引用本文
冯琦胜, 殷建鹏, 杨淑霞, 梁天刚. 草层高度遥感监测研究进展. 草业科学, 2018,35(5): 1040-1046
Feng Qi-sheng, Yin Jian-peng, Yang Shu-xia, Liang Tian-gang. Advances in study on grass height using remote-sensing monitoring. Pratacultural Science, 2018,35(5): 1040-1046.  
Doi: 10.11829/j.issn.1001-0629.2017-0507
Permissions
Copyright©2018, 《草业科学》编辑部
《草业科学》编辑部
草层高度遥感监测研究进展
冯琦胜, 殷建鹏, 杨淑霞, 梁天刚
兰州大学草地农业生态系统国家重点实验室 兰州大学草地农业科技学院,甘肃 兰州 730020
通讯作者:梁天刚(1967-),男,甘肃崇信人,教授,博士,主要从事草地遥感与地理信息系统研究。E-mail:[email protected]

第一作者:冯琦胜(1983-),男,甘肃镇原人,实验师,博士,主要从事草地遥感研究。E-mail:[email protected]

收稿日期: 2017-10-09 接受日期: 2017-12-21
资助项目: 国家自然科学基金项目(31702175、3167130274); 长江学者和创新团队发展计划(IRT13019)
摘要

草层高度在草地退化和沙化评价、生物量遥感监测、牧区雪灾监测中都具有重要的作用和价值,然而草层高度精确监测和制图一直是草地遥感研究的难点。近年来随着多光谱遥感、激光雷达遥感技术、无人机技术和高光谱遥感技术的不断发展,为草层高度的高精度遥感监测提供了技术支撑。本文在综述草层高度遥感监测研究进展的基础上,归纳了草层高度遥感监测研究存在的问题及展望,以期为草层高度高精度遥感监测研究提供帮助。

关键词: 草层高度; 无人机遥感; 高光谱遥感; 多光谱遥感; 激光雷达
中图分类号:S812.6;S127 文献标志码:A 文章编号:1001-0629(2018)05-1040-07
Advances in study on grass height using remote-sensing monitoring
Feng Qi-sheng, Yin Jian-peng, Yang Shu-xia, Liang Tian-gang
State Key Laboratory of Grassland Agro-ecosystems, College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, Gansu, China
Corresponding author: Liang Tian-gang E-mail:[email protected]
Abstract

Grass height plays a vital role in grassland degradation, desertification assessment, remote-sensing monitoring of grassland aboveground biomass, and monitoring of pastureland snow disasters. However, highly accurate monitoring and mapping of grass height has always been a difficult issue in grassland remote-sensing research. In recent years, the continuous development of multispectral remote sensing, LiDAR remote sensing technology, unmanned aerial vehicles, and hyperspectral remote sensing technology has provided technical support for high-precision remote-sensing monitoring of grass height. Based on the review of remote-sensing monitoring of grass height, this paper summarizes the existing problems and prospects of grass height remote-sensing monitoring to provide assistance for high-precision remote-sensing monitoring of grass height.

Key words: grass height; UAV remote sensing; hyperspectral remote sensing; multispectral remote sensing; Light detection and ranging(LiDAR)

在草地保护、管理和生产过程中, 准确监测草地生长状况及其空间变化是合理利用草地、改善生态环境、防灾减灾、实现可持续发展的基础性工作, 对草地畜牧业发展和生态环境保护具有极为重要的意义。作为草地资源野外调查“ 四度一量” 中的一个重要指标, 草层高度在草地资源评价中的作用不言而喻。

草层高度是草地退化、沙化评价的重要指标之一。结合遥感和地理信息系统的手段和方法进行大面积、快速动态监测草地退化状况是草地动态监测研究的重要方向。基于遥感的草地退化评价多以产草量、盖度和高度作为主要指标。如“ 天然草地退化-沙化-盐渍化的分级指标” 国家标准(GB 19377-2003)中, 将草层高度相对百分数的降低率作为草地退化评价指标之一。草层高度也是草原沙化治理工程生态效益评价的重要指标[1-3]。如杜自强等[[4]、徐剑波等[5, 6]将草层高度作为评价草地退化的重要指标之一, 研究草地退化现状的监测评价。

传统的基于遥感技术的草地地上生物量的研究均需要在地面布设大量的样方并对牧草齐地面刈割, 这种采样方法不仅耗时耗力且对草地有一定的破坏性。已有研究表明, 草层高度与草地地上生物量之间具有显著的正相关关系[7]。引入草层高度参数可以有效提高草地遥感估产的精度[8], 同时草层高度可用于草地生物量的非破坏性估产[9], 如Fricke等[10, 11]利用超声波距离传感器测量牧草的高度, 并结合可以反映牧草密度的遥感植被指数, 建立二元多项式模拟栽培草地的生物量。Kaizu等[12]采用三维激光扫描仪建立草层表面高度模型, 构建了基于草层高度的估产模型。Pittman等[13]认为使用基于草层高度的生物量估算模型进行快速、准确的草地地上生物量估算可能是一个有效的替代传统刈割的方法。李文等[14]和王玉霞等[15]利用植物群落草层高度、盖度、密度等综合指标与天然草地草产量间的相关性, 建立函数关系, 并制作成简易的测草杖进行草产量的快速测定。在三江源区的研究结果表明, 基于经纬度、草地盖度和高度的多元回归模型可以反映草地地上生物量变化的70%[8]。这些研究在提高草地生物量监测精度方面, 取得了较好的结果, 也为草地非破坏性估产提供了理论支撑[16]。

