基于无人机可见光遥感和阈值法的玉米植被覆盖度提取

杨焕波,赵 静,兰玉彬,鲁力群,贾 鹏,李志铭

(1.山东理工大学农业工程与食品科学学院；2.山东理工大学国际精准农业航空应用技术研究中心；3.山东理工大学交通与车辆工程学院，山东 淄博 255000)

玉米是我国重要的粮食作物，为了保证我国玉米粮食产业的快速平稳发展，需要对玉米相关生长参数进行有效监测.植被覆盖度(fractional vegetation cover,FVC)通常是指植被(叶、茎、枝)在单位面积内垂直投影面积所占百分比[1-5]，一定程度上反映农作物光合作用能力，表征作物的生长发育和生物产量，是农学领域的一个重要参数[6].因此，估测玉米覆盖度对指导生产管理和进行农业生态系统评价有重要的意义.

目前，常见的植被覆盖度获取方法有地表实测法和遥感监测法.地表实测法受人力、物力条件限制，无法大面积推广.遥感监测法主要是利用卫星遥感影像[7]以及地面采集的数字影像[8]两种方式.通过卫星影像提取植被覆盖度受大气和混合像元影响较大，时空分辨率较低，往往难以满足田块尺度上的高精度提取要求；通过地面采集的影像提取植被覆盖度信息，虽然植被覆盖度提取精度较高，但在大面积范围内作业费时费力，成本高，难以完成田块尺度上的作业要求.无人机遥感系统具有影像分辨率高、受大气影响小和灵活性高等优点，可以弥补以上两种监测方法的不足[9-10].

许多学者利用无人机遥感技术获取的数据对植被覆盖度提取进行了相关研究.李冰等[4]通过分析无人机获取的冬小麦拔节期、挑旗期、抽穗期、开花期、灌浆期的多光谱图像，利用时序交点阈值法结合归一化差值植被指数(NDVI)、土壤调整植被指数(SAVI)成功地提取了冬小麦上述5个时期的植被覆盖度信息；高永平等[11]通过建立无人机可见光图像的植被指数与植被覆盖度的关系模型，成功地提取了荒漠区的植被覆盖度；田振坤等[12]基于NDVI植被指数统计法成功的提取了玉米和小麦生长周期内多光谱影像的植被覆盖度信息，且提取精度较高.

上述研究中大多数植被指数是基于作物冠层在红色波段的低反射率和近红外波段强反射率的特性构建的，虽然具有较高提取精度，但多光谱相机价格昂贵，不宜推广.与多光谱相机比较，可见光相机虽然包含的光谱信息较少，但其具有拍摄图像分辨率高、成本低、操作简单等优势.为提供一种低成本的玉米植被覆盖度快速检测方法，本研究通过无人机平台搭载可见光相机，拍摄玉米四叶期、拔节期和抽穗期可见光图像，用时序交点阈值法和最大熵阈值法提取3个生长期玉米植被覆盖度，并对比其效果，寻找一种有效提取玉米生长阶段植被覆盖度的方法，为无人机遥感技术在监测玉米植被覆盖度方向的定量应用提供依据.

1 材料与方法

1.1 试验地概况及数据采集

研究区域位于山东省淄博市南定镇(36°44′36″N，118°3′23″E).淄博市地处暖温带，属半湿润半干旱的温带季风气候，南定镇位于淄博市张店区南端，气候常年比较温暖、湿润，土地肥沃，自然资源丰富.试验地概况如图1所示，试验区域面积约为6 000 m2.

图1 试验地概况Fig.1 Experimental site overviews

飞行平台为DJI Phantom4 Advanced无人机，有效载荷2 kg，续航时间30 min.不同光照条件对玉米可见光图像的影响很大，为了保证图像采集时刻光照条件的一致性，选择中午晴朗无风天气,12:00左右分别在玉米生长四叶期(2018-07-20)、拔节期(2018-07-29)和抽穗期(2018-08-10)共进行3次数据采集，3次数据采集飞行高度相同，均为40 m.无人机飞行航线的旁向和航向重叠度均设为80%，单次作业采集180张JPEG格式可见光图像，图像分辨率为5 472像素×3 648像素，地面分辨率为0.68 cm.通过Pix4DMapper软件对每次采集的图像进行拼接，获取玉米四叶期、拔节期和抽穗期试验田全景正射图像.

1.2 夏季玉米植被覆盖度的提取方法

1.2.1 植被指数的选取 目前可见光波段的植被指数相对较少，主要有借鉴多光谱波段植被指数构造原理，利用红色波段的吸收和绿色波段的反射特性构建归一化绿蓝差异指数(NGBDI)[13]、可见光波段差异(VDVI)和过绿指数(EXG),计算公式表示如下：

(1)

EXG=2G-R-B

(2)

(3)

式中:G表示地物绿色波段的像素值；B表示地物蓝色波段的像素值；R表示地物红色波段的像素值；g表示归一化处理后绿色波段的像素值；b表示归一化处理后蓝色波段的像素值.

