基于無(wú)人機(jī)數(shù)碼影像的馬鈴薯覆蓋度提取方法

吳智超 李長(zhǎng)春 馮海寬 翟麗婷 王道勇 楊貴軍

(1.河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院，焦作 454000；2.北京農(nóng)業(yè)信息技術(shù)研究中心農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室，北京 100097；3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；4.安徽大學(xué)農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)國(guó)家地方聯(lián)合工程研究中心，合肥 230601)

0 引言

植被覆蓋度是指觀測(cè)區(qū)域植被冠層的垂直投影面積與土壤總面積的比值，即植土比[1-3]。植被覆蓋度是反映植被基本情況的客觀指標(biāo)，是農(nóng)學(xué)、生態(tài)學(xué)等學(xué)科所關(guān)注的重要參數(shù)。植被覆蓋度測(cè)量方法的準(zhǔn)確度，直接決定了測(cè)量結(jié)果的準(zhǔn)確性和可信度。植被覆蓋度測(cè)量方法的發(fā)展大致經(jīng)歷了簡(jiǎn)單目估法、采樣法、儀器測(cè)量計(jì)算法、遙感監(jiān)測(cè)法等。

目估法是傳統(tǒng)的快速獲取植被覆蓋度估測(cè)方法，簡(jiǎn)單、易行，但主觀隨意性較大，其測(cè)算結(jié)果和目估對(duì)象的實(shí)際覆蓋度大小及測(cè)量人的經(jīng)驗(yàn)密切相關(guān)，有研究表明，個(gè)人目估最大誤差可達(dá)40.4%[4-5]。采樣法是通過設(shè)定樣方，將樣針在試驗(yàn)田一根根垂直投下，記錄植被被樣針擊中的數(shù)目，然后計(jì)算擊中數(shù)目占總樣針數(shù)目的比值作為植被覆蓋度，這種方法雖然準(zhǔn)確，但操作復(fù)雜，且十分耗時(shí)[6]。儀器法是采用專門的儀器，如空間定量計(jì)、移動(dòng)光量計(jì)和照相機(jī)等直接進(jìn)行覆蓋度的測(cè)量，其中照相法具有簡(jiǎn)單、經(jīng)濟(jì)等優(yōu)勢(shì)，應(yīng)用比較廣泛[7-12]。如GUIJARRO等[8]基于數(shù)碼影像和紋理特征，借助于計(jì)算機(jī)技術(shù)識(shí)別田間雜草;張清平等[9]利用顏色分析軟件WinCAM, 通過顏色比對(duì)提取植被，并求得植被覆蓋度；池宏康等[10]利用 Photoshop 軟件對(duì)圖像進(jìn)行處理，通過分別統(tǒng)計(jì)圖像中的植被像元數(shù)量和樣地像元數(shù)量計(jì)算草地植被蓋度；章超斌等[11]利用RGB決策樹法提取新疆阜康市的草原區(qū)植被覆蓋度；任杰等[12]利用歸一化差異指數(shù)(Normalized difference index，NDI)對(duì)數(shù)字影像進(jìn)行處理，提取植被覆蓋度信息；胡健波等[4]選取超綠特征作為植被指數(shù)，通過設(shè)定閾值提取草地覆蓋度。遙感監(jiān)測(cè)法是指利用遙感技術(shù)進(jìn)行植被覆蓋度計(jì)算的方法。近年來(lái)，隨著數(shù)碼相機(jī)的普及、精度的提高和數(shù)字圖像技術(shù)的快速發(fā)展，目前應(yīng)用最為廣泛的遙感監(jiān)測(cè)方法是植被覆蓋度與光譜指數(shù)的相關(guān)性及回歸模型法[13-14]。但其操作較為復(fù)雜，測(cè)量時(shí)間長(zhǎng)，限制條件多，效率低等，因此不易推廣。無(wú)人機(jī)遙感技術(shù)以其靈活性高、影像獲取時(shí)間短、成本低等優(yōu)勢(shì)，在森林資源調(diào)查、農(nóng)情實(shí)時(shí)監(jiān)測(cè)等方面發(fā)揮著巨大的作用[15-23]。如李冰等[15]對(duì)冬小麥不同生長(zhǎng)階段的覆蓋度進(jìn)行無(wú)人機(jī)遙感監(jiān)測(cè)。路炳軍等[16]利用數(shù)碼相機(jī)拍攝的圖像快速獲取植被覆蓋度。張學(xué)霞等[17]通過選取植被和非植被的感興趣區(qū)域，分析各自的光譜信息規(guī)律，利用線性混合像元分解的方法獲取植被覆蓋度。ZHOU等[18]利用數(shù)碼影像，通過結(jié)合光譜和紋理的非監(jiān)督分類方法提取草地覆蓋度。趙靜等[19]采用監(jiān)督分類與可見光植被指數(shù)統(tǒng)計(jì)直方圖相結(jié)合確定閾值的方法進(jìn)行玉米植被覆蓋度的提取。TORRES-SNCHEZ等[20]利用無(wú)人機(jī)的數(shù)碼影像提取出圖像指數(shù)，完成數(shù)碼影像小麥信息的提取。BENDIG等[21]利用作物表面模型結(jié)合無(wú)人機(jī)可見光、近紅外影像進(jìn)行大麥生物量監(jiān)測(cè)。劉煥軍等[22]利用航空高光譜數(shù)據(jù)，建立棉花光譜指數(shù)與產(chǎn)量的關(guān)系，實(shí)現(xiàn)田塊尺度的棉花產(chǎn)量預(yù)測(cè)。劉峰等[23]通過比較像元各波段反射率，對(duì)植被像元與土壤像元進(jìn)行區(qū)分，進(jìn)而得到影像的植被覆蓋度。

