賀倉國，佘冬立,*，張翔，楊震

（1.河海大學(xué)農(nóng)業(yè)科學(xué)與工程學(xué)院，江蘇 南京 211100；2. 中國科學(xué)院水利部水土保持研究所黃土高原土壤侵蝕與旱地農(nóng)業(yè)國家重點實驗室，陜西 楊凌 712100）

植被作為生態(tài)環(huán)境的重要組成部分，是人類不可或缺的自然資源[1]。黃土高原地區(qū)因自然和人為因素，植被破壞嚴(yán)重，區(qū)域生態(tài)環(huán)境一度惡化[2]。自1999 年退耕還林（草）至今，黃土高原地區(qū)植被覆蓋大幅度提升，表現(xiàn)為持續(xù)改善狀態(tài)[3-4]。小流域植被生長狀況的快速、高精度和低成本監(jiān)測是退耕還林還草與生態(tài)環(huán)境建設(shè)評價的重要基礎(chǔ)工作。無人機(jī)遙感技術(shù)的發(fā)展為黃土高原地區(qū)實時動態(tài)監(jiān)測植被狀況提供了新手段[5-7]。

在遙感領(lǐng)域中，植被指數(shù)可以較好地反映植被特性，以期反演植被覆蓋度、生物量、植被葉綠素含量等生物物理與化學(xué)參數(shù)[8-9]。目前國內(nèi)外研究提出的植被指數(shù)較多，其中基于可見光波段信息的植被指數(shù)得到廣泛關(guān)注。汪小欽等[10]利用可見光波段差異植被指數(shù)（Visible-band difference vegetation index, VDVI），結(jié)合雙峰直方圖閾值法和直方圖熵閾值法，實現(xiàn)了高精度提取福建省鄉(xiāng)鎮(zhèn)健康綠色植被信息。周濤等[11]在研究江蘇省徐州市區(qū)綠色植被信息提取中，構(gòu)建了差異增強(qiáng)植被指數(shù)（Difference enhanced vegetation index, DEVI），結(jié)合雙峰直方圖閾值法和大津法，認(rèn)為DEVI 可高精度提取建筑物與植被稀疏區(qū)之間的綠色植被信息。高永剛等[12]借鑒紅綠藍(lán)植被指數(shù)（Red-green-blue vegetation index, RGBVI）構(gòu)建原理，提出了超綠紅藍(lán)差分指數(shù)（Excess green-red-blue difference index, EGRBDI），進(jìn)一步增強(qiáng)植被在綠光波段的強(qiáng)反射效果，擴(kuò)大植被信息識別范圍，結(jié)果表明EGRBDI 受地物類別差異影響較小。Torres-Sánchez 等[13]提取麥田植被信息時，認(rèn)為無人機(jī)可見光影像適用于小麥等窄行距作物的分析，研究表明植被指數(shù)（Vegetative index, VEG）與超 綠指數(shù)（Excess green index, ExG）提取精度大于83%。 Hunt 等[14]通過歸一化綠紅差異指數(shù)（Normalized green-red difference index, NGRDI）開展了玉米營養(yǎng)狀況以及作物生物量估算研究；Meyer 和Neto[15]研究表明超綠超紅差異指數(shù)（Excess green minus excess red index, ExG-ExR）能有效識別植物生物量、殘留物與土壤的關(guān)系。上述研究表明，基于可見光波段的植被信息提取均取得了較佳的效果。

目前黃土高原地區(qū)主要通過歸一化植被指數(shù)（Normalized difference vegetation index, NDVI）進(jìn)行植被狀況監(jiān)測與研究[16-17]，對于可見光影像的植被信息提取鮮有報道。根據(jù)黃土高原地勢復(fù)雜多樣、植被分布不均等特點，本研究在小流域可見光影像基礎(chǔ)上，通過植被與非植被像元值特性分析，構(gòu)建了一種簡化可見光植被指數(shù)（SVVI）；對比8 種常用可見光植被指數(shù)，并選擇兩個小流域進(jìn)行適用性驗證，以期實現(xiàn)黃土高原地區(qū)小流域植被生長狀況快速、高精度和低成本監(jiān)測。

