基于無人機可見光圖像的荒漠草地覆蓋度估算

于 惠，吳玉鋒，牛莉婷

（甘肅省水土保持科學研究所，甘肅蘭州 730020）

草地生態系統是陸地生態系統中面積最大、分布最廣的生態系統之一，約占地球表面積的40%，在全球氣候變化中占重要地位[1]。植被作為草地生態系統的主要組成部分，是生態系統存在的基礎，在陸地表面能量交換、生物地球化學和水文循環過程中扮演著重要的角色。草地植被覆蓋度是反映草地生長狀況和衡量生態系統的重要參量，在受荒漠化影響的干旱和半干旱地區，更是指示土地退化和沙漠化的一個敏感指標，對區域生態系統穩定及環境變化具有重要的影響[2-3]。因此及時準確監測草地植被覆蓋度，對當地草地資源的可持續利用、經濟的可持續發展及生態系統的恢復與重建具有重要意義。植被覆蓋度的監測方法主要包括地面測量和遙感監測兩種。地面測量方法易受時間、天氣和交通等狀況的影響，很難在大范圍內開展。遙感監測方法還存在遙感數據時空分辨率低與地面數據匹配性差等問題，影響植被覆蓋度的估算精度。無人機具有靈活性高、成本低廉且不受大氣因素影響的優點，彌補了衛星光學遙感易受天氣影響、重訪周期長等的缺陷，為植被遙感研究提供了新的技術[4]。

植被指數是草地植被遙感監測中應用最為廣泛的參數。因為植被指數與植被覆蓋度具有密切相關性，相關學者利用無人機可見光圖像構建了一系列基于可見光RGB(red green blue)三波段的植被指數，如過綠指數(excess green index，ExG)[5]、過綠減紅指數(excess green-red index,ExGR)[6]、歸一化差異植 被 指 數(visible-band difference vegetation index,VDVI)[7]、歸一化綠紅差異指數(normalized green-red difference index, NGRDI)[8]、歸一化綠藍差異指數(normalized green-blue difference index，NGBDI)[9]、植被指數(vegetative index, VEG)[10]、紅綠比值指數(red-green ratio index,RGRI)[11]等，這些指數均是通過增強植被與周圍地物的光譜差異，從而有效分離出綠色植被[7,12]。利用無人機技術和RGB指數，大量學者開展了一系列的研究工作。如，Torres-Sánchez等[13]基于多種RGB指數對小麥(Triticum aestivum)植被覆蓋度進行了估算，結果表明，ExG 估算精度最高。汪小欽等[7]提出了歸一化差異植被指數VDVI,并利用雙峰閾值法和熵閾值法提取了單幅無人機可見光圖像的植被覆蓋度，發現雙峰直方圖閾值法識別效果較好。卞雪等[12]以無人機遙感圖像作為研究對象，采用雙峰法和最大熵值法提取了高壓變電站線路工程周圍的植被覆蓋度。結果表明，利用VDVI提取的植被覆蓋度精度高達95.32%，與實際情況最為接近。高永平等[14]以騰格里沙漠東南緣沙坡頭地區為研究區域，探究荒漠植被覆蓋度最優反演模型。結果表明，基于VDVI 的反演模型精度最高，能很好地區分植被和非植被。劉艷慧等[15]以內蒙古呼倫貝爾典型草甸草原為研究對象，應用基于遺傳算法的最大熵法提取植被覆蓋，指出ExG估算結果精度較高。趙靜等[16]采用監督分類與可見光植被指數統計直方圖相結合確定閾值的方法提取玉米(Zea mays)植被覆蓋度，結果表明ExG對玉米植被覆蓋度的提取效果最好。Xu 等[17]利用無人機影像監測古爾班通古特沙漠梭梭(Haloxylon ammodendron)林的空間分布特征，發現基于RGRI的提取精度最高(83.46%)，其次為NGBDI(79.48%)。利用無人機可見光圖像提取植被覆蓋度的研究雖然取得了一定的成果，但仍存在諸多問題，如適用性差、運算過程復雜、提取精度不理想等。而且目前針對荒漠草地植被覆蓋度的研究還鮮見報道。那么，基于無人機可見光圖像的RGB指數在植被密度較低的荒漠草原區域提取植被信息的效果如何，還有待進一步研究。本研究以荒漠草地植被為研究對象，采用監督分類與植被指數直方圖相結合的閾值法，評價常用6種RGB植被指數對荒漠草地植被和非植被區的分類效果，驗證可見光植被指數在荒漠草地植被覆蓋度監測中的適用性，以期為荒漠草地植被覆蓋度的快速提取提供新的技術支持。

