凌成星　劉華　紀平　胡鴻　王曉慧　侯瑞霞

摘 要：為快速準確獲取防護林工程區(qū)植被覆蓋度特征，掌握植被生長和生態(tài)環(huán)境評價重要指標，利用無人機高時間頻率獲取、高空間分辨率的特點，在陜西神木的三北工程樟子松防護林研究區(qū)進行實驗，構(gòu)建無人機可見光RGB波段差異性植被指數(shù)（VDVI）和HSV變換植被指數(shù)（HSVVI），并與同區(qū)域GF-1衛(wèi)星NDVI指數(shù)進行相關(guān)性分析，建立無人機研究區(qū)的植被覆蓋度估算模型，快速計算出植被覆蓋度結(jié)果。研究表明，VDVI指數(shù)與NDVI指數(shù)具有更高的相關(guān)性，非常適用于像元二分模型的植被覆蓋度估算模型建立，通過地面調(diào)查的植被覆蓋度實測值與模型估算值精度驗證，決定系數(shù) R2為0.855 6，植被覆蓋度估算精度達到81.35%，在研究區(qū)域得到較為理想的估算結(jié)果。由此也證明采用無人機影像可見光數(shù)據(jù)構(gòu)建VDVI指數(shù)像元二分模型進行植被覆蓋度估算是有效和準確的，可以為快速獲取植被覆蓋度特征服務。

關(guān)鍵詞：無人機;CCD傳感器;植被覆蓋度;植被指數(shù)

中圖分類號：S812??? 文獻標識碼：A?? 文章編號：1006-8023（2021）02-0057-10

Estimation of Vegetation Coverage Based on VDVI Index

of UAV Visible Image

——Using the Shelterbelt Research Area as An Example

LING Chengxing1，2， LIU Hua1，2*， JI Ping1， HU Hong3， WANG Xiaohui1，2， HOU Ruixia1

（1.Institute of Forest Resource Information Techniques， Beijing 100091， China; 2.Key Laboratory of Forestry

Remote Sensing and Information System of National Forestry and Grassland Administration， Beijing 100091， China;

3.Investigation， Planning and Design Institute of National Forestry and Grassland Administration， Beijing 100714， China）

Abstract：In order to quickly and accurately obtain the characteristics of vegetation coverage in the shelterbelt project area and master the important indicators of vegetation growth and ecological environment evaluation， experiments were carried out in the research area of Pinus sylvestris var. mongolica shelterbelt in Shenmu， Shanxi Province by using the characteristics of high time frequency acquisition and high spatial resolution of UAV. Different Vegetation Index （VDVI） and HSV Transform Vegetation Index （HSVVI） in RGB band of UAV visible light were constructed， and correlation analysis was conducted with the NDVI index of GF-1 satellite in the same region. Vegetation coverage estimation model was established in the UAV study area， and the results of vegetation coverage were quickly calculated. The results showed that VDVI index and NDVI index had a higher correlation， which was very suitable for the establishment of vegetation coverage estimation model of pixel binary model. Through the accuracy verification of the measured FVC value and the model estimation value， the determination coefficient R2 was 0.855 6， and the estimation accuracy of FVC was 81.35%， which was an ideal estimation result in the study area. It was also proved that the VDVI index pixel binary model based on visible light data of UAV images was effective and accurate for vegetation coverage estimation， which could serve for the rapid acquisition of vegetation coverage characteristics.

Keywords：UAV; CCD sensor; vegetation coverage; vegetation index

收稿日期：2020-11-15

基金項目：國家重點研發(fā)計劃課題（2017YFC0506502）

第一作者簡介：凌成星， 博士，副研究員。研究方向為森林和濕地資源遙感監(jiān)測理論和應用。E-mail： lingcx@ifrit.ac.cn

通信作者：劉華，碩士，研究員。研究方向為森林資源遙感監(jiān)測和林業(yè)信息技術(shù)。E-mail： liuhua@ifrit.ac.cn

引文格式：凌成星，劉華，紀平，等.基于無人機影像VDVI指數(shù)的植被覆蓋度估算——以陜西神木防護林工程研究區(qū)為例[J].森林工程，2021，37（2）：57-66.

LING C X， LIU H， JI P， et al. Estimation of vegetation coverage based on VDVI index of UAV visible image - using the Shelterbelt research area as an example[J]. Forest Engineering，2021，37（2）：57-66.

