基于无人机可见光图像的荒漠草地覆盖度估算

于 惠，吴玉锋，牛莉婷

（甘肃省水土保持科学研究所，甘肃兰州 730020）

草地生态系统是陆地生态系统中面积最大、分布最广的生态系统之一，约占地球表面积的40%，在全球气候变化中占重要地位[1]。植被作为草地生态系统的主要组成部分，是生态系统存在的基础，在陆地表面能量交换、生物地球化学和水文循环过程中扮演着重要的角色。草地植被覆盖度是反映草地生长状况和衡量生态系统的重要参量，在受荒漠化影响的干旱和半干旱地区，更是指示土地退化和沙漠化的一个敏感指标，对区域生态系统稳定及环境变化具有重要的影响[2-3]。因此及时准确监测草地植被覆盖度，对当地草地资源的可持续利用、经济的可持续发展及生态系统的恢复与重建具有重要意义。植被覆盖度的监测方法主要包括地面测量和遥感监测两种。地面测量方法易受时间、天气和交通等状况的影响，很难在大范围内开展。遥感监测方法还存在遥感数据时空分辨率低与地面数据匹配性差等问题，影响植被覆盖度的估算精度。无人机具有灵活性高、成本低廉且不受大气因素影响的优点，弥补了卫星光学遥感易受天气影响、重访周期长等的缺陷，为植被遥感研究提供了新的技术[4]。

植被指数是草地植被遥感监测中应用最为广泛的参数。因为植被指数与植被覆盖度具有密切相关性，相关学者利用无人机可见光图像构建了一系列基于可见光RGB(red green blue)三波段的植被指数，如过绿指数(excess green index，ExG)[5]、过绿减红指数(excess green-red index,ExGR)[6]、归一化差异植 被 指 数(visible-band difference vegetation index,VDVI)[7]、归一化绿红差异指数(normalized green-red difference index, NGRDI)[8]、归一化绿蓝差异指数(normalized green-blue difference index，NGBDI)[9]、植被指数(vegetative index, VEG)[10]、红绿比值指数(red-green ratio index,RGRI)[11]等，这些指数均是通过增强植被与周围地物的光谱差异，从而有效分离出绿色植被[7,12]。利用无人机技术和RGB指数，大量学者开展了一系列的研究工作。如，Torres-Sánchez等[13]基于多种RGB指数对小麦(Triticum aestivum)植被覆盖度进行了估算，结果表明，ExG 估算精度最高。汪小钦等[7]提出了归一化差异植被指数VDVI,并利用双峰阈值法和熵阈值法提取了单幅无人机可见光图像的植被覆盖度，发现双峰直方图阈值法识别效果较好。卞雪等[12]以无人机遥感图像作为研究对象，采用双峰法和最大熵值法提取了高压变电站线路工程周围的植被覆盖度。结果表明，利用VDVI提取的植被覆盖度精度高达95.32%，与实际情况最为接近。高永平等[14]以腾格里沙漠东南缘沙坡头地区为研究区域，探究荒漠植被覆盖度最优反演模型。结果表明，基于VDVI 的反演模型精度最高，能很好地区分植被和非植被。刘艳慧等[15]以内蒙古呼伦贝尔典型草甸草原为研究对象，应用基于遗传算法的最大熵法提取植被覆盖，指出ExG估算结果精度较高。赵静等[16]采用监督分类与可见光植被指数统计直方图相结合确定阈值的方法提取玉米(Zea mays)植被覆盖度，结果表明ExG对玉米植被覆盖度的提取效果最好。Xu 等[17]利用无人机影像监测古尔班通古特沙漠梭梭(Haloxylon ammodendron)林的空间分布特征，发现基于RGRI的提取精度最高(83.46%)，其次为NGBDI(79.48%)。利用无人机可见光图像提取植被覆盖度的研究虽然取得了一定的成果，但仍存在诸多问题，如适用性差、运算过程复杂、提取精度不理想等。而且目前针对荒漠草地植被覆盖度的研究还鲜见报道。那么，基于无人机可见光图像的RGB指数在植被密度较低的荒漠草原区域提取植被信息的效果如何，还有待进一步研究。本研究以荒漠草地植被为研究对象，采用监督分类与植被指数直方图相结合的阈值法，评价常用6种RGB植被指数对荒漠草地植被和非植被区的分类效果，验证可见光植被指数在荒漠草地植被覆盖度监测中的适用性，以期为荒漠草地植被覆盖度的快速提取提供新的技术支持。

