[Objectif] La biomasse est la base des écosystèmes et de l'énergie des prairies, les paramètres écologiques les plus élémentaires. Dans le passé, les satellites et les versions aéronautiques inversent l'herbe inversant l'herbe trop professionnelle, il était difficile de la promouvoir dans les éleveurs. Par conséquent, cet article propose une sorte d'utilisation d'images réelles de téléphones mobiles estimée par des méthodes de biomasse de Meadow, des estimations de la biomasse de prairies, de la base théorique et du support technique pour la commodité de l'élevage, de la perte rapide et de la perte de données afin de fournir une théorie et un support technique. bases. [Méthode] Tout d'abord, l'utilisation mobile d'images de résolution réelles extrêmement haute résolution est basée sur l'indice de végétation, les caractéristiques de la structure et les indicateurs de végétation combinés et les caractéristiques structurelles. Deuxièmement, pour éviter que l'extrait de fonctionnalités excessives, une étape de sélection de la catastrophe de la taille suggérée et du XGoost et la séquence proposée. Fonction de sélection de fonctionnalités (XGB-SFS), filtrage et caractéristiques et dessins optimaux des enfants. Enfin, utilisez une régression forestière aléatoire et laissez la comparaison entre l'authentification des estimations de la biomasse de différentes fonctionnalités qui construisent des modèles et analysent différents types de caractéristiques et l'algorithme XGB-SFS a une biomasse estimée sur le sol, AGBS. [Résultats] (1) Les modèles sont construits dans des fonctions de type simple, basées sur le modèle estimé de structure spatiale (R2 = 0,76) supérieure à la base du modèle estimé de végétation spectrale (R2 = 0,73), il indique que les propriétés structurelles ont une certaine rôle dans les estimations de l'AGB du traitement extrêmement résolutionné; (2) Comparer les modèles de sélection des modèles, combinés à plusieurs modèles de modélisation fonctionnent mieux que tout modèle de fonction de type unique (R2 = 0,83, RMSE = 127,57 g & # 183; M-2, Mae = 81,25 g & # 183; M-2) , indiquant que le modèle de construction multi-types peut améliorer la précision de Braze AGB. (3) Modèle lChoisissez la fonctionnalité comparable, estime que le modèle de l'estimation de l'effet AGB est clairement meilleur que le modèle ne fabrique pas de fonctionnalités ni de filtrage avec une corrélation élevée entre les caractéristiques du prairie. Il montre que XGB-SFS peut réduire la taille des données tout en améliorant la précision estimée de l'AGB estimée de la prairie. [Conclusion] La résolution extrêmement élevée des téléphones mobiles peut estimer la bonne biomasse verte. L'algorithme XGB- SFS proposé dans cet article peut également avoir de nombreuses caractéristiques. Caractéristiques de dépistage de la biomasse des prairies et amélioration de la précision des estimations du modèle. Comparé aux capteurs professionnels précédents, cet article présente l'avantage du public, du coût bas, pratique, etc., l'étude sera collectée sur le site Web, des données sont combinées à la méthode d'apprentissage et aux capteurs distants pour ouvrir de nouvelles vues et soutenir des informations agricoles. développement.