基于無人機SfM數據的挺水植物生物量反演

井 然,宮兆寧,*,趙文吉,鄧 磊,阿 多,孫偉東

1 首都師范大學資源環境與旅游學院,北京 100048 2 三維信息獲取與應用教育部重點實驗室,北京 100048 3 資源環境與地理信息系統北京市重點實驗室,北京 100048

基于無人機SfM數據的挺水植物生物量反演

井 然1,2,3,宮兆寧1,2,3,*,趙文吉1,2,3,鄧 磊1,2,3,阿 多1,2,3,孫偉東1,2,3

1 首都師范大學資源環境與旅游學院,北京 100048 2 三維信息獲取與應用教育部重點實驗室,北京 100048 3 資源環境與地理信息系統北京市重點實驗室,北京 100048

生物量是衡量挺水植物生長狀況的重要參數,對濕地生態系統健康評價具有重要意義。利用無人機影像生成運動重建結構SfM(Structure from Motion,SfM)數據,結合野外實測生物量構建定量反演模型,并根據反演模型對生物量進行空間制圖,最后分析了挺水植物類型對生物量空間分布的影響。結果表明,文中基于SfM數據建立的逐步線性回歸模型(Stepwise Linear (SWL) regression model)具有較好的反演精度及估測能力。其模型顯著性為顯著(P<0.01),決定系數為0.86,相對均方根誤差為6.1%。挺水植物類型對生物量空間分布影響顯著(P<0.05)。通過對研究區挺水植物的生物量進行估算,為利用無人機遙感監測挺水植物生物量提供了新思路。

挺水植物；生物量；無人機影像；運動重建結構(SfM)數據；回歸分析

挺水植物是濕地生態系統中的初級生產者,不僅能夠固定水體及底泥沉積物中的營養鹽,而且能夠改善濕地生態系統的理化和生物特性,在凈化水體、改善區域小氣候等方面具有重要作用。生物量反映了挺水植物固定有機物質的量,可用于定量評價其所處濕地生態系統的服務功能及健康狀況,是研究濕地生態系統物質循環以及能量傳遞的關鍵指標[1]。近年來國內外生物量相關研究集中在森林以及草本灌木上[2-5],挺水植物的相關研究則集中于氮磷元素的固定[6]、重金屬污染修復[7]以及水質凈化研究[8]。生物量遙感反演以衛星影像為數據源,然而衛星遙感影像存在空間時間分辨率較低、受大氣狀況影響嚴重等問題,制約了反演精度[9]。無人機影像同衛星影像相比具有高空間分辨率、極高的現勢性和小比例尺特點,并且受大氣狀況影響較小,因此無人機影像在生物量遙感反演上具有很好的應用前景。

利用SfM算法對物體的運動狀態進行分析,并重建其三維結構。相對于機載激光雷達(LiDAR)以及地面三維激光掃描儀(TLS),SfM算法能夠生成更為稠密的點云數據,因此適用于重建植物細致的紋理結構。近年來,國內外學者利用無人機影像結合SfM算法對植物生長參量進行反演研究,并取得許多研究成果。Bendig等[10]利用SfM算法計算植被指數以及作物表面模型(CSM),并提取作物冠層高度,結合地面實測高光譜數據對大麥的生物量進行估測,得出結合植被指數及作物冠層高度信息估測生物量的精度高于單獨利用植被指數估測的結論。Li等[11]利用SfM算法生成研究區真正射影像及數字表面模型(Digital Surface Model,DSM),通過計算植被指數,并結合冠層高度對生物量建模,反演玉米生物量,其中逐步線性回歸模型精度R2=0.88,rRMSE=6.40%,隨機森林回歸模型R2=0.78,rRMSE=16.66%。反演結果同實測數據相比較,冠層高度平均誤差為0.11 m,生物量平均誤差為0.05 kg/m2。張正建等[12]以若爾蓋高原為研究區,利用SfM算法生成多種植被指數,估算草地生物量,建立生物量的回歸模型。他們發現,植被指數同草地生物量有較好的相關關系,利用紅、綠波段構建的植被指數NGRDI具有最高的擬合精度(R2=0.856)以及預測精度(ABE=94 g/m2,RMSE=124 g/m2)。以上研究成果主要集中在利用SfM數據估測農作物生物量,由于挺水植物生長分布特性與農作物存在顯著差異,因此生物量分布更為復雜,并且由于研究區下墊面差異,挺水植物間主要為水體而非土壤,因此光譜特征受水體影響顯著,導致其反射率與陸生植物相比較低[13],因此本文利用無人機SfM數據生成多種植被指數,擴大挺水植物同周圍地物的差異,并結合垂直方向上的高度信息,反演估測濕地挺水植物的生物量,為挺水植物生長參量反演提供新的思路。

