一种基于无人机LIDAR航测技术的非生长季草畜平衡评估
方法
技术领域
背景技术
[0002] 我国是除澳大利亚外草地面积最大的国家，草原面积约占国土面积的41.2％，但长期以来受自然因素和人为因素双重作用，尤其是近几十年来超载过牧的影响，我国退化草原面积已达90％以上，严重退化草原占50％(侯向阳,2014)，且每年还以200万公顷的速度增加。为保护、建设和合理利用草原，1985年国家颁布了《草原法》，开始对草原实行“以草定畜、草畜平衡”制度，并对严重退化、沙化、盐
碱化、石漠化和生态脆弱区的草原，实行禁牧、休牧制度。近年来，又开始实施“生态草牧业”(方精云等,2016)、“国家公园”(付梦娣等,2017)等生态文明建设重大举措，对草原可持续发展起到积极作用。但现有的草畜平衡监测技术发展缓慢，不足以
支撑相关工作的顺利和高效开展，存在以下问题：
[0003] (1)
现有技术难以直接监测非生长季草地
生物量，主要通过
饲草总量与每月的
家畜饲草需求量估算获得。我国草地饲草集中产生于夏秋季，而家畜最缺草的季节往往是在冬春季(徐敏云,2014)。以往基于光学卫星数据的生长季草地生物量监测方法，过分依赖植被的叶绿素含量，而非生长季草地植被干枯，直接使用基于光学数据的监测方法估算生物量的
精度低，不能满足非生长季的草畜平衡评估需要(Feng et al.,2017)。为了精确计算草地合理载畜量，学者们发展了考虑生物量年际变化的草畜平衡核定方法(李青丰,2011)，基于经验模型法将生物量最大月份的卫星遥感数据与地面调查结果建立关系，估算一年中生物量最大月份值，并根据生物量和家畜数量估算当年的草畜平衡(李梦娇等,2016)，或根据饲草剩余量与家畜饲草需求量，估算每月的草畜平衡(李青丰,2011)。该方法缩短了牧草剩余量核定周期(从5年缩短到1年或1月)，可对草畜平衡进行逐年或逐月预报，有助于牧民提前准备饲草，但受家畜数量月季变化、牧草损失等影响，每月的真实饲草存量可能与估算值差别很大。如，赵晨光and李青丰(2016)认为冬季可利用饲草量仅为生物量最大月份值的1/4。因此需探索使用LIDAR等可探测植被垂直结构信息的数据进行非生长季草地生物量反演。
[0004] (2)食草动物数据更新
频率低。现有的家畜数量主要通过入户抽样调查方法统计获得，效率低，且由于牧户的积极性和抽样调查方法本身的不确定性，使得该方法获取的家畜数据存在较大不确定性。考虑到食草动物数量受
自然灾害和人为影响变化较大，且统计数据缺乏空间
位置信息，不适于精细尺度的草畜平衡评估。无人机高分影像等具有探测范围广、获取周期短、时效性强、成本低等优点，却没有用于食草动物识别与现实载畜量估算。
[0005] 传统航空遥感平台主要为有人机，可搭载可见光、多
光谱、LIDAR等多种
传感器，进行生物量反演。与卫星遥感相比，航空遥感数据
分辨率更高，更适合中小尺度的植被参数便捷提取，亦可为卫星遥感产品提供验证数据(Tang et al.,2014)。但有人机数据获取成本高、操作复杂，应用范围有限。而近年来兴起的无人机，可搭载普通彩色相机、多光谱相机、LIDAR传感器等，飞行高度可低至10～100m，获得厘米级、甚至毫米级精度的遥感数据，具有成本低和操作灵活等优势，已在草地植被
覆盖度监测(Laliberte et al.,2010)、植株
密度计算(Hardin and Jackson,2005)、草地类型自动识别等方面有所应用(Laliberte and Rango,2011)。无人机携带LIDAR传感器能够不依赖植被叶绿素信息，低成本获取植被三维空间结构信息，进而结合地面实测数据开展草地地上生物量反演，且可同时携带普通光学相机获取厘米级分辨率的食草动物影像，并估算草场的现实载畜量。然而，至今尚未见有学者将无人机LIDAR和普通相机有机结合，用于非生长季的草、畜监测及草畜平衡评估研究，相关的监测评估理论和方法研究体系也亟待探索。
