陳平男,王瑞燕,劉洪義,王莉,嚴(yán)向軍,尹濤

（1.山東農(nóng)業(yè)大學(xué) 資源與環(huán)境學(xué)院,山東 泰安 271017;2.德州市自然資源局,山東 德州 253076;3.日照市自然資源局,山東 日照 276827;4.湖北省地質(zhì)局,湖北 武漢 430058;5.嘉祥縣第一中學(xué),山東 濟(jì)寧 272400）

植被覆蓋度（Fractional vegetation cover,FVC）是區(qū)域生態(tài)系統(tǒng)環(huán)境變化的重要指標(biāo),對(duì)水文、生態(tài)和區(qū)域變化以及鹽堿土改良等都具有重要的意義[1-4].目前植被覆蓋度的估算方法有地面實(shí)測(cè)法和遙感監(jiān)測(cè)法兩類.地面實(shí)測(cè)法獲取的多是點(diǎn)上的植被覆蓋度,無法在宏觀大尺度上進(jìn)行測(cè)量[5-6].遙感具有宏觀性和實(shí)時(shí)性,為大范圍地區(qū)的作物動(dòng)態(tài)監(jiān)測(cè)給出了新的發(fā)展方向[2].目前用于植被覆蓋度估算的遙感數(shù)據(jù)眾多,光學(xué)遙感數(shù)據(jù)中具有代表性的為L(zhǎng)andsat8/OLI 衛(wèi)星數(shù)據(jù),Landsat8/OLI 衛(wèi)星數(shù)據(jù)具有數(shù)據(jù)免費(fèi)、時(shí)空連續(xù)性強(qiáng)等優(yōu)點(diǎn),是植被監(jiān)測(cè)最常用的數(shù)據(jù)[7];微波遙感數(shù)據(jù)中具有代表性的為Sentinel-1 衛(wèi)星數(shù)據(jù),廣泛應(yīng)用于估測(cè)森林生物量、植被識(shí)別提取等應(yīng)用中[8].但目前還沒有植被覆蓋度的研究對(duì)這2 類數(shù)據(jù)進(jìn)行比較和選擇.

衛(wèi)星遙感植被覆蓋度估算結(jié)果需要高精度的觀測(cè)數(shù)據(jù)驗(yàn)證.近年來,隨著無人機(jī)遙感技術(shù)的不斷成熟,加之無人機(jī)響應(yīng)快、周期短、分辨率高、易操作、成本低等特點(diǎn),廣泛應(yīng)用于植被測(cè)繪和監(jiān)測(cè)領(lǐng)域[9-11],無人機(jī)可獲得高空間分辨率的影像,可以建立地面測(cè)量數(shù)據(jù)和衛(wèi)星反演結(jié)果之間的關(guān)系[6],以無人機(jī)影像的提取值作為真實(shí)值進(jìn)行精度驗(yàn)證.由于無人機(jī)影像分辨率高,許多研究中沒有考慮到混合像元的影響,提取植被覆蓋度時(shí)直接將無人機(jī)像元進(jìn)行整體分類,而理論上無人機(jī)影像中存在混合像元,精度驗(yàn)證要求盡可能提高真實(shí)值的準(zhǔn)確性,無人機(jī)影像中是否存在混合像元,如果存在混合像元,它對(duì)精度驗(yàn)證是否有影響、影響有多大等問題需要進(jìn)行研究.

本文選擇拔節(jié)期冬小麥作為研究對(duì)象,使用光學(xué)衛(wèi)星遙感數(shù)據(jù)Landsat8/OLI 和微波衛(wèi)星遙感數(shù)據(jù)Sentinel-1 進(jìn)行植被覆蓋度的估算,以無人機(jī)估算值進(jìn)行精度驗(yàn)證,對(duì)二者的估算結(jié)果進(jìn)行對(duì)比,以此探討無人機(jī)影像的混合像元對(duì)植被覆蓋度估測(cè)的影響, 以及選擇合適的衛(wèi)星遙感數(shù)據(jù)源提取鹽漬土地區(qū)麥田植被覆蓋度.

