Ολοκληρωμένη παρακολούθηση του δείκτη ανάπτυξης της βλάστησης λιβαδιών στέπας της ερήμου με βάση το υπερφασματικό UAV

• ¹ Γεωπονικό Πανεπιστήμιο Inner Mongolia, Hohhot, Κίνα
• ² Inner Mongolia Yellow River Ecological Research Institute, Hohhot, Κίνα
• ³ Συνεργατικό Κέντρο Καινοτομίας για Ολοκληρωμένη Διαχείριση Υδατικών Πόρων και Υδάτινου Περιβάλλοντος στο τμήμα της λεκάνης απορροής του κίτρινου ποταμού εσωτερικής Μογγολίας, Χοχότ, Κίνα
• ⁴ Ordos City Science and Technology Business Development Center, Ordos, Κίνα

Ο στόχος αυτής της μελέτης ήταν η δημιουργία ενός ολοκληρωμένου δείκτη ανάπτυξης (CGI) της βλάστησης των λιβαδιών για την παρακολούθηση της συνολικής κατάστασης των λιβαδιών. Λαμβάνοντας ως ερευνητικό αντικείμενο το λιβάδι της ερήμου στο Otuoke Banner, Ordos City, Inner Mongolia, αυτή η μελέτη ενσωματώνει πέντε δείκτες. Πρώτον, η βέλτιστη ζώνη των υπερφασματικών δεδομένων μη επανδρωμένου εναέριου οχήματος βελτιστοποιείται χρησιμοποιώντας την ανάλυση συσχέτισης, τον αλγόριθμο διαδοχικής προβολής (SPA), τη μέθοδο βέλτιστου παράγοντα δείκτη και τη μέθοδο δείκτη συνδυασμού ζωνών. Στη συνέχεια κατασκευάζεται ένας φασματικός δείκτης διπλής ζώνης σε καλή συσχέτιση με το CGI στη βέλτιστη ζώνη. Στη συνέχεια, δημιουργείται ένα μοντέλο χαρακτηρισμού CGI σύμφωνα με τον αλγόριθμο παλινδρόμησης μερικών ελαχίστων τετραγώνων (PLSR) και αναλύεται η ακρίβειά του. Τέλος, εκτιμάται το CGI της περιοχής μελέτης. Τα πειραματικά αποτελέσματα έχουν ως εξής.² από τα μοντέλα που κατασκευάστηκαν χρησιμοποιώντας τα δείγματα εκπαίδευσης των φασματικών δεικτών που αντιστοιχούν στα βέλτιστα φάσματα που εξετάστηκαν με τη μέθοδο SPA ήταν 0,7835, το RMSE ήταν 0,0712 και το RE ήταν 6,89%, λιγότερο από 10%. Το R ²από τα δείγματα επικύρωσης ήταν 0,7698, το RMSE ήταν 0,0471 και το RE ήταν 6,36%, λιγότερο από 10%, η υψηλότερη ακρίβεια. 2) Τα μοντέλα κατασκευάστηκαν χρησιμοποιώντας τους φασματικούς δείκτες που αντιστοιχούν στα βέλτιστα φάσματα που εξετάστηκαν με τη μέθοδο SPA και οι μέσες τιμές CGI αντιστράφηκαν. Μια σύγκριση των μέσων μετρούμενων τιμών CGI του τετραγώνου δείγματος της περιοχής δοκιμής έδειξε ότι το μέσο σχετικό σφάλμα ήταν 3,82%. Τα αποτελέσματα δείχνουν ότι η ανάπτυξη της βλάστησης των λιβαδιών της ερήμου-στέπες μπορεί να παρακολουθηθεί επαρκώς, παρέχοντας τεχνική υποστήριξη για την ταχεία και ακριβή διάγνωση των συνθηκών λιβαδιών. Ωστόσο, εξακολουθούν να υπάρχουν ελλείψεις σε αυτή τη μελέτη. 1) Η ερευνητική περιοχή για αυτήν τη μελέτη ήταν κυρίως στη στέπα της ερήμου στο Otuoke Banner, Ordos, επομένως η συνάφεια και η καθολικότητα των ευρημάτων πρέπει να επαληθευτεί, και τα επόμενα πειράματα πρέπει να πραγματοποιηθούν σε στέπες της ερήμου σε άλλες περιοχές ή ακόμα και σε άλλους τύπους λιβαδιών για να δοκιμαστεί η καθολικότητα του μοντέλου. 2) Σε αυτή τη μελέτη, η επίδραση του υποβάθρου του εδάφους και των απορριμμάτων στη φασματική ανάκλαση δεν λαμβάνεται υπόψη σε βάθος. Επιπλέον, η επίδραση της γωνίας παρατήρησης του αισθητήρα και της γωνίας ηλιακής ανύψωσης στο μοντέλο αναστροφής απαιτεί περαιτέρω προσπάθειες έρευνας.

1. Εισαγωγή

Η στέπα της ερήμου είναι ένα χερσαίο οικοσύστημα που μεταβαίνει από λιβάδι σε έρημο στην κεντρική Ασία και βρίσκεται στον οικοτόνο των λιβαδιών και της ερήμου. Αντιπροσωπεύοντας το 34,7% της συνολικής έκτασης βοσκοτόπων στη Βόρεια Κίνα, είναι σημαντικό μέρος των λιβαδιών στην Εσωτερική Μογγολία, καθώς και σημαντική παραγωγική βάση για την κτηνοτροφία στη Βόρεια Κίνα. Η τελευταία Έκθεση Ανάπτυξης Δασών και Λιβαδιών της Κίνας αναφέρει ότι το 50% έως 60% των φυσικών λιβαδιών της Κίνας υποβαθμίζονται σε διαφορετικούς βαθμούς και τα λιβάδια της ερήμου είναι εύθραυστα οικοσυστήματα πιο επιρρεπή σε υποβάθμιση από άλλους τύπους λιβαδιών. Ως εκ τούτου, ο ακριβής και αποτελεσματικός προσδιορισμός των συνθηκών των λιβαδιών της ερήμου είναι σημαντικό ερευνητικό περιεχόμενο για την οικολογική αποκατάσταση των λιβαδιών και τη βιώσιμη ανάπτυξη.

Το κλειδί για τον προσδιορισμό των συνθηκών των λιβαδιών είναι να ληφθούν πληροφορίες σχετικά με την ανάπτυξη και την κατανομή της βλάστησης των λιβαδιών γρήγορα και με ακρίβεια. Η παραδοσιακή προσέγγιση περιλαμβάνει κυρίως δειγματοληψία πεδίου και εργαστηριακές αναλύσεις δοκιμών, οι οποίες μπορεί να είναι περίπλοκες, κουραστικές και χρονοβόρες και σπάνια να ανταποκρίνονται στις ανάγκες της περιφερειακής δυναμικής παρακολούθησης.

Η υπερφασματική τηλεπισκόπηση μη επανδρωμένων εναέριων οχημάτων (UAV) έχει πλεονεκτήματα όπως υψηλές χρονικές και χωρικές αναλύσεις, έγκαιρη απόκτηση δεδομένων, λειτουργική ευκολία, υψηλή κινητικότητα, χαμηλή παρεμβολή στο σύννεφο και χαμηλό κόστος. Ως εκ τούτου, η μέθοδος έχει χρησιμοποιηθεί ευρέως στην παρακολούθηση του δείκτη βλάστησης τα τελευταία χρόνια (Fu et al., 2021). Η εισαγωγή της τεχνολογίας υπερφασματικής τηλεπισκόπησης UAV στην ταχεία εκτίμηση της ανάπτυξης της βλάστησης των λιβαδιών έχει σημαντική ερευνητική και πρακτική αξία. Η υπερφασματική τηλεπισκόπηση UAV εστιάζει σε δείκτες όπως η κλασματική κάλυψη βλάστησης (FVC), η βιομάζα πάνω από το έδαφος (AGB) και ο δείκτης φυλλικής επιφάνειας (LAI).

Πρώτον, η βλάστηση, η οποία είναι η αναλογία της κάθετης έκτασης προβολής της βλάστησης προς τη συνολική έκταση γης, είναι ένας σημαντικός δείκτης για τη μέτρηση της κατάστασης της επιφανειακής βλάστησης. Yue et al. (2021) πρότεινε μια μέθοδο σε σχήμα ανεμιστήρα (FSM) που χρησιμοποιεί περιεκτικότητα σε χλωροφύλλη (CCC) και φασματικό δείκτη (SI). Δημιούργησαν ένα δισδιάστατο διάγραμμα διασποράς χρησιμοποιώντας το FSM, τη μη γραμμική παλινδρόμηση και ένα μοντέλο διχοτομίας εικονοστοιχείων (PDM) για τον υπολογισμό της αντιστροφής της κάλυψης σόγιας, επιτυγχάνοντας έτσι ακριβή εκτίμηση κάλυψης. Abdelbaki et al. (2021) χρησιμοποίησε υπερφασματική τηλεπισκόπηση UAV για την εκτίμηση των LAI, FVC και CCC σε έξι στάδια της περιόδου ανάπτυξης της πατάτας και αναλύεται η ακρίβεια του μοντέλου. Feng et al. (2017) πρότεινε μια μέθοδο εκτίμησης κάλυψης βλάστησης που βασίζεται σε υπερφασματικά δεδομένα UAV. Χρησιμοποίησαν την κλίση της κόκκινης άκρης k ως παράμετρο, καθώς και μεικτή αποσύνθεση εικονοστοιχείων, γεωμετρική διόρθωση, εποπτευόμενη ταξινόμηση και το PDM. Ωστόσο, η μέθοδος επηρεάζει σημαντικά την κλίση του κόκκινου άκρου όταν το φάσμα του διαστήματος της κόκκινης ακμής περιέχει ένα σφάλμα μέτρησης, με αποτέλεσμα ανεπαρκή σταθερότητα. Οι Tang et al. (2020) εξέτασε τις αποκρίσεις της κλασματικής κάλυψης βλάστησης (FVC) και του δείκτη κανονικοποιημένης διαφοράς βλάστησης (NDVI) στην υδροθερμική κλίση σε άνυδρες περιοχές της ερήμου χρησιμοποιώντας τηλεπισκόπηση μη επανδρωμένων εναέριων οχημάτων (UAV). Το FVC κάθε σημείου δειγματοληψίας λήφθηκε μέσω τηλεπισκόπησης μη επανδρωμένου εναέριου οχήματος (FVCU), το οποίο χρησιμοποιήθηκε για την εξέταση του FVC που ανακτήθηκε από το δυαδικό μοντέλο εικονοστοιχείων (FVCM). Το FVCM αντανακλούσε τη βλάστηση της περιοχής Alxa με ακρίβεια 83,1%, η οποία ήταν 14,8% χαμηλότερη από την πραγματική τιμή. Οι Ge et al. (2017) που πρότεινε χρησιμοποιήθηκαν τα δεδομένα MODIS NDVI και EVI από 41 μετρήσεις πεδίου στις ανατολικές κεφαλές του Κίτρινου Ποταμού. Σε συνδυασμό με τα δεδομένα κάλυψης αλπικών λιβαδιών που ελήφθησαν από μια γεωργική ψηφιακή φωτογραφική μηχανή (ADC), μια συνηθισμένη ψηφιακή φωτογραφική μηχανή (δηλαδή Canon 70D) και εικόνες UAV, κατασκευάστηκαν μοντέλα αντιστροφής κάλυψης λιβαδιών χρησιμοποιώντας δείκτες βλάστησης MODIS. Το βέλτιστο μοντέλο τηλεπισκόπησης χρησιμοποιήθηκε για την ανάλυση της δυναμικής κάλυψης λιβαδιών από το 2000 έως το 2015. Τα αποτελέσματα έδειξαν ότι, σε σύγκριση με την κάλυψη λιβαδιών που υπολογίστηκε με την Canon, εικόνες από το ADC και το UAV κάτω από 30 m και 100 m ύψος πτήσης με τα δύο Οι δείκτες βλάστησης MODIS αντίστοιχα, το MODIS NDVI ήταν πιο ευαίσθητο στην κάλυψη βλάστησης λιβαδιών που ανακτήθηκε από UAV κάτω από 30 m ύψος πτήσης, το βέλτιστο μοντέλο ήταν y=65. 41321n(NDVI) 109. 1763 (R2 = 0. 7575, RMSEP=8. 4780). Wei et al. (2021) χρησιμοποίησαν υπερφασματικά δεδομένα που βασίζονται σε UAV για να συγκρίνουν την ακρίβεια τριών μοντέλων εκτίμησης – του dimidiate pixel, Carlson και Baret – καθώς και του γραμμικού μικτού μοντέλου, το οποίο είναι σήμερα ένα ευρέως χρησιμοποιούμενο μοντέλο, πολυωνυμικό μετα-μη γραμμικό μοντέλο μίξης και το μοντέλο κανονικής σύνθεσης (NCM), λαμβάνοντας υπόψη τη φασματική διακύμανση. Τα αποτελέσματα έδειξαν ότι το μοντέλο NCM πέτυχε τη βέλτιστη εκτίμηση. Οι Liu et al. (2021) αξιολόγησε την ευαισθησία και την ακρίβεια εκτίμησης του NDVI κάλυψης λιβαδιών αναλύοντας τις υπερφασματικές εικόνες τεχνητών λιβαδιών που ελήφθησαν από την αερομεταφερόμενη κάμερα υπερφασματικής απεικόνισης Resonon Pika XC2. Διαπίστωσαν ότι το NDVI στενής ζώνης των τεσσάρων τύπων βασικών δορυφορικών εικόνων είχε υψηλότερη ακρίβεια αντιστροφής για την κάλυψη λιβαδιών.

