基于無人機數(shù)碼影像的馬鈴薯覆蓋度提取方法

吳智超 李長春 馮海寬 翟麗婷 王道勇 楊貴軍

(1.河南理工大學測繪與國土信息工程學院，焦作 454000；2.北京農(nóng)業(yè)信息技術研究中心農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機理與定量遙感重點實驗室，北京 100097；3.國家農(nóng)業(yè)信息化工程技術研究中心，北京 100097；4.安徽大學農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應用技術國家地方聯(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，是農(nóng)學、生態(tài)學等學科所關注的重要參數(shù)。植被覆蓋度測量方法的準確度，直接決定了測量結果的準確性和可信度。植被覆蓋度測量方法的發(fā)展大致經(jīng)歷了簡單目估法、采樣法、儀器測量計算法、遙感監(jiān)測法等。

目估法是傳統(tǒng)的快速獲取植被覆蓋度估測方法，簡單、易行，但主觀隨意性較大，其測算結果和目估對象的實際覆蓋度大小及測量人的經(jīng)驗密切相關，有研究表明，個人目估最大誤差可達40.4%[4-5]。采樣法是通過設定樣方，將樣針在試驗田一根根垂直投下，記錄植被被樣針擊中的數(shù)目，然后計算擊中數(shù)目占總樣針數(shù)目的比值作為植被覆蓋度，這種方法雖然準確，但操作復雜，且十分耗時[6]。儀器法是采用專門的儀器，如空間定量計、移動光量計和照相機等直接進行覆蓋度的測量，其中照相法具有簡單、經(jīng)濟等優(yōu)勢，應用比較廣泛[7-12]。如GUIJARRO等[8]基于數(shù)碼影像和紋理特征，借助于計算機技術識別田間雜草;張清平等[9]利用顏色分析軟件WinCAM, 通過顏色比對提取植被，并求得植被覆蓋度；池宏康等[10]利用 Photoshop 軟件對圖像進行處理，通過分別統(tǒng)計圖像中的植被像元數(shù)量和樣地像元數(shù)量計算草地植被蓋度；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)對數(shù)字影像進行處理，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)，通過設定閾值提取草地覆蓋度。遙感監(jiān)測法是指利用遙感技術進行植被覆蓋度計算的方法。近年來，隨著數(shù)碼相機的普及、精度的提高和數(shù)字圖像技術的快速發(fā)展，目前應用最為廣泛的遙感監(jiān)測方法是植被覆蓋度與光譜指數(shù)的相關性及回歸模型法[13-14]。但其操作較為復雜，測量時間長，限制條件多，效率低等，因此不易推廣。無人機遙感技術以其靈活性高、影像獲取時間短、成本低等優(yōu)勢，在森林資源調(diào)查、農(nóng)情實時監(jiān)測等方面發(fā)揮著巨大的作用[15-23]。如李冰等[15]對冬小麥不同生長階段的覆蓋度進行無人機遙感監(jiān)測。路炳軍等[16]利用數(shù)碼相機拍攝的圖像快速獲取植被覆蓋度。張學霞等[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)計直方圖相結合確定閾值的方法進行玉米植被覆蓋度的提取。TORRES-SNCHEZ等[20]利用無人機的數(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合無人機可見光、近紅外影像進行大麥生物量監(jiān)測。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)量的關系，實現(xiàn)田塊尺度的棉花產(chǎn)量預測。劉峰等[23]通過比較像元各波段反射率，對植被像元與土壤像元進行區(qū)分，進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)方法及部分數(shù)字圖像處理技術，而利用無人機影像進行研究的較少。本文提出一種利用顏色轉(zhuǎn)換空間HSI從無人機數(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)法進行比較，旨在探求一種更加客觀、適用性更強、耗時更少、準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

實驗于2019年3—7月在北京市昌平區(qū)小湯山鎮(zhèn)國家精準農(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,氣候為北溫帶半濕潤大陸性季風氣候，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)位及實驗小區(qū)分布如圖1所示。實驗品種設2個水平：中薯3(右)、中薯5(左)；密度設3個水平：60 000株/hm2(T1)、72 000株/hm2(T2，正常處理)、84 000株/hm2(T3)；6個處理，每個處理3個重復，共18個實驗小區(qū)。東西總長39.6 m，南北總長15 m(不包括保護行)，小區(qū)尺寸5 m×6.6 m。

1.2 數(shù)據(jù)獲取

實驗開始前在實驗小區(qū)內(nèi)隨機放置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驗作物行。本研究所使用的數(shù)據(jù)分為兩類：①無人機數(shù)碼影像，采用大疆公司生產(chǎn)的精靈系列4A產(chǎn)品獲取，無人機部分參數(shù)見表1。②地面數(shù)碼影像，采用佳能公司G系列的G16型相機獲取，地面數(shù)碼相機部分參數(shù)見表2。

表1 無人機部分參數(shù)

表2 地面數(shù)碼相機部分參數(shù)

