基于UAV技術和MODIS遙感數據的高寒草地蓋度動態變化監測研究
——以黃河源東部地區為例

葛靜,孟寶平,楊淑霞,高金龍,馮琦勝,梁天剛,黃曉東,高新華,李文龍,張仁平,王云龍

(草地農業生態系統國家重點實驗室，蘭州大學草地農業科技學院，甘肅 蘭州 730020)

基于UAV技術和MODIS遙感數據的高寒草地蓋度動態變化監測研究
——以黃河源東部地區為例

葛靜,孟寶平,楊淑霞,高金龍,馮琦勝,梁天剛*,黃曉東,高新華,李文龍,張仁平,王云龍

(草地農業生態系統國家重點實驗室，蘭州大學草地農業科技學院，甘肅 蘭州 730020)

利用黃河源東部地區野外實測樣地數據和MODIS衛星遙感資料，結合農業多光譜相機(agricultural digital camera，ADC)、普通數碼相機(Canon)、無人機(unmanned aerial vehicle，UAV)等設備獲取的高寒草地蓋度數據，構建了基于MODIS NDVI、EVI的草地蓋度反演模型，比較分析了不同草地蓋度監測方法的精度，確立了黃河源區草地蓋度遙感監測的最優反演模型，并分析了研究區近16年草地植被蓋度的動態變化。結果表明，1) MODIS NDVI與基于UAV相片計算的草地蓋度間的相關性優于MODIS EVI，而MODIS EVI與ADC和Canon照片計算的草地蓋度之間的相關性則優于MODIS NDVI；2) 就Canon和ADC方法構建的草地蓋度反演模型而言，前者精度遠高于后者，普通數碼相機方法更適宜于高寒草地植被蓋度的估算；3) 對比分析兩種植被指數與Canon相機、ADC和大疆(DJI)無人機航拍(航高30和100 m兩種方法)相片計算的草地蓋度之間的關系表明，MODIS NDVI對航高30 m UAV航拍相片計算的蓋度數據的響應最敏感，基于UAV航高30 m的相片和NDVI構建的草地蓋度反演模型最優；4) 黃河源東部地區2000-2015年間草地蓋度穩定不變的區域達71.46%，多分布在東南部；呈增加趨勢的區域占研究區草地面積的22.01%，由西向東、由北向南增加幅度呈減少趨勢；蓋度減少區域零星分布在黃河源北部和南部的部分地區，僅占研究區草地面積的6.53%。

黃河源區;草地蓋度;反演模型;MODIS;無人機;動態變化

黃河源區是三江源自然保護區的重要組成部分，對我國北方地區的水安全、生態安全具有重要的保障作用[1]。其水文特征、植被特征及區域水土流失等生態要素不僅是研究青藏高原生態效應最好的基地，也是研究全球氣候變化效應最好的區域[2]。草地是黃河源地區最重要的土地覆被類型，約占源區面積的80%，是當地牧民生活的物質基礎[3]。自20世紀90年代開始，黃河源區的草地退化問題受到了廣泛的關注，在此區域開展了大量退化草地治理和研究工作[4-8]。然而，總體而言，黃河源區經濟發展落后，草牧業受到自然和社會條件的嚴重限制[9]，相關研究和治理是否遏制了源區草場面積日益減少和草地退化的趨勢？這是社會各界廣泛關注的問題。因此，源區草地資源現狀及其變化趨勢仍是該區生態修復和可持續發展的重要研究內容。

植被蓋度指觀測區域內植被垂直投影面積占觀測區地表總面積的百分比，是指示生態系統變化的重要指標[10]。大面積草地植被蓋度監測，對評估草地資源狀況、草場退化和草地管理等方面的研究具有重要意義[11]。地表實測和遙感反演是獲取植被蓋度的兩種基本途徑。地表實測法通常以樣方尺度進行測量，按原理可分為采樣法、儀器法和目視估測法3類[12]。儀器法中的數碼相機測定草地蓋度的方法是目前地面測量方法中精度最高的，既能提高工作效率又保證了準確性[13]。另外，相較于數碼相機，多光譜相機的相片能夠提供更多的精細光譜信息，所以多光譜相機也逐漸成為觀測地表植被的強有力的工具[11-14]。但是，傳統的地表實測法費時、費力、缺少宏觀性、精度低，而且只能在很小的空間尺度范圍內提供植被結構和分布狀況的變化信息[12,15]。

近年來，無人機(unmanned aerial vehicle，UAV)技術作為地表測量和衛星遙感的橋梁應運而生，以其體積小、質量輕、運行成本低、靈活性高、影像實時傳輸、可在特殊地區探測等特點[16-18]，在生態環境監測、城市建設與規劃、農業生產、自然災害監測期間數據的實時獲取等方面發揮了不可替代的作用[16,19-22]，是高分辨率遙感數據獲取的重要工具之一，也是地面觀測(如照相機)和高空觀測(如遙感衛星)的有益補充[23]。國內外研究表明，基于UAV的遙感技術在草地資源、植被蓋度等監測方面已經開展了一些探索研究。李冰等[24]以冬小麥(Triticumaestivum)為研究對象，采用以低空無人直升機為平臺的多光譜載荷觀測系統，對冬小麥主要生育期進行監測，并提取冬小麥覆蓋度時序變化曲線。結果表明，低空無人機遙感監測大面積農作物覆蓋度的方法可行，分析結果可靠，有很好的應用前景。劉峰等[25]以無人直升機為飛行平臺，搭載冠層測量相機構建了無人機遙感系統，實現了板栗植被覆蓋度年際變化監測，采用計算機模擬的方式對板栗植被覆蓋度進行了統計分析，進一步驗證了基于無人機遙感影像的植被覆蓋度計算結果的有效性。Rango等[18-19]研究指出,迷你無人機在草原監測、草地資源管理及健康評價中潛能巨大，特別是其測量精度遠優于衛星和載人飛機，可以很好地彌補衛星和載人飛機對地表裸露土壤觀測的缺失，能夠清楚觀測裸露土壤及植被間空隙占地表觀測面積的百分比，可進一步提升草地植被蓋度監測的精準程度。Johnson等[26]認為基于農業遙感系統的無人機在作物圖像采集方面提供了極大的靈活性，并成功地用無人機收集作物圖像和相關光譜信息，最終通過地面無線傳感器網絡實現了作物與環境的監測，他們認為需要不斷細化和小型化無人機，以期能夠為用戶提供經濟實惠和高光譜分辨率的圖像數據。Rokhmana[27]介紹了基于無人機遙感技術的精準農業制圖方法，其中無人機遙感系統具有性價比高、操作容易、幾何精度達亞米級等優點，可以實現植被及其健康狀況的定期監測。然而，UAV技術在草地資源監測當中的應用目前仍然處于探索階段，就針對草地蓋度這一指標而言，具有廣闊的空間去細化和深入，基于UAV的草地蓋度監測是否優于目前廣泛運用的其他蓋度監測方法尚需要深入探索和研究。同時，UAV遙感技術(如空間分辨率等)與多源衛星遙感資料的匹配及地面實測數據的結合也值得反復試驗和探究。

