龚志远 李雪梅 李秋萍 赵俊卓 李帆帆

龚志远，李雪梅，李秋萍，等. 兰州植物园植被春季物候无人机监测［J］. 江苏农业学报，2023，39（8）：1707-1712.

doi：10.3969/j.issn.1000-4440.2023.08.010

收稿日期：2022-09-01

基金项目：国家自然科学基金项目（41761014、41971094、42161025、42104096）；兰州交通大学优秀科研平台（团队）科学研究资助计划项目（201806）

作者简介：龚志远（1996-），男，安徽合肥人，硕士研究生，主要从事城市生态遥感研究。（E-mail）1043287311@qq.com

通讯作者：李雪梅，（E-mail）lixuemei@lzjtu.edu.cn

摘要：针对卫星遥感影像难以准确提取局部地区植被物候的问题，本研究以兰州植物园草坪草、连翘、牡丹、黄刺玫和香荚蒾等5种植被为研究对象，基于多时相无人机影像，提出了一种局部地区植被春季物候期估算方法。首先利用无人机获取的多时相兰州植物园植被影像，分析各植被超绿指数（ExG）、超绿超红差分指数（ExGR）、绿叶指数（GLI）和植被因子指数（VEG）等植被指数的时序变化特征，并进行一元三次多项式拟合，使用导数法提取各植被的发芽期、开花期、结果期等春季物候期，然后与人工观测物候资料进行比较，明确不同植被指数下物候期的估算精度。结果表明：除草坪草的发芽期和结果期以及牡丹的发芽期，4种植被指数估算得到的物候期基本一致，但其和实际物候期均存在不同程度的误差；发芽期估算误差最大的是黄刺玫，平均提前27 d，最小的是香荚蒾，平均推迟8 d；开花期估算误差较大的是草坪草和牡丹，平均误差均在20 d以上，最小的是连翘和香荚蒾；结果期估算误差最大的是香荚蒾，平均提前35 d，最小的是牡丹，平均提前5 d。基于ExG指数估算的开花期和结果期与实际观测期一致性最好，均方根差分别为14.01 d和17.28 d，而VEG指数估算发芽期效果最好，均方根差為13.81 d。本研究基于无人机遥感影像数据筛选出植被春季物候期监测适宜的植被指标，对局部地区植被物候监测研究具有一定意义。

关键词：植被物候；无人机；监测；植被指数

中图分类号：Q948.15      文献标识码：A      文章编号：1000-4440（2023）08-1707-06

Unmanned aerial vehicle （UAV） monitoring of spring vegetation phenology in Lanzhou Botanical Garden

GONG Zhi-yuan LI Xue-mei LI Qiu-ping ZHAO Jun-zhuo LI Fan-fan

（Faculty of Geomatics， Lanzhou Jiaotong University/Gansu Provincial Engineering Laboratory for National Geographic State Monitoring/National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring， Lanzhou 730070， China）

