徐云飛 張世文 夏可

摘 要：為探尋無(wú)人機(jī)遙感對(duì)礦業(yè)復(fù)墾區(qū)域植被指數(shù)覆蓋度的快速提取方法，以四川古藺某硫磺復(fù)墾區(qū)為研究對(duì)象，通過(guò)ZC-6型無(wú)人機(jī)獲取高分辨率遙感影像，采用多種植被指數(shù)計(jì)算方法作為分類器的選擇，使用直方圖峰谷法、基本全局閾值法及其融合方法確定圖像最佳分割閾值，從而獲取研究區(qū)植被覆蓋度結(jié)果。結(jié)果表明：不同植被指數(shù)分類后的結(jié)果有所差異，EXG和VDVI植被指數(shù)分類后影像界定較為清晰，而NGBDI指數(shù)分類最為模糊;單一直方圖峰谷法和基本全局閾值法所得分割結(jié)果不理想，而將二者融合后的閾值確定法能結(jié)合彼此的優(yōu)勢(shì)，彌補(bǔ)灰度不明顯或多峰現(xiàn)象的缺點(diǎn);植被覆蓋度（FVC）提取精度顯示，基于VDVI提取的人為干預(yù)條件下FVC的絕對(duì)誤差和提取誤差分別達(dá)到0.040 9和7.05%，而基于EXG提取的自然條件下FVC的絕對(duì)誤差和提取誤差分別達(dá)到0.036 6和6.94%，表明利用VDVI和EXG結(jié)合B-H融合的方法可有效用于復(fù)墾區(qū)條件下的FVC提取。

關(guān)鍵詞：無(wú)人機(jī);復(fù)墾區(qū);直方圖峰谷法;基本全局閾值法;植被指數(shù);植被覆蓋度

Abstract：To explore the rapid extraction method of unmanned aerial vehicle（UAV）remote sensing for vegetation index coverage in mining reclamation areas，the sulfur reclamation area in Gulin of Sichuan was used as a research object. ZC-6 UAV was used to obtain high-resolution remote sensing images and multiple vegetation indices were regarded as classifiers， from which the best ones were selected. The Histogram peak-valley method（HPVM），Basic Global Thresholding（BGT）and its fusion method（B-H）were used to determine the optimal segmentation threshold of the image， so as to get the results of vegetation coverage in the study area. The results obtained from the different vegetation indexes were not same. For example， the classification of the excess green （EXG）and visible-band vegetation index （VDVI）made the image clear， while normalized green-blue difference index （NGBDI）classification results were a little fuzzy. Moreover， the study also found that the segmentation results obtained by the single HPVM and BGT were not ideal， but the B-H method after the fusion of the two would combine the advantages of each other to make up for the shortcomings of inconspicuous grayscale or multi-peak. The absolute FVC extraction under human intervention conditions based on VDVI extraction the error and extraction error reached 0.040 9 and 7.05% respectively， while the absolute error and extraction error of FVC under natural conditions based on EXG extraction respectively reached 0.036 6 and 6.94%， indicating that the method of using VDVI and EXG combined with HPVM and BGT fusion can be effectively used for extraction accuracy of vegetation coverage（FVC）under the condition of reclaimed area.

Key words：unmanned aerial vehicle; reclamation area; histogram threshold method; iterative method; vegetation index; vegetation coverage

礦產(chǎn)資源是國(guó)家經(jīng)濟(jì)發(fā)展的物資基礎(chǔ)，是社會(huì)發(fā)展的重要推動(dòng)力。各類礦山開采帶給國(guó)民經(jīng)濟(jì)利益的同時(shí)，也給生態(tài)環(huán)境造成極大影響，如：長(zhǎng)期開采造成地面塌陷、局部地區(qū)積水、土地荒蕪、水土流失等問(wèn)題，因此需對(duì)開采后的礦區(qū)進(jìn)行生態(tài)修復(fù)[1]。據(jù)相關(guān)資料統(tǒng)計(jì)，我國(guó)近幾年的復(fù)墾率不到30%，而國(guó)外復(fù)墾率高達(dá)65%，對(duì)于中國(guó)這個(gè)人均資源相對(duì)匱乏的國(guó)家，仍需加強(qiáng)復(fù)墾工作，以達(dá)到保護(hù)生態(tài)環(huán)境、促進(jìn)社會(huì)和諧的目的[2]。

