草原是畜牧业的物质基础和重要的生态安全屏障, 具有涵养水源、防风固沙、固碳释氧多种生态系统服务功能^[1]。在环境变化及其对草原资源利用强度不断增加的背景下, 我国90%的天然草原发生了不同程度的退化^[2]。为有效遏制草原退化国家颁布了一系列草原资源保护政策, 但草原生态环境依然处于“总体恶化、局部改善”的趋势^[3]。当前, 以草原退化为核心的监测评价, 仍是草原生态保护与绿色发展的重要工作；及时、准确地掌握草原生态状况, 既是林草行业摸清草原本底、提升草原科学化与精细化管理的需要, 也是支撑草原保护、修复与合理利用的基础。

传统的草原监测为地面实测, 虽精度高但耗费大、时效性差, 难以大范围、高密度的开展监测, 无法全面获取草原生态状况时空变化。卫星遥感能够大范围识别草原时空动态, 但卫星遥感的分辨率、精度及其固定的重返周期难以满足中、小尺度草原监测的应用需求(如草原鼠害、毒害草时空监测以及牲畜数量统计与空间分布)。近年来, 低空无人机及其与之匹配的遥感传感器的快速发展, 无人机遥感已从研究研发跨越到行业试验和应用阶段, 为草原监测评价提供了新的技术手段, 逐渐运用在草原生态监测、草原资源调查、草原巡护、草原灾害监测预警等方面, 详细如：草原地籍测量、草原植被高度与覆盖度监测、草原植被地上生物量估算、草原产草量与草畜平衡监测、草原植被长势与草原退化及其草原火灾、雪灾、毒害草、鼠害监测等^[4—6]。

在草原监测评价中, 低空无人机遥感提供了一种高效、低成本的解决途径, 逐渐被草原行业部门所关注。随着大数据、人工智能、云计算与物联网等高新技术的快速发展, 草原立体观测逐渐迈入智慧化时代, 低空无人机遥感作为草原立体监测的重要组成部分, 迎来了一个全新的发展阶段(图 1)。为此, 本文将围绕草原生态与资源综合监测评价, 总结低空无人机遥感针对草原基况调查、草原动态监测与草原应急管理的应用现状, 并面向大数据、人工智能与云计算等技术对低空无人机遥感关于草原监测评价的应用进行展望。

1 低空无人机载荷及用途

低空无人机遥感以无人驾驶飞行器(Unmanned Aerial Vehicle, UAV)为载体, 通过搭载各类传感器, 获取地面高分辨率遥感数据^[7—8]。低空无人机包括固定翼无人机、多旋翼无人机。固定翼无人机航速快, 作业半径广阔, 适合大范围对地观测；多旋翼无人机组装、拆卸方便, 可空中悬停并且灵活机动, 适合小范围、高精度、连续航拍^[9]。低空无人机遥感包括光学遥感、热红外遥感与激光雷达遥感。光学遥感(可见光、多光谱与高光谱成像仪)采集草原水平方向的光谱信息；激光雷达具穿透能力, 在获取草原植被垂直结构信息方面具有优势^[10]；热红外遥感(热红外成像仪)能快速获取地表面状温度^[11]。

与卫星遥感相比, 无人机的飞行高度低于500 m, 属于低空域范围, 可以克服传统遥感云遮挡、重访周期、大气条件等不利因素, 能够获取更高精度的高分辨率影像^[7]。与航空遥感相比, 无人机对飞行条件要求低、时效性强^[8—9], 能够搭载多种传感器^[12](如：可见光、多光谱、热红外、高光谱与激光雷达)(表 1)。低空无人遥感弥补了卫星遥感与地面样方间的尺度空缺, 丰富了数据的多元化, 拓展了数据的深度、广度, 针对草原监测评价具优势。

2 无人机遥感监测草原生态研究进展 2.1 草原基况调查 2.1.1 草原草层高度监测

草原草层高度是草地退化、沙化的重要指标, 也是估测草原蓄积量、地上生物量与碳储量的主要因子。传统的草层高度监测, 地面需布设大量样方进行测量(或刈割), 对草地有一定破坏性, 工作量大、耗时费力, 无法获得较大范围草层高度。多光谱卫星遥感反演草层高度模型精度低, 星载激光雷达因大光斑离散雷达数据, 无法在区域尺度上连续估算草层高度^[13]。草层高度精细化监测是草原遥感的难点。

