基于可见光影像的黄河流域（郑州段）植被覆盖反演研究

摘 要：【目的】寻求一种高效、低廉、准确的植被覆盖反演方法，为其他类似地区的植被覆盖监测提供参考。【方法】以黄河流域（郑州段）为研究区域，采用高分辨率可见光影像作为数据源，开展植被覆盖反演的关键技术研究。通过计算植被覆盖指数和各种算法的准确度，确定最优的可见光影像植被覆盖反演算法。【结果】经过各类植被指数反演算法结果的比对，GLI植被指数算法总体准确度为96.59%，其他3种算法的准确度较低，分别为80.94%、83.3%和83.56%。证明GLI算法可被应用在类似的植被覆盖监测中。【结论】基于无人机可见光影像进行植被覆盖反演是一种低成本、效率高、易操作的方法。

关键词：黄河流域；无人机；可见光影像；植被覆盖

中图分类号：X87" " "文献标志码：A" " 文章编号：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

黄河流域作为典型的大流域，具有丰富的自然资源，在我国经济发展和生态文明建设中具有重要的地位。受到地理环境、历史条件等影响，黄河流域经济发展水平相对落后，水土流失、人为污染等问题也导致其生态环境较脆弱。黄河流域生态保护和高质量发展是我国的重大战略需求［1］。本研究基于可见光影像技术，对黄河流域（郑州段）植被覆盖率进行研究，以期为黄河流域高质量发展提供参考。

随着遥感技术的不断发展，其在环境监测［2］、资源调查［3］和生态研究［4］等领域的应用越来越广泛。黄河流域作为我国重要的农业生产区和生态保护区，植被覆盖情况和生物多样性状况一直备受关注。无人机作为一种轻型、低成本的地面操作遥感平台，逐渐成为科学领域的热门工具，为研究者们提供了一条能够在空间上和时间尺度上对环境进行响应性、及时性监测的途径。本研究旨在寻求一种低成本、效率高、实时性好、精度高的方法来实现黄河流域（郑州段）植被覆盖度反演，为无人机遥感技术在其他领域中进行植被覆盖度的反演提供参考。

1 国内外研究现状

近年来，随着遥感技术的不断发展和应用，基于遥感影像的植被覆盖反演和生物多样性研究已成为热点。国内学者采用遥感技术对我国不同地区的植被覆盖进行反演，并结合实地调查数据，分析了植被覆盖变化对生态环境的影响［5-6］。这些研究成果为我国的生态环境保护和可持续发展提供了重要的科学依据。目前常用的遥感数据包括Landsat、MODIS、HJ等［7-8］，这些数据可以用来获取归一化植被指数（NDVI）、植被指数（EVI）等。同时，也可以利用这些数据进行植被分类、植被高度估计等方面的研究［9-10］。此外，近年来还涌现出了一些新的遥感技术，如激光雷达（LiDAR）等，这些技术在植被覆盖反演方面也具有广泛的应用。总体来说，国内遥感技术在植被覆盖反演研究方面已经有了很多成果，并且仍有很大的发展空间。

国外在遥感影像的植被覆盖反演及生物多样性研究方面也取得了令人瞩目的成果。欧美等发达国家在遥感技术方面处于领先地位，有学者利用高分辨率遥感影像对全球范围内的植被覆盖进行反演，并结合其他数据对全球生态环境进行监测和评估。也有学者利用遥感技术对全球范围内的生物多样性进行研究，探讨了不同气候区域和地形条件下植被类型对生物多样性的影响。这些研究成果为全球生态环境保护和可持续发展提供了重要的科学依据。除了MODIS、Landsat等卫星数据外，还有一些新型的遥感数据，如Sentinel系列卫星、PlanetScope等被应用于植被指数的计算和植被分类，这些数据具有更高的分辨率和更多的波段，可以更加准确地反演植被信息。此外，国外还有很多研究者在探索如何将多源遥感数据融合起来，以进一步提高植被覆盖反演的精度和准确性。总体来说，国外遥感技术在植被覆盖反演研究方面也有诸多成果，并且不断涌现出新的技术和方法。

