基于ASD地物光谱仪反演锡林郭勒典型草原地上生物量模型研究

摘要：草地生物量是草地生态系统的重要参数，草原冠层植被光谱的复杂性使得长期评估草场生长状况成为一种挑战。目前少有研究对内蒙典型草原原始光谱信息进行深度探索，探讨地物光谱信息对地上生物量估算的影响。本研究于2017年7月至2018年8月使用ASD Field Spec3 野外便携式高光谱仪采集内蒙古锡林郭勒毛登牧场的草地冠层高光谱数据，分析草地的反射光谱曲线来表征植被变化的趋势。同时采用光谱预处理方法结合多种高光谱模型选出最优预测模型。结果表明：（1）从对比不同的广义线性拟合模型（Generalize linear model， GLM）的预测精度来看，最佳的高光谱建模方法为，选取SDrSDb为变量的最佳模型为y=-3.795 3x2+60.065x-78.455（x为SDrSDb，y是估算的地上生物量鲜重），拟合R2=0.662，预测R2=0.302。（2）高光谱变量与地上生物量干重之间分析中，选择SDr-SDySDr+SDy作为变量的最佳模型为y=7.744e3.434 9x（x为SDr-SDbSDr+SDb，y是估算的地上生物量干重），拟合R2=0.559；预测R2=0.304。该研究结果对草地生物量高光谱预测建模具有科学价值。

关键词：地上生物量；植被指数；高光谱；典型草原；反演模型

中图分类号：S812.8""" 文献标识码：A""""" 文章编号：1007-0435（2024）07-2234-11

doi：10.11733/j.issn.1007-0435.2024.07.024

引用格式：

孙煜焱， 董建军， 王秀梅.基于ASD地物光谱仪反演锡林郭勒典型草原地上生物量模型研究［J］.草地学报，2024，32（7）：2234-2244

SUN Yu-yan， DONG Jian-jun， WANG Xiu-mei.Hyperspectral Inversion of above-ground biomass model of typical steppe in Xilin Gol based on ASD the Ground Object［J］.Acta Agrestia Sinica，2024，32（7）：2234-2244

收稿日期：2023-11-28；修回日期：2024-03-02

基金项目：内蒙古自治区直属高校基本科研业务费项目（JY20220108）；内蒙古自治区自然科学基金（2022LHMS03006）；内蒙古工业大学人才项目博士科研启动金（DC2300001284）；基于高光谱技术的天然草地生物物理参数监测及建模研究（2021MS03082）资助

作者简介：

孙煜焱（1999-），女，满族，吉林长春人，硕士研究生，主要从事环境信息系统、高光谱遥感、环境遥感研究，E-mail：1179039672@qq.com；*通信作者Author for correspondence，E-mail：wxm2023@imut.edu.cn

Hyperspectral Inversion of Above-ground Biomass model of Typical Steppe in

Xilin Gol Based on ASD the Ground Object

SUN Yu-yan1， DONG Jian-jun2， WANG Xiu-mei1*

（1. School of Resources and Environmental Engineering， Inner Mongolia University of Technology， Hohhot， Inner Mongolia 010051， China;

2. College of Ecology and Environment， Inner Mongolia University， Hohhot， Inner Mongolia 010021， China）

Abstract：Grassland biomass is an important parameter of grassland ecosystem， and the complexity of grassland canopy vegetation spectrum makes it a challenge to evaluate grassland growth status in a long term. However， at present， few studies have deeply explored the original spectral information of typical grasslands in Inner Mongolia， and discussed the impact of spectral information of surface objects on the estimation of existing above ground biomass. In this study， ASD Field Spec3 portable spectrometer was used to collect the canopy height spectral data of grassland in Lemaudeng Pasture， Xilin Gul， Inner Mongolia from July 2017 to August 2018， and the reflectance spectral curve of grassland was analyzed to characterize the trend of vegetation change. At the same time， the optimal prediction model is selected by spectral preprocessing method combined with various hyperspectral models. The results showed that： （1） From the perspective of comparing the prediction accuracy of different GLM generalize linear models， the best hyperspectral modeling method is select SDrSDb， the best model for the variable is y=-3.795 3x2+60.065x-78.455（x is SDrSDb， y is the estimated fresh weight of aboveground biomass）， fitted R2 =0.662， Predicted R2=0.302. （2） In the analysis between hyperspectral variables and above-ground biomass dry weight， select SDr-SDySDr+SDy. The best model as a variable is y=7.744e3.4349x （x is SDr-SDbSDr+SDb， y is the estimated dry weight of above-ground biomass）， fitted R2=0.559， Predicted R2=0.304. The results of this study have scientific value for hyperspectral prediction modeling of grassland biomass.