草层高度是牧区雪灾监测研究的关键指标。冬春放牧地的草层高度是牧区雪灾灾情监测、等级划分和雪灾预警研究的重要指标之一[17, 18]。如李友文和刘寿东[19]将入冬前牧草平均高度作为基本因子建立了雪灾评估模式。中国牧区雪灾等级国家标准(GB/T20482-2006)将积雪掩埋牧草程度作为雪灾等级划分标准之一[20]。刘兴元等[21, 22]在新疆阿勒泰地区和北疆地区的雪灾评价体系中, 将草层高度作为草地抗灾力评价指标之一。张国胜等[23]将草层高度作为草地雪灾风险评价因子之一。李兴华等[18]将牧草高度作为判断指标之一, 结合前期积雪深度、积雪面积和气象预报信息进行内蒙古牧区雪灾预警。Wang等[24]构建的青藏高原牧区雪灾预警模型中, 将草地掩埋指数(积雪深度/草层高度)作为青藏高原雪灾预警的重要指标之一。

然而, 草层高度地面观测多依赖于大量的实地测量, 传统方法操作简单、精度高, 但需要耗费大量的人力和物力, 且时效性和空间尺度有限, 难以准确反映大范围的草层高度时空动态变化状况。近年来随着多光谱遥感、无人机技术、激光雷达遥感技术和高光谱遥感技术的不断发展, 为草层高度的高精度遥感监测提供了技术支撑。

1 国内外研究现状及发展动态

目前, 基于遥感技术的草层高度反演研究根据采用的数据源不同可分为4个方面。

1.1 基于多光谱遥感数据的草层高度反演方法

目前被广泛且成功应用于天然草地动态监测的多光谱遥感, 如中分辨率成像光谱仪(Moderate-Resolution Imaging Spectroradiometer, MODIS)、地球观测系统(Systeme Probatoire d’ Observation de la Terre, SPOT)、陆地卫星(Landsat)系列、国家极地轨道运行环境卫星系统(National Polar-orbiting Operational Environmental Satellite System Preparatory Project, NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)等, 主要侧重于草地面积、生物量、生产力、盖度等方面的监测研究, 基于多光谱遥感数据的植被指数与草层高度间的相关关系较差[6], 大范围草层高度反演多基于植被指数进行估算, 如Chen等[25, 26]提出一种基于NDVI的草层高度估算方法, 认为某一种类型草地的高度可表示为该类型草地草层高度最大和最小值与NDVI最大和最小值的函数, 即NDVI越大, 草层高度越高。Liang等[8]对比分析了基于MODIS数据的12种植被指数与草层盖度间的关系, 结果表明, 对草层高度最敏感的是EVI, 仅能反映草层高度变化的24.96%, 由此可见, 基于多光谱的草地高度遥感反演模型精度较低, 在实践中基本不适用。

1.2 基于激光雷达遥感的草层高度反演

激光雷达(Light Detection and Ranging, LiDAR)是一种主动遥感探测技术, 在探测植被的空间结构信息方面有巨大优势[27, 28], 自2003年搭载有激光测高系统(Geoscience Laser Altimeter System, GLAS)的ICESat (Ice, Cloud and land Elevation Satellite)卫星成功发射以来, 由于其具有覆盖范围大、免费获取、重复观测等优点, 不仅被广泛地应用于海冰、海平面、陆地表面高度测量, 而且被用于植被参数估算, 如冠层高度、郁闭度、生物量、NPP等[29, 30, 31]。激光雷达按搭载平台可分为地基、机载和星载激光雷达3种类型。地基激光雷达可在有效范围内获取大量的植被三维坐标, 形成数据点云, 进而生成三维对象模型, 精度能够达到厘米级别, 能够实现样方尺度上草层高度、盖度等参数测量精度的需求[32]。例如, Radtke等[33]采用LiDAR数据建立了紫花苜蓿(Medicago sativa)和高羊茅(Festuca arundinacea)草地样方的草层表面高度模型。张海东等[34]利用HDS 3000(Leica Geosystems HDS, San Ramon, CA, USA)地面激光雷达, 研究了江西省兴国县植被垂直结构, 得到研究样方灌草层植被高度信息。虞海英[35]借助机载激光雷达数据和高光谱数据, 以植被高度为参数, 构建了湿生植被生物量反演模型。但这些方法较适用于局部或样地尺度的观测研究, 在大区域的应用还比较困难[32], 需要继续探索。激光雷达, 特别是大光斑激光雷达数据是离散的, 不能在区域尺度进行植被空间结构参数的连续估算。因此只有将激光雷达数据和其他连续采样遥感数据(如高光谱遥感数据)相结合才能在较大范围实现植被空间结构参数的估算[36]。所以, 如何将长时间序列的光学遥感数据与激光雷达数据相结合, 实现大范围的植被空间结构参数模拟和制图将是未来研究的重点。