1 研究區(qū)概況

圖1 研究區(qū)位置及可見光影像Fig. 1 Location and visible light image of the study area

本文選取黃土高原朱家川流域下游后會溝小 流域無人機(jī)可見光影像進(jìn)行植被指數(shù)構(gòu)建，選擇郜 家峪溝小流域和細(xì)嶺溝小流域進(jìn)行驗證（圖1）。 后會溝小流域位于38°59′10″～38°59′50″N，111°1′0″～ 111°1′50″E。小流域地物種類豐富，溝壑縱橫，侵蝕溝明顯，其植被覆蓋區(qū)主要有林地、草地、灌叢、農(nóng)田，非植被區(qū)主要有建筑物、裸土、道路；郜家峪溝小流域位于38°5′2″～38°5′22″N，111°35′18″～ 111°35′56″E，其植被覆蓋度較高，地勢相對平坦；植被覆蓋區(qū)主要有林地、草地、農(nóng)田，非植被區(qū)主要有道路、裸土；細(xì)嶺溝小流域位于39°6′12″～ 39°6′48″N，111°55′7″～111°55′43″E；植被覆蓋區(qū)以人工林、農(nóng)田、草地為主，非植被區(qū)以道路、棄土場、林間空地為主。影像拍攝時間為2019 年9 月下旬，采用大疆精靈4 PRO V2.0 四旋翼無人機(jī)拍攝，拍攝高度為180 m，拍攝時天氣狀況良好，風(fēng)力2～3 級，所受氣象因素影響較小，空間分辨率為0.08～0.10 m。

2 研究方法

2.1 常用的可見光植被指數(shù)

可見光植被指數(shù)是根據(jù)不同地物在紅、綠、藍(lán)波段上反射與吸收的差異性，通過不同形式組合運算，增強(qiáng)植被與非植被信息之間的差異識別度，凸顯植被信息，其本質(zhì)是通過綜合考慮可見光影像柵格中波段信息，進(jìn)行數(shù)學(xué)變換，以此區(qū)分并提取植被與非植被信息[18]。本文選取了目前常用的、地物類型相近且提取效果較好的可見光植被指數(shù)進(jìn)行對比分析，其計算式詳見表1。

表1 選擇對比的可見光植被指數(shù)Table 1 Visible light vegetation index selected for comparison

2.2 閾值確定與精度檢驗

常用的閾值確定方法有雙峰直方圖法[12]、大津法[11]和樣本統(tǒng)計法[21]等。雙峰直方圖是指在研究區(qū)植被指數(shù)直方圖中有2 個“山峰”，通常選取峰谷所對應(yīng)的值作為植被與非植被分割閾值。大津法是由大津展之（Nobuyuki Otsu）提出的一種全局閾值確定方法，利用閾值將圖像分為兩類，通過類間方差提取目標(biāo)信息。樣本統(tǒng)計法是指通過目視判別和實地調(diào)查勾畫一定數(shù)量的感興趣區(qū)，繪制統(tǒng)計直方圖，其中曲線交點處的植被指數(shù)值即為閾值。后會溝小流域因地物種類豐富且地物類型相接近，研究區(qū)植被指數(shù)統(tǒng)計直方圖不具備雙峰性質(zhì)，故本文采用樣本統(tǒng)計法確定閾值。在可見光影像上各選取110 個植被與非植被感興趣區(qū)，統(tǒng)計植被指數(shù)值繪制直方圖，以交點作為分割閾值。

采用支持向量機(jī)（SVM）機(jī)器學(xué)習(xí)算法進(jìn)行植被指數(shù)精度檢驗。利用閾值將各植被指數(shù)計算結(jié)果分割為植被與非植被的二值化圖，以混淆矩陣精度高于98%、Kappa 系數(shù)高于0.95 的監(jiān)督分類結(jié)果作為植被信息提取參考圖，與各植被指數(shù)二值化圖對比分析，并以混淆矩陣進(jìn)行精度檢驗[27-28]。

