基于无人机和卫星遥感的胡杨林地上生物量估算

杨雪峰，昝 梅，木尼热–买买提

基于无人机和卫星遥感的胡杨林地上生物量估算

杨雪峰，昝 梅，木尼热–买买提

（1. 新疆师范大学地理科学与旅游学院，乌鲁木齐 830054；2. 新疆干旱区湖泊环境与资源实验室，乌鲁木齐 830054）

基于光谱信息的森林地上生物量遥感模型多存在精度不高的问题，如何更准确地获取森林地上生物量是遥感领域的研究热点。该研究以位于塔里木河下游的河岸胡杨林为例，探讨在无人机摄影测量技术支持下，使用高分辨率卫星遥感技术，通过面向对象影像分析和回归分析等技术，获取区域尺度下胡杨冠幅、树高和密度等森林结构参数，在此基础上，通过生长方程计算得到区域尺度森林地上生物量。在30、50、100和250 m 4个空间尺度上，与无人机数据的估算结果相比，高分辨率卫星遥感数据的地上生物量估算结果高22%～26%，其误差主要来自于树冠生物量部分。随着空间尺度增大，基于卫星遥感的地上生物量回归模型2也随之增大，其中在100 m尺度上，地上生物量回归模型2为0.851，表明使用高分辨率卫星遥感技术可以在较大的区域尺度上获得较高的森林地上生物量估算精度。地上生物量回归模型的标准化系数分析表明，对森林地上生物量估算精度影响最大的因素是密度和树高，冠幅影响最小，并且随着空间尺度增大，密度的影响有增加趋势，树高的影响有减少趋势。研究结果可为使用无人机和卫星遥感技术研究森林地上生物量提供参考。

无人机；遥感；地上生物量；森林结构；胡杨；卫星遥感

0 引 言

森林生物量是反映森林生态系统功能的基本数据，了解生物量变化可以更好地理解陆地生态演变过程[1]。传统的皆伐法具有精确测量森林生物量的优势，但耗时费力，且对森林生态系统具有较大的破坏性，只适于较小尺度的森林生物量测定[2]。在实践中，为方便操作，常常通过建立整株树木或器官生物量与胸径（Diameter at Breast Height, DBH）、树高等测树因子之间的异速生长方程来估算[3]。林分水平生物量的测定多基于单木生物量模型套算或选择标准木测定进而获得林分生物量数据[4]。

遥感技术的发展为快速获取大尺度的森林地上生物量（Above Ground Biomass，AGB）提供了新的手段。通过光学遥感技术获取森林地上生物量已成为主要研究方式。可见光和近红外波段能较好地反映树木冠层的生化和物理属性，各种植被指数通过对多个波段的差异组合和比值运算，减少了大气、土壤的影响，进一步增强了植被信号。反射率和植被指数被广泛用于获取森林地上生物量，其主要方式是建立植被反射率、植被指数等光谱信息变量与地上生物量之间的统计模型[5-8]。光学影像可以提供丰富的冠层光谱，并已广泛用于生物量估算，但是对于成熟的林分，叶生物量在整个森林地上生物量中所占比例大约不到10%，传统的光学遥感难以准确获取树干生物量的相关信息[9]。很多研究发现，使用中等分辨率影像的光谱反射信息预测生物量，回归模型决定系数2基本在0.5～0.7之间[10-12]。

林木地上生物量与树高、胸径、林分密度等结构参数相关程度很高。已有研究表明，在生物量遥感模型中引入树高、冠幅等森林结构信息可以提高森林地上生物量估算的精度[13-16]。但目前研究局限于单一结构因子，在区域尺度缺乏验证，研究结果具有一定的不确定性。

本研究以塔里木河下游的河岸胡杨林为例，结合高空间分辨率（Very High-Resolution，VHR）卫星遥感和无人机（Unmanned Aerial Vehicle，UAV）遥感，在无人机获取的单木尺度胡杨结构信息支持下，使用高分辨率卫星遥感影像，通过面向对象影像分析（Object Based Image Analysis，OBIA）、回归分析等技术获取区域尺度森林关键结构信息：树高、冠幅和林分密度，基于生长方程分别计算胡杨树冠生物量和树干生物量，继而估算出区域尺度森林地上生物量，并基于无人机测量数据进行结果评价。