1 研究區與研究方法

1.1 研究區概況

研究區位于北京市房山新城濱河森林公園,地理位置116°11′24″E—116°11′30″E,39°44′26″N—39°44′33″N,平均高程為40 m,屬半濕潤半干旱北溫帶大陸性氣候,降雨集中在6—9月[14]。研究區屬于人工濕地,北側為黃良鐵路,東側分布有采摘園,樹種為桃樹,西側為公園游覽區。研究區分布水系為大清河水系北支中上游的小清河[15]。區內水生植物類型主要包括挺水植物,以蘆葦(Phragmitesaustralis)為主,占70%左右,其次為香蒲(Typhaorientalis)、慈菇(Sagittariasagittifolia)、水蔥(Scirpusvalidus)、茭白(Zizanialatifolia),蘆葦生境為河岸多水區域,大量分布于河道兩側；香蒲生境為潮濕多水處,主要分布于研究區北部河道濱水處及沿岸淺水中；慈菇生境為水肥充足的溝渠及淺水,主要分布于研究區東南側,與蘆葦共生；水蔥生境為淺水區域,主要分布于研究區南部水體；茭白生境為土壤肥沃的粘壤土,主要分布于研究區西側沿岸。浮水植物相對單一,主要為水綿(Glyptostrobuspensilis),分布于研究區北部相對靜止的水體沿岸,如圖1。研究區中挺水植物的生長期為6—9月份[16]。

圖1 研究區位置及采樣點分布圖Fig.1 Location of study area and sample plots

1.2 數據獲取

1.2.1無人機影像數據獲取

研究使用無人機影像作為數據源,拍攝時間為2015年6月1日11時25分,此時太陽高度角達到最大值,可避免地物陰影對影像質量造成不利影響,并且當日氣象條件利于無人機影像獲取,可確保挺水植物高度不受風力影響發生變化。設定作業航高50m,航速5m/s,航向重疊度60%,旁向重疊度80%,以保證各景影像為多視影像且地物成像清晰。共獲取RGB航攝影像101景,有效影像98景,在設定航高下影像空間分辨率為0.011m。

1.2.2地面實測數據獲取

地面實測數據采集于影像獲取后進行,根據研究區中植被空間分布特征布設60個1m×1m 的采樣點,記錄采樣點編號、中心GPS坐標,挺水植物優勢種名稱、株數、冠層高度(Hcanopy)、生物量。挺水植物冠層高度測量采用繩測法,記錄為采樣點范圍內所有挺水植物高度的均值(單位：m)；利用收獲法采集挺水植物生物量(單位：kg/m2),將采集的挺水植物置入塑料袋中密封,于實驗室烤箱中85℃烘干至恒重,生成野外實測數據統計表,如表1所示。

表1 野外實測數據統計表

利用變異系數(Coefficient Variation,CV)比較不同量綱變量間的變異程度,如公式1所示。

(1)

式中,SD為野外實測數據的標準偏差,MN為野外實測數據的平均值。

由上表數據可知,生物量的空間變異程度大于冠層高度(CV=25.55%>19.32%)。冠層高度均值為2.48 m,生物量平均值為2.64 kg/m2,符合挺水植物生長季特征[17]。將研究區中的樣本點按照挺水植物種類及分布進行分組,采取分層抽樣法,最終選取48個樣本點數據用于擬合生物量模型,其余12個樣本點數據用于模型預測精度的檢驗。

1.3 方法及流程

1.3.1技術流程

技術流程見圖2,分為SfM數據處理、采樣點數據處理、挺水植物分布提取、模型擬合及精度評價、生物量估算及分布反演五個部分。

圖2 技術流程圖Fig.2 Technique flowcharts

1.3.2無人機SfM數據生成

利用SfM算法處理無人機影像,對研究區進行重建[18-19]。首先通過研究區中分布的12個控制點,對影像數據集進行自動空中三角測量,生成SfM稀疏點云數據,并鑲嵌影像；然后利用生成的深度信息改正研究區地形起伏誤差,對鑲嵌影像進行正射糾正[20]并加密SfM稀疏點云生成稠密點云數據。SfM稠密點云數據同ALS(Airborne Laser Scanning)點云數據相似,可用于提取挺水植物冠層結構信息,將其與2016年1月30日獲取的落葉期點云數據作差值運算以去除地形信息。對重建數據利用研究區精確地形圖幾何校正,采用多項式模型進一步修正由像點錯誤匹配、飛行姿態微小變化以及飛控誤差引入的影像畸變[21],應用最鄰近像元法對影像重采樣,使誤差控制在1個像元內,滿足研究精度。最后,利用研究區矢量邊界裁剪幾何校正后的正射影像及稠密點云數據。