Επιπλέον, το AGB είναι η περιεκτικότητα σε οργανική ουσία της βλάστησης πάνω από το έδαφος ανά μονάδα επιφάνειας και συνήθως αναφέρεται στο ξηρό βάρος των στελεχών, των κλαδιών, του φυλλώματος, των λουλουδιών και των καρπών. Το AGB είναι μια βασική βιοφυσική παράμετρος που αντανακλά την ανάπτυξη της βλάστησης. Έτσι, χρησιμοποιείται για την παρακολούθηση της ανάπτυξης των βοσκοτόπων και τον εξορθολογισμό της βόσκησης. Οι Yang et al. (2021) υπολόγισε την απόδοση ενός νέου τύπου χειμερινού σίτου στην πεδιάδα της Βόρειας Κίνας χρησιμοποιώντας υπερφασματική τηλεπισκόπηση UAV. Καθιέρωσαν ένα νέο τύπο μοντέλου εκτίμησης απόδοσης χειμερινού σίτου (CW-RF) χρησιμοποιώντας τον αλγόριθμο τυχαίων δασών (RF). Οι Liang et al. (2021) εφάρμοσε τη μηχανική μάθηση σε δομικές και φασματικές πληροφορίες που παρέχονται από την υπερφασματική τηλεπισκόπηση UAV για την εκτίμηση της βιομάζας αραβοσίτου. Αξιολόγησαν και συνέκριναν τέσσερις αλγόριθμους παλινδρόμησης μηχανικής μάθησης (πολλαπλή γραμμική παλινδρόμηση, υποστήριξη διανυσματικής μηχανής, τεχνητού νευρωνικού δικτύου και RF) και πρότεινε μια βελτιωμένη μέθοδο για την εξαγωγή πληροφοριών ύψους φυτών και βιομάζας από εικόνες drone, καθώς και έναν ογκομετρικό δείκτη, BIOVP. Οι Kang et al. (2021) πρότεινε μια μέθοδο βελτιστοποίησης για την φασματική ανακατασκευή του θόλου χορτονομής. Η μέθοδος λαμβάνει υπόψη τόσο την απλοποίηση των δεδομένων όσο και τη φασματική πιστότητα, η οποία μειώνει αποτελεσματικά τον όγκο των δεδομένων που απαιτούνται και εξασφαλίζει ακριβή πρόβλεψη AGB. Οι Liu et al. (2021) Η μέθοδος ανάλυσης συσχέτισης (CAM), η μέθοδος τυχαίου βατράχου (RFM) και το εργαλείο ανάλυσης ζωνών παλινδρόμησης της διαδικασίας Gaussian (GPR-BAT) χρησιμοποιήθηκαν για τη διαλογή αρχικών φασμάτων θόλου (COS) και φάσματα παραγώγων πρώτης τάξης (FDS) για ευαίσθητα μήκη κύματος , αντίστοιχα,

Τέλος, LAI είναι ο λόγος της συνολικής επιφάνειας των φύλλων των φυτών σε μια μονάδα επιφάνειας γης προς την έκταση γης. Είναι ένας σημαντικός δείκτης στον χαρακτηρισμό της φωτοσύνθεσης, της αναπνοής και της διαπνοής της βλάστησης και αποτελεί την κύρια βάση για την αξιολόγηση της ανάπτυξης και της απόδοσης της βλάστησης. Οι Tao et al. (2020) πρότεινε ότι ο υπερφασματικός αισθητήρας τοποθετημένος σε ένα μη επανδρωμένο εναέριο όχημα χρησιμοποιήθηκε για τη λήψη δεικτών βλάστησης και παραμέτρων κόκκινης ακμής και χρησιμοποιήθηκαν μέθοδοι σταδιακής παλινδρόμησης (SWR) και μερικής παλινδρόμησης ελαχίστων τετραγώνων (PLSR) για την ακριβή εκτίμηση του AGB και του LAI. σε αυτούς τους δείκτες βλάστησης, τις παραμέτρους της κόκκινης άκρης και τον συνδυασμό τους. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός δεικτών βλάστησης με παραμέτρους κόκκινης ακμής και η χρήση της μεθόδου PLSR μπορεί να βελτιώσει την εκτίμηση των AGB και LAI. Οι Pei et al. (2017) κατασκεύασε τον κανονικοποιημένο φασματικό δείκτη διαφοράς (NDSI), τον φασματικό δείκτη αναλογίας (RSI) και τον απλό φασματικό δείκτη (SSI) για να προσδιορίσει τη συσχέτιση μεταξύ του φασματικού δείκτη και της ανάπτυξης σίτου χρησιμοποιώντας μια μοναδική ζώνη και οποιεσδήποτε δύο ζώνες στο υπερφασματικό UAV εύρος 450–882 nm. Χρησιμοποίησαν το PLSR για να δημιουργήσουν ένα μοντέλο αντιστροφής, τα αποτελέσματα του οποίου καθόρισαν τη συνολική διαφορά στην ανάπτυξη του σίτου. Sun et al. (2022) κατασκεύασε έναν νέο δείκτη διπλής ζώνης ελέγχοντας τις βέλτιστες ζώνες των υπερφασματικών δεδομένων UAV για το σιτάρι μέσω ενός αλγορίθμου διαδοχικής προβολής (SPA), μεθόδου βέλτιστου δείκτη (OIF) και μεθόδου δείκτη συνδυασμού ζωνών (BCI), αντίστοιχα. Στη συνέχεια εφάρμοσαν παλινδρόμηση διανύσματος υποστήριξης, PLSR και παλινδρόμηση RF (RFR) για να εκτιμήσουν το LAI. Λόγω του περιορισμού της ποσότητας του δείγματος, η καθολικότητα του μοντέλου απαιτεί περαιτέρω έρευνα. φασματικός δείκτης αναλογίας (RSI) και απλός φασματικός δείκτης (SSI) για τον προσδιορισμό της συσχέτισης μεταξύ του φασματικού δείκτη και της ανάπτυξης του σίτου χρησιμοποιώντας μία μόνο ζώνη και οποιεσδήποτε δύο ζώνες στην υπερφασματική περιοχή UAV 450–882 nm. Χρησιμοποίησαν το PLSR για να δημιουργήσουν ένα μοντέλο αντιστροφής, τα αποτελέσματα του οποίου καθόρισαν τη συνολική διαφορά στην ανάπτυξη του σίτου. Sun et al. (2022) κατασκεύασε έναν νέο δείκτη διπλής ζώνης ελέγχοντας τις βέλτιστες ζώνες των υπερφασματικών δεδομένων UAV για το σιτάρι μέσω ενός αλγορίθμου διαδοχικής προβολής (SPA), μεθόδου βέλτιστου δείκτη (OIF) και μεθόδου δείκτη συνδυασμού ζωνών (BCI), αντίστοιχα. Στη συνέχεια εφάρμοσαν παλινδρόμηση διανύσματος υποστήριξης, PLSR και παλινδρόμηση RF (RFR) για να εκτιμήσουν το LAI. Λόγω του περιορισμού της ποσότητας του δείγματος, η καθολικότητα του μοντέλου απαιτεί περαιτέρω έρευνα. φασματικός δείκτης αναλογίας (RSI) και απλός φασματικός δείκτης (SSI) για τον προσδιορισμό της συσχέτισης μεταξύ του φασματικού δείκτη και της ανάπτυξης του σίτου χρησιμοποιώντας μία μόνο ζώνη και οποιεσδήποτε δύο ζώνες στην υπερφασματική περιοχή UAV 450–882 nm. Χρησιμοποίησαν το PLSR για να δημιουργήσουν ένα μοντέλο αντιστροφής, τα αποτελέσματα του οποίου καθόρισαν τη συνολική διαφορά στην ανάπτυξη του σίτου. Sun et al. (2022) κατασκεύασε έναν νέο δείκτη διπλής ζώνης ελέγχοντας τις βέλτιστες ζώνες των υπερφασματικών δεδομένων UAV για το σιτάρι μέσω ενός αλγορίθμου διαδοχικής προβολής (SPA), μεθόδου βέλτιστου δείκτη (OIF) και μεθόδου δείκτη συνδυασμού ζωνών (BCI), αντίστοιχα. Στη συνέχεια εφάρμοσαν παλινδρόμηση διανύσματος υποστήριξης, PLSR και παλινδρόμηση RF (RFR) για να εκτιμήσουν το LAI. Λόγω του περιορισμού της ποσότητας του δείγματος, η καθολικότητα του μοντέλου απαιτεί περαιτέρω έρευνα. και απλός φασματικός δείκτης (SSI) για τον προσδιορισμό της συσχέτισης μεταξύ του φασματικού δείκτη και της ανάπτυξης του σίτου χρησιμοποιώντας μια μοναδική ζώνη και οποιεσδήποτε δύο ζώνες στην υπερφασματική περιοχή UAV 450–882 nm. Χρησιμοποίησαν το PLSR για να δημιουργήσουν ένα μοντέλο αντιστροφής, τα αποτελέσματα του οποίου καθόρισαν τη συνολική διαφορά στην ανάπτυξη του σίτου. Sun et al. (2022) κατασκεύασε έναν νέο δείκτη διπλής ζώνης ελέγχοντας τις βέλτιστες ζώνες των υπερφασματικών δεδομένων UAV για το σιτάρι μέσω ενός αλγορίθμου διαδοχικής προβολής (SPA), μεθόδου βέλτιστου δείκτη (OIF) και μεθόδου δείκτη συνδυασμού ζωνών (BCI), αντίστοιχα. Στη συνέχεια εφάρμοσαν παλινδρόμηση διανύσματος υποστήριξης, PLSR και παλινδρόμηση RF (RFR) για να εκτιμήσουν το LAI. Λόγω του περιορισμού της ποσότητας του δείγματος, η καθολικότητα του μοντέλου απαιτεί περαιτέρω έρευνα. και απλός φασματικός δείκτης (SSI) για τον προσδιορισμό της συσχέτισης μεταξύ του φασματικού δείκτη και της ανάπτυξης του σίτου χρησιμοποιώντας μια μοναδική ζώνη και οποιεσδήποτε δύο ζώνες στην υπερφασματική περιοχή UAV 450–882 nm. Χρησιμοποίησαν το PLSR για να δημιουργήσουν ένα μοντέλο αντιστροφής, τα αποτελέσματα του οποίου καθόρισαν τη συνολική διαφορά στην ανάπτυξη του σίτου. Sun et al. (2022) κατασκεύασε έναν νέο δείκτη διπλής ζώνης ελέγχοντας τις βέλτιστες ζώνες των υπερφασματικών δεδομένων UAV για το σιτάρι μέσω ενός αλγορίθμου διαδοχικής προβολής (SPA), μεθόδου βέλτιστου δείκτη (OIF) και μεθόδου δείκτη συνδυασμού ζωνών (BCI), αντίστοιχα. Στη συνέχεια εφάρμοσαν παλινδρόμηση διανύσματος υποστήριξης, PLSR και παλινδρόμηση RF (RFR) για να εκτιμήσουν το LAI. Λόγω του περιορισμού της ποσότητας του δείγματος, η καθολικότητα του μοντέλου απαιτεί περαιτέρω έρευνα. Χρησιμοποίησαν το PLSR για να δημιουργήσουν ένα μοντέλο αντιστροφής, τα αποτελέσματα του οποίου καθόρισαν τη συνολική διαφορά στην ανάπτυξη του σίτου. Sun et al. (2022) κατασκεύασε έναν νέο δείκτη διπλής ζώνης ελέγχοντας τις βέλτιστες ζώνες των υπερφασματικών δεδομένων UAV για το σιτάρι μέσω ενός αλγορίθμου διαδοχικής προβολής (SPA), μεθόδου βέλτιστου δείκτη (OIF) και μεθόδου δείκτη συνδυασμού ζωνών (BCI), αντίστοιχα. Στη συνέχεια εφάρμοσαν παλινδρόμηση διανύσματος υποστήριξης, PLSR και παλινδρόμηση RF (RFR) για να εκτιμήσουν το LAI. Λόγω του περιορισμού της ποσότητας του δείγματος, η καθολικότητα του μοντέλου απαιτεί περαιτέρω έρευνα. Χρησιμοποίησαν το PLSR για να δημιουργήσουν ένα μοντέλο αντιστροφής, τα αποτελέσματα του οποίου καθόρισαν τη συνολική διαφορά στην ανάπτυξη του σίτου. Sun et al. (2022) κατασκεύασε έναν νέο δείκτη διπλής ζώνης ελέγχοντας τις βέλτιστες ζώνες των υπερφασματικών δεδομένων UAV για το σιτάρι μέσω ενός αλγορίθμου διαδοχικής προβολής (SPA), μεθόδου βέλτιστου δείκτη (OIF) και μεθόδου δείκτη συνδυασμού ζωνών (BCI), αντίστοιχα. Στη συνέχεια εφάρμοσαν παλινδρόμηση διανύσματος υποστήριξης, PLSR και παλινδρόμηση RF (RFR) για να εκτιμήσουν το LAI. Λόγω του περιορισμού της ποσότητας του δείγματος, η καθολικότητα του μοντέλου απαιτεί περαιτέρω έρευνα. και μέθοδος δείκτη συνδυασμού ζωνών (BCI), αντίστοιχα. Στη συνέχεια εφάρμοσαν παλινδρόμηση διανύσματος υποστήριξης, PLSR και παλινδρόμηση RF (RFR) για να εκτιμήσουν το LAI. Λόγω του περιορισμού της ποσότητας του δείγματος, η καθολικότητα του μοντέλου απαιτεί περαιτέρω έρευνα. και μέθοδος δείκτη συνδυασμού ζωνών (BCI), αντίστοιχα. Στη συνέχεια εφάρμοσαν παλινδρόμηση διανύσματος υποστήριξης, PLSR και παλινδρόμηση RF (RFR) για να εκτιμήσουν το LAI. Λόγω του περιορισμού της ποσότητας του δείγματος, η καθολικότητα του μοντέλου απαιτεί περαιτέρω έρευνα.

