基于像元二分法的冬小麥植被覆蓋度提取模型

小麥產量占糧食作物總產的20%以上，是我國重要的糧食作物之一[1-2]，為了保持小麥糧食產業(yè)的穩(wěn)定發(fā)展，需要對小麥有關生理信息進行準確快速的監(jiān)測。植被覆蓋度(Vegetation coverage，VC)是衡量陸地表面植被生長狀態(tài)變化的一個重要指標，通常是指植被(葉、莖、枝)在地面垂直投影的總面積占統(tǒng)計區(qū)總面積的百分比，反映了植物光合作用的能力以及植物的生長狀況，對土壤侵蝕和水土流失有重要的指示作用[3-5]。植被覆蓋度測量方法主要有地表實測法與遙感監(jiān)測法[6-7]。地表實測法主要包括目估法、采樣法和儀器法等，但其人為主觀性強、勞動強度大，受人力和物力等條件限制，難以在大面積范圍應用[8-9]。遙感技術為大面積監(jiān)測植被覆蓋度提供了可能，其中，應用較早的是衛(wèi)星遙感。佟斯琴等[10]在GIMMS NDVI3g 數據基礎上，通過強度分析方法和像元二分法，從植被覆蓋度等級變化、轉換和時間間隔3 個方面分析了1982—2010 年內蒙古植被覆蓋度的變化；李苗苗等[11]基于TM 遙感數據，在像元二分法原理基礎上，改進模型參數計算方法，構建了多光譜植被指數(NDVI)植被覆蓋度定量提取模型，實現(xiàn)了對密云水庫上游植被覆蓋度的提取。隨著遙感技術的發(fā)展，無人機航空遙感逐漸進入人們的視野，無人機遙感信息技術具有操作簡便、機動靈活、圖像分辨率高和受大氣層影響小等優(yōu)點[12]，廣泛應用于遙感監(jiān)測中。汪小欽等[13]通過分析無人機圖像中可見光波段植被與非植被的光譜差異，提出了用于獲取植被覆蓋度信息的差異植被指數(VDVI)；趙靜等[14]利用無人機獲取的玉米可見光圖像提取多種植被指數，采用監(jiān)督分類與植被指數統(tǒng)計直方圖相結合的方式，提出了一種田間尺度夏季玉米覆蓋度快速提取的方法。

亞像元分解法是近年被廣泛使用的方法，其中像元二分法具有計算方便和精度較高等優(yōu)點，運用比較廣泛[9]。像元二分法多應用于衛(wèi)星遙感中，且結合多光譜植被指數構建植被覆蓋度提取模型較多，而在無人機遙感中，與可見光植被指數結合構建模型鮮有報道?；谏鲜鰡栴}，本文利用無人機獲取可見光圖像，在像元二分法原理基礎上，分別結合可見光差異植被指數(VDVI)[13]、過綠指數(EXG)[15-16]、歸一化綠藍差異指數(NGBDI)[17]和歸一化綠紅差異指數(NGRDI)[18]構建4 種新的植被覆蓋度提取模型，尋求快速生成冬小麥返青期植被覆蓋等級圖的方法，為后期田間生產管理提供指導。

1 材料與方法

1.1 試驗區(qū)概況與數據采集

試驗區(qū)位于山東省桓臺縣唐山鎮(zhèn)，其地勢南高北低，由西南向東北傾斜，略呈微波狀，南部和北部皆為沖積平原。試驗區(qū)地理位置為北緯36°58′38″—36°58′40″、東經118°3′44″—118°3′45″，地處溫帶，屬于大陸性季風型氣候，光熱資源充足，年平均日照時數2 832 h，年平均溫度12.5～14.5 ℃。

采用大疆精靈Phantom4 advanced 型無人機采集數據，其相機的影像傳感器是1 英寸CMOS，有效像素為2 000 萬，有效載荷為2 kg，續(xù)航時間約30 min。為保證光照條件的一致性，選擇晴朗無風天氣，2019 年3 月13 中午12：00 左右采集冬小麥返青期圖像數據。無人機采集圖像時的飛行高度為40 m、飛行速度為4 m/s，航向和旁向重疊度均為85%，獲取分辨率為5 472 像素×3 648 像素的圖像245 張，地面分辨率為1 cm。為提高圖像拼接的幾何精度，在試驗區(qū)布置9 個地面控制點，利用Pix4DMapper 軟件對無人機獲取的圖像進行拼接，生成冬小麥返青期試驗區(qū)的全景正射影像(圖1)。