SfM(Structure from Motion)摄影测量技术应用到无人机遥感, 使低空无人机遥感反演草层高度具有优势^[13]。SfM基于特征匹配从重叠图像中自动化提取目标地物数字三维模型^[14], 如Batistoti等采用无人机影像获取了数字表面模型(DSM)与数字高程模型(DEM)后计算草层高度, 结果显示拟合优度(R²)为0.8^[15]。随着低空无人机装备轻小型激光雷达、高光谱传感器, 促进了无人机获取高分辨率草层高度, 如Zhang等^[16]、Sankey等^[17]获取并分析了草层高度、盖度与地上生物量的关系, 发现无人机(搭载激光雷达)飞行高度(< 200 m)对草层高度的精度没有显著影响, 考虑了草层高度反演生物量的模型精度达到87%。

当前, 低空无人机遥感获取草层高度已有初步应用(表 2)。无人机获取高分辨率草层高度观测技术的快速发展, 与星载激光雷达、高光谱数据的有效衔接, 逐渐填补地表样方与卫星遥感间的缺口, 实现了草层高度的升尺度研究。

2.1.2 草原植被覆盖度监测

植被覆盖度是观测区域内植被垂直投影面积占地表总面积的百分比, 是表征植被群落生长状况及生境质量的重要参数, 反映了草原生态系统生态状况^[23]。传统的地面测量无法准确获得区域草原植被盖度, 卫星遥感能快速估算区域植被覆盖度, 但较粗的分辨率无法表征稀疏的草地植被特征, 低空无人机拥有灵活性并且时效性强与分辨率高等优势, 可作为地面测量与卫星遥感监测草原植被盖度的补充。

蔡栋等^[24]、宋清洁等^[25]、冷若琳等^[26]和Meng等^[27]分别以甘南藏族自治州为研究区域, 分析了草地野外实测样方盖度、低空无人机影像提取的盖度与多源遥感(Landsat 8、MODIS)植被指数间的相关性, 构建了草地植被盖度回归模型并进行了精度验证。蔡栋等^[28]构建的无人机照片与Landsat 8影像的草地植被盖度模型精度为93.6%, 宋清洁等^[25]采用无人机与MODIS数据构建的最优反演模型精度可达88%。Meng等^[27]构建了单因子参数、多因子参数/非参数反演模型, 发现BP神经网络为草地植被盖度的最佳模型(R²=0.72, RMSE=13.38%)。刘艳慧等基于遗传算法采用无人机影像构建的过绿指数、颜色指数估算了草原植被覆盖度, 发现过绿指数估算植被覆盖度精度较高(P=0.272, RMSE=6.63), 株高与覆盖度的交叉变量拟合精度为83.41%(R²=0.8536, RMSE=2.442 g/m²)^[29]。

近年来, 低空无人机遥感监测草原植被盖度主要表现在以下方面(表 3)：①建立无人机遥感与地面实证调查的方法；②结合多种统计模型和机器学习算法, 构建低空无人机遥感获取的草地盖度与卫星遥感植被指数(如EVI、NDVI与SAVI等)间的关系；③地面样地样方测量仍是低空无人机遥感与卫星遥感估算草原植被盖度的重要验证数据。

2.1.3 草原地上生物量估算

地上生物量为植被地上部分光合产物的积累量, 是草原生态监测、健康评价的重要依据和草原生态系统评价的重要参数^[32]。以往多采用样方统计、回归模型、物理模型并结合卫星遥感估算生物量, 但传统的卫星遥感分辨率粗、易受大气影响等限制, 导致草原地上生物量估算精度低、误差大与时序不连续, 难以满足草原监测评价的实际需求。