基于以上因素考慮，本研究利用UAV、普通數碼相機(Canon)、農業多光譜照相機(agricultural digital camera，ADC)等設備在黃河源東部地區獲取大量相片，結合相應的MODIS NDVI和EVI數據，重點研究適合黃河源區的植被指數，構建基于ADC、Canon及UAV相片的植被蓋度與MODIS植被指數之間的反演模型，綜合評價各種模型的精度，篩選出適宜黃河源區草地蓋度的最優遙感反演模型，分析和評價源區植被蓋度近16年的動態變化特征。特別是結合UAV技術宏觀、快速、經濟、動態、信息量大、分辨率高、對草地無破壞等特點，利用多尺度遙感數據，探索有效提高大范圍草地蓋度監測精度的新途徑，為更加科學有效地監測草地植被動態變化提供科學依據。

1 材料與方法

1.1 研究區概況

黃河源區是三江源自然保護區的重要組成部分，位于河源至唐乃亥水文站間，其經緯度范圍介于95°50′45″-103°28′9″ E與32°12′11″-35°48′7″ N之間[28]，行政區劃上該區主體位于青海省果洛藏族自治州，包括曲麻萊、甘德、瑪沁、貴南、同德、澤庫、河南、班瑪8縣的全部和瑪多、稱多、達日、興海、久治縣的部分地區，總面積約12.2×104km2[2]。黃河源區屬于青藏高原亞寒帶半濕潤區，平均年降水量為484.2 mm，降水主要集中在6-9月，占全年降水的75%～90%以上，平均光照時數為2567.4 h[29]，海拔范圍為2700～5979 m，大部分地區海拔在4100～4500 m之間[30]。從我國植被分區看，黃河源區主要屬于青藏高原高寒植被區，主要植被類型有高寒灌叢、高寒草甸、高寒草原、沼澤及水生植被，在局部高海拔地帶分布有墊狀植被和流石灘稀疏植被[31]。

1.2 地面實測資料

地面實測數據的野外調查時間為2015年8月1-12日，主要針對盛草期的草地植被蓋度情況進行了采樣。調查地域涉及黃河源區的久治、甘德、達日、瑪沁、貴南、興海、同德、澤庫、河南9個縣，總計調查41個樣地(圖1)。在研究區內選擇地勢較為平坦、草地生長狀況均一、具有代表性的典型群落地段設置樣地，樣地面積大小設定為100 m×100 m 。每一樣地均采用5點法布設樣方[32]，以整個樣地中心點作為第一個樣方，再依次選取樣地的4個角點作為其余4個樣方，樣方大小為0.5 m×0.5 m。在每一樣方中心點記錄GPS定位的經緯度數據及高程信息。

利用ADC和Canon相機距離地表0.7 m對樣方拍照，并記錄照片編號，在Tetracam Pixel Wrench 2軟件中對照片進行裁剪，裁剪后的ADC及Canon照片分別通過Tetracam Pixel Wrench 2和數碼相片處理系統(digital photos processing system，DPPS)軟件[14]進行處理，獲得樣方的植被蓋度值，以5個樣方蓋度的平均值代表該樣地的草地植被蓋度。利用DJI Phantom 2四旋翼無人機(搭載GoPro Hero 3+相機)按照兩種方式對各樣地拍攝圖像，第一種以整個樣地的對角線作為飛行路線，航高30 m、拍攝時間間隔為3 s、沿航向一次成像覆蓋的地表面積超過900 m2(30 m×30 m)的模式對地連續拍攝。第二種以整個樣地中心作為中點，航高100 m、一次成像覆蓋的地表面積超過10000 m2(100 m×100 m)的模式對地表進行拍照。將這兩種成像模式分別記作DJI-30 m和DJI-100 m。所獲照片首先在DeFisher軟件中經過魚眼矯正，消除照片畸形帶來的誤差，之后通過DPPS軟件獲取蓋度值，第一種模式以5張相片計算的蓋度平均值作為樣地的草地植被蓋度值，第二種模式以單張相片計算的蓋度值作為該樣地的草地蓋度值。

圖1 黃河源東部地區采樣點分布圖Fig.1 The distribution of sampling sites in the eastern region of Yellow River

