基于气象和覆被条件考量的无人机地形勘察适宜期—

引用本文

王玥璞, 秦伟, 杨文涛, 王玉杰, 王云琦, 蒋涛. 基于气象和覆被条件考量的无人机地形勘察适宜期——以东北黑土区为例[J]. 中国水土保持科学, 2021, 19(4): 121-128. DOI: 10.16843/j.sswc.2021.04.014.

WANG Yuepu, QIN Wei, YANG Wentao, WANG Yujie, WANG Yunqi, JIANG Tao. Investigating optimal time window for UAV terrain measuring by considering weather and land cover conditions: Taking the Northeast Black Soil Region as an example[J]. Science of Soil and Water Conservation, 2021, 19(4): 121-128. DOI: 10.16843/j.sswc.2021.04.014.

项目名称

国家重点研发计划"坡面径流调控与防蚀工程技术"课题(2018YFC0507002-03)

第一作者简介

王玥璞(1996-), 女, 硕士研究生。主要研究方向: 水土保持工程。E-mail: 879922028@qq.com

通信作者简介

王玉杰(1960-), 男, 博士, 教授。主要研究方向: 水土保持工程。E-mail: wyujie@bjfu.edu.cn

文章历史

收稿日期：2021-02-21
修回日期：2021-05-21

Contents Abstract Full text Figures/Tables PDF

基于气象和覆被条件考量的无人机地形勘察适宜期——以东北黑土区为例

王玥璞 ¹, 秦伟 ², 杨文涛 ¹, 王玉杰 ¹, 王云琦 ¹, 蒋涛 ¹

1. 北京林业大学水土保持学院, 100083, 北京;
2. 中国水利水电科学研究院泥沙研究所, 100044, 北京

收稿日期：2021-02-21; 修回日期：2021-05-21

项目名称：国家重点研发计划"坡面径流调控与防蚀工程技术"课题(2018YFC0507002-03)

第一作者简介：王玥璞(1996-), 女, 硕士研究生。主要研究方向: 水土保持工程。E-mail: 879922028@qq.com

通信作者简介：王玉杰(1960-), 男, 博士, 教授。主要研究方向: 水土保持工程。E-mail: wyujie@bjfu.edu.cn

摘要：基于无人机平台的SfM技术是获取高精度地形的重要手段，如何在开展外业测量之前确定地形勘察的最佳日期对水土保持项目的规划和实施至关重要。以东北黑土区不同气候带为例，结合当地的气候和植被动态变化特征探讨该区适宜无人机地形勘察的最佳时间窗口，以期为其他地区的地形勘察期选取提供借鉴，为水土保持领域的地形侵蚀监测研究服务。选择的试验区东北黑土区跨寒温带、中温带和暖温带3个温度带，分析不同温度带典型站点1988-2017年的气候数据以及2020年全年的植被覆盖度、雪盖变化；以常见的大疆无人机运行参数作为气候数据的筛选条件，初步按照中覆盖（FVC < 0.6）条件为植被覆盖度的筛选依据，确定无人机地形勘察的适宜期。结果表明：东北黑土区3个温度带进行无人机地形勘察的最适时间范围分别是：寒温带的适宜时间为4月中旬至5月初、中温带为4月中旬至5月中旬、暖温带为3月中旬至4月底和9月底至11月初。

关键词：无人机地形适宜时间东北黑土区

Investigating optimal time window for UAV terrain measuring by considering weather and land cover conditions: Taking the Northeast Black Soil Region as an example

WANG Yuepu ¹, QIN Wei ², YANG Wentao ¹, WANG Yujie ¹, WANG Yunqi ¹, JIANG Tao ¹

1. School of Soil and Water Conservation, Beijing Forestry University, 100083, Beijing, China;
2. Department of Sediment Research, China Institute of Water Resources and Hydropower Research, 100044, Beijing, China