低空无人机以其影像获取速度快、空间分辨率高和云下采集等优势, 可以快速、有效地估算草原地上生物量。孙世泽等^[33]、张正健等^[34]开展了无人机影像获取的植被指数与样方实测生物量的相关性分析, 结果显示天山北坡比值植被指数(RVI)拟合精度为0.75^[33], 若尔盖高原NGRDI模型拟合精度为0.86^[34]。Wengert等^[35]、Kang等^[36]基于无人机高光谱遥感估算了草原植被地上生物量。李淑贞等采用无人机高光谱、Sentinel-2多光谱影像与实测生物量, 建立、验证了植被指数回归模型, 发现NDRE模型具有更高的拟合精度(R²=0.71)与较低的均方根误差(RMSE=18%)^[37]。Zhao等^[38]、da Costa等^[39]与zhang等^[16]采用无人机载激光雷达获取草原点云数据估算地上生物量, 分析了激光雷达信息丢失及其对估算地上生物量精度的影响, da Costa等^[39]的估算精度为0.79。Zhang等^[40]、Taugourdeau等^[41]与Barnetson等^[42]基于机器学习(随机森林)结合地面采样与无人机影像估算了草原地上生物量, 结果显示随机森林估算结果R²=0.78、RMSE=24.80 g/m^2[40], 湿重相对误差20%、干重25%^[41]。

总体来看, 基于无人机遥感和地表样方数据, 构建地上生物量与植被指数的回归模型, 随着低空无人机载荷提高, 高光谱、激光雷达逐渐用于估算草原地上生物量(表 4)。

2.2 草原动态监测 2.2.1 草原植被长势监测

草原植被长势为植被的生长状况, 监测草原植被长势对草地管理、保护及其生境改善具有现实意义^[48]。以往采用人工调查, 测量、记录草地植被长势信息(高度、盖度、地上生物量与牧草发育期等)^[49]。人工监测方法耗时费力、覆盖范围有限、代表性较差, 卫星遥感能多时段、大范围监测草原植被长势^[50]。然而, 多数星载影像的空间分辨率不足以开展精细化的草原植被长势监测。当前, 低空无人机遥感以其机动灵活、较低的成本和高时空分辨率等优势成为近地遥感观测的有效工具。

针对草原植被长势, 国内采用低空无人机开展监测的研究鲜有报道。固定站点(国家站点、草原行业部门站点以及科研实验站点)仍是草原植被长势的主要监测方式, 部分站点已采用物候相机不间断监测, 在草地生长初期的监测时段需要清理草原上层覆盖的积雪开展监测。采用无人机监测草原植被长势国外已有探索, 如Possoch等^[51]、Lussem等^[52]与Bareth等^[53]分别采用低空无人机在德国波恩、德国埃菲尔山区与加拿大安大略省科夫勒保护区监测了草原牧草植被长势。

总体来看, 低空无人机能根据需求进行实时拍摄, 可弥补地面、卫星观测梯度的过渡；建立草原植被长势地面观测、无人机观测与卫星遥感观测的相关关系, 能提高草原植被长势监测的准确率。

2.2.2 草原产草量估测

草地产草量是牲畜可食用的草产量, 直接影响着草原的载蓄量, 是草原生产利用的重要指标^[54]。及时、准确地掌握草原产草量, 是草原资源监测评价的重要内容^[48]。通常, 草原产草量估测包括地面样地监测与卫星遥感估算, 利用草原植被光谱数据、草原产草量、卫星影像与气象数据, 构建草原产草量与植被光谱指数间的统计模型、遥感模型与气象模型^[55]。然而, 因气象数据插值导致的尺度、精度问题, 以及卫星影像分辨率的限制, 以上模型估算的产草量精度有待提高^[56]。

在中、小尺度, 低空无人机遥感获取草原植被生物物理参数估算产草量, 克服了人工调查效率低, 弥补了卫星遥感的分辨率、云层等外界条件限制。Jenal等^[57]、Lussem等^[58]与de Oliveira等^[59]采用低空无人机载多光谱分别在德国科隆、德国波恩与巴西估算了草原产草量, Jenal等^[57]估算的精度0.75(R²)、0.17(RMSE), Lussem等^[58]为0.65(R²)、956.57 kg/hm²(RMSE), de Oliveira等^[59]使用了卷积神经网络(CNN)估算了草原植被总干物质产量(R²=0.76、RMSE=413.07 kg/hm²)与叶片干物质产量(R²=0.79、RMSE=286.24 kg/hm²)。Wengert等^[35]与Feng等^[60]采用无人机载高光谱估算了草原产草量, Wengert等^[35]估算的鲜草产草量精度0.87(R²)、7.6%(RMSE), 干重精度0.75(R²)、12.9%(RMSE), Feng等^[60]基于集成学习后估算苜蓿产量的拟合精度为0.87。