1 数据与方法

1.1 可见光无人机图像数据获取

2018年9月中下旬，在石羊河流域内，选取地势平坦、植被分布均匀、面积大于300 m× 300 m 的荒漠草地作为代表性样地，尽量在天气晴好、无云无风时开展无人机采样工作。本研究用大疆(DJI)系列Phantom 4 Pro无人机对试验样地进行拍摄。飞行高度为30 m，飞行过程中调整飞机飞行姿态，在悬停状态下对样地进行拍摄，以获取效果最佳的无人机图像，得到的图像空间分辨率约为0.8 cm。本研究对48个不同植被覆盖度的草地样方进行拍摄，每个样方得到1张无人机图像(图1)。

图1 研究区及采样点位置Figure 1 Location of sampling sites and study area

1.2 植被覆盖度提取方法

采用植被指数阈值法提取荒漠草地植被覆盖度。首先基于无人机可见光图像计算ExG、ExGR、VDVI、VEG、NGRDI 和NGBDI 6 种常见RGB植被指数，然后对其进行阈值分割，从而计算图像的盖度。

有研究表明，基于监督分类和植被指数统计直方图相结合确定阈值的方法对植被覆盖度的提取精度较高[16,18]。本研究通过反复试验发现，支持向量机监督分类方法对荒漠草地和土壤分类效果较好。首先采用支持向量机监督分类将无人机拍摄的草地单幅图像分为植被和裸土两类，结合计算得到的ExG指数图像，绘制植被和裸土各自的ExG指数统计直方图，将两类地物统计直方图的交点作为植被和裸土分类阈值，同理获得其他RGB指数的分类阈值。利用分类阈值提取草地植被覆盖度，大于阈值的部分为植被像元，小于阈值的部分为裸土像元。为了验证分类阈值的适用性，将获取的单幅图像的分类阈值作为固定阈值，提取所有48景无人机图像的植被覆盖度，对比其阈值的稳定性。

1.3 植被覆盖度提取精度评价方法

为了验证各RGB指数在荒漠草地上的适用性，本研究将无人机可见光图像支持向量机监督分类结果作为地表植被覆盖度的真实值，对各指数提取的草地植被覆盖度的精度进行验证。以平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)作为评价提取精度的指标，具体计算公式如下：

式中：E(yi)表示第i个监督分类的植被覆盖度，yi为第i个阈值法提取的植被覆盖度，n为观测样本总数。

2 结果

2.1 植被指数阈值提取结果

以单幅图像为例，在监督分类结果的基础上，对6种RGB植被指数进行统计分析(图2)。由统计结果可知，VEG 植被像元和土壤像元统计直方图的交点为1.05,ExGR 为−0.07;ExG、VDVI、NGRDI和NGBDI植被和土壤像元统计直方图的交点分别为0.035、0.025、0.02和0.03。将这些交点值作为下一步植被覆盖度提取的阈值。

图2 RGB植被指数像元统计结果Figure 2 Statistical resultsof different RGBvegetation indices

2.2 植被覆盖度提取结果精度评价

利用上述分割阈值对单幅图像进行植被覆盖度提取，各RGB植被指数提取的植被覆盖度介于36.9%～45.4%。与监督分类真实值相比较，该阈值提取的草地植被覆盖度绝对误差介于0.30%～4.44%，其中NGRDI的提取精度最高(图3)。