2 数据获取和处理

无人机遥感技术具有高效快速、灵活性强、成本效益高、高分辨率、实时性强、安全性高、环保节能和数据多样性等特点。这些特点使其在环境监测、资源调查、城市规划、灾害评估等领域得到广泛应用。无人机遥感技术以无人驾驶飞行器为平台，负载可见光相机、多光谱相机、激光雷达等数字遥感设备进行拍摄和记录，通过遥感数据处理技术实现对地理信息的调查与监测。

2.1 设备的选择

本研究所选区域为黄河流域（郑州段），范围较小，并以可见光相机作为数据获取来源，因此，采用小型多旋翼无人机挂载可见光相机来进行数据的获取。

2.2 规划飞行路线

使用专业的无人机飞行控制软件进行飞行路线的规划。应考虑无人机的飞行高度、速度、传感器的采集范围，以及目标区域的地理特征等因素，确保飞行路线能够全面覆盖目标区域，并避免飞行禁区或障碍物。

2.3 可见光图像的处理

无人机按照规划的路线飞行完成之后，就获得了原始的影像数据。但受到如飞行姿态、光照条件、地形等影响，获取的图像可能会存在失真、模糊、光照不均匀等问题，需要对原始影像数据进行图像校正、图像增强和图像拼接等处理之后，才能进行植被覆盖度反演。

2.3.1 图像校正。遥感图像的几何校正方法主要有基于控制点的校正和基于影像特征的校正。基于控制点的校正主要利用GPS信息进行。由于本项目图像是由普通RGB光学相机拍摄所得，照片拍摄时的焦距、相机传感器的物理尺等信息未知，并且存在较大的桶形失真，因此，通过平面标定法来标定相机，获得相机的内部畸变矩阵，并校正试验图片。

2.3.2 图像拼接。使用计算机视觉技术自动识别和匹配航摄图像中的特征点，将具有重叠度的影像图拼接成完整的地图或景观。这项技术涉及数字图像处理的基本操作，包括去噪、边缘提取、直方图处理，以及图像配准和图像融合两个关键技术。其中，图像配准的主要目的是找出待拼接图像中的模板或特征点在参考图像中对应的位置，进而确定两幅图像之间的变换关系。图像融合是将待拼接图像的重合区域进行融合，得到拼接重构的平滑无缝全景图像。

无人机可见光图像预处理是一个复杂而关键的过程，对于提高图像质量和可解释性具有重要意义。通过图像校正、增强、分析和识别等步骤，可以有效提高无人机拍摄图像的质量，并提取出有价值的信息。

3 植被覆盖度计算

植被覆盖指数是用来衡量一个特定区域内植被覆盖状况的一个指标，常见的植被指数包括归一化植被指数（NDVI）、归一化差异植被指数（NDWI）和总体植被指数（TVI）等。这些指数通常基于遥感影像中不同波段的反射率进行计算，用于反映植被的生长情况、覆盖程度和健康状况。以上指数通常多基于多光谱影像来进行计算，但是由于多光谱设备价格昂贵、操作复杂、处理难度大，以及容易受到环境的影响，因此，本研究采用成本低、高分辨率、高动态范围且操作处理简单的可见光相机来进行数据的获取。

利用无人机搭载的可见光相机进行影像采集，可以获得RGB（红、绿、蓝）三色波段影像。基于可见光的植被指数主要有归一化绿红差异指数（Normalized Green-Red Difference Index，NGRDI）、绿叶指数（Green Leaf Index，Gli）、红绿比值指数（Red Green Ratio Index，Rgri）、过绿指数（Excess Green，ExG）等计算方法。

通过对无人机可见光影像图像进行校正，研究图像中各地物的光谱特征，并结合可见光植被指数NGRDI、GLI、RGRI与ExG等计算，得到图像的各指数分布图，在分析各指数分布图的光谱特性与直方图后，进行阈值的确定，为植被提取和覆盖度计算做准备。

