基于UAV技术和MODIS遥感数据的高寒草地盖度动态变化监测研究——以黄河源东部地区为例

葛静,孟宝平,杨淑霞,高金龙,冯琦胜,梁天刚,黄晓东,高新华,李文龙,张仁平,王云龙

(草地农业生态系统国家重点实验室，兰州大学草地农业科技学院，甘肃 兰州 730020)

基于UAV技术和MODIS遥感数据的高寒草地盖度动态变化监测研究
——以黄河源东部地区为例

葛静,孟宝平,杨淑霞,高金龙,冯琦胜,梁天刚*,黄晓东,高新华,李文龙,张仁平,王云龙

(草地农业生态系统国家重点实验室，兰州大学草地农业科技学院，甘肃 兰州 730020)

利用黄河源东部地区野外实测样地数据和MODIS卫星遥感资料，结合农业多光谱相机(agricultural digital camera，ADC)、普通数码相机(Canon)、无人机(unmanned aerial vehicle，UAV)等设备获取的高寒草地盖度数据，构建了基于MODIS NDVI、EVI的草地盖度反演模型，比较分析了不同草地盖度监测方法的精度，确立了黄河源区草地盖度遥感监测的最优反演模型，并分析了研究区近16年草地植被盖度的动态变化。结果表明，1) MODIS NDVI与基于UAV相片计算的草地盖度间的相关性优于MODIS EVI，而MODIS EVI与ADC和Canon照片计算的草地盖度之间的相关性则优于MODIS NDVI；2) 就Canon和ADC方法构建的草地盖度反演模型而言，前者精度远高于后者，普通数码相机方法更适宜于高寒草地植被盖度的估算；3) 对比分析两种植被指数与Canon相机、ADC和大疆(DJI)无人机航拍(航高30和100 m两种方法)相片计算的草地盖度之间的关系表明，MODIS NDVI对航高30 m UAV航拍相片计算的盖度数据的响应最敏感，基于UAV航高30 m的相片和NDVI构建的草地盖度反演模型最优；4) 黄河源东部地区2000-2015年间草地盖度稳定不变的区域达71.46%，多分布在东南部；呈增加趋势的区域占研究区草地面积的22.01%，由西向东、由北向南增加幅度呈减少趋势；盖度减少区域零星分布在黄河源北部和南部的部分地区，仅占研究区草地面积的6.53%。

黄河源区;草地盖度;反演模型;MODIS;无人机;动态变化

黄河源区是三江源自然保护区的重要组成部分，对我国北方地区的水安全、生态安全具有重要的保障作用[1]。其水文特征、植被特征及区域水土流失等生态要素不仅是研究青藏高原生态效应最好的基地，也是研究全球气候变化效应最好的区域[2]。草地是黄河源地区最重要的土地覆被类型，约占源区面积的80%，是当地牧民生活的物质基础[3]。自20世纪90年代开始，黄河源区的草地退化问题受到了广泛的关注，在此区域开展了大量退化草地治理和研究工作[4-8]。然而，总体而言，黄河源区经济发展落后，草牧业受到自然和社会条件的严重限制[9]，相关研究和治理是否遏制了源区草场面积日益减少和草地退化的趋势？这是社会各界广泛关注的问题。因此，源区草地资源现状及其变化趋势仍是该区生态修复和可持续发展的重要研究内容。

植被盖度指观测区域内植被垂直投影面积占观测区地表总面积的百分比，是指示生态系统变化的重要指标[10]。大面积草地植被盖度监测，对评估草地资源状况、草场退化和草地管理等方面的研究具有重要意义[11]。地表实测和遥感反演是获取植被盖度的两种基本途径。地表实测法通常以样方尺度进行测量，按原理可分为采样法、仪器法和目视估测法3类[12]。仪器法中的数码相机测定草地盖度的方法是目前地面测量方法中精度最高的，既能提高工作效率又保证了准确性[13]。另外，相较于数码相机，多光谱相机的相片能够提供更多的精细光谱信息，所以多光谱相机也逐渐成为观测地表植被的强有力的工具[11-14]。但是，传统的地表实测法费时、费力、缺少宏观性、精度低，而且只能在很小的空间尺度范围内提供植被结构和分布状况的变化信息[12,15]。

近年来，无人机(unmanned aerial vehicle，UAV)技术作为地表测量和卫星遥感的桥梁应运而生，以其体积小、质量轻、运行成本低、灵活性高、影像实时传输、可在特殊地区探测等特点[16-18]，在生态环境监测、城市建设与规划、农业生产、自然灾害监测期间数据的实时获取等方面发挥了不可替代的作用[16,19-22]，是高分辨率遥感数据获取的重要工具之一，也是地面观测(如照相机)和高空观测(如遥感卫星)的有益补充[23]。国内外研究表明，基于UAV的遥感技术在草地资源、植被盖度等监测方面已经开展了一些探索研究。李冰等[24]以冬小麦(Triticumaestivum)为研究对象，采用以低空无人直升机为平台的多光谱载荷观测系统，对冬小麦主要生育期进行监测，并提取冬小麦覆盖度时序变化曲线。结果表明，低空无人机遥感监测大面积农作物覆盖度的方法可行，分析结果可靠，有很好的应用前景。刘峰等[25]以无人直升机为飞行平台，搭载冠层测量相机构建了无人机遥感系统，实现了板栗植被覆盖度年际变化监测，采用计算机模拟的方式对板栗植被覆盖度进行了统计分析，进一步验证了基于无人机遥感影像的植被覆盖度计算结果的有效性。Rango等[18-19]研究指出,迷你无人机在草原监测、草地资源管理及健康评价中潜能巨大，特别是其测量精度远优于卫星和载人飞机，可以很好地弥补卫星和载人飞机对地表裸露土壤观测的缺失，能够清楚观测裸露土壤及植被间空隙占地表观测面积的百分比，可进一步提升草地植被盖度监测的精准程度。Johnson等[26]认为基于农业遥感系统的无人机在作物图像采集方面提供了极大的灵活性，并成功地用无人机收集作物图像和相关光谱信息，最终通过地面无线传感器网络实现了作物与环境的监测，他们认为需要不断细化和小型化无人机，以期能够为用户提供经济实惠和高光谱分辨率的图像数据。Rokhmana[27]介绍了基于无人机遥感技术的精准农业制图方法，其中无人机遥感系统具有性价比高、操作容易、几何精度达亚米级等优点，可以实现植被及其健康状况的定期监测。然而，UAV技术在草地资源监测当中的应用目前仍然处于探索阶段，就针对草地盖度这一指标而言，具有广阔的空间去细化和深入，基于UAV的草地盖度监测是否优于目前广泛运用的其他盖度监测方法尚需要深入探索和研究。同时，UAV遥感技术(如空间分辨率等)与多源卫星遥感资料的匹配及地面实测数据的结合也值得反复试验和探究。