無人機數(shù)碼影像拍攝于2019年5月16日11:00—12:00，拍攝時天氣晴朗，無云，微風，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。拍攝時無人機相機鏡頭保持垂直向下。由于本研究對中心波長的位置和波段范圍并無嚴格要求，故對所獲取的影像沒有進行輻射定標[24]。地面數(shù)碼影像拍攝時間為當天15:00—16:00，拍攝高度2 m，相機位于研究小區(qū)正上方，保持水平拍攝。

1.3 實驗方法

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)是學習借鑒了多篇求取植被覆蓋度的相關文獻的思路和想法[4,14,25]，并對其中部分方法進行了優(yōu)化。算法原理如下：首先，利用顏色轉(zhuǎn)換空間HSI進行研究區(qū)外實驗區(qū)的處理，再通過過綠植被指數(shù)對前一步得到的研究區(qū)進行剔除綠色植被處理；然后通過最大類間方差(Otsu)求取閾值的方法進行剔除土壤處理；通過形態(tài)學閾值法去除土壤上的植被(雜草)；形態(tài)學原理進行去噪；最后分別提取植被像素數(shù)與總像素數(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Photoscan軟件拼接完成的數(shù)碼影像構建植被指數(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)督分類又稱訓練分類法，即用被確認類別的樣本像元識別其他未知類別像元的過程[1]。本文利用最大似然法對拼接完成的數(shù)碼影像進行監(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，計算植被覆蓋度。最大似然法是根據(jù)訓練樣本的均值和方差來評價其他像元和訓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)學處理去噪；其次是利用HSI空間的H通道進行去土壤處理，期間同樣使用了最大類間方差法獲取閾值以及形態(tài)學處理；然后合成偽彩色植被圖像；最終分別計算原圖像的總像元數(shù)和偽彩色植被圖像的總像元數(shù)，求比值獲取結果，即植被覆蓋度。

2 結果分析

首先利用VCEA法對地面所獲取的各小區(qū)的數(shù)碼影像進行處理，得到各小區(qū)的分類效果圖及分類結果，以此作為覆蓋度實測值。由于分類效果圖較大，故本文中僅隨機顯示其中6個研究小區(qū)的分類效果圖，見圖2。然后利用Photoscan軟件對無人機獲取的數(shù)碼影像進行預處理，包括對齊影像、建立密集點云、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)督分類法對各個研究小區(qū)進行處理，得到各研究小區(qū)的分類效果圖及分類結果，即植被覆蓋度。綜合分析不同方法所得到的分類結果，見表3。利用預測值和實測值分別計算得到各個研究小區(qū)不同方法的預測精度，見表4。此外，從獲得的無人機數(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研究小區(qū)進行裁剪并命名，然后利用H-A法分別對各個研究小區(qū)進行處理，獲取相對應的分類效果圖和分類結果，見圖3。利用所獲得的預測值與實測值建立對應的函數(shù)模型，結果見圖4。

圖2 實測值處理效果圖

圖3 不同處理方法的效果圖

表3 分類結果

由圖2研究小區(qū)原圖與對應的分類效果可以看出，VCEA法分類結果較為準確，貼近于真實情況，所測得覆蓋度具有較高的可靠性，故以VCEA法的提取結果作為馬鈴薯覆蓋度的實測值。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輪廓差距最小，最接近于真實圖，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果與真實值差別，總體看來，3種方法大多數(shù)均出現(xiàn)多分現(xiàn)象，其中H-A法的分類結果與實測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)督分類法分類結果與實測值的誤差最大5.13%，平均誤差為2.65%；EXG指數(shù)法分類結果與實測值的誤差最大為14.25%，平均誤差為3.63%。綜上所述，H-A法分類效果最好，監(jiān)督分類法結果次之，EXG指數(shù)法最差。

表4 分類結果精度

圖4 實測值與預測值函數(shù)模型

由表4可以看出，利用H-A法得到的處理結果精度最高，精度均達到0.91以上，最高達到0.99，而精度均值達到0.96，具有很高的準確性；監(jiān)督分類法的精度次之，最低為0.75，最高達到0.98，精度均值為0.90，具有較高的準確性，但較為不穩(wěn)定，人工干預較大；EXG指數(shù)法精度最差，最低為0.74，最高達到0.98，精度均值為0.88，具有較好的準確性，但也不穩(wěn)定。圖4是由得到的實測值與3種不同方法獲取的預測值所建立的函數(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單。

3 結論

(1)從分類效果圖來看，H-A法所估計的植被覆蓋度結果(分類準確度)高于監(jiān)督分類法和EXG指數(shù)法，更加接近于真實情況。

(2)從分類精度來說，H-A法的分類精度均達到0.91以上，最高達到了0.99，均值達到了0.96；最大似然監(jiān)督分類法的分類精度最高值達到0.98，但最低值為0.75，均值達到0.90，較為不穩(wěn)定；EXG指數(shù)法的分類精度最高值達到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)和相關性來說，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，相對應的擬合度分別為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，說明其相關性更高，可靠性更好。