水稻多時(shí)相植被指數(shù)特征及覆蓋度提取研究

尹林江， 李威*， 趙衛(wèi)權(quán)，2， 趙祖?zhèn)悾?呂思思， 孫小瓊

（1.貴州科學(xué)院貴州省山地資源研究所，貴陽(yáng) 550001；2.貴州師范大學(xué)喀斯特研究院，地理與環(huán)境科學(xué)學(xué)院， 貴陽(yáng) 550001）

作物的植被參數(shù)特征可有效反映作物生長(zhǎng)狀況，目前對(duì)于作物的植被參數(shù)監(jiān)測(cè)主要集中在植被覆蓋度、葉面積指數(shù)、光合有效吸收率、各類色素和植被含水量等[1]。其中，植被覆蓋度反演一直是研究的重點(diǎn)，它可反映作物光合作用面積和植被生長(zhǎng)的茂盛程度，是指示作物生長(zhǎng)發(fā)育和生物產(chǎn)量的重要參數(shù)，同時(shí)在一定程度上也體現(xiàn)了作物的生長(zhǎng)狀態(tài)和生長(zhǎng)趨勢(shì)[2-3]。

傳統(tǒng)的植被覆蓋度反演主要是運(yùn)用地面實(shí)測(cè)法進(jìn)行監(jiān)測(cè)，具有精度高但時(shí)效性低、成本大和效率低等特點(diǎn)，而基于衛(wèi)星遙感技術(shù)的植被覆蓋度在一定程度上彌補(bǔ)了傳統(tǒng)監(jiān)測(cè)的不足，將其與地面監(jiān)測(cè)相結(jié)合，可實(shí)現(xiàn)大面積的同步觀測(cè)[4-5]。孫中平等[6]運(yùn)用高分一號(hào)和環(huán)境一號(hào)衛(wèi)星數(shù)據(jù)，進(jìn)行了中高分辨率遙感協(xié)同反演冬小麥覆蓋度研究，為研究作物生長(zhǎng)狀況的動(dòng)態(tài)變化提供了數(shù)據(jù)支持。張喜旺等[7]通過(guò)結(jié)合低分辨率遙感數(shù)據(jù)的時(shí)間優(yōu)勢(shì)和中高分辨率遙感數(shù)據(jù)的空間優(yōu)勢(shì)，提出一種植被覆蓋度時(shí)相變換方法。張勇峰[8]通過(guò)分段聯(lián)合反演方式，篩選最佳的植被指數(shù)，提高了小麥植被覆蓋度的估算精度。但衛(wèi)星遙感數(shù)據(jù)易受分辨率和重訪周期的影響，無(wú)法滿足精細(xì)現(xiàn)代化農(nóng)業(yè)的需求。無(wú)人機(jī)（unmanned aerial vehicle，UAV）作為一種新型遙感數(shù)據(jù)采集技術(shù)，在小范圍內(nèi)可克服傳統(tǒng)衛(wèi)星遙感數(shù)據(jù)精度和采集時(shí)間受限的問(wèn)題[9]，而其可搭載多種傳感器的特點(diǎn)，也為作物參數(shù)監(jiān)測(cè)提供更為精細(xì)豐富的數(shù)據(jù)源。牛亞曉等[10]基于手持高清可見(jiàn)光影像和無(wú)人機(jī)可見(jiàn)光影像，以苗期和蕾期的棉花為對(duì)象，進(jìn)行了棉花覆蓋度的提取研究，取得了較好的精度。趙靜等[2]利用無(wú)人機(jī)獲取玉米田間可見(jiàn)光圖像，對(duì)圖像可見(jiàn)光波段提取的多種植被指數(shù)進(jìn)行分析和比較，結(jié)合監(jiān)督分類提取了玉米4 個(gè)時(shí)期的植被覆蓋度信息。何海清等[11]針對(duì)僅依賴二維遙感影像提取大豆覆蓋度難以剔除雜草等復(fù)雜背景干擾的問(wèn)題，提出一種結(jié)合三維密集點(diǎn)云的大豆覆蓋度提取方法，對(duì)農(nóng)田作物精細(xì)管理和產(chǎn)量估測(cè)具有重要參考意義。除此之外，國(guó)內(nèi)外學(xué)者關(guān)于無(wú)人機(jī)在作物其他參數(shù)監(jiān)測(cè)領(lǐng)域研究增長(zhǎng)迅速，主要針對(duì)包括水稻、小麥、棉花、玉米、大豆和油菜等作物在內(nèi)的葉面積指數(shù)[12-13]、含水量[14]和葉綠素含量[15]等的反演監(jiān)測(cè)，其研究結(jié)果為作物識(shí)別和估產(chǎn)反演監(jiān)測(cè)提供了技術(shù)和理論支持。

