无人机遥感植被覆盖度测量实战：从样方设计到代码计算

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（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。这里我们特意选择了 Lab 空间而不是 RGB，因为 L 通道代表亮度，能更好地分离光照变化对颜色的影响，从而减少阴影干扰。

"""
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