2.3 植被覆蓋度計算

利用構(gòu)建的簡化可見光植被指數(shù)（SVVI），結(jié)合像元二分模型[29]計算植被覆蓋度，公式為：

式中：FVC 為植被覆蓋度，SVVI 為可見光植被指數(shù) 值，SVVIveg為完全被植被覆蓋的像元SVVI 值，SVVIsoil為完全被非植被覆蓋的像元SVVI 值。本文選取研究區(qū)累計頻率為99%處的SVVI 值為SVVIveg，累計頻率為1%處的SVVI 值為SVVIsoil[30-31]。

3 結(jié)果與分析

3.1 簡化可見光植被指數(shù)（SVVI）構(gòu)建

為構(gòu)建可見光植被指數(shù)，需根據(jù)地物分類選擇樣區(qū)，統(tǒng)計分析樣區(qū)地物在不同波段上的像元值特性。通過ENVI5.3 軟件在后會溝小流域影像圖中勾畫樣區(qū)，其中林地樣區(qū)20 個、灌叢樣區(qū)25 個、農(nóng)田樣區(qū)20 個、草地樣區(qū)30 個、道路樣區(qū)20 個、裸土樣區(qū)25 個、建筑物樣區(qū)20 個。各典型地物樣區(qū)在三波段中的像元平均值以及標(biāo)準(zhǔn)差見圖2。植被因在綠光波段有較強(qiáng)反射性，表現(xiàn)為綠光波段像元平均值大于紅、藍(lán)光波段像元平均值。植被樣區(qū)各波段像元平均值顯著低于非植被樣區(qū)各波段像元平均值（p＜0.05）；但不同類型植被之間或不同類型非植被地物之間各波段像元值差異不顯著（p＞0.05）。

結(jié)合健康綠色植被光譜曲線特征，以綠光波段為植被與非植被信息分割的關(guān)鍵波段，將綠光波段減去0.0～0.5 倍紅光波段和0.5～1.0 倍藍(lán)光波段，抑制紅、藍(lán)光波段對綠光波段的影響，可構(gòu)建簡化可見光植被指數(shù)。通過將各波段像元值開二次方處理縮小像元值范圍，更加準(zhǔn)確地計算植被與非植被的分割閾值。通過多次試驗計算結(jié)合混淆矩陣總體精度，得到紅、藍(lán)光波段系數(shù)，構(gòu)建簡化可見光植被指數(shù)（SVVI）公式為：

式中：R、G、B 分別為紅、綠、藍(lán)波段像元值。

對于綠色植被而言，綠光波段像元平均值顯著高于紅、藍(lán)光波段像元平均值，部分植被樣區(qū)紅光波段像元值略大于藍(lán)光波段像元值，植被樣區(qū)的SVVI 值為正值；而非植被樣區(qū)三波段像元平均值差異不顯著，紅、藍(lán)光波段系數(shù)之和略大于1，使非植被樣區(qū)的SVVI 值為負(fù)值，通過SVVI 的數(shù)值差異分割植被與非植被。

圖3 各植被指數(shù)計算結(jié)果Fig. 3 Calculation results of each vegetation indices

對比SVVI 與常用可見光植被指數(shù)計算結(jié)果如圖3 所示。從整體來看，SVVI 和ExG-ExR 在植被與非植被區(qū)域紅綠對比顯著，EGRBDI 整體區(qū)分度較差；從細(xì)部結(jié)構(gòu)來看，各植被指數(shù)計算的林地綠色亮度明顯高于其他植被類型，且各植被指數(shù)表現(xiàn)差異不顯著。對比草地、灌叢、農(nóng)田與裸土?xí)r發(fā)現(xiàn)，ExG-ExR 紅綠差異最為顯著，其次為SVVI、CIVE和NGRDI。對比草地、灌叢、農(nóng)田與建筑物、道路時發(fā)現(xiàn)，SVVI、ExG-ExR、CIVE 紅綠對比差異顯著；但在識別藍(lán)色頂棚建筑物時，ExG-ExR 與NGRDI識別度較低，極易被錯分為植被，而SVVI 和CIVE對藍(lán)色頂棚建筑物具有較高的識別度。

