陳平男 王瑞燕

(山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，山東 泰安 271017)

引言

植被覆蓋度(Fractional vegetation cover，F(xiàn)VC)是統(tǒng)計范圍內(nèi)植被(包括葉莖)垂直投影面積所占的百分比[1],是區(qū)域生態(tài)系統(tǒng)環(huán)境變化的重要指標(biāo),對水文、生態(tài)、區(qū)域變化和作物長勢監(jiān)測等都具有重要的意義[2-4]。植被覆蓋度的準(zhǔn)確獲取對土壤鹽漬化程度評價、改良等具有十分重要的作用。

目前植被覆蓋度的估算方法有地面測量法和遙感測量法2類，地面測量法包含目估法、采樣法、儀器法和照相法4種，這類方法估算精度高，但費時費力，無法估計大面積作物的植被覆蓋度。遙感技術(shù)的發(fā)展為大面積監(jiān)測作物植被覆蓋度提供了新的方向。遙感具有多光譜、多分辨率、多時相等特點[5]。遙感技術(shù)通過傳感器接收地面光譜信息來監(jiān)測植被，植被指數(shù)基于植被的典型光譜特征構(gòu)建，其中應(yīng)用最廣泛的為歸一化差值植被指數(shù)NDVI(Normalized Difference Vegetation Index)[6]。利用植被指數(shù)進(jìn)行植被覆蓋度估算的模型主要有閾值法和混合像元分解模型2類。閾值法通過合理設(shè)置合適的閾值區(qū)分地物；混合像元分解模型是對混合像元進(jìn)行“解混”，混合像元分解模型中最常用的模型是線性光譜混合模型[7]。

植被由于自身高度的遮擋、太陽高度角的存在和地形起伏等原因會產(chǎn)生陰影[8,9]，陰影使得植被的光譜發(fā)生變異，丟失了大量的光譜信息[10]。陰影區(qū)遙感圖像信息的丟失嚴(yán)重影響植被信息的監(jiān)測，大田農(nóng)作物生長到一定高度后，會存在明顯的陰影現(xiàn)象，整個群體的陰影面積相當(dāng)可觀，對植被覆蓋度估算的影響不容忽視。許多學(xué)者利用不同波段特性及波段運算方式，構(gòu)建了植被指數(shù)以增強植被信息達(dá)到陰影識別的目的[11]，包括植被區(qū)分陰影消除植被指數(shù)VDSEVI(vegetation distinguished and shadow eliminated vegetation index)[12]、陰影植被指數(shù)SVI(Shadow Vegetation Index)[14]和歸一化冠層陰影指數(shù)NDCSI(Normalized Difference Canopy Shadow Index)[13]等，這些植被指數(shù)可以有效去除遙感影像中的陰影，然而在基于遙感技術(shù)提取大田農(nóng)作物植被覆蓋度的研究中大多未考慮陰影影響。

衛(wèi)星遙感反演結(jié)果的精度驗證方法主要有2種：基于地面點位或樣方，這種驗證方法的局限性在于代表性足夠的站點有限，地面“點”與像元“面”之間的尺度差異,地面點觀測值不能完全代表像元尺度，并且費時費力；基于高分辨率衛(wèi)星數(shù)據(jù)，引入高分辨率衛(wèi)星數(shù)據(jù)作為橋梁從地表觀測尺度向中低分辨率像元進(jìn)行升尺度,該方法適用性更廣，但其空間和光譜分辨能力仍然與地面狀況有所差異，其數(shù)據(jù)本身的誤差,以及其與地面觀測、中低分辨率產(chǎn)品的互匹配都可能給驗證結(jié)果帶來不確定性。通常情況下，植被覆蓋度具有異質(zhì)性，這2種精度驗證方法并不適用。無人機技術(shù)具有靈活高效、快速響應(yīng)、實時性強、空間分辨率高等特點[15]，能有效銜接地面與衛(wèi)星數(shù)據(jù)，具有代替地面測量數(shù)據(jù)對衛(wèi)星反演結(jié)果進(jìn)行驗證的潛力[16]，但實踐效果有待檢驗。