基于以上因素考虑，本研究利用UAV、普通数码相机(Canon)、农业多光谱照相机(agricultural digital camera，ADC)等设备在黄河源东部地区获取大量相片，结合相应的MODIS NDVI和EVI数据，重点研究适合黄河源区的植被指数，构建基于ADC、Canon及UAV相片的植被盖度与MODIS植被指数之间的反演模型，综合评价各种模型的精度，筛选出适宜黄河源区草地盖度的最优遥感反演模型，分析和评价源区植被盖度近16年的动态变化特征。特别是结合UAV技术宏观、快速、经济、动态、信息量大、分辨率高、对草地无破坏等特点，利用多尺度遥感数据，探索有效提高大范围草地盖度监测精度的新途径，为更加科学有效地监测草地植被动态变化提供科学依据。

1 材料与方法

1.1 研究区概况

黄河源区是三江源自然保护区的重要组成部分，位于河源至唐乃亥水文站间，其经纬度范围介于95°50′45″-103°28′9″ E与32°12′11″-35°48′7″ N之间[28]，行政区划上该区主体位于青海省果洛藏族自治州，包括曲麻莱、甘德、玛沁、贵南、同德、泽库、河南、班玛8县的全部和玛多、称多、达日、兴海、久治县的部分地区，总面积约12.2×104km2[2]。黄河源区属于青藏高原亚寒带半湿润区，平均年降水量为484.2 mm，降水主要集中在6-9月，占全年降水的75%～90%以上，平均光照时数为2567.4 h[29]，海拔范围为2700～5979 m，大部分地区海拔在4100～4500 m之间[30]。从我国植被分区看，黄河源区主要属于青藏高原高寒植被区，主要植被类型有高寒灌丛、高寒草甸、高寒草原、沼泽及水生植被，在局部高海拔地带分布有垫状植被和流石滩稀疏植被[31]。

1.2 地面实测资料

地面实测数据的野外调查时间为2015年8月1-12日，主要针对盛草期的草地植被盖度情况进行了采样。调查地域涉及黄河源区的久治、甘德、达日、玛沁、贵南、兴海、同德、泽库、河南9个县，总计调查41个样地(图1)。在研究区内选择地势较为平坦、草地生长状况均一、具有代表性的典型群落地段设置样地，样地面积大小设定为100 m×100 m 。每一样地均采用5点法布设样方[32]，以整个样地中心点作为第一个样方，再依次选取样地的4个角点作为其余4个样方，样方大小为0.5 m×0.5 m。在每一样方中心点记录GPS定位的经纬度数据及高程信息。

利用ADC和Canon相机距离地表0.7 m对样方拍照，并记录照片编号，在Tetracam Pixel Wrench 2软件中对照片进行裁剪，裁剪后的ADC及Canon照片分别通过Tetracam Pixel Wrench 2和数码相片处理系统(digital photos processing system，DPPS)软件[14]进行处理，获得样方的植被盖度值，以5个样方盖度的平均值代表该样地的草地植被盖度。利用DJI Phantom 2四旋翼无人机(搭载GoPro Hero 3+相机)按照两种方式对各样地拍摄图像，第一种以整个样地的对角线作为飞行路线，航高30 m、拍摄时间间隔为3 s、沿航向一次成像覆盖的地表面积超过900 m2(30 m×30 m)的模式对地连续拍摄。第二种以整个样地中心作为中点，航高100 m、一次成像覆盖的地表面积超过10000 m2(100 m×100 m)的模式对地表进行拍照。将这两种成像模式分别记作DJI-30 m和DJI-100 m。所获照片首先在DeFisher软件中经过鱼眼矫正，消除照片畸形带来的误差，之后通过DPPS软件获取盖度值，第一种模式以5张相片计算的盖度平均值作为样地的草地植被盖度值，第二种模式以单张相片计算的盖度值作为该样地的草地盖度值。

图1 黄河源东部地区采样点分布图Fig.1 The distribution of sampling sites in the eastern region of Yellow River

1.3 遥感数据及预处理

植被指数数据来自美国航空航天局对地观测系统数据与信息系统(NASA’S earth observing system data and information system，EOSDIS)开发的植被指数产品MOD13Q1，该产品包含MODIS合成期为16 d、空间分辨率为250 m的归一化植被指数(normalized difference vegetation index，NDVI)和增强型植被指数(enhanced vegetation index，EVI)数据。覆盖所有采样点的16 d合成MOD13Q1数据有1景影像，轨道号为h26v05，下载产品的成像时间介于2015年7月30日-8月15日。在近16年草地盖度动态变化研究中，覆盖整个研究区的影像轨道号为h25v05和h26v05，时间序列为2000-2015年5-9月，每年共有月合成图像20景，总计320景影像。本研究使用最大值合成法(maximum value composition，MVC)[32]分别合成了2000-2015年5-9月的月最大归一化植被指数(maximum normalized difference vegetation index，MNDVI)和月最大增强型植被指数(maximum enhanced vegetation index，MEVI)数据，拼接轨道号不同的两幅影像，并将影像按照研究区形状裁剪出来。

