摘 要：【目的】尋求一種高效、低廉、準(zhǔn)確的植被覆蓋反演方法，為其他類似地區(qū)的植被覆蓋監(jiān)測提供參考。【方法】以黃河流域（鄭州段）為研究區(qū)域，采用高分辨率可見光影像作為數(shù)據(jù)源，開展植被覆蓋反演的關(guān)鍵技術(shù)研究。通過計算植被覆蓋指數(shù)和各種算法的準(zhǔn)確度，確定最優(yōu)的可見光影像植被覆蓋反演算法?！窘Y(jié)果】經(jīng)過各類植被指數(shù)反演算法結(jié)果的比對，GLI植被指數(shù)算法總體準(zhǔn)確度為96.59%，其他3種算法的準(zhǔn)確度較低，分別為80.94%、83.3%和83.56%。證明GLI算法可被應(yīng)用在類似的植被覆蓋監(jiān)測中。【結(jié)論】基于無人機可見光影像進行植被覆蓋反演是一種低成本、效率高、易操作的方法。

關(guān)鍵詞：黃河流域；無人機；可見光影像；植被覆蓋

中圖分類號：X87" " "文獻標(biāo)志碼：A" " 文章編號：1003-5168（2024）13-0087-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.13.018

Research on Vegetation Coverage Inversion in the Yellow River Basin （Zhengzhou Section） Based on Visible Light Images

GUO Xuebai1 REN Chaodong2

（1.Henan Vocational College of Water Conservancy and Environment， Zhengzhou 450008， China;

2.The 27th Research Institute of China Electronics Technology Group Corporation， Zhengzhou 450047， China）

Abstract： [Purposes] This paper explores an efficient， cost-effective， and accurate vegetation coverage inversion method to provide a reference for vegetation coverage monitoring in other similar regions. [Methods] Taking the Yellow River Basin （Zhengzhou section） as the study area， this research employs high-resolution visible light images as data sources to conduct key technology research on vegetation coverage inversion. By calculating vegetation coverage indices and assessing the accuracy of various algorithms， the optimal visible light image-based vegetation coverage inversion algorithm is determined. [Findings] Through the comparison of inversion results using various vegetation indices， the overall accuracy of the GLI vegetation index algorithm is found to be 96.59%， significantly higher than the other three algorithms with accuracies of 80.94%， 83.3%， and 83.56%， respectively，which demonstrates the applicability of the GLI algorithm in similar vegetation coverage monitoring scenarios. [Conclusions] Vegetation coverage inversion based on unmanned aerial vehicle （UAV） visible light imagery represents a low-cost， efficient， and easy-to-operate method.

Keywords：Yellow River Basin; unmanned aerial vehicles; visible light images; vegetation coverage

0 引言

黃河流域作為典型的大流域，具有豐富的自然資源，在我國經(jīng)濟發(fā)展和生態(tài)文明建設(shè)中具有重要的地位。受到地理環(huán)境、歷史條件等影響，黃河流域經(jīng)濟發(fā)展水平相對落后，水土流失、人為污染等問題也導(dǎo)致其生態(tài)環(huán)境較脆弱。黃河流域生態(tài)保護和高質(zhì)量發(fā)展是我國的重大戰(zhàn)略需求［1］。本研究基于可見光影像技術(shù)，對黃河流域（鄭州段）植被覆蓋率進行研究，以期為黃河流域高質(zhì)量發(fā)展提供參考。

隨著遙感技術(shù)的不斷發(fā)展，其在環(huán)境監(jiān)測［2］、資源調(diào)查［3］和生態(tài)研究［4］等領(lǐng)域的應(yīng)用越來越廣泛。黃河流域作為我國重要的農(nóng)業(yè)生產(chǎn)區(qū)和生態(tài)保護區(qū)，植被覆蓋情況和生物多樣性狀況一直備受關(guān)注。無人機作為一種輕型、低成本的地面操作遙感平臺，逐漸成為科學(xué)領(lǐng)域的熱門工具，為研究者們提供了一條能夠在空間上和時間尺度上對環(huán)境進行響應(yīng)性、及時性監(jiān)測的途徑。本研究旨在尋求一種低成本、效率高、實時性好、精度高的方法來實現(xiàn)黃河流域（鄭州段）植被覆蓋度反演，為無人機遙感技術(shù)在其他領(lǐng)域中進行植被覆蓋度的反演提供參考。