1.2.2 植被覆盖度提取阈值的确定 植被指数阈值法是通过波段运算，扩大土壤和玉米植被差异，选取合适的阈值进行植被覆盖度提取.本试验通过时序交点阈值法和最大熵阈值法确定3种可见光植被指数的阈值，将VDVI、EXG和NGBDI植被指数大于阈值的像素归为植被，小于阈值的像素归为土壤[14].

时序交点阈值法[5]：研究区域像元主要由植被像元和土壤像元两部分组成，随着作物的生长，研究区域内植被的像元增多，其增加量来源于区域内裸土像元的减少量.因此可以将低植被覆盖度和较高植被覆盖度的植被指数直方图的交点作为植被覆盖度提取阈值，即植被指数小于阈值的像元为裸土像元，而大于阈值的像元则为植被像元.

最大熵阈值法[15,16]：首先假设植被和土壤的分类阈值为t，则阈值t将图像分为目标O与背景B两大类.目标区域的熵为HO(t)，背景区域的熵为HB(t)，则使总熵H(t)= HO(t)+HB(t)取得最大值时所对应的t值即为最佳阈值.

1.2.3 植被覆盖度的提取 将上述3类植被指数大于阈值的部分作为植被像元，小于阈值的部分作为土壤像元，分别统计研究范围内玉米像元数和土壤像元数，并按式(4)计算植被覆盖度.

(4)

式中：Ncorn表示玉米像元统计个数；Nsoil表示土壤像元统计个数.

1.2.4 植被覆盖度提取结果的评价方法 传统的植被覆盖评价方法主要是通过人机交互的方式，逐步将试验田图像分为植被像元和土壤像元，此方法受人为主观因素、人力和物力条件的限制，不适合作为复杂环境下大面积区域的植被提取结果真值.随着机器视觉的发展，其逐渐成为植被覆盖度评价的重要工具，支持向量机监督分类具有算法简单、鲁棒性较好和分类精度高的优点.牛亚晓等[4]将支持向量机监督分类结果作为真值评价棉花植被覆盖度，得到了较好的提取精度.利用支持向量机监督分类虽然能够取得较好的分类效果，但进行支持向量机监督分类的过程中，为了提高分类精度需要进行大量训练样本的选取，人工参与较多，且随着样本数量的增加，分类过程需要占用大量的存储空间和耗费大量的时间.最大熵阈值法和时序交点阈值法具有操作简单、人工参与较少、耗时短和对计算机性能要求较低等优点，因此本研究将监督分类法提取的玉米3个时期的植被覆盖度信息作为真值验证最大熵阈值法和时序交点阈值法的植被覆盖度提取精度，探究利用最大熵阈值法和时序交点阈值法提取玉米四叶期、拔节期和抽穗期植被覆盖度的可行性.通过下式计算植被覆盖度提取误差：

(5)

式中:EF表示植被覆盖度提取误差；Fsup表示通过监督分类法获取的夏季玉米植被覆盖度；FⅥ表示通过阈值法获取的夏季玉米植被覆盖度.

2 结果与分析

2.1 基于时序交点阈值法的提取结果

通过ENVI软件统计分析玉米VDVI、EXG和NGBDI的直方图[4]，发现EXG统计直方图较为复杂，难以确定其统计直方图交点.因此本文仅将VDVI和NGBDI较低植被覆盖度的四叶期和较高植被覆盖度拔节期的统计直方图交点作为玉米3个生长时期的植被覆盖度提取阈值，统计直方图如图2所示，VDVI玉米3个时期植被覆盖度提取阈值为0.122；NGBDI玉米3个生长时期的植被覆盖度提取阈值为0.107.

图2 VDVI和NGBDI统计直方图Fig.2 The statistical histograms of VDVI and NGBDI

2.2 基于最大熵阈值法的阈值提取

通过ENVI软件中熵统计工具，分别统计玉米3个时期VDVI、EXG和NGBDI的最大熵信息，将统计结果中最大熵区域对应的3类植被指数的数值作为植被覆盖度的提取阈值，3个时期的提取阈值如表1所示.