与对照组比较，PD组及HD组sTWEAK显著增加，差异具有统计学意义（P＜0.001），PD组和HD组血清CRP、FIB、WBC水平均明显升高，差异具有统计学意义（P＜0.05），见表1。

1.4 反演模型的构建与验证

统计2015年8月1-12日的野外实测样点，剔除明显异常的照片数据，在保证ADC、Canon和DJI数据采样点信息一致的情况下，最终得到有效样本记录34条。研究中草地盖度模型的建立采用广泛使用的回归分析法，即以采样点对应的MODIS NDVI、EVI依次作为自变量，以基于ADC、Canon、DJI-30 m及DJI-100 m这4种不同草地盖度监测方法计算的草地盖度值作为因变量，分别建立线性、对数、指数和乘幂4类回归模型。采用留一法交叉验证方法(leave-one-out cross validation，LOOCV)对模型结果进行评价，每个模型的预测能力由均方根误差(root-mean-square error of prediction,RMSEP)以及观测值与模型预测值之间的相关系数r来衡量，两者常用来描述模型的不确定性，RMSEP用于量化模型精度，而r用来评估模型的准确性[33-39]。RMSEP的计算公式如下:

(1)

式中：E(yi)表示第i个实际观测值；yi为模型反演出的第i个预测值；n是观测样本总数，在本研究中n=34。RMSEP数值越低，表明回归模型越精确；相关系数r越接近于1，表示模型精度越高[40]。

1.5 黄河源区近16年草地植被盖度时间变化分析

利用精度验证后确定的草地植被盖度最优遥感模型和相应年份5-9月MODIS月最大合成植被指数(如MNDVI或MEVI)可以模拟黄河源区2000-2015年生长季的草地植被盖度动态变化。采用盖度变化率(coverage rate of change，CRC)，分析研究区近16年的植被盖度变化趋势[41-43]，计算公式如下：

(2)

式中：n为时间序列长度；i为2000-2015年的年份序号1～16；Coveragei为第i年最大合成植被指数代入最优模型中反演的盖度值。当Coverage不存在增加或减少的趋势，说明研究区草地植被状况处于稳定状态，定义为基本不变；当Coverage减少时，根据减少的程度，分别定义为轻度减少和显著减少；若Coverage在研究期内呈增加趋势，同样根据变化程度定义为轻度增加和显著增加。

2 结果与分析

2.1 草地植被盖度遥感监测模型及精度评价

基于留一法的模型检验结果(表1)表明，ADC相片计算的盖度值与MODIS NDVI的4种反演模型的R2从大到小依次是线性、对数、指数和乘幂模型；RMSEP值从低到高顺序为线性、指数、对数和乘幂模型，相关系数r最大的是线性模型，其次为指数模型。因此，以MODIS NDVI为自变量建立的模型中线性模型最好。在ADC相片计算盖度值与MODIS EVI的4种反演模型中，对数模型的RMSEP值最低且拟合系数R2最大，r值同样是对数模型最大。相较于两种植被指数而言，不论是线性、对数、乘幂还是指数模型，均为MODIS EVI模型的R2、r值高于MODIS NDVI模型，RMSEP值则相反。由此可见，MODIS EVI与ADC相片计算的草地盖度之间的相关关系优于MODIS NDVI。综上所述，就以ADC相片计算草地盖度的方法而言，以EVI为自变量的对数模型拟合度最好，误差最小。根据以上分析方法对其他3种盖度监测方法构建的模型进行评价，在MODIS NDVI与Canon相片计算的盖度值之间的4种模型中，线性模型的RMSEP值和r分别为14.7611和0.7349，总体精度高于其他3种模型；EVI与Canon盖度值具有类似的规律，同样是线性模型最好。因此，在Canon相片计算的盖度回归模型中，基于MODIS EVI的线性模型精度最高，反演值更接近真实值。在无人机相片计算盖度值反演模型中，不论是DJI-30 m还是DJI-100 m模式下建立的盖度反演模型，MODIS EVI均具有更好的表现，且对数模型交叉验证相关系数r最大，RMSEP值最低。就DJI-30 m和DJI-100 m两种草地盖度监测方法建立的模型而言，均为基于NDVI的对数模型是最优模型。

表2是根据R2、RMSEP及相关系数r3种评价指标挑选出的4种草地植被盖度监测方法中相对应的最优模型。比较分析这4种模型可以看出，DJI-30 m对数模型的RMSEP值显著低于其他3种模型，R2及r值也均高于其他3种模型，模型拟合度更高，具有最高的精度。因此，黄河源区草地植被盖度遥感监测的最优模型为DJI-30 m对数模型：

y=65.4132ln(xNDVI)+109.1763

(3)

式中：y表示基于DJI-30 m监测方法及相关数据计算的草地盖度与MODIS NDVI之间的回归关系；xNDVI代表MODIS NDVI值。

表1 黄河源区草地植被盖度遥感反演模型精度评价结果

注：R2为草地盖度回归模型的决定系数；RMSEP表示观测值与模型预测值的均方根误差；r代表观测值与模型反演结果之间的相关系数；其中，所有模型P<0.01，均为极显著相关。

Note:R2is the determination coefficient of the grassland coverage regression model;RMSEPindicates root-mean-square error of the observed value and the model predictive value; And the correlation coefficient between the observed value and the inversional results of the model isr; Among, all models meet the condition forP<0.01, they are extremely significant correlation.

