1、引言

草原生態(tài)系統(tǒng)對于促進經(jīng)濟社會可持續(xù)發(fā)展、筑牢國家生態(tài)安全屏障、鑄牢中華民族共同體意識和鞏固邊疆少數(shù)民族地區(qū)穩(wěn)定等方面 具有戰(zhàn)略性作用。十八大以來，草原生態(tài)系統(tǒng)保護修復工作成效顯 著，部分地區(qū)草原生態(tài)恢復明顯，計劃到２０２５年和２０３５年 草原綜合植被蓋度要分別達到５７％和６０％以 上，但目前部分區(qū) 域的草原生態(tài)系統(tǒng)承受力和抵御干擾的耐受力極度脆弱，有向逐漸 裸露化或荒漠化發(fā)展的趨勢。草原荒漠化主要表現(xiàn)為植被覆蓋度 （ＦＶＣ）減少和裸地面積增加等，傳統(tǒng)的地面小尺度覆蓋度采集 受天氣、時間和地形地貌的影響較大，且成本高、勞動強度大、費 時費力；而衛(wèi)星雖然可以大尺度采集覆蓋度信息，但是收集速度緩 慢且獲得圖像的細節(jié)水平下降。無人機（ＵＡＶ）＋ 高 光 譜 可 獲 得中尺度區(qū)域的高空 － 譜分辨率圖像，兼顧了效率和精度要求，在 相對較小區(qū)域的草地退化監(jiān)測中將發(fā)揮重要作用，正成為傳統(tǒng)地面 監(jiān)測和航空、衛(wèi)星遙感的優(yōu)越補充。ＦＶＣ定義為統(tǒng)計范圍內(nèi)植被冠層的垂直投影面積占土地面積的比例，是研究生態(tài)系統(tǒng)平衡、 土 地退化和土壤侵蝕等的關(guān)鍵參數(shù)之一，也是評價草地退化和荒漠化的敏感指標。

目前低空ＵＡＶ 遙感ＦＶＣ反演法可以分為回歸模型法、 混合像元分解法和深度學習法等。ＵＡＶ高光譜遙感滿足了當前遙感朝著高空－ 譜分辨率、多時相的發(fā)展方向，關(guān)鍵在于能否選擇或建立一種適用性強、耗時少、準確性高的覆蓋度估算方法。利用光譜分辨率高、光譜波段信息豐富的高光譜成像儀結(jié)合低空ＵＡＶ組建 ＵＡＶ 高光譜遙感系統(tǒng)，對試驗區(qū)荒漠草原的高光譜影像進行數(shù)據(jù)采集和數(shù)據(jù)預處理，并利用回歸模型法、深度學習法ＲｅｓＮｅｔ１８模型及其改進的３Ｄ－ＲｅｓＮｅｔ１８模型對影像中的植 被和裸土等地物進行分類，并在分類基礎(chǔ)上開展基于ＵＡＶ高光譜遙感信息的荒漠草原ＦＶＣ計算方法研究。旨在實現(xiàn)利用高光譜遙感系統(tǒng)對荒漠草原從數(shù)據(jù)獲取、數(shù)據(jù)分析、理論方法及驗證等完整流程的嘗試，為草原退化評價及治理提供依據(jù)，對于草原畜牧養(yǎng)殖和生態(tài)環(huán)境保護均具有重要的現(xiàn)實意義，符合國家和地區(qū) “助力山水林田湖草沙生命共同體建設(shè) ”的發(fā)展需求。

2、數(shù)據(jù)采集與分析

2.1 研究區(qū)概況

研究區(qū)位于烏蘭察布市四子王旗格根塔拉草原 （４１°４７′３３″Ｎ，１１１°５３′５８″Ｅ），詳 見 圖１。

圖1 研究區(qū)位置圖

海拔高度介于１１００—１２００ｍ之間，降水量稀少，水資源匱乏，具有荒漠草原典型的地域代表性，是典型草原與荒漠的緩沖地帶。研究區(qū)植被草層稀 疏低矮、交錯覆蓋、種類匱乏，屬短花針茅荒漠草原地帶。植被 平均高度為８ｃｍ，平均蓋度為１７％—２５％。