Key words：Above-ground biomass;Vegetation index;Hyperspectral;Typical grassland;Inversion model

草原是一种重要的植被类型，约占地球陆地面积的40%，是陆地生态系统的重要组成部分，在碳循环和气候变化中起着至关重要的作用。草地还具有重要的生态和经济功能，包括生物多样性保护、气候调节和牲畜饲料供应［1-2］。草地退化是一个全球性的问题，对农业生产构成长期威胁，特别是在内蒙古地区。未来草地退化的风险将更加突出。随着人口的增长，人们为了满足发展需要而开发更多的土地，随之而来的是草地退化导致的土壤板结、肥力下降、酸碱失衡和土壤退化等后果。随着草量的减少，畜牧业的发展也变得更加困难。因此，对草地地上生物量进行动态监测，及时定量把握，对草地合理开发利用和保持灌区生态可持续发展具有重要意义。草地生物量不只是地上生物量（也称地上现存生物量，现存生物量），还有地下生物量。评价草地系统状态的关键指标之一是地上生物量（Aboveground biomass，AGB）。

遥感作为监测区域地上生物量这项技术已被许多研究认可。利用遥感方法对区域草地地上生物量进行监测是需要建立可靠的估算模型［3］，这样不仅有利于草地管理，而且有助于模拟地上生物量反演的过程。对于遥感数据源来说，与多光谱数据相比，高光谱数据有更多的光谱波段可供选择。因此，为了建立更可靠的分析模型，本研究选择高光谱数据作为数据源。一般来说，高光谱遥感数据可分为实验室实测光谱数据、现场实测光谱数据和成像光谱仪获得的高光谱数据。实验室光谱测量和野外光谱测量都属于近高光谱遥感数据获取方法。高光谱成像光谱仪有多个波段，可以用来反映草地的精细特征，这就具有了光谱积分的特点。Hertel D等［3］发现808 nm和677 nm的反射率计算出的简单比值可以用来评估亚高山和高寒草地的地上生物量。Hansen等［4］评估了归一化植被指数（NDVI）中绿色生物量与所有两波段组合之间的关系，发现了一些与生物量估算高度相关的分组波段（主要在680～750 nm的红边光谱区域）。Mutanga等［5］发现，从位于红边的波长计算的植被指数可以很好地估计高冠层密度下的牧草生物量。Liang等［6］计算NDVI、EVI、RVI等12种植被指数以建立三江源区高寒草地生物量回归模型，结果发现NDVI与高寒草地AGB的相关性最佳，模型精度最优良。Filella等［7］在对地中海灌木丛的一项研究中，发现从900和679 nm处的反射率计算的NDVI对生物量和物候变化都很敏感。Xie等［8］提出了一种新的基于物理的PROSAIL模型反演方法。结果表明：测定的AGB值与实测AGB值具有较好的一致性（R2=0.87，RMSE=14.29）。在Google Earth Engine平台上实现了他们的方法，并生成了覆盖青藏高原的日和月AGB产品，时间跨度为2000—2021年。这些研究表明，我们可以利用高光谱来估算地上生物量。然而，目前少有针对原始光谱信息进行深入研究，以探讨地物光谱信息对地上生物量估算的影响。因此，本研究的目的是通过对草地冠层高光谱曲线特征分析，从而建立基于地面高光谱遥感的内蒙典型草原最佳AGB反演模型，为草原AGB监测提供了可靠的建模框架。