0 引言

目前，無人機技術(shù)已經(jīng)在自然資源監(jiān)測的各個方面取得了飛速的發(fā)展，無人機工作原理使其可以在低空飛行區(qū)域內(nèi)解決星載和有人機遙感存在的不足，如：數(shù)據(jù)獲取重訪長、天氣及含云量干擾大、影像數(shù)據(jù)的大氣誤差大、數(shù)據(jù)采集成本高[1]。通過無人機低空飛行技術(shù)和傳感器遙感監(jiān)測應用有機結(jié)合，形成了快速高效獲取典型區(qū)域自然資源現(xiàn)狀的優(yōu)良手段[2]，也為森林資源監(jiān)測、森林生態(tài)評估等研究內(nèi)容提供了新的技術(shù)工具和研究方向。在干旱和半干旱地區(qū)，植被覆蓋的特征對于指示區(qū)域生態(tài)環(huán)境、防風固沙和水土保持等具有非常重要的作用。無人機低空監(jiān)測技術(shù)可以在各種天氣和環(huán)境條件下對重點區(qū)域進行無人機影像的拍攝，獲取到地面測量和高空衛(wèi)星遙感中間的空間尺度的高空間分辨率影像數(shù)據(jù)[3]。利用無人機遙感影像進行處理得到數(shù)字表面模型（DSM）、點云數(shù)據(jù)模型（Point Cloud）和正射影像模型（DOM）[4]。利用上述數(shù)據(jù)可以處理得到無人機可見光RGB波段數(shù)據(jù)的多種植被指數(shù)，比如目前在可見光中較為常用的紅綠比值指數(shù)（RGRI）、歸一化綠藍差異指數(shù)（NGBDI）、藍綠比值指數(shù)（BGRI）、紅綠藍植被指數(shù)（RGBVI）、歸一化綠紅差異指數(shù)（NGRDI）、過綠指數(shù)（EXG）和植被顏色指數(shù)（CIVE）等[5]，有了這些初級產(chǎn)品的支持，即可進一步進行模型建立和因子計算，從而得到的植被類型空間分布特征[6]。在目前的研究現(xiàn)狀中，植被覆蓋度（Fractional Vegetation Cover， FVC）是可以比較直觀地反映植被分布特征和生理生化參數(shù)指標性因子，并且已經(jīng)有了很多植被覆蓋度衛(wèi)星遙感監(jiān)測方面的研究，但如何通過無人機低空監(jiān)測技術(shù)進行快速、準確、自動、可靠的監(jiān)測，還處在探討和研究階段，這個研究方向也將是未來自然資源監(jiān)測與評估的重要發(fā)展方向[7-8]。本研究建立了無人機CCD傳感器數(shù)據(jù)采集和預處理技術(shù)方案，構(gòu)建了無人機可見光波段差異植被指數(shù)特征和植被覆蓋度的估算模型，快速獲取到研究區(qū)植被覆蓋度定量結(jié)果。

1 主要原理和方法

1.1 無人機可見光光譜特征植被指數(shù)和模型

在植被覆蓋度遙感估算中比較可靠的是基于影像像元二分統(tǒng)計理論模型，簡稱為像元二分模型[9]。模型原理是將遙感影像數(shù)據(jù)中最小成像單元，即每個像元為基本對象，代表是否有植被覆蓋的兩種情況來進行判斷統(tǒng)計，并且進一步以統(tǒng)計量化數(shù)值作為植被覆蓋程度指示性指標和比率[10]。在具有近紅外波段的遙感影像中，常計算歸一化植被指數(shù)（Normalized Differential Vegetation Index，NDVI），以其豐富的植被指示性特征來表現(xiàn)植被覆蓋度[11]。雖然無人機的CCD傳感器不具有近紅外波段，不能直接應用于模型估算，但筆者在研究中將這種模型引入到了無人機可見光影像中。利用紅、綠、藍3 個波段進行計算，構(gòu)建結(jié)合3個波段反射率特性的差異性植被指數(shù)（VDVI），和將可見光影像經(jīng)過HSV變換（H色調(diào)，S飽和度，V明度）后構(gòu)建的HSV變換植被指數(shù)（HSVVI）來參與模型估算。通過比較得到研究區(qū)NDVI相關(guān)性高的植被指數(shù)來替代NDVI所具有的反映植被信息形成的準確植被覆蓋度像元二分模型，以此達到具有良好效果的估算結(jié)果，計算公式為：

