基于衛(wèi)星- 無人機遙感數(shù)據(jù)的麥田植被覆蓋度估算

陳平男,王瑞燕,劉洪義,王莉,嚴向軍,尹濤

（1.山東農(nóng)業(yè)大學 資源與環(huán)境學院,山東 泰安 271017;2.德州市自然資源局,山東 德州 253076;3.日照市自然資源局,山東 日照 276827;4.湖北省地質(zhì)局,湖北 武漢 430058;5.嘉祥縣第一中學,山東 濟寧 272400）

植被覆蓋度（Fractional vegetation cover,FVC）是區(qū)域生態(tài)系統(tǒng)環(huán)境變化的重要指標,對水文、生態(tài)和區(qū)域變化以及鹽堿土改良等都具有重要的意義[1-4].目前植被覆蓋度的估算方法有地面實測法和遙感監(jiān)測法兩類.地面實測法獲取的多是點上的植被覆蓋度,無法在宏觀大尺度上進行測量[5-6].遙感具有宏觀性和實時性,為大范圍地區(qū)的作物動態(tài)監(jiān)測給出了新的發(fā)展方向[2].目前用于植被覆蓋度估算的遙感數(shù)據(jù)眾多,光學遙感數(shù)據(jù)中具有代表性的為Landsat8/OLI 衛(wèi)星數(shù)據(jù),Landsat8/OLI 衛(wèi)星數(shù)據(jù)具有數(shù)據(jù)免費、時空連續(xù)性強等優(yōu)點,是植被監(jiān)測最常用的數(shù)據(jù)[7];微波遙感數(shù)據(jù)中具有代表性的為Sentinel-1 衛(wèi)星數(shù)據(jù),廣泛應用于估測森林生物量、植被識別提取等應用中[8].但目前還沒有植被覆蓋度的研究對這2 類數(shù)據(jù)進行比較和選擇.

衛(wèi)星遙感植被覆蓋度估算結(jié)果需要高精度的觀測數(shù)據(jù)驗證.近年來,隨著無人機遙感技術(shù)的不斷成熟,加之無人機響應快、周期短、分辨率高、易操作、成本低等特點,廣泛應用于植被測繪和監(jiān)測領(lǐng)域[9-11],無人機可獲得高空間分辨率的影像,可以建立地面測量數(shù)據(jù)和衛(wèi)星反演結(jié)果之間的關(guān)系[6],以無人機影像的提取值作為真實值進行精度驗證.由于無人機影像分辨率高,許多研究中沒有考慮到混合像元的影響,提取植被覆蓋度時直接將無人機像元進行整體分類,而理論上無人機影像中存在混合像元,精度驗證要求盡可能提高真實值的準確性,無人機影像中是否存在混合像元,如果存在混合像元,它對精度驗證是否有影響、影響有多大等問題需要進行研究.

本文選擇拔節(jié)期冬小麥作為研究對象,使用光學衛(wèi)星遙感數(shù)據(jù)Landsat8/OLI 和微波衛(wèi)星遙感數(shù)據(jù)Sentinel-1 進行植被覆蓋度的估算,以無人機估算值進行精度驗證,對二者的估算結(jié)果進行對比,以此探討無人機影像的混合像元對植被覆蓋度估測的影響, 以及選擇合適的衛(wèi)星遙感數(shù)據(jù)源提取鹽漬土地區(qū)麥田植被覆蓋度.

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

研究區(qū)位于山東省濱州市無棣縣“渤海糧倉”試驗田,經(jīng)緯度范圍為（37°54′50″-37°56′34″N,117°54′29″-117°56′43″E）,位于華北平原,地勢平坦,為北溫帶東亞季風區(qū)域大陸性氣候,具有春季干燥,夏季炎熱多雨,秋季涼爽,冬季寒冷季長的特點.實驗時試驗田內(nèi)作物類型為小麥.試驗田各小區(qū)內(nèi)水肥等處理情況不同,各小區(qū)中小麥長勢不同.研究區(qū)內(nèi)規(guī)劃整齊,道路、排水溝等基礎(chǔ)設(shè)施齊備.研究區(qū)地理位置如圖1 所示.

圖1 研究區(qū)地理位置Fig.1 Geographical location of the study area

1.2 數(shù)據(jù)獲取與預處理

1.2.1 地面實測數(shù)據(jù)獲取及預處理 根據(jù)植被覆蓋的疏密程度,在研究區(qū)域內(nèi)選擇84 個采樣樣方進行實地植被覆蓋度采集,樣方位置如圖1 所示.數(shù)據(jù)采集方式為照相法,使用RGB 相機拍攝,拍攝時鏡頭方向垂直向下,拍攝高度1.2 m,拍攝范圍約0.5 m2.由于可見光照片的成像原理為中心投影,照片的邊緣會產(chǎn)生畸變現(xiàn)象,將采集到的照片進行裁剪,只保留照片中央垂直拍攝的部分.同時使用鹽分計測量每個采樣樣方中心點位土壤含鹽量.采用任世龍等從照片中提取植被覆蓋度的方法提取實地測量的植被覆蓋度[12].

