伏帥，張勇輝，李佳呂，王萌榛，彭璐，馮琦勝，梁天剛

（蘭州大學草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室/蘭州大學農(nóng)業(yè)農(nóng)村部草牧業(yè)創(chuàng)新重點實驗室/蘭州大學草地農(nóng)業(yè)教育部工程研究中心/蘭州大學草地農(nóng)業(yè)科技學院，甘肅蘭州730020）

草地蓋度指觀測區(qū)域內(nèi)植物的垂直投影面積占觀測區(qū)地表總面積的百分比，是描述生態(tài)系統(tǒng)特征和草地生長狀況的重要生態(tài)學參數(shù)和量化指標[1]，可作為評價植被生產(chǎn)力、生態(tài)系統(tǒng)恢復程度、生態(tài)系統(tǒng)健康、生態(tài)系統(tǒng)服務功能等的有效指標之一[2]。

目前，草地蓋度的估測方法主要包括實地測量和遙感估測兩種途徑。傳統(tǒng)的地表實測方法包括目估法、針刺法和儀器法等，這些傳統(tǒng)方法由于費時、費力等缺陷而逐漸難以滿足目前的草地調(diào)查工作[3]。照相法是垂直于地面照相后，通過照片估算草地蓋度的方法[4]。隨著數(shù)字攝影技術(shù)的快速發(fā)展，將數(shù)碼相機與圖像處理技術(shù)相結(jié)合的照相法因其具有準確、迅速、低價、簡便等優(yōu)勢在傳統(tǒng)地表實測方法中脫穎而出，目前已成為最普遍、最有效的蓋度測量方法[4-5]。然而，地表實測法缺乏宏觀性，其觀測范圍往往被限制在較小的空間尺度范圍內(nèi)，不利于快速對較大范圍的草地進行觀測。無人機(unmanned aerial vehicle,UAV)是一種自備動力裝置和導航模塊的無人駕駛航空器[6]。近年來，UAV 及其相關(guān)技術(shù)發(fā)展迅速，其能夠?qū)崟r獲取高分辨率遙感影像數(shù)據(jù)，機動性強，成本低廉，操作簡便，正逐步成為地面監(jiān)測和高空遙感的有效補充手段[7]，現(xiàn)已被廣泛用于生態(tài)系統(tǒng)監(jiān)測[8]、工程測繪[9]、災害監(jiān)測[10]、農(nóng)業(yè)生產(chǎn)[11]等方面。植被指數(shù)是植被遙感監(jiān)測中被廣泛應用的參數(shù)之一，是對地表植被狀況簡單、有效和經(jīng)驗的度量[12]。國內(nèi)外學者為了方便植被狀況的識別，利用綠色植物在可見光波段的反射特征，構(gòu)建了一系列植被指數(shù)，如超綠指數(shù)(excess green index,ExG)[13]、植被因子指數(shù)(vegetativeindex,VEG)[14]、綜合指數(shù)(combined index,COM)[15]等。這些植被指數(shù)能夠增強綠色植物與其他地物的對比，通過波段計算和閾值設定，從而精確分離綠色植被和背景。目前，已有學者將無人機與植被指數(shù)結(jié)合，開展了一些關(guān)于植被調(diào)查、蓋度計算等方面的研究。如丁雷龍等[16]以小麥(Triticum aestivum)為研究對象，選取歸一化綠紅差值指數(shù)(normalized green-red difference index,NGRDI)、 超 綠 指 數(shù)(excess green index,Ex G)、超綠超紅差分指數(shù)(e x c e s s g r e e n minus excess r ed i ndex,ExGR)和綠葉指數(shù)(g r een l ea f index,GLI)4 種植被指數(shù)，基于最大類間方差法對無人機圖像中的植被區(qū)域與非植被區(qū)域進行識別，結(jié)果表明4 種植被指數(shù)均有較高的識別精度。劉艷慧等[5]利用無人機獲取草地大樣方圖像，通過計算植被指數(shù)從而估算草地蓋度和生物量。但是，目前的相關(guān)研究多集中在植被指數(shù)的應用和評價上，關(guān)于無人機航高、草地蓋度等可控應用條件的研究還很匱乏。

為此，本研究以蘭州大學榆中校區(qū)草地為研究對象，選用ExG、VEG、ExGR[17]、GLI[18]4 種可見光植被指數(shù)，通過提取無人機圖像的草地植被信息，計算草地蓋度。以地面照相法獲取的草地蓋度為參考值，從無人機航高和蓋度水平兩個方面對比分析4 種植被指數(shù)方法的草地蓋度估算效果，研究4 種植被指數(shù)在草地蓋度估測方面的適用性，以期為無人機在草地資源監(jiān)測中的應用提供理論依據(jù)和參考。

