基于无人机可见光图像的夏季玉米植被覆盖度提取方法

赵 静 杨焕波 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， 淄博 255049； 2.山东理工大学国际精准农业航空应用技术研究中心， 淄博 255049； 3.山东理工大学交通与车辆工程学院， 淄博 255049)

0 引言

植被覆盖度(Fractional vegetation cover，FVC) 是反映陆地表面植被生长动态变化的重要指标，通常是指叶、茎、枝在单位面积内的垂直投影面积所占百分比[1-3]，是影响水、碳循环，物质和能量交换过程的关键地学因子，也反映了植物进行光合作用面积以及植被生长的茂盛程度，能够在一定程度上反映植被的生长状态和生长趋势[4-8]。

目前植被覆盖度的监测方法主要有地表实测法和遥感监测法[9-12]。地表实测法受人力和物力条件的制约，不适合作为大范围植被覆盖度的提取工具[13]，其逐渐演变成对遥感法监测植被覆盖度结果进行精度验证和分析的重要手段。无人机具有低空飞行的优点，弥补了传统卫星遥感受大气层影响的缺陷，逐渐成为遥感技术的重要组成部分[12]。无人机遥感技术凭借其灵活性高、作业周期短、图像数据分辨率高等优势得到快速发展，越来越多地应用到各领域遥感监测中[14-25]。近年来，大量学者利用无人机遥感技术对植被覆盖度提取进行了相关研究。文献[2]通过分析多旋翼无人机获取的多光谱图像，结合监督分类与植被指数阈值法成功提取了越冬期、拔节期、挑旗期、抽穗期冬小麦的植被覆盖度；文献[22]通过分析无人机可见光图像的植被和非植被的光谱差异，提出了用于提取植被覆盖度的植被指数VDVI；文献[23]基于无人机多光谱图像NDVI和SAVI植被指数的时序变化直方图，确定了用于提取冬小麦植被覆盖度的植被指数阈值。

迄今为止，大多数植被指数主要基于红色波段的低反射率和近红外波段强反射率的特性构建[2,19,21-23]。理想的植被覆盖度获取方法应具备以下几个特征: 采用低成本、易于操作的设备，提取结果准确、客观，对采集时间要求较低，以及需要较少的人机交互[26]。与多光谱相机相比，可见光相机具有分辨率高、成本低、维修简单等优势，因此有关学者对无人机获取的可见光图像提取植被覆盖度方法进行了研究。文献[22]利用双峰直方图阈值法和直方图熵阈值法提取无人机拍摄的单幅可见光图像的植被覆盖度时，发现EXG植被指数没有明显的波峰和波谷，与直方图熵阈值法相比，双峰直方图阈值法整体提取效果较好。有些遥感图像相关植被指数不存在明显的波峰和波谷，利用双峰直方图阈值法提取植被覆盖度阈值普适性较差，而直方图熵阈值法运算过程较为复杂，往往需要更多的时间和精力获取植被覆盖度提取阈值，且双峰直方图阈值法和直方图熵阈值法确定的阈值，在植被密度较低的区域植被信息提取结果不尽理想[27]。目前作物生长周期内的植被覆盖度提取大多基于多光谱相机实现，利用无人机可见光图像提取作物多个生长阶段植被覆盖度的研究鲜有报道。本文以四叶期、拔节期、抽穗期和花粒期玉米为研究对象，对多种植被指数提取植被覆盖度进行分析比较，以寻求获得快速有效提取植被覆盖度的方法。

1 材料与方法

1.1 试验地概况及数据采集

试验田位于山东省淄博市南定镇(36°44′36″ N，118° 3′23″ E)，地处暖温带，属半湿润半干旱的温带季风气候，年平均降水量650 mm左右，年平均气温为12.5～14.2℃，年平均日照时数为2 209.3～2 523.0 h，玉米播种方式为机播，播种行距为60 cm，株距为20 cm。

