胡靈炆，周忠發(fā)*，尹林江，朱孟，黃登紅

（1.貴州師范大學(xué)喀斯特研究院，國(guó)家喀斯特石漠化防治工程技術(shù)研究中心，貴陽(yáng) 550001；2.貴州師范大學(xué)地理與環(huán)境科學(xué)學(xué)院，貴陽(yáng) 550001）

油菜是我國(guó)主要油料作物之一，主要分布在長(zhǎng)江中下游平原，云貴高原和四川盆地一帶，種植面積和產(chǎn)量都排在世界前列[1-2]，其生長(zhǎng)情況的實(shí)時(shí)、準(zhǔn)確監(jiān)測(cè)對(duì)優(yōu)化種植空間以及后期估產(chǎn)有重要意義。傳統(tǒng)的人工監(jiān)測(cè)費(fèi)時(shí)、費(fèi)力，隨著遙感技術(shù)的快速發(fā)展，近年來(lái)諸多學(xué)者利用遙感對(duì)油菜生長(zhǎng)進(jìn)行監(jiān)測(cè)。李中元等[3]利用Sentinel-2對(duì)平原地區(qū)油菜種植面積進(jìn)行計(jì)算，效果較為理想，但針對(duì)破碎耕地的精度還有待提高；王東等[4]利用GF-2對(duì)花期油菜進(jìn)行識(shí)別，能較好地區(qū)分油菜花與其他地物，可為種植分布制圖提供支持。Wei等[5]利用植被指數(shù)混合機(jī)器學(xué)習(xí)方法對(duì)油菜葉面積反演，該方法在苗期雜草較多時(shí)容易出現(xiàn)誤差。現(xiàn)有研究遙感數(shù)據(jù)源多使用衛(wèi)星數(shù)據(jù)，集中于大范圍作物生長(zhǎng)信息的提取，如種植面積計(jì)算、不同作物類型識(shí)別等，而對(duì)小區(qū)域作物的生長(zhǎng)監(jiān)測(cè)（如株數(shù)、出苗率等）研究較少。貴州喀斯特高原地區(qū)多云多霧，難以獲取無(wú)云的傳統(tǒng)光學(xué)衛(wèi)星遙感影像[6-7]；同時(shí)，油菜種植地塊面積小且分布破碎，存在識(shí)別特征不清晰、觀測(cè)尺度模糊等問(wèn)題，現(xiàn)有研究難以滿足喀斯特高原山區(qū)現(xiàn)代農(nóng)業(yè)精細(xì)化遙感監(jiān)測(cè)的需求，提取作物的準(zhǔn)確率和高效性亟待進(jìn)一步發(fā)展。

喀斯特山區(qū)山高、起降條件差、云層低，無(wú)人機(jī)遙感因具有靈活性高、獲取數(shù)據(jù)速度快、應(yīng)用成本低等優(yōu)點(diǎn)，成為該地區(qū)農(nóng)作物監(jiān)測(cè)的優(yōu)選方法之一[8-11]。目前，利用無(wú)人機(jī)可見光影像應(yīng)用于農(nóng)作物識(shí)別提取已有較多成果，主要體現(xiàn)在2個(gè)方面：一是利用目標(biāo)三維空間特征進(jìn)行提取，如葡萄樹行距監(jiān)測(cè)[12]、火龍果樹特征提取[13]、樹木莖體積識(shí)別與估算[14]等，該方法可以避免地物顏色相似的干擾，但是依賴于點(diǎn)云的高程信息，若作物植株高度接近地面，會(huì)造成一定程度的混淆；二是利用紋理和光譜等遙感特征進(jìn)行提取，該方法對(duì)光譜和紋理有明顯特征的作物效果較好，郭鵬等[15]利用光譜和紋理特征對(duì)棉花、玉米和葡萄進(jìn)行提取。Li等[16]利用過(guò)綠指數(shù)（excess green，ExG）和OTSU算法計(jì)算馬鈴薯出苗率，證明無(wú)人機(jī)圖像是計(jì)算出苗率的高通量表型之一；戴建國(guó)等[17]結(jié)合顏色指數(shù)SUM模型監(jiān)測(cè)棉花出苗率，為苗情信息大面積提取奠定了基礎(chǔ)；高永剛等[18]提出了超綠紅藍(lán)差分指數(shù)（excess green-red-blue difference index，EGBRDI），該指數(shù)在植被較稀疏地區(qū)適用性較好。以上方法可較準(zhǔn)確地識(shí)別地物的光譜特征差異，但是對(duì)于顏色和紋理特征相似的地物識(shí)別精度還有待提高。喀斯特山區(qū)種植結(jié)構(gòu)復(fù)雜，引起的幾何與光譜畸變降低了作物識(shí)別與分類精度，難以實(shí)現(xiàn)農(nóng)作物植株級(jí)別精準(zhǔn)識(shí)別[19]。

