无人机遥感技术在草地动植物调查监测中的应用与评价

摘要：近些年，无人机遥感由于其具有分辩率高、时效性高、机动性强、可云下低空飞行等优势在草地资源监测及草地生态方面迅速兴起。本文首先介绍了无人机遥感系统的组成及以不同传感器在草地监测上的应用，在此基础上对无人机在草地植被覆盖度监测和地上生物量估算、草地有蹄类野生动物和草地啮齿动物监测中的应用研究进行了综述，并对该技术存在的问题及限制进行了探讨，从而有针对性地解决所需要监测的对象与问题，这对于在草地动植物资源调查中构建精准数据获取、实现实时动态监测具有重要的研究意义和实际应用价值。

   无人驾驶飞机简称无人机（unmanned aerial vehicle,UAV)，是一种能携带多种设备、执行多领域任务并能通过遥控设备自主飞行的不载人飞行器。无人机与遥感技术的结合，即无人机遥感(unmanned aerial vehicle remote sensing,UAVRS).是以无人机作为载体，通过搭载相机（包括可见光相机、多光谱相机、热红外相机等）、激光雷达等各种传感器，来获取低空高分辨率遥感数据的平台。与传统的以卫星为平台的航天遥感相比，无人机遥感具有云下低空飞行、高机动性等优势，弥补了卫星遥感受云层遮挡获取不到清晰影像的缺陷，同时它高时效、高时空分辨率的特点，也是重访周期长且离地几百公里的传统卫星遥感所不感具备的。与传统地面野外调查相比，无人机遥感无需耗费大量的人力物力、响应快、成本低、时效性强且应用范围广，是继传统航空、航天遥感平台之后的第3代遥感技术。随着相关技术的发展，无人机在生态监测、环境监测、灾害勘察、精准农业、 草地生态监测等领域迅速发展起来，成为国内外学者争相研究的热点课题。本文以无人机技术在草地资源监测方面的应用为前提，探究了该技术在该领域中的研究内容和方法，总结了目前无人机技术存在的问题、限制以及发展前景。

1  无人机遥感的系统组成

1.1 系统组成及工作流程

无人机遥感系统主要是以无人机为飞行和搭载平台，通过搭载各类传感器，结合地面控制与数据传输系统，获取地面或空中实时影像和各类遥感数据。系统组成主要包括地面系统、任务载荷和飞机系统，基于其系统组成及工作原理，无人机影像数据获取流程综合归纳如图1所示。

1.2 照片处理技术
随着所需处理照片结果的不同，数据处理过程的复杂性进一步加剧。草地动植物资源数据处理的复杂

性不仅体现在数据样本本身，更体现在草地生态系统异质异构、多源和多空间的交叉互动上。在草地生态学的研究中.对不同领域不同类型数据的需求逐渐增加，这也使得试验数据处理进一步的精细和精准化。 随着无人机技术和计算机软件处理技术的快速发展，更多的无人机影像处理研究开始借助软件的自动解译功能，并通过对比分析，得出数据处理效果图。在无人机影片数据处理过程中PIX4D和Photoscan为常用的数据处理软件。Pix 4D 软件处理流程为：导入原始照片一填写各种参数（照片GPS 位置信息、拍摄高度、重叠度等）一获得具有地理坐标的数字正射影像（digital orthograph model,DOM )、数字高程模型（digital elevation model,DEM)、数字地表模型（digital surface model.DSM )和 3D 模型图一软件自动镶嵌匀色一完成影像的拼接。PhotoScan 处理软件流程为：主动创建新项，导人照片一多照片拼接处理一生成密集点云一结果输出数字高程模型、数字正摄影像一导出拼接结果一生成专题图。PhotoScan 软件根据图片的重叠度、坐标高程信息，完成图片的拼接，主要在一些专题图的生成中应用较多，如水土流失面积图、林草覆盖图、土壤侵蚀强度图等。以上两类图片处理软件中，Pix 4D 具有专业化、简单化、一键 A 动化等优点，但不能完成照片中土丘、秃斑地的自动勾选，PhotoScan 主要具有操作简单、支持倾斜影像、支持多航高及多分辨率影像的空三处理等优势，但缺少正射影像编辑修改功能。 因此在对照片信息的提取中，可运用多种软件进行度量处理，从而导出可理解的数据信息。对于复杂草地资源动植物数据信息的利用，不仅要生成和分析数据，而且要使大量数据能够重复使用和循环利用，实现现有资源共享，为后续研究奠定基础。

