龔志遠 李雪梅 李秋萍 趙俊卓 李帆帆

龔志遠，李雪梅，李秋萍，等. 蘭州植物園植被春季物候無人機監(jiān)測［J］. 江蘇農業(yè)學報，2023，39（8）：1707-1712.

doi：10.3969/j.issn.1000-4440.2023.08.010

收稿日期：2022-09-01

基金項目：國家自然科學基金項目（41761014、41971094、42161025、42104096）；蘭州交通大學優(yōu)秀科研平臺（團隊）科學研究資助計劃項目（201806）

作者簡介：龔志遠（1996-），男，安徽合肥人，碩士研究生，主要從事城市生態(tài)遙感研究。（E-mail）1043287311@qq.com

通訊作者：李雪梅，（E-mail）lixuemei@lzjtu.edu.cn

摘要：針對衛(wèi)星遙感影像難以準確提取局部地區(qū)植被物候的問題，本研究以蘭州植物園草坪草、連翹、牡丹、黃刺玫和香莢蒾等5種植被為研究對象，基于多時相無人機影像，提出了一種局部地區(qū)植被春季物候期估算方法。首先利用無人機獲取的多時相蘭州植物園植被影像，分析各植被超綠指數（ExG）、超綠超紅差分指數（ExGR）、綠葉指數（GLI）和植被因子指數（VEG）等植被指數的時序變化特征，并進行一元三次多項式擬合，使用導數法提取各植被的發(fā)芽期、開花期、結果期等春季物候期，然后與人工觀測物候資料進行比較，明確不同植被指數下物候期的估算精度。結果表明：除草坪草的發(fā)芽期和結果期以及牡丹的發(fā)芽期，4種植被指數估算得到的物候期基本一致，但其和實際物候期均存在不同程度的誤差；發(fā)芽期估算誤差最大的是黃刺玫，平均提前27 d，最小的是香莢蒾，平均推遲8 d；開花期估算誤差較大的是草坪草和牡丹，平均誤差均在20 d以上，最小的是連翹和香莢蒾；結果期估算誤差最大的是香莢蒾，平均提前35 d，最小的是牡丹，平均提前5 d?；贓xG指數估算的開花期和結果期與實際觀測期一致性最好，均方根差分別為14.01 d和17.28 d，而VEG指數估算發(fā)芽期效果最好，均方根差為13.81 d。本研究基于無人機遙感影像數據篩選出植被春季物候期監(jiān)測適宜的植被指標，對局部地區(qū)植被物候監(jiān)測研究具有一定意義。

關鍵詞：植被物候；無人機；監(jiān)測；植被指數

中圖分類號：Q948.15????? 文獻標識碼：A????? 文章編號：1000-4440（2023）08-1707-06

Unmanned aerial vehicle （UAV） monitoring of spring vegetation phenology in Lanzhou Botanical Garden

GONG Zhi-yuan LI Xue-mei LI Qiu-ping ZHAO Jun-zhuo LI Fan-fan

（Faculty of Geomatics， Lanzhou Jiaotong University/Gansu Provincial Engineering Laboratory for National Geographic State Monitoring/National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring， Lanzhou 730070， China）

Abstract：Aiming at the problem that satellite remote sensing images are difficult to accurately extract vegetation phenology in local areas， this study took five vegetations such as lawn grasses， Forsythia suspensa， peony， Rosa xanthina and Viburnum sargentii in Lanzhou Botanical Garden as the research objects. Based on multi-temporal unmanned aerial vehicle （UAV） images， a method for estimating spring phenology of vegetation in local areas was proposed. Firstly， the multi-temporal vegetation images of Lanzhou Botanical Garden obtained by UAV were used to analyze the temporal variation characteristics of vegetation indices such as excess green index （ExG）， excess-green minus excess red index （ExGR）， green leaf index （GLI） and vegetative index （VEG）， and one-dimensional cubic fitting was performed. The derivative method was used to extract the spring phenological periods such as germination period， flowering period and fruiting period of each vegetation， and then compared with the artificial observation phenological data to clarify the estimation accuracy of phenological periods under different vegetation indices. The results showed that except for the germination and fruiting period of turfgrass and the germination period of peony， the phenological periods estimated by the four vegetation indices were basically the same， but there were different degrees of errors between them and the actual phenological periods. The largest estimation error of germination period was 27 days in advance for Rosa xanthina， and the smallest was Viburnum insignis， which was delayed by eight days. The error of flowering period estimation was larger in turfgrass and peony， and the average error was more than 20 days， and the smallest was Forsythia suspensa and Viburnum sargentii. The largest estimation error of fruiting period was Viburnum sargentii， with an average of 35 days in advance， and the smallest was peony， with an average of five days in advance. The flowering period and fruiting period estimated based on the ExG index had the best consistency with the actual observation period， and the root mean square errors were 14.01 d and 17.28 d， respectively. The VEG index had the best effect on estimating the germination period， and the root mean square error was 13.81 d. This study is based on UAV remote sensing image data to screen out suitable vegetation indicators for monitoring vegetation phenology in spring， which is of certain significance to the study of vegetation phenology monitoring in local areas.