1.3 基于无人机的样地尺度草层高度观测

近年来, 随着无人机(Unmanned Aerial Vehicles, UAVs)技术的不断发展, 尤其是SfM(Structure from Motion)摄影测量技术在小型廉价无人机平台上的成功应用, 使得基于无人机的高时空分辨率草层高度观测技术得以快速发展, 这在观测尺度上填补了从样方到卫星遥感数据间的缺口, 为草层高度升尺度研究提供了基础。SfM是基于相机获取的多视角图像集来估计相机位姿(Motion), 并重建场景结构(Structure)的技术, 这种新型数字摄影测量技术可以利用高效的图像特征匹配算法, 从多视角照片中提取重叠区域的三维地形数据。由于SfM技术仅需要目标物体的照片, 而对相机拍摄位置、图像尺度及拍摄焦距没有要求, 因此利用简单测量平台采集地面照片就可以获取高质量的三维地形数据, 成本低廉, 操作简单。基于SfM算法的Agisoft PhotoScan(Agisoft LLC, St. Petersburg, Russia, http://www.agisoft.com/)软件的推广更加速了这种技术的广泛应用[37-39]。PhotoScan可生成高分辨率正射影像及带精细色彩纹理的数字高程模型(Digital Elevation Model, DEM), 如果使用控制点, 精度可以达到厘米级别。无论是航摄照片还是高分辨率数码相机拍摄的影像都可以使用[40]。近年来已有许多SfM应用实例, 例如Lucieer等[37]借助无人机平台和佳能550D相机, 低空拍摄南极洲东部苔藓地貌, 基于构建的2 cm分辨率数字地表模型(Digital Surface Model, DSM)来分析上游雪融水流对苔藓健康程度的影响。魏占玉等[41]对比机载LiDAR和基于航拍照片的SfM测量结果, 发现SfM在大尺度测量情况下DEM分辨率优于机载LiDAR数据, 且测量精度与机载LiDAR相近。Bendig等[42, 43]利用无人机获取RGB可见光影像构建的多时相高分辨率作物表面模型(CSMs)估算出大麦(Hordeum vulgare)的株高表面模型数据, 与实测株高的决定系数(R2)达0.92; Bareth等[44]和Possoch等[45]基于DJI精灵2无人机搭载的GoPro Hero 3相机获取的400幅多时相的样地照片以及14个地面控制点数据, 采用Agisoft PhotoScan软件生成了样地尺度的DSM图像。Brocks等[46]基于Python语言构建了一个借助ArcGIS和Agisoft PhotoScan软件自动实现SfM算法并建立作物表面模型的软件包, 对比分析了基于无人机图像计算的大麦高度与实测高度间的关系, 结果表明大麦高度估测值与实测值的R2达0.87。Bareth等[47]通过比较发现, 基于无人机与基于激光扫描仪获取的草层高度间具有显著的相关性(R2=0.91)。由此可见, SfM技术大大降低了地表高精度三维模型数据的获取成本, 可用于样地尺度的草层高度观测

1.4 基于高光谱遥感数据的草层高度反演方法

在过去的30多年间, 高光谱遥感技术已经被广泛地应用在植被叶面积指数、生物量、叶绿素含量等生物物理及化学属性的精确定量化研究, 出现了诸多能够准确估测植物属性的新方法[48, 49, 50, 51]。健康植被和植物光谱曲线在可见光波段(390-770 nm)、近红外波段(700-800 nm)以及短波红外(1 400-2 200 nm)都表现出独有的吸收或反射特征[52], 这些特征不仅能够用于构建诸如比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调节植被指数(SAVI)等宽波段植被指数, 也被用来构建可以反映草层高度变化的窄波段植被指数。如Capolupo等[53]采用无人机搭载的光谱仪获得的高光谱图像, 在样地尺度研究了窄波段植被指数同草层高度之间的关系, 发现改进后的叶绿素吸收反射率与优化的土壤调节植被指数的比值(ratio of Modified Chlorophyll Absorption in Reflectance to Optimized Soil-Adjusted Vegetation Index, MCARI/OSAVI)和归一化红边指数(Normalized Difference Red Edge, NDRE)与草层高度之间的决定系数分别为0.599和0.40, 并据此绘制了研究区的草层高度空间格局。

