基于无人机激光雷达的额济纳绿洲植被覆盖度监测及变化分析

doi:10.7522/j.issn.1000-694X.2024.00080

摘要/Abstract

摘要：

植被覆盖度是表征植被生长状况和生态系统变化的重要参数。为科学评估黑河生态输水工程的恢复成效，以额济纳绿洲胡杨林为研究对象，应用无人机挂载激光雷达系统同时获取超高分辨率（GSD<0.7 cm）可见光照片和超高密度激光雷达点云（3 000点·m^-2），计算样地植被覆盖度，并与目视解译结果交互验证，据此建立植被覆盖度与植被指数的关系，以反演1986—2023年额济纳绿洲植被覆盖度变化。结果表明：（1）利用雷达点云数据计算的植被覆盖度与目视解译结果较为一致，R²=0.89，RMSE为0.07。相较于遥感的像元二分法，R²增加了0.36，RMSE降低了0.03，说明利用雷达点云可以准确地计算样地植被覆盖度；（2）研究区样地尺度植被覆盖度为0.11~0.60，平均值为0.34；基于激光雷达点云建立的植被覆盖度（y）与改进型土壤调节植被指数（x）最优模型为：y=2.53x-0.07 （R²=0.68，RMSE=0.12）；（3）据此模型反演的1986—2000年额济纳绿洲植被覆盖度呈波动趋势，2001—2012年呈上升趋势，年增长率为0.31%，2013—2023年上升略有减缓，年增长率为0.19%。Theil-Sen Median趋势分析和M-K检验显示，生态输水工程实施后，植被覆盖由退化趋势逆转为改善趋势，表明黑河生态输水工程成效显著。

关键词: 遥感, 无人机激光雷达, 植被覆盖度, 额济纳绿洲, 生态输水

Abstract:

Vegetation coverage is the proportion of the vertical projected area of vegetation on the ground to the total area of a given statistical area， and it is an important parameter for characterizing vegetation growth and ecosystem changes. To scientifically evaluate the restoration effectiveness of the Heihe ecological water transfer project， this paper takes the Ejin Oasis Populus euphratica forest as the research object and uses a UAV-LiDAR system to simultaneously obtain ultra-high resolution （GSD<0.7 cm） visible light photos and ultra-high density LiDAR point clouds （3 000 points·m^-2） to calculate and investigate the vegetation coverage of the sample land. The relationship between vegetation coverage and the remote sensing vegetation index was established to infer the change of vegetation coverage in the Ejin Oasis from 1986 to 2023. The results showed the following：（1） The vegetation coverage calculated by LiDAR point cloud data was consistent with the visual interpretation results （R2=0.89， RMSE=0.07）. Compared with the pixel dichotomy method of remote sensing， R2 increased by 0.36 and RMSE decreased by 0.03， indicating that the LiDAR point cloud can accurately calculate the vegetation coverage of the plot. （2） The FVC of the study area varied from 0.11 to 0.60， with an average of 0.34. The optimal model of vegetation coverage （y）and improved soil-regulated Vegetation Index （x） based on LiDAR point cloud was： y=2.53x-0.07 （R2=0.68， RMSE=0.12）. （3） According to the model inversion， the vegetation coverage of Ejin Oasis fluctuated during 1986-2000 and increased during 2001-2012， with an annual growth rate of 0.31%. The increase slowed down slightly during 2013-2023， with an annual growth rate of 0.19%. Theil-Sen median and M-K test trend analysis showed that after the implementation of the ecological water transport project， vegetation cover reversed from a degradation trend to an improvement trend， indicating that the Heihe ecological water transport project has achieved remarkable results.

Key words: remote sensing, UAV-LiDAR, fractional vegetation cover, Ejin Oasis, ecological water transport

中图分类号:

张浪, 党国锋, 鱼腾飞, 韩拓, 殷一丹, 陈勇. 基于无人机激光雷达的额济纳绿洲植被覆盖度监测及变化分析[J]. 中国沙漠, 2024, 44(5): 170-181.

Lang Zhang, Guofeng Dang, Tengfei Yu, Tuo Han, Yidan Yin, Yong Chen. Monitoring and change analysis of vegetation coverage in Ejin Oasis based on UAV-LiDAR[J]. Journal of Desert Research, 2024, 44(5): 170-181.