Επί του παρόντος, πολλές μελέτες έχουν διερευνήσει την αντιστροφή δεικτών βλάστησης υψηλής κάλυψης χρησιμοποιώντας υπερφασματική τηλεπισκόπηση UAV και έχουν αναπτυχθεί ακριβή μοντέλα αντιστροφής. Ωστόσο, σχετικά λίγες μελέτες έχουν διερευνήσει τον ποσοτικό χαρακτηρισμό των δεικτών βλάστησης σε στέπα της ερήμου με χαμηλή βλάστηση, χαμηλό ύψος φυτού και υψηλή φωτεινότητα του εδάφους. Οι περισσότερες από τις μελέτες έχουν διερευνήσει την ανάπτυξη της βλάστησης χρησιμοποιώντας μεμονωμένους δείκτες, συμπεριλαμβανομένων των FVC, AGB και LAI, αντί για έναν ολοκληρωμένο δείκτη. Οι μελέτες για την εκτίμηση πολλών δεικτών ανάπτυξης έχουν περιοριστεί στην παρακολούθηση κάθε παραμέτρου ανάπτυξης ξεχωριστά/ξεχωριστά και δεν έχουν ενσωματώσει δείκτες που αντικατοπτρίζουν την ανάπτυξη της βλάστησης (Hansen and Schjoerring, 2003; Tan et al., 2011; Wang et al., 2022).

Τα δεδομένα υπερφασματικής τηλεπισκόπησης είναι εξαιρετικά κατάλληλα για την παρακολούθηση της υποβάθμισης των λιβαδιών λόγω της υψηλής φασματικής τους ανάλυσης και των πλούσιων πληροφοριών. Ωστόσο, λόγω του σημαντικού όγκου και της διάστασης της μεγάλης ζώνης των υπερφασματικών δεδομένων, οι φασματικές πληροφορίες θα μπορούσαν να είναι άκυρες, περιττές και επικαλυπτόμενες, γεγονός που καθιστά τα μοντέλα αντιστροφής πλήρους ζώνης ασταθή και καθιστά δύσκολη τη βελτίωση της ακρίβειας του μοντέλου. Επομένως, είναι απαραίτητο να διερευνηθούν μέθοδοι για την επιλογή βασικών μεταβλητών μήκους κύματος για τη βελτίωση της απόδοσης πρόβλεψης του μοντέλου φιλτράροντας παρεμβολές, πλεονάζουσες και συν-γραμμικές πληροφορίες. Έχουν αναπτυχθεί μέθοδοι επιλογής πολλαπλών ζωνών με καλά αποτελέσματα. Ωστόσο, οι περισσότερες μελέτες χρησιμοποιούν επί του παρόντος ακατέργαστη φασματική ανάκλαση ή διαφοροποίηση ακέραιων τάξεων για τον έλεγχο και τη μοντελοποίηση μονοδιάστατων φασματικών ζωνών, αγνοώντας την επίδραση της συσχέτισης μεταξύ των ζωνών. Ο φασματικός δείκτης (SI) είναι η πιο σημαντική παράμετρος τηλεπισκόπησης και προκύπτει από έναν μαθηματικό συνδυασμό πολλών δεδομένων ζώνης κύματος. Έχει καλύτερη ευαισθησία από αυτή των μονοδιάστατων φασμάτων και εξαλείφει καλύτερα την ενδοζωνική αυτοσυσχέτιση. Επιπλέον, το SI μειώνει ή εξαλείφει αποτελεσματικά τον περιβαλλοντικό θόρυβο, ενισχύει την απόκριση φασματικών χαρακτηριστικών και βελτιώνει την ακρίβεια μοντελοποίησης, καθιστώντας το ευρέως αναγνωρισμένο στην εφαρμογή φυσικοχημικών δεικτών βλάστησης στην αναστροφή. Ωστόσο, η επίδραση των υφιστάμενων μεθόδων επιλογής ζωνών στον κατασκευασμένο δείκτη βλάστησης δεν έχει αναλυθεί συγκριτικά και ο συμβατικός δείκτης διπλής ζώνης έχει προβλήματα περιφερειακότητας, περιορισμού και χαμηλής αποτελεσματικότητας. Ο φασματικός δείκτης (SI) είναι η πιο σημαντική παράμετρος τηλεπισκόπησης και προκύπτει από έναν μαθηματικό συνδυασμό πολλών δεδομένων ζώνης κύματος. Έχει καλύτερη ευαισθησία από αυτή των μονοδιάστατων φασμάτων και εξαλείφει καλύτερα την ενδοζωνική αυτοσυσχέτιση. Επιπλέον, το SI μειώνει ή εξαλείφει αποτελεσματικά τον περιβαλλοντικό θόρυβο, ενισχύει την απόκριση φασματικών χαρακτηριστικών και βελτιώνει την ακρίβεια μοντελοποίησης, καθιστώντας το ευρέως αναγνωρισμένο στην εφαρμογή φυσικοχημικών δεικτών βλάστησης στην αναστροφή. Ωστόσο, η επίδραση των υφιστάμενων μεθόδων επιλογής ζωνών στον κατασκευασμένο δείκτη βλάστησης δεν έχει αναλυθεί συγκριτικά και ο συμβατικός δείκτης διπλής ζώνης έχει προβλήματα περιφερειακότητας, περιορισμού και χαμηλής αποτελεσματικότητας. Ο φασματικός δείκτης (SI) είναι η πιο σημαντική παράμετρος τηλεπισκόπησης και προκύπτει από έναν μαθηματικό συνδυασμό πολλών δεδομένων ζώνης κύματος. Έχει καλύτερη ευαισθησία από αυτή των μονοδιάστατων φασμάτων και εξαλείφει καλύτερα την ενδοζωνική αυτοσυσχέτιση. Επιπλέον, το SI μειώνει ή εξαλείφει αποτελεσματικά τον περιβαλλοντικό θόρυβο, ενισχύει την απόκριση φασματικών χαρακτηριστικών και βελτιώνει την ακρίβεια μοντελοποίησης, καθιστώντας το ευρέως αναγνωρισμένο στην εφαρμογή φυσικοχημικών δεικτών βλάστησης στην αναστροφή. Ωστόσο, η επίδραση των υφιστάμενων μεθόδων επιλογής ζωνών στον κατασκευασμένο δείκτη βλάστησης δεν έχει αναλυθεί συγκριτικά και ο συμβατικός δείκτης διπλής ζώνης έχει προβλήματα περιφερειακότητας, περιορισμού και χαμηλής αποτελεσματικότητας. Έχει καλύτερη ευαισθησία από αυτή των μονοδιάστατων φασμάτων και εξαλείφει καλύτερα την ενδοζωνική αυτοσυσχέτιση. Επιπλέον, το SI μειώνει ή εξαλείφει αποτελεσματικά τον περιβαλλοντικό θόρυβο, ενισχύει την απόκριση φασματικών χαρακτηριστικών και βελτιώνει την ακρίβεια μοντελοποίησης, καθιστώντας το ευρέως αναγνωρισμένο στην εφαρμογή φυσικοχημικών δεικτών βλάστησης στην αναστροφή. Ωστόσο, η επίδραση των υφιστάμενων μεθόδων επιλογής ζωνών στον κατασκευασμένο δείκτη βλάστησης δεν έχει αναλυθεί συγκριτικά και ο συμβατικός δείκτης διπλής ζώνης έχει προβλήματα περιφερειακότητας, περιορισμού και χαμηλής αποτελεσματικότητας. Έχει καλύτερη ευαισθησία από αυτή των μονοδιάστατων φασμάτων και εξαλείφει καλύτερα την ενδοζωνική αυτοσυσχέτιση. Επιπλέον, το SI μειώνει ή εξαλείφει αποτελεσματικά τον περιβαλλοντικό θόρυβο, ενισχύει την απόκριση φασματικών χαρακτηριστικών και βελτιώνει την ακρίβεια μοντελοποίησης, καθιστώντας το ευρέως αναγνωρισμένο στην εφαρμογή φυσικοχημικών δεικτών βλάστησης στην αναστροφή. Ωστόσο, η επίδραση των υφιστάμενων μεθόδων επιλογής ζωνών στον κατασκευασμένο δείκτη βλάστησης δεν έχει αναλυθεί συγκριτικά και ο συμβατικός δείκτης διπλής ζώνης έχει προβλήματα περιφερειακότητας, περιορισμού και χαμηλής αποτελεσματικότητας. καθιστώντας το ευρέως αναγνωρισμένο στην εφαρμογή φυσικοχημικών δεικτών βλάστησης στην αναστροφή. Ωστόσο, η επίδραση των υφιστάμενων μεθόδων επιλογής ζωνών στον κατασκευασμένο δείκτη βλάστησης δεν έχει αναλυθεί συγκριτικά και ο συμβατικός δείκτης διπλής ζώνης έχει προβλήματα περιφερειακότητας, περιορισμού και χαμηλής αποτελεσματικότητας. καθιστώντας το ευρέως αναγνωρισμένο στην εφαρμογή φυσικοχημικών δεικτών βλάστησης στην αναστροφή. Ωστόσο, η επίδραση των υφιστάμενων μεθόδων επιλογής ζωνών στον κατασκευασμένο δείκτη βλάστησης δεν έχει αναλυθεί συγκριτικά και ο συμβατικός δείκτης διπλής ζώνης έχει προβλήματα περιφερειακότητας, περιορισμού και χαμηλής αποτελεσματικότητας.