利用研究區重建結果計算植被指數及SfM點云變量。植被指數基于正射影像的可見光波段計算生成,如表2。

表2 植被指數定義

R為紅光波段,G為綠光波段,B為藍光波段

文中選取的植被指數為在植被覆蓋度研究中廣泛應用的綠度指數,能夠顯著增強挺水植物特征[29]。其中COM為三種植被指數聯合計算的混合植被指數,由于ExG同ExGR的構成形式相近,因此只選擇其中一種參與后續分析運算。

利用稠密點云數據計算SfM點云變量,包括采樣點處的平均高程(Hmean),高程標準差(Hstd)以及高程變異系數(Hcv),如公式2—4。

(2)

(3)

Hcv=Hstd/Hmean

(4)

式中,hi為采樣點范圍內第i個稠密點云的高程值,N為采樣點范圍內稠密點云的數量。

Hmean直接反映了挺水植物冠層的垂直分布信息；Hstd以及Hcv反映出冠層結構的復雜程度及異質性[30]。為同野外采樣點對應,以采樣點GPS坐標為中心,生成1 m×1 m的矩形矢量緩沖區,利用Arcmap軟件Spatial Analyst Tools模塊中的區域統計工具(Zonal Statistics)對點云數據統計處理,分別計算緩沖區域內的Hmean、Hstd及Hcv。利用B樣條插值擬合算法處理稠密點云數據,生成研究區DSM模型,DSM模型中包含了挺水植物高度信息,由于研究區地形平坦,利用DSM模型生成坡度數據(Slope),作為輔助數據提取挺水植物。

圖3 挺水植物分布圖Fig.3 The distribution of emergent plants

1.3.3濕地挺水植物分布提取

濕地挺水植物分布提取利用面向對象分類法,基于稠密點云數據、坡度數據、植被指數,建立決策樹規則分類提取。首先對研究區地物的高度閾值進行判斷,利用稠密點云區分高度差異明顯的樹木與低矮地物,通過Otsu閾值分割算法,將點云高度數據重分類為兩類,樹木及低矮地物,確定高度閾值為4.56m。利用坡度數據增強低矮地物中裸地、水體同挺水植物的差異,利用迭代閾值分割法整體提取研究區中的挺水植物,確定坡度閾值為45.4°。為對挺水植物進行種間區分,利用CART決策樹建立植被指數多重分類規則,植被指數值VEG>1.26and CIVE<-17.73區分蘆葦及香蒲,52.37

1.3.4模型建立及精度評價

利用單一植物生長參量作為自變量,采用回歸擬合方法獲得生物量估算模型,由于模型簡單,執行效率高而被廣泛應用[31]。SfM數據中的植被指數及點云變量反映了挺水植物的生長參量信息,并且生物量與冠層高度呈正比關系[32],因此建立生物量的SLR(Simple Linear Regression Model)模型[33]。同時,結合植被指數以及SfM點云變量(Hmean、Hstd及Hcv),建立生物量的SWL模型,選擇全局擇優法,通過修正決定系數(adjustedR2)及貝葉斯判據(BIC)對所有變量組合模型進行評價,篩選具有最大adjustedR2及最小BIC的變量組合,并進行顯著性檢驗,P≤0.001代表模型極顯著；0.001≤P≤0.01代表模型非常顯著；0.01≤P≤0.05代表模型顯著；P≥0.05代表模型不顯著。

采用留一法交叉驗證(LOOCV)評價模型生物量的預測精度[34]。選擇決定系數(R2)、均方根誤差(RMSE)以及相對均方根誤差(rRMSE)三種指標進行定量評價,如公式5—6。其中RMSE受變量量綱影響,而rRMSE則是一個去量綱的評價指標,因此能夠用于比較不同的回歸模型,rRMSE值較小的模型具有更高的預測精度。

(5)

(6)