1 國內(nèi)外研究現(xiàn)狀

近年來，隨著遙感技術(shù)的不斷發(fā)展和應(yīng)用，基于遙感影像的植被覆蓋反演和生物多樣性研究已成為熱點。國內(nèi)學(xué)者采用遙感技術(shù)對我國不同地區(qū)的植被覆蓋進行反演，并結(jié)合實地調(diào)查數(shù)據(jù)，分析了植被覆蓋變化對生態(tài)環(huán)境的影響［5-6］。這些研究成果為我國的生態(tài)環(huán)境保護和可持續(xù)發(fā)展提供了重要的科學(xué)依據(jù)。目前常用的遙感數(shù)據(jù)包括Landsat、MODIS、HJ等［7-8］，這些數(shù)據(jù)可以用來獲取歸一化植被指數(shù)（NDVI）、植被指數(shù)（EVI）等。同時，也可以利用這些數(shù)據(jù)進行植被分類、植被高度估計等方面的研究［9-10］。此外，近年來還涌現(xiàn)出了一些新的遙感技術(shù)，如激光雷達（LiDAR）等，這些技術(shù)在植被覆蓋反演方面也具有廣泛的應(yīng)用?？傮w來說，國內(nèi)遙感技術(shù)在植被覆蓋反演研究方面已經(jīng)有了很多成果，并且仍有很大的發(fā)展空間。

國外在遙感影像的植被覆蓋反演及生物多樣性研究方面也取得了令人矚目的成果。歐美等發(fā)達國家在遙感技術(shù)方面處于領(lǐng)先地位，有學(xué)者利用高分辨率遙感影像對全球范圍內(nèi)的植被覆蓋進行反演，并結(jié)合其他數(shù)據(jù)對全球生態(tài)環(huán)境進行監(jiān)測和評估。也有學(xué)者利用遙感技術(shù)對全球范圍內(nèi)的生物多樣性進行研究，探討了不同氣候區(qū)域和地形條件下植被類型對生物多樣性的影響。這些研究成果為全球生態(tài)環(huán)境保護和可持續(xù)發(fā)展提供了重要的科學(xué)依據(jù)。除了MODIS、Landsat等衛(wèi)星數(shù)據(jù)外，還有一些新型的遙感數(shù)據(jù)，如Sentinel系列衛(wèi)星、PlanetScope等被應(yīng)用于植被指數(shù)的計算和植被分類，這些數(shù)據(jù)具有更高的分辨率和更多的波段，可以更加準(zhǔn)確地反演植被信息。此外，國外還有很多研究者在探索如何將多源遙感數(shù)據(jù)融合起來，以進一步提高植被覆蓋反演的精度和準(zhǔn)確性。總體來說，國外遙感技術(shù)在植被覆蓋反演研究方面也有諸多成果，并且不斷涌現(xiàn)出新的技術(shù)和方法。

2 數(shù)據(jù)獲取和處理

無人機遙感技術(shù)具有高效快速、靈活性強、成本效益高、高分辨率、實時性強、安全性高、環(huán)保節(jié)能和數(shù)據(jù)多樣性等特點。這些特點使其在環(huán)境監(jiān)測、資源調(diào)查、城市規(guī)劃、災(zāi)害評估等領(lǐng)域得到廣泛應(yīng)用。無人機遙感技術(shù)以無人駕駛飛行器為平臺，負(fù)載可見光相機、多光譜相機、激光雷達等數(shù)字遙感設(shè)備進行拍攝和記錄，通過遙感數(shù)據(jù)處理技術(shù)實現(xiàn)對地理信息的調(diào)查與監(jiān)測。

2.1 設(shè)備的選擇

本研究所選區(qū)域為黃河流域（鄭州段），范圍較小，并以可見光相機作為數(shù)據(jù)獲取來源，因此，采用小型多旋翼無人機掛載可見光相機來進行數(shù)據(jù)的獲取。

2.2 規(guī)劃飛行路線

使用專業(yè)的無人機飛行控制軟件進行飛行路線的規(guī)劃。應(yīng)考慮無人機的飛行高度、速度、傳感器的采集范圍，以及目標(biāo)區(qū)域的地理特征等因素，確保飛行路線能夠全面覆蓋目標(biāo)區(qū)域，并避免飛行禁區(qū)或障礙物。

2.3 可見光圖像的處理

無人機按照規(guī)劃的路線飛行完成之后，就獲得了原始的影像數(shù)據(jù)。但受到如飛行姿態(tài)、光照條件、地形等影響，獲取的圖像可能會存在失真、模糊、光照不均勻等問題，需要對原始影像數(shù)據(jù)進行圖像校正、圖像增強和圖像拼接等處理之后，才能進行植被覆蓋度反演。

