A Study on the Methodological Approaches for Estimating Pasture Biomass Using Multi-Source Remote Sensing Data
(A Case Study of Bayandelger soum, Tuv province)
DOI:
https://doi.org/10.5564/mjgg.v62i46.4257Keywords:
Machine learning, Sentinel, BiomassAbstract
In recent years, remote sensing technologies, particularly the use of multi-source datasets with high spectral and spatial resolution, have become increasingly important for estimating in above ground biomass (AGB). The integration of artificial intelligence and machine learning methods enables more accurate and efficient biomass modeling. This study aims to estimate and map grassland biomass in Bayandelger soum using field-measured biomass data and high-resolution Sentinel-2 satellite imagery through five machine learning algorithms: Random Forest Regression (RF), Support Vector Regression (SVR), Extra Trees Regression (ETR), Gradient Boosted Regression Trees (GBRT), and Extreme Gradient Boosting (XGB). Field measurements were conducted at 65 sampling sites in June 2020. The results showed that the average above-ground biomass was 37.9 g/m² in Carex pp-dominated pastures (22 points), 30.1 g/m² in Stipa sp -dominated pastures (24 points), 64.9 g/m² in Artemisia sp-dominated pastures (8 points), 22.4 g/m² in Cleistogenes squarrosa-dominated pastures (5 points), and 34.4 g/m² in Agropyron repens (L.) P. B -dominated pastures (3 points). Among the five models, the comparison between estimated and field-measured biomass indicated that SVR achieved the highest performance (RMSE = 67.1 kg/ha, R² = 0.70), followed by GBRT (RMSE = 72.1 kg/ha, R² = 0.65), RF (RMSE = 72.3 kg/ha, R² = 0.65), ETR (RMSE = 72.5 kg/ha, R² = 0.65), and XGB (RMSE = 83.9 kg/ha, R² = 0.53). Our findings demonstrate that machine learning models, combined with Sentinel-2 imagery, can effectively estimate and map grassland biomass at the regional scale. This research provides valuable insights for assessing grassland degradation, desertification, and improving sustainable rangeland management in Mongolia.
Зайнаас тандан судлалын олон эх сурвалжийн өгөгдлийг ашиглан бэлчээрийн биомассыг тооцоолох арга зүйн асуудалд (Төв аймгийн Баяндэлгэр сумын жишээн дээр)
ХУРААНГУЙ: Орчин үед бэлчээрийн биомассын судалгаанд зайнаас тандан судлал тэр дундаа спектрийн өндөр нарийвчлал бүхий олон эх сурвалжийн өгөгдөл, ялангуяа хиймэл оюун ухааны арга зүйг ашиглах нь нэн чухал юм. Энэхүү судалгааны ажлын зорилго нь хээрийн хэмжилтээр бэлчээрийн ургамлын биомассыг тодорхойлж, өндөр нарийвчлал бүхий Sentinel-2 хиймэл дагуулын өгөгдөл ашиглан хиймэл оюуны машин сургалтын 5 загвар (санамсаргүй ойн регрессийн алгоритм /Random forest regression algorithm/, тулах векторын регрессийн алгоритм/Support Vector Regression algorithm, сайжруулсан модны регрессийн алгоритм/Extra tree regression algorithm/, градиентаар хөгжих/Gradient Boosted Regression tree, хүчтэй градиентаар хөгжих/Extreme Gradient Boosting)-аар Баяндэлгэр сумын хэмжээнд бэлчээрийн биомассыг зураглахыг зорилоо. Судалгааны талбайн хэмжээнд 2020 оны 6 – р сард бэлчээрийн ургамлын биомассыг нийт 65 цэгт хэмжилт хийлээ. Бэлчээрийн биомассын боловсруулсан үр дүнгээс үзвэл улалж зонхилсон бэлчээрийн биомассын дундаж хэмжээ 37.9 гр/м² (22 цэгт), хялгана зонхилсон бэлчээрт 30.1 гр/м² (24 цэгт), шарилж зонхилсон бэлчээрт 64.9 гр/м² (8 цэгт), хазаар өвс зонхилсон бэлчээрт 22.4 гр/м² (5 цэгт), хиаг зонхилсон бэлчээрт 34.4 гр/м² (3 цэгт) тус тус байлаа. Баяндэлгэр сумын хэмжээнд бэлчээрийн биомассын машин сургалтын 5 загвараар тооцоолсон үр дүн болон хээрийн хэмжилтийн хооронд өндөр хамааралтай RF дундаж квадрат алдаа (RMSE)=72.3 кг/га, детерминацийн коэффициент (R²)=0.65, XGB (RMSE=83.9 кг/га, R²=0.53), GBRT (RMSE=72.1 кг/га, R²=0.65), ETR (RMSE=72.5 кг/га, R²=0.65) байсан бол хамгийн өндөр гүйцэтгэлтэй загвар нь SVR (RMSE=67.1 кг/га, R²=0.7) байлаа. Бидний судалгааны ажил нь бэлчээрийн доройтол, талхагдал, менежментэд онолын болон практик ач холбогдолтой юм.
