基于无人机高光谱遥感的荒漠草原覆盖度提取方法研究-电子发烧友网

引言

草原生态系统促进经济社会可持续发展、计划到２０２５年和２０３５年草原综合植被盖度要分别达到５７％和６０％以上，但目前部分区域的草原生态系统承受力和抵御干扰的耐受力极度脆弱，有向逐渐裸露化或荒漠化发展的趋势。草原荒漠化主要表现为植被覆盖度（ＦＶＣ）减少和裸地面积增加等，传统的地面小尺度覆盖度采集受天气、时间和地形地貌的影响较大，且成本高、劳动强度大、费时费力；而卫星虽然可以大尺度采集覆盖度信息，但是收集速度缓慢且获得图像的细节水平下降。无人机（ＵＡＶ）＋高光谱可获得中尺度区域的高空－谱分辨率图像，兼顾了效率和精度要求，在相对较小区域的草地退化监测中将发挥重要作用，正成为传统地面监测和航空、卫星遥感的优越补充。ＦＶＣ定义为统计范围内植被冠层的垂直投影面积占土地面积的比例，是研究生态系统平衡、土地退化和土壤侵蚀等的关键参数之一，也是评价草地退化和荒漠化的敏感指标。

目前低空ＵＡＶ遥感ＦＶＣ反演法可以分为回归模型法、混合像元分解法和深度学习法等。ＵＡＶ高光谱遥感满足了当前遥感朝着高空－谱分辨率、多时相的发展方向，关键在于能否选择或建立一种适用性强、耗时少、准确性高的覆盖度估算方法。利用光谱分辨率高、光谱波段信息丰富的高光谱成像仪结合低空ＵＡＶ组建ＵＡＶ高光谱遥感系统，对试验区荒漠草原的高光谱影像进行数据采集和数据预处理，并利用回归模型法、深度学习法ＲｅｓＮｅｔ１８模型及其改进的３Ｄ－ＲｅｓＮｅｔ１８模型对影像中的植被和裸土等地物进行分类，并在分类基础上开展基于ＵＡＶ高光谱遥感信息的荒漠草原ＦＶＣ计算方法研究。旨在实现利用高光谱遥感系统对荒漠草原从数据获取、数据分析、理论方法及验证等完整流程的尝试，为草原退化评价及治理提供依据，对于草原畜牧养殖和生态环境保护均具有重要的现实意义，符合国家和地区 “助力山水林田湖草沙生命共同体建设 ”的发展需求。

数据采集与分析

2.1 研究区概况

研究区位于乌兰察布市四子王旗格根塔拉草原（４１°４７′３３″Ｎ，１１１°５３′５８″Ｅ），详见图１。

图1 研究区位置图

海拔高度介于１１００—１２００ｍ之间，降水量稀少，水资源匮乏，具有荒漠草原典型的地域代表性，是典型草原与荒漠的缓冲地带。研究区植被草层稀疏低矮、交错覆盖、种类匮乏，属短花针茅荒漠草原地带。植被平均高度为８ｃｍ，平均盖度为１７％—２５％。

2.2 试验设计

2.2.1野外调查及样方布置

野外地面调查包括记录ＧＰＳ信息、样方编号，实测样方ＦＶＣ。为了样方框坚固耐用且避免被风刮走，由白色ＰＶＣ管制作，用Ｕ型铁丝将其固定于地面上，随机布置１ｍ×１ｍ的样方框６０个。ＦＶＣ的确定采用照相法。样方冠层照片通过在样方中心的垂直上方２．２ｍ处拍摄全范围俯视照实现。选用ＲＴＫ测定试验区和样方的具体位置，收集了所有研究样方框的ＧＰＳ信息，选定地面控制点对图像进行几何校正。

2.2.2空中数据采集

采用ＵＡＶ悬停方式采集试验区内地物高光谱遥感影像，结合２０２１年草原气候特点和牧草生长期特性，在牧草的生长茂盛期———２０２１年７月２７日— ８月８日时采集数据。为保证采集质量，选择晴朗、无云、光照条件较好，无卷云、浓积云等，风力较小时进行测量，采集时间为１０∶００—１４∶００，且要求每１０—２０ｍｉｎ使用标准白板进行１次校正，以便消除光照强度变化对ＵＡＶ高光谱图像产生的影响。ＵＡＶ搭载高光谱仪垂直于地面的方向３０ｍ高度测量研究地块植被的冠层、群落的高光谱数据。每个悬停点采集２幅高光谱遥感影像，单幅图像采集时间耗时７ｓ，包含悬停点间飞行时间，１个架次约可采集８６幅遥感影像，即４３个悬停点。

