基于无人机遥感的植被覆盖度测量实践与经验分享

分享基于无人机遥感的植被覆盖度测量实验经验，主要任务是利用大疆Mavic 3无人机进行植被覆盖度地面测量，包含样方设计、航线规划、现场拍摄以及借助AI算法计算覆盖度。

一、实验概况与目的

实验测量的植被覆盖度（Fractional Vegetation Cover, FVC）定义为植被地上部分垂直投影面积占统计区总面积的百分比，是反映生态环境状态的重要参量，传统地面测量耗时耗力，而无人机遥感凭借其高机动性和高分辨率成为主流手段。本次实验的主要目的是：

• 掌握无人机遥感监测的标准化操作流程
• 学习植被覆盖度地面测量的技术方法
• 熟悉使用AI（DeepSeek算法）完成植被覆盖度计算
• 总结无人机监测中的常见问题及解决方案二、技术方法与工作流程

二、技术方法与工作流程

2.1 植被覆盖度地面测量技术简介

植被覆盖度指单位面积内植被冠层（叶、茎、枝）垂直投影面积所占的比例。目前最常用的地面测量方法是照相法——利用数码相机或无人机拍摄样方照片，然后通过图像识别计算植被像素占比。本次实验采用无人机垂直向下拍摄小样方（1m×1m），再通过算法批量计算覆盖度。

2.2 工作流程全记录

整个流程分为三个阶段：前期准备、现场作业、数据处理。下面逐一展开。

2.2.1 前期准备

① 样方设计
基于最新的高分影像（如Google Earth、91卫图），在测区内选择具有代表性的样方，确保覆盖不同植被类型（草地、灌木等）和覆盖度梯度。每个样方大小为10m×10m，并在其中均匀布设9个1m×1m的小样方用于地面验证。

② 设备检查
使用的设备是大疆Mavic 3，每次出发前必须完成以下检查：

③ 飞行计划
在DJI Fly App中规划自动航线：

• 飞行高度：根据样方大小设置，一般15~20m可保证地面分辨率优于1cm
• 重叠率：航向80%，旁向70%（确保后期拼接或覆盖度计算无遗漏）
• 飞行速度：平稳模式5m/s

2.2.2 现场作业

① 样方定位
使用RTK或高精度GPS测量样方四个角点坐标，并在现场用标尺或喷漆标记。对于1m×1m小样方，采用预先制作好的1m×1m样方框放置在地面。

② 无人机飞行

• 自动航线飞行：起飞后执行预设航线，获取整个样方的正射影像。
• 手动拍摄小样方：切换至手动模式，将无人机悬停在小样方正上方2m高度，云台角度调至-90°（垂直向下），拍摄照片。注意保持画面清晰，避免阴影遮挡。

