CN113188522A - 一种基于消费级无人机的植被多样性探测方法 - Google Patents

Abstract

本发明公开了一种基于消费级无人机的植被多样性探测方法，适用于地表覆盖检测领域使用。通过消费级无人机获取研究区域的数字正射影像、数字地面表面模型影像以及数字地形模型影像，通过数字正射影像计算得到区域的植被绿度指数分布图，依据颜色对植被类型进行划分，使用数字表面模型影像以及数字地形模型影像计算得到植被高度，依据高度对植被类型进行划分，最后综合植被颜色和高度对植被类型进行划分，并将研究区域划分为若干单元，通过每个单元内存在的植被类型及其覆盖度，计算得到区域内植被多样性分布情况，实现对植被多样性的探测。其步骤简单，使用方便，能够快速获取大范围区域内的植被多样性，满足植被群落监测和评价。

Description

一种基于消费级无人机的植被多样性探测方法

技术领域

本发明涉及一种植被多样性探测方法，尤其适用于地表覆盖检测领域使用的一种基于消费级无人机的植被多样性探测方法。

背景技术

植被多样性是反映植被群落功能和结构的重要结构参数，常常被用于反映生态系统的等级和稳定性。一直以来，通过现场调查植被类型、数量、密度，是获取区域植被多样性的主要方法。然而，这种传统的野外调查法存在成本高、耗时久、可达性差、覆盖范围小的缺点，已经难以满足目前对大范围区域的植被监测和评价工作要求。但随着近年来无人机技术的进步和批量化生产，消费级无人机的应用也愈加广泛。基于消费级无人机进行植被多样性的探测，不仅能满足大范围植被群落调查的要求，同时也为降低了地方监管单位应用无人机进行植被监测的门槛。

近年来，已有一些研究尝试使用无人机对植被多样性进行探测。专利“一种非破坏性监测草地植物物种多样性的方法”(申请号：202010052846.5)使用无人机拍摄植被照片，通过人工识别植被物种的方法计算植被多样性；专利“一种基于无人机立体摄影测量点云的次生林结构参数反演的方法”(201910857028.X)使用无人机搭载激光雷达获取植被高度，通过划分不同高度的植被类型的方法计算植被多样性；专利“一种基于无人机激光雷达反演人工森林结构参数的方法”(201810903690.X)结构地面调查数据与遥感反演数据，建立k-NN模型以计算植被多样性。然而，这些专利大多依靠搭载激光雷达的专业无人机，在仪器设备和操作技术都有着较高的要求，或者难以实现植被多样性的自动化计算，均无法在基层单位实施的植被监测得到应用。

发明内容

针对上述技术的不足之处，提供一种步骤简单，使用方便，以快速获取大范围区域内的植被多样性，能够满足植被群落监测和评价的需要的基于消费级无人机的植被多样性探测方法。

为解决上述问题，本发明的基于消费级无人机的植被多样性探测方法，包括以下步骤：

S1.使用消费级无人机获取待测试区域的数字正射影像DOM、数字地面表面模型影像DSM以及数字地形模型影像DTM：

S2.通过数字正射影像计算待测试区域的绿度指数GLI，根据绿度指数GLI将待测试区域内的植被划分为不同颜色的植被类型；

S3.计算数字地面表面模型的影像以及数字地形模型的影像之间的差值，将差值作为待测试区域的植被高度，根据植被高度将待测试区域内的植被划分为不同高度的植被类型；

S4.将待测试区域的植被影像划分为大小相同的单元格，综合植被颜色与高度将测试区域植被划分为不同的植被类型，然后根据每个单元格内的植被类型和覆盖度计算每个单元格内的植被多样性。

所述步骤S1具体方法为：设置无人机飞行路径和拍摄参数后得到航摄照片，并通过GPS RTK确定控制点坐标，然后通过Agisoft PhotoScan软件对航摄照片经过照片对齐、格网生成、密集点云等步骤得到研究区域的数字正射影像、数字地面表面模型影像以及数字地形模型影像。