1 材料与方法

1.1 研究区概况

研究区位于塔里木河下游，地处范围88°00′28.6″～88°01′10.17″E，40°25′52.88″～40°26′27.73″N，面积约1.2 km2（图1）。该区域为暖温带大陆性干旱气候，年均气温10 ℃，年均降水量约55 mm，降水匮乏，植被稀少。在塔里木河河岸附近发育有河岸林，主体为胡杨（），林下基本没有植被覆盖，表层土壤为粉砂土，且盐碱化程度较高。地下水水位较高区域分布有柽柳（Lour.）灌丛，黑枸杞（Murr.）灌丛等，平均海拔840 m，地形较为平坦[17]。

1.2 数据来源

1.2.1 实地测量数据

在研究区内，进行胡杨数量统计和树高、冠幅抽样测量，具体过程如下：

1）使用OruxMaps地图软件，以WorldView-2影像为参照，在地图中设置26个100 m×100 m样格网，对格网中的胡杨进行数量统计，并在地图上进行位置标记。

2）根据离河远近、郁闭度和林下环境（灌草、土壤），随机选取80株有较完整和部分完整冠幅的胡杨进行标记，并对树高、冠幅和胸径量测。树高测量：使用激光测距仪的测高功能分别从3个不同方向对树冠最高点进行测量，获取胡杨树高，取平均值作为实测树高；冠幅测量：使用长卷尺分别获取相隔60°的3个方向的冠幅取平均值。胸径量测：在距地面130 cm处使用软尺进行测量。

1.2.2 无人机测量数据

研究使用的无人机为四旋翼小型无人机大疆精灵4 pro，相机有效像素为2 000万。针对研究区空间大小，使用航线规划软件设计包括1次垂直摄影测量和4次倾斜摄影测量的5次飞行任务，飞行高度为100 m，对应地面分辨率为3 cm，航向重叠率为85%，旁向重叠率为70%；倾斜镜头观测角度45°。

1.2.3 高分辨率卫星遥感影像

高分辨率遥感影像数据为2018年7月拍摄的WorldView-2多光谱影像。包含1个全色波段和4个多光谱波段（蓝色波段：450～510 nm；绿色波段：510～580 nm；红色波段：630～690 nm；近红外线波段：770～895 nm），全色波段地面分辨率为0.5 m，多光谱波段地面分辨率为2 m。

1.3 研究方法

本研究分别使用实地采样、无人机摄影测量和高分辨率卫星遥感测量在单木尺度和区域尺度获取胡杨结构和生物量数据。在单木尺度上，以地面实测数据对无人机数据进行精度评价；在区域尺度上，用无人机估算结果对高分辨率卫星估算结果进行精度评价，具体技术路线如图2所示。

1.4 数据处理

1.4.1 无人机影像数据处理

无人机影像处理利用PIX4D Mapper软件完成[18]，经过影像配准、空中三角测量、点云生成等处理步骤，获得研究区的点云。对加密点云进行分类处理得到地面和植被点云数据，再通过ArcGIS IDW插值和栅格化处理得到数字表面模型（Digital Surface Model, DSM）和数字地形模型（Digital Terrain Model, DTM）栅格数据，对DSM和DTM进行减法计算生成冠层高度模型（Canopy Height Model, CHM）数据[19]（图3a）。CHM数据使用eCognition软件[20]的“Min/Max Filter”最小（最大）值滤波算法生成种子点（图3b），根据种子点位置提取树高，然后通过“Pixel-Based Object Resizing”增长算法生成植被冠层矢量多边形对象（图3c），继而使用ArcGIS统计胡杨株数。

