們的研究參考林草生態監測標準，構建了涵蓋7種典型優勢灌木的監測對象分類體系。
1）高大灌木類。以沙柳和沙棘爲代表，具有株型高大、冠層規整和顯著的垂直結構特徵。
2）半灌木/球狀灌木類。以沙蒿、楊柴、小葉錦雞兒及梭梭爲代表，多呈球狀或半球狀分佈，冠層紋理細膩。
3）匍匐型灌木類。以沙地柏爲代表，其形態特殊，冠層低矮緻密且貼地生長，呈不規則斑塊狀格局。
1.2 多源遙感協同監測指標體系
針對乾旱區灌木羣落“異物同譜”及結構複雜的特點，我們融合UAV−MS與UAV−LiDAR的感知優勢，構建了融合結構特徵、光譜特徵與紋理特徵的灌木生態資產監測指標體系（表1）。
表1 研究區灌木遙感監測指標體系
在多光譜感知層面，充分利用傳感器獲取的藍、綠、紅、紅邊及近紅外5個特徵波段作爲物理基礎。其中，構建植被指數，以克服傳統寬波段指數在乾旱區稀疏植被監測中的背景噪聲干擾與信號飽和問題；同時，基於多波段主成分變換提取冠層紋理細節，以彌補單純光譜信息在物種識別中的侷限性。結合激光雷達的三維結構探測能力，形成從體積、冠層結構特徵、綠度和紋理等方面表徵灌木個體特徵的指標體系。
2 多源協同反演算法
2.1 “圖譜−結構”多維特徵空間構建
2.2.1 光譜與植被指數
植被指數通過波段間的代數運算，能夠增強植被信號並抑制土壤背景噪聲，是表徵植被生產力與生物量積累的重要指標。我們選取了對葉綠素含量及冠層結構敏感的5種典型植被指數參與分析，包括歸一化差異植被指數（NDVI）、歸一化差異紅邊植被指數（NDRE）、綠色歸一化差異植被指數（GNDVI）、優化土壤調節植被指數（OSAVI）、葉面葉綠素指數（LCI），各指數的表達式爲
式中，BNIR表示近紅外波段的反射率，BRed表示紅光波段的反射率，BRedEdge表示紅邊波段的反射率，BGreen表示綠光波段的反射率。
2.1.2 基於GLCM的紋理特徵提取
爲表徵高分辨率影像的空間異質性，在對多光譜波段與植被指數進行主成分分析後，選取第一主成分（方差貢獻率>0.89）計算GLCM紋理特徵。最終選取10個常用統計量作爲紋理特徵變量（表2）。
表2 基於灰度共生矩陣的紋理特徵
2.1.3 幾何/三維結構特徵
對歸一化後的點雲數據進行對象尺度的特徵統計，提取能夠反映灌木垂直結構與體積特徵的關鍵變量（表3）。
表3 灌木垂直結構與體積特徵變量表
2.2 特徵優選與協同建模策略
2.2.1 基於RF−RFECV的特徵優選
爲解決多源數據引入的高維特徵冗餘及多重共線性問題，我們採用基於隨機森林的遞歸特徵消除與交叉驗證（RF−RFECV）方法，利用隨機森林處理非線性關係的優勢，在保證模型精度的同時，顯著降低模型複雜度。
2.2.2 模型構建與參數設定
選取3種代表性的機器學習迴歸算法進行AGB反演建模。
1）隨機森林（RF）。一種基於Bagging策略的集成算法，具有較強的抗噪性和泛化能力。
2）支持向量迴歸（SVR）。適合小樣本的高維迴歸問題。
3）極端梯度提升（XGBoost）。在模型結構中引入正則化項，優化損失函數與特徵拆分策略、並行處理等措施提高訓練效率。
所有模型均基於Python Scikit−learn與XGBoost庫實現。樣本集按照7∶3的比例隨機劃分爲訓練集與獨立測試集。
2.3 精度評價與驗證
採用決定係數（R2）和均方根誤差（RMSE）2個指標對模型性能進行綜合評價。計算公式如下：
3 實驗結果與分析
3.1 實驗區
鄂爾多斯（37°35′N~40°51′N，106°42′E~111°27′E）位於內蒙古自治區西南部，地處中國北方農牧交錯帶與乾旱半乾旱氣候過渡區，是黃河流域生態保護和高質量發展的關鍵區域，也是構築北方生態安全屏障的重要組成區域。遵循地貌類型與植被羣落相結合的採樣原則，在烏審旗、鄂托克旗等5個旗縣內選取9個典型樣區（圖1）。樣區涵蓋了流動沙地、半固定沙丘、丘陵及硬梁地等主要生境類型，確保了樣本在物種組成、覆蓋度及立地條件等方面的多樣性與代表性。
圖1 研究區概況
3.2 多源遙感數據獲取與數字化預處理
數據採集工作於2023年7月植被生長旺季開展，採用無人機低空遙感與地面樣地調查結合的同步觀測方式，以最大限度減少時相差異帶來的不確定性。
