一种基于卫星驱动模型的高寒草地生物量估算方法及系统

摘要

本发明公开了一种基于卫星驱动模型的高寒草地生物量估算方法及系统，其中，所述方法包括：获得数据信息；对所述数据信息进行预处理，获得预处理结果；基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标；基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系；基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型；基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果。在本发明实施例中，通过模型精度对比可以确定最优的卫星驱动模型，并绘制了AG‑AGB的时空分布图，分析了AG‑AGB的时空动态变化。

说明书

技术领域

本发明涉及环境监测评估技术领域，尤其涉及一种基于卫星驱动模型的高寒草地生物量估算方法及系统。

背景技术

青海高原高寒草地是我国重要的畜牧业生产基地和生态安全屏障，对全球气候变化和人类活动极为敏感(Fayiah et al.，2019；Liu et al.，2016； Zhang et al.，2014)。然而，近几十年来，由于过度放牧、啮齿动物活动和气候变化，高寒草地已明显退化(Chenet al.，2014；Liu et al.，2020；Sun et al.，2019)。高寒草地地上生物量(AG-AGB)作为监测草原生态系统的重要指标，直接影响放牧和承载能力，与畜牧业发展和牧民收入密切相关 (Gao et al.，2019；Kong et al.，2019；Zeng et al.，2019)。因此，及时准确地估算AG-AGB，可以为草地资源管理和可持续利用提供科学参考(Gao et al.，2020；Liang et al.，2016；Zeng et al.，2019)。

目前，对AG-AGB的监测主要采用两种方法，即传统的地面监测和卫星监测。传统的基于地面的方法通过在田间割草、干燥并在实验室称重来估算生物量(Yang et al.，2018)。这种传统的方法可以为样本定位提供高精度的AG-AGB信息。然而，它耗时且昂贵，并且忽略了AG-AGB的空间分布(Li et al.，2016；Liang et al.，2016；Zeng et al.，2019)。

卫星驱动方法主要是使用光谱(如植被指数和光谱反射率数据)与环境(地理、地形、土壤、气象等)指标和AG-AGB之间构建关系模型来估算生物量(Liang等人，2016)。目前，利用该方法进行的大量研究主要集中在确定评价指标和建立关系模型上。许多研究使用单一的植被指数，如归一化植被指数(NDVI)、增强植被指数(EVI)、土壤调整植被指数(SAVI)来估算AG-AGB。虽然该方法应用简单，但由于地理、地形、土壤、气象等环境因素的影响，该方法对AG-AGB缺乏准确的估算能力。因此，一些学者综合考虑了多种指标(包括植被指数和环境指标)来估算AG-AGB (Liang et al.，2016；Silveira et al.，2019)。由于这些敏感性指标随区域环境的变化而变化，因此没有统一的指标来估算AG-AGB。为了提高特定区域草地生物量的估算精度，从大量的光谱和环境指标中确定关键的估算指标仍然是一个挑战。

现有的AG-AGB估算模型可分为两类：线性模型和非线性模型。线性模型在估算指标和AG-AGB之间建立线性数学关系。例如，多元线性回归 (MLR)通常用于估算AG-AGB(Liang et al.，2016；Silveira et al.，2019)。然而，这些关系往往失败，因为它们缺乏普遍性。因此，随着机器学习算法的发展，许多学者(Gao et al.，2020；Yang et al.，2018；Zeng et al.，2019) 已经应用人工神经网络(ANN)、支持向量机(SVM)和随机森林(RF) 算法来构建卫星驱动的模型来估算AG-AGB。与线性模型相比，使用机器学习算法构建的卫星驱动模型可以学习高度复杂的非线性映射，并获得更高的估算精度(Xu et al.，2020；Yanget al.，2018；Zeng et al.，2019)。然而，这些机器学习算法也有缺点。例如，反向传播神经网络(BPNN)算法的估算精度取决于样本的数量和质量，收敛过程可能很慢或遇到局部极小问题(Yang et al，2018)。支持向量机算法主要受核函数和惩罚因子的影响，因为它的参数仅使用参考的专家经验，并且在估算结果的准确性方面受到限制(Zhu et al.，2020)。RF算法的结果具有有限的可解释性，因为无法针对森林中的每棵树单独检查预测值和响应之间的关系(Chagas et al.，2016)。因此，利用机器学习算法建立精确的卫星驱动模型已成为高精度AG-AGB 估算的研究热点。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于卫星驱动模型的高寒草地生物量估算方法及系统，通过模型精度对比可以确定最优的卫星驱动模型，并绘制了AG-AGB的时空分布图，分析了AG-AGB 的时空动态变化。

