蔡宗磊，苗正紅*，常 雪，劉艷慧，郝 剛，何龍濤

(1. 吉林省水利水電勘測(cè)設(shè)計(jì)研究院，吉林 長(zhǎng)春 130021；2. 吉林省建筑科學(xué)研究設(shè)計(jì)院，吉林 長(zhǎng)春 130021；3. 東北大學(xué)測(cè)繪遙感與數(shù)字礦山研究所，遼寧 沈陽(yáng) 110819；4. 吉林省老龍口水庫(kù)管理局，吉林 琿春 133300)

植被覆蓋度是指植被在地面的垂直投影面積占研究區(qū)總面積的百分比[1-4]，能直接反映陸地表面植被的生長(zhǎng)情況，也是作為生態(tài)模型、水文模型等在內(nèi)的一系列模型的輸入?yún)?shù)，在生態(tài)系統(tǒng)中起著重要的作用[5-7]。傳統(tǒng)的植被覆蓋度獲取方法一般選用地面測(cè)量法，如目測(cè)法、概率計(jì)算法等，該類方法受人力物力限制，只能獲取有限次數(shù)的觀測(cè)數(shù)據(jù)，難以呈現(xiàn)植被覆蓋度在時(shí)空上的變異性。遙感技術(shù)的特點(diǎn)為大范圍、實(shí)時(shí)觀測(cè)，可迅速簡(jiǎn)便地獲得空間上植被覆蓋的變化，已成為估算區(qū)域植被覆蓋度的重要技術(shù)方法[8]。

像元二分模型、多端元混合像元分解法及回歸模型法等是遙感估算植被覆蓋度應(yīng)用最廣泛的方法[9]。像元二分法以混合像元分解為基礎(chǔ)，對(duì)衛(wèi)星信號(hào)中綠色植被與裸土信息做線性分解處理，分解后取得像元中植被信息，對(duì)植被覆蓋度進(jìn)行反演，該方法可去除土壤等背景影響，但受到地物成分及類別的限制，此外要由純植被和裸土像元支撐[10-11]。多端元混合像元分解法可以彌補(bǔ)像元二分模型受兩種地物約束的缺點(diǎn)，在某種程度上能去掉土壤對(duì)植被覆蓋度反演的影響，削弱枯枝落葉層作用，在地物類型復(fù)雜的區(qū)域具有較高的反演精度，但在端元的選取上比較敏感，受端元類別、數(shù)量限制，易與相關(guān)性較強(qiáng)的地物產(chǎn)生“同譜異物”，從而影響植被覆蓋度精度[12-13]?；貧w模型法的理論基礎(chǔ)是數(shù)理統(tǒng)計(jì)，創(chuàng)建遙感數(shù)據(jù)地表反射率與實(shí)測(cè)植被覆蓋度間的不同數(shù)學(xué)回歸模型，進(jìn)行植被覆蓋度的反演?；貧w模型法被普遍使用到提取植被覆蓋度中，且取得了良好效果，但需依靠較多實(shí)測(cè)數(shù)據(jù)進(jìn)行植被覆蓋度的反演，普適性相對(duì)較差[14-19]。

由于草地下墊面植物群落的物種多樣性，以及生長(zhǎng)環(huán)境復(fù)雜，應(yīng)用回歸模型法中的支持向量機(jī)回歸估算草地植被覆蓋度，需實(shí)測(cè)數(shù)據(jù)進(jìn)行建模，并且對(duì)模型進(jìn)行精度評(píng)價(jià)。然而，在野外布設(shè)的1 m×1 m的小樣方，樣方大小不能與獲取的遙感影像的空間分辨率相匹配，從而影響建模的精度。無(wú)人機(jī)(Unmanned aerial vehicle，UAV)是一種由無(wú)線電遙控及本身程序裝置掌控，易于攜帶，為可以實(shí)施多項(xiàng)任務(wù)的無(wú)人駕駛飛行器[20]。無(wú)人機(jī)遙感具有靈活性強(qiáng)、可云下飛行、影像分辨率高、時(shí)效性強(qiáng)、成本低等眾多優(yōu)勢(shì)，可以獲取野外大樣方的數(shù)據(jù)，可作為國(guó)產(chǎn)高分衛(wèi)星數(shù)據(jù)估算草地植被覆蓋度的補(bǔ)充[21-22]。國(guó)產(chǎn)高分一號(hào)衛(wèi)星，可以提供精度高、范圍廣的空間觀測(cè)服務(wù)，特別是搭載的PMS(Pantone matching system)相機(jī)，可以獲取8 m空間分辨率的遙感影像[23]。由于受到放牧、采礦及開(kāi)墾等人類活動(dòng)的影響，內(nèi)蒙古自治區(qū)呼倫貝爾市伊敏露天煤礦區(qū)周邊草原具有較高的空間異質(zhì)性，估算其植被覆蓋度，能為礦區(qū)復(fù)墾以及持續(xù)發(fā)展提供科學(xué)依據(jù)。

