基于可見光影像的黃河流域（鄭州段）植被覆蓋反演研究

摘 要：【目的】尋求一種高效、低廉、準確的植被覆蓋反演方法，為其他類似地區的植被覆蓋監測提供參考。【方法】以黃河流域（鄭州段）為研究區域，采用高分辨率可見光影像作為數據源，開展植被覆蓋反演的關鍵技術研究。通過計算植被覆蓋指數和各種算法的準確度，確定最優的可見光影像植被覆蓋反演算法。【結果】經過各類植被指數反演算法結果的比對，GLI植被指數算法總體準確度為96.59%，其他3種算法的準確度較低，分別為80.94%、83.3%和83.56%。證明GLI算法可被應用在類似的植被覆蓋監測中。【結論】基于無人機可見光影像進行植被覆蓋反演是一種低成本、效率高、易操作的方法。

關鍵詞：黃河流域；無人機；可見光影像；植被覆蓋

中圖分類號：X87" " "文獻標志碼：A" " 文章編號：1003-5168（2024）13-0087-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.13.018

Research on Vegetation Coverage Inversion in the Yellow River Basin （Zhengzhou Section） Based on Visible Light Images

GUO Xuebai1 REN Chaodong2

（1.Henan Vocational College of Water Conservancy and Environment， Zhengzhou 450008， China;

2.The 27th Research Institute of China Electronics Technology Group Corporation， Zhengzhou 450047， China）

Abstract： [Purposes] This paper explores an efficient， cost-effective， and accurate vegetation coverage inversion method to provide a reference for vegetation coverage monitoring in other similar regions. [Methods] Taking the Yellow River Basin （Zhengzhou section） as the study area， this research employs high-resolution visible light images as data sources to conduct key technology research on vegetation coverage inversion. By calculating vegetation coverage indices and assessing the accuracy of various algorithms， the optimal visible light image-based vegetation coverage inversion algorithm is determined. [Findings] Through the comparison of inversion results using various vegetation indices， the overall accuracy of the GLI vegetation index algorithm is found to be 96.59%， significantly higher than the other three algorithms with accuracies of 80.94%， 83.3%， and 83.56%， respectively，which demonstrates the applicability of the GLI algorithm in similar vegetation coverage monitoring scenarios. [Conclusions] Vegetation coverage inversion based on unmanned aerial vehicle （UAV） visible light imagery represents a low-cost， efficient， and easy-to-operate method.

Keywords：Yellow River Basin; unmanned aerial vehicles; visible light images; vegetation coverage

0 引言

黃河流域作為典型的大流域，具有豐富的自然資源，在我國經濟發展和生態文明建設中具有重要的地位。受到地理環境、歷史條件等影響，黃河流域經濟發展水平相對落后，水土流失、人為污染等問題也導致其生態環境較脆弱。黃河流域生態保護和高質量發展是我國的重大戰略需求［1］。本研究基于可見光影像技術，對黃河流域（鄭州段）植被覆蓋率進行研究，以期為黃河流域高質量發展提供參考。

隨著遙感技術的不斷發展，其在環境監測［2］、資源調查［3］和生態研究［4］等領域的應用越來越廣泛。黃河流域作為我國重要的農業生產區和生態保護區，植被覆蓋情況和生物多樣性狀況一直備受關注。無人機作為一種輕型、低成本的地面操作遙感平臺，逐漸成為科學領域的熱門工具，為研究者們提供了一條能夠在空間上和時間尺度上對環境進行響應性、及時性監測的途徑。本研究旨在尋求一種低成本、效率高、實時性好、精度高的方法來實現黃河流域（鄭州段）植被覆蓋度反演，為無人機遙感技術在其他領域中進行植被覆蓋度的反演提供參考。

1 國內外研究現狀

近年來，隨著遙感技術的不斷發展和應用，基于遙感影像的植被覆蓋反演和生物多樣性研究已成為熱點。國內學者采用遙感技術對我國不同地區的植被覆蓋進行反演，并結合實地調查數據，分析了植被覆蓋變化對生態環境的影響［5-6］。這些研究成果為我國的生態環境保護和可持續發展提供了重要的科學依據。目前常用的遙感數據包括Landsat、MODIS、HJ等［7-8］，這些數據可以用來獲取歸一化植被指數（NDVI）、植被指數（EVI）等。同時，也可以利用這些數據進行植被分類、植被高度估計等方面的研究［9-10］。此外，近年來還涌現出了一些新的遙感技術，如激光雷達（LiDAR）等，這些技術在植被覆蓋反演方面也具有廣泛的應用。總體來說，國內遙感技術在植被覆蓋反演研究方面已經有了很多成果，并且仍有很大的發展空間。