上述研究多以作物生長(zhǎng)的某一個(gè)或多個(gè)時(shí)間點(diǎn)不連續(xù)的影像為數(shù)據(jù)源，對(duì)作物參數(shù)特征進(jìn)行監(jiān)測(cè)研究，但對(duì)于基于作物物候特征的連續(xù)變化監(jiān)測(cè)研究相對(duì)較少，且多集中于作物本身的變化探討，缺乏對(duì)不同作物間的連續(xù)對(duì)比研究，而不同地物生長(zhǎng)周期不同，在同一時(shí)間段內(nèi)表現(xiàn)出的物候特征會(huì)存在一定的差異，通過(guò)監(jiān)測(cè)作物物候特征變化，有助于作物的識(shí)別分類和長(zhǎng)勢(shì)監(jiān)測(cè)。鑒于此，本研究運(yùn)用無(wú)人機(jī)搭載多光譜鏡頭，獲取水稻分蘗期、抽穗期和結(jié)實(shí)期3 個(gè)連續(xù)生長(zhǎng)期的空間高分辨率無(wú)人機(jī)多光譜影像，運(yùn)用植被指數(shù)和閾值分割等研究方法，從像元和地塊單元尺度探究水稻與其他相似地物物候特征差異，分析水稻多時(shí)相指數(shù)特征，并進(jìn)行水稻植被覆蓋度的提取，以期為作物間的分類提取和長(zhǎng)勢(shì)監(jiān)測(cè)提供技術(shù)和理論支撐。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于貴州省開(kāi)陽(yáng)縣禾豐布依族苗族鄉(xiāng)典寨村高標(biāo)準(zhǔn)農(nóng)田示范區(qū)。該示范區(qū)地處亞熱帶季風(fēng)氣候區(qū)，年平均氣溫12.9～14.7 ℃，年降雨量1 120 mm，年無(wú)霜期315 d 左右，鄉(xiāng)境內(nèi)土壤和大氣環(huán)境均未受到現(xiàn)代工業(yè)的污染。該高標(biāo)準(zhǔn)農(nóng)田示范區(qū)內(nèi)，地勢(shì)西低東高，西部耕地相對(duì)平坦，東部主要以梯田為主，為了使研究結(jié)果能為后期喀斯特地區(qū)作物的監(jiān)測(cè)提供參考，研究監(jiān)測(cè)范圍選擇在平坦耕地和梯田的過(guò)度帶地區(qū)。研究監(jiān)測(cè)主要以水稻種植為主，部分耕地種植玉米和蔬菜。水稻種植類型為中稻，5 月進(jìn)行移栽，6 月進(jìn)入分蘗期，7 月進(jìn)入抽穗期，8 月進(jìn)入結(jié)實(shí)期，9 月進(jìn)入成熟期。

1.2 數(shù)據(jù)收集和處理

運(yùn)用大疆公司生產(chǎn)的精靈4 多光譜版無(wú)人機(jī)，在水稻分蘗期、抽穗期和結(jié)實(shí)期3個(gè)時(shí)期進(jìn)行數(shù)據(jù)采集。該無(wú)人機(jī)起飛重量為1 487 g，一塊電池飛行時(shí)間為27 min 左右，擁有一體式的多光譜成像系統(tǒng)，集成1 個(gè)可見(jiàn)光相機(jī)及5 個(gè)多光譜相機(jī)（藍(lán)光，綠光，紅光，紅邊和近紅外），分別負(fù)責(zé)可見(jiàn)光成像及多光譜成像。所有相機(jī)均擁有200 萬(wàn)像素解析力及配備全局快門，成像清晰穩(wěn)定，照片最大解析度為1 600×1 300 pixel。除此之外，其采用TimeSync 時(shí)間同步系統(tǒng)，使得定位精度更加準(zhǔn)確。為保證數(shù)據(jù)采集時(shí)天氣的一致性，結(jié)合實(shí)際情況，數(shù)據(jù)采集時(shí)間分別為2020 年6月5日、7月15日和8月26日3個(gè)時(shí)期的11∶00—14∶00。運(yùn)用GJI GS PRO 軟件一次規(guī)劃航線，飛行高度設(shè)為200 m，航線重疊率和旁向重疊率分別為75%和70%，獲取研究區(qū)的可見(jiàn)光和多光譜影像照片。

將獲取的無(wú)人機(jī)多光譜影像數(shù)據(jù)使用大疆智圖（DJI Terra ）進(jìn)行建圖航拍和多光譜二維重建，得到5 個(gè)單波段正射影像和波段組合后的可見(jiàn)光影像，將5 個(gè)單波段正射影像進(jìn)行波段組合得到3 個(gè)生長(zhǎng)時(shí)期的多光譜影像，其空間分辨率為10 cm。圖1 中左圖為7 月15 日拍攝的抽穗期影像，右圖為研究試驗(yàn)區(qū)抽穗期影像，研究區(qū)面積為140 600 m2。

