劉艷慧，蔡宗磊，包妮沙*，劉善軍

1. 東北大學(xué)測(cè)繪遙感與數(shù)字礦山研究所，遼寧 沈陽(yáng) 110819；2. 吉林省水利水電勘測(cè)設(shè)計(jì)研究院，吉林 長(zhǎng)春 130012

植被覆蓋度（fractional vegetation cover，F(xiàn)VC）是植被在地面的垂直投影面積占研究區(qū)總面積的百分比（梁順林等，2013），可以表示植被的茂密程度及植物進(jìn)行光合作用面積的大小（路廣等，2017），是表征陸地植被質(zhì)量和具有一定密度的多種植物生長(zhǎng)動(dòng)態(tài)的重要參數(shù)（佟斯琴等，2016），也是氣象數(shù)值模型、水文生態(tài)模型的重要因子（趙艷華等，2017）。草地生物量指的是在一定的氣候條件下，草地植被進(jìn)行光合作用的產(chǎn)物（付剛等，2011），生物量可以評(píng)價(jià)草原生態(tài)系統(tǒng)生產(chǎn)力，評(píng)估草原長(zhǎng)勢(shì)及產(chǎn)量（周宇庭等，2013）。植被覆蓋度是估算生物量的重要指標(biāo)（趙英時(shí)，2013）。因此監(jiān)測(cè)草地植被覆蓋度及生物量對(duì)于揭露某一區(qū)域草地植被的分布狀況及空間變化規(guī)律、探討變化的驅(qū)動(dòng)因子具有重要意義，并可為以草定畜提供科學(xué)依據(jù)，有利于維護(hù)草地生態(tài)系統(tǒng)的穩(wěn)定。

中國(guó)北方草地類型有草甸草原、典型草原、荒漠草原等（中華人民共和國(guó)農(nóng)業(yè)部畜牧獸醫(yī)司主編等，1996），草地生物量受氣候因素、放牧、開墾、采礦等多種因素共同影響（席小康等，2017），因此，監(jiān)測(cè)北方草地生物量可以評(píng)價(jià)草地生態(tài)系統(tǒng)獲取能量的能力與生產(chǎn)力，對(duì)保護(hù)草地資源及提高草地產(chǎn)量具有科學(xué)的指導(dǎo)意義。

遙感技術(shù)可以獲取大范圍內(nèi)的數(shù)據(jù)，能夠進(jìn)行周期性觀測(cè)，并且由于其空間分辨率、光譜分辨率及其時(shí)相特征的多樣性等優(yōu)勢(shì)，已經(jīng)成為監(jiān)測(cè)區(qū)域乃至全球植被覆蓋度的主要方法。然而，在植被覆蓋度遙感估算方法中，回歸模型法、分類決策樹法、人工神經(jīng)網(wǎng)絡(luò)法等不僅在建立模型時(shí)需要地面實(shí)測(cè)植被覆蓋度，而且也需要地面實(shí)測(cè)數(shù)據(jù)進(jìn)一步驗(yàn)證模型的準(zhǔn)確性，而植被指數(shù)法、像元分解模型法僅需要地面實(shí)測(cè)數(shù)據(jù)進(jìn)一步驗(yàn)證（賈坤等，2013）。目前，隨著數(shù)字?jǐn)z影技術(shù)的快速發(fā)展，將數(shù)碼相機(jī)與數(shù)字圖像處理技術(shù)結(jié)合的照相法因具有效率高、速度快、價(jià)格便宜、高質(zhì)量等優(yōu)勢(shì)，已被廣泛用于估算地面植被覆蓋度，并日趨成熟，照相法不僅促進(jìn)了地面測(cè)量植被覆蓋度的發(fā)展，而且已經(jīng)成為應(yīng)用遙感技術(shù)在大區(qū)域內(nèi)監(jiān)測(cè)植被覆蓋度的可靠輔助手段和驗(yàn)證方法（Zhang et al.，2018）。利用照相法獲取地面數(shù)據(jù)時(shí)，必須保障相機(jī)與地面保持一定高度水平垂直拍攝，一般手持相機(jī)拍攝高度不夠，但利用長(zhǎng)桿挑起相機(jī)拍攝又不能保持相機(jī)的穩(wěn)定性，故目前地面照相法獲取的樣方大小基本在 1 m×1 m 左右，無法與遙感數(shù)據(jù)的空間分辨率相匹配，影響遙感技術(shù)估算植被覆蓋度的精度。