所述步骤S2的具体方法为：基于数字正射影像计算植被绿度指数GLI利用下式计算：

式中Green，Blue，Red分别为绿光、蓝光和红光波段，光谱范围为0-255，然后将GLI低于0.02的单元划分为无植被，将GLI在0.02到0.04之间的单元划分为黄褐色植被，将GLI在0.04到0.08之间的单元划分为浅绿色植被，将GLI大于0.08的区域划分为深绿色植被从而得到基于颜色划分的植被类型分布。

所述步骤S3的具体方法为：在ArcMap软件中通过栅格计算功能，使用植被表面模型影像减去植被地形模型影像，将栅格图像间的差异作为植被高度；设置植被高度的阈值为0、0.4以及2米，将植被高度小于0米的区域划分为边坡植被，将植被高度在0到0.4米之间的区域划分为矮小植被，将植被高度在0.4到2米之间的区域划分为中等植被，将植被高度超过2米的区域划分为高大植被，从而得到基于高度划分的植被类型分布。

所述步骤S4的具体方法为：将步骤S2与S3中分别确定的基于颜色和高度的植被类型，在ArcMap中通过叠加处理，将区域内植被划分为边坡黄叶植被、低矮黄叶植被、中等黄叶植被、高大黄叶植被、边坡浅绿植被、低矮浅绿植被、中等浅绿植被、高大浅绿植被、边坡深绿植被、低矮深绿植被、中等深绿植被、高大深绿植被；植被划分完成后将研究区域划分为大小相同的10*10平方米单元格，由于单株植物在无人机影响上也占据了多个栅格单元，由于通过划分植被的颜色和高度，单株植物内部颜色和高度的差异被消除，所以利用下式统计每个单元格内存在的植被类型及其覆盖度C：

式中a为栅格内第i类植被的面积，A为遥感影像栅格的面积，在此次研究中栅格的大小为10*10m²。

最后根据植被多样性公式计算每个栅格单元的植被多样性，具体公式为：

其中S代表单位面积内的物种数量，N代表单位面积内的植被数量，通过植被覆盖度代替，pi代表i物种在单位面积内的比例。

有益效果：

1)本申请使用消费级无人机实现植被多样性的自动识别。无需在使用消费级无人机进行多样性测算均使用拍摄照片后进行人工识别，同时无需使用激光雷达；

2)本申请能够快速获取研究区内所有植被群落的多样性，增加了植被群落调查数据量，同时减少了人工识别植被的主观性和繁琐性；

3)本申请基于消费级无人机的植被多样性探测所需成本、技术要求更低，具有更广泛的应用范围与更强的普及性。

附图说明

图1为本发明基于消费级无人机的植被多样性探测方法的流程图；

图2为本发明使用的无人机获取的数字正射影像、数字地面表面模型影像以及数字地形模型影像；

图3为本发明基于颜色划分的植被类型示意图；

图4为本发明基于高度划分的植被类型示意图；

图5为本发明基于颜色和高度划分得到植被类型及植被多样性指数示意图。

S1.使用消费级无人机获取区域的数字正射影像(DOM)、数字地面表面模型影像(DSM)以及数字地形模型影像(DTM)。

S2.通过数字正射影像计算植被绿度指数，根据植被颜色划分不同的植被类型。

S3.通过数字地面表面模型影像以及数字地形模型影像计算植被高度，更加植被高度划分不同的植被类型。

S4.综合植被颜色与高度划分不同的植被类型，根据不同植被类型的覆盖度计算植被多样性。

具体实施方式

下面结合附图及实例对本发明做进一步说明。

如图1所示，本发明的基于消费级无人机的植被多样性探测方法，其包括以下步骤：

S1.使用消费级无人机获取待测试区域的数字正射影像DOM、数字地面表面模型影像DSM以及数字地形模型影像DTM：具体如图2所示，

设置无人机飞行路径和拍摄参数后得到航摄照片，并通过GPS RTK确定控制点坐标，然后通过Agisoft PhotoScan软件对航摄照片经过照片对齐、格网生成、密集点云等步骤得到研究区域的数字正射影像、数字地面表面模型影像以及数字地形模型影像。

