趙健赟，丁圓圓，杜 梅，劉文惠，朱海麗,2，李國榮,2，楊 靜

(1.青海大學地質(zhì)工程系，西寧 810016；2.青藏高原北緣新生代資源環(huán)境重點實驗室，西寧 810016；3.青海省剛察縣氣象站，剛察 812300)

青藏高原是“世界第三極”，具有高寒、高海拔氣候環(huán)境，其陸地生態(tài)系統(tǒng)具有獨特性、脆弱性等特征，它是歐亞大陸草地的重要組成部分，也是中國五大草地畜牧業(yè)基地之一[1]。20世紀70年代起，在過度放牧、鼠兔干擾、氣候變化等自然和人為因素的共同作用下，高寒草地呈現(xiàn)出明顯的退化趨勢，覆蓋度降低是草地植被退化的重要標志之一[2-3]。同時，植被覆蓋度是國家實施地理國情監(jiān)測戰(zhàn)略的重要監(jiān)測內(nèi)容，也是水土流失的主要影響因子和水土保持監(jiān)測的重要區(qū)域環(huán)境因子[4]。

草地植被覆蓋度(fractional vegetation cover，F(xiàn)VC)是指草地樣方中全部植物個體的葉、莖等地上部分垂直投影比例，是反映草地植被生長狀況和環(huán)境質(zhì)量的重要參數(shù)，也是氣候、生態(tài)、水文模型中的核心輸入?yún)?shù)[5]，可以通過目測法、照相法、遙感解譯等多種方法進行測量[6]。趙增秀等[7]利用數(shù)碼相機提取了FVC，發(fā)現(xiàn)基于近紅外相機的草地覆蓋度估測系統(tǒng)具有更高的精度；胡健波等[8]研究發(fā)現(xiàn)半自動閾值法提取數(shù)碼相片草地覆蓋度的準確度堪比最大似然法，且不存在低覆蓋率高估問題，人工干預(yù)少，計算結(jié)果準確客觀，有較強的適用性強，但對綠色特征不明顯的植物效果不佳；蔡棟等[9]基于多源遙感數(shù)據(jù)開展FVC的估算，發(fā)現(xiàn)乘冪模型對以像元二分法計算的FVC校正效果最佳，對數(shù)模型對以二分法計算的FVC校正效果最佳。盡管Landsat等地球觀測衛(wèi)星系統(tǒng)、以及甚高分辨率掃描輻射計(advanced very high resolution radiometer，AVHRR)、中分辨率成像光譜儀(moderate resolution imaging spectroradiometer，MODIS)等遙感數(shù)據(jù)能夠較好地解決大面積區(qū)域FVC反演問題，但在高原高寒地區(qū)也客觀存在數(shù)據(jù)質(zhì)量不佳、數(shù)量源受限與反演結(jié)果不確定等問題。因此，如何基于遙感數(shù)據(jù)進行極端環(huán)境下植被覆蓋度的反演，已經(jīng)成為區(qū)域環(huán)境監(jiān)測等領(lǐng)域的熱點問題之一。

為此，利用低空無人機(unmanned aerial vehicle，UAV)可見光遙感開展高寒FVC反演，一方面能夠為區(qū)域地表覆蓋度反演提供真實性檢驗與驗證的基礎(chǔ)資料，另一方面也具有較高的作業(yè)效率和較低的野外工作成本。擬利用UAV、統(tǒng)計建模和機器學習方法開展高寒FVC的測量與估算，為高原復雜環(huán)境下生態(tài)環(huán)境質(zhì)量調(diào)查與評估提供參考。

1 實驗區(qū)概況

實驗區(qū)處于黃河源地區(qū)，位于青海省東南部河南蒙古族自治縣境內(nèi)，九曲黃河第一右旋彎曲部南端，地理位置如圖1所示。該地區(qū)地勢東北高、西南低，海拔3 600 m以上，屬典型的淺切割高山區(qū)，高原大陸性氣候特點明顯，5—10月份溫暖、多雨，11月至次年4月份寒冷、干燥、多大風天氣，年均氣溫約為10.4 ℃，年降水量約600 mm，年均蒸發(fā)量約1 340 mm，境內(nèi)有天然草場約9 800萬畝(1畝=666.67 m2)，是青藏高原東部著名的天然優(yōu)質(zhì)草場之一[10]。

圖1 實驗區(qū)地理位置

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源

利用大疆精靈Phantom 4 Pro V2.0型無人機，于2018年7月在實驗區(qū)采集地表覆蓋數(shù)據(jù)，設(shè)置航飛高度為120 m，航向/旁向重疊率為75/65%，飛行速度為9.5 m/s，地面采樣距離(ground sample distance，GSD)為3.28 cm/pixel，經(jīng)由大疆智圖平臺完成圖像拼接，獲得實驗區(qū)約3 km2的數(shù)字正射模型(digital orthographic model，DOM)影像數(shù)據(jù)，如圖2所示。