1 研究區(qū)概況與數(shù)據(jù)來源

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(yàn)田,經(jīng)緯度范圍為（37°54′50″-37°56′34″N,117°54′29″-117°56′43″E）,位于華北平原,地勢(shì)平坦,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(zhǎng)的特點(diǎn).實(shí)驗(yàn)時(shí)試驗(yàn)田內(nèi)作物類型為小麥.試驗(yàn)田各小區(qū)內(nèi)水肥等處理情況不同,各小區(qū)中小麥長(zhǎng)勢(shì)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)地理位置如圖1 所示.

圖1 研究區(qū)地理位置Fig.1 Geographical location of the study area

1.2 數(shù)據(jù)獲取與預(yù)處理

1.2.1 地面實(shí)測(cè)數(shù)據(jù)獲取及預(yù)處理 根據(jù)植被覆蓋的疏密程度,在研究區(qū)域內(nèi)選擇84 個(gè)采樣樣方進(jìn)行實(shí)地植被覆蓋度采集,樣方位置如圖1 所示.數(shù)據(jù)采集方式為照相法,使用RGB 相機(jī)拍攝,拍攝時(shí)鏡頭方向垂直向下,拍攝高度1.2 m,拍攝范圍約0.5 m2.由于可見光照片的成像原理為中心投影,照片的邊緣會(huì)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.同時(shí)使用鹽分計(jì)測(cè)量每個(gè)采樣樣方中心點(diǎn)位土壤含鹽量.采用任世龍等從照片中提取植被覆蓋度的方法提取實(shí)地測(cè)量的植被覆蓋度[12].

1.2.2 衛(wèi)星遙感數(shù)據(jù)獲取及預(yù)處理 本文使用Landsat8/OLI 光學(xué)衛(wèi)星遙感影像數(shù)據(jù)和Sentinel-1 微波衛(wèi)星遙感影像.landsat8/OLI 影像數(shù)據(jù)從地理空間數(shù)據(jù)云（http：//www.gscloud.cn）獲取,條帶號(hào)為122,行編號(hào)為34,影像獲取時(shí)間為2018 年5 月3 日,影像中心經(jīng)度117.34996°,中心緯度37.474 25°,平均云量0.05,影像空間分辨率30 m.Sentinel-1 影像數(shù)據(jù)從歐洲航天局官網(wǎng)（https：//scihub.copernicus.eu/dhus/#/home)獲得,Sentinel-1 微波衛(wèi)星遙感影像為干涉寬幅模式（IW）的Level-1 級(jí)GRD 格式,成像時(shí)間為2018 年4月27 日.Sentinel-1 影像預(yù)處理主要包括輻射校正、噪聲處理以及幾何校正等,在SNAP 軟件中完成.處理后影像空間分辨率10 m.

1.2.3 無人機(jī)數(shù)據(jù)獲取及預(yù)處理 使用大疆無人機(jī)搭載sequoia 多光譜相機(jī)進(jìn)行拍攝,sequoia 多光譜相機(jī)含有以下4 個(gè)波段：綠光波段（中心波長(zhǎng)550 nm,帶寬40 nm）、紅光波段（中心波長(zhǎng)660 nm,帶寬40 nm）、紅邊波段（中心波長(zhǎng)735 nm,帶寬10 nm）和近紅外波段（中心波長(zhǎng)790 nm,帶寬40 nm）.無人機(jī)圖像采集時(shí)間為2018 年4 月27 號(hào),以sequoia 多光譜相機(jī)鏡頭垂直向下、航向及旁向重疊度為60%、飛行相對(duì)高度為50 m 的參數(shù)設(shè)置進(jìn)行數(shù)據(jù)采集.影像地面分辨率為0.05 m.無人機(jī)的預(yù)處理包括對(duì)影像拼接、輻射校正、幾何精校正、圖像裁剪等工作,這些工作在Pix4DMapper、ArcGIS10.1、ENVI5.3 等軟件中實(shí)現(xiàn).

1.3 植被覆蓋度提取方法

首先分別使用不考慮混合像元的監(jiān)督分類方法和考慮混合像元的像元二分模型方法估算無人機(jī)影像的植被覆蓋度,探討無人機(jī)影像中的混合像元對(duì)植被覆蓋度估測(cè)精度的影響問題.然后使用像元二分模型方法分別提取Landsat8/OLI、Sentinel-12 個(gè)衛(wèi)星遙感數(shù)據(jù)的冬小麥植被覆蓋度,以無人機(jī)估算值進(jìn)行精度驗(yàn)證,從而選擇估算冬小麥覆蓋度的最佳衛(wèi)星遙感數(shù)據(jù)源.

