基于可见光影像的夏季玉米植被覆盖度提取方法研究

陈向东，邓江洪

基于可见光影像的夏季玉米植被覆盖度提取方法研究

陈向东1，邓江洪2

（1. 黄淮学院 信息工程学院，河南 驻马店 463000；2. 黄淮学院 动画学院，河南 驻马店 463000）

为了对夏季玉米四叶期、拔节期、抽穗期和花粒期的植被覆盖信息进行快速、精确提取，提出基于可见光植被指数阈值法与直方图相结合的提取植被覆盖度新方法。对试验田中玉米的上述4阶段进行图像提取，选择了VDVI、EXG和NGBDI等3个指数对植被覆盖度进行描述，并对其精度结果进行验证。结果显示：基于无人机可见光影像的植被阈值法能够准确提取夏季玉米4个阶段生长期的植被覆盖度信息，并且采用EXG指数描述植被覆盖度效果最好。

植被覆盖度；指数阈值法；影像信息的提取

植被覆盖度（fractional vegetation cover，FVC）是指在调查范围内植物的茎、叶等的垂直投影面积占调查区域的百分比。植被覆盖度在研究植物分布和生态环境等方面具有重要的意义。目前对植被覆盖度的监测手段主要有无人机遥感影像技术、卫星遥感影像技术和人工地面采集数据影像技术。其中，无人机影像遥感技术具有较高的分辨率、较好的灵活性以及操作便利等优点，使植被信息提取更加细致、便捷[1-5]，在植被覆盖度、物种识别、种群分布、群落聚集和生物多样性的研究，以及监测生态环境中碳储量、氮含量、干旱分布等方面发挥了重要作用[6-12]。无人机遥感对植被覆盖度的监测是衡量生态环境中干旱分布的重要依据，精准的植被覆盖度数据能为我国干旱和半干旱地区的治理提供数据支持[13-17]。

由于大多数植物都具有红外波段的低反射特性，较难被可见光相机清晰捕捉，因而利用可见光相机对植被覆盖度进行监测与数据提取已成为当今研究的热点之一[18-19]。本文提出一种基于可见光植被指数阈值法与直方图相结合提取植被覆盖度的新方法，提取试验田中种植的玉米4个阶段的图像，选择可见光波段差异植被指数（visible-band difference vegetation index，VDVI）、绿指数（excess green，EXG）和归一化绿蓝差异指数（normalized green-blue difference index，NGBDI）对植被覆盖度进行提取，并对数据的精度进行验证。

1 实验材料与方法

1.1 实验地及数据来源

本次研究的试验田位于河南省驻马店市。该市地处淮河上游的丘陵平原地区，属亚热带与暖温带的过渡地带，土地肥沃、气候湿润，年平均降水量850 mm。试验田采用机器播种，种植的玉米行距、株距基本 一致。

研究中采用的数据是2018年7—9月利用DJI Phantom4 Advanced型无人机采集的，采集时间分别为玉米生长的四叶期、拔节期、抽穗期、花粒期，每个时期选择一个天气晴朗的正午进行采集，采集航线固定。每次作业采集120张高清可见光照片，并用Pix4DMapper软件对采集到的图像进行拼接，从而得到4个时期玉米的全景图像。

1.2 提取植被覆盖度

提取植被覆盖度的方法有物理模型法、经验模型法、混合像元分解法、植被指数阈值法等。物理模型法和经验模型法需要大量的数据，且仅适用于部分特定的植被类型，因而其使用受到了限制；混合像元分解法要求植被具有较为明显的区域特点，且精度不能满足要求；而植被指数阈值法能对地表情况进行简单、有效的度量，能较为精确地对植被覆盖和环境变化等方面的信息进行提取，且操作简单、结果可靠，因而将其作为植被覆盖度的提取方法。

用无人机遥感获取植被覆盖度的方法有很多，但在获取植被覆盖度的过程中，由于玉米冠层对红、蓝波段反射较弱，而对绿色波段反应较为强烈；而土壤对红色波段反射最为强烈，对绿、蓝波段反应依次减弱。为了使信息提取过程中植物和土壤更容易分离，本文选用VDVI、EXG和NGBDI对夏季玉米的植被覆盖度进行提取，计算方式如下：