圖2 實驗區(qū)低空無人機影像

2.2 研究方法

研究采用的技術(shù)流程如圖3所示。首先，在獲取的實驗區(qū)低空無人機影像上隨機選擇141個25 m×25 m的樣方，利用人工目視解譯的方法獲得每個樣方的FVC值，由于空間分辨率高達3.28 cm，由此解譯的結(jié)果可以視為真值。同時，將樣方空間分辨率重采樣至25 m，計算各個樣方的歸一化差異指數(shù)(normalized difference index，NDI)、過綠指數(shù)(excess green，EXG)、可見光波段差異植被指數(shù)(visible-band difference vegetation index，VDVI)和紅綠藍比值植被指數(shù)(red-green-blue rate index，RGBRI)[11],計算公式分別為

圖3 研究采用的技術(shù)路線圖

NDI=(G-R)/(G+R)

(1)

EXG=2G-R-B

(2)

VDVI=(2G-R-B)/(2G+R+B)

(3)

RGBRI=(R+B)/2G

(4)

式中：R、G、B分別為無人機影像紅、綠、藍波段的像元值。

然后，將141個樣方隨機分為訓練組和檢驗組，其中訓練組含100樣方，檢驗組含41個樣方，并利用線性模型、指數(shù)模型、對數(shù)模型、冪指數(shù)模型、Logistic模型和Gamma模型分別對樣方覆蓋度數(shù)據(jù)和可見光指標指數(shù)進行相關(guān)性分析與統(tǒng)計建模。同時，對樣方R、G、B均值和對應(yīng)的FVC建立反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)模型，并利用Levenberg-Marquardt(L-M)算法進行學習。L-M算法是梯度法與高斯-牛頓法的結(jié)合，同時具備局部收斂性和全局收斂性。原理如下：假設(shè)xk為第k次迭代的神經(jīng)網(wǎng)絡(luò)權(quán)值向量，新的權(quán)值向量xk+1為

xk+1=xk+Δx

(5)

式(5)中：Δx為相鄰權(quán)值向量的迭代值，計算規(guī)則為

Δx=-[JT(x)J(x)+μI]-1J(x)e(x)

(6)

式(6)中：I為單位矩陣；μ為常量系數(shù)；e(x)為誤差；J(x)為Jacobian矩陣，可表示為

(7)

式(7)中：e1,e2,…,en為迭代向量的殘差。

在學習過程中，設(shè)定訓練最大次數(shù)為5 000，誤差為0.000 1，使用S型傳輸函數(shù)。

基于以上建立的統(tǒng)計分析模型和機器學習模型，采用均方根誤差(RMSE)、估算精度(AC)和相對偏差(RD)來評價各方法的精度，計算公式為

(8)

(9)

(10)

最后，利用建立的最優(yōu)FVC反演模型對實驗區(qū)低空無人機遙感影像的草地植被覆蓋度FVC進行反演和分析。

3 結(jié)果與分析

利用式(1)～式(4)計算所有樣方的EXG、NDI、RGBRI和VDVI指數(shù)，并與FVC真值進行相關(guān)性分析，結(jié)果如表1所示。

表1 可見光植被指數(shù)與FVC的相關(guān)性

由相關(guān)性分析結(jié)果可知，各個指數(shù)與FVC的相關(guān)性均大于0.6，除了RGBRI與FVC為負相關(guān)外，其余指數(shù)均與FVC存在顯著的正相關(guān)關(guān)系，其中EXG指數(shù)與FVC具有最高的相關(guān)性。因此，對100個訓練樣方利用FVC真值FVC與EXG指數(shù)建立指數(shù)、對數(shù)、logistic、gamma等統(tǒng)計模型，結(jié)果如圖4、表2所示。

圖4 EXG與FVC的統(tǒng)計模型

表2 FVC統(tǒng)計模型信息

基于FVC訓練組數(shù)據(jù)建立機器學習模型，該模型是含有2個隱含層、10個節(jié)點的BP神經(jīng)網(wǎng)絡(luò)模型，對訓練樣方R、G、B均值和對應(yīng)的FVC利用L-M算法對網(wǎng)絡(luò)進行學習；同時，基于41個檢驗組FVC真實數(shù)據(jù)對建立的統(tǒng)計模型和機器學習模型進行精度檢驗，利用式(8)～式(10)分別計算各個模型的均方根誤差RMSE、估算精度AC和相對偏差RD值，結(jié)果如表3所示。

由表3可以看出，統(tǒng)計分析模型中對數(shù)模型的均方根誤差RMSE、估算精度AC和相對偏差RD指標均優(yōu)于線性模型、指數(shù)模型、冪指數(shù)等其它統(tǒng)計模型，而機器學習模型的RMSE、AC和RD指標精度又顯著優(yōu)于對數(shù)模型。因此，可以利用上述L-M算法建立的機器學習模型，對實驗區(qū)獲取的無人機可見光影像進行反演，獲得實驗區(qū)FVC數(shù)據(jù)，結(jié)果如圖5所示。