 1.3 常见传感器及应用领域

可见光、多光谱、高光谱、热成像仪及激光雷达等高分辨率数码相机为常见无人机传感器，各传感器的产出结果、优缺点及主要应用领域归纳分类如表1所示。

随着相关研究的不断深入，传感器的应用也越来越广泛。不同传感器获取的目标数据不同.但总体而言 ，可见光相机、高光谱相机、多光谱相机在植物各项数据的获取中应用较多，热红外相机因与温度图谱密切相关，在动物的研究中被普遍使用，而激光雷达在获取植物冠层结构中应用较多，因而更多的用来获取森林植物生物量以及植被高度。

2 无人机在草地动植物资源监测及管理中的应用

草地生态系统是陆地上重要的生态系统之一，在生态环境中起着举足轻重的作用。草地资源作为草地生态系统不可或缺的一部分，在草地生态系统体系循环中具有重要作用。为了对草地资源进行快速 、 便捷、精准有效的监测，国内外学者开始利用以卫星为平台的航天遥感进行草地植被覆盖度及生物量的动态监测研究、草地鼠害监测、草地有蹄类野生动物。然而传统的中低分辨率的卫星遥感影像获取周期长、易受气候影响，无法获取局部区域地面有效信息。相比卫星遥感，无人机遥感具有的高分辨率、云下获取影像等特点，能够显著降低混合效应对监测精度的影响，有效弥补卫星航天气遥感系统在地表分辨率低、 重访周期长、受水汽影响大等不足，为中小尺度的草地资源监测遥感应用研究提供了新的手段。

2 .1 无人机在草地植物资源监测中的应用
2.1.1 草地植被覆盖度监测  草地生态系统需要垂直的植被结构来评价草地的健康状况。植被盖度指

观测K域内植被垂直投影面积占观测K地表总面积的百分比，是反映植被生长状况的直接定量指标，也是评价和监测生态系统及其功能的关键参数。植被覆盖度及其随时间的变化也被直接用作草地退化、土壤侵蚀和荒漠化的指标。

目前，国内外许多学者利用无人机遥感对草地植被覆盖度监测进行了研究。葛静等在黄河源东部地区 利用无人机（UAV )、普通数码相机（Canon)、农业多光谱相机（Agricultural digital camera，ADC)等设备获取高寒草地大量相片，结合相应的MODIS NDVI（归一化植被指数）和EVI(增强型植被指数）数据，构建了基于UAV，Canon及ADC相片的植被盖度与MODIS 植被指数之间的反演模型，采用留一法交叉验证方法评价各种模型的精度，确立无人机获取的数据构建的草地盖度反演模型为黄河源区遥感监测的模型。宋清洁等在甘南州高寒草地以EVI和NDVI两种植被指数为自变量，以无人机获取的草地植被覆盖度数据为因变量建立两种植被指数间的回归模型，并以Canon数码相机获取的草地植被覆盖度数据为真实值，对建立的回归模型进行精度评价，从而筛选出基于EVI构建的对数模型为研究区草地植被覆盖度反演模型。

考虑到模型精度和稳定性对草地覆盖监测的影响，Meng等人使用无人机技术对甘南地区高寒草地覆盖状况进行了反演模型的比较性研究，基于14个与草地覆盖相关的因子，分别建立了单因素、多因素参数反演模型和多因素非参数反演模型，通过交叉验证得出，相对于单因素和多因素参数模型，多因素非参数模型的精度和稳定性都较高。在无人机航拍获得的植被盖度和地面测量的植被盖度拟合比较好的基础上，宜树华等对比分析了使用无人机获取的植被盖度和地面测得样方平均后的植被盖度与遥感指数相关系数的大小，发现前者的相关系数更大，从而表明使用无人机可提供高精度的地面盖度信息。Chen等采用无人机航测和地面样方调查相结合的方法，获得了两种空间尺度（卫星图像像素尺度和地面样方尺度）下的植被覆盖度，并在卫星图像像素尺度下评估了基于地面采样法估算的部分植被覆盖度（FVCground )和无人机采样法估算的部分植被覆盖度（FVCUAV)的精度，同时选择了NDVI，EVT ,RVI( 比值植被指数）、MSAVI( 修正型土壤调整植被指数）等植被指数，分析了植被指数与FVC的关系，发现FVCUAV在卫星图像像素尺度上是的。这些研究都使得无人机技术在草地植被盖度监测中得到了进一步的应用发展。