2.2 試驗設(shè)計

2.2.1野外調(diào)查及樣方布置

野外地面調(diào)查包括記錄ＧＰＳ信息、樣方編號，實測樣方ＦＶＣ。為了樣方框堅固耐用且避免被風刮走，由白色ＰＶＣ管制作，用 Ｕ 型鐵絲將其固定于地面上，隨機布置１ｍ×１ｍ的樣方框６０個。ＦＶＣ 的確定采用照相法。樣方冠層照片通過在樣方中心的垂直上方２．２ｍ 處拍攝全范圍俯視照實現(xiàn)。選用 ＲＴＫ 測定試驗區(qū)和樣方的具體位置，收集了所有研究樣方框的 ＧＰＳ信息，選定地面控制點對圖像進行幾何校正。

2.2.2空中數(shù)據(jù)采集

采用ＵＡＶ 懸停方式采集試驗區(qū)內(nèi)地物高光譜遙感影像，結(jié)合２０２１年草原氣候特點和牧草生長期特性，在牧草的生長茂盛期———２０２１年７月２７日— ８月８日時采集數(shù)據(jù)。為保證采集質(zhì)量，選擇晴朗、無云、光照條件較好，無卷云、濃積云等，風力較小時進行測量，采集時間為１０∶００—１４∶００，且要求每１０—２０ｍｉｎ使用標準白板進行１次校正，以便消除光照強度變化對ＵＡＶ高光譜圖像產(chǎn)生的影響。ＵＡＶ搭載高光譜儀垂直于地面的方向３０ｍ高度測量研究地塊植被的冠層、群落的高光譜數(shù)據(jù)。每個懸停點采集２幅高光譜遙感影像，單幅圖像采集時間耗時７ｓ，包含懸停點間飛行時間，１個架次約可采集８６幅遙感影像，即４３個懸停點。

2.2.3 數(shù)據(jù)預處理

首先，通過人工檢查去除過曝、欠曝、彎曲、抖動的遙感影像，選出成像質(zhì)量最好的遙感影像。其次使用光譜專業(yè)軟件進行反射率校正，并識別真正的反射率值和感興趣的特征。最后，使用方法進行數(shù)據(jù)降維，計算式如下：

（１）式中，Ｘ為張量，ｒ為高光譜圖像中的行數(shù)，ｃ為高光譜圖像中的列數(shù)，ｂ為高光譜圖像中的維數(shù)。式（１）計算的高光譜圖像Ｆ－ｎｏｒｍ^２在 ０—６７波段（波長為３９７—５４８．２ｎｍ）的Ｆ－ｎｏｒｍ２的斜率較小，即表示該波段范圍內(nèi)包含的信息量較少；而在 ２１４—２５６波段（波 長 為 ９０９．７—１０１９．４ｎｍ）的Ｆ－ｎｏｒｍ^２的斜率較大，即表示該波段范圍內(nèi)存在明顯的噪聲干擾，因此經(jīng)行值降維后保留的６８—２１３波段（波長為５５０．５—９０６．８ｎｍ），單個圖像所占空間大小也隨之大幅減少 ，有效提高了數(shù)據(jù)后處理的效率。

2.3 驗證值的確定

驗證值的確定一方面是依據(jù)實地設(shè)立１ｍ×１ｍ 的樣方框通過照相 法確定ＦＶＣ，但是該方法存在一定的主觀判斷性而且只代表了局部的ＦＶＣ。研究表明，基于照相法和全圖人工目視解譯相結(jié)合的方法對ＦＶＣ的提取精度較高。為了雙重保險，后續(xù)又結(jié)合人工目視解譯方法對整張ＵＡＶ高光譜圖像中植物群落和非植物群落（枯草和裸土）進行覆蓋度提取，其結(jié)果作為地表 ＦＶＣ 的 驗 證 值，對各植被指數(shù)提取的草地 ＦＶＣ 的精度進行驗證。本文從１０８０ 組數(shù)據(jù)中選取２０組有代表性的數(shù)據(jù)作為示例進行研究。２０ 組數(shù)據(jù)分別命名為Ｔ１、Ｔ２、Ｔ３、…、Ｔ１９、 Ｔ２０。由于圖像較多，將其中的Ｔ１、Ｔ８、Ｔ１６組高光譜數(shù)據(jù)設(shè)為展示圖像，Ｔ１、Ｔ８、Ｔ１６組數(shù)據(jù)覆蓋度的驗證值詳見表１。