礦區(qū)生態(tài)修復(fù)常用手段為充填復(fù)墾，即改良土壤基層后種植植被，是最方便、成果最直觀的方法，其復(fù)墾結(jié)果評(píng)價(jià)可以選用植被覆蓋度作為一種定量指標(biāo)。植被覆蓋度（Fractional vegetation cover，F(xiàn)VC ）通常定義為統(tǒng)計(jì)范圍內(nèi)植被（包括葉莖）垂直投影面積所占的百分比，它是描述地表植被分布的重要參數(shù)，在評(píng)價(jià)區(qū)域生態(tài)環(huán)境、揭示地表植被變化、監(jiān)測(cè)植被長(zhǎng)勢(shì)等方面具有重要意義[3]。植被覆蓋度獲取方法主要有目估法、人工采樣法和光學(xué)儀器測(cè)量法，前兩種方法受人為因素干擾較大，其結(jié)果不確定性大，利用光學(xué)儀器測(cè)量主要是光度量計(jì)和數(shù)字相片，需要人工地面采集，耗損大量的人力、物力、財(cái)力[4]。在新時(shí)代發(fā)展背景下，無(wú)人機(jī)因其機(jī)動(dòng)、靈活的特性，在低成本的基礎(chǔ)上實(shí)現(xiàn)了空間和時(shí)間的辯證統(tǒng)一，緩解了高空間分辨率和時(shí)間分辨率的矛盾，而被應(yīng)用于各個(gè)領(lǐng)域。因此作為一種新興手段，可以考慮將其應(yīng)用于植被覆蓋度的提取，進(jìn)而為礦山生態(tài)環(huán)境修復(fù)評(píng)價(jià)提供一種快速、有效的技術(shù)手段。文獻(xiàn)[5]針對(duì)煤炭資源開發(fā)過(guò)程中形成的采煤沉陷、露天采場(chǎng)、固體廢棄物堆積等損毀對(duì)象，以及由此產(chǎn)生的耕地?fù)p失、環(huán)境惡化、空氣污染、礦-地沖突等礦區(qū)生態(tài)環(huán)境與社會(huì)問(wèn)題，改變?cè)械摹澳┒酥卫怼崩砟睿岢隽嗣旱V生態(tài)環(huán)境“邊開采邊修復(fù)”理念以及實(shí)現(xiàn)路徑;文獻(xiàn)[6]以單一污染指數(shù)、內(nèi)梅羅多因素指數(shù)和潛在生態(tài)風(fēng)險(xiǎn)指數(shù)為基礎(chǔ)，評(píng)估了我國(guó)華南某錳礦周圍5個(gè)礦區(qū)營(yíng)養(yǎng)狀況及污染水平;文獻(xiàn)[7]通過(guò)對(duì)6種典型地物在無(wú)人機(jī)影像可見光波段的光譜特性分析，提出了超綠紅藍(lán)差分指數(shù)（excess green-red-blue difference index，EGRBDI），其研究結(jié)果表明該指數(shù)提取精度受地物類型差異影響的波動(dòng)性較小，能較好地削弱影像中陰影等因素的影響;文獻(xiàn)[8]利用邏輯回歸算法，對(duì)具有復(fù)雜背景棉田冠層圖像進(jìn)行自適應(yīng)閾值分割，其結(jié)果表明邏輯回歸算法可為棉田自然復(fù)雜環(huán)境下機(jī)器視覺(jué)技術(shù)監(jiān)測(cè)棉花覆蓋度提供一種有效途徑;文獻(xiàn)[9]利用閾值分割算法提取出具有陰影圖像的油菜籽植株，用定量評(píng)價(jià)標(biāo)準(zhǔn)對(duì)普通RGB植被指數(shù)進(jìn)行了客觀的分割，其研究結(jié)果表明COM指數(shù)效果最優(yōu);文獻(xiàn)[10]利用可見光植被指數(shù)對(duì)喀斯特高原峽谷火龍果植株進(jìn)行識(shí)別，將OTSU算法與直方圖峰谷法對(duì)比，其研究結(jié)果表明VDVI是火龍果識(shí)別的最佳分割算法。