发明内容
[0006] 针对现有草畜平衡评估技术中存在的不能对非生长季生物量和食草动物数据有效监测的问题，本发明提出一种适合非生长季的草畜平衡评估方法，其使用无人机LIDAR数据直接探测草地冠层高度和盖度，进而结合地面实测数据反演非生长季的草地生物量；然后，基于面向对象和监督分类法，对预设区的无人机真彩色影像进行解译，获取食草动物数据；最后，根据非生长季的草地生物量计算得到理论载畜量和根据食草动物数据计算得到现实载畜量，开展非生长季草畜平衡状况评估，以显著提高非生长季草畜平衡评估的精度和效率。
[0007] 为了解决上述问题，本发明实例提出了一种基于无人机LIDAR航测技术的非生长季草畜平衡评估方法，包括以下步骤：
[0008] 步骤1、基于坡度-
角度-距离限制的地形提取法，对预设区的无人机LIDAR点云数据进行监督分类，将点云分类为地面点、植被点、其他点，进而计算非生长季的草地植被覆盖度和冠层高度等植被参数，并结合地面实测数据，构建生物量反演模型，以反演非生长季草地地上生物量；
[0009] 步骤2、基于面向对象和监督分类法，根据
颜色、纹理、尺寸、隶属关系等，结合专家知识，对预设区的无人机航拍影像进行分割与解译，提取食草动物种类和数量等信息，并对解译精度精细评估；
[0010] 步骤3、根据得到的地上生物量数据，结合无人机遥感、文献或实地调查方法获得的可利用牧草比例(不含毒
杂草)、草地合理利用率等参数，以及草场确权等数据，生成可利用牧草数据，计算理论载畜量；
[0011] 步骤4、根据食草动物种类、数量、采食范围、月数和每种动物的羊单位换算公式，推算食草动物羊单位，计算实际载畜量；
[0012] 步骤5、根据理论载畜量和实际载畜量，计算超载率、剩余牧草可利用天数及需补饲牧草量，完成非生长季草畜平衡状况评估。
[0013] 进一步地，所述步骤1中的草地冠层高度、覆盖度、生物量通过以下方法获取：
[0014] 草地冠层高度按下式(1)计算：
[0015] CHM(i,j)＝DVSM(i,j)-DEM(i,j) (1)
[0016] 式中，DVSM(i,j)代表由植被点拟合生成的数字植被表面模型中(i,j)点的海拔高度；DEM(i,j)代表由地面点拟合生成的数字地形模型中(i,j)点的海拔高度；
[0017] 植被覆盖度为求解点窗口Wd内植被点个数占全部点的比例，按下式(2)计算：
[0018] FVC(i,j)＝(N_veg(u,v))/(N_(all)(u,v)),u,v∈W_d(i,j) (2)
[0019] 其中，Nveg(u,v)为窗口Wd内植被点个数，Nall(u,v)为窗口Wd内包括植被、地面、其他点在内的所有点个数，Wd为边长d的正方形窗口，d通常可取值为0.5-1m。
[0020] 草地地上生物量由从LIDAR点云提取的草地冠层高度和(或)植被覆盖度与实测生物量之间的拟合获得，按下式(3)计算：
[0021] Bio(i,j)＝f(CHM(i,j),FVC(i,j)，b) (3)
[0022] 其中，b为待定参数；拟合函数f为线性函数(Bio＝b1x+b0)、对数型拟合函数(Bio＝b1lnx+b0)、指数函数 或幂指数函数 中表现最好的拟合函数(实测值与拟合值间的相关系数R2最大，均方根误差RMSE最小)，x代表草地冠层高度CHM(i,j)和植被覆盖度FVC(i,j)两个自变量。
[0023] 进一步地，所述步骤2中的食草动物遥感识别精度按下式(4)计算：
[0024] PA(C_i)＝(N_right(C_i))/(N_all(C_i)) (4)
[0025] 其中，Nright(Ci)为准确识别为Ci类食草动物的对象数，Nall(Ci)为Ci类食草动物的地面调查对象数。
[0026] 食草动物遥感识别误识率按下式(5)计算：
[0027] PA(C_i)＝(N_wrong(C_i))/(N_all(C_i)) (5)
