“第二十八届中国科协年会学术论文”专题：
1.空天信息技术驱动的区域经济韧性评估与政策响应机制研究
2.上海国土空间星空地一体化遥感监测关键技术及应用
3.基于改进的YOLO11的天际线检测算法
4.面向灾前光学与灾后SAR的配准不确定性感知实例级建筑损毁评估
5.无人机倾斜摄影测量技术支持下的三维建模可行性研究
6.耦合多因子要素的川渝跨省低空目视航线自动规划及航线服务能力评估
7.面向高标准农田基础设施管护的无人机巡检智能分析方法
8.高速公路路域植被生物量估算——以山西省太临高速为例
9.面向多云地区的置信度引导多模态Transformer水稻提取
10.人—房—经济耦合的三维城市时空演化模式识别与路径分析——以中国西南地区为例
学术论文分享
高速公路路域植被生物量估算——以山西省太临高速为例
摘要：
目的 构建高精度高速公路路域植被生物量估算方法，对量化高速公路交通系统的生态固碳能力具有重要意义。
方法 本文以山西省太临高速为研究对象，提出了一种多源遥感协同的路域植被生物量反演方法。基于无人机激光雷达点云和多光谱数据，构建无人机尺度生物量反演模型获取高精度无人机样方基准值。将无人机样方标准化为10 m分辨率的训练样本，并结合Sentinel-2植被指数，构建卫星尺度生物量反演模型。
结果 结果表明，无人机尺度生物量估算模型精度较高(R2=0.85)；卫星尺度反演模型中，随机森林模型表现最优(R2=0.68)。
结论 本文通过无人机样方构建并协同卫星遥感，实现了高速公路路域植被生物量的高效、精准估算，为公路生态效益评估和碳储量研究提供了可靠方法。
关键词：高速公路 路域植被 Sentinel-2 无人机 生物量
基金项目：山西省基础研究计划联合资助重点项目(202303011221001)
本文引用格式：
梁仕琦, 廉旭刚. 高速公路路域植被生物量估算——以山西省太临高速为例[J]. 测绘通报，2026(5)：38-43. DOI: 10.13474/j.cnki.11-2246.2026.0508.
交通运输行业是能源消耗和温室气体排放的重要来源之一[1]。路域植物所具备的固碳效应成为道路运输节能减排中减排的有效措施之一[2]。在高速公路路域范围内，通过植物对大气中的CO2进行吸收并固定是较为实用且有效地减少温室气体的方法[3-4]。因此，系统评估高速公路路域植被生物量，对于完善交通领域碳核算体系、提升公路生态效益评估精度具有重要意义。
植被生物量是反映植被生长状况与生态功能的核心指标[5-6]，传统植被生物量的获取主要依靠地面调查法，成本高、效率低[7-8]。卫星与无人机多源遥感数据的发展弥补了传统地面调查法的不足，且在植被生物量反演中的应用日益成熟[9-11]。Sentinel-2卫星具备较高的空间分辨率、丰富的多光谱波段配置及较短的重访周期，为大尺度植被信息提取提供了可靠数据基础[11-13]。无人机搭载多光谱与激光雷达传感器则能够在小范围精细刻画植被冠层结构与光谱特征，为生物量估算提供高精度参考[14-16]。卫星和无人机的协同应用兼顾了空间连续性与精度，可为路域植被生物量估算提供稳健的数据支撑。
本文以山西省太临高速为研究对象，综合利用Sentinel-2卫星影像与无人机多光谱、激光雷达数据，开展高速公路路域植被生物量估算研究。以高速公路中心线为基准，选取两侧500 m范围作为研究区，对路域植被生物量进行估算与分析。通过构建多源遥感特征与地面样本之间的定量关系，探索适用于高速公路路域植被的生物量反演方法，以期为交通基础设施生态效应评估及区域碳储量研究提供参考。
01 研究区与数据采集
1.1 研究区概况
太临高速(S50)又称太佳高速，全长约214 km，起点位于太原市尖草坪区西墕乡，终点位于吕梁市临县克虎镇高家湾村，以古交市赤土华村为界分为东、西两段，如图 1所示。全线于2010年建成通车，穿行于山岭地貌单元，地形起伏大、坡度陡峻，气候属温带大陆性季风气候，降水集中。原生植被为暖温带落叶阔叶林，现状以次生灌草和人工林为主。全线可绿化里程为140.56 km，已绿化里程为136.823 km。
图 1 研究区概况
1.2 数据来源
1.2.1 无人机数据
为保证飞行安全与数据质量，在静乐、岚县、临县高速公路服务区进行无人机数据采集，以服务区为中心，沿高速公路双向延伸各1 km。所有无人机数据于2024年7月19日完成采集。数据采集设备如图 2所示，成果示例如图 3所示。