2.2.3 数据预处理

首先，通过人工检查去除过曝、欠曝、弯曲、抖动的遥感影像，选出成像质量最好的遥感影像。其次使用光谱专业软件进行反射率校正，并识别真正的反射率值和感兴趣的特征。最后，使用方法进行数据降维，计算式如下：

（１）式中，Ｘ为张量，ｒ为高光谱图像中的行数，ｃ为高光谱图像中的列数，ｂ为高光谱图像中的维数。式（１）计算的高光谱图像Ｆ－ｎｏｒｍ２在０—６７波段（波长为３９７—５４８．２ｎｍ）的Ｆ－ｎｏｒｍ２的斜率较小，即表示该波段范围内包含的信息量较少；而在２１４—２５６波段（波长为９０９．７—１０１９．４ｎｍ）的Ｆ－ｎｏｒｍ２的斜率较大，即表示该波段范围内存在明显的噪声干扰，因此经行值降维后保留的６８—２１３波段（波长为５５０．５—９０６．８ｎｍ），单个图像所占空间大小也随之大幅减少，有效提高了数据后处理的效率。

2.3 验证值的确定

验证值的确定一方面是依据实地设立１ｍ×１ｍ的样方框通过照相法确定ＦＶＣ，但是该方法存在一定的主观判断性而且只代表了局部的ＦＶＣ。研究表明，基于照相法和全图人工目视解译相结合的方法对ＦＶＣ的提取精度较高。为了双重保险，后续又结合人工目视解译方法对整张ＵＡＶ高光谱图像中植物群落和非植物群落（枯草和裸土）进行覆盖度提取，其结果作为地表ＦＶＣ的验证值，对各植被指数提取的草地ＦＶＣ的精度进行验证。本文从１０８０组数据中选取２０组有代表性的数据作为示例进行研究。２０组数据分别命名为Ｔ１、Ｔ２、Ｔ３、…、Ｔ１９、Ｔ２０。由于图像较多，将其中的Ｔ１、Ｔ８、Ｔ１６组高光谱数据设为展示图像，Ｔ１、Ｔ８、Ｔ１６组数据覆盖度的验证值详见表１。

表1植物群落和非植物群落验证值

研究方法

3.1 回归模型法

回归模型法是通过对遥感数据的某一波段、波段组合或利用遥感数据计算出的植被指数与ＦＶＣ进行回归分析，建立经验估算模型。通过回归模型法构建荒漠草原ＦＶＣ估算模型，选择了２种传统的适合于低密度覆盖绿色植被区域的植被指数，分别为归一化植被指数（ＮＤＶＩ）和土壤调整植被指数（ＳＡＶＩ），在分析植被和土壤光谱曲线差异的基础上，通过简单波段自相关选择法及编程筛选最敏感的特征波段及组合，确定了植被指数相关系数较高的波段组合为５２５—６００ｎｍ、６２０—７８０ｎｍ和７８０—９００ｎｍ，相关系数均达０．８以上。对基于传统植被指数的像元二分模型进行了ＦＶＣ估算，并选取２０组数据进行精度验证。选择ＳＡＶＩ和ＮＤＶＩ进行连续统去除及光谱增强，并确定特征波段和波段最佳组合，对高光谱图像进行连续统去除后，峰值点对应的反射率为１，而其他点的反射率均小于１，植物群落在可见光范围中的５００ｎｍ和６８０ｎｍ左右的吸收谷特征被放大，绿光５５０ｎｍ附近反射峰更加明显，红边斜率增加明显，这些变化有利于对光谱吸收特征波段及参数的提取，因此提出了绿光连续值土壤调整植被指数（Ｇ＿ＣＲ＿ＳＡＶＩ）和绿光连续值归一化植被指数（Ｇ＿ＣＲ＿ＮＤＶＩ），原始及改进的植被指数详见表２。