Түлхүүр үг: Машин сургалт, Sentinel, Биомасс
Downloads
3
References
[1] M. Arasumani, M. Bunyan, and V. V. Robin, “Opportunities and challenges in using remote sensing for invasive tree species management, and in the identification of restoration sites in tropical montane grasslands,” J. Environ. Manage., vol. 280, p. 111759, 2021. Available: https://doi.org/10.1016/j.jenvman.2020.111759.
[2] G. Haase, “Geoecological mapping for sustainable land use planning,” Ecol. Model., vol. 107, no. 2–3, pp. 347–356, 1998.
[3] S. Reinermann, S. Asam, and C. Kuenzer, “Remote sensing of grassland production and management: A review,” Remote Sens., vol. 12, no. 12, p. 1949, 2020. https://doi.org/10.3390/rs12121949.
[4] Мал аж ахуйн эрдэм шинжилгээний хүрээлэн, “Бэлчээр ашиглалтыг сайжруулж мал сүргийг байгалийн гамшгаас хамгаалах арга зам (2001–2003) сэдэвт суурь судалгааны тайлан,” Улаанбаатар, 2003. Accessed on: Nov. 12, 2025. http://data.stf.gov.mn/Project/ProjectViewPublic.aspx?id=107877.
[5] Мал аж ахуйн эрдэм шинжилгээний хүрээлэн, “Бэлчээрийн урт хугацааны мониторинг (2013–2015) сэдэвт онолын суурь судалгааны тайлан,” Улаанбаатар, 2015. Accessed on: Nov. 12, 2025. http://data.stf.gov.mn/Project/ProjectViewPublic.aspx?id=105963.
[6] Цэрэндаш, С., Цэрэндулам, Р., Буян-Орших, Х., Чогний, О., Нарантуяа, Н., Оюунцэцэг, Ч., Хөдөлмөр, С., Жигмэддорж, Б., Александра, Ш., Болормаа, Д., Оюунчимэг, Ш., & Тунгалаг, Ш. (2000). “Монгол орны бэлчээрийн чадавхи, экологи ба чанарын үнэлгээ” (1999-2000) сэдэвт суурь судалгааны тайлан. Мал аж ахуйн эрдэм шинжилгээний хүрээлэн. http://data.stf.gov.mn/Project/ProjectViewPublic.aspx?id=108718.
[7] P. T. Tueller, “Remote sensing technology for rangeland management applications,” J. Range Manage., vol. 42, no. 6, pp. 442–453, 1989.
[8] Ус цаг уур, ой агнуурын эрдэм шинжилгээний институт, “Тал хээрийн бүс нутгийн бэлчээрийн ургамлын ургацыг агаар-сансрын мэдээллээр үнэлэх арга сэдэвт ажлын тайлан,” Улаанбаатар, 1988. Accessed on: Nov. 12, 2025. http://data.stf.gov.mn/Project/ProjectViewPublic.aspx?id=109159.