图 2 数据采集设备
图 3 无人机数据采集成果示例
多光谱影像采用飞马D2000无人机搭载D-MSPC2000多光谱模块获取。该模块传感器有效像素为120万，可同步采集6个波段影像，包括蓝(Blue，450 nm)、绿(Green，560 nm)、红(Red，650 nm)、红边1(RE1，720 nm)、红边2(RE2，750 nm)和近红外(NIR，840 nm)。飞行高度设置为111 m，影像空间分辨率为8 cm，经辐射定标和拼接后，得到完整多光谱反射率影像。雷达数据采用D-LiDAR2000模块获取，飞行相对高度为100 m，横向重叠率为35%。经点云解算、去噪滤波、航带拼接、坐标转换等预处理后获取标准点云数据集。
1.2.2 卫星影像
选取2024年7月10—30日的Sentinel-2卫星影像作为数据源。影像数据的获取与预处理在Google Earth Engine(GEE)平台上完成。基于太临高速公路矢量边界，构建道路两侧500 m的缓冲区作为研究区域，提取各类植被指数作为后续卫星尺度生物量模型构建的输入变量。
02 方法
2.1 无人机尺度生物量估算
2.1.1 单木生物量估算
以预处理的激光雷达点云数据为基础，从数字地表模型(DSM)与数字高程模型(DEM)高度差中获取反映植被冠层高度空间分布特征的冠层高度模型(CHM)，如图 4所示。对原始三维点云进行二次过滤以优化数据质量，采用树冠分割算法对点云数据进行单木分割，提取树冠三维结构模型。以林分为单位，对分割得到的单木信息进行汇总，计算并提取表征植被空间结构特征的关键森林参数，包括株高、冠幅、胸径。
图 4 树木冠层高度模型提取
《中国森林生态系统碳储量——生物量方程》[17]中给出的混合种(组)生物量方程见表 1。据此计算每个无人机样方的树木地上生物量，为后续无人机尺度生物量反演模型构建提供基准数据。
表 1 无人机样方内主要林分类型树种的异速生长方程
2.1.2 无人机多光谱数据处理
对无人机多光谱影像进行辐射校正和几何校正等预处理后，基于各波段反射率信息计算多种常用植被指数，计算公式见表 2，用于表征植被生长状况、冠层覆盖特征及生理状态。
表 2 无人机多光谱植被指数提取及计算公式
2.1.3 无人机尺度生物量模型构建
以无人机多光谱影像提取的植被指数作为模型自变量，以基于激光雷达反演并经异速生长方程计算得到的单木生物量为因变量，分别构建线性回归模型、支持向量回归和随机森林模型，选取性能最优的模型对无人机尺度植被生物量进行反演。
2.1.4 无人机尺度生物量制图
将最优无人机尺度生物量反演模型应用于无人机样本区，对植被生物量进行逐像元估算，生成高分辨率的无人机尺度生物量空间分布图，为卫星尺度生物量反演提供高精度样本。
2.2 卫星尺度生物量估算
2.2.1 无人机尺度生物量数据标准化处理
为解决无人机数据与卫星数据的尺度不匹配问题，将无人机尺度生物量数据标准化为卫星影像10 m分辨率的网格样本，流程如图 5所示，具体如下。
图 5 无人机生物量标准化为10 m分辨率的流程
(1) 在每个样地的无人机影像范围内，构建10 m×10 m的网格，剔除与影像边缘重叠比例超过50%的网格，降低边缘畸变对生物量估算结果的干扰。
(2) 基于前文构建的无人机样本区生物量样本，通过空间插值方法计算各网格内的生物量总和，并计算其单位面积密度(g/m2)。
(3) 将生物量密度值赋值至对应网格的中心，得到与卫星像元空间对应的点状样本数据。该方法实现了从无人机亚米级到卫星10 m分辨率的尺度转换，为后续构建卫星尺度生物量反演模型提供了空间匹配的训练样本。
2.2.2 卫星植被指数提取
基于预处理后的Sentinel-2卫星影像，提取对植被生物量敏感的8种植被指数作为模型输入特征，具体见表 3。所有植被指数均在GEE平台通过波段运算生成，空间分辨率为10 m。
表 3 卫星植被指数及计算公式
2.2.3 卫星尺度模型构建与反演
以标准化后的网格生物量为因变量，以表 3中提取的卫星植被指数为自变量，分别构建线性回归、支持向量回归和随机森林3种生物量反演模型。样本数据按照7∶3的比例划分为训练集和验证集。通过交叉验证比较不同模型的性能，选取最优的模型作为生物量反演模型。对太临高速路域两侧500 m缓冲区范围内的植被生物量进行反演，获得研究区路域植被生物量的空间分布结果。
