基于無人機高光譜影像的互花米草植被覆蓋度反演

方 鏵，鄭 浩，李 想，何建男

（1.華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063210；2.河北省地質(zhì)礦產(chǎn)勘查開發(fā)局第七地質(zhì)大隊，河北 廊坊 065201）

引言

植被覆蓋度通常定義為單位面積內(nèi)的植被垂直投影面積占統(tǒng)計面積的百分比[1]，是評價植物生理過程最常用的監(jiān)測指標(biāo)之一[2]，在水文、水土保持及土壤沙漠化方面具有重要意義[3]。受資金與野外地形等因素限制，傳統(tǒng)野外實測植被覆蓋度難以在較大空間尺度進行[4]。無人機遙感技術(shù)由于具有便捷及分辨率高等特點，適合無損及高精度的野外采樣，大大減少了資金與時間的浪費，為提高植被覆蓋度反演精度奠定數(shù)據(jù)基礎(chǔ)[5]。

目前，遙感技術(shù)反演植被覆蓋度的主要方法包括回歸模型法與混合像元分解法等。回歸模型法通過提取高光譜數(shù)據(jù)中的波段組合構(gòu)建植被指數(shù)，并與植被覆蓋度建立回歸分析，從而反演植被覆蓋度值[6]。回歸模型常用NDVI、DVI 及RVI 等植被指數(shù)作為輸入變量反演植被覆蓋度。NDVI 能夠準(zhǔn)確反應(yīng)植被覆蓋信息與土壤水分，DVI 能夠精確識別植被與水，RVI 對植被覆蓋度較為敏感。大量研究表明，將植被指數(shù)結(jié)合回歸模型法進行建模具有普適意義，是植被覆蓋度反演的有效方法。混合像元分解法在假定情況下將混合像元分解成不同類別的組合，以各類別在混合像元中所占比例展示最終結(jié)果[7]。該方法不過多依賴野外實測數(shù)據(jù)，適用于大范圍及各種植被類型的植被覆蓋度反演。常用的混合像元分解模型包括像元二分模型、Carlson 模型、Baret 模型及SDVI 模型等。魏石磊等基于像元二分模型，采用置信度與克里金插值方法確定像元二分模型中NDVIveg和NDVIsoil的值，實現(xiàn)了植被覆蓋度估算[3]。吳青云等基于像元二分模型、線性光譜混合模型進行植被覆蓋度估算，結(jié)果表明像元二分模型較線性光譜模型能更好地適用于蕪湖市繁昌縣的植被覆蓋度反演[8]。劉佳麗等通過對高寒草地生長季與非生長季植被蓋度遙感進行反演，證實了像元二分模型的有效性[9]。溫小樂等分別使用像元二分模型與Carlson 模型對海島建設(shè)后的高植被覆蓋區(qū)與低植被覆蓋區(qū)進行植被覆蓋度反演[10]。丁艷玲使用像元二分模型、Baret 模型等、Carlson 模型及SDVI 模型進行植被覆蓋度反演[11]。大量研究均表明混合像元分解法反演植被覆蓋度具有可靠性。在利用回歸模型法對植被覆蓋度進行反演方面，程俊毅等利用隨機森林模型構(gòu)建植被覆蓋度的估算模型，結(jié)果表明隨機森林模型在測試集上的R2為0.923，RMSE 為0.087，優(yōu)于常用的像元二分模型[12]。柳絮等基于遙感數(shù)據(jù)和野外實測數(shù)據(jù)，估算了草本植物的植被覆蓋度，證實了隨機森林模型估算植被覆蓋度的準(zhǔn)確性。

為了比較不同植被覆蓋度反演模型的普適性，韋欽樺分析了像元二分模型、Carlson 模型和Baret模型等六種模型的反演性能[13]。董顯聰?shù)热藢Ρ攘讼裨帜Ｐ汀arlson 模型和Baret 模型對于草原植被的植被覆蓋度反演準(zhǔn)確性[14]。以往研究多基于混合像元分解法之間的對比，缺少與回歸模型法的比較研究。因此本文旨在基于無人機高光譜數(shù)據(jù)，利用混合像元分解法(像元二分模型、Carlson 模型、Baret 模型及SDVI 模型)與隨機森林回歸模型對濱海濕地互花米草植被覆蓋度的反演精度進行比較。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于河北省黃驊市東部沿海地區(qū)(117°38′21″-117°38′33″-E，38°29′10″-38°29′14″-N)，屬暖溫帶半濕潤季風(fēng)氣候，年平均氣溫12.1℃，年平均降水627mm。該區(qū)域為淤積型泥灘，半日潮，鹽堿化草甸沼澤土壤。研究區(qū)長約360m，寬約260m，海拔-5m 左右，由陸向海海拔逐漸降低。植被以互花米草為主，少量分布有蘆葦和堿蓬。研究區(qū)內(nèi)互花米草分布特征明顯，具有較為明顯的高度與低度植被覆蓋度區(qū)域，適用于植被覆蓋度反演研究。