國外在遙感影像的植被覆蓋反演及生物多樣性研究方面也取得了令人矚目的成果。歐美等發達國家在遙感技術方面處于領先地位，有學者利用高分辨率遙感影像對全球范圍內的植被覆蓋進行反演，并結合其他數據對全球生態環境進行監測和評估。也有學者利用遙感技術對全球范圍內的生物多樣性進行研究，探討了不同氣候區域和地形條件下植被類型對生物多樣性的影響。這些研究成果為全球生態環境保護和可持續發展提供了重要的科學依據。除了MODIS、Landsat等衛星數據外，還有一些新型的遙感數據，如Sentinel系列衛星、PlanetScope等被應用于植被指數的計算和植被分類，這些數據具有更高的分辨率和更多的波段，可以更加準確地反演植被信息。此外，國外還有很多研究者在探索如何將多源遙感數據融合起來，以進一步提高植被覆蓋反演的精度和準確性。總體來說，國外遙感技術在植被覆蓋反演研究方面也有諸多成果，并且不斷涌現出新的技術和方法。

2 數據獲取和處理

無人機遙感技術具有高效快速、靈活性強、成本效益高、高分辨率、實時性強、安全性高、環保節能和數據多樣性等特點。這些特點使其在環境監測、資源調查、城市規劃、災害評估等領域得到廣泛應用。無人機遙感技術以無人駕駛飛行器為平臺，負載可見光相機、多光譜相機、激光雷達等數字遙感設備進行拍攝和記錄，通過遙感數據處理技術實現對地理信息的調查與監測。

2.1 設備的選擇

本研究所選區域為黃河流域（鄭州段），范圍較小，并以可見光相機作為數據獲取來源，因此，采用小型多旋翼無人機掛載可見光相機來進行數據的獲取。

2.2 規劃飛行路線

使用專業的無人機飛行控制軟件進行飛行路線的規劃。應考慮無人機的飛行高度、速度、傳感器的采集范圍，以及目標區域的地理特征等因素，確保飛行路線能夠全面覆蓋目標區域，并避免飛行禁區或障礙物。

2.3 可見光圖像的處理

無人機按照規劃的路線飛行完成之后，就獲得了原始的影像數據。但受到如飛行姿態、光照條件、地形等影響，獲取的圖像可能會存在失真、模糊、光照不均勻等問題，需要對原始影像數據進行圖像校正、圖像增強和圖像拼接等處理之后，才能進行植被覆蓋度反演。

2.3.1 圖像校正。遙感圖像的幾何校正方法主要有基于控制點的校正和基于影像特征的校正。基于控制點的校正主要利用GPS信息進行。由于本項目圖像是由普通RGB光學相機拍攝所得，照片拍攝時的焦距、相機傳感器的物理尺等信息未知，并且存在較大的桶形失真，因此，通過平面標定法來標定相機，獲得相機的內部畸變矩陣，并校正試驗圖片。

2.3.2 圖像拼接。使用計算機視覺技術自動識別和匹配航攝圖像中的特征點，將具有重疊度的影像圖拼接成完整的地圖或景觀。這項技術涉及數字圖像處理的基本操作，包括去噪、邊緣提取、直方圖處理，以及圖像配準和圖像融合兩個關鍵技術。其中，圖像配準的主要目的是找出待拼接圖像中的模板或特征點在參考圖像中對應的位置，進而確定兩幅圖像之間的變換關系。圖像融合是將待拼接圖像的重合區域進行融合，得到拼接重構的平滑無縫全景圖像。

無人機可見光圖像預處理是一個復雜而關鍵的過程，對于提高圖像質量和可解釋性具有重要意義。通過圖像校正、增強、分析和識別等步驟，可以有效提高無人機拍攝圖像的質量，并提取出有價值的信息。

3 植被覆蓋度計算

植被覆蓋指數是用來衡量一個特定區域內植被覆蓋狀況的一個指標，常見的植被指數包括歸一化植被指數（NDVI）、歸一化差異植被指數（NDWI）和總體植被指數（TVI）等。這些指數通常基于遙感影像中不同波段的反射率進行計算，用于反映植被的生長情況、覆蓋程度和健康狀況。以上指數通常多基于多光譜影像來進行計算，但是由于多光譜設備價格昂貴、操作復雜、處理難度大，以及容易受到環境的影響，因此，本研究采用成本低、高分辨率、高動態范圍且操作處理簡單的可見光相機來進行數據的獲取。