Abstract: [Background] The Structure from Motion (SfM) technology based on the Unmanned Aerial Vehicle (UAV) platform is an important optical remote sensing technology to measure high-precision digital terrain. The SfM technology is often influenced by clouds and vegetation cover, whereas the UAV platform could be impacted by winds. This work aims to explore the optimal time window to measure terrain by the UAV-SfM survey in the Black Soil Region of Northeast China by considering dynamic changes of local climate and vegetation. [Methods] The study area covers three climatic zones: The cold temperate zone, the middle temperate zone and the warm temperate zone. For different climatic zones in the Black Soil Region of Northeast China, the climate data of a typical site from 1988 to 2017 and the dynamics of vegetation coverage and snow cover in 2020 were analyzed. Typical DJI UAV operating parameters were used as the initial screening conditions for annual average climate data (temperature, wind speed and precipitation), and the medium vegetation coverage condition (FVC < 0.6) was then used as the screening basis for vegetation coverage to determine the appropriate period for the UAV terrain survey. [Results] 1) The temperature and wind speed of the three meteorological stations were analyzed comprehensively. It was found that the temperature curve changed as a quadratic function, and the average wind speed curve and the maximum continuous wind speed curve had the same trend. Temperature and wind speed were satisfied in the cold temperate zone from mid-April to early October, in the middle temperate zone from early April to mid-October, and in the warm temperate zone from mid-March to mid-November. 2) The probability of daily precipitation curves in the three meteorological stations fluctuated greatly and were not significantly representative, thus it could not be used as the standard for estimating investigating optimal time window. 3) By analyzing the land cover conditions of the three sites, it was found that the ground was covered with snow from October to March of the following year, and the vegetation coverage exceeded 0.6 from May to October, which made it impossible to carry out UAV topographic survey. The cover conditions that met terrain acquisition range from March to the end of April and from the end of September to November. Comprehensive analysis of meteorological and cover conditions, we found that the most suitable periods for the cold, middle and warm temperate zones were from mid-April to early May, from mid-April to mid-May, and from mid-March to the end of April or from the end of September to the beginning of November. [Conclusions] By applying the results of this paper, the UAV-SfM survey may effectively avoid adverse periods and ensure obtaining the best results. The findings of this work could guide terrain measuring works in the field of soil and water conservation.

Keywords: UAV terrain suitable period Black Soil Region of Northeast China

近年来，无人机遥感技术凭借其可操作性强、分辨率高的优势被广泛应用在植被资源调查和地形监测工作中^[1-2]。其中，基于SfM(Structure from Motion)方法的摄影测量技术为地形研究提供新的数据获取手段^[3-4]。其数据采集方式多基于无人机平台开展，且相较于Li DAR技术具有操作简单灵活，数据获取效率高，技术成本低等特点。目前无人机遥感技术在水土保持领域得到了广泛的应用。例如无人机遥感技术可用于水土保持监测项目中土石方量的精确测算^[5]；该技术还可为水土保持信息化监测提供服务等^[6]。

近期，有研究发现，无人机SfM技术在某些土地类型的地形获取精度上具有和激光雷达相媲美的精度。Liao等^[7]在东北较平坦地形对比同一地块对大疆精灵4pro所拍摄的可见光生成的DEM与激光雷达生成的DEM对比发现：2类高程间的相关性在裸地最高(R² =0.998 7)，荒地(R² =0.965 6)仅次于裸地，林地效果最差(R² = 0.340 5)。林鑫等^[8]分析无人机密集匹配点云和机载激光雷达点云的异同性，对密集林分(郁闭度0.85)、稀疏林分(郁闭度0. 55)和未成林地的2种点云对比分析，发现对于稀疏林分，无人机密度匹配点云的统计特征参数与机载激光雷达点云的统计特征参数基本一致，对于新造未成林地，无人机密集匹配点云对幼树三维结构的刻画优于机载激光雷达点云。研究均表明中覆盖(FVC＜0.6)条件下采用无人机SfM技术具有较高精度。