研究以广义线性模型为基础，分析野外实测数据与草地冠层光谱数据。并通过模型的准确性和稳定性，建立了草原AGB遥感反演模型。本文选择内蒙古锡林郭勒盟毛登牧场作为研究区域，利用高光谱技术反演地上生物量，包括土地控制实验、确定地上生物量的高光谱特征；基于ASD地物光谱仪监测模型反演内蒙古典型草原的地上生物量。

1" 材料与方法

1.1" 野外监测样地试验点

本研究是在内蒙古锡林郭勒毛登牧场（图1）进行的，该地区主要由羊草（ Leymus chinensis）群落、大针茅（Stipa grandis）群落、糙隐子草（Cleistogenes squarrosa Trin.）群落和克氏针茅（Stipa krylovii Roshev.）群落等四种典型群落类型组成。其中羊草、大针茅和糙隐子草［9-10］是草原中的优势植物种类，土壤类型主要是典型的栗钙土。

本研究进行了放牧样地的控制试验（见图2）。试验区域分为三个主要区域，并对每个区域进行了三次重复。每个大区域又细分为9个小区块，每块面积为33.3 m×33.3 m。这些小区块被标记为T0～T8，其中T0作为对照组，不进行放牧；T1进行全季放牧，从5月到9月进行5次放牧；T2在5月和7月进行2次放牧；T3在6月和8月进行2次放牧；T4在7月和9月进行2次放牧；T7在6月进行放牧，T8为刈割。每次放牧时，对草地控制留茬高度为6 cm，这是终止放牧的标准。

1.2" 高光谱数据获取

高光谱测定采用美国ASD（Analytical Spectral Devices）公司的ASD Field Spec3野外便携式高光谱仪［11］，它能够快速无损地获取波长范围为350～2 500 nm的光谱。在测量草地的高光谱数据时，必须保证光谱辐射光谱的正常工作，才能准确地反映草地管层的光谱反射信息。加载仪器启动系统后，每次采集光谱前先用白板校准，仪器探头垂直向下。

要尽量保证在高光照强度和无云天气下采集数据，避免光照强度等外部因素对实验数据的影响。在云层覆盖的情况下，有必要等待云层散去后才能继续采集，同时需要再次测量白板进行标定，以保证数据准确性［12］。本研究将光谱采集的10个光谱数据设为一个集合，每一次数据采集仪器将记录10条冠层反射率光谱曲线［13］，计算平均光谱反射率作为最终的数据。

首先利用ASD来测量布设的靶标布反射率光谱曲线，之后在Spectronon Pro软件中依据ASD测量的光谱数据将图像辐射率数据转化为反射率图像。影像数据进行几何校正的处理，首先，在Georectify Airborne Datacube软件中对高光谱图像数据进行处理。依据大疆精灵4拍摄的图像通过ArcMap软件的Mosaic工具进行镶嵌样地区域的整幅图像。

1.3" 高光谱特征参数及提取方法

在高光谱系统中包括大量的波段，有助于应用与目标参数关系密切的窄波段信息从而发展新的方法或改进传统方法来监测草地特性，通常的方法是将高光谱位置变量和原始光谱导数转换后提取的面积变量，而本研究基于高光谱变量有如下特征参数：

基于高光谱位置变量有6个：蓝边位置λb和红边位置λr分别对应着490～530 nm和680～760 nm内一阶导数光谱最大值对应的波长［14］（nm）；黄边幅值Dy和红边幅值Dr分别对应着560～640 nm和680～760 nm内一阶导数光谱最大值［15］；红谷反射率ρr：波长650～690 nm范围内最小波段反射率；红谷位置λo：波长650～690 nm范围内最小波段反射率对应的波长（nm）。

基于高光谱面积变量有3个：蓝边面积SDb、黄边面积SDy、红边面积SDr分别对应着490～530 nm，560～640 nm和680～760 nm内一阶导数光谱的积分［16］。