表2 基于4种草地盖度监测方法的最优模型精度评价结果

2.3 黄河源区近16年生长季最大草地植被盖度动态变化

在ArcMap中，将2000-2015年5-9月MODIS MNDVI代入黄河源区草地植被盖度监测最优模型(式3)，分别得到每年生长季草地盖度最大值，然后通过CRC(式2)分析草地盖度的时序变化，最后利用Reclassify工具对16年草地盖度变化程度进行分级，制作出黄河源区草地盖度空间分布格局图(图3)。

图2 基于ADC(a)、Canon(b)、DJI-30 m(c)和DJI-100 m(d)4种监测方法的草地盖度最优模型回归分析Fig.2 Regression analysis of optimal models of four kinds of grassland coverage monitoring methods based on ADC (a), Canon (b), DJI-30 m (c) and DJI-100 m (d)

图3 2000-2015年黄河源东部地区草地盖度变化趋势空间分布Fig.3 Spatial distribution of grassland coverage in the source region of Yellow River during 2000-2015

表3 2000-2015年黄河源区东部地区草地盖度变化趋势统计结果

Table 3 Statistical results of grassland coverage change in the eastern region of the Yellow River in 2000-2015

盖度变化率CRC变化等级Changinglevel面积比例Arearatio(%)<-0．9显著减少Significantdecrease0．37-0．9～-0．3轻度减少Insignificantdecrease6．16-0．3～0．3基本不变Elementaryconstant71．460．3～0．9轻度增加Insignificantincrease17．61>0．9显著增加Significantincrease4．40

研究结果表明，2000-2015年黄河源东部大部分地区的草地盖度基本保持不变，其面积占研究区草地面积的71.46%，呈增加趋势的区域为22.01%，盖度变化呈下降趋势的区域所占面积最小，仅为6.53%(表3)。草地盖度无明显变化的区域主要分布在研究区的东南部地区，包括久治、甘德、河南、玛沁县80%以上的区域；植被盖度轻度减少主要发生在达日县的东北部地区，少部分均匀分布在甘德、玛沁和久治等县；草地盖度显著减少的区域为玛沁县的中部地区以及贵南、兴海、泽库、河南县的极少部分区域，仅占源区总面积的0.37%。草地盖度增加的区域多分布在研究区的北部地区，达日县的大面积区域也呈盖度增加趋势，而东南部地区各县少有涉及。盖度显著增加区域集中分布在贵南和兴海县的北部，占研究区草地总面积的4.40%。

3 讨论

草地盖度反演模型的建立不可避免地受地面采样时间、地点、采样点大小、数量及其代表性的影响，同时卫星影像的时空分辨率、图像处理方法、人为误差等多种因素也给模型的精度带来一定的误差[32,44]。本研究地面采样时间为2015年8月1-12日，时间较短、涉及的空间范围较大，且采样点主要分布在黄河源东部，西部地区少有涉及，筛选的最优模型对黄河源整个地区草地盖度动态变化的监测具有一定的局限性，反演结果具有一定的不确定性。因此，今后进一步研究可以考虑增加采样时间，同时在研究区内增加采样点，合理规划观测范围，使之与对应卫星影像的像素大小在空间上更加匹配，对现有模型进行校正，从而减少建模的误差。

本研究中，MODIS EVI与基于ADC和Canon相片计算的草地盖度建立的各类模型均优于以MODIS NDVI为自变量的模型，说明采用传统的0.5 m×0.5 m的地面样方观测方法(如ADC和Canon相片)构建的基于MODIS EVI的反演模型，特别是基于Canon相片计算的草地盖度与MODIS EVI之间构建的反演模型，更适于黄河源东部草地盖度及其变化规律的动态监测。这与马琳雅等[45]对甘南高寒草地植被覆盖度动态变化的研究结果类似。任世龙等[14]借助其团队开发的DPPS系统，对高寒草地植被盖度研究结果显示，普通相机的估算精度远高于ADC，不仅如此，ADC拍摄照片用时约10 s，但普通数码相机耗时不到5 s，照片处理效率两者是相同的。因此，普通相机相较于ADC具有成本低、分辨率高等特点，相对而言，普通相机法更适宜于高寒草地植被盖度的估算，本研究与此结果相近。

然而，在利用无人机方法构建的草地盖度反演模型中，MODIS NDVI较EVI则有更好的表现，基于MODIS NDVI的对数模型精度更高，对草地生长状况的估算能力更强。这与采用传统的地面样方观测方法(如照相方法)构建的草地盖度最优反演模型不同。导致这一现象的原因是多方面的，但地面实测样点的数量及其代表性可能是主要影响因素。首先，无人机方法与传统地面样方观测方法相比，对相同样地的实测面积差异巨大。前者(如航高30 m时)样地累计观测面积超过2700 m2[3×(30 m×30 m)]，后者仅1.25 m2[5×(0.5 m×0.5 m)]，前者是后者的2160倍；其次，与构建草地盖度反演模型的MODIS数据的像元大小62500 m2(250 m×250 m)相比，两大类观测方法的地表实测面积仅占MODIS数据一个像元大小的3.4%和0.002%。Curran等[46]研究了样方大小对地表实测草地遥感反演结果的影响，证明样方尺寸是左右测量精度的重要因素，这与本研究得出的结论相似。由此可见，UAV航拍覆盖范围比ADC和普通相机广，与卫星资料的空间匹配度更高，无人机方法是对目前草地盖度地面实测方法的巨大改进，可以高效便捷地获取更大空间范围的地面观测资料，从而克服传统方法与卫星数据的空间匹配性问题，从而提高草地植被盖度遥感反演的精度。