本文以伊敏露天煤礦附近的典型草甸草原為研究區(qū)，利用無(wú)人機(jī)獲取60 m×60 m大樣方數(shù)據(jù)與國(guó)產(chǎn)GF-1衛(wèi)星PMS相機(jī)8 m空間分辨率數(shù)據(jù)構(gòu)建多種植被指數(shù)作為自變量，應(yīng)用支持向量機(jī)回歸，建立不同數(shù)據(jù)源(地面數(shù)據(jù)—無(wú)人機(jī)大樣方數(shù)據(jù)，無(wú)人機(jī)大樣方數(shù)據(jù)—GF-1數(shù)據(jù))的植被覆蓋度估算模型，探討利用無(wú)人機(jī)大樣方數(shù)據(jù)結(jié)合國(guó)產(chǎn)GF-1數(shù)據(jù)反演中國(guó)北方草原礦區(qū)周邊草地覆蓋度的適用性與可行性，并且為國(guó)產(chǎn)衛(wèi)星在草地生態(tài)系統(tǒng)中的應(yīng)用提供基礎(chǔ)。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況及樣點(diǎn)選擇

伊敏露天礦地處內(nèi)蒙古自治區(qū)呼倫貝爾草原的中部，自1985年開(kāi)采，并于1986年對(duì)礦區(qū)破壞土地進(jìn)行了復(fù)墾及生態(tài)恢復(fù)，生態(tài)恢復(fù)后以針茅(Stipacapillata)、沙棘(Hippophaerhamnoides)、羊草(Leymuschinensis)、披堿草(Elymusdahuricus)等為主。其附近典型草甸草原區(qū)域以圍欄草場(chǎng)、退化草場(chǎng)、放牧草場(chǎng)以及灌木為主，植物群落主要分為：豬毛菜(Salsolacollina)、蒺藜(Tribulusterrestris)、灰綠藜(Chenopodiumglaucum)群落；沙生冰草(Agropyrondesertorum)、堿地風(fēng)毛菊(Saussureajaponica)、蒲公英(TaraAacummongolicum)群落；大針茅(Stipagrandis)、差不嘎蒿(Artemisiahalodendron)、大籽蒿(Artemisiasieversiana)群落；羊草(Leymuschinensis)、披堿草(Elymusdahuricus)、差不嘎蒿(Artemisiahalodendron)群落。植被覆蓋度以中等蓋度為主，最低為2.7%，最高為88.7%。株高平均高度為11.2 cm，最低為5.1 cm，最高為21.3 cm。