針對使用遙感影像提取大田植被覆蓋度中存在的陰影影響以及無人機能否為衛(wèi)星遙感反演結(jié)果提供精度驗證數(shù)據(jù)的問題，本文以處于拔節(jié)期的冬小麥麥田為研究區(qū)，使用植被指數(shù)去除影像的陰影影響，用地面實測結(jié)果檢驗無人機數(shù)據(jù)作為精度驗證數(shù)據(jù)的可行性，用無人機提取值驗證衛(wèi)星數(shù)據(jù)提取值，對比NDVI、SVI、VDSEVI和NDCSI 4個植被指數(shù)在遙感影像中提取植被覆蓋度的精度。預(yù)期結(jié)果將為大田冬小麥的長勢監(jiān)測提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于山東省濱州市無棣縣“渤海糧倉”試驗示范基地，經(jīng)緯度范圍為N37°54′50″～37°56′34″，E117°54′29″～117°56′43″，位于華北平原，地勢平坦。該地為北溫帶東亞季風(fēng)區(qū)域大陸性氣候，具有春季干燥，夏季炎熱多雨，秋季涼爽，冬季寒冷季長的特點。試驗示范基地位于該縣東部，面積約為6.6hm2。研究區(qū)內(nèi)種植作物類型為冬小麥-玉米輪種，試驗時試驗田內(nèi)作物類型為冬小麥。試驗田各小區(qū)內(nèi)水肥等處理情況不同，各小區(qū)中冬小麥長勢不同。研究區(qū)內(nèi)規(guī)劃整齊，道路、排水溝等基礎(chǔ)設(shè)施齊備。研究區(qū)位置如圖1所示。

圖1 研究區(qū)和實地采樣樣方位置

1.2 數(shù)據(jù)獲取與預(yù)處理

1.2.1 地面數(shù)據(jù)

根據(jù)研究區(qū)內(nèi)冬小麥覆蓋的疏密程度，選擇84個采樣樣方進(jìn)行實地數(shù)據(jù)采集，樣方位置如圖1所示，這84個樣方能夠覆蓋不同程度的冬小麥覆蓋度情況。數(shù)據(jù)采集方式為照相法，使用RGB相機拍攝，拍攝時鏡頭方向垂直向下，拍攝高度1.2m，拍攝范圍約0.5m2。由于可見光照片的成像原理為中心投影，照片的邊緣會產(chǎn)生畸變現(xiàn)象，將采集到的照片進(jìn)行裁剪，只保留照片中央垂直拍攝的部分。使用任世龍等的方法[17]提取實地樣方的植被覆蓋度。

1.2.2 無人機多光譜數(shù)據(jù)

使用大疆無人機搭載sequoia多光譜相機進(jìn)行拍攝，sequoia多光譜相機含有以下4個波段：綠光波段(中心波長550nm，帶寬40nm)、紅光波段(中心波長660nm，帶寬40nm)、紅邊波段(中心波長735nm，帶寬10nm)和近紅外波段(中心波長790nm，帶寬40nm)。無人機圖像采集時間為2018年4月27日，以sequoia多光譜相機鏡頭垂直向下、航向及旁向重疊度為60.0%、飛行相對高度為50m的參數(shù)設(shè)置進(jìn)行數(shù)據(jù)采集。影像空間分辨率為0.05m。獲取數(shù)據(jù)后先在Pix4DMapper軟件中進(jìn)行影像拼接和輻射校正，然后在ENVI 5.3軟件中根據(jù)實地采集的控制點做幾何精校正，最后在ArcGIS 10.1軟件中裁剪掉影像邊緣變形的部分，得到研究區(qū)的無人機多光譜影像數(shù)據(jù)。