2 存在的问题及发展方向

综上所述, 虽然在草层高度遥感反演研究方面已取得一定进展, 但尚存在一些问题。

1)多光谱遥感受有限的光谱通道及不连续的宽波段的制约, 仅利用基于宽波段植被指数的草层高度模型反演精度低, 稳定性差, 无法满足天然草地草层高度反演和制图需求。

2)激光雷达技术是草层高度观测的重要手段, 但地基雷达传感器观测范围有限, 仅适用于样方尺度的研究工作; 机载激光雷达数据获取成本高, 且难以实现大范围长时间尺度的连续数据获取; 星载激光雷达数据在天然草地草层高度研究方面尚待深入研究。新一代星载激光雷达卫星ICESat-2将于2018年发射, 其搭载的ATLAS(Advanced Topographic Laser Altimeter System)测高系统采用了微脉冲多波束光子计数激光雷达技术, 与ICESat-1相比, 其精度有了更大的提升。ICESat-2将测量植物的冠层高度以帮助研究人员在较大范围内估计生物量及其变化作为其科学目标之一。

3)随着小型廉价无人机与成像技术系统的日趋成熟, 可以实现样地尺度上草层高度的精确观测, 为草层高度的卫星遥感研究提供大量的地面观测样本, 弥补传统地面观测方法存在的众多弊端。这一方法不仅是地面观测的重要补充, 也是传统地面观测与卫星遥感的桥梁。尤其是基于SfM方法的小型廉价无人机平台, 可以构建较高精度的植被表面模型, 实现样地尺度草层高度的精确观测。该方法虽然受小型无人机续航时间、可达范围的限制, 难以实现较大时空范围草层高度的连续观测, 但该方法将原来基于样方的草层高度观测提升至样地尺度, 可以实现草层高度的地面-低空-卫星不同尺度的观测, 为草层高度遥感观测研究提供大量观测样本。

4)高光谱遥感技术系统, 特别是机载和星载成像高光谱系统的不断发展, 为探索草层高度监测提供了前所未有的数据源。目前草层高度高光谱遥感研究主要依赖于地物光谱仪, 以草地光谱特征分析为主, 在样地尺度开展了大量的工作, 取得了丰富的研究成果。然而, 受限于星载高光谱数据天气状况、成像时间匹配等因素的影响, 在草地草层高度监测方面, 缺乏地物光谱仪与星载高光谱遥感数据的有机结合, 尚未实现较大时空范围的草层高度反演与动态监测。近年来随着基于无人机的高光谱遥感技术系统的日趋成熟, 为地物光谱与星载高光谱间成功搭建桥梁, 使得成像光谱图像数据与光谱仪地面实测光谱数据之间的匹配研究成为可能。

虽然我国在高光谱遥感研究方面起步晚, 但随着环境减灾卫星(HJ-1A)、天宫一号目标飞行器(TG-1)的成功发射, 其搭载的我国自主研发的高光谱成像光谱仪获取的数据已经应用于科学研究中[54, 55], 2016年成功发射的搭载有高光谱传感器的天宫二号(TG-2)及即将发射的高分系列的第五颗卫星(GF-5), 也进一步丰富了我国高光谱遥感数据, 未来高光谱遥感将在草地监测研究中起到更加重要的作用。因此, 高光谱遥感技术的不断发展及其在草层高度遥感反演方面已取得的一些探索性的研究成果, 为基于高光谱遥感的草层高度反演研究的深入开展奠定了良好的基础。

3 总结

多光谱遥感由于波谱通道数量和波谱范围的限制, 对草地高度反演的精度较低, 不能准确地反映草层高度的变化。激光雷达遥感具有较高的测量精度, 但如何将其与长时间序列的光学遥感数据相结合, 实现大范围的植被空间结构参数模拟和制图将是未来研究的重点和难点。无人机和高光谱遥感技术的不断发展, 为草层高度的高精度遥感监测提供了技术支撑, 为实现样地尺度草层高度的精确观测提供了技术和手段, 可为草层高度的卫星遥感研究提供大量的地面观测样本, 弥补传统地面观测方法存在的众多弊端。

The authors have declared that no competing interests exist.