无人机可见光图像采集于2018年7—8月(玉米四叶期、拔节期、抽穗期和花粒期)进行。试验采用DJI Phantom4 Advanced型无人机，其有效载荷2 kg，续航时间30 min，为保证数据采集时刻光照条件的一致性，选择晴朗无风天气，在11:00—13:00进行玉米可见光图像采集。无人机采集图像时的飞行高度为40 m，飞行速度为4 m/s，旁向重叠度以及航向重叠度均为80%，在玉米生长四叶期、拔节期、抽穗期和花粒期阶段共进行4次数据采集，每次航拍采用固定航线，单次作业采集180幅JPG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。对4次无人机采集的数据利用 Pix4DMapper 软件进行图像拼接，获取玉米四叶期、拔节期、抽穗期和花粒期试验田全景正射图像。试验地概况如图1所示，面积约为6 000 m2，对各波段中心波长位置和波段范围没有严格要求，因此无人机拍摄的图像没有经过严格的辐射定标[22]。

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

1.2 夏季田间玉米植被覆盖度的提取方法

通过对比分析无人机图像中土壤和玉米冠层在红、绿、蓝可见光波段的反射特性可知，玉米冠层对绿波段反射特性较强，对红波段和蓝波段反射特性较弱；而土壤背景在红波段、绿波段和蓝波段的反射特性依次降低，因此通过波段组合可以增强植被与土壤的波段差异，使植被和土壤更容易区分。常见的可见光植被指数有归一化绿红差异指数NGRDI[28]、归一化绿蓝差异指数NGBDI[29]、蓝绿比值指数BGRI[30]、可见光波段差异植被指数VDVI[22]和过绿指数EXG[22]，有研究者在利用双峰直方图法和最大熵阈值法提取NGRDI、RGRI、VDVI、EXG和NGBDI植被指数阈值过程中，发现VDVI、EXG和NGBDI的提取植被覆盖度效果较好，因此选用VDVI、EXG和NGBDI作为植被覆盖度提取的植被指数，计算公式分别为

(1)

IEXG=2G-R-B

(2)

(3)

其中

式中G——地物绿色波段像素值

B——地物蓝色波段像素值

R——地物红色波段像素值

g、b——归一化处理后绿、蓝波段像素值

目前常用植被覆盖度提取方法主要有植被指数时序图交点法[23]和样本统计法[24]。植被指数时序图交点法认为试验田由土壤像元和玉米像元两部分组成，随着作物生长，研究区域内植被像元增加量来源于区域内裸土像元的减少量，文献[23]选择将小麦较低植被覆盖度的拔节期和较高植被覆盖度挑旗期的植被指数分布直方图交点，作为区分土壤及植被像元的植被指数阈值，并取得了较好的提取效果；样本统计法在目视解译的基础上进行统计分析，获取了区分土壤及植被像元的阈值。利用时序图交点法和样本统计法的思想，本文采用监督分类将无人机拍摄的试验田单幅图像目标物分为土壤和玉米两类，以土壤和玉米植被的VDVI值作为横坐标，像元统计个数作为纵坐标，绘制土壤和玉米各自VDVI的统计直方图。将坐标系下的土壤和玉米植被VDVI直方图的交点作为玉米植被和土壤分类阈值，同理获得EXG和NGBDI的分类阈值。为了验证各分类阈值的适用性，本文将监督分类结果结合植被指数统计直方图提取的玉米四叶期、拔节期、抽穗期和花粒期无人机拍摄的单幅图像的分类阈值作为对应4个时期的固定阈值，对试验田全景正射图像进行植被覆盖度提取，其主要流程如图2所示。

图2 夏季玉米植被覆盖度提取流程图Fig.2 Flow chart of summer maize vegetation coverage extraction

将统计得到的VDVI、EXG和NGBDI的土壤像元和玉米像元的交点作为植被覆盖度提取的阈值，大于分类阈值的部分为植被像元，小于阈值的部分为土壤像元，根据植被指数阈值法提取的植被覆盖度计算公式为

(4)