1 材料與方法

1.1 研究區(qū)概況

試驗在蘭州大學榆中校區(qū)校園內(nèi)草地、試驗田進行。試驗區(qū)位于甘肅省榆中縣，地理位置104°08′?104°09′E，35°55′?35°56′N。氣候?qū)儆跍貛Т箨懶詺夂?，年均?.6℃，年降水量3 0 0～4 0 0mm，海拔1 7 2 0m。

1.2 數(shù)據(jù)獲取

根據(jù)目視估計法將待測樣地按蓋度大小分為3 個水平：高蓋度(70%～100%)、中蓋度(40%～70%)和低蓋度(40%以下)(表1)。在校區(qū)內(nèi)，每個蓋度水平選取2 個地勢平坦、生長狀況均一的樣地，每個樣地大小為25m×1 5 m(圖1)。每一樣地采用五點法布設樣方，樣方大小為0.5m×0.5m 個樣方中心記錄GPS(全球定位系統(tǒng),Gl oba l Pos i t i on i ng System)經(jīng)緯度和高程信息。利用手機相機于樣方中心上方約1m 高處垂直向下拍攝記錄。手機照片分辨率為2976×3968 像素，對每個照片用Pho t oShop2018 軟件按照樣方大小進行裁剪，以便后期處理。使用大疆Phantom4 p r o 無人機(搭載相機2 000 萬像素，鏡頭焦距8.8mm，1 英寸影像傳感器)從2 0 m 航高開始，每隔10m 航高對同一樣地進行拍攝，拍攝到1 0 0 m航高為止，得到無人機圖像，同樣使用PhotoShop 2018 軟件對相同區(qū)域進行裁剪(圖2)，以便后期處理。無人機照片于2019年4 月?5 月草地生長期間拍攝。

表 1 各蓋度水平樣地比較Table 1 Comparison of different coverage levels

圖 1 研究區(qū)及采樣點分布圖Figure 1 Study area and distribution of sam p ling points

圖 2 不同航高無人機圖像對比圖Figure 2 UAV images at different altitudes圖中不同航高無人機圖像之間以原始尺寸比例顯示。In the figure,the UAV images at different altitudes are displayed in proportion totheoriginal size.

1.3 研究方法

本研究選用植被因子指數(shù)(VEG)、超綠指數(shù)(ExG)、超綠超紅差分指數(shù)(ExGR)、綠葉指數(shù)(GLI)4 種植被指數(shù)方法，利用ENVI5.3 軟件的波段計算模塊對所有照片進行處理(圖3)，植被指數(shù)的計算公式參考表2。通過反復調(diào)試設定閾值，準確劃分草地像元與背景像元，并以草地像元占圖像總像元數(shù)量的比例作為草地蓋度。為了減少人為主觀誤差，每2 人計算得到初步結(jié)果后，由第3 人審核并校正錯誤值，取校正后的平均值為蓋度估測值。

圖 3 樣地無人機圖像及植被蓋度提取效果Figure 3 UAV im age and vegetation coverage extraction effect of the samp led land

為了客觀定量地進行植被指數(shù)的適用性分析，本研究以照相法獲得的蓋度平均值作為樣地的蓋度參考值，引入平均絕對誤差(mean absoluteerror,MAE)、標準差(standard deviation,SD)和精確度[19](accuracy,Acc)3 種評價方法。計算公式如下：

式中：x′為草地蓋度參考值，xi為草地蓋度估測值，n 為樣本總數(shù)。

表 2 植被指數(shù)公式Table 2 Formula table of the vegetation indices studied

2 結(jié)果與分析

2.1 4 種植被指數(shù)精度評價

將本研究中所有無人機照片的蓋度計算誤差匯總成表3。從4 種植被指數(shù)的估測誤差來看，VEG、ExG 方法的估測精度較高，ExGR、GLI 方法的估測精度較低。VEG 和ExG 方法的精確度均在90%以上，其中，VEG 方法的MAE 最低，為4.53%，ExG方法的平均精度最高，為93.60%；ExGR 和GLI 方法的MAE 均超過10%，GLI 方法的平均精度最低，為75.95%。從估測數(shù)據(jù)的波動性來看，VEG 方法的標準差最小，ExG 方法次之，ExGR 和GLI 方法的波動性較大。綜上，本研究中VEG、ExG 方法的估算精度較高，誤差較為穩(wěn)定；ExGR 和GLI 方法的精度較低，誤差相對不穩(wěn)定。