1.4.2 高分辨率卫星影像数据处理

1）冠幅提取

WorldView-2影像经过大气校正、几何校正和影像融合处理，地面分辨率为0.5 m。利用eCognition软件对WorldView-2影像进行分类处理，根据影像上胡杨树有显著阴影的特点，生成植被分类（图4a）。使用WorldView-2多光谱波段计算生成归一化植被指数（Normalized Difference Vegetation Index, NDVI），利用“Min/Max Filter”算法在NDVI影像中生成种子点，再使用“Pixel-Based Object Resizing”算法生成植被冠层（图4b）。最后，对胡杨冠层分类影像和植被冠层矢量对象进行空间叠加，得到胡杨冠层（图4c）。在此基础上，使用ArcGIS计算得到胡杨冠幅和株数。

2）树高提取

从WorldView-2获取的冠层中选择与无人机获取的冠层空间位置配准较好的3 505个胡杨冠层矢量对象，提取对应的WorldView-2光谱、几何和纹理3类特征，根据特征与胡杨高度的相关程度和显著性检验，筛选出32个常用特征（1个一般特征，21个光谱特征，10个纹理特征，具体见表1）作为胡杨树高回归模型的因子。

表1 特征列表

注：以上特征均在0.01水平显著。

Note: All features are significant at 0.01 level.

通过线性回归[21]、多层感知机回归[22]、SVM回归[23]和PACE回归[24]分别建立特征值和树高的回归模型。结果表明，PACE回归模型的决定系数2最高，为0.664，RMSE最小，为0.934 m。因此选择PACE回归建立胡杨树高回归模型，生成高分辨率卫星树高数据。

1.5 胡杨地上生物量计算

根据董道瑞等[25]的研究，胡杨地上生物量可以分为树干生物量和树冠生物量2部分，分别计算树冠生物量树冠和树干生物量树干（kg），累加获得胡杨地上生物量单木（kg）：

单木=树干+树冠（1）

树干生物量根据胡杨树干材积和平均密度计算，如式（2）。其中树干材积通过胸径和树高计算得到（式（3））；树冠生物量根据树冠面积计算（式（4））。

树干=748.43树干（2）

式中树干为树干材积，m3；胡杨平均材积密度为748.43 kg/m3[25]。

树干=0.000 050 22.09·0.742（3）

式中为胸径，cm；为树高，m。

树冠=0.0162+2.291+11.084（4）

式中树冠为树冠生物量，kg；为冠幅面积，m2。

通过公式（1）～（4）计算出树干生物量和树冠生物量，最后得到基于高分辨率卫星遥感影像的研究区地上生物量数据。

1.6 精度验证

由于UAV和WorldView-2的地面分辨率和成像几何条件不同，为了更好地对比评价2种方式获取生物量的差异程度和原因分析，对2种方式获取的参数在不同尺度上进行对比。分别把研究区划分边长为30、50、100和250 m大小的格网，提取不同尺度格网内的无人机和高分辨率卫星遥感数据进行误差、精度和影响因子分析。

2 结果与分析

2.1 树高-胸经关系模型

在树高与胸径的线性模型、指数模型、对数模型和幂函数模型当中，指数模型的决定系数2最高，为0.531；冠幅与胸径的幂函数模型的决定系数2最高，为0.334。对研究区胡杨来说，树高与胸径的相关性比冠幅和胸径的相关性更高，因此，本研究选择树高-胸径指数模型（式（5））。

=7.782e0.189H（5）

在该研究区域的调查发现，由于长期干旱胁迫影响到胡杨的生长，其树高-胸径相关程度并不十分显著。从80株地面采样点中选取无人机影像上易区分的35株胡杨，把无人机测量的树高数据代入公式（5），得到预测值与实测值回归模型的决定系数2为0.676，RMSE为6.6 cm，平均误差为16.7%。

2.2 无人机测量结果与分析

利用无人机提取的树高数据，根据公式（5）计算对应的胸径，再根据公式（1）～（4）计算出单木地上生物量。为了验证无人机测量的结构和生物量数据精度，从采样点中选取无人机影像上易区分的35株胡杨，使用无人机提取的胡杨冠幅、树高和生物量数据与实测数据进行比较（图5）。