1.2 數(shù)據(jù)獲取與處理

1.2.1 無人機高光譜影像獲取與處理

無人機高光譜影像通過大疆M300 Pro 無人機搭載Cubert 公司生產(chǎn)的ULTRIS X20 Plus 成像儀獲取，光譜范圍350～1002nm，包含164 個波段，光譜分辨率10nm，光譜采樣間隔4nm。影像采集于2022 年8 月15 日，正值互花米草生長旺盛期，水熱充足，植被覆蓋度達到最大。無人機飛行任務(wù)在正午時間11 點至13 點之間，天氣晴朗無風(fēng)。無人機飛行前進行白板標(biāo)定，飛行高度設(shè)置為80m，飛行速度為5m/s。正反方向重疊度設(shè)置為80%，空間分辨率為3cm。獲取無人機高光譜影像后進行圖像拼接和輻射校正，以提取每個波段的光譜反射率。

1.2.2 植被覆蓋度驗證數(shù)據(jù)提取

地表植被覆蓋度的準(zhǔn)確采集是一項耗時耗力的復(fù)雜任務(wù)，故在模型建立與地面驗證過程中，通常使用無人機高分辨率影像提取植被覆蓋度作為驗證數(shù)據(jù)[5]。在遙感影像植被取樣地布設(shè)時為避免間距過近產(chǎn)生同質(zhì)性，在研究區(qū)隨機創(chuàng)建漁網(wǎng)、創(chuàng)建要素類，獲取到距離間隔相等的植被取樣地121個(圖2)。利用面向?qū)ο蠓诸惙椒ǎ瑢Ω吖庾V影像進行多尺度分割，在分割基礎(chǔ)上基于規(guī)則分類構(gòu)建NDVI、DVI 及RVI 三種植被指數(shù)并建立規(guī)則集，分別提取互花米草圖斑與土壤背景圖斑(圖3)。最后通過單位面積內(nèi)的植被土壤面積計算研究區(qū)內(nèi)的植被覆蓋度。將上述方法得到的植被覆蓋度作為驗證數(shù)據(jù)對四種混合像元分解模型的估測值進行驗證。將人工目視解譯分類結(jié)果與上述方法提取的分類結(jié)果進行混淆矩陣計算，得到總體分類精度(OA)，計算公式如式(2)所示。

式中：FVC 為植被覆蓋度；Sveg為植被像元面積；Ssoil為土壤背景像元面積。

式中:Q 為植被取樣地總數(shù)；Qij為矩陣中第i行第j 列上的頻數(shù)；k 為類別數(shù)，僅有植被與土壤背景之分，k=2。

1.3 植被覆蓋度反演模型

本研究選取的反演植被覆蓋度的五種模型均需構(gòu)建植被指數(shù)，其中像元二分模型、Carlson 模型及Baret 模型需構(gòu)建NDVI，SDVI 模型需構(gòu)建DVI，隨機森林模型需構(gòu)建NDVI、DVI 及RVI。因本文采用無人機高光譜影像反演植被覆蓋度，以上方法均采用802nm 與670nm 處反射率構(gòu)建植被指數(shù)[15]，并與植被覆蓋度進行相關(guān)性分析判斷植被指數(shù)可用性。

式中R802nm與R670nm分別為波長為802nm 與670nm 時的高光譜反射率值。

1.3.1 像元二分模型

像元二分模型[16,17]假設(shè)每個像元只由植被與裸地兩種地物組成，定義fc是一個像元中植被所占面積百分比，則裸地所占面積百分比用(1-fc)表示。設(shè)植被的NDVI 為NDVIveg，裸地的NDVI 為NDVIsoil，則混合像元的NDVI 如式(3)所示：