1）無人機多光譜影像。採用大疆Phantom 4 Multispectral平臺。傳感器集成1個可見光波段與5個窄波段（藍、綠、紅、紅邊、近紅外）相機。利用DJI Terra軟件進行輻射校正與正射鑲嵌處理，生成數字正射影像圖（DOM），並據此計算植被指數，以增強對灌木葉綠素含量及生長狀況的表徵能力。
2）無人機激光雷達數據。規採用D2000s多旋翼飛行平臺搭載D−LiDAR 2200激光雷達模塊進行採集，主要技術指標見表4。原始點雲數據經軌跡解算、航帶平差與去噪處理後，利用漸進加密三角網（TIN）算法分離地面點與非地面點。基於分類後的點雲構建數字高程模型（DEM）與數字表面模型（DSM），通過差值運算（CHM = DSM−DEM）生成冠層高度模型（CHM）。
表4 激光雷達模塊參數
3）地面樣地調查數據。在無人機作業覆蓋範圍內，同步開展地面樣地調查。在每個樣區內按“中心+四角”模式佈設5個10 m×10 m 的標準樣方，利用實時動態差分定位技術（RTK）記錄樣方中心及角點的高精度座標（水平誤差<±1 cm），並詳細記錄海拔、坡度、覆蓋度及主要伴生草本信息。
爲獲取灌木生物量真值，採用全收穫法進行野外實測，共採集7種典型優勢灌木樣本486株，對每株樣本進行人工收割，隨後抽取部分樣品帶回實驗室，最後，基於ArcGIS平臺將實測樣木的形態參數（株高、冠幅等）、生物量數據與高精度地理座標進行空間匹配，構建地面樣木空間屬性數據庫。
3.3 典型灌木數字化提取結果
3.3.1 灌木對象自動化識別與提取結果
基於構建的對象級多維特徵集，利用隨機森林算法對研究區486個灌木對象進行分類識別，結果如圖2所示。混淆矩陣統計結果（表5）表明該方法在複雜荒漠背景下取得了較好的識別效果，爲後續分物種地上生物量反演模型的構建提供了可靠的數據基礎。
圖2 典型灌木分類結果
表5 典型灌木分類混淆矩陣
從物種層面看，小葉錦雞兒的識別精度最高，這主要歸因於其獨特的冠層紋理結構與光譜特徵，易於與其他物種區分。相比之下，楊柴的分類精度相對較低，主要表現爲與沙蒿、小葉錦雞兒的混淆。究其原因，一方面在於楊柴與沙蒿在生長季具有相似的光譜反射特性；另一方面，在植被覆蓋度較低的區域，裸土背景的強反射干擾了冠層邊緣的像元信號，導致分類器對形態相近的灌木產生誤判。
3.3.2 多維特徵優選與重要性分析
綜合光譜、植被指數、紋理及點雲結構特徵，共提取58個候選變量，採用RF−RFECV特徵優選策略，篩選出各物種對應的最優特徵子集（圖3、圖4）。結果表明，不同灌木物種對特徵維度的依賴程度存在顯著差異：沙柳的模型複雜度最高（需37個特徵），而小葉錦雞兒的模型最爲精簡（僅需25個特徵）。
圖3 特徵重要性排序
圖4 迴歸模型特徵維數與驗證精度關係
3.3.3 AGB反演精度驗證與泛化性評估
基於優選特徵子集，對比分析 XGBoost、RF與SVR這3種機器學習模型在7種典型灌木AGB反演中的性能（表6）。總體而言，XGBoost模型在所有物種中均表現出最優的擬合精度與泛化穩定性。這一優勢主要歸因於XGBoost引入的正則化項有效抑制了過擬合現象，且對非線性特徵關係具有更強的捕捉能力。RF模型次之，而SVR在處理高維特徵時的泛化能力相對較弱，反演精度最低。
不同灌木物種的AGB反演精度呈現顯著分異，其中沙柳與沙棘的估算效果最佳。這2種灌木株型高大、冠層規整，點雲數據能高質量地重構其三維形態特徵。小葉錦雞兒、沙蒿、楊柴與梭梭模型表現穩健，能夠滿足區域尺度生態監測的實際需求。沙地柏的估算難度最大。這主要是由於沙地柏屬於匍匐型灌木，冠層低矮且呈緻密貼地生長態勢，導致激光雷達點雲在地面點與植被點分離時易產生誤差，進而影響株高及冠層體積等關鍵參數的提取精度。
基於性能最優的XGBoost模型，生成了灌木AGB空間分佈圖（圖5）。結果表明，該方法能夠精細刻畫不同生境下灌木生物量的空間異質性特徵，爲鄂爾多斯地區生態系統碳儲量的精準覈算與動態監測提供了高精度的基礎數據支撐。
圖5 典型灌木地上生物量結果
4 討論
4.1 多源特徵對灌木生物量反演的協同表徵機制
