基于卫星- 无人机遥感数据的麦田植被覆盖度估算

陈平男,王瑞燕,刘洪义,王莉,严向军,尹涛

（1.山东农业大学 资源与环境学院,山东 泰安 271017;2.德州市自然资源局,山东 德州 253076;3.日照市自然资源局,山东 日照 276827;4.湖北省地质局,湖北 武汉 430058;5.嘉祥县第一中学,山东 济宁 272400）

植被覆盖度（Fractional vegetation cover,FVC）是区域生态系统环境变化的重要指标,对水文、生态和区域变化以及盐碱土改良等都具有重要的意义[1-4].目前植被覆盖度的估算方法有地面实测法和遥感监测法两类.地面实测法获取的多是点上的植被覆盖度,无法在宏观大尺度上进行测量[5-6].遥感具有宏观性和实时性,为大范围地区的作物动态监测给出了新的发展方向[2].目前用于植被覆盖度估算的遥感数据众多,光学遥感数据中具有代表性的为Landsat8/OLI 卫星数据,Landsat8/OLI 卫星数据具有数据免费、时空连续性强等优点,是植被监测最常用的数据[7];微波遥感数据中具有代表性的为Sentinel-1 卫星数据,广泛应用于估测森林生物量、植被识别提取等应用中[8].但目前还没有植被覆盖度的研究对这2 类数据进行比较和选择.

卫星遥感植被覆盖度估算结果需要高精度的观测数据验证.近年来,随着无人机遥感技术的不断成熟,加之无人机响应快、周期短、分辨率高、易操作、成本低等特点,广泛应用于植被测绘和监测领域[9-11],无人机可获得高空间分辨率的影像,可以建立地面测量数据和卫星反演结果之间的关系[6],以无人机影像的提取值作为真实值进行精度验证.由于无人机影像分辨率高,许多研究中没有考虑到混合像元的影响,提取植被覆盖度时直接将无人机像元进行整体分类,而理论上无人机影像中存在混合像元,精度验证要求尽可能提高真实值的准确性,无人机影像中是否存在混合像元,如果存在混合像元,它对精度验证是否有影响、影响有多大等问题需要进行研究.

本文选择拔节期冬小麦作为研究对象,使用光学卫星遥感数据Landsat8/OLI 和微波卫星遥感数据Sentinel-1 进行植被覆盖度的估算,以无人机估算值进行精度验证,对二者的估算结果进行对比,以此探讨无人机影像的混合像元对植被覆盖度估测的影响, 以及选择合适的卫星遥感数据源提取盐渍土地区麦田植被覆盖度.

1 研究区概况与数据来源

1.1 研究区概况

研究区位于山东省滨州市无棣县“渤海粮仓”试验田,经纬度范围为（37°54′50″-37°56′34″N,117°54′29″-117°56′43″E）,位于华北平原,地势平坦,为北温带东亚季风区域大陆性气候,具有春季干燥,夏季炎热多雨,秋季凉爽,冬季寒冷季长的特点.实验时试验田内作物类型为小麦.试验田各小区内水肥等处理情况不同,各小区中小麦长势不同.研究区内规划整齐,道路、排水沟等基础设施齐备.研究区地理位置如图1 所示.

图1 研究区地理位置Fig.1 Geographical location of the study area

1.2 数据获取与预处理

1.2.1 地面实测数据获取及预处理 根据植被覆盖的疏密程度,在研究区域内选择84 个采样样方进行实地植被覆盖度采集,样方位置如图1 所示.数据采集方式为照相法,使用RGB 相机拍摄,拍摄时镜头方向垂直向下,拍摄高度1.2 m,拍摄范围约0.5 m2.由于可见光照片的成像原理为中心投影,照片的边缘会产生畸变现象,将采集到的照片进行裁剪,只保留照片中央垂直拍摄的部分.同时使用盐分计测量每个采样样方中心点位土壤含盐量.采用任世龙等从照片中提取植被覆盖度的方法提取实地测量的植被覆盖度[12].

1.2.2 卫星遥感数据获取及预处理 本文使用Landsat8/OLI 光学卫星遥感影像数据和Sentinel-1 微波卫星遥感影像.landsat8/OLI 影像数据从地理空间数据云（http：//www.gscloud.cn）获取,条带号为122,行编号为34,影像获取时间为2018 年5 月3 日,影像中心经度117.34996°,中心纬度37.474 25°,平均云量0.05,影像空间分辨率30 m.Sentinel-1 影像数据从欧洲航天局官网（https：//scihub.copernicus.eu/dhus/#/home)获得,Sentinel-1 微波卫星遥感影像为干涉宽幅模式（IW）的Level-1 级GRD 格式,成像时间为2018 年4月27 日.Sentinel-1 影像预处理主要包括辐射校正、噪声处理以及几何校正等,在SNAP 软件中完成.处理后影像空间分辨率10 m.