Abstract：Aiming at the problem that satellite remote sensing images are difficult to accurately extract vegetation phenology in local areas， this study took five vegetations such as lawn grasses， Forsythia suspensa， peony， Rosa xanthina and Viburnum sargentii in Lanzhou Botanical Garden as the research objects. Based on multi-temporal unmanned aerial vehicle （UAV） images， a method for estimating spring phenology of vegetation in local areas was proposed. Firstly， the multi-temporal vegetation images of Lanzhou Botanical Garden obtained by UAV were used to analyze the temporal variation characteristics of vegetation indices such as excess green index （ExG）， excess-green minus excess red index （ExGR）， green leaf index （GLI） and vegetative index （VEG）， and one-dimensional cubic fitting was performed. The derivative method was used to extract the spring phenological periods such as germination period， flowering period and fruiting period of each vegetation， and then compared with the artificial observation phenological data to clarify the estimation accuracy of phenological periods under different vegetation indices. The results showed that except for the germination and fruiting period of turfgrass and the germination period of peony， the phenological periods estimated by the four vegetation indices were basically the same， but there were different degrees of errors between them and the actual phenological periods. The largest estimation error of germination period was 27 days in advance for Rosa xanthina， and the smallest was Viburnum insignis， which was delayed by eight days. The error of flowering period estimation was larger in turfgrass and peony， and the average error was more than 20 days， and the smallest was Forsythia suspensa and Viburnum sargentii. The largest estimation error of fruiting period was Viburnum sargentii， with an average of 35 days in advance， and the smallest was peony， with an average of five days in advance. The flowering period and fruiting period estimated based on the ExG index had the best consistency with the actual observation period， and the root mean square errors were 14.01 d and 17.28 d， respectively. The VEG index had the best effect on estimating the germination period， and the root mean square error was 13.81 d. This study is based on UAV remote sensing image data to screen out suitable vegetation indicators for monitoring vegetation phenology in spring， which is of certain significance to the study of vegetation phenology monitoring in local areas.

Key words：vegetation phenology;unmanned aerial vehicle （UAV）；monitoring；vegetation index

植被是陆地生态系统重要组成部分，在区域碳循环、局部地区气候调节中具有重要作用[1-2]。植被物候是植被生长过程中的重要指标，一方面体现植被的发育状态，另一方面是评估植被生产力的关键因子。因此，植被物候的监测有助于对植被生长状态的掌握，为植被生长调控提供依据[3-4]。

目前，植被物候监测通常有目视观测、高空遥感监测和近地面监测等方法[5]。目视观测法主要通过布设观测网络对植被物候期及生长参数进行人工获取，如泛欧物候网络（PEPN）[6]和美国国家物候网（NPN）[7]等。这种方法虽然简单易行，但其获取的数据代表性差、观测成本高[8-9]。高空遥感监测是利用卫星遥感数据对地表植被物候期进行监测。通常根据植被生长过程中植被指数的变化特征进行植被物候期的反演[10-12]。高空遥感监测具有覆盖面积广，时间序列长等优点[12]。基于卫星遥感影像的植被物候监测方法通常包括植被指数时间序列重建和植被物候参数提取两个步骤。由于卫星观测角度、云、地形变化和几何误差等诸多因素会降低长时间序列数据质量，因此需要对原始时间序列数据重建[13-14]。重建的方法主要有拟合法和滤波法。拟合法是选取一个函数，通过最小二乘法逼近原时间序列，从而达到重建时间序列的目的；滤波法则是使用窗口平滑的方式去重建时间序列[15]。重建时间序列后，一般利用阈值法进行物候期的估算[16-17]。近地面观测是基于无人机等平台利用物候相机获取植被图像，进而进行物候期的估算[18]。与目视观测和卫星遥感监测相比，近地面监测可实现空间尺度和时间尺度的平衡[19]。同时，在近地面监测中使用普通的数码相机即可进行植被影像的获取和物候分析[20]。

鉴于利用无人机监测植被物候的研究相对较少，特别是季节尺度内的物候变化监测。本研究选取兰州植物园内草坪草、连翘、牡丹、黄刺玫和香荚蒾等5种植被为研究对象，在植被物候期人工观测的同时，利用无人机获取植物园高时空分辨率遥感影像，基于不同的植被指数，构建不同植被春季物候期（发芽期、开花期和结果期等）的估算方法，并对不同植被指数提取春季物候期的精度进行比较与分析，旨在为基于无人机的植被物候监测提供技术支持。

1  材料与方法

1.1  研究区概况

兰州植物园（103°42′42″E， 36°07′30″N）位于甘肃省兰州市安宁区，占地面积0.369 km2，海拔高度1 500 m，年日照时数2 476.4 h，年平均气温8.9 ℃，年平均降水量349.9 mm，年蒸发量1 664 mm，年平均风速3.6 m/s。兰州植物园属温带大陆性气候，四季分明。园内植被密集，物种丰富。研究区位置如图1所示。

