林啟羅，陳 果，董 娟

（上海市水產(chǎn)研究所，上海市水產(chǎn)技術(shù)推廣站，上海 200433）

無(wú)人機(jī)遙感（unmanned aerial vehicle remote sensing）是利用先進(jìn)的無(wú)人駕駛飛行器技術(shù)、遙感傳感器技術(shù)、遙測(cè)遙控技術(shù)、通訊技術(shù)、GPS差分定位技術(shù)和遙感應(yīng)用技術(shù)，來(lái)實(shí)現(xiàn)自動(dòng)化、智能化、專(zhuān)用化快速獲取國(guó)土資源、自然環(huán)境、地震災(zāi)區(qū)等空間遙感信息，并完成遙感數(shù)據(jù)處理、建模和應(yīng)用分析的應(yīng)用技術(shù)［1］。在農(nóng)業(yè)領(lǐng)域中，無(wú)人機(jī)主要應(yīng)用在地圖測(cè)繪、農(nóng)藥噴灑等方面［2］，同時(shí)應(yīng)用于池塘湖泊等水域進(jìn)行水生植物覆蓋度測(cè)算。

池塘生態(tài)環(huán)境復(fù)雜且多樣，其中包括水生植物與浮游植物等。水生植物是水生生態(tài)系統(tǒng)的初級(jí)生產(chǎn)者，同時(shí)具有凈化水質(zhì)［3］，維持生態(tài)系統(tǒng)穩(wěn)定的功能［4-5］。浮游植物也是水環(huán)境監(jiān)測(cè)中指示水體水質(zhì)狀況的敏感物質(zhì)，是評(píng)價(jià)水域環(huán)境的重要指標(biāo)［6-7］。近年來(lái)，隨著全球氣候變化，受人類(lèi)生活、工業(yè)、農(nóng)業(yè)、水土流失產(chǎn)生的面源污染影響，湖泊水庫(kù)等水體受到一定程度的污染，如在陽(yáng)澄湖、蘇煙水庫(kù)等地都發(fā)生過(guò)水華等水體富營(yíng)養(yǎng)化現(xiàn)象［8-9］，富營(yíng)養(yǎng)化的水質(zhì)治理也存在著諸多難題［10-11］。大型水生植物的恢復(fù)和重建是水體生態(tài)修復(fù)的重要手段之一，部分浮游植物，如藍(lán)藻等藻類(lèi)的出現(xiàn)也標(biāo)志著水體富營(yíng)養(yǎng)化。及時(shí)知曉水體中水生植物的分布情況，對(duì)了解水生生態(tài)系統(tǒng)的健康狀態(tài)具有重要意義。因此，提前預(yù)防水體污染，合理利用水生植物達(dá)到修復(fù)水體的目的極為重要。監(jiān)測(cè)水生植物的覆蓋度是有效觀測(cè)水體情況、水生植物生長(zhǎng)狀況的一種方法。水生植物覆蓋度是描述水生植物占池塘水體分布的重要指標(biāo)，尤其可以反映水生植物對(duì)光的截獲能力，因此可以作為評(píng)價(jià)區(qū)域生態(tài)環(huán)境的一個(gè)重要參數(shù)［12］。

目前大型水生植物覆蓋度的調(diào)查方法包括網(wǎng)格法、斷面法和斷面帶法等，但這幾種方法都耗時(shí)較長(zhǎng)、工作強(qiáng)度和成本較高；浮游藻類(lèi)造成的富營(yíng)養(yǎng)化程度，多使用衛(wèi)星遙感技術(shù)或航空影像進(jìn)行監(jiān)測(cè)，但由于環(huán)境條件和成本的限制，都無(wú)法作為常規(guī)監(jiān)測(cè)手段。而無(wú)人機(jī)遙感在水生植物監(jiān)測(cè)方面具有快捷、廉價(jià)的優(yōu)點(diǎn)，滇池大泊口水域，菱湖鎮(zhèn)楊港村現(xiàn)代漁業(yè)示范園區(qū)等地區(qū)均運(yùn)用無(wú)人機(jī)遙感獲取浮游植物的分布范圍影像，對(duì)其水質(zhì)、水生植物等多項(xiàng)參數(shù)進(jìn)行監(jiān)測(cè)［13］，但目前無(wú)人機(jī)試驗(yàn)對(duì)于水生植物覆蓋度的研究并不多。通過(guò)無(wú)人機(jī)遙感監(jiān)測(cè)水生植物覆蓋度，可以高頻次地，直接、簡(jiǎn)單且高效地監(jiān)測(cè)水質(zhì)變化，可以做到提前預(yù)防水體污染和水體富營(yíng)養(yǎng)化等情況的發(fā)生及蔓延。因此，本試驗(yàn)通過(guò)無(wú)人機(jī)遙感對(duì)水生植物覆蓋度測(cè)算方法進(jìn)行探索。