VVDVI=G-R+B2G+R+B2。（1）

式中：VVDVI為VDVI指數(shù)結(jié)果;G為綠光波段;R為紅光波段;B為藍光波段。

HHSVVI=H-S+V2H+S+V2。（2）

式中：HHSVVI為HSVVI指數(shù)結(jié)果;H為色調(diào)值;S為飽和度值;V為明度值。

FFVC=V1-VI soilVI veg-VI soil。（3）

式中：FFVC為植被覆蓋度;VI為像元的植被指數(shù)值;VI soil為裸土或無植被覆蓋像元植被指數(shù)值; VI veg為100%純植被像元的VI值。

若定義計算區(qū)域內(nèi)的遙感影像的2個像元a1和a2，其植被覆蓋度通過調(diào)查已知值為f1和f2，并且計算區(qū)域內(nèi)的遙感影像NDVI，得到像元a1和a2所對應的歸一化植被指數(shù)值為VDVI 1和VDVI 2，按照公式（3）求解：

公式（4）、公式（5）中，若像元a1定義為計算區(qū)域的歸一化植被指數(shù)最小值的像元，像元a2為計算區(qū)域的歸一化植被指數(shù)最大值的像元?？傻贸鰂min 、fmax、VI min 、VI max 數(shù)值并計算出VIs 和VIv的值。

在實際植被覆蓋情況中，fmax=1，表示全部為植被覆蓋，fmin=0，表示全部為非植被區(qū)域，完全沒有植被覆蓋。在本文中，考慮到無人機影像數(shù)據(jù)求算過程中所存在的圖像誤差，統(tǒng)計計算VDVI的最大值和最小值不能直接代入估算模型VI min和VI max，利用最大值和最小值像元統(tǒng)計量占比對VDVI數(shù)據(jù)置信度區(qū)間進行分析，確定VI min和VI max最可靠的統(tǒng)計取值置信度范圍。

1.2 無人機可見光植被指數(shù)與NDVI的相關(guān)性分析

為了驗證構(gòu)造的無人機可見光植被指數(shù)在植被覆蓋度估算中實驗結(jié)果的有效性和穩(wěn)定性，對相同研究區(qū)范圍的NDVI指數(shù)進行相關(guān)性分析。確定VDVI和HSVVI兩個指數(shù)與NDVI相關(guān)變量之間的關(guān)系，收集成對的指數(shù)數(shù)據(jù)結(jié)果，VDVI-NDVI和HSVVI-NDVI，并對成對數(shù)據(jù)集進行散點圖描述和分析。通過散點圖中所對應的VDVI-NDVI和HSVVI-NDVI的具體數(shù)值關(guān)系，統(tǒng)計其概率分布的可能性。如果取VDVI或HSVVI的值所對應的NDVI變量值取值不發(fā)生對應變化，說明二者之間無相關(guān)關(guān)系或者相關(guān)性較弱，若VDVI或HSVVI的值所對應的NDVI變量值產(chǎn)生了非常明顯的分布變化規(guī)律，則二者之間具有相關(guān)性。這個時候通過計算VDVI-NDVI和HSVVI-NDVI兩個變量之間的決定系數(shù)值R2就可以判斷二者之間相關(guān)性的強弱程度，R2所得到的值為0到1，其值越大，說明相關(guān)性越強，反之則越弱，甚至無相關(guān)性。若散點圖分布趨勢為沿著橫坐標軸往上，則變量之間是正相關(guān)特征，其中VDVI或HSVVI取值增加，NDVI也隨著增加，同理減少的話NDVI也隨著減少;反之，若散點圖分布趨勢為沿著橫坐標軸往下，則變量之間是負相關(guān)特征，其中VDVI或HSVVI取值減少，NDVI值隨著增加，VDVI或HSVVI變量取值增加，NDVI值會隨著減少。通過計算構(gòu)建的無人機可見光植被指數(shù)VDVI和HSVVI與NDVI的相關(guān)系數(shù)，分析二者之間的相關(guān)特性和模型準確性，即可確定優(yōu)良的估算模型。