貴州喀斯特山區(qū)獨(dú)特的自然資源孕育了多樣的農(nóng)作物品種，但作物生長(zhǎng)環(huán)境復(fù)雜，導(dǎo)致不同農(nóng)作物的遙感特征各異，使得農(nóng)作物的生長(zhǎng)監(jiān)測(cè)非常困難[20-21]。油菜是貴州省大宗經(jīng)濟(jì)作物，油菜生長(zhǎng)分為苗期、蕾薹期、開花期、成熟期，苗期是油菜生長(zhǎng)的重要階段之一，對(duì)其進(jìn)行實(shí)時(shí)高效的監(jiān)測(cè)有利于及時(shí)開展補(bǔ)種以提高產(chǎn)量，為出苗率計(jì)算奠定基礎(chǔ)。同時(shí)，苗期是雜草生長(zhǎng)的高峰期，需及時(shí)合理的噴灑農(nóng)藥和犁地培耕，減緩田間的雜草的長(zhǎng)勢(shì)，保障油菜作物的產(chǎn)量和質(zhì)量，故對(duì)油菜苗期生長(zhǎng)情況監(jiān)測(cè)尤為重要。本文采用四旋翼無(wú)人機(jī)獲取苗期油菜種植區(qū)正射影像，分析不同地物在紅（red，R）、綠（green，G）、藍(lán)（blue，B）波段上的光譜差異，結(jié)合樣本統(tǒng)計(jì)法和數(shù)理概率構(gòu)建綠藍(lán)紅差異指數(shù)顏色指數(shù)（green-blue-red difference index,GBRDI)，以期為油菜植株識(shí)別提取、農(nóng)情監(jiān)測(cè)和種植管理提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于貴州省遵義市播州區(qū)樂(lè)意蔬菜現(xiàn)代高效農(nóng)業(yè)示范園，中心坐標(biāo)E 106°43"49.854"、N 27°31"55.855"，年均氣溫15.5℃，最高氣溫32℃，最低氣溫-2℃，平均降雨量為1 073 mm。園區(qū)內(nèi)種植油菜分為春油菜（4月底種植，9月底收獲）和冬油菜（9月底種植，次年5月底收獲），冬油菜苗期較長(zhǎng)，占生長(zhǎng)周期的一半[22]。油菜與不同作物輪作換茬，間作套種，定植的行間距采用16 cm×16 cm，其他管理同大田生產(chǎn)。

1.2 數(shù)據(jù)獲取

采用大疆Phantom4 Pro V2.0四旋翼無(wú)人機(jī)獲取可見光影像，飛行時(shí)間17 min，飛行速度10 m·s-1，搭載FC300SE-CMOS（FOV 94°20 mm）鏡頭，有效像素2 000萬(wàn)，單張影像分辨率為4 000 pixel×3 000 pixel，水平懸停精度（±0.3）m。為減少太陽(yáng)光入射導(dǎo)致的作物陰影，拍攝時(shí)間為2020年9月27日14:00—14:20，風(fēng)力1級(jí)，天氣晴朗，航線設(shè)計(jì)采用Altizure航線規(guī)劃APP，為保證數(shù)據(jù)精度，設(shè)置航向重疊度為75%，旁向重疊度70%，航高設(shè)置20 m。使用Pix4DMapper處理航拍數(shù)據(jù)，包括影像篩選、影像拼接、矯正和空三加密，生成正射影像的空間分辨率0.6 cm。如圖1所示，a為實(shí)驗(yàn)區(qū)，雜草主要集中在左上部分；b1、b2、b3、b4為驗(yàn)證區(qū)，雜草生長(zhǎng)較多，分布情況較為復(fù)雜。