综上来看, 低空无人机遥感扩展了草原样地样方空间范围, 通过多种传感器获取草原草层光谱、空间结构信息, 结合机器学习等方法能客观估测草原产草量。

2.2.3 草畜平衡监测

草畜平衡是一定时间内草原可利用饲草饲料总量与饲养牲畜所需的饲草饲料量间的动态平衡, 区域草原产草量与牲畜数量是草畜平衡的研究基础。通常, 草原产草量采用地面样方采样、遥感与生态模型估算, 牲畜数量多采用统计年鉴数据(即牲畜年末存栏数)。以往没有考虑到牲畜数量的时序变化与空间分布, 在一定程度上限制了草畜平衡的估算精度。

近年来, 低空无人机遥感逐渐成为调查牲畜时空特征新的技术手段。Barbedo等基于无人机影像提高动物与背景的对比度, 采用优化的深度学习算法识别出成簇牲畜的数量, 精度为90%^[61]。Kellenberger等采用改进的卷积神经网络算法提高了无人机影像识别牲畜的精度^[62]。Zhao等基于无人机获取高分辨率影像采用多种算法(MCNN, CSRNeT, SFANeT与贝叶斯网络)识别绵羊数量及其空间分布^[63]。Sarwar等基于无人机高清视频采用区域卷积神经网络算法对围场中绵羊进行检测与计数, 然后将结果与其他技术进行比较以评估其性能^[64]。

采用低空无人机遥感开展草畜平衡的研究已有应用, 如杨帆等基于样方采样、MOD13A1遥感数据估算玛多县(青海省果洛藏族自治州)草原产草量, 结合无人机遥感影像, 预测了包括野生动物和家畜在内的草畜平衡状况^[65—67]。郭兴健等基于无人机遥感调查了黄河玛多县域内岩羊种群数量及其分布规律, 为青藏高原地区大型野生动物及草畜平衡研究提供了新思路^[68]；邵全琴利用无人机遥感建立家畜(牦牛、藏羊和马等)与野生动物(藏野驴、藏原羚和岩羊等)的无人机图像解译标志库, 客观调查了样带内的种群数量^[69]。

可以看出, 低空无人机遥感具有操作灵活、分辨率高等优势；在调查牲畜数量的作业中, 低空无人机调查范围广、对牲畜干扰小、能进入不易到达的区域, 能够客观获取牲畜数量^[70]。

2.3 草原应急管理监测

火灾、雪灾与生物灾害是草原应急管理的重要组成。关于草原行业部门的应急管理, 低空无人机遥感提供了一种新型手段, 解决了人工监测的缺点(费时费力、精度低与范围小), 弥补了传统草原应急管理的不足。同卫星遥感相比, 低空无人机遥感获取影像快, 尤其在中小尺度具有显著优势, 可持续监测人工勘察不易到达区域^[56]。近年来, 低空无人机遥感已应用到草原应急管理。

2.3.1 草原火灾与雪灾监测

草原火灾是一种破坏性极强的自然灾害, 人工监测成本高、效率低、实效性差, 难以达到完全监测；航天遥感因受制于卫星平台运行周期, 监测频率有限, 难以实时监测；点域无线传感器由于感应范围、能耗与价格限制, 无法大规模应用于草原火灾监测。近年来, 为降低草原火灾危害, 需针对草原火灾开展信息化监测^[71]。无人机能快速获取火场实时高分数据, 准确把握火情动态, 为火灾蔓延提供可靠的初始场数据^[72—73]。无人机能携带多种传感器, 采集多源遥感数据, 快速、准确地评估草原火灾受损程度^[74], 定量预测灾后草原植物-土壤养分动态^[17]。

草原雪灾突发性强、危害大, 直接影响牧区畜牧业的可持续发展。以往雪灾监测采用地面观测, 收集、整理速度慢, 偏远地区不易到达无法开展观测, 难以全面了解雪灾受损范围、程度^[75]。关于草原雪灾监测, 一定时空范围内无人机不接触也不破坏草原, 但可以获得更多积雪数据, 低空无人机遥感更加准确便于计算、分析与数据挖掘, 雪灾经客观评估后能为牧区畜牧业生产提供帮助。目前, 低空无人机多与航天遥感结合定量评估区域雪灾时空分布^[76], 与生物/气象数据、历史数据结合预测草原雪灾^[77]。