1 材料與方法

1.1 無(wú)人機(jī)介紹

本次試驗(yàn)選用的是大疆精靈Phantom 4 Pro無(wú)人機(jī)。該無(wú)人機(jī)搭載FlightAutonomy技術(shù)，具有6個(gè)視覺(jué)傳感器、1個(gè)主相機(jī)、2組紅外傳感器、1組超聲波傳感器、GPS／GLONASS雙模衛(wèi)星定位系統(tǒng)、IMU和指南針雙冗余傳感器。相機(jī)影像傳感器為1英寸CMOS，鏡頭參數(shù)為FOV 84°8.8 mm／24 mm（35 mm格式等效）光圈f／2.8-f／11帶自動(dòng)對(duì)焦，感光度（又稱為ISO值）范圍為100～3 200。

該無(wú)人機(jī)可在飛行時(shí)獲取實(shí)時(shí)圖像、深度、定位等信息，構(gòu)建飛行器周?chē)?D地圖并確定所在位置。

1.2 軟件介紹

無(wú)人機(jī)采集圖像后通過(guò)大疆智圖V3.4.4導(dǎo)出二維正射影像圖像，通過(guò)Adobe photoshop CS 6.0（Ps）進(jìn)行圖像處理，然后通過(guò)Image-Pro Plus 6.0（IPP）對(duì)圖像進(jìn)行數(shù)據(jù)處理，最后所獲數(shù)據(jù)信息通過(guò)Microsoft Excel 2016進(jìn)行統(tǒng)計(jì)分析。其中Adobe Photoshop CS6.0（Ps）在本試驗(yàn)中，主要用來(lái)對(duì)采集的圖像進(jìn)行前期處理工作；Image-Pro Plus 6.0（IPP）在本試驗(yàn)中，用來(lái)識(shí)別所需圖片的像素并統(tǒng)計(jì)和計(jì)算其所占像素?cái)?shù)量與大小；Microsoft Excel 2016在本試驗(yàn)中用來(lái)對(duì)導(dǎo)出后的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。

1.3 試驗(yàn)環(huán)境

本次試驗(yàn)地點(diǎn)為上海市水產(chǎn)研究所（121.53°E，31.29°N）養(yǎng)殖池塘，試驗(yàn)日期為2021年4月14日15點(diǎn)55分。試驗(yàn)天氣為溫度9～18℃，多云，風(fēng)向東北風(fēng)，風(fēng)力2級(jí)。

1.4 試驗(yàn)過(guò)程

流程如圖1所示。

圖1 試驗(yàn)流程圖Fig.1 Experimental flow chart

第一步由無(wú)人機(jī)駕駛員操控進(jìn)行拍攝，將無(wú)人機(jī)飛升至上空，通過(guò)控制終端進(jìn)行航路規(guī)劃并建圖航拍。如圖2所示，在本次試驗(yàn)中，根據(jù)池塘面積的大小以及航拍安全性等因素，將試驗(yàn)的測(cè)繪高度設(shè)定為20 m，并計(jì)算測(cè)繪路徑，在拍攝過(guò)程中，利用多次多項(xiàng)式校正模型進(jìn)行幾何校正，采用最近鄰算法獲取像元的亮度值。航拍完成后獲得航拍圖片。

圖2 采集路徑示意圖Fig.2 Schematic diagram of acquisition path

第二步將無(wú)人機(jī)采集到的圖片導(dǎo)入計(jì)算機(jī)，通過(guò)大疆制圖軟件將采集到的圖片進(jìn)行合成，構(gòu)建DEM場(chǎng)景，大疆智圖軟件在構(gòu)建二維正射影像圖時(shí)，由于采集場(chǎng)景所在的高度平緩，因此選擇農(nóng)田場(chǎng)景模式進(jìn)行重建。最終通過(guò)大疆智圖軟件生成二維正射影像圖。