1.2.3 无人机数据获取及预处理 使用大疆无人机搭载sequoia 多光谱相机进行拍摄,sequoia 多光谱相机含有以下4 个波段：绿光波段（中心波长550 nm,带宽40 nm）、红光波段（中心波长660 nm,带宽40 nm）、红边波段（中心波长735 nm,带宽10 nm）和近红外波段（中心波长790 nm,带宽40 nm）.无人机图像采集时间为2018 年4 月27 号,以sequoia 多光谱相机镜头垂直向下、航向及旁向重叠度为60%、飞行相对高度为50 m 的参数设置进行数据采集.影像地面分辨率为0.05 m.无人机的预处理包括对影像拼接、辐射校正、几何精校正、图像裁剪等工作,这些工作在Pix4DMapper、ArcGIS10.1、ENVI5.3 等软件中实现.

1.3 植被覆盖度提取方法

首先分别使用不考虑混合像元的监督分类方法和考虑混合像元的像元二分模型方法估算无人机影像的植被覆盖度,探讨无人机影像中的混合像元对植被覆盖度估测精度的影响问题.然后使用像元二分模型方法分别提取Landsat8/OLI、Sentinel-12 个卫星遥感数据的冬小麦植被覆盖度,以无人机估算值进行精度验证,从而选择估算冬小麦覆盖度的最佳卫星遥感数据源.

1.3.1 像元二分模型 像元二分模型是一个广泛使用的混合像素模型方法,该模型具有良好的理论基础,同时可以减少大气、土壤背景和植被类型的影响[2,4].模型假设像元由植被和非植被两部分组成,像元的光谱信息为这两个分量的线性加权合成,每个分量的权重代表每个分量所占像素面积的比例,从而植被覆盖度可以用植被的分量来表示.

在各类植被指数中,NDVI 是目前国内外使用最多且被公认为提取植被效果较好的植被指数, 它不受群落、地形结构阴影、辐射干扰、太阳高度角和大气的影响,是植被生长状态及植被覆盖度的最佳指示因子,经比值处理可以部分消除与太阳高度角、卫星观测角等有关的辐照度影响[23],多项研究证明可以使用NDVI 值代替像元光谱值,所带来的影响可以忽略不计[6].植被覆盖度的计算公式可写为式（1）

式（1）中：FVC 是混合像元的植被覆盖度,NDVI 是混合像元的归一化植被指数值,NDVIveg是纯植被像元的归一化植被指数值,NDVIsoil是纯裸土像元的归一化植被指数值.

像元二分模型使用中最重要的是确定NDVIveg和NDVIsoil的取值,理论上纯植被覆盖区域的NDVI值应趋于1,而裸土覆盖区域的NDVI 值应趋于0,然而由于地表湿度、粗糙度等因素的影响,NDVIsoil并不是理论上的零值,而在-1~0.2 之间变化,NDVIveg也随植被类型以及时间和空间而所差异,因此NDVIsoil和NDVIveg没有固定值.本文选择众多研究人员使用的NDVI 累积直方图中5%分位处像元的平均值作为NDVIsoil值,95%分位处像元均值作为NDVIveg值[14].将像元二分模型应用于无人机数据时,此时影像内地物类型单一,干扰因素少,选择选择使用的NDVI 累积直方图中1%分位处像元的平均值作为NDVIsoil值,99%分位处像元均值作为NDVIveg值.

1.3.2 微波卫星影像植被覆盖度的提取 受光学遥感构建植被指数的启发,光学遥感利用绿色植被的光谱反射特性（在红光波段和近红外波段的反射率有较大差异）,利用红光波段和近红外波段构建了比值植被指数RVI、差值植被指数DVI 和归一化植被指数NDVI 等.利用Sentinel-1 影像VV 极化后向散射系数和VH 极化后向散射系数,模拟光学遥感构建植被指数的方法构建了比值微波植被指数RVISAR（式2）、差值微波植被指数DVISAR（式3）和归一化微波植被指数NDVISAR（式4）.

统计研究区内Sentinel-1 每个像元对应空间的无人机植被覆盖度均值,分别与VV、VH、RVISAR和DVISAR和NDVISAR5 个植被指数值做相关性分析,结果如表1 所示.从表1 可以看出,除VH 指数外,其余4个指数均与植被覆盖度在0.01 级别（双尾）呈极显著相关.

表1 5 个参数与植被覆盖度相关性分析结果Tab.1 Correlation analysis results of five parameters and vegetation coverage

将筛选出的微波植被指数替换NDVI 值应用到像元二分模型中,尝试提取Sentinel-1 的植被覆盖度.由于微波影像的极化后向散射系数受地表粗糙度和介电常数的影响,这就与地表粗糙度、土壤含水量以及植被含水量有关,这些因素同样具有时间和空间上的差异性,考虑到方法的一致性,仍然采用各个指数统计直方图中5%分位处像元的平均值作为纯裸土植被指数值,95%分位处像元均值作为纯植被指数值.