Key words：vegetation phenology;unmanned aerial vehicle （UAV）；monitoring；vegetation index

植被是陸地生態(tài)系統(tǒng)重要組成部分，在區(qū)域碳循環(huán)、局部地區(qū)氣候調節(jié)中具有重要作用[1-2]。植被物候是植被生長過程中的重要指標，一方面體現(xiàn)植被的發(fā)育狀態(tài)，另一方面是評估植被生產力的關鍵因子。因此，植被物候的監(jiān)測有助于對植被生長狀態(tài)的掌握，為植被生長調控提供依據[3-4]。

目前，植被物候監(jiān)測通常有目視觀測、高空遙感監(jiān)測和近地面監(jiān)測等方法[5]。目視觀測法主要通過布設觀測網絡對植被物候期及生長參數進行人工獲取，如泛歐物候網絡（PEPN）[6]和美國國家物候網（NPN）[7]等。這種方法雖然簡單易行，但其獲取的數據代表性差、觀測成本高[8-9]。高空遙感監(jiān)測是利用衛(wèi)星遙感數據對地表植被物候期進行監(jiān)測。通常根據植被生長過程中植被指數的變化特征進行植被物候期的反演[10-12]。高空遙感監(jiān)測具有覆蓋面積廣，時間序列長等優(yōu)點[12]?；谛l(wèi)星遙感影像的植被物候監(jiān)測方法通常包括植被指數時間序列重建和植被物候參數提取兩個步驟。由于衛(wèi)星觀測角度、云、地形變化和幾何誤差等諸多因素會降低長時間序列數據質量，因此需要對原始時間序列數據重建[13-14]。重建的方法主要有擬合法和濾波法。擬合法是選取一個函數，通過最小二乘法逼近原時間序列，從而達到重建時間序列的目的；濾波法則是使用窗口平滑的方式去重建時間序列[15]。重建時間序列后，一般利用閾值法進行物候期的估算[16-17]。近地面觀測是基于無人機等平臺利用物候相機獲取植被圖像，進而進行物候期的估算[18]。與目視觀測和衛(wèi)星遙感監(jiān)測相比，近地面監(jiān)測可實現(xiàn)空間尺度和時間尺度的平衡[19]。同時，在近地面監(jiān)測中使用普通的數碼相機即可進行植被影像的獲取和物候分析[20]。

鑒于利用無人機監(jiān)測植被物候的研究相對較少，特別是季節(jié)尺度內的物候變化監(jiān)測。本研究選取蘭州植物園內草坪草、連翹、牡丹、黃刺玫和香莢蒾等5種植被為研究對象，在植被物候期人工觀測的同時，利用無人機獲取植物園高時空分辨率遙感影像，基于不同的植被指數，構建不同植被春季物候期（發(fā)芽期、開花期和結果期等）的估算方法，并對不同植被指數提取春季物候期的精度進行比較與分析，旨在為基于無人機的植被物候監(jiān)測提供技術支持。

1? 材料與方法

1.1? 研究區(qū)概況

蘭州植物園（103°42′42″E， 36°07′30″N）位于甘肅省蘭州市安寧區(qū)，占地面積0.369 km2，海拔高度1 500 m，年日照時數2 476.4 h，年平均氣溫8.9 ℃，年平均降水量349.9 mm，年蒸發(fā)量1 664 mm，年平均風速3.6 m/s。蘭州植物園屬溫帶大陸性氣候，四季分明。園內植被密集，物種豐富。研究區(qū)位置如圖1所示。