无人机SfM方法已逐步被应用于地形研究领域^[9]，但其研究更关注数据本身情况，并未对数据获取时间以及地表覆盖情况能否适用于地形研究进行探讨。在实际应用中，SfM方法受到以下条件的限制：1)在植被发育好的区域，由于光线不能穿透植被，SfM测量方法难以测量密闭植被下的地形。2)SfM测量技术还容易受不利天气的影响。例如，大风天气会较大程度干扰螺旋桨的气流，影响小型无人机控制平台的稳定，易造成飞行器失稳从而影响拍摄相片质量。降水天气飞行时，雨水可能会随着螺旋桨气流的旋动进入无人机机身内部从而对电池或电路造成损坏，致使短路或断路的情况发生^[10]。因此，开展气象、植被覆盖等的分析对预先规划和顺利实施无人机外业地形勘测任务至关重要^[11]。笔者以东北黑土区寒温带、中温带和暖温带为例，通过分析不同温度带的温度、风速、降水、植被覆盖度、雪盖等条件尝试挑选出常用无人机的地形勘察适宜期，以期为水土保持领域野外地形勘测规划提供参考。

1 研究区概况

试验区东北黑土区是世界仅存的“三大黑土区”之一，地理位置介于E 41°01′~53°05′、N 115°03′~135°05′之间, 是世界3大黑土区中面积最小，气候条件最寒冷的区域。本文东北黑土区参照水土保持区划分区^[12]，其主要分布在松嫩流域腹地，北起嫩江、北安，南至四平(图 1)。研究区气候干燥寒冷，降雨集中，年平均降雨量400~700 mm，水资源总量1 415.99亿m³，人均占有量1 213.98 m³。东北黑土区从南向北具有暖温带、中温带和寒温带的热量变化，自东向西具有湿润、半湿润和半干旱的湿度分异，具有独特的植被分布格局，是全球变化研究的敏感区域之一。东北黑土区植被覆盖度较高，主要植被类型为农业植被、森林和草原，还有少部分草甸、灌丛等植被。

图 1 东北黑土区与代表气象站地理位置示意图 Fig. 1 Geographical location map of the Black Soil Region of Northeast China and meteorological stations

2 数据与方法 2.1 不同气候带的气象数据

本文的试验区主要涉及2个温度带：寒温带和中温带，但是黑土区最南端毗邻暖温带^[13]。为了反映研究区从北到南的气候梯度状况，从北向南依次选择了大兴安岭地区的漠河站、齐齐哈尔市的三家子气象站和最南端的大连市周水子站，并在这3个气象站附近各选择了一个哨兵二号数据瓦块分析地表覆被状况。气象数据来源于中国气象科学数据服务网(http://data.cma.gov.cn)，选择含有温度、风速、降雨量等内容的数据。时间范围为1988—2017年的有效数据。

2.2 不同气候带植被动态数据

植被覆盖是干扰无人机可见光摄影测量获取地形的重要因素。为了分析适宜无人机获取真实地形的有效窗口，在3个气候带选取3个瓦块的哨兵二号数据^[14]，其土地利用类型均为农地。寒温带的哨兵二号数据覆盖了漠河气象站，数据瓦块编号是51UVU；中温带的哨兵数据覆盖三家子气象站附近的鹤山农场，数据瓦块编号是51UXQ；暖温带的哨兵数据覆盖周水子气象站附近，数据瓦块编号是51TVE。在漠河地区、鹤山农场和周水子地区，分别获取了2020年的17幅、51幅和12期无云、高质量的哨兵二号卫星影像(影像拍摄时间请参见表 1)。

表 1 所使用哨兵二号影像的拍摄日期 Tab. 1 Acquisition dates of the Sentinel-2 images used in this work

