融合无人机与卫星遥感的高寒草地牧草氮素跨尺度精准监测研究

针对高寒草地牧草氮素监测中地面观测不足与卫星像元尺度不匹配的难题，研究人员创新性地集成无人机(UAV)RGB/多光谱影像与Sentinel-2数据，通过SVM、RF等6种机器学习算法构建跨尺度监测框架。结果表明：融合纹理与光谱特征的模型在样地尺度V-R2达0.58-0.67；地面-无人机-卫星协同框架显著优于传统方法（区域尺度V-R2提升至0.65-0.69），为高原草地资源管理提供新范式。

　　

青藏高原被誉为"地球第三极"，其高寒草地生态系统不仅是重要的生态屏障，更是当地畜牧业发展的物质基础。氮素作为牧草营养品质的关键指标，其精准监测对草地质量评估和放牧管理至关重要。然而，传统地面调查耗时费力，卫星遥感又面临像元尺度与地面样本不匹配的难题，导致区域尺度监测精度受限。无人机(UAV)技术的兴起为破解这一困境带来曙光——其超高分辨率特性可有效弥合地面与卫星观测间的尺度鸿沟。

兰州大学的研究团队在《European Journal of Agronomy》发表的研究中，创新性地提出"地面-无人机-卫星"三级协同监测框架。研究选取青藏高原东北缘的甘南藏族自治州为试验区，通过整合UAV RGB纹理特征、多光谱数据植被指数(VIs)与Sentinel-2影像，采用支持向量机(SVM)、随机森林(RF)等6种算法构建跨尺度氮素估算模型，并系统比较了局部平均、优势类变异加权(DCVW)等5种尺度上推方法的适用性。

关键技术包括：(1)采集138个地面样方的牧草氮含量数据；(2)使用大疆M300 RTK无人机搭载RGB和多光谱传感器获取厘米级分辨率影像；(3)提取21种纹理特征和18种植被指数；(4)应用SVM、极端学习机(ELM)、深度神经网络(DNN)等算法建模；(5)通过DCVW等方法实现UAV向Sentinel-2(10m分辨率)的尺度转换。

【Forage nitrogen maps developed from ground–UAV upscaling】
研究发现：融合多光谱VIs与RGB纹理特征的模型表现最优，验证集决定系数(V-R²)达0.58-0.67，归一化均方根误差(NRMSE)降低至14.78-16.76%。深度学习方法DNN在复杂特征挖掘中展现优势，而XGBoost在中小样本量下表现稳健。

【Multi-source UAV data for monitoring grass nitrogen】
多源数据协同分析揭示：红边波段衍生的叶绿素指数(CI_red-edge)和改良三角植被指数(MTCI)对氮素敏感；结合RGB图像的能量、熵等纹理特征可显著提升异质性草地的监测精度，这为传感器配置优化提供依据。

【Conclusions】
研究最终确立的跨尺度监测框架使区域尺度预测精度(V-R²)提升至0.65-0.69，较传统"地面-卫星"直接建模方法精度提高23%。特别值得注意的是，在高原草地高度异质性的环境下，DCVW上推方法通过加权处理优势植被类型的空间变异性，其表现显著优于传统局部平均法(NRMSE降低4.34个百分点)。

这项研究的意义在于：首次系统验证了UAV作为中间尺度桥梁的科学价值，建立的"三级联动"技术框架为高原草地参数反演提供了普适性方案。所开发的开放数据集和算法流程，对实现联合国可持续发展目标(SDGs)中的"零饥饿"和"陆地生物"保护具有实践指导价值。未来研究可进一步探索时序监测和不同放牧强度下的氮素动态响应规律。