圖1 研究區(qū)Fig.1 Study area

1.3 研究區(qū)地物反射信息獲取

研究區(qū)非植被主要為土壤、水泥路、柏油路，植被主要為油菜苗和雜草。DN(digital number)值代表地物反射電磁波的能力，不同地物在R、G、B波段的反射值不同[23]。在RGB顏色系統(tǒng)0~255的可見光范圍內(nèi)，利用ENVI5.3的Arbitrary profile工具獲取同一比例下純凈像元的任意剖面折線，以橫坐標(biāo)為任意剖面曲線的長(zhǎng)度，縱坐標(biāo)為曲線經(jīng)過(guò)的像元對(duì)應(yīng)DN值，可得到不同地物在R、G、B 3個(gè)波段的變化曲線。為進(jìn)一步分析油菜苗與雜草在各波段上的差異，使用ENVI中ROI工具，分別選取土壤、油菜苗和雜草純凈像元樣本區(qū)各50個(gè)，統(tǒng)計(jì)3類樣本區(qū)的R、G、B波段平均反射值，即DN值。

1.4 閾值確定

基于植被指數(shù)統(tǒng)計(jì)圖交點(diǎn)法和數(shù)理概率論[24]的思想，使用ENVI軟件人工選取土壤、油菜苗和雜草樣本區(qū)各50個(gè)。以各植被指數(shù)DN值作為橫坐標(biāo)、總像元個(gè)數(shù)作為縱坐標(biāo)繪制統(tǒng)計(jì)直方圖，其形成的曲線與橫、縱軸構(gòu)成的多邊形面積即為該坐標(biāo)范圍內(nèi)像元的數(shù)量，將同一坐標(biāo)系下不同地物的直方圖曲線交點(diǎn)作為不同地物的分割閾值。樣本選擇原則如下[9]：①選取面積相同且盡量處于像元中心的區(qū)域；②樣本選取時(shí)應(yīng)該最大程度的包含高、中、低3種亮度范圍；③每種地物選取的數(shù)量盡量平均，對(duì)于顏色和亮度值差異較大的樣區(qū)可以適當(dāng)增加樣本數(shù)量。

1.5 精度評(píng)價(jià)方法

為驗(yàn)證GBRDI指數(shù)的提取效果，與過(guò)綠指數(shù)(ExG)、[25]、差異植被指數(shù)(VDVI)[26]、歸一化綠藍(lán)差異 指 數(shù)(normalized green-red difference index，NGBDI)[27]3種可見光植被指數(shù)[28-29]對(duì)研究區(qū)油菜苗提取的結(jié)果進(jìn)行對(duì)比，計(jì)算公式如下。

式中，G、R、B分別為綠波段、紅波段、藍(lán)波段提取結(jié)果。

為定量評(píng)價(jià)GBRDI指數(shù)的精度，參考Shufelt等[30]的研究方法，設(shè)提取結(jié)果中正確提取的油菜苗株數(shù)為TP（true positive）、錯(cuò)誤提取的油菜苗株數(shù)為FP（false positive）、漏提取的油菜苗株數(shù)為FN（false negative）。選取分支因子（branching factor，BF）、檢測(cè)率（detection rate，DR）、完整性（quality procedure，QP）3個(gè)評(píng)價(jià)指標(biāo)，計(jì)算公式如下。

式中，DR表示被正確分類為油菜苗株數(shù)所占總數(shù)的百分比；QP體現(xiàn)油菜苗植株提取結(jié)果的質(zhì)量，其值越高說(shuō)明提取結(jié)果質(zhì)量越高。BF與錯(cuò)誤分類的油菜苗植株數(shù)量呈正相關(guān)，BF越小，DR和QP越大，則提取結(jié)果越好[31]。

2 結(jié)果與分析

2.1 研究區(qū)地物遙感影像像元分析

2.1.1 地物RGB波段變化分析 由圖2可知，非植被土壤對(duì)紅光強(qiáng)反射，綠色植被油菜苗和雜草對(duì)綠光強(qiáng)反射，此處有較為明顯的植被與非植被分離指示性。根據(jù)油菜苗-雜草曲線，在油菜苗與雜草過(guò)渡的地方R和B波段有交點(diǎn)，變化表現(xiàn)為R波段的DN值升高至高于藍(lán)波段的值，B波段的DN值驟減至低于R波段。由此可知，油菜苗植株對(duì)光反射強(qiáng)度為G＞B＞R，雜草為G＞R＞B,以上結(jié)果表明，利用R、B波段的差異可以有效分離土壤-植被和同為綠色植被的油菜苗-雜草。