2 結果及討論

2.1 無人機SfM數據分析

與野外實測樣點對應,對60個采樣點位置處的SfM數據生成統計表,并進行對比分析,如表3。

表3 采樣點處SfM數據統計表

由表中數據所示,采樣點處SfM點云變量的CV值大于植被指數變量,其中HstdCV值最高(CV=67.35%),其次是Hcv(CV=63.47%)。SfM點云變量CV值較高反映了采樣點處挺水植物冠層結構的復雜性。Hmean的CV值(CV=26%)高于Hcanopy(CV=19.32%),原因是Hcanopy記錄為采樣點范圍內所有挺水植物高度的均值,而Hmean對采樣點范圍內的點云高程分量進行平均,相對于Hcanopy樣本點更多,高程變異更為復雜,因此CV值更高。植被指數中,CIVE具有最高的CV值(CV=-39.34%),VEG的CV值最低(CV=4.42%)。標準差(standard deviation,STD)最高值出現在ExG中(STD=12.49),其次是COM(STD=11.79),最小值出現在GLA以及NGRDI中,并且值相等(STD=0.02),標準差值較高的植被指數表明其地物像元光譜變異較大,地物間反差更為明顯,反之地物像元的光譜變異較小,地物間反差較低。

2.2 挺水植物生物量反演

在進行生物量反演前,將野外實測Hcanopy、生物量數據同無人機植被指數、SfM點云變量進行相關分析,經正態分布檢驗,數據服從正態分布,故采用Pearson相關系數,如圖4所示。

圖4 SfM數據-野外實測數據相關分析結果Fig.4 Comparison of SfM data with field measurements

由上圖數據可知,SfM點云變量中Hmean、Hstd及Hcv同野外實測Hcanopy具有較高的相關性,其中Hmean的相關系數值最高(R=0.89),其次為Hcv(R=0.63)。植被指數同Hcanopy相關性較低,相關系數最高值出現在ExGR中(R=0.43)。植被指數同生物量表現出中等相關性,在所有變量中,Hmean與生物量的相關性最強(R=0.84),其次是NGRDI(R=0.65)以及Hcv(R=0.63)。植被指數與SfM點云變量存在部分高度互相關,例如植被指數變量中VEG同GLA的相關性最高(R=0.99),SfM點云變量中Hstd同Hcv相關性最高(R=0.88)。植被指數變量間存在高度互相關的原因為研究使用的影像傳感器只包括R、G、B三個波段,在植被指數計算時,各植被指數的運算形式存在一定程度的近似性,從而導致了高度相關[36]。

2.2.1SLR模型生物量反演

引入SLR模型的自變量應遵循與生物量具有密切相關關系的原則[37],由上節討論可得,在SfM數據與生物量的相關性分析中,Hmean與生物量的相關性最強(R=0.84),因此以生物量為因變量,SfM點云變量中的Hmean作為自變量構建SLR模型。

由表4可知,對于SLR模型,決定系數為0.71,即模型能夠解釋71%的生物量變化,平均誤差為0.18,均方根誤差為0.25,相對均方根誤差為8.7%。對于本文研究區,空間范圍較小,生物量變化復雜,構建的SLR模型精度不足以解釋研究區生物量分布特征,并且由于數學算法本身原因,單一自變量模型在研究區植被覆蓋不均勻區域會存在較大的反演誤差。SWL模型與SLR模型相比利用多個自變量的最優組合對因變量進行預測估計,因此更符合挺水植物生物量估測中的實際情況。

2.2.2SWL模型生物量反演

逐步線性回歸模型以生物量為因變量,利用全局擇優法,對SfM數據進行自變量篩選,選擇具有高adjustedR2以及低BIC值的變量組合作為自變量引入逐步線性回歸模型。如圖5所示。NGRDI、ExGR、Hmean被逐步線性回歸模型選中的頻次最高,GLA和COM被模型選擇的頻次最低。為避免多重共線性對模型造成不利影響,剔除同其他植被指數具有高相關性,并且在模型中顯著性較低的植被指數VEG和CIVE,最終選擇NGRDI、ExGR、Hmean、Hstd、Hcv作為自變量引入逐步線性回歸模型。NGRDI采用NDVI(歸一化差分植被指數)的構造形式,利用挺水植物在綠光波段的綠峰與紅光波段的紅谷反射率差異較大的特性,歸一化處理擴大挺水植物同周圍地物的差異；ExGR綜合利用了挺水植物在可見光波段的光譜特性,將RGB波段灰度影像作差值運算,線性增強研究區挺水植物；在Hmean、Hstd及Hcv數據中,挺水植物點云在垂直方向上的分布特性存在差異,并且同生物量的相關性較強,因此SfM點云變量作為模型自變量使模型物理意義更加明確。并且被選擇的5個自變量相比其他變量在逐步線性回歸模型中顯著性較高,其中ExGR和Hmean更為顯著(P<0.001),如表5所示。