2016年7月12—14日進(jìn)行地面采樣與觀測(cè)試驗(yàn)，以伊敏露天煤礦區(qū)為中心向外10 km擴(kuò)充為采樣區(qū)域，采樣涉及范圍達(dá)1600 km2。依照研究區(qū)植被特性，利用分區(qū)隨機(jī)取樣法布置樣點(diǎn)，為了保證樣方與像元的空間對(duì)應(yīng)，在樣方周圍的一定范圍內(nèi)，選擇在草地植被類型、分布以及生長(zhǎng)狀態(tài)比較均勻的區(qū)域布設(shè)樣方，以此保證植被景觀的一致性。樣方大小為60 m×60 m，無(wú)人機(jī)(型號(hào)大疆Phantom 3 Professional)飛行在樣方上方100 m左右，獲取無(wú)人機(jī)航拍遙感數(shù)據(jù)。同時(shí)在無(wú)人機(jī)樣方四周布設(shè)9個(gè)1 m×1 m小樣方，樣方布設(shè)示意圖如圖1所示，從而控制大樣方的布設(shè)精度，使用索尼數(shù)碼相機(jī)(型號(hào)SELP 1650)在1 m×1 m小樣方上方1 m處垂直拍攝記錄樣方，通過(guò)GPS記錄每個(gè)樣方的地理坐標(biāo)，人工記錄植被類型、地貌環(huán)境(表1)等，共計(jì)7個(gè)大樣方，63個(gè)小樣方(圖2)。

圖1 樣方布設(shè)示意圖

圖2 研究區(qū)及采樣點(diǎn)位置

表1 樣點(diǎn)地貌類型及植被類型

1.2 數(shù)據(jù)源及預(yù)處理

遙感數(shù)據(jù)源包括2016年7月21日獲取的國(guó)產(chǎn)GF-1衛(wèi)星PMS相機(jī)數(shù)據(jù)，無(wú)人機(jī)樣方大小為60 m×60 m，像元個(gè)數(shù)在77萬(wàn)左右，因此計(jì)算無(wú)人機(jī)數(shù)據(jù)空間分辨率在7 cm左右。參數(shù)如表2所示。根據(jù)數(shù)據(jù)源以及建模的要求，因使用的飛行平臺(tái)沒(méi)搭載POS系統(tǒng)，為降低由平臺(tái)本身的不穩(wěn)固性(如俯仰、側(cè)滾、偏轉(zhuǎn)等)引起的圖像畸變，由目視選擇地面變形不大的影像。無(wú)人機(jī)數(shù)據(jù)的預(yù)處理主要有幾何校正，GF-1衛(wèi)星影像數(shù)據(jù)分輻射定標(biāo)、大氣校正、幾何校正等3步處理。本文基于野外實(shí)測(cè)的GPS點(diǎn)進(jìn)行遙感影像及無(wú)人機(jī)的幾何糾正，幾何校正的模型使用一階多項(xiàng)式(仿射)，校正精度控制在半個(gè)像元以內(nèi)。

表2 GF-1與無(wú)人機(jī)傳感器參數(shù)

1.3 植被指數(shù)

1.3.1無(wú)人機(jī)數(shù)據(jù)植被指數(shù)的獲取 由于無(wú)人機(jī)數(shù)據(jù)只有紅色波段、綠色波段以及藍(lán)色波段，結(jié)合可見(jiàn)光植被指數(shù)與建模要求，無(wú)人機(jī)數(shù)據(jù)所用的植被指數(shù)為綠紅植被指數(shù)(Green Red Vegetation Index，GRVI)、可見(jiàn)光大氣阻抗植被指數(shù)(Visible Atmospherically Resistant Insex，VARI)、綠葉植被指數(shù)(Green Leaf Index，GLI)。以手持GPS記錄的樣方位置為中心，建立1 m×1 m的窗口，提取無(wú)人機(jī)數(shù)據(jù)3種植被指數(shù)的平均值作為建模的自變量。3種植被指數(shù)計(jì)算公式如下：

(1)

(2)

(3)

1.3.2國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)植被指數(shù)的獲取 由于國(guó)產(chǎn)GF-1衛(wèi)星數(shù)據(jù)僅有紅、綠、藍(lán)及近紅外4個(gè)波段，將植被指數(shù)的優(yōu)點(diǎn)與計(jì)算公式相結(jié)合，選擇與植被覆蓋度相關(guān)系數(shù)較高的歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)、增強(qiáng)型植被指數(shù)(Enhanced Vegetation Index，EVI)、土壤調(diào)整植被指數(shù)(Soil-Adjusted Vegetation Index，SAVI)與修正土壤調(diào)整植被指數(shù)(Modified Soil-Adjusted Vegetation Index，MSAVI)。

表3 植被指數(shù)