图/表 8

图1 研究区位置（A）、荒漠化类型（B）、土地利用与监测样地分布（C）注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2019）1822号）制作，底图边界无修改

Fig.1 The location （A）， the type of desertification （B） of the study area and the distribution of land use and survey sites （C）

图2 研究技术流程（A）及利用不同方法FVC提取示例（B）

Fig.2 Study the technical process （A） and examples of vegetation coverage extraction by different methods （B）

表1 Landsat卫星数据源基本信息

Table 1 Basic information of Landsat satellite data sources

年份	数据集	卫星	使用波段
1986—1998	LANDSAT/LT05/C02/T1_L2	Landsat 5/TM	SR_B (1, 2, 3, 4, 5, 7)
1999—2012	LANDSAT/LE07/C02/T1_L2	Landsat 7/ETM+	SR_B (1, 2, 3, 4, 5, 7)
2012—2023	LANDSAT/LC08/C02/T1_L2	Landsat 8/OLI/TIRS	SR_B (2, 3, 4, 5, 6, 7)

图3 利用不同方法提取的样地FVC变化（A）及相关关系（B）

Fig.3 FVC changes （A） and correlation （B） in different plots extracted by different methods

图4 基于LiDAR点云计算的FVC与植被指数关系

Fig.4 Relationship model between FVC and vegetation index based on LiDAR point cloud computing

图5 基于LiDAR和MSAVI的1986—2023年额济纳绿洲FVC空间分布（A）及年际变化（B）注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2019）1822号）制作，底图边界无修改

Fig.5 Spatial distribution （A） and interannual variation （B） of FVC in Ejin Oasis from 1986 to 2023 based on LiDAR and MSAVI

图6 额济纳绿洲1986、2000、2023年均FVC空间格局注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2019）1822号）制作，底图边界无修改

Fig.6 Annual FVC spatial pattern of Ejin Oasis in 1986， 2000， and 2023

图7 额济纳绿洲1986—2000、2000—2023、1986—2023年植被变化注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2019）1822号）制作，底图边界无修改