无人机数据与35个实测冠幅、树高和地上生物量回归模型的决定系数2分别是0.783、0.866和0.816（图5a、5b、5c），与26个地面格网实测密度回归模型的决定系数2为0.941（图5d），表明基于无人机遥感数据的提取精度较高，可以使用无人机估算结果对高分辨率卫星估算结果进行精度评价。

2.3 精度验证

2.3.1 误差分析

为了全面分析高分辨率卫星估算数据的精度，分别使用30、50、100和250 m的尺度格网，对高分辨率卫星估算结果与无人机估算结果进行比较。结果表明，与无人机估算结果相比，基于卫星遥感数据的树高估算结果高2.2%～3.2%（图6a），再加上胸径估算误差的影响，造成树干生物量的估算结果比无人机估算结果高10%～13%（图6d），冠幅的卫星遥感估算结果高27%～30%（图6b），造成树冠生物量的估算结果偏大58%～71%（图6d），因此造成密度估算结果低1.8%～6.5%（图6c）。综合以上因素，地上生物量的卫星遥感估算结果总体比无人机估算结果高22%～26%，其误差主要来自于树冠生物量部分。

冠幅估算结果偏高的主要原因是由于高分辨率卫星影像的地面分辨率低于UAV影像，并且成像角度与UAV相比有一定的差别造成的。

2.3.2 不同空间尺度的估算精度

为了分析各结构因子与地上生物量在不同尺度上的估算精度以及结构因子对地上生物量的影响程度，分别使用30、50、100和250 m 4种尺度统计格网，对无人机和高分辨率卫星遥感数据估算的树高、冠幅、密度和生物量分别建立回归模型。统计发现，随着统计尺度增大，回归模型决定系数2（<0.001）也增大。树高回归模型决定系数2均最高，其次是生物量和林分密度，冠幅最低（表2）。在森林生物量统计常用的100 m尺度上，地上生物量模型决定系数2为0.851。

造成这种情况主要的原因是由于研究区植被稀疏，而且CHM与WorldView-2数据的几何配准存在误差，统计网格越大越容易抵消树高、冠幅和林分密度等的估计误差。冠幅模型决定系数2较低的原因主要是由于基于高分辨率卫星遥感数据的冠幅估算误差较大。

通过建立森林地上生物量和树高、冠幅、林分密度的线性回归模型，对回归模型系数进行标准化处理后发现（表2），无论是无人机还是卫星遥感数据的估算结果，对地上生物量影响最大的因子是林分密度，其次是树高，冠幅的影响最小。虽然冠幅的估算误差较大，但树高和林分密度的估算精度较高，各尺度上地上生物量的估算精度都较高。随着空间尺度增大，林分密度对地上生物量的影响有增加趋势，树高对地上生物量的影响有减少趋势。

表2 不同网格尺度下胡杨结构信息提取效果

3 结 论

为了精确获取区域尺度森林地上生物量，本文探讨了使用无人机低空遥感和高分辨率卫星遥感技术，通过获取胡杨林树高、冠幅和林分密度等关键森林结构参数，最终获取区域尺度胡杨林地上生物量，主要结论如下：

1）使用UAV通过倾斜摄影测量、面向对象影像分析等技术获取冠幅、林分密度和树高等胡杨结构信息，在此基础上使用生长方程计算地上生物量。与实测数据对比，在单木尺度上，无人机获取的冠幅、树高和地上生物量线性回归模型决定系数2分别达到0.783、0.866和0.816，林分密度回归模型决定系数2为0.941。证明小型无人机获取的数据可以替代地面实测数据使用。

2）在无人机数据的支持下，使用高分辨率卫星影像，通过面向对象影像分析、树高回归方程得到冠幅、林分密度和树高信息，最终计算得到森林地上生物量。在30、50、100和250 m共4个空间尺度上，与无人机估算结果相比，卫星数据的树干生物量估算高10%～13%，树冠生物量高58%～71%，地上生物量高22%～26%，其误差主要来自于树冠生物量部分。