1.2.2 衛(wèi)星遙感數(shù)據(jù)獲取及預處理 本文使用Landsat8/OLI 光學衛(wèi)星遙感影像數(shù)據(jù)和Sentinel-1 微波衛(wèi)星遙感影像.landsat8/OLI 影像數(shù)據(jù)從地理空間數(shù)據(jù)云（http：//www.gscloud.cn）獲取,條帶號為122,行編號為34,影像獲取時間為2018 年5 月3 日,影像中心經(jīng)度117.34996°,中心緯度37.474 25°,平均云量0.05,影像空間分辨率30 m.Sentinel-1 影像數(shù)據(jù)從歐洲航天局官網(wǎng)（https：//scihub.copernicus.eu/dhus/#/home)獲得,Sentinel-1 微波衛(wèi)星遙感影像為干涉寬幅模式（IW）的Level-1 級GRD 格式,成像時間為2018 年4月27 日.Sentinel-1 影像預處理主要包括輻射校正、噪聲處理以及幾何校正等,在SNAP 軟件中完成.處理后影像空間分辨率10 m.

1.2.3 無人機數(shù)據(jù)獲取及預處理 使用大疆無人機搭載sequoia 多光譜相機進行拍攝,sequoia 多光譜相機含有以下4 個波段：綠光波段（中心波長550 nm,帶寬40 nm）、紅光波段（中心波長660 nm,帶寬40 nm）、紅邊波段（中心波長735 nm,帶寬10 nm）和近紅外波段（中心波長790 nm,帶寬40 nm）.無人機圖像采集時間為2018 年4 月27 號,以sequoia 多光譜相機鏡頭垂直向下、航向及旁向重疊度為60%、飛行相對高度為50 m 的參數(shù)設(shè)置進行數(shù)據(jù)采集.影像地面分辨率為0.05 m.無人機的預處理包括對影像拼接、輻射校正、幾何精校正、圖像裁剪等工作,這些工作在Pix4DMapper、ArcGIS10.1、ENVI5.3 等軟件中實現(xiàn).

1.3 植被覆蓋度提取方法

首先分別使用不考慮混合像元的監(jiān)督分類方法和考慮混合像元的像元二分模型方法估算無人機影像的植被覆蓋度,探討無人機影像中的混合像元對植被覆蓋度估測精度的影響問題.然后使用像元二分模型方法分別提取Landsat8/OLI、Sentinel-12 個衛(wèi)星遙感數(shù)據(jù)的冬小麥植被覆蓋度,以無人機估算值進行精度驗證,從而選擇估算冬小麥覆蓋度的最佳衛(wèi)星遙感數(shù)據(jù)源.

1.3.1 像元二分模型 像元二分模型是一個廣泛使用的混合像素模型方法,該模型具有良好的理論基礎(chǔ),同時可以減少大氣、土壤背景和植被類型的影響[2,4].模型假設(shè)像元由植被和非植被兩部分組成,像元的光譜信息為這兩個分量的線性加權(quán)合成,每個分量的權(quán)重代表每個分量所占像素面積的比例,從而植被覆蓋度可以用植被的分量來表示.

在各類植被指數(shù)中,NDVI 是目前國內(nèi)外使用最多且被公認為提取植被效果較好的植被指數(shù), 它不受群落、地形結(jié)構(gòu)陰影、輻射干擾、太陽高度角和大氣的影響,是植被生長狀態(tài)及植被覆蓋度的最佳指示因子,經(jīng)比值處理可以部分消除與太陽高度角、衛(wèi)星觀測角等有關(guān)的輻照度影響[23],多項研究證明可以使用NDVI 值代替像元光譜值,所帶來的影響可以忽略不計[6].植被覆蓋度的計算公式可寫為式（1）

式（1）中：FVC 是混合像元的植被覆蓋度,NDVI 是混合像元的歸一化植被指數(shù)值,NDVIveg是純植被像元的歸一化植被指數(shù)值,NDVIsoil是純裸土像元的歸一化植被指數(shù)值.

