王 寧周明通魏 宣郭玉川
〔1.新疆大學(xué) 地理與遙感科學(xué)學(xué)院,新疆 烏魯木齊830017;2.綠洲生態(tài)教育部重點實驗室(新疆大學(xué)),新疆 烏魯木齊830017〕
天然植被是區(qū)域內(nèi)生態(tài)與環(huán)境因素的綜合反映,能夠維系生態(tài)環(huán)境各項功能的持續(xù)發(fā)揮[1]。在極端干旱區(qū),對天然植被生長狀況開展野外調(diào)查工作量大且相對困難,基于遙感數(shù)據(jù)獲取的植被指數(shù)來反演地表植被覆蓋狀況,是開展地面植被研究的重要方法之一。植被指數(shù)(Ⅵ)能夠通過特定的表達(dá)方式定量描述植被生長活力,而針對不同的應(yīng)用環(huán)境,植被指數(shù)又衍生出了多種表現(xiàn)形式[2]。因此,如何選擇植被指數(shù)研究不同環(huán)境下植被覆蓋問題受到廣泛關(guān)注。近年來,國內(nèi)外學(xué)者對稀疏植被覆蓋狀況反演開展了一些研究。葉靜蕓等[3]利用地面調(diào)查數(shù)據(jù),結(jié)合Quick Bird影像,提取樣方地上植被生物量與植被指數(shù)進(jìn)行回歸分析,認(rèn)為RVI估算烏蘭布和沙漠東北緣的荒漠—綠洲過渡帶地上生物量效果較好。崔萬新等[4]利用無人機(jī)可見光波段荒漠植被的光譜特性,反演多種可見光植被指數(shù),結(jié)果表明可見光波段差異植被指數(shù)、過綠減過紅指數(shù)、歸一化綠藍(lán)差異指數(shù)提取荒漠灌木植被精度較好。部分學(xué)者[5-6]對不同植被指數(shù)模型與實測數(shù)據(jù)進(jìn)行線性擬合,選取了當(dāng)?shù)刈钸m宜的植被指數(shù)。唐亮等[7]通過無人機(jī)低空遙感獲得樣方植被覆蓋度,與像元二分模型的反演結(jié)果(FVCM)進(jìn)行驗證,結(jié)果表明FVCM的精確度達(dá)到了83.1%。楊紅艷等[8]針對內(nèi)蒙古草原分類方法問題,使用無人機(jī)高光譜數(shù)據(jù)源對草原植被進(jìn)行機(jī)器學(xué)習(xí)算法分類,隨機(jī)森林分類精度較高。郝夢宇等[9]利用無人機(jī)影像對植被樣方進(jìn)行識別與分類,快速獲取植被信息數(shù)據(jù)。部分學(xué)者[10-12]在各自研究區(qū)利用衛(wèi)星、無人機(jī)傳感器數(shù)據(jù)反演的植被指數(shù)進(jìn)行分析,以期更好地指示植被生物量的時空變化及反演精度。國外學(xué)者對地面植被覆蓋狀況估算開展了眾多研究。Kattenborn等[13]將無人機(jī)航拍影像與Sentinel-1和Sentinel-2數(shù)據(jù)進(jìn)行空間升尺度匹配,以建立植被覆蓋度的估算模型。無人機(jī)遙感平臺集成多類型傳感器,使得小尺度范圍內(nèi)地面植被監(jiān)測成為可能。有學(xué)者[14-15]利用無人機(jī)影像獲得的多光譜植被指數(shù)、可見光植被指數(shù)[16]、植被結(jié)構(gòu)及布局[17],在各自研究區(qū)內(nèi)對地面植被進(jìn)行監(jiān)測與估算,估測準(zhǔn)確度較高。