[0028] 式中，Nwrong(Ci)为遥感解译过程中错误识别为Ci类食草动物的对象数。
[0029] 食草动物遥感识别漏识率按下式(6)计算：
[0030] PA(C_i)＝(N_undetected(C_i))/(N_all(C_i)) (6)
[0031] 式中，Nundetected(Ci)为遥感解译过程中漏识的Ci类食草动物的对象数。
[0032] 进一步地，所述步骤3中的理论载畜量，即草场合理载畜量的食草兽类动物羊单位按下式(7)计算：
[0033] N_R＝F_rest/(I×D_plan) (7)
[0034] 其中，I为羊单位饲草日采食量，Dplan为计划放牧或刈割牧草饲喂天数(一年按365天计算，非生长季依据当地实际情况计算，本发明实例按9个月计算)，F为放牧或刈割草地可利用(剩余)标准干草量，按下式(8)计算：
[0035] Frest＝Y×E×U×H (8)
[0036] 式中，Y为草地地上生物量，E为可食牧草比率(不含毒杂草，割草地不超过90％，放牧草地不超过100％)，U为放牧或刈割草地合理利用率(通常为50％)，H为草地标准干草折算系数(取决于草地类型和草地
质量)。以上E、U、H通过查询文献和实地测量获得。
[0037] 进一步地，所述步骤4中预设区的实际载畜量通过下式(9)确定：
[0038]
[0039] 其中，m为从航拍数据中提取的畜种类数，NPi为从航拍数据中提取的第i种畜类头只数，kpi为第i种畜类的羊单位折算系数(
绵羊/山羊折算为1羊单位，黄
牛/
马/骡子为5羊单位，牦牛为4羊单位，乳牛为6.5羊单位，驴为3羊单位)，NP为m种畜类的羊单位总体数，即实际载畜量。
[0040] 进一步地，所述步骤5中预设区的草地潜/超载率通过下式(10)确定：
[0041] W＝(N_R-N_P)/N_R (10)
[0042] 式中，NR为草地合理载畜羊单位，NP为实际载畜羊单位。当W＝0，表明草地区域合理承载量与现存食草动物利用量达到平衡，表明草地利用适度。
[0043] 当W>0，草地还有载畜潜
力，则剩余牧草可利用天数通过下式(11)确定：
[0044] D_rest＝F_rest/(N_P×I) (11)
[0045] 当W<0，表明草地已超载，需补饲牧草量通过下式(12)确定：
[0046] Fadding＝NP×I×Dplan-Frest (12)
[0047] 式中，Dplan为计划放牧或刈割牧草饲喂天数(主要参考历年预设区的非生长季天数确定，本发明实例按9个月计算)。
[0048] 本发明的上述技术方案的有益效果如下：
[0049] 1、本发明实例提出的基于无人机LIDAR数据的生物量反演方法不依赖植被叶绿素信息，能够通过测量草地冠层高度和盖度来更准确地估算非生长季期间任一时间
节点的草地生物量，较传统光学遥感有不可比拟的精度优势。实验表明，生物量反演的相对精度达85.9％，R2＝0.35，RMSE＝81.9g·m-2。
[0050] 2、本发明实例提出的基于无人机航拍数据的食草动物数量提取方法，无需地面调查，即可实现对现实载畜量的准确估算，总体识别精度达89.71％，而传统基于地面调查的方法虽然准确率也很高，但受调查人员的主客观因素影响较大，成本更高，且有些调查区域地面难以进入时，准确度难以保证。
[0051] 3、本发明实例采用无人机搭载LIDAR和真彩色相机，对预设区域的非生长季期内的草畜平衡进行有效遥感监测评估，结果可靠、调查效率高、可操作性强。该发明特别适合对精细尺度的非生长季草畜平衡评估，还可为卫星遥感产品提供验证数据，对防止广大偏远地区的草原超载过牧，减少非生长季家畜掉膘、甚至死亡等
风险有重要意义；同时，在确保春季牧草留茬高度的
基础上，可防止草场退化，
预防和控制沙尘灾害等。
附图说明
[0052] 图1为本发明实例的基于无人机LIDAR航测技术的非生长季草畜平衡评估流程示意图；