像元二分模型使用中最重要的是確定NDVIveg和NDVIsoil的取值,理論上純植被覆蓋區(qū)域的NDVI值應趨于1,而裸土覆蓋區(qū)域的NDVI 值應趨于0,然而由于地表濕度、粗糙度等因素的影響,NDVIsoil并不是理論上的零值,而在-1~0.2 之間變化,NDVIveg也隨植被類型以及時間和空間而所差異,因此NDVIsoil和NDVIveg沒有固定值.本文選擇眾多研究人員使用的NDVI 累積直方圖中5%分位處像元的平均值作為NDVIsoil值,95%分位處像元均值作為NDVIveg值[14].將像元二分模型應用于無人機數(shù)據(jù)時,此時影像內(nèi)地物類型單一,干擾因素少,選擇選擇使用的NDVI 累積直方圖中1%分位處像元的平均值作為NDVIsoil值,99%分位處像元均值作為NDVIveg值.

1.3.2 微波衛(wèi)星影像植被覆蓋度的提取 受光學遙感構(gòu)建植被指數(shù)的啟發(fā),光學遙感利用綠色植被的光譜反射特性（在紅光波段和近紅外波段的反射率有較大差異）,利用紅光波段和近紅外波段構(gòu)建了比值植被指數(shù)RVI、差值植被指數(shù)DVI 和歸一化植被指數(shù)NDVI 等.利用Sentinel-1 影像VV 極化后向散射系數(shù)和VH 極化后向散射系數(shù),模擬光學遙感構(gòu)建植被指數(shù)的方法構(gòu)建了比值微波植被指數(shù)RVISAR（式2）、差值微波植被指數(shù)DVISAR（式3）和歸一化微波植被指數(shù)NDVISAR（式4）.

統(tǒng)計研究區(qū)內(nèi)Sentinel-1 每個像元對應空間的無人機植被覆蓋度均值,分別與VV、VH、RVISAR和DVISAR和NDVISAR5 個植被指數(shù)值做相關(guān)性分析,結(jié)果如表1 所示.從表1 可以看出,除VH 指數(shù)外,其余4個指數(shù)均與植被覆蓋度在0.01 級別（雙尾）呈極顯著相關(guān).

表1 5 個參數(shù)與植被覆蓋度相關(guān)性分析結(jié)果Tab.1 Correlation analysis results of five parameters and vegetation coverage

將篩選出的微波植被指數(shù)替換NDVI 值應用到像元二分模型中,嘗試提取Sentinel-1 的植被覆蓋度.由于微波影像的極化后向散射系數(shù)受地表粗糙度和介電常數(shù)的影響,這就與地表粗糙度、土壤含水量以及植被含水量有關(guān),這些因素同樣具有時間和空間上的差異性,考慮到方法的一致性,仍然采用各個指數(shù)統(tǒng)計直方圖中5%分位處像元的平均值作為純裸土植被指數(shù)值,95%分位處像元均值作為純植被指數(shù)值.

1.3.3 精度驗證 本文選擇平均絕對誤差MAE 和均方根誤差RMSE 作為精度驗證指標.平均絕對誤差為絕對誤差的平均值,取值范圍為[0,∞）,值越小表明預測值與真實值的距離越小,0 值時為完美模型,可以很好地反映預測值誤差的實際情況,其表達式為公式（5）;RMSE是預測值和實際值之間的偏差的平方和與估計次數(shù)的比值的平方根,用于測量估計值和實際值之間的偏差,相比MAE 而言,RMSE 受異常值的影響更大,對一組測量中的特大或特小誤差反映非常敏感,所以RMSE 能夠很好地反映出測量的精密度,其表達式為公式（6）

2 結(jié)果分析

2.1 無人機提取結(jié)果

分別使用監(jiān)督分類方法和像元二分模型方法提取無人機影像的植被覆蓋度.本文采用監(jiān)督分類中的最大似然分類法,將無人機影像中的像元分為植被和非植被兩類,植被像元賦值為1,非植被像元賦值為0,獲得影像的植被覆蓋度分布.像元二分模型方法的NDVIsoil值設(shè)置為0.048,NDVIveg值設(shè)置為0.884,每個像元值代表該像元中的植被比例,得到無人機植被覆蓋度結(jié)果.

圖2 顯示了無人機圖像中同一位置的兩種分類結(jié)果與原始無人機影像的對比.從圖2 中可以看出,在植被密集的地方,監(jiān)督分類方法無法準確反應植被覆蓋信息,會高估無人機影像中的植被覆蓋度,而像元二分模型方法則將小麥壟的形態(tài)很好地體現(xiàn)出來.拔節(jié)期的冬小麥生長旺盛,影像中混合像元少,此時混合像元的存在對植被覆蓋度的提取精度產(chǎn)生影響,本實驗中使用的無人機影像空間分辨率為0.05 m,說明當影像空間分辨率大于0.05 m 時,不能忽略無人機影像中的混合像元問題.當空間分辨率小于0.05 m時是否需要考慮混合像元因素問題需要進一步研究.