圖2 地物RGB波段變化曲線Fig.2 RGBband variation curve of ground features

2.1.2 地物DN值分析 從不同地物間的DN平均值（表1）來(lái)看，土壤與油菜和雜草的差異在R波段最小，G波段最大；油菜苗和雜草在R波段差異最小，在B波段差異最大，G波段居中。另外，通過(guò)同一地物各組數(shù)據(jù)標(biāo)準(zhǔn)差來(lái)看，各組數(shù)據(jù)分布較為平均，數(shù)據(jù)離散程度較低，各組數(shù)據(jù)間存在內(nèi)在聯(lián)系。

表1 地物DN值統(tǒng)計(jì)值Table 1 Statistical value of every object DNvalue

2.2 GBRDI指數(shù)構(gòu)建

為進(jìn)一步探究各地物不同波段DN值的關(guān)系，基于各地物DN值分析的基礎(chǔ)上，擬合各地物RGB波段DN值正態(tài)分布，如圖3所示。經(jīng)正態(tài)性檢驗(yàn)，各組數(shù)據(jù)P值都大于臨界值0.05，代表這幾組數(shù)據(jù)服從正態(tài)分布。變量X服從數(shù)學(xué)期望或均值為μ、方差為σ2的正態(tài)分布，記為N(μ，σ2)。其期望值μ為概率密度函數(shù)，標(biāo)準(zhǔn)差σ則決定了數(shù)據(jù)的離散程度[32]。正態(tài)分布在橫軸區(qū)間（μ-σ,μ+σ）的面積為68.27%，橫軸區(qū)間（μ-2σ,μ+2σ）的面積為95.45%[33]，即在這2個(gè)置信區(qū)間的概率分別是68.27%、95.45%，代表各組數(shù)據(jù)在平均值的基礎(chǔ)上加減2倍標(biāo)準(zhǔn)差基本可以涵蓋95.45%的觀察值。

圖3 不同地物DN值正態(tài)分布Fig.3 Normal distribution of DNvalues of different ground features

油菜苗R波段的DN值與2倍標(biāo)準(zhǔn)差（均值±2×標(biāo)準(zhǔn)差）范圍為137.10~184.14，綠波段為186.42~234.02，藍(lán)波段為152.13~206.53；雜草DN值（均值±2×標(biāo)準(zhǔn)差）范圍為118.42~194.06，綠波段為133.26~231.06，藍(lán)波段為101.23~170.47。二者R、G、B波段的DN值比值范圍分別為0.95~1.16、1.01~1.40、1.21~1.50，取其區(qū)間平均值，即95.45%置信區(qū)間內(nèi)3個(gè)波段油菜苗和雜草的平均比值分別為：R油菜苗=1.05 R雜草、G油菜苗=1.21 G雜草、B油菜苗=1.36 B雜草。

以油菜苗與雜草各波段的平均比值1.05、1.21、1.36作為RGB波段的系數(shù)創(chuàng)建公式。同時(shí)，圖2中油菜苗-雜草RGB波段的變化曲線中，油菜與雜草交點(diǎn)處G、B波段驟降、R波段驟升的趨勢(shì)以及植被與非植被DN均值G波段差異最小，R波段差異最大的特征。因此，為增大不同地物之間的差異值，使不同地物信息之間無(wú)重疊部分，綠藍(lán)紅差異指數(shù)（GBRDI）計(jì)算公式如下。

式中，DNR、DNG、DNB分別代表影像中像元在紅、綠、藍(lán)波段的DN值。

2.3 GBRDI指數(shù)分析

2.3.1 植被指數(shù)計(jì)算結(jié)果 研究區(qū)可見光影像經(jīng)ExG、VDVI、NGBDI和GBRDI運(yùn)算，結(jié)果如圖4所示。4種指數(shù)的灰度空間由亮度高低不同的斑塊相間分布，DN值越大圖像亮度越高，較高亮度的為油菜苗植株或雜草，較低亮度為土壤。在分離植被和非植被方面，GBRDI、ExG、VDVI的效果都較好，很大程度上區(qū)分了植被與非植被，只有NGBDI出現(xiàn)大面積混淆情況；在細(xì)化分離植被中的油菜苗和雜草方面，ExG、VDVI中出現(xiàn)部分錯(cuò)提，特別是左上角雜草生長(zhǎng)茂盛區(qū)塊，易將雜草與油菜苗混淆；GBRDI較好地分離了雜草與油菜苗。

