宋利利,楊安琪,柳露露,夏藝菲

（河南科技學(xué)院園藝園林學(xué)院,河南新鄉(xiāng)453003）

植被覆蓋率（Vegetation Coverage Ratio,VCR）是刻畫地表植被覆蓋的一個(gè)重要參數(shù),也是指示生態(tài)環(huán)境的重要指標(biāo)之一[1-2].植被覆蓋率已被廣泛應(yīng)用于研究植物的物候和生理狀態(tài)[3]、監(jiān)測(cè)作物發(fā)育狀況[4]、估算糧食產(chǎn)量[5]等方面.植被覆蓋率的估測(cè)方法主要有地面實(shí)測(cè)法和遙感測(cè)量法,其中地面實(shí)測(cè)法包括目測(cè)估算法、概率計(jì)算法和儀器測(cè)量法等,此方法由于受人力和物力的限制,不適宜作為大范圍內(nèi)植被覆蓋率的提取方法,但是可以作為遙感測(cè)量法中樣地的精度驗(yàn)證和分析手段[6].遙感測(cè)量法主要是利用波段光譜特征獲取各種植被指數(shù),從而增強(qiáng)植被信息,估算植被覆蓋率[7-11].其中通過(guò)建立植被覆蓋率與植被指數(shù)的回歸模型估算植被覆蓋率也是常用的方法之一[12-13].另外,部分學(xué)者在利用決策樹分類[14-15]和人工神經(jīng)網(wǎng)絡(luò)[16]等方法進(jìn)行遙感影像數(shù)據(jù)的植被覆蓋率估算方面進(jìn)行了嘗試性研究.隨著無(wú)人機(jī)技術(shù)的迅猛發(fā)展,加之可見光相機(jī)分辨率高、維修成本低,應(yīng)用無(wú)人機(jī)獲取可見光遙感影像在小尺度植被覆蓋率估算中顯現(xiàn)出明顯的優(yōu)勢(shì),受到學(xué)者們廣泛的關(guān)注[17-21].但目前的研究大都集中地物類型相對(duì)簡(jiǎn)單的區(qū)域,對(duì)于地物類型復(fù)雜的農(nóng)村居民點(diǎn)植被覆蓋率的研究相對(duì)較少.農(nóng)村居民點(diǎn)的植被覆蓋率是反映農(nóng)村居民點(diǎn)居住環(huán)境的重要參考指標(biāo),為了探索快速、準(zhǔn)確獲取農(nóng)村居民點(diǎn)植被覆蓋率的方法,本文以無(wú)人機(jī)可見光遙感影像為數(shù)據(jù)源,利用植被指數(shù)閾值二分法和回歸模型法對(duì)農(nóng)村居民點(diǎn)的植被覆蓋率進(jìn)行估算和比較分析,以期促進(jìn)無(wú)人機(jī)遙感在農(nóng)村居民點(diǎn)居住環(huán)境評(píng)估中的應(yīng)用.

1 研究區(qū)概況

選擇河南省新鄉(xiāng)縣七里營(yíng)鎮(zhèn)李臺(tái)村舊村的部分區(qū)域?yàn)榘咐齾^(qū).李臺(tái)村位于新鄉(xiāng)市西南,七里營(yíng)鎮(zhèn)東北部,地理位置為113°48′～113°49′E,35°11′～35°12′N,地處平原地區(qū),屬暖溫帶大陸性氣候,四季分明.植被類型以暖溫帶落葉闊葉林為主,主要種植小麥、玉米等糧食作物,案例區(qū)地物要素豐富,包括民居、耕地、林地、園地、道路、廠房、裸地等.

2 資料獲取與處理

采用大疆精靈4 pro 無(wú)人機(jī)進(jìn)行拍攝,設(shè)置航向重疊度為80%,旁向重疊度為60%.成像時(shí)間為2018年7 月12 日,晴天無(wú)風(fēng),相機(jī)型號(hào)為FC6310,飛行高度272 m,單張可見光遙感影像大小為547 2*364 8像元.研究區(qū)均勻布設(shè)15 個(gè)控制點(diǎn),控制點(diǎn)坐標(biāo)使用思拓力GPS-RTK S3 測(cè)定,之后在Photoscan 軟件中經(jīng)控制點(diǎn)校正后獲取李臺(tái)村的正射影像,如圖1 所示.