参考文献
[1] 杨婷婷, 吴新宏, 王秋菊, 李鹏, 姚国征. 基于3S的草原沙化治理工程生态效益评价与实证研究. 草业科学, 2009, 26(9): 7-12.
Yang T T, Wu X H, Wang Q J, Li P, Yao G Z. The study on ecological benefit of grassland desertification control project based on 3S technology. Pratacultural Science, 2009, 26(9): 7-12. (in Chinese) [本文引用:1]
[2] 郭铌, 韩天虎, 王静, 韩涛, 孙斌. 玛曲退牧还草工程生态效果的遥感监测. 中国沙漠, 2010, 30(1): 154-160.
Guo N, Han T H, Wang J, Han T, Sun B. Ecological effects of “Restoring Grazing to Grassland Project” in Maqu County. Journal of Desert Research, 2010, 30(1): 154-160. (in Chinese) [本文引用:1]
[3] 宁心哲, 杜敏, 牟亚男, 王玉华, 钟贵廷. 呼伦贝尔草原沙化治理封育工程生态效益评价. 内蒙古林业科技, 2015, 41(3): 22-26.
Ning X Z, Du M, Mu Y N, Wang Y H, Zhong G T. Ecological benefit evaluation of grassland desertification control project in Hulunbeier. Journal of Inner Mongolia Forestry Science & Technology, 2015, 41(3): 22-26. (in Chinese) [本文引用:1]
[4] 杜自强, 王建, 李建龙, 杨峰, 杨齐, 钱育蓉. 黑河中上游典型地区草地植被退化遥感动态监测. 农业工程学报, 2010, 26(4): 180-185.
Du Z Q, Wang J, Li J L, Yang F, Yang Q, Qian Y R. Remote sensing-based monitor dynamically grassland degradation in typical regions, middle and upper reaches of Heihe River Basin, Western China. Transactions of the CSAE, 2010, 26(4): 180-185. (in Chinese) [本文引用:1]
[5] 徐剑波, 陈进发, 胡月明, 赵之重. 青海省玛多县草地退化现状及动态变化研究. 草业科学, 2011, 28(3): 359-364.
Xu J B, Chen J F, Hu Y M, Zhao Z Z. Research on the status and the dynamic of grassland degradation in Maduo County, Qinghai Province. Pratacultural Science, 2011, 28(3): 359-364. (in Chinese) [本文引用:1]
[6] 徐剑波, 宋立生, 赵之重, 胡月明, 刘畅. 近15a来黄河源地区玛多县草地植被退化的遥感动态监测. 干旱区地理, 2012, 35(4): 615-622.
Xu J B, Song L S, Zhao Z Z, Hu Y M, Liu C. Monitoring grassland degradation dynamically at Maduo County in source region of Yellow River in past 15 years based on remote sensing. Arid Land Geography, 2012, 35(4): 615-622. (in Chinese) [本文引用:2]
[7] 张玉勋, 李建东. 草地植物群落地上生物量非破坏性估测方法探讨. 植物生态学与地植物学学报, 1991, 15(2): 177-182.
Zhang Y X, Li J D. A Study on Non-destructive methods for estimating above-ground biomass of grassland plant communities. Acta Phytoecologica ET Geobotanica Sinica, 1991, 15(2): 177-182. (in Chinese) [本文引用:1]
[8] Liang T G, Yang S X, Feng Q S, Liu B K, Zhang R P, Huang X D, Xie H J. Multi-factor modeling of above-ground biomass in alpine grassland : A case study in the Three-River Headwaters Region, China. Remote Sensing of Environment, 2016, 186: 164-172. [本文引用:3]
[9] 张典业, 牛得草, 陈鸿洋, 张永超, 傅华. 青藏高原东缘高寒草甸地上生物量的估测模型. 山地学报, 2014, 32(4): 453-459.
Zhang D Y, Niu D C, Chen H Y, Zhang Y C, Fu H. Estimation of aboveground biomass in an alpine meadow on the Eastern Qinghai-Tibetan Plateau. Mountain Research, 2014, 32(4): 453-459. (in Chinese) [本文引用:1]
[10] Fricke T, Richter F, Wachendorf M. Assessment of forage mass from grassland swards by height measurement using an ultrasonic sensor. Computers and Electronics in Agriculture, 2011, 79(2): 142-152. [本文引用:1]
[11] Fricke T, Wachendorf M. Combining ultrasonic sward height and spectral signatures to assess the biomass of legume-grass swards. Computers and Electronics in Agriculture, 2013, 99(7): 236-247. [本文引用:1]
[12] Kaizu Y, Choi J-M, Kang T-H. Grass height and yield estimation using a three-diniensional laser scanner. Environmental Control in Biology, 2012, 50(1): 41-51. [本文引用:1]
[13] Pittman J J, Arnall D B, Interrante S M, Moffet C A, Butler T J. Estimation of biomass and canopy height in bermudagrass, alfalfa, and wheat using ultrasonic, laser, and spectral sensors. Sensors, 2015, 15(2): 2920-2943. [本文引用:1]
[14] 李文, 曹文侠, 李小龙, 徐长林, 师尚礼. 一种高寒草地草产量快速测定工具的设计和试验. 草地学报, 2016, 24(4): 892-894.