2.1.2 草地植物地上生物量估算  草地地上生物量是天然草地生态系统动态研究的重要衡量指标，是草地资源合理利用和载畜平衡监测的重要依据。地上生物量可以评价草原生态系统生产力，评估草原长势及产量。在实际生产条件下，地上生物量的变化可以反映草地生长及利用程度，可以为草地保护与管理提供早期预警和参考阈值。因此，大面积草地地上生物量的精确估算，对评估草地资源的应用状况和管理具有重要意义。

物量的预测指标，并与通过光谱仪测量得到的窄带植被指数进行了比较，结果表明通过基于UAV图像SFM-MVS（Structure from Motion-Multi View Stereo)推导的草皮高度估算草地生物量是可行的。因此，基于无人机成像传感器的应用是一种具有高时空分辨率且快速的无损数据采集方法。张正健等基于地面实测样木数据和无人机可见光影像获取了研究区草地地上生物量分布，建立了生物量与绿红比值指数（GRRI )、 绿蓝比值指数（GBRI )、归一化绿红差异指数（NGRDI )、归一化绿蓝差异指数（NGBDI )等的指数回归模型； 对比不同波段建立的植被指数模型，确定了基于红绿波段的GRRI和NGRDI 植被指数冋归模型对生物量的模拟和预测精度较好，可用于区域草地生物量的估算。为了快速、有效、准确的估算天然草地地上生物量， 孙世泽等根据阴阳坡不同草地类型和植被种类，运用多旋翼大疆无人机获取含近红外波段的高分辨率多光谱影像，结合地面实测数据，对草地地上生物量和NDVI,RVI,VDVI,MSAVI,DVI(差值植被指数)5种植被指数进行相关性分析并建立估算模型，结果表明RVI与阴阳坡的草地地上生物量拟合好、精度高。无人机遥感技术对地观测的宏观性、动态性和综合性使其优于传统的由点到面的野外调查方法，已成为人类获取大面积宏观草地资源信息的重要手段。

 2.2 无人机在草地动物资源监测中的应用
2.2.1 草地有蹄类野生动物的监测  草地有蹄类野生动物的监测是一项重要而又具有挑战性的丁作，需要投人大量的时间和资源。传统野外调查数据的分辨率或比例尺往往与遥感方法获得的数据不匹配， 当在不同空间尺度内对物种和柄息地进行测试时，常常导致两者之间关系模式的不一致大量研究表明，在草地有蹄类野生动物监测中.无人机遥感技术是可行高效的监测工具 。Torney 等部署无人机系统来收集驯鹿从维多利亚岛迁徙到加拿大的航拍画面.通过对迁徙驯鹿运动轨迹的贝叶斯分析，揭示了迁徙驯鹿相互吸引、复制邻居方向选择的精细互动规律。罗巍等以青海三江源地区为研究区，以藏野驴为研究对象，探讨了从无人机影像中自动获取野生食草动物信息并统计数量的方法具有速度快、精度高的特点。在此基础上，邵全琴等利用无人机航拍调查黄河源玛多县的藏野驴、藏原羚、藏羊、牦牛等有蹄类动物的图像解译标志库，通过人机交互方式解译，获取调查样带内的种群数量。郭兴建等使用台无人机对黄河源玛多县内的岩羊进行航拍，并利用软件Pix4Dmapper，LiMapper 对照片拼接处理，通过目视解译来估算研究区内岩羊的种群数量和密度，结合软件ArcGIS和3S技术对其生境进行研究分析，从而为高原地区大型野生动物调查研究提供了新思路。在对斑马栖息地的监测中，Xu等[利用无人机辅助无线传感器网络的方法，将观测区域统一划分为虚拟网格，每个网格包含一个传感器节点集群，选择其中一个节点作为集群头接收无线传感器的数据包，并将其发送给无人机，无人机作为一个移动接收器收集数据。该网络模型利用斑马的真实移动轨迹来探究其活动规律，以实现对目标的大视觉感知。仿真结果表明，该路径规划方法的性能优于随机和基于TSP的路径规划方法（图2)。Luis等通过无人机与热成像能力和人丁智能图像处理相结合的系统来定位野生动物在其自然栖息地的位置，解决了无人机图像中野生动物自动检测的挑战。近年来，由于航空成像技术的进步，无人机在专业领域应用的可能性增加。航空成像可提供详细的草原图像并对大面积分布的动物群落进行快速检测，是解决草原大型野生动物监测非常有效的工具。