圖4 不同顏色指數(shù)計(jì)算結(jié)果Fig.4 Different color index calculation results

2.3.2 不同指數(shù)獲得地物DN值比較 分別統(tǒng)計(jì)各地物DN值，如表2所示。VDVI、NGBDI標(biāo)準(zhǔn)差很小，數(shù)據(jù)分布過(guò)于集中，說(shuō)明其可劃分的地物波段范圍較為狹窄，不利于作物提取與閾值確定，在本實(shí)驗(yàn)區(qū)不適用。GBRDI、ExG標(biāo)準(zhǔn)差相對(duì)數(shù)據(jù)區(qū)間較為合理，適用于分離地物。

表2 不同指數(shù)下地物DN值統(tǒng)計(jì)Table 2 DNvalue of ground featuresby different index

2.3.3 各地物均值與1倍標(biāo)準(zhǔn)差范圍 為進(jìn)一步確定數(shù)據(jù)是否存在重疊情況，分析4種指數(shù)處理后各地物DN值的均值與1倍標(biāo)準(zhǔn)差范圍，結(jié)果如圖5所示。波段計(jì)算后NGBDI指數(shù)土壤DN值范圍為0.05~0.11、油菜為0.06~0.11、雜草為0.15~0.21。各地物出現(xiàn)大范圍重疊，分離效果較差；ExG的土壤DN值范圍為1.66~28.32、油菜為67.29~93.51、雜草為69.52~118.72。VDVI的土壤DN值范圍為0~0.04、油菜為0.09~0.13、雜草為0.12~0.18。上述2個(gè)指數(shù)中油菜苗與雜草都有不同程度重疊，未能達(dá)到細(xì)化分離油菜苗與雜草的目的；GBRDI中土壤DN值范圍為176.42~218.36、油菜為292.66~311.20、雜草為199.75~265.79。油菜與土壤和雜草基本無(wú)重疊，能較好地分離出油菜植株。因此，結(jié)合4種指數(shù)計(jì)算結(jié)果的目視判別特征和統(tǒng)計(jì)值特征，說(shuō)明GBRDI在本實(shí)驗(yàn)區(qū)提取油菜苗的優(yōu)越性。

圖5 DN值均值與1倍標(biāo)準(zhǔn)差范圍Fig.5 Range of DN mean value and one standard deviation range

2.4 閾值確定及提取結(jié)果分析

2.4.1 閾值分割 利用ENVI中各指數(shù)計(jì)算結(jié)果（圖6），結(jié)合曲線與坐標(biāo)軸圍成的面積即為占比大小的思想，分析各指數(shù)3種地物曲線的交點(diǎn)。GBRDI中采用油菜和雜草的交點(diǎn)作為分割閾值，交點(diǎn)值為272.81，由此，油菜的閾值區(qū)間為[272.81，355.00]；ExG中采用油菜和雜草的2個(gè)交點(diǎn)55.92與105.75為閾值；VDVI采用油菜和土壤的交點(diǎn)0.04與油菜和雜草的交點(diǎn)0.13為閾值；NGBDI采用油菜和土壤的第1個(gè)交點(diǎn)0.07與油菜和雜草的交點(diǎn)0.14為閾值。

圖6 地物DN值統(tǒng)計(jì)Fig.6 Statistics of DNvalue of ground features

2.4.2 閾值分割后提取結(jié)果 利用上述植被指數(shù)統(tǒng)計(jì)圖交點(diǎn)法將各指數(shù)波段運(yùn)算后的結(jié)果進(jìn)行閾值分割，出現(xiàn)部分不連續(xù)的細(xì)小斑塊和空心現(xiàn)象。將閾值分割結(jié)果導(dǎo)出到ArcGIS10.2中，利用面積屬性去除碎小斑塊和填充斑塊空心區(qū)域，提取結(jié)果如圖7所示，綠色表示提取的油菜苗植株。由圖7可知，NGBDI出現(xiàn)大面積誤提取，僅南部剔除了部分土壤，該指數(shù)的提取效果最差；VDVI與ExG基本都能分離各地物，但在圖像北部出現(xiàn)少量將雜草誤提為油菜苗情況，ExG的提取效果優(yōu)于VDVI；GBRDI除了南部有小斑塊誤提情況，能最大程度分離各地物且分離效果較好。