基于高光谱植被指数的变量有4个： SDrSDb和SDrSDy 分别对应着红边面积（SDr）与蓝边面积（SDb）和红边面积（SDr）与黄边面积（SDy） 的比值；SDr-SDbSDr+SDb 和SDr-SDySDr+SDy 分别对应着红边面积（SDr）与蓝边面积（SDb） 和红边面积（SDr） 与黄边面积（SDy） 的归一化值。

1.4" 高光谱数据处理方法

1.4.1" 草地冠层高光谱特征分析" 在草地冠层光谱的研究中，为了便于对其进行混合光谱分解和光谱匹配［17］，需要对光谱数据进行变换［18-19］。

常见的高光谱变换方法包括导数、一阶、二阶导数、对数变换等，它们是高光谱数据处理中常用的方式［20-21］（公式1，公式2）。在高光谱传感器设计过程中，每个波段的带宽一般都不是固定的。光谱微分处理技术将波段带宽的变化量表示为所增加信息量的函数。那么当两个相邻波段的差别不是很大时，可仅用一个波段来描述基本的地理空间现象尽管我们可以计算高阶导数，但是一阶和二阶导数在光谱特征识别方面则更加普遍来对光谱数据进行预处理［22-23］。经过一阶、二阶导数、对数变换后［24］，可以减少由于光照条件变化引起的影响［25］（公式3，公式4）。

ρ′（λi）=dρ（λi）dλ=ρ（λi+1）-ρ（λi-1）2Δλ（1）

二阶导数光谱：

ρ′（λi）=d2ρ（λi）dλ2=ρ′（λi+1）-ρ′（λi-1）2Δλ=ρ（λi+2）-2ρ（λi）+ρ（λi-2）4（Δλ）2（2）

式中，ρ（λi）是波长λi的光谱值，Δλ是波长λi-1到λi的差值。

［logρ（λi）］′=dlogρ（λi）dλ=1ρ（λi）ln10×dρ（λi）dλ（3）

［log1ρ］′= dlog1ρλidλ=-1ρλiln10×dρλidλ（4）

式中，λi是波段i的波长值、ρ（λi）是波长λi的光谱值。

1.4.2" AGB干鲜重与原始光谱数据的相关性分析" 在将提取到的信息用于实际应用之前需要进行精度评估。例如，用于估算大量变量的决策支持模型，模型的精度需要使用独立的验证数据集进行评估［26］。其中有：决定系数（R2）、预测和交叉验证的均方根误差（RMSE）、以及预测标准差。Pearson相关系数用于衡量两组数据之间的线性相关性，其取值范围介于［-1，1］之间，值越大，表示线性相关性越强［27-28］。相关系数公式如下：

ri=Cov（R，Biomass）" DR" D（Biomass））=∑Nn=1Rni-R-iBiomassn-Biomass-" ∑Nn=1Rni-Ri-2∑Nn=1（Biomassn-Biomass-）2（5）

式中，ri为植被鲜重/干重AGB与高光谱变量，i为波段序号，Rni为第n个样方植被地上鲜生物量第i波段的高光谱变量，R-i为N个样方植被干/鲜AGB在i波段高光谱变量的平均值。

1.5" 模型验证和精度评价

根据前人研究结果，模型的精度主要通过以下三个参数来进行评价：均方根误差（RMSE）、平均相对估计误差（REE）、决定系数（R2）保留样本为总样本的20%。具体计算公式（6～8）如下：