Li W, Cao W X, Li X L, Xu C L, Shi S L. Design and experiment of a rapid measurement tool of the grassland aboveground productivity in Qinghai-Tibet Plateau. Acta Agrestia Sinica, 2016, 24(4): 892-894. (in Chinese) [本文引用:1]
[15] 王玉霞, 梁卫卫, 陈俊, 关青青, 魏志成, 白慧敏, 冯兆佳. 利用简易测量板估测白三叶群落地上生物量. 应用生态学报, 2016, 27(6): 1886-1892.
Wang Y X, Liang W W, Chen J, Guan Q Q, Wei Z C, Bai H M, Feng Z J. Estimating aboveground biomass of Trifolium repens community using measuring plates. Chinese Journal of Applied Ecology, 2016, 27(6): 1886-1892. (in Chinese) [本文引用:1]
[16] Kallenbach R L. Describing the dynamic: Measuring and assessing the value of plants in the pasture. Crop Science, 2015, 55(6): 2531-2539. [本文引用:1]
[17] 宫德基, 郝慕玲. 白灾成灾综合指数的研究. 应用气象学报, 1998, 9(1): 119-123.
Gong D J, Hao M L. Synthetical indexes of the disaster of snow cover. Quarterly Journal of Applied Meteorology, 1998, 9(1): 119-123. (in Chinese) [本文引用:1]
[18] 李兴华, 朝鲁门, 刘秀荣, 李友文. 内蒙古牧区雪灾的预警. 草业科学, 2014, 31(6): 1195-1200.
Li X H, Chao L M, Liu X R, Li Y W. Snow disaster warning system in pastoral areas of Inner Mongolia. Pratacultural Science, 2014, 31(6): 1195-1200. (in Chinese) [本文引用:2]
[19] 李友文, 刘寿东. 内蒙古牧区黑、白灾监测模式及等级指标的研制. 应用气象学报, 2000, 11(4): 499-504.
Li Y W, Liu S D. A study of models for monitoring winter drought and heavy snow and the determination of grading indexes in the animal husband ry area of the Inner Mongolia Autonomous region. Quarterly Journal of Applied Meteorology, 2000, 11(4): 499-504. (in Chinese) [本文引用:1]
[20] 李海红, 李锡福, 张海珍, 肖宏斌. 中国牧区雪灾等级指标研究. 青海气象, 2006(1): 24-28.
Li H H, Li X F, Zhang H Z, Xiao H B. Study on the snow disaster indexes of pastoral area in China. Qinghai Meteorology, 2006(1): 24-28. (in Chinese) [本文引用:1]
[21] 刘兴元, 陈全功, 梁天刚, 郭正刚, 柴琦. 新疆阿勒泰牧区雪灾遥感监测体系构建与灾害评价系统研究. 应用生态学报, 2006, 17(2): 215-220.
Liu X Y, Chen Q G, Liang T G, Guo Z G, Chai Q. Establishment of snow disaster remote sensing monitoring and damage estimation systems in Altai pastoral region of Xinjiang. Chinese Journal of Applied Ecology, 2006, 17(2): 215-220. (in Chinese) [本文引用:]
[22] 刘兴元, 梁天刚, 郭正刚, 张学通. 北疆牧区雪灾预警与风险评估方法. 应用生态学报, 2008, 19(1): 133-138.
Liu X Y, Liang T G, Guo Z G, Zhang X T. Early warning and risk assessment of snow disaster in pastoral area of northern Xinjiang. Chinese Journal of Applied Ecology, 2008, 19(1): 133-138. (in Chinese) [本文引用:1]
[23] 张国胜, 伏洋, 颜亮东, 刘宝康, 石德军, 杨力军. 三江源地区雪灾风险预警指标体系及风险管理研究. 草业科学, 2009, 26(5): 144-150.
Zhang G S, Fu Y, Yan L D, Liu B K, Shi D J, Yang L J. Study on warning indicator system of snow disaster and risk management in headwaters region. Pratacultural Science, 2009, 26(5): 144-150. (in Chinese) [本文引用:1]
[24] Wang W, Liang T G, Huang X D, Feng Q S, Xie H J, Liu X Y, Chen M D, Wang X L. Early warning of snow-caused disasters in pastoral areas on the Tibetan Plateau. Natural Hazards and Earth System Sciences, 2013, 13(6): 1411-1425. [本文引用:1]
[25] Chen X, Su Z, Ma Y. Yang K. Wen J. Zhang Y. An improvement of roughness height parameterization of the surface energy balance system (SEBS) over the Tibetan Plateau. Journal of Applied Meteorology and Climatology, 2013, 52(3): 607-622. [本文引用:]
[26] Chen X, Su Z, Ma Y, Liu S, Yu Q, Xu Z. Development of a 10-year (2001-20100. 1° data set of land -surface energy balance for mainland China. Atmosphere Chemistry and Physics, 2014, 14(23): 13079-13117. [本文引用:1]
[27] 杨婷, 王成, 李贵才, 骆社周, 习晓环, 高帅, 曾鸿程. 基于星载激光雷达GLAS 和光学MODIS数据中国森林冠层高度制图. 中国科学: 地球科学, 2014, 44(11): 2487-2498.
Yang T, Wang C, Li G C, Luo S Z, Xi X H, Gao S, Zeng H C. Forest canopy height mapping over China using GLAS and MODIS data. Science China: Earth Sciences, 2014, 44(11): 2487-2498. (in Chinese) [本文引用:1]
[28] 胡凯龙, 刘清旺, 崔希民, 庞勇, 穆喜云. 多源遥感数据支持下的区域性森林冠层高度估测. 武汉大学学报(信息科学版), 2018, 43(2): 289-296, 303.