S2.通过数字正射影像计算待测试区域的绿度指数GLI，根据绿度指数GLI将待测试区域内的植被划分为不同颜色的植被类型，具体如图3所示；

具体的，基于数字正射影像计算植被绿度指数GLI利用下式计算：

式中Green，Blue，Red分别为绿光、蓝光和红光波段，光谱范围为0-255，然后将GLI低于0.02的单元划分为无植被，将GLI在0.02到0.04之间的单元划分为黄褐色植被，将GLI在0.04到0.08之间的单元划分为浅绿色植被，将GLI大于0.08的区域划分为深绿色植被从而得到基于颜色划分的植被类型分布。

S3.计算数字地面表面模型的影像以及数字地形模型的影像之间的差值，将差值作为待测试区域的植被高度，根据植被高度将待测试区域内的植被划分为不同高度的植被类型，具体为图4所示；

具体的，在ArcMap软件中通过栅格计算功能，使用植被表面模型影像减去植被地形模型影像，将栅格图像间的差异作为植被高度；设置植被高度的阈值为0、0.4以及2米，将植被高度小于0米的区域划分为边坡植被，将植被高度在0到0.4米之间的区域划分为矮小植被，将植被高度在0.4到2米之间的区域划分为中等植被，将植被高度超过2米的区域划分为高大植被，从而得到基于高度划分的植被类型分布。

S4.将待测试区域的植被影像划分为大小相同的单元格，综合植被颜色与高度将测试区域植被划分为不同的植被类型，然后根据每个单元格内的植被类型和覆盖度计算每个单元格内的植被多样性，具体为图5所示；

具体的，将步骤S2与S3中分别确定的基于颜色和高度的植被类型，在ArcMap中通过叠加处理，将区域内植被划分为边坡黄叶植被、低矮黄叶植被、中等黄叶植被、高大黄叶植被、边坡浅绿植被、低矮浅绿植被、中等浅绿植被、高大浅绿植被、边坡深绿植被、低矮深绿植被、中等深绿植被、高大深绿植被；植被划分完成后将研究区域划分为大小相同的10*10平方米单元格，由于单株植物在无人机影响上也占据了多个栅格单元，由于通过划分植被的颜色和高度，单株植物内部颜色和高度的差异被消除，所以利用下式统计每个单元格内存在的植被类型及其覆盖度C：

式中a为栅格内第i类植被的面积，A为遥感影像栅格的面积，在此次研究中栅格的大小为10*10m²。

最后根据植被多样性公式计算每个栅格单元的植被多样性，具体公式为：

其中S代表单位面积内的物种数量，N代表单位面积内的植被数量，通过植被覆盖度代替，pi代表i物种在单位面积内的比例。

实施例一、

一种基于消费级无人机的植被多样性探测方法具体步骤包括：

S1.使用消费级无人机获取区域的数字正射影像DOM、数字地面表面模型影像DSM以及数字地形模型影像DTM)

在本实例中，选择山西省大同市南郊区的两处区域作为无人机飞行区域。采集时间为分别为2019年8月22日和23日的上午9点至12点之间，本次研究采用的无人机为大疆Mavic 2专业版无人机设备，搭载的航摄相机为L1D-20c哈苏相机。无人机数据采集当天视野良好，风速较小。无人机飞行高度为100米，飞行高度100米，云台角度-90°，旁向重叠率65％，航向重叠率70％，安全返航高度100米。在无人机起飞之前，分别在飞行区域内设置了10个相控点，使用GPSRTK进行控制点坐标测量，用于空中三角测量和精度检测，测量模式为地面控制点模式，每个相控点坐标取180次测量值的平均值。此次无人机拍摄共活动航摄照片806张。

然后在AgisoftPhotoScan软件中导入所有航摄照片，并输入控制点坐标，遵循软件处理工作流程依次进行对齐照片、建立密集点云、生成纹理、生成网格、建立平铺模型、建立高程模型以及建立正射影像。在建立高程模型步骤中，分别选择包含植被与无植被的点云数据建立高程模型，从而分别得到数字表面模型(DSM)与数字地形模型影像(DTM)。在完成建立正射影像步骤后，得到反映区域光谱信息的数字正射影像(DOM)。获得的无人机影像如图2所示。