3.1 归一化绿红差异指数（NGRDI）

NGRDI是一种用于遥感图像中绿色和红色波段之间差异的量化指标，计算公式见式（1）。

[NGRDI=Green−RedGreen+Red] （1）

式中：Green代表绿色波段的反射率；Red代表红色波段的反射率。NGRDI值范围在-1到1之间。

3.2 绿叶指数（GLI）

GLI是一种反映植被叶片绿度的遥感指数，计算公式见式（2）。

[GLI=（Green−Red）+（Green−Blue）2∗Green+Red+Blue] （2）

式中：Green、Red、Blue分别代表绿色、红色和蓝色波段的反射率。

3.3 红绿比值指数（RGRI）

RGRI是红色波段和绿色波段反射率的比值，计算公式见式（3）。

[RGRI=RedGreen] （3）

式中：Red代表红色波段的反射率；Green代表绿色波段的反射率。

3.4 过绿指数（ExG）

ExG是一种用于图像处理中植物图像识别的特征，计算公式见式（4）。

[ExG=2∗Green−Red−Blue] （4）

式中：Green、Red、Blue分别代表图像中的绿色、红色和蓝色通道的值。

根据上述4种植被指数计算方法得出的结果如图1所示。由图1可知，GLI植被指数分布图的植被与非植被灰度值差异很明显，植被区域呈现亮白色，而非植被区域都比较暗，这是由于计算时考虑了蓝色通道的影响，处理结果中包括的细节更加丰富。NGRDI、RGRI、ExG植被指数分布图的部分植被与裸地区域灰度值很相近，容易混淆。此外，NGRDI、RGRI、ExG的部分裸地与植被存在重叠，植被与裸地的交界处细节不够清晰，可能会导致分类精度下降。因此，本研究采用绿叶指数（GLI）算法来计算植被覆盖指数。

4 植被提取

利用计算获取的植被覆盖度进行阈值的确定，通过确定的阈值来对植被进行提取。具体方法是将每个像元的植被指数值与阈值进行比较，若超过阈值则判断为植被区域，否则为非植被区域。确定植被指数的阈值通常是一个基于数据分析和专家知识的过程。植被指数用于量化植被的绿色程度和活力。阈值的选择取决于具体的应用和研究目标，例如区分植被类型、监测植被变化或识别裸土等。

4.1 确定阈值

依据植被指数计算方法收集包含植被指数的遥感数据（如NGRDI、GLI等）。使用直方图展示植被指数的分布情况，然后分析数据的范围和分布特征。根据4种算法计算结果得出的直方图（如图2所示），通过统计分析方法来确定出阈值，实现植被的提取。

4.2 植被提取

植被覆盖指数通常定义为植被（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，它量化了植被的茂密程度，反映了植被的生长态势。植被覆盖指数是刻画地表植被覆盖的重要参数，也是指示生态环境变化的基本指标。对于生态环境监测、农业生产、灾害预警等具有重要的科学意义和应用价值。通过确定好的阈值对植被指数计算结果进行分类提取，获取到植被覆盖结果，4种算法的提取结果如图3所示。

植被覆盖率是衡量一个区域内植被覆盖情况的重要指标。其计算方式根据研究目的、植被类型和可用数据的不同而有所差异。本研究的目标是黄河流域（郑州段）植被覆盖度，植被覆盖度的计算方法见式（5）。

植被覆盖度=[植被面积土地总面积]×100% （5）

依据植被提取的结果，采用准确度最高的GLI方法来计算植被覆盖度。根据上述提取结果可知，灰色部分为植被覆盖面积，只需要通过计算灰色的总面积再除以总面积，就可以计算出所选区域的植被覆盖度。通过编写程序计算植被覆盖面积和总面积，最终得到所选区域的植被覆盖率为79.26%。