Αυτή η μελέτη διερεύνησε τη δυνατότητα εφαρμογής των υπερφασματικών δεδομένων UAV στην ανάλυση του χαρακτηρισμού του συνολικού δείκτη ανάπτυξης (CGI) της βλάστησης λιβαδιών της ερήμου-στέπες. με στόχο τη γρήγορη και ακριβή διάγνωση των συνθηκών των λιβαδιών και την παροχή επιστημονικής βάσης και τεχνικής υποστήριξης για επιστημονική προστασία και ορθολογική αξιοποίηση. Πρώτον, οι πέντε δείκτες που αντικατοπτρίζουν την κατάσταση ανάπτυξης της βλάστησης λιβαδιών μετρήθηκαν στην περιοχή δοκιμής. Οι δείκτες είναι η κλασματική βλάστηση (FVC), η υπέργεια βιομάζα (AGB), η περιεκτικότητα σε βλάστηση σε υγρασία (VMC), ο πλούτος των ειδών (SR) και το μέσο ύψος της κοινότητας (ACH). Οι πέντε δείκτες ενσωματώθηκαν στο CGI της χορτολιβαδικής βλάστησης χρησιμοποιώντας τη μέθοδο ίσου βάρους. Το δεύτερο βήμα ήταν η προεπεξεργασία δεδομένων, συμπεριλαμβανομένης της απόκτησης, της συνένωσης και της γεωμετρίας των εικόνων UAV. Το τρίτο βήμα ήταν η διαλογή των βέλτιστων προεπεξεργασμένων υπερφασματικών ζωνών χρησιμοποιώντας τις μεθόδους SPA, OIF και BCI, αντίστοιχα, και την κατασκευή φασματικών δεικτών (NDSI, RSI και SSI). Στο τέταρτο βήμα, χρησιμοποιήθηκε ο αλγόριθμος PLSR για την κατασκευή του μοντέλου χαρακτηρισμού CGI της βλάστησης λιβαδιών. Ως μεταβλητές εισόδου λήφθηκαν ο φασματικός δείκτης που αντιστοιχεί στο αρχικό φάσμα, το βέλτιστο φάσμα που ελέγχεται με ανάλυση συσχέτισης, το βέλτιστο φάσμα που ελέγχεται με τη μέθοδο SPA, τα βέλτιστα φάσματα που εξετάζονται με τη μέθοδο OIF και τα βέλτιστα φάσματα που εξετάζονται με τη μέθοδο BCI. Ως εξαρτημένη μεταβλητή λήφθηκε το CGI της βλάστησης του εδάφους. Τέλος, τα αποτελέσματα αξιολογήθηκαν χρησιμοποιώντας τον συντελεστή προσδιορισμού (R και κατασκευή φασματικών δεικτών (NDSI, RSI και SSI). Στο τέταρτο βήμα, χρησιμοποιήθηκε ο αλγόριθμος PLSR για την κατασκευή του μοντέλου χαρακτηρισμού CGI της βλάστησης λιβαδιών. Ως μεταβλητές εισόδου λήφθηκαν ο φασματικός δείκτης που αντιστοιχεί στο αρχικό φάσμα, το βέλτιστο φάσμα που ελέγχεται με ανάλυση συσχέτισης, το βέλτιστο φάσμα που ελέγχεται με τη μέθοδο SPA, τα βέλτιστα φάσματα που εξετάζονται με τη μέθοδο OIF και τα βέλτιστα φάσματα που εξετάζονται με τη μέθοδο BCI. Ως εξαρτημένη μεταβλητή λήφθηκε το CGI της βλάστησης του εδάφους. Τέλος, τα αποτελέσματα αξιολογήθηκαν χρησιμοποιώντας τον συντελεστή προσδιορισμού (R και κατασκευή φασματικών δεικτών (NDSI, RSI και SSI). Στο τέταρτο βήμα, χρησιμοποιήθηκε ο αλγόριθμος PLSR για την κατασκευή του μοντέλου χαρακτηρισμού CGI της βλάστησης λιβαδιών. Ως μεταβλητές εισόδου λήφθηκαν ο φασματικός δείκτης που αντιστοιχεί στο αρχικό φάσμα, το βέλτιστο φάσμα που ελέγχεται με ανάλυση συσχέτισης, το βέλτιστο φάσμα που ελέγχεται με τη μέθοδο SPA, τα βέλτιστα φάσματα που εξετάζονται με τη μέθοδο OIF και τα βέλτιστα φάσματα που εξετάζονται με τη μέθοδο BCI. Ως εξαρτημένη μεταβλητή λήφθηκε το CGI της βλάστησης του εδάφους. Τέλος, τα αποτελέσματα αξιολογήθηκαν χρησιμοποιώντας τον συντελεστή προσδιορισμού (R Ως μεταβλητές εισόδου ελήφθησαν το βέλτιστο φάσμα που ελέγχεται με ανάλυση συσχέτισης, το βέλτιστο φάσμα που ελέγχεται με τη μέθοδο SPA, τα βέλτιστα φάσματα που εξετάζονται με τη μέθοδο OIF και τα βέλτιστα φάσματα που εξετάζονται με τη μέθοδο BCI. Ως εξαρτημένη μεταβλητή λήφθηκε το CGI της βλάστησης του εδάφους. Τέλος, τα αποτελέσματα αξιολογήθηκαν χρησιμοποιώντας τον συντελεστή προσδιορισμού (R Ως μεταβλητές εισόδου ελήφθησαν το βέλτιστο φάσμα που ελέγχεται με ανάλυση συσχέτισης, το βέλτιστο φάσμα που ελέγχεται με τη μέθοδο SPA, τα βέλτιστα φάσματα που εξετάζονται με τη μέθοδο OIF και τα βέλτιστα φάσματα που εξετάζονται με τη μέθοδο BCI. Ως εξαρτημένη μεταβλητή λήφθηκε το CGI της βλάστησης του εδάφους. Τέλος, τα αποτελέσματα αξιολογήθηκαν χρησιμοποιώντας τον συντελεστή προσδιορισμού (R² ), ρίζα μέσου τετραγωνικού σφάλματος (RMSE) και σχετικό σφάλμα (RE). Το διάγραμμα ροής της μελέτης παρουσιάζεται στο Σχήμα 1.

Εικόνα 1 Πειραματική ροή.

2. Υλικό και μέθοδοι

2.1. Επισκόπηση της περιοχής μελέτης

Η περιοχή δοκιμής, η οποία ήταν ένας αμμώδης υποτύπος στέπας της ερήμου, επιλέχθηκε στο Ordos Banner της Εσωτερικής Μογγολίας, που βρίσκεται σε γεωγραφικό μήκος 106°41′-108°54′ ανατολικά και γεωγραφικό πλάτος 38°18′-40°11′ Βόρειος. Το σχηματικό της περιοχής μελέτης φαίνεται στο Σχήμα 2. Με μέση ετήσια βροχόπτωση 267 mm και εξάτμιση 2480 mm (πάνω από 9 φορές τη μέση ετήσια βροχόπτωση) από το 1964 έως το 2021, η περιοχή δοκιμής είναι σχετικά ξηρή καθ ‘όλη τη διάρκεια του έτους . Η βροχόπτωση την καλλιεργητική περίοδο από τον Απρίλιο έως τον Σεπτέμβριο είναι 241,8 mm, αντιπροσωπεύοντας το 91,24% του ετήσιου συνόλου και η μέση σχετική υγρασία σε ολόκληρο το πανό είναι 48% εδώ και πολλά χρόνια. Σύμφωνα με τον τοπογραφικό χάρτη και τις δορυφορικές εικόνες τηλεπισκόπησης της πόλης Ordos, τα δεδομένα παρακολούθησης από τον σταθμό επιτήρησης λιβαδιών του Etuoke Banner τα τελευταία 30 χρόνια, και τα αποτελέσματα της έρευνας πεδίου, τέσσερις ομάδες πειραματικών περιοχών με περίπου την ίδια ένταση βόσκησης και τον ίδιο τύπο εδάφους (καφέ ασβεστόχωμα) επιλέχθηκαν τελικά από τα 18 σημεία παρατήρησης του σταθμού παρακολούθησης. Οι περιοχές είναι σημαντικές τοπικές ποιμενικές περιοχές που παρουσιάζουν εμφανείς κλίσεις υποβάθμισης, όπως φαίνεται στο Σχήμα 3. Η κλίση υποβάθμισης καθορίστηκε προκαταρκτικά ως μη υποβαθμισμένη περιοχή (CK), περιοχή ελαφριάς υποβάθμισης (LD), περιοχή μέτριας υποβάθμισης (MD) και υψηλή υποβάθμιση περιοχή (HD). Η κοινότητα βλάστησης στην πειραματική περιοχή κατασκευάστηκε με εποικοδομητικό είδος Stipa breviflora, κυρίαρχο είδος Caragana stenophylla Pojark και Cleistogenes songorica, Salsolacollina Pall., Echinops gmelinii Turcz., Carex duriuscula CA Artgoemisia, Allfrium. Wild. ως το κύριο συγγενικό είδος και το Peganum harmala L. ως δείκτης υποβάθμισης των λιβαδιών στα φυτά της πειραματικής περιοχής και το Oxytropis microphylla (Pall.) DC. και Achnatherum inebrians (Hance) Keng ως δηλητηριώδη ζιζάνια (Wang et al., 2017).

Εικόνα 2 Περιοχή μελέτης.

Εικόνα 3 Περιοχή δοκιμής και τετράγωνο δείγματος.

Η δοκιμή διεξήχθη από τις 15 Ιουλίου έως τις 31 Ιουλίου 2021, με μια περιοχή δοκιμής 100 m × 100 m σε καθεμία από τις τέσσερις ομάδες. Σε κάθε περιοχή δοκιμής, τοποθετήθηκαν εγκάρσιες γραμμές κατά μήκος των διαγώνιων κατευθύνσεων και εννέα τετράγωνα 1 × 1 m τοποθετήθηκαν σε ίσες αποστάσεις και σημειώθηκαν, όπου κάθε τετράγωνο βρισκόταν χρησιμοποιώντας GPS σε επίπεδο εκατοστών. Οι σταθεροί πίνακες τοποθετήθηκαν στις τέσσερις κορυφές για επακόλουθη προεπεξεργασία δεδομένων, όπως φαίνεται στο Σχήμα 3.

Ακολουθήθηκαν τα ακόλουθα πρότυπα: Πρότυπο ταξινόμησης μονάδων αξιοποίησης φυσικών λιβαδιών (GB/T 34751-2017) (εθνικό πρότυπο), Παράμετροι υποβάθμισης, αμμώσεως και αλατοποίησης λιβαδιών (GB/19377-2003) (εθνικό πρότυπο) και Εσωτερικά πρότυπα της Μογγολίας για την υποβάθμιση των φυσικών λιβαδιών (DB15/T323-1999) (τοπικό πρότυπο).

2.2. Συλλογή δεδομένων

2.2.1. Απόκτηση UAV υπερφασματικών δεδομένων

Ένα DJI M600 PRO εξοπλίστηκε με γερμανικό αερομεταφερόμενο πλαίσιο τύπου Cubert UHD-185 Firefly (UHD-185, German Cubert, German) υπερφασματική απεικόνιση για τη λήψη υπερφασματικών δεδομένων σε τέσσερις περιοχές μελέτης, διασφαλίζοντας ότι ο φακός του φασματόμετρου είναι στραμμένος κατακόρυφα προς τα κάτω κατά τη διάρκεια της μέτρηση, με φασματικό εύρος 450–950 nm, ταχύτητα απεικόνισης 5 κύβους/s, οπτικό πεδίο (FOV) 35,75°, φασματική ανάλυση 4 nm και 126 ζώνες εξόδου. Οι μετρήσεις έγιναν σε ηλιόλουστο καιρό με δύναμη ανέμου μικρότερη από αυτή του επιπέδου 3 και η ώρα λήψης ήταν από τις 10:00 έως τις 14:00 (ώρα Πεκίνου). Η χρονική περίοδος επιλέχθηκε επειδή προσέφερε επαρκή γωνία υψομέτρου και σταθερές συνθήκες φωτισμού. Η ορατότητα του εδάφους ήταν τουλάχιστον 15 χλμ. και δεν υπήρχαν σιράρια ή πυκνά σύννεφα. Το σκοτεινό ρεύμα και η απεικόνιση του λευκού πίνακα διορθώνονταν πριν από κάθε απογείωση.