表1 基于最大熵阈值法的阈值提取结果Table 1 Threshold extraction results based on maximum entropy threshold method

2.3 植被覆盖度提取结果及其评价

通过目视判读的方法在上述玉米的3个生长时期内的遥感图像中各选取70个典型的玉米植株和70个相对独立的裸土区域作为训练样本进行支持向量机监督分类，选取50个玉米植株和50个相对独立的土壤区域作为测试样本并进行混淆矩阵验证.通过样本可分离性计算工具分析玉米3个生长时期的样本可分离性，发现土壤和玉米的可分离性均在1.95以上，训练样本选择合理.将上述3个时期的玉米试验田分为土壤和玉米植被两类，核函数为线性核函数.3个时期的混淆矩阵总体分类精度为98.73%、97.69%和95.82%.对应3个时期玉米植被所占比例为64.4%、93.50%和94.6%，玉米覆盖度变化基本符合玉米3个时期的生长特征.利用上述时序交点阈值法和最大熵阈值法确定阈值，提取夏季玉米3个时期的植被覆盖度，四叶期、拔节期和抽穗期植被覆盖度提取图像如图3～8所示，其中绿色部分代表玉米，白色部分代表土壤.利用式(4)进行玉米植被覆盖度计算，将监督分类结果当作真值，并利用式(5)进行植被覆盖度提取效果评价.时序交点阈值法的植被覆盖度和精度评价结果如表2所示.基于最大熵阈值法的植被覆盖度提取结果和精度评价如表3所示.

图3 2018年7月20日时序交点阈值法分类图像Fig.3 Classified images based on time-series intersection threshold method on July 20,2018

由植被覆盖度提取结果可知，利用时序交点阈值法确定的阈值提取玉米3个时期的植被覆盖度时，VDVI和NGBDI在拔节期植被覆盖度提取精度较高，四叶期和抽穗期阶段提取误差较大.提取精度变化的主要原因是随着玉米的生长，玉米拔节期的叶绿素含量显著升高.

图4 2018年7月30日时序交点阈值法分类图像Fig.4 Classified images based on time-series intersection threshold method on July 30,2018

图5 2018年8月10日时序交点阈值法分类结图像Fig.5 Classified images based on time-series intersection threshold method on August 10,2018

图6 2018年7月20日最大熵阈值法分类图像Fig.6 Classified images based on maximum entropy threshold method on July 20,2018

图7 2018年7月30日最大熵阈值法分类图像Fig.7 Classified images based on maximum entropy threshold method on July30,2018

图8 2018年8月10日最大熵阈值法分类图像Fig.8 Classified images based on maximum entropy threshold method on August 10,2018

表2 基于时序交点阈值法的植被覆盖度提取结果Table 2 Vegetation coverage extraction results based on time-series intersection threshold method

从VDVI和NGBDI时序交点图像可看出，VDVI和NGBDI数值显著增大，抽穗期生长阶段的玉米由于玉米穗和叶片的反光增大现象出现，导致VDVI和NGBDI值偏小.若采用单一阈值进行玉米3个时期的植被覆盖度提取，则提取精度变化较大，四叶期和拔节期VDVI和NGBDI时序交点确定的阈值，土壤部分包含大量四叶期和少量抽穗期的玉米像元，所以采用时序交点阈值法确定的阈值会造成玉米四叶期和抽穗期的提取误差较大.通过最大熵阈值法确定的阈值提取玉米3个时期的植被覆盖度时，VDVI整体提取效果最好，其次是NGBDI和EXG.与最大熵阈值法相比，虽然以时序交点法确定的VDVI植被指数阈值提取玉米拔节期植被覆盖度精度较高，但在玉米四叶期和抽穗期生长阶段，最大熵阈值法确定的VDVI和NGBDI阈值明显优于采用时序交点阈值法提取的阈值.因此利用VDVI或者NGBDI结合最大熵阈值法可以有效完成夏季玉米四叶期、拔节期和抽穗期植被覆盖度的监测工作.

表3 基于最大熵阈值法的植被覆盖度提取结果Table 3 Vegetation coverage extraction results based on maximum entropy threshold method

3 小结

(1)以时序交点阈值法结合VDVI确定的阈值提取玉米植被覆盖度，在拔节期精度较高，误差为2.46%；在四叶期和抽穗期误差较大，分别为51.71%和9.83%.

(2)利用最大熵阈值法结合VDVI和NGBDI确定的阈值提取玉米四叶期、拔节期和抽穗期的植被覆盖度精度较高，VDVI对应3个时期的提取误差分别为4.66%、3.42%和5.81%，NGBDI对应3个时期的提取误差分别为3.26%、6.31%和6.66%.

(3)以最大熵阈值法和时序交点阈值法确定的VDVI阈值提取玉米植被覆盖度，时序交点阈值法在拔节期的精度较高，而最大熵阈值法在玉米四叶期和抽穗期提取误差低.

(4)在整个玉米生长期，以最大熵阈值法结合植被指数提取植被覆盖度的效果优于时序交点阈值法.