表1植物群落和非植物群落驗證值

3、研究方法

3.1 回歸模型法

回歸模型法是通過對遙感數(shù)據(jù)的某一波段、波段組合或利用遙感數(shù)據(jù)計算出的植被指數(shù)與ＦＶＣ進行回歸分析，建立經(jīng)驗估算模型。通過回歸模型法構(gòu)建荒漠草原ＦＶＣ估算模型，選擇了２種傳統(tǒng)的適合于低密度覆蓋綠色植被區(qū)域的植被指數(shù)，分別為歸一化植 被指 數(shù)（ＮＤＶＩ）和土壤調(diào)整植被指數(shù) （ＳＡＶＩ），在分析植被和土壤光譜曲線差異的基礎(chǔ) 上，通過簡單波段自相關(guān)選擇法及編程篩選最敏感的特征波段及組合，確定了植被指數(shù)相關(guān)系數(shù)較高的波段組合為５２５—６００ｎｍ、６２０—７８０ｎｍ 和 ７８０—９００ｎｍ，相關(guān)系數(shù)均達０．８以上。對基于傳統(tǒng)植被指數(shù)的像元二分模型進行了ＦＶＣ估算，并選取 ２０組數(shù)據(jù)進行精度驗證。選擇ＳＡＶＩ和 ＮＤＶＩ進行 連續(xù)統(tǒng)去除及光譜增強，并確定特征波段和波段最佳組合，對高光譜圖像進行連續(xù)統(tǒng)去除后，峰值點對應(yīng)的反射率為１，而其他點的反射率均小于１，植物群落在可見光范圍中的５００ｎｍ 和６８０ｎｍ 左右的吸收谷特征被放大，綠光５５０ｎｍ 附近反射峰更加明顯， 紅邊斜率增加明顯，這些變化有利于對光譜吸收特征波段及參數(shù)的提取，因此提出了綠光連續(xù)值土壤調(diào)整植被指數(shù)（Ｇ＿ＣＲ＿ＳＡＶＩ）和綠光連續(xù)值歸一化 植被指數(shù)（Ｇ＿ＣＲ＿ＮＤＶＩ），原始及改進的植被指數(shù)詳見表２。

表2原始及改進的植被指數(shù)

3.2 ＲｅｓＮｅｔ模型

該模型將殘差學習的思想引入到網(wǎng)絡(luò)結(jié)構(gòu)中，通過跨層鏈接將殘差塊的輸入與輸出進行疊加求和，此項操作提升了反向傳播的效率，有效解決了深層網(wǎng)絡(luò)中出現(xiàn)的梯度爆炸及消失問題，提高了神經(jīng)網(wǎng)絡(luò)訓練的速度，實現(xiàn)了利用深層網(wǎng)絡(luò) 結(jié)構(gòu)提取更細的特征。利用 Ｐｙｔｏｒｃｈ模塊搭建 ＲｅｓＮｅｔ１８ＣＮＮ，該模型 共有２０層，包括１７個 卷 積 層、２個池化層和１個全連接層，模型結(jié)構(gòu)圖詳見圖２。

圖２ ＲｅｓＮｅｔ深度學習模型結(jié)構(gòu)圖

每殘差塊中進行２次卷積層運算，并與卷積前的參數(shù)進行疊加，隨后利用激活函數(shù)ＲｅＬＵ 激活進入下一個殘差塊。卷積層的卷積核數(shù)最少為６４個，最多為５１２個。

3.3改進３Ｄ－ＲｅｓＮｅｔ１８模型

３Ｄ卷積核為 一 個 立 方 體，由３Ｄ卷積核組成的ＣＮＮ 稱為３Ｄ 卷積神經(jīng)網(wǎng)絡(luò)，通過３Ｄ卷積核 可以同時提取高光譜圖像ｌｉｎｅｓ、ｓａｍｐｌｅｓ和ｂａｎｄｓ方 向上的特征。公式如下：