以上植被覆蓋度研究大多數(shù)是利用地面的傳統(tǒng)方法及部分?jǐn)?shù)字圖像處理技術(shù)，而利用無(wú)人機(jī)影像進(jìn)行研究的較少。本文提出一種利用顏色轉(zhuǎn)換空間HSI從無(wú)人機(jī)數(shù)碼影像快速提取植被覆蓋度的算法，并將此方法與最大似然監(jiān)督分類法、EXG指數(shù)法進(jìn)行比較，旨在探求一種更加客觀、適用性更強(qiáng)、耗時(shí)更少、準(zhǔn)確性更高的植被覆蓋度提取方法。

1 材料與方法

1.1 研究區(qū)概況

實(shí)驗(yàn)于2019年3—7月在北京市昌平區(qū)小湯山鎮(zhèn)國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地開展。該區(qū)域位于小湯山鎮(zhèn)(北緯40°11′18″，東經(jīng)116°27′5″)東北部，平均海拔為36 m,氣候?yàn)楸睖貛О霛駶?rùn)大陸性季風(fēng)氣候，夏季高溫多雨，冬季寒冷干燥，春天、秋天較短。平均全年無(wú)霜期180 d。

圖1 研究區(qū)區(qū)位及小區(qū)分布圖

研究區(qū)區(qū)位及實(shí)驗(yàn)小區(qū)分布如圖1所示。實(shí)驗(yàn)品種設(shè)2個(gè)水平：中薯3(右)、中薯5(左)；密度設(shè)3個(gè)水平：60 000株/hm2(T1)、72 000株/hm2(T2，正常處理)、84 000株/hm2(T3)；6個(gè)處理，每個(gè)處理3個(gè)重復(fù)，共18個(gè)實(shí)驗(yàn)小區(qū)。東西總長(zhǎng)39.6 m，南北總長(zhǎng)15 m(不包括保護(hù)行)，小區(qū)尺寸5 m×6.6 m。

1.2 數(shù)據(jù)獲取

實(shí)驗(yàn)開始前在實(shí)驗(yàn)小區(qū)內(nèi)隨機(jī)放置1.3 m×1.3 m的白色方框作為研究小區(qū)，研究小區(qū)的方框需要垂直或平行于實(shí)驗(yàn)作物行。本研究所使用的數(shù)據(jù)分為兩類：①無(wú)人機(jī)數(shù)碼影像，采用大疆公司生產(chǎn)的精靈系列4A產(chǎn)品獲取，無(wú)人機(jī)部分參數(shù)見表1。②地面數(shù)碼影像，采用佳能公司G系列的G16型相機(jī)獲取，地面數(shù)碼相機(jī)部分參數(shù)見表2。

表1 無(wú)人機(jī)部分參數(shù)

表2 地面數(shù)碼相機(jī)部分參數(shù)

無(wú)人機(jī)數(shù)碼影像拍攝于2019年5月16日11:00—12:00，拍攝時(shí)天氣晴朗，無(wú)云，微風(fēng)，飛行高度為20 m，屬超低空飛行，獲得的圖像基本不受大氣因素影響。拍攝時(shí)無(wú)人機(jī)相機(jī)鏡頭保持垂直向下。由于本研究對(duì)中心波長(zhǎng)的位置和波段范圍并無(wú)嚴(yán)格要求，故對(duì)所獲取的影像沒有進(jìn)行輻射定標(biāo)[24]。地面數(shù)碼影像拍攝時(shí)間為當(dāng)天15:00—16:00，拍攝高度2 m，相機(jī)位于研究小區(qū)正上方，保持水平拍攝。