目前眾多專家學(xué)者致力于無(wú)人機(jī)影像植被指數(shù)構(gòu)建、圖像閾值分割算法研究及分割算法改進(jìn)等方面，鮮有人考慮將已有植被指數(shù)與多種閾值分割算法結(jié)合應(yīng)用于礦區(qū)生態(tài)修復(fù)效果評(píng)價(jià)方面，此外前人所開展的礦區(qū)研究大多集中于采后生態(tài)環(huán)境變化監(jiān)測(cè)，而對(duì)于具有人為擾動(dòng)條件下的復(fù)墾區(qū)生態(tài)恢復(fù)評(píng)價(jià)方面的監(jiān)測(cè)研究尚少。綜上，本文選取四川古藺某硫磺礦為研究區(qū)，綜合利用植被指數(shù)閾值分割算法中基本全局閾值法與直方圖峰谷法的優(yōu)勢(shì)，分析4種可見光植被指數(shù)在人為擾動(dòng)土壤下和自然土壤下的植被生長(zhǎng)狀況，探究適宜用作復(fù)墾區(qū)植被覆蓋度提取的分類方法，所得成果以期為礦區(qū)生態(tài)修復(fù)評(píng)價(jià)和方案決策提供理論基礎(chǔ)和方法支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于四川省古藺縣某硫磺礦復(fù)墾區(qū)，介于27°41′00″～28°20′00″N，105°34′00″～106°20′00″E，屬于亞熱帶季風(fēng)性濕潤(rùn)氣候，區(qū)內(nèi)平均氣溫在12.4～18.6℃，全縣年平均無(wú)霜期為260d。復(fù)墾區(qū)土地利用類型以耕地為主，林地集中分布于東南角，另有三處煤矸石填充地分別位于研究區(qū)北部、西部、及西南部地區(qū)。復(fù)墾區(qū)主要有兩種不同區(qū)域，人為擾動(dòng)區(qū)內(nèi)地物類型規(guī)整，各地物界限分明，耕地呈梯狀分布，且相對(duì)集中，如圖1（a）所示;自然生長(zhǎng)區(qū)內(nèi)地物類型交錯(cuò)重疊、耕地斑塊不規(guī)則，耕地邊界與灌木雜草疊掩，如圖1（b）所示。

1.2 數(shù)據(jù)獲取

本次實(shí)驗(yàn)數(shù)據(jù)獲取采用中測(cè)新圖公司自主研發(fā)的ZC-6監(jiān)測(cè)型無(wú)人機(jī)遙感系統(tǒng)，遙感設(shè)備選用SonyA7R型微單數(shù)碼相機(jī)，傳感器尺寸為36mm× 24mm，分辨率為3 600萬(wàn)像素。依據(jù)《低空數(shù)字航空攝影規(guī)范》（ CH /Z 3005—2010）及研究區(qū)地形特征，航向重疊設(shè)計(jì)為75%，旁向重疊設(shè)計(jì)為45%，無(wú)人機(jī)采集圖像時(shí)的飛行分辨率為5cm，相對(duì)航高為178.29m，飛行監(jiān)測(cè)范圍為11.44km2，最終獲取影像數(shù)目為72 992張。利用Pix4DMapper軟件拼接所得圖像，獲取復(fù)墾區(qū)正射影像圖。

1.3 研究方法

1）植被指數(shù)選取 植被指數(shù)是對(duì)地表植被狀況簡(jiǎn)單、有效的度量。遍覽文獻(xiàn)[11-13]眾多學(xué)者成果，對(duì)于植被覆蓋度較低、地物交錯(cuò)，且由人為干預(yù)土壤下生長(zhǎng)的植被，并未明確指出使用何種植被指數(shù)提取的效果較好，因此本文選擇應(yīng)用較為廣泛、效果較佳的4種植被指數(shù)作為分類器的依據(jù)，其分別為歸一化紅綠差異指數(shù)（normalized green-red difference index， NGRDI）、歸一化綠藍(lán)差異指數(shù)（normalized green-blue difference index， NGBDI）、過(guò)綠指數(shù)（excess green， EXG）和可見光波段差異植被指數(shù)（visible-band difference vegetation index， VDVI），具體指數(shù)計(jì)算公式如下