表 3 基于4 種植被指數(shù)的草地蓋度估測誤差表Table 3 The estimation error table of grassland coverage based on four vegetation indices %

2.2 不同草地蓋度水平對草地蓋度估測精度的影響

為了評價不同草地蓋度水平對基于植被指數(shù)的草地蓋度估測精度的影響，以6 個不同樣地的54 張無人機照片為樣本，利用植被指數(shù)計算草地蓋度。以蓋度參考值為橫軸，以樣地的平均精度為縱軸，作散點圖進行趨勢分析，對比分析草地植被蓋度對植被指數(shù)估測精度的影響。

基于4 種植被指數(shù)的草地蓋度估測精確度整體上均呈現(xiàn)出隨蓋度水平的增加而降低的趨勢(圖4)。ExGR 和GLI 方法的回歸系數(shù)均較小，決定系數(shù)均大于0.8，說明其估測精度受草地蓋度水平的影響較大，精度趨于降低，其在低蓋度水平擁有80%以上的估測精度，但在高蓋度水平迅速降低至70%左右。因此，這兩種方法對低蓋度草地有更好的估測效果，在高蓋度草地上的估測效果明顯降低。VEG和ExG 方法的回歸系數(shù)均接近0，表明其估測精度受蓋度變化的影響較小。其中VEG 方法的回歸系數(shù)最接近0，精度從低蓋度的93%左右降低至高蓋度的90%左右，可見其估測精度受蓋度的影響很小，在任何蓋度水平的草地上均能發(fā)揮較好的估測效果；ExG 方法的決定系數(shù)為0.837 6，回歸斜率為?0.112 6，其在低蓋度有高達97%的精確度，在高蓋度降低至90%，表明其估測精度雖隨蓋度增加而減少，但不影響其估測性能的發(fā)揮。

2.3 無人機航高適用性分析

為了評價不同草地植被蓋度水平下無人機航高對草地植被蓋度估測精度的影響，本研究以6 個樣地拍攝的不同航高的54 張無人機照片為樣本，計算20～100m 航高下的草地植被蓋度。以無人機航高為橫軸，以高、中、低3 種蓋度水平估測的平均精度為縱軸，作散點圖進行分析(圖5)。

圖 4 植被指數(shù)估算精確度與蓋度趨勢分析Figure 4 Relationship between the accuracy of the vegetation indices and coverage

圖 5 各蓋度水平下植被指數(shù)估測精度與無人機航高的關(guān)系Figure 5 Relationship between the estimation accuracy of the vegetation indices and UAV flight height at different coverage levels

VEG 方法于高、中蓋度水平下的精度與航高無明顯關(guān)系，具有較大波動性，高航高估測精度與低航高蓋度估測精度無明顯的差異，準確度保持在90%以上；但是低蓋度水平下的精度在航高高于40m時，隨航高升高而迅速下降，準確度由96%降低至66%。VEG 方法在高、中蓋度水平下保持著較高的精度，且與航高變化無明顯關(guān)系，為了發(fā)揮無人機大面積快速監(jiān)測的優(yōu)勢，可選擇航高100m 進行高、中蓋度水平的觀測；其在低蓋度水平下的精度隨航高上升而迅速下降，選擇40m 航高進行觀測能盡可能發(fā)揮無人機大面積觀測的優(yōu)勢，同時能夠保持較高的精度。ExG 方法在高、中蓋度水平下的估測精度隨航高無明顯變化；在低蓋度水平下的估測精度具有較大的波動，其趨勢線波動幅度隨航高上升不斷增大，尤其是航高高于80m 時，趨勢線波動幅度最大達到15%，說明高于80m 航高后其觀測性能極不穩(wěn)定。ExG 方法在高、中蓋度水平下均可選擇100m 航高進行觀測，而在低蓋度水平下最好于8 0 m航高進行觀測。ExGR 方法在高蓋度與中蓋度水平下的估測精度隨航高無明顯變化，但在低蓋度水平下出現(xiàn)明顯的波動，即航高在高于80m 后精度陡然上升，之后呈現(xiàn)下降趨勢，這表明ExGR 方法在航高高于80m 后不穩(wěn)定因素增加。因此，ExGR 方法在高、中蓋度水平下可選擇100m 航高進行觀測，在低蓋度水平下應在最高80m 航高進行觀測，以達到最大觀測面積和保持較穩(wěn)定的觀測性能。GLI 方法在高蓋度水平下的精度隨航高變化趨勢不明顯；但其在中、低蓋度水平下的精度隨航高升高而明顯下降，準確度下降幅度達到10%。所以，GLI方法在高蓋度水平可選擇100m 進行觀測，在中、低蓋度水平最好選擇20m 航高進行觀測以保持較高的精度。