圖5 實驗區(qū)FVC反演結(jié)果

表3 統(tǒng)計模型與機器學習模型精度檢驗

根據(jù)上述反演結(jié)果可以發(fā)現(xiàn)，實驗區(qū)FVC低值主要分布在未利用荒地、建筑用地和河岸沙灘地，而

FVC高值主要分布在小灌叢覆蓋和未退化草甸覆蓋區(qū)，結(jié)果與實驗區(qū)實地調(diào)查情況吻合。

4 討論

劉艷慧等[12]分析了無人機大樣方估算FVC的可行性，結(jié)果發(fā)現(xiàn)通過綠植被指數(shù)EXG估算無人機大樣方FVC的精度較高，與本研究獲得的結(jié)果一致；高永平等[13]研究表明，可見光波段差異植被指數(shù)VDVI反演FVC精度最好，這與本研究獲得的FVC與過綠指數(shù)EXG具有最高的相關(guān)性結(jié)果不一致，本研究的實驗區(qū)地處黃河源腹地，主要針對高寒草地的FVC，與其針對的騰格里荒漠地帶存在顯著的地理差異。因此，利用無人機可見光開展FVC反演，需要充分考慮地域間的分異特征。

目前，對于FVC估算與反演問題，樣方尺度上主要采用照相法直接估算，尺度難以拓展且效率較低；大面積區(qū)域尺度上一般通過遙感影像進行FVC反演，但地面驗證和真實性檢驗一直是其瓶頸問題。本文提出的基于低空無人機可見光遙感技術(shù)在樣方、樣地和小區(qū)域尺度上的FVC反演中具有較強的可靠性、適用性和較高的生產(chǎn)效率。而針對可見光影像FVC方面的研究，大多是構(gòu)建VDVI、EXG等可見光植被指數(shù)后，再利用統(tǒng)計建模的方法進行覆蓋度反演，各個模型精度差異較大，而對數(shù)、gamma和多項式模型一般具有較好的精度[14-15]。在開展統(tǒng)計建模的基礎(chǔ)上，將無人機遙感與機器學習應(yīng)用于可見光高寒草地FVC反演中，各項精度指標均顯著優(yōu)于統(tǒng)計模型(圖6)，具有一定的創(chuàng)新，且表現(xiàn)出明顯的技術(shù)優(yōu)勢。但是，研究涉及的實驗區(qū)在黃河源區(qū)較為集中，下一步將在黃河源其他高寒草地覆蓋區(qū)開展進一步驗證，并基于覆蓋度反演結(jié)果進行高寒草地退化與生態(tài)環(huán)境質(zhì)量評價方面的工作。同時，將結(jié)合Landsat、高分系列等衛(wèi)星影像數(shù)據(jù)，開展對應(yīng)植被覆蓋產(chǎn)品在高寒地區(qū)的真實性檢驗與驗證。

圖6 機器學習與統(tǒng)計模型的精度比較

5 結(jié)論

針對高寒草地生態(tài)環(huán)境質(zhì)量調(diào)查與實驗過程中大面積FVC測量問題，在黃河源地區(qū)利用UAV遙感技術(shù)、統(tǒng)計建模與機器學習方法，開展了基于可見光影像數(shù)據(jù)的高寒FVC反演、精度驗證等方面的研究，得出以下主要結(jié)論。

(1)基于可見光紅、綠、藍波段值構(gòu)建的NDI、EXG、VDVI、RGBRI指數(shù)中，過綠指數(shù)EXG與FVC具有最高的相關(guān)性，其相關(guān)系數(shù)比RGBRI略高，比NDI高出近5.2%，表明利用EXG開展FVC反演具有較高的可靠性。

(2)利用EXG指數(shù)建立與高寒草地FVC間的線性、指數(shù)、對數(shù)、冪指數(shù)、Logistic和Gamma等統(tǒng)計模型中，對數(shù)模型的驗證精度最高，其次為Gamma模型，冪指數(shù)和指數(shù)模型精度欠佳，且發(fā)現(xiàn)建立統(tǒng)計模型時存在顯著的地域分異特性。

(3)直接利用可見光紅、綠、藍波段值所建立的機器學習模型，檢驗獲得的均方根誤差、估算精度、相對偏差和決定系數(shù)比對數(shù)模型分別提高2.68%、3.75%、7.35%和13.91%，顯著優(yōu)于各個統(tǒng)計模型。機器學習技術(shù)優(yōu)勢明顯，且不需要預(yù)先構(gòu)建可見光植被指數(shù)模型，通過對樣方的學習后即可實現(xiàn)對大面積FVC的反演，成本、效率和精度均優(yōu)于地面測量和衛(wèi)星遙感數(shù)據(jù)反演獲得的結(jié)果。