1.3 實(shí)驗(yàn)方法

1.3.1植被覆蓋度提取算法

植被覆蓋度提取算法(Vegetation coverage extraction algorithm，VCEA)是學(xué)習(xí)借鑒了多篇求取植被覆蓋度的相關(guān)文獻(xiàn)的思路和想法[4,14,25]，并對(duì)其中部分方法進(jìn)行了優(yōu)化。算法原理如下：首先，利用顏色轉(zhuǎn)換空間HSI進(jìn)行研究區(qū)外實(shí)驗(yàn)區(qū)的處理，再通過過綠植被指數(shù)對(duì)前一步得到的研究區(qū)進(jìn)行剔除綠色植被處理；然后通過最大類間方差(Otsu)求取閾值的方法進(jìn)行剔除土壤處理；通過形態(tài)學(xué)閾值法去除土壤上的植被(雜草)；形態(tài)學(xué)原理進(jìn)行去噪；最后分別提取植被像素?cái)?shù)與總像素?cái)?shù)并得到比值，即植被覆蓋度。

1.3.2植被指數(shù)提取法

植被指數(shù)提取法(EXG指數(shù)法)是利用ENVI軟件對(duì)Photoscan軟件拼接完成的數(shù)碼影像構(gòu)建植被指數(shù)，如過綠植被指數(shù)(Excess green index，EXG=2G-B-R),并利用雙峰閾值法確定閾值，將植被指數(shù)大于閾值的像素歸為植被，小于閾值的像素歸為背景，利用ENVI的分析功能獲取植被占比，即植被覆蓋度。

1.3.3監(jiān)督分類法

監(jiān)督分類又稱訓(xùn)練分類法，即用被確認(rèn)類別的樣本像元識(shí)別其他未知類別像元的過程[1]。本文利用最大似然法對(duì)拼接完成的數(shù)碼影像進(jìn)行監(jiān)督分類，將圖像分成植被和非植被兩類，提取出圖像中植被部分后，計(jì)算植被覆蓋度。最大似然法是根據(jù)訓(xùn)練樣本的均值和方差來(lái)評(píng)價(jià)其他像元和訓(xùn)練類別之間的相似性。

1.3.4顏色轉(zhuǎn)換空間HSI算法

提出一種利用顏色轉(zhuǎn)換空間HSI實(shí)現(xiàn)的算法(Color conversion space HSI algorithm，H-A)，此算法從數(shù)碼影像中快速提取植被覆蓋度。其原理為：首先利用HSI空間的S通道進(jìn)行去除白色處理，其間使用了最大類間方差法獲取閾值去白色，并采用了形態(tài)學(xué)處理去噪；其次是利用HSI空間的H通道進(jìn)行去土壤處理，期間同樣使用了最大類間方差法獲取閾值以及形態(tài)學(xué)處理；然后合成偽彩色植被圖像；最終分別計(jì)算原圖像的總像元數(shù)和偽彩色植被圖像的總像元數(shù)，求比值獲取結(jié)果，即植被覆蓋度。

2 結(jié)果分析

首先利用VCEA法對(duì)地面所獲取的各小區(qū)的數(shù)碼影像進(jìn)行處理，得到各小區(qū)的分類效果圖及分類結(jié)果，以此作為覆蓋度實(shí)測(cè)值。由于分類效果圖較大，故本文中僅隨機(jī)顯示其中6個(gè)研究小區(qū)的分類效果圖，見圖2。然后利用Photoscan軟件對(duì)無(wú)人機(jī)獲取的數(shù)碼影像進(jìn)行預(yù)處理，包括對(duì)齊影像、建立密集點(diǎn)云、生成網(wǎng)格、生成紋理和生成正射影像，再分別利用EXG指數(shù)法、最大似然監(jiān)督分類法對(duì)各個(gè)研究小區(qū)進(jìn)行處理，得到各研究小區(qū)的分類效果圖及分類結(jié)果，即植被覆蓋度。綜合分析不同方法所得到的分類結(jié)果，見表3。利用預(yù)測(cè)值和實(shí)測(cè)值分別計(jì)算得到各個(gè)研究小區(qū)不同方法的預(yù)測(cè)精度，見表4。此外，從獲得的無(wú)人機(jī)數(shù)碼影像中選取幾幅包含較多研究小區(qū)的影像，利用處理軟件將各個(gè)研究小區(qū)進(jìn)行裁剪并命名，然后利用H-A法分別對(duì)各個(gè)研究小區(qū)進(jìn)行處理，獲取相對(duì)應(yīng)的分類效果圖和分類結(jié)果，見圖3。利用所獲得的預(yù)測(cè)值與實(shí)測(cè)值建立對(duì)應(yīng)的函數(shù)模型，結(jié)果見圖4。