即便樣方的布設(shè)選擇在植被生長(zhǎng)均勻的位置，但樣方在遙感影像上與鄰近像元的灰度值(Digital Number，DN)值及假彩色合成后的顏色仍有一定的不同，因而實(shí)地樣方對(duì)應(yīng)的植被指數(shù)也不同。

為了保證手持GPS記錄的樣方位置提取的遙感影像植被指數(shù)在像元尺度上嚴(yán)格對(duì)應(yīng)無(wú)人機(jī)實(shí)測(cè)植被覆蓋度，以小樣方所在的像元為中心，建立3×3的窗口，如圖3所示，同時(shí)記為位置C，其周邊鄰近像元依次為NW，N，NE，W，E，SW，S，SE。樣方植被指數(shù)(Vegetation Index，VI)的下標(biāo)表示樣方所在像元位置，如VIC表示在位置C時(shí)，像元的植被指數(shù)。

圖3 3×3窗口

像元中樣方的位置可分成4種情況：

(1)C型(圖4)：中心型(Central Type，C-Type)，樣方的位置剛好基本在像元的中心，如圖所示，此時(shí)該像元的植被指數(shù)可以直接代表遙感植被信息與實(shí)測(cè)植被覆蓋度實(shí)施相應(yīng)解析。

圖4 C-Type

(2)B型(圖5)，邊界型(Border Type，B-Type)，樣方的位置剛好基本在像元的邊緣，依東西南北4個(gè)方向再分為BE型、BS型、BW型、BN型。

根據(jù)像元中樣方的不同位置，分別對(duì)樣方所在像元及其鄰近像元的植被指數(shù)取平均值，作為樣方的植被指數(shù)結(jié)果。

B型的VI計(jì)算方式為：

(4)

(5)

(6)

(7)

(3)A型(圖6)，頂點(diǎn)型(Angle Type，A-Type)，樣方的位置剛好基本在像元的頂點(diǎn)附近，按西北、東北、東南、西南四個(gè)方向又分為ANW型、ANE型、ASE型、ASW型。

(4)T型(圖7)，即過(guò)度型，除了C型、B型、A型，樣方位置位于像元的過(guò)度位置，如圖7a為C型與B型的過(guò)度位置，圖7b為C型與A型的過(guò)度位置。根據(jù)樣方采樣中的五點(diǎn)法采樣法，對(duì)中心像元及其鄰近像元采用5次加權(quán)平均的方法。

圖5 B-Type

圖6 A-Type

a：計(jì)算公式為：

(8)

b：計(jì)算公式為：

(9)

T型的其他情況依次類推。

圖7 T型

A型的VI計(jì)算方式為：

(10)

(11)

(12)

(13)

2 方法

2.1 照相法

照相法的原理為整個(gè)相片中綠度像元與像元總個(gè)數(shù)的比例即為植被覆蓋度。照相法估算植被覆蓋度由幾何校正、裁剪、計(jì)算相片的修正超綠特征、應(yīng)用Otsu算法提取植被覆蓋度組成。校正點(diǎn)取相片中標(biāo)準(zhǔn)正方形樣方框架的4頂點(diǎn)，校正后相片邊框?yàn)檎叫?，而后依照邊框裁剪校正后的相片。由于健康的植被綠色波段(用G表示)的值大于紅色波段(用R表示)和藍(lán)色波段(用B表示)，從而計(jì)算其修正超綠特征(用EXG表示)。當(dāng)R

最大類間方差法，由日本學(xué)者大津(Nobuyuki Otsu)創(chuàng)建的一種自適應(yīng)的閾值確定方法，又叫大津法,簡(jiǎn)稱OTSU。OTSU算法根據(jù)計(jì)算的修正超綠特征圖像的灰度特性，將圖像分為植被與背景兩部分，并且植被與背景兩部分的類間方差很大，從而可以自動(dòng)獲取植被與背景的分割閾值，從而計(jì)算植被覆蓋度[24]。

記t為植被與背景的分割閾值，植被像素占相片比例為W0，平均灰度為U0；背景像素占相片比例為W1，平均灰度為U1。

則相片的總平均灰度為：

U=W0×U0+W1×U1

(14)