为了解决上述技术问题，本发明实施例提供了一种基于卫星驱动模型的高寒草地生物量估算方法，所述方法包括：

获得数据信息，所述数据信息包括遥感影像信息、高寒草地监测数据信息和环境数据信息；

对所述数据信息进行预处理，获得预处理结果；

基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标；

基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系；

基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型；

基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果。

可选的，所述对所述数据信息进行预处理，获得预处理结果，包括：

对所述遥感影像信息进行初始化处理，获得遥感影像信息初始化结果；

对所述高寒草地监测数据信息进行初始化处理，获得高寒草地监测数据信息初始化结果；

对所述环境数据信息进行初始化处理，获得环境数据信息初始化结果。

可选的，所述对所述遥感影像信息进行初始化处理，获得遥感影像信息初始化结果，包括：

利用MODIS重投影工具将所述遥感影像信息中的MOD09A1和 MCD12Q1数据从正弦投影转换为Albers投影，并将HDF格式转换为 Geo-Tiff格式，然后进行影像融合及MCD12Q1数据重分类，获得遥感影像信息初始化结果；

对所述高寒草地监测数据信息进行初始化处理，获得高寒草地监测数据信息初始化结果，包括：

对所述高寒草地监测数据信息依次进行有矢量化、投影转换和异常值剔除处理，获得高寒草地监测数据信息初始化结果；

对所述环境数据信息进行初始化处理，获得环境数据信息初始化结果。包括：

对所述环境数据信息依次进行空间插值、投影转换和栅格重采样处理，获得环境数据信息初始化结果。

可选的，所述基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标，包括：

基于所述预处理结果依次进行遥感指标和环境指标提取处理，获得遥感指标和环境指标；

环境数据信息包括地里数据、土壤数据和气象数据。

可选的，所述遥感指标提取处理包括基于ENVI软件从所述预处理结果中的MOD09A1数据中获得7个VIs和5个光谱指数，并提取每个可见光和光谱指数的最大值；

所述环境指标提取处理包括基于ArcGIS软件从所述预处理结果中的航天飞机雷达地形任务数字高程模型产品中获取经度、纬度、海拔、坡度、坡向的地形指标；从土壤数据中获取0–30cm沙土含量、0–30cm粘土含量、 30–60cm沙土含量、30–60cm粘土含量、0–30cm沙土粘土比、30–60cm 沙土粘土比、有机质含量、总氮含量、总磷含量、总钾含量、pH的土壤指标；从气象数据中获取年均温、年总降水量、年太阳总辐射量、>0年积温、湿润度的气象指标。