無人機(jī)遙感平臺(tái)（UAV remote sensing system，UACSS）是通過使用飛行高度在幾千米之內(nèi)的UAV，搭載各種成像或非成像傳感器獲得航空遙感數(shù)據(jù)、視頻數(shù)據(jù)等的無人航空遙感與攝影測(cè)量系統(tǒng)（李德仁等，2014）。它可以在云下飛行，靈活性高、速度快，能夠獲取多尺度、高分辨率航拍影像，可以突破有人航空遙感天氣因素、環(huán)境因素、航行時(shí)間等限制，又可以彌補(bǔ)衛(wèi)星光學(xué)遙感由于時(shí)間分辨率與天氣等因素的影響而無法獲取遙感數(shù)據(jù)的不足，還能克服地面遙感范圍小、費(fèi)時(shí)費(fèi)力的缺點(diǎn)（Anguiano-Morales et al.，2018）。與之前只利用光學(xué)衛(wèi)星遙感數(shù)據(jù)作為數(shù)據(jù)源監(jiān)測(cè)植被覆蓋度相比，把無人機(jī)遙感平臺(tái)與光學(xué)衛(wèi)星遙感技術(shù)結(jié)合起來具有明顯的優(yōu)勢(shì)（Senthilnath et al.，2017）。Torres-Sánchez et al.（2014）研究了無人機(jī)在30 m與60 m飛行高度時(shí)，基于歸一化綠紅差值指數(shù)、過綠指數(shù)、顏色指數(shù)、vegetativen指數(shù)、過綠紅差值指數(shù)、Woebbecke指數(shù)對(duì)麥田植被覆蓋度多時(shí)相映射進(jìn)行了計(jì)算，其中以過綠指數(shù)估算精度最高（飛行高度30 m時(shí)，精度范圍是87.73%～99%；飛行高度60 m時(shí)，精度范圍83.74%～87.82%）。宋清潔等（2017）以甘南州為研究區(qū)，基于小型無人機(jī)與MODIS植被指數(shù)產(chǎn)品，對(duì)增強(qiáng)型植被指數(shù)與歸一化植被指數(shù)和植被覆蓋度的關(guān)系進(jìn)行分析，結(jié)果表明基于小型無人機(jī)獲取的大樣方數(shù)據(jù)與增強(qiáng)型植被指數(shù)估算草地植被覆蓋度的模型具有更高的精度（88.00%）。周在明等（2017a）以 SPOT6衛(wèi)星為數(shù)據(jù)源利用像元二分模型估算寧德三沙灣灘涂濕地植被覆蓋度，并以同期獲得的無人機(jī)數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果表明均方根誤差為 0.117，判定系數(shù)R2為0.918。因此，無人機(jī)可以為遙感估算植被覆蓋度提供大樣方數(shù)據(jù)，提高植被覆蓋度估算模型的精度及模型驗(yàn)證的準(zhǔn)確性，進(jìn)而通過植被覆蓋度估測(cè)草地地上生物量。

本文以內(nèi)蒙古呼倫貝爾典型草甸草原為研究區(qū)，開展基于無人機(jī)大樣方草地植被覆蓋度及生物量估算，研究目的在于：

（1）通過無人機(jī)獲取大樣方航拍影像數(shù)據(jù)，利用開關(guān)中值濾波及基于維納濾波的小波變換對(duì)無人機(jī)數(shù)據(jù)進(jìn)行去噪處理，并用直方圖均衡化進(jìn)行圖像增強(qiáng)等預(yù)處理，計(jì)算過綠指數(shù)與顏色指數(shù)，選擇基于遺傳算法的最大熵法對(duì)圖像中植被與背景進(jìn)行分割，從而估算植被覆蓋度；