圖1 研究區(qū)Fig. 1 Research area

1.3 研究方法

1.3.1 水稻遙感特征提取流程 運(yùn)用無(wú)人機(jī)搭載多光譜相機(jī)，圍繞研究區(qū)水稻的生長(zhǎng)周期，采集3個(gè)生長(zhǎng)期的可見(jiàn)光和多光譜影像。首先，運(yùn)用易康（eCognition）軟件進(jìn)行研究區(qū)耕地地塊的多尺度分割提取，得到水稻圖斑238 個(gè)，其他地塊圖斑243 個(gè)；在ENVI 5.3 中進(jìn)行植被指數(shù)計(jì)算；然后以地塊和像元為研究單元統(tǒng)計(jì)并分析不同時(shí)期的水稻遙感特征，減少其他植被的影響，分析喀斯特地區(qū)水稻不同生長(zhǎng)期的遙感指數(shù)變化特征；最后根據(jù)其變化特征，運(yùn)用閾值分割法對(duì)不同生長(zhǎng)期的水稻進(jìn)行信息提取并進(jìn)行植被覆蓋度的計(jì)算，最后以SVM(support vector machine)監(jiān)督分類法得到的地物分類結(jié)果為參考進(jìn)行提取精度的驗(yàn)證。

1.3.2 可見(jiàn)光植被指數(shù)研究 選擇可見(jiàn)光波段差異植被指數(shù)(visible-band difference vegetation index，VDVI)[16]、超綠紅藍(lán)差分指數(shù)（excess greenred-blue difference index，EGRBDI）[17]、過(guò)綠減過(guò)紅指數(shù)（excess green-excess red index，ExG-ExR）[18]作為本研究區(qū)的提取植被信息和植被覆蓋度的植被指數(shù)，計(jì)算公式如下。

式中，R、G、B分別為紅、綠、藍(lán)3 個(gè)波段的像元值。

1.3.3 多光譜植被指數(shù) 研究選擇常用的歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、綠度歸一化植被指數(shù)（green normalized difference vegetation，GNDVI）、歸一化差異紅色邊緣指數(shù)（green normailized difference vegetation index，NDRE）、葉面葉綠素指數(shù)（leaf chlorophyll index，LCI）和優(yōu)化土壤調(diào)節(jié)植被指數(shù)（optimized soil-adjusted vegetation indx，OSAVI）等植被指數(shù)對(duì)研究區(qū)水稻信息和覆蓋度進(jìn)行提取研究，計(jì)算公式如下[19-20]。

圖2 技術(shù)路線Fig. 2 Technology road pathway

式中，NIR(near infrared)為近紅外波段；Red為紅光波段；Green 為綠光波段；Red edge 為紅邊波段。

1.3.4 植被覆蓋度提取及精度驗(yàn)證 目前常用的植被覆蓋度提取方法有閾值二分法、指數(shù)時(shí)序圖交點(diǎn)法和樣本統(tǒng)計(jì)法[21-23]等。通過(guò)計(jì)算發(fā)現(xiàn)，該地區(qū)的植被指數(shù)計(jì)算結(jié)果不具備雙峰特征，在同一單元內(nèi)，隨著植被的生長(zhǎng)，植被和非植被的占比會(huì)隨之變化。因此本研究采用指數(shù)時(shí)序圖交點(diǎn)法和樣本統(tǒng)計(jì)法相結(jié)合的方法計(jì)算植被覆蓋度。通過(guò)采集植被和非植被的像元灰度值，繪制植被和非植被各自的統(tǒng)計(jì)直方圖，將坐標(biāo)系下植被和非植被的直方圖曲線交點(diǎn)作為分割閾值；再根據(jù)植被指數(shù)閾值法提取植被覆蓋度(fraction vegetation coverage, FVC)，計(jì)算公式如下。

式中，Nveg表示植被像元統(tǒng)計(jì)個(gè)數(shù)，Nn-veg表示非植被像元統(tǒng)計(jì)個(gè)數(shù)。

為了進(jìn)一步驗(yàn)證各指數(shù)的提取精度，充分利用數(shù)據(jù)高分辨的特點(diǎn)，結(jié)合野外的調(diào)查數(shù)據(jù)，在影像上隨機(jī)選擇60個(gè)10 cm×10 cm 像元大小的樣本區(qū)，對(duì)樣本區(qū)監(jiān)督分類結(jié)果和各植被指數(shù)的提取結(jié)果進(jìn)行植被覆蓋度計(jì)算，以監(jiān)督分類的植被覆蓋度為真實(shí)參考值，各植被指數(shù)提取的覆蓋度作為預(yù)測(cè)值，參照下列公式計(jì)算。