对所有影像进行归一化植被指数(normalized difference vegetation index, NDVI)计算，见式(1)^[15]；并在此基础上，采用最小二乘法对全年的NDVI时间序列做了平滑滤波，以消除不利天气的可能影响^[16]。然后根据式(2)进行植被覆盖度(fractional vegetation cover, FVC)计算。

根据文献[17]提到的FVC的计算公式，式中NDVI的最大值和最小值应该来自每景影像中的完全被植被覆盖和没有任何植被的像素位置。为了简化计算，本文中的NDVI最大和最小值来自固定像素上NDVI时间序列的最大和最小值。我们选取的位置主要是农地，从全年来看其最大值和最小值也表征了该像素位置完全被植被覆盖和没有任何植被的两种情况。东北研究区有密闭的常绿林分布，完全被该林种覆盖(100 %覆盖)的像素上的NDVI在年内数值较稳定且应与完全被农作物覆盖的NDVI接近。从这种意义上讲，笔者采用的从农田全年NDVI时间序列中选取最大和最小NDVI计算FVC的方法存在合理性。

$ \mathrm{NDVI}=\frac{r_{\text {nir }}-r_{\text {red }}}{r_{\text {nir }}+r_{\text {red }}}。$

(1)

式中：r_nir和r_red分别为影像的近红外和红光波段，μm。

$ \mathrm{FVC}=\frac{\mathrm{NDVI}-\mathrm{NDVI}_{\min }}{\mathrm{NDVI}_{\max }-\mathrm{NDVI}_{\min }}。$

(2)

式中：NDVI_max和NDVI_min分别为给定像素上最大和最小的NDVI值，范围为-1~1。

此外地表积雪也是影响无人机搭载可见光传感器勘测地形的一个重要因素。为了反映研究区积雪的影响，对所有影像进行了归一化雪盖指数(normalized difference snow index, NDSI)^[18]计算。

$ \mathrm{NDSI}=\frac{\text { Green }-\mathrm{SWIR} 1}{\text { Green }+\mathrm{SWIR} 1} $

(3)

式中：Green和SWIR1分别为影像的绿光和中红外波段，μm。

2.3 无人机承受的气象条件

根据无人机结构分类，可简单分成固定翼式无人机、旋翼式及多旋翼式无人机、扑翼式无人机、伞翼无人机和其他特形无人飞行器^[19]。而水保行业无人机多采用多旋翼无人机。分析水保行业常用无人机进行平台限制因素调查，得出现有多旋翼无人机飞行抗风能力多在四级(8 m/s)以下, 如表 2所示。

表 2 水保行业常用无人机平台运行条件 Tab. 2 Required operating conditions for commonly used UAVs in the soil and water conservation area

2.4 数据分析法

对各站点的大量数据进行筛选和分析，具体根据无人机适宜温度和风速条件筛选大量数据，由于无人机飞行最高可达500 m，因此运行环境温度按照温度垂直递减率进行计算，以此分析。此外雨雪天气则取其30年间同一天降水次数占30年的比例作为日降雨概率，以估算遭遇降雨天气的概率。根据林草植被覆盖度划分标准，裸地的植被覆盖度 < 0.1，中覆盖度 < 0.6。植被覆盖度则参照前人研究结果^[8]，以中覆盖作为筛选条件。

3 结果与分析 3.1 温度和风速适宜性分析

对3个典型气象站1988—2017年气象数据日值资料进行日均值计算，其温度和风速如图 2所示。其中，寒温带的漠河站最高温和最低温跨度大，最高气温均没有超过40 ℃，但气温0 ℃以下时间较长，占据全年近50 %(图 2a)。同时满足飞行器工作环境温度以及飞行至500 m温度的时间范围是4月26日—10月1日。除此以外风速在一年中波动变化明显，且呈现双峰趋势。由图 2a可知，平均风速均未超过最大可承受风速，但最大持续风速一年中有半数以上超过了8 m/s的限制，满足飞行条件的时间范围为6月29日—9月5日。1—3月和11—12月风速虽均在8 m/s以下，但其温度不符合无人机飞行器要求，因此不适宜无人机室外飞行作业。