2.3.1 圖像校正。遙感圖像的幾何校正方法主要有基于控制點的校正和基于影像特征的校正?；诳刂泣c的校正主要利用GPS信息進行。由于本項目圖像是由普通RGB光學(xué)相機拍攝所得，照片拍攝時的焦距、相機傳感器的物理尺等信息未知，并且存在較大的桶形失真，因此，通過平面標(biāo)定法來標(biāo)定相機，獲得相機的內(nèi)部畸變矩陣，并校正試驗圖片。

2.3.2 圖像拼接。使用計算機視覺技術(shù)自動識別和匹配航攝圖像中的特征點，將具有重疊度的影像圖拼接成完整的地圖或景觀。這項技術(shù)涉及數(shù)字圖像處理的基本操作，包括去噪、邊緣提取、直方圖處理，以及圖像配準(zhǔn)和圖像融合兩個關(guān)鍵技術(shù)。其中，圖像配準(zhǔn)的主要目的是找出待拼接圖像中的模板或特征點在參考圖像中對應(yīng)的位置，進而確定兩幅圖像之間的變換關(guān)系。圖像融合是將待拼接圖像的重合區(qū)域進行融合，得到拼接重構(gòu)的平滑無縫全景圖像。

無人機可見光圖像預(yù)處理是一個復(fù)雜而關(guān)鍵的過程，對于提高圖像質(zhì)量和可解釋性具有重要意義。通過圖像校正、增強、分析和識別等步驟，可以有效提高無人機拍攝圖像的質(zhì)量，并提取出有價值的信息。

3 植被覆蓋度計算

植被覆蓋指數(shù)是用來衡量一個特定區(qū)域內(nèi)植被覆蓋狀況的一個指標(biāo)，常見的植被指數(shù)包括歸一化植被指數(shù)（NDVI）、歸一化差異植被指數(shù)（NDWI）和總體植被指數(shù)（TVI）等。這些指數(shù)通常基于遙感影像中不同波段的反射率進行計算，用于反映植被的生長情況、覆蓋程度和健康狀況。以上指數(shù)通常多基于多光譜影像來進行計算，但是由于多光譜設(shè)備價格昂貴、操作復(fù)雜、處理難度大，以及容易受到環(huán)境的影響，因此，本研究采用成本低、高分辨率、高動態(tài)范圍且操作處理簡單的可見光相機來進行數(shù)據(jù)的獲取。

利用無人機搭載的可見光相機進行影像采集，可以獲得RGB（紅、綠、藍(lán)）三色波段影像。基于可見光的植被指數(shù)主要有歸一化綠紅差異指數(shù)（Normalized Green-Red Difference Index，NGRDI）、綠葉指數(shù)（Green Leaf Index，Gli）、紅綠比值指數(shù)（Red Green Ratio Index，Rgri）、過綠指數(shù)（Excess Green，ExG）等計算方法。

通過對無人機可見光影像圖像進行校正，研究圖像中各地物的光譜特征，并結(jié)合可見光植被指數(shù)NGRDI、GLI、RGRI與ExG等計算，得到圖像的各指數(shù)分布圖，在分析各指數(shù)分布圖的光譜特性與直方圖后，進行閾值的確定，為植被提取和覆蓋度計算做準(zhǔn)備。