2）閾值法確定 圖像分割算法種類眾多，其中閾值分割算法由于其運(yùn)算速率快、提取效果佳而被眾多學(xué)者應(yīng)用于農(nóng)作物種植面積提取。為得到分類速度快、提取精度高的復(fù)墾區(qū)植被覆蓋度提取算法，以上述4種植被指數(shù)所得灰度圖為基礎(chǔ)，選取直方圖峰谷法與基本全局閾值法提取研究區(qū)植被。直方圖峰谷法（Histogram peak-valley method，HPVM）認(rèn)為圖像由前景和背景組成，其灰度直方圖有兩個(gè)波峰，分別對(duì)應(yīng)于圖像的背景和前景，其最佳閾值在波谷處取得[15]?；救珠撝捣╗16]（Basic Global Thresholding，BGT）以迭代法為基本思想，預(yù)先設(shè)定迭代結(jié)束條件及初始閾值，通過(guò)多次迭代計(jì)算，求得最佳分割值，其具體步驟如下。

④重復(fù)步驟②和③，直到Tk與Tk+1之差小于事先定義的參數(shù)量或?yàn)?時(shí)跳出循環(huán)，從而得到最佳分割閾值Tk+1。

3）FVC提取與精度評(píng)價(jià)

①FVC提取 植被覆蓋度在影像中表現(xiàn)為植被像元數(shù)占整個(gè)研究區(qū)域像元數(shù)的百分比，可依據(jù)此原理構(gòu)建如下植被覆蓋度計(jì)算公式F=N植被N植被+N非植被×100%（9）

②精度評(píng)價(jià)

傳統(tǒng)FVC精度評(píng)價(jià)方法主要通過(guò)實(shí)地調(diào)查驗(yàn)證，精度雖高但工作量大，耗費(fèi)大量人力、財(cái)力。隨著無(wú)人機(jī)遙感技術(shù)和分類算法的發(fā)展，文獻(xiàn)[17-18]學(xué)者以監(jiān)督分類結(jié)果作為植被覆蓋度真實(shí)值，在FVC提取精度評(píng)價(jià)方面取得良好效果。將無(wú)人機(jī)獲取的復(fù)墾區(qū)影像的監(jiān)督分類結(jié)果作為地面植被覆蓋度真實(shí)值，對(duì)植被指數(shù)閾值法獲得的結(jié)果進(jìn)行精度評(píng)價(jià)。

2 結(jié)果與分析

2.1 復(fù)墾區(qū)不同條件下植被指數(shù)計(jì)算

為研究植被指數(shù)算法在自然條件下的植被提取與人為擾動(dòng)下條件下植被提取規(guī)律，就復(fù)墾區(qū)內(nèi)選取地物類型相近的兩處區(qū)域（見圖1），分別進(jìn)行如下實(shí)驗(yàn)。

1）人為擾動(dòng)條件下植被指數(shù)結(jié)果 對(duì)復(fù)墾區(qū)人為擾動(dòng)條件下的區(qū)域計(jì)算EXG、VDVI、NGBDI及NGRDI這4種植被指數(shù)，復(fù)墾區(qū)植被指數(shù)計(jì)算結(jié)果如圖3所示。由植被指數(shù)分類結(jié)果可知，EXG、VDVI及NGBDI植被指數(shù)對(duì)不同地物邊緣分割較為清晰，而NGRDI指數(shù)對(duì)于植被覆蓋度低的區(qū)域識(shí)別不明顯;NGBDI指數(shù)相較于前兩種其細(xì)節(jié)信息模糊，對(duì)于道路、房屋與植被交錯(cuò)的區(qū)域識(shí)別度不高。