1.3.1 像元二分模型 像元二分模型是一個(gè)廣泛使用的混合像素模型方法,該模型具有良好的理論基礎(chǔ),同時(shí)可以減少大氣、土壤背景和植被類型的影響[2,4].模型假設(shè)像元由植被和非植被兩部分組成,像元的光譜信息為這兩個(gè)分量的線性加權(quán)合成,每個(gè)分量的權(quán)重代表每個(gè)分量所占像素面積的比例,從而植被覆蓋度可以用植被的分量來表示.

在各類植被指數(shù)中,NDVI 是目前國(guó)內(nèi)外使用最多且被公認(rèn)為提取植被效果較好的植被指數(shù), 它不受群落、地形結(jié)構(gòu)陰影、輻射干擾、太陽高度角和大氣的影響,是植被生長(zhǎng)狀態(tài)及植被覆蓋度的最佳指示因子,經(jīng)比值處理可以部分消除與太陽高度角、衛(wèi)星觀測(cè)角等有關(guān)的輻照度影響[23],多項(xiàng)研究證明可以使用NDVI 值代替像元光譜值,所帶來的影響可以忽略不計(jì)[6].植被覆蓋度的計(jì)算公式可寫為式（1）

式（1）中：FVC 是混合像元的植被覆蓋度,NDVI 是混合像元的歸一化植被指數(shù)值,NDVIveg是純植被像元的歸一化植被指數(shù)值,NDVIsoil是純裸土像元的歸一化植被指數(shù)值.

像元二分模型使用中最重要的是確定NDVIveg和NDVIsoil的取值,理論上純植被覆蓋區(qū)域的NDVI值應(yīng)趨于1,而裸土覆蓋區(qū)域的NDVI 值應(yīng)趨于0,然而由于地表濕度、粗糙度等因素的影響,NDVIsoil并不是理論上的零值,而在-1~0.2 之間變化,NDVIveg也隨植被類型以及時(shí)間和空間而所差異,因此NDVIsoil和NDVIveg沒有固定值.本文選擇眾多研究人員使用的NDVI 累積直方圖中5%分位處像元的平均值作為NDVIsoil值,95%分位處像元均值作為NDVIveg值[14].將像元二分模型應(yīng)用于無人機(jī)數(shù)據(jù)時(shí),此時(shí)影像內(nèi)地物類型單一,干擾因素少,選擇選擇使用的NDVI 累積直方圖中1%分位處像元的平均值作為NDVIsoil值,99%分位處像元均值作為NDVIveg值.

1.3.2 微波衛(wèi)星影像植被覆蓋度的提取 受光學(xué)遙感構(gòu)建植被指數(shù)的啟發(fā),光學(xué)遙感利用綠色植被的光譜反射特性（在紅光波段和近紅外波段的反射率有較大差異）,利用紅光波段和近紅外波段構(gòu)建了比值植被指數(shù)RVI、差值植被指數(shù)DVI 和歸一化植被指數(shù)NDVI 等.利用Sentinel-1 影像VV 極化后向散射系數(shù)和VH 極化后向散射系數(shù),模擬光學(xué)遙感構(gòu)建植被指數(shù)的方法構(gòu)建了比值微波植被指數(shù)RVISAR（式2）、差值微波植被指數(shù)DVISAR（式3）和歸一化微波植被指數(shù)NDVISAR（式4）.

統(tǒng)計(jì)研究區(qū)內(nèi)Sentinel-1 每個(gè)像元對(duì)應(yīng)空間的無人機(jī)植被覆蓋度均值,分別與VV、VH、RVISAR和DVISAR和NDVISAR5 個(gè)植被指數(shù)值做相關(guān)性分析,結(jié)果如表1 所示.從表1 可以看出,除VH 指數(shù)外,其余4個(gè)指數(shù)均與植被覆蓋度在0.01 級(jí)別（雙尾）呈極顯著相關(guān).