2 實驗結(jié)果與分析

2.1 研究區(qū)確立

本研究選取了位于陜西榆林地區(qū)的神木縣三北工程的樟子松防護林作為研究區(qū)，該區(qū)域地處陜北黃土丘陵向內(nèi)蒙古草原過渡地帶，年平均氣溫8.5 ℃、降水440.7 mm， 研究區(qū)位置如圖1所示。1978年至今，榆林地區(qū)一直被列為國家防沙治沙重點區(qū)域，“三北”防護林體系建設、防沙治沙和退耕還林等多項林業(yè)生態(tài)工程先后在該地區(qū)實施并取得了良好的效果。神木縣作為榆林地區(qū)第一大縣，氣候特征和三北工程實施狀況非常具有典型性和代表性，掌握該地區(qū)植被覆蓋度的分布特征，對于三北防護林區(qū)域的生態(tài)環(huán)境恢復狀況的分析評估也非常有意義。

2.2 數(shù)據(jù)獲取

（1）衛(wèi)星遙感數(shù)據(jù)

獲取到2018年8月15日與無人機實驗時間基本一致的高分1號衛(wèi)星WFV傳感器的存檔數(shù)據(jù)，空間分辨率16 m，具有近紅外的多光譜數(shù)據(jù)（紅、綠、藍、近紅外4個波段）。本次實驗使用的是高分1號的WFV1傳感器，為了計算出更為準確波段反射率數(shù)值，按照標準的輻射定標系數(shù)進行輻射定標和校正（表1）。WFV1傳感器成像的幅寬范圍達到800 km，使用研究區(qū)的矢量范圍裁剪出GF-1衛(wèi)星影像的源數(shù)據(jù)，為后續(xù)數(shù)據(jù)處理做準備。如圖2所示。

（2）無人機數(shù)據(jù)

研究中采用了大疆的PHANTOM 4 RTK小型多旋翼高精度航測無人機飛行平臺進行飛行和數(shù)據(jù)采集，飛行器飛控系統(tǒng)可以精確記錄坐標位置、姿態(tài)、采集數(shù)據(jù)置信度、鏡頭標定和任務完成量等實時參數(shù)，滿足研究所需的垂直拍攝影像輸出需求。

2018年9月16日，前往神木市大柳塔鎮(zhèn)進行無人機采集工作，以在陜西榆林神木的三北工程區(qū)樟子松防護林研究區(qū)飛行采集為例，通過飛行任務區(qū)多次斷點續(xù)飛數(shù)據(jù)采集，獲取到了1.57 km2研究區(qū)范圍的無人機數(shù)據(jù)，共計733張影像，理論空間分辨率為0.05 m，具體飛行參數(shù)見表2，在相同區(qū)域范圍對地面的土地覆蓋類型進行了地面調(diào)查和遙感解譯定標工作，如圖3所示。

在設計飛行的重疊度時，為了保證得到的無人機采集影像覆蓋沒有缺失和更好的后期拼接處理，在飛行路線設置了85%航向重疊和70%的旁向重疊。為了獲取更合理采集影像的空間分辨率和高精度的數(shù)字表面模型（DSM），確定研究區(qū)的飛行高度為100 m，保證理論空間分辨率優(yōu)于5 cm，單次起降采集面積可以覆蓋0.5 km2。如圖4所示。采用的是優(yōu)于有效像素2 000 萬像素鏡頭，設置不同采集環(huán)境的鏡頭參數(shù)。采集時間為上午10：00到下午2：00之間，太陽充足，高反射地表，ISO設置為100，快門時間1/1 000 s，補光EV為0或-0.5。

2.3 研究方法

2.3.1 無人機數(shù)據(jù)預處理

無人機數(shù)據(jù)的預處理是制作正射影像和為后續(xù)提供源數(shù)據(jù)信息提取和分析的關(guān)鍵過程。將采集到的無人機影像進行快速的預處理流程，包括影像匹配、空中三角測量、正射糾正及鑲嵌等步驟，在這個過程中，對影像的空間分辨率、坐標系統(tǒng)和圖像波段等信息進行構(gòu)建，并生成研究區(qū)的無人機正射影像結(jié)果，如圖5所示。

影像匹配：對無人機影像特征點提取和同名點匹配。由于無人機是低空獲取影像，超高清鏡頭所拍攝的照片像素非常高，既帶來了高空間影像分辨率的優(yōu)點，同時也帶來了幅寬較低、單張影像幾何形變大、影像局部紋理變化復雜的難度，所以無人機影像匹配更加重要。通過提取每張影像特征點，從典型地物紋理、距離和搜索匹配性進行相鄰影像同名點匹配及粗差點剔除，建立相鄰影像相對位置關(guān)系，處理過程如圖6（a）所示。