綜上所述,眾多學(xué)者在不同尺度和不同場景下優(yōu)選植被指數(shù)反演覆蓋度方面進(jìn)行深入研究,基于無人機(jī)航拍獲取的覆蓋度,在大幅減少樣地調(diào)查工作量的同時可以盡可能降低植被樣方的抽樣誤差,以無人機(jī)航拍影像提取的植被覆蓋度為基準(zhǔn)可以更接近實際植被覆蓋情況。將無人機(jī)遙感作為數(shù)據(jù)源提取地面植被信息,相關(guān)研究主要集中在植被生長狀況較好的區(qū)域,沙漠戈壁地區(qū)稀疏植被有關(guān)報道較少[18]。為此,本研究依托無人機(jī)數(shù)據(jù)提取的植被覆蓋度,篩選極端干旱區(qū)指示植被覆蓋變化的最優(yōu)植被指數(shù),旨在提高反演植被覆蓋變化的精度,為研究維護(hù)綠洲生態(tài)安全,揭示該地區(qū)荒漠—綠洲共生關(guān)系提供參考。
克里雅河由南向北經(jīng)過于田綠洲流入塔克拉瑪干沙漠腹地,在尾閭處形成達(dá)里雅布依天然綠洲(圖1),綠洲位于38°16′—38°33′N,81°44′—82°5′E,地勢較為平坦,呈葉狀分布,進(jìn)入綠洲后干流由西南向東北和西北方向分支。根據(jù)于田縣氣象站資料,研究區(qū)多年平均氣溫11.76℃,多年平均降水量50.23 mm,多浮塵天氣。綠洲內(nèi)植被群落類型單一,主要以喬木胡楊(Populuseuphratica)、灌木檉柳(Tamarix ramosissima)以及草本植物蘆葦(Phragmites australis)為主[19]。
本研究選取塔克拉瑪干沙漠腹地的克里雅河尾閭綠洲達(dá)里雅布依作為研究區(qū),以Image J解譯出來的無人機(jī)航拍影像樣方的植被覆蓋度(FVC)為基礎(chǔ),選擇Sentinel-2B多光譜影像波段反演7種干旱區(qū)常用植被指數(shù),分別與FVC進(jìn)行Spearman相關(guān)分析,根據(jù)顯著性篩選結(jié)果,在R 4.1.1環(huán)境中建立逐步多元回歸、嶺回歸、套索回歸模型。在最佳回歸模型內(nèi),利用標(biāo)準(zhǔn)回歸系數(shù)、確定系數(shù)評價指標(biāo),確定反演研究區(qū)植被覆蓋狀況的最優(yōu)植被指數(shù)。利用不同年份的航拍數(shù)據(jù)對本研究結(jié)果進(jìn)行驗證。
2.2.1 無人機(jī)航拍影像 在天氣晴朗無風(fēng)條件下,采用大疆創(chuàng)新科技有限公司(DJI)生產(chǎn)的P4_Multispectral四旋翼無人機(jī)平臺,搭載了用于可見光(RGB)成像通道的CMOS影像傳感器,針對研究區(qū)植被覆蓋狀況開展低空拍攝,航拍時間為2021年8月23—26日,植被樣地分布如圖1所示。樣地航拍位置選擇遵循生態(tài)學(xué)野外調(diào)查方法與實地情況,在研究區(qū)按上中下游梯度均勻分布,每幅航拍樣地范圍是1 km×0.3 km,基本覆蓋了河床、沙地、灌木叢、蘆葦?shù)?、林地等地?能夠較好地代表當(dāng)?shù)刂脖桓采w實際狀況。飛行作業(yè)時,飛行器航高設(shè)置為100 m,航向重疊率為80%,旁向重疊率為70%,地面分辨率約5 cm,航拍樣地總面積約4.5 km2。借助大疆智圖軟件對無人機(jī)多幅可見光圖像進(jìn)行輻射校正及拼接處理,生成15幅樣地高清正射影像(digital orthophoto map,DOM)。
圖1 研究區(qū)遙感影像及各樣地位置
2.2.2 植被覆蓋度提取 本研究以Sentinel-2B影像10 m像元尺度為基準(zhǔn),將無人機(jī)航拍樣地以10 m×10 m的正方形為單位布設(shè)若干樣方,為避免樣方間距離過近而產(chǎn)生同質(zhì)性,各樣方間隔20 m,以SP5樣地為例繪制了樣方分布示意圖(圖2a,2b),Sentinel-2B影像的像元尺度與無人機(jī)樣方范圍保持高度一致(圖2c,2d)。