表2原始及改进的植被指数

3.2 ＲｅｓＮｅｔ模型

该模型将残差学习的思想引入到网络结构中，通过跨层链接将残差块的输入与输出进行叠加求和，此项操作提升了反向传播的效率，有效解决了深层网络中出现的梯度爆炸及消失问题，提高了神经网络训练的速度，实现了利用深层网络结构提取更细的特征。利用Ｐｙｔｏｒｃｈ模块搭建ＲｅｓＮｅｔ１８ＣＮＮ，该模型共有２０层，包括１７个卷积层、２个池化层和１个全连接层，模型结构图详见图２。

图２ＲｅｓＮｅｔ深度学习模型结构图

每残差块中进行２次卷积层运算，并与卷积前的参数进行叠加，随后利用激活函数ＲｅＬＵ激活进入下一个残差块。卷积层的卷积核数最少为６４个，最多为５１２个。

3.3改进３Ｄ－ＲｅｓＮｅｔ１８模型

３Ｄ卷积核为一个立方体，由３Ｄ卷积核组成的ＣＮＮ称为３Ｄ卷积神经网络，通过３Ｄ卷积核可以同时提取高光谱图像ｌｉｎｅｓ、ｓａｍｐｌｅｓ和ｂａｎｄｓ方向上的特征。公式如下：

（２）式中，ｆ为激活函数，ｌ、ｗ、ｈ分别代表卷积核立方体的长、宽、高，ｍ、ｎ分别代表上一层和本层的卷积核数，ｕｌｗｈｋｎ为图像上（ｌ，ｗ，ｈ）位置上的值与上一层第ｍ个卷积核的计算值，ｕδερｋｍｎ为图像（δ，ε，ρ）位置上的值与卷积核的第ｎ层、第ｋ个卷积核的计算值。利用Ｆ－ｎｏｒｍ２降低噪声干扰和高光谱数据的维数。在典型的深度学习模型ＲｅｓＮｅｔ１８的基础上，将其２Ｄ卷积核３Ｄ卷积核，即３Ｄ－ＲｅｓＮｅｔ１８。改进后的３Ｄ－ＲｅｓＮｅｔ１８模型与ＲｅｓＮｅｔ１８模型具有相同的深度，共有２０层，包括１７个卷积层、２个池化层和１个全连接层，１７个卷积层被分成１个卷积层和４个残差块。将卷积层中的２Ｄ卷积核改进为３Ｄ卷积核，在图３中用Ｃｏｎｖ３×３×３－Ｎ表示，Ｎ为卷积核数量，分别为６４、６４、１２８、２５６、５１２。每残差块中进行两次卷积层运算，并与卷积前的参数进行叠加，随后利用激活函数ＲｅＬＵ激活进入下一个残差块。为了提高处理速度，程序用高光谱影像裁剪为５００ｌｉｎｅｓ×５００ｓａｍｐｌｅｓ×１４６ｂａｎｄｓ，总共２５００００个像素。为了识别特征，随机选择６０％的标记样本作为训练数据，其余的４０％作为测试数据。

结果分析

4.1 评价指标

在进行覆盖度估算模型的精度分析时，选用以下3个指标进行验证分析：估算值和实测值间的决定系数（Ｒ２）、估算值和实测值间的均方根误差（ＲＭＳＥ）和估算精度（ＥＡ）。当Ｒ２值越接近１、ＲＭＳＥ的值越小且估算精度越时，说明估测方程所得到的估算值与实测值的拟合效果就越好，模型的精度就越高。Ｒ２、ＲＭＳＥ、ＥＡ的计算式如下：

式中，

为第ｉ个样本的估算，ｙｉ为第ｉ个样本的实测值，:

为实测值的平均值，ｘ为样本数量。

式中，Ｒｍ为均方根误差，Ｍｅ为实测值的均值，ＥＡ为估算精度。

4.2回归模型法

改进植被指数中提取的ＦＶＣ与验证值最为接近，其ＲＭＳＥ和ＥＡ分别为０．０１８和９５．４２％；其次为Ｇ＿ＣＲ＿ＮＤＶＩ，ＲＭＳＥ和ＥＡ分别为０．０１８和９５．３６％，ＳＡＶＩ提取的ＦＶＣ与验证值较为接近，其ＲＭＳＥ和ＥＡ分别为０．０３２和９１．６４％，详见表３。