為了更直觀地查看各植被指數(shù)最適航高的分析結(jié)果，表4 列出了不同植被指數(shù)在各蓋度水平下的最適航高。

3 討論

VEG 與ExG 草地蓋度估測精度均達在93%以上，具有優(yōu)秀的估測性能，并且估測精度隨蓋度增加而降低，這與丁肖等[19]對手機拍攝相片的草地植被蓋度估算的研究結(jié)果相似。ExGR 與GLI 草地蓋度估測效果較差，這在一定程度上反映了這兩種方法對經(jīng)驗閾值法的不適用性，另外人為主觀因素也可能是導致其誤差較大的重要因素之一。本研究中的草地蓋度信息是通過基于經(jīng)驗閾值法的處理方式而獲取的，所以處理人員的主觀性會不可避免地對處理結(jié)果造成一定影響。為了提高估測精度，應盡量取多人處理結(jié)果的均值為最終蓋度估測值。

表 4 各蓋度水平下UAV 最適航高Table 4 The optimal airworthy height of UAVs at each coverage level

無人機的航高決定了其草地觀測面積的大小，100m 航高的對地觀測面積幾乎是2 0 m 航高對地觀測面積的25 倍，因此提高無人機航高能夠有效增加觀測面積，提高草地監(jiān)測效率。本研究確定最適航高的目的是為提高無人機草地監(jiān)測的效率，在確定最適航高時，選擇精度差距在可接受的范圍內(nèi)選擇更高的飛行高度。由此確定了VEG、ExG、ExGR和GLI4 種方法的蓋度估測最適航高，并歸納在表4中。在蓋度計算時，若航高過高，拍攝的照片可能會不夠清晰，對草地的識別效果產(chǎn)生影響。葛靜等[3]比較了航高為30 和100m 時無人機航拍計算草地蓋度的效果，發(fā)現(xiàn)航高30m 的拍攝方法遠優(yōu)于航高100m 的方法，分析原因可能是無人機搭載的相機在100m 航高下不能滿足拍攝需求。而本研究中應用的植被指數(shù)方法在部分蓋度水平下，航高對蓋度估測精度的影響差異不顯著，說明本研究中無人機搭載的相機在較高的航高下也能滿足蓋度估算的需求。因此，改進無人機技術(shù)、提高其相機分辨率對未來草地資源調(diào)查的應用和發(fā)展具有重要的作用。

4 結(jié)論

本研究以蘭州大學榆中校區(qū)草地為研究對象，選用VEG、ExG、ExGR 和GLI 4 種植被指數(shù)估測草地蓋度，評估了4 種植被指數(shù)的估測性能，從無人機航高、草地蓋度等角度進行了植被指數(shù)的適用性分析，得出以下結(jié)論：

1)VEG 和ExG 方法的平均精確度均在93%以上，屬于較精確的草地蓋度估測方法。其中VEG 方法精度高、誤差穩(wěn)定，其估測效果優(yōu)于其他方法；ExG 方法的估測精確度最高，達到93.60%，但其誤差穩(wěn)定性不如VEG 方法；ExGR 與GLI 方法的精度與誤差穩(wěn)定性均較低，估測性能較差。

2)4 種方法的估測精度均隨蓋度增加而降低。VEG 方法估測草地蓋度的精度受蓋度水平的影響最小，在不同蓋度水平的草地上均具有較精確的估測效果；ExG 方法次之，其估測精度隨草地蓋度增加而有輕幅度的降低，但依然能夠保持高精度估測；ExGR 和GLI 方法對高蓋度草地的估測效果較差，其估測精度隨蓋度增加明顯降低。

3)VEG 方法在高、中蓋度水平下的最適航高為100m，在低蓋度水平下為4 0 m；ExG 和ExGR 方法在高、中蓋度水平下的最適航高為100m，在低蓋度水平下為80m；GLI 方法在高蓋度水平下的最適航高為100m，在中、低蓋度水平下為2 0 m。

本研究中，基于經(jīng)驗法的閾值確定方法可能會對研究結(jié)果產(chǎn)生影響。因此，研究各類植被指數(shù)區(qū)分植被和非植被的閾值自動提取算法將是基于RGB圖像的草地蓋度監(jiān)測亟待解決的問題之一。本研究使用無人機技術(shù)與RGB 植被指數(shù)方法相結(jié)合估測草地蓋度，這種方法對草地動態(tài)監(jiān)測、植被調(diào)查等方面的快速、精準作業(yè)具有重要意義，成功實現(xiàn)處理自動化與批量化將是后續(xù)研究的重要方向。