[9] Ц. Адъяасүрэн, “Монгол орны хээрийн бүсийн бэлчээрийн ургамлын төлөвийг зайнаас тандан хэмжсэн мэдээллээр үнэлэх нь,” Докторын зэрэг горилсон бүтээл, Улаанбаатар, 1989.
[10] Д. Болормаа ба бусад., “Доройтсон бэлчээрийн экологийг нөхөн сэргээх технологийн хамтарсан судалгаа (2017–2019) сэдэвт хамтарсан төслийн тайлан,” Мал аж ахуйн эрдэм шинжилгээний хүрээлэн, Улаанбаатар, 2019. Accessed on: Nov. 12, 2025. http://data.stf.gov.mn/Project/ProjectViewPublic.aspx?id=106236.
[11] М. Эрдэнэтуяа, “Бэлчээрийн мониторингийн зайнаас тандах арга технологи,” Докторын зэрэг горилсон бүтээл, МУИС., Улаанбаатар, 2004.
[12] М. Уртнасан ба бусад., “Монгол улсын хэт талхлагдсан бэлчээрийг зайнаас тандах аргаар судлах ба нөхөн сэргээх туршилт (2018–2020) гадаадтай хамтарсан төслийн тайлан,” ШУА-ийн Газарзүй, Геоэкологийн хүрээлэн, Улаанбаатар, 2022. Accessed on: Nov. 12, 2025.
[13] M. Otgonbayar, C. Atzberger, J. Chambers, and A. Damdinsuren, “Mapping pasture biomass in Mongolia using Partial Least Squares, Random Forest regression and Landsat 8 imagery,” Int. J. Remote Sens.*, vol. 40, no. 8, pp. 3204–3226, 2019. https://doi.org/10.1080/01431161.2018.1541110.
[14] Б. Батбилэг, “Зайнаас тандах аргаар бэлчээрийн биомассыг үнэлэх аргазүйн асуудалд,” Докторын зэрэг горилсон бүтээл, МУИС., Улаанбаатар, 2021.
[15] B. Bayaraa, A. Hirano, M. Purevtseren, B. Vandansambuu, B. Damdin, and E. Natsagdorj, “Applicability of different vegetation indices for pasture biomass estimation in the north-central region of Mongolia,” Geocarto Int., vol. 37, no. 25, pp. 7415–7430, 2022. https://doi.org/10.1080/10106049.2021.1974956.
[16] Byambadolgor, B., D. Amarsaikhan, and E. Nyamjargal, “Estimation and mapping of vegetation biomass in forest-steppe and steppe zones of Mongolia using MODIS data,” Mong. J. Geogr. Geoecol., vol. 44, 2023. https://orcid.org/0000-0002-9017-0729.
[17] N. Yan, W. Zhu, B. Wu, B. Tuvdendorj, S. Chang, O. Mishigdorj, and X. Zhang, “Assessment of the grassland carrying capacity for winter-spring period in Mongolia,” Ecol. Indic., vol. 146, p. 109868, 2023. https://doi.org/10.1016/j.ecolind.2023.109868.
[18] B. Dashpurev, M. Dorj, T. N. Phan, J. Bendix, and L. W. Lehnert, “Estimating fractional vegetation cover and aboveground biomass for land degradation assessment in eastern Mongolia steppe: Combining ground vegetation data and remote sensing,” Int. J. Remote Sens., vol. 44, no. 2, pp. 452–468, 2023. https://doi.org/10.1080/01431161.2023.2165421.
[19] Монгол Улсын Үндэсний Атлас, ШУА-ийн Газарзүй, Геоэкологийн хүрээлэн, Улаанбаатар, Монгол, 2022
[20] Y. Zhang, J. Ma, S. Liang, X. Li, and M. Li, “An evaluation of eight machine learning regression algorithms for forest aboveground biomass estimation from multiple satellite data products,” Remote Sens., vol. 12, no. 24, p. 4015, 2020. https://doi.org/10.3390/rs12244015.
[21] C. Zheng, A. Abd-Elrahman, V. Whitaker, and C. Dalid, “Prediction of strawberry dry biomass from UAV multispectral imagery using multiple machine learning methods,” Remote Sens., vol. 14, no. 18, p. 4511, 2022. https://doi.org/10.3390/rs14184511.