（2）結(jié)合地面數(shù)碼相機(jī)獲取大樣方周圍布設(shè)的小樣方，進(jìn)一步驗(yàn)證基于無人機(jī)大樣方快速估算草地植被覆蓋度的可行性及適用性；

（3）利用數(shù)碼相機(jī)估算的植被覆蓋度與生物量進(jìn)行相關(guān)性分析。

本研究可為下一步應(yīng)用無人機(jī)遙感平臺(tái)與光學(xué)衛(wèi)星遙感技術(shù)結(jié)合起來估算呼倫貝爾草地植被覆蓋度奠定基礎(chǔ)，同時(shí)可為大區(qū)域利用地面數(shù)據(jù)與遙感技術(shù)監(jiān)測(cè)草地的生物量及生長(zhǎng)狀況提供科學(xué)依據(jù)。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古呼倫貝爾草原中部（圖1），氣候類型屬于干旱半干旱氣候，降水量主要集中在7月、8月。草地類型為草甸草原，草地利用方式主要包括圍欄草場(chǎng)、放牧草場(chǎng)、及退化封育草場(chǎng)等，草地植物群落組成主要有星毛委陵菜（Potentilla acaulis）、鐵桿蒿（Artemisia gmelinii）、黃花蒿（Artemisia annua）、黃芥（Brassica juncea）、羊草（Leymus chinensis）、針茅（Stipa capillata）等，植被覆蓋度較高。由于受到開墾、放牧及礦區(qū)開采等人類活動(dòng)的影響，研究區(qū)內(nèi)已經(jīng)出現(xiàn)了部分草地退化及沙化。

1.2 樣地的布設(shè)

于2016年7月12日—14日對(duì)研究區(qū)進(jìn)行了地面采樣及觀測(cè)實(shí)驗(yàn)，樣方根據(jù)地表草地植物群落組成、放牧情況、退化情況以及地形條件采用分區(qū)隨機(jī)采樣法，樣方的位置選擇在其周圍一定區(qū)域內(nèi)，草地生長(zhǎng)比較均勻，并且植被景觀具有一致性。采樣點(diǎn)的位置如圖1所示。樣地的布設(shè)情況如圖2所示，其中無人機(jī)樣方大小設(shè)置為60 m×60 m，大疆Phantom 3 Professiona無人機(jī)（參數(shù)見表1）飛行在樣方上方100 m左右，獲取無人機(jī)航拍遙感數(shù)據(jù)。同時(shí)在無人機(jī)大樣方周圍布設(shè)9個(gè)1 m×1 m小樣方，利用索尼SELP 1650數(shù)碼相機(jī)在其上方1 m處垂直拍攝獲取數(shù)據(jù)。利用GPS記錄每個(gè)樣方的地理坐標(biāo)，同時(shí)記錄樣方內(nèi)的植物群落類型、地貌環(huán)境（表2），并將1 m×1 m小樣方內(nèi)的植被全部齊地面收割，去除碎石等雜物，裝入袋子做好標(biāo)記，最后共獲取7個(gè)大樣方，63個(gè)小樣方。將裝入植被的袋子帶回實(shí)驗(yàn)室，在 80 ℃下烘干至恒重，然后用精度為0.01的電子天平稱重，得到單位面積內(nèi)的有機(jī)物質(zhì)總量，即生物量。

圖1 研究區(qū)及采樣點(diǎn)位置Fig. 1 Location of research area and sampling

圖2 樣方布設(shè)示意圖Fig. 2 Sketch map of sample plot

表1 大疆Phantom 3 Professiona無人機(jī)參數(shù)Table 1 Parameters of DJ Phantom 3 Professiona