1.2.3 衛(wèi)星遙感數(shù)據(jù)

在光學(xué)衛(wèi)星數(shù)據(jù)中，Sentinel-2是唯一的紅邊范圍內(nèi)有3個波段的衛(wèi)星[18]。Sentinel-2衛(wèi)星影像數(shù)據(jù)從歐空局官網(wǎng)(https://scihub.copernicus.eu/dhus/#/home)獲得。傳感器為MSI，高度為786km，可覆蓋13個光譜波段，地面分辨率分別為10m(B2、B3、B4、B8波段)、20m(B5、B6、B7、B8A、B11、B12波段)和60m(B1、B9、B10波段)，幅寬達(dá)290km。成像時間為2018年4月20日02∶55∶51，云量為0，數(shù)據(jù)級別為Level-1C級。Sentinel-2衛(wèi)星影像數(shù)據(jù)預(yù)處理包含輻射校正和大氣校正(在Sen2cor軟件中輸入處理命令代碼完成)。將影像空間分辨率統(tǒng)一到20m，在SNAP軟件中完成。

1.3 試驗設(shè)計

1.3.1 植被覆蓋度提取方法

使用植被指數(shù)閾值法、像元二分模型與植被指數(shù)相結(jié)合2種方法提取無人機影像的植被覆蓋度，使用像元二分模型與植被指數(shù)相結(jié)合的方法提取Sentinel-2衛(wèi)星影像的植被覆蓋度。閾值法是根據(jù)影像中地物的光譜反射率規(guī)律差異，結(jié)合植被指數(shù)設(shè)置合理的閾值獲取植被覆蓋度的方法，首先設(shè)置一個基礎(chǔ)閾值，將根據(jù)該閾值得到的分類結(jié)果與原始影像進(jìn)行對比，根據(jù)原始影像調(diào)整閾值，使調(diào)整結(jié)果與影像地物類型最接近，根據(jù)此時的劃分結(jié)果對影像做二值化處理，提取影像的植被覆蓋度。像元二分模型[19]提出了一種利用遙感信息估算植被覆蓋度的思路，植被指數(shù)是一些比較成熟的波段組合，將像元二分模型與植被指數(shù)結(jié)合，公式：

(1)

式中，F(xiàn)VC為冬小麥覆蓋度；VI表示使用的植被指數(shù)(本文使用NDVI、SVI、VDSEVI和NDCSI 4個植被指數(shù))；VIveg表示純植被像元的植被指數(shù)值，試驗中選用統(tǒng)計直方圖中99.0%處的值；VIsoil表示純土壤像元的植被指數(shù)值，試驗中選用統(tǒng)計直方圖中1.0%處的值。

結(jié)合地物波段反射率差異、無人機傳感器參數(shù)設(shè)置和Sentinel-2衛(wèi)星傳感器參數(shù)設(shè)置，選擇SVI、VDSEVI、NDCSI 和NDVI 4個植被指數(shù)，4個植被指數(shù)的表達(dá)式：

(2)

SVI=NDVI×NIR

(3)

VDSEVI=NDVI+SVI

(4)

(5)

式中，NIR、R、RE分別代表遙感影像中近紅外波段、紅光波段和紅邊波段的波段反射率；REmax和REmin是影像中紅邊波段反射率的理論最大值和最小值。使用直方圖統(tǒng)計的特定范圍(1.0%～99.0%)處的值來確定REmax和REmin。