2.2.2. Απόκτηση δεδομένων εδάφους

Τα δεδομένα εδάφους συλλέχθηκαν μετά την απόκτηση δεδομένων υπερφασματικής τηλεπισκόπησης UAV.

1) Απόκτηση FVC

Μια ψηφιακή φωτογραφική μηχανή Canon EOS 6D (EOS 6D Mark II, Canon, Japan) στερεώθηκε σε τρίποδο Coman TG340CT (TG340CT, Coman, Italy) και τοποθετήθηκε 1,7 m από τα τετράγωνα 1 m × 1 m για λήψη φωτογραφιών σύμφωνα με το FOV . Οι εικόνες που τραβήχτηκαν ήταν εικόνες χρωματικού χώρου RGB, μεταξύ των οποίων όλες οι εικόνες τετράγωνου θόλου αποθηκεύτηκαν σε μια κάρτα μνήμης για μεταγενέστερη επεξεργασία.

2) Μέτρηση πλούτου ειδών

Ο αριθμός των ειδών σε κάθε τετράγωνο καταμετρήθηκε στην έρευνα πεδίου και στη διάκριση εσωτερικών εικόνων.

3) Προσδιορισμός Μέσου Κοινοτικού Ύψους

Τα επιμέρους ύψη όλης της βλάστησης στα τετράγωνα υπό φυσικές συνθήκες μετρήθηκαν με χάλυβα χάρακα και το μέσο ύψος της κοινότητας στα τετράγωνα προέκυψε διαιρώντας το άθροισμα των επιμέρους υψών με τον αριθμό των ατόμων.

4) Προσδιορισμός AGB και Προσδιορισμός Περιεκτικότητας Υγρασίας

Η βλάστηση στα τετράγωνα κόπηκε κατά μήκος της επιφάνειας του εδάφους, τοποθετήθηκε σε επανασφραγιζόμενες σακούλες μετά την ταξινόμηση και επισημάνθηκε. Αφού μετρήθηκε το φρέσκο ​​βάρος, τα δείγματα επαναφέρθηκαν στο εργαστήριο. Ψήθηκαν στους 65°C για περισσότερες από 48 ώρες μέχρι να φτάσουν σε σταθερό βάρος μετά από 2 ώρες επεξεργασίας στους 105°C σε φούρνο. Στη συνέχεια, καταγράφηκε η ξηρή βιομάζα και υπολογίστηκε η περιεκτικότητα σε νερό της κοινότητας.

2.3. Προεπεξεργασία δεδομένων

2.3.1. Μέτρηση κάλυψης

Το δυναμικό ομομορφικό φιλτράρισμα Butterworth χρησιμοποιήθηκε για να γεμίσει το φως στις εικόνες βλάστησης λιβαδιών και η ομαδοποίηση K-means χρησιμοποιήθηκε για την τμηματοποίηση των αντισταθμιζόμενων εικόνων. Τέλος, η βλάστηση των λιβαδιών μετρήθηκε σύμφωνα με τον ορισμό της βλάστησης (Wang et al., 2018).

2.3.2. Το CGI καθορίζει

Η ποιότητα της περιφερειακής οικολογίας καθορίζεται κυρίως από τα χαρακτηριστικά γνωρίσματα δεικτών της βλάστησης. Από την άποψη των οικολογικών χαρακτηριστικών, οι οικολογικές δυναμικές αλλαγές της στέπας της ερήμου εκδηλώνονται κυρίως μέσω δεικτών όπως FVC, SR, ACH, AGB και VMC. Σε σύγκριση με τη χρήση ενός μόνο δείκτη, ο συνδυασμός των παραπάνω δεικτών μπορεί να αντικατοπτρίζει με μεγαλύτερη ακρίβεια τις οικολογικές συνθήκες των λιβαδιών. Ως εκ τούτου, ένας νέος δείκτης, δηλαδή ο CGI, καθιερώθηκε σε αυτή τη μελέτη ενσωματώνοντας τους δείκτες που αντικατοπτρίζουν την κατάσταση ανάπτυξης της βλάστησης λιβαδιών. Οι πέντε δείκτες (FVC, SR, ACH, AGB και VMC) των 36 τετραγώνων κανονικοποιήθηκαν χρησιμοποιώντας την Εξίσωση 1 για να αποτρέψουν τα δεδομένα σε διαφορετικές τάξεις μεγέθους και μονάδες από το να επηρεάσουν τα αποτελέσματα. Στη συνέχεια χρησιμοποιήθηκε η μέθοδος ίσου βάρους (Εξίσωση 2),

Xi∗=Xi/max(Xi)(1)CGI=15×∑i=15Xi∗(2)

όπου i είναι ο τύπος δείκτη (i=1, 2, 3, 4, 5)). Xi∗ είναι η κανονικοποιημένη τιμή του δείκτη ith class. Το Xi είναι η αρχική τιμή του δείκτη ith class. και το max(Xi) είναι το μέγιστο του αρχικού δείκτη ith class.

2.3.3. Προεπεξεργασία υπερφασματικών δεδομένων UAV

(1) Συνένωση και Διόρθωση Γεωμετρίας

Αρχικά, οι υπερφασματικές εικόνες συνενώθηκαν χρησιμοποιώντας το λογισμικό Agisoft PhotoScan σύμφωνα με τις πληροφορίες τοποθεσίας. Οι πανοραμικές υπερφασματικές εικόνες εξήχθησαν σε μορφή TIFF χρησιμοποιώντας το λογισμικό Cuber-Pi-lot (Cuber, Γερμανία). Οι συνδυασμένες υπερφασματικές εικόνες διορθώθηκαν ραδιομετρικά χρησιμοποιώντας το λογισμικό SpecView για την εξάλειψη της συστηματικής και τυχαίας ραδιομετρικής παραμόρφωσης ή εκτροπής που δημιουργήθηκε κατά τη λήψη και τη μετάδοση δεδομένων (Yang et al., 2019). Στη συνέχεια, η ανάκλαση διορθώθηκε για να μετατραπούν οι ψηφιακές τιμές DN των ραδιομετρικά διορθωμένων υπερφασματικών εικόνων σε τιμές ανάκλασης, οι οποίες εκφράζονται χρησιμοποιώντας την ακόλουθη εξίσωση.

Rref=DNraw−DNdarkDNλευκό−DNdark(3)

Όπου το Rref υποδηλώνει την τιμή ανάκλασης εικόνας διορθωμένη με ανάκλαση, το DNraw είναι η τιμή DN της αρχικής εικόνας, το DNdark είναι το εσωτερικό συστηματικό σφάλμα που δημιουργείται κατά τη μέτρηση της υπερφασματικής απεικόνισης και το DNwhite είναι τα δεδομένα λευκού πίνακα που μετρήθηκαν από την κάμερα.

(2) Μέση φασματική ανάκλαση της περιοχής ενδιαφέροντος

Περαιτέρω, τα διανύσματα των περιοχών δοκιμής και δείγματος χωρίστηκαν στις γεωμετρικά διορθωμένες υπερφασματικές εικόνες χρησιμοποιώντας το λογισμικό ArcGIS και αριθμήθηκαν τα διανυσματικά αρχεία και τα αντίστοιχα ονόματα τεταρτημορίων δειγμάτων. Στη συνέχεια, η μέση φασματική ανάκλαση της περιοχής ενδιαφέροντος εξήχθη χρησιμοποιώντας το διαδραστικό πρόγραμμα γλώσσας δεδομένων και η μέση φασματική ανάκλαση χρησιμοποιήθηκε ως η φασματική ανάκλαση του θόλου σε διαφορετικές περιοχές. Μετά από αυτό, σχεδιάστηκε η φασματική ανάκλαση των 36 τετραγωνικών και 4 περιοχών δοκιμής διαφοροποιώντας τις τετραγωνικές και δοκιμαστικές περιοχές στις εικόνες ανάκλασης. Τέλος, προκειμένου να μειωθούν οι παρεμβολές όπως ο θόρυβος και η μετατόπιση φασματικών γραμμών, τα φασματικά δεδομένα υποβλήθηκαν σε επεξεργασία χρησιμοποιώντας τον τυπικό μετασχηματισμό κανονικής μεταβλητής (SNV) (Dai and Yin, 2018), ο οποίος εκφράζεται χρησιμοποιώντας την ακόλουθη εξίσωση.

Yi,SNV=(Yi,k−Yi)/∑k=1n(Yi,k−Yi)2/(n−1)(4)

όπου Yi,SNV είναι ο φασματικός πίνακας που μετασχηματίζεται από την τυπική κανονική μεταβλητή. Το Yi,k είναι η τιμή ανακλαστικότητας του ιου δείγματος στην k η ζώνη. Το Yi είναι η μέση τιμή της υπερφασματικής εκπομπής του ιου δείγματος και n είναι ο συνολικός αριθμός των ζωνών.

2.4. Επιλογή φασματικής ζώνης

Παρά τις λεπτές φασματικές πληροφορίες του, το υπερφάσμα UAV είναι επιρρεπές σε προβλήματα όπως καταστροφή διαστάσεων, υπερπροσαρμογή και μειωμένος χαρακτηρισμός λόγω των πολυφασματικών ζωνών, του μεγάλου όγκου δεδομένων, των περιττών πληροφοριών και της υψηλής πολυπλοκότητάς του. Για την επίλυση αυτού του προβλήματος, είναι επιτακτική ανάγκη να επιλέξετε τις premium υπερφασματικές ζώνες, επιλέγοντας τα κύρια υποσύνολα από τις αρχικές υπερφασματικές ζώνες για να μειωθεί η διαστάσεις των δεδομένων, διατηρώντας παράλληλα τις χρήσιμες πληροφορίες με σχετικά πλήρη τρόπο. Σύμφωνα με μια ανάλυση διαφόρων αλγορίθμων βελτιστοποίησης ζώνης, χρησιμοποιήθηκαν ανάλυση συσχέτισης, SPA, OIF και BCI για την επιλογή των βέλτιστων υπερφασματικών ζωνών.

2.4.1. ΙΑΜΑΤΙΚΗ ΠΗΓΗ

Ο SPA είναι ένας επαναληπτικός αλγόριθμος αναζήτησης που ελαχιστοποιεί τη συγγραμμικότητα του διανυσματικού χώρου (Araújo et al., 2001) και του οποίου η βασική αρχή είναι η εξής. Αρχικά, κατασκευάζεται ο φασματικός πίνακας XM×K, με M ως τον αριθμό των δειγμάτων, K ως τον αριθμό των ζωνών, xk(0) ως το αρχικό διάνυσμα επανάληψης και N ως ο αριθμός των μηκών κύματος που θα εξαχθούν. Στη συνέχεια, ξεκινώντας από ένα μήκος κύματος, αυτό το μήκος κύματος προβάλλεται σε άλλα, όπου σε κάθε κύκλο συγκρίνονται τα διανύσματα προβολής και το μήκος κύματος με το μεγαλύτερο διάνυσμα προβολής αποθηκεύεται στο σύνολο των μηκών κύματος που θα επιλεγούν. Αυτό επαναλαμβάνεται για N (ο αριθμός των προς εξαγωγή μηκών κύματος) κύκλους. Το μήκος κύματος που αποθηκεύεται κάθε φορά έχει τη μικρότερη ποσότητα περιττών πληροφοριών και συγγραμμικότητα με το προηγούμενο μήκος κύματος. Τέλος, καθιερώνεται πολλαπλή γραμμική παλινδρόμηση (MLR) για τους συνδυασμούς μήκους κύματος που λαμβάνονται από διαφορετικά xk(0) και N, και αναλύεται χρησιμοποιώντας RMSE και διασταυρούμενη επικύρωση άδειας (LOOCV) του συνόλου μοντελοποίησης. Ο συνδυασμός ζώνης με την ελάχιστη τιμή RMSE επιλέγεται ως η βέλτιστη ζώνη (Zhang et al., 2021).