Hu K L, Liu Q W, Cui X M, Pang Y, Mu X Y. Regional forest canopy height estimation using multi-source remote sensing data. Geomatics and Information Science of Wuhan University, 2018, 43(2): 289-296, 303. (in Chinese) [本文引用:1]
[29] 文汉江, 程鹏飞. ICESAT/GLAS 激光测高原理及其应用. 测绘科学, 2005, 30(5): 33-35.
Wen H J, Cheng P F. Introduction to principle of ICESAT/ GLAS laser altimetry and its applications. Science of Surveying and Mapping, 2005, 30(5): 33-35. (in Chinese) [本文引用:1]
[30] 马利群, 李爱农. 激光雷达在森林垂直结构参数估算中的应用. 世界林业研究, 2011, 24(1): 41-45.
Ma L Q, Li A N. Review of application of LiDAR to estimation of forest vertical structure parameters. World Forestry Research, 2011, 24(1): 41-45. (in Chinese) [本文引用:1]
[31] 夏少波, 王成, 习晓环, 骆社周, 曾鸿程. ICESat-2机载试验点云滤波及植被高度反演. 遥感学报, 2014, 18(6): 1199-1207.
Xia S B, Wang C, Xi X H, Luo S Z, Zeng H C. Point cloud filtering and tree height estimation using airborne experiment data of ICESat-2. Journal of Remote Sensing, 2014, 18(6): 1199-1207. (in Chinese) [本文引用:1]
[32] 焦桐, 刘荣高, 刘洋, 陈镜明. 林下植被遥感反演研究进展. 地球信息科学学报, 2014, 16(4): 602-608.
Jiao T, Liu R G, Liu Y, Chen J M. The progress of forest understory retrieval from remote sensing. Journal of Geo-information Science, 2014, 16(4): 602-608. (in Chinese) [本文引用:2]
[33] Radtke P J, Boland H T, Scaglia G. An evaluation of overhead laser scanning to estimate herbage removals in pasture quadrats. Agricultural and Forest Meteorology, 2010, 150(12): 1523-1528. [本文引用:1]
[34] 张海东, 于东升, 史学正, 王宁. 地面三维激光扫描方法研究红壤侵蚀恢复区植被垂直结构. 土壤, 2014, 46(5): 948-953.
Zhang H D, Yu D S, Shi X Z, Wang N. Retrieval of forest vertical structure in eroded area of Southern China using terrestrial LiDAR systems. Soils, 2014, 46(5): 948-953. (in Chinese) [本文引用:1]
[35] 虞海英. 融合机载LIDAR和高光谱数据的滨海湿生植被生物量反演方法研究. 北京: 中国测绘科学研究院硕士学位论文, 2015.
Yu H Y. Research on estimation of coastal wetland vegetation above-ground biomass with airborne hyperspectral and LiDAR Data. Master Thesis. Beijing: Chinese Academy of Surveying and Mapping, 2015. (in Chinese) [本文引用:1]
[36] 邱赛, 邢艳秋, 田静, 丁建华. 星载LiDAR与HJ-1A/HSI高光谱数据联合估测区域森林冠层高度. 林业科学, 2016, 52(5): 142-149.
Qiu S, Xing Y Q, Tian J, Ding J H. Forest canopy height estimation of large area using spaceborne LiDAR and HJ-1A/HSI hyperspectral imageries. Scientia Silvae Sinicae, 2016, 52(5): 142-149. (in Chinese) [本文引用:1]
[37] Lucieer A, Turner D, King D H, Robinson S A. Using an Unmanned Aerial Vehicle (UAV) to capture micro-topography of Antarctic moss beds. International Journal of Applied Earth Observation & Geoinformation, 2014, 27(4): 53-62. [本文引用:1]
[38] Sona G, Pinto L, Pagliari D, Passoni D, Gini R. Experimental analysis of different software packages for orientation and digital surface modelling from UAV images. Earth Science Informatics, 2014, 7(2): 97-107. [本文引用:1]
[39] Verhoeven, G. Taking computervision aloft-archaeological three-dimensional reconstructions from aerial photographs with photoscan. Archaeological Prospection, 2011, 18(1): 67-73. [本文引用:]
[40] 李秀全, 陈竹安, 张立亭. 非量测相机影像三维模型构建及精度检验. 测绘科学, 2016, 41(6): 144-147.
Li X Q, Chen Z A, Zhang L T. 3D model construction of non-metric camera images and its accuracy test. Science of Surveying and Mapping, 2016, 41(6): 144-147. (in Chinese) [本文引用:1]
[41] 魏占玉, Arrowsmith R, 何宏林, 高伟. 基于SfM方法的高密度点云数据生成及精度分析. 地震地质, 2015(2): 636-648.
Wei Z Y, Arrowsmith R, He H L, Gao W. Accuracy analysis of terrain point cloud acquired by “structure from motion” using aerial photos. Seismology and Geology, 2015(2): 636-648. (in Chinese) [本文引用:]
[42] Bendig J, Bolten A, Bennertz S. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-based RGB imaging. Remote Sensing, 2014, 6(11): 10395-10412. [本文引用:1]