2.2.2 草原啮齿类小型动物的监测  近年来，由于全 球气候变化和人类过度利用等综合因素致使全 球草地存在不同程度的退化并日趋严重，鼠害频发，因此对草地害鼠发生的时空动态及分布规律亟待科学认识和量化评估。将无人机运用于高寒草地的鼠害面积调查、鼠害分布监测及评估是一种新的研究思路。20 世纪 80 年代以来，学者们陆续开展了大面积草地遥感技术应用研究和草地鼠害的预测预报研究，但仍处于探索阶段。李博等应用“3S”技术建立了中国温带草地草畜平衡动态监测系统.为探究草地鼠害动态监测提供了重要基础。在此基础上，一些研究利用“3S”技术与地面调查相结合的方法，通过确定影响草原鼠害发生的生物及非生物因子，来构建基于3S技术的鼠类密度监测模型；另有学者分析了“3S”技术对草原鼠害进行监测的原理及应用，并指出TM遥感影像可作为草原鼠害研究的主要数据来源；李培先等运用“3S技术” 结合实地采集的GPS数据对阿尔金山草地鼠荒地和鼠害发生区进行监测和解译，获得鼠害发生面积和分布，并参照鼠害发生区植被覆盖度和海拔等生境特点，来分析鼠荒地和鼠害发生区的空间分布特征。

还有学者采用动力三角翼和数码相机构建的低空遥感平台对鼠荒地进行航拍获取高分辨率草原鼠害影数据，在遥感目视解译的基础上利用 GIS 空间插值和统计方法获得了试验区鼠害的空间分布及危害程度情况；此外，何咏琪等采用“3S”技术，确定了高程、坡度、坡向、草地类型、土壤类型、EVI 6个鼠害监测模型主要因子，建立基于“3S”技术的草原鼠害监测模型，提取了不同鼠害发生区和危害区的阈值。

无人机遥感能够灵活的获取多尺度、多时相的地面观测数据.可以更好的运用于鼠害调查研究中。以大疆公司精灵系列无人机为例，能高效准确地提供地面草地植被盖度、斑块、鼠洞等信息(图3)，并将无人机航拍得到的图片进行手工标记以识別高原鼠兔或鼢鼠形成的秃斑地；董光以若尔盖县瞎曼乡鼠害发生严重区为实验研究地，使用精灵4Pro获取春夏两季鼢鼠和旱獭鼠害区的航拍影片，并利用软件Pix4Dmapper生成数字正射影像，通过灰度阈值分割、面向对象法、BP神经网络和优选色彩纹理4种方法获取图片鼠害信息，对比得出不同处理在不同季节中提取图片鼠害信息的方法，从而为草原鼠害后续监测研究奠定基础。在对三江源玛多县典型区鼠洞的监测识别中，周晓琳等以可见光波段的无人机影像为数据源，在研究区建立了支持向量机法和面向对象的模板匹配法的鼠洞识别研究。结果表明，在不同植被盖度的草地上基于面向对象的模板匹配法对鼠洞的识别精度更高。马涛等利用无人机低空遥感监测平台对研究区进行的两次航拍，探讨低空遥感在大沙鼠空间密度分布监测方面的有效性，并对该区域鼠害程度进行评定，为荒漠林大沙鼠科学防治提供依据。但是，基于无人机遥感的草地鼠害监测研究尚处在起步阶段，为了充分发挥无人机快速获取高分辨率影像的明显优势，可根据草原地理地形特征，结合地面调查数据并建立模型，快速准确地进行草原生态鼠害监测。

3 无人机遥感技术在草地资源调查监测中存在的问题、限制及展望、评价
3.1 问题与限制
从国内外相关研究来看，无人机信息的提取仍存在众多问题与限制，主要总结为以下几点：