式中，EF為提取誤差，F(xiàn)sup為監(jiān)督分類法獲得的植被覆蓋度，F(xiàn)VI為植被指數(shù)獲得的植被覆蓋度。

1.3.5 樣本選擇 為分析水稻和其他地物在各波段上的差異性以及探究提取精度，研究通過(guò)選擇相應(yīng)樣本進(jìn)行特征統(tǒng)計(jì)。為了使樣本具有代表性，遵循以下樣本選擇的基本原則：面積適中且遠(yuǎn)離范圍邊界；各明暗地區(qū)均勻覆蓋；選擇樣本數(shù)量盡量均衡且對(duì)于差異較大區(qū)域增加一定樣本量[17]。根據(jù)以上原則，通過(guò)人機(jī)交互的形式，在ENVI5.3 中分別選擇水稻樣本60 個(gè)、雜草樣本40 個(gè)、樹(shù)木樣本40 個(gè)、裸土樣本35 個(gè)和建設(shè)用地35 個(gè)，單個(gè)樣本大小均為10 cm×10 cm，共計(jì)210 個(gè)。然后分別統(tǒng)計(jì)各地物在各波段上的均值和標(biāo)準(zhǔn)差，以均值來(lái)體現(xiàn)各地物在各波段上的總體差異，以標(biāo)準(zhǔn)差來(lái)表示同種地各樣本像元值的波動(dòng)范圍。同時(shí)，為了探究地塊單元的水稻植被指數(shù)特征，根據(jù)地塊分割結(jié)果，隨機(jī)選擇生長(zhǎng)情況不同的50個(gè)水稻地塊進(jìn)行統(tǒng)計(jì)分析。

2 結(jié)果與分析

2.1 光譜特征分析

由表1 可知，在3 個(gè)生長(zhǎng)時(shí)期內(nèi)，樹(shù)木和草地的像元值均滿足常見(jiàn)健康綠色植被在各波段上的反射規(guī)律，即綠光波段＞紅光波段＞藍(lán)光波段。而水稻則表現(xiàn)出明顯的差異，在分蘗期和抽穗期時(shí)均與其他常見(jiàn)健康綠色植被的反射規(guī)律相同，但在成熟期時(shí)表現(xiàn)出明顯的差異，其在各波段上的反射規(guī)律表現(xiàn)為紅光波段＞綠光波段＞藍(lán)光波段，這是由于水稻進(jìn)入成熟期后，葉片中的葉綠素逐漸減少，葉片變黃，進(jìn)而表現(xiàn)出上述特征。非植被在各時(shí)期的像元值均無(wú)明顯變化，總體表現(xiàn)為紅光波段＞綠光波段＞藍(lán)光波段。從紅邊波段和近紅外波段來(lái)看，紅邊波段對(duì)于植被和非植被的區(qū)分度均較高，且整體上植被像元值波動(dòng)小于非植被。隨著時(shí)間的變化，非植被的像元值波動(dòng)情況未發(fā)生明顯變化，而植被的像元值波動(dòng)明顯增加，這是由于植被在數(shù)據(jù)采集周期中不斷生長(zhǎng)，葉綠素含量發(fā)生明顯變化，使其對(duì)于光譜的吸收發(fā)生改變，進(jìn)而導(dǎo)致其像元值出現(xiàn)明顯波動(dòng)。而在植被中，像元均值表現(xiàn)為抽穗期＞結(jié)實(shí)期＞分蘗期，水稻在紅邊波段上的像元均值，區(qū)別與雜草和樹(shù)木，但區(qū)分跨度不大。在近紅外波段中，植被像元標(biāo)準(zhǔn)差的值相較于紅邊波段中波動(dòng)更加明顯，表明其包含的像元信息更加豐富。二者均值變化表現(xiàn)為抽穗期＞結(jié)實(shí)期＞分蘗期，在抽穗期時(shí)水稻和樹(shù)木均值接近，可區(qū)分度較低。由此可見(jiàn)，在分蘗期和抽穗期時(shí)，雜草和樹(shù)木對(duì)于水稻識(shí)別提取具有較強(qiáng)混淆性，而在成熟期時(shí)，可見(jiàn)光波段中易受到非植被地物的影響，在紅邊波段和近紅外波段則易受相近植被的影響，不利于水稻信息的提取。

表1 地物在不同波段的像元灰度值Table 1 Pixel values of ground objects in red， green and blue bands

2.2 植被指數(shù)計(jì)算與特征分析

運(yùn)用上文的統(tǒng)計(jì)樣本，統(tǒng)計(jì)各地物植被指數(shù)特征，其結(jié)果如表2所示。從時(shí)間上來(lái)看，水稻不同生長(zhǎng)期在各植被指數(shù)上的差異較為明顯，其均值大致表現(xiàn)為抽穗期大于分蘗期和結(jié)實(shí)期；而雜草和樹(shù)木的均值在各個(gè)階段均無(wú)明顯波動(dòng)。從地物間的差異情況來(lái)看，在同一植被指數(shù)中，非植被與植被的數(shù)值差異較大；但在同一時(shí)期時(shí)，不同植被間的差異不夠明顯，在地物劃分時(shí)，容易造成混淆。從植被指數(shù)的差異來(lái)看，多光譜植被指數(shù)與可見(jiàn)光植被指數(shù)也存在差異。從均值變化來(lái)看，多光譜植被指數(shù)在植被和非植被的區(qū)分中具有更好的區(qū)分度，其中植被與非植被提取效果NDVI＞GNDVI＞OSAVI＞LCI＞NDRE；而VDVI相比EGRBDI又有較好的分離效果；ExG-ExR 相較于前3 種植被指數(shù)，其樣本像元值的波動(dòng)范圍更大，表明同種地物間的差異也較大，不利于同種地物的提取。綜上來(lái)看，在該研究區(qū)運(yùn)用一期或者單一方法對(duì)水稻和其他地物進(jìn)行劃分，均會(huì)存在較大的提取誤差。