2.4.2. OIF

OIF, που προτάθηκε για πρώτη φορά από τους Chavez et al. (Chavez et al., 1982), είναι η πιο ευρέως χρησιμοποιούμενη μέθοδος βελτιστοποίησης φασματικής ζώνης. Έχει τη βασική αρχή ότι όσο μεγαλύτερη είναι η αναλογία του αθροίσματος των τυπικών αποκλίσεων των ζωνών προς το άθροισμα των συντελεστών συσχέτισης των συνδυασμένων ζωνών, τόσο μεγαλύτερη είναι η ποσότητα πληροφοριών που περιέχεται στον συνδυασμό ζώνης, επομένως τόσο μικρότερη είναι η περιττή πληροφορία . Η έκφρασή του είναι η εξής.

OIF=∑i=1nSi/∑i=1n|Rij|(5)

όπου Si Si είναι η τυπική απόκλιση της i ης ζώνης και Rij είναι ο συντελεστής συσχέτισης μεταξύ της i ης και της j ης ζώνης.

2.4.3. BCI

Η βασική αρχή του BCI είναι ο συνδυασμός των φασμάτων σε οποιεσδήποτε δύο ζώνες και η ανάλυση της γραμμικής συσχέτισης μεταξύ των συνδυασμένων φασματικών δεικτών και του δείκτη παρακολούθησης για την επίτευξη της βέλτιστης επιλογής φασματικών ζωνών συγκρίνοντας τους συντελεστές συσχέτισης (Tang et al., 2021). .

2.5. Κατασκευή φασματικού δείκτη

Προκειμένου να εξεταστούν οι πληροφορίες που περιέχονται στα φασματικά δεδομένα και να μειωθεί η επίδραση του υποβάθρου του εδάφους και των σφαλμάτων της ατμόσφαιρας και της ακτινοβολίας στα φασματικά δεδομένα, κατασκευάστηκαν τα NDSI, RSI και SSI, όπως εκφράζονται από τους παρακάτω τύπους.

NDSI(λ1,λ2)=(Rλ1−Rλ2)/(Rλ1 Rλ2)(6)RSI(λ1,λ2)=Rλ1/Rλ2,(7)SSI(λ1,λ2)=Rλ1−Rλ2,(8)

όπου Rλ1 είναι η ανάκλαση θόλου στο μήκος κύματος λ1 και Rλ2 είναι η ανάκλαση θόλου στο μήκος κύματος λ2. Το MATLAB 2021b χρησιμοποιήθηκε για τον υπολογισμό της φασματικής ανάκλασης και ελήφθησαν τα NDSI, RSI και SSI.

2.6. PLSR

Το PLSR είναι μια μέθοδος παλινδρόμησης που συνδυάζει την ανάλυση κύριου συστατικού (PCA) και την πολλαπλή γραμμική σταδιακή παλινδρόμηση (MLSR) (Uk et al., 2022). Λόγω των πλεονεκτημάτων του, όπως η μείωση των διαστάσεων δεδομένων, η σύνθεση και η διαλογή πληροφοριών, η εξάλειψη του πλεονασμού και της συγγραμμικότητας, το PLSR χρησιμοποιείται ευρέως στη φασματική επεξεργασία δεδομένων. Η βασική του αρχή είναι να εξάγει τα αθροίσματα ανεξάρτητων εξαρτημένων μεταβλητών Th(h=1,2,···) και Uh(h=1,2,···) από τις ανεξάρτητες μεταβλητές X(x1,x2,···,xn ) και τις εξαρτημένες μεταβλητές Y(y1,y2,···,yn) μέσω PCA και μεγιστοποιήστε τη συνδιακύμανση μεταξύ των αθροισμάτων Th και Uh για να δημιουργήσετε ένα μοντέλο MLSR όπως εκφράζεται παρακάτω:

X=ThPT E(9)Y=UhQT F(10)

Όπου P και Q είναι ο ορθογώνιος πίνακας φορτίου του n×h ; Τα E και F είναι τα σφάλματα που συμμορφώνονται με την κανονική κατανομή.

2.7. Ανάλυση και αξιολόγηση

Για την ανάλυση της ακρίβειας του μοντέλου χαρακτηρισμού CGI, χρησιμοποιήθηκαν ο συντελεστής προσδιορισμού R2 ^{, RMSE και RE για την αξιολόγηση των αποτελεσμάτων.} Όσο μεγαλύτερη είναι η τιμή του R2 ^, τόσο μικρότερο είναι το RMSE και τόσο καλύτερη είναι η απόδοση πρόβλεψης και η ακρίβεια του κατασκευασμένου μοντέλου. Όταν RE≤10%, το μοντέλο είναι premium. όταν 10%lt;RE≤20% , το μοντέλο είναι μέτριο. το μοντέλο είναι φτωχό όταν REgt;20% (Wang et al., 2022), όπως εκφράζεται παρακάτω.

R2=1−∑i=1n(yi−y^i)2/∑i=1n(yi−y¯i)2(11)RMSE=1n∑i=1n(yi−y^i)2(12) RE=RMSE/y¯i×100%(13)

όπου n είναι το μέγεθος του δείγματος. Το yi είναι η προβλεπόμενη τιμή. y^i είναι η πραγματική τιμή μέτρησης και y¯i είναι η μέση πραγματική μέτρηση.

3. Αποτελέσματα και ανάλυση

3.1. Στατιστική ανάλυση αποτελεσμάτων δεικτών στην περιοχή μελέτης

Ένα παράδειγμα των αποτελεσμάτων τμηματοποίησης και επεξεργασίας για τις αντισταθμισμένες εικόνες χρησιμοποιώντας τον αλγόριθμο ομαδοποίησης K-means απεικονίζεται στο Σχήμα 4. Τα γεωγραφικά πλάτη και μήκη, κάλυψη βλάστησης, AGB, περιεκτικότητα σε υγρασία, πλούτος ειδών και ύψος κοινότητας των τεσσάρων περιοχών μελέτης παρουσιάζονται στον Πίνακα 1, ο οποίος δείχνει ότι κάθε στατιστικός δείκτης παρουσιάζει πτωτική τάση με αυξανόμενη κλίση υποβάθμισης λιβαδιών. Έτσι, η επιλογή της δειγματοληψίας και η διαίρεση των βαθμίδων αποικοδόμησης είναι ακριβείς και λογικές.

Σχήμα 4 Αποτελέσματα τμηματοποίησης εικόνας Quadrat.

Πίνακας 1 Κοινοτικά χαρακτηριστικά πειραματικών αγροτεμαχίων.

3.2. Ανάλυση αποτελεσμάτων προεπεξεργασίας φασματικών δεδομένων και βελτιστοποίησης ζώνης

3.2.1. Ανάλυση αποτελεσμάτων προεπεξεργασίας φασματικών δεδομένων

Τα φασματικά δεδομένα υποβλήθηκαν σε επεξεργασία χρησιμοποιώντας SNV και τα αποτελέσματα προεπεξεργασίας των υπερφασματικών δεδομένων θόλου 36 τετραγώνων απεικονίζονται στο Σχήμα 5, με το Σχήμα 5Α να είναι το αρχικό φασματογράφημα και το Σχήμα 5Β να είναι το φασματογράφημα μετά την προεπεξεργασία. Μπορεί να παρατηρηθεί από το Σχήμα 5Β ότι η χρήση SNV για την προεπεξεργασία του αρχικού φάσματος εξαλείφει αποτελεσματικά την παρεμβολή του θορύβου και της επιφανειακής σκέδασης. Η ανάκλαση αλλάζει καθώς οι καμπύλες ανάκλασης στα φάσματα κυανό-μπλε 450–530 nm και εγγύς υπέρυθρο φάσματα 850–950 nm γίνονται πιο διασκορπισμένα και εκείνα στα φάσματα 530–850 nm κίτρινο-πράσινο, πορτοκαλί και κόκκινο γίνονται πιο συγκεντρωμένα.

Σχήμα 5 Αποτελέσματα υπερφασματικής προεπεξεργασίας. (Α) Μέση φάσματα ανάκλασης του θόλου (Β) . Διάγραμμα φάσματος προεπεξεργασίας αλγορίθμου SNV.

3.2.2. Ανάλυση αποτελεσμάτων βελτιστοποίησης φασματικής ζώνης

(1) Spectra Screened by the Correlation Analysis

Η ανάλυση συσχέτισης πραγματοποιήθηκε μεταξύ των προεπεξεργασμένων φασματικών καμπυλών και του CGI. Οι συντελεστές συσχέτισης μεταξύ των φασμάτων και του CGI υπολογίστηκαν. τα αποτελέσματα απεικονίζονται στο Σχήμα 6 και οι χαρακτηριστικές ζώνες παρουσιάζονται στον Πίνακα 2. Τα αποτελέσματα δείχνουν ότι η φασματική ανάκλαση των προεπεξεργασμένων φασμάτων στις ζώνες 450–558 nm και 742–950 nm συσχετίζεται θετικά με το CGI, με ένας μέγιστος συντελεστής θετικής συσχέτισης περίπου 0,4686, που βρίσκεται στα 530 nm. Η φασματική ανάκλαση στη ζώνη 562–950 nm συσχετίζεται αρνητικά με το CGI, με μέγιστο αρνητικό συντελεστή συσχέτισης περίπου -0,4829, που βρίσκεται στα 594 nm.

Σχήμα 6 Ανάλυση συσχέτισης φασμάτων και CGI.

Πίνακας 2 Χαρακτηριστική ζώνη και μέγιστος συντελεστής συσχέτισης.

(2) Spectra Screened από το SPA

Τα αποτελέσματα επεξεργασίας των προεπεξεργασμένων φασματικών δεδομένων 36 τετράγωνου θόλου βλάστησης στο SPA απεικονίζονται στο Σχήμα 7, όπου 24 ομάδες είναι δείγματα εκπαίδευσης και 12 ομάδες είναι δείγματα επικύρωσης. Το σχήμα 7Α δείχνει το αποτέλεσμα πρώτης τάξης της εξομάλυνσης Savitzky–Golay και η φασματική καμπύλη μετά την εξομάλυνση πρώτης τάξης είναι πιο συγκεντρωμένη. Η σχέση μεταξύ RMSE στο σύνολο μοντελοποίησης LOOCV και του αριθμού των χαρακτηριστικών ζωνών απεικονίζεται στο Σχήμα 7Β. Τα πλαίσια υποδεικνύουν τις θέσεις των χαρακτηριστικών ζωνών που έχουν σημειωθεί. Το RMSE μειώνεται γρήγορα με την αύξηση του αριθμού των χαρακτηριστικών ζωνών. Όταν ο αριθμός των χαρακτηριστικών ζωνών ήταν 3, το RMSE έφτασε στην ελάχιστη τιμή 0,068465. Ωστόσο, για να διευκολυνθεί η επακόλουθη κατασκευή του φασματικού δείκτη διπλής ζώνης και να βελτιωθεί η υπολογιστική ταχύτητα, ο αριθμός των χαρακτηριστικών ζωνών ορίστηκε σε 2. Σε αυτό το σημείο, η τιμή RMSE ήταν 0,084482, η οποία είναι μια διαφορά 0,016017 από την τιμή RMSE όταν ο αριθμός των χαρακτηριστικών ζωνών ήταν 3. Επομένως, δύο χαρακτηριστικές ζώνες επιλέχθηκαν ως η καλύτερη ζώνη συνδυασμός. Το Σχήμα 7Γ απεικονίζει τα αποτελέσματα της επιλογής των χαρακτηριστικών ζωνών. Τα κόκκινα τετράγωνα υποδεικνύουν τις θέσεις των χαρακτηριστικών ζωνών (53 και 108) που ελέγχονται από τον αλγόριθμο SPA μετά την προεπεξεργασία, και ο συνδυασμός μήκους κύματος είναι 658 nm και 878 nm, κατανεμημένα στο εύρος του κόκκινου φωτός και στο φασματικό εύρος κοντά στο υπέρυθρο, αντίστοιχα . δύο χαρακτηριστικές μπάντες επιλέχθηκαν ως ο καλύτερος συνδυασμός συγκροτημάτων. Το Σχήμα 7Γ απεικονίζει τα αποτελέσματα της επιλογής των χαρακτηριστικών ζωνών. Τα κόκκινα τετράγωνα υποδεικνύουν τις θέσεις των χαρακτηριστικών ζωνών (53 και 108) που ελέγχονται από τον αλγόριθμο SPA μετά την προεπεξεργασία, και ο συνδυασμός μήκους κύματος είναι 658 nm και 878 nm, κατανεμημένα στο εύρος του κόκκινου φωτός και στο φασματικό εύρος κοντά στο υπέρυθρο, αντίστοιχα . δύο χαρακτηριστικές μπάντες επιλέχθηκαν ως ο καλύτερος συνδυασμός συγκροτημάτων. Το Σχήμα 7Γ απεικονίζει τα αποτελέσματα της επιλογής των χαρακτηριστικών ζωνών. Τα κόκκινα τετράγωνα υποδεικνύουν τις θέσεις των χαρακτηριστικών ζωνών (53 και 108) που ελέγχονται από τον αλγόριθμο SPA μετά την προεπεξεργασία και ο συνδυασμός μήκους κύματος είναι 658 nm και 878 nm, κατανεμημένα στο εύρος του κόκκινου φωτός και στο φασματικό εύρος κοντά στο υπέρυθρο, αντίστοιχα .

