基于無人機(jī)遙感影像的沙糖橘果樹提取方法研究

祁 媛，徐偉誠，王林琳，賈瑞昌，蘭玉彬，張亞莉

(1 華南農(nóng)業(yè)大學(xué) 工程學(xué)院，廣東 廣州 510642； 2 國家精準(zhǔn)農(nóng)業(yè)航空施藥技術(shù)國際聯(lián)合研究中心，廣東 廣州 510642；3 華南農(nóng)業(yè)大學(xué) 電子工程學(xué)院/人工智能學(xué)院，廣東 廣州 510642)

沙糖橘是我國嶺南地區(qū)的重要水果，需要優(yōu)質(zhì)的種植地和高質(zhì)量的栽培管理保證產(chǎn)量和口感。為了確保當(dāng)?shù)剞r(nóng)村的支柱產(chǎn)業(yè)有效平穩(wěn)地發(fā)展，需要對(duì)沙糖橘的果樹長勢(shì)進(jìn)行監(jiān)測。提取果園中的沙糖橘果樹對(duì)分析植被分布影響因素和評(píng)價(jià)果樹生長環(huán)境有重要意義。

無人機(jī)作業(yè)靈活，作業(yè)效率高，影像分辨率高，與傳統(tǒng)衛(wèi)星遙感影像和人工地面采集數(shù)字影像方法形成互補(bǔ)趨勢(shì)，在各領(lǐng)域的遙感監(jiān)測中發(fā)揮重要作用[1-4]。國內(nèi)外學(xué)者基于無人機(jī)遙感影像技術(shù)和植被指數(shù)模型對(duì)植被信息的提取進(jìn)行了大量研究。Xu等[5]利用無人機(jī)平臺(tái)收集農(nóng)田的可見光遙感圖像，監(jiān)測和提取耕地的可見光植被指數(shù)獲取其面積、形狀和地理位置信息；Choi等[6]運(yùn)用固定翼無人機(jī)獲取多光譜圖像，建立沙丘的植被指數(shù)模型，對(duì)沙丘的部分植被覆蓋進(jìn)行估算；Zhang等[7]統(tǒng)計(jì)分析得到9種可見光植被指數(shù)與玉米、棉花、甘蔗和水稻4種植被覆蓋度之間的關(guān)系，發(fā)現(xiàn)每種作物對(duì)應(yīng)的最佳植被指數(shù)不一定相同，對(duì)應(yīng)的植被覆蓋度模型準(zhǔn)確度也不相同；高永平等[8]通過無人機(jī)獲取荒漠區(qū)的可見光圖像，建立植被指數(shù)與植被覆蓋度的關(guān)系模型，成功以高精度提取荒漠區(qū)中的植被。

上述研究的共同點(diǎn)是通過無人機(jī)遙感獲取可見光圖像，利用一種或幾種可見光植被指數(shù)提取植被信息。遙感圖像不僅包含光譜特征，還具有空間特征和紋理特征。本研究運(yùn)用無人機(jī)影像，結(jié)合空間特征中的高度模型與6種可見光植被指數(shù)模型，對(duì)沙糖橘果樹的提取精度進(jìn)行對(duì)比分析，以期獲得一種簡單、方便、有效的沙糖橘植被提取方法，擴(kuò)大無人機(jī)遙感技術(shù)在果園中的應(yīng)用，為我國果園果樹的監(jiān)測提供參考。

1 材料與方法

1.1 無人機(jī)影像數(shù)據(jù)的獲取

研究地點(diǎn)位于廣東省肇慶市四會(huì)市果園(23°36′N，112°68′E)，亞熱帶季風(fēng)氣候，雨熱充足，適合沙糖橘的生長。試驗(yàn)地概況如圖1所示。

圖1 試驗(yàn)地概況Fig. 1 The overview of experimental site

試驗(yàn)采集平臺(tái)為深圳大疆精靈4無人機(jī)，配備6.17 mm×4.55 mm的2 000萬像素CMOS傳感器，無需在特定的場地起飛與降落，可在空中長時(shí)間懸停，配備的RTK和六向視覺傳感器使飛行更加安全穩(wěn)定。試驗(yàn)數(shù)據(jù)采集于2020年6月2日，如圖2所示，飛行高度為100 m，巡航速度為20 km/h，飛行航線的旁向和航向重疊度均為80%，單次采集320張RGB圖像，圖像分辨率為5 472像素×3 648像素，地面分辨率為3.66 cm。通過Pix4DMapper軟件對(duì)圖像進(jìn)行拼接，獲得試驗(yàn)地的正射圖像和數(shù)字表面模型(Digital surface model)，如圖3所示。