1.3.2 精度驗證

使用地面數(shù)據(jù)對無人機影像植被覆蓋度提取值進(jìn)行精度驗證，將每個實地采樣樣方對應(yīng)范圍的無人機植被覆蓋度提取均值，與地面真實值進(jìn)行精度驗證；使用精度最高的無人機提取結(jié)果對Sentinel-2提取結(jié)果進(jìn)行精度驗證，將每個衛(wèi)星像元對應(yīng)的無人機范圍內(nèi)植被覆蓋度取均值，與衛(wèi)星植被覆蓋度提取值進(jìn)行精度驗證。選擇平均絕對誤差MAE(Mean Absolute Error)和均方根誤差RMSE(Root Mean Squard Error)作為精度驗證指標(biāo)。MAE為絕對誤差的平均值，值越小表明預(yù)測值與真實值的距離越小，可以很好地反映預(yù)測值誤差的實際情況；RMSE是預(yù)測值和實際值之間的偏差的平方和與樣本量的比值的平方根，取值范圍為0～1，用于測量估計值和實際值之間的偏差，相比MAE而言，RMSE受異常值的影響更大,能夠很好地反映出估測的精度。

2 結(jié)果與分析

2.1 陰影條件下不同地物波段反射率差異

試驗田內(nèi)土地利用類型單一，大致分為植被、裸土和陰影3部分。在無人機影像中隨機選擇數(shù)個純土壤、純植被和純陰影區(qū)域，分別提取這3部分對應(yīng)的無人機4個波段的反射率均值。提取結(jié)果顯示土壤的波段反射率隨著波長的降低而緩慢升高；植被的波段反射率在綠光波段有一個小的反射峰，在紅光波段有一個吸收谷，然后從紅光波段開始反射率驟增，在紅邊和近紅外波段強烈反射；陰影的波段反射率在綠光波段的反射率稍低于植被區(qū)域，在紅光波段有一個吸收谷，波段反射率幾乎與植被區(qū)域一致，然后從紅光波段開始反射率驟增，波段信息也從此處開始損失，隨著波長的降低損失逐漸增大。

2.2 4個植被指數(shù)的對比

計算無人機影像NDVI、VDSEVI、SVI和NDCSI 4個植被指數(shù)值，結(jié)果如圖2所示(為顯示細(xì)節(jié)，展示了無人機影像中的一部分)，圖中亮色區(qū)域為植被，暗色區(qū)域為非植被。從圖2可以看出，NDVI在植被密集區(qū)域植被與非植被的區(qū)分效果不好，而VDSEVI、SVI和NDCSI由于對波段經(jīng)過進(jìn)一步處理，減少了陰影的干擾，植被信息與土壤信息在影像中的區(qū)分更加明顯。

統(tǒng)計無人機影像中4個植被指數(shù)值，統(tǒng)計結(jié)果見圖3。從圖3可以看出，SVI的值域最窄，VDSEVI的值域最寬，NDCSI的值域與NDVI相當(dāng)。除NDVI統(tǒng)計直方圖呈雙峰分布外，其余3個植被指數(shù)的統(tǒng)計直方圖均呈單峰分布，由于NDVI的飽和效應(yīng)，位于高植被覆蓋區(qū)的壟間土壤也被看作是植被，而使用SVI、VDSEVI和NDCSI指數(shù)后，將這部分中的陰影信息監(jiān)測并去除，不再呈現(xiàn)雙峰分布。

2.3 無人機數(shù)據(jù)提取植被覆蓋度

用閾值法和像元二分模型2種方法提取無人機影像的植被覆蓋度，具體參數(shù)設(shè)置如表1所示。提取每個地面樣方對應(yīng)范圍內(nèi)的無人機植被覆蓋度均值，與地面實測數(shù)據(jù)進(jìn)行比較，精度驗證結(jié)果如表2所示。從表2可以看出，像元二分模型方法的精度整體上要高于閾值法；從使用的植被指數(shù)看，提取精度由低到高均為NDVI