Εικόνα 7 Φάσματα Ελεγμένα από το SPA. (Α) Διάγραμμα φάσματος εξομάλυνσης Savitzky-Golay (Β) Η καμπύλη του μέσου τετραγώνου σφάλματος ρίζας (n = 24) (C) . Αποτελέσματα επιλογής μεταβλητών χαρακτηριστικών.

(3) Spectra Screened από τον OIF

Ο αριθμός των συνδυασμών ζωνών που ελήφθησαν από το OIF ήταν μεγαλύτερος. Μόνο οι πρώτες πέντε τιμές OIF παρατίθενται στον Πίνακα 3, δείχνοντας ότι η τιμή OIF του συνδυασμού μήκους κύματος των 450 nm και 942 nm είναι η υψηλότερη (0,1033). Ο συντελεστής συσχέτισης είναι ο χαμηλότερος στο 0,2884, ο οποίος είναι σημαντικά χαμηλότερος από αυτόν των άλλων τεσσάρων συνδυασμών ζωνών, και οι ζώνες κατανέμονται στις φασματικές περιοχές κυανού και εγγύς υπέρυθρου.

Πίνακας 3 Συνδυασμοί ζωνών που ελήφθησαν από το OIF (n=24).

(4) Spectra Screened από το BCI

Οι φασματικοί δείκτες RSI, NDSI και SSI του συνδυασμού δύο αυθαίρετων ζωνών στα υπερφασματικά δεδομένα από τις 126 ζώνες σε 24 δείγματα εκπαίδευσης κατασκευάστηκαν χρησιμοποιώντας BCI. Οι συντελεστές συσχέτισης απεικονίζονται στο Σχήμα 8, όπου ο συντελεστής συσχέτισης r του RSI(478,710) είναι 0,3973, ο συντελεστής συσχέτισης r του NDSI(714,710) είναι 0,73958 και ο συντελεστής συσχέτισης r του SSI(478,710) είναι 0,73958 και ο συντελεστής συσχέτισης r του SSI(478,710) είναι . ) και SSI(650.646) αποτελούνται από το φάσμα στην περιοχή του κόκκινου φωτός, το RSI(478.710) αποτελείται από το φάσμα στις περιοχές του κόκκινου και κυανού φωτός και ο συντελεστής συσχέτισης r υψηλότερη τιμή του NDSI (714.710) , που προκαλείται κυρίως από η ευαισθησία του φάσματος στην περιοχή του κόκκινου φωτός στα πράσινα φυτά και η γραμμική σχέση του με το CGI, που δείχνει υψηλή ακρίβεια προσαρμογής.

Σχήμα 8 Συντελεστές συσχέτισης μεταξύ φασματικών δεικτών και CGI (n = 24) (A) . r για RSI και CGI (B) . r για NDSI και CG (C) . r για SSI και CGI.

3.3. Ανάλυση αποτελεσμάτων μοντέλου χαρακτηρισμού CGI βλάστησης λιβαδιών

Στην τυχαία δειγματοληψία των δεδομένων από τα 36 τετράγωνα, με 24 ομάδες δεδομένων ως δείγματα εκπαίδευσης και 12 ομάδες δεδομένων ως δείγματα επικύρωσης, λήφθηκαν διάφοροι φασματικοί δείκτες ως μεταβλητές εισόδου: Αρχικά φάσματα. Τα βέλτιστα φάσματα που ελέγχονται από την ανάλυση συσχέτισης. RSI (658,878), NDSI (658,878) και SSI (658,878), που αντιστοιχούν στα βέλτιστα φάσματα που ελέγχονται με τη μέθοδο SPA. RSI (450.942), NDSI (450.942) και SSI (450.942), που αντιστοιχούν στα βέλτιστα φάσματα που ελέγχονται με τη μέθοδο OIF. RSI (710.478), NDSI (714.710) και SSI (650.646), που αντιστοιχούν στα βέλτιστα φάσματα που ελέγχονται με τη μέθοδο BCI, αντίστοιχα. Ως εξαρτημένη μεταβλητή λήφθηκε το CGI της βλάστησης των λιβαδιών, αντίστοιχα. Η ακρίβεια του μοντέλου χαρακτηρισμού της βλάστησης CGI που κατασκευάστηκε με τον αλγόριθμο PLSR παρουσιάζεται στον Πίνακα 4.^{Το 2} ήταν μεγαλύτερο από 0,6 για μοντέλα που κατασκευάστηκαν χρησιμοποιώντας τους φασματικούς δείκτες που αντιστοιχούν στα βέλτιστα φάσματα που ελέγχονται με τη μέθοδο SPA και τους φασματικούς δείκτες που αντιστοιχούν στα βέλτιστα φάσματα που ελέγχονται με τη μέθοδο BCI. Αυτό το αποτέλεσμα υποδεικνύει σημαντική βελτίωση της ακρίβειας μοντελοποίησης σε σύγκριση με άλλους δείκτες. (2) Το R ² των μοντέλων που κατασκευάστηκαν χρησιμοποιώντας τα δείγματα εκπαίδευσης των αρχικών φασμάτων πλήρους ζώνης ήταν 0,4621, το RMSE ήταν 0,1034 και το RE ήταν 12,01%, υποδεικνύοντας σημαντική βελτίωση της ακρίβειας μοντελοποίησης μετά τον έλεγχο των βέλτιστων φασμάτων. Επιπλέον, ο υπολογισμός του μοντέλου μειώθηκε σημαντικά και τα δείγματα επικύρωσης συσχετίστηκαν σε μεγάλο βαθμό. (3) Το R ²των μοντέλων που κατασκευάστηκαν χρησιμοποιώντας τα δείγματα εκπαίδευσης των φασματικών δεικτών που αντιστοιχούν στα βέλτιστα φάσματα που εξετάστηκαν με τη μέθοδο SPA ήταν 0,7835, το RMSE ήταν 0,0712 και το RE ήταν 6,89%, λιγότερο από 10%. Το R ² των δειγμάτων επικύρωσης ήταν 0,7698, το RMSE ήταν 0,0471 και το RE ήταν 6,36%, λιγότερο από 10%, η υψηλότερη ακρίβεια.

Πίνακας 4 Αξιολόγηση ακριβείας της εκτίμησης CGI με βάση τον αλγόριθμο PLSR.

Στην εφαρμογή του μοντέλου χαρακτηρισμού βλάστησης λιβαδιών που κατασκευάστηκε με τον αλγόριθμο PLSR για τον χαρακτηρισμό των 12 σετ δειγμάτων επικύρωσης, το διάστημα εμπιστοσύνης ορίστηκε στο 95% και τα αποτελέσματα φαίνονται στο Σχήμα 9. Μπορεί να φανεί ότι τα μοντέλα που κατασκευάστηκαν χρησιμοποιώντας το Οι φασματικοί δείκτες που αντιστοιχούν στα βέλτιστα φάσματα που ελέγχονται με τη μέθοδο SPA έχουν την υψηλότερη ακρίβεια.

Σχήμα 9 Επικύρωση ακρίβειας κάθε μεθόδου μοντελοποίησης. (Α) Αντίστροφη επαλήθευση ακρίβειας CGI μοντέλων που κατασκευάστηκαν χρησιμοποιώντας τα αρχικά φάσματα (Β) . Αντίστροφη επαλήθευση ακρίβειας CGI μοντέλων που κατασκευάστηκαν χρησιμοποιώντας τα βέλτιστα φάσματα που ελέγχονται από την ανάλυση συσχέτισης (C) . Αντίστροφη επαλήθευση ακρίβειας CGI μοντέλων που κατασκευάστηκαν χρησιμοποιώντας τα βέλτιστα φάσματα που ελέγχονται με τη μέθοδο SPA (D) Επαλήθευση αντίστροφης ακρίβειας CGI μοντέλων που κατασκευάστηκαν χρησιμοποιώντας τα βέλτιστα φάσματα που ελέγχονται με τη μέθοδο OIF (E) . Αντίστροφη επαλήθευση ακρίβειας CGI μοντέλων που κατασκευάστηκαν χρησιμοποιώντας τα βέλτιστα φάσματα που ελέγχονται με τη μέθοδο BCI.

3.4. Παρακολούθηση CGI βλάστησης λιβαδιών και ανάλυση αποτελεσμάτων

Τα μοντέλα που κατασκευάστηκαν χρησιμοποιώντας τα βέλτιστα φάσματα που ελέγχθηκαν με τη μέθοδο SPA χρησιμοποιήθηκαν για τον υπολογισμό του CGI της βλάστησης των λιβαδιών σε βάση pixel προς pixel στις τέσσερις περιοχές μελέτης. Τα αποτελέσματα χαρτογραφήθηκαν και απεικονίζονται στο Σχήμα 10. Μπορεί να φανεί από το σχήμα ότι το χρώμα του χάρτη κατανομής CGI σταδιακά γίνεται μπλε καθώς εντείνεται ο βαθμός υποβάθμισης των λιβαδιών, δηλ. η τιμή CGI μειώνεται σταδιακά, κάτι που είναι σύμφωνο με το πραγματική κατάσταση. Η ανάπτυξη της βλάστησης των λιβαδιών στην περιοχή μελέτης μπορεί να προσδιοριστεί με σαφήνεια στον χάρτη κατανομής CGI.

Σχήμα 10 Αποτελέσματα αναστροφής βλάστησης λιβαδιών CGI σε τέσσερις περιοχές μελέτης.

Ο Πίνακας 5 παρουσιάζει τα συγκριτικά αποτελέσματα μεταξύ της μέσης τιμής CGI αναστροφής του μοντέλου SPA_PLSR και εκείνης των τετραγωνιδίων. Μπορεί να φανεί από τον πίνακα ότι οι μέσες τιμές CGI των τετραγώνων στις περιοχές CK, LD, MD και HD ήταν 0,5577, 0,5075, 0,4529 και 0,4106, αντίστοιχα, και οι μέσες τιμές CGI της αναστροφής του μοντέλου SPA_PLSR ήταν 0. 5606, 0,4735, 0,4659 και 0,4319, αντίστοιχα, δηλαδή, ένας μέσος όρος RE 3,82%. Επομένως, το μοντέλο μπορεί να παρακολουθεί επαρκώς την ανάπτυξη της βλάστησης των λιβαδιών στέπας της ερήμου.

Πίνακας 5 Σύγκριση των αποτελεσμάτων πρόβλεψης μοντέλου και τετραγωνικού μέσου όρου CGI.