通过对提取结果的分析，各植被指数的植被提取精度评价见表1。由表1可知，GLI的提取效果最好，细节部分都能很好地提取，总体精度大于96%，与原始图像最接近。而NGRDI、RGRI、ExG的提取结果中，植被与非植被存在较多的重叠，成片的植被提取正确率高，而零星的植被提取效果较差，同样非植被的提取精度也较差。

通过无人机可见光影像的处理和提取的结果可以看出，本研究所选区域植被覆盖率较高，说明随着生态保护等政策的实施，黄河流域（郑州段）的植被覆盖度呈现出逐渐增加的趋势。尤其是在一些重点生态功能区，植被覆盖度的改善更为显著。但通过原始图像可以看出，所选片区植被相对单一，虽然植被单一可以形成整齐划一的视觉效果，但可能导致生态系统脆弱，一旦遇到病虫害或自然灾害，整个生态系统都可能受到严重影响。

5 结语

近年来，黄河流域（郑州段）的植被生态环境得到了显著改善。受益于气候条件的改善、生态保护和恢复项目的实施，以及城市绿化工程的推进，该区域的植被覆盖度、植被生态质量均呈现向好趋势。根据现场的实地考察和相关资料，再结合本研究植被覆盖率的反演结果，可以看出，黄河流域（郑州段）植被覆盖率很高。尽管黄河流域（郑州段）的植被生态环境状况总体向好，但仍面临一些挑战和问题。例如，部分地区的植被覆盖度仍然较低，植被种类单一，多样性欠缺，生态质量有待进一步提升；受气候变化和人类活动的影响，一些地区的植被可能面临退化风险。因此，需要继续加强生态保护和恢复工作，增加植被多样性，提高植被生态环境的稳定性和可持续性。

本研究对提升黄河流域（郑州段）植被覆盖率有较好的指导性，可以为增加流域内植被多样性和水土保持提供建议，有助于提升黄河流域（郑州段）生态效益，进一步增强黄河流域（郑州段）生态环境可持续发展能力。本研究所采用的无人机遥感技术相较于传统的遥感方法，具有数据获取成本低、时间成本低等优势，能够为其他类似地区的植被覆盖监测提供参考。

参考文献：

［1］宁瑶，刘雅莉，杜剑卿，等.黄河流域可持续发展评估及协同发展策略［J］.生态学报，2022，42（3）：990-1001.

［2］李民峰，陈思羽.遥感技术的生态环境监测与保护分析［J］. 化工设计通讯，2021（7）：176-177.

［3］彭俊宇.遥感技术在自然资源调查监测中的应用探究与讨论［J］.科技风， 2023（9）：72-74.

［4］熊颖郡.无人机遥感技术在生态环境监测领域的应用研究［J］. 中国资源综合利用， 2021，39（2）：59-61.

［5］孙永康.雅安市植被覆盖度时空变化与驱动力分析［J］. 地理空间信息，2023，21（5）：59-62.

［6］任丽雯，王兴涛，胡正华，等.石羊河流域植被生态质量时空变化动态监测［J］. 中国农业气象，2023，44（3）：193-205.

［7］尘福艳， 杨创， 徐凯磊，等. 基于Landsat遥感影像的杨伙盘矿区生态环境动态监测与评价研究［J］. 环境工程， 2023，41（S1）：497-500.

［8］李杨， 呼海涛， 赵德怀，等. 1986—2020年陕西省植被覆盖时空变化特征分析［J］. 南方农业， 2023，17（6）：87-90.

［9］乔雪婷， 张娟娟， 李文斌， 等. 基于无人机遥感技术的广东内伶仃岛植被类型划分与植被图［J］. 中山大学学报（自然科学版）（中英文）， 2022，61（4）：22-30.

［10］解宇阳，王彬，姚扬，等. 基于无人机激光雷达遥感的亚热带常绿阔叶林群落垂直结构分析［J］. 生态学报，2020，40（3）：940-951.