東北地理所在松嫩鹽堿化草地FVC/AGB無損監(jiān)測研究中取得進展
準確、高效地監(jiān)測草地覆蓋度（FVC）和地上生物量（AGB）兩項核心生態(tài)指標，是科學診斷草甸草原退化程度、評估生態(tài)系統(tǒng)恢復力、制定精準恢復與管理策略的關鍵基礎。傳統(tǒng)依賴人工野外調(diào)查的方法周期長、覆蓋范圍有限。近年來，“天空地一體化”監(jiān)測體系的發(fā)展顯著提升了草地退化監(jiān)測的速度與準確性。然而，發(fā)展高效、精準、低成本的無損監(jiān)測技術(shù)仍是提升生態(tài)系統(tǒng)管理科學化水平的迫切需求。
針對這一挑戰(zhàn)，東北地理與農(nóng)業(yè)生態(tài)研究所鹽堿地資源與利用學科組的研究人員成功開發(fā)出一套基于智能手機RGB圖像和深度學習的全新無損估算方法，顯著提升了AGB與FVC的評估效率和精度。研究團隊在中國吉林西部草甸草原采集了574張智能手機RGB圖像（圖1），并通過結(jié)合U-Net神經(jīng)網(wǎng)絡與凸包掩膜自動識別1m × 1m樣方區(qū)域，將圖像分割精度從61.8%顯著提升至90.1%。研究比較了多種植被指數(shù)，發(fā)現(xiàn)植被顏色指數(shù)（CIVE）在草地圖像中的表現(xiàn)最為穩(wěn)健，在鮮草樣地中FVC與AGB的相關系數(shù)分別達0.85與0.54。為應對干草與土壤之間的光譜混淆問題，特別是在干草占比超過10%的圖像中，團隊提出“先分割后重分類”的新流程，引入了TurboPixels超像素、邊緣引導分水嶺分割與k均值聚類等圖像處理技術(shù)，顯著提升了分類準確性（圖2）。
圖1 吉林省西部采樣點位置及典型樣方調(diào)查照片
建模過程中，研究采用了五種主流回歸算法（嶺回歸、k近鄰、支持向量回歸、隨機森林和偏最小二乘回歸），并分別在兩組輸入變量上開展訓練。結(jié)果表明，對鮮草和干草分別建模，平均可提升模型決定系數(shù)（R2）0.23，最大降低均方根誤差（RMSE）達41%。其中，融入植被高度信息對提升AGB估算精度尤為關鍵，最優(yōu)模型R2可達0.62（圖3）。該研究所提出的技術(shù)框架僅依賴輕量化RGB影像和低成本計算資源，具備實地實時應用的巨大潛力，為多尺度草地遙感監(jiān)測與生態(tài)評估提供了新的可靠工具。
圖2 基于深度學習與圖像處理技術(shù)的 FVC和AGB 估算流程圖
圖3 FVC與AGB實測值與預測值散點圖
相關研究成果以“Integrating image segmentation and auxiliary data for efficient estimation of FVC and AGB”為題，”發(fā)表在國際期刊《Smart Agricultural Technology》上，研究生張禧鳳為第一作者，博士后徐璐、馬紅媛研究員為通訊作者。研究得到國家自然科學聯(lián)合基金(No.U23A2004)、國家重點研發(fā)項目(No.2022YFF1300601)及中國科學院東北地理所創(chuàng)新團隊(2023CXTD02）等項目共同資助。
論文信息：
Zhang XF,Xu L*,Li YX,Yang Y, Li JG,Ma HY*. Integrating image segmentation and auxiliary data for efficient estimation of FVC and AGB,Smart Agricultural Technology,2025,12,101233.
論文鏈接：https://doi.org/10.1016/j.atech.2025.101233
附件下載：
吉公網(wǎng)安備22017302000214號