圖5 全局擇優法變量篩選圖Fig.5 Variable selection of the global optimal method

由表4可知,對于兩種預測模型,顯著性水平皆小于0.01,為非常顯著,能夠較好地描述無人機SfM數據同挺水植物生物量的定量關系。并且SWL模型的決定系數(R2=0.86)大于SLR模型；平均誤差(ME=0.11kg/m2)小于SLR模型；均方根誤差(RMSE=0.15kg/m2)小于SLR模型；相對均方根誤差(rRMSE=6.1%) 小于SLR模型,表明針對挺水植物生物量,SWL模型的魯棒性要高于SLR模型,更適用于表達SfM數據同挺水植物生物量的定量關系。

表4 模型精度檢驗表

**P<0.01

2.3 預測精度驗證及空間分布制圖

根據求得的最優模型對研究區挺水植物生物量進行反演,結合12個野外實測采樣數據對反演模型預測精度進行檢驗。一元線性回歸模型在生物量高值及低值處存在過估計現象,并且數據點較為離散；逐步線性回歸模型在高值及低值處同樣存在一定程度的過估計,然而同一元線性回歸模型相比距1∶1等值線更為接近,且數據點分布更為集中,同實測數據擬合度更強,如圖6所示。

表5 逐步回歸模型系數

圖6 實測生物量與預測結果對比Fig.6 Comparisons between predicted and actual Biomass

利用單因素方差分析(P<0.05)對兩種模型進行評價,判斷不同預測模型對生物量估測結果影響是否顯著。如圖7所示,一元線性回歸模型生物量預測值均值為2.41 kg/m2,標準差為0.4 kg/m2；逐步線性回歸模型生物量預測值均值為2.64 kg/m2,標準差為0.43 kg/m2,預測值均值及標準差一元線性回歸模型均低于逐步線性回歸模型。兩種模型沉箱圖上方字母不同,代表兩種預測模型間存在組間差異,表明采用不同的預測模型,挺水植物生物量反演結果存在差異。

圖7 模型顯著性差異Fig.7 The statistical significance between two models

由上述分析可得,逐步線性回歸模型對挺水植物生物量的預測能力優于一元線性回歸模型,因此利用其對研究區挺水植物生物量進行空間分布制圖。

圖8 挺水植物生物量空間分布圖Fig.8 Biomass spatial distribution of emergent plants

生物量的空間分布如圖8所示,最小值為1.58 kg/m2,最大值為4.21 kg/m2,結合挺水植物類型分布圖,對不同挺水植物分布區域內的生物量估測數據進行統計分析,判斷挺水植物類型對生物量分布的影響,如表6所示。

表6 不同挺水植物生物量(平均值±標準差)

相同小寫字母表明不同挺水植物類型對生物量影響不顯著；*表示p<0.01

由上表結果可得,對于蘆葦和香蒲,其生物量分布差異不顯著。慈菇、茭白、水蔥的生物量分布因植被類型不同存在差異,且慈菇更為顯著(P<0.05),因此可以得出研究區挺水植物生物量分布受挺水植物種類影響,且其分布規律與挺水植物分布具有相似的特征。研究區東部蘆葦生長茂密區域生物量預測值較高,該區域為水陸交界地帶,蘆葦為該區域的優勢種,且植株高度多在2 m以上。研究區西部主要為陸地部分,為慈菇、蘆葦的適宜生境,兩種挺水植物為優勢種,由于陸地土壤含水量與水陸交界帶相比較低,因此植株高度較低,在1.6 m以下,生物量預測值也較低。研究區中部河道為香蒲適宜生境,該區域香蒲為優勢種,生物量預測出現高值。研究區南部分布有大量水體,挺水植物種類較為多樣,分布有水蔥、蘆葦、慈菇,水蔥為該區域優勢種,該區域生物量值較低。研究區北部挺水植物以蘆葦為優勢種,并分布有慈菇、香蒲,生物量的預測值較低。

2.4 討論

以往挺水植物生物量反演中僅利用到遙感影像的二維平面信息,較少結合挺水植物的三維空間信息。本文利用無人機影像作為數據源,充分發揮其高空間分辨率的優勢,高度方向的點云數據結合植被指數擴大了挺水植物間的差異,從而對研究區挺水植物進行種間分類。全局擇優法求解出所有可能的回歸模型組合,避免建模自變量的主觀選擇,增強模型的客觀性。Hmean在逐步線性回歸模型中的顯著性為極顯著(P<0.001),表明點云變量對生物量有較強的解釋能力。植被指數同生物量表現出中等相關性,并且在模型中顯著,表明基于R、G、B波段的植被指數對生物量有較強的解釋能力。通過將不同類型的點云變量引入模型,提高了挺水植物生物量的反演精度,同Aasen等的研究結論一致[38]。