、、分别为绿、蓝、红个波段的反射率，其提取流程如图1所示：

采用植被指数阈值法对夏季玉米植被覆盖度进行提取的关键是区分土壤与玉米的指数阈值，目前常用的方法包括样本统计法和时序图交点法，二者都能得到较好的提取效果。本研究选择样本统计法进行提取。将2018年7月采集的影像为数据源，选取60个玉米样本和60个土壤样本，并对两类样本进行验证，其中，Kappa指数为0.9901。

图1 植被覆盖度提取流程

根据表1的分类结果，对夏季玉米和土壤的直方图分布进行统计，以获得二者的分类阈值。以VDVI、EXG、NGBDI为横坐标，像元个数为纵坐标，建立VDVI、EXG、NGBDI直方图，将玉米和土壤直方图的交点作为玉米和土壤的分类阈值，其结果如图2所示。可以看出，在3个直方图中，玉米像元与土壤像元的交点分别为21.732、0.0647、0.0156，将大于阈值部分归为植被，小于阈值部分归为土壤。

表1 夏季玉米分类精度评价

根据提取的阈值计算植被覆盖度FVC，公式 如下：

其中，corn为植被的统计像元，soil为土壤的统计像元。

1.3 植被覆盖度精度评价

图2 植被分类阈值提取

通过对实地采集的图像目视判断植被覆盖度的提取结果是否准确，结果误差较大，不能用于大范围的植被覆盖度提取。在本研究中，将所提取图像的监督分类结果作为真实值，对阈值法得到的植被覆盖度进行评价。植被覆盖度的精度计算如下：

式中：F为植被覆盖度精度，V1为通过阈值法获得的玉米植被覆盖度，sup为通过监督分类法得到的植被覆盖度。

2 结果与讨论

2.1 玉米植被覆盖度提取

基于植被指数阈值法提取夏季玉米植被覆盖度的无人机图像结果如图3—图6所示，其中，绿色部分为夏季玉米植被覆盖部分，白色部分为土壤部分。可以看出：随着时间的推移，绿色部分明显增多，而当玉米进入花粒期时绿色部分开始减少。这是由于此时玉米叶片开始出现枯萎。根据无人机采集的高清可见光图像，利用支持向量机（support vector machine，SVM）及监督分类法对植被覆盖度进行提取，能得到夏季玉米生长4个时期的植被覆盖度分别为57.24%、90.17%、98.64%和91.27%。

根据图3—图6中的可见光图像，对玉米生长4个时期的植被覆盖度进行提取，得到玉米的可见光指数如表2所示。

在采集过程中，玉米植被覆盖度的3个指数在4个阶段的变化远远大于土壤的3个指数，这主要是由于玉米在四叶期向拔节期生长的过程中，玉米叶子逐渐变大，叶绿素含量增多，因此无人机采集的绿色波段也逐渐增多；而在抽穗期，玉米冠层的玉米穗会吸收红外波段的光，导致EXG和VDVI值的减小；在花粒期，玉米叶逐渐出现衰败现象，EXG与VDVI值与抽穗期相比更小，这个结果与图2中像元交点的结果相符。然而，玉米在抽穗期和花粒期NGBDI的提取阈值变小是由于玉米穗儿增多和叶片衰败所导致的蓝色波段像素值增大[20-22]。

图3 四叶期图像

图4 拔节期图像

图5 抽穗期图像

图6 花粒期图像

表2 夏季玉米四个阶段的可见光植被指数

2.2 玉米植被覆盖度结果分析

对于玉米生长4个阶段的植被覆盖度57.24%、90.17%、98.64%和91.27%，根据式（5）的精度验证方法，以监督结果为真值（为了避免人为因素带来的误差，本文选用3组监督分类值的平均值作为真值），对玉米的植被覆盖度进行精度分析，绘制得到的散点图如图7所示，数据如表3所示。