1.3.3 精度验证 本文选择平均绝对误差MAE 和均方根误差RMSE 作为精度验证指标.平均绝对误差为绝对误差的平均值,取值范围为[0,∞）,值越小表明预测值与真实值的距离越小,0 值时为完美模型,可以很好地反映预测值误差的实际情况,其表达式为公式（5）;RMSE是预测值和实际值之间的偏差的平方和与估计次数的比值的平方根,用于测量估计值和实际值之间的偏差,相比MAE 而言,RMSE 受异常值的影响更大,对一组测量中的特大或特小误差反映非常敏感,所以RMSE 能够很好地反映出测量的精密度,其表达式为公式（6）

2 结果分析

2.1 无人机提取结果

分别使用监督分类方法和像元二分模型方法提取无人机影像的植被覆盖度.本文采用监督分类中的最大似然分类法,将无人机影像中的像元分为植被和非植被两类,植被像元赋值为1,非植被像元赋值为0,获得影像的植被覆盖度分布.像元二分模型方法的NDVIsoil值设置为0.048,NDVIveg值设置为0.884,每个像元值代表该像元中的植被比例,得到无人机植被覆盖度结果.

图2 显示了无人机图像中同一位置的两种分类结果与原始无人机影像的对比.从图2 中可以看出,在植被密集的地方,监督分类方法无法准确反应植被覆盖信息,会高估无人机影像中的植被覆盖度,而像元二分模型方法则将小麦垄的形态很好地体现出来.拔节期的冬小麦生长旺盛,影像中混合像元少,此时混合像元的存在对植被覆盖度的提取精度产生影响,本实验中使用的无人机影像空间分辨率为0.05 m,说明当影像空间分辨率大于0.05 m 时,不能忽略无人机影像中的混合像元问题.当空间分辨率小于0.05 m时是否需要考虑混合像元因素问题需要进一步研究.

图2 两种方法的结果对比Fig.2 Comparison of the results of the two methods

分别统计地面样方对应范围内的植被覆盖度均值,以可见光照片植被覆盖度作为真实值进行精度验证.精度验证的结果如表2 所示,可以从表2 看出,与监督分类方法相比,使用像元二分模型方法的提取结果精度更高.

表2 两类方法提取值精度验证结果Tab.2 Verification results of extracted value accuracy of two kinds of methods

2.2 Landsat8 光学卫星遥感影像提取结果

使用像元二分模型法提取Landsat8/OLI 光学卫星影像中的植被覆盖度.以landsat8/OLI 数据的像元大小为统计范围,计算每个像元对应的范围内的无人机影像的植被覆盖度均值,进行精度验证,精度验证结果MAE 为0.066,RMSE 为0.086.

2.3 Sentinel-1 卫星数据提取结果

将DVISAR、RVISAR、NDVISAR、VV 指数代入像元二分模型,得到Sentinel-1 影像的植被覆盖度结果.以Sentinel-1 影像的像元大小为统计范围,计算每个像元对应的无人机影像范围内的植被覆盖度的均值,然后进行精度验证,并对提取结果进行相关性分析,结果如表3 所示.可以从表3 看出,4 个参数的提取值都与真实值达到了在0.01 级别（双尾）显著相关,说明这4 个微波植被指数的提取值有一定的准确性,但是从精度验证的结果来看,这4 个参数应用于像元二分模型后的提取效果并不理想,与光学遥感数据的提取精度相差很大.

表3 Sentinel-1 提取值精度验证结果Tab.3 Sentinel-1 extraction value accuracy verification results

3 结论与讨论

无人机影像中存在大量的混合像元,考虑混合像元后,植被覆盖度的提取精度显著提升.无人机遥感所获取的厘米级超高分辨率影像可用于地面验证.在本文选用Landsat8/OLI 和Sentinel-1 两种卫星数据源中,光学卫星遥感数据的提取精度远高于微波卫星遥感数据,Landsat8/OLI 卫星数据最适用于盐渍土地区提取麦田植被覆盖度.

本文以地面样方数据检验无人机植被覆盖度提取值的准确性,以无人机植被覆盖度提取值检验卫星植被覆盖度提取值的准确性.这与传统的布设与像元大小相同的样方法[15]相比省时省力,准确度也更高.通过无人机数据把地面数据和卫星数据衔接起来,实现由地面单点到无人机小区域到卫星大区域的尺度扩展,对遥感反演植被覆盖度产品的验证及遥感与作物模型同化等都具有重要意义[16].

结果表明光学卫星遥感数据Landsat8/OLI 的估算精度比微波卫星数据Sentinel-1 高.从表1 可以看出,除了使用VH 参数的提取值外,其他4 个参数的提取值都与无人机影像的植被覆盖度达到了极显著相关,但使用Sentinel-1 的提取精度不高,提取误差大,出现这种结果可能的原因是本文选择的Sentinel-1 极化方式较少,欧洲航天局官网上免费提供的Sentinel-1 数据只有VV 和VH 两种极化方式,而这两种极化方式的数据与无人机植被覆盖度的相关性差别悬殊, 如若有全极化的数据, 或许基于Sentinel-1 数据提取植被覆盖度能取得理想的结果[17].