图3 单幅图像分类结果Figure 3 Classification of different RGB vegetation indices

为了进一步验证各RGB指数提取草地植被覆盖度的适用性，将单幅可见光图像的分割阈值作为固定阈值，提取所有采样数据的草地植被覆盖度，并评价了植被覆盖度提取精度。结果表明，基于NGRDI提取的植被覆盖度与监督分类真实值最为接近，其MAE 和RMSE 分别为2.56%和3.06%；其次为VDVI 和ExGR 的MAE和RMSE 值均在5%以下；预测精度最差的指数为NGBDI，其MAE和RMSE分别为6.50%和8.40%(表1)。从预测值与实测值之间的散点图来看，NGRDI预测值紧密分布在1꞉ 1线的两侧，预测值与真值之间的R2高达0.95；VDVI、ExGR 和VEG的 预 测 值 分 布 较NGRDI离散，预测值与真值之间的R2均在0.92以上(图4)。虽然与单幅图像提取结果相比，总体的提取精度有所下降，但其误差均在可接受范围内。以上分析表明NGRDI对荒漠草地植被覆盖度的提取效果较好，更适合于荒漠草地植被覆盖度的提取。

图4 RGB指数估算结果与植被覆盖度实测值的相关性Figure 4 Correlations between predicted and observed vegetation coverage

表1 植被覆盖度提取精度分析结果Table1 Accuracy assessment of vegetation coverage extraction

3 讨论

目前，可见光RGB指数大致可分为基于红绿波段、蓝绿波段和可见光三波段的植被指数3类。本研究发现3类RGB指数对荒漠草地植被覆盖度的估算精度为红绿波段>可见光三波段> 蓝绿波段。张正健等[19]利用可见光植被指数估算草地地上生物量时也指出基于红绿波段的植被指数预测精度高于蓝绿波段植被指数。造成这一现象的原因可能是，目前大多数指数都是针对健康绿色植被开发的，根据绿色植被反射绿光而吸收红光和蓝光的特性，为了增大植被与背景的差异，需要凸显绿色波段的信号。而荒漠植被一般绿度不高、颜色发黄、发暗，因此应用效果没有其他植被类型好。特别是ExG绿色波段比重较大，因此其识别精度较低。另外，绿色植被对红光的吸收能力强于蓝光，对于荒漠植被而言，植被对蓝光的吸收能力更弱[20-21]。利用绿光和红光波段构成的植被指数，更能凸显植被特征，因此基于红绿波段的植被指数对荒漠草地植被覆盖度的估算精度要优于蓝绿波段植被指数。

对比分析NGRDI、NGBDI和植被覆盖度的变化趋势发现，总体上来说，NGRDI和NGBDI均随植被覆盖度的增加而增加，但NGRDI的波动幅度明显小于NGBDI；在低植被覆盖度时，NGRDI随着植被覆盖度增加的趋势更为明显， NGRDI与植被覆盖度的相关性更高(图5)。NGRDI 对荒漠草地植被的变化更为敏感，基于NGRDI的盖度估算方法精度要优于其他RGB植被指数。

图5 RGB指数变化趋势图Figure 5 Changecharacteristicsof RGBvegetation indices

4 结论

本研究借助无人机技术，以荒漠草地植被为研究对象，系统比较6种常用RGB植被指数对荒漠草地植被的识别能力。研究结果表明：基于NGRDI提取的植被覆盖度与监督分类的真实值最为接近，其MAE和RMSE 分别为2.56%和3.06%。基于监督分类与可见光植被指数统计直方图相结合的阈值法对荒漠草地植被覆盖度的提取效果较好，可以用于荒漠草地植被覆盖度的提取。

总之，基于无人机和可见光植被指数的草地覆盖度提取方法，参数简单、易于操作且耗时较短。一方面可以直接对小区域内的植被覆盖度进行实时、快速监测；另一方面，可以作为卫星遥感和地面数据之间的桥梁，增强地面数据的代表性，提高大范围植被覆盖度遥感监测的精度。随着无人机遥感技术的发展，在今后的工作中可结合无人机多光谱、高光谱数据进一步提高植被覆盖度的监测精度，为植被覆盖度的快查提供技术支持。