第三步將輸出的圖片導(dǎo)入Ps軟件進(jìn)行處理，將采集圖片中非池塘區(qū)域的部分進(jìn)行抹白，并完成前期預(yù)處理的所有工作。

第四步，通過(guò)IPP軟件中的region growing算法（魔棒算法）對(duì)預(yù)處理后的圖片進(jìn)行像素統(tǒng)計(jì)。region growing算法需要在待處理的圖片上選取一個(gè)種子點(diǎn)，以此點(diǎn)為起點(diǎn)，向四周輻射形成一個(gè)區(qū)域。最初成長(zhǎng)區(qū)域只有種子點(diǎn)這一個(gè)點(diǎn)，然后不斷把周?chē)狞c(diǎn)歸并入該成長(zhǎng)區(qū)域，條件是該點(diǎn)的值與成長(zhǎng)區(qū)域邊界點(diǎn)的值之差小于閾值。當(dāng)成長(zhǎng)區(qū)域不能再繼續(xù)擴(kuò)大時(shí)，停止計(jì)算。本次試驗(yàn)是對(duì)采集圖片的像素RGB①RGB色彩模式是工業(yè)界的一種顏色標(biāo)準(zhǔn)，是通過(guò)對(duì)紅（R）、綠（G）、藍(lán)（B）3個(gè)顏色通道的變化以及他們相互之間的疊加來(lái)得到各式各樣的顏色，RGB即是代表紅、綠、藍(lán)3個(gè)通道的顏色。這個(gè)標(biāo)準(zhǔn)幾乎包括了人類(lèi)視力所能感知的所有顏色，是運(yùn)用最廣的顏色系統(tǒng)之一。數(shù)值進(jìn)行算法應(yīng)用。

試驗(yàn)中，首先確定圖像所需要選取的目標(biāo)，如水生植物或水域。如圖3所示，手動(dòng)選擇水生植物后，region growing算法根據(jù)設(shè)定參數(shù)自動(dòng)選取像素點(diǎn)并開(kāi)始計(jì)算。在正常條件下，水域的RGB數(shù)值與水生植物的RGB數(shù)值，以及其他物質(zhì)的RGB數(shù)值是有區(qū)別的，水域的RGB數(shù)值偏低，而水生植物的數(shù)值偏高，且水域與水生植物的RGB數(shù)值在參數(shù)的精度范圍內(nèi)具有相對(duì)較高的集中度。因此，在試驗(yàn)過(guò)程中，通過(guò)控制靈敏度以及像素范圍的精度這2個(gè)參數(shù)來(lái)實(shí)現(xiàn)軟件對(duì)像素RGB的識(shí)別與選取。如圖3所示，該實(shí)驗(yàn)選取了水生植物，算法自動(dòng)選取了與其相近RGB數(shù)值的像素并進(jìn)行統(tǒng)計(jì)。

圖3 采集目標(biāo)區(qū)域與實(shí)際采集區(qū)域Fig.3 Acquisition target area and actual acquisition area

第五步，對(duì)池塘的水域部分、水生植物區(qū)域部分、還有其他部分進(jìn)行選取，IPP軟件自動(dòng)提取之后將數(shù)據(jù)導(dǎo)出到Microsoft Excel 2016中，并進(jìn)行求和計(jì)算。

通過(guò)上述方法導(dǎo)出以下數(shù)據(jù)：池塘面積、水生植物面積、池塘水域面積和池塘其他物質(zhì)的面積，4者面積關(guān)系可以公式（1）表示，所有面積單位均為m2。