1.3 遙感數據及預處理

植被指數數據來自美國航空航天局對地觀測系統數據與信息系統(NASA’S earth observing system data and information system，EOSDIS)開發的植被指數產品MOD13Q1，該產品包含MODIS合成期為16 d、空間分辨率為250 m的歸一化植被指數(normalized difference vegetation index，NDVI)和增強型植被指數(enhanced vegetation index，EVI)數據。覆蓋所有采樣點的16 d合成MOD13Q1數據有1景影像，軌道號為h26v05，下載產品的成像時間介于2015年7月30日-8月15日。在近16年草地蓋度動態變化研究中，覆蓋整個研究區的影像軌道號為h25v05和h26v05，時間序列為2000-2015年5-9月，每年共有月合成圖像20景，總計320景影像。本研究使用最大值合成法(maximum value composition，MVC)[32]分別合成了2000-2015年5-9月的月最大歸一化植被指數(maximum normalized difference vegetation index，MNDVI)和月最大增強型植被指數(maximum enhanced vegetation index，MEVI)數據，拼接軌道號不同的兩幅影像，并將影像按照研究區形狀裁剪出來。

與對照組比較，PD組及HD組sTWEAK顯著增加，差異具有統計學意義（P＜0.001），PD組和HD組血清CRP、FIB、WBC水平均明顯升高，差異具有統計學意義（P＜0.05），見表1。

1.4 反演模型的構建與驗證

統計2015年8月1-12日的野外實測樣點，剔除明顯異常的照片數據，在保證ADC、Canon和DJI數據采樣點信息一致的情況下，最終得到有效樣本記錄34條。研究中草地蓋度模型的建立采用廣泛使用的回歸分析法，即以采樣點對應的MODIS NDVI、EVI依次作為自變量，以基于ADC、Canon、DJI-30 m及DJI-100 m這4種不同草地蓋度監測方法計算的草地蓋度值作為因變量，分別建立線性、對數、指數和乘冪4類回歸模型。采用留一法交叉驗證方法(leave-one-out cross validation，LOOCV)對模型結果進行評價，每個模型的預測能力由均方根誤差(root-mean-square error of prediction,RMSEP)以及觀測值與模型預測值之間的相關系數r來衡量，兩者常用來描述模型的不確定性，RMSEP用于量化模型精度，而r用來評估模型的準確性[33-39]。RMSEP的計算公式如下:

(1)

式中：E(yi)表示第i個實際觀測值；yi為模型反演出的第i個預測值；n是觀測樣本總數，在本研究中n=34。RMSEP數值越低，表明回歸模型越精確；相關系數r越接近于1，表示模型精度越高[40]。

1.5 黃河源區近16年草地植被蓋度時間變化分析

利用精度驗證后確定的草地植被蓋度最優遙感模型和相應年份5-9月MODIS月最大合成植被指數(如MNDVI或MEVI)可以模擬黃河源區2000-2015年生長季的草地植被蓋度動態變化。采用蓋度變化率(coverage rate of change，CRC)，分析研究區近16年的植被蓋度變化趨勢[41-43]，計算公式如下：

(2)

式中：n為時間序列長度；i為2000-2015年的年份序號1～16；Coveragei為第i年最大合成植被指數代入最優模型中反演的蓋度值。當Coverage不存在增加或減少的趨勢，說明研究區草地植被狀況處于穩定狀態，定義為基本不變；當Coverage減少時，根據減少的程度，分別定義為輕度減少和顯著減少；若Coverage在研究期內呈增加趨勢，同樣根據變化程度定義為輕度增加和顯著增加。

2 結果與分析

2.1 草地植被蓋度遙感監測模型及精度評價

基于留一法的模型檢驗結果(表1)表明，ADC相片計算的蓋度值與MODIS NDVI的4種反演模型的R2從大到小依次是線性、對數、指數和乘冪模型；RMSEP值從低到高順序為線性、指數、對數和乘冪模型，相關系數r最大的是線性模型，其次為指數模型。因此，以MODIS NDVI為自變量建立的模型中線性模型最好。在ADC相片計算蓋度值與MODIS EVI的4種反演模型中，對數模型的RMSEP值最低且擬合系數R2最大，r值同樣是對數模型最大。相較于兩種植被指數而言，不論是線性、對數、乘冪還是指數模型，均為MODIS EVI模型的R2、r值高于MODIS NDVI模型，RMSEP值則相反。由此可見，MODIS EVI與ADC相片計算的草地蓋度之間的相關關系優于MODIS NDVI。綜上所述，就以ADC相片計算草地蓋度的方法而言，以EVI為自變量的對數模型擬合度最好，誤差最小。根據以上分析方法對其他3種蓋度監測方法構建的模型進行評價，在MODIS NDVI與Canon相片計算的蓋度值之間的4種模型中，線性模型的RMSEP值和r分別為14.7611和0.7349，總體精度高于其他3種模型；EVI與Canon蓋度值具有類似的規律，同樣是線性模型最好。因此，在Canon相片計算的蓋度回歸模型中，基于MODIS EVI的線性模型精度最高，反演值更接近真實值。在無人機相片計算蓋度值反演模型中，不論是DJI-30 m還是DJI-100 m模式下建立的蓋度反演模型，MODIS EVI均具有更好的表現，且對數模型交叉驗證相關系數r最大，RMSEP值最低。就DJI-30 m和DJI-100 m兩種草地蓋度監測方法建立的模型而言，均為基于NDVI的對數模型是最優模型。

表2是根據R2、RMSEP及相關系數r3種評價指標挑選出的4種草地植被蓋度監測方法中相對應的最優模型。比較分析這4種模型可以看出，DJI-30 m對數模型的RMSEP值顯著低于其他3種模型，R2及r值也均高于其他3種模型，模型擬合度更高，具有最高的精度。因此，黃河源區草地植被蓋度遙感監測的最優模型為DJI-30 m對數模型：

y=65.4132ln(xNDVI)+109.1763

(3)

式中：y表示基于DJI-30 m監測方法及相關數據計算的草地蓋度與MODIS NDVI之間的回歸關系；xNDVI代表MODIS NDVI值。

表1 黃河源區草地植被蓋度遙感反演模型精度評價結果

注：R2為草地蓋度回歸模型的決定系數；RMSEP表示觀測值與模型預測值的均方根誤差；r代表觀測值與模型反演結果之間的相關系數；其中，所有模型P<0.01，均為極顯著相關。

Note:R2is the determination coefficient of the grassland coverage regression model;RMSEPindicates root-mean-square error of the observed value and the model predictive value; And the correlation coefficient between the observed value and the inversional results of the model isr; Among, all models meet the condition forP<0.01, they are extremely significant correlation.