植被和背景相片的方差：

g=W0×(U0-U)×(U0-U)+W1×
(U1-U)×(U1-U)=W0×
W1×(U0-U1)×(U0-U1)

(15)

當(dāng)方差g最大時(shí)，可以認(rèn)為此時(shí)植被和背景差異最大，此時(shí)的灰度t是最佳閾值：

t=W0×W1×(U0-U1)×(U0-U1)

(16)

2.2 支持向量機(jī)回歸

Vapnik等[25]創(chuàng)建了ε-不敏感損失函數(shù)：

(17)

式中：ε控制擬合精度的不敏感系數(shù)，Lε(f(x),y)是損失函數(shù)，f(x)=ωx+b為用于擬合數(shù)據(jù){xi,yi}i=1,2,…,m的回歸函數(shù)，其中ω，b是系數(shù)，xi∈Rd，yi∈R。

若訓(xùn)練樣本采用線性SVM回歸時(shí)，設(shè)ε為全部訓(xùn)練樣本數(shù)據(jù)的擬合誤差精度：

(18)

(19)

(20)

式中s導(dǎo)出的是約束條件，C是平衡因子。

函數(shù)f(x)通過(guò)引入拉格朗日乘數(shù)，由拉格朗日對(duì)偶性把原始問(wèn)題轉(zhuǎn)為對(duì)偶問(wèn)題，原始問(wèn)題的解由對(duì)偶問(wèn)題的解求得。f(x)表示為：

f(x)=∑nSV(αi-α*i)≤xi?x≥+b

(21)

關(guān)于非線性回歸，是在線性回歸的基礎(chǔ)上引進(jìn)核函數(shù)，輸入空間通過(guò)非線性映射到高維的特征空間，進(jìn)而在高維空間上實(shí)施線性回歸。核函數(shù)種類較多，用的較廣泛的核函數(shù)是徑向基核函數(shù)(Radial Basis Function，RBF)：

(22)

式中xi表示核函數(shù)中心，p表示函數(shù)寬度參數(shù)，控制函數(shù)的徑向影響區(qū)域。

在引入核函數(shù)之后，原式將表達(dá)如下：

f(x)=∑nSV(αi-α*i)×k(x,xi)+b

(23)

3 結(jié)果分析

3.1 照相法估算植被覆蓋度結(jié)果

相片進(jìn)行幾何校正及裁剪等預(yù)處理后，通過(guò)計(jì)算相片的修正超綠特征應(yīng)用OTSU算法提取植被覆蓋度，提取結(jié)果如圖8所示。由于相片的分辨率可以達(dá)到毫米級(jí)別，因此照相法估算植被覆蓋度的結(jié)果可以通過(guò)目視解譯來(lái)進(jìn)行精度評(píng)價(jià)。照相法估算植被覆蓋度頻率分布直方圖如圖9所示，其中以植被覆蓋度為10%～30%為主，其次為30%～45%。

圖8 照相法裁剪圖(左)與估算結(jié)果圖(右)

3.2 數(shù)碼相片—無(wú)人機(jī)數(shù)據(jù)建模估算植被覆蓋度結(jié)果及精度

無(wú)人機(jī)數(shù)據(jù)以GRVI,VARI,以及GLI作為自變量，共獲取50個(gè)數(shù)據(jù)，其中訓(xùn)練樣本個(gè)數(shù)為35個(gè)，樣本在各個(gè)等級(jí)的植被覆蓋度都有選擇。結(jié)合照相法估算植被覆蓋度結(jié)果，應(yīng)用SVM回歸模型建模，估算草地植被覆蓋度的精度如表4所示。模型的評(píng)價(jià)標(biāo)準(zhǔn)采用判定系數(shù)(Coefficient of Determination，記為R2)、均方根誤差(Root Mean Squared Error，RMSE)與相對(duì)分析誤差(Residual Predictive Deviation，RPD)來(lái)衡量。其中RPD(SD/RMSE，其中SD為標(biāo)準(zhǔn)層(Standard Deviation，SD))可以評(píng)價(jià)所建模型預(yù)測(cè)能力的優(yōu)劣。其中SD為標(biāo)準(zhǔn)差，RMSE為均方根誤差。當(dāng)RPD<1.75，認(rèn)為所建立的模型不可用；當(dāng)1.75≤RPD<2.25，認(rèn)為所建立的模型基本可用；當(dāng)2.25≤RPD<3，認(rèn)為所建立的模型基本成功；當(dāng)RPD≥3，認(rèn)為所建立的模型非常成功。