根據(jù)公式(6)推到得到fc的計算公式(7)：

對于裸土表面NDVIsoil理論上應(yīng)該無限接近于0，受土壤水分、顏色、粗糙度及類型等因素影響，NDVIsoil取值范圍一般處于-0.1～0.2 之間[18]。因此，本研究根據(jù)NDVI 實際屬性值的累計概率選取5%的最小值作為NDVIsoil，95%的最大值作為NDVIveg，最后確定NDVIsoil與NDVIveg的值分別為0.012 和0.847。

1.3.2 Baret 模型

Baret 模型的原理是建立植被覆蓋度與植被垂直間隙率的關(guān)系。通常使用葉面積指數(shù)(LAI)的指數(shù)函數(shù)估算植被冠層垂直間隙率P0(0)：

當(dāng)NDVI 對應(yīng)的裸土與LAI 無限大時，得到式(9)：

結(jié)合式(8)與式(9)推導(dǎo)出垂直間隙率P0(0)，如式10 所示：

則植被覆蓋度Baret 模型表達式如式(11)所示：

Kp為消光系數(shù)，取決于植被結(jié)構(gòu)；KNDVI取決于植被冠層結(jié)構(gòu)、太陽天頂角和觀測角和植被葉片的光學(xué)特性；DVIS和NDVI∞分別為裸土和葉面積指數(shù)無限大時對應(yīng)的植被指數(shù)值。已有研究顯示NDVI 對應(yīng)Kp/KNDVI=0.6175 時，該方法能較好地反演植被覆蓋度[14]。則改進的Baret 模型計算公式如式(12)所示：

1.3.3 Carlson 模型

文獻[18]對植被、裸地和大氣之間輻射傳輸模型建立了NDVI、LAI 及植被覆蓋度之間的關(guān)系，得到植被覆蓋度與NDVI 的平方關(guān)系，如式(13)所示：

1.3.4 SDVI 模型

SDVI 模型[11]綜合考慮植被，光照土壤和陰影土壤三種地物反射率，基于光照土壤的近紅外波段和紅波段的差值與陰影土壤的近紅外波段減紅波段的差值推導(dǎo)出植被覆蓋度計算公式：

式(14)中N 和R 為像元的近紅外波段反射率和 紅 波 段 反 射 率，Nveg、Rveg和Nsoil、Rsoil分 別 為 純 植被和純裸地的近紅外和紅波段反射率。

1.3.5 隨機森林模型

隨機森林模型是一種利用多棵決策樹對樣本訓(xùn)練并預(yù)測的機器學(xué)習(xí)模型[19]，其主要原理是將多棵決策樹組合起來，并對結(jié)果進行平均，隨著決策樹泛化誤差的收斂，可以得到更好的預(yù)測結(jié)果[20]。隨機森林模型選擇NDVI、DVI 及RVI 作為模型輸入變量，植被覆蓋度數(shù)據(jù)以7:3 的比例劃分為訓(xùn)練集與測試集，通過網(wǎng)格搜索法尋找最優(yōu)參數(shù)，確定最優(yōu)決策樹個數(shù)為500，深度為3，每棵樹使用的特征數(shù)為2。

1.4 精度評價方法

本研究采用決定系數(shù)(R2)和均方根誤差(RMSE)驗證模型的穩(wěn)定性，相對分析誤差(RPD)評估模型的預(yù)測能力。R2值越高，RMSE 值越低，預(yù)測精度越高。此外，RPD 值大于2.0 表示預(yù)測能力較強，RPD值在1.4～2.0 之間表示預(yù)測能力一般。RPD 值小于1.4，說明預(yù)測能力較差[21]。計算公式如下所示：

其中，yi表示植被覆蓋度的實測值，表示植被覆蓋度的預(yù)測值，表示植被覆蓋度的平均驗證值，n 表示樣本數(shù)，i=1,2,…,n,k 為參數(shù)個數(shù)，SD 為驗證值的標(biāo)準(zhǔn)差。

2 結(jié)果與分析

2.1 植被覆蓋度提取精度

本研究采用總體精度作為評價提取黃驊濱海濕地植被覆蓋度作為驗證數(shù)據(jù)可靠性的評價指標(biāo)。在Rstudio 軟件中隨機抽取研究區(qū)內(nèi)40 個植被取樣地進行精度驗證。結(jié)果顯示，研究區(qū)內(nèi)40 個植被取樣地平均總體精度值為93.2%，表明本研究提取的取樣地的植被覆蓋度可用于后續(xù)反演。