R2=∑（y︿i-y-）2∑（yi-y-）2（6）

RMSE=∑（Yi-Y′i）2N（7）

REE=∑［（Yi-Y′i）/Y′i］2N（8）

式中，Yi为实际地上生物量（鲜重），Y′i为模型估算的地上生物量，N为样本量。

2" 结果与分析

高光谱数据包含更丰富的地物光谱信息，波谱范围全，光谱分辨率高，有利于地物的精细分类与识别［29］，正确选取对草原地上生物量最佳波段组合是提高拟合模型精度的关键［30］。本文对草地样方数据与光谱反射率统计相关分析，建立草原地上生物量与光谱反射率相关系数曲线，分析最优决定系数对应最优波段。通过相关分析后发现对内蒙古典型草原地上生物量敏感波段及组合的高光谱特征变量等均通过0.01极显著性水平，其中SDr-SDbSDr+SDb的归一化值均最大，其次波长红边680～760 nm内一阶导数光谱SDrSDb的积分。但没有出现明显的绿峰反射率（ρg）与红谷反射率（ρr），这与草地冠层植物群落集合体的混合光谱及土壤背景等影响有关。其次利用原始冠层光谱、一阶导数光谱波段ρ678和ρ′737，建立广义线性拟合模型，与传统多光谱遥感估产相比拟合精度相对高，能有效的对典型草原进行估产研究。

2.1" 高光谱数据的相关分析

2.1.1" AGB与高光谱特征变量的相关性分析" AGB干/鲜重与特征变量相关性分析如下：由表1、表2可知，地上生物量鲜重与Dy，Dr，λb，λr，SDb，SDy，SDr之间的相关系数均达到0.01显著性检验水平，但与变量Db，λy无显著相关。地上生物量干重与Dy，λb，λr，SDb，SDy之间的相关系数均达到0.01显著性检验水平，但与光谱变量的相关系数未达到显著性检验水平。

2.1.2" AGB与高光谱植被指数的相关性分析" 由表3中可知，地上生物量鲜重与植被指数变量SDrSDb，SDrSDy，SDr-SDbSDr+SDb，SDr-SDySDr+SDy之间的相关系数均达到0.01显著性检验水平。

由表4可知，地上生物量干重与植被指数变量SDrSDb，SDrSDy，SDr-SDbSDr+SDb，SDr-SDySDr+SDy之间的相关系数均达到0.01显著性检验水平。

2.2" AGB的高光谱遥感估算模型

2.2.1" 基于敏感波段678和的估算模型" 通过草地冠层光谱分析及高光谱特征相关分析筛选出敏感波段，发现678 nm处出现最大负相关值，737 nm处出现最大正相关值。基于敏感波段本研究来进行高光谱估产。

如图3和表5所示，二次多项式模型的拟合结果优于其它模型的拟合结果。图3（a）中AGB鲜重越高，678 nm的反射率越小，两者是负相关关系，而图3（b）中AGB鲜重与737 nm处的一阶导数光谱则呈正相关关系。表5中F值表示整个拟合方程的显著性，F越大，表示方程越显著，拟合程度也就越好。

由图4和表6可知，非线性模型的拟合结果均优于线性模型的拟合结果，其中图4（a）中原始光谱反射率ρ678幂函数模型最优。

2.2.2" 基于高光谱特征参数的估算模型" 建立AGB鲜重/干重的广义线性模型（表7～8）。地上生物量鲜重以Dy，Dr，λb，λr，SDb，SDy，SDr拟合最优模型为二次模型，并且相关系数均达到0.01显著性检验水平； 地上生物量干重以Dy，λb，λr 拟合最优为幂函数、以SDb拟合最优为二次函数、以SDy拟合最优为指数函数。鲜重、干重以SDy，Dy拟合的最佳广义线性模型拟合结果如图5。

2.2.3" 基于高光谱植被指数的估算模型" ASD高光谱数据与AGB（鲜重/干重）之间的建模分析中，高光谱植被指数与AGB均密切相关，通过野外采集的54个样点数据建立模型。从表中选择与AGB鲜重/干重的相关关系都选SDrSDb，SDrSDy，SDr-SDbSDr+SDb，SDr-SDySDr+SDy为自变量，建立最优广义线性模型（表9～10，图6）。可以看出，在地上生物量鲜重以SDrSDb，SDr-SDbSDr+SDb，SDr-SDySDr+SDy拟合最优为二次模型，SDrSDy为对数模型，在地上生物量干重以SDrSDb和SDrSDy 拟合最优为幂函数， SDr-SDbSDr+SDb和SDr-SDySDr+SDy为指数函数。