2.4.3 研究區(qū)提取結(jié)果 如圖8所示，大多數(shù)植株提取正確且能勾勒大致形狀。誤提一是由于某些地物與植株像元值相似，如枯枝和黑色地膜等，二是由于部分雜草顏色與油菜相似性高；漏提則是由于少量油菜苗幼苗長(zhǎng)勢(shì)較差，出現(xiàn)倒伏和萎縮導(dǎo)致圖斑太小，在剔除細(xì)小圖斑時(shí)被剔除。

圖8 GBRDI提取結(jié)果Fig.8 Extraction results by GBRDI

2.5 精度評(píng)價(jià)

通過(guò)田間調(diào)查和目視解譯航拍影像，獲取4種指數(shù)提取油菜苗的性能，如表4所示。NGBDI指數(shù)檢測(cè)率（24.64%）和完整性（2%）都很低，提取精度較差；ExG、VDVI檢測(cè)率都在80%以上，完整性分別為78.68%和71.97%，表明這2個(gè)指數(shù)漏提較多，提取結(jié)果質(zhì)量較低；GBRDI檢測(cè)率為92.93%，說(shuō)明正確提取的植株占大部分，誤提和漏提的油菜苗植株數(shù)量很少，誤差主要集中在油菜長(zhǎng)勢(shì)較差的區(qū)域。提取結(jié)果完整性為83.63%，說(shuō)明即便存在小部分誤差，提取結(jié)果仍與真實(shí)的數(shù)量相近，具有較好的完整性，驗(yàn)證了本方法的可行性。

表4 不同指數(shù)提取精度評(píng)價(jià)Table 4 Accuracy verification of extraction by different index

2.6 驗(yàn)證結(jié)果分析

2.6.1 驗(yàn)證區(qū)提取結(jié)果 為進(jìn)一步驗(yàn)證GBRDI指數(shù)的適用性與可行性，選取4個(gè)雜草生長(zhǎng)較為茂盛的驗(yàn)證區(qū)，對(duì)比GBRDI與其他3種指數(shù)在驗(yàn)證區(qū)的提取效果，結(jié)果如圖9所示?？梢钥闯?，ExG、VDVI、NGBDI指數(shù)只能較好地分離土壤與植被，對(duì)于同為綠色的雜草出現(xiàn)了大面積誤提。GBRDI指數(shù)則可以較準(zhǔn)確分離油菜與雜草，驗(yàn)證區(qū)誤提情況與實(shí)驗(yàn)區(qū)相似，多為顏色相近的土壤和雜草；而漏提則是因?yàn)橛酌玳L(zhǎng)勢(shì)較差造成。

圖9 驗(yàn)證區(qū)提取結(jié)果Fig.9 Extraction results of validation area

2.6.2 驗(yàn)證區(qū)精度評(píng)價(jià) 如表6所示，4個(gè)驗(yàn)證區(qū)提取油菜效果最好的指數(shù)為GBRDI，分支因子都小于1，檢測(cè)率最高達(dá)到95.70%，最低為93.54%，完整性最高為84.38%，最低為73.84%。研究選取雜草生長(zhǎng)茂盛且雜亂的部分作為驗(yàn)證區(qū)，提取精度受生長(zhǎng)環(huán)境復(fù)雜程度的影響，油菜提取的干擾進(jìn)一步增強(qiáng)，故4種顏色指數(shù)的完整性較實(shí)驗(yàn)區(qū)均有所下降，但GBRDI指數(shù)的各項(xiàng)評(píng)價(jià)指標(biāo)仍高于其余指數(shù)，具有較好的精度相關(guān)性，表示該指數(shù)在地物顏色相似的復(fù)雜生境下性能更好。

