陳向東，鄧江洪

基于可見光影像的夏季玉米植被覆蓋度提取方法研究

陳向東1，鄧江洪2

（1. 黃淮學院 信息工程學院，河南 駐馬店 463000；2. 黃淮學院 動畫學院，河南 駐馬店 463000）

為了對夏季玉米四葉期、拔節(jié)期、抽穗期和花粒期的植被覆蓋信息進行快速、精確提取，提出基于可見光植被指數(shù)閾值法與直方圖相結合的提取植被覆蓋度新方法。對試驗田中玉米的上述4階段進行圖像提取，選擇了VDVI、EXG和NGBDI等3個指數(shù)對植被覆蓋度進行描述，并對其精度結果進行驗證。結果顯示：基于無人機可見光影像的植被閾值法能夠準確提取夏季玉米4個階段生長期的植被覆蓋度信息，并且采用EXG指數(shù)描述植被覆蓋度效果最好。

植被覆蓋度；指數(shù)閾值法；影像信息的提取

植被覆蓋度（fractional vegetation cover，F(xiàn)VC）是指在調查范圍內植物的莖、葉等的垂直投影面積占調查區(qū)域的百分比。植被覆蓋度在研究植物分布和生態(tài)環(huán)境等方面具有重要的意義。目前對植被覆蓋度的監(jiān)測手段主要有無人機遙感影像技術、衛(wèi)星遙感影像技術和人工地面采集數(shù)據(jù)影像技術。其中，無人機影像遙感技術具有較高的分辨率、較好的靈活性以及操作便利等優(yōu)點，使植被信息提取更加細致、便捷[1-5]，在植被覆蓋度、物種識別、種群分布、群落聚集和生物多樣性的研究，以及監(jiān)測生態(tài)環(huán)境中碳儲量、氮含量、干旱分布等方面發(fā)揮了重要作用[6-12]。無人機遙感對植被覆蓋度的監(jiān)測是衡量生態(tài)環(huán)境中干旱分布的重要依據(jù)，精準的植被覆蓋度數(shù)據(jù)能為我國干旱和半干旱地區(qū)的治理提供數(shù)據(jù)支持[13-17]。

由于大多數(shù)植物都具有紅外波段的低反射特性，較難被可見光相機清晰捕捉，因而利用可見光相機對植被覆蓋度進行監(jiān)測與數(shù)據(jù)提取已成為當今研究的熱點之一[18-19]。本文提出一種基于可見光植被指數(shù)閾值法與直方圖相結合提取植被覆蓋度的新方法，提取試驗田中種植的玉米4個階段的圖像，選擇可見光波段差異植被指數(shù)（visible-band difference vegetation index，VDVI）、綠指數(shù)（excess green，EXG）和歸一化綠藍差異指數(shù)（normalized green-blue difference index，NGBDI）對植被覆蓋度進行提取，并對數(shù)據(jù)的精度進行驗證。

1 實驗材料與方法

1.1 實驗地及數(shù)據(jù)來源

本次研究的試驗田位于河南省駐馬店市。該市地處淮河上游的丘陵平原地區(qū)，屬亞熱帶與暖溫帶的過渡地帶，土地肥沃、氣候濕潤，年平均降水量850 mm。試驗田采用機器播種，種植的玉米行距、株距基本 一致。

研究中采用的數(shù)據(jù)是2018年7—9月利用DJI Phantom4 Advanced型無人機采集的，采集時間分別為玉米生長的四葉期、拔節(jié)期、抽穗期、花粒期，每個時期選擇一個天氣晴朗的正午進行采集，采集航線固定。每次作業(yè)采集120張高清可見光照片，并用Pix4DMapper軟件對采集到的圖像進行拼接，從而得到4個時期玉米的全景圖像。

1.2 提取植被覆蓋度

提取植被覆蓋度的方法有物理模型法、經驗模型法、混合像元分解法、植被指數(shù)閾值法等。物理模型法和經驗模型法需要大量的數(shù)據(jù)，且僅適用于部分特定的植被類型，因而其使用受到了限制；混合像元分解法要求植被具有較為明顯的區(qū)域特點，且精度不能滿足要求；而植被指數(shù)閾值法能對地表情況進行簡單、有效的度量，能較為精確地對植被覆蓋和環(huán)境變化等方面的信息進行提取，且操作簡單、結果可靠，因而將其作為植被覆蓋度的提取方法。