水平红线表示温度恒为0 ℃，水平蓝线表示风速恒为8 m/s。 Horizontal red lines indicate the constant temperature of 0 ℃, and horizontal blue lines indicate the constant wind speed of 8 m/s. 图 2 漠河、三家子和周水子气象站1988—2017年日平均温度和风速图 Fig. 2 Daily average temperature and wind speed in 1988-2017 for the Mohe(a), Sanjiazi(b) and Zhoushuizi(c) meteorological stations

中温带的三家子站1988—2017年温度日均值波动呈二次函数曲线变化，最高最低温差近40 ℃，0 ℃以上时间较多，对无人机野外试验有利(图 2b)。根据无人机工作运行温度筛选，满足其飞行工作温度的时间为4月3日—10月23日。对风速数据进行处理发现，平均风速均在限制条件以下，均符合要求，而最大持续风速的适宜范围也与温度相一致。虽有极个别极端风速出现，但时间不多，且为最大持续风速，可酌情根据当天风速情况进行作业。由此可看出中温带气象站点的气象条件明显较寒温带更适宜无人机飞行。

对位于暖温带的周水子站30年气象数据进行分析发现，该站点的温度在0 ℃以上的时间大于50%，全年气温变化趋势同样呈现凸曲线，在8月份温度达到最大值(图 2c)。其中同时满足飞行器工作环境温度以及飞行至500 m温度的时间范围为3月10日—11月25日，明显较寒温带和中温带时间增多。最大持续风速和平均风速的变化趋势一致，周水子站平均风速均未大于8 m/s，最大持续风速在3、4月有部分超过运行风速，但最大持续风速仅代表当天的瞬时风速，具体还应参照平均风速进行判断，实际操作过程中应避开当天风速最大的时间段。综合而言不适宜温度和风速的时间较少。

3.2 降水适宜性分析

由于丰水年和平水年情况不同，且降水量的日均值并不具有显著代表性，故仅对30年间的日降水概率进行统计。如图 3所示，漠河站降水频率波动较大，在3月至10月呈现明显的凸曲线，降水频率较大的时段多处在夏季，但降水频率超过0.5的时间并不多。降水频率的变化并不能作为估测某天降雨可能性的切实依据，具体选择应参照气温和风速因素综合考量，尽可能选在降雨概率小的时间进行无人机外业调查。

图 3 漠河、三家子和周水子气象站1988—2017年日降雨概率 Fig. 3 Probability of daily precipitation in 1988-2017 for the Mohe, Sanjiazi and Zhoushuizi meteorological stations

分析中温带三家子站1988—2017年日降水频率发现，其日降水概率波动较大，降水概率在0.5以上的时间不超过10%，且大多分布在7、8月。无人机在野外飞行作业时应选在日降雨频率小的时间，提前关注天气预报，避开阴雨天气，防止降雨对无人机机身造成损坏。

位于暖温带的周水子站30年间日降水概率超出0.5的时间出现在夏季7月，且时间很少。春季、秋季和冬季降水概率明显少于夏季。从5月上旬开始降水频率逐渐增大，8月初开始逐渐下降。根据对日降水频率进行统计发现降水频率并没有为0的情况，说明降水频率只能代表其30年间的降水次数，并不能作为估测窗口期是否降雨的标准。

3.3 植被覆盖度、地表雪动态和适宜性分析

从2020年全年NDSI时间序列可以看出，NDSI值在冬季变大，说明冬季地表有积雪覆盖，而进入春夏秋则保持相对稳定的趋势。3类温度带中的寒温带(漠河)和中温带(三家子)的冬季(10月—翌年3月)持续被积雪覆盖，不适宜无人机地形的勘测，而暖温带冬季受雪盖影响很小。此外，春初秋末还需要考虑突然的降雪影响。以2020年鹤山地区为例，2020年4月23日积雪指数突然升高(图 4b)，经检查哨兵影像发现该区域出现了大范围降雪。