2.3.2 草原生物灾害监测

生物灾害是影响草原生态平衡的重要因素, 鼠害、虫害为草原生物灾害的重要组成。传统调查费时费力、资金投入大, 较难快速、准确地识别灾害的发生范围与危害程度。低空无人机遥感是一种新型的草原生物灾害监测手段, 具有高分辨率、高时效、低成本与低损耗特点, 在草原鼠害、虫害监测中已有示范^{[6, 78]}(表 5)。

Wen等基于无人机遥感监测鼠害, 分析了啮齿类动物的空间分布、爆发规律及其危害程度^[79]。孙姗姗等采用无人机调查鼹鼠种群, 结果显示最佳尺度的飞行高度为50 m, 最小取样面积2.21 hm^2[80]。马涛等^[81]、轩俊伟等^[82]在新疆验证了低空无人机遥感针对鼠害监测的有效性；马涛等^[81]识别的鼠洞洞群覆盖率为19.4%, 具有明显的聚集特征与带状分布特征；轩俊伟等^[82]识别的中度、轻度危害区约占试验区的72%, 极度危害区占比3%。花蕊等通过无人机遥感获取了高原鼠兔洞口数量与植被盖度, 精度分别为95%与93%；经可见光差值植被指数估算地上生物量, 精度为86.54%^[83]。张涛等利用无人机载高光谱监测荒漠化草原鼠洞数量与分布, 提出鼠洞指数动态监测草原鼠洞, 精度可达97%^[84]。

郑永军等采用低空机载蝗虫预警系统开展了草原蝗虫识别与计数, 准确率达89%^[85]。高姻燕等提出并验证了一种基于无人机遥感监测草原毛虫的方法, 在监测效率、对草地破坏性及提高时效性、可预报性等方面更优于传统方法, 在草原毛虫幼虫信息提取、灾害预警与高效防控等方面具有应用潜力^[86]。王佳宇等阐述了草原蝗虫监测预警技术的研究进展, 指出在小区域和飞行困难区域无人机能够快速获取草原蝗虫高分影像, 构建蝗灾分析预警系统, 实现蝗虫密度的监测与预警^[87]。

3 展望 3.1 问题与挑战

草原监测评价的难点仍是无法及时、有效、客观准确地获取、分析与挖掘监测区域内草原植被生境状况。无人机是低空域灵活、准确与高效获取高分遥感影像的重要平台, 目前已应用于林草行业, 在中、小尺度草原监测评价与智慧草原中发挥了重要作用。但是, 低空无人机遥感在实际应用中也存在一些局限：

(1) 低空无人机重量较轻, 易受微气象条件影响, 虽然已设计有抗抖稳定系统, 但实际获取的影像依然存在质量不足, 增加了影像后期的处理难度。

(2) 低空无人机可搭载多源传感器(如可见光、多光谱、热红外、高光谱与激光雷达), 但传感器尚没有采用统一的设计标准和考虑产品的通用性；轻小型化传感器的定量精度有待提高, 多数研究中采用的消费级无人机传感器光谱响应曲线的校准有待提高。

(3) 海量数据的处理效率具有滞后性, 没有实现自动化、智能化处理, 缺乏与之配套的国产化数据处理、挖掘与可视化分析软件, 在草原监测行业尚没有形成完善的软、硬件技术体系。

(4) 草原监测周期长、范围大, 行业内广泛采用的无人机受飞行电池容量或燃料搭载量的限制, 导致无人机的作业半径及面积有限, 尤其在环境复杂及其地形崎岖的区域, 增加了无人机的操作难度。没有长期稳定连续的草原观测数据, 缺少与之匹配的地面调查数据与参考标准, 降低了遥感解译的精度。