圖1 研究區(qū)無(wú)人機(jī)拼接影像Fig.1 UAV mosaic images of the research area

3 研究方法

3.1 植被指數(shù)閾值二分法

無(wú)人機(jī)可見光遙感影像中像元值即DN 值（Digital Number）代表的是遙感影像像元亮度值,記錄地物的灰度值,無(wú)單位,是一個(gè)整數(shù)值,值大小與傳感器的輻射分辨率、地物發(fā)射率、大氣透過(guò)率和散射率等有關(guān).通過(guò)不同波段像素的DN 值組合可以增強(qiáng)植被和非植被的波段差異,從而更加容易區(qū)分植被和非植被區(qū)域.常見的可見光植被指數(shù)有歸一化綠紅差異指數(shù)NGRDI、歸一化綠藍(lán)差異指數(shù)NGBDI、藍(lán)綠比值指數(shù)BGRI、可見光波段差異植被指數(shù)VDVI 和過(guò)綠指數(shù)EXG、土壤調(diào)整植被指數(shù)SAVI、改進(jìn)型土壤調(diào)整植被指數(shù)MSAVI 等[18].不同的研究目的和研究區(qū)域,選擇的植被指數(shù)也不盡相同.本文根據(jù)案例區(qū)的實(shí)際情況,將地物類型劃分為藍(lán)頂建筑、紅頂建筑、灰頂建筑、道路、裸地、植被和建筑間陰影7 類,通過(guò)目視判別,分別在案例區(qū)可見光遙感影像的7 類地物中隨機(jī)選擇30 個(gè)點(diǎn)獲取其像素值,通過(guò)像素值的比較來(lái)分析7 類地物在紅、綠、藍(lán)可見光的波譜特性,見表1.

表1 案例區(qū)不同地物紅綠藍(lán)波段DN 值統(tǒng)計(jì)表Tab.1 Statistics of DN values in red,green and blue bands of different features in case area

由表1 可知,道路、紅頂建筑、裸地在紅光波段的DN 值最大,在藍(lán)光波段DN 值最小；而建筑陰影、藍(lán)頂建筑和植被的反射特性正好相反,紅光波段的DN 值最小,藍(lán)光波段的DN 值最大；植被在紅、綠、藍(lán)波段的DN 值均大于建筑陰影,小于其他非植被區(qū)的地物,并且植被不同于其他非植被地物,綠波的DN值最大.因此,僅利用紅光和藍(lán)光波段構(gòu)造的植被指數(shù)不易區(qū)分植被和非植被區(qū)域.

接下來(lái),本文選擇可見光波段差異植被指數(shù)VDVI 通過(guò)閾值選擇來(lái)區(qū)分植被和非植被區(qū)域,采用OTSU 二值化算法計(jì)算閾值[23].VDVI 借助歸一化植被指數(shù)DNVI 的方法來(lái)構(gòu)建,用綠光波段代替NDVI中的近紅外波段,以紅藍(lán)波段的均值代替NDVI 中的紅光波段,計(jì)算公式為

式（1）中：G 為地物綠光波段像素值,B 為地物藍(lán)光波段像素值,R 為地物紅色波段像素值.

然后選擇綠波歸一化植被指數(shù)GNVI 來(lái)區(qū)分植被區(qū)域中混雜的藍(lán)頂建筑和其他非植被區(qū)域,計(jì)算公式為

剔除藍(lán)頂建筑和其他非植被區(qū)域后得到研究區(qū)域的植被分布圖,最后利用公式（3）來(lái)計(jì)算研究區(qū)域的植被覆蓋率

式（3）中：VCR 為植被覆蓋率,Aveg為植被像元的面積,Atotal為區(qū)域內(nèi)像元總面積.