表2 各地物在不同植被指數(shù)上的像元特征Table 2 Pixel characteristics of various objects on different vegetation indices

運(yùn)用各地物樣本統(tǒng)計(jì)不同指數(shù)和不同時(shí)間段水稻、樹(shù)木和雜草的生長(zhǎng)變化情況（圖3）。從圖3可知，水稻在各植被指數(shù)中，隨著時(shí)間的變化均存在明顯的變化規(guī)律，即隨著水稻生長(zhǎng)周期變化，其葉綠素含量也存在周期性差異，導(dǎo)致其同一樣本點(diǎn)在不同時(shí)間段上各植被指數(shù)的值存在變化，表明在該時(shí)間段內(nèi)水稻具有明顯的物候現(xiàn)象。從樹(shù)木和雜草的整體變化趨勢(shì)來(lái)看，二者也存在一定的變化，但其變化差異不大，且存在部分樣本變化規(guī)律相反的情況，即在短時(shí)間內(nèi)不存在明顯的物候現(xiàn)象。從植被指數(shù)的差異來(lái)看，多光譜植被指數(shù)中各樣本的聚集性比可見(jiàn)光植被指數(shù)聚集性要好，表明同種地物不同樣本點(diǎn)的像元值變化幅度較小，具有更好的辨識(shí)度。各植被指數(shù)間的聚集 性 表 現(xiàn) 為NDVI＞GNDVI＞OSAVI＞LCI＞NDRE＞VDVI＞EGRBDI＞ExG-ExR。

圖3 基于像元單元的各地物不同時(shí)期植被指數(shù)變化Fig. 3 Vegetation index of each feature in different periods under the pixel unit

通過(guò)統(tǒng)計(jì)各地塊樣本不同時(shí)期的指數(shù)均值（圖4），發(fā)現(xiàn)水稻地塊在不同植被指數(shù)的變化趨勢(shì)以及值的區(qū)間范圍均與以像元為統(tǒng)計(jì)單元的變化趨勢(shì)相似，也表現(xiàn)出明顯的物候特征。由此可見(jiàn)，在進(jìn)行水稻與雜草、樹(shù)木的劃分時(shí)，可以以地塊為單元進(jìn)行區(qū)分，可排除部分雜草和樹(shù)木對(duì)于水稻信息提取的影響。不同地物在某一段時(shí)間內(nèi)，由于生長(zhǎng)的差異其植被指數(shù)表現(xiàn)出的特征是不同的，具備明顯物候特征差異性，根據(jù)植被物候特征進(jìn)行地物的分類識(shí)別，在理論上具備一定的可行性。

圖4 地塊單元下水稻不同時(shí)期各植被指數(shù)變化Fig. 4 Vegetation index of rice in different periods under the plot unit

從NDVI、GNDVI、NDRE、LCI、OSAVI、VDVI、ExG-ExR 和EGRBDI 對(duì)應(yīng)水稻分蘗期、抽穗期和結(jié)實(shí)期的變化結(jié)果來(lái)看（圖5），NDVI、GNDVI、OSAVI 、VDVI和EGRBDI 對(duì)于水稻各個(gè)時(shí)期均有較好的辨識(shí)度，而LCI、NDRE 在水稻的抽穗期和結(jié)實(shí)期表現(xiàn)出相似特征，ExG-ExR 則在分蘗期和結(jié)實(shí)期表現(xiàn)出相同的特征。其中，NDVI對(duì)于水稻各時(shí)期的辨識(shí)度最高，GNDVI、OSAVI、VDVI 和EGRBDI則表現(xiàn)相似。

圖5 水稻各時(shí)期各植被指數(shù)變化Fig. 5 Changes in vegetation index of rice in different periods