研究證實，在個體尺度灌木AGB反演中，激光雷達提供的三維結構特徵貢獻度顯著高於光譜及紋理特徵，這一發現與Xie等在乾旱區的研究結論一致。相比之下，光譜指數NDRE、LCI雖然對葉綠素含量敏感，但在荒漠灌叢中，受“綠度”飽和效應及非光合作用組織（枯枝、樹幹）比例較高的影響，其對總生物量的解釋力相對有限。
然而，本研究同時發現，在沙柳等葉面積指數較高的物種中，紅邊指數與紋理特徵仍可作爲關鍵補充變量，修正單純依靠幾何體積進行估算時產生的偏差，充分體現了“結構爲主、圖譜爲輔”的多源協同反演優勢。
4.2 誤差傳遞與不確定性來源解析
儘管XGBoost模型整體反演精度較高，但不同物種間的估算效果仍存在顯著分異，其誤差主要源於以下2個環節的級聯效應。
1）分類誤差的傳播。楊柴與沙蒿在生長季存在顯著的“異物同譜”現象，且兩者株型尺度相近，導致分類混淆。這種誤分類將導致錯誤的異速生長關係被引入AGB估算，是制約楊柴反演精度的主要因素。
2）點雲結構提取的侷限性。沙地柏在所有模型中反演精度均最低。這一結果主要歸因於其特殊的“匍匐−貼地”生長形態：一方面，低矮緻密的冠層使得激光雷達難以準確分離地面點與植被點；另一方面，沙地柏樣本量相對較少（35株），泛化能力受到小樣本效果的顯著制約。
4.3 方法適用性與未來優化方向
我們提出的對象分割、特徵篩選與協同反演方法，有效解決了傳統衛星遙感在離散灌叢監測中面臨的混合像元問題。該方法無需依賴大量地面破壞性採樣，僅基於無人機低空遙感數據即可實現區域尺度灌木碳儲量的高效估算，具有較高的工程化應用價值。
針對當前研究存在的侷限，未來工作可聚焦於以下3個方面：一是增強時相維度信息，利用物種間物候差異特徵解決楊柴與沙蒿的光譜混淆問題；二是優化小樣本建模策略，探索遷移學習或小樣本生成技術（GAN）以提升模型的魯棒性；三是深化機理模型融合，以提升模型在複雜生境下的物理可解釋性與外推能力。
5 結論
我們針對乾旱半乾旱區典型灌木生態資產監測需求，構建了融合無人機多光譜與激光雷達特徵的對象分割、特徵篩選與協同反演的技術方法，主要結論如下。
1）構建了高精度的灌木對象數字化識別體系。針對荒漠背景下“異物同譜”的分類難題，提出的多源協同分類方法在地形破碎、植被覆蓋度低的荒漠生境中表現出良好的魯棒性，實現了對沙蒿、沙柳等7種典型灌木對象的精準識別，能夠有效抑制“異物同譜”現象及背景噪聲干擾，爲區域尺度灌木精細化管理與碳儲量估算提供了可靠的數據支撐。
2）揭示了三維結構特徵在灌木生物量反演中的主導機制。UAV−LiDAR提取的高度分位數與冠層參數是生物量估算的核心解釋變量，而UAV−MS的光譜紋理特徵在沙柳等葉面積指數較高的物種中起到了重要的補充作用，驗證了融合三維結構特徵、光譜特徵與紋理特徵的多源協同反演優勢。
3）明確了XGBoost模型在小樣本、高維特徵條件下的反演優勢。在3種機器學習模型對比中，XGBoost綜合性能最優，顯著優於RF與SVR模型。研究所構建的方法體系具有較強的泛化能力，能夠滿足乾旱區主要灌木類型生態監測的實際需求。
本文作者：王亞欣、吳家敏、賀振平、李澤江、郭躍、孫維娜、馬志傑、由海霞、呂文
作者簡介：王亞欣，中國林業科學研究院資源信息研究所、林草遙感與監測評估國家林業和草原局重點實驗室，副研究員，研究方向爲草原和荒漠化遙感；孫維娜（通信作者），鄂爾多斯市國際荒漠化防治技術創新中心，高級工程師，研究方向爲荒漠化防治。
文章來 源 ： 王亞欣, 吳家敏, 賀振平, 等. 多源無人機遙感協同的乾旱半乾旱區灌木地上生物量反演[J]. 科技導報, 2026, 44(6): 57−67.
本文有刪改，
內容爲【科技導報】公衆號原創，歡迎轉載白名單回覆後臺「轉載」
☟
《科技導報》創刊於1980年，中國科協學術會刊，主要刊登科學前沿和技術熱點領域突破性的研究成果、權威性的科學評論、引領性的高端綜述，發表促進經濟社會發展、完善科技管理、優化科研環境、培育科學文化、促進科技創新和科技成果轉化的決策諮詢建議。常設欄目有院士卷首語、科技新聞、科技評論、本刊專稿、特色專題、研究論文、政策建議、科技人文等。