對(duì)于分類結(jié)果的精度驗(yàn)證,采用的方法是在分類結(jié)果圖中創(chuàng)建100 個(gè)隨機(jī)點(diǎn),通過(guò)無(wú)人機(jī)遙感影像的目視解譯,判別100 個(gè)隨機(jī)點(diǎn)落在植被區(qū)或非植被區(qū),從而驗(yàn)證分類結(jié)果的精度.精度驗(yàn)證符合要求后通過(guò)式（3）提取研究區(qū)域的植被覆蓋率.植被指數(shù)閾值二分法提取植被覆蓋率的工作流程如圖2 所示.

圖2 植被指數(shù)法提取植被覆蓋率流程Fig.2 Flowchart of vegetation coverage ratio extracted by vegetation index method

3.2 回歸模型法

首先在案例區(qū)隨機(jī)選擇40 個(gè)樣區(qū),每個(gè)樣區(qū)的大小為30 m*30 m.采用統(tǒng)計(jì)分析軟件的回歸分析方法, 分別以40 個(gè)研究樣區(qū)的可見光波段差異植被指數(shù)VDVI 和紅綠藍(lán)植被指數(shù)RGBRI 的平均值作為自變量,樣區(qū)的植被覆蓋率作為因變量,分別建立植被覆蓋率與VDVI 和RGBRI 兩種指數(shù)之間的指數(shù)、對(duì)數(shù)、二次多項(xiàng)式、三次多項(xiàng)式和乘冪回歸模型.以均方根誤差（Root Mean Square Error,RMSE）和決定系數(shù)（R2）作為衡量模型估測(cè)能力的指標(biāo),R2用來(lái)評(píng)估預(yù)測(cè)值和實(shí)際值的符合程度,RMSE 用以估計(jì)模擬值和實(shí)際之間的偏差,RMSE 數(shù)值越低,表明回歸模型精度越高,R2越接近于1,表示模型的參考價(jià)值越高[24].通過(guò)分析回歸模型的植被覆蓋率的估算精度,篩選出研究區(qū)域植被覆蓋率的最佳回歸模型,最后通過(guò)模型反演來(lái)獲取研究區(qū)域的植被覆蓋率.回歸模型法提取植被覆蓋率的工作流程如圖3 所示.

圖3 回歸模型法提取植被覆蓋率流程Fig.3 Flowchart of vegetation coverage extracted by v regression model

圖3 中,紅綠藍(lán)植被指數(shù)RGBRI 的計(jì)算公式為[13]

4 結(jié)果與分析

4.1 植被指數(shù)法提取植被覆蓋率結(jié)果與分析

4.1.1 閾值提取結(jié)果與分析 提取案例區(qū)的VDVI 分布圖如圖4 所示,采用OTSU 二值化算法計(jì)算閾值.

圖4 案例區(qū)可見光波段差異植被指數(shù)VDVI 和綠波歸一化植被指數(shù)GNVI 分布Fig.4 Distribution map of VDVI and GNVI in case area

由圖4 可知,植被的綠光波段比紅光和藍(lán)光波段的DN 值都高,通過(guò)GNVI 的計(jì)算剔除候選植被區(qū)域中“偽植被”,最終獲得研究區(qū)域的植被分布圖,結(jié)果如圖5 所示.

圖5 植被區(qū)與非植被區(qū)閾值分割及結(jié)果Fig.5 Threshold segmentation and results of vegetation area and non vegetation area

4.1.2 分類結(jié)果精度驗(yàn)證分析 本文從案例區(qū)的植被分布圖中隨機(jī)產(chǎn)生100 個(gè)點(diǎn)作為驗(yàn)證點(diǎn),隨機(jī)驗(yàn)證點(diǎn)的分布如圖6 所示.