空中三角測量：利用初始位置及姿態(tài)信息，結(jié)合影像匹配連接點信息，進行空中三角測量，獲得監(jiān)測區(qū)域影像精確多角度定位信息。本實驗考慮到研究區(qū)所處區(qū)域環(huán)境因素，人工在無人機飛行沿線布置地面控制點難度較大，且采用了RTK網(wǎng)絡實時差分的無人機數(shù)據(jù)獲取技術(shù)，可以實現(xiàn)無控制點狀態(tài)下采集到的影像達到厘米級定位精度，保證后期處理影像的幾何精度誤差能夠達到1～2個像元，即定位精度優(yōu)于10 cm，處理過程如圖6（b）所示。

正射糾正：利用每張影像空三測量結(jié)果得到的精確參數(shù)，結(jié)合正射糾正模型進行影像重采樣，對采集到的地物影像傾斜狀態(tài)進行糾正，利用到了數(shù)字表面模型特征和像元級的垂直糾正技術(shù)，計算出單張原始無人機影像的幾何變形和正射結(jié)果，然后對糾正后的影像進行勻色、拼接，最終得到真正射糾正后的正射影像和DSM模型的結(jié)果，如圖7所示。

2.3.2 VDVI和HSVVI指數(shù)及相關(guān)性分析

采用公式（8）計算研究區(qū)GF-1WFV衛(wèi)星數(shù)據(jù)的歸一化植被指數(shù)NDVI（公式中用NNDVI表示）。

NNDVI=（Bnir-Bred ）/（Bnir+Bred）。? （8）

式中：Bnir為GF-1 WFV數(shù)據(jù)的近紅外波段;Bred為GF-1 WFV數(shù)據(jù)的紅光波段。

為了驗證本研究中構(gòu)造的植被指數(shù)估算實驗結(jié)果的有效性和穩(wěn)定性，對比相同研究區(qū)范圍的GF-1衛(wèi)星數(shù)據(jù)的NDVI和無人機影像植被指數(shù)，隨機采樣38個相關(guān)性分析點，得到每個點的NDVI、VDVI和HSVVI數(shù)值，并進行散點分析，判斷NDVI-VDVI和NDVI-HSVVI的相關(guān)性分析結(jié)果（表3），如圖8和圖9所示。HSVVI與NDVI 的相關(guān)系數(shù)（0.358 5） 低于VDVI與NDVI 的相關(guān)系數(shù)（0.638 7） ，VDVI與NDVI具有更強的相關(guān)性，而且VDVI綜合運用了紅光、綠光、藍光波段的光譜特征信息，具有歸一化植被指數(shù)的特性，跟NDVI比較分析確定可以作為構(gòu)建植被覆蓋度估算模型因子。采用該指數(shù)進行覆蓋度估算，再與實測點的實驗結(jié)果比較，判定估算結(jié)果的精確度，確立最優(yōu)的估算模型，如圖10所示。

2.3.3 植被覆蓋度地面調(diào)查和精度評價

選取20塊5 m×5 m精度驗證樣方進行實地精度評價，首先對樣方進行高精度差分GPS的定點測量，獲取到樣方中心點差分后誤差優(yōu)于10 cm的樣點經(jīng)緯度坐標，在樣方區(qū)域拍攝多角度的多張樣點照片，并計算照片中植被覆蓋區(qū)域所占百分比，推導出樣方區(qū)域的植被覆蓋平均值作為樣方的植被覆蓋度，然后按照無人機影像樣方中心點位作為植被覆蓋所對應估算值。

模型的精度評估采用計算實測單樣點與模型估算的具體誤差值和誤差，總體平均誤差來驗證，計算公式如下。

單樣點誤差（Error，公式中用ER表示）：

ER=E-A。（9）

單樣點估算精度（Accuracy，公式中用Ac表示）：

Ac=ER/A×100%。??? （10）

總體精度（Overall Accuracy，公式中用OA表示）：

OA=1/n∑nk=1ACk。（11）

式中：E（Estimates）為覆蓋度模型估算值;A（Average of Quadrat）為覆蓋度樣點實測平均值;Ck為樣本誤差值;n為樣本總數(shù);k為代表性單樣本。