1 )复杂地形效应：跨区域的空间变异性大、地面的异质性、地面采样不全面等导致数据缺乏完整性。此外，野外调查分辨率极高，枯叶和植被可以被区分，而航拍图像只能区分植被斑块，导致无人机测得的植被盖度一般高于野外调查。

2)建立模型繁多：由于不同研究区水热条件、植被特征、土壤因素等条件不同，采用无人机数据确定的模型不同，导致草地遥感植被的监测和估算精度低，稳定性差。

3 )照片识別软件开发：无人机获取的草地图片信息中，时常由于障碍物的遮挡获取不到某些目标信息，需要研究者肉眼观测，这大大降低了工作效率，同时也限制了影像图片中其他信息的获取。因此，开发更简单高效的图片自动识别处理软件显得尤为重要。

4 )传感器设备匹配限制：无人机在草地资源监测方面研究较少，虽然已有少量学者开始这方面的研究，但由于传感器设备成本昂贵以及缺少与无人机遥感高度匹配的地面调查数据，而限制了无人机在草地资源监测中的应用。

3.2 评价与展望
随着无人机遥感技术的广泛应用，对草地动植物资源的研究进入了一个新的阶段，结合地面采样、卫星遥感，实时、全面、有效、准确的对草地资源进行监测。

1 )多尺度、多层次监测：针对草地分布的水平和垂直地带性特点、局域性小环境差异以及草地植物生长的季节性变化，可结合地面调查、无人机遥感、卫星航天遥感三位一体来实现小、中、大尺度范围内草地资源的多层次监测，提高不同空间区域的数据匹配度，缩小无人机遥感获取数据与实地调查数据之间的差异。

2 ) 多元数据的时效性融合：利用无人机监测草地资源的大多数研究仍依赖于传统的地面调查或者“3S”卫星遥感技术获取的数据。地面调查作为草地生态学研究的重要手段，具有不可替代的作用，而无人机遥感在一定程度上提高了数据获取的时效性。因此，可通过多元数据融合的方法，将地面调查所得数据与无人机获取的数据进行融合来弥补单一数据源的不足，实现各种数据源的优势互补，进而实现空间分辨率和时间分辨率的相互补充，为草地资源监测提供更系统、更科学有效的支撑。

3 )不同传感器的应用普及：随着集成技术的发展，无人机可搭载的传感器更加多样。草地类型丰富多样，可以针对不同草地资源的特点，选择合适的传感器，有针对性地解决所需要监测的对象与问题。这对于构建精准数据获取、实现实时动态监测具有重要的研究意义和实际应用价值。总体而言.基于高时空分辨率的无人机草地生态监测机制将成为今后发展的热点和趋势。无人机遥感以其卫星遥感和地面人工调查所不及的诸多优势，为草地资源监测的研究提供了新的技术平台，尤其是在草地植物季相、草地植物盖度、生物产量、草地家畜、草地啮齿动物种群等方面，可以有针对性地进行大面积航空监测及小范围定点监测，对草地合理利用和健康管理非常有实用价值。

参 考 文 献：

[1] 乔红. 无人机遥感系统的应用研究综述[J]. 科学技术创新，2017（36）：1-2
[2] 金伟，葛宏立，杜华强，等. 无人机遥感发展与应用概况[J]. 遥感信息，2009(1):88-92

[3] 胡健波，张健. 无人机遥感在生态学中的应用进展[J]. 生态学报，2018, 38(1):20-30

[4] Karen A ， Kevin J G. Lightweight unmanned aerial vehicles will revolutionize spatial ecology[J]. Frontiers in Ecology and the Environment，2013, 11(3):138-146

[5] Danilov A S， Smirnov U D， Pashkevich M A. The system of the ecological monitoring of environment which is based on the usage of UAV[J]. Russian Journal of Ecology, 2015, 46 (1)：14-19

[6] Lu Y, Macias D,Dean Z S,etal . A UAV-Mounted Whole Cell Biosensor System for Environmental Monitoring Applications[J]. IEEE Transactions on Nano Bioscience,2015,14(8)：811-817

[7] Aljehani M, Inoue M. Communication and Autonomous Control of Multi-UAV System in Disaster Response Tasks[C] //Kes International Symposium on Agent & Multi-agent Systems： Technologies & Applications,2017 :124-127