用無人機遙感獲取植被覆蓋度的方法有很多，但在獲取植被覆蓋度的過程中，由于玉米冠層對紅、藍波段反射較弱，而對綠色波段反應較為強烈；而土壤對紅色波段反射最為強烈，對綠、藍波段反應依次減弱。為了使信息提取過程中植物和土壤更容易分離，本文選用VDVI、EXG和NGBDI對夏季玉米的植被覆蓋度進行提取，計算方式如下：

、、分別為綠、藍、紅個波段的反射率，其提取流程如圖1所示：

采用植被指數(shù)閾值法對夏季玉米植被覆蓋度進行提取的關鍵是區(qū)分土壤與玉米的指數(shù)閾值，目前常用的方法包括樣本統(tǒng)計法和時序圖交點法，二者都能得到較好的提取效果。本研究選擇樣本統(tǒng)計法進行提取。將2018年7月采集的影像為數(shù)據(jù)源，選取60個玉米樣本和60個土壤樣本，并對兩類樣本進行驗證，其中，Kappa指數(shù)為0.9901。

圖1 植被覆蓋度提取流程

根據(jù)表1的分類結果，對夏季玉米和土壤的直方圖分布進行統(tǒng)計，以獲得二者的分類閾值。以VDVI、EXG、NGBDI為橫坐標，像元個數(shù)為縱坐標，建立VDVI、EXG、NGBDI直方圖，將玉米和土壤直方圖的交點作為玉米和土壤的分類閾值，其結果如圖2所示?？梢钥闯觯?個直方圖中，玉米像元與土壤像元的交點分別為21.732、0.0647、0.0156，將大于閾值部分歸為植被，小于閾值部分歸為土壤。

表1 夏季玉米分類精度評價

根據(jù)提取的閾值計算植被覆蓋度FVC，公式 如下：

其中，corn為植被的統(tǒng)計像元，soil為土壤的統(tǒng)計像元。

1.3 植被覆蓋度精度評價

圖2 植被分類閾值提取

通過對實地采集的圖像目視判斷植被覆蓋度的提取結果是否準確，結果誤差較大，不能用于大范圍的植被覆蓋度提取。在本研究中，將所提取圖像的監(jiān)督分類結果作為真實值，對閾值法得到的植被覆蓋度進行評價。植被覆蓋度的精度計算如下：

式中：F為植被覆蓋度精度，V1為通過閾值法獲得的玉米植被覆蓋度，sup為通過監(jiān)督分類法得到的植被覆蓋度。

2 結果與討論

2.1 玉米植被覆蓋度提取

基于植被指數(shù)閾值法提取夏季玉米植被覆蓋度的無人機圖像結果如圖3—圖6所示，其中，綠色部分為夏季玉米植被覆蓋部分，白色部分為土壤部分?？梢钥闯觯弘S著時間的推移，綠色部分明顯增多，而當玉米進入花粒期時綠色部分開始減少。這是由于此時玉米葉片開始出現(xiàn)枯萎。根據(jù)無人機采集的高清可見光圖像，利用支持向量機（support vector machine，SVM）及監(jiān)督分類法對植被覆蓋度進行提取，能得到夏季玉米生長4個時期的植被覆蓋度分別為57.24%、90.17%、98.64%和91.27%。

根據(jù)圖3—圖6中的可見光圖像，對玉米生長4個時期的植被覆蓋度進行提取，得到玉米的可見光指數(shù)如表2所示。

在采集過程中，玉米植被覆蓋度的3個指數(shù)在4個階段的變化遠遠大于土壤的3個指數(shù)，這主要是由于玉米在四葉期向拔節(jié)期生長的過程中，玉米葉子逐漸變大，葉綠素含量增多，因此無人機采集的綠色波段也逐漸增多；而在抽穗期，玉米冠層的玉米穗會吸收紅外波段的光，導致EXG和VDVI值的減?。辉诨Ｆ?，玉米葉逐漸出現(xiàn)衰敗現(xiàn)象，EXG與VDVI值與抽穗期相比更小，這個結果與圖2中像元交點的結果相符。然而，玉米在抽穗期和花粒期NGBDI的提取閾值變小是由于玉米穗兒增多和葉片衰敗所導致的藍色波段像素值增大[20-22]。

圖3 四葉期圖像

圖4 拔節(jié)期圖像

圖5 抽穗期圖像

圖6 花粒期圖像

表2 夏季玉米四個階段的可見光植被指數(shù)

2.2 玉米植被覆蓋度結果分析

對于玉米生長4個階段的植被覆蓋度57.24%、90.17%、98.64%和91.27%，根據(jù)式（5）的精度驗證方法，以監(jiān)督結果為真值（為了避免人為因素帶來的誤差，本文選用3組監(jiān)督分類值的平均值作為真值），對玉米的植被覆蓋度進行精度分析，繪制得到的散點圖如圖7所示，數(shù)據(jù)如表3所示。