2.3" AGB高光谱遥感估算模型反演精度分析

利用高光谱反射率和广义线性模型分析，我们发现基于高光谱植被指数的估算模型精度最好，我们将对其估算模型进行精度分析（如图7）。总体而言，由实测和估算AGB之间线性关系的斜率，表明地上生物量估算模型相对稳定，从而有效的克服了冠层光谱饱和现象，提高了地上生物量估算效果。

3" 讨论

3.1" 草地冠层光谱分析

综合比较地上鲜生物量与高光谱波段变量、植被指数变量回归模型，以植被指数为自变量的回归模型的拟合效果优于以单个波段为自变量的回归模型的拟合效果。对原始光谱进行导数变换后发现草地冠层的一阶导数可以消除土壤背景对冠层光谱影响。以往对草地叶片的研究多集中在光谱的单一变量上［31-33］，而对数据的综合处理或对相似变量的模型进行比较的研究较少［34-35］。

唐延林等［36］发现高光谱“红边”参数与水稻地上鲜/干生物量以及叶面积指数之间均存在极显著相关。Mahlein等［37］利用特定的光谱植被指数评估了甜菜病害发展早期的三种真菌叶片病害。Feng等［38］使用单独的植被指数以及植被指数与红边参数的组合分别建立冬小麦产量估算模型，结果表明，与单独使用植被指数相比，使用植被指数和红边参数的组合实现了改进的产量估计。这再次印证观测“红边”参数在提取高光谱特征中表现的尤为重要。本研究对于草地冠层光谱进行导数变换及高光谱特征变量相关分析，其次利用高光谱特征参数、波段ρ678和ρ′737建立广义线性拟合模型（Generalize linear model， GLM）［22］。高光谱数据的拟合精度相对较高，它能够有效地应用于对典型草原的估产研究［39］。综上所述，本研究清楚地表明，利用高光谱数据集和有效的判别算法，可以对草地地上生物量进行估产。

3.2" 不同光谱特征变量的AGB模型分析

与传统多光谱遥感反演生物量相比，本文所建立的高光谱特征参数，原始冠层光谱678 nm和一阶导数光谱波段737 nm、高光谱特征变量和植被指数建立的AGB估产模型中精度更高，更有效进行典型草原高光谱数据地上生物量反演［40］。高光谱遥感估测目前农业方面应用比较广泛，提取敏感波段建立植被指数［41］，寻找关键波段建立反演模型，并取得了较好的成果。本文利用高光谱特征变量、高光谱植被指数、原始光谱反射率ρ678和一阶导数光谱ρ′737等特征参数建立AGB的广义线性模型。高光谱特征变量与AGB均以SDy拟合的最优模型，R2分别为0.543，0.465。高光谱植被指数与AGB以SDrSDb，SDr-SDySDr+SDy自变量拟合模型最优，R2分别为0.662，0.559。原始光谱反射率ρ678、一阶导数光谱ρ′737 敏感波段建立的反演模型二次多项式和幂函数结果最优。

4" 结论

利用ASD光谱仪测定了不同时期的AGB鲜重/干重。结果发现，干重形式的AGB对反演模型的拟合程度更好，基于高光谱植被指数在建立AGB估算模型时拟合程度更加优良，模型更具有稳定性。在广义线性模型的分析中，将内蒙古典型草原的地上生物量鲜重与高光谱变量特征值进行比较，发现其与地上生物量鲜重之间密切相关。本研究通过高光谱传感器获得的反射率光谱和选取SDrSDb为变量的最佳模型为：y=-3.795 3x2+60.065x-78.455（x是SDrSDb，y是估算的地上生物量鲜重）。对于大部分变量，指数模型的拟合效果比线性模型更有效，拟合结果与预测结果加以比较，选择拟合R2与预测R2为最大的模型作为高光谱变量的最佳模型为：y=7.744e3.4349x（x是SDr-SDbSDr+SDb，y是估算的地上生物量干重）。因此，本研究通过对草地地上生物量与高光谱数据之间建立联系，并构建了相关的估算模型来估算内蒙古典型草原的地上生物量。