圖2 試驗(yàn)數(shù)據(jù)采集Fig. 2 Experiment data collection

1.2 果樹植被覆蓋度的提取方法

圖3 正射圖和數(shù)字表面模型Fig. 3 Orthophoto and digital surface model

1.2.1 植被指數(shù)的選取 遙感領(lǐng)域中使用大量的植被指數(shù)評(píng)價(jià)植被覆蓋度及生長情況，但目前基于可見光波段的植被指數(shù)相對(duì)較少。本研究參考目前研究相對(duì)較多且精度較高的可見光植被指數(shù)，選取了6種植被指數(shù)：超紅指數(shù)(Excess red index)[9]、超綠指數(shù)(Excess green index)[10]、超藍(lán)指數(shù)(Excess blue index)[11]、可見光波段差異植被指數(shù)(Visible band differential vegetation index)[5]、紅綠比指數(shù)(Red-green ratio index)[12]、藍(lán)綠比指數(shù)(Blue-green ratio index)[13]。這6種植被指數(shù)的計(jì)算公式和理論區(qū)間如表1所示。

表1 可見光植被指數(shù)Table 1 Vegetation indexes based on visible spectrum

1.2.2 閾值的確定和植被信息的提取 基于無人機(jī)遙感圖像的植被提取的關(guān)鍵在于選取合適的閾值區(qū)分植被和非植被，本研究選取雙峰閾值法提取沙糖橘果樹和非果樹。雙峰閾值法通常是選取2種地物，生成具有2個(gè)明顯波峰的直方圖。這2個(gè)波峰分別對(duì)應(yīng)所選對(duì)象較多數(shù)目的像元，波峰之間的波谷則對(duì)應(yīng)所選對(duì)象邊緣相對(duì)較少數(shù)目的像元，一般選擇兩峰之間的最低點(diǎn)或者交點(diǎn)作為最佳閾值[14-15]，示意圖如圖4所示。果樹與非果樹的直方圖具有明顯的雙峰性質(zhì)，因此該方法可以呈現(xiàn)較好的分割效果。

圖4 雙峰閾值法示意圖Fig. 4 Schematic diagram of the double peak threshold method

利用遙感信息提取植被的方法中，面向?qū)ο蟮姆诸惣夹g(shù)是將集合臨近像元作為對(duì)象，識(shí)別感興趣的光譜元素來提高分類結(jié)果的精度或者實(shí)現(xiàn)矢量輸出，此法充分利用多光譜數(shù)據(jù)的空間、紋理和光譜信息進(jìn)行分割和分類[16]。本研究通過基于規(guī)則的面向?qū)ο蠓诸惙椒?，根?jù)其空間特征和光譜特征對(duì)對(duì)象進(jìn)行分類，克服像元層次分類中的不足，具有良好的平滑性和較高的分類精度[17]。采用此分類方法從光譜和形狀2個(gè)方面刻畫果樹和非果樹像元，通過ENVI軟件設(shè)定、提前統(tǒng)計(jì)完成的閾值規(guī)則，對(duì)上述6種植被指數(shù)模型進(jìn)行果樹與非果樹的分類，能夠有效地提供對(duì)象的幾何和拓?fù)湫畔?，更精?zhǔn)地提取出果樹。

1.2.3 數(shù)字表面模型中的植被信息提取 可見光植被指數(shù)主要反映植被在可見光下反射與土壤背景之間的差異，在一定條件下可定量說明植被的生長情況。但是僅根據(jù)植被的光譜特性對(duì)植被進(jìn)行提取，很難有效地解決同譜異物與同物異譜的問題，從而造成錯(cuò)分漏分且分類精度低。數(shù)字表面模型包含了地表果樹和非果樹等高度的地面高程模型，涵蓋了除去地面以外的其他地表信息的高程，可以最真實(shí)地表達(dá)果園地面的起伏情況，如圖5所示。數(shù)字表面模型有益于區(qū)分果園中果樹和草地這2類色調(diào)相類似的地物。本文擬將6種可見光植被指數(shù)計(jì)算結(jié)果圖像與數(shù)字表面模型進(jìn)行融合，加入果樹與非果樹的高程信息，使用基于規(guī)則的面向?qū)ο蠓诸惙椒ㄟM(jìn)行果樹的提取，并將得到的分類精度與使用單一可見光植被指數(shù)的植被提取精度進(jìn)行對(duì)比。

