基于深度学习与图像分割的草地植被覆盖度(FVC)和地上生物量(AGB)高效估算方法研究

本研究针对草地生态系统监测中传统地面调查方法效率低、破坏性强的问题，创新性地结合U-Net网络与凸包掩膜算法实现样方自动提取，通过"分段-重分类"流程解决枯草与土壤光谱混淆难题，构建了基于RGB影像的FVC和AGB无损估算框架。结果显示CIVE植被指数相关性最佳(R2=0.85)，结合结构变量使AGB估算R2提升0.28，为多尺度草地遥感监测提供了轻量化解决方案。

　　

草地生态系统监测面临重大技术挑战。传统方法依赖人工样方调查和破坏性采样，不仅效率低下，还难以捕捉植被动态变化。特别是在干旱半干旱区域，枯草与土壤的光谱混淆问题严重制约了植被覆盖度(Fractional Vegetation Cover, FVC)和地上生物量(Aboveground Biomass, AGB)的估算精度。如何实现高效、精准、非破坏性的草地参数监测，成为生态遥感领域亟待突破的技术瓶颈。

中国科学院长春地理与农业生态研究所的研究团队在《Smart Agricultural Technology》发表创新成果，提出融合深度学习与图像处理的智能监测框架。该研究采集吉林西部574个1m×1m草地样方的智能手机RGB影像，通过U-Net网络与凸包算法实现90.1%的样方提取精度，开发"分段-重分类"流程解决枯草识别难题，最终构建了基于轻量级影像的FVC和AGB实时估算体系。

研究采用三大关键技术：1) U-Net结合形态学运算实现复杂背景下的样方自动分割；2) TurboPixels超像素与k-means聚类解决枯草-土壤光谱混淆；3) 融合植被密度、平均高度等辅助变量构建五类机器学习模型(RR/KNN/SVR/RF/PLSR)。通过系统评估CIVE、ExG等五种植被指数，建立最优估算模型。

【样方精确提取】
U-Net网络与凸包掩膜算法的协同应用，使样方分割的mIoU从61.8%提升至90.1%。该方法突破传统摄影测量对拍摄角度的严苛要求，在植被遮挡条件下仍保持鲁棒性。

【植被指数优选】
在五种指数中，植被提取色彩指数CIVE表现最优，在鲜草数据集中的FVC相关性达0.848。而传统指数如TGI在枯草数据集表现较差(AGB相关性仅0.024)，证实光谱特征选择对估算精度具有决定性影响。

【枯草识别突破】
创新的多步分割策略将枯草区FVC估算相关性从0.329提升至0.805。通过融合超像素分割、Canny边缘检测和纹理特征，有效解决枯草与土壤的视觉相似性问题。

【模型性能验证】
数据分层处理使FVC估算R²平均提高0.23，RMSE降低41%。结构变量的引入使AGB模型R²最高提升0.28，其中SVR模型在鲜草数据集的Lin's CCC达到0.774。值得注意的是，辅助变量对枯草区FVC估算可能产生干扰，反映出生理状态差异对模型适配性的影响。

该研究开创性地实现了三个突破：首先，建立首个支持任意角度拍摄的草地样方自动提取流程；其次，提出针对枯草光谱特性的分级处理策略；最后，验证结构参数对AGB估算的关键作用。这套仅需智能手机和轻量计算的方案，为草地生态监测提供可推广的技术范式，特别适合在发展中国家开展大范围应用。未来通过融合无人机与卫星数据，有望构建空地协同的多尺度监测网络，推动草地资源管理的智能化转型。