表2 基于4種草地蓋度監測方法的最優模型精度評價結果

2.3 黃河源區近16年生長季最大草地植被蓋度動態變化

在ArcMap中，將2000-2015年5-9月MODIS MNDVI代入黃河源區草地植被蓋度監測最優模型(式3)，分別得到每年生長季草地蓋度最大值，然后通過CRC(式2)分析草地蓋度的時序變化，最后利用Reclassify工具對16年草地蓋度變化程度進行分級，制作出黃河源區草地蓋度空間分布格局圖(圖3)。

圖2 基于ADC(a)、Canon(b)、DJI-30 m(c)和DJI-100 m(d)4種監測方法的草地蓋度最優模型回歸分析Fig.2 Regression analysis of optimal models of four kinds of grassland coverage monitoring methods based on ADC (a), Canon (b), DJI-30 m (c) and DJI-100 m (d)

圖3 2000-2015年黃河源東部地區草地蓋度變化趨勢空間分布Fig.3 Spatial distribution of grassland coverage in the source region of Yellow River during 2000-2015

表3 2000-2015年黃河源區東部地區草地蓋度變化趨勢統計結果

Table 3 Statistical results of grassland coverage change in the eastern region of the Yellow River in 2000-2015

蓋度變化率CRC變化等級Changinglevel面積比例Arearatio(%)<-0．9顯著減少Significantdecrease0．37-0．9～-0．3輕度減少Insignificantdecrease6．16-0．3～0．3基本不變Elementaryconstant71．460．3～0．9輕度增加Insignificantincrease17．61>0．9顯著增加Significantincrease4．40

研究結果表明，2000-2015年黃河源東部大部分地區的草地蓋度基本保持不變，其面積占研究區草地面積的71.46%，呈增加趨勢的區域為22.01%，蓋度變化呈下降趨勢的區域所占面積最小，僅為6.53%(表3)。草地蓋度無明顯變化的區域主要分布在研究區的東南部地區，包括久治、甘德、河南、瑪沁縣80%以上的區域；植被蓋度輕度減少主要發生在達日縣的東北部地區，少部分均勻分布在甘德、瑪沁和久治等縣；草地蓋度顯著減少的區域為瑪沁縣的中部地區以及貴南、興海、澤庫、河南縣的極少部分區域，僅占源區總面積的0.37%。草地蓋度增加的區域多分布在研究區的北部地區，達日縣的大面積區域也呈蓋度增加趨勢，而東南部地區各縣少有涉及。蓋度顯著增加區域集中分布在貴南和興海縣的北部，占研究區草地總面積的4.40%。

3 討論

草地蓋度反演模型的建立不可避免地受地面采樣時間、地點、采樣點大小、數量及其代表性的影響，同時衛星影像的時空分辨率、圖像處理方法、人為誤差等多種因素也給模型的精度帶來一定的誤差[32,44]。本研究地面采樣時間為2015年8月1-12日，時間較短、涉及的空間范圍較大，且采樣點主要分布在黃河源東部，西部地區少有涉及，篩選的最優模型對黃河源整個地區草地蓋度動態變化的監測具有一定的局限性，反演結果具有一定的不確定性。因此，今后進一步研究可以考慮增加采樣時間，同時在研究區內增加采樣點，合理規劃觀測范圍，使之與對應衛星影像的像素大小在空間上更加匹配，對現有模型進行校正，從而減少建模的誤差。

本研究中，MODIS EVI與基于ADC和Canon相片計算的草地蓋度建立的各類模型均優于以MODIS NDVI為自變量的模型，說明采用傳統的0.5 m×0.5 m的地面樣方觀測方法(如ADC和Canon相片)構建的基于MODIS EVI的反演模型，特別是基于Canon相片計算的草地蓋度與MODIS EVI之間構建的反演模型，更適于黃河源東部草地蓋度及其變化規律的動態監測。這與馬琳雅等[45]對甘南高寒草地植被覆蓋度動態變化的研究結果類似。任世龍等[14]借助其團隊開發的DPPS系統，對高寒草地植被蓋度研究結果顯示，普通相機的估算精度遠高于ADC，不僅如此，ADC拍攝照片用時約10 s，但普通數碼相機耗時不到5 s，照片處理效率兩者是相同的。因此，普通相機相較于ADC具有成本低、分辨率高等特點，相對而言，普通相機法更適宜于高寒草地植被蓋度的估算，本研究與此結果相近。

然而，在利用無人機方法構建的草地蓋度反演模型中，MODIS NDVI較EVI則有更好的表現，基于MODIS NDVI的對數模型精度更高，對草地生長狀況的估算能力更強。這與采用傳統的地面樣方觀測方法(如照相方法)構建的草地蓋度最優反演模型不同。導致這一現象的原因是多方面的，但地面實測樣點的數量及其代表性可能是主要影響因素。首先，無人機方法與傳統地面樣方觀測方法相比，對相同樣地的實測面積差異巨大。前者(如航高30 m時)樣地累計觀測面積超過2700 m2[3×(30 m×30 m)]，后者僅1.25 m2[5×(0.5 m×0.5 m)]，前者是后者的2160倍；其次，與構建草地蓋度反演模型的MODIS數據的像元大小62500 m2(250 m×250 m)相比，兩大類觀測方法的地表實測面積僅占MODIS數據一個像元大小的3.4%和0.002%。Curran等[46]研究了樣方大小對地表實測草地遙感反演結果的影響，證明樣方尺寸是左右測量精度的重要因素，這與本研究得出的結論相似。由此可見，UAV航拍覆蓋范圍比ADC和普通相機廣，與衛星資料的空間匹配度更高，無人機方法是對目前草地蓋度地面實測方法的巨大改進，可以高效便捷地獲取更大空間范圍的地面觀測資料，從而克服傳統方法與衛星數據的空間匹配性問題，從而提高草地植被蓋度遙感反演的精度。