1 數據與方法

1.1 可見光無人機圖像數據獲取

2018年9月中下旬，在石羊河流域內，選取地勢平坦、植被分布均勻、面積大于300 m× 300 m 的荒漠草地作為代表性樣地，盡量在天氣晴好、無云無風時開展無人機采樣工作。本研究用大疆(DJI)系列Phantom 4 Pro無人機對試驗樣地進行拍攝。飛行高度為30 m，飛行過程中調整飛機飛行姿態，在懸停狀態下對樣地進行拍攝，以獲取效果最佳的無人機圖像，得到的圖像空間分辨率約為0.8 cm。本研究對48個不同植被覆蓋度的草地樣方進行拍攝，每個樣方得到1張無人機圖像(圖1)。

圖1 研究區及采樣點位置Figure 1 Location of sampling sites and study area

1.2 植被覆蓋度提取方法

采用植被指數閾值法提取荒漠草地植被覆蓋度。首先基于無人機可見光圖像計算ExG、ExGR、VDVI、VEG、NGRDI 和NGBDI 6 種常見RGB植被指數，然后對其進行閾值分割，從而計算圖像的蓋度。

有研究表明，基于監督分類和植被指數統計直方圖相結合確定閾值的方法對植被覆蓋度的提取精度較高[16,18]。本研究通過反復試驗發現，支持向量機監督分類方法對荒漠草地和土壤分類效果較好。首先采用支持向量機監督分類將無人機拍攝的草地單幅圖像分為植被和裸土兩類，結合計算得到的ExG指數圖像，繪制植被和裸土各自的ExG指數統計直方圖，將兩類地物統計直方圖的交點作為植被和裸土分類閾值，同理獲得其他RGB指數的分類閾值。利用分類閾值提取草地植被覆蓋度，大于閾值的部分為植被像元，小于閾值的部分為裸土像元。為了驗證分類閾值的適用性，將獲取的單幅圖像的分類閾值作為固定閾值，提取所有48景無人機圖像的植被覆蓋度，對比其閾值的穩定性。

1.3 植被覆蓋度提取精度評價方法

為了驗證各RGB指數在荒漠草地上的適用性，本研究將無人機可見光圖像支持向量機監督分類結果作為地表植被覆蓋度的真實值，對各指數提取的草地植被覆蓋度的精度進行驗證。以平均絕對誤差(mean absolute error,MAE)和均方根誤差(root mean square error,RMSE)作為評價提取精度的指標，具體計算公式如下：

式中：E(yi)表示第i個監督分類的植被覆蓋度，yi為第i個閾值法提取的植被覆蓋度，n為觀測樣本總數。

2 結果

2.1 植被指數閾值提取結果

以單幅圖像為例，在監督分類結果的基礎上，對6種RGB植被指數進行統計分析(圖2)。由統計結果可知，VEG 植被像元和土壤像元統計直方圖的交點為1.05,ExGR 為?0.07;ExG、VDVI、NGRDI和NGBDI植被和土壤像元統計直方圖的交點分別為0.035、0.025、0.02和0.03。將這些交點值作為下一步植被覆蓋度提取的閾值。

圖2 RGB植被指數像元統計結果Figure 2 Statistical resultsof different RGBvegetation indices

2.2 植被覆蓋度提取結果精度評價

利用上述分割閾值對單幅圖像進行植被覆蓋度提取，各RGB植被指數提取的植被覆蓋度介于36.9%～45.4%。與監督分類真實值相比較，該閾值提取的草地植被覆蓋度絕對誤差介于0.30%～4.44%，其中NGRDI的提取精度最高(圖3)。