2）自然生長(zhǎng)條件下植被指數(shù)結(jié)果 為對(duì)比復(fù)墾區(qū)不同條件下植被恢復(fù)情況，對(duì)研究區(qū)自然生長(zhǎng)條件下的無(wú)人機(jī)遙感影像計(jì)算EXG、VDVI、NGBDI及NGRDI4種可見光波段植被指數(shù)，計(jì)算結(jié)果如圖3所示。從圖3可以看出，EXG和VDVI兩種植被指數(shù)結(jié)果相對(duì)較好，對(duì)不同地物表現(xiàn)清晰、準(zhǔn)確;而NGBDI及NGRDI這兩種植被指數(shù)對(duì)不同地物灰度劃分不明顯，地物邊緣不明確。

2.2 基于不同閾值法圖像分割

1）植被指數(shù)直方圖峰谷法閾值分割 為尋找復(fù)墾區(qū)無(wú)人機(jī)遙感影像分割的最佳閾值，使得植被與非植被分類結(jié)果更加精確。本文選用了直方圖峰谷法和基本全局閾值法對(duì)研究區(qū)不同植被指數(shù)求取最佳閾值，以達(dá)到分離植被的目的。由圖2、圖3所得植被指數(shù)通過(guò)統(tǒng)計(jì)不同植被指數(shù)值出現(xiàn)頻率，可以得到其灰度直方圖結(jié)果（見圖4）。由圖4可知EXG算法所得植被指數(shù)直方圖呈明顯的多峰現(xiàn)象;而其余3種算法所得植被指數(shù)呈雙峰時(shí)不明顯、呈多峰現(xiàn)象時(shí)表現(xiàn)為鋸齒狀，因此無(wú)法依據(jù)直方圖峰谷法基本原理求得最佳分割閾值。

2）基本全局閾值法閾值分割 針對(duì)植被指數(shù)直方圖峰谷法無(wú)法確定圖像的最佳分割閾值的情況，采用基本全局閾值法進(jìn)一步探究植被指數(shù)閾值法提取礦區(qū)植被覆蓋度的可行性。將基本全局閾值法思想利用MATLAB軟件實(shí)現(xiàn)，以上述所選4種植被指數(shù)為灰度圖，求得不同植被指數(shù)的最佳分割閾值（見表1）及復(fù)墾區(qū)植被與非植被分離結(jié)果（見圖5）。

由基本全局閾值法所得分割結(jié)果可知，將BGT算法應(yīng)用于復(fù)墾區(qū)植被覆蓋度提取時(shí)出現(xiàn)低估現(xiàn)象，在人為擾動(dòng)條件下，EXG、VDVI、NGBDI及NGRDI覆蓋度依次為34.59%、43.83%、15.10%及27.63，而人為擾動(dòng)條件下FVC真值為58.00%;在自然生長(zhǎng)區(qū)EXG、VDVI、NGBDI及NGRDI覆蓋度依次為39.19%、44.53%、15.10%和27.63%，而自然生長(zhǎng)條件下FVC真值為52.70%。利用BGT算法所得結(jié)果與真值相差較大，基于單一全局閾值法無(wú)法實(shí)現(xiàn)復(fù)墾區(qū)植被覆蓋度的準(zhǔn)確提取，其具體精度評(píng)價(jià)結(jié)果如表2所示。

3）基本全局閾值法與直方圖峰谷法融合算法 由于直方圖峰谷法在本研究中無(wú)法確定最佳分割閾值，而利用基本全局閾值法圖像分割效果不理想，綜上考慮將兩種方法融合，最終得到如下分割結(jié)果（見圖6～7）。為進(jìn)一步驗(yàn)證本文方法的精度，將研究區(qū)RGB影像利用MATLAB直接轉(zhuǎn)化為灰度圖，利用融合算法進(jìn)行圖像分割，其結(jié)果見圖6（b）、圖7（b）。由圖6可知，EXG和VDVI這兩種植被指數(shù)運(yùn)用B-H分割算法所得效果最好，典型地物區(qū)分度高、邊界明顯;而植被指數(shù)NGBDI對(duì)于房屋識(shí)別度高、輪廓明顯，對(duì)于其余地物特別是中部耕地所得效果不理想;直接灰度法與NGRDI方法相較于NGBDI方法效果略好，對(duì)于植被覆蓋度低的部分錯(cuò)分現(xiàn)象嚴(yán)重。