相较于ADC和普通相机，无人机航拍获取的草地盖度与MODIS植被指数建立的模型精度最高。但就两种不同的无人机拍摄方法而言，DJI航高30 m对地拍摄方法远优于航高100 m的方法。这可能是受DJI Phantom 2飞行器性能的限制，当飞行高度过高时，UAV搭载的GoPro Hero 3+相机(1200万像素)难以满足拍摄需求，导致照片空间分辨率较低。在进行盖度值计算时，清晰度不足的照片无法被软件很好地识别，给研究带来不可避免的误差。因此，无人机航拍对草地的监测来说是一个机遇，同时也存在很多的挑战。一方面，要加强地表观测和航拍的结合；另一方面，要注重无人机应用技术的改进(如提高相机分辨率等)，进一步探索在草地资源研究中的应用。

本研究基于DJI-30 m对数模型分析了近16年黄河源东部地区草地盖度的动态变化，结果显示71.46%的区域草地盖度稳定不变，具有增加趋势的区域面积为22.01%，呈减少趋势的地区仅占6.53%。这与张镱锂等[47]对黄河源区近15年间草地退化特征的研究结果类似，他们研究表明退化草地占黄河源区总面积的8.24%，且草地退化主要发生在人口相对密集的低海拔地区，尤其是水分、植被条件较差的地域。海拔越低，居住人口越密集，人类活动更频繁，对草地的扰动加大，这与本研究确定的草地盖度减少区域的地理、人文环境极为相似。由此说明，源区草地退化受到自然因素的影响，但人类活动起着主导作用。因此，合理的放牧管理和牧民科学意识的增强是改善黄河源区草地资源现状的根本。

4 结论

本研究基于黄河源东部地区2015年8月1-12日野外实测草地样方数据和大量ADC、Canon和DJI相片，结合MODIS植被指数数据，建立了基于MODIS NDVI、EVI的多种草地盖度遥感模型，采用留一法交叉验证方法，并通过回归模型的决定系数、均方根误差及相关系数对所有模型进行了精度评价，确立了适合黄河源东部地区草地盖度遥感监测的最优模型，分析了近16年(2000-2015年)黄河源东部地区草地盖度空间分布格局及其变化趋势。结果表明，1) MODIS NDVI与DJI-30 m盖度数据之间的对数模型是研究区草地盖度监测的最优模型，R2达0.7575，RMSEP为8.4780，r值高达0.8525，基于UAV的草地盖度监测方法优于ADC和普通相机法。2) 与基于DJI-30 m计算的盖度数据和MODIS 植被指数建立的最优回归模型相比较，DJI-100 m盖度数据和MODIS 数据反演的模型精度较低，R2和r值相对于前者降低了19.97%和14.90%，而RMSEP显著增加30.05%，这可能是由于DJI-100 m监测模式在航高过高时，覆盖的地表范围过大，导致无人机搭载的运动相机获取的照片空间分辨率过低，无法准确计算草地盖度信息；3) 在4种草地盖度监测方法中，MODIS EVI与农业多光谱相机、数码相机获取的盖度值的相关性优于MODIS NDVI，所构建的模型具有更高的精度，而MODIS NDVI更适宜于构建基于无人机相片计算的盖度反演模型；4) 比较分析ADC与Canon盖度反演模型，后者总体反映出更多的优势，且Canon成本低、拍摄用时短，因此，在小范围或样方尺度(0.5 m×0.5 m)的草地盖度监测中，普通数码相机可能是更好的选择；5) 16年间黄河源东部71.46%的地区草地盖度状况处于稳定状态，多分布在研究区东南部；盖度值逐步增加的区域面积为22.01%，增加幅度有从西向东、从北向南减少的趋势；呈减少趋势的地区所占面积极少，仅为6.53%，且多分布在人类活动频繁的地域。

References：

[1] Tang Z G, Ma J H, Li C L,etal. Estimating vegetation coverage using remote sensing data in Sanjiangyuan national nature reserve. Journal of Lanzhou University: Natural Sciences, 2010, 46(2): 11-16. 唐志光, 马金辉, 李成六, 等. 三江源自然保护区植被覆盖度遥感估算. 兰州大学学报: 自然科学版, 2010, 46(2): 11-16.

[2] Cheng H Y. The Hydrology Process and Ecological Functions Response Under the Vegetation Coverage Change of Alpine-cold Meadow in the Headwater Region of the Yellow River[D]. Lanzhou: Lanzhou University, 2007. 程慧艳. 黄河源区高寒草甸草地覆被变化的水文过程与生态功能响应研究[D]. 兰州: 兰州大学, 2007.

[3] Yan Z L, Zhou H K, Liu W,etal. Preliminary discuss on grassland degradation in the source region of Yangtze and Yellow Rivers. Grassland of China, 2003, 25(1): 73-78. 严作良, 周华坤, 刘伟, 等. 江河源区草地退化状况及成因. 中国草地学报, 2003, 25(1): 73-78.

[4] Foggin J M, Smith A T. Rangeland utilization and biodiversity on the alpine grasslands of Qinghai Province, People’s Republic of China[M]//Conserving China’s Biodiversity II. Beijing: China Environmental Science Press, 1996: 247-258.

[5] Bai W Q, Zhang Y L, Xie G D,etal. Analysis of formation causes of grassland degradation in Maduo County in the source region of Yellow River. Chinese Journal of Applied Ecology, 2002, 13(7): 823-826. 摆万奇, 张镱锂, 谢高地, 等. 黄河源区玛多县草地退化成因分析. 应用生态学报, 2002, 13(7): 823-826.