圖2 無人機影像NDVI、VDSEVI、SVI和NDCSI 4個植被指數(shù)的對比圖

圖3 無人機影像NDVI、VDSEVI、SVI和NDCSI 4個植被指數(shù)的統(tǒng)計圖

使用NDCSI指數(shù)與像元二分模型結(jié)合，植被覆蓋度提取精度最高，MAE為0.1064，RMSE為0.1341，無人機影像提取值與地面真實值吻合度高，驗證結(jié)果說明無人機提取值可以作為地面真實數(shù)據(jù)使用，為衛(wèi)星數(shù)據(jù)反演結(jié)果提供準(zhǔn)確的精度驗證數(shù)據(jù)。

表1 閾值法和像元二分模型方法中的參數(shù)設(shè)置

表2 無人機數(shù)據(jù)植被覆蓋度提取值精度驗證

把研究區(qū)無人機影像植被覆蓋度劃分為5個等級：Ⅰ級植被覆蓋度為0.75～1；Ⅱ級植被覆蓋度為0.50～0.75；Ⅲ級植被覆蓋度為0.25～0.50；Ⅳ級植被覆蓋度為0.10～0.25；Ⅴ級植被覆蓋度為0～0.10。將無人機植被覆蓋度提取結(jié)果分級顯示，提取結(jié)果如圖4所示。

圖4 無人機和植被覆蓋度提取結(jié)果

2.4 Sentinel-2衛(wèi)星數(shù)據(jù)提取植被覆蓋度

衛(wèi)星影像中不存在純像元，閾值法不再適用。將NDVI、VDSEVI、SVI和NDCSI 4個植被指數(shù)與像元二分模型結(jié)合提取Sentinel-2衛(wèi)星影像的植被覆蓋度。統(tǒng)計衛(wèi)星像元對應(yīng)空間的無人機植被覆蓋度均值，以此對衛(wèi)星數(shù)據(jù)植被覆蓋度提取結(jié)果進(jìn)行精度驗證，精度驗證結(jié)果如表3所示。從表3可以看出，提取效果最差的為使用VDSEVI指數(shù)，使用NDVI、SVI和NDCSI 3個指數(shù)的效果均比使用VDSEVI要好。提取精度最高的仍是使用NDCSI指數(shù)，與植被指數(shù)在無人機中的應(yīng)用結(jié)果不同的是，在無人機影像中，使用植被指數(shù)后的植被覆蓋度提取值均高于使用NDVI指數(shù)，而在衛(wèi)星影像中，使用NDVI的提取值精度僅次于NDCSI指數(shù)，比使用SVI和VDSEVI的指數(shù)提取精度都要高。

使用上述相同的分級方法，Sentinei-2影像的植被覆蓋度提取結(jié)果如圖5所示。

表3 衛(wèi)星數(shù)據(jù)植被覆蓋度提取值精度驗證

圖5 Sentinel-2衛(wèi)星影像植被覆蓋度提取結(jié)果

3 結(jié)論

無人機數(shù)據(jù)可以為衛(wèi)星數(shù)據(jù)反演結(jié)果提供精度驗證數(shù)據(jù)，使用地面實地采集數(shù)據(jù)對無人機的冬小麥植被覆蓋度提取結(jié)果進(jìn)行精度驗證，MAE達(dá)到0.1064，RMSE達(dá)到0.1341，具有較高的提取精度；植被指數(shù)與像元二分模型結(jié)合方法的提取精度比閾值法高；分別使用考慮混合像元的像元二分模型方法和不考慮混合像元的閾值法進(jìn)行試驗，結(jié)果表明，使用像元二分模型方法的提取精度整體上比閾值法的精度高；使用NDCSI植被指數(shù)提取冬小麥覆蓋度的效果最好，本文選擇的SVI、VDSEVI、NDCSI和NDVI 4個植被指數(shù)進(jìn)行植被覆蓋度的提取，在無人機數(shù)據(jù)和衛(wèi)星數(shù)據(jù)中，均為使用NDCSI植被指數(shù)的冬小麥覆蓋度提取精度最高。