Fig.7 Vegetation changes in Ejin Oasis in 1986-2000， 2000-2023， 1986-2023

参考文献 37

1	高思琦，董国涛，蒋晓辉，等.黄河源植被覆盖度变化及空间分布自然驱动力分析［J］.生态环境学报，2022，31（3）：429-439.
2	程兀杰，孟妮娜，蔡昕楠，等.陕西省NDVI时空变化及其对气候和人类活动的响应［J］.人民黄河，2023，45（4）：28-34.
3	Zhou Y Z， Li X， Yang K，et al.Assessing the impacts of an ecological water diversion project on water consumption through high-resolution estimations of actual evapotranspiration in the downstream regions of the Heihe River Basin，China［J］.Agricultural and Forest Meteorology，2018，249：210-227.
4	Evans F H， Shen J X.Long-term hindcasts of wheat yield in fields using remotely sensed phenology，climate data and machine learning［J］.Remote Sensing，2021，13（13）：2435.
5	Chen W， Wang Z， Zhang X P，et al.Improving fractional vegetation cover estimation with shadow effects using high dynamic range images［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2022，15：1701-1711.
6	Yan K， Gao S， Chi H J，et al.Evaluation of the vegetation-index-based dimidiate pixel model for fractional vegetation cover estimation［J］.IEEE Transactions on Geoscience and Remote Sensing，2021，60：1-14.
7	Dandois J P， Olano M， Ellis E C.Optimal altitude，overlap，and weather conditions for computer vision UAV estimates of forest structure［J］.Remote Sensing，2015，7（10）：13895-13920.
8	尹林江，李威，赵卫权，等.水稻多时相植被指数特征及覆盖度提取研究［J］.中国农业科技导报，2023，25（2）：83-98.
9	Wang N， Guo Y C， Wei X，et al.UAV-based remote sensing using visible and multispectral indices for the estimation of vegetation cover in an oasis of a desert［J］.Ecological Indicators，2022，141：109155.
10	Niu Y X， Han W T， Zhang H H，et al.Estimating fractional vegetation cover of maize under water stress from UAV multispectral imagery using machine learning algorithms［J］.Computers and Electronics in Agriculture，2021，189：106414.
11	Chen J J， Yi S H， Qin Y，et al.Improving estimates of fractional vegetation cover based on UAV in alpine grassland on the Qinghai-Tibetan Plateau［J］.International Journal of Remote Sensing，2016，37（8）：1922-1936.
12	Kellner J R， Armston J， Birrer M，et al.New opportunities for forest remote sensing through ultra-high-density drone lidar［J］.Surveys in Geophysics，2019，40：959-977.
13	Ma Q， Su Y J， Guo Q H.Comparison of canopy cover estimations from airborne LiDAR，aerial imagery，and satellite imagery［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2017，10（9）：4225-4236.
14	Wasser L， Chasmer L， Day R，et al.Quantifying land use effects on forested riparian buffer vegetation structure using LiDAR data［J］.Ecosphere，2015，6（1）：1-17.
15	王泽华，甘淑，吕杰，等.泥石流沟谷地形的机载激光雷达点云滤波算法对比［J］.兰州大学学报（自然科学版），2023，59（6）：770-777.
16	刘兵兵，魏建新，胡天宇，等.卫星遥感监测产品在中国森林生态系统的验证和不确定性分析：基于海量无人机激光雷达数据［J］.植物生态学报，2022，46（10）：1305-1316.
17	苏阳，祁元，王建华，等.基于LiDAR数据的额济纳绿洲胡杨（Populus euphratica）河岸林植被覆盖分类与植被结构参数提取［J］.中国沙漠，2017，37（4）：689-697.
18	张亦然，刘廷玺，童新，等.基于多源遥感和机器学习方法的科尔沁沙地植被覆盖度反演［J］.中国沙漠，2022，42（3）：187-195.
19	Riihimäki H， Luoto M， Heiskanen J.Estimating fractional cover of tundra vegetation at multiple scales using unmanned aerial systems and optical satellite data［J］.Remote Sensing of Environment，2019，224：119-132.
20	Wu S， Deng L， Zhai J，et al.Approach for monitoring spatiotemporal changes in fractional vegetation cover through unmanned aerial system-guided-satellite survey：a case study in mining area［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2023，16：5502-5513.
21	Yu T F， Feng Q， Si J H，et al.Responses of riparian forests to flood irrigation in the hyper-arid zone of NW China［J］.Science of the Total Environment，2019，648：1421-1430.
22	Zhao X Q， Guo Q H， Su Y J，et al.Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2016，117：79-91.
23	Wang X， Biederman J A， Knowles J F，et al.Satellite solar-induced chlorophyll fluorescence and near-infrared reflectance capture complementary aspects of dryland vegetation productivity dynamics［J］.Remote Sensing of Environment，2022，270：112858.
24	Huete A R.A soil-adjusted vegetation index （SAVI）［J］.Remote Sensing of Environment，1988，25（3）：295-309.
25	Liu N F， Treitz P.Modelling high arctic percent vegetation cover using field digital images and high resolution satellite data［J］.International Journal of Applied Earth Observation and Geoinformation，2016，52：445-456.
26	Alvarez-Vanhard E， Houet T， Mony C，et al.Can UAVs fill the gap between in situ surveys and satellites for habitat mapping？［J］.Remote Sensing of Environment，2020，243：111780.
27	刘洋.无人机LiDAR角度效应对估测森林结构参数的影响［D］.呼和浩特：内蒙古师范大学，2023.
28	陈成，杨栋淏，王建雄，等.滇西南植被覆盖度动态变化特征及其驱动力分析［J］.水土保持研究，2022，29（4）：198-206.
29	Chiesi M， Angeli L， Battista P，et al.Monitoring and analysis of crop irrigation dynamics in Central Italy through the use of MODIS NDVI data［J］.European Journal of Remote Sensing，2022，55（1）：23-36.
30	周红敏，张国东，王昶景，等.塞罕坝地区高空间分辨率叶面积指数时序估算与变化检测［J］.遥感学报，2021，25（4）：1000-1012.
31	赵晨光，程业森，李慧瑛，等.腾格里沙漠东北缘人工植被恢复区土地利用/覆被变化及其驱动因素分析［J］.干旱区资源与环境，2021，35（6）：131-138.
32	陈艳锋，杨美琳，陈军纪，等.基于植被指数极旱荒漠区生物量模型研究：以安西极旱荒漠保护区北片为例［J］.干旱区资源与环境，2015，29（10）：93-99.
33	Yan F， Wu B， Wang Y J.Estimating aboveground biomass in Mu Us Sandy Land using Landsat spectral derived vegetation indices over the past 30 years［J］.Journal of Arid Land，2013，5：521-530.
34	韩子言，蒙吉军，邹易，等.1982-2017年黑河流域植被指数动态及其对气候变化与生态建设工程的响应［J］.中国沙漠，2023，43（3）：96-106.
35	高冠龙，张小由，鱼腾飞，等.1987-2008年额济纳绿洲土地覆被变化及其驱动机制［J］.中国沙漠，2015，35（3）：821-829.
36	胡洁，姜成桢，杨勇，等.黑河中下游植被覆盖度变化遥感监测［J］.测绘通报，2021（10）：34-38.
37	王川，张勇勇，赵文智，等.黑河下游额济纳绿洲近二十年生态输水的生态水文恢复效应［J］.生态学杂志，2022，41（11）：2180-2187.