1.2  数据获取与研究方法

1.2.1  地面监测数据获取及植物物候观测    在植物园区内选取草坪草、连翘、牡丹、黄刺玫和香荚蒾等5种植被为监测对象，每种植被的样地约5～10 m2。从2021年3月1日至2021年7月6日进行植被物候监测。在发芽和叶片展开的关键阶段，每周观察不低于3次，其他阶段每周观察不低于2次。记录每个样地内植被发芽、开花、结果等物候期，研究中分别以样方内90%植株达到发芽状态日期、90%花开放日期、90%花完全凋谢日期作为植被发芽期、开花期和结果期[18]。因草坪草没有花期和结果期，研究中以草的高度达到3 cm和6 cm的日期作为草坪草开花期和结果期[21]。

1.2.2  无人机遥感影像的采集和处理    研究中利用大疆Phantom 4 RTK无人机（深圳大疆科技创新有限公司产品）获取兰州植物园可见光遥感影像。从2021年3月1日至2021年7月6日，选择光照条件合适的天气（晴天或多云天）进行无人机航测。无人机参数设置为：飞行高度200 m，速度10 m/s，空间分辨率5.4 cm，航向重叠度80%，旁向重叠度70%，每次采集时间约16 min 40 s。影像采集时间间隔不超过7 d。植物园内布设8个地面控制点，用于无人机遥感影像的匹配。基于采集的无人机遥感影像制作数字正射影像图（Digital orthophoto map， DOM），以纯相元数据提取各植被类型的植被指数。

1.2.3  植被指数的计算    目前已定义的植被指数超过40种，基于可见光波段可获取的植被指数主要有超绿指数（ExG）、超绿超红差分指数（ExGR）、绿叶指数（GLI）和植被因子指数（VEG）等4种，其算法如下[9]：

ExG=2g-r-b  （1）

ExGR=ExG-（1.4r-g）  （2）

GLI=  2g-r-b  2g+r+b    （3）

VEG=  g  r0.667×b0.333    （4）

式中r， g， b分別为无人机影像中红、绿、蓝3个波段的反射率。

为便于数据处理，研究中以日序（Day of year， DOY）表示日期，例如1月10日记为一年中的第10 d，简记为10。

1.2.4  物候期的估算及精度评估    研究中采用三次多项式对植被指数时间序列数据进行拟合，通过对三次多项式求取一阶导数，解得一阶导数为0所对应的时间分别为模拟发芽结束期和结果期，而一阶导数取最大值时所对应的时间为模拟开花期[18]。再根据地面观测得到的不同植被实际物候期，计算模拟物候期的均方根差（RMSE），RMSE的计算方法如下：

RMSE=        1  n  ∑  n  i=1  （Xi-Yi）2    （5）

式中，Xi，Yi分别代表植被物候期的实际值和模拟值，n为样本数。

2  结果与分析

2.1  植被指数动态变化

3-7月是植被生长的旺盛期，不同植被的4个植被指数都呈现上升趋势，如图2所示。从图中可以看出，草坪草植被指数是5种植被中增加速度最慢的，草地ExG和ExGR指数呈现缓慢的增加趋势，远低于其他植被的ExG和ExGR指数。连翘的4种植被指数在日序130 d （5月10日）左右时突然大幅度增加，而在日序150 d （5月30日）以后，指数波动不大。牡丹和香荚迷在日序150 d以后，4种植被指数均有下降的趋势。