[0053] 图2为本发明实例的基于无人机LIDAR数据的草地生物量反演流程示意图。
[0054] 图3为本发明实例的基于无人机真彩色影像的食草动物数量估算流程示意图。
[0055] 图4为本发明实例的肉牛无人机真彩色影像实例(主要有黑黄白三色)。
具体实施方式
[0056] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实例进行详细描述。
[0057] 本发明提供一种基于无人机LIDAR航测技术的非生长季草畜平衡评估方法，分别基于无人机LIDAR点云和真彩色影像实现非生长季的草地生物量估算和食草动物解译，进而对非生长季草地的草畜平衡进行评估，步骤如下：
[0058] 步骤1、基于坡度-角度-距离限制的地形提取法，对预设区的无人机LIDAR点云数据进行监督分类，将点云分类为地面点、植被点、其他点，进而计算非生长季的草地植被覆盖度和冠层高度等植被参数，并结合地面实测数据，构建生物量反演模型，以反演非生长季草地地上生物量；
[0059] 草地冠层高度按下式(1)计算：
[0060] CHM(i,j)＝DVSM(i,j)-DEM(i,j) (1)
[0061] 式中，DVSM(i,j)代表由植被点拟合生成的数字植被表面模型中(i,j)点的海拔高度；DEM(i,j)代表由地面点拟合生成的数字地形模型中(i,j)点的海拔高度；
[0062] 植被覆盖度为求解点窗口Wd内植被点个数占全部点的比例，按下式(2)计算：
[0063] FVC(i,j)＝(N_veg(u,v))/(N_(all)(u,v)),u,v∈W_d(i,j) (2)
[0064] 其中，Nveg(u,v)为窗口Wd内植被点个数，Nall(u,v)为窗口Wd内包括植被、地面、其他点在内的所有点个数，Wd为边长d的正方形窗口，d通常可取值为0.5-1m。
[0065] 草地地上生物量由从LIDAR点云提取的草地冠层高度和/或植被覆盖度与实测生物量之间的拟合获得，按下式(3)计算：
[0066] Bio(i,j)＝f(CHM(i,j),FVC(i,j)，b) (3)
[0067] 其中，b为待定参数；拟合函数f为线性函数(Bio＝b1x+b0)、对数型拟合函数(Bio＝b1lnx+b0)、指数函数 或幂指数函数 中表现最好的拟合函数(实测值与拟合值间的相关系数R2最大，均方根误差RMSE最小)，x代表草地冠层高度CHM(i,j)和植被覆盖度FVC(i,j)两个自变量。
[0068] 步骤2、基于面向对象和监督分类法，根据颜色、纹理、尺寸、隶属关系等，结合专家知识，对预设区的无人机航拍影像进行分割与解译，提取食草动物种类和数量等信息，并对解译精度精细评估；
[0069] 食草动物遥感识别精度按下式(4)计算：
[0070] PA(C_i)＝(N_right(C_i))/(N_all(C_i)) (4)
[0071] 其中，Nright(Ci)为准确识别为Ci类食草动物的对象数，Nall(Ci)为Ci类食草动物的地面调查对象数。
[0072] 食草动物遥感识别误识率按下式(5)计算：
[0073] PA(C_i)＝(N_wrong(C_i))/(N_all(C_i)) (5)
[0074] 式中，Nwrong(Ci)为遥感解译过程中错误识别为Ci类食草动物的对象数。
[0075] 食草动物遥感识别漏识率按下式(6)计算：
[0076] PA(C_i)＝(N_undetected(C_i))/(N_all(C_i)) (6)
[0077] 式中，Nundetected(Ci)为遥感解译过程中漏识的Ci类食草动物的对象数。
[0078] 步骤3、根据得到的地上生物量数据，结合无人机遥感、文献或实地调查方法获得的可利用牧草比例(不含毒杂草)、草地合理利用率等参数，以及草场确权等数据，生成可利用牧草数据，计算理论载畜量；
[0079] 草场合理载畜量的食草兽类动物羊单位按下式(7)计算：