圖9 照相法估算植被覆蓋度頻率分布直方圖

無(wú)人機(jī)數(shù)據(jù)以GRVI,VARI以及GLI為自變量與植被覆蓋度建模得到了較好的相關(guān)關(guān)系，SVM回歸建模估算植被覆蓋度的R2在0.83左右，RPD值均在2.50左右，RPD值均高于2.25，所建立模型比較成功(圖10)，未知樣本驗(yàn)證以GRVI為自變量建?？傮w精度略高，R2為0.75。

表4 數(shù)碼相片—無(wú)人機(jī)SVM建模精度

注：樣本總數(shù)50個(gè)，剔除異常值后，訓(xùn)練樣本35個(gè)，驗(yàn)證樣本15個(gè)

Note:After eliminating outliers,there are 50 samples,35 training samples and 15 validation samples

圖10 SVM回歸模型散點(diǎn)圖

3.3 無(wú)人機(jī)數(shù)據(jù)—國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)建模估算植被覆蓋度結(jié)果及精度

GF-1衛(wèi)星數(shù)據(jù)以NDVI,EVI,SAVI以及MSAVI作為自變量，共獲取54個(gè)數(shù)據(jù)，其中訓(xùn)練樣本個(gè)數(shù)為38個(gè)，樣本在各個(gè)等級(jí)的植被覆蓋度都有選擇。結(jié)合無(wú)人機(jī)估算植被覆蓋度結(jié)果，應(yīng)用SVM回歸模型建模，估算草地植被覆蓋度的精度如表5所示。

GF-1衛(wèi)星以4種植被指數(shù)為自變量與植被覆蓋度建模均得到了較好的相關(guān)關(guān)系，SVM回歸建模估算植被覆蓋度的R2均在0.9以上，RPD值均在3以上，所建立模型非常成功(圖11)，未知樣本驗(yàn)證R2均在0.85以上，以SAVI建?？傮w精度以上要略優(yōu)于其他3種植被指數(shù)。

圖11 SVM回歸模型散點(diǎn)圖(SAVI)

方法Method傳感器Sensor訓(xùn)練樣本(n=38)Knownsamplevalidation(n=38)驗(yàn)證樣本(n=16)Unknownsamplevalidation(n=16)NDVIEVISAVIMSAVINDVIEVISAVIMSAVISVMPMS相機(jī)PMSCameraRMSE3.354.503.233.405.007.244.735.38R20.950.920.960.950.930.860.950.93RPD4.633.444.864.554.032.764.263.74

注：樣本總數(shù)54個(gè)，剔除異常值后，訓(xùn)練樣本38個(gè)，驗(yàn)證樣本16個(gè)

Note:After eliminating outliers,54 samples,38 training samples and 16 validation samples were collected

圖12 基于SVM回歸的植被覆蓋度分級(jí)圖(SAVI)