3.1 歸一化綠紅差異指數(shù)（NGRDI）

NGRDI是一種用于遙感圖像中綠色和紅色波段之間差異的量化指標(biāo)，計算公式見式（1）。

[NGRDI=Green?RedGreen+Red] （1）

式中：Green代表綠色波段的反射率；Red代表紅色波段的反射率。NGRDI值范圍在-1到1之間。

3.2 綠葉指數(shù)（GLI）

GLI是一種反映植被葉片綠度的遙感指數(shù)，計算公式見式（2）。

[GLI=（Green?Red）+（Green?Blue）2?Green+Red+Blue] （2）

式中：Green、Red、Blue分別代表綠色、紅色和藍(lán)色波段的反射率。

3.3 紅綠比值指數(shù)（RGRI）

RGRI是紅色波段和綠色波段反射率的比值，計算公式見式（3）。

[RGRI=RedGreen] （3）

式中：Red代表紅色波段的反射率；Green代表綠色波段的反射率。

3.4 過綠指數(shù)（ExG）

ExG是一種用于圖像處理中植物圖像識別的特征，計算公式見式（4）。

[ExG=2?Green?Red?Blue] （4）

式中：Green、Red、Blue分別代表圖像中的綠色、紅色和藍(lán)色通道的值。

根據(jù)上述4種植被指數(shù)計算方法得出的結(jié)果如圖1所示。由圖1可知，GLI植被指數(shù)分布圖的植被與非植被灰度值差異很明顯，植被區(qū)域呈現(xiàn)亮白色，而非植被區(qū)域都比較暗，這是由于計算時考慮了藍(lán)色通道的影響，處理結(jié)果中包括的細(xì)節(jié)更加豐富。NGRDI、RGRI、ExG植被指數(shù)分布圖的部分植被與裸地區(qū)域灰度值很相近，容易混淆。此外，NGRDI、RGRI、ExG的部分裸地與植被存在重疊，植被與裸地的交界處細(xì)節(jié)不夠清晰，可能會導(dǎo)致分類精度下降。因此，本研究采用綠葉指數(shù)（GLI）算法來計算植被覆蓋指數(shù)。

4 植被提取

利用計算獲取的植被覆蓋度進行閾值的確定，通過確定的閾值來對植被進行提取。具體方法是將每個像元的植被指數(shù)值與閾值進行比較，若超過閾值則判斷為植被區(qū)域，否則為非植被區(qū)域。確定植被指數(shù)的閾值通常是一個基于數(shù)據(jù)分析和專家知識的過程。植被指數(shù)用于量化植被的綠色程度和活力。閾值的選擇取決于具體的應(yīng)用和研究目標(biāo)，例如區(qū)分植被類型、監(jiān)測植被變化或識別裸土等。

4.1 確定閾值

依據(jù)植被指數(shù)計算方法收集包含植被指數(shù)的遙感數(shù)據(jù)（如NGRDI、GLI等）。使用直方圖展示植被指數(shù)的分布情況，然后分析數(shù)據(jù)的范圍和分布特征。根據(jù)4種算法計算結(jié)果得出的直方圖（如圖2所示），通過統(tǒng)計分析方法來確定出閾值，實現(xiàn)植被的提取。

4.2 植被提取

植被覆蓋指數(shù)通常定義為植被（包括葉、莖、枝）在地面的垂直投影面積占統(tǒng)計區(qū)總面積的百分比，它量化了植被的茂密程度，反映了植被的生長態(tài)勢。植被覆蓋指數(shù)是刻畫地表植被覆蓋的重要參數(shù)，也是指示生態(tài)環(huán)境變化的基本指標(biāo)。對于生態(tài)環(huán)境監(jiān)測、農(nóng)業(yè)生產(chǎn)、災(zāi)害預(yù)警等具有重要的科學(xué)意義和應(yīng)用價值。通過確定好的閾值對植被指數(shù)計算結(jié)果進行分類提取，獲取到植被覆蓋結(jié)果，4種算法的提取結(jié)果如圖3所示。

植被覆蓋率是衡量一個區(qū)域內(nèi)植被覆蓋情況的重要指標(biāo)。其計算方式根據(jù)研究目的、植被類型和可用數(shù)據(jù)的不同而有所差異。本研究的目標(biāo)是黃河流域（鄭州段）植被覆蓋度，植被覆蓋度的計算方法見式（5）。

植被覆蓋度=[植被面積土地總面積]×100% （5）

依據(jù)植被提取的結(jié)果，采用準(zhǔn)確度最高的GLI方法來計算植被覆蓋度。根據(jù)上述提取結(jié)果可知，灰色部分為植被覆蓋面積，只需要通過計算灰色的總面積再除以總面積，就可以計算出所選區(qū)域的植被覆蓋度。通過編寫程序計算植被覆蓋面積和總面積，最終得到所選區(qū)域的植被覆蓋率為79.26%。

通過對提取結(jié)果的分析，各植被指數(shù)的植被提取精度評價見表1。由表1可知，GLI的提取效果最好，細(xì)節(jié)部分都能很好地提取，總體精度大于96%，與原始圖像最接近。而NGRDI、RGRI、ExG的提取結(jié)果中，植被與非植被存在較多的重疊，成片的植被提取正確率高，而零星的植被提取效果較差，同樣非植被的提取精度也較差。