可选的，所述基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系，包括：

基于所述相关分析对所述遥感指标、环境指标进行高寒草地生物量估算的指标分析处理，获得高寒草地生物量估算的初始估算指标；

基于XGboost算法对所述高寒草地生物量估算的初始估算指标进行冗余去除，获得高寒草地生物量估算的估算指标；

基于所述估算指标和环境指标和高寒草地生物量构建指标体系。

可选的，所述卫星驱动模型包括多元线性回归模型、BP神经网络模型、支持向量机模型和随机森林模型。

可选的，所述基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型，包括：

确定精度参数，所述精度参数包括决定系数、相对均方根误差和残差预测偏差；

参考所述卫星驱动模型中的各模型的残差预测偏差，在各模型的残差预测偏差在同一区间时，对比各模型的决定系数大小，然后参考相对均方根误差大小，获得优化选择的优化模型。

可选的，所述基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果，包括：

基于所述优化选择的优化模型对高寒草地生物量进行Sen和 Mann-Kendall趋势分析，获得第一分析结果；

基于所述优化选择的优化模型对高寒草地生物量进行R/S分析，获得第二分析结果；

基于第一分析结果和第二分析结果进行叠加判断，获得高寒草地生物量分析结果。

另外，本发明实施例还提供了一种基于卫星驱动模型的高寒草地生物量估算系统，所述系统包括：

获得模块：用于获得数据信息，所述数据信息包括遥感影像信息、高寒草地监测数据信息和环境数据信息；

预处理模块：用于对所述数据信息进行预处理，获得预处理结果；

指标提取模块：用于基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标；

指标体系构建模块：用于基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系；

优化选择模块：用于基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型；

时空动态分析模块：用于基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果。

在本发明实施例中，主要运用XGBoost算法和相关性分析方法，通过探究指标与生物量间的关系，构建了一套草地生物量监测指标体系，然后根据所构建的指标体系，构建多个线性/非线性反演模型，通过模型精度对比可以确定最优的卫星驱动模型，并绘制了AG-AGB的时空分布图，分析了AG-AGB的时空动态变化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的基于卫星驱动模型的高寒草地生物量估算方法的流程示意图；

图2是本发明实施例中的基于卫星驱动模型的高寒草地生物量估算系统的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一

请参阅图1，图1是本发明实施例中的基于卫星驱动模型的高寒草地生物量估算方法的流程示意图

如图1所示，一种基于卫星驱动模型的高寒草地生物量估算方法，所述方法包括：

S11：获得数据信息，所述数据信息包括遥感影像信息、高寒草地监测数据信息和环境数据信息；

在本发明具体实施过程中，首选确定需要进行高寒草地生物量估算的区域，然后获得该区域的数据信息，该数据信息包括遥感影像信息、高寒草地监测数据信息和环境数据信息。

具体的，在本申请中确定需要进行高寒草地生物量估算的区域位于中国西北部青海省(北纬31°36′–39°19′，东经89°35′–103°04′)，总面积约69.67×104km2。研究区平均海拔大于3000米，属大陆性高原气候。年平均气温为-5.7℃至8.5℃，年总降水量为50mm至450mm，年总太阳辐射量为690.8kJ至753.6kJ(Deng et al.，2017)。高寒草原面积约 41.19×104km2，占青海省总面积的59.13％。主要草原类型包括高山草甸、高山草原和温带草原(Qinghai et al.，2012)。草原的生长季节从5月初开始，到9月下旬结束(Qinghai et al.，2012)。

S12：对所述数据信息进行预处理，获得预处理结果；

在本发明具体实施过程中，所述对所述数据信息进行预处理，获得预处理结果，包括：对所述遥感影像信息进行初始化处理，获得遥感影像信息初始化结果；对所述高寒草地监测数据信息进行初始化处理，获得高寒草地监测数据信息初始化结果；对所述环境数据信息进行初始化处理，获得环境数据信息初始化结果。

进一步的，所述对所述遥感影像信息进行初始化处理，获得遥感影像信息初始化结果，包括：利用MODIS重投影工具将所述遥感影像信息中的 MOD09A1和MCD12Q1数据从正弦投影转换为Albers投影，并将HDF格式转换为Geo-Tiff格式，然后进行影像融合及MCD12Q1数据重分类，获得遥感影像信息初始化结果；对所述高寒草地监测数据信息进行初始化处理，获得高寒草地监测数据信息初始化结果，包括：对所述高寒草地监测数据信息依次进行有矢量化、投影转换和异常值剔除处理，获得高寒草地监测数据信息初始化结果；对所述环境数据信息进行初始化处理，获得环境数据信息初始化结果。包括：对所述环境数据信息依次进行空间插值、投影转换和栅格重采样处理，获得环境数据信息初始化结果。

具体的，遥感影像数据预处理主要有辐射校正、大气校正、影像融合。利用MODIS重投影工具(MRT)将MOD09A1和MCD12Q1数据从正弦投影转换为Albers投影，并将HDF格式转换为Geo-Tiff格式，并进行影像融合及MCD12Q1数据重分类。高寒草地监测数据预处理主要有矢量化、投影转换、异常值剔除。异常值剔除主要采用平均值±2×标准偏差的方法进行剔除。地理、土壤、气象等环境数据预处理主要包括空间插值、投影转换、栅格重采样。其中气象数据主要采用Anuspli软件(由澳大利亚国立大学的Hutchinson教授编写)进行插值。此外，为了方便地计算AG-AGB，将上述所有数据的投影转换为Albers投影，并将其格式调整为Geo Tiff，并采用最近邻法(NNM)对不同空间分辨率的环境数据进行重采样，生成空间分辨率为500m×500m的栅格数据。