相較于ADC和普通相機，無人機航拍獲取的草地蓋度與MODIS植被指數建立的模型精度最高。但就兩種不同的無人機拍攝方法而言，DJI航高30 m對地拍攝方法遠優于航高100 m的方法。這可能是受DJI Phantom 2飛行器性能的限制，當飛行高度過高時，UAV搭載的GoPro Hero 3+相機(1200萬像素)難以滿足拍攝需求，導致照片空間分辨率較低。在進行蓋度值計算時，清晰度不足的照片無法被軟件很好地識別，給研究帶來不可避免的誤差。因此，無人機航拍對草地的監測來說是一個機遇，同時也存在很多的挑戰。一方面，要加強地表觀測和航拍的結合；另一方面，要注重無人機應用技術的改進(如提高相機分辨率等)，進一步探索在草地資源研究中的應用。

本研究基于DJI-30 m對數模型分析了近16年黃河源東部地區草地蓋度的動態變化，結果顯示71.46%的區域草地蓋度穩定不變，具有增加趨勢的區域面積為22.01%，呈減少趨勢的地區僅占6.53%。這與張鐿鋰等[47]對黃河源區近15年間草地退化特征的研究結果類似，他們研究表明退化草地占黃河源區總面積的8.24%，且草地退化主要發生在人口相對密集的低海拔地區，尤其是水分、植被條件較差的地域。海拔越低，居住人口越密集，人類活動更頻繁，對草地的擾動加大，這與本研究確定的草地蓋度減少區域的地理、人文環境極為相似。由此說明，源區草地退化受到自然因素的影響，但人類活動起著主導作用。因此，合理的放牧管理和牧民科學意識的增強是改善黃河源區草地資源現狀的根本。

4 結論

本研究基于黃河源東部地區2015年8月1-12日野外實測草地樣方數據和大量ADC、Canon和DJI相片，結合MODIS植被指數數據，建立了基于MODIS NDVI、EVI的多種草地蓋度遙感模型，采用留一法交叉驗證方法，并通過回歸模型的決定系數、均方根誤差及相關系數對所有模型進行了精度評價，確立了適合黃河源東部地區草地蓋度遙感監測的最優模型，分析了近16年(2000-2015年)黃河源東部地區草地蓋度空間分布格局及其變化趨勢。結果表明，1) MODIS NDVI與DJI-30 m蓋度數據之間的對數模型是研究區草地蓋度監測的最優模型，R2達0.7575，RMSEP為8.4780，r值高達0.8525，基于UAV的草地蓋度監測方法優于ADC和普通相機法。2) 與基于DJI-30 m計算的蓋度數據和MODIS 植被指數建立的最優回歸模型相比較，DJI-100 m蓋度數據和MODIS 數據反演的模型精度較低，R2和r值相對于前者降低了19.97%和14.90%，而RMSEP顯著增加30.05%，這可能是由于DJI-100 m監測模式在航高過高時，覆蓋的地表范圍過大，導致無人機搭載的運動相機獲取的照片空間分辨率過低，無法準確計算草地蓋度信息；3) 在4種草地蓋度監測方法中，MODIS EVI與農業多光譜相機、數碼相機獲取的蓋度值的相關性優于MODIS NDVI，所構建的模型具有更高的精度，而MODIS NDVI更適宜于構建基于無人機相片計算的蓋度反演模型；4) 比較分析ADC與Canon蓋度反演模型，后者總體反映出更多的優勢，且Canon成本低、拍攝用時短，因此，在小范圍或樣方尺度(0.5 m×0.5 m)的草地蓋度監測中，普通數碼相機可能是更好的選擇；5) 16年間黃河源東部71.46%的地區草地蓋度狀況處于穩定狀態，多分布在研究區東南部；蓋度值逐步增加的區域面積為22.01%，增加幅度有從西向東、從北向南減少的趨勢；呈減少趨勢的地區所占面積極少，僅為6.53%，且多分布在人類活動頻繁的地域。

References：

[1] Tang Z G, Ma J H, Li C L,etal. Estimating vegetation coverage using remote sensing data in Sanjiangyuan national nature reserve. Journal of Lanzhou University: Natural Sciences, 2010, 46(2): 11-16. 唐志光, 馬金輝, 李成六, 等. 三江源自然保護區植被覆蓋度遙感估算. 蘭州大學學報: 自然科學版, 2010, 46(2): 11-16.

[2] Cheng H Y. The Hydrology Process and Ecological Functions Response Under the Vegetation Coverage Change of Alpine-cold Meadow in the Headwater Region of the Yellow River[D]. Lanzhou: Lanzhou University, 2007. 程慧艷. 黃河源區高寒草甸草地覆被變化的水文過程與生態功能響應研究[D]. 蘭州: 蘭州大學, 2007.

[3] Yan Z L, Zhou H K, Liu W,etal. Preliminary discuss on grassland degradation in the source region of Yangtze and Yellow Rivers. Grassland of China, 2003, 25(1): 73-78. 嚴作良, 周華坤, 劉偉, 等. 江河源區草地退化狀況及成因. 中國草地學報, 2003, 25(1): 73-78.

[4] Foggin J M, Smith A T. Rangeland utilization and biodiversity on the alpine grasslands of Qinghai Province, People’s Republic of China[M]//Conserving China’s Biodiversity II. Beijing: China Environmental Science Press, 1996: 247-258.