綜上來(lái)看，不論是基于像元尺度或者地塊尺度，水稻在各時(shí)期均表現(xiàn)出明顯的物候現(xiàn)象，其在抽穗期葉片所含的葉綠素最多，其次為結(jié)實(shí)期，在分蘗期的葉綠素含量相對(duì)較低。呈現(xiàn)出這樣的現(xiàn)象主要原因在于分蘗期時(shí)水稻的葉面積相對(duì)較小，樣本區(qū)單位面積的葉綠素平均含量相對(duì)較少；在抽穗期時(shí)，水稻的生長(zhǎng)發(fā)育已經(jīng)基本完成，葉綠素含量相對(duì)較高；在結(jié)實(shí)期時(shí)，水稻的大部分營(yíng)養(yǎng)主要供給果實(shí)的生長(zhǎng)，葉片逐漸變黃，葉綠素含量降低。而該區(qū)大部分雜草和樹(shù)木在6、7 月時(shí)已進(jìn)入生長(zhǎng)期，在無(wú)其他干擾情況下，葉片葉綠素含量在一定時(shí)期內(nèi)均不會(huì)有明顯變化，與水稻形成較為明顯的對(duì)比。

2.3 植被指數(shù)分割閾值

為了進(jìn)一步對(duì)各地物進(jìn)行區(qū)分，探討水稻與其他地物的遙感指數(shù)特征區(qū)別，運(yùn)用樣本統(tǒng)計(jì)法和指數(shù)時(shí)序圖交點(diǎn)法的思想，通過(guò)各樣本進(jìn)行各地物特征的統(tǒng)計(jì)，以各地物曲線的交點(diǎn)為分割閾值。從圖6 可以看出，綠色植被和非植被在不同時(shí)期均具有較好的分離性；但從水稻與雜草、樹(shù)木的變化曲線來(lái)看，在水稻分蘗期時(shí)，水稻與雜草、樹(shù)木在各指數(shù)中均具有較好的分離性；在水稻抽穗期時(shí)，三者在各指數(shù)中混淆性較大，在多光譜植被指數(shù)和ExG-ExR 中表現(xiàn)最為明顯，在VDVI 和EGRBDI 中相對(duì)較好，同時(shí)也存在大量的混淆情況?？梢?jiàn)，在各個(gè)時(shí)期水稻、雜草和樹(shù)木的生長(zhǎng)情況均較好，葉片中的葉綠素含量較高，區(qū)分度較低，導(dǎo)致三者出現(xiàn)混淆的情況。而在水稻的結(jié)實(shí)期，植被的表現(xiàn)情況則與在抽穗期時(shí)相反，水稻、雜草和樹(shù)木在多光譜植被指數(shù)和ExG-ExR 中的分離性明顯好于VDVI 和EGRBDI，其原因與植被指數(shù)本身的構(gòu)造原理息息相關(guān)，而EGRBDI 的構(gòu)造原理與VDVI 相似。從地物分割閾值區(qū)間來(lái)看（表3），同一時(shí)期內(nèi)植被和非植被的閾值區(qū)間均具有明顯的分割區(qū)間，而植被之間的區(qū)間識(shí)別度相對(duì)較小，在7 月15 日采集的數(shù)據(jù)中，水稻、雜草和樹(shù)木的植被指數(shù)閾值區(qū)間均存在一定程度上的混淆。綜上來(lái)看，從單一時(shí)期的像元特征進(jìn)行地物分離時(shí)，只能對(duì)綠色植被和非植被進(jìn)行較好地分離，而對(duì)于顏色接近的綠色植被則不易區(qū)分，若只按照地物曲線的交點(diǎn)作為分割閾值，或只運(yùn)用單期作物特征數(shù)據(jù)進(jìn)行分割提取，水稻、雜草和樹(shù)木間將存在大量的錯(cuò)分。

表3 各時(shí)期相應(yīng)地物的植被指數(shù)分割閾值區(qū)間統(tǒng)計(jì)Table 3 Vegetation index segmentation threshold interval statistics of corresponding features in each period

圖6 各指數(shù)植被與非植被統(tǒng)計(jì)直方圖Fig. 6 Histogram of vegetation and non-vegetation statistics for each index

2.4 水稻信息提取

為了更加準(zhǔn)確地提取水稻信息以及植被覆蓋度，利用水稻、雜草和樹(shù)木分布位置的差別，運(yùn)用2.1 中的耕地地塊數(shù)據(jù)結(jié)合植被和非植被之間的分割閾值進(jìn)行三者的分割,以監(jiān)督分類的數(shù)據(jù)作為參考，監(jiān)督分類精度如表4所示，其總體精度均在95%以上，Kappa 均在0.89 以上，提取的精度較高，可作為精度評(píng)價(jià)的參考。提取結(jié)果如圖7 所示，其中綠色表示水稻信息，白色部分表示其他地類信息,從圖中可知，以耕地地塊為研究單元，可以有效剔除田坎和道路兩旁的雜草及樹(shù)木，降低其他植被對(duì)水稻信息提取的影響。從分類結(jié)果來(lái)看，在水稻的各生長(zhǎng)期中，水稻分蘗期的植被覆蓋度明顯小于抽穗期和結(jié)實(shí)期；多光譜植被指數(shù)的提取效果與監(jiān)督分類的結(jié)果更加接近，可見(jiàn)光植被指數(shù)則相對(duì)較差。多光譜植被指數(shù)對(duì)作物細(xì)節(jié)的提取更加準(zhǔn)確，在一定程度上表明可見(jiàn)光植被指數(shù)對(duì)于植被的提取效果相對(duì)于多光譜植被指數(shù)的提取結(jié)果要差。但從局部來(lái)看，各指數(shù)間各有優(yōu)勢(shì)，從6 月5 日數(shù)據(jù)的提取結(jié)果來(lái)看，當(dāng)水稻的覆蓋度較低時(shí)，NDVI、OSAVI和VDVI對(duì)于水稻信息細(xì)節(jié)的提取更加細(xì)致，LCI和NDRE對(duì)水稻的提取較為碎片化，破碎程度較高，EGRBDI 和ExRExG 提取也相對(duì)較差。當(dāng)覆蓋度較高時(shí)，各指數(shù)的提取結(jié)果有明顯差異。

