2. 山东理工大学 国际精准农业航空应用技术研究中心,山东 淄博,255000;
3. 华南农业大学 电子工程学院,广东 广州,510642;
4. 山东理工大学 交通与车辆工程学院,山东 淄博,255000
2. International Precision Agriculture Aviation Application Technology Research Center, Shandong University of Technology, Zibo 255000, China;
3. College of Electronic Engineering, South China Agricultural University, Guangzhou 510642, China;
4. School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo 255000, China
小麦产量占粮食作物总产的20%以上,是我国重要的粮食作物之一[1-2],为了保持小麦粮食产业的稳定发展,需要对小麦有关生理信息进行准确快速的监测。植被覆盖度(Vegetation coverage,VC)是衡量陆地表面植被生长状态变化的一个重要指标,通常是指植被(叶、茎、枝)在地面垂直投影的总面积占统计区总面积的百分比,反映了植物光合作用的能力以及植物的生长状况,对土壤侵蚀和水土流失有重要的指示作用[3-5]。植被覆盖度测量方法主要有地表实测法与遥感监测法[6-7]。地表实测法主要包括目估法、采样法和仪器法等,但其人为主观性强、劳动强度大,受人力和物力等条件限制,难以在大面积范围应用[8-9]。遥感技术为大面积监测植被覆盖度提供了可能,其中,应用较早的是卫星遥感。佟斯琴等[10]在GIMMS NDVI3g数据基础上,通过强度分析方法和像元二分法,从植被覆盖度等级变化、转换和时间间隔3个方面分析了1982—2010年内蒙古植被覆盖度的变化;李苗苗等[11]基于TM遥感数据,在像元二分法原理基础上,改进模型参数计算方法,构建了多光谱植被指数(NDVI)植被覆盖度定量提取模型,实现了对密云水库上游植被覆盖度的提取。随着遥感技术的发展,无人机航空遥感逐渐进入人们的视野,无人机遥感信息技术具有操作简便、机动灵活、图像分辨率高和受大气层影响小等优点[12],广泛应用于遥感监测中。汪小钦等[13]通过分析无人机图像中可见光波段植被与非植被的光谱差异,提出了用于获取植被覆盖度信息的差异植被指数(VDVI);赵静等[14]利用无人机获取的玉米可见光图像提取多种植被指数,采用监督分类与植被指数统计直方图相结合的方式,提出了一种田间尺度夏季玉米覆盖度快速提取的方法。
亚像元分解法是近年被广泛使用的方法,其中像元二分法具有计算方便和精度较高等优点,运用比较广泛[9]。像元二分法多应用于卫星遥感中,且结合多光谱植被指数构建植被覆盖度提取模型较多,而在无人机遥感中,与可见光植被指数结合构建模型鲜有报道。基于上述问题,本文利用无人机获取可见光图像,在像元二分法原理基础上,分别结合可见光差异植被指数(VDVI)[13]、过绿指数(EXG)[15-16]、归一化绿蓝差异指数(NGBDI)[17]和归一化绿红差异指数(NGRDI)[18]构建4种新的植被覆盖度提取模型,寻求快速生成冬小麦返青期植被覆盖等级图的方法,为后期田间生产管理提供指导。
1 材料与方法 1.1 试验区概况与数据采集试验区位于山东省桓台县唐山镇,其地势南高北低,由西南向东北倾斜,略呈微波状,南部和北部皆为冲积平原。试验区地理位置为北纬36°58′38″—36°58′40″、东经118°3′44″—118°3′45″,地处温带,属于大陆性季风型气候,光热资源充足,年平均日照时数2 832 h,年平均温度12.5~14.5 ℃。
采用大疆精灵Phantom4 advanced型无人机采集数据,其相机的影像传感器是1英寸CMOS,有效像素为2 000万,有效载荷为2 kg,续航时间约30 min。为保证光照条件的一致性,选择晴朗无风天气,2019年3月13中午12:00左右采集冬小麦返青期图像数据。无人机采集图像时的飞行高度为40 m、飞行速度为4 m/s,航向和旁向重叠度均为85%,获取分辨率为5 472像素×3 648像素的图像245张,地面分辨率为1 cm。为提高图像拼接的几何精度,在试验区布置9个地面控制点,利用Pix4DMapper软件对无人机获取的图像进行拼接,生成冬小麦返青期试验区的全景正射影像(图1)。
像元二分法[11,19-20]是一种简便实用的线性模型,它假设一个像元的地表信息由纯植被和纯土壤(非植被)2部分信息构成,所得到的光谱信息是由2种纯组分的面积比例加权的线性组合。具体可以表示为:
$S = {\rm{FVC}} \times {S_{{\rm{veg}}}} + (1 - {\rm{FVC}}) \times {S_{{\rm{soil}}}},$ | (1) |
对(1)式进行变换,得到植被覆盖度公式:
${\rm{FVC}} = (S - {S_{{\rm{soil}}}})/({S_{{\rm{veg}}}} - {S_{{\rm{soil}}}}),$ | (2) |
式中,
目前可见光植被指数较少,其主要基于红色波段的低反射率和绿色波段的高反射率构建,有差异植被指数(VDVI)、过绿指数(EXG)、归一化绿蓝差异指数(NGBDI)和归一化绿红差异指数(NGRDI),各指数的计算见公式(3)~(6):
${\rm{VDVI}} = \frac{{2G - R - B}}{{2G + R + B}},$ | (3) |
${\rm{EXG}} = 2G - R - B,$ | (4) |
${\rm{NGBDI}} = \frac{{g - b}}{{g + b}},$ | (5) |
${\rm{NGRDI}} = \frac{{g - r}}{{g + r}},$ | (6) |
且
式中,G 为绿色波段像素值,B 为蓝色波段像素值,R为红色波段像素值,g、b、r分别为归一化处理后绿、蓝、红波段像素值。
根据像元二分法原理,各可见光植被指数也是由传感器接受地物光谱信息计算出反映地表信息的定量值,一个像元的VDVI值可以表达为纯植被像元信息
${\rm{FV}}{{\rm{C}}_{{\rm{VDVI}}}} = ({\rm{VDVI}} - {\rm{VDV}}{{\rm{I}}_{{\rm{soil}}}})/({\rm{VDV}}{{\rm{I}}_{{\rm{veg}}}} - {\rm{VDV}}{{\rm{I}}_{{\rm{soil}}}}),$ | (7) |
同理,将EXG、NGBDI和NGRDI代入(2)式可以分别转化为:
$ {\rm{FV}}{{\rm{C}}_{{\rm{EXG}}}} = ({\rm{EXG}} - {\rm{EX}}{{\rm{G}}_{{\rm{soil}}}})/({\rm{EX}}{{\rm{G}}_{{\rm{veg}}}} - {\rm{EX}}{{\rm{G}}_{{\rm{soil}}}}), $ | (8) |
$ \begin{aligned} {\rm{FV}}{{\rm{C}}_{{\rm{NGBDI}}}} =& ({\rm{NGBDI}} - {\rm{NGBD}}{{\rm{I}}_{{\rm{soil}}}})/({\rm{NGBD}}{{\rm{I}}_{{\rm{veg}}}} -\\ &{\rm{NGBD}}{{\rm{I}}_{{\rm{soil}}}}), \end{aligned}$ | (9) |
$ \begin{aligned} {\rm{FV}}{{\rm{C}}_{{\rm{NGRDI}}}} = & ({\rm{NGRDI}} - {\rm{NGRD}}{{\rm{I}}_{{\rm{soil}}}})/({\rm{NGRD}}{{\rm{I}}_{{\rm{veg}}}} -\\ &{\rm{NGRD}}{{\rm{I}}_{{\rm{soil}}}}){\text{。}} \end{aligned}$ | (10) |
公式(7)~(10)为可见光植被指数植被覆盖度提取模型,以下简称植被覆盖度提取模型。
1.2.3 冬小麦植被覆盖度提取根据像元二分法和监督分类原理设计植被覆盖度提取流程(图2)。对获取的无人机可见光图像进行拼接、裁剪和掩膜等预处理,计算图像中4种可见光植被指数,参考李苗苗等[11]提出的TM遥感影像纯像元信息估算方法,以图像清晰度和图像大小作为依据,通过反复对比,取2%置信度作为各植被指数的纯像元信息(即植被指数像素值累计2%为纯土壤像元信息、98%为纯植被像元信息),根据公式(7)~(10)植被覆盖度提取模型和纯像元信息提取植被覆盖度;通过目视判读对预处理图像进行小麦和土壤样本训练集和验证集选择,采用支持向量机(Support vector machine,SVM)监督分类结合公式(11)提取植被覆盖度,其结果作为真值对植被覆盖度提取模型结果进行精度验证。
目前监督分类评价训练样本和分类结果常用J-M距离优化法[21]和混淆矩阵法[14]。J-M距离优化法是通过计算不同类别间的J-M距离来确定不同类别间的差异程度;混淆矩阵法是通过实测像元样本所在的类别和位置与分类结果计算中相应的类别和位置来判别分类精度。
监督分类结果由下式得到:
${\rm{FV}}{{\rm{C}}_{{\rm{SVM}}}} = \frac{{{N_{{\rm{wheat}}}}}}{{{N_{{\rm{wheat}}}} + {N_{{\rm{soil}}}}}},$ | (10) |
式中,
目前常采用照相法进行植被覆盖度精度评价,由于实地拍照受人力和物力等条件的限制,对大范围植被覆盖度精度评价较难。随着机器学习技术的发展,利用监督分类进行精度评价成为可能,其受人为等因素干扰少,提取植被覆盖度精度高。本文采用SVM监督分类将无人机可见光图像分为小麦和土壤2个部分,提取平均覆盖度,并分别对4种植被覆盖度提取模型获取的平均覆盖度进行整体精度验证,植被覆盖度提取误差(EF)按下式计算:
${E_{\rm{F}}} = \frac{{\left| {{F_{\sup }} - } \right.\left. {{F_{{\rm{VI}}}}} \right|}}{{{F_{\sup }}}} \times 100{\text{%}}, $ | (11) |
式中,
选取样本点,以监督分类结果作为真值,植被覆盖度提取模型结果作为预测值,建立线性回归模型,对植被覆盖度提取模型进一步验证。通过均方根误差(Root mean squared error,RMSE)验证线性回归模型的精度,RMSE越小,说明真值与预测值越接近;用决定系数(R2)评价线性回归模型的拟合优度,R2越大,说明真值与预测值拟合效果越好。
2 结果与分析 2.1 监督分类结果与评价通过目视判读结合野外调查,从可见光图像上分别选取80个典型的小麦植株样本和相对独立的裸土样本作为训练集,对训练集计算J-M距离,选取样本间分离性好的训练集进行SVM监督分类(图3);同理,从图像上分别选取40个典型样本作为验证集,对分类结果计算混淆矩阵并进行验证。
图像经过验证计算后,训练集和验证集中小麦和土壤之间的J-M距离分别为1.999 9和1.998 7,均大于1.9,说明样本之间可分离性好,混淆矩阵总体分类精度为99.796 5%,Kappa系数为0.995 9,分类结果精度评价见表1。由表1可知,SVM监督分类对小麦和土壤的分类效果较好。计算得到冬小麦返青期的平均植被覆盖度为0.332 623,说明该时期整体植被覆盖度约为33%。
通过统计可见光植被指数图像的像素,选取累计像素2%为纯土壤像元信息,98%为纯植被像元信息。在计算植被覆盖度时,对低于纯土壤像元信息的噪音像素值归为0;高于纯植被像元信息的噪音像素值则归为1。统计得到差异植被指数(VDVI)的2个信息分别为
为进一步验证植被覆盖度提取模型的提取精度,从监督分类的图像上随机选取40个2 m×2 m的样本区,计算每个样本的植被覆盖度并作为真值;利用选定的40个样本区统计各植被覆盖度提取模型的植被覆盖图,取每个样本区的平均植被覆盖度作为预测值,然后进行线性拟合,结果如图5所示。由图5可知,4种植被覆盖度提取模型中VDVI和EXG的决定系数(R2)均高于0.9,NGBDI和NGRDI的R2均低于0.8,说明前者拟合优度较好,后者拟合优度较差;但EXG的RMSE大于0.05,在4种植被覆盖度提取模型中相对较大,说明其模型精度较差。综合可知,VDVI提取效果最好(R2为0.946 1,RMSE为0.021 9),这与表2植被覆盖度精度评价结果相一致。
根据陈虹兵等[9]对植被覆盖度等级的划分,选取VDVI植被覆盖度提取模型生成冬小麦返青期植被覆盖度等级分布图,等级分布为裸地(覆盖度0~0.10)、低覆盖度(0.10~0.30)、中低覆盖度(0.30~0.45)、中覆盖度(0.45~0.60)和高覆盖度(0.60~1.00)5个等级,并对各等级覆盖度进行统计,结果见表3和图6。
基于可将光植被指数的植被覆盖度提取模型技术简单、可操作性强,无需对信息进行繁琐的推导,实现了冬小麦返青期植被覆盖度准确快速提取:1)利用VDVI、EXG、NGBDI和NGRDI这4种可见光植被指数结合像元二分法原理构建的植被覆盖度提取模型可以有效地提取冬小麦返青期植被覆盖度信息;2)与EXG、NGBDI和NGRDI相比,VDVI构建冬小麦返青期植被覆盖度提取模型精度最高,提取误差(EF)为3.36%,R2为0.946 1,RMSE为0.021 9;3)采用VDVI植被覆盖度提取模型,生成了冬小麦返青期植被覆盖度等级分布图,为小麦后期的田间管理提供了参考。
[1] |
赵广才, 常旭虹, 王德梅, 等. 中国小麦生产发展潜力研究报告[J]. 作物杂志, 2012(3): 1-5. (0) |
[2] |
刘治开, 牛亚晓, 王毅, 等. 基于无人机可见光遥感的冬小麦株高估算[J]. 麦类作物学报, 2019, 39(7): 859-866. (0) |
[3] |
PUREVDORJ T, ISHIYAMA T, HONDA Y, et al. Relationships between percent vegetation cover and vegetation indices[J]. Int J Remote Sens, 1998, 19(18): 3519-3535. DOI:10.1080/014311698213795 (0) |
[4] |
GITELSON A A, KAUFMAN Y J, STARK R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sens Environ, 2002, 80(1): 76-87. DOI:10.1016/S0034-4257(01)00289-9 (0) |
[5] |
牛亚晓, 张立元, 韩文霆, 等. 基于无人机遥感与植被指数的冬小麦覆盖度提取方法 [J]. 农业机械学报, 2018, 49(4): 212-221.