圖3 單幅圖像分類結果Figure 3 Classification of different RGB vegetation indices

為了進一步驗證各RGB指數提取草地植被覆蓋度的適用性，將單幅可見光圖像的分割閾值作為固定閾值，提取所有采樣數據的草地植被覆蓋度，并評價了植被覆蓋度提取精度。結果表明，基于NGRDI提取的植被覆蓋度與監督分類真實值最為接近，其MAE 和RMSE 分別為2.56%和3.06%；其次為VDVI 和ExGR 的MAE和RMSE 值均在5%以下；預測精度最差的指數為NGBDI，其MAE和RMSE分別為6.50%和8.40%(表1)。從預測值與實測值之間的散點圖來看，NGRDI預測值緊密分布在1? 1線的兩側，預測值與真值之間的R2高達0.95；VDVI、ExGR 和VEG的 預 測 值 分 布 較NGRDI離散，預測值與真值之間的R2均在0.92以上(圖4)。雖然與單幅圖像提取結果相比，總體的提取精度有所下降，但其誤差均在可接受范圍內。以上分析表明NGRDI對荒漠草地植被覆蓋度的提取效果較好，更適合于荒漠草地植被覆蓋度的提取。

圖4 RGB指數估算結果與植被覆蓋度實測值的相關性Figure 4 Correlations between predicted and observed vegetation coverage

表1 植被覆蓋度提取精度分析結果Table1 Accuracy assessment of vegetation coverage extraction

3 討論

目前，可見光RGB指數大致可分為基于紅綠波段、藍綠波段和可見光三波段的植被指數3類。本研究發現3類RGB指數對荒漠草地植被覆蓋度的估算精度為紅綠波段>可見光三波段> 藍綠波段。張正健等[19]利用可見光植被指數估算草地地上生物量時也指出基于紅綠波段的植被指數預測精度高于藍綠波段植被指數。造成這一現象的原因可能是，目前大多數指數都是針對健康綠色植被開發的，根據綠色植被反射綠光而吸收紅光和藍光的特性，為了增大植被與背景的差異，需要凸顯綠色波段的信號。而荒漠植被一般綠度不高、顏色發黃、發暗，因此應用效果沒有其他植被類型好。特別是ExG綠色波段比重較大，因此其識別精度較低。另外，綠色植被對紅光的吸收能力強于藍光，對于荒漠植被而言，植被對藍光的吸收能力更弱[20-21]。利用綠光和紅光波段構成的植被指數，更能凸顯植被特征，因此基于紅綠波段的植被指數對荒漠草地植被覆蓋度的估算精度要優于藍綠波段植被指數。

對比分析NGRDI、NGBDI和植被覆蓋度的變化趨勢發現，總體上來說，NGRDI和NGBDI均隨植被覆蓋度的增加而增加，但NGRDI的波動幅度明顯小于NGBDI；在低植被覆蓋度時，NGRDI隨著植被覆蓋度增加的趨勢更為明顯， NGRDI與植被覆蓋度的相關性更高(圖5)。NGRDI 對荒漠草地植被的變化更為敏感，基于NGRDI的蓋度估算方法精度要優于其他RGB植被指數。

圖5 RGB指數變化趨勢圖Figure 5 Changecharacteristicsof RGBvegetation indices

4 結論

本研究借助無人機技術，以荒漠草地植被為研究對象，系統比較6種常用RGB植被指數對荒漠草地植被的識別能力。研究結果表明：基于NGRDI提取的植被覆蓋度與監督分類的真實值最為接近，其MAE和RMSE 分別為2.56%和3.06%?；诒O督分類與可見光植被指數統計直方圖相結合的閾值法對荒漠草地植被覆蓋度的提取效果較好，可以用于荒漠草地植被覆蓋度的提取。

總之，基于無人機和可見光植被指數的草地覆蓋度提取方法，參數簡單、易于操作且耗時較短。一方面可以直接對小區域內的植被覆蓋度進行實時、快速監測；另一方面，可以作為衛星遙感和地面數據之間的橋梁，增強地面數據的代表性，提高大范圍植被覆蓋度遙感監測的精度。隨著無人機遙感技術的發展，在今后的工作中可結合無人機多光譜、高光譜數據進一步提高植被覆蓋度的監測精度，為植被覆蓋度的快查提供技術支持。