同理將B-H融合算法應(yīng)用于自然生長(zhǎng)區(qū)，其結(jié)果如圖7所示。EXG和VDVI植被指數(shù)分類結(jié)果較為理想，對(duì)于植被覆蓋度低的區(qū)域提取效果理想、耕地邊緣表示明顯，而對(duì)于灌木雜草混雜生長(zhǎng)的區(qū)域識(shí)別度差、部分灰綠色植被錯(cuò)分為裸地;直接灰度法、NGRDI及NGBDI這三種分割算法對(duì)于房屋陰影敏感，且NGRDI及NGBDI對(duì)道路、房屋這類規(guī)整地物其輪廓清晰，而直接灰度法所得結(jié)果略優(yōu)于NGBDI及NGRDI兩種方法。

2.3 復(fù)墾區(qū)植被覆蓋度提取結(jié)果與分析

為分析B-H算法的提取精度，按式（9）統(tǒng)計(jì)植被覆蓋度結(jié)果，利用式（10）～（11）精度分析方法，以監(jiān)督分類結(jié)果為實(shí)測(cè)值，對(duì)基于的無(wú)人機(jī)遙感可見光波段影像與植被閾值法的礦區(qū)植被覆蓋度進(jìn)行精度計(jì)算（見表3）。由表3可知，EXG分類閾值結(jié)果在人為擾動(dòng)區(qū)與自然生長(zhǎng)區(qū)絕對(duì)誤差分別為0.053 3和0.036 6，VDVI分類閾值結(jié)果在人為擾動(dòng)區(qū)與自然生長(zhǎng)區(qū)絕對(duì)誤差分別為0.040 9和0.026 0，這兩種方法提取精度最高;而NGBDI及NGRDI運(yùn)用融合算法后，其覆蓋度提取精度較單一基本全局閾值法提高了7%～10%;而運(yùn)用直接灰度法提取植被覆蓋度時(shí)其絕對(duì)誤差相對(duì)較大，說(shuō)明基于植被指數(shù)的閾值提取算法可以提高礦區(qū)植被覆蓋度提取精度。

3 討論

礦區(qū)生態(tài)修復(fù)對(duì)于緩解人地矛盾、改善礦區(qū)生態(tài)環(huán)境具有重要意義，傳統(tǒng)礦區(qū)生態(tài)恢復(fù)評(píng)價(jià)手段以人工實(shí)地調(diào)查為主，耗費(fèi)較多人力、物力、財(cái)力，而無(wú)人機(jī)以其獲取影像快速、成本低廉、精度相對(duì)較高而受到眾多專家學(xué)者青睞。無(wú)人機(jī)可見光波段不僅處理簡(jiǎn)單，而且輔以指數(shù)計(jì)算、紋理分析等手段可實(shí)現(xiàn)植被覆蓋度提取、農(nóng)作物面積估算及農(nóng)作物分類等信息的獲取，在推廣應(yīng)用上具有獲取數(shù)據(jù)簡(jiǎn)單、影像處理方便等特點(diǎn)，文獻(xiàn)[19]等諸多學(xué)者將可見光波段應(yīng)用于作物覆蓋度提取時(shí)獲得較高精度，而可見光波段在礦區(qū)復(fù)墾效果評(píng)價(jià)方面的應(yīng)用有待于深入挖掘。

傳統(tǒng)研究方法將單一閾值分割算法與植被指數(shù)相結(jié)合提取農(nóng)作物覆蓋面積時(shí)取得良好結(jié)果，本研究以無(wú)人機(jī)獲取的大范圍、高分辨率研究區(qū)影像為數(shù)據(jù)源，將4種植被指數(shù)作為分類器，應(yīng)用于礦區(qū)生態(tài)修復(fù)評(píng)價(jià)時(shí)發(fā)現(xiàn)，單一閾值算法應(yīng)用于復(fù)墾區(qū)植被覆蓋度提取時(shí)效果不太理想，可能是由于復(fù)墾區(qū)植被生長(zhǎng)復(fù)雜、人為擾動(dòng)大，使得運(yùn)用單一閾值分割算法精度有所降低，鑒于此，考慮將前人所用算法融合，再對(duì)研究區(qū)植被覆蓋度提取，經(jīng)研究表明EXG、VDVI是較為穩(wěn)定的分類器，其分類結(jié)果較為準(zhǔn)確，對(duì)于地物細(xì)節(jié)信息描述詳細(xì)，這與其他學(xué)者的研究結(jié)果一致，基于植被指數(shù)閾值法所得植被覆蓋度結(jié)果較為理想，表明B-H融合算法可作為一種復(fù)墾區(qū)生態(tài)恢復(fù)效果評(píng)價(jià)手段。