4 討論

本文所用到的3個陰影植被指數(shù)均基于NDVI進(jìn)行構(gòu)建，SVI和VDSEVI用到了NDVI和紅光波段，NDCSI指數(shù)用到了NDVI和紅邊波段。本文使用與無人機紅邊波段范圍相近的B6紅邊波段，并將其應(yīng)用于植被覆蓋度的提取中，同樣取得了較高的實驗精度，這與李美炫等[11]的實驗結(jié)果相同。

在無人機影像中，使用SVI、VDSEVI和NDCSI的結(jié)果均比使用NDVI的精度要高，其中使用NDCSI的精度最高；在衛(wèi)星影像中，使用NDVI的精度雖比使用NDCSI低，但要比使用SVI和VDSEVI的精度要高，這或許與衛(wèi)星數(shù)據(jù)的尺度效應(yīng)有關(guān)，隨著空間分辨率的不斷提高，影像反映地物的細(xì)節(jié)更為突出，陰影的干擾強度亦不斷增強[20,21]，而隨著影像空間分辨率的降低，相當(dāng)于給像元做了“光譜平滑”處理，影像像元之間的光譜差異變小，地物內(nèi)部的均質(zhì)性升高。統(tǒng)計飛行區(qū)域內(nèi)SVI、VDSEVI、NDVI和NDCSI 4個指數(shù)的像元值范圍及變異系數(shù)，統(tǒng)計結(jié)果如表4所示，從表4可以看出，每個指數(shù)對應(yīng)的衛(wèi)星數(shù)據(jù)的變異系數(shù)均比無人機數(shù)據(jù)要小，說明Sentinel-2的植被指數(shù)值變異程度更小，陰影的干擾強度變?nèi)?。但根?jù)本文研究，衛(wèi)星影像中仍然存在陰影的影響，在提取植被覆蓋度時不能忽略。

表4 變異程度統(tǒng)計結(jié)果

本文試驗結(jié)果證明在無人機影像中閾值法精度不高，這與張森等[22]的研究不同，張森等的研究中使用1∶1000高分辨率航空DMC數(shù)字影像圖和監(jiān)督分類法這一不考慮混合像元的方法，提取昆明市二環(huán)以內(nèi)城市陰影區(qū)域綠色植被信息，取得不錯的效果。姜騰龍[23]等使用數(shù)據(jù)ETM+數(shù)據(jù)，利用各地物在波段4的光譜夾角值差異區(qū)分水體、植被及陰影信息，但缺陷在于無法提取陰影下的水體。蘇龍飛等[24]提出了一種面向?qū)ο笙陆Y(jié)合可見光植被指數(shù)、亮度信息、紋理方差信息建立知識規(guī)則的方法進(jìn)行植被信息提取，該研究提出陰影中植被信息對植被提取精度有一定影響，如何消除陰影進(jìn)而提取陰影區(qū)域的植被信息是下一步的研究重點，本文的研究即解決了該問題。

本文以地面樣方數(shù)據(jù)檢驗無人機植被覆蓋度提取值的準(zhǔn)確性，以無人機植被覆蓋度提取值檢驗衛(wèi)星植被覆蓋度提取值的準(zhǔn)確性。與傳統(tǒng)的布設(shè)與像元大小相同的樣方法[25]相比，省時省力，準(zhǔn)確度也更高。同時通過無人機數(shù)據(jù)把地面數(shù)據(jù)和衛(wèi)星數(shù)據(jù)銜接起來，實現(xiàn)由地面單點到無人機小區(qū)域到衛(wèi)星大區(qū)域的尺度擴展，對遙感反演植被覆蓋度產(chǎn)品的驗證及遙感與作物模型同化等都具有重要意義[26]。

本文研究區(qū)域內(nèi)作物類型單一，在別的農(nóng)作物種植地區(qū)以及農(nóng)作物種類復(fù)雜區(qū)域的使用效果未知，在應(yīng)用上還有賴于在不同地區(qū)做更多試驗和更深入的工作。