无人机多源遥感数据在估测植被叶面积指数的协同反演

陈明 张泽普 沈奥

（中国人民解放军78511部队 四川省雅安市 625000）

植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比。其计算方法主要可分为地表实测和遥感监测2类。传统的地表实测存在人力资源耗费大、周期长、测算结果精度低的问题。而遥感系统平台具有获取信息丰富、时效强、覆盖广，且不受外界环境限制等诸多优点，使其成为植被覆盖监测的主要方法。

近年来，随着无人机平台的不断进步，各型各类传感器日益丰富，可见光及近红外波段的高分辨率影像逐步普及，使得轻小型无人机多光谱遥感成为低空遥感系统的重要组成部分。无人机遥感可以按需要低成本、快速、高效获取高分辨率地面遥感影像，是对卫星多光谱遥感的有力补充。并逐渐推动无人机低空遥感由侧重几何定位的测绘应用，向以决策支持为目的的专题信息提取方向进行转变。

本实验利用无人机获取的多光谱遥感影像，通过构建不同植被指数地图，并引入所在区域高精度数字高程模型DEM，对区域植被覆盖度进行探究，更准确测绘出区域绿植覆盖面积，可有效解决山地地区植被覆盖面积测量困难的问题。

1 实验部分

1.1 实验区域概况

实验区域位于河南省郑州市高新区实验场。整体地势较为平缓，实验区域内有山丘、林地、草地、湖泊、马路等。具有较强的光谱特征，几何特征与地物特征。为了便于评估实验多光谱图像精度，通过南方测绘GPS-RTK精确采集了6个地面控制点的三维坐标。野外实验数据采集时间为2020年8月26日中午12点至14点，处于一天中太阳高度角最大的时候。天气晴朗，无云无明显遮挡物，光照条件稳定。

1.2 实验设备

1.2.1 无人机平台实验采用自主研发的无人机光谱遥感系统。天行者1720无人机是一款大载重，长航时远距离的载机，T尾撑设计保证无人机在执行任务时飞行平衡，具有抗风性强的特点。可携带1.5KG任务载荷在600米高空以时速60km/h飞行1.5小时。搭载CUAV雷迅V5+飞行控制器，基于Pixhawk FMUv5设计标准，可兼容PX4 和 ArduPilot固件。支持RTK厘米级定位，并含有丰富的扩展接口，通过数传与地面站实时通信上传飞行状态。

1.2.2 多光谱相机

无人机平台搭载的Parrot Sequoia是专门为农业应用设备的多光谱相机，具有精度高、尺寸小、重量轻、操作简便的特点。包含四个5个成像传感器：4个120万像素多光谱传感器和一个1600万像素的RGB传感器。

多光谱相机镜头焦距为3.98mm，视场角61.9°×48.5°，传感器尺寸4.5mm×3.6mm。其配备的光照器传感器(sunshine sensor)，可以在拍摄照片时记录太阳辐射照度，从而减少飞行中光线变化对地物反射率的影响。任务时将多光谱相机固定于无人机腹部位置，与飞机重心重合。光照传感器固定于无人机顶部，相机由外置UBEC提供稳定5V-3A电源。在飞行过程中将辐射校正数据写入影像。

2 影像获取与数据处理

2.1 实验影像获取

在进行飞行拍摄前，利用相机配备的校准板进行几何辐射定标。根据实验要求，多光谱相机性能及任务区域环境情况构架无人机飞行航线。设定飞行高度80m，航向重叠度80%，旁向重叠度70%，将相机拍摄频率与无人机实际飞行速度进行匹配：

式中f表示相机焦距，H表示飞行高度，S表示相机单个像元大小，G表示影像地面分辨率。通过计算得到实际地面多光谱影像分辨率0.12m，RGB地面影像分辨率0.03m。

2.2 实验影像数据处理

首先，对获取的无人机多光谱影像图像进行预处理，为后期空三及生成专题影像图做准备，主要项目包括：检查影像重叠度是否符合预设要求，航带弯曲度是否小于3%，无人机航高保持情况和影像旋角大小。将预处理好的多光谱影像导入Pix4D mapper软件进行后续处理，工作流程分为3个部分：导入多光谱影像POS数据，导入RTK测量的6个地面控制点坐标，并对其进行标记。使用光束法区域网平差估测所有影像的方向后，进行匹配校准，建立密集点云，并根据生成的点云计算三维网格纹理。最后生成DSM、正射影像和指数地图。

