FVC（地上植被覆盖率）和AGB（地上生物量）在草地生态系统管理中扮演着关键角色，对其进行快速、准确且无损的评估对于研究草地生态系统至关重要。以往，评估FVC和AGB往往依赖于RGBN（红色、绿色、蓝色和近红外波段）图像，通常采用裁剪80%等方法来确定采样样框的位置，但对于更便于获取的RGB图像评估FVC和AGB的研究相对较少，同时样框的准确提取也缺乏合适的方法。本研究提出了一种新的方法，结合了语义分割网络、边缘检测和像素逼近算法，实现了对样方的自动提取，并取得了较高准确率（IOU=0.926）。利用自动提取的样方，对基于高分辨率RGB图像的光谱特征、植株密度和植株高度对FVC和AGB的评估性能进行了分析。研究采用了五种机器学习算法（岭回归、决策树、K近邻回归、SVR回归和随机森林回归）和线性回归方法进行比较和分析。结果显示，同时利用光谱特征、植株密度和植株高度时，随机森林回归在FVC估算中取得了最佳准确性（R2 = 0.659，RMSE = 14.26 ，RPD=1.611）。而岭回归在AGB估算中获得了最佳准确性（R2 = 0.543，RMSE = 175.832 ，RPD=1.210）。研究结果表明，深度学习算法可以显著提高样方分割的精度，光谱特征、植株密度和植株高度的联合使用可以进一步提高FVC和AGB的估算准确性。
 

语义分割,机器学习,光谱特征,生态监测