2.4 植被覆蓋度估算

植被覆蓋度的定義是指植被的枝葉和莖在地面的垂直投影面積所占區(qū)域的百分比，因為本文研究區(qū)所處環(huán)境為干旱半干旱地區(qū)，植被較為稀疏，以無人機正射影像進行植被覆蓋度估算從理論上可以從空間的垂直投影方向更為準確地反映植被覆蓋特征。將計算得到的VDVI值引入公式（3），因為VDVI跟NDVI是呈負相關(guān)趨勢，所以將其中VDVIsoil和VDVIveg分別采用VDVI數(shù)據(jù)中單元像元積累頻率為4.81%和94.9%的VDVI值來代替，值越大的說明植被覆蓋越少，值越小說明覆蓋度越高。在計算過程中，通過統(tǒng)計結(jié)果得到VDVIsoil=0.890 196，VDVIveg=-0.019 608。另外，對VDVI>0.890 196的情況FFVC取值為0，即FFVC=0，全部不被植被覆蓋; VDVI<-0.019 608時，100%全部為植被覆蓋。把所有因子數(shù)值代入模型，計算出了植被覆蓋度的灰度圖（0～1取值范圍）結(jié)果，按照5級分級標準0%～20% 、20%～40%、40%～60%、60%～80% 、80%～100%，生成基于無人機影像可見光植被指數(shù)VDVI指數(shù)的像元二分模型植被覆蓋度估算分級結(jié)果，通過各個級別植被覆蓋度統(tǒng)計出研究區(qū)整體植被覆蓋度為39.23% ?？傮w來看，該區(qū)域是三北防護林工程的樟子松人工造林模式區(qū)域，有天然水源和人工水渠的分布，人工樟子松林和自然的灌木、草本層植被分層清晰，植被覆蓋較為密集，總體植被覆蓋度分級特征符合植被類型分布的空間特征，尤其在研究區(qū)中間水源周邊比較集中分布，人工造林區(qū)域多數(shù)分布高大的喬木林，周邊區(qū)域灌木和草本植物自然零星分布，相對于整個神木地區(qū)來比較，具有更高的植被覆蓋度。如圖11所示。

2.5 結(jié)果精度分析

覆蓋度實際測量值和模型估算值誤差具體數(shù)值見表4，通過計算樣點覆蓋度的平均值、估算值，以及單樣點具體誤差和估算精度、總體估算精度來對模型的估算結(jié)果進行精度評估，決定系數(shù)R2為0.855 6，估算精度達到了81.35%，按本文方法可以在研究區(qū)域得到理想的植被覆蓋度估算結(jié)果，由此也證明采用無人機影像可見光植被指數(shù)VDVI指數(shù)的像元二分模型植被覆蓋度估算是有效和準確的，如圖12所示。

3 結(jié)論與討論

本研究以高空間分辨率的無人機可見光影像作為數(shù)據(jù)源，將像元二分法的植被覆蓋度估算模型引入到無人機數(shù)據(jù)的植被覆蓋度進行快速估算，在西北榆林地區(qū)的防護林工程區(qū)域構(gòu)建了基于可見光波段的VDVI指數(shù)和對無人機可見光波段HSV變換后的HSVVI指數(shù)，并結(jié)合GF-1影像的NDVI指數(shù)與構(gòu)建的指數(shù)進行相關(guān)性分析，確認了參與本研究中進行植被覆蓋度估算模型VDVI指數(shù)的有效性和可靠性，通過模型計算得到研究區(qū)域的植被覆蓋度分級結(jié)果，通過實地精度評價測試數(shù)據(jù)與模型估算結(jié)果的數(shù)據(jù)對比，得到實測值與估算值決定系數(shù)R2為0.855 6，模型估算精度為81.35%，證明了該方法運用在無人機數(shù)據(jù)中的適宜性，尤其在屬于干旱和半干旱區(qū)的三北防護林工程區(qū)，為無人機數(shù)據(jù)在森林資源監(jiān)測應用中尋找到更有效的技術(shù)方法。因為不同工程區(qū)工程實施的造林模式不同，其植被類型也有所差異，為了提高植被覆蓋度估算精度，并更好地為實際生產(chǎn)應用，還需要在下一步研究中對基于無人機可見光波段的植被指數(shù)和估算模型進行改良完善，增強結(jié)果的適應性范圍，形成更加完備的技術(shù)流程和方法體系，為三北防護林工程森林資源監(jiān)測服務。

【參考文獻】

[1]蔡宗磊，苗正紅，常雪，等.基于無人機大樣方數(shù)據(jù)及國產(chǎn)衛(wèi)星反演草地植被覆蓋度方法研究[J].草地學報，2019，27（5）：1431-1440.