2.3 精度评价
选取决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)作为模型精度的评价指标，对无人机尺度和卫星尺度的生物量估算模型进行精度验证。
03 结果与分析
3.1 无人机样本模型精度评价
不同模型在无人机尺度下的生物量反演精度结果见表 4。可以看出，随机森林模型表现最佳，其验证集R2为0.85，RMSE为8.63 g/m2，MAE为6.85 g/m2，表明该模型能够较好地解释路域植被生物量的空间变异。综合考虑模型精度与稳定性，选取随机森林模型作为无人机尺度植被生物量反演的最优模型，为后续生物量制图及卫星尺度转换提供了可靠的数据基础。
表 4 不同模型在无人机尺度下的生物量反演精度
3.2 无人机样本构建结果
基于最优的随机森林模型，对临县、静乐和岚县3个服务区无人机样本区的植被生物量进行反演，生成无人机尺度生物量空间分布图，如图 6所示。
图 6 无人机样本构建结果
可以看出，3个样本区的生物量均呈明显的空间异质性。高生物量区域主要分布于服务区绿化带、道路两侧乔灌混交林等植被覆盖较好的区域，低生物量区域则多集中于道路硬化区域。
太临高速路域植被无人机样本生物量统计结果见表 5。可以看出，不同样本区生物量水平存在一定差异。岚县服务区无人机样本区平均生物量最高，为35.15 g/m2，总生物量约为1.10×107 g；临县服务区次之，平均生物量为33.77 g/m2；静乐服务区平均生物量相对较低，为28.32 g/m2。上述差异主要与各样本区植被类型组成、绿化年限有关。
表 5 太临高速路域植被无人机样本生物量统计结果
3.3 卫星尺度模型构建精度评价
在卫星尺度下，分别采用随机森林、线性回归和支持向量回归模型对路域植被生物量进行反演，不同模型在卫星尺度下的生物量反演精度对比见表 6。结果表明，随机森林模型的R2达到0.68，优于线性回归和支持向量回归模型，能够更好地刻画植被生物量与多植被指数之间的非线性关系。综合各项评价指标，随机森林模型在精度与稳定性方面表现最优，被选为后续路域植被生物量反演的最终模型。
表 6 不同模型在卫星尺度下的生物量反演精度
3.4 路域植被生物量反演结果
基于最优反演模型(随机森林模型)生成的生物量分布如图 7所示，反演结果表明，太临高速路域植被生物量呈不均匀分布。整体而言，大部分路段以中生物量水平为主，高生物量段呈点状或带状分布，主要出现在植被条件较好、地形相对平缓的路段。低生物量区域多集中在地形条件相对不利的位置。从分段对比结果而言，太临高速东段与西段生物量分布存在一定差异。西段整体地形相对起伏较缓，路域两侧植被覆盖连续性较好，生物量分布相对均匀，以中等生物量值为主；东段受地形起伏影响较大，土壤条件较差，植被以低矮灌草为主，高低生物量交替分布特征较明显，局部区域出现较高生物量集聚现象，表明地形条件影响路域植被生物量分布。此外，高速公路服务区、互通立交区等绿化区域生物量高于一般路段，体现了人为管护的关键作用。
图 7 太临高速500 m路域植被生物量反演结果
太临高速路域植被生物量统计结果见表 7。可以看出，太临高速路域植被生物量最大值为1 371.88 g/m2，最小值为0，平均生物量为54.43 g/m2，总生物量约为1.22×1010 g。其中，西段平均生物量高于东段，表明西段整体植被生长状况优于东段，这一结果与图 7所示的空间分布特征一致，进一步验证了反演结果的合理性。
表 7 太临高速路域植被生物量统计结果
04 结语
本文以山西省太临高速公路为研究对象，融合无人机激光雷达、多光谱影像与Sentinel-2卫星遥感数据，构建了多尺度协同的路域植被生物量反演方法。结果表明，该方法能够兼顾无人机观测的高精度优势与卫星遥感的大范围覆盖能力，适用于高速公路路域植被生物量快速估算与空间分布分析。太临高速路域植被生物量整体呈现空间异质性分布特征，西段因地形平缓、植被连续，生物量优于东段，且服务区等绿化区域高于一般路段，这表明地形与人为管护是影响路域植被生物量分布的关键因素。本研究可为交通运输行业的绿色低碳发展与“双碳”目标落实提供技术支撑。
京公网安备 11010802031220号