[8] Yin P F, Yin Q, Chen X F, et al. Unmanned Aerial Vehicle Aerial Remote Sensing Techniques and Its Application on Post Earthquake Disaster Investigation[J]. Laser & Optoelectron ics Progress,2010, 47(11)： 112802

[9] Sonaa G， Passoni D,Pinto b,et al. UAV multispectral survey to map soil and crop for precision farming applications[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,2016(6 ):1023-1029

[10] Ge J Y， Meng B P， Yang S X,et al. Dynamic monitoring of alpine grassland coverage based on UAV technology and MODIS study in the headwaters of the Yellow River[J]. Acta Prataculturae Sinica， 2017, 26( 3) :1-12

[11] 孙中宇，陈燕乔， 杨龙， 等. 轻小型无人机低空遥感及其在生态学中的应用进展[J]. 应用生态学报， 2017,28(2) :528-536
[12] 付和平，温都苏， 袁帅， 等. 大数据应用T草地啮齿动物生态学：机遇与挑战[J]. 中国草地学报， 2019,41(1) :101-110
[13] Hampton S E,Strasser C A,Tewksbury J J ,et al. Big data and the future of ecology[J]. Front Ecol. Environ. , 2013, 11( 3)：156-162

[14] Colomina I, Molina P. Unmanned aerial systems for photogrammetry and remote sensing： A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014,92：79-97
[15] Yuan H,Liu Z,Cai Y ,et al. Research on Vegetation Information Extraction from Visible UAV Remote Sensing Images[C] // 2018 Fifth International Workshop on Earth Observation and Remote Sensing Applications ( EORSA). 2018：859-863

[16] Zhang X,Zhang F,Qi Y ,et al. New research methods for veg etation information extraction based on visible light remote sensing images from an unmanned aerial vehicle ( UAV) [J]. International Journal of Applied Earth Observation and Geoinformation， 2019，78：215-226

[17] 孙迪. 基于低空遥感的黄兔尾鼠鼠洞动态监测及变化分析[D]. 乌鲁木齐:新疆大学， 2019:5-11
[18] 周在明，杨燕明， 陈本清. 基于无人机遥感监测滩涂湿地入侵种互花米草植被覆盖度[J]. 应用生态学报， 2016, 27 (12 ) :3920-3926

[19] Gao R,Kong Q M， Wang H G ^ et al. Diagnostic Feed Values of Natural Grasslands Based on Multispectral Images Acquired by Small Unmanned Aerial Vehicle[J]. Rangeland Ecology & Management， 2019， 72(6 ) ： 916-922

[20] Capolupo A,Kooistra L, Berendonk C ^ et at. Estimating plant traits of grasslands from UAV-acquired hyperspectral images: a comparison of statistical approaches[J]. ISPRS International Journal of Geo-Information, 2015, 4(4) ： 2792-2820

[21] 魏秀红，靳瑰丽，范燕敏，等. 基于高光谱遥感的退化伊犁绢蒿荒漠草地群落盖度估算[J]. 中国草地学报， 2017,39 ( 6) : 33-39,46
[22] Lopatin J ,Fassnacht F E, Kattenborn T ,etal. Mapping plant species in mixed grassland communities using close range imaging spectroscopy[J]. Remote sensing of environment， 2017, 201： 12-23

[23] 李晟， 王大军， 肖治术， 等. 红外相机技术在我国野生动物研究与保护中的应用与前景[J]. 生物多样性， 2014,22( 6 ):685-695
[24] Goodenough A E,Carpenter W S » Mactavish et al • Empirically testing the effectiveness of thermal imaging as a tool for identification of large mammals in the African bushveldt[J J. African Journal of Ecology,2017,56(1)： 162-184

[25] Scholten C N,Kamphuis A J , Vredevoogd K ] 9etai. Real-time thermal imagery from an unmanned aerial vehicle can locate ground nests of a grassland songbird at rates similar to traditional methods[J]. Biological Conservation,2019 ,233： 241-246
[26] Li Z Q,Guo X L. Remote sensing of terrestrial non-photosynthetic vegetation using hyperspectral，multispectral，SAR , and LiDAR data[J]. Progress in Physical Geography,2016 , 40( 2 ) :276-304