利用無人機搭載的可見光相機進行影像采集，可以獲得RGB（紅、綠、藍）三色波段影像。基于可見光的植被指數主要有歸一化綠紅差異指數（Normalized Green-Red Difference Index，NGRDI）、綠葉指數（Green Leaf Index，Gli）、紅綠比值指數（Red Green Ratio Index，Rgri）、過綠指數（Excess Green，ExG）等計算方法。

通過對無人機可見光影像圖像進行校正，研究圖像中各地物的光譜特征，并結合可見光植被指數NGRDI、GLI、RGRI與ExG等計算，得到圖像的各指數分布圖，在分析各指數分布圖的光譜特性與直方圖后，進行閾值的確定，為植被提取和覆蓋度計算做準備。

3.1 歸一化綠紅差異指數（NGRDI）

NGRDI是一種用于遙感圖像中綠色和紅色波段之間差異的量化指標，計算公式見式（1）。

[NGRDI=Green?RedGreen+Red] （1）

式中：Green代表綠色波段的反射率；Red代表紅色波段的反射率。NGRDI值范圍在-1到1之間。

3.2 綠葉指數（GLI）

GLI是一種反映植被葉片綠度的遙感指數，計算公式見式（2）。

[GLI=（Green?Red）+（Green?Blue）2?Green+Red+Blue] （2）

式中：Green、Red、Blue分別代表綠色、紅色和藍色波段的反射率。

3.3 紅綠比值指數（RGRI）

RGRI是紅色波段和綠色波段反射率的比值，計算公式見式（3）。

[RGRI=RedGreen] （3）

式中：Red代表紅色波段的反射率；Green代表綠色波段的反射率。

3.4 過綠指數（ExG）

ExG是一種用于圖像處理中植物圖像識別的特征，計算公式見式（4）。

[ExG=2?Green?Red?Blue] （4）

式中：Green、Red、Blue分別代表圖像中的綠色、紅色和藍色通道的值。

根據上述4種植被指數計算方法得出的結果如圖1所示。由圖1可知，GLI植被指數分布圖的植被與非植被灰度值差異很明顯，植被區域呈現亮白色，而非植被區域都比較暗，這是由于計算時考慮了藍色通道的影響，處理結果中包括的細節更加豐富。NGRDI、RGRI、ExG植被指數分布圖的部分植被與裸地區域灰度值很相近，容易混淆。此外，NGRDI、RGRI、ExG的部分裸地與植被存在重疊，植被與裸地的交界處細節不夠清晰，可能會導致分類精度下降。因此，本研究采用綠葉指數（GLI）算法來計算植被覆蓋指數。

4 植被提取

利用計算獲取的植被覆蓋度進行閾值的確定，通過確定的閾值來對植被進行提取。具體方法是將每個像元的植被指數值與閾值進行比較，若超過閾值則判斷為植被區域，否則為非植被區域。確定植被指數的閾值通常是一個基于數據分析和專家知識的過程。植被指數用于量化植被的綠色程度和活力。閾值的選擇取決于具體的應用和研究目標，例如區分植被類型、監測植被變化或識別裸土等。

4.1 確定閾值

依據植被指數計算方法收集包含植被指數的遙感數據（如NGRDI、GLI等）。使用直方圖展示植被指數的分布情況，然后分析數據的范圍和分布特征。根據4種算法計算結果得出的直方圖（如圖2所示），通過統計分析方法來確定出閾值，實現植被的提取。

4.2 植被提取

植被覆蓋指數通常定義為植被（包括葉、莖、枝）在地面的垂直投影面積占統計區總面積的百分比，它量化了植被的茂密程度，反映了植被的生長態勢。植被覆蓋指數是刻畫地表植被覆蓋的重要參數，也是指示生態環境變化的基本指標。對于生態環境監測、農業生產、災害預警等具有重要的科學意義和應用價值。通過確定好的閾值對植被指數計算結果進行分類提取，獲取到植被覆蓋結果，4種算法的提取結果如圖3所示。

植被覆蓋率是衡量一個區域內植被覆蓋情況的重要指標。其計算方式根據研究目的、植被類型和可用數據的不同而有所差異。本研究的目標是黃河流域（鄭州段）植被覆蓋度，植被覆蓋度的計算方法見式（5）。