S2.通过数字正射影像计算植被绿度指数，根据植被颜色划分不同的植被类型。

在本实例中，将S1中获得的数字正射影像导入至ENVI中，通过波段计算功能计算影像范围内的绿叶指数(GLI)，绿叶指数一种反映植被叶片颜色的遥感指数，其具体计算公式为：

其中Green，Blue，Red分别为绿光、蓝光波段，光谱范围为0-255。

然后将得到的GLI图层导入至ArcMap中，使用重分类功能将GLI图层重新分类为4种类型，其中GLI<0.02的区域为无植被区域，0.02<GLI<0.04的区域为黄褐色植被覆盖区域，0.04<GLI<0.08的区域为浅绿色植被覆盖区域，0.08<GLI的区域为深绿色植被覆盖区域。由此得到基于植被颜色划分的植被类型，分别为黄褐色植被、浅绿色植被以及深绿色植被，如图3所示。其中NV代表无植被；YV代表黄色植被，LG代表浅绿植被，DG代表深绿植被。

S3.通过数字地面表面模型影像以及数字地形模型影像计算植被高度，更加植被高度划分不同的植被类型。

在本实例中，在ArcMap软件中打开S1中获得的数字表面模型与数字地形模型影像，然后使用栅格计算功能，使用数字表面模型影像减去数字地形模型影像，从而得到研究区域内的植被高度。然后使用重分类功能将植被高度图层重新分类为4种类型，其中植被高度小于0的区域为边坡植被覆盖区域，这主要是由于在通过数字表面模型与数字地形模型差值计算植被高度时，这些区域的数字地形模型数据常常取上坡区域的高程作为其数值，导致生长与这些区域的植被高度呈现出负值，难以获得其高度特征，但由于其生长环境与其他平坦区域存在明显差异，在本次研究中同样将这些区域的植被单独作为一类。植被高度在0-0.4米间的区域为矮小植被覆盖区域，植被高度在0.4-2米的区域为中等植被覆盖区域，而植被高度>2的区域为高大植被覆盖区域。由此得到基于植被高度划分的植被类型，分别为边坡植被、矮小植被、中等植被以及高大植被，如图4所示，其中CV表示边坡植被，SV表示矮小植被，MV表示中等植被，TV表示高大植被。

S4.综合植被颜色与高度划分不同的植被类型，根据不同植被类型的覆盖度计算植被多样性。

在本实例中，将S2与S3中分别依据植被颜色和高度获得的植被类型在ArcMap中通过叠加功能进行汇总，根据颜色和高度将植被划分为12种植被类型，分别为边坡黄叶植被、低矮黄叶植被、中等黄叶植被、高大黄叶植被、边坡浅绿植被、低矮浅绿植被、中等浅绿植被、高大浅绿植被、边坡深绿植被、低矮深绿植被、中等深绿植被、高大深绿植被。尽管从植被物种上看，这12类植被中仍然包含了多种植被物种，但考虑到无人机空间分辨率和光谱分辨率的限制，以及同类物种在植被行政上的相似度，这一植被分类方式仍然能够反映不同区域内植被多样性的分布情况。最终得到了12种类型的植被在研究区域的分布情况，如图5所示，其中，CY为边坡黄叶植被，SY为低矮黄叶植被，MY为中等黄叶植被，TY为高大黄叶植被，CLG为边坡浅绿植被，SLG为低矮浅绿植被、MLG为中等浅绿植被，TLG为高大浅绿植被，CDG为边坡深绿植被，SDG为低矮深绿植被、MDG为中等深绿植被，TDG为高大深绿植被。

然后将无人机影像覆盖区域在ArcMap中通过建立渔网功能，生成10*10m²相同大小的栅格，并分别统计每个栅格内各类植被的覆盖度，具体公式为：

其中a为栅格内第i类植被的面积，A为遥感影像栅格的面积，在此次研究中栅格的大小为10*10m²。

然后在ArcMap中通过字段计算器功能，依据植被多样性指数计算公式分别计算每个栅格的植被多样性。本次研究中选的植被多样性指数为Margalef指数、Shannon指数、Pielou指数以，分别反映了植被群落的丰富度、多样性和均匀度，具体公式为：