3）随着空间尺度增大，基于高分辨率卫星遥感数据的地上生物量模型2明显增大，说明较大的统计尺度可以一定程度上抵消结构因子带来的误差影响。在100 m尺度上，地上生物量模型决定系数2为0.851，证明结合无人机和高分辨率卫星遥感技术，可以在区域尺度上获取较高精度的森林地上生物量。通过对地上生物量回归模型的标准化系数进行比较发现，地上生物量估算精度主要受树高和林分密度的影响，受冠幅的影响较小。随着空间尺度增大，林分密度对地上生物量估算结果的影响有增加趋势、树高有减少趋势。

由于研究区森林郁闭度较低，虽然冠幅的总体估算精度较低，但对树高和林分密度估算精度的影响相对较小，如能提高冠幅估算精度，对林分密度和树高估算精度的提高也会产生积极的影响。

本研究使用的小型无人机存在空中飞行姿态不稳定、相机分辨率不高等不足，具有一定的系统误差，未来可以考虑使用更专业的无人机设备。另外，使用面向对象影像分析技术从无人机和高分辨率卫星影像中提取冠幅信息时，其处理流程和参数设置的选择均会对结果产生一定影响，可考虑使用深度学习算法来进行胡杨识别和冠幅提取。高分辨率遥感卫星技术近些年快速发展，在森林生态研究中具有巨大的潜力，未来会继续在以上方面开展研究。

[1]Temesgen H, Affleck D, Poudel K, et al. A review of the challenges and opportunities in estimating above ground forest biomass using tree-level models[J]. Scandinavian Journal of Forest Research, 2015, 30(4): 1-10.

[2]王超，贾翔，赵莹，等. 森林生物量估算方法研究进展[J]. 北华大学学报：自然科学版，2019，20(3)：391-394.

Wang Chao, Jia Xiang, Zhao Ying, et al. Review of methods on estimating forest biomass[J]. Journal of Beihua University: Natural Science, 2019, 20(3): 391-394. (in Chinese with English abstract)

[3]周国逸，尹光彩，唐旭利，等. 中国森林生态系统碳储量：生物量方程[M]. 北京：科学出版社，2018.

[4]欧光龙，胥辉. 森林生物量模型研究综述[J]. 西南林业大学学报：自然科学，2020，40(1)：1-11.

Ou Guanglong, Xu Hui. A review on forest biomass models[J]. Journal of Southwest Forestry University: Natural Science, 2020, 40(1): 1-11. (in Chinese with English abstract)

[5]徐新良，曹明奎. 森林生物量遥感估算与应用分析[J]. 地球信息科学，2006，8(1)：23-30.

Xu Xinliang, Cao Mingkui. An analysis of the applications of remote sensing method to the forest biomass estimation[J]. Geo-Information Science, 2006, 8(1): 23-30. (in Chinese with English abstract)

[6]王红岩，高志海，王琫瑜，等. 基于SPOT5遥感影像丰宁县植被地上生物量估测研究[J]. 遥感技术与应用，2010，25(5)：639-646.

Wang Hongyan, Gao Zhihai, Wang Fengyu, et al. Estimation vegetation biomass of SPOT5 satelite images in Fengning Country, Hebei Province[J]. Remote Sensing Technology and Application, 2010, 25(5): 639-646. (in Chinese with English abstract)

[7]Muukkonen P, Heiskanen J. Estimating biomass for boreal forests using ASTER satellite data combined with standwise forest inventory data[J]. Remote Sensing of Environment, 2005, 99(4): 434-447.

[8]Houghton R A, Butman D, Bunn A G, et al. Mapping Russian forest biomass with data from satellites and forest inventories[J]. Environmental Research Letters, 2007, 2(4): 45032-45037.

[9]Dobson M C, Ulaby F T, LeToan T, et al. Dependence of radar backscatter on coniferous forest biomass[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 412-415.

[10]Castillo-Santiago M A, Ricker M, Jong B H J D. Estimation of tropical forest structure from SPOT5 satellite images[J]. International Journal of Remote Sensing, 2010, 31(9/10): 2767-2782.