表1 5 個(gè)參數(shù)與植被覆蓋度相關(guān)性分析結(jié)果Tab.1 Correlation analysis results of five parameters and vegetation coverage

將篩選出的微波植被指數(shù)替換NDVI 值應(yīng)用到像元二分模型中,嘗試提取Sentinel-1 的植被覆蓋度.由于微波影像的極化后向散射系數(shù)受地表粗糙度和介電常數(shù)的影響,這就與地表粗糙度、土壤含水量以及植被含水量有關(guān),這些因素同樣具有時(shí)間和空間上的差異性,考慮到方法的一致性,仍然采用各個(gè)指數(shù)統(tǒng)計(jì)直方圖中5%分位處像元的平均值作為純裸土植被指數(shù)值,95%分位處像元均值作為純植被指數(shù)值.

1.3.3 精度驗(yàn)證 本文選擇平均絕對(duì)誤差MAE 和均方根誤差RMSE 作為精度驗(yàn)證指標(biāo).平均絕對(duì)誤差為絕對(duì)誤差的平均值,取值范圍為[0,∞）,值越小表明預(yù)測(cè)值與真實(shí)值的距離越小,0 值時(shí)為完美模型,可以很好地反映預(yù)測(cè)值誤差的實(shí)際情況,其表達(dá)式為公式（5）;RMSE是預(yù)測(cè)值和實(shí)際值之間的偏差的平方和與估計(jì)次數(shù)的比值的平方根,用于測(cè)量估計(jì)值和實(shí)際值之間的偏差,相比MAE 而言,RMSE 受異常值的影響更大,對(duì)一組測(cè)量中的特大或特小誤差反映非常敏感,所以RMSE 能夠很好地反映出測(cè)量的精密度,其表達(dá)式為公式（6）

2 結(jié)果分析

2.1 無人機(jī)提取結(jié)果

分別使用監(jiān)督分類方法和像元二分模型方法提取無人機(jī)影像的植被覆蓋度.本文采用監(jiān)督分類中的最大似然分類法,將無人機(jī)影像中的像元分為植被和非植被兩類,植被像元賦值為1,非植被像元賦值為0,獲得影像的植被覆蓋度分布.像元二分模型方法的NDVIsoil值設(shè)置為0.048,NDVIveg值設(shè)置為0.884,每個(gè)像元值代表該像元中的植被比例,得到無人機(jī)植被覆蓋度結(jié)果.

圖2 顯示了無人機(jī)圖像中同一位置的兩種分類結(jié)果與原始無人機(jī)影像的對(duì)比.從圖2 中可以看出,在植被密集的地方,監(jiān)督分類方法無法準(zhǔn)確反應(yīng)植被覆蓋信息,會(huì)高估無人機(jī)影像中的植被覆蓋度,而像元二分模型方法則將小麥壟的形態(tài)很好地體現(xiàn)出來.拔節(jié)期的冬小麥生長(zhǎng)旺盛,影像中混合像元少,此時(shí)混合像元的存在對(duì)植被覆蓋度的提取精度產(chǎn)生影響,本實(shí)驗(yàn)中使用的無人機(jī)影像空間分辨率為0.05 m,說明當(dāng)影像空間分辨率大于0.05 m 時(shí),不能忽略無人機(jī)影像中的混合像元問題.當(dāng)空間分辨率小于0.05 m時(shí)是否需要考慮混合像元因素問題需要進(jìn)一步研究.

圖2 兩種方法的結(jié)果對(duì)比Fig.2 Comparison of the results of the two methods

分別統(tǒng)計(jì)地面樣方對(duì)應(yīng)范圍內(nèi)的植被覆蓋度均值,以可見光照片植被覆蓋度作為真實(shí)值進(jìn)行精度驗(yàn)證.精度驗(yàn)證的結(jié)果如表2 所示,可以從表2 看出,與監(jiān)督分類方法相比,使用像元二分模型方法的提取結(jié)果精度更高.

表2 兩類方法提取值精度驗(yàn)證結(jié)果Tab.2 Verification results of extracted value accuracy of two kinds of methods

2.2 Landsat8 光學(xué)衛(wèi)星遙感影像提取結(jié)果

使用像元二分模型法提取Landsat8/OLI 光學(xué)衛(wèi)星影像中的植被覆蓋度.以landsat8/OLI 數(shù)據(jù)的像元大小為統(tǒng)計(jì)范圍,計(jì)算每個(gè)像元對(duì)應(yīng)的范圍內(nèi)的無人機(jī)影像的植被覆蓋度均值,進(jìn)行精度驗(yàn)證,精度驗(yàn)證結(jié)果MAE 為0.066,RMSE 為0.086.