式中Ncorn——玉米像元统计个数

Nsoil——土壤像元统计个数

1.3 植被覆盖度提取精度评价方法

目前植被覆盖度提取精度评价的方法主要是将实地照相法采集的图像当作真值，通过目视判读对植被覆盖度提取结果进行评价，由于实地照相法受人力、物力条件的限制，不适合大范围植被覆盖度的提取精度评价。随着遥感技术和机器学习的发展，将监督分类结果作为植被覆盖度真实值，对植被覆盖度提取精度评价取得了很好的效果。将无人机获取的试验田玉米可见光图像的监督分类结果当作地表植被覆盖度的真实值，对植被指数阈值法提取的夏季玉米植被覆盖度提取精度进行验证。植被覆盖度提取误差的计算式为

(5)

式中EF——植被覆盖度提取误差

Fsup——通过监督分类法获得的夏季玉米植被覆盖度

FVI——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 阈值提取结果与分析

以2018年7月20日(玉米四叶期)无人机拍摄的试验田单幅图像为例，结合野外调查结果对图像进行判读，根据野外判读结果在图像上选定70个典型的玉米植株和70个相对独立的裸土区域，进行支持向量机监督分类。目前对监督分类结果进行精度验证常用的方法为混淆矩阵法。混淆矩阵法是通过将每个实测像元的所在位置和类别与分类图像中的相应位置和分类结果进行比较计算，从而判断图像分类精度。单幅图像经混淆矩阵法判断后，总体分类精度为99.648 1%，Kappa系数为0.92，混淆矩阵精度验证结果如表1所示。

由表1可知，支持向量机对玉米和土壤分类效果较好，在监督分类结果的基础上，对玉米4个生长时期的可见光波段差异植被指数VDVI、过绿植被指数 EXG和归一化绿蓝差异指数NGBDI进行统计分析，统计结果如图3所示。由统计结果可知，VDVI土壤像元和玉米植被像元在四叶期、拔节期、抽穗期和花粒期统计直方图的交点分别为0.025、0.090、0.044和0.027；EXG土壤像元和玉米植被像元在4个时期的统计直方图的交点分别为 15、56.620、34和23.960，NGBDI对应土壤像元和玉米像元的交点为0.018、0.062、-0.006和-0.013。

表1 夏季玉米监督分类评价Tab.1 Supervision classification evaluation of summer corn

VDVI、EXG和NGBDI植被指数提取玉米4个生长时期的植被覆盖度时，提取阈值在玉米四叶期、拔节期、抽穗期和花粒期生长阶段变化较大。整个生长时期的土壤VDVI和EXG数值的变化范围较小。主要原因为玉米由四叶期阶段生长到拔节期时，玉米叶片持续生长，叶绿素不断积累，绿色波段的像素值不断增大，基于叶片绿色波段的强反射和红色波段、蓝色波段的吸收原理构建的EXG和VDVI数值变大。抽穗期生长阶段的玉米在其冠层玉米穗的影响下，EXG和VDVI值变小，玉米在花粒期生长阶段由于玉米的衰败现象，造成了EXG和VDVI值与抽穗期相比持续减小；NGBDI对应玉米生长抽穗期和花粒期提取阈值减小的主要原因为反光叶片的增多和玉米穗的出现使得蓝色波段像素值增大，基于蓝绿波段差异构造的NGBDI值减小。EXG、VDVI和NGBDI对应玉米植被四叶期、拔节期、抽穗期和花粒期的统计变化结果如图4所示。

图3 玉米4个时期植被指数统计结果Fig.3 Statistical result of vegetation index in various periods of corn

图4 玉米植被EXG、VDVI和NGBDI变化统计结果Fig.4 Statistical result of EXG, VDVI and NGBDI changes in corn vegetation

2.2 夏季玉米植被覆盖度提取结果与分析

利用上述阈值提取的夏季玉米植被覆盖度的结果如图5～8所示，其中白色部分代表土壤，绿色部分代表玉米植被，玉米植被覆盖度从四叶期到抽穗期明显增多，玉米在花粒期生长阶段出现衰败现象，导致植被覆盖度下降，基本符合玉米4个时期的生长特征。基于SVM监督分类得到玉米四叶期(2018-07-20)、玉米拔节期(2018-07-30)、玉米抽穗期(2018-08-10)和玉米花粒期(2018-08-22)的植被覆盖度分别为57.72%、93.60%、97.03%和95.06%。