2 方法

2.1 無人機(jī)數(shù)據(jù)預(yù)處理

2.1.1 無人機(jī)圖像去噪

由于受樣地環(huán)境及無人機(jī)自身通信的影響，無人機(jī)在對(duì)樣地進(jìn)行航拍和圖像傳輸過程中，會(huì)受到脈沖噪聲與高斯噪聲的干擾，直方圖中存在尖峰，并且在灰度值為0與255的位置均有噪聲的影響，會(huì)影響植被覆蓋度提取的精度，故在植被覆蓋度提取之前，需對(duì)圖像進(jìn)行去噪處理。若單純采用一種去噪方法，并不能完全消除噪聲的影響，基于這種情況，本文采用開關(guān)中值濾波消除脈沖噪聲，采用基于維納濾波的小波變換對(duì)剩下的高斯噪聲予以消除。

開關(guān)中值濾波的具體檢測(cè)方法如下（丁繼生等，2016）：G(i, j)表示無人機(jī)圖像中的灰度值，Max與Min分別表示無人機(jī)圖像中的像素灰度值最大值與最小值，利用M模板滑動(dòng)覆蓋，其中M模板的大小為3×3的窗口，中心像素灰度值記為H(i,j)，則 M 模板覆蓋的像素灰度值集合為 HM(i,j)={H(i+m, j+n)|m, n=-1, 0, 1}，如果H(i, j)等于0或255，則記錄H(i, j)為噪聲點(diǎn)。

小波變換圖像去噪使用的是小區(qū)域的波，其波形長(zhǎng)度有限，并且平均值為零。當(dāng)對(duì)消除脈沖噪聲后的無人機(jī)圖像使用一級(jí)小波分解后，會(huì)得到4個(gè)子頻帶，分別為低頻分量LL、垂直方向LH、水平方向HL和對(duì)角線方向HH，其中LL最為接近分解前的圖像，保留了大量原始信息，具有較好的信息魯棒性，LH、HL、HH 3個(gè)中高頻分量主要是圖像的紋理與邊緣信息，信息穩(wěn)定性較差（張超等，2017）。維納濾波是經(jīng)典的消除高斯白噪聲的方法，它是以最小均方誤差為準(zhǔn)則，對(duì)圖像中的高斯白噪聲具有非常有效的去噪效果（張小波，2014）。

表2 樣地內(nèi)地貌及植被類型Table 2 Landscapes and vegetation types in the sample plot

基于維納濾波的小波變換去噪步驟（圖3）如下：

（1）對(duì)去除脈沖噪聲的無人機(jī)圖像使用一級(jí)小波分解，分別得到LL、LH、HL、HH；

（2）由于LL中保留了大部分原始信息，故不作去噪處理，利用維納濾波器對(duì) LH、HL、HH進(jìn)行去噪處理；

（3）對(duì)LL、LH、HL、HH進(jìn)行小波重構(gòu)，得到去噪后的圖像。

2.1.2 無人機(jī)圖像增強(qiáng)

本文采用直方圖均衡化對(duì)無人機(jī)圖像進(jìn)行增強(qiáng)，突出草地植被信息，抑制土壤背景信息。

直方圖均衡化是圖像增強(qiáng)中應(yīng)用廣泛的方法，它的基本思想是將原始圖像中的灰度直方圖經(jīng)變換成為均勻分布的形式，變換后的圖像灰度級(jí)出現(xiàn)的概率大致一樣，實(shí)現(xiàn)圖像對(duì)比度的增強(qiáng)（李錦等，2014）。直方圖均衡化是以圖像各灰度級(jí)概率的累積分布函數(shù)作為變換函數(shù)，經(jīng)過變換后，得到灰度概率密度均勻分布的圖像，累積分布函數(shù)可表示為（李錦等，2014）：