2.2 植被覆蓋度與不同植被指數(shù)的相關(guān)性分析

基于Rstudio 軟件，將植被覆蓋度與三種植被指數(shù)進行Person 相關(guān)性分析(表1)。植被覆蓋度與NDVI、DVI 及RVI 相 關(guān) 性 在0.01 水 平(雙 側(cè))上 顯著相關(guān)，說明NDVI 與DVI 可分別應(yīng)用于混合像元分解模型法反演植被覆蓋度。此外，三種植被指數(shù)均與植被覆蓋度顯著相關(guān)，可共同作為隨機森林模型的輸入變量反演植被覆蓋度。

2.3 植被覆蓋度反演結(jié)果

根據(jù)本研究選取的四種混合像元分解模型與隨機森林模型法，使用無人機高光譜影像進行互花米草植被覆蓋度反演研究，得到研究區(qū)植被覆蓋度分布情況(圖4)。由圖4 可以得到，五種模型均能較好地區(qū)分植被與裸地，除SDVI 模型，其余四種模型反演的互花米草植被覆蓋度空間分布趨勢相似，均表現(xiàn)為高度植被覆蓋度區(qū)域大面積連續(xù)集中在研究區(qū)東南與北部區(qū)域，而在土壤與互花米草交界處植被覆蓋度相對較低。植被覆蓋度的差異主要集中在研究區(qū)中部地區(qū)，SDVI 模型反演值顯著低于其他四種模型，像元二分模型高估了土壤范圍的植被覆蓋度，而Carlson 模型與Baret 模型在該區(qū)域植被覆蓋度較為相似，隨機森林模型則表現(xiàn)出較高的估測精度。

圖4 不同模型反演的植被覆蓋度分布圖

2.4 植被覆蓋度反演精度驗證分析

本研究選取50%的植被覆蓋度值為高植被覆蓋度與低植被覆蓋度區(qū)域分界線[13]。植被覆蓋度低于50%的為低植被覆蓋度區(qū)域，50%以上的為高植被覆蓋度區(qū)域。基于無人機高光譜影像獲取的植被覆蓋度作為驗證數(shù)據(jù)與上述五種反演方法估算的植被覆蓋度值進行整體對比分析(圖5)。從圖中可以看出，五種植被覆蓋度反演模型均產(chǎn)生較小的RMSE與較大的R2，除SDVI 模型外，其余模型的RPD 均達到1.4 以上且線性擬合曲線與1:1 對角線偏差較小，這說明像元二分模型、Carlson 模型、Baret 模型及隨機森林模型均能反演互花米草植被覆蓋度。此外，根據(jù)隨機森林模型估算值與驗證值得到的三種精度評價指標(biāo)均優(yōu)于四種混合像元分解模型的評價指標(biāo)，隨機森林具有最優(yōu)的建模精度。分析四種混合像元分解模型與回歸模型的估測值與1:1 對角線關(guān)系可知，像元二分模型的估算值多位于1:1對角線的上方，有明顯高估植被覆蓋度的趨勢，出現(xiàn)高估現(xiàn)象的原因可能是采用了裸地NDVI 與茂密植被NDVI 之間的值導(dǎo)致[22]； 而Carlson 模型、Baret 模型與SDVI 模型的估測值大多位于1:1 對角線下方，具有明顯低估的趨勢。SDVI 模型因選取DVIsoil與DVIveg的值被限定在一定閾值內(nèi)而出現(xiàn)估測值被低估的現(xiàn)象；因Carlson 模型和Baret 模型與像元二分模型具有差異性，故此兩種模型反演過程產(chǎn)生低估趨勢的原因同樣為選取裸地的NDVI 與茂盛植被的NDVI 之間的值導(dǎo)致，此外，植被覆蓋度的增加導(dǎo)致NDVI 飽和等因素也會影響反演效果的準(zhǔn)確性。隨機森林模型因強大的泛化能力，其估算值與驗證值的擬合曲線與1:1 對角線偏差較小，使得隨機森林模型估算值更接近于驗證值。