1.2? 數據獲取與研究方法

1.2.1? 地面監(jiān)測數據獲取及植物物候觀測??? 在植物園區(qū)內選取草坪草、連翹、牡丹、黃刺玫和香莢蒾等5種植被為監(jiān)測對象，每種植被的樣地約5～10 m2。從2021年3月1日至2021年7月6日進行植被物候監(jiān)測。在發(fā)芽和葉片展開的關鍵階段，每周觀察不低于3次，其他階段每周觀察不低于2次。記錄每個樣地內植被發(fā)芽、開花、結果等物候期，研究中分別以樣方內90%植株達到發(fā)芽狀態(tài)日期、90%花開放日期、90%花完全凋謝日期作為植被發(fā)芽期、開花期和結果期[18]。因草坪草沒有花期和結果期，研究中以草的高度達到3 cm和6 cm的日期作為草坪草開花期和結果期[21]。

1.2.2? 無人機遙感影像的采集和處理??? 研究中利用大疆Phantom 4 RTK無人機（深圳大疆科技創(chuàng)新有限公司產品）獲取蘭州植物園可見光遙感影像。從2021年3月1日至2021年7月6日，選擇光照條件合適的天氣（晴天或多云天）進行無人機航測。無人機參數設置為：飛行高度200 m，速度10 m/s，空間分辨率5.4 cm，航向重疊度80%，旁向重疊度70%，每次采集時間約16 min 40 s。影像采集時間間隔不超過7 d。植物園內布設8個地面控制點，用于無人機遙感影像的匹配?；诓杉臒o人機遙感影像制作數字正射影像圖（Digital orthophoto map， DOM），以純相元數據提取各植被類型的植被指數。

1.2.3? 植被指數的計算??? 目前已定義的植被指數超過40種，基于可見光波段可獲取的植被指數主要有超綠指數（ExG）、超綠超紅差分指數（ExGR）、綠葉指數（GLI）和植被因子指數（VEG）等4種，其算法如下[9]：

ExG=2g-r-b? （1）

ExGR=ExG-（1.4r-g）? （2）

GLI=? 2g-r-b? 2g+r+b??? （3）

VEG=? g? r0.667×b0.333??? （4）

式中r， g， b分別為無人機影像中紅、綠、藍3個波段的反射率。

為便于數據處理，研究中以日序（Day of year， DOY）表示日期，例如1月10日記為一年中的第10 d，簡記為10。

1.2.4? 物候期的估算及精度評估??? 研究中采用三次多項式對植被指數時間序列數據進行擬合，通過對三次多項式求取一階導數，解得一階導數為0所對應的時間分別為模擬發(fā)芽結束期和結果期，而一階導數取最大值時所對應的時間為模擬開花期[18]。再根據地面觀測得到的不同植被實際物候期，計算模擬物候期的均方根差（RMSE），RMSE的計算方法如下：

RMSE=??????? 1? n? ∑? n? i=1? （Xi-Yi）2??? （5）

式中，Xi，Yi分別代表植被物候期的實際值和模擬值，n為樣本數。

2? 結果與分析

2.1? 植被指數動態(tài)變化

3-7月是植被生長的旺盛期，不同植被的4個植被指數都呈現(xiàn)上升趨勢，如圖2所示。從圖中可以看出，草坪草植被指數是5種植被中增加速度最慢的，草地ExG和ExGR指數呈現(xiàn)緩慢的增加趨勢，遠低于其他植被的ExG和ExGR指數。連翹的4種植被指數在日序130 d （5月10日）左右時突然大幅度增加，而在日序150 d （5月30日）以后，指數波動不大。牡丹和香莢迷在日序150 d以后，4種植被指數均有下降的趨勢。