[6] Wang G X, Ding Y J, Wang J,etal. Land ecological changes and evolutional patterns in the source regions of the Yangtze and Yellow Rivers in recent 15 years. Acta Geographica Sinica, 2004, 59(2): 163-173. 王根绪, 丁永建, 王建, 等. 近15年来长江黄河源区的土地覆被变化. 地理学报, 2004, 59(2): 163-173.

[7] Zheng D, Yao T D. Uplifting of Tibetan Plateau with its environmental effects. Advances in Earth Science, 2006, 21(5): 451-458. 郑度, 姚檀栋. 青藏高原隆升及其环境效应. 地球科学进展, 2006, 21(5): 451-458.

[8] Wu Y H. Discuss on the ecological environment protection and construction of Yellow River. Journal of Qinghai Environment, 2003, 13(2): 60-64. 吴玉虎. 试论黄河源区生态环境保护与建设. 青海环境, 2003, 13(2): 60-64.

[9] Wu X P. On the ecological environment status in the source area of Yangtze River and Yellow River and control countermeasure. China Environmental Science, 2000, 20(Suppl.): 64-67. 吴向培. 试论长江、黄河源区生态环境现状及其防治对策. 中国环境科学, 2000, 20(增刊): 64-67.

[10] Purevdorj T, Tateishi R, Ishiyama T,etal. Relationships between percent vegetation cover and vegetation indices. International Journal of Remote Sensing, 1998, 19(18): 3519-3535.

[11] Zhang Y X, Li X B, Chen Y H. Overview of field and multi-scale remote sensing measurement approaches to grassland vegetation coverage. Advance in Earth Sciences, 2003, 18(1): 85-93. 张云霞, 李晓兵, 陈云浩. 草地植被盖度的多尺度遥感与实地测量方法综述. 地球科学进展, 2003, 18(1): 85-93.

[12] Wen Q K, Zhang Z X, Liu B,etal. Research progress in grassland fractional coverage estimation methods. Pratacultural Science, 2009, 26(12): 30-36. 温庆可, 张增祥, 刘斌, 等. 草地覆盖度测算方法研究进展. 草业科学, 2009, 26(12): 30-36.

[13] Song X F, Dong Y P, Shan L Y,etal. Study on the determination of grassland coverage by digital camera. Inner Mongolia Prataculture, 2004, 16(4): 1-6. 宋雪峰, 董永平, 单丽燕, 等. 用数码相机测定草地盖度的研究. 内蒙古草业, 2004, 16(4): 1-6.

[14] Ren S L, Yi S H, Chen J J,etal. Comparisons of alpine grassland fractional vegetation cover estimation using different digital cameras and different image analysis methods. Pratacultural Science, 2014, 31(6): 1007-1013. 任世龙, 宜树华, 陈建军, 等. 基于不同数码相机和图像处理方法的高寒草地植被盖度估算的比较. 草业科学, 2014, 31(6): 1007-1013.

[15] Zhou Q, Robson M, Pilesjo P. On the ground estimation of vegetation cover in Australian Rangelands. International Journal of Remote Sensing, 1998, 19(9): 1815-1820.

[16] Zou C H, Xie X Y, Zhou Z F,etal. Future prospects in utilization of photo-taking unmanned aerial vehicle in low altitude of RS system in plateau mountain area of Guizhou. Journal of Guizhou Normal University: Natural Sciences, 2011, 29(2): 24-28. 邹长慧, 谢晓尧, 周忠发, 等. 无人机低空航拍遥感系统在贵州高原山区的应用前景探. 贵州师范大学学报: 自然科学版, 2011, 29(2): 24-28.

[17] Gao Z, Deng J H, Sun J,etal. Scheme and key technologies of wireless image transmission system for Micro Unmanned Air Vehicles. Transactions of Beijing Institute of Technology, 2008, 28(12): 1078-1082. 高珍, 邓甲昊, 孙骥, 等. 微型无人机图像无线传输系统方案与关键技术. 北京理工大学学报, 2008, 28(12): 1078-1082.

[18] Rango A, Laliberte A, Steele C,etal. Using unmanned aerial vehicles for rangelands: current applications and future potentials. Environmental Practice, 2006, 8(3): 159-168.

[19] Rango A, Laliberte A, Herrick J E,etal. Unmanned aerial vehicle-based remote sensing for rangeland assessment, monitoring, and management. Journal of Applied Remote Sensing, 2009, 3(1): 33542.

[20] Zhu J H, Liang T, Xu G,etal. Application progress of UAV remote sensing technology in the field of environmental protection. Environmental Protection Science, 2013, 39(4): 97-100. 朱京海, 梁婷, 徐光, 等. 无人机遥感技术在环境保护领域中的应用进展. 环境保护科学, 2013, 39(4): 97-100.

[21] Bai Y L, Jin J Y, Yang L P,etal. Technology of low altitude remote sensing and its applications in precision agriculture. Soils & Fertilizers, 2004, (1): 3-6. 白由路, 金继运, 杨俐苹, 等. 低空遥感技术及其在精准农业中的应用. 中国土壤与肥料, 2004, (1): 3-6.

[22] Wang G D, Guo G M, Cao B B,etal. Discussion on the application value of remote sensing in forest resources investigation. Technology and Enterprise, 2014, (15): 383. 王根铎, 郭国明, 曹斌斌, 等. 浅谈无人机遥感在森林资源调查中的运用价值. 科技与企业, 2014, (15): 383.

[23] Wang P, Luo X W, Zhou Z Y,etal. Key technology for remote sensing information acquisition based on micro UAV. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(18): 1-12. 汪沛, 罗锡文, 周志艳, 等. 基于微小型无人机的遥感信息获取关键技术综述. 农业工程学报, 2014, 30(18): 1-12.