（２） 式中，ｆ為激活函數(shù)，ｌ、ｗ、ｈ 分別代表卷積核立方體 的長、寬、高，ｍ、ｎ 分別代表上一層和本層的卷積核數(shù)，ｕ^ｌｗｈ_ｋｎ為圖像上（ｌ，ｗ，ｈ）位 置上的值與上一層第ｍ個卷積核的計算值，ｕ^δερ_ｋｍｎ為 圖 像（δ，ε，ρ）位置上的值與卷積核的第ｎ層、第ｋ個卷積核的計算值。利用Ｆ－ｎｏｒｍ^２降低噪聲干擾和高光譜數(shù)據(jù)的維數(shù)。在典型的深度學習模型 ＲｅｓＮｅｔ１８的基礎(chǔ)上，將其２Ｄ卷積核３Ｄ卷積核，即３Ｄ－ＲｅｓＮｅｔ１８。改進后的３Ｄ－ＲｅｓＮｅｔ１８模 型 與 ＲｅｓＮｅｔ１８模型具有相同的深度，共有２０層，包括１７個卷積層、２個池化層和１個全連接層，１７個卷積層被分成１個卷積層和４個殘差塊。將卷積層中的２Ｄ卷積核改進為３Ｄ卷積核，在圖３中用Ｃｏｎｖ３×３×３－Ｎ表 示，Ｎ為卷積核數(shù)量，分別為６４、６４、１２８、２５６、５１２。每殘差塊中進行兩次卷積層運算，并與卷積前的參數(shù)進行疊加，隨后利用激 活 函 數(shù) ＲｅＬＵ 激活進入下一個 殘差塊。為了提高處理速度，程序用高光譜影像裁剪為５００ｌｉｎｅｓ×５００ｓａｍｐｌｅｓ×１４６ｂａｎｄｓ，總 共２５００００個 像素。為了識別特征，隨機選擇６０％的標記樣本 作 為訓練數(shù)據(jù)，其余的４０％作為測試數(shù)據(jù)。

4、結(jié)果分析

4.1 評價指標

在進行覆蓋度估算模型的精度分析時，選 用以下3個指標進行驗證 分 析：估算值和實測值間的決定系數(shù)（Ｒ２）、估算值和實測值間的均方根誤差（ＲＭＳＥ ）和估算 精 度（ＥＡ ）。當 Ｒ２ 值越 接近１、ＲＭＳＥ的值越小且估算精度越 時，說明估測方程所得到的估算值與實測值的擬合效果就越好，模型的精度就越高。 Ｒ２、ＲＭＳＥ、ＥＡ 的計算式如下：

式中，為第ｉ個樣本的估算，ｙ_ｉ 為第ｉ個樣本的實 測值，:為實測值的平均值，ｘ 為樣本數(shù)量。

式中，Ｒ_ｍ為均方根誤差，Ｍ_ｅ 為實測值的均值，ＥＡ 為估算精度。

4.2回歸模型法

改進植被指數(shù)中提取的 ＦＶＣ 與驗證值最為接近，其ＲＭＳＥ和ＥＡ 分別為０．０１８和 ９５．４２％；其次為 Ｇ＿ＣＲ＿ＮＤＶＩ，ＲＭＳＥ 和ＥＡ 分別為 ０．０１８和９５．３６％，ＳＡＶＩ提取的ＦＶＣ與驗證值較為接近 ，其ＲＭＳＥ和ＥＡ分別為０．０３２和９１．６４％，詳見表３。

表３ 植被覆蓋度與各方法對應(yīng)的模型精度

從估算值與驗證值之間的散點圖來看，Ｇ＿ＣＲ＿ＳＡＶＩ和 Ｇ＿ＣＲ＿ＮＤＶＩ估算值緊密分 布在１∶１線的兩側(cè)，其中 Ｇ＿ＣＲ＿ＳＡＶＩ估算值與驗證值之間的Ｒ^２高達０．９４２，Ｇ＿ＣＲ＿ＮＤＶＩ估算值與驗證值之間的Ｒ^２高達０．９３９?；诟倪M植被指數(shù)與傳統(tǒng)植被指數(shù)的荒漠草原ＵＡＶ高光譜圖像ＦＶＣ估算精度大小依次為 Ｇ＿ＣＲ＿ＳＡＶＩ＞Ｇ＿ＣＲ＿ＮＤＶＩ＞ ＳＡＶＩ＞ＮＤＶＩ。分析表明：通過光譜增強及最佳波段選擇的改進 Ｇ＿ＣＲ＿ＳＡＶＩ和 Ｇ＿ＣＲ＿ＮＤＶＩ植被指數(shù)優(yōu)于傳統(tǒng)的 ＳＡＶＩ、ＮＤＶＩ植被指數(shù)，ＦＶＣ 估 算 精 度較傳統(tǒng)的植被指數(shù) 高出約４％，Ｇ＿ＣＲ＿ＳＡＶＩ在４個植被指數(shù)中的提取效果最好，最適合于荒漠草原ＵＡＶ 高光譜影像 ＦＶＣ的提取。最佳波段組合的植被指數(shù)計算結(jié)果詳見圖４。