由于Pix4D mapper软件不能直接生成高精度的DEM。通过把原始RGB影像照片、pos数据、地面控制点数据导入Agisoft PhotoScan(俄罗斯)软件，生成高精度DEM。

2.3 植被指数地图生成与面积计算

植被指数是通过对不同波段反射率的线性或非线性组合，在一定程度上减小了土壤、水体等背景因素对植被光谱特征的干扰，可对植被覆盖情况进行简单、有效的度量。为此，根据相关文献资料选取以下4种植被指数，指数计算公式如表1所示。

表1：植被指数计算公式

根据表1生成相应的植被指数地图，正投影到所在区域的数字高程模型DEM上，结合数字高程模型对各个指数地图中植被部分进行积分（式2），解算出植被覆盖面积。

式（2）中，∑为选定的植被区域有界曲面；DZX是∑在ZOX面的投影区域。

3 结果与讨论

3.1 植被指数与植被覆盖面积相关性分析

根据地物在各个波段的光谱反射率不同，可以有效的对地面植被部分进行区分。为准确估测摄区植被覆盖面积，需要选择区域内合适的指数范围。将选取的植被数值范围，结合摄区的DEM对植被覆盖面积进行估测，通过最小二乘对各个植被指数估测面积与实际面积的关系进行一次线性拟合。选取决定系数R2和均方根误差RMSE作为面积估测精度的评价指标，其中R2越大，对应的RMSE越小，则选取的植被指数对面积估测越准确。

式（3）中，Pi表示实际面积，表示植被指数估测面积，n表示验证样本个数。

所选取的4种植被指数与区域植被覆盖面积均有较高的相关性，主要原因在于通过不同波段的组合，能够用指数地图对不同的地物进行区分。其中，植被指数NDVI和RVI与估测的植被覆盖面积表现出了极强相关性，Pearson相关系数分别达到0.87和0.83。主要原因在于能够有效的将植被从土壤、水体、阴影等外部环境中剥离，较好的反映了真实的植被覆盖面积。SAVI能够消除土壤背景的影响，相关系数也达到了0.8，表现出了较强的相关性，GNDVI在与植被覆盖面积实验中整体效果不甚理想，但是相关系数也达到了0.74，有较强的相关性。

3.2 不同植被指数对估测覆盖面积精度的影响

利用植被指数地图结合数字高程模型DEM预测植被覆盖面积时，选择不同的植被指数，其结果存在一定差异，但有的植被指数在区域范围内估测植被面积差别并不大。就本次实验所研究的4个植被指数而言，NDVI与RVI就估测面积上差别较小，R2分别是0.87和0.83，RMSE分别为6.77和7.82。可能是由于实验时间在夏季，除小部分实验区域外，植被覆盖整体较密，间接忽略了RVI在低密度植被覆盖情况下，对植被分辨力较弱的特点。同时，由于无人机飞行高度较低，RVI可不受大气条件影响，保持植被检测灵敏度，导致其在测结果上和NDVI差别并不明显。并且通过NDVI和RVI都成功区分出了实验区域的病虫部分，通过指数地图可以较好的区分植被、土壤、水体。但是有部分地物如塑胶场地，人工草坪没有很好的区分，这是导致实验测区面积偏大的原因。SAVI整体效果较好，相关系数R2为0.77，均方根误差RMSE为9.1。能够有效的区分水体、土壤、道路等，但是就实验测区而言，没有对阴影部分植被面积进行有效的区分识别。

在4个植被指数中，发现GNDVI的效果不尽如人意，相关系数R2为0.55，均方根误差RMSE为12.62。与其它三个指数相比差别较大。从指数地图可以发现，GNDVI把图中阴影、水体、部分道路等区域划分为了植被，识别效果较差。从而导致整个测区植被面积估测偏大。这可能是因为光照原因，使得部分背景在绿波段的反射率同植被的反射率相同，导致其错误的识别使得整个测区估测植被覆盖面积偏大。

4 结论

利用无人机高分辨率多光谱遥感影像，能有效估测植被覆盖度。在此基础上结合DEM高程数据，利用高程、坡度信息对地表植被部分进行积分，可较为准确的计算出植被覆盖面积。通过无人机多光谱影像测量绿植覆盖面积，可为精细化作物管理，农业估产提供决策依据。