2.2? 物候期估算精度

根據植被指數擬合曲線得到不同植被的模擬物候期和地面實測物候期如表1所示。從表中可以看出，草坪草、黃刺玫、牡丹等植被4種植被指數估算得到的發(fā)芽期早于實際觀測期，而連翹、香莢蒾的估算發(fā)芽期遲于觀測期。黃刺玫的發(fā)芽期預測誤差最大，4種植被指數下，估算的發(fā)芽期平均提前27 d；而香莢蒾發(fā)芽期預測誤差最小，4種植被指數下，估算的發(fā)芽期平均推遲8 d。4種植被指數下，估算的連翹開花期遲于實際值，其他4種植物的開花期估算值均早于實際值。4種植被指數下，草坪草的開花期估算誤差最大，平均提前24 d，而連翹和香莢蒾的開花期估算誤差較小，連翹平均推遲3.75 d，香莢蒾平均提前3.75 d。4種植被指數下，5種植被的結果期估算值均早于實際值，其中香莢蒾結果期的估算誤差最大，4種植被指數下平均提前35 d，而牡丹的誤差最小，平均提前5 d。除草坪草的發(fā)芽期和結果期以及牡丹的發(fā)芽期外，4種植被指數對5種植被3個物候期的估算，比較一致。

不同植被指數下，4種植被關鍵物候期的模擬值均方根差（RMSE）如表2所示。從表中可以看出，4種植被指數下，3個物候期的RMSE一般為13～22 d。其中，結果期的RMSE最大，平均為20 d。4種植被指數下，開花期的RMSE最小。VEG指數下，估算的5種植被發(fā)芽期RMSE最小，即VEG指數適合5種植被發(fā)芽期的估算。同樣，ExG指數下，估算的5種植被結果期RMSE最小，即ExG指數適合5種植被結果期的估算。由于自然植被物候監(jiān)測中只要RMSE≤21 d就認為物候期監(jiān)測精度合格[18]，因此，本研究基于無人機遙感影像數據進行植被物候監(jiān)測的方案能滿足物候監(jiān)測需求。

3? 討論與結論

本研究基于2021年3月1日至2021年7月6日蘭州植物園5種植被物候期地面觀測數據和多時相無人機遙感影像，基于4種可見光波段的植被指數，提出了典型植被春季關鍵物候期估算方法，并分析了不同指標下的估算精度。結果表明，除草坪草的發(fā)芽期和結果期以及牡丹的發(fā)芽期，4種植被指數估算得到的物候期基本一致，但其和實際物候期存在不同程度的誤差?；贓xG指數估算的的開花期和結果期與實際觀測期一致性最好，而VEG指數估算發(fā)芽期的精度最好。

ExG、ExGR、GLI、VEG分別為超綠指數、超綠超紅差分指數、綠葉指數和植被因子指數估算的物候期；OBS為實際觀測的物候期。

21.61? ExG、ExGR、GLI、VEG分別為超綠指數、超綠超紅差分指數、綠葉指數和植被因子指數。

目前，植被物候監(jiān)測研究中大多使用中低分辨率衛(wèi)星影像數據，如Landsat， MODIS和AVHRR等，這些衛(wèi)星影像數據在研究較大空間尺度植被物候時具有一定優(yōu)勢，但是在研究小尺度植被物候時往往因遙感影像的分辨率過低導致研究結果精度不高。無人機能提供厘米級的遙感數據，因而其在小尺度植被物候監(jiān)測中越來越受到重視。本研究基于無人機監(jiān)測得到的可見光影像數據構建超綠指數、超綠超紅差分指數、綠葉指數和植被因子指數，提出了一種季節(jié)內群落尺度植被物候的研究方法。雖然估算得到的物候期RMSE相對較大，但基本符合自然植被物候監(jiān)測的精度要求。當然如何進一步優(yōu)化算法提高模型估算精度還有待進一步研究。本研究還發(fā)現(xiàn)4種植被指數對不同植被、不同物候期的估算精度存在較大的差異，因此在實際工作中可針對具體植被和物候期，選擇不同的植被指數來進行分析，以期得到更高的估算精度。

目前無人機在小范圍植被甚至單個植株的物候監(jiān)測中具有較高的優(yōu)勢，但大范圍植被的物候監(jiān)測才更符合區(qū)域尺度植被生產力估算的需要，相信在未來隨著民用無人機技術的發(fā)展以及新能源技術在無人機領域的應用，利用無人機對區(qū)域尺度植被物候監(jiān)測能夠實現(xiàn)。

參考文獻：

[1]? 杜培軍. 城市遙感的研究動態(tài)與發(fā)展趨勢：“城市遙感”專欄導讀[J]. 地理與地理信息科學，2018，34（3）：1-4.