3.2 植被信息提取精度分析

圖4 為SVVI 和各常用植被指數(shù)值統(tǒng)計直方圖。植被與非植被像元值頻數(shù)曲線交點為其分割閾值，其中SVVI、CIVE、DEVI、EGRBDI、ExG、ExG-ExR、 NGRDI、RGBVI、VDVI 閾值依次為1.57、18.76、0.97、0.62、7.11、43.76、0.01、0.03 和0.01。根據(jù)閾值和直方圖，統(tǒng)計感興趣區(qū)內(nèi)植被與非植被交叉部分占感興趣區(qū)的累計頻率，以此作為精度檢驗的參考指標(biāo)。同時結(jié)合閾值將各植被指數(shù)計算結(jié)果圖分割為植被與非植被二值化圖像，進(jìn)行混淆矩陣精度檢驗，結(jié)果見表2。當(dāng)直方圖交叉部分累計頻率越小，所對應(yīng)的混淆矩陣總體精度越高，Kappa 系數(shù)也越大。后會溝小流域SVVI 混淆矩陣總體精度為96.37%，Kappa 系數(shù)為0.93，同時直方圖交叉部分累計頻率為4.12%，植被信息提取效果最佳，表明SVVI 能最大程度地識別植被與非植被間的差異性。ExGExR 效果次之，總體精度為94.14%，Kappa 系數(shù)為0.88，直方圖交叉部分累計頻率為5.25%。結(jié)合植被指數(shù)計算結(jié)果分析，在植被覆蓋度不高且地物種類豐富的后會溝小流域進(jìn)行植被信息提取時，各植被指數(shù)對林地都有極佳的提取效果；SVVI 在植被稀疏的草地、灌叢、農(nóng)田等區(qū)域植被信息提取效果較好，同時能準(zhǔn)確地將建筑物、道路與裸土分割為非植被信息，特別是對藍(lán)色頂棚建筑物處的識別 準(zhǔn)確。

圖4 植被指數(shù)值統(tǒng)計直方圖Fig. 4 Statistical histogram of vegetation index values

表2 各植被指數(shù)精度檢驗Table 2 Accuracy test of each vegetation index

3.3 植被指數(shù)適用性評價

選擇用于驗證的郜家峪溝小流域和細(xì)嶺溝小流域地勢較為平坦，農(nóng)田較多，植被覆蓋度明顯高于后會溝小流域。根據(jù)上述結(jié)果選取SVVI、ExGExR 和CIVE 進(jìn)行適用性驗證。由表3 可知，SVVI和ExG-ExR 植被信息提取效果均優(yōu)于CIVE，兩者的混淆矩陣總體精度均在90%以上。對比SVVI 與ExG-ExR 發(fā)現(xiàn)，在農(nóng)田面積較大且裸土與建筑物等非植被信息較少的區(qū)域中，ExG-ExR 植被信息提取效果略優(yōu)于SVVI。綜合3 個小流域植被信息提取效果來看，SVVI 能更準(zhǔn)確識別建筑物為非植被信息，具有更廣泛的適應(yīng)性。

表3 驗證區(qū)閾值與精度檢驗Table 3 Verification area threshold and accuracy test

根據(jù)公式（1）計算了后會溝、郜家峪溝和細(xì)嶺溝小流域植被覆蓋度（圖5）。從圖中可以明顯看出，監(jiān)督分類結(jié)果僅能分割出植被與非植被兩種信息，無法更進(jìn)一步展示植被覆蓋狀況，模糊了可見光影像中植被數(shù)據(jù)信息；基于SVVI 值計算植被覆蓋度時，能有效地保留植被指數(shù)信息，可以清晰地識別不同區(qū)域位置植被覆蓋度狀況。后會溝小流域順侵蝕溝方向的林地分布區(qū)域植被覆蓋度值最大，草地、灌叢區(qū)域植被覆蓋度值較低。郜家峪溝小流域林地和耕地區(qū)域植被覆蓋度較高。細(xì)嶺溝小流域植被覆蓋度較高區(qū)域主要分布在農(nóng)田區(qū)域，人工林分布帶因栽種時間不長還未發(fā)育為成片林地導(dǎo)致植被覆蓋度值較低。3 個小流域計算的植被覆蓋度空間分布情況與地表植被生長和覆蓋現(xiàn)狀基本保持一致，表明SVVI 可以實現(xiàn)黃土高原小流域高精度、低成本的植被信息提取與植被狀況實時監(jiān)測。