[24] Li B， Liu R Y， Liu S H,etal. Monitoring vegetation coverage variation of winter wheat by low altitude UAV remote sensing system. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(13): 160-165. 李冰, 刘镕源, 刘素红, 等. 基于低空无人机遥感的冬小麦覆盖度变化监测. 农业工程学报, 2012, 28(13): 160-165.

[25] Liu F, Liu S H, Xiang Y. Study on monitoring fractional vegetation cover of garden plots by Unmanned Aerial Vehicles. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(11): 250-257. 刘峰, 刘素红, 向阳. 园地植被覆盖度的无人机遥感监测研究. 农业机械学报, 2014, 45(11): 250-257.

[26] Johnson L F, Herwitz S, Dunagan S,etal. Collection of ultra high spatial and spectral resolution image data over California vineyards with a small UAV. Proceedings of the 30th International Symposium on Remote Sensing of Environment, 2003, 20: 845-849.

[27] Rokhmana C A. The potential of UAV-based remote sensing for supporting precision agriculture in Indonesia. Procedia Environmental Sciences, 2015, 24: 245-253.

[28] Chen L Q, Liu C M, Yang S T,etal. Reproduction of precipitation in the source regions of Yellow River with remote sensing. China Environmental Science, 2006, 26(S1): 87-91. 陈利群, 刘昌明, 杨胜天, 等. 黄河源区降水遥感反演. 中国环境科学, 2006, 26(S1): 87-91.

[29] Xu X T. Spatial and Temporal Analysis of Net Primary Productivity and Water Use Efficiency in Yellow River Source Region[D]. Lanzhou: Lanzhou University, 2007. 徐晓桃. 黄河源区 NPP 及植被水分利用效率时空特征分析[D]. 兰州: 兰州大学, 2007.

[30] Li W S, Wu G X. Analysis on cause of flow-stopping in source area of the Yellow River. Bulletin of Soil & Water Conservation, 2000, 20(1): 5-8. 李万寿, 吴国祥. 黄河源头断流现象成因分析. 水土保持通报, 2000, 20(1): 5-8.

[31] Lin L, Jin H J, Luo D L,etal. Preliminary study on major features of alpine vegetation in the source area of the Yellow River (SAYR). Journal of Glaciology and Geocryology, 2014, 36(1): 230-236. 林琳, 金会军, 罗栋梁, 等. 黄河源区高寒植被主要特征初探. 冰川冻土, 2014, 36(1): 230-236.

[32] Meng B P, Chen S Y, Cui X,etal. The accuracy of grassland vegetation biomass estimated model based on multi-source remote sensing data-As a case of experimental area in Sangke grassland in Xiahe County. Pratacultural Science, 2015, 32(11): 1730-1739. 孟宝平, 陈思宇, 崔霞, 等. 基于多源遥感数据的高寒草地生物量反演模型精度—以夏河县桑科草原试验区为例. 草业科学, 2015, 32(11): 1730-1739.

[33] Yu H, Feng Q S, Chen S Y,etal. Grassland biomass dynamic monitoring in Gannan prefecture based on the microwave vegetation indices. Journal of Lanzhou University: Natural Sciences, 2011, 47(4): 69-74. 于惠, 冯琦胜, 陈思宇, 等. 基于微波植被指数的甘南草地生物量动态监测. 兰州大学学报: 自然科学版, 2011, 47(4): 69-74.

[34] Feng M Y, Wei L, Hu F X,etal. Analysis on changes of temperature and precipitation in Nanchang in recent 55 years. Acta Agriculturae Universitatis Jiangxiensis, 2009, 31(4): 781-784. 冯敏玉, 魏丽, 胡逢喜, 等. 南昌地区近55年的气温与降水变化分析. 江西农业大学学报, 2009, 31(4): 781-784.

[35] Song Y, Ma M, Veroustraete F. Comparison and conversion of AVHRR GIMMS and SPOT VEGETATION NDVI data in China. International Journal of Remote Sensing, 2010, 31(9): 2377-2392.

[36] Huang X D, Li X, Liang T G. Dynamics of MODIS vegetation indices and their relationships with meteorological factors for different grassland types in northern Xinjiang. Journal of Lanzhou University: Natural Sciences, 2007, 43(3): 42-47. 黄晓东, 李霞, 梁天刚. 北疆地区不同草地类型MODIS植被指数变化动态及其与气候因子的关系. 兰州大学学报: 自然科学版, 2007, 43(3): 42-47.

[37] Yu B H, Lv C H, Lv T T,etal. Regional differentiation of vegetation change in the Qinghai-Tibet plateau. Progress in Geography, 2009, 28(3): 391-397. 于伯华, 吕昌河, 吕婷婷, 等. 青藏高原植被覆盖变化的地域分异特征. 地理科学进展, 2009, 28(3): 391-397.

[38] Yu H Y, Xu J C. Effects of climate change on vegetations on Qinghai-Tibet Plateau. Chinese Journal of Ecology, 2009, 28(4): 747-754. 于海英, 许建初. 气候变化对青藏高原植被影响研究综述. 生态学杂志, 2009, 28(4): 747-754.

[39] Feng Q S, Gao X H, Huang X D,etal. Remote sensing dynamic monitoring of grass growth in Qinghai-Tibet plateau from 2001 to 2010. Journal of Lanzhou University: Natural Sciences, 2011, 47(4): 75-81. 冯琦胜, 高新华, 黄晓东, 等. 2001-2010年青藏高原草地生长状况遥感动态监测. 兰州大学学报: 自然科学版, 2011, 47(4): 75-81.

[40] Olden J D, Jackson D A. Torturing data for the sake of generality: How valid are our regression models. Ecoscience, 2000, 7(4): 501-510.