[0080] N_R＝(F_rest)/(I×D_plan) (7)
[0081] 其中，I为羊单位饲草日采食量，Dplan为计划放牧或刈割牧草饲喂天数(一年按365天计算，非生长季依据当地实际情况计算，本发明实例按9个月计算)，F为放牧或刈割草地可利用(剩余)标准干草量，按下式(8)计算：
[0082] Frest＝Y×E×U×H (8)
[0083] 式中，Y为草地地上生物量，E为可食牧草比率(不含毒杂草，割草地不超过90％，放牧草地不超过100％)，U为放牧或刈割草地合理利用率(通常为50％)，H为草地标准干草折算系数(取决于草地类型和草地质量)。以上E、U、H通过查询文献和实地测量获得。
[0084] 步骤4、根据食草动物种类、数量、采食范围、月数和每种动物的羊单位换算公式，推算食草动物羊单位，计算实际载畜量；
[0085] 实际载畜量通过下式(9)确定：
[0086]
[0087] 其中，m为从航拍数据中提取的畜种类数，NPi为从航拍数据中提取的第i种畜类头只数，kpi为第i种畜类的羊单位折算系数(绵羊/山羊折算为1羊单位，黄牛/马/骡子为5羊单位，牦牛为4羊单位，乳牛为6.5羊单位，驴为3羊单位)，NP为m种畜类的羊单位总体数，即实际载畜量。
[0088] 步骤5、根据理论载畜量和实际载畜量，计算超载率、剩余牧草可利用天数及需补饲牧草量，完成非生长季草畜平衡状况评估。
[0089] 草地潜/超载率通过下式(10)确定：
[0090] W＝(N_R-N_P)/N_R (10)
[0091] 式中，NR为草地合理载畜羊单位，NP为实际载畜羊单位。当W＝0，表明草地区域合理承载量与现存食草动物利用量达到平衡，表明草地利用适度。
[0092] 当W>0，草地还有载畜潜力，则剩余牧草Frest可利用天数通过下式(11)确定：
[0093] D_rest＝F_rest/(N_P×I) (11)
[0094] 当W<0，表明草地已超载，需补饲牧草量通过下式(12)确定：
[0095] Fadding＝NP×I×Dplan-Frest (12)
[0096] 式中，Dplan为计划放牧或刈割牧草饲喂天数(主要参考历年预设区的非生长季天数确定，本发明实例按9个月计算)。
[0097] 图1展示了本发明实例的基于无人机LIDAR航测技术的非生长季草畜平衡评估流程。
[0098] 下面利用一套无人机LIDAR点云和真彩色影像数据，对本发明——一种基于无人机LIDAR航测技术的非生长季草畜平衡评估方法——的效果和效率进行了测试，并和传统基于地面调查的方法进行了对比。本发明实例中，评估在内蒙古呼伦贝尔草原站的肉牛放牧样地进行。该放牧样地有6个放牧梯度，每个放牧梯度有3个重复。W/M/E0-5代表每个小区分别放养0、2、3、4、6、8头200-300kg的标准牛，理论上每个小区之间由于有栅栏，肉牛不能穿越(实际上个别会穿越栅栏)，因而每个小区内的草地冠层高度、盖度、生物量都明显不同，每个小区面积约90亩。无人机LIDAR数据由八旋翼无人机LI-AIR搭载Velodyne公司的HDL-32E传感器，于2015年8月底获取。无人机相机数据由组装固定翼无人机搭载Canon PowerShot G16。具体参数见表2。
[0099] 无人机LIDAR点云和真彩色影像数据的相关参数如表1和表2所示。
[0100] 表1无人机Lidar传感器及数据获取参数
[0101]
[0102] 表2无人机相机及数据获取参数
[0103]
[0104] 上述基于无人机LIDAR点云对非生长季草地生物量反演时，在完成对草地冠层高度和植被覆盖度的基础上，需找到最适合生物量反演的模型。本发明实例在使用线性、非线性模型，分析单独基于草地冠层高度和植被覆盖度，以及组合使用草地冠层高度和植被覆盖度构建生物量模型的基础上，发现组合草地冠层高度和植被覆盖度可更有效的反演草地地上生物量。实验中采集地面样方90个，其中随机