[27] Wang D， Xin X，Shao Qjet al. Modeling aboveground biomass in hulunber grassland ecOvSyvstem by using unmanned aerial vehide discrete lidar[J]. Sensors,2017 ,17(1) ： 180
[28] Jansen V S, Kolden C A,Greaves H F>， et al. Lidar provides novel insights into the effect of pixel size and grazing intensity on measures  of spatial heterogeneity in a native bunchgrass ecosystem[ J]. Remote Sensing of Environment, 2019, 235:111432

[29] 刘兴元，龙瑞军，尚占环. 草地生态系统服务功能及其价值评估方法研究[J]. 草业学报，2011,20(1):167-174
[30] Jmo S,Johnson K，Olson R J. Estimating net primary productivity from grassland biomass dynamicvS measurements [J J. Global Change Biology， 2002,8(8):736-753

[31] 陈梦蝶， 黄晓东， 侯秀敏， 等. 青海省草原鼠害区域草地生物量及盖度动态监测研究[J]. 草业学报， 2013,22(4):247-256
[32] 王建柱. 基于 3S 技术系统鼠害监测的基础研究[D]. 兰州： 甘肃农业大学， 2003:2-9
[33] 张玉， 齐景伟， 金晓， 等. 信息技术在放牧绵羊福利中应用的研究进展[J]. 家畜生态学报， 2018,39(3):8-11

[34] Rango A, Laliberte A， Herrick J ¥j-,et al. Unmanned aerial ve hicle-based remote sensing for rangeland assessment， monitoring,and management[J]. Chinese Hydraulics Pneumatics，2009 , 3(1) :11-5

[35] Li Z，Chen Z,Wang h， et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(19) ： 207-213

[36] Lehnert L W,Meyer H, Wang Y ， et al. Retrieval of grassland plant coverage on the Tibetan Plateau based on a muliti-scale multi-sensor and multi-method approach[J]. Remote Sensing of Environment， 2015，164:197-207

[37] Hou J ,Wang H, Fu h,et al. Effects of plant diversity on soil erosion for different vegetation patterns[J]. Catena， 2016, 147： 632-637

[38] 葛静， 孟宝平，杨淑霞， 等. 基于 UAV 技术和 MODIS 遥感数据的高寒草地盖度动态变化监测研究—以黄河源东部地区为例[J]. 草业学报， 2017 ,26 ( 3) :1-12
[39] 宋清洁，崔霞， 张瑶瑶， 等. 基于小型无人机与 MODIS 数据的草地植被覆盖度研究—以甘南州为例[J]. 草业科学， 2017,34(1)： 40-50

[40] Meng B， Gao J， Liang T ,et al. Modeling of Alpine Grassland Cover Based on Unmanned Aerial Vehicle Technology and Multi-Factor Methods： A Case Study in the East of Tibetan Plateau,China[J]. Remote sensing， 2018， 10(34):3-10

[41] 宜树华，陈建军， 秦或. 无人机航拍在青藏高原高寒草地生态系统研究中的初步应用[J]. 西南民族大学学报（ 自然科学版） ， 2016 ,42(1):1-7

[42] Chen J J,Yi S H,Qin Y ^etal. Improving estimates of fractional vegetation Qinghai-Tibetan Plateau[J]. International Journal of Remote cover based on UAV in alpine graSvsland on the Sensing, 2016,37 (8) ： 1922-1936

[43] 金云翔，徐斌，杨秀春，等. 内蒙古锡林郭勒盟草原产草量动态遥感估算[J]. 中国科学： 生命科学， 2011,41(12) :1185-1195
[44] 周宇庭，付刚，沈振西，等. 藏北典型高寒草甸地上生物量的遥感估算模型[J]. 草业学报， 2013,22(1):120-129
[45] 张云霞，李晓兵，陈云浩. 草地植被盖度的多尺度遥感与实地测量方法综述[J]. 地球科学进展， 2003(1):85-93

[46] Lussem U,Bolten A, Menne ]， et al. Estimating biomass in temperate grassland with high resolution canopy surface models from UAV-based RGB images and vegetation indices[J]. Journal of Applied Remote Sensing, 2019，13( 3) :1

[47] 张正健，李爱农， 边金虎， 等. 基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究[J]. 遥感技术与应用，2016 , 31(1) :51-62
[48] 孙世泽， 汪传建，尹小君， 等. 无人机多光谱影像的天然草地生物量估算[J]. 遥感学报， 2018, 22(5):848-856
[49] 曾永年，冯兆东. 沙质荒漠化遥感监测与环境影响研究进展[J]. 山地学报， 2005(2):218-227