根据图7可知，将无人机可见光影像与植被指数阈值法相结合，可以较好地提取夏季玉米在四叶期、拔节期、抽穗去和花粒期的植被覆盖度。表3的结果也证明了通过监督分类结果和指数阈值法提取的植被覆盖度效果较好。但随着植被覆盖度的增加，精度有所下降，这主要是由于玉米叶片较亮，在晴朗的阳光直射下存在较强的反光，且在植被覆盖度增加的情况下植被阴影增加。此时，反光部分被识别为土壤，阴影部分被识别为植被，因而精度在VDVI阈值法中误差较大。随着玉米生长，EXG的影响变化较小，这是因为在玉米生长的4个阶段中，EXG受到阴影和反光的作用较小，较为稳定。

图7 提取结果散点图

表3 植被覆盖度提取精度表

2.3 玉米植被覆盖度提取方法验证

为了进一步验证利用监督分类法与直方图结合对植被覆盖度提取的可靠性，将玉米生长的4个时期提取的可见光植被覆盖阈值作为固定阈值，将Pix4Dmapper软件进行拼接后，对大面积试验田的同时期图像进行植被覆盖度提取。为了保证数据的独立性，拼接过程中要根据目标物的特点去除单幅图像，并将处理后的数据进行提取，其结果如表4所示。

表4 植被覆盖度提取方法精度验证表

可以看出，在大面积试验田植被覆盖度的提取中，EXG阈值作为植被覆盖度提取指数均小于3%，这表明监督分类法与直方图结合的方法对植被覆盖度的提取较为精确。VDVI指数和NGBDI指数在玉米四叶期时提取的精度较高，且在4个阶段的提取误差与绝对误差较为接近，表明基于可见光影像与阈值法结合能对夏季玉米的植被覆盖度进行有效提取。

3 结论

通过采用VDVI、EXG和NGBDI等3个指数分析夏季玉米生长4个时期的植被覆盖信息，得出以下结论：

（1）将监督分类结果与直方图相结合得到的植被覆盖度精确度较高，有效地解决了直方图阈值法在植被覆盖度较低时效果较差的问题；

（2）随着玉米的生长，玉米叶片的反射部分和阴影部分面积会影响VDVI指数的精确度，这主要是由于反射部分容易被视为土壤，而遮荫部分则被视为植被；

（3）EXG阈值作为植被覆盖度提取指数小于3%，相对VDVI与NGBDI指数更接近真实值；

（4）将监督分类结果与统计直方图结合进行阈值的确定，稳定性较高，在进行大范围试验田的植被覆盖度提取时具有更好的效果。

与传统的多光谱相机提取玉米植被覆盖度的方法相比，将监督分类结果与统计直方图结合的方法不仅节省了田间作业成本，而且提高了玉米植被覆盖度的提取精度，对指导农田施肥与喷灌具有重要意义。

[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，张健.无人机遥感在生态学中的应用进展[J].生态学报，2018, 38(1): 25–35.

[4] 吴金胜，刘红利，张锦水.无人机遥感影像面向对象分类方法估算市域水稻面积[J].农业工程学报，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, KÖLLN 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): 152–158.

[9] 黄楚荻，鲁蕾，刘勇，等.基于高分辨率遥感影像的玉米田叶面积指数反演[J].浙江农业学报，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] 韩文霆，邵国敏，马代健，等.大田玉米作物系数无人机多光谱遥感估算方法[J].农业机械学报，2018, 49(7): 177–121.

[13] 苏伟，蒋坤萍，闫安，等.基于无人机遥感影像的育种玉米垄数统计监测[J].农业工程学报，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] 王光镇，王静璞，邹学勇，等.遥感技术估算非光合植被覆盖度研究综述[J].遥感技术与应用，2018, 33(1): 1–9.

[18] 高永平，康茂东，何明珠，等.基于无人机可见光波段对荒漠植被覆盖度提取的研究：以沙坡头地区为例[J].兰州大学学报(自然科学版)，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，郭鹏，张国顺，等.基于无人机可见光遥感的棉花面积信息提取[J].新疆农业科学，2018, 55(3): 77–82.

[21] 李鑫，孙伟，李林.基于小型无人机可见光遥感的蓝藻识别研究[J].测绘与空间地理信息，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

河南省科技攻关项目（122102210549，132102210423）

陈向东（1969—），男，河南驻马店，硕士，副教授，主要研究方向为信号及图像处理。