[11]Chen W, Blain D, Li J, et al. Biomass measurements and relationships with Landsat-7/ETM+ and JERS-1/SAR data over Canada’s western subarctic and low arctic[J]. International Journal of Remote Sensing, 2009, 30(9): 2355-2376.

[12]Hall R J, Skakun R S, Arsenault E J, et al. Modeling forest stand structure attributes using Landsat ETM+ data: Application to mapping of aboveground biomass and stand volume[J]. Forest Ecology and Management, 2006, 225: 378-390.

[13]黄金龙，居为民，郑光，等. 基于高分辨率遥感影像的森林地上生物量估算[J]. 生态学报，2013，33(20)：6497-6508.

Huang Jinlong, Ju Weiming, Zheng Guang, et al. Estimation of forest aboveground biomass using high spatial resolution remote sensing imagery[J]. Acta Ecologica Sinica, 2013, 33(20): 6497-6508. (in Chinese with English abstract)

[14]池泓，黄进良，邱娟，等. GLAS星载激光雷达和Landsat/ETM+数据的森林生物量估算[J]. 测绘科学，2018，4(43)：12-19，26.

Chi Hong, Huang Jinliang, Qiu Juan, et al. Estimation of forest aboveground biomass using ICESat/GLAS data and Landsat/ETM+ imagery[J]. Science of Surveying and Mapping, 2018, 4(43): 12-19, 26. (in Chinese with English abstract)

[15]Leboeuf A, Beaudoin A, Fournier L, et al. Mapping tree biomass of northern boreal forest using shadow fraction from Quickbird imagery[C]. //Wolfville: Proceedings of the 26th Canadian Symposium on Remote Sensing, 2005.

[16]Fatoyinbo T E, Simard M. Height and biomass of mangroves in Africa from ICESat/GLAS and SRTM[J]. International Journal for Remote Sensing, 2013, 34(2): 668-681.

[17]陈亚宁，张小雷，祝向民，等. 新疆塔里木河下游断流河道输水的生态效应分析[J]. 中国科学：D辑，2004，34(5)：475-482.

Chen Yaning, Zhang Xiaolei, Zhu Xiangming, et al. Analysis on ecological effect of water conveyance in thelower reaches of tarim river in xinjiang[J]. Science China: Earth Sciences, 2004, 34(5): 475-482. (in Chinese with English abstract)

[18]Forsmoo J, Anderson K, Macleod C J A, et al. Structure from motion photogrammetry in ecology: Does the choice of software matter?[J]. Ecology & Evolution, 2019, 9(23): 12964-12979.

[19]ESRI. ArcGIS Tutorial[EB/OL], [2020-11-12] https://desktop. arcgis.com/zh-cn/arcmap/10.3/manage-data/las-dataset/lidar-solutions-estimating-forest-density-and-height.html.

[20]Trimble. eCognition Tutorial[EB/OL], [2020-06-12] https://docs. Ecognition.com/v10.0.0.

[21]Sadiq M. Prediction of software project effort using linear regression model[J]. International Journal of Information & Electronics Engineering, 2013, 3(3): 262-265.

[22]Gaudart J, Giusiano B, Huiart L. Comparison of the performance of multi-layer perceptron and linear regression for epidemiological data[J]. Computational Stats & Data Analysis, 2018, 44(4): 547-570.

[23]Shevade S K, Keerthi S S, Bhattacharyya C, et al. Improvements to the SMO algorithm for SVM regression[J]. IEEE Transactions on Neural Networks, 2000, 11(5): 1188-1193.

[24]Wang Yong, Ian H W. Modeling for optimal probability prediction[C]//Sydney: Proceedings of the Nineteenth International Conference in Machine Learning, 2002.

[25]董道瑞，李霞，万红梅，等. 塔里木河下游胡杨（）地上生物量估测[J]. 中国沙漠，2013，33(3)：724-730.