圖5 數(shù)字表面模型高程示意圖Fig. 5 Elevation diagram of digital surface model

1.2.4 植被信息提取結(jié)果的評(píng)價(jià)方法 目前較為常用的植被提取評(píng)價(jià)方法是通過人機(jī)交互的方式，利用感興趣區(qū)域把試驗(yàn)地塊分為植被像元和非植被像元，結(jié)合地面調(diào)查數(shù)據(jù)和圖像真實(shí)狀態(tài)進(jìn)行目視解譯。此法受人力物力等條件的限制，不適合作為復(fù)雜大區(qū)域下的植被指數(shù)覆蓋度提取精度評(píng)價(jià)。本研究使用混淆矩陣進(jìn)行準(zhǔn)確性評(píng)價(jià)，該矩陣是評(píng)估分類模型精度的一種可視化顯示工具，通過目視判讀的方法在遙感圖像上各選取60個(gè)果樹與非果樹區(qū)域作為驗(yàn)證樣本，樣本的采樣遵循隨機(jī)原則，確保選擇每個(gè)單個(gè)樣本的概率完全相同。將每個(gè)實(shí)測像元的位置和分類與圖像中相應(yīng)的位置和分類相比較獲得分類精度，并根據(jù)以下公式計(jì)算Kappa系數(shù)(K)。

式中，p0是總體分類精度，pe是機(jī)遇一致性，n是混淆矩陣方程的階，N是樣本總數(shù)，anbn是列(行)中所有值的總和。

2 結(jié)果與分析

2.1 可見光植被指數(shù)的計(jì)算與分析

以無人機(jī)采集的遙感影像作為數(shù)據(jù)源，根據(jù)表1的公式分別計(jì)算各可見光的植被指數(shù)，植被和非植被可以清晰地呈現(xiàn)，計(jì)算結(jié)果如圖6所示。

為了更好地對(duì)比這6種可見光植被指數(shù)的提取結(jié)果，本研究只提取果樹，將地物分為果樹和非果樹，每種地物選取100個(gè)感興趣區(qū)域進(jìn)行統(tǒng)計(jì)，并統(tǒng)計(jì)特征值。由表2可知，這6種可見光植被指數(shù)在植被信息和非植被信息之間差異較大，無重疊交叉部分，對(duì)于利用可見光進(jìn)行植被信息識(shí)別具有較好的效果。

2.2 植被信息提取與精度評(píng)價(jià)

為獲取通過這6種可見光植被指數(shù)進(jìn)行植被信息提取時(shí)的閾值，本研究通過ENVI軟件統(tǒng)計(jì)分析沙糖橘果樹與非果樹的直方圖。本研究試驗(yàn)時(shí)天氣晴朗，忽略天氣因素對(duì)圖像處理結(jié)果的影響。從圖7可知，6種可見光植被指數(shù)的直方圖呈明顯的雙峰分布，表明相對(duì)應(yīng)的地物區(qū)分性較強(qiáng)，適合可見光波段植被信息的提取，并且果樹像元與非果樹像元的峰值相差較大，在圖像中易于選擇合適的數(shù)值作為分割閾值。

根據(jù)確定的閾值，利用基于規(guī)則的面向?qū)ο蠓诸惙椒?，設(shè)定閾值規(guī)則，進(jìn)行植被信息的提取，得到6種可見光植被指數(shù)對(duì)應(yīng)的植被分類提取結(jié)果。以無人機(jī)遙感圖像作為數(shù)據(jù)源，根據(jù)目視判讀在圖像上選取60個(gè)果樹和60個(gè)非果樹的驗(yàn)證樣本，將分類結(jié)果當(dāng)作真值，分別對(duì)這2種地物的分類結(jié)果計(jì)算混淆矩陣，得到各可見光植被指數(shù)的提取精度評(píng)價(jià)(表3)。6 種可見光植被指數(shù)對(duì)應(yīng)的植被分類提取結(jié)果如圖8所示。從表3和圖8可以看出，果樹的提取精度均在99%以上，提取精度較好；非果樹的提取精度較低，主要原因是非果樹區(qū)域的草地部分色調(diào)與果樹相似，易導(dǎo)致將草地分為果樹，造成錯(cuò)分現(xiàn)象。

圖6 6種可見光植被指數(shù)計(jì)算結(jié)果Fig. 6 Calculation results of six visible light vegetation indexes