S13：基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标；

在本发明具体实施过程中，所述基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标，包括：基于所述预处理结果依次进行遥感指标和环境指标提取处理，获得遥感指标和环境指标。

进一步的，所述遥感指标提取处理包括基于ENVI软件从所述预处理结果中的MOD09A1数据中获得7个VIS和5个光谱指数，并提取每个可见光和光谱指数的最大值；所述环境指标提取处理包括基于ArcGIS软件从所述预处理结果中的航天飞机雷达地形任务数字高程模型产品中获取经度、纬度、海拔、坡度、坡向的地形指标。

具体的，遥感指标提取主要是运用ENVI软件用于从MOD09A1数据中获得7个VIS(NDVI、EVI、SAVI、MSAVI、OSAVI、SATVI和RVI) 和5个光谱指数(B7/B2、B2-B7、B7/B5、B5/B7和(B5-B7)/(B5+B7))，并提取研究区域的每个可见光和光谱指数(仅7月和8月)的最大值。

环境指标主要是包括地形、土壤和气象等数据。运用ArcGIS软件从航天飞机雷达地形任务(SRTM)数字高程模型(DEM)产品中获取经度、纬度、海拔、坡度、坡向等地形指标。从空间分辨率为1km的土壤数据中获取0–30cm沙土含量、0–30cm粘土含量、30–60cm沙土含量、30–60cm 粘土含量、0–30cm沙土粘土比、30–60cm沙土粘土比、有机质含量、总氮含量、总磷含量、总钾含量、pH等土壤指标。从气象数据中获取年均温、年总降水量、年太阳总辐射量、>0年积温、湿润度等气象指标。

S14：基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系；

在本发明具体实施过程中，所述基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系，包括：基于所述相关分析对所述遥感指标、环境指标进行高寒草地生物量估算的指标分析处理，获得高寒草地生物量估算的初始估算指标；基于XGboost算法对所述高寒草地生物量估算的初始估算指标进行冗余去除，获得高寒草地生物量估算的估算指标；基于所述估算指标和环境指标和高寒草地生物量构建指标体系。

具体的，首先采用相关分析法选取AG-AGB估算指标；然后，在相关分析结果的基础上，引入极端梯度提升(XGBoost)算法确定AG-AGB估算指标。XGBoost算法作为一种确定所有相关特征或指标的方法，提供了特征重要性(FI)的内在度量。XGBoost算法可以通过平均每棵树中的FI 来对整个FI进行排序，这是基于使用特征分割树后获得的信息量来计算的。为了准确地获取关键指标，减少指标间的数据冗余，本研究采用XGBoost 算法结合相关分析的方法，选择显著重要且不相关的指标来估算AG-AGB。 XGBoost算法简述如下：

建立了基于AGB估算指标体系的分类模型。检查分类模型中指标的性能，以获得FIs并按降序排序。FI的公式为：

式中，其中H(T)和H(T|F)是基于F特征的分割的父节点和子节点的熵，p

S15：基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型；

在本发明具体实施过程中，所述卫星驱动模型包括多元线性回归模型、 BP神经网络模型、支持向量机模型和随机森林模型。

进一步的，所述基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型，包括：确定精度参数，所述精度参数包括决定系数、相对均方根误差和残差预测偏差；参考所述卫星驱动模型中的各模型的残差预测偏差，在各模型的残差预测偏差在同一区间时，对比各模型的决定系数大小，然后参考相对均方根误差大小，获得优化选择的优化模型。

具体的，卫星驱动模型包括多元线性回归模型、BP神经网络模型、支持向量机模型和随机森林模型。

多元线性回归模型以AG-AGB为因变量(Y)，相应的AG-AGB估算指标为自变量(X)；

式中，β

BP神经网络模型是一种基于误差反向传播算法的多层前向神经网络，通常由输入层、输出层和一个或多个隐含层组成。它可以使用引导学习方法进行学习和训练，可以模拟任何非线性输入变量和输出变量之间的关系。学习过程主要包括输入信号的前向传播和误差的后向传播。训练过程包括使用最速下降法和反向传播算法连续调整连接权重，直到输出的均方误差达到要求的标准。信号传播和均方误差(MSE)的公式分别表示如下：

o

o

式中，θ

支持向量机模型是由Cortes和Vapnik(1995)提出的，该模型通过定义一个核函数，对训练数据集进行非线性变换，并将其映射到高维特征空间，对解决实际问题(小样本、非线性、高维和局部最小点)。SVM模型的表达式如下：