表6 驗(yàn)證區(qū)精度Table 6 Accuracy of verification areas 續(xù)表 Continued

表6 驗(yàn)證區(qū)精度Table 6 Accuracy of verification areas

3 討論

本研究在貴州高原山區(qū)利用四旋翼無(wú)人機(jī)采集油菜苗期的厘米級(jí)可見光影像，對(duì)比分析不同地物間光譜特征的異同，根據(jù)不同地物的波段特征及數(shù)據(jù)間正態(tài)分布關(guān)系，構(gòu)建了相近綠藍(lán)紅差異植被指數(shù)（GBRDI）。該指數(shù)能從同為綠色的植被中分離油菜和雜草，達(dá)到綠色植被細(xì)分的效果。該方法實(shí)現(xiàn)了苗期油菜識(shí)別和計(jì)算株數(shù)，克服了不同季節(jié)、云層陰影遮擋、雜草存在等較復(fù)雜生長(zhǎng)環(huán)境等綜合因素的影響，證明了基于無(wú)人機(jī)遙感的RGB圖像數(shù)據(jù)在復(fù)雜山地環(huán)境中進(jìn)行苗期油菜目標(biāo)識(shí)別和株數(shù)計(jì)算的可行性，可為后期油菜精準(zhǔn)估產(chǎn)奠定關(guān)鍵性數(shù)據(jù)。

基于顏色指數(shù)對(duì)農(nóng)作物信息進(jìn)行分類提取[34-35]，其原理是利用作物在不同波段的反射和吸收特性，進(jìn)行波段的組合運(yùn)算，從而增強(qiáng)待提取地物的信息，弱化土壤等背景干擾信息。目前遙感領(lǐng)域的顏色指數(shù)有近200種[36]，波段大多使用近紅外-可見光，僅針對(duì)可見光波段的植被指數(shù)較少。大量研究者利用ExG對(duì)植被信息進(jìn)行識(shí)別，具有較高精度[37-38]，能較好地分離植被與土壤，但細(xì)化區(qū)分同為綠色的地物時(shí)效果不夠明顯，未能達(dá)到植被再細(xì)分[39-40]。本研究構(gòu)建的GBRDI指數(shù)，可以達(dá)到分離同為綠色的油菜苗與雜草的效果。

閾值是特征提取的關(guān)鍵，確定分割閾值的方法較多，如雙峰直方圖閾值法、直方圖閾值法和模型反演法等[41-42]。當(dāng)?shù)匚镓S富或地物類型較為接近時(shí)，顏色指數(shù)直方圖不具備雙峰性質(zhì)。本文運(yùn)用目視判別的方法，選取各地物50個(gè)樣區(qū)，結(jié)合監(jiān)督分類與植被指數(shù)統(tǒng)計(jì)直方圖，基于曲線交點(diǎn)面積和數(shù)理概率確定閾值。較傳統(tǒng)閾值確定方法更快速簡(jiǎn)便，能解決閾值確定難的問(wèn)題，一定程度上滿足作物提取的精度。使復(fù)雜環(huán)境驗(yàn)證區(qū)油菜苗識(shí)別的目標(biāo)檢測(cè)率為94.69%、95.70%、93.54%、95.29%，精度驗(yàn)證完整性為74.83%、83.18%、82.86%、84.38%。驗(yàn)證區(qū)總體提取精度較好，說(shuō)明該指數(shù)具有可靠性和適用性。數(shù)據(jù)獲取時(shí)的客觀條件如光照、土壤耕作和作物長(zhǎng)勢(shì)都會(huì)影響到閾值的取值,可以考慮針對(duì)作物不同時(shí)期建立閾值選取庫(kù)以提高分類效率。

在選取不同地物樣點(diǎn)時(shí)，對(duì)技術(shù)人員的專業(yè)知識(shí)和經(jīng)驗(yàn)有一定要求，在以后的研究中有必要建立油菜植株不同生長(zhǎng)情況和不同時(shí)相影像的識(shí)別特征庫(kù)和多場(chǎng)景識(shí)別指標(biāo)體系，降低人為誤差對(duì)目標(biāo)識(shí)別精度的影響，為多場(chǎng)景下的作物目標(biāo)識(shí)別和株數(shù)計(jì)算打下基礎(chǔ)。其次，研究區(qū)域的選擇僅體現(xiàn)了雜草，未能對(duì)特殊地形下地塊破碎、作物類型多樣、套種現(xiàn)象多等問(wèn)題開展研究，未來(lái)可對(duì)種植破碎的多類型作物存在的特征差異進(jìn)行研究。在本研究特征提取的基礎(chǔ)上，可通過(guò)出苗率對(duì)播種行距與植株分布等播種方法進(jìn)行質(zhì)量評(píng)估，結(jié)合線性回歸建模分析方法探究復(fù)雜地形下非機(jī)械直播的油菜在苗期的出苗率與產(chǎn)量的關(guān)系。