圖7 地塊單元的水稻信息提取結(jié)果對(duì)照Fig. 7 Comparison of rice information extraction results for plot units

表4 監(jiān)督分類精度Table 4 Supervised classification accuracy

2.5 水稻植被覆蓋度計(jì)算及精度驗(yàn)證

從提取誤差來(lái)看，NDVI 和GNDVI 在水稻的各個(gè)時(shí)期均具有較好的提取精度，誤差均小于1%； NDRE 和LIC 在水稻分蘗期時(shí)提取誤差較大，分別為17.28%和11.18%，其絕對(duì)誤差分別為16.00%和10.35%，而在水稻抽穗期和結(jié)實(shí)期時(shí)，二者的提取精度相對(duì)增加，但其精度仍較其余二者多光譜植被指數(shù)提取精度低；OSAVI、VDVI 和ExG-ExR 的提取誤差均大于1%；而EGRBDI 則出現(xiàn)兩級(jí)分化，在水稻的分蘗期提取誤差較高，為5.29%，在結(jié)實(shí)期提取誤差僅為0.13%，可能是由于該指數(shù)本身對(duì)于細(xì)節(jié)部分提取能力較強(qiáng)[18]，使部分非水稻信息被誤分為水稻，導(dǎo)致提取結(jié)果存在偏差。

運(yùn)用均方根誤差（root mean square error，RMSE）和相關(guān)系數(shù)R2進(jìn)行精度評(píng)價(jià)。在水稻的分 蘗 期 時(shí)，NDVI、GNDVI、NDRE、LIC、OSAVI、VDVI、EGRBDI 和ExG-ExR 的R2值均較小，分別為0.77、0.76、0.66、0.68、0.72、0.75、0.65 和0.53，而對(duì) 應(yīng) 的RMSE 分 別 為9.09%、9.36%、12.34%、10.58%、10.07%、9.41%、11.29%和14.62%，整體上各植被指數(shù)在水稻分蘗期的植被覆蓋度提取精度均較低。在抽穗期和結(jié)實(shí)期，除了ExG-ExR 以外，其余指數(shù)提取的R2均較高。通過(guò)對(duì)比發(fā)現(xiàn)，同一指數(shù)提取覆蓋度的R2隨著時(shí)間的變化逐漸增大，而RMSE 均有一定程度的降低。這是由于在水稻分蘗期時(shí)，其覆蓋度相對(duì)較低，在同一樣本區(qū)內(nèi)，存在水稻和土壤（或水體）2 部分，使得部分土壤被誤分為水稻，R2相對(duì)較小，RMSE 值較大；隨著水稻的生長(zhǎng)，在抽穗期和結(jié)實(shí)期時(shí)，水稻的葉片全面生長(zhǎng)，使得樣本區(qū)內(nèi)的水稻面積增加，相應(yīng)的土壤或其他地物的面積減小，錯(cuò)誤提取率下降，導(dǎo)致提取精度提高。總體而言，運(yùn)用各植被指數(shù)結(jié)合耕地地塊數(shù)據(jù)，對(duì)水稻信息和植被覆蓋度進(jìn)行提取，整體提取精度較高，其中NDVI、GNDVI、OSAVI 和VDVI 相對(duì)提取精度較高，且提取方法具有很高的可行性，可用于水稻信息和植被覆蓋度的提取。