式中，rj為變換前的歸一化灰度級(jí)；T(rk)為變換函數(shù)；Sk為變換后的歸一化灰度級(jí)；nj為原圖像中出現(xiàn)第k級(jí)灰度級(jí)的像素個(gè)數(shù)；n為圖像中像素的總數(shù)；pr(rj)為變換前圖像取第k級(jí)灰度值的概率。

2.2 基于最大熵-遺傳算法提取植被覆蓋度

最大熵法通過建立植被與背景的目標(biāo)函數(shù)，將圖像分割轉(zhuǎn)化為數(shù)學(xué)優(yōu)化，進(jìn)而利用遺傳算法尋找最優(yōu)分割閾值?；谶z傳算法的最大熵法提取植被覆蓋度的流程如圖4所示。

主要步驟如下：

（1）計(jì)算植被指數(shù)：由于無人機(jī)獲取的數(shù)據(jù)只有紅、綠、藍(lán)3種波段，植被與背景（裸土、陰影、砂石等）顏色差異的計(jì)算選擇常用的過綠指數(shù)與顏色指數(shù)，并進(jìn)行修正。

過綠植被指數(shù)（Woebbecke et al.，1995）（Excess green index，Ieg）計(jì)算公式：

圖3 基于維納濾波的小波變換去噪流程Fig. 3 Flow chart of wavelet transform based on wiener filtering

圖4 最大熵結(jié)合遺傳算法估算植被覆蓋度流程圖Fig. 4 Flow chart of estimating vegetation coverage based on maximum entropy and genetic algorithm

當(dāng) g＞r且 g＞b時(shí)：

否則Ieg=0。

顏色植被指數(shù)（Color index of vegetation， ICV）計(jì)算公式：

當(dāng) g＞r且 g＞b時(shí)：

否則ICV=0。

式中，r、g、b分別為無人機(jī)航拍圖像中的紅波段、綠綠波段、藍(lán)波段。

（2）熵的計(jì)算：依據(jù)最大熵算法原理（陳露晨等，2012），熵的判別函數(shù)計(jì)算如下：

植被指數(shù)圖像中灰度值的集合為{0, 1, 2,···,255}，共有N個(gè)像素，灰度值為i的像素個(gè)數(shù)用φ(i)表示，概率用p(i)表示，即：

對(duì)無人機(jī)圖像構(gòu)建的植被指數(shù)進(jìn)行圖像分割時(shí)，由于裸土受濕度的影響，存在紅波段與藍(lán)波段大于綠波段的情況，因此本文圖像分割類別分為植被、背景、受裸土影響誤分的植被三類，即{C1, C2,C3}，每個(gè)類別對(duì)應(yīng)的灰度值為{0, 1, ···, G1}，{G1+1,G1+2, ···G2}···{G2+1, G2+2, ···255}，則閾值有 2 個(gè)，即{T1, T2}。

每個(gè)類別對(duì)應(yīng)的灰度值概率為：

其中 Pk=Σi∈Ckpi, k=1, 2···, 3。

因而，各類別的熵為：

定義熵的判別函數(shù)為：

當(dāng)目標(biāo)與背景的信息量最大時(shí)，即可得到熵的判別函數(shù)最大時(shí)的分割閾值，即：

（3）編碼：無人機(jī)圖像計(jì)算的植被指數(shù)的灰度值在0～255之間，同時(shí)又使用兩個(gè)閾值對(duì)圖像進(jìn)行分割，所以用16位二進(jìn)制進(jìn)行編碼。

（4）設(shè)置初始種群：種群的數(shù)量設(shè)置為20，繁殖代數(shù)為100。

（5）設(shè)計(jì)適應(yīng)度函數(shù)：適應(yīng)度函數(shù)選擇的是熵的判別函數(shù)，通過產(chǎn)生隨機(jī)數(shù)作為初始分割閾值，計(jì)算各個(gè)個(gè)體的適應(yīng)度。