圖４ 植被指數(shù)變換分布圖

4.3 深度學習法

為實現(xiàn)基于ＵＡＶ 高光譜遙感的荒漠草原覆蓋 度人工智能化估算，制作了荒漠草原 ＵＡＶ 高光譜覆 蓋度數(shù)據(jù)集，通過 ＲｅｓＮｅｔ１８經(jīng)典深度學習網(wǎng)絡(luò)模型對覆蓋度數(shù)據(jù)集進行分類，發(fā)現(xiàn)其對覆蓋度數(shù)據(jù)集取得了較理想的總體分類精度，并對覆蓋度數(shù)據(jù)集中的植被和裸土取得較高的單體分類精度。為進一步實現(xiàn)對荒漠草原ＵＡＶ 高光譜數(shù)據(jù)中的覆蓋度高精度估算，基 于 ＲｅｓＮｅｔ模 型 建立３Ｄ卷積模型３Ｄ－ ＲｅｓＮｅｔ，并進行模型結(jié)構(gòu)與超參數(shù)優(yōu)化，通過對卷積核數(shù)、卷積核尺寸、Ｂａｔｃｈｓｉｚｅ等參數(shù)優(yōu)化與對比，發(fā)現(xiàn)對覆蓋度數(shù)據(jù)集分類性能最佳的模型為３Ｄ－Ｒｅｓ－ Ｎｅｔ，總體估算精度達９７．５６％，覆蓋度估算的ＲＭＳＥ 為０．０１６，詳見表３。

３Ｄ卷積網(wǎng)絡(luò)模型對覆蓋度數(shù)據(jù)集具有更好的提 取性能。相比于２Ｄ卷積僅能同時提取覆蓋度數(shù)據(jù)集中的２Ｄ光譜 信 息，３Ｄ 卷積可以同時提取光譜－ 空間聯(lián)合信息，充分利用了高光譜覆蓋度數(shù)據(jù)集的數(shù)據(jù)特性，對細小特征的提取展現(xiàn)出良好潛力，得益于３Ｄ卷積核可以同時提取高光譜數(shù)據(jù)中３個維度的光譜信息，相比２Ｄ卷積核同時提取 Ｘ、Ｙ２個維度的光譜信息，３Ｄ卷積核對地物的空間特征提取能力更強。通過對模型結(jié)構(gòu)與超參數(shù)優(yōu)化逐步提高了模型 性能，同時發(fā)現(xiàn)具有更卷積結(jié)構(gòu)的３Ｄ－ＲｅｓＮｅｔ模 型展現(xiàn)出更好的性能。部分數(shù)據(jù)可視化結(jié)果如圖５ 所示。

圖５覆蓋度估算模型可視化結(jié)果

３Ｄ－ＲｅｓＮｅｔ模型實現(xiàn)了對覆蓋度數(shù)據(jù)集地物的高精度、高效率、智能化識別，為基于ＵＡＶ高光譜 遙感的荒漠化草原覆蓋度的快速、高效、精準統(tǒng)計奠定基礎(chǔ)。

5、總結(jié)

針對荒漠草原覆蓋度提取效率和精度較低的現(xiàn)狀，基于人工智能技術(shù)和３Ｄ 卷積深度學習方法，深挖了高光譜數(shù)據(jù)中的空間特征，建立了高效準確的高光譜遙感圖像的覆蓋度估算模型，驗證了３Ｄ－Ｒｅｓ－ Ｎｅｔ模型在計算ＦＶＣ為指標的草地退化評價的可行性和精確性。就估算精度而言，深度學習法優(yōu)于回歸模型法，尤其是經(jīng)過３Ｄ卷積核改進的深度學習模型最佳，總體估算精度達９７．５６％，可以實現(xiàn)智能化、 高精度、準確地荒漠草原 ＦＶＣ提取。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測量、土壤環(huán)境、礦物地質(zhì)勘探等領(lǐng)域的最新明星產(chǎn)品，由于其操作靈活、便攜方便、光譜測試速度快、光譜數(shù)據(jù)準確是一款真正意義上便攜式地物光譜儀。

無人機機載高光譜成像系統(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統(tǒng)，該系統(tǒng)由高光譜成像相機、穩(wěn)定云臺、機載控制與數(shù)據(jù)采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統(tǒng)通過獨特的內(nèi)置式或外部掃描和穩(wěn)定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質(zhì)量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學醫(yī)療、精準農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學設(shè)計，物鏡接口為標準C-Mount，可根據(jù)用戶需求更換物鏡。