研究區邊緣的SfM點云高程值存在誤差,在影像數據處理過程中,研究區中部影像數目較多,因此影像重疊區域較大,能夠保證較高的重建精度；在研究區邊緣區域,由于影像數目較少,影像重疊區域較小,在影像拼接過程中缺少足夠數目的多視影像,造成邊緣區域的重建精度降低,從而對生物量反演精度造成影響。因此在獲取研究區數據時,擴大任務范圍是十分必要的,能夠保證在研究區邊緣位置取得同樣高的重建精度。采用挺水植物收割后的枯萎期點云數據作為地形點云的近似,然而其并非真正意義上的地形數據,挺水植物未完全收割的區域,地面高程值與真值存在差異,導致獲取的挺水植物高度存在誤差,對反演結果造成一定影響,因此采用高精度DEM地形數據能夠消除挺水植物的高度誤差,進一步提高生物量的反演精度。

3 結論

本文利用無人機平臺獲取了上百張研究區高空間分辨率影像,生成無人機SfM數據(植被指數及點云變量),并建立了野外實測挺水植物生物量同SfM數據的定量關系,結論如下：

同野外實測生物量作對比,SfM數據反演結果的平均誤差達到0.11 kg/m2。由NGRDI、ExGR、Hmean、Hstd及Hcv5個參數擬合的逐步線性回歸模型具有較好的精度和預測能力,能夠較好地用于估算濕地挺水植物生物量。其模型顯著性為顯著(P<0.01),模型決定系數為0.86,均方根誤差為0.15 kg/m2。

植被指數同生物量表現出中等相關性,點云變量同生物量表現出高相關性,增強了對生物量的響應,并削弱環境背景產生的影響,同時表明點云變量同植被指數相比,與挺水植物生長參量相關性更強,更適宜反映其生長狀況信息。點云變量中的Hmean被全局擇優法選中的頻次高于其他變量,并且在逐步線性回歸模型中顯著性為極顯著,因此Hmean在回歸模型中具有很大的貢獻度,全局擇優法在候選變量較多的自變量選擇中,能夠大大減少人為篩選的工作量,從而提高模型建立的效率。

綜上所述,利用SfM數據中的光譜與點云變量構建模型,能夠滿足挺水植物生物量的預測精度。此外,無人機的飛行參數,如航高、視場、影像分辨率改變及影像重疊等因素皆可能對生物量的反演預測精度造成影響,應加以考慮。

[1] 趙天舸, 于瑞宏, 張志磊, 白雪松, 曾慶奧. 濕地植被地上生物量遙感估算方法研究進展. 生態學雜志, 2016, 35(7): 1936- 1946.

[2] 徐婷, 曹林, 申鑫, 余光輝. 基于機載激光雷達與Landsat 8 OLI數據的亞熱帶森林生物量估算. 植物生態學報, 2015, 39(4): 309- 321.

[3] Minh D H T, Toan T L, Rocca F, Tebaldini S, Villard L, Réjou-Méchain M, Phillips O L, Feldpausch T R, Dubois-Fernandez P, Scipal K, Chave J. SAR tomography for the retrieval of forest biomass and height: Cross-validation at two tropical forest sites in French Guiana. Remote Sensing of Environment, 2016, 175: 138- 147.

[4] Palmer I E, Gehl R J, Ranney T G, Touchell D, George N. Biomass yield, nitrogen response, and nutrient uptake of perennial bioenergy grasses in North Carolina. Biomass & Bioenergy, 2014, 63(7): 218- 228.

[5] 李巍, 王傳寬, 張全智. 林木分化對興安落葉松異速生長方程和生物量分配的影響. 生態學報, 2015, 35(6):1679-1687.

[6] Chen S Q, Chu Z S. Purification efficiency of nitrogen and phosphorus inOtteliaacuminataon four kinds of simulated sewage. Ecological Engineering, 2016, 93: 159- 165.

[7] 陳勤, 沈羽, 方炎明, 嚴靖, 李萍萍, 張開梅. 紫湖溪流域重金屬污染風險與植物富集特征. 農業工程學報, 2014, 30(14): 198- 205.