圖6 分類結(jié)果精度驗(yàn)證中隨機(jī)點(diǎn)分布Fig.6 Distribution of random points in accuracy verification of classification results

以無(wú)人機(jī)可見光正射影像為底圖,通過(guò)目視解譯的方法判別100 個(gè)隨機(jī)點(diǎn)所在的像元類型是植被像元或非植被像元,作為100 個(gè)隨機(jī)點(diǎn)的布爾值（植被像元=1,非植被像元=0）,然后以植被分布圖為底圖來(lái)判別100 個(gè)隨機(jī)點(diǎn)落入植被區(qū)或非植被區(qū),以布爾值作為驗(yàn)證值（植被像元=1,非植被像元=0）,對(duì)比真值與驗(yàn)證值,得到誤差矩陣（表2）來(lái)驗(yàn)證分類結(jié)果的精度,誤差矩陣結(jié)果如表2 所示.經(jīng)計(jì)算,分類結(jié)果的Kappa 系數(shù)為0.978 4,總體分類精度為0.99.根據(jù)公式3,計(jì)算案例區(qū)的植被覆蓋率為41.6%.

表2 誤差矩陣Tab.2 Error matrix

4.2 回歸模型法提取植被覆蓋率結(jié)果與分析

根據(jù)基于40 個(gè)樣區(qū)的VDVI 和RGBRI 的平均值和通過(guò)人機(jī)交互方式獲得的40 個(gè)樣區(qū)的植被覆蓋率建立回歸模型,植被指數(shù)與覆蓋率反演模型及精度評(píng)價(jià)結(jié)果如表3 所示.

表3 植被指數(shù)與覆蓋率反演模型及精度評(píng)價(jià)對(duì)比Tab.3 Comparison of the inversion model and accuracy evaluation between VI and VCR

由表3 可知,在5 種植被覆蓋率回歸模型中,植被覆蓋率與RGBRI 的指數(shù)（R2=0.870 9）、對(duì)數(shù)（R2=0.929 8）、二次多項(xiàng)式（R2=0.932 5）、三次多項(xiàng)式（R2=0.933 1）、乘冪（R2=0.862 9）的決定系數(shù)（R2）均高于與VDVI 建立的回歸模型；植被覆蓋率與RGBRI 的指數(shù)、對(duì)數(shù)、二次多項(xiàng)式、三次多項(xiàng)式、乘冪模型的均方根誤差均高于與VDVI 建立的回歸模型,其中三次多項(xiàng)式回歸模型的RMSE 最小.植被指數(shù)（RGBRI、VDVI）與植被覆蓋率（VCR）的三次多項(xiàng)式回歸模型擬合曲線如圖7 所示.

圖7 植被指數(shù)與植被覆蓋率的三次多項(xiàng)式回歸模型擬合曲線Fig.7 Fitting curve of vegetation index and vegetation coverage with cubic polynomial regression model

由結(jié)果可知,基于RGBRI 的三次多項(xiàng)式模型精度最高,是反演研究區(qū)植被覆蓋率的最佳模型,模型構(gòu)建為

式（5）中：y 表示基于RGBRI 反演的植被覆蓋率, x 表示研究區(qū)域的RGBRI 的平均值.

最后,根據(jù)式（4）計(jì)算研究區(qū)域的紅綠藍(lán)植被指數(shù)RGBRI,然后求平均值,代入式（5）中,求得研究區(qū)域的植被覆蓋率為42.65%.