（6）復(fù)制：復(fù)制操作采用輪盤賭法，將上一代適應(yīng)度高的個(gè)體的染色體通過復(fù)制操作遺傳到下一代。

（7）交叉：交叉概率設(shè)置為 0.6，交叉操作使用的是雙點(diǎn)交叉。交叉操作將產(chǎn)生適應(yīng)度更強(qiáng)的個(gè)體，可以加快全局的尋優(yōu)。

（8）變異：變異概率取0.03，防止種群在一開始取得最優(yōu)分割閾值而停止進(jìn)化。

（9）終止條件：當(dāng)相鄰兩代平均適應(yīng)度的差值小于0.01時(shí)，進(jìn)化趨于穩(wěn)定，或達(dá)到最大迭代次數(shù)時(shí)進(jìn)化完成。

2.3 草地地上生物量估算方法

3 結(jié)果與分析

3.1 無人機(jī)數(shù)據(jù)預(yù)處理結(jié)果

以Y5為例，利用開關(guān)中值濾波與基于維納濾波的小波變換對(duì)無人機(jī)圖像進(jìn)行圖像去噪，去噪后的圖像直方圖如圖5所示。結(jié)果顯示，無人機(jī)圖像經(jīng)過去噪后，直方圖較為平滑，并且在灰度值為 0與255處沒有值，消除了噪聲對(duì)圖像的影響。利用直方圖均衡化對(duì)去噪后的無人機(jī)圖像進(jìn)行圖像增強(qiáng)，增強(qiáng)前的直方圖（圖 5）與增強(qiáng)后的圖像（圖6）顯示，無人機(jī)圖像經(jīng)過均衡化后，各灰度等級(jí)分布比較均勻，植被與土壤背景之間差別明顯。

3.2 無人機(jī)植被覆蓋度提取結(jié)果及驗(yàn)證

圖6 無人機(jī)圖像增強(qiáng)結(jié)果Fig. 6 UAV image enhancement

對(duì)無人機(jī)大樣方數(shù)據(jù)進(jìn)行預(yù)處理并計(jì)算植被指數(shù)，應(yīng)用基于遺傳算法的最大熵法提取植被覆蓋度，結(jié)果如表3所示，兩種植被指數(shù)估算的植被覆蓋度、閾值1、閾值2均有一定差異，最大熵差別不大。

為了定量分析無人機(jī)大樣方估算草地植被覆蓋度的精度，利用手持GPS記錄的控制點(diǎn)對(duì)無人機(jī)圖像進(jìn)行幾何校正，并利用實(shí)地照相法獲取控制點(diǎn)位置1 m×1 m小樣方的植被覆蓋度（圖7），基于t檢驗(yàn)方法，利用照相法估算的1 m×1 m小樣方的植被覆蓋度驗(yàn)證無人機(jī)影像估算結(jié)果，并計(jì)算其均方根誤差?；跓o人機(jī)估算植被覆蓋度與照相法估算植被覆蓋度t檢驗(yàn)，結(jié)果如表4所示，無人機(jī)影像兩種植被指數(shù)的估算結(jié)果與照相法估算結(jié)果不存在顯著差異（P＜0.05），其中以過綠指數(shù)估算結(jié)果精度較高，t檢驗(yàn) P值為 0.272，均方根誤差為6.6356，可以利用該方法估算無人機(jī)大樣方草地植被覆蓋度。7個(gè)樣地中，兩種植被指數(shù)均以 Y6樣地的精度最高，Y2的精度最低。其中，Y6樣地為丘地低平地，沙化裸土，植被類型少，植被覆蓋較低，而Y2為丘間平地，植被種類多，覆蓋較高，空間異質(zhì)性較強(qiáng)，故Y2樣地的估算精度低于其他樣地（表5）。

3.3 植被覆蓋度與生物量的相關(guān)性分析

圖5 無人機(jī)圖像預(yù)處理直方圖Fig. 5 Histogram of preprocessed UAV image

表3 植被覆蓋度估算結(jié)果Table 3 Result of estimating vegetation coverage

圖7 無人機(jī)大樣方驗(yàn)證示意圖Fig. 7 Verification sketch map of large quadrat

表4 無人機(jī)估算植被覆蓋度的精度Table 4 Precision of estimating vegetation coverage by UAV image