圖2 樣方分布示意圖(以SP5樣地為例)
植被樣方提取過程在ArcGIS 10.8中利用創(chuàng)建漁網(wǎng)、創(chuàng)建要素類、裁剪等工具完成,在15塊樣地內(nèi)共提取到了5 000個植被樣方。
樣方布設(shè)時,遵循與Sentinel-2B衛(wèi)星像元高度重合的原則,以達(dá)到衛(wèi)星像元植被指數(shù)值即為對應(yīng)樣方植被指數(shù)值的目的(如圖3a所示)。根據(jù)已有研究,利用無人機(jī)航拍影像在荒漠區(qū)劃分植被與非植被[20],代替人工調(diào)查植被覆蓋度是可行的[21],但主要以顏色指數(shù)劃分閾值來判斷植被,增加了區(qū)分植被的復(fù)雜性。Image J(Fiji)是基于JAVA語言的開源圖像處理軟件(http:∥imagej.nih.gov/ij/),早期常用于細(xì)胞熒光面積、傷口劃痕面積計算等生物醫(yī)學(xué)領(lǐng)域,支持圖像批量處理。研究區(qū)內(nèi)優(yōu)勢種以喬木胡楊和灌木檉柳為主,俯視形態(tài)上植被輪廓較為清晰,與細(xì)胞、劃痕邊緣相似,故本研究利用Image J測量各樣方內(nèi)植被覆蓋面積。計算植被覆蓋面積占樣方總面積的百分比,從而得到各樣方的FVC,根據(jù)野外實地植被調(diào)查,結(jié)合生態(tài)環(huán)境質(zhì)量評價標(biāo)準(zhǔn),將研究區(qū)植被覆蓋度進(jìn)行劃分[22]:劣覆蓋度(0%~20%)、低覆蓋度(20%~30%)、中覆蓋度(30%~60%)、高覆蓋度(60%~100%),不同覆蓋狀況下的解譯結(jié)果如圖3b—3e所示。
圖3 樣方布設(shè)及不同覆蓋狀況下分類結(jié)果
2.2.3 Sentinel-2B衛(wèi)星遙感影像 綜合對比常用遙感數(shù)據(jù)的時空分辨率、應(yīng)用廣泛性以及數(shù)據(jù)源獲取等方面,選擇Sentinel-2數(shù)據(jù)進(jìn)行常用植被指數(shù)的反演,其時間分辨率為5 d,空間分辨率可達(dá)10 m。為保證與無人機(jī)航拍時間空間的同步性和可比性,下載數(shù)據(jù)的衛(wèi)星過頂時間為當(dāng)?shù)?021年8月19日11:16,數(shù)據(jù)級別為Level-1C級影像數(shù)據(jù),下載自歐洲航空局哥白尼數(shù)據(jù)中心(https:∥scihub.copernicus.eu/dhus/#/home)。該期幅影像云量少,成像質(zhì)量高,與無人機(jī)航拍時間接近。Level-1C級數(shù)據(jù)已經(jīng)過輻射校正與幾何精校正處理,只需利用SentiNel Application Platform(SNAP)軟件中Sen2Cor插件進(jìn)行大氣校正處理即可。