式中，f(x)是AG-AGB估算值；w

式中，||w||

其中

其中

随机森林模型是Breiman和Adele(2001)提出的一种集成学习方法，对数据集具有很强的适应性。它可以处理高维特征，不容易产生过拟合。此外，模型训练速度相对较快。RF模型的表达式及其误差分别如下：

式中f

在本研究中，选择了三个精度参数来验证模型的效果：决定系数(R2)、相对均方根误差(RRMSE)和残差预测偏差(PRD)。其中，R

精度评价指标表达式如下：

其中，y

S16：基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果。

在本发明具体实施过程中，所述基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果，包括：基于所述优化选择的优化模型对高寒草地生物量进行Sen和Mann-Kendall趋势分析，获得第一分析结果；基于所述优化选择的优化模型对高寒草地生物量进行R/S分析，获得第二分析结果；基于第一分析结果和第二分析结果进行叠加判断，获得高寒草地生物量分析结果。

具体的，采用Sen和Mann-Kendall趋势分析方法，基于两个关键参数(斜率β和统计量|Z

式中，AGB

式中，n为时间序列长度(n＝14)，i为2005，2006，…，2018，在给定显著性水平α下，当|Z

Hurst指数是一种有用的统计方法，用于估算时间序列的自相关特性，通过R/S分析计算，预测未来植被趋势的可持续性。Hurst指数的表达式为：

R

式中，R

其中H是直线的斜率；a是直线的截距。当H＞0.5时，AGB的变化是可持续的；当H≤0.5时，AGB的变化是不可持续的。

为了明确判断AG-AGB的发展趋势是好是坏，采用Sen和Mann-Kendall 趋势分析(β和Z

AG-AGB动态变化趋势判断标准表

在本发明实施例中，主要运用XGBoost算法和相关性分析方法，通过探究指标与生物量间的关系，构建了一套草地生物量监测指标体系，然后根据所构建的指标体系，构建多个线性/非线性反演模型，通过模型精度对比可以确定最优的卫星驱动模型，并绘制了AG-AGB的时空分布图，分析了AG-AGB的时空动态变化。

实施例二

请参阅图2，图2是本发明实施例中的基于卫星驱动模型的高寒草地生物量估算系统的结构组成示意图。

如图2所示，一种基于卫星驱动模型的高寒草地生物量估算系统，所述系统包括：

获得模块21：用于获得数据信息，所述数据信息包括遥感影像信息、高寒草地监测数据信息和环境数据信息；

在本发明具体实施过程中，首选确定需要进行高寒草地生物量估算的区域，然后获得该区域的数据信息，该数据信息包括遥感影像信息、高寒草地监测数据信息和环境数据信息。

具体的，在本申请中确定需要进行高寒草地生物量估算的区域位于中国西北部青海省(北纬31°36′–39°19′，东经89°35′–103°04′)，总面积约69.67×104km2。研究区平均海拔大于3000米，属大陆性高原气候。年平均气温为-5.7℃至8.5℃，年总降水量为50mm至450mm，年总太阳辐射量为690.8kJ至753.6kJ(Deng et al.，2017)。高寒草原面积约41.19×104km2，占青海省总面积的59.13％。主要草原类型包括高山草甸、高山草原和温带草原(Qinghai et al.，2012)。草原的生长季节从5月初开始，到9月下旬结束(Qinghai et al.，2012)。

预处理模块22：用于对所述数据信息进行预处理，获得预处理结果；

在本发明具体实施过程中，所述对所述数据信息进行预处理，获得预处理结果，包括：对所述遥感影像信息进行初始化处理，获得遥感影像信息初始化结果；对所述高寒草地监测数据信息进行初始化处理，获得高寒草地监测数据信息初始化结果；对所述环境数据信息进行初始化处理，获得环境数据信息初始化结果。