[41] Stow D, Daeschner S, Hope A,etal. Variability of the seasonally integrated normalized difference vegetation index across the north slope of Alaska in the 1990s. International Journal of Remote Sensing, 2003, 24(5): 1111-1117.

[42] Zhang R P, Feng Q S, Guo J,etal. Spatio-temporal changes of NDVI and climatic factors of grassland in northern China from 2000 to 2012. Journal of Desert Research, 2015, 35(5): 1403-1412. 张仁平, 冯琦胜, 郭靖, 等. 2000—2012年中国北方草地NDVI和气候因子时空变化. 中国沙漠, 2015, 35(5): 1403-1412.

[43] Yu H. Dynamics of Grassland Growth and Its Response to Climate Change on Tibetan Plateau[D]. Lanzhou: Lanzhou University, 2013. 于惠. 青藏高原草地变化及其对气候的响应[D]. 兰州： 兰州大学, 2013.

[44] Yang F, Wang J L, Chen P F,etal. Comparison of HJ-1A CCD and TM data and for estimating grass LAI and fresh biomass. Journal of Remote Sensing, 2012, 16(5): 1000-1023. 杨飞, 王卷乐, 陈鹏飞, 等. HJ-1A CCD与TM数据及其估算草地LAI和鲜生物量效果比较分析. 遥感学报, 2012, 16(5): 1000-1023.

[45] Ma L Y, Cui X, Feng Q S,etal. Dynamic changes of grassland vegetation coverage from 2001 to 2011 in Gannan prefecture. Acta Prataculturae Sinica, 2014, 23(4): 1-9. 马琳雅, 崔霞, 冯琦胜, 等. 2001-2011年甘南草地植被覆盖度动态变化分析. 草业学报, 2014, 23(4): 1-9.

[46] Curran P J, Williamson H D. Sample size for ground and remotely sensed data. Remote Sensing of Environment, 1986, 20(1): 31-41.

[47] Zhang Y L, Liu L S, Bai W Q,etal. Grassland degradation in the source region of the Yellow River. Acta Geographica Sinica, 2006, 61(1): 3-14. 张镱锂, 刘林山, 摆万奇, 等. 黄河源地区草地退化空间特征. 地理学报, 2006, 61(1): 3-14.

Dynamic monitoring of alpine grassland coverage based on UAV technology and MODIS remote sensing data-A case study in the headwaters of the Yellow River

GE Jing, MENG Bao-Ping, YANG Shu-Xia, GAO Jin-Long, FENG Qi-Sheng, LIANG Tian-Gang*, HUANG Xiao-Dong, GAO Xin-Hua, LI Wen-Long, ZHANG Ren-Ping, WANG Yun-Long

StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China

In this study, MODIS NDVI and EVI data from 41 field measurements in the eastern headwaters of the Yellow River were used. In combination with the alpine grassland coverage data obtained by an Agricultural Digital Camera (ADC), ordinary digital camera (i.e., Canon 70D) and Unmanned Aerial Vehicles (UAV) images, grassland coverage inversion models were constructed using MODIS vegetation indices. The optimal remote sensing model was used to analyze the grassland coverage dynamics from 2000 to 2015. The results indicated that: 1) the correlation between MODIS NDVI and grassland coverage calculated by UAV images was better than that of MODIS EVI and UAV, and the correlation between MODIS EVI and grassland coverage calculated by ADC and Canon images was higher than that of MODIS NDVI and ADC and the Canon 70D. 2) Compared to ADC, the accuracy of the models established using the Canon 70D was much higher, indicating that ordinary digital cameras may be more reliable for calculating the alpine grassland vegetation coverage. 3) Compared with the grassland coverage calculated with the Canon, images from the ADC and UAV under 30 m and 100 m flight height with the two MODIS vegetation indices respectively, the MODIS NDVI was more sensitive to grassland vegetation coverage retrieved by UAV under 30 m flight height; the optimal model wasy=65.4132ln(NDVI)+109.1763 (R2=0.7575,RMSEP=8.4780). 4) Vegetation coverage during the study period in the southeast area of the study area was stable at 71.5%. Increases in vegetation cover occurred primarily in the western and northern regions while decreases in vegetation were mostly found in northern and southern regions of the study area.

the headwater area of Yellow River; grassland coverage; inversion model; MODIS; unmanned aerial vehicle; dynamic change

2016-04-19；改回日期：2016-06-28

国家自然科学基金项目(31372367，31228021，41401472)，农业部公益性行业(农业)科研专项项目(201203006),中国气象局气候变化专项项目(CCSF201603)和长江学者和创新团队发展计划(IRT13019)资助。

葛静(1992-)，女，甘肃平凉人，在读硕士。E-mail:gej12@lzu.edu.cn*通信作者Corresponding author. E-mail: tgliang@lzu.edu.cn

10.11686/cyxb2016165 http://cyxb.lzu.edu.cn

葛静, 孟宝平, 杨淑霞, 高金龙, 冯琦胜, 梁天刚, 黄晓东, 高新华, 李文龙, 张仁平, 王云龙. 基于UAV技术和MODIS遥感数据的高寒草地盖度动态变化监测研究——以黄河源东部地区为例. 草业学报, 2017, 26(3): 1-12.

GE Jing, MENG Bao-Ping, YANG Shu-Xia, GAO Jin-Long, FENG Qi-Sheng, LIANG Tian-Gang, HUANG Xiao-Dong, GAO Xin-Hua, LI Wen-Long, ZHANG Ren-Ping, WANG Yun-Long. Dynamic monitoring of alpine grassland coverage based on UAV technology and MODIS remote sensing data-A case study in the headwaters of the Yellow River. Acta Prataculturae Sinica, 2017, 26(3): 1-12.