2.2.4 植被指數(shù)選取 通過文獻(xiàn)梳理及研究區(qū)實際,本研究共選用歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、比值植被指數(shù)(RVI)、土壤調(diào)整植被指數(shù)(SAVI)、改進(jìn)型土壤調(diào)節(jié)植被指數(shù)(MSAVI)、全球環(huán)境監(jiān)測指數(shù)(GEMI)、大氣阻抗植被指數(shù)(ARVI)等7種干旱區(qū)常用植被指數(shù),其計算公式詳見表1。各樣方對應(yīng)的植被指數(shù)使用SentiNel Application Platform(SNAP)軟件中Vegetation Radiometric Indices功能進(jìn)行計算。
表1 主要植被指數(shù)計算公式
2.3.1 植被覆蓋度解譯精度評價 為客觀地掌握Image J對植被覆蓋度的提取精度,本研究采用總體分類精度(OA)評價指標(biāo)對提取結(jié)果進(jìn)行精度評價。由于本研究所使用的無人機(jī)航拍影像分辨率是cm級的,所以將人工目視解譯識別結(jié)果作為真實感興趣區(qū),與Image J提取結(jié)果計算混淆矩陣,得到總體分類精度OA,計算公式為:
式中:Q為植被樣方總數(shù);Qij為矩陣中第i行第j列上的頻數(shù);k為類別數(shù),僅有植被與裸地之分,k=2。
2.3.2 Spearman相關(guān)分析法 在進(jìn)行相關(guān)分析前需判斷變量的正態(tài)性分布。經(jīng)Shapiro-Wilk檢驗法(公式2)檢驗,順序統(tǒng)計量(W)雖接近1,但各變量參照系數(shù)(P)均小于0.05(表2),所以原始數(shù)據(jù)中變量并不服從正態(tài)分布[30]。較Pearson相關(guān)分析法而言,Spearman相關(guān)分析法不需要各變量服從正態(tài)分布,其適用范圍更廣[31]。本文選用Spearman相關(guān)分析法獲取樣方的植被覆蓋度與各植被指數(shù)的線性關(guān)系。
表2 Shapiro-Wilk正態(tài)分布檢驗結(jié)果
式中:Rw為統(tǒng)計數(shù)值;ai為常量;Zi為第i個樣本;z為樣本均值。
相關(guān)系數(shù)r的大小可以衡量變量間的相關(guān)程度,相關(guān)系數(shù)r的取值范圍是-1~1,正值則為正相關(guān),相反則為負(fù)相關(guān),相關(guān)系數(shù)r越大,即認(rèn)為變量間的關(guān)系越緊密。其計算公式為:
式中:n為樣本數(shù)量;Xi變量為各植被指數(shù)對應(yīng)值;Yi變量為無人機(jī)航拍樣方提取的植被覆蓋度;x,y分別對應(yīng)變量的平均值。
通過Spearman方法選擇顯著變量,同時判斷自變量間是否存在多重共線性,為植被覆蓋度與不同植被指數(shù)間的回歸分析模型選擇提供依據(jù)。
2.3.3 植被覆蓋度估算模型及驗證 目前,利用植被指數(shù)反演天然植被覆蓋度模型主要有線性回歸和非線性回歸兩類[32]。由于自變量間存在較強(qiáng)的共線性,故在R 4.1.1環(huán)境中將5 000組數(shù)據(jù)中隨機(jī)選取的4 000組不同植被指數(shù)值作為自變量,與對應(yīng)FVC引入逐步多元回歸分析模型(MSR)[33]、嶺回歸分析模型(RR)[34]以及套索回歸分析模型(LR)[35],削弱自變量間的多重共線性。
將其余1 000組數(shù)據(jù)用于模型精度驗證,計算決定系數(shù)(R2)、希爾不等系數(shù)(TIC)、均方根誤差(RMSE)、平均絕對誤差(MAE),檢驗回歸模型反演精度[36],其計算公式為:
式中:N為參與模型驗證的樣本數(shù);Ym為第m個樣方的實際植被覆蓋度值;?m為回歸模型反演的第m個樣方植被覆蓋度預(yù)測值;y為地上實際植被覆蓋度的平均值。TIC值越小,R2值越大,表明模型擬合效果越好。RMSE與MAE能夠很好評估數(shù)據(jù)變化,在相同模擬集和預(yù)測集條件下,RMSE與MAE的值越小,表示構(gòu)建的回歸分析模型精度越高。
2.3.4 植被指數(shù)優(yōu)選評價指標(biāo) 研究采用標(biāo)準(zhǔn)回歸系數(shù)與確定系數(shù)兩種評價指標(biāo)來確定最優(yōu)植被指數(shù)。首先,標(biāo)準(zhǔn)化回歸系數(shù)在一定程度上可以衡量自變量的相對重要程度,其絕對值大小可以說明多元回歸模型中自變量的相對重要性[37]。其次,運用LMG方法[38],將決定系數(shù)R2自然分解為每個自變量對因變量的貢獻(xiàn)程度,并且將自變量的獨自貢獻(xiàn)量和與其他自變量共同貢獻(xiàn)量考慮在內(nèi),可以衡量自變量的相對重要程度[39],評價指標(biāo)計算在R 4.1.1環(huán)境中完成。
2.3.5 結(jié)果驗證 本研究采用不同年份航拍數(shù)據(jù)對結(jié)果進(jìn)行驗證。航拍數(shù)據(jù)為2018年10月8日使用大疆Phantom 4Pro飛行器在研究區(qū)內(nèi)進(jìn)行植被樣地航拍的無人機(jī)影像(圖4,圖內(nèi)方框為布設(shè)的植被樣方);衛(wèi)星數(shù)據(jù)為2018年10月4日的Sentinel-2B遙感影像,云量少,成圖質(zhì)量較高。數(shù)據(jù)處理和分析過程與上文步驟一致,在樣地內(nèi)共提取到了660個植被樣方。
圖4 驗證樣地及樣方分布示意圖
本研究采用總體精度OA作為達(dá)里雅布依天然綠洲植被覆蓋度提取的評價指標(biāo)。在R 4.1.1環(huán)境中,使用caret包的createDataPartition函數(shù)進(jìn)行分段抽樣,從每個植被樣地中隨機(jī)抽選100個植被樣方進(jìn)行精度驗證,結(jié)果詳見表3。15個樣地平均總體精度為88.67%,各樣地分類精度分布在81%~96%,表明Image J可以較高精度提取樣方植被覆蓋度,能夠用于后續(xù)無人機(jī)航拍樣方提取植被覆蓋度的處理工作。
表3 植被覆蓋度提取精度
將Image J部分提取植被覆蓋度有誤的樣方參照目視解譯結(jié)果進(jìn)行修正,修正后的各樣地的植被覆蓋度統(tǒng)計結(jié)果如圖5所示。劣、低、中、高覆蓋度樣方分別占總樣方的55.44%,13.49%,22.24%,8.83%,各樣地內(nèi)不同覆蓋度樣方均有分布。
圖5 各樣地植被覆蓋度柱狀堆積圖
將樣方修正后的FVC與各植被指數(shù)進(jìn)行Spearman相關(guān)性分析(圖6)。由圖6可以看出,在0.001水平(雙側(cè))上,FVC與NDVI,DVI,RVI,SAVI,MSAVI,GEMI,ARVI植被指數(shù)間相關(guān)系數(shù)范圍為0.66~0.72,為中度相關(guān),且相關(guān)性均顯著,說明使用無人機(jī)影像反演的FVC與各植被指數(shù)間建立估算模型是可行的。而各樣方NDVI,DVI,RVI,SAVI,MSAVI,GEMI,ARVI均呈現(xiàn)正相關(guān)關(guān)系,且植被指數(shù)的相關(guān)系數(shù)超過0.9,自變量間表現(xiàn)出較強(qiáng)的多重共線性問題。MSR,RR,LR3種回歸模型對變量間的多重共線性問題有較好的適用性,可以進(jìn)行變量剔除。因此,本研究采用MSR,RR,LR回歸模型估算研究區(qū)植被覆蓋度。