[5] Bai W Q, Zhang Y L, Xie G D,etal. Analysis of formation causes of grassland degradation in Maduo County in the source region of Yellow River. Chinese Journal of Applied Ecology, 2002, 13(7): 823-826. 擺萬奇, 張鐿鋰, 謝高地, 等. 黃河源區瑪多縣草地退化成因分析. 應用生態學報, 2002, 13(7): 823-826.

[6] Wang G X, Ding Y J, Wang J,etal. Land ecological changes and evolutional patterns in the source regions of the Yangtze and Yellow Rivers in recent 15 years. Acta Geographica Sinica, 2004, 59(2): 163-173. 王根緒, 丁永建, 王建, 等. 近15年來長江黃河源區的土地覆被變化. 地理學報, 2004, 59(2): 163-173.

[7] Zheng D, Yao T D. Uplifting of Tibetan Plateau with its environmental effects. Advances in Earth Science, 2006, 21(5): 451-458. 鄭度, 姚檀棟. 青藏高原隆升及其環境效應. 地球科學進展, 2006, 21(5): 451-458.

[8] Wu Y H. Discuss on the ecological environment protection and construction of Yellow River. Journal of Qinghai Environment, 2003, 13(2): 60-64. 吳玉虎. 試論黃河源區生態環境保護與建設. 青海環境, 2003, 13(2): 60-64.

[9] Wu X P. On the ecological environment status in the source area of Yangtze River and Yellow River and control countermeasure. China Environmental Science, 2000, 20(Suppl.): 64-67. 吳向培. 試論長江、黃河源區生態環境現狀及其防治對策. 中國環境科學, 2000, 20(增刊): 64-67.

[10] Purevdorj T, Tateishi R, Ishiyama T,etal. Relationships between percent vegetation cover and vegetation indices. International Journal of Remote Sensing, 1998, 19(18): 3519-3535.

[11] Zhang Y X, Li X B, Chen Y H. Overview of field and multi-scale remote sensing measurement approaches to grassland vegetation coverage. Advance in Earth Sciences, 2003, 18(1): 85-93. 張云霞, 李曉兵, 陳云浩. 草地植被蓋度的多尺度遙感與實地測量方法綜述. 地球科學進展, 2003, 18(1): 85-93.

[12] Wen Q K, Zhang Z X, Liu B,etal. Research progress in grassland fractional coverage estimation methods. Pratacultural Science, 2009, 26(12): 30-36. 溫慶可, 張增祥, 劉斌, 等. 草地覆蓋度測算方法研究進展. 草業科學, 2009, 26(12): 30-36.

[13] Song X F, Dong Y P, Shan L Y,etal. Study on the determination of grassland coverage by digital camera. Inner Mongolia Prataculture, 2004, 16(4): 1-6. 宋雪峰, 董永平, 單麗燕, 等. 用數碼相機測定草地蓋度的研究. 內蒙古草業, 2004, 16(4): 1-6.

[14] Ren S L, Yi S H, Chen J J,etal. Comparisons of alpine grassland fractional vegetation cover estimation using different digital cameras and different image analysis methods. Pratacultural Science, 2014, 31(6): 1007-1013. 任世龍, 宜樹華, 陳建軍, 等. 基于不同數碼相機和圖像處理方法的高寒草地植被蓋度估算的比較. 草業科學, 2014, 31(6): 1007-1013.

[15] Zhou Q, Robson M, Pilesjo P. On the ground estimation of vegetation cover in Australian Rangelands. International Journal of Remote Sensing, 1998, 19(9): 1815-1820.

[16] Zou C H, Xie X Y, Zhou Z F,etal. Future prospects in utilization of photo-taking unmanned aerial vehicle in low altitude of RS system in plateau mountain area of Guizhou. Journal of Guizhou Normal University: Natural Sciences, 2011, 29(2): 24-28. 鄒長慧, 謝曉堯, 周忠發, 等. 無人機低空航拍遙感系統在貴州高原山區的應用前景探. 貴州師范大學學報: 自然科學版, 2011, 29(2): 24-28.

[17] Gao Z, Deng J H, Sun J,etal. Scheme and key technologies of wireless image transmission system for Micro Unmanned Air Vehicles. Transactions of Beijing Institute of Technology, 2008, 28(12): 1078-1082. 高珍, 鄧甲昊, 孫驥, 等. 微型無人機圖像無線傳輸系統方案與關鍵技術. 北京理工大學學報, 2008, 28(12): 1078-1082.

[18] Rango A, Laliberte A, Steele C,etal. Using unmanned aerial vehicles for rangelands: current applications and future potentials. Environmental Practice, 2006, 8(3): 159-168.

[19] Rango A, Laliberte A, Herrick J E,etal. Unmanned aerial vehicle-based remote sensing for rangeland assessment, monitoring, and management. Journal of Applied Remote Sensing, 2009, 3(1): 33542.

[20] Zhu J H, Liang T, Xu G,etal. Application progress of UAV remote sensing technology in the field of environmental protection. Environmental Protection Science, 2013, 39(4): 97-100. 朱京海, 梁婷, 徐光, 等. 無人機遙感技術在環境保護領域中的應用進展. 環境保護科學, 2013, 39(4): 97-100.

[21] Bai Y L, Jin J Y, Yang L P,etal. Technology of low altitude remote sensing and its applications in precision agriculture. Soils & Fertilizers, 2004, (1): 3-6. 白由路, 金繼運, 楊俐蘋, 等. 低空遙感技術及其在精準農業中的應用. 中國土壤與肥料, 2004, (1): 3-6.

[22] Wang G D, Guo G M, Cao B B,etal. Discussion on the application value of remote sensing in forest resources investigation. Technology and Enterprise, 2014, (15): 383. 王根鐸, 郭國明, 曹斌斌, 等. 淺談無人機遙感在森林資源調查中的運用價值. 科技與企業, 2014, (15): 383.