圖 1 冬小麥試驗區(qū)Fig. 1 Test area of winter wheat

1.2 冬小麥植被覆蓋度提取方法

1.2.1 像元二分法 像元二分法[11，19-20]是一種簡便實用的線性模型，它假設一個像元的地表信息由純植被和純土壤(非植被)2 部分信息構成，所得到的光譜信息是由2 種純組分的面積比例加權的線性組合。具體可以表示為：

對(1)式進行變換，得到植被覆蓋度公式：

1.2.2 植被覆蓋度提取模型的構建 目前可見光植被指數較少，其主要基于紅色波段的低反射率和綠色波段的高反射率構建，有差異植被指數(VDVI)、過綠指數(EXG)、歸一化綠藍差異指數(NGBDI)和歸一化綠紅差異指數(NGRDI)，各指數的計算見公式(3)～(6)：

式中，G 為綠色波段像素值，B 為藍色波段像素值，R 為紅色波段像素值，g、b、r 分別為歸一化處理后綠、藍、紅波段像素值。

同理，將EXG、NGBDI 和NGRDI 代入(2)式可以分別轉化為：

公式(7)～(10)為可見光植被指數植被覆蓋度提取模型，以下簡稱植被覆蓋度提取模型。

1.2.3 冬小麥植被覆蓋度提取 根據像元二分法和監(jiān)督分類原理設計植被覆蓋度提取流程(圖2)。對獲取的無人機可見光圖像進行拼接、裁剪和掩膜等預處理，計算圖像中4 種可見光植被指數，參考李苗苗等[11]提出的TM 遙感影像純像元信息估算方法，以圖像清晰度和圖像大小作為依據，通過反復對比，取2%置信度作為各植被指數的純像元信息(即植被指數像素值累計2%為純土壤像元信息、98%為純植被像元信息)，根據公式(7)～(10)植被覆蓋度提取模型和純像元信息提取植被覆蓋度；通過目視判讀對預處理圖像進行小麥和土壤樣本訓練集和驗證集選擇，采用支持向量機(Support vector machine，SVM)監(jiān)督分類結合公式(11)提取植被覆蓋度，其結果作為真值對植被覆蓋度提取模型結果進行精度驗證。

目前監(jiān)督分類評價訓練樣本和分類結果常用JM 距離優(yōu)化法[21]和混淆矩陣法[14]。J-M 距離優(yōu)化法是通過計算不同類別間的J-M 距離來確定不同類別間的差異程度；混淆矩陣法是通過實測像元樣本所在的類別和位置與分類結果計算中相應的類別和位置來判別分類精度。

圖 2 冬小麥植被覆蓋度提取流程Fig. 2 The extracting flow of winter wheat vegetation coverage

監(jiān)督分類結果由下式得到：

1.2.4 植被覆蓋度精度評價 目前常采用照相法進行植被覆蓋度精度評價，由于實地拍照受人力和物力等條件的限制，對大范圍植被覆蓋度精度評價較難。隨著機器學習技術的發(fā)展，利用監(jiān)督分類進行精度評價成為可能，其受人為等因素干擾少，提取植被覆蓋度精度高。本文采用SVM 監(jiān)督分類將無人機可見光圖像分為小麥和土壤2 個部分，提取平均覆蓋度，并分別對4 種植被覆蓋度提取模型獲取的平均覆蓋度進行整體精度驗證，植被覆蓋度提取誤差(EF)按下式計算：

選取樣本點，以監(jiān)督分類結果作為真值，植被覆蓋度提取模型結果作為預測值，建立線性回歸模型，對植被覆蓋度提取模型進一步驗證。通過均方根誤差(Root mean squared error，RMSE)驗證線性回歸模型的精度，RMSE 越小，說明真值與預測值越接近；用決定系數(R2)評價線性回歸模型的擬合優(yōu)度，R2越大，說明真值與預測值擬合效果越好。