圖6 FVC與各植被指數(shù)相關(guān)分析圖
基于以上植被覆蓋度與各植被指數(shù)的Spearman相關(guān)性分析結(jié)果,在R 4.1.1環(huán)境中,以FVC為因變量,NDVI,DVI,RVI,SAVI,MSAVI,GEMI,ARVI為自變量建立MSR,RR,LR回歸模型。首先,利用caret包中的preProcess函數(shù)將原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。使用step()功能建立逐步回歸模型,通過AIC指標(biāo)進(jìn)行變量篩選,lm()重新擬合MSR回歸模型。利用glmnet函數(shù)包建立RR回歸和LR回歸模型,通過lambda指標(biāo)進(jìn)行參數(shù)篩選,擬合出RR與LR回歸模型。為了進(jìn)一步驗證已建立的MSR,RR與LR回歸模型的可靠性和適應(yīng)性,將1 000組檢驗數(shù)據(jù)代入模型中進(jìn)行回判計算分析,通過因變量FVC的模型預(yù)測值與實際值的對比,以檢驗MSR,RR與LR回歸模型的預(yù)測效果。同時利用驗證數(shù)據(jù)進(jìn)行結(jié)論驗證,計算結(jié)果詳見表4。
表4 植被覆蓋度估算精度交叉驗證
可以看出,由MSR所建立的回歸模型的R2,TIC,RMSE,MAE在訓(xùn)練集與測試集上均優(yōu)于由LR,RR所建立的回歸模型。由分析可知,MSR,LR,RR由訓(xùn)練集與測試集所擬合的曲線變化較一致,擬合度相對較低,考慮到自變量共線問題,泛化能力相對較差。在驗證數(shù)據(jù)中,MSR模型的訓(xùn)練集R2,TIC,RMSE,MAE分別為0.41,0.51,0.88%和0.63%,測試集上的R2,TIC,RMSE,MAE分別為0.40,0.56,0.92%和0.67%,均優(yōu)于驗證數(shù)據(jù)中的LR,RR模型。因此,已建立的MSR逐步回歸模型具有一定的可靠性,較好地估算沙漠腹地達(dá)里雅布依天然綠洲的植被覆蓋狀況,故本研究采用MSR逐步回歸模型來進(jìn)行下一步的植被指數(shù)優(yōu)選。
在MSR逐步回歸模型中,采用標(biāo)準(zhǔn)回歸系數(shù)和確定系數(shù)兩種評價指標(biāo)進(jìn)行最優(yōu)植被指數(shù)篩選。由表5可知,在試驗和驗證數(shù)據(jù)中,SAVI,MSAVI兩種植被指數(shù)的標(biāo)準(zhǔn)回歸系數(shù)的絕對值遠(yuǎn)高于其他植被指數(shù),確定系數(shù)R2均小于1。而試驗數(shù)據(jù)中自變量間確定系數(shù)變化值范圍為0.14~0.2,驗證數(shù)據(jù)中自變量間確定系數(shù)變化值范圍為0.03~0.37,確定系數(shù)結(jié)果在同一數(shù)量級內(nèi),差異并不顯著,故以標(biāo)準(zhǔn)回歸系數(shù)所得結(jié)果作為參考得出結(jié)論,在逐步多元回歸模型中,自變量SAVI,MSAVI對因變量FVC變化影響程度最為顯著,說明反演極端干旱區(qū)植被覆蓋狀況的最優(yōu)植被指數(shù)為土壤調(diào)整型植被指數(shù)(SAVI,MSAVI)。