通過無人機可見光影像的處理和提取的結(jié)果可以看出，本研究所選區(qū)域植被覆蓋率較高，說明隨著生態(tài)保護等政策的實施，黃河流域（鄭州段）的植被覆蓋度呈現(xiàn)出逐漸增加的趨勢。尤其是在一些重點生態(tài)功能區(qū)，植被覆蓋度的改善更為顯著。但通過原始圖像可以看出，所選片區(qū)植被相對單一，雖然植被單一可以形成整齊劃一的視覺效果，但可能導(dǎo)致生態(tài)系統(tǒng)脆弱，一旦遇到病蟲害或自然災(zāi)害，整個生態(tài)系統(tǒng)都可能受到嚴(yán)重影響。

5 結(jié)語

近年來，黃河流域（鄭州段）的植被生態(tài)環(huán)境得到了顯著改善。受益于氣候條件的改善、生態(tài)保護和恢復(fù)項目的實施，以及城市綠化工程的推進，該區(qū)域的植被覆蓋度、植被生態(tài)質(zhì)量均呈現(xiàn)向好趨勢。根據(jù)現(xiàn)場的實地考察和相關(guān)資料，再結(jié)合本研究植被覆蓋率的反演結(jié)果，可以看出，黃河流域（鄭州段）植被覆蓋率很高。盡管黃河流域（鄭州段）的植被生態(tài)環(huán)境狀況總體向好，但仍面臨一些挑戰(zhàn)和問題。例如，部分地區(qū)的植被覆蓋度仍然較低，植被種類單一，多樣性欠缺，生態(tài)質(zhì)量有待進一步提升；受氣候變化和人類活動的影響，一些地區(qū)的植被可能面臨退化風(fēng)險。因此，需要繼續(xù)加強生態(tài)保護和恢復(fù)工作，增加植被多樣性，提高植被生態(tài)環(huán)境的穩(wěn)定性和可持續(xù)性。

本研究對提升黃河流域（鄭州段）植被覆蓋率有較好的指導(dǎo)性，可以為增加流域內(nèi)植被多樣性和水土保持提供建議，有助于提升黃河流域（鄭州段）生態(tài)效益，進一步增強黃河流域（鄭州段）生態(tài)環(huán)境可持續(xù)發(fā)展能力。本研究所采用的無人機遙感技術(shù)相較于傳統(tǒng)的遙感方法，具有數(shù)據(jù)獲取成本低、時間成本低等優(yōu)勢，能夠為其他類似地區(qū)的植被覆蓋監(jiān)測提供參考。

參考文獻：

［1］寧瑤，劉雅莉，杜劍卿，等.黃河流域可持續(xù)發(fā)展評估及協(xié)同發(fā)展策略［J］.生態(tài)學(xué)報，2022，42（3）：990-1001.

［2］李民峰，陳思羽.遙感技術(shù)的生態(tài)環(huán)境監(jiān)測與保護分析［J］. 化工設(shè)計通訊，2021（7）：176-177.

［3］彭俊宇.遙感技術(shù)在自然資源調(diào)查監(jiān)測中的應(yīng)用探究與討論［J］.科技風(fēng)， 2023（9）：72-74.

［4］熊穎郡.無人機遙感技術(shù)在生態(tài)環(huán)境監(jiān)測領(lǐng)域的應(yīng)用研究［J］. 中國資源綜合利用， 2021，39（2）：59-61.

［5］孫永康.雅安市植被覆蓋度時空變化與驅(qū)動力分析［J］. 地理空間信息，2023，21（5）：59-62.

［6］任麗雯，王興濤，胡正華，等.石羊河流域植被生態(tài)質(zhì)量時空變化動態(tài)監(jiān)測［J］. 中國農(nóng)業(yè)氣象，2023，44（3）：193-205.

［7］塵福艷， 楊創(chuàng)， 徐凱磊，等. 基于Landsat遙感影像的楊伙盤礦區(qū)生態(tài)環(huán)境動態(tài)監(jiān)測與評價研究［J］. 環(huán)境工程， 2023，41（S1）：497-500.

［8］李楊， 呼海濤， 趙德懷，等. 1986—2020年陜西省植被覆蓋時空變化特征分析［J］. 南方農(nóng)業(yè)， 2023，17（6）：87-90.

［9］喬雪婷， 張娟娟， 李文斌， 等. 基于無人機遙感技術(shù)的廣東內(nèi)伶仃島植被類型劃分與植被圖［J］. 中山大學(xué)學(xué)報（自然科學(xué)版）（中英文）， 2022，61（4）：22-30.

［10］解宇陽，王彬，姚揚，等. 基于無人機激光雷達遙感的亞熱帶常綠闊葉林群落垂直結(jié)構(gòu)分析［J］. 生態(tài)學(xué)報，2020，40（3）：940-951.