准确、高效地监测草地覆盖度（FVC）和地上生物量（AGB）两项核心生态指标，是科学诊断草甸草原退化程度、评估生态系统恢复力、制定精准恢复与管理策略的关键基础。传统依赖人工野外调查的方法周期长、覆盖范围有限。近年来，“天空地一体化”监测体系的发展显著提升了草地退化监测的速度与准确性。然而，发展高效、精准、低成本的无损监测技术仍是提升生态系统管理科学化水平的迫切需求。

针对这一挑战，东北地理与农业生态研究所盐碱地资源与利用学科组的研究人员成功开发出一套基于智能手机RGB图像和深度学习的全新无损估算方法，显著提升了AGB与FVC的评估效率和精度。研究团队在中国吉林西部草甸草原采集了574张智能手机RGB图像（图1），并通过结合U-Net神经网络与凸包掩膜自动识别1m × 1m样方区域，将图像分割精度从61.8%显著提升至90.1%。研究比较了多种植被指数，发现植被颜色指数（CIVE）在草地图像中的表现最为稳健，在鲜草样地中FVC与AGB的相关系数分别达0.85与0.54。为应对干草与土壤之间的光谱混淆问题，特别是在干草占比超过10%的图像中，团队提出“先分割后重分类”的新流程，引入了TurboPixels超像素、边缘引导分水岭分割与k均值聚类等图像处理技术，显著提升了分类准确性（图2）。

图1 吉林省西部采样点位置及典型样方调查照片

建模过程中，研究采用了五种主流回归算法（岭回归、k近邻、支持向量回归、随机森林和偏最小二乘回归），并分别在两组输入变量上开展训练。结果表明，对鲜草和干草分别建模，平均可提升模型决定系数（R²）0.23，最大降低均方根误差（RMSE）达41%。其中，融入植被高度信息对提升AGB估算精度尤为关键，最优模型R²可达0.62（图3）。该研究所提出的技术框架仅依赖轻量化RGB影像和低成本计算资源，具备实地实时应用的巨大潜力，为多尺度草地遥感监测与生态评估提供了新的可靠工具。

图2 基于深度学习与图像处理技术的 FVC和AGB 估算流程图

图3 FVC与AGB实测值与预测值散点图

相关研究成果以“Integrating image segmentation and auxiliary data for efficient estimation of FVC and AGB”为题，”发表在国际期刊《Smart Agricultural Technology》上，研究生张禧凤为第一作者，博士后徐璐、马红媛研究员为通讯作者。研究得到国家自然科学联合基金(No.U23A2004)、国家重点研发项目(No.2022YFF1300601)及中国科学院东北地理所创新团队(2023CXTD02）等项目共同资助。

论文信息：

Zhang XF,Xu L*,Li YX,Yang Y, Li JG,Ma HY*. Integrating image segmentation and auxiliary data for efficient estimation of FVC and AGB,Smart Agricultural Technology,2025,12,101233.

论文链接：https://doi.org/10.1016/j.atech.2025.101233