3 討論

本研究對(duì)水稻3 個(gè)重要生長(zhǎng)期的植被指數(shù)特征和覆蓋度信息進(jìn)行了提取，從數(shù)據(jù)的可見(jiàn)光和多光譜層面來(lái)看，基于多光譜植被指數(shù)提取的水稻植被指數(shù)特征明顯優(yōu)于可見(jiàn)光植被指數(shù)，這在一定程度上由二者指數(shù)構(gòu)建的波段不同所導(dǎo)致，多光譜植被指數(shù)在很大程度上充分運(yùn)用了紅邊波段和近紅外波段，植被在近紅外波段處有較強(qiáng)的反射，其反射率值較高，可以更好地突出植被信息，而在波段范圍為690～730 nm 的紅邊區(qū)域，植被的反射率會(huì)發(fā)生明顯變化，且受周圍環(huán)境的影響較小，可以提升作物遙感監(jiān)測(cè)的精度[24]。在多光譜植被指數(shù)間，對(duì)水稻的提取精度存在明顯差異，是與各指數(shù)的構(gòu)建原理有關(guān)，其對(duì)地物的普適性不同。NDVI 是通過(guò)植被在近紅外波段和紅邊波段的差異性構(gòu)建，可反映植被的健康情況及植被的長(zhǎng)勢(shì)，在作物的整個(gè)生長(zhǎng)期均具有較好的普適性；NDRE 結(jié)合了近紅外波段和可見(jiàn)紅色及Red-NIR 過(guò)渡區(qū)，其范圍較窄，通常用于監(jiān)測(cè)已達(dá)到成熟階段的作物，因此其在水稻的分蘗期提取精度相對(duì)較低；GNDVI 指數(shù)是對(duì)NDVI 的修改，它也使用近紅外波段，但用綠波段代替紅波段，可以更好地測(cè)量葉綠素含量，因此在整個(gè)監(jiān)測(cè)周期中具備較好的精度；OSAVI 植被指數(shù)是修改后的SAVI，也使用NIR 和紅光波段中的反射率，2 個(gè)指標(biāo)的區(qū)別在于OSAVI 考慮了冠層背景調(diào)整因子的標(biāo)準(zhǔn)值（0.16），通常監(jiān)測(cè)裸露土壤區(qū)域的低密度植被區(qū)域；LCI 則考慮紅波段、紅邊波段和近紅外波段三者間的關(guān)系，其包含的地物信息過(guò)多，主要用于作物的產(chǎn)量估算等，在植被稀疏覆蓋時(shí)期的精度相較于其他指數(shù)要低[25]。從地塊尺度和像元尺度來(lái)看，水稻的生長(zhǎng)曲線變化特征相似。從3 個(gè)生長(zhǎng)周期的數(shù)據(jù)來(lái)看，水稻的變化特征相對(duì)于樹(shù)木和雜草變化波動(dòng)較大，這主要與三者的生長(zhǎng)特性有關(guān)。雜草的生長(zhǎng)周期較快，品種較多，部分雜草在短期內(nèi)可以快速完成生長(zhǎng)和枯萎整個(gè)生命周期，這也是導(dǎo)致在圖3 中雜草曲線存在多個(gè)變化趨勢(shì)的原因。除此之外，在數(shù)據(jù)獲取的時(shí)間段內(nèi)，部分雜草的生長(zhǎng)周期可能與水稻相似，導(dǎo)致在進(jìn)行水稻信息提取時(shí)出現(xiàn)錯(cuò)提。李明等[26]從水稻的紋理和顏色等特征進(jìn)行水稻種植信息提取并取得較好的精度，但其只選取了水稻的一個(gè)生長(zhǎng)期來(lái)進(jìn)行水稻特征的獲取，而水稻在不同的生長(zhǎng)期紋理或顏色均會(huì)存在差異，同一特征對(duì)不同時(shí)期的水稻信息提取可能不會(huì)取得較好的提取效果。吳方明等[27]運(yùn)用面向?qū)ο蟮姆指罘椒?，?duì)水稻的種植面積進(jìn)行快速提取，取得了很高的提取精度，但該方法不能較好地體現(xiàn)水稻的光譜特征，無(wú)法為水稻生長(zhǎng)周期變化特征的監(jiān)測(cè)提供數(shù)據(jù)支持。本研究選取水稻3 個(gè)時(shí)期的特征數(shù)據(jù)，從其植被特征入手，在一定程度上可根據(jù)其生長(zhǎng)曲線有效獲取水稻的種植信息，后期研究中，可對(duì)水稻的生長(zhǎng)狀況進(jìn)行分區(qū)分類研究，參照本文提取植被指數(shù)特征的方法，提取如健康、受病蟲(chóng)害和營(yíng)養(yǎng)缺失等生長(zhǎng)狀態(tài)下的植被指數(shù)特征或其他植被參數(shù)特征，建立特征樣本庫(kù)，為水稻生長(zhǎng)周期的變化監(jiān)測(cè)提供數(shù)據(jù)支持。同時(shí)，本研究也存在一定的局限性，雖然對(duì)水稻生長(zhǎng)特征進(jìn)行了部分總結(jié)，但還不夠全面，下一步將細(xì)化數(shù)據(jù)采樣時(shí)間，多尺度、多角度、多品種的提取水稻紋理、空間和光譜等信息，并利用深度學(xué)習(xí)手段，形成水稻信息庫(kù)，為水稻及其他作物識(shí)別和長(zhǎng)勢(shì)監(jiān)測(cè)提供技術(shù)和理論支撐。

表5 水稻植被覆蓋提取結(jié)果及精度統(tǒng)計(jì)Table 5 Extraction results and precision statistics of rice vegetation cover