式（1）中，S為池塘面積，Sp為水生植物的面積，Sw為池塘水域面積，So為池塘其他物質(zhì)的面積。

水生植物面積所占池塘水域面積的比例可以公式（2）表示。

式（2）中，P是所得到水生植物面積占池塘水域面積的比重。

2 誤差與討論

在本次試驗(yàn)中，前期利用無(wú)人機(jī)拍攝的二維正射影像圖像經(jīng)過(guò)大疆智圖軟件進(jìn)行測(cè)繪，得到池塘所占面積為2 246.43 m2；而經(jīng)過(guò)IPP軟件進(jìn)行像素提取計(jì)算，池塘水域面積為984.15 m2，水生植物面積為1 262.27 m2，池塘其他物質(zhì)的面積為3.17 m2。通過(guò)式（1）計(jì)算測(cè)算出池塘面積為2 249.59 m2，以大疆制圖所測(cè)池塘面積為基準(zhǔn)數(shù)據(jù)進(jìn)行分析，公式如下。

式（3）中，△X為誤差，A表示實(shí)際測(cè)量值，E表示基準(zhǔn)理論值。計(jì)算可得其誤差為0.14%，接近于0，且低于正常測(cè)繪誤差，可見(jiàn)其軟件計(jì)算偏差較低。通過(guò)式（2）計(jì)算得出該池塘水生植物所占池塘面積占比為56.11%。

2.1 天氣因素帶來(lái)的干擾誤差分析

如圖4a所示，在高強(qiáng)度光照下，池塘水域的RGB像素分布的波峰范圍較為明顯，而水生植物的RGB像素分布波峰較為平坦，水域RGB數(shù)值與水生植物RGB數(shù)值區(qū)分度不夠，不適合軟件采集，容易產(chǎn)生誤差；如圖4b所示，多云的天氣，光照強(qiáng)度較弱，水域的RGB像素分布范圍與水生植物的RGB像素分布范圍有相對(duì)明顯的區(qū)分度。在本次試驗(yàn)中，為保證在試驗(yàn)過(guò)程中盡可能地減少周?chē)h(huán)境對(duì)試驗(yàn)數(shù)據(jù)的影響，盡量選擇了中午多云的天氣進(jìn)行試驗(yàn)。在實(shí)際的拍攝圖片中發(fā)現(xiàn)，池塘邊緣依然產(chǎn)生日光照射下的陰影，這導(dǎo)致在利用IPP軟件選取顏色進(jìn)行測(cè)量時(shí)，無(wú)法一次性選擇顏色，而需要選擇水域顏色和邊緣陰影顏色相加進(jìn)行數(shù)據(jù)測(cè)量。

圖4 不同光照強(qiáng)度下池塘RGB色域分布圖Fig.4 Distribution of RGB color gamut of pond under different light intensities

2.2 拍攝圖片帶來(lái)的誤差分析

在相機(jī)成像過(guò)程中，照片是由單個(gè)像素構(gòu)成，這些像素組合構(gòu)成一張圖片。在拍攝照片時(shí)，可以看到水生植物與池塘水域之間有一個(gè)邊界，而這中間的像素所呈現(xiàn)的RGB數(shù)值與水生植物的RGB數(shù)值、池塘水域RGB數(shù)值不完全相同。這使得算法在進(jìn)行識(shí)別RGB值時(shí)，如果符合算法閾值內(nèi)的會(huì)進(jìn)行選取，而閾值外的不會(huì)被選取。但是所選取的像素可能會(huì)出現(xiàn)無(wú)法判定是屬于水生植物還是屬于水域部分。這導(dǎo)致選取計(jì)算過(guò)程中存在多選、錯(cuò)選甚至漏選等現(xiàn)象，最終導(dǎo)致在計(jì)算過(guò)程中產(chǎn)生誤差。如圖5所示，可以看到在選取水生植物的過(guò)程中，邊緣像素的RGB不同于水生植物RBG值和池塘水域RGB值，但通過(guò)圖像智能識(shí)別計(jì)算，該部分像素在總體的像素占比中很低，可忽略不計(jì)。因此，圖片的分辨率在水生植物覆蓋度測(cè)算中不會(huì)帶來(lái)嚴(yán)重影響。

圖5 算法自動(dòng)選取后水生植物部分Fig.5 Aquatic plant part automatically selected by algorithm

另外，在試驗(yàn)測(cè)量中還發(fā)現(xiàn)池塘周?chē)嬖谝徊糠值恼趽?，這部分對(duì)于試驗(yàn)帶來(lái)的影響顯然更大，因此本次試驗(yàn)，已盡可能選取無(wú)遮擋的水域進(jìn)行計(jì)算測(cè)量。