图 4 漠河、三家子(以鹤山实验农场表示)和周水子气象站附近FVC(黑线)和NDSI(橘色线)时间分布 Fig. 4 Time series of the FVC (black lines) and NDSI (orange lines) near the Mohe, Sanjiazi (represented by the Heshan Experimental Farm) and Zhoushuizi meteorological station

从植被覆盖度时间序列来看，3类温度带中的植被覆盖年际变化曲线总体呈现“几”字形。植被覆盖度总体先增加，后趋于稳定，最后呈现降低的趋势。植被覆盖度最大值都在夏季7—8月之间达到最大。对3类温度带而言，5—10月植被盖度普遍超过0.6，可能对无人机SfM地形勘测有较大影响。综合地表雪和植被覆盖两种因子来看，在春季和秋季共有2个时间窗口适宜无人机SfM地形勘测。根据中覆盖条件进行筛选，并综合考虑NDSI的变化，在3—4月底前及9月底—11月前均可进行无人机飞行。

4 讨论

利用无人机SfM技术开展地形勘察是以较低成本获取高精度地形数据的有效手段^[20]。但是在实际开展野外地形勘察时，无人机平台容易受到温度、风速和降水的影响，而SfM技术容易受到植被覆盖度和雪盖的影响，从而难以获得真实的地表数据。本文尝试提出一种基于气候和覆被要素考量的无人机地形勘察适宜期挑选方法，并对东北的不同气候区开展实验。通过提前分析研究区温度、风速、降水、植被盖度和雪盖的时间规律，有利于指导避开外业飞行的不利期，对规划和开展野外测量有一定的现实意义。此外，笔者所在的研究组曾于2019年5月初在中温带的鹤山农场附近进行无人机地形测绘作业。在野外测量工作期间其气象条件和植被覆盖度条件均与本文结论较为一致。因此，笔者提出的这种基于气象和覆被条件室内分析方法可有效的指导无人机的外业地形勘测工作。但在具体实施前仍需要根据当地实际的气象和覆被条件选择合适的时间窗口开展野外作业，以缩减不利天气的影响、降低对无人机的损耗。

考虑到同温度带内气候条件的类似性特点，在对温度、风速等气象要素的分析上选取的代表性站点的日均值。对降雨数据的分析上，选取了近30年的日降雨频率进行评估。受可利用数据的限制，仅分析了日平均风速，但在实际飞行作业中瞬间最大风速可能更影响无人机的外业工作。同一气候带的温度和降水的空间分布规律一致性较高，但气候带对风速的空间指示性较弱。因此，在对其他地区的地形勘察适宜期研究中，应该着重注意对风速和覆被条件的分析，例如在未来的研究中，应该采用基于面状的气象预测要素开展适宜期分析。

采用的植被覆盖度是基于10 m分辨率的哨兵二号影像和NDVI经验公式计算得到的。哨兵二号有两颗极轨卫星，在赤道地区的时间重访周期是5 d，在东北高纬度地区的重放周期小于5 d。在文中，从全年哨兵二号数据中挑选出了无云或少云的高质量影像，以去除不利天气等的影响，以对地表植被实现连续的有效观测。需要注意的是，依据10 m分辨率的哨兵数据计算得到的植被覆盖度可能仍与实地测量的植被覆盖度存在一定的区别^[21]。为了便于确定时间窗口，采用的植被覆盖度为0.6的阈值，而实际阈值的确定需要结合野外的实地工作，这也是下一步计划开展的一个研究内容。

在使用经验公式从NDVI转化为FVC时采用的是每个NDVI时间序列最大、最小值开展的计算。之所以采用这种方法，是因为NDVI容易饱和^[22]，给定地区一年内NDVI的最大值可以当作植被盖度100%的情况，而最小的NDVI当作该点植被盖度为0的情况。因为，针对每个研究区不知道其真实的地表覆盖情况，所以难以针对每景影像确定其最小和最大植被盖度的NDVI。这一点也可能会给结果带来误差。尽管如此，植被盖度应该和NDVI在一年内的时间序列都有类似的变化规律，因此对最终的结果影响应该比较有限。