礦區(qū)生態(tài)修復(fù)方法眾多，不同復(fù)墾方式對(duì)于植被的長(zhǎng)勢(shì)影響不盡相同，本文以四川古藺的煤矸石填充礦區(qū)為研究區(qū)域，提出利用直方圖峰谷法與基本全局閾值法融合提取植被覆蓋度進(jìn)而評(píng)價(jià)復(fù)墾效果，而由于礦區(qū)復(fù)墾方式的復(fù)雜性及土體結(jié)構(gòu)的改變等原因，使用植被覆蓋度對(duì)復(fù)雜復(fù)墾方式下的復(fù)墾效果評(píng)價(jià)有待于進(jìn)一步驗(yàn)證。因此如何將閾值分割算法與植被覆蓋度提取結(jié)合應(yīng)用于復(fù)雜復(fù)墾區(qū)復(fù)墾效果評(píng)價(jià)是下一步研究工作的重點(diǎn)。

4 結(jié)論

本文為探究無(wú)人機(jī)遙感植被指數(shù)閾值法在復(fù)墾區(qū)生態(tài)修復(fù)評(píng)價(jià)中的可行性，通過(guò)對(duì)礦區(qū)人為擾動(dòng)條件和自然生長(zhǎng)條件下的植被覆蓋估算，評(píng)估了四川古藺某硫磺礦復(fù)墾情況，得出如下主要結(jié)論：

（1）根據(jù)監(jiān)督分類結(jié)果與植被指數(shù)閾值法結(jié)果比較，發(fā)現(xiàn)植被指數(shù)EXG和VDVI在礦區(qū)植被覆蓋度提取精度較高，可以有效解決人為擾動(dòng)條件下植被覆蓋度低時(shí)，提取植被覆蓋度效果不理想的問(wèn)題，能夠滿足礦區(qū)生態(tài)修復(fù)效果評(píng)價(jià)的要求;

（2）圖像分割閾值劃定對(duì)FVC的準(zhǔn)確提取起到至關(guān)重要的作用，利用直方圖峰谷法確定最佳閾值時(shí)直方圖出現(xiàn)了雙峰不明顯或多峰現(xiàn)象，這給閾值的確定帶來(lái)了影響;而利用基本全局閾值法確定閾值分割后的圖像與原始參考圖產(chǎn)生了較大的出入，精度較低;使用B-H融合算法分割后的結(jié)果較為準(zhǔn)確，此也表明將兩種方法融合能彌補(bǔ)單一方法存在的局限性;

（3）與直接灰度轉(zhuǎn)換法相比較，可見光植被指數(shù)與B-H融合閾值分割算法相結(jié)合確定的閾值結(jié)果較為理想，EXG在復(fù)墾區(qū)自然條件下植被絕對(duì)誤差和提取誤差分別達(dá)到0.036 6和6.94%;而對(duì)于復(fù)墾區(qū)人為干擾條件下VDVI對(duì)FVC的提取精度最高，絕對(duì)誤差和提取誤差分別達(dá)到0.040 9和7.05%。

參考文獻(xiàn)：

[1] ZHU ZHUWU，WEI SHOUMEI，ZHOU KE，et al.Evaluation and Analysis of Land Ecological Economic Benefit in Baodian Mining Area[J].IOP Conference Series：Earth and Environmental Science，2020，440（5）：052 037.