表5 各樣地?zé)o人機(jī)數(shù)據(jù)估算結(jié)果均方根誤差Table 5 RMSE of estimating vegetation coverage by UAV imagery form various sampling plot

由于生物量與植被覆蓋度（P）、植被株高（h）及植被覆蓋度與株高的乘積（P×h）密切相關(guān)（Wen et al.，2017），本文對(duì)草地生物量與3個(gè)變量之間的相關(guān)性進(jìn)行了分析，結(jié)果如表6所示，生物量與3個(gè)變量之間具有顯著的相關(guān)性，相關(guān)系數(shù)均在0.8以上，其中生物量和植被覆蓋度與株高的乘積相關(guān)性最高，為0.9134。

表6 草地生物量與各變量相關(guān)系數(shù)Table 6 Correlation coefficient of grassland biomass with each variable

利用 y=a+bx，y=axb，y=ax2+bx+c，y=ax3+bx2+cx+d，y=a+blgx等回歸模型，以生物量與單一變量P、h，交叉變量P×h及聯(lián)合變量P、h 4種情況進(jìn)行回歸方程建模，計(jì)算均方根誤差與估算精度對(duì)各模型進(jìn)行精度分析。

式中，RMSE為均方根誤差；AGRi為實(shí)測(cè)草地生物量；AGRi′為估算草地生物量；N為樣本數(shù)；Ac代表估算精度；AGR 代表實(shí)測(cè)草地生物量的平均值。

擬合結(jié)果及精度如表7所示，結(jié)合圖8可知，單一變量中，生物量與變量P以及生物量與變量h的擬合效果最優(yōu)的均為三次回歸模型，其中變量P三次擬合效果（R2為 0.8244，RMSE為 3.5008 g·m-2，估算精度為 78.80%）優(yōu)于變量 h三次擬合（R2為 0.7460，RMSE 為 3.6213 g·m-2，估 算精度為76.42%）；交叉變量P×h、聯(lián)合變量P和h建模效果均優(yōu)于單一變量建模精度，對(duì)于聯(lián)合變量P和h，一次擬合效果（R2為0.8326，RMSE為2.6119 g·m-2，估算精度為 82.26%）優(yōu)于單一變量的最優(yōu)擬合，交叉變量 P×h三次回歸建模精度最高（R2為 0.8536，RMSE 為 2.4420 g·m-2，估算精度為83.41%）。

表7 草地生物量與各變量的模型及精度Table 7 The model and precision of grassland biomass and every variable

圖8 草地生物量與各變量的擬合結(jié)果Fig. 8 Fitting result of grassland biomass and every variable

4 討論與結(jié)論

4.1 討論

無人機(jī)遙感作為衛(wèi)星遙感的有益補(bǔ)充，具有高時(shí)效、高分辨率、低成本、低損耗、低風(fēng)險(xiǎn)及可重復(fù)等優(yōu)點(diǎn)，尤其在小尺度區(qū)域進(jìn)行地表植被估測(cè)效果顯著，周在明等（2017b）以低空無人機(jī)影像對(duì)三沙灣灘涂濕地入侵種互花米草進(jìn)行了覆蓋度研究，得出植被覆蓋度的估算值與真實(shí)值之間的均方根誤差（RMSE）為0.06，決定系數(shù)R2為0.92的高精度結(jié)果。牛亞曉等（2018）證明基于無人機(jī)多光譜遙感技術(shù)及植被指數(shù)法可以較好地提取冬小麥越冬期、拔節(jié)期、挑旗期和抽穗期的植被覆蓋度信息。本文利用無人機(jī)獲取呼倫貝爾草甸草原 60 m×60 m大樣方數(shù)據(jù)，實(shí)現(xiàn)草地植被覆蓋度較高精度估算（t檢驗(yàn)P值為0.272，均方根誤差為6.6356）。