為了定量化比較估算誤差，本研究對5 種植被覆蓋度反演模型進行精度評價，結(jié)果顯示除像元二分模型外，其余四種模型R2相近，均達到0.80 以上； 從RMSE 來看，Carlson 模型與Baret 模型具有相同的RMSE 值，而隨機森林模型精度最高，其RMSE 小于其他四個混合像元分解模型；對于RPD而言，除SDVI 模型的RPD 未超過1.4 反演植被覆蓋度效果較差以外，其余四種模型均可用于反演植被覆蓋度。

為了探究模型普適性，對低植被覆蓋度區(qū)域進行研究發(fā)現(xiàn)(圖6A)，四種混合像元分解模型都有高估植被覆蓋度的情況，而隨機森林模型較為均勻的分布在1:1 對角線附近。進一步對比低植被覆蓋度區(qū)域下5 種模型的反演精度發(fā)現(xiàn)(表2)，隨機森林模型估算的植被覆蓋度的RMSE、RPD 及R2分別達到0.073、2.454 及0.903，在五種反演模型中表現(xiàn)最優(yōu)，其次是Baret 模型與Carlson 模型。此外，研究顯示像元二分模型與SDVI 模型的RPD 小于1.40，不適用于在低植被覆蓋度區(qū)域進行反演。

表2 低植被覆蓋度區(qū)域各反演模型精度

圖6 地面驗證值與模型預(yù)測值(A)低FVC；(B)高FVC

通過對比上述5 種模型在高植被覆蓋度區(qū)域下的估算精度可以得到(表3)，四種混合像元分析模型精度較差，除像元二分法外，其他三種混合像元分解模型產(chǎn)生的預(yù)測值大多處于1:1 對角線下方(圖6B)，說明其在高植被覆蓋度區(qū)域易低估植被覆蓋度值；而隨機森林模型的估測值與驗證值之間有較優(yōu)的相關(guān)性。從不同植被覆蓋度區(qū)域情況上看，五種植被覆蓋度反演模型的反演效果排序為整體植被覆蓋區(qū)優(yōu)于低植被覆蓋區(qū)優(yōu)于高植被覆蓋度區(qū)反演效果，而隨機森林模型在不同植被覆蓋度區(qū)域情況下均表現(xiàn)出優(yōu)異的反演效果。

表3 高FVC 區(qū)域各反演模型精度

綜上所述，基于無人機高光譜影像反演濱海濕地互花米草植被覆蓋度，隨機森林模型估測精度在不同植被覆蓋度區(qū)域均優(yōu)于四種混合像元分解模型。從理論上分析，混合像元分解模型在一定程度上基于前人研究的經(jīng)驗值，例如像元二分模型與Carlson 模型中NDVIveg與NDVIsoil值需要通過置信區(qū)間確定；Baret 模型中的多依據(jù)前人研究結(jié)果確定取值；SDVI 模型同樣依賴置信區(qū)間取值。這導(dǎo)致了模型反演結(jié)果隨研究區(qū)的改變產(chǎn)生不同程度的差異[23]。隨機森林模型因不依賴傳統(tǒng)經(jīng)驗，同時能克服變量之間復(fù)雜的耦合關(guān)系避免過擬合[24]獲得了優(yōu)異的反演效果。

3 結(jié)論

本研究以互花米草為研究對象，驗證了像元二分模型、Carlson 模型、Baret 模型、SDVI 模型及隨機森林模型在黃驊市濱海濕地精準(zhǔn)反演地表植被覆蓋度的性能，結(jié)果表明：

（1）在研究區(qū)互花米草植被覆蓋度的反演中，像元二分模型易產(chǎn)生高估植被覆蓋度的現(xiàn)象；Carlson 模型、Baret 模型及SDVI 模型易產(chǎn)生低估植被覆蓋度的現(xiàn)象；隨機森林模型估測值最接近驗證值，反演效果最好。

（2）在低植被覆蓋度區(qū)域內(nèi)，四種混合像元分解模型均有高估植被覆蓋度的趨勢，且僅有Carlson 模型、Baret 模型及隨機森林模型能有效反演植被覆蓋度，其中隨機森林建模精度RMSE、RPD 及R2分別達到0.073、2.454 及0.903。

（3）在高植被覆蓋度區(qū)域內(nèi)，除像元二分模型外，其余三種混合像元分解模型均有低估植被覆蓋度的趨勢，且僅有隨機森林模型能有效反演植被覆蓋度。