③ 地面测量
同时使用数码相机垂直拍摄小样方照片，并记录样方内植被类型、高度等信息，用于后续验证。

2.2.3 数据处理

① 照片整理
按样方编号建立文件夹，将无人机拍摄的小样方照片和地面验证照片分类存放。照片命名格式统一为：样方编号_小样方编号.jpg（如P01_01.jpg）。

② 植被覆盖度计算
采用基于Lab色彩空间的植被识别算法（我称之为SHAR-LAB FVC），该算法能够有效抵抗阴影和过曝的影响，准确提取绿色植被。

以下是完整的Python脚本，只需修改图片路径即可运行：

""" SHAR-LAB FVC 植被覆盖度计算脚本 功能：读取指定无人机照片，基于Lab色彩空间进行抗阴影植被分类，计算植被像素占比。 用法：直接修改下方 IMAGE_PATH 变量为图片路径，然后运行。 """ import numpy as np from skimage import io, color import os import sys # ================== 用户配置区 ================== # 请将下面的路径改为您的图片文件路径 IMAGE_PATH = "D:/drone_photos/sample_plot.jpg" # 例如："/home/user/photo.jpg" # ============================================= def shar_lab_fvc(image_path, a_thresh=2, b_thresh=2, L_min=5, L_max=98): """ 使用SHAR-LAB FVC算法计算植被覆盖度。 参数： image_path : str -- 图像文件路径 a_thresh : float -- a* 通道上限（小于此值视为偏绿） b_thresh : float -- b* 通道下限（大于此值视为偏黄/绿） L_min : float -- 亮度下限（排除阴影等过暗区域） L_max : float -- 亮度上限（排除过曝区域） 返回： fvc : float -- 植被覆盖度百分比，若处理失败返回None """ # ---------- 文件存在性检查 ---------- if not os.path.exists(image_path): print(f"错误：文件不存在 -> {image_path}") return None # ---------- 图像读取 ---------- try: img = io.imread(image_path) except Exception as e: print(f"读取图像失败：{e}") return None # ---------- 图像格式归一化 ---------- if img.ndim == 2: # 灰度图 -> 转为RGB img = color.gray2rgb(img) elif img.shape[2] == 4: # 含Alpha通道 -> 去除Alpha img = img[:, :, :3] elif img.shape[2] != 3: print(f"不支持的图像通道数：{img.shape[2]}，需要3通道RGB图像。") return None # ---------- 转换到Lab色彩空间 ---------- # rgb2lab要求输入范围[0,1]或[0,255]均可，函数会自动处理 lab = color.rgb2lab(img) L = lab[:, :, 0] # 亮度 (0~100) a = lab[:, :, 1] # 绿-红分量 (负值偏绿) b = lab[:, :, 2] # 蓝-黄分量 (正值偏黄) # ---------- 植被像素判别（核心规则）---------- # 条件：a* 小于阈值（偏绿），b* 大于阈值（偏黄/绿），且亮度在合理范围（抗阴影） vegetation_mask = (a < a_thresh) & (b > b_thresh) & (L > L_min) & (L < L_max) # ---------- 计算覆盖度 ---------- veg_pixels = np.sum(vegetation_mask) total_pixels = vegetation_mask.size fvc = (veg_pixels / total_pixels) * 100.0 return fvc if __name__ == "__main__": # ---------- 确定图片路径（优先使用命令行参数）---------- if len(sys.argv) > 1: image_path = sys.argv[1] else: image_path = IMAGE_PATH if not image_path: print("错误：未指定图片路径。请在代码中设置 IMAGE_PATH 或在命令行提供路径。") sys.exit(1) # ---------- 计算并输出结果 ---------- fvc = shar_lab_fvc(image_path) if fvc is not None: print(f"\n植被覆盖度 FVC = {fvc:.2f}%") else: sys.exit(1)

运行环境：需要安装numpy和scikit-image，在终端执行：

pip install numpy scikit-image

样方尺度覆盖度计算：对于整个样方（10m×10m），其覆盖度等于9个小样方照片覆盖度的算术平均值。

三、大疆无人机遥感监测标准化操作手册

3.1 飞行前准备

• 环境检查：风速<8m/s，无降水，能见度>5km；尽量避开正午强光（10:00-14:00），以免产生过多阴影；远离高压线、通讯基站等电磁干扰源。
• 设备准备：按照前文检查清单逐项确认，准备备用电池。

3.2 飞行操作流程

3.2.1 自动航线飞行

1. 在DJI Fly App中进入“航线飞行”模式，规划矩形区域（覆盖整个样方）。
2. 设置飞行高度、速度、重叠率（建议航向80%，旁向70%）。
3. 执行自动飞行，实时关注飞行状态和电量，必要时手动干预。

3.2.2 手动拍摄小样方

1. 降落无人机，将样方框放置在地面。
2. 起飞无人机至小样方正上方2m高度，调整云台垂直向下。
3. 切换至拍照模式，连续拍摄2~3张，确保清晰无模糊。
4. 移动样方框，依次拍摄所有小样方。

3.3 数据处理流程

1. 照片导出：从无人机存储卡中导出照片，可利用DJI软件获取每张照片的经纬度（用于位置验证）。
2. 筛选：删除模糊、过曝或欠曝的照片。
3. 重命名：按“样方编号_小样方编号”格式命名，便于批处理。
4. 计算：运行Python脚本批量计算每个小样方的覆盖度，最后取平均得到样方覆盖度。

四、参考文献

1. GB/T 41282-2022《植被覆盖度遥感产品真实性检验》
2. DJI Mavic 3用户手册v2.3