利用無人機(jī)圖像進(jìn)行植被覆蓋度提取時(shí)，由于每個(gè)草地樣方內(nèi)植被物種、地貌類型均有所差異，為了保證及提高每個(gè)樣地?zé)o人機(jī)圖像提取的植被覆蓋度精度，基于遺傳算法，根據(jù)最大熵原理，建立植被覆蓋度與土壤背景的目標(biāo)函數(shù)，通過獲取每一幅無人機(jī)圖像的動(dòng)態(tài)雙閾值，實(shí)現(xiàn)植被與土壤背景的最佳分割。閾值法是圖像分割的常用方法，通過建立最大熵雙閾值數(shù)學(xué)模型和設(shè)計(jì)遺傳算法，可有效解決雙閾值圖像分割，優(yōu)化分割結(jié)果，最大熵遺傳算法在醫(yī)學(xué)CT腦顱圖像、人物圖像及山水圖像的分割中，均實(shí)現(xiàn)了最佳分割（王文淵等，2011；蔡軍杰等，2016）。

本文分別作生物量與植被覆蓋度（P）、植被株高（h）及P×h相關(guān)性的分析，得出生物量與3個(gè)變量之間具有顯著的相關(guān)性，相關(guān)系數(shù)均在0.8以上。利用植被覆蓋度及株高建模估測(cè)生物量時(shí)，發(fā)現(xiàn)生物量不僅與P、h的單一變量顯著相關(guān)，還與兩者的交叉（Ph乘積）及聯(lián)合變量（P×h）密切相關(guān)。交叉變量建模精度最高，P與h聯(lián)合變量的一次擬合建模結(jié)果高于任意單一變量建模結(jié)果。趙成義等（2004）在估測(cè)琵琶柴（Reaumuria songonica）灌叢生物量時(shí)也發(fā)現(xiàn)植株冠幅長(zhǎng)與寬所建擬合方程精度最高，相對(duì)誤差在4.79%～10.12%之間。劉陟等（2014）利用多個(gè)變量，包括株高（h）、冠幅面積（C）、株高與冠幅面積乘積（h×C）參數(shù)估算油蒿（Artemisia ordosica）生物量，發(fā)現(xiàn)交叉變量估測(cè)效果優(yōu)于冠幅面積的單一變量擬合。馬媛等（2017）證明黃柳（Salix gordejevii）灌木生物量最優(yōu)模型為株高和基徑的乘積的三次回歸模型，經(jīng)驗(yàn)證模型的預(yù)測(cè)值與實(shí)測(cè)值擬合率在72.08%～88.72%，其預(yù)測(cè)效果較好。

4.2 結(jié)論

本文利用無人機(jī)獲取呼倫貝爾草甸草原 60 m×60 m大樣方數(shù)據(jù)，對(duì)無人機(jī)圖像進(jìn)行處理、分析及驗(yàn)證，估測(cè)樣方內(nèi)植被覆蓋度及草地生物量，得出以下結(jié)論：

（1）利用遺傳算法對(duì)植被與背景最大熵目標(biāo)函數(shù)進(jìn)行優(yōu)化，獲取每個(gè)樣地圖像中植被與背景的動(dòng)態(tài)分割閾值，從而得出其植被覆蓋度，結(jié)合野外同步實(shí)地?cái)?shù)據(jù)，通過t檢驗(yàn)及均方根誤差驗(yàn)證其精度，結(jié)果表明，該方法估算估測(cè)精度較高（t檢驗(yàn)P值為0.272，均方根誤差為6.6356）。

（2）草地生物量和植被覆蓋度、植被株高及草地植被覆蓋度與株高的乘積3個(gè)變量的相關(guān)性均較高，其中生物量和植被覆蓋度與株高的乘積相關(guān)性最高，為0.9134。構(gòu)建的交叉變量的三次回歸擬合效果（R2為 0.8536，RMSE為 2.4420，估算精度為83.41%）高于單一變量。