4.3 兩種方法結(jié)果比較與分析

植被指數(shù)法和回歸模型法得到的研究區(qū)的植被覆蓋率分別為41.60%和42.65%,兩種方法計(jì)算結(jié)果稍有差別,但從方法的誤差精度來(lái)看,植被指數(shù)法誤差矩陣的總精度（0.99）和Kappa 系數(shù)（0.978 4）、三次多項(xiàng)式回歸模型的相關(guān)系數(shù)R2（0.933 1）和RMSE（0.408 60）均滿足模型預(yù)測(cè)的精度要求.與地面實(shí)測(cè)方法相比,基于無(wú)人機(jī)可見光光譜的方法來(lái)估算農(nóng)村居民點(diǎn)的植被覆蓋率不失為更好的選擇.植被指數(shù)閾值二分法與回歸模型法的共同點(diǎn)體現(xiàn)在3 方面：①所需數(shù)據(jù)簡(jiǎn)單,均為無(wú)人機(jī)可見光遙感影像；②都需要選擇合適的植被指數(shù)；③均存在一定的誤差.不同之處在于：①選擇植被指數(shù)的目的不同.植被指數(shù)閾值二分法選擇合適的植被指數(shù)通過(guò)閾值劃分來(lái)區(qū)分植被和非植被區(qū)域, 而回歸模型法需要合適的植被指數(shù)構(gòu)建與植被覆蓋率之間的最佳反演模型,因此說(shuō),兩種方法中選擇植被指數(shù)的目的不同,選擇的植被指數(shù)也不盡相同.②誤差來(lái)源不同.植被指數(shù)法中植被與非植被區(qū)域的劃分精度直接取決于閾值的選擇,也就是說(shuō),閾值的選擇直接影響植被覆蓋率的計(jì)算結(jié)果；回歸模型法主要是用有限的樣本數(shù)據(jù)來(lái)預(yù)測(cè)全區(qū)的植被覆蓋率,樣本植被覆蓋率的計(jì)算精度、模型的選擇都會(huì)影響到模型預(yù)測(cè)結(jié)果的精度,而樣本植被覆蓋率的計(jì)算精度又受到目視解譯中植被與非植被的判別誤差的影響.因此,實(shí)踐中,可以選擇兩種方法估算結(jié)果的平均值作為最后的農(nóng)村居民點(diǎn)植被覆蓋率的估算結(jié)果,計(jì)算公式為

通過(guò)公式6 計(jì)算出本案例區(qū)的植被覆蓋率為42.13%.

5 結(jié)論與討論

5.1 結(jié)論

本文針對(duì)無(wú)人機(jī)可見光遙感影像的光譜特征,采用植被指數(shù)閾值二分法和回歸模型法對(duì)案例的植被覆蓋率進(jìn)行了估算,研究結(jié)果表明：

（1）可見光波段差異植被指數(shù)VDVI 在可見光遙感影像植被與非植被區(qū)域的初步分類中具有較好的效果,應(yīng)用綠波歸一化植被指數(shù)GNVI 能夠剔除植被區(qū)域中的“偽植被”,從而提高植被與非植被區(qū)域的分類精度.

（2）植被指數(shù)閾值二分法中植被區(qū)域和非植被區(qū)分類的Kappa 系數(shù)和總體分類精度分別為0.978 4和0.99,案例區(qū)植被覆蓋率估算結(jié)果為41.60%；植被覆蓋率與紅綠藍(lán)植被指數(shù)RGBRI 的三次多項(xiàng)式回歸模型的相關(guān)系數(shù)（R2）最大,均方根誤差（RMSE）最小,分別為0.933 1 和0.040 86,反演的案例區(qū)的植被覆蓋率為42.65%.兩種方法的精度均符合要求,表明本文采用的兩種方法在農(nóng)村居民點(diǎn)植被覆蓋率估算中均具有良好的效果.

5.2 討論

目前對(duì)植被覆蓋率估算方法的研究已經(jīng)較為成熟,但是基于無(wú)人機(jī)可見光的農(nóng)村居民點(diǎn)植被覆蓋率的研究還不多.無(wú)人機(jī)遙感影像數(shù)據(jù)獲取時(shí)間靈活、圖像空間分辨率高,相較于高分辨率的衛(wèi)星遙感影像,數(shù)據(jù)獲取成本低,避免了云層對(duì)圖像的影像,甚至可以在陰天進(jìn)行影像數(shù)據(jù)采集,在小尺度的植被覆蓋率估算方面有著無(wú)法比擬的優(yōu)勢(shì).雖然本研究進(jìn)一步證明了無(wú)人機(jī)可見光遙感影像在農(nóng)村居民點(diǎn)植被覆蓋率估算方面具有較好的可行性與準(zhǔn)確性,但由于選擇的案例區(qū)不同,區(qū)域內(nèi)的地物類型可能也不盡相同,所選擇的植被指數(shù)也可能會(huì)有所不同,因此,針對(duì)不同的案例區(qū)植被指數(shù)閾值二分法可能要選擇不同的植被指數(shù)以反映植被與非植被區(qū)域的差異.