抽取1/4作为验证数据，其余用作训练模型。生物量反演模型为：Bio＝35.09CHM-0.047FVC+8.71，R2＝0.341，RMSE＝82.1g·m-2。若使用仅单一指标，建议使用草地冠层高度，Bio＝34.79CHM+7.08，R2＝0.34，RMSE＝82.1g·-2m 。图2展示了本发明实例的基于无人机LIDAR数据的草地生物量反演流程。表3展示了每个放牧样区的生物量反演结果及理论载畜量核定结果。结果表明：8月底每个小区的草地地上生物量为5216.22～16383.51kg，理论载畜量为4.76-14.96羊单位,总计理论载畜量153.04羊单位。
[0105] 随后，基于面向对象和监督分类法，根据颜色、纹理、尺寸、隶属关系等，结合专家知识，对预设区的无人机航拍影像进行分割与解译，提取了食草动物种类和数量等信息。图4为本发明实例的肉牛无人机真彩色影像实例(主要有黑黄白三色)。表4展示了食草动物遥感解译及现实载畜量羊单位折算结果。由表4可知，本放牧样地只有肉牛一种食草动物家畜，除部分误识外，大多数小区的遥感识别较为准确，总体识别精度达89.71％，误识率为
2.94％，漏识率为5.88％。考虑到地面调查与无人机影像获取时间存在一定时间差，受牧草存量和质量影响，部分肉牛会跨越栅栏到其他小区，地面调查也存在一定误差，因此遥感识别精度会更高。
[0106] 最后，根据理论载畜量和实际载畜量，计算超载率、剩余牧草可利用天数及需补饲牧草量，完成非生长季草畜平衡状况评估。表5展示了呼伦贝尔放牧样地非生长季草畜平衡评估结果。结果表明，18个样区中，仅5个样区未超载，其余13个小区均已超载，超载率达23.45(M1)～681.59％(W5)。按整个放牧样地计算，平均超载133.49％，剩余牧草可利用数为5.14个月，需补饲56.65吨标准干草。
[0107] 需要注意的是，本发明实例的评估方法在内蒙古呼伦贝尔草原站的肉牛放牧样地进行理论验证，不代表内蒙古呼伦贝尔草原站肉牛放牧平台在非生长季会继续放牧或刈割牧草。
[0108] 表3生物量反演结果及理论载畜量核定
[0109]
[0110]
[0111] 注：每个羊单位每日按消耗1.8kg干草，按放牧或刈割牧草饲喂9个月计算。
[0112] 表4食草动物遥感解译结果及现实载畜量羊单位折算
[0113]
[0114] 注：本样地只有肉牛一种食草家畜。每头200-300kg的标准肉牛按4羊单位折算。
[0115] 表5呼伦贝尔放牧样地非生长季草畜平衡评估结果
[0116]
[0117] 注：当W>0表示潜载，反之超载。
[0118] 对比结果表明，本发明实例所提出的一种基于无人机LIDAR数据的生物量反演方法，不依赖植被叶绿素信息，能够通过测量草地冠层高度和盖度来更准确地估算非生长季期间任一时间节点的草地生物量，生物量反演结果相对于最大生物量的精度达85.9％，R2＝0.35，RMSE＝81.9g·m-2，较传统光学遥感有不可比拟的精度优势，可提供高精度的非生长季草地理论载畜量数据。本发明实例提出的基于无人机航拍数据的食草动物数量提取方法，无需地面调查，即可实现对现实载畜量的准确估算，总体识别精度达89.71％，可作为地面食草动物调查的一种替代手段，具有成本低、结果可靠、野外工作量小等优势。
[0119] 此外，根据上述方式获得理论载畜量和实际载畜量，进而计算超载率、剩余牧草可利用天数及需补饲牧草量，可实现非生长季草畜平衡状况快速精准评估，对非生长季草地的牧草存量合理利用和及时补饲，防止草地退化、非生长季家畜掉膘、甚至死亡等有重要理论和现实意义，在精准草牧业、国家生态文明建设等领域具有可预期的应用前景。发明方法可供牧户、草原管理者、防沙治沙办等相关人员参考。
[0120] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