根據(jù)圖7可知，將無人機可見光影像與植被指數(shù)閾值法相結合，可以較好地提取夏季玉米在四葉期、拔節(jié)期、抽穗去和花粒期的植被覆蓋度。表3的結果也證明了通過監(jiān)督分類結果和指數(shù)閾值法提取的植被覆蓋度效果較好。但隨著植被覆蓋度的增加，精度有所下降，這主要是由于玉米葉片較亮，在晴朗的陽光直射下存在較強的反光，且在植被覆蓋度增加的情況下植被陰影增加。此時，反光部分被識別為土壤，陰影部分被識別為植被，因而精度在VDVI閾值法中誤差較大。隨著玉米生長，EXG的影響變化較小，這是因為在玉米生長的4個階段中，EXG受到陰影和反光的作用較小，較為穩(wěn)定。

圖7 提取結果散點圖

表3 植被覆蓋度提取精度表

2.3 玉米植被覆蓋度提取方法驗證

為了進一步驗證利用監(jiān)督分類法與直方圖結合對植被覆蓋度提取的可靠性，將玉米生長的4個時期提取的可見光植被覆蓋閾值作為固定閾值，將Pix4Dmapper軟件進行拼接后，對大面積試驗田的同時期圖像進行植被覆蓋度提取。為了保證數(shù)據(jù)的獨立性，拼接過程中要根據(jù)目標物的特點去除單幅圖像，并將處理后的數(shù)據(jù)進行提取，其結果如表4所示。

表4 植被覆蓋度提取方法精度驗證表

可以看出，在大面積試驗田植被覆蓋度的提取中，EXG閾值作為植被覆蓋度提取指數(shù)均小于3%，這表明監(jiān)督分類法與直方圖結合的方法對植被覆蓋度的提取較為精確。VDVI指數(shù)和NGBDI指數(shù)在玉米四葉期時提取的精度較高，且在4個階段的提取誤差與絕對誤差較為接近，表明基于可見光影像與閾值法結合能對夏季玉米的植被覆蓋度進行有效提取。

3 結論

通過采用VDVI、EXG和NGBDI等3個指數(shù)分析夏季玉米生長4個時期的植被覆蓋信息，得出以下結論：

（1）將監(jiān)督分類結果與直方圖相結合得到的植被覆蓋度精確度較高，有效地解決了直方圖閾值法在植被覆蓋度較低時效果較差的問題；

（2）隨著玉米的生長，玉米葉片的反射部分和陰影部分面積會影響VDVI指數(shù)的精確度，這主要是由于反射部分容易被視為土壤，而遮蔭部分則被視為植被；

（3）EXG閾值作為植被覆蓋度提取指數(shù)小于3%，相對VDVI與NGBDI指數(shù)更接近真實值；

（4）將監(jiān)督分類結果與統(tǒng)計直方圖結合進行閾值的確定，穩(wěn)定性較高，在進行大范圍試驗田的植被覆蓋度提取時具有更好的效果。

與傳統(tǒng)的多光譜相機提取玉米植被覆蓋度的方法相比，將監(jiān)督分類結果與統(tǒng)計直方圖結合的方法不僅節(jié)省了田間作業(yè)成本，而且提高了玉米植被覆蓋度的提取精度，對指導農田施肥與噴灌具有重要意義。

[1] SOHAIL M F, LEOW C Y, WON S H. Non-orthogonal multiple access for unmanned aerial vehicle assisted communication[J]. IEEE Access, 2018(99): 1.

[2] KIM I H, JEON H, BAEK S C, et al. Application of crack identification techniques for an aging concrete bridge inspection using an unmanned aerial vehicle[J]. Sensors, 2018, 18(6): 1881–1887.

[3] 胡健波，張健.無人機遙感在生態(tài)學中的應用進展[J].生態(tài)學報，2018, 38(1): 25–35.

[4] 吳金勝，劉紅利，張錦水.無人機遙感影像面向對象分類方法估算市域水稻面積[J].農業(yè)工程學報，2018, 34(1): 70–77.

[5] JIA K, LI Y, LIANG S, et a1. Fractional vegetation cover estimation based on soil and vegetation lines in a corn— dominated area[J]. Geocarto International, 2016, 32(5): 531–540.

[6] SANCHES G M, DUFT D G, K?LLN O T, et al. The potential for RGB images obtained using unmanned aerial vehicle to assess and predict yield in sugarcane fields[J]. International Journal of Remote Sensing, 2018(10): 1–13.