[23] Wang P, Luo X W, Zhou Z Y,etal. Key technology for remote sensing information acquisition based on micro UAV. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(18): 1-12. 汪沛, 羅錫文, 周志艷, 等. 基于微小型無人機的遙感信息獲取關鍵技術綜述. 農業工程學報, 2014, 30(18): 1-12.

[24] Li B， Liu R Y， Liu S H,etal. Monitoring vegetation coverage variation of winter wheat by low altitude UAV remote sensing system. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(13): 160-165. 李冰, 劉镕源, 劉素紅, 等. 基于低空無人機遙感的冬小麥覆蓋度變化監測. 農業工程學報, 2012, 28(13): 160-165.

[25] Liu F, Liu S H, Xiang Y. Study on monitoring fractional vegetation cover of garden plots by Unmanned Aerial Vehicles. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(11): 250-257. 劉峰, 劉素紅, 向陽. 園地植被覆蓋度的無人機遙感監測研究. 農業機械學報, 2014, 45(11): 250-257.

[26] Johnson L F, Herwitz S, Dunagan S,etal. Collection of ultra high spatial and spectral resolution image data over California vineyards with a small UAV. Proceedings of the 30th International Symposium on Remote Sensing of Environment, 2003, 20: 845-849.

[27] Rokhmana C A. The potential of UAV-based remote sensing for supporting precision agriculture in Indonesia. Procedia Environmental Sciences, 2015, 24: 245-253.

[28] Chen L Q, Liu C M, Yang S T,etal. Reproduction of precipitation in the source regions of Yellow River with remote sensing. China Environmental Science, 2006, 26(S1): 87-91. 陳利群, 劉昌明, 楊勝天, 等. 黃河源區降水遙感反演. 中國環境科學, 2006, 26(S1): 87-91.

[29] Xu X T. Spatial and Temporal Analysis of Net Primary Productivity and Water Use Efficiency in Yellow River Source Region[D]. Lanzhou: Lanzhou University, 2007. 徐曉桃. 黃河源區 NPP 及植被水分利用效率時空特征分析[D]. 蘭州: 蘭州大學, 2007.

[30] Li W S, Wu G X. Analysis on cause of flow-stopping in source area of the Yellow River. Bulletin of Soil & Water Conservation, 2000, 20(1): 5-8. 李萬壽, 吳國祥. 黃河源頭斷流現象成因分析. 水土保持通報, 2000, 20(1): 5-8.

[31] Lin L, Jin H J, Luo D L,etal. Preliminary study on major features of alpine vegetation in the source area of the Yellow River (SAYR). Journal of Glaciology and Geocryology, 2014, 36(1): 230-236. 林琳, 金會軍, 羅棟梁, 等. 黃河源區高寒植被主要特征初探. 冰川凍土, 2014, 36(1): 230-236.

[32] Meng B P, Chen S Y, Cui X,etal. The accuracy of grassland vegetation biomass estimated model based on multi-source remote sensing data-As a case of experimental area in Sangke grassland in Xiahe County. Pratacultural Science, 2015, 32(11): 1730-1739. 孟寶平, 陳思宇, 崔霞, 等. 基于多源遙感數據的高寒草地生物量反演模型精度—以夏河縣桑科草原試驗區為例. 草業科學, 2015, 32(11): 1730-1739.

[33] Yu H, Feng Q S, Chen S Y,etal. Grassland biomass dynamic monitoring in Gannan prefecture based on the microwave vegetation indices. Journal of Lanzhou University: Natural Sciences, 2011, 47(4): 69-74. 于惠, 馮琦勝, 陳思宇, 等. 基于微波植被指數的甘南草地生物量動態監測. 蘭州大學學報: 自然科學版, 2011, 47(4): 69-74.

[34] Feng M Y, Wei L, Hu F X,etal. Analysis on changes of temperature and precipitation in Nanchang in recent 55 years. Acta Agriculturae Universitatis Jiangxiensis, 2009, 31(4): 781-784. 馮敏玉, 魏麗, 胡逢喜, 等. 南昌地區近55年的氣溫與降水變化分析. 江西農業大學學報, 2009, 31(4): 781-784.

[35] Song Y, Ma M, Veroustraete F. Comparison and conversion of AVHRR GIMMS and SPOT VEGETATION NDVI data in China. International Journal of Remote Sensing, 2010, 31(9): 2377-2392.

[36] Huang X D, Li X, Liang T G. Dynamics of MODIS vegetation indices and their relationships with meteorological factors for different grassland types in northern Xinjiang. Journal of Lanzhou University: Natural Sciences, 2007, 43(3): 42-47. 黃曉東, 李霞, 梁天剛. 北疆地區不同草地類型MODIS植被指數變化動態及其與氣候因子的關系. 蘭州大學學報: 自然科學版, 2007, 43(3): 42-47.

[37] Yu B H, Lv C H, Lv T T,etal. Regional differentiation of vegetation change in the Qinghai-Tibet plateau. Progress in Geography, 2009, 28(3): 391-397. 于伯華, 呂昌河, 呂婷婷, 等. 青藏高原植被覆蓋變化的地域分異特征. 地理科學進展, 2009, 28(3): 391-397.

[38] Yu H Y, Xu J C. Effects of climate change on vegetations on Qinghai-Tibet Plateau. Chinese Journal of Ecology, 2009, 28(4): 747-754. 于海英, 許建初. 氣候變化對青藏高原植被影響研究綜述. 生態學雜志, 2009, 28(4): 747-754.

[39] Feng Q S, Gao X H, Huang X D,etal. Remote sensing dynamic monitoring of grass growth in Qinghai-Tibet plateau from 2001 to 2010. Journal of Lanzhou University: Natural Sciences, 2011, 47(4): 75-81. 馮琦勝, 高新華, 黃曉東, 等. 2001-2010年青藏高原草地生長狀況遙感動態監測. 蘭州大學學報: 自然科學版, 2011, 47(4): 75-81.