2.2  物候期估算精度

根据植被指数拟合曲线得到不同植被的模拟物候期和地面实测物候期如表1所示。从表中可以看出，草坪草、黄刺玫、牡丹等植被4种植被指数估算得到的发芽期早于实际观测期，而连翘、香荚蒾的估算发芽期迟于观测期。黄刺玫的发芽期预测误差最大，4种植被指数下，估算的发芽期平均提前27 d；而香荚蒾发芽期预测误差最小，4种植被指数下，估算的发芽期平均推迟8 d。4种植被指数下，估算的连翘开花期迟于实际值，其他4种植物的开花期估算值均早于实际值。4种植被指数下，草坪草的开花期估算误差最大，平均提前24 d，而连翘和香荚蒾的开花期估算误差较小，连翘平均推迟3.75 d，香荚蒾平均提前3.75 d。4种植被指数下，5种植被的结果期估算值均早于实际值，其中香荚蒾结果期的估算误差最大，4种植被指数下平均提前35 d，而牡丹的误差最小，平均提前5 d。除草坪草的发芽期和结果期以及牡丹的发芽期外，4种植被指数对5种植被3个物候期的估算，比较一致。

不同植被指数下，4种植被关键物候期的模拟值均方根差（RMSE）如表2所示。从表中可以看出，4种植被指数下，3个物候期的RMSE一般为13～22 d。其中，结果期的RMSE最大，平均为20 d。4种植被指数下，开花期的RMSE最小。VEG指数下，估算的5种植被发芽期RMSE最小，即VEG指数适合5种植被发芽期的估算。同样，ExG指数下，估算的5种植被结果期RMSE最小，即ExG指数适合5种植被结果期的估算。由于自然植被物候监测中只要RMSE≤21 d就认为物候期监测精度合格[18]，因此，本研究基于无人机遥感影像数据进行植被物候监测的方案能满足物候监测需求。

3  讨论与结论

本研究基于2021年3月1日至2021年7月6日兰州植物园5种植被物候期地面观测数据和多时相无人机遥感影像，基于4种可见光波段的植被指数，提出了典型植被春季关键物候期估算方法，并分析了不同指标下的估算精度。结果表明，除草坪草的发芽期和结果期以及牡丹的发芽期，4种植被指数估算得到的物候期基本一致，但其和实际物候期存在不同程度的误差。基于ExG指数估算的的开花期和结果期与实际观测期一致性最好，而VEG指数估算发芽期的精度最好。

ExG、ExGR、GLI、VEG分别为超绿指数、超绿超红差分指数、绿叶指数和植被因子指数估算的物候期；OBS为实际观测的物候期。

21.61  ExG、ExGR、GLI、VEG分别为超绿指数、超绿超红差分指数、绿叶指数和植被因子指数。

目前，植被物候监测研究中大多使用中低分辨率卫星影像数据，如Landsat， MODIS和AVHRR等，这些卫星影像数据在研究较大空间尺度植被物候时具有一定优势，但是在研究小尺度植被物候时往往因遥感影像的分辨率过低导致研究结果精度不高。无人机能提供厘米级的遥感数据，因而其在小尺度植被物候监测中越来越受到重视。本研究基于无人机监测得到的可见光影像数据构建超绿指数、超绿超红差分指数、绿叶指数和植被因子指数，提出了一种季节内群落尺度植被物候的研究方法。虽然估算得到的物候期RMSE相对较大，但基本符合自然植被物候监测的精度要求。当然如何进一步优化算法提高模型估算精度还有待进一步研究。本研究还发现4种植被指数对不同植被、不同物候期的估算精度存在较大的差异，因此在实际工作中可针对具体植被和物候期，选择不同的植被指数来进行分析，以期得到更高的估算精度。

目前无人机在小范围植被甚至单个植株的物候监测中具有较高的优势，但大范围植被的物候监测才更符合区域尺度植被生产力估算的需要，相信在未来随着民用无人机技术的发展以及新能源技术在无人机领域的应用，利用无人机对区域尺度植被物候监测能够实现。

参考文献：

[1]  杜培军. 城市遥感的研究动态与发展趋势：“城市遥感”专栏导读[J]. 地理与地理信息科学，2018，34（3）：1-4.