[22] P. Geurts, D. Ernst, and L. Wehenkel, “Extremely randomized trees,” Mach. Learn., vol. 63, no. 1, pp. 3–42, 2006. https://doi.org/10.1007/s10994-006-6226-1.
[23] A. Sharafati, S. B. H. S. Asadollah, and M. Hosseinzadeh, “The potential of new ensemble machine learning models for effluent quality parameters prediction and related uncertainty,” Process Saf. Environ. Prot., vol. 140, pp. 68–78, 2020. https://doi.org/10.1016/j.psep.2020.04.045.
[24] W. Wang, G. Chakraborty, and B. Chakraborty, “Predicting the risk of chronic kidney disease (CKD) using machine learning algorithm,” Appl. Sci., vol. 11, no. 1, p. 202, 2020. https://doi.org/10.3390/app11010202.
[25] Z. Tang, X. Xia, Y. Huang, Y. Lu, and Z. Guo, “Estimation of national forest aboveground biomass from multi-source remotely sensed dataset with machine learning algorithms in China,” Remote Sens., vol. 14, no. 21, p. 5487, 2022. https://doi.org/10.3390/rs14215487.
[26] Y. Wang, R. Qin, H. Cheng, T. Liang, K. Zhang, N. Chai, J. Gao, Q. Feng, M. Hou, J. Liu, C. Liu, W. Zhang, Y. Fang, J. Huang, and F. Zhang, “Can machine learning algorithms successfully predict grassland aboveground biomass?” Remote Sens., vol. 14, no. 16, p. 3843, 2022. https://doi.org/10.3390/rs14163843.
[27] C. Zheng, A. Abd-Elrahman, V. Whitaker, and C. Dalid, “Prediction of strawberry dry biomass from UAV multispectral imagery using multiple machine learning methods,” Remote Sens., vol. 14, no. 18, p. 4511, 2022. https://doi.org/10.3390/rs14184511.
[28] Y. Zhang, J. Ma, S. Liang, X. Li, and M. Li, “An evaluation of eight machine learning regression algorithms for forest aboveground biomass estimation from multiple satellite data products,” Remote Sens., vol. 12, no. 24, p. 4015, 2020. https://doi.org/10.3390/rs12244015.
[29] N. M. Khan, C. N. Madhav, A. Negi, and I. S. Thaseen, “Analysis on improving the performance of machine learning models using feature selection technique,” in Intelligent Systems Design and Applications (ISDA 2018), Advances in Intelligent Systems and Computing, vol. 941, A. Abraham, A. K. Cherukuri, P. Melin, and N. Gandhi, Eds. Cham, Switzerland: Springer Int. Publ., 2020, pp. 69–77. https://doi.org/10.1007/978-3-030-16660-1_7.
[30] D. Chicco, M. J. Warrens, and G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation,” PeerJ Comput. Sci., vol. 7, e623, 2021. https://doi.org/10.7717/peerj-cs.623.
[31] C. Zheng, A. Abd-Elrahman, V. Whitaker, and C. Dalid, “Prediction of strawberry dry biomass from UAV multispectral imagery using multiple machine learning methods,” Remote Sens., vol. 14, no. 18, p. 4511, 2022. https://doi.org/10.3390/rs14184511
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Boldbaatar Natsagdorj, Sainbayar Dalantai, Bayartungalag Batsaikhan, Altantuya Dorjsuren, Amarsaikhan Damdinsuren
This work is licensed under a Creative Commons Attribution 4.0 International License.
Copyright on any research article in the Mongolian Journal of Geography and Geoecology is retained by the author(s).
The authors grant the Mongolian Journal of Geography and Geoecology a license to publish the article and identify itself as the original publisher.
Articles in the Mongolian Journal of Geography and Geoecology are Open Access articles published under a Creative Commons Attribution 4.0 International License CC BY.
This license permits use, distribution and reproduction in any medium, provided the original work is properly cited.