2 結果與分析

2.1 監(jiān)督分類結果與評價

通過目視判讀結合野外調查，從可見光圖像上分別選取80 個典型的小麥植株樣本和相對獨立的裸土樣本作為訓練集，對訓練集計算J-M 距離，選取樣本間分離性好的訓練集進行SVM 監(jiān)督分類(圖3)；同理，從圖像上分別選取40 個典型樣本作為驗證集，對分類結果計算混淆矩陣并進行驗證。

圖 3 冬小麥監(jiān)督分類結果Fig. 3 Supervised classification result of winter wheat

圖像經過驗證計算后，訓練集和驗證集中小麥和土壤之間的J-M 距離分別為1.999 9 和1.998 7，均大于1.9，說明樣本之間可分離性好，混淆矩陣總體分類精度為99.796 5%，Kappa 系數為0.995 9，分類結果精度評價見表1。由表1 可知，SVM 監(jiān)督分類對小麥和土壤的分類效果較好。計算得到冬小麥返青期的平均植被覆蓋度為0.332 623，說明該時期整體植被覆蓋度約為33%。

表 1 冬小麥分類精度評價Table 1 Evaluation of classification accuracy of winter wheat

2.2 植被覆蓋度提取結果與分析

為進一步驗證植被覆蓋度提取模型的提取精度，從監(jiān)督分類的圖像上隨機選取40 個2 m×2 m的樣本區(qū)，計算每個樣本的植被覆蓋度并作為真值；利用選定的40 個樣本區(qū)統(tǒng)計各植被覆蓋度提取模型的植被覆蓋圖，取每個樣本區(qū)的平均植被覆蓋度作為預測值，然后進行線性擬合，結果如圖5所示。由圖5 可知，4 種植被覆蓋度提取模型中VDVI和EXG 的決定系數(R2) 均高于0.9，NGBDI 和NGRDI 的R2均低于0.8，說明前者擬合優(yōu)度較好，后者擬合優(yōu)度較差；但EXG 的RMSE 大于0.05，在4 種植被覆蓋度提取模型中相對較大，說明其模型精度較差。綜合可知，VDVI提取效果最好(R2為0.946 1，RMSE 為0.021 9)，這與表2 植被覆蓋度精度評價結果相一致。

圖 4 VDVI 植被覆蓋圖Fig. 4 VDVI vegetation coverage map

表 2 植被覆蓋度精度評價Table 2 Accuracy evaluation of vegetation coverage

圖 5 不同植被覆蓋度提取模型的線性擬合結果Fig. 5 The linear fitting results of different vegetation coverage extraction models

根據陳虹兵等[9]對植被覆蓋度等級的劃分，選取VDVI 植被覆蓋度提取模型生成冬小麥返青期植被覆蓋度等級分布圖，等級分布為裸地(覆蓋度0～0.10)、低覆蓋度(0.10～0.30)、中低覆蓋度(0.30～0.45)、中覆蓋度(0.45～0.60) 和高覆蓋度(0.60～1.00)5 個等級，并對各等級覆蓋度進行統(tǒng)計，結果見表3 和圖6。

表 3 植被覆蓋度等級分布統(tǒng)計結果Table 3 Statistical results of vegetation coverage grade distribution

圖 6 冬小麥植被覆蓋度等級分布Fig. 6 Grade distribution of winter wheat vegetation coverage

3 結論

基于可將光植被指數的植被覆蓋度提取模型技術簡單、可操作性強，無需對信息進行繁瑣的推導，實現(xiàn)了冬小麥返青期植被覆蓋度準確快速提?。?)利用VDVI、EXG、NGBDI 和NGRDI 這4 種可見光植被指數結合像元二分法原理構建的植被覆蓋度提取模型可以有效地提取冬小麥返青期植被覆蓋度信息；2) 與EXG、NGBDI 和NGRDI 相比，VDVI 構建冬小麥返青期植被覆蓋度提取模型精度最高，提取誤差(EF) 為3.36%，R2為0.946 1，RMSE 為0.021 9；3)采用VDVI 植被覆蓋度提取模型，生成了冬小麥返青期植被覆蓋度等級分布圖，為小麥后期的田間管理提供了參考。