Dong Daori, Li Xia, Wan Hongmei, et al. Aboveground biomass estimation ofin the lower reaches of tarim river[J]. Journal of Desert Research, 2013, 33(3): 724-730. (in Chinese with English abstract)

Estimation of above ground biomass offorest using UAV and satellite remote sensing

Yang Xuefeng, Zan Mei, Munire·Maimaiti

(1.,,830054,;2.,830054,)

Currently, there is still some limitations on the Above Ground Biomass(AGB) of forest using spectral information from remote sensing technology. In this study, takingforest in the lower reaches of Tarim River as an example, the Unmanned Aerial Vehicle(UAV) low altitude remote sensing and Very High-Resolution(VHR) satellite remote sensing were used to estimate the forest AGB using forest structure information. Some more advanced UAV and image segmentation techniques were used to improve the accuracy of crown diameter, thereby to improve the accuracy of AGB estimation in the future. The AGB ofwas divided into trunk biomass and crown biomass. An allometric equation was used to calculate with the parameters of tree height, Diameter at Breast Height(DBH), and crown diameter. The actual procedure was as follows: Digital Surface Model(DSM) and Digital Terrain Model(DTM) were firstly obtained using UAV oblique photogrammetry and Geographic Information System(GIS) interpolation, together with the Canopy Height Model(CHM). Secondly, an Object-Oriented Image Analysis(OBIA) was used to acquire the tree height and crown diameter. Finally, an allometric equation was used to calculate the AGB by UAV measured data. The VHR WorldView-2(WV2) Normalized Difference Vegetation Index(NDVI) image was calculated by the OBIA and GIS overlay technologies, thereby to extract the crown diameter as result. Specifically, the WV2 tree height was obtained from the regression model that built between 32 general features and UAV-measured tree height. The AGB by WV2 measured was calculated using an allometric equation. A comparison of UAV- and field-measured data showed that: The coefficients of determination(2) of crown diameter, height, density, and AGB were 0.783, 0.866, 0.941 and 0.816, respectively. A high goodness-of-fit was also proved that the UAV-measurement can be expected to replace the field-measurent in plot size. Tree height from the WV2-measured was overestimated by 2.2%-3.2%, resulting in the trunk biomass was higher by 10%-13%, compared with the UAV-measured data. The crown diameter of WV2-measured was significantly overestimated by 27%-30%, resulting in the canopy biomass was overestimated by 58%-71%. Therefore, the density was underestimated by 1.8%-6.5%. The AGB of WV2-measured was overestimated by 22%-26%, compared with the UAV-measured data, where the error mainly came from the canopy biomass. A comparison of WV2- and UAV-measured data on the four scale grid size of 30 to 250 m showed that the2of crown diameter, height, density, and AGB increased with the increasing of statistical grid size, whereas, the2of AGB was 0.851 at the scale of 100 m, which was usually used as a AGB statistical standard size. The forest structure information can be obtained by the VHR remote sensing through the OBIA with the support of UAV-measured data, and a good AGB accuracy can be obtained on a coarse scale. The linear regression models were established between AGB and crown diameter, height, density obtained by the UAV- and WV2-measured data. The coefficients of tree density and tree height were larger than those of crown diameter, indicating that tree density and tree height were the most important factors affecting the AGB on four scales, while the crown diameter has the least effect. There was an increasing trend in the influence of density, whereas a decreasing trend in the effect of tree height, with the increase of statistical grid size.

UAV; remote sensing; above ground biomass; structure of forest;; satellite remote sensing

杨雪峰，昝梅，木尼热–买买提. 基于无人机和卫星遥感的胡杨林地上生物量估算[J]. 农业工程学报，2021，37(1)：77-83.doi：10.11975/j.issn.1002-6819.2021.01.010 http://www.tcsae.org

Yang Xuefeng, Zan Mei, Munire·Maimaiti. Estimation of above ground biomass offorest using UAV and satellite remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 77-83. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.01.010 http://www.tcsae.org

2020-10-11

2021-12-17

新疆维吾尔自治区自然科学基金资助面上项目（2018D01A32）

杨雪峰，副教授，主要从事干旱区环境遥感技术应用研究。Email：744157426@qq.com

10.11975/j.issn.1002-6819.2021.01.010

TP79

A

1002-6819(2021)-01-0077-07