表5 最優(yōu)變量評價表
荒漠植被分布稀疏,地面信息提取難度相對較大。利用目視解譯等的傳統(tǒng)樣方植被覆蓋度獲取方法耗時耗力,而基于無人機(jī)的航拍植被樣方圖像,經(jīng)過Image J軟件的批量提取,可以大幅提高植被覆蓋度的獲取效率,但仍可能存在植被與裸地間植被覆蓋的提取混淆問題。參考本研究圖像處理過程中出現(xiàn)的問題,太陽照射下植物在地面的投影冗長,加重在裸地上的投影像素,而造成樣方植被覆蓋度提取混淆。在無人機(jī)航拍樣地時,應(yīng)選擇當(dāng)?shù)卣鐣r間或者日出時進(jìn)行拍攝,以減小樣方植被覆蓋度提取誤差。在植被覆蓋度提取過程中,還可以結(jié)合無人機(jī)航拍影像高精度的特點,利用稀疏植被紋理、形態(tài)、光譜等特征,提高沙漠地區(qū)植被信息的提取精度。
依據(jù)干旱、半干旱區(qū)地區(qū)常用植被指數(shù)及Sentinel-2B衛(wèi)星影像數(shù)據(jù)特征,初步優(yōu)選了NDVI,DVI,RVI,SAVI,MSAVI,GEMI,ARVI共7種較為典型的干旱區(qū)植被指數(shù),是否有更合適反演干旱區(qū)天然綠洲植被覆蓋狀況的植被指數(shù)需要做進(jìn)一步的研究。近年來,機(jī)器學(xué)習(xí)(machine learning,ML)十分流行,在數(shù)據(jù)處理上高效便捷,已經(jīng)廣泛應(yīng)用到多個領(lǐng)域中。利用常見的隨機(jī)森林、支持向量機(jī)等回歸算法,建立起植被覆蓋度與植被指數(shù)的關(guān)系,進(jìn)一步提高回歸模型的擬合精度。
本研究在Spearman相關(guān)性分析的基礎(chǔ)上,運用逐步多元回歸分析法得出結(jié)論,土壤調(diào)整型植被指數(shù)(SAVI,MSAVI)能夠更好指示極端干旱區(qū)天然綠洲植被覆蓋狀況。從以往文獻(xiàn)[40-44]中也可以看出,考慮了土壤背景影響的土壤調(diào)整型植被指數(shù)的估算結(jié)果與當(dāng)?shù)刂脖桓采w狀況的空間解譯結(jié)果高度契合。下一步將利用超低空遙感數(shù)據(jù)源,結(jié)合機(jī)器學(xué)習(xí)中的多種回歸算法,建立起樣方植被覆蓋度與可見光、多光譜植被指數(shù)的回歸模型,優(yōu)選能夠反演研究區(qū)地面植被覆蓋狀況的最佳模型。
(1)利用Image J軟件可以有效提高樣方植被覆蓋度解譯效率,平均總體精度OA達(dá)到88.67%,植被覆蓋度提取精度較高。提取大量樣方的植被覆蓋度,對于傳統(tǒng)的提取方式而言,Image J有較好的適用性。
(2)基于無人機(jī)航拍獲取植被覆蓋度,進(jìn)而建立植被指數(shù)—覆蓋度相關(guān)關(guān)系來獲取植被覆蓋變化的研究方法是可行的。本研究旨在重要變量因素的篩選,即對最優(yōu)植被指數(shù)的選擇,而不涉及地面植被覆蓋狀況的預(yù)測模型構(gòu)建與模型優(yōu)選,未來需引入多種機(jī)器學(xué)習(xí)回歸模型進(jìn)行優(yōu)選,提升反演精度。
(3)在極端干旱區(qū)綠洲生態(tài)系統(tǒng)中,土壤調(diào)整型植被指數(shù)(SAVI,MSAVI)能夠更好地反演天然綠洲植被覆蓋變化狀況。在不同環(huán)境下的荒漠地區(qū)是否能得到相同結(jié)果需要進(jìn)一步的數(shù)據(jù)分析與驗證。