参考文献

［1］" GAO X X，DONG S K，LI S，et al. Using the random forest model and validated MODIS with the field spectrometer measurement promote the accuracyof estimating aboveground biomass and coverage of alpine grasslands on the Qinghai-Tibetan Plateau［J］. Ecological Indicators，2019，112（C）：106114-106114

［2］" DAWEI X，CONG W，JIN C，et al. The superiority of the normalized difference phenology index （NDPI） for estimating grassland aboveground fresh biomass［J］. Remote Sensing of Environment，2021，264：112578

［3］" HERTEL D，THERBURG A，VILLALBA R. Above- and below-ground response by Nothofagus pumilio to climatic conditions at the transition from the steppe-forest boundary to the alpine treeline in southern Patagonia，Argentina［J］. Plant Ecology Diversity，2008，1（1）：21-33

［4］ "HANSEN P，SCHJOERRING J. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression［J］. Remote Sensing of Environment，2003，86（4）：542-553

［5］" MUTANGA O，SKIDMORE K A. Narrow band vegetation indices overcome the saturation problem in biomass estimation［J］. International Journal of Remote Sensing，2004，25（19）：3999-4014

［6］" LIANG T，YANG S，FENG Q，et al. Multi-factor modeling of above-ground biomass in alpine grassland：A case study in the Three-River Headwaters Region，China［J］. Remote Sensing of Environment，2016，186：164-172

［7］" FILELLA I，PEUELAS J，LLORENS L，et al. Reflectance assessment of seasonal and annual changes in biomass and CO2uptake of a Mediterranean shrubland submitted to experimental warming and drought［J］. Remote Sensing of Environment，2004，90（3）：308-318

［8］" XIE J，WANG C，MA D，et al. Generating spatiotemporally continuous grassland aboveground biomass on the Tibetan Plateau through PROSAIL model inversion on Google Earth Engine ［J］. IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-10

［9］" LYU X，LI X，GONG J，et al. Comprehensive grassland degradation monitoring by remote sensing in Xilinhot，Inner Mongolia，China［J］. Sustainability，2020，12（9）：3682

［10］闫敏，左合君，张晔，等.锡林浩特草原大针茅返青特征及其与气象因子的关系［J］.生态环境学报，2019，28（7）：1307-1312

［11］刘昌华，方征，陈志超，等.ASD Field Spec3野外便携式高光谱仪诊断冬小麦氮营养［J］.农业工程学报，2018，34（19）：162-169

［12］高宏元，侯蒙京，葛静，等.基于随机森林的高寒草地地上生物量高光谱估算［J］.草地学报，2021，29（8）：1757-1768

［13］张勇.基于高光谱数据的草甸草原遥感估产研究［D］.呼和浩特：内蒙古大学，2022：44-46

［14］李燕强.不同冬小麦品种冠层光谱特征及其与农学参数关系研究［D］.郑州：河南农业大学，2012：15-18

［15］孙鹏.三江源区不同退化梯度高寒草原植被高光谱特征研究［D］.兰州：甘肃农业大学，2018：33-35

［16］杜保佳.基于无人机高光谱影像的湿地植物群落分类与冠层氮素含量反演研究［D］.北京：中国科学院大学（中国科学院东北地理与农业生态研究所），2021：39-40

［17］易秋香.玉米主要生物物理和生物化学参数高光谱遥感估算模型研究［D］.乌鲁木齐：新疆农业大学，2005：29-30

［18］孔嘉鑫，张昭臣，张健.基于多源遥感数据的植物物种分类与识别：研究进展与展望［J］.生物多样性，2019，27（7）：796-812

［19］KIRRILLY P，RENEE B，TIMOTHY W，et al. Multi-temporal spectral reflectance of tropical savanna understorey species and implications for hyperspectral remote sensing［J］. International Journal of Applied Earth Observation and Geoinformation，2022，112：102870