4 討論

草地生態(tài)系統(tǒng)在“大氣—水分—土壤”的碳轉(zhuǎn)化中有著重要的地位，并且在調(diào)節(jié)全球氣候及碳循環(huán)方面也發(fā)揮著重要作用。由于人類活動(dòng)例如開(kāi)墾、過(guò)度放牧、采礦等的影響，草地生態(tài)系統(tǒng)的平衡被打破，尤其是近年來(lái)，我國(guó)北方草原由于受到氣候條件與土地不合理利用等因素的影響，已經(jīng)逐步出現(xiàn)土地干旱化、土壤沙化、草地荒漠化。因此，在我國(guó)北方開(kāi)展草地植被覆蓋度的監(jiān)測(cè)、預(yù)測(cè)與評(píng)估的研究迫在眉睫。然而，我國(guó)北方草原地區(qū)的時(shí)空異質(zhì)性較強(qiáng)，傳統(tǒng)的測(cè)量方法監(jiān)測(cè)大尺度范圍內(nèi)的草地植被覆蓋度比較困難。衛(wèi)星遙感可以獲取大區(qū)域的影像數(shù)據(jù)，能夠周期性地觀測(cè)，并且由于其空間分辨率、光譜分辨率及其時(shí)相特征的多樣性，遙感技術(shù)已逐步成為監(jiān)測(cè)區(qū)域乃至全球植被覆蓋度的主要方法。地面數(shù)據(jù)以數(shù)碼相片布設(shè)的樣方因人力和物力等多種原因，布設(shè)的樣方大小無(wú)法與遙感影像的空間分辨率相匹配，而無(wú)人機(jī)可以獲取大尺度、寬范圍的數(shù)據(jù)，與遙感影像的空間分辨率相匹配，減少混合像元對(duì)植被覆蓋度估算的影響。本文通過(guò)應(yīng)用SVM回歸模型，構(gòu)建數(shù)碼相片—無(wú)人機(jī)大樣方數(shù)據(jù)植被覆蓋度估算模型與無(wú)人機(jī)大樣方數(shù)據(jù)—GF-1數(shù)據(jù)植被覆蓋度估算模型，探討國(guó)產(chǎn)GF-1衛(wèi)星估算草原植被覆蓋度的方法。

本研究中，無(wú)人機(jī)數(shù)據(jù)以GRVI，VARI以及GLI 3種植被指數(shù)為自變量，以數(shù)碼相片獲取的植被覆蓋度為因變量，應(yīng)用SVM回歸建立無(wú)人機(jī)植被覆蓋度反演模型，結(jié)果表明3種植被指數(shù)與植被覆蓋度擬合較好，其中以GRVI所建立的模型精度較高(R2=0.838，RMSE=7.795，RPD=2.534)。GF-1衛(wèi)星PMS相機(jī)數(shù)據(jù)以NDVI，EVI，SAVI以及MSAVI4種植被指數(shù)為自變量，以無(wú)人機(jī)大樣方數(shù)據(jù)估算的植被覆蓋度為因變量，應(yīng)用SVM回歸建立GF-1數(shù)據(jù)植被覆蓋度反演模型，結(jié)果表明4種植被指數(shù)均獲得較好的相關(guān)關(guān)系，其中以SAVI與草地植被覆蓋度相關(guān)系數(shù)最大(R2=0.956，RPD=4.857，RMSE=3.232)。伊敏露天煤礦區(qū)周邊草原，因2016年降水較少的原因，植被覆蓋度整體并不高，SAVI通過(guò)引入土壤調(diào)節(jié)系數(shù)，降低了土壤背景對(duì)于估算植被覆蓋度的精度。

5 結(jié)論

通過(guò)應(yīng)用SVM回歸模型分別構(gòu)建地面數(shù)據(jù)—無(wú)人機(jī)大樣方數(shù)據(jù)植被覆蓋度與植被指數(shù)之間的關(guān)系、無(wú)人機(jī)大樣方數(shù)據(jù)—GF-1數(shù)據(jù)植被覆蓋度與植被指數(shù)之間的關(guān)系，建立不同尺度數(shù)據(jù)之間的植被覆蓋度反演模型，利用無(wú)人機(jī)大樣方數(shù)據(jù)以SAVI為自變量的SVM回歸模型反演國(guó)產(chǎn)高分衛(wèi)星的草地植被覆蓋度，模型擬合較好，精度較高。

隨著我國(guó)高分衛(wèi)星的研發(fā)，將無(wú)人機(jī)與高分衛(wèi)星結(jié)合起來(lái)反演草地植被覆蓋度，可以推廣國(guó)產(chǎn)衛(wèi)星遙感數(shù)據(jù)的應(yīng)用，又能夠周期性地動(dòng)態(tài)監(jiān)測(cè)草原植被覆蓋度，為維護(hù)草地生態(tài)平衡與可持續(xù)發(fā)展奠定了基礎(chǔ)。