[7] OTTO A, AGATZ N, CAMPBELL J, et al. Optimization approaches for civil applications of unmanned aerial vehicles (UAVs) or aerial drones: A survey[J]. Networks, 2018, 72(4): 714–720.

[8] 汪小欽，王苗苗，王紹強，等.基于可見光波段無人機遙感的植被信息提取[J].農業(yè)工程學報，2015, 31(5): 152–158.

[9] 黃楚荻，魯蕾，劉勇，等.基于高分辨率遙感影像的玉米田葉面積指數(shù)反演[J].浙江農業(yè)學報，2018, 30(2): 339–349.

[10] IWASAKI K, TORITA H, ABE T, et al. Spatial pattern of windbreak effects on maize growth evaluated by an unmanned aerial vehicle in Hokkaido, northern Japan[J]. Agroforestry Systems, 2018(23): 1–13.

[11] ANGUIANO-MORALES M, CORRAL-MARTíNEZ L F, TRUJILLO-SCHIAFFINO G, et al. Topographic investigation from a low altitude unmanned aerial vehicle[J]. Optics & Lasers in Engineering, 2018, 110(6): 63–71.

[12] 韓文霆，邵國敏，馬代健，等.大田玉米作物系數(shù)無人機多光譜遙感估算方法[J].農業(yè)機械學報，2018, 49(7): 177–121.

[13] 蘇偉，蔣坤萍，閆安，等.基于無人機遙感影像的育種玉米壟數(shù)統(tǒng)計監(jiān)測[J].農業(yè)工程學報，2018, 34(10): 92–98.

[14] LI K, CHEN Y. A genetic algorithm-based urban cluster automaticthreshold method by combining VIIRS DNB, NDVI, and NDBI to monitor urbanization[J]. Remote Sensing, 2018, 10(2): 277–232.

[15] RABATEL G, LABBé S. Registration of visible and near infrared unmanned aerial vehicle images based on Fourier- Mellin transform[J]. Precision Agriculture, 2018, 17(5): 1–24.

[16] JIA K, YANG L, LIANG S, et al. Long-term global land surface satellite (GLASS) fractional vegetation cover product derived from MODIS and AVHRR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2018 (99): 1–11.

[17] 王光鎮(zhèn)，王靜璞，鄒學勇，等.遙感技術估算非光合植被覆蓋度研究綜述[J].遙感技術與應用，2018, 33(1): 1–9.

[18] 高永平，康茂東，何明珠，等.基于無人機可見光波段對荒漠植被覆蓋度提取的研究：以沙坡頭地區(qū)為例[J].蘭州大學學報(自然科學版)，2018, 54(6): 770–775.

[19] MU X, SONG W, ZHAN G, et al. Fractional vegetation cover estimation by using multi-angle vegetation index[J]. Remote Sensing of Environment, 2018, 216(9): 44–56.

[20] 李路曼，郭鵬，張國順，等.基于無人機可見光遙感的棉花面積信息提取[J].新疆農業(yè)科學，2018, 55(3): 77–82.

[21] 李鑫，孫偉，李林.基于小型無人機可見光遙感的藍藻識別研究[J].測繪與空間地理信息，2017(4): 153–156.

[22] TEKA H, MADAKADZEI C, HASSEN A, et al. Impacts of a mineral lick-centred land use system on woody vegetation cover in an East African Savannah[J]. African Journal of Ecology, 2018(1): 712–716.

Study on extraction method of vegetation coverage of summer maize based on visible image

CHEN Xiangdong1, DENG Jianghong2

(1. School of Information Engineering, Huanghuai University, Zhumadian 463000, China; 2. School of Animation, Huanghuai University, Zhumadian 463000, China)

In order to extract vegetation coverage information quickly and accurately at four-leaf stage, jointing stage, heading stage and flowering and grain stage of summer maize, a new method of extracting vegetation coverage based on visible vegetation index threshold method and histogram is proposed. The above four stages of maize image extraction are carried out in the experimental field. VDVI, EXG and NGBDI are selected to describe the vegetation coverage, and their accuracy is verified. The results show that the vegetation threshold method based on UAV visible image can accurately extract the vegetation coverage information during the four growing stages of summer maize, and the EXG index is the best one to describe the vegetation coverage.

vegetation coverage; exponential threshold method; image information extraction

TP79

A

1002-4956(2019)12-0131-06

10.16791/j.cnki.sjg.2019.12.031

2019-04-18

河南省科技攻關項目（122102210549，132102210423）

陳向東（1969—），男，河南駐馬店，碩士，副教授，主要研究方向為信號及圖像處理。