植被覆蓋度=[植被面積土地總面積]×100% （5）

依據植被提取的結果，采用準確度最高的GLI方法來計算植被覆蓋度。根據上述提取結果可知，灰色部分為植被覆蓋面積，只需要通過計算灰色的總面積再除以總面積，就可以計算出所選區域的植被覆蓋度。通過編寫程序計算植被覆蓋面積和總面積，最終得到所選區域的植被覆蓋率為79.26%。

通過對提取結果的分析，各植被指數的植被提取精度評價見表1。由表1可知，GLI的提取效果最好，細節部分都能很好地提取，總體精度大于96%，與原始圖像最接近。而NGRDI、RGRI、ExG的提取結果中，植被與非植被存在較多的重疊，成片的植被提取正確率高，而零星的植被提取效果較差，同樣非植被的提取精度也較差。

通過無人機可見光影像的處理和提取的結果可以看出，本研究所選區域植被覆蓋率較高，說明隨著生態保護等政策的實施，黃河流域（鄭州段）的植被覆蓋度呈現出逐漸增加的趨勢。尤其是在一些重點生態功能區，植被覆蓋度的改善更為顯著。但通過原始圖像可以看出，所選片區植被相對單一，雖然植被單一可以形成整齊劃一的視覺效果，但可能導致生態系統脆弱，一旦遇到病蟲害或自然災害，整個生態系統都可能受到嚴重影響。

5 結語

近年來，黃河流域（鄭州段）的植被生態環境得到了顯著改善。受益于氣候條件的改善、生態保護和恢復項目的實施，以及城市綠化工程的推進，該區域的植被覆蓋度、植被生態質量均呈現向好趨勢。根據現場的實地考察和相關資料，再結合本研究植被覆蓋率的反演結果，可以看出，黃河流域（鄭州段）植被覆蓋率很高。盡管黃河流域（鄭州段）的植被生態環境狀況總體向好，但仍面臨一些挑戰和問題。例如，部分地區的植被覆蓋度仍然較低，植被種類單一，多樣性欠缺，生態質量有待進一步提升；受氣候變化和人類活動的影響，一些地區的植被可能面臨退化風險。因此，需要繼續加強生態保護和恢復工作，增加植被多樣性，提高植被生態環境的穩定性和可持續性。

本研究對提升黃河流域（鄭州段）植被覆蓋率有較好的指導性，可以為增加流域內植被多樣性和水土保持提供建議，有助于提升黃河流域（鄭州段）生態效益，進一步增強黃河流域（鄭州段）生態環境可持續發展能力。本研究所采用的無人機遙感技術相較于傳統的遙感方法，具有數據獲取成本低、時間成本低等優勢，能夠為其他類似地區的植被覆蓋監測提供參考。

參考文獻：

［1］寧瑤，劉雅莉，杜劍卿，等.黃河流域可持續發展評估及協同發展策略［J］.生態學報，2022，42（3）：990-1001.

［2］李民峰，陳思羽.遙感技術的生態環境監測與保護分析［J］. 化工設計通訊，2021（7）：176-177.

［3］彭俊宇.遙感技術在自然資源調查監測中的應用探究與討論［J］.科技風， 2023（9）：72-74.

［4］熊穎郡.無人機遙感技術在生態環境監測領域的應用研究［J］. 中國資源綜合利用， 2021，39（2）：59-61.

［5］孫永康.雅安市植被覆蓋度時空變化與驅動力分析［J］. 地理空間信息，2023，21（5）：59-62.

［6］任麗雯，王興濤，胡正華，等.石羊河流域植被生態質量時空變化動態監測［J］. 中國農業氣象，2023，44（3）：193-205.

［7］塵福艷， 楊創， 徐凱磊，等. 基于Landsat遙感影像的楊伙盤礦區生態環境動態監測與評價研究［J］. 環境工程， 2023，41（S1）：497-500.

［8］李楊， 呼海濤， 趙德懷，等. 1986—2020年陜西省植被覆蓋時空變化特征分析［J］. 南方農業， 2023，17（6）：87-90.

［9］喬雪婷， 張娟娟， 李文斌， 等. 基于無人機遙感技術的廣東內伶仃島植被類型劃分與植被圖［J］. 中山大學學報（自然科學版）（中英文）， 2022，61（4）：22-30.

［10］解宇陽，王彬，姚揚，等. 基于無人機激光雷達遙感的亞熱帶常綠闊葉林群落垂直結構分析［J］. 生態學報，2020，40（3）：940-951.