O ecossistema de savana clara temperada distribuído na zona semiárida da China é um tipo de ecossistema de transição entre floresta e pastagem, desenvolvido em solos arenosos sob condições climáticas e topográficas únicas. A savana clara apresenta crescimento misto de árvores, arbustos e vegetação herbácea, com alta heterogeneidade espacial. O monitoramento da vegetação por sensoriamento remoto é desafiador e ainda é o tipo de cobertura do solo menos preciso globalmente. Como equilibrar precisão e abrangência para monitorar o estado de crescimento de diferentes tipos de plantas em escala regional na savana clara temperada é um ponto focal e um desafio na sensoriamento remoto da vegetação em áreas áridas atualmente. Este estudo, baseado em algoritmos de aprendizado de máquina, utilizou uma plataforma de sensoriamento remoto próximo ao solo por drones para obter informações sobre os tipos de vegetação de superfície e construir um conjunto de dados de treinamento, combinado com imagens de satélite de alta resolução para estabelecer um modelo de estimativa da cobertura de plantas lenhosas e herbáceas na savana clara temperada. Foi alcançada a estimativa sincronizada da cobertura de plantas lenhosas e herbáceas da savana clara temperada de drones para satélites, e foi comparada a diferença na estimativa da cobertura entre dois tipos de imagens de satélite de alta resolução. Os resultados mostraram que: (1) o uso de imagens de sensoriamento remoto de baixa altitude com drones pode classificar com precisão os tipos de cobertura do solo, fornecendo muitos dados de amostra de treinamento precisos para modelos regionais de estimativa da cobertura de plantas lenhosas e herbáceas na savana clara temperada; (2) com base em algoritmos de aprendizado de máquina, os modelos de cobertura estabelecidos com imagens de satélite GF-6 e Sentinel-2 podem estimar efetivamente a cobertura de plantas lenhosas e herbáceas. Os coeficientes de determinação para as estimativas baseadas em GF-6 para cobertura lenhosa e herbácea foram 0,72 e 0,66, respectivamente, com erros quadráticos médios de 6,76% e 10,69%, e precisão de estimativa de 46,31% e 77,88%; para Sentinel-2, os coeficientes foram 0,72 e 0,81, erros quadráticos médios de 6,53% e 8,20%, e precisão de estimativa de 54,30% e 83,17%; (3) a precisão da estimativa baseada nas imagens de satélite Sentinel-2 foi ligeiramente superior à baseada em GF-6 para a cobertura de plantas lenhosas e herbáceas, e a precisão para cobertura de plantas herbáceas foi significativamente maior do que para as lenhosas em ambas as imagens de satélite. Este estudo oferece uma nova abordagem para ampliar a estimativa da cobertura de plantas lenhosas e herbáceas da escala paisagística para a escala regional na savana clara. O método de observação colaborativa de múltiplas escalas, desde drones a satélites, fornece suporte metodológico eficaz para monitorar o estado de crescimento de diferentes tipos de vida vegetal na savana clara temperada em escala regional, e no futuro, dados multitemporais de satélites de alta resolução poderão permitir o monitoramento dinâmico da cobertura de plantas lenhosas e herbáceas em escala regional.

sensoriamento remoto; savana de ulmeiro clara; drones; GF-6; Sentinel-2; floresta aleatória; árvores de classificação e regressão