[8] Gupta A D, Sarkar S, Ghosh P, Saha T, Sil A K. Phosphorous dynamics of the aquatic system constitutes an important axis for waste water purification in natural treatment pond(s) in East Kolkata Wetlands. Ecological Engineering, 2016, 90: 63- 67.

[9] Bendig J, Yu K, Aasen H, Bolten A, Bennertz S, Broscheit J, Gnyp M L, Bareth G. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. International Journal of Applied Earth Observation and Geoinformation, 2015, 39: 79- 87.

[10] 汪沛, 羅錫文, 周志艷, 臧英, 胡煉. 基于微小型無人機的遙感信息獲取關鍵技術綜述. 農業工程學報, 2014, 30(18): 1- 12.

[11] Li W, Niu Z, Chen H Y, Li D, Wu M Q, Zhao W. Remote estimation of canopy height and aboveground biomass of maize using high-resolution stereo images from a low-cost unmanned aerial vehicle system. Ecological Indicators, 2016, 67: 637- 648.

[12] 張正健, 李愛農, 邊金虎, 趙偉, 南希, 靳華安, 譚劍波, 雷光斌, 夏浩銘, 楊勇帥, 孫明江. 基于無人機影像可見光植被指數的若爾蓋草地地上生物量估算研究. 遙感技術與應用, 2016, 31(1): 51- 62.

[13] 阿多, 趙文吉, 宮兆寧, 張敏, 范云豹. 1981- 2013華北平原氣候時空變化及其對植被覆蓋度的影響. 生態學報, 2017, 37(2):576-592．

[14] 林川, 宮兆寧, 趙文吉, 樊磊. 基于光譜特征變量的濕地典型植物生態類型識別方法——以北京野鴨湖濕地為例. 生態學報, 2013, 33(4): 1172- 1185.

[15] 顧群, 李志華, 岳政新. 小清河分洪區內設置安全區的必要性和可行性分析. 海河水利, 2006, (5): 30- 33.

[16] 甄姿, 宮兆寧, 趙文吉. 官廳水庫庫區水生植物演變格局時空變化特征分析. 農業環境科學學報, 2012, 31(8): 1586- 1595.

[17] 余居華, 鐘繼承, 范成新, 黃蔚, 商景閣, 古小治. 湖泊基質客土改良的環境效應: 對蘆葦生長及光合熒光特性的影響. 環境科學, 2015, 36(12): 4444- 4454.

[18] Hartley R I. Estimation of relative camera positions for uncalibrated cameras // European Conference on Computer Vision. London, UK: Springer-Verlag, 1992: 579- 587.

[19] Xu Z, Wu L, Gerke M, Wang R, Yang H. Skeletal camera network embedded structure-from-motion for 3D scene reconstruction from UAV images. Isprs Journal of Photogrammetry and Remote Sensing, 2016, 121:113- 127.

[20] Zhu F, Xiao H, Wei Y N. Summary of UAV remote sensing image mosaicking technology. Computer Engineering and Applications, 2014, 50(15): 38- 41.

[21] 何敬, 李永樹, 魯恒, 張帥毅. 無人機影像地圖制作實驗研究. 國土資源遙感, 2011, 23(4): 74- 77.

[22] Gitelson A A, Kaufman Y J, Stark R, Rundquist D. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 2002, 80(1): 76- 87.

[23] 井然, 鄧磊, 趙文吉, 宮兆寧. 基于可見光植被指數的面向對象濕地水生植被提取方法. 應用生態學報, 2016, 27(5): 1427- 1436.

[24] 伍艷蓮, 趙力, 姜海燕, 郭小清, 黃芬. 基于改進均值漂移算法的綠色作物圖像分割方法. 農業工程學報, 2014, 30(24): 161- 167.

[25] Hague T, Tillett N D, Wheeler H. Automated crop and weed monitoring in widely spaced cereals. Precision Agriculture, 2006, 7(1): 21- 32.

[26] 孫國祥, 汪小旵, 閆婷婷, 李雪, 陳滿, 施印炎, 陳景波. 基于機器視覺的植物群體生長參數反演方法. 農業工程學報, 2014, 30(20): 187- 195.

[27] Woebbecke D M, Meyer G E, Von Bargen K, Mortensen D A. Color indices for weed identification under various soil, residue, and lighting conditions. Transactions of the ASAE, 1995, 38(1): 259- 269.

[28] Guijarro M, Pajares G, Riomoros I, Herrera P J, Burgos-Artizzu X P, Ribeiro A. Automatic segmentation of relevant textures in agricultural images. Computers and Electronics in Agriculture, 2011, 75(1): 75- 83.