［20］陈程，杜健民，杨红艳.内蒙古荒漠化草原植被高光谱特征提取与分析［J］.光学仪器，2018，40（6）：42-7

［21］高莎，林峻，马涛，等.新疆巴音布鲁克草原马先蒿光谱特征提取与分析［J］.遥感技术与应用，2018，33（5）：908-14

［22］刘琦.小麦条锈病潜育期遥感监测及分子检测技术研究［D］.北京：中国农业大学，2016：31-32

［23］李岚涛.冬油菜氮素营养高光谱特异性及定量诊断模型构建与推荐追肥研究［D］.武汉：华中农业大学，2018：64-71

［24］谢凯.基于高光谱遥感的水稻稻瘟病分级检测技术［D］.长沙：湖南农业大学，2017：20-22

［25］罗红霞，阚应波，王玲玲，等.基于高光谱遥感技术的农作物病虫害应用研究现状［J］.广东农业科学，2012，39（18）：76-80

［26］管立新.农作物监测高光谱遥感技术研究［D］.深圳：深圳大学，2018：28-30

［27］GUSTAVO A T，ARKO L，RICHARD R，et al. Perennial ryegrass biomass retrieval through multispectral UAV data［J］. Computers and Electronics in Agriculture，2022，193：106574

［28］YANG L，HAIKUAN F，JIBO Y，et al. Estimation of aboveground biomass of potatoes based on characteristic variables extracted from UAV Hyperspectral Imagery ［J］. Remote Sensing，2022，14（20）：5121

［29］杨哲海，韩建峰，宫大鹏，等.高光谱遥感技术的发展与应用［J］.海洋测绘，2003（6）：55-58

［30］王福民，黄敬峰，王秀珍，等.波段位置和宽度对不同生育期水稻NDVI影响研究［J］. 遥感学报，2008（4）：626-632

［31］金梁，胡克林，田明明，等.夏玉米叶片分层氮素营养的高光谱诊断［J］.光谱学与光谱分析，2013，33（4）：1032-1037

［32］张乐勤，陈素平.基于偏最小二乘通径分析方法的科技创新对用水效率边际效应的测度与分析［J］.水利水电科技进展，2018，38（1）：55-62

［33］白丽敏，李粉玲，常庆瑞，等.结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度［J］. 植物营养与肥料学报，2018，24（5）：1178-1184

［34］罗批，郭继昌，李锵，等.基于偏最小二乘回归建模的探讨［J］.天津大学学报，2002（6）：783-786

［35］王宏博，赵梓淇，林毅，等.基于线性回归算法的春玉米叶面积指数的冠层高光谱反演研究［J］.光谱学与光谱分析，2017，37（5）：1489-1496

［36］唐延林，王人潮，黄敬峰，等.不同供氮水平下水稻高光谱及其红边特征研究［J］.遥感学报，2004（2）：185-192

［37］MAHLEIN A，STEINER U，DEHNE H，et al. Spectral signatures of sugar beet leaves for the detection and differentiation of diseases［J］. Precision Agriculture，2010，11（4）：413-431

［38］HAIKUAN F，HUILIN T，YIGUANG F，et al. Comparison of winter wheat Yield Estimation based on Near-Surface Hyperspectral and UAV Hyperspectral Remote Sensing Data［J］. Remote Sensing，2022，14（17）：4158-4158

［39］王秀梅.内蒙古典型草原植被地上生物量遥感反演［D］.呼和浩特：内蒙古大学，2022：78-80

［40］童新，杨震雷，张亦然，等.基于不同阶微分高光谱植被指数的牧区草场地上生物量估算［J］.草地学报，2022，30（9）：2438-2448

［41］文铜，柳小妮，纪童，等.基于植被指数的三江源高寒草地植物分类与识别方法研究［J］.草地学报，2022，30（7）：1811-1818

（责任编辑" 刘婷婷）