[40] Olden J D, Jackson D A. Torturing data for the sake of generality: How valid are our regression models. Ecoscience, 2000, 7(4): 501-510.

[41] Stow D, Daeschner S, Hope A,etal. Variability of the seasonally integrated normalized difference vegetation index across the north slope of Alaska in the 1990s. International Journal of Remote Sensing, 2003, 24(5): 1111-1117.

[42] Zhang R P, Feng Q S, Guo J,etal. Spatio-temporal changes of NDVI and climatic factors of grassland in northern China from 2000 to 2012. Journal of Desert Research, 2015, 35(5): 1403-1412. 張仁平, 馮琦勝, 郭靖, 等. 2000—2012年中國北方草地NDVI和氣候因子時空變化. 中國沙漠, 2015, 35(5): 1403-1412.

[43] Yu H. Dynamics of Grassland Growth and Its Response to Climate Change on Tibetan Plateau[D]. Lanzhou: Lanzhou University, 2013. 于惠. 青藏高原草地變化及其對氣候的響應[D]. 蘭州： 蘭州大學, 2013.

[44] Yang F, Wang J L, Chen P F,etal. Comparison of HJ-1A CCD and TM data and for estimating grass LAI and fresh biomass. Journal of Remote Sensing, 2012, 16(5): 1000-1023. 楊飛, 王卷樂, 陳鵬飛, 等. HJ-1A CCD與TM數據及其估算草地LAI和鮮生物量效果比較分析. 遙感學報, 2012, 16(5): 1000-1023.

[45] Ma L Y, Cui X, Feng Q S,etal. Dynamic changes of grassland vegetation coverage from 2001 to 2011 in Gannan prefecture. Acta Prataculturae Sinica, 2014, 23(4): 1-9. 馬琳雅, 崔霞, 馮琦勝, 等. 2001-2011年甘南草地植被覆蓋度動態變化分析. 草業學報, 2014, 23(4): 1-9.

[46] Curran P J, Williamson H D. Sample size for ground and remotely sensed data. Remote Sensing of Environment, 1986, 20(1): 31-41.

[47] Zhang Y L, Liu L S, Bai W Q,etal. Grassland degradation in the source region of the Yellow River. Acta Geographica Sinica, 2006, 61(1): 3-14. 張鐿鋰, 劉林山, 擺萬奇, 等. 黃河源地區草地退化空間特征. 地理學報, 2006, 61(1): 3-14.

Dynamic monitoring of alpine grassland coverage based on UAV technology and MODIS remote sensing data-A case study in the headwaters of the Yellow River

GE Jing, MENG Bao-Ping, YANG Shu-Xia, GAO Jin-Long, FENG Qi-Sheng, LIANG Tian-Gang*, HUANG Xiao-Dong, GAO Xin-Hua, LI Wen-Long, ZHANG Ren-Ping, WANG Yun-Long

StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China

In this study, MODIS NDVI and EVI data from 41 field measurements in the eastern headwaters of the Yellow River were used. In combination with the alpine grassland coverage data obtained by an Agricultural Digital Camera (ADC), ordinary digital camera (i.e., Canon 70D) and Unmanned Aerial Vehicles (UAV) images, grassland coverage inversion models were constructed using MODIS vegetation indices. The optimal remote sensing model was used to analyze the grassland coverage dynamics from 2000 to 2015. The results indicated that: 1) the correlation between MODIS NDVI and grassland coverage calculated by UAV images was better than that of MODIS EVI and UAV, and the correlation between MODIS EVI and grassland coverage calculated by ADC and Canon images was higher than that of MODIS NDVI and ADC and the Canon 70D. 2) Compared to ADC, the accuracy of the models established using the Canon 70D was much higher, indicating that ordinary digital cameras may be more reliable for calculating the alpine grassland vegetation coverage. 3) Compared with the grassland coverage calculated with the Canon, images from the ADC and UAV under 30 m and 100 m flight height with the two MODIS vegetation indices respectively, the MODIS NDVI was more sensitive to grassland vegetation coverage retrieved by UAV under 30 m flight height; the optimal model wasy=65.4132ln(NDVI)+109.1763 (R2=0.7575,RMSEP=8.4780). 4) Vegetation coverage during the study period in the southeast area of the study area was stable at 71.5%. Increases in vegetation cover occurred primarily in the western and northern regions while decreases in vegetation were mostly found in northern and southern regions of the study area.

the headwater area of Yellow River; grassland coverage; inversion model; MODIS; unmanned aerial vehicle; dynamic change

2016-04-19；改回日期：2016-06-28

國家自然科學基金項目(31372367，31228021，41401472)，農業部公益性行業(農業)科研專項項目(201203006),中國氣象局氣候變化專項項目(CCSF201603)和長江學者和創新團隊發展計劃(IRT13019)資助。

葛靜(1992-)，女，甘肅平涼人，在讀碩士。E-mail:gej12@lzu.edu.cn*通信作者Corresponding author. E-mail: tgliang@lzu.edu.cn

10.11686/cyxb2016165 http://cyxb.lzu.edu.cn

葛靜, 孟寶平, 楊淑霞, 高金龍, 馮琦勝, 梁天剛, 黃曉東, 高新華, 李文龍, 張仁平, 王云龍. 基于UAV技術和MODIS遙感數據的高寒草地蓋度動態變化監測研究——以黃河源東部地區為例. 草業學報, 2017, 26(3): 1-12.

GE Jing, MENG Bao-Ping, YANG Shu-Xia, GAO Jin-Long, FENG Qi-Sheng, LIANG Tian-Gang, HUANG Xiao-Dong, GAO Xin-Hua, LI Wen-Long, ZHANG Ren-Ping, WANG Yun-Long. Dynamic monitoring of alpine grassland coverage based on UAV technology and MODIS remote sensing data-A case study in the headwaters of the Yellow River. Acta Prataculturae Sinica, 2017, 26(3): 1-12.