圖2 兩種方法的結(jié)果對比Fig.2 Comparison of the results of the two methods

分別統(tǒng)計地面樣方對應范圍內(nèi)的植被覆蓋度均值,以可見光照片植被覆蓋度作為真實值進行精度驗證.精度驗證的結(jié)果如表2 所示,可以從表2 看出,與監(jiān)督分類方法相比,使用像元二分模型方法的提取結(jié)果精度更高.

表2 兩類方法提取值精度驗證結(jié)果Tab.2 Verification results of extracted value accuracy of two kinds of methods

2.2 Landsat8 光學衛(wèi)星遙感影像提取結(jié)果

使用像元二分模型法提取Landsat8/OLI 光學衛(wèi)星影像中的植被覆蓋度.以landsat8/OLI 數(shù)據(jù)的像元大小為統(tǒng)計范圍,計算每個像元對應的范圍內(nèi)的無人機影像的植被覆蓋度均值,進行精度驗證,精度驗證結(jié)果MAE 為0.066,RMSE 為0.086.

2.3 Sentinel-1 衛(wèi)星數(shù)據(jù)提取結(jié)果

將DVISAR、RVISAR、NDVISAR、VV 指數(shù)代入像元二分模型,得到Sentinel-1 影像的植被覆蓋度結(jié)果.以Sentinel-1 影像的像元大小為統(tǒng)計范圍,計算每個像元對應的無人機影像范圍內(nèi)的植被覆蓋度的均值,然后進行精度驗證,并對提取結(jié)果進行相關(guān)性分析,結(jié)果如表3 所示.可以從表3 看出,4 個參數(shù)的提取值都與真實值達到了在0.01 級別（雙尾）顯著相關(guān),說明這4 個微波植被指數(shù)的提取值有一定的準確性,但是從精度驗證的結(jié)果來看,這4 個參數(shù)應用于像元二分模型后的提取效果并不理想,與光學遙感數(shù)據(jù)的提取精度相差很大.

表3 Sentinel-1 提取值精度驗證結(jié)果Tab.3 Sentinel-1 extraction value accuracy verification results

3 結(jié)論與討論

無人機影像中存在大量的混合像元,考慮混合像元后,植被覆蓋度的提取精度顯著提升.無人機遙感所獲取的厘米級超高分辨率影像可用于地面驗證.在本文選用Landsat8/OLI 和Sentinel-1 兩種衛(wèi)星數(shù)據(jù)源中,光學衛(wèi)星遙感數(shù)據(jù)的提取精度遠高于微波衛(wèi)星遙感數(shù)據(jù),Landsat8/OLI 衛(wèi)星數(shù)據(jù)最適用于鹽漬土地區(qū)提取麥田植被覆蓋度.

本文以地面樣方數(shù)據(jù)檢驗無人機植被覆蓋度提取值的準確性,以無人機植被覆蓋度提取值檢驗衛(wèi)星植被覆蓋度提取值的準確性.這與傳統(tǒng)的布設(shè)與像元大小相同的樣方法[15]相比省時省力,準確度也更高.通過無人機數(shù)據(jù)把地面數(shù)據(jù)和衛(wèi)星數(shù)據(jù)銜接起來,實現(xiàn)由地面單點到無人機小區(qū)域到衛(wèi)星大區(qū)域的尺度擴展,對遙感反演植被覆蓋度產(chǎn)品的驗證及遙感與作物模型同化等都具有重要意義[16].

結(jié)果表明光學衛(wèi)星遙感數(shù)據(jù)Landsat8/OLI 的估算精度比微波衛(wèi)星數(shù)據(jù)Sentinel-1 高.從表1 可以看出,除了使用VH 參數(shù)的提取值外,其他4 個參數(shù)的提取值都與無人機影像的植被覆蓋度達到了極顯著相關(guān),但使用Sentinel-1 的提取精度不高,提取誤差大,出現(xiàn)這種結(jié)果可能的原因是本文選擇的Sentinel-1 極化方式較少,歐洲航天局官網(wǎng)上免費提供的Sentinel-1 數(shù)據(jù)只有VV 和VH 兩種極化方式,而這兩種極化方式的數(shù)據(jù)與無人機植被覆蓋度的相關(guān)性差別懸殊, 如若有全極化的數(shù)據(jù), 或許基于Sentinel-1 數(shù)據(jù)提取植被覆蓋度能取得理想的結(jié)果[17].