进一步的，所述对所述遥感影像信息进行初始化处理，获得遥感影像信息初始化结果，包括：利用MODIS重投影工具将所述遥感影像信息中的 MOD09A1和MCD12Q1数据从正弦投影转换为Albers投影，并将HDF格式转换为Geo-Tiff格式，然后进行影像融合及MCD12Q1数据重分类，获得遥感影像信息初始化结果；对所述高寒草地监测数据信息进行初始化处理，获得高寒草地监测数据信息初始化结果，包括：对所述高寒草地监测数据信息依次进行有矢量化、投影转换和异常值剔除处理，获得高寒草地监测数据信息初始化结果；对所述环境数据信息进行初始化处理，获得环境数据信息初始化结果。包括：对所述环境数据信息依次进行空间插值、投影转换和栅格重采样处理，获得环境数据信息初始化结果。

具体的，遥感影像数据预处理主要有辐射校正、大气校正、影像融合。利用MODIS重投影工具(MRT)将MOD09A1和MCD12Q1数据从正弦投影转换为Albers投影，并将HDF格式转换为Geo-Tiff格式，并进行影像融合及MCD12Q1数据重分类。高寒草地监测数据预处理主要有矢量化、投影转换、异常值剔除。异常值剔除主要采用平均值±2×标准偏差的方法进行剔除。地理、土壤、气象等环境数据预处理主要包括空间插值、投影转换、栅格重采样。其中气象数据主要采用Anuspli软件(由澳大利亚国立大学的Hutchinson教授编写)进行插值。此外，为了方便地计算AG-AGB，将上述所有数据的投影转换为Albers投影，并将其格式调整为Geo Tiff，并采用最近邻法(NNM)对不同空间分辨率的环境数据进行重采样，生成空间分辨率为500m×500m的栅格数据。

指标提取模块23：用于基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标；

在本发明具体实施过程中，所述基于所述预处理结果进行指标提取处理，获得遥感指标和环境指标，包括：基于所述预处理结果依次进行遥感指标和环境指标提取处理，获得遥感指标和环境指标。

进一步的，所述遥感指标提取处理包括基于ENVI软件从所述预处理结果中的MOD09A1数据中获得7个VIS和5个光谱指数，并提取每个可见光和光谱指数的最大值；所述环境指标提取处理包括基于ArcGIS软件从所述预处理结果中的航天飞机雷达地形任务数字高程模型产品中获取经度、纬度、海拔、坡度、坡向的地形指标。

具体的，遥感指标提取主要是运用ENVI软件用于从MOD09A1数据中获得7个VIS(NDVI、EVI、SAVI、MSAVI、OSAVI、SATVI和RVI) 和5个光谱指数(B7/B2、B2-B7、B7/B5、B5/B7和(B5-B7)/(B5+B7))，并提取研究区域的每个可见光和光谱指数(仅7月和8月)的最大值。

环境指标主要是包括地形、土壤和气象等数据。运用ArcGIS软件从航天飞机雷达地形任务(SRTM)数字高程模型(DEM)产品中获取经度、纬度、海拔、坡度、坡向等地形指标。从空间分辨率为1km的土壤数据中获取0–30cm沙土含量、0–30cm粘土含量、30–60cm沙土含量、30–60cm 粘土含量、0–30cm沙土粘土比、30–60cm沙土粘土比、有机质含量、总氮含量、总磷含量、总钾含量、pH等土壤指标。从气象数据中获取年均温、年总降水量、年太阳总辐射量、>0年积温、湿润度等气象指标。

指标体系构建模块24：用于基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系；

在本发明具体实施过程中，所述基于XGboost算法和相关性分析利用所述遥感指标、环境指标和高寒草地生物量构建指标体系，包括：基于所述相关分析对所述遥感指标、环境指标进行高寒草地生物量估算的指标分析处理，获得高寒草地生物量估算的初始估算指标；基于XGboost算法对所述高寒草地生物量估算的初始估算指标进行冗余去除，获得高寒草地生物量估算的估算指标；基于所述估算指标和环境指标和高寒草地生物量构建指标体系。

具体的，首先采用相关分析法选取AG-AGB估算指标；然后，在相关分析结果的基础上，引入极端梯度提升(XGBoost)算法确定AG-AGB估算指标。XGBoost算法作为一种确定所有相关特征或指标的方法，提供了特征重要性(FI)的内在度量。XGBoost算法可以通过平均每棵树中的FI 来对整个FI进行排序，这是基于使用特征分割树后获得的信息量来计算的。为了准确地获取关键指标，减少指标间的数据冗余，本研究采用XGBoost 算法结合相关分析的方法，选择显著重要且不相关的指标来估算AG-AGB。 XGBoost算法简述如下：