[2]皮新宇，曾永年，賀城墻. 融合多源遙感數據的高分辨率城市植被覆蓋度估算[J]. 遙感學報，2021，25（6）：1216-1226.

[3]吉珍霞，侯青青，裴婷婷，等. 黃土高原植被物候對季節(jié)性干旱的敏感性響應[J]. 干旱區(qū)地理，2022，45（2）：557-565.

[4]韓寶龍，束承繼，蔡文博，等. 植被群落特征對城市生態(tài)系統(tǒng)服務的影響研究進展[J]. 生態(tài)學報，2021，41（24）：9978-9989.

[5]ZENG L， WARDLOW B D， XIANG D， et al. A review of vegetation phenological metrics extraction using time-series， multispectral satellite data[J]. Remote Sensing of Environment，2019，237：111511.

[6]TEMPL B， KOCH E， BOLMGREN K， et al. Pan european phenological database （PEP725）： a single point of access for European data[J]. Journal of Neurosurgical Sciences，2018，62：1109-1113.

[7]MAYER A. Phenology and citizen science： Volunteers have documented seasonal events for more than a century， and scientific studies are benefiting from the data[J]. Bioscience，2010，60（3）：172-175.

[8]竺可楨，宛敏渭. 物候學[M]. 長沙： 湖南教育出版社，1999.

[9]尹林江，周忠發(fā)，李韶慧，等. 基于無人機可見光影像對喀斯特地區(qū)植被信息提取與覆蓋度研究[J]. 草地學報，2020，28（6）：1664-1672.

[10]ZHANG X， FRIEDL M A， SCHAAF C B. Global vegetation phenology from moderate resolution imaging spectroradiometer （MODIS）： Evaluation of global patterns and comparison with in situ measurements[J]. Journal of Geophysical Research Biogeosciences，2015，111（G4）：367-375.

[11]項銘濤，衛(wèi)? 煒，吳文斌. 植被物候參數遙感提取研究進展評述[J]. 中國農業(yè)信息，2018，30（1）：55-66.

[12]邵亞婷，王卷樂，嚴欣榮. 蒙古國植被物候特征及其對地理要素的響應[J]. 地理研究，2021，40（11）：3029-3045.

[13]ZHANG X. Reconstruction of a complete global time series of daily vegetation index trajectory from long-term AVHRR data[J]. Remote Sensing of Environment，2015，156：457-472.

[14]元志輝，薩楚拉，銀? 山. 基于MODIS植被指數的渾善達克沙地植被物候變化[J]. 中國環(huán)境科學，2021，41（11）：5254-5263.

[15]王敏鈺，羅? 毅，張正陽，等. 植被物候參數遙感提取與驗證方法研究進展[J]. 遙感學報，2022，26（3）：431-455.

[16]吳文斌，楊? 鵬，唐華俊，等. 基于NDVI數據的華北地區(qū)耕地物候空間格局[J]. 中國農業(yè)科學，2009，42（2）：552-560.

[17]WHITE M A， THORNTON P E， RUNNING S W. A continental phenology model for monitoring vegetation responses to interannual climatic variability[J]. Global Biogeochemical Cycles，1997， 11（2）：217-234.

[18]BERRA E F， GAULTON R， BARR S. Assessing spring phenology of a temperate woodland： A multiscale comparison of ground， unmanned aerial vehicle and Landsat satellite observations[J]. Remote Sensing of Environment，2019，223：229-242.

[19]VRIELING A， MERONI M， DARVISHZADEH R， et al. Vegetation phenology from Sentinel-2 and field cameras for a Dutch barrier island[J]. Remote Sensing of Environment，2018，215：517-529.

[20]WINGATE L. Interpreting canopy development and physiology using a European phenology camera network at flux sites[J]. Biogeosciences，2015，12（10）：7979-8034.

[21]楊曉淵，馬? 麗，張中華，等. 高寒草甸植物群落生長發(fā)育特征與氣候因子的關系[J]. 生態(tài)學報，2021，41（9）：3689-3700.

（責任編輯：石春林）