[2] XU YUJUN，MA LIQIANG，NASEER MUHAMMAD KHAN.Prediction and Maintenance of Water Resources Carrying Capacity in Mining Area-A Case Study in the Yu-Shen Mining Area[J].Sustainability，2020，12（18）：10.3390/su12187782.

[3] 梁順林，白瑞，陳曉娜，等.2019年中國(guó)陸表定量遙感發(fā)展綜述[J].遙感學(xué)報(bào)，2020，24（6）：618-671.

[4] ZHANG HEYU，GUAN WENKE，LI ZHIPENG，et al.Research on vegetation coverage and spatial distribution characteristics in Gobi region based on UAV image[J].Journal of Arid Land Resources and Environment，2020，34（2）：161-167.

[5] 胡振琪，肖武，趙艷玲.再論煤礦區(qū)生態(tài)環(huán)境“邊采邊復(fù)”[J].煤炭學(xué)報(bào)，2020，45（1）：351-359.

[6] LIU KEHUI，LIANG XIAOLU，LI CHUNMING，et al.Nutrient status and pollution levels in five areas around a manganese mine in southern China[J].Frontiers of Environmental science & Engineering，2020，14（6）：2 095-2 201.

[7] 高永剛，林悅歡，溫小樂(lè)，等.基于無(wú)人機(jī)影像的可見光波段植被信息識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（3）：178-189.

[8] 劉立波，程曉龍，戴建國(guó)，賴軍臣.基于邏輯回歸算法的復(fù)雜背景棉田冠層圖像自適應(yīng)閾值分割[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（12）：201-208.

[9] WU LANLAN，XIONG LIRONG，PING HUI.Quantitative evaluation of in-field rapeseed image segmentation based on RGB vegetation indices[J].Journal of Huazhong Agricultural University，2019，38（2）：109-113.

[10] ZHU MENG，ZHOU ZHONGFA，ZHAO XIN，et al.Recognition and Extraction Method of Single Dragon Fruit Plant in Plateau-Canyon Areas Based on UAV Remote Sensing[J].Tropical Geography，2019，39（4）：502-511.

[11] MARCIAL-PABLO，MARIANA DE JESUS，GONZALEZ-SANCHEZ A，et al.Estimation of vegetation fraction using RGB and multispectral images from UAV[J].International Journal of Remote Sensing，2019，40（2）：420-438.

[12] CHOI SEOK KEUN，LEE SOUNG KI，JUNG SUNG HEUK，et al.Estimation of Fractional Vegetation Cover in Sand Dunes Using Multi-spectral Images from Fixed-wing UAV[J].Journal of the Korean Society of Surveying Geodesy Photogrammetry & Cartography，2016，34（4）：431-441.

[13] 韓文霆，邵國(guó)敏，馬代健，等.大田玉米作物系數(shù)無(wú)人機(jī)多光譜遙感估算方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（7）：134-143.

[14] 卞雪.基于無(wú)人機(jī)低空遙感影像可見光波段的植被覆蓋率研究[D].南京：南京農(nóng)業(yè)大學(xué)，2017.

[15] 劉金，唐權(quán)華，余志斌，等.基于三維直方圖降維和重建的快速最小誤差閾值法[J].電子與信息學(xué)報(bào)，2014，36（8）：1 859-1 865.

[16] ZHANG，XUN，LI，JUELONG，XING，JIANCHUN，et al.A Wavelet Thresholding Method for Vibration Signals Denoising of High-Piled Wharf Structure Based on A Modified Artificial Bee Colony Algorithm [J].Journal of Vibroengineering，2016，18（5）：2 899-2 915.

[17] 趙靜，楊煥波，蘭玉彬，等.基于無(wú)人機(jī)可見光圖像的夏季玉米植被覆蓋度提取方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，（5）：232-240.

[18] 牛亞曉，張立元，韓文霆，等.基于無(wú)人機(jī)遙感與植被指數(shù)的冬小麥覆蓋度提取方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（4）：212-221.

[19] 楊煥波，趙靜，蘭玉彬，等.基于無(wú)人機(jī)可見光遙感和閾值法的玉米植被覆蓋度提取[J].福建農(nóng)林大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，49（2）：283-288.

（責(zé)任編輯：李 麗，范 君）