[1]	陈兵兵, 盖迎春, 宋忠航, 吴向楠, 艾宇, 杨映, 王生棠, 刘宇烁. 祁连山地区生态质量时空变化及驱动力[J]. 中国沙漠, 2024, 44(6): 258-267.
[2]	鲍莉莉, 李锦荣, 韩兆恩, 刘悦, 单浩东. 基于无人机多源数据的梭梭（ *Holoxylon ammodendron* ）地上生物量估算[J]. 中国沙漠, 2024, 44(5): 50-59.
[3]	花丛, 曹云, 王继康, 徐冉. 2000—2023年浑善达克沙地春季沙尘天气分布特征及其与植被盖度、风况的关系[J]. 中国沙漠, 2024, 44(4): 71-80.
[4]	张腾, 苗运法, 邹亚国, 张孜越, 冯国平. 极端干旱区苏干湖湿地植被分类与变化分析[J]. 中国沙漠, 2024, 44(4): 81-90.
[5]	沈爱红, 佘洁, 石云, 吴涛, 梁咏亮, 董军, 马益婷. 2001—2020年贺兰山东麓荒漠草原植被覆盖度演变[J]. 中国沙漠, 2024, 44(3): 308-320.
[6]	易小雅, 张德全, 刘勇, 旭日干, 谢胜波. 2000—2020年内蒙古杭锦旗植被变化特征及其对气候要素的响应[J]. 中国沙漠, 2024, 44(3): 51-62.
[7]	燕宇, 左合君, 闫敏, 席成, 董佳奇, 牛丽梅. 1986—2020年库布齐沙漠湖泊数量和面积[J]. 中国沙漠, 2024, 44(2): 151-161.
[8]	苏万峰, 汉光昭, 叶得力, 曹广超. 共和盆地生态环境遥感评价及驱动力分析[J]. 中国沙漠, 2023, 43(5): 74-84.
[9]	王永鹏, 阿里木江, 周龙, 杨鹏年, 冯思阳, 王延文. 塔里木河下游生态输水效应[J]. 中国沙漠, 2023, 43(4): 231-240.
[10]	崔亚婷, 李嬛, 郑龙啸, 吴孟泉. 基于 *RSEI* 的黄河上游流域生态环境质量变化分析[J]. 中国沙漠, 2023, 43(3): 107-118.
[11]	马小红, 林菲, 原黎明, 牛俊杰. 2000—2020年汾河流域植被覆盖度变化及其对生态工程的响应[J]. 中国沙漠, 2023, 43(3): 86-95.
[12]	卜凡蕊, 刘颖, 邹学勇. 中国东部典型沙地植被覆盖度对降水变化的响应[J]. 中国沙漠, 2023, 43(3): 9-20.
[13]	李强, 刘思敏, 高冠龙, 张小由. 额济纳绿洲地表土壤热通量特征及模拟估算[J]. 中国沙漠, 2022, 42(6): 176-184.
[14]	张亦然, 刘廷玺, 童新, 段利民, 贾天宇, 季亚新. 基于多源遥感和机器学习方法的科尔沁沙地植被覆盖度反演[J]. 中国沙漠, 2022, 42(3): 187-195.
[15]	雷燕慧, 丁国栋, 李梓萌, 迟文峰, 高广磊, 赵媛媛. 京津风沙源治理工程区土地利用/覆盖变化及生态系统服务价值响应[J]. 中国沙漠, 2021, 41(6): 29-40.