2.3 Sentinel-1 衛(wèi)星數(shù)據(jù)提取結(jié)果

將DVISAR、RVISAR、NDVISAR、VV 指數(shù)代入像元二分模型,得到Sentinel-1 影像的植被覆蓋度結(jié)果.以Sentinel-1 影像的像元大小為統(tǒng)計(jì)范圍,計(jì)算每個(gè)像元對(duì)應(yīng)的無人機(jī)影像范圍內(nèi)的植被覆蓋度的均值,然后進(jìn)行精度驗(yàn)證,并對(duì)提取結(jié)果進(jìn)行相關(guān)性分析,結(jié)果如表3 所示.可以從表3 看出,4 個(gè)參數(shù)的提取值都與真實(shí)值達(dá)到了在0.01 級(jí)別（雙尾）顯著相關(guān),說明這4 個(gè)微波植被指數(shù)的提取值有一定的準(zhǔn)確性,但是從精度驗(yàn)證的結(jié)果來看,這4 個(gè)參數(shù)應(yīng)用于像元二分模型后的提取效果并不理想,與光學(xué)遙感數(shù)據(jù)的提取精度相差很大.

表3 Sentinel-1 提取值精度驗(yàn)證結(jié)果Tab.3 Sentinel-1 extraction value accuracy verification results

3 結(jié)論與討論

無人機(jī)影像中存在大量的混合像元,考慮混合像元后,植被覆蓋度的提取精度顯著提升.無人機(jī)遙感所獲取的厘米級(jí)超高分辨率影像可用于地面驗(yàn)證.在本文選用Landsat8/OLI 和Sentinel-1 兩種衛(wèi)星數(shù)據(jù)源中,光學(xué)衛(wèi)星遙感數(shù)據(jù)的提取精度遠(yuǎn)高于微波衛(wèi)星遙感數(shù)據(jù),Landsat8/OLI 衛(wèi)星數(shù)據(jù)最適用于鹽漬土地區(qū)提取麥田植被覆蓋度.

本文以地面樣方數(shù)據(jù)檢驗(yàn)無人機(jī)植被覆蓋度提取值的準(zhǔn)確性,以無人機(jī)植被覆蓋度提取值檢驗(yàn)衛(wèi)星植被覆蓋度提取值的準(zhǔn)確性.這與傳統(tǒng)的布設(shè)與像元大小相同的樣方法[15]相比省時(shí)省力,準(zhǔn)確度也更高.通過無人機(jī)數(shù)據(jù)把地面數(shù)據(jù)和衛(wèi)星數(shù)據(jù)銜接起來,實(shí)現(xiàn)由地面單點(diǎn)到無人機(jī)小區(qū)域到衛(wèi)星大區(qū)域的尺度擴(kuò)展,對(duì)遙感反演植被覆蓋度產(chǎn)品的驗(yàn)證及遙感與作物模型同化等都具有重要意義[16].

結(jié)果表明光學(xué)衛(wèi)星遙感數(shù)據(jù)Landsat8/OLI 的估算精度比微波衛(wèi)星數(shù)據(jù)Sentinel-1 高.從表1 可以看出,除了使用VH 參數(shù)的提取值外,其他4 個(gè)參數(shù)的提取值都與無人機(jī)影像的植被覆蓋度達(dá)到了極顯著相關(guān),但使用Sentinel-1 的提取精度不高,提取誤差大,出現(xiàn)這種結(jié)果可能的原因是本文選擇的Sentinel-1 極化方式較少,歐洲航天局官網(wǎng)上免費(fèi)提供的Sentinel-1 數(shù)據(jù)只有VV 和VH 兩種極化方式,而這兩種極化方式的數(shù)據(jù)與無人機(jī)植被覆蓋度的相關(guān)性差別懸殊, 如若有全極化的數(shù)據(jù), 或許基于Sentinel-1 數(shù)據(jù)提取植被覆蓋度能取得理想的結(jié)果[17].