4. Συζήτηση

Υπό συνεπείς περιφερειακές συνθήκες υποβάθρου, η ποιότητα της περιφερειακής οικολογίας καθορίζεται κυρίως από τα χαρακτηριστικά γνωρίσματα δεικτών της βλάστησης. Από την άποψη των οικολογικών χαρακτηριστικών, οι οικολογικές δυναμικές αλλαγές της στέπας της ερήμου εκδηλώνονται κυρίως μέσω δεικτών όπως FVC, SR, ACH, AGB και VMC. Το FVC, το ποσοστό των κυρίαρχων ειδών και το SR είναι οι κύριοι παράγοντες που αντικατοπτρίζουν τη διαφορά και τη δομή της κοινότητας. Η ακριβής επιλογή δεικτών παρακολούθησης είναι κρίσιμης σημασίας για την παρακολούθηση των συνθηκών των λιβαδιών και τις μελέτες αξιολόγησης οικολογικής ποιότητας, καθώς η παρακολούθηση ενός δείκτη συχνά προκαλεί μεροληψία ή σφάλματα. Ως εκ τούτου, ένας νέος δείκτης, δηλαδή ο CGI, καθιερώθηκε σε αυτή τη μελέτη ενσωματώνοντας τους δείκτες που αντικατοπτρίζουν την κατάσταση ανάπτυξης της βλάστησης λιβαδιών. Αντίστροφα μοντέλα του CGI της βλάστησης λιβαδιών με διάφορους φασματικούς δείκτες κατασκευάστηκαν χρησιμοποιώντας υπερφασματικά δεδομένα UAV λιβαδιών με διάφορους βαθμούς υποβάθμισης. Με την εφαρμογή των μοντέλων προέκυψαν ικανοποιητικά αποτελέσματα. Μπορεί να χαρακτηρίσει με ακρίβεια τους δείκτες βλάστησης στη στέπα της ερήμου με χαμηλή βλάστηση, χαμηλό ύψος φυτού και υψηλή φωτεινότητα του εδάφους.

Οι συγκριτικές αναλύσεις έδειξαν ότι η ακρίβεια αντιστροφής των μοντέλων που κατασκευάστηκαν χρησιμοποιώντας τα βέλτιστα ελεγμένα φάσματα ήταν υψηλότερη από αυτή της χρήσης των αρχικών φασμάτων. Αυτό συνέβη κυρίως επειδή τα αρχικά φάσματα περιείχαν υψηλό και σημαντικό πλεονασμό ζώνης και τα μη έγκυρα φάσματα επηρέασαν τα αποτελέσματα της μοντελοποίησης. Ως εκ τούτου, ήταν απαραίτητο να γίνει διαλογή της βέλτιστης υπερφασματικής ζώνης, η οποία είναι σύμφωνη με προηγούμενες μελέτες (Zhang et al., 2017; Yu et al., 2022). Τα βέλτιστα φάσματα εξετάστηκαν χρησιμοποιώντας ανάλυση συσχέτισης και βελτιώθηκε η ακρίβεια μοντελοποίησης των ευαίσθητων ελεγμένων ζωνών. Ωστόσο, το αποτέλεσμα δεν ανταποκρίθηκε στις απαιτήσεις, που οφείλεται κυρίως στο ότι το FVC των λιβαδιών με στέπα της ερήμου είναι χαμηλό, η βλάστηση είναι χαμηλή και η φωτεινότητα του εδάφους είναι υψηλή. Αυτοί οι παράγοντες καλύπτουν εύκολα τη φασματική συμβολή της βλάστησης στο εικονοστοιχείο της εικόνας. Η ακρίβεια μοντελοποίησης των φασματικών δεικτών ήταν καλύτερη από αυτή των αρχικών φασμάτων και των μοντέλων που κατασκευάστηκαν χρησιμοποιώντας τα βέλτιστα φάσματα που ελέγχθηκαν με ανάλυση συσχέτισης. Η ακρίβεια των μοντέλων που κατασκευάστηκαν χρησιμοποιώντας βέλτιστα φάσματα που ελέγχθηκαν με τη μέθοδο SPA ήταν η υψηλότερη. Αυτό συνέβη κυρίως επειδή ο φασματικός δείκτης προήλθε από μαθηματικούς συνδυασμούς δεδομένων πολλών ζωνών, οι οποίοι όχι μόνο απέδωσαν καλύτερη ευαισθησία από το μονοδιάστατο φάσμα, αλλά εξάλειψαν επίσης καλύτερα την ενδοζωνική αυτοσυσχέτιση. Κατά συνέπεια, ο περιβαλλοντικός θόρυβος μειώθηκε ή εξαλείφθηκε, η απόκριση των φασματικών χαρακτηριστικών ενισχύθηκε και η ακρίβεια μοντελοποίησης βελτιώθηκε. Η ακρίβεια των μοντέλων που κατασκευάστηκαν χρησιμοποιώντας βέλτιστα φάσματα που ελέγχθηκαν με τη μέθοδο SPA ήταν η υψηλότερη. Αυτό συνέβη κυρίως επειδή ο φασματικός δείκτης προήλθε από μαθηματικούς συνδυασμούς δεδομένων πολλών ζωνών, οι οποίοι όχι μόνο απέδωσαν καλύτερη ευαισθησία από το μονοδιάστατο φάσμα, αλλά εξάλειψαν επίσης καλύτερα την ενδοζωνική αυτοσυσχέτιση. Κατά συνέπεια, ο περιβαλλοντικός θόρυβος μειώθηκε ή εξαλείφθηκε, η απόκριση των φασματικών χαρακτηριστικών ενισχύθηκε και η ακρίβεια μοντελοποίησης βελτιώθηκε. Η ακρίβεια των μοντέλων που κατασκευάστηκαν χρησιμοποιώντας βέλτιστα φάσματα που ελέγχθηκαν με τη μέθοδο SPA ήταν η υψηλότερη. Αυτό συνέβη κυρίως επειδή ο φασματικός δείκτης προήλθε από μαθηματικούς συνδυασμούς δεδομένων πολλών ζωνών, οι οποίοι όχι μόνο απέδωσαν καλύτερη ευαισθησία από το μονοδιάστατο φάσμα, αλλά εξάλειψαν επίσης καλύτερα την ενδοζωνική αυτοσυσχέτιση. Κατά συνέπεια, ο περιβαλλοντικός θόρυβος μειώθηκε ή εξαλείφθηκε, η απόκριση των φασματικών χαρακτηριστικών ενισχύθηκε και η ακρίβεια μοντελοποίησης βελτιώθηκε.

Σε αυτή τη μελέτη, οι υπερφασματικές ζώνες βελτιστοποιούνται με SPA, OIF και BCI αντίστοιχα, και οι ευαίσθητες ζώνες που αντιστοιχούν στον βέλτιστο φασματικό δείκτη NDSI βρίσκονται βασικά στη ζώνη εγγύς υπέρυθρη και στην κόκκινη ζώνη. Αυτή είναι μια ολοκληρωμένη αντανάκλαση του τύπου βλάστησης, της κάλυψης και της κατάστασης ανάπτυξης κ.λπ. σε καλή συσχέτιση με το CGI, κάτι που συνάδει με τα ερευνητικά αποτελέσματα πολλών μελετητών (Sebastian et al., 2015; Liu et al., 2018). Αυτή η μελέτη κατασκεύασε ένα μοντέλο αναστροφής πολυφασματικού δείκτη CGI χρησιμοποιώντας υπερφασματικά δεδομένα UAV με διαφορετικούς βαθμούς υποβάθμισης και πέτυχε ικανοποιητικά αποτελέσματα. Ωστόσο, εξακολουθούν να υπάρχουν ελλείψεις σε αυτή τη μελέτη. 1) Η ερευνητική περιοχή για αυτήν τη μελέτη ήταν κυρίως στη στέπα της ερήμου στο Otuoke Banner, Ordos, επομένως η συνάφεια και η καθολικότητα των ευρημάτων πρέπει να επαληθευτεί, και τα επόμενα πειράματα πρέπει να πραγματοποιηθούν σε στέπες της ερήμου σε άλλες περιοχές ή ακόμα και σε άλλους τύπους λιβαδιών για να δοκιμαστεί η καθολικότητα του μοντέλου. 2) Σε αυτή τη μελέτη, η επίδραση του υποβάθρου του εδάφους και των απορριμμάτων στη φασματική ανάκλαση δεν λαμβάνεται υπόψη σε βάθος. Επιπλέον, η επίδραση της γωνίας παρατήρησης του αισθητήρα και της γωνίας ηλιακής ανύψωσης στο μοντέλο αναστροφής απαιτεί περαιτέρω προσπάθειες έρευνας.

5. Συμπέρασμα

Αυτή η μελέτη εξέτασε την παρακολούθηση CGI της βλάστησης λιβαδιών και διερεύνησε τη δυνατότητα εφαρμογής των υπερφασματικών δεδομένων UAV για την ανάλυση του χαρακτηρισμού CGI της βλάστησης λιβαδιών της ερήμου-στέπες. Πραγματοποιήσαμε μια ανάλυση συσχέτισης μεταξύ προεπεξεργασμένων φασματικών καμπυλών με το CGI και εξάγαμε ευαίσθητες ζώνες στα 458 nm, 466-534 nm και 582-674 nm. Οι βέλτιστοι φασματικοί δείκτες που εξετάστηκαν από το SPA ήταν RSI (658.878), NDSI (658.878) και SSI (658.878). αυτοί που επιλέχθηκαν από τον OIF ήταν οι RSI (450.942), NDSI (450.942) και SSI (450.942). αυτές από την BCI ήταν RSI (710.478), NDSI (714.710) και SSI (650.646). Τα μοντέλα κατασκευάστηκαν χρησιμοποιώντας τους φασματικούς δείκτες που αντιστοιχούν στα βέλτιστα φάσματα που ελέγχθηκαν με τη μέθοδο SPA και οι μέσες τιμές CGI αντιστράφηκαν. Μια σύγκριση των μέσων μετρούμενων τιμών CGI του τετραγώνου δείγματος της περιοχής δοκιμής έδειξε ότι το μέσο σχετικό σφάλμα ήταν 3,82%, αυτό το μοντέλο έχει την υψηλότερη ακρίβεια. Αυτά τα αποτελέσματα δείχνουν ότι η υπερφασματική τηλεπισκόπηση UAV μπορεί να παρακολουθεί με ακρίβεια το CGI της βλάστησης λιβαδιών, παρέχοντας μια αποτελεσματική μέθοδο για γρήγορη λήψη πληροφοριών σχετικά με τις συνθήκες των λιβαδιών.

Δήλωση διαθεσιμότητας δεδομένων

Οι πρωτότυπες συνεισφορές που παρουσιάζονται στη μελέτη περιλαμβάνονται στο άρθρο/συμπληρωματικό υλικό. Περαιτέρω ερωτήσεις μπορούν να απευθύνονται στον αντίστοιχο συγγραφέα.

Συνεισφορές συγγραφέα

Οι XL και ZP συνέλαβαν και σχεδίασαν τα πειράματα. Οι YC, YY, XS, KS, YL και JZ πραγματοποίησαν τα πειράματα. Το HW ανέλυσε τα δεδομένα και έγραψε την εργασία. Όλοι οι συγγραφείς συνέβαλαν στο άρθρο και ενέκριναν την υποβληθείσα έκδοση.

Χρηματοδότηση

Αυτή η μελέτη υποστηρίχθηκε από κοινού από την Inner Mongolia Autonomous Region Science and Technology Major Special Project Funding (2021ZD0008-5), το έργο Science and Technology Plan of Inner Mongolia Autonomous Region (2020GG0078), το National Natural Science Foundation of China Projects (51969021) , το Εθνικό Ίδρυμα Φυσικών Επιστημών της Κίνας (52169016), το Εθνικό Ίδρυμα Φυσικών Επιστημών της Κίνας (52069018), το Ίδρυμα Φυσικών Επιστημών της Εσωτερικής Μογγολίας (2020MS03009), το Έργο Επιστήμης και Τεχνολογίας της Εσωτερικής Μογγολίας (Αρ. 2022YFDZ0021).

Σύγκρουση συμφερόντων

Οι συγγραφείς δηλώνουν ότι η έρευνα διεξήχθη απουσία εμπορικών ή οικονομικών σχέσεων που θα μπορούσαν να ερμηνευθούν ως πιθανή σύγκρουση συμφερόντων.

Σημείωση εκδότη

Όλοι οι ισχυρισμοί που εκφράζονται σε αυτό το άρθρο είναι αποκλειστικά εκείνοι των συγγραφέων και δεν αντιπροσωπεύουν απαραιτήτως αυτούς των συνδεδεμένων οργανισμών τους ή του εκδότη, των εκδοτών και των κριτικών. Οποιοδήποτε προϊόν μπορεί να αξιολογηθεί σε αυτό το άρθρο ή ισχυρισμός που μπορεί να προβληθεί από τον κατασκευαστή του, δεν είναι εγγυημένο ή εγκεκριμένο από τον εκδότη.

Πλήρης δείκτης ανάπτυξης, φασματική ανάλυση, UAV, στέπα της ερήμου, διαβάθμιση