[50] Christopher J. Rhodes, Peter Henrys， Gavin M. Siriwardena, ei al. The relative value of field survey and remote sensing for biodiversity assessment[J]• Methods in Ecology and Evolution,2015,6 (7):772-781

[51] Jackson H B, Fahrig L. Are ecologists conducting research at the optimal scale? [J]. Global Ecology Biogeography, 2015, 24(1):52-63

[52] Luis G, Glen M， Eduard P,et al. Unmanned Aerial Vehicles( UAVs ) and Artificial Intelligence Revolutionizing Wildlife Monitoring and Conservation[J]. Sensors,2016,16 (1)： 97

[53] Torney C J， Lamont M， Debell h， et al. Inferring the rules of social interaction in migrating caribou [ J ]. Philosophical Transactions of the Royal Society B： Biological Sciences,2018, 373(1746) ： 20170385

[54] Mann R P. Bayesian Inference for Identifying Interaction Rules in Moving Animal Groups[J]. PLOS ONE,2011, 6(8)

[55] 罗巍， 邵全琴 ， 王东亮， 等. 基于面向对象分类的大型野生食草动物识别方法以青海三江源地区为例[J]. 野生动物学报，2017,38(4):561-564

[56] 邵全琴，郭兴健，李愈哲， 等. 无人机遥感的大型野生食草动物种群数量及分布规律研究 D]. 遥感学报， 2018, 22 ( 3): 497-507

[57] 郭兴健， 邵全琴，杨帆， 等. 无人机遥感调查黄河源玛多县岩羊数量及分布[J]. 自然资源学报， 2019 ,34(5):1054-1065

[58] Xu J， Solmaz G， Rahmatizadeh R, et al. Animal Monitoring with Unmanned Aerial Vehicle-Aided Wireless Sensor Networks[C] // IEEE LCN15. IEEE,2015:128-130

[59] Luis G, Glen M, Eduard Vj et al. Unmanned Aerial Vehicles( UAVs ) and Artificial Intelligence Revolutionizing Wildlife Monitoring and Conservation[J]. Sensors,2016,16 (1)： 97

[60] 李博， 史培军，林小泉. 中国温带草地草畜平衡动态监测系统的研究[J]. 干旱区资源与环境， 1993(Zl ):269-274

[61] 王加亭， 炱旭江，苏红田，等. “三江源”地区退化草原的鼠害监测技术[J]. 草业科学， 2008(8) :110-112

[62] 王玮，冯琦胜， 于惠， 等. “3S”技术在草地鼠虫害监测与预测中的应用[J]. 草业科学，2010,27(3):31-39

[63] 李培先，郑江华， 倪亦非， 等. 阿尔金山草地鼠害发生区及鼠荒地面积遥感估算[]]. 新疆农业科学， 2016 ,53(7):1346-1355

[64] 轩俊伟，郑江华， 倪亦非， 等. 基于动力=:角翼平台的草原鼠害遥感监测研究[J]. 中国植保导刊 2015,35( 2) :52-55

[65] 何咏琪， 黄晓东， 侯秀敏， 等. 基于 3S 技术的草原鼠害监测方法研究[J]. 草业学报，2013,22(3):33-40

[66] Yi S. FragMAP:a tool for long-term and cooperative monitoring and analysis of small-scale habitat fragmentation using an unmanned aerial vehicle[J]. International Journal of Remote Sensing,2017,38(8-10) ： 2686-2697

[67] 董光. 基于低空遥感的若尔盖草地鼠害信息提取方法及对比研究[D]. 成都： 四川师范大学， 2019( 2):9-15

[68] 周晓琳，安如， 陈跃红， 等. 三江源典型区鼠洞无人机遥感识别研究[J]. 亚热带资源与环境学报， 2018,13(4) :85-92

[69] 马涛， 郑江华， 温阿敏， 等. 基于 UAV 低空遥感的荒漠林大沙鼠洞群覆盖率及分布特征研究—以新疆古尔班通古特沙漠南缘局部为例[J]. 生态学报， 2018,38(3):953-963

来源：高娟婷，孙飞达，霍霏，张履冰，周俗，杨廷勇，边巴扎西：无人机遥感技术在草地动植物调查监测中的应用与评价. 草地学报 第29卷 第1期