5 结论

1) 寒温带开展无人机外业的窗口期为4月中旬—5月初；

2) 中温带的飞行窗口期较寒温带长，在4月中旬—5月中旬；

3) 暖温带可选择的窗口期范围较寒温带和中温带大，时间范围分别为3月中旬—4月底，9月底—11月初。

6 参考文献

[1]	徐朋, 徐伟诚, 罗阳帆, 等. 基于无人机可见光遥感影像的耕地精准分类方法研究[J]. 中国农业科技导报, 2019, 21(6): 79. XU Peng, XU Weicheng, LUO Yangfan, et al. Precise classification of cultivated Land based on visible remote sensing image of UAV[J]. Journal of Agricultural Science and Technology, 2019, 21(6): 79.
[2]	许子乾. 基于无人机航测与激光雷达技术的林分特征及生物量估测[D]. 南京: 南京林业大学, 2019: 2. XU Ziqian. Estimationon stand characteristic parameters and biomass of forest by UAV aerial photogrammetry and LiDAR[D]. Nanjing: Nanjing Forestry University, 2019: 2.
[3]	汤国安. 我国数字高程模型与数字地形分析研究进展[J]. 地理学报, 2014, 69(9): 1305. TANG Guoan. Progress of DEM and digital terrain analysis in China[J]. Acta Geographica Sinica, 2014, 69(9): 1305.
[4]	史扬子, 黄婷婷, 罗建勇, 等. SfM摄影测量法测定切沟的精度评价[J]. 水土保持研究, 2020, 27(1): 39. SHI Yangzi, HUANG Tingting, LUO Jianyong, et al. Evaluation on the accuracy of structure from motion (SfM) photogrammetry on gully surveying[J]. Research of Soil and Water Conservation, 2020, 27(1): 39.
[5]	梁石, 刘万青, 王宁, 等. 消费型无人机用于估算生产建设项目人工堆积体土石方量[J]. 中国水土保持科学, 2020, 18(3): 132. LIANG Shi, LIU Wanqing, WANG Ning, et al. Application of consumer drone in the earthwork estimation of artificial deposit in construction project[J]. Science of Soil and Water Conservation, 2020, 18(3): 132.
[6]	廖凯涛, 宋月君, 张金生, 等. 无人机遥测技术在水土保持生态果园改造监测中的应用[J]. 中国水土保持科学, 2017, 15(5): 135. LIAO Kaitao, SONG Yuejun, ZHANG Jinsheng, et al. UAV remote sensing technology in the application of the ecological orchard construction of soil and water conservation[J]. Science of Soil and Water Conservation, 2017, 15(5): 135.
[7]	LIAO J, ZHOU J, YANG W. Comparing LiDAR and SfM digital surface models for three land cover types[J]. Open Geosciences, 2021, 13(1): 497. DOI:10.1515/geo-2020-0257
[8]	林鑫, 庞勇, 李春干. 无人机密集匹配点云与机载激光雷达点云的差异分析[J]. 林业资源管理, 2020(3): 58. LIN Xin, PANG Yong, LI Chungan. Analysis of the deference between the UAV dense matching point cloud and airborne LiDAR point cloud[J]. Forest Resources Management, 2020(3): 58.
[9]	熊保颂. 基于便携式无人机SfM方法的活动构造地貌位错测量应用研究[D]. 武汉: 中国地震局地震研究所, 2020: 2. XIONG Baosong. Offset measurement along active fault based on portable UAV and structure from motion[D]. Wuhan: Institute of Seismology China Earthquake Administration, 2020: 2.
[10]	王伟, 董晓虎, 付晶, 等. 电力无人机气象环境适应性试验及防倾覆策略[J]. 湖北电力, 2019, 43(6): 7. WANG Wei, DONG Xiaohu, FU Jin, et al. Meteorological environment adaptability test and overturning prevention strategies for UAV in power system[J]. Hubei Electric Power, 2019, 43(6): 7.
[11]	DEMITRIT Y, VERLING S, STASTNY T, et al. Model-based wind estimation for a hovering VTOL tailsitter UAV[C]//IEEE International Conference on Robotics & Automation. IEEE, 2017.