[29] Louhaichi M, Borman M M, Johnson D E. Spatially located platform and aerial photography for documentation of grazing impacts on wheat. Geocarto International, 2001, 16(1): 65- 70.

[30] Torres-Sánchez J, Pea J M, De Castro A I, López-Granados F. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV. Computers and Electronics in Agriculture, 2014, 103(2): 104- 113.

[31] Li W, Niu Z, Gao S, Huang N, Chen H Y. Correlating the horizontal and vertical distribution of lidar point clouds with components of biomass in aPiceacrassifoliaforest. Forests, 2014, 5(8): 1910- 1930.

[32] 范云豹, 趙文吉, 宮兆寧, 阿多. 基于高光譜信息的蘆葦和香蒲地上干生物量反演方法研究. 濕地科學, 2016, 14(5): 654- 664.

[33] Pottier J, Jabot F. Non-destructive biomass estimation of herbaceous plant individuals: A transferable method between contrasted environments. Ecological Indicators, 2017, 72:769- 776.

[34] Jannoura R, Brinkmann K, Uteau D, Bruns C, Joergensen R G. Monitoring of crop biomass using true colour aerial photographs taken from a remote controlled hexacopter. Biosystems Engineering, 2015, 129: 341- 351.

[35] Ramoelo A, Cho M A, Mathieu R, Madonsela S, Van De Kerchove R, Kaszta Z, Wolff E. Monitoring grass nutrients and biomass as indicators of rangeland quality and quantity using random forest modelling and WorldView- 2 data. International Journal of Applied Earth Observation and Geoinformation, 2015, 43: 43- 54.

[36] 高明亮, 宮兆寧, 趙文吉, 高陽, 胡東. 基于植被指數的北京軍都山荊條灌叢生物量反演研究. 生態學報, 2014, 34(5): 1178- 1188.

[37] Chianucci F, Disperati L, Guzzi D, Bianchini D, Nardino V, Lastri C, Rindinella A, Corona P. Estimation of canopy attributes in beech forests using true colour digital images from a small fixed-wing UAV. International Journal of Applied Earth Observation and Geoinformation, 2016, 47: 60- 68.

[38] Aasen H, Burkart A, Bolten A, Bareth G. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance. Isprs Journal of Photogrammetry and Remote Sensing, 2015, 108: 245- 259.

EstimatingbiomassofemergentaquaticplantsbasedonUAVSfMdata

JING Ran1,2,3, GONG Zhaoning1,2,3,*, ZHAO Wenji1,2,3, DENG Lei1,2,3, A Duo1,2,3, SUN Weidong1,2,3

1CollegeofResourcesEnvironment&Tourism,CapitalNormalUniversity,Beijing100048,China2KeyLaboratoryof3DInformationAcquisitionandApplicationofMinistry,Beijing100048,China3KeyLaboratoryofResourcesEnvironmentandGISofBeijingMunicipal,Beijing100048,China

Biomass is an important ecological parameter that is used to evaluate the growth condition of emergent plants in wetlands during ecosystem health assessments. This study used SfM (Structure from Motion) data generated from UAV images and field measurements of emergent plant biomass to establish a quantitative relationship between the SfM data and biomass, which was then used to map biomass in the study area. The influence of emergent plant types on the spatial distribution of biomass was analyzed. Our results show that a Stepwise Linear regression (SWL) model based on the SfM data had the best forecasting accuracy and ability (P<0.01), with a coefficient of determination (R2) of 0.86 and an rRMSE of 6.1%. Emergent plant types had a significant influence (P<0.05) on the spatial distribution of biomass in the study area. The results of this study provide a new quantitative method for retrieving growth parameters for emergent aquatic plants.

emergent plants; biomass; UAV data; SfM data; regression analysis

國家國際科技合作專項資助(2014DFA21620)

2016- 09- 22; < class="emphasis_bold">網絡出版日期

日期:2017- 07- 12

*通訊作者Corresponding author.E-mail: gongzhn@163.com

10.5846/stxb201609221908

井然,宮兆寧,趙文吉,鄧磊,阿多,孫偉東.基于無人機SfM數據的挺水植物生物量反演.生態學報,2017,37(22):7698- 7709.

Jing R, Gong Z N, Zhao W J, Deng L, A Duo, Sun W D.Estimating biomass of emergent aquatic plants based on UAV SfM data.Acta Ecologica Sinica,2017,37(22):7698- 7709.