4 討論

本研究結(jié)合無人機(jī)遙感技術(shù)的應(yīng)用，提出了一種適宜黃土高原小流域的簡化可見光植被指數(shù)SVVI 進(jìn)行植被信息提取。從SVVI 計算公式來看，構(gòu)建原理簡潔明了，通過在綠光波段的基礎(chǔ)上減去0.48 倍紅光波段和0.67 倍藍(lán)光波段達(dá)到抑制紅、藍(lán)光波段的效果。在健康綠色植被光譜曲線中[10]，各波段反射率表現(xiàn)為：綠光＞紅光＞藍(lán)光，結(jié)合本文樣區(qū)中不同地物類型各波段的像元值特性，使得構(gòu)建的SVVI 對紅光波段的抑制效果低于藍(lán)光波段。式中將各波段像元值開二次方處理能有效地縮小像元值范圍，準(zhǔn)確計算出植被與非植被的分割閾值。從研究區(qū)域來看，目前針對可見光植被指數(shù)的研究大多集中在城市與鄉(xiāng)鎮(zhèn)綠地[11,23]、農(nóng)田[13-14,22]、喀斯特石漠化地區(qū)[21]和灌區(qū)[28]，不同研究區(qū)域的地物分布格局顯著不同，對可見光植被指數(shù)的選擇有較顯著的影響。黃土高原地區(qū)地勢復(fù)雜多樣，植被分布不均，鄉(xiāng)村聚落在總體上表現(xiàn)為數(shù)量多、規(guī)模小和分布零散等特點，增大了植被與非植被區(qū)域分割邊界線長度范圍，嚴(yán)重影響植被信息提取精度。對比8 種常用可見光植被指數(shù)，SVVI 能更為精準(zhǔn)地識別黃土高原小流域的植被和非植被信息。研究發(fā)現(xiàn)SVVI 對于藍(lán)色頂棚建筑物的識別度優(yōu)于ExGExR 和NGRDI 等可見光植被指數(shù)，其中ExG-ExR對藍(lán)光波段的抑制遠(yuǎn)低于紅光波段，而NGRDI 未涉及對藍(lán)光波段的計算，因此對藍(lán)色頂棚建筑物識別較差，這與謝兵等[32]研究結(jié)果相一致。

圖5 植被覆蓋度圖Fig. 5 Vegetation coverage map

5 結(jié)論

1）本文在黃土高原地區(qū)獨特的地物分布格局下，通過分析植被與非植被樣區(qū)像元值特性，結(jié)合健康綠色植被光譜曲線特征，構(gòu)建了簡化可見光植被指數(shù)SVVI，植被SVVI 值為正值，非植被SVVI值為負(fù)值。

2）SVVI 能準(zhǔn)確識別黃土高原小流域的植被信息與道路、裸土和建筑物等非植被地物信息。在地物種類豐富的后會溝小流域植被信息提取中，混淆矩陣總體精度為96.37%，Kappa 系數(shù)為0.93。

3）SVVI 在黃土高原地區(qū)有較好的穩(wěn)定性與適用性。在地物類型單一的郜家峪溝和細(xì)嶺溝小流域植被信息提取中，SVVI 混淆矩陣總體精度仍高于90%。對比監(jiān)督分類結(jié)果，SVVI 植被覆蓋度計算在保證高精度的前提下，保留了區(qū)域植被信息。本文研究表明無人機(jī)遙感技術(shù)結(jié)合SVVI 可見光植被指數(shù)可以實現(xiàn)黃土高原小流域植被信息快速、低成本和高精度提取。