[2]皮新宇，曾永年，贺城墙. 融合多源遥感数据的高分辨率城市植被覆盖度估算[J]. 遥感学报，2021，25（6）：1216-1226.

[3]吉珍霞，侯青青，裴婷婷，等. 黃土高原植被物候对季节性干旱的敏感性响应[J]. 干旱区地理，2022，45（2）：557-565.

[4]韩宝龙，束承继，蔡文博，等. 植被群落特征对城市生态系统服务的影响研究进展[J]. 生态学报，2021，41（24）：9978-9989.

[5]ZENG L， WARDLOW B D， XIANG D， et al. A review of vegetation phenological metrics extraction using time-series， multispectral satellite data[J]. Remote Sensing of Environment，2019，237：111511.

[6]TEMPL B， KOCH E， BOLMGREN K， et al. Pan european phenological database （PEP725）： a single point of access for European data[J]. Journal of Neurosurgical Sciences，2018，62：1109-1113.

[7]MAYER A. Phenology and citizen science： Volunteers have documented seasonal events for more than a century， and scientific studies are benefiting from the data[J]. Bioscience，2010，60（3）：172-175.

[8]竺可楨，宛敏渭. 物候学[M]. 长沙： 湖南教育出版社，1999.

[9]尹林江，周忠发，李韶慧，等. 基于无人机可见光影像对喀斯特地区植被信息提取与覆盖度研究[J]. 草地学报，2020，28（6）：1664-1672.

[10]ZHANG X， FRIEDL M A， SCHAAF C B. Global vegetation phenology from moderate resolution imaging spectroradiometer （MODIS）： Evaluation of global patterns and comparison with in situ measurements[J]. Journal of Geophysical Research Biogeosciences，2015，111（G4）：367-375.

[11]项铭涛，卫  炜，吴文斌. 植被物候参数遥感提取研究进展评述[J]. 中国农业信息，2018，30（1）：55-66.

[12]邵亚婷，王卷乐，严欣荣. 蒙古国植被物候特征及其对地理要素的响应[J]. 地理研究，2021，40（11）：3029-3045.

[13]ZHANG X. Reconstruction of a complete global time series of daily vegetation index trajectory from long-term AVHRR data[J]. Remote Sensing of Environment，2015，156：457-472.

[14]元志辉，萨楚拉，银  山. 基于MODIS植被指数的浑善达克沙地植被物候变化[J]. 中国环境科学，2021，41（11）：5254-5263.

[15]王敏钰，罗  毅，张正阳，等. 植被物候参数遥感提取与验证方法研究进展[J]. 遥感学报，2022，26（3）：431-455.

[16]吴文斌，杨  鹏，唐华俊，等. 基于NDVI数据的华北地区耕地物候空间格局[J]. 中国农业科学，2009，42（2）：552-560.

[17]WHITE M A， THORNTON P E， RUNNING S W. A continental phenology model for monitoring vegetation responses to interannual climatic variability[J]. Global Biogeochemical Cycles，1997， 11（2）：217-234.

[18]BERRA E F， GAULTON R， BARR S. Assessing spring phenology of a temperate woodland： A multiscale comparison of ground， unmanned aerial vehicle and Landsat satellite observations[J]. Remote Sensing of Environment，2019，223：229-242.

[19]VRIELING A， MERONI M， DARVISHZADEH R， et al. Vegetation phenology from Sentinel-2 and field cameras for a Dutch barrier island[J]. Remote Sensing of Environment，2018，215：517-529.

[20]WINGATE L. Interpreting canopy development and physiology using a European phenology camera network at flux sites[J]. Biogeosciences，2015，12（10）：7979-8034.

[21]杨晓渊，马  丽，张中华，等. 高寒草甸植物群落生长发育特征与气候因子的关系[J]. 生态学报，2021，41（9）：3689-3700.

（责任编辑：石春林）