2.3 軟件帶來(lái)的誤差分析

試驗(yàn)中所用到的軟件也會(huì)產(chǎn)生誤差。其中敏感度參數(shù)造成的誤差對(duì)試驗(yàn)數(shù)據(jù)有一定的影響。在此軟件中顏色識(shí)別選取的算法為region growing算法，對(duì)靈敏度參數(shù)進(jìn)行選擇。靈敏度參數(shù)中，過(guò)高的靈敏度容易導(dǎo)致因拍攝時(shí)所產(chǎn)生的部分顏色偏差無(wú)法篩選而漏選，而過(guò)低的靈敏度容易誤選和錯(cuò)選像素。這意味著在試驗(yàn)過(guò)程中，對(duì)顏色的選擇要求更高。但本次試驗(yàn)，有少部分水生植物枯萎發(fā)黃，導(dǎo)致RGB數(shù)值較正常水生植物的數(shù)值有一定偏差，在較高的精度下，軟件會(huì)無(wú)法識(shí)別并放棄選取該像素。與此同時(shí)，低靈敏度下的閾值過(guò)大，會(huì)導(dǎo)致算法選取的過(guò)程中選出無(wú)效區(qū)域。如圖6a所示，在低靈敏度下（靈敏度為2像素，擴(kuò)散參數(shù)為2像素），算法篩選的像素色域選擇率為110.8%；而選擇高靈敏度下的軟件算法，容易剔除而漏選其中部分色域；在極高精度下（靈敏度為5像素，擴(kuò)散參數(shù)為2像素），像素色域選擇率為72.70%（圖6c）。因此需要控制精度，保證選取質(zhì)量。本次試驗(yàn)選擇了偏高的精度，主要是由于拍攝時(shí)，水生植物的生長(zhǎng)良好，顏色差異不大，且與水域的顏色有較大的對(duì)比。其數(shù)據(jù)為：靈敏度為4像素，擴(kuò)散參數(shù)為2像素。該精度下像素色域選擇率為99.2%，算法選取后的成像效果如圖6b所示。

圖6 不同精度下算法采集圖片像素Fig.6 Image pixels collected by algorithm under different accuracies

3 結(jié)論與展望

本次試驗(yàn)中，利用無(wú)人機(jī)完成了一處池塘中水生植物覆蓋度的測(cè)量研究，并通過(guò)試驗(yàn)測(cè)量出該池塘中水生植物的面積為1 262.27 m2，水生植物覆蓋度為55.78%。相較于其他試驗(yàn)方式，本試驗(yàn)最大的優(yōu)勢(shì)為可行性高、時(shí)效快且成本低。目前市面上主流的測(cè)繪方式都是光譜成像，但是這種測(cè)繪方式需要搭配相應(yīng)軟件，如PIXelGrid等，因此利用光譜分析具有價(jià)格相對(duì)昂貴、攜帶便利性較差、后期分析較為復(fù)雜等特點(diǎn)。而本試驗(yàn)利用RGB數(shù)值進(jìn)行分析，相對(duì)而言無(wú)論是資金成本還是時(shí)間成本都有所減少。整個(gè)試驗(yàn)過(guò)程從開(kāi)始規(guī)劃到數(shù)據(jù)處理，全程時(shí)長(zhǎng)不超過(guò)1 h，能夠快速有效地得到當(dāng)時(shí)池塘中水生植物的覆蓋度。

水生植物的覆蓋度對(duì)于水體的監(jiān)控具有重要意義，水生植物對(duì)于水質(zhì)的各項(xiàng)數(shù)據(jù)，如pH、溶氧等相關(guān)數(shù)值具有巨大的影響。未來(lái)可以利用本次試驗(yàn)方法，通過(guò)后續(xù)試驗(yàn)規(guī)劃，對(duì)湖泊、沼澤等地進(jìn)行水生植物覆蓋度監(jiān)測(cè)［16-17］，觀察其時(shí)空動(dòng)態(tài)變化，從而保證水體與水生植物的良性狀態(tài)［12］。同樣，本試驗(yàn)可以在魚(yú)菜共生系統(tǒng)［17］、稻田養(yǎng)殖或中華絨螯蟹（Eriocheir sinensis）混養(yǎng)［18］等相關(guān)監(jiān)測(cè)方面提供借鑒。