[43] Bendig J, Yu K, Aasen H, Bolten A, Bennertz S, Broscheit J, Gnyp M L, Bareth G. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. International Journal of Applied Earth Observation and Geoinformation, 2015, 39: 79-87. [本文引用:1]
[44] Bareth G, Bolten A, Hollberg J, Aasen H, Burkart A, Schellberg J. Feasibility study of using non-calibrated UAV-based RGB imagery for grassland monitoring: Case study at the Rengen Long-term Grassland Experiment (RGE), Germany. Germany, Köln: 35. Wissenschaftlich-Technische Jahrestagung der DGPF, Bridging Scales-Skalenübergreifende Nah-und Fernerkundungsmethoden, 2015: 55-64. [本文引用:1]
[45] Possoch M, Bieker S, Hoffmeister D, Bolten A, Schellberg J, Bareth G. Multi-temporal crop surface models combined with the RGB vegetation index from UAV-based images for forage monitoring in grassland . Czech Republic, Prague: The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016: 991-998. [本文引用:1]
[46] Brocks S, Bendig J, Bareth G. Toward an automated low-cost three-dimensional crop surface monitoring system using oblique stereo imagery from consumer-grade smart cameras. Journal of Applied Remote Sensing, 2016, 10(4): 046021. [本文引用:1]
[47] Bareth G, Bendig J, Tilly N, Hoffmeister D, Aasen H, Bolten A. Comparison of UAV- and TLS-derived plant height for crop monitoring: Using polygon grids for the analysis of crop surface models (CSMs). Photogrammetrie Fernerkundung Geoinformation, 2016(2): 85-94. [本文引用:1]
[48] Tong Q, Xue Y, Zhang L. Progress in hyperspectral remote sensing science and technology in china over the past three decades. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(1): 70-91. [本文引用:1]
[49] 姚阔, 郭旭东, 周冬, 南颖, 石晓平. 高光谱遥感土地质量指标信息提取研究进展. 地理与地理信息科学, 2014, 30(6): 7-12.
Yao K, Guo X D, Zhou D, Nan Y, Shi X P. Advances in researches on hyperspectral remote sensing information extraction of land quality indicator. Geography and Geo-Information Science, 2014, 30(6): 7-12. (in Chinese) [本文引用:1]
[50] 胡远宁, 崔霞, 孟宝平, 杨淑霞, 梁天刚. 甘南高寒草甸主要毒杂草光谱特征分析. 草业科学, 2015, 32(2): 160-167.
Hu Y N, Cui X, Meng B P, Yang S X, Liang T G. Spectral characteristics analysis of typical poisonous weeds in Gannan alpine meadow. Pratacultural Science, 2015, 32(2): 160-167. (in Chinese) [本文引用:1]
[51] Houborg R, Fisher J B, Skidmore A K. Advances in remote sensing of vegetation function and traits. International Journal of Applied Earth Observation and Geoinformation, 2015, 43: 1-6. [本文引用:]
[52] 杨可明, 郭达志. 植被高光谱特征分析及其病害信息提取研究. 地理与地理信息科学, 2006, 22(4): 31-34.
Yang K M, Guo D Z. Analysis of hyperspectral features and extraction of disease for vegetation. Geography and Geo-Information Science, 2006, 22(4): 31-34. (in Chinese) [本文引用:1]
[53] Capolupo A, Kooistra L, Berendonk C, Boccia L, Suomalainen J. Estimating plant traits of grassland s from UAV-acquired hyperspectral images: A comparison of statistical approaches. ISPRS International Journal of Geo-Information, 2015, 4(4): 2792-2820. [本文引用:]
[54] 吴俊君, 高志海, 李增元, 王红岩, 庞勇, 孙斌, 李长龙, 李绪志, 张九星. 基于天宫一号高光谱数据的荒漠化地区稀疏植被参量估测. 光谱学与光谱分析, 2014, 34(3): 751-756.
Wu J J, Gao Z H, Li Z Y, Wang H Y, Pang Y, Sun B, Li C L, Li X Z, Zhang J X. Estimation for sparse vegetation information in desertification region based on Tiangong-1 hyperspectral image. Spectroscopy and Spectral Analysis, 2014, 34(3): 751-756. (in Chinese) [本文引用:]
[55] 姚阔, 郭旭东, 南颖, 李坤, 江淑芳, 孙婷婷. 植被生物量高光谱遥感监测研究进展. 测绘科学, 2016, 41(8): 48-53.
Yao K, Guo X D, Nan Y, Li K, Jiang S F, Sun T T. Research progress of hyperspectral remote sensing monitoring of vegetation biomass assessment. Science of Surveying and Mapping, 2016, 41(8): 48-53. (in Chinese) [本文引用:]