CAI Z L， MIAO Z H， CHANG X， et al. Research on grassland fractional vegetation coverage inversion method based on drone large quadrat data and domestic satellite[J]. Acta Agrestia Sinica， 2019， 27（5）： 1431-1440.

[2]李卓，孫然好，張繼超，等.京津冀城市群地區(qū)植被覆蓋動態(tài)變化時空分析[J].生態(tài)學報，2017，37（22）：7418-7426.

LI Z， SUN R H， ZHANG J C， et al. Temporal-spatial analysis of vegetation coverage dynamics in Beijing-Tianjin-Hebei metropolitan regions[J]. Acta Ecologica Sinica， 2017， 37（22）： 7418-7426.

[3]HUSSON E， REESE H， ECKE F. Combining spectral data and a DSM from UAS-images for improved classification of non-submerged aquatic vegetation[J]. Remote Sensing， 2017， 9（3）： 247.

[4]許玉鳳，陸承紅，潘網(wǎng)生，等.基于MODIS的貴州省黎平縣植被變化[J].森林工程，2017，33（6）：6-10.

XU Y F， LU C H， PAN W S， et al. MODIS-Based vegetation change in Liping County of Guizhou[J]. Forest Engineering， 2017， 33（6）：6-10.

[5]宋清潔，崔霞，張瑤瑤，等.基于小型無人機與MODIS數(shù)據(jù)的草地植被覆蓋度研究：以甘南州為例[J].草業(yè)科學，2017，34（1）：40-50.

SONG Q J， CUI X， ZHANG Y Y， et al. Grassland fractional vegetation cover analysis using small UVAs and MODIS： a case study in Gannan Prefecture[J]. Pratacultural Science， 2017， 34（1）： 40-50.

[6]劉婷，包廣道，張大偉，等.基于植被指數(shù)的GF-2影像防護林快速提取研究[J].森林工程，2018，34（6）：17-23.

LIU T， BAO G D， ZHANG D W， et al. Research on rapid extraction of shelter forest using GF-2 images based on vegetation indices[J]. Forest Engineering， 2018， 34（6）：17-23.

[7]郭震冬，顧正東，許盛，等.利用無人機技術(shù)進行社區(qū)植被覆蓋率調(diào)查[J].北京測繪，2017，30（5）：88-91.

GUO Z D， GU Z D， XU S， et al. UAV-based investigation of community vegetation coverage[J]. Beijing Surveying and Mapping， 2017，30（5）： 88-91.

[8]陶歡，李存軍，謝春春，等. 基于HSV閾值法的無人機影像變色松樹識別[J]. 南京林業(yè)大學學報（自然科學版）， 2019， 62（3）： 99-106.

TAO H， LI C J， XIE C C， et al. Recognition of red-attack pine trees from UAV imagery based on the HSV threshold method[J].Journal of Nanjing Forestry University （Natural Science Edition）， 2019， 62（3）： 99-106.

[9]汪小欽，王苗苗，王紹強，等.基于可見光波段無人機遙感的植被信息提取[J].農(nóng)業(yè)工程學報，2015，31（5）：152-159.

WANG X Q， WANG M M， WANG S Q， et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（5）： 152-159.

[10]韓東，王浩舟，鄭邦友，等.基于無人機和決策樹算法的榆樹疏林草原植被類型劃分和覆蓋度生長季動態(tài)估計[J].生態(tài)學報，2018，38（18）：6655-6663.

HAN D， WANG H Z， ZHENG B Y， et al. Vegetation type classification and fractional vegetation coverage estimation for an open elm （Ulmus pumila） woodland ecosystem during a growing season based on an unmanned aerial vehicle platform coupled with decision tree algorithms[J]. Acta Ecologica Sinica， 2018， 38（18）： 6655-6663.

[11]高永平，康茂東，何明珠，等.基于無人機可見光波段對荒漠植被覆蓋度提取的研究：以沙坡頭地區(qū)為例[J].蘭州大學學報（自然科學版），2018，54（6）：770-775.

GAO Y P， KANG M D， HE M Z， et al. Extraction of desert vegetation coverage based on visible light band information of unmanned aerial vehicle： a case study of Shapotou region[J]. Journal of Lanzhou University （Natural Sciences）， 2018， 54（6）： 770-775.