圖2 實(shí)測(cè)值處理效果圖

圖3 不同處理方法的效果圖

表3 分類結(jié)果

由圖2研究小區(qū)原圖與對(duì)應(yīng)的分類效果可以看出，VCEA法分類結(jié)果較為準(zhǔn)確，貼近于真實(shí)情況，所測(cè)得覆蓋度具有較高的可靠性，故以VCEA法的提取結(jié)果作為馬鈴薯覆蓋度的實(shí)測(cè)值。從圖3中可以看出，最大似然監(jiān)督分類法、EXG指數(shù)法和H-A法處理得到的影像效果與真實(shí)影像存在部分差別，但可以直觀看出，H-A法所獲得的效果圖和原圖的真實(shí)輪廓差距最小，最接近于真實(shí)圖，監(jiān)督分類法次之，EXG指數(shù)法最差。從表3中可以看出，3種不同處理的分類結(jié)果與真實(shí)值差別，總體看來(lái)，3種方法大多數(shù)均出現(xiàn)多分現(xiàn)象，其中H-A法的分類結(jié)果與實(shí)測(cè)值之間的誤差普遍較小，誤差大多數(shù)在1%左右，最大的誤差為2.28%，覆蓋度平均值誤差為0.45%；監(jiān)督分類法分類結(jié)果與實(shí)測(cè)值的誤差最大5.13%，平均誤差為2.65%；EXG指數(shù)法分類結(jié)果與實(shí)測(cè)值的誤差最大為14.25%，平均誤差為3.63%。綜上所述，H-A法分類效果最好，監(jiān)督分類法結(jié)果次之，EXG指數(shù)法最差。

表4 分類結(jié)果精度

圖4 實(shí)測(cè)值與預(yù)測(cè)值函數(shù)模型

由表4可以看出，利用H-A法得到的處理結(jié)果精度最高，精度均達(dá)到0.91以上，最高達(dá)到0.99，而精度均值達(dá)到0.96，具有很高的準(zhǔn)確性；監(jiān)督分類法的精度次之，最低為0.75，最高達(dá)到0.98，精度均值為0.90，具有較高的準(zhǔn)確性，但較為不穩(wěn)定，人工干預(yù)較大；EXG指數(shù)法精度最差，最低為0.74，最高達(dá)到0.98，精度均值為0.88，具有較好的準(zhǔn)確性，但也不穩(wěn)定。圖4是由得到的實(shí)測(cè)值與3種不同方法獲取的預(yù)測(cè)值所建立的函數(shù)模型，從中可以看出，H-A法的覆蓋度函數(shù)為y=1.01x,R2=0.97；監(jiān)督分類法所獲得的函數(shù)為y=1.07x,R2=0.82；而EXG指數(shù)法獲得的函數(shù)為y=1.11x,R2=0.74，由上述3個(gè)函數(shù)模型可得，H-A法獲得的函數(shù)中比例系數(shù)k和擬合度R2均最接近于1，精度最佳，效果最好。綜上所述，在求取植被覆蓋度的研究中，H-A法比最大似然監(jiān)督分類法和EXG指數(shù)法精度高，可靠性更好，并且該方法操作更加簡(jiǎn)單。

3 結(jié)論

(1)從分類效果圖來(lái)看，H-A法所估計(jì)的植被覆蓋度結(jié)果(分類準(zhǔn)確度)高于監(jiān)督分類法和EXG指數(shù)法，更加接近于真實(shí)情況。

(2)從分類精度來(lái)說，H-A法的分類精度均達(dá)到0.91以上，最高達(dá)到了0.99，均值達(dá)到了0.96；最大似然監(jiān)督分類法的分類精度最高值達(dá)到0.98，但最低值為0.75，均值達(dá)到0.90，較為不穩(wěn)定；EXG指數(shù)法的分類精度最高值達(dá)到0.98，但最低值為0.74，均值為0.88，也不穩(wěn)定。故H-A法精度最高。

(3)從擬合函數(shù)和相關(guān)性來(lái)說，H-A法、監(jiān)督分類法和EXG指數(shù)法的函數(shù)模型比例系數(shù)分別為1.01、1.07和1.11，相對(duì)應(yīng)的擬合度分別為0.97、0.82和0.74，很明顯H-A法的比例系數(shù)和擬合度更加接近于1，說明其相關(guān)性更高，可靠性更好。