3.2 发展趋势

(1) 跨领域与交叉学科, 深度整合无人机平台与遥感传感器, 实现无人机飞行平台与载荷的一体化、嵌入式和组件式。低空无人机遥感是一项复杂的系统工程, 在草原监测评价中的成功应用是跨领域与交叉学科的有效整合, 主要包括无人机系统技术、遥感、地图学与地理信息系统、地理学、生态学、植物学、草原与草地等学科。未来低空无人机遥感的普适性将会逐渐提高, 更多地面向行业部门与普通用户, 进一步降低无人机采集数据的门槛。低空无人机发展的总体趋势为轻小型、标准化与市场化应用, 无人机传感器是向多任务、模块化与组件式架构发展。低空无人机搭载多传感器或集成传感器的数据采集与实时处理尚在探索阶段。基于高空间、高光谱、多维度的低空无人机遥感将成为今后发展的热点和趋势

(2) 推动“星-空-地”一体化监测, 实现草原监测的时间尺度延续与空间范围扩展。草原植被生态系统是一个复合的生态系统, 是土壤-草原植被-大气-水分的连续体, 全面、系统的草原生态监测应当是时序变化与空间格局演替的统一。短期、小尺度的监测不能全面地解释草原生态系统的演变, 也不能客观诠释草原的时空变化；草原监测的本质是客观、准确地采集当前草原生态环境状况表征指标, 以期为今后的草原资源可持续利用做出有效预测。因此, 结合地面样方测量, 耦合低空无人机遥感与卫星遥感实现草原资源空间对地观测, 弥补人工监测与航天遥感时效性、准确性及其精细度方面的缺陷。扩展草原生态监测的空间尺度, 在个体、种群、群落、生态系统甚至景观、区域尺度上, 开展“星-空-地”一体化草原生态监测, 实现时间尺度延续与空间范围的扩展, 为草原的现状与变化趋势做出正确的评价与预测。

(3) 融合多源遥感数据, 融入大数据、人工智能、云计算与物联网等新兴技术, 提高无人机海量数据的处理效率, 挖掘影像的应用价值。多源、多尺度与多维数据融合是低空无人机遥感应用的发展方向, 能够客服因单一数据源无法系统地捕捉目标区域信息。在数据采集阶段, 采用搭载的多源传感器或一体化集成多源传感器采集数据, 能够避免多次飞行, 同时克服不同遥感影像的地理位置精度差。在数据处理阶段, 数据融合包括：①不同时间分辨率数据融合, ②不同尺度(分辨率)数据融合, ③不同维度数据融合。在此基础上, 积极融入大数据、人工智能、云计算与物联网等新兴技术, 提升低空无人机遥感针对草原生态监测的智能化交互水平, 在草原生态监测中实现智慧化监测。低空无人机遥感为草原生态智能监测网络开辟了一个实际、准确的方向, 即物联感知自动监测草原生态状况、动态评估草原生态健康、实现草原多灾种早期预报, 精准促进草原智能化监测、评估与预警。

(4) 构建无人机遥感光谱数据与草原植被生理参数关系, 增强草原植被的自动化识别。低空无人机遥感采集的光谱数据估算草原植被冠层生理参数, 是草原定量遥感的难点, 截至目前尚没有一种通用、稳定的光谱指数能够准确表征草原植被特征, 受大气光照、无人机飞行高度、草原植被类型与土壤等影响, 各种遥感光谱指数与草原植被生理参数间的关系不稳定。构建草原植被无人机遥感解译基础数据库, 包括典型草原植被波普标准数据集、不同航拍高度典型草原植被纹理特征数据集, 建立草原植被冠层形态、物候与光谱特征库, 促进草原植被的自动化识别, 是低空无人机遥感急需解决的问题。

4 结语

在草原监测评价中, 低空无人机遥感处于快速发展阶段。低空无人机遥感时效性高, 在光谱、空间分辨率方面具有明显优势, 促进了草原基况调查、动态监测与应急管理监测, 提高了草原生态保护与管理水平。但是, 现阶段常用的无人机续航时间有待进一步提高, 在复杂地形作业中关于通信稳定性有待提升。另外, 面向草原大数据、人工智能、物联网等新技术背景, 低空无人机遥感在高端技术自动化、实时处理、精准解译等方面仍有局限。基层草原行业部门对低空无人机遥感技术的理论素养与高效应用有待突破。新时代继续推进完善草原生态监测网络的背景下, 低空无人机遥感以其固有的优势推动着草原监测由传统的地面观测(样地样方的位置、质量、指标方面)向空间定量遥感发展。