表３植被覆盖度与各方法对应的模型精度

从估算值与验证值之间的散点图来看，Ｇ＿ＣＲ＿ＳＡＶＩ和Ｇ＿ＣＲ＿ＮＤＶＩ估算值紧密分布在１∶１线的两侧，其中Ｇ＿ＣＲ＿ＳＡＶＩ估算值与验证值之间的Ｒ２高达０．９４２，Ｇ＿ＣＲ＿ＮＤＶＩ估算值与验证值之间的Ｒ２高达０．９３９。基于改进植被指数与传统植被指数的荒漠草原ＵＡＶ高光谱图像ＦＶＣ估算精度大小依次为Ｇ＿ＣＲ＿ＳＡＶＩ＞Ｇ＿ＣＲ＿ＮＤＶＩ＞ＳＡＶＩ＞ＮＤＶＩ。分析表明：通过光谱增强及最佳波段选择的改进Ｇ＿ＣＲ＿ＳＡＶＩ和Ｇ＿ＣＲ＿ＮＤＶＩ植被指数优于传统的ＳＡＶＩ、ＮＤＶＩ植被指数，ＦＶＣ估算精度较传统的植被指数高出约４％，Ｇ＿ＣＲ＿ＳＡＶＩ在４个植被指数中的提取效果最好，最适合于荒漠草原ＵＡＶ高光谱影像ＦＶＣ的提取。最佳波段组合的植被指数计算结果详见图４。

图４植被指数变换分布图

4.3 深度学习法

为实现基于ＵＡＶ高光谱遥感的荒漠草原覆盖度人工智能化估算，制作了荒漠草原ＵＡＶ高光谱覆盖度数据集，通过ＲｅｓＮｅｔ１８经典深度学习网络模型对覆盖度数据集进行分类，发现其对覆盖度数据集取得了较理想的总体分类精度，并对覆盖度数据集中的植被和裸土取得较高的单体分类精度。为进一步实现对荒漠草原ＵＡＶ高光谱数据中的覆盖度高精度估算，基于ＲｅｓＮｅｔ模型建立３Ｄ卷积模型３Ｄ－ＲｅｓＮｅｔ，并进行模型结构与超参数优化，通过对卷积核数、卷积核尺寸、Ｂａｔｃｈｓｉｚｅ等参数优化与对比，发现对覆盖度数据集分类性能最佳的模型为３Ｄ－Ｒｅｓ－Ｎｅｔ，总体估算精度达９７．５６％，覆盖度估算的ＲＭＳＥ为０．０１６，详见表３。

３Ｄ卷积网络模型对覆盖度数据集具有更好的提取性能。相比于２Ｄ卷积仅能同时提取覆盖度数据集中的２Ｄ光谱信息，３Ｄ卷积可以同时提取光谱－空间联合信息，充分利用了高光谱覆盖度数据集的数据特性，对细小特征的提取展现出良好潜力，得益于３Ｄ卷积核可以同时提取高光谱数据中３个维度的光谱信息，相比２Ｄ卷积核同时提取Ｘ、Ｙ２个维度的光谱信息，３Ｄ卷积核对地物的空间特征提取能力更强。通过对模型结构与超参数优化逐步提高了模型性能，同时发现具有更卷积结构的３Ｄ－ＲｅｓＮｅｔ模型展现出更好的性能。部分数据可视化结果如图５所示。

图５覆盖度估算模型可视化结果

３Ｄ－ＲｅｓＮｅｔ模型实现了对覆盖度数据集地物的高精度、高效率、智能化识别，为基于ＵＡＶ高光谱遥感的荒漠化草原覆盖度的快速、高效、精准统计奠定基础。

5、总结

针对荒漠草原覆盖度提取效率和精度较低的现状，基于人工智能技术和３Ｄ卷积深度学习方法，深挖了高光谱数据中的空间特征，建立了高效准确的高光谱遥感图像的覆盖度估算模型，验证了３Ｄ－Ｒｅｓ－Ｎｅｔ模型在计算ＦＶＣ为指标的草地退化评价的可行性和精确性。就估算精度而言，深度学习法优于回归模型法，尤其是经过３Ｄ卷积核改进的深度学习模型最佳，总体估算精度达９７．５６％，可以实现智能化、高精度、准确地荒漠草原ＦＶＣ提取。