论文部分内容阅读
植被覆盖度（Fractional vegetation cover,FVC）定义为植被在地面的垂直投影面积占统计区总面积的百分比,既是描述地表植被分布状况的重要依据,也是生态系统、水土流失和气候变化等模型的重要参数。通过地面实测法获取的FVC精度虽高,但是受人力物力等条件的制约,难以获取区域尺度上的FVC。无人机遥感在能满足采样精度要求的同时大大减少工作时间和人力物力,适合工作量大、采集范围广的野外采样,可以为遥感估算FVC提供准确、有代表性的大样方数据,进而提高FVC估算模型的精度及模型验证的准确性。遥感真实性检验是对遥感数据产品精度和算法进行检验,以保证卫星产品和算法的质量。SL2P（Simplified Level2 Product Prototype Processor）算法是基于Sentinel-2卫星数据开发的植被理化参数（FVC、叶面积指数等）估算方法,评价该算法提取FVC的精度能为其后续应用提供依据。本研究首先通过开展无人机野外实验,获取无阴影影响的无人机可见光图像和存在阴影影响的无人机可见光图像,分别利用双峰直方图阈值法和OTSU大津阈值法进行植被覆盖度的提取。对于存在阴影影响的无人机可见光图像,提出了双阈值法消除阴影影响,实现精确提取植被覆盖度的目的。然后利用提取的无人机植被覆盖度数据对SL2P算法进行真实性检验,最后采用随机森林算法和高斯过程回归算法构建植被覆盖度估算模型并进行精度评价。本文选择的评价指标为提取误差（EF）、决定系数（R~2）、均方根误差（RMSE）和偏差（Bias）。本研究的主要研究成果有:（1）首先,基于大豆,玉米和水稻三种作物类型的无人机可见光图像,选用过绿指数（EXG）、可见光差异植被指数（VDVI）、归一化绿红差异植被指数（NGRDI）、归一化绿蓝差异植被指数（NGBDI）、红绿比值指数（RGRI）和过绿减过红植被指数（EXG-EXR）,结合双峰直方图阈值法和OTSU大津阈值法提取FVC。该结果表明:双峰直方图阈值法能够实现无阴影影响的无人机可见光图像FVC的精确提取（平均EF=7.37%;RMSE=5.83%）,OTSU大津阈值法较双峰直方图阈值法而言精度低,效果差（平均EF=23.16%;RMSE=16.67%）。其次,利用上述方法对存在阴影的无人机可见光图像进行FVC提取,结果表明:存在阴影影响的无人机可见光图像不存在双峰特征,双峰直方图阈值法不适用,OTSU大津阈值法的提取误差EF高达55.46%,无法准确地提取FVC。（2）阴影影响下的无人机可见光图像具有如下特征:植被像元表现为G＞R且G＞B、光照土壤像元表现为R＞G＞B、阴影土壤像元和植被渲染土壤像元也表现为G＞R且G＞B,因此,单纯使用G＞R且G＞B的特征来区分植被和土壤会造成误分。本研究选用Lab颜色空间和HSV颜色空间进行算法的研究,以达到精确提取阴影影响下无人机图像FVC的目的。结果表明:Lab颜色空间的a通道拟合曲线在高FVC区呈现双峰分布,结合阈值法能有效去除阴影影响,提取FVC的精度较高,平均EF为6.58%,RMSE为5.21%,但对于中低FVC区,a通道拟合曲线不呈现双峰分布,无法提取FVC。在HSV颜色空间中,植被、阴影和土壤的H分量存在显著差异,通过设置两个固定阈值（0.253和0.3601）,有效地消除了阴影的影响,适用于低、中、高FVC区的提取,平均EF为5.32%,RMSE为3.20%。（3）基于2020年6月30日和7月8日采集的无人机提取的FVC对SL2P算法进行直接验证和间接验证。直接验证结果表明:算法精度随像元内无人机图像数量的增加而提升,当像元内无人机图像数量达到8时,验证精度最佳,R~2分别为0.89和0.84,RMSE均为0.02,但存在低估问题,Bias分别为-0.0164和-0.0171。其次,利用归一化植被指数（NDVI）、土壤调节植被指数（SAVI）、比值植被指数（RVI）、差值植被指数（DVI）、绿色归一化植被指数（GNDVI）和特征色素简单比值指数（PSSRa）与无人机提取的FVC构建一元线性回归模型估算FVC,并基于估算的FVC对SL2P算法进行间接验证,其结果和直接验证的结果较为一致,同样存在低估问题。（4）针对SL2P算法存在的低估现象,本研究基于Sentinel-2多光谱卫星数据的波段反射率和植被指数,结合随机森林算法（Random Forests,RF）和高斯过程回归算法（Gaussian Process Regression,GPR）建立FVC估算模型来进一步提高估算精度。两种方法的估算精度（R~2,RMSE）与SL2P算法较为接近,但改善了低估问题,降低了估算偏差,Bias在-0.0009～0.0007之间。