表2 基于感興趣區(qū)域的6種可見光植被指數(shù)的統(tǒng)計(jì)值Table 2 Statistics of six visible light vegetation indexes based on region of interest

圖7 6種可見光植被指數(shù)統(tǒng)計(jì)直方圖Fig. 7 Statistical histograms of six visible light vegetation indexes

2.3 結(jié)合數(shù)字表面模型的提取與精度評(píng)價(jià)

基于“2.2”的提取結(jié)果和提取精度，非果樹區(qū)域中的草地部分被錯(cuò)分成了果樹，導(dǎo)致非果樹的提取精度和總精度降低。在數(shù)字表面模型中，沙糖橘果樹和其他地物的高度具有較大差異，可以清晰地呈現(xiàn)出不同的亮度值。因此，我們將數(shù)字表面模型和上述6種可見光植被指數(shù)進(jìn)行波段融合，提高草地的提取精度和提取結(jié)果的總精度。

同樣利用基于規(guī)則的面向?qū)ο蠓诸惙椒ǎ瑢?duì)融合后的波段進(jìn)行植被信息的提取，得到結(jié)合數(shù)字表面模型的6種可見光植被指數(shù)對(duì)應(yīng)的植被分類提取結(jié)果，如圖9所示。依然使用60個(gè)果樹和60個(gè)非果樹的驗(yàn)證樣本，將分類結(jié)果當(dāng)作真值，分別對(duì)這2種地物的分類結(jié)果計(jì)算混淆矩陣，得到融合波段各植被指數(shù)的提取精度評(píng)價(jià)，結(jié)果如表4所示。6種結(jié)合后的植被指數(shù)混淆矩陣中，總體分類精度分別為 98.77%、97.27%、97.44%、97.67%、97.84%和97.84%，相較于對(duì)應(yīng)的未結(jié)合數(shù)字表面模型的植被指數(shù)精度均有小幅度提升；非果樹的提取精度分別提高了8.22%、8.77%、0.86%、8.27%、7.97%和5.53%；表明數(shù)字表面模型與可見光植被指數(shù)圖像結(jié)合適用于提高非果樹的提取精度，有效抑制和果樹同為綠色的草地信息，不會(huì)過多地造成錯(cuò)分現(xiàn)象。

表3 6種可見光植被指數(shù)的植被提取精度評(píng)價(jià)Table 3 Accuracy assessments of vegetation extraction for six visible light vegetation indexes

圖8 6種可見光植被指數(shù)的植被信息提取結(jié)果Fig. 8 Vegetation extraction results of six visible light vegetation indexes

圖9 結(jié)合數(shù)字表面模型的6種可見光植被指數(shù)信息提取結(jié)果Fig. 9 Extraction results of six visible light vegetation indexes combined with digital surface model

表4 6種可見光植被指數(shù)融合數(shù)字表面模型提取精度評(píng)價(jià)Table 4 Accuracy assessments of vegetation extraction for six visible vegetation indexes combined with digital surface model

3 結(jié)論

本研究在現(xiàn)有的可見光植被指數(shù)的植被提取基礎(chǔ)上，提出了結(jié)合數(shù)字表面模型中的高程信息進(jìn)一步提取果樹和非果樹的方法。在得到可見光植被指數(shù)(超紅指數(shù)、超綠指數(shù)、超藍(lán)指數(shù)、可見光波段差異植被指數(shù)、紅綠比指數(shù)、藍(lán)綠比指數(shù))的計(jì)算圖后，分析各植被指數(shù)的光譜特征和統(tǒng)計(jì)直方圖，獲得提取植被覆蓋度合適的閾值，進(jìn)行果樹信息的提取。數(shù)字表面模型與可見光植被指數(shù)波段融合后的總體精度均大于97%，且非果樹的提取精度均有所提升。超紅指數(shù)與數(shù)字表面模型結(jié)合后的總精度最高，為98.77%，Kappa系數(shù)為0.956 7，植被信息提取精度不同程度地優(yōu)于其他5種可見光植被指數(shù)與數(shù)字表面模型結(jié)合后的提取精度。可見光植被指數(shù)結(jié)合數(shù)字表面模型提取植被信息的方法可有效區(qū)分與果樹色調(diào)相類似的地物，提高此類地物的提取精度，減少錯(cuò)分概率。本研究的研究對(duì)象為沙糖橘果樹和非果樹，下一步的研究重點(diǎn)是將此法推廣至其他不同作物上，進(jìn)一步驗(yàn)證其適用性。