建立了基于AGB估算指标体系的分类模型。检查分类模型中指标的性能，以获得FIs并按降序排序。FI的公式为：

式中，其中H(T)和H(T|F)是基于F特征的分割的父节点和子节点的熵，p

优化选择模块25：用于基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型；

在本发明具体实施过程中，所述卫星驱动模型包括多元线性回归模型、 BP神经网络模型、支持向量机模型和随机森林模型。

进一步的，所述基于指标体系对卫星驱动模型进行优化选择处理，获得优化选择的优化模型，包括：确定精度参数，所述精度参数包括决定系数、相对均方根误差和残差预测偏差；参考所述卫星驱动模型中的各模型的残差预测偏差，在各模型的残差预测偏差在同一区间时，对比各模型的决定系数大小，然后参考相对均方根误差大小，获得优化选择的优化模型。

具体的，卫星驱动模型包括多元线性回归模型、BP神经网络模型、支持向量机模型和随机森林模型。

多元线性回归模型以AG-AGB为因变量(Y)，相应的AG-AGB估算指标为自变量(X)；

式中，β

BP神经网络模型是一种基于误差反向传播算法的多层前向神经网络，通常由输入层、输出层和一个或多个隐含层组成。它可以使用引导学习方法进行学习和训练，可以模拟任何非线性输入变量和输出变量之间的关系。学习过程主要包括输入信号的前向传播和误差的后向传播。训练过程包括使用最速下降法和反向传播算法连续调整连接权重，直到输出的均方误差达到要求的标准。信号传播和均方误差(MSE)的公式分别表示如下：

o

o

式中，θ

支持向量机模型是由Cortes和Vapnik(1995)提出的，该模型通过定义一个核函数，对训练数据集进行非线性变换，并将其映射到高维特征空间，对解决实际问题(小样本、非线性、高维和局部最小点)。SVM模型的表达式如下：

式中，f(x)是AG-AGB估算值；w

式中，||w||

其中

其中

随机森林模型是Breiman和Adele(2001)提出的一种集成学习方法，对数据集具有很强的适应性。它可以处理高维特征，不容易产生过拟合。此外，模型训练速度相对较快。RF模型的表达式及其误差分别如下：

式中f

在本研究中，选择了三个精度参数来验证模型的效果：决定系数(R

精度评价指标表达式如下：

其中，y

时空动态分析模块26：用于基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果。

在本发明具体实施过程中，所述基于优化选择的优化模型对高寒草地生物量进行时空动态分析处理，获得高寒草地生物量分析结果，包括：基于所述优化选择的优化模型对高寒草地生物量进行Sen和Mann-Kendall趋势分析，获得第一分析结果；基于所述优化选择的优化模型对高寒草地生物量进行R/S分析，获得第二分析结果；基于第一分析结果和第二分析结果进行叠加判断，获得高寒草地生物量分析结果。

具体的，采用Sen和Mann-Kendall趋势分析方法，基于两个关键参数(斜率β和统计量|Z

式中，AGB

式中，n为时间序列长度(n＝14)，i为2005，2006，…，2018，在给定显著性水平α下，当|Z

Hurst指数是一种有用的统计方法，用于估算时间序列的自相关特性，通过R/S分析计算，预测未来植被趋势的可持续性。Hurst指数的表达式为：

R

式中，R

其中H是直线的斜率；a是直线的截距。当H＞0.5时，AGB的变化是可持续的；当H≤0.5时，AGB的变化是不可持续的。

为了明确判断AG-AGB的发展趋势是好是坏，采用Sen和Mann-Kendall 趋势分析(β和Z

AG-AGB动态变化趋势判断标准表

在本发明实施例中，主要运用XGBoost算法和相关性分析方法，通过探究指标与生物量间的关系，构建了一套草地生物量监测指标体系，然后根据所构建的指标体系，构建多个线性/非线性反演模型，通过模型精度对比可以确定最优的卫星驱动模型，并绘制了AG-AGB的时空分布图，分析了AG-AGB的时空动态变化。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于卫星驱动模型的高寒草地生物量估算方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。