其中S代表单位面积内的植被物种数量，N代表单位面积内的植被数量，通过植被覆盖度代替，pi代表i物种在单位面积内的比例。

由此，最终得到了研究区内植被多样性分布情况，如图5所示。

Claims (5)

1.一种基于消费级无人机的植被多样性探测方法，其特征在于包括以下步骤：

S1.使用消费级无人机获取待测试区域的数字正射影像DOM、数字地面表面模型影像DSM以及数字地形模型影像DTM：

S2.通过数字正射影像计算待测试区域的绿度指数GLI，根据绿度指数GLI将待测试区域内的植被划分为不同颜色的植被类型；

S3.计算数字地面表面模型的影像以及数字地形模型的影像之间的差值，将差值作为待测试区域的植被高度，根据植被高度将待测试区域内的植被划分为不同高度的植被类型；

S4.将待测试区域的植被影像划分为大小相同的单元格，综合植被颜色与高度将测试区域植被划分为不同的植被类型，然后根据每个单元格内的植被类型和覆盖度计算每个单元格内的植被多样性。

2.根据权利要求1所述的基于消费级无人机的植被多样性探测方法，其特征在于：所述步骤S1具体方法为：设置无人机飞行路径和拍摄参数后得到航摄照片，并通过GPS RTK确定控制点坐标，然后通过Agisoft PhotoScan软件对航摄照片经过照片对齐、格网生成、密集点云等步骤得到研究区域的数字正射影像、数字地面表面模型影像以及数字地形模型影像。

3.根据权利要求1所述的一种基于消费级无人机的植被多样性探测方法，其特征在于：所述步骤S2的具体方法为：基于数字正射影像计算植被绿度指数GLI利用下式计算：

式中Green，Blue，Red分别为绿光、蓝光和红光波段，光谱范围为0-255，然后将GLI低于0.02的单元划分为无植被，将GLI在0.02到0.04之间的单元划分为黄褐色植被，将GLI在0.04到0.08之间的单元划分为浅绿色植被，将GLI大于0.08的区域划分为深绿色植被从而得到基于颜色划分的植被类型分布。

4.根据权利要求1所述的一种基于消费级无人机的植被多样性探测方法，其特征在于：所述步骤S3的具体方法为：在ArcMap软件中通过栅格计算功能，使用植被表面模型影像减去植被地形模型影像，将栅格图像间的差异作为植被高度；设置植被高度的阈值为0、0.4以及2米，将植被高度小于0米的区域划分为边坡植被，将植被高度在0到0.4米之间的区域划分为矮小植被，将植被高度在0.4到2米之间的区域划分为中等植被，将植被高度超过2米的区域划分为高大植被，从而得到基于高度划分的植被类型分布。

5.根据权利要求1所述的一种基于消费级无人机的植被多样性探测方法，其特征在于：所述步骤S4的具体方法为：将步骤S2与S3中分别确定的基于颜色和高度的植被类型，在ArcMap中通过叠加处理，将区域内植被划分为边坡黄叶植被、低矮黄叶植被、中等黄叶植被、高大黄叶植被、边坡浅绿植被、低矮浅绿植被、中等浅绿植被、高大浅绿植被、边坡深绿植被、低矮深绿植被、中等深绿植被、高大深绿植被；植被划分完成后将研究区域划分为大小相同的10*10平方米单元格，由于单株植物在无人机影响上也占据了多个栅格单元，由于通过划分植被的颜色和高度，单株植物内部颜色和高度的差异被消除，所以利用下式统计每个单元格内存在的植被类型及其覆盖度C：

式中a为栅格内第i类植被的面积，A为遥感影像栅格的面积，在此次研究中栅格的大小为10*10m²。

最后根据植被多样性公式计算每个栅格单元的植被多样性，具体公式为：

其中S代表单位面积内的物种数量，N代表单位面积内的植被数量，通过植被覆盖度代替，pi代表i物种在单位面积内的比例。

Images