[12]	全国水土保持规划编制工作领导小组办公室, 水利部水利水电规划设计总院. 中国水土保持区划[M]. 北京: 中国水利水电出版社, 2016: 95. Office of the Leading Group for the Preparation of National Water and Soil Conservation Planning by the General Institute of Water Resources, Hydropower Planning and Design of the Ministry of Water Resources. China water and soil conservation regionalization[M]. Beijing: China Water Conservancy and Hydropower Press, 2016: 95.
[13]	郑景云, 卞娟娟, 葛全胜, 等. 1981—2010年中国气候区划[J]. 科学通报, 2013, 58(30): 3088. ZHENG Jinyun, BIAN Juanjuan, GE Quansheng, et al. The climate regionalization in China for 1981-2010[J]. Chinese Science Bulletin, 2013, 58(30): 3088.
[14]	YANG W, WANG Y, SUN S, ET al. Using Sentinel-2 time series to detect slope movement before the Jinsha River landslide[J]. Landslides, 2019, 16(7). DOI:10.1007/s10346-019-01178-8
[15]	DEFRIES R S, TOWNSHEND J R G. NDVI-derived land cover classifications at a global scale[J]. International Journal of Remote Sensing, 1994, 15(17): 3567. DOI:10.1080/01431169408954345
[16]	ZHU Z, WOODCOCK C E. Continuous change detection and classification of land cover using all available Landsat data[J]. Remote Sensing of Environment: An Interdisciplinary Journal, 2014, 144(17): 152.
[17]	李苗苗. 植被覆盖度的遥感估算方法研究[D]. 北京: 中国科学院研究生院(遥感应用研究所), 2003: 22. LI Miaomiao. The method of vegetation fraction estimation by remote sensing[D]. Beijing: Institude of Remote Sensing Applications Chinese Academy of Sciences, 2003: 22.
[18]	APPEL I, SALOMONSON V V. Development of the Aqua MODIS NDSI fractional snow cover algorithm and validation results[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7): 1747. DOI:10.1109/TGRS.2006.876029
[19]	SHARMA V, BENNIS M, KUMAR R. UAV-assisted heterogeneous networks for capacity enhancement[J]. IEEE communications letters, 2016, 20(6): 1207. DOI:10.1109/LCOMM.2016.2553103
[20]	毕海芸, 郑文俊, 曾江源, 等. SfM摄影测量方法在活动构造定量研究中的应用[J]. 地震地质, 2017, 39(4): 656. BI Haiyun, ZHENG Wenjun, ZENG Jiangyuan, et al. Application of SfM photogrammetry method to the quantitative study of active tectonics[J]. Seismology and Geology, 2017, 39(4): 656.
[21]	周为峰. 基于遥感和GIS的区域土壤侵蚀调查研究[D]. 北京: 中国科学院研究生院(遥感应用研究所), 2005: 37. ZHOU Weifeng. Regional soil erosion assessment with remote sensing and geography information system[D]. Beijing: Institute of Remote Sensing Applications Chinese Academy of Sciences. 2005: 37.
[22]	丁艳玲. 植被覆盖度遥感估算及其真实性检验研究[D]. 长春: 中国科学院研究生院(东北地理与农业生态研究所), 2015: 45. DING Yanling. Research on the estimation of fractional vegetation cover and the validation of fractional vegetation cover product[D]. Changchun: Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, 2015: 45.