(0) |
[6] |
SONG W, MU X, RUAN G, et al. Estimating fractional vegetation cover and the vegetation index of bare soil and highly dense vegetation with a physically based method[J]. Int J Appl Earth Obs, 2017, 58: 168-176. DOI:10.1016/j.jag.2017.01.015 (0) |
[7] |
RUNDQUIST B C. The influence of canopy green vegetation fraction on spectral measurements over native tallgrass prairie[J]. Remote Sens Environ, 2002, 81(1): 129-135. DOI:10.1016/S0034-4257(01)00339-X (0) |
[8] |
ZHOU Q, ROBSON M, PILESJO P. On the ground estimation of vegetation cover in Australian Rangelands[J]. Int J Remote Sens, 1998, 19(9): 1815-1820. DOI:10.1080/014311698215261 (0) |
[9] |
陈虹兵, 黄贝贝, 彭道黎. 基于混合像元分解的植被覆盖度模型比较研究[J]. 西北林学院学报, 2018, 33(3): 203-207. DOI:10.3969/j.issn.1001-7461.2018.03.31 (0) |
[10] |
佟斯琴, 包玉海, 张巧凤, 等. 基于像元二分法和强度分析方法的内蒙古植被覆盖度时空变化规律分析[J]. 生态环境学报, 2016, 25(5): 737-743. (0) |
[11] |
李苗苗, 吴炳方, 颜长珍, 等. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学, 2004, 26(4): 153-159. DOI:10.3321/j.issn:1007-7588.2004.04.022 (0) |
[12] |
何勇, 岑海燕, 李艺健, 等. 基于无人机遥感的农田信息获取技术及其机载装备[J]. 农业工程技术: 农产品加工, 2018, 38(9): 28-32. (0) |
[13] |
汪小钦, 王苗苗, 王绍强, 等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报, 2015, 31(5): 152-159. DOI:10.3969/j.issn.1002-6819.2015.05.022 (0) |
[14] |
赵静, 杨焕波, 兰玉彬, 等. 基于无人机可见光图像的夏季玉米植被覆盖度提取方法[J]. 农业机械学报, 2019, 50(5): 232-240. DOI:10.6041/j.issn.1000-1298.2019.05.027 (0) |
[15] |
TORRES-SÁNCHEZ J, PEÑA J M, DE CASTRO A I, et al. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV[J]. Comput Electron Agr, 2014, 103: 104-113. DOI:10.1016/j.compag.2014.02.009 (0) |
[16] |
龙满生, 何东健. 玉米苗期杂草的计算机识别技术研究[J]. 农业工程学报, 2007, 23(7): 139-144. DOI:10.3321/j.issn:1002-6819.2007.07.027 (0) |
[17] |
HUNT E R, CAVIGELLII M, DAUGHTRY C S T, et al. Evaluation of digital photography from model aricraft for remote sensing of crop biomass and nitrogen status[J]. Precis Agric, 2005, 6(4): 359-378. DOI:10.1007/s11119-005-2324-5 (0) |
[18] |
MEYER G E, NETO J C. Verification of color vegetation indices of automated crop image application[J]. Comput Electron Agr, 2008, 63(2): 282-293. DOI:10.1016/j.compag.2008.03.009 (0) |
[19] |
陈晋, 陈云浩, 何春阳, 等. 基于土地覆盖分类的植被覆盖率估算亚像元模型与应用[J]. 遥感学报, 2001, 5(6): 416-422. DOI:10.11834/jrs.20010603 (0) |
[20] |
ZRIBI M, HÉGARAT-MASCLE S L, TACONET O, et al. Derivation of wild vegetation cover density in semi-arid regions: ERS2/SAR evaluation[J]. Int J Remote Sens, 2003, 24(6): 1335-1352. DOI:10.1080/01431160210146668 (0) |
[21] |
张军国, 韩欢庆, 胡春鹤, 等. 基于无人机多光谱图像的云南松虫害区域识别方法[J]. 农业机械学报, 2018, 49(5): 249-255. DOI:10.6041/j.issn.1000-1298.2018.05.029 (0) |