图5 2018年7月20日分类图像Fig.5 Classified images on July 20, 2018

图6 2018年7月30日分类图像Fig.6 Classified images on July 30, 2018

图7 2018年8月10日分类图像Fig.7 Classified images on August 10, 2018

图8 2018年8月22日分类图像Fig.8 Classified images on August 22, 2018

利用式(5)的植被覆盖度提取精度验证方法，以监督分类结果为真值，对阈值法提取的夏季玉米植被覆盖度进行精度评价，并绘制了阈值法提取植被覆盖度与监督分类获得植被覆盖度的折线图(图9)，数值如表2所示。

图9 植被覆盖度提取结果比较Fig.9 Comparison of vegetation coverage extraction results

由统计结果可知，监督分类结合植被指数阈值法提取夏季玉米4个生长时期的植被覆盖度效果较好， EXG对应夏季玉米4个时期的提取误差均小于2%，VDVI和NGBDI在夏季玉米四叶期提取精度较高，随着植被的增加，玉米植被覆盖度提取精度有所下降。其主要原因为夏季玉米在太阳光的照射下，叶片存在反光现象，并且随着植被覆盖度的增加，阴影部分面积增大，通过VDVI和NGBDI阈值法提取玉米覆盖度时易将玉米叶片的反光部分识别为土壤，阴影部分识别为植被。所以VDVI和NGBDI阈值法进行夏季玉米拔节期、抽穗期和花粒期植被覆盖度提取误差相对于四叶期提取误差有所增大，具体原因还需要后续研究进一步分析。

表2 植被覆盖度提取精度Tab.2 Extraction accuracy of FVC %

通过对比发现VDVI在玉米四叶期阶段的植被覆盖度提取精度最高，与其他学者利用双峰直方图法和最大熵阈值法提取覆盖度时，VDVI提取植被覆盖度效果最好的结果一致。随着玉米不断生长，玉米冠层光谱特征发生变化，田间叶片的反光部分和阴影部分面积不断增大，导致VDVI植被覆盖度的提取精度下降，EXG在玉米生长的4个阶段不受叶片反光和阴影的影响，故提取精度在玉米的4个生长时期较为稳定。

2.3 植被覆盖度提取方法验证

为了进一步验证利用监督分类与可见光植被指数统计直方图相结合确定的阈值提取玉米4个生长时期植被覆盖度方法的实用性，将玉米生长4个时期的单幅可见光图像提取的植被覆盖度阈值作为固定阈值，对Pix4Dmapper软件拼接的同时期试验田正射图像进行植被覆盖度提取。为了保证验证数据的独立性，根据上述单幅图像在全景图像拼接时的航点位置以及图像的目标物特点，利用掩模处理剔除了试验田全景图像中用于建模的单幅图像数据，并将处理后的试验田全景正射图像进行植被覆盖度提取，图10～13分别对应玉米四叶期、拔节期、抽穗期和花粒期植被覆盖度提取图像。植被指数阈值法与监督分类得到植被覆盖度的散点图如图14所示，具体数值如表3所示。

图10 2018年7月20日验证结果图像Fig.10 Images of verification results on July 20, 2018

图11 2018年7月30日验证结果图像Fig.11 Images of verification results on July 30, 2018

图12 2018年8月10日验证结果图像Fig.12 Images of verification results on August 10, 2018

图13 2018年8月22日验证结果图像Fig.13 Images of verification results on August 22, 2018

图14 植被覆盖度提取效果测试比较Fig.14 Comparison of test results of vegetation coverage extraction effects

由表3可知，在试验田大尺度田块面积上基于上述单幅图像获取的EXG阈值提取的玉米4个生长时期的覆盖度提取误差均小于2%，其提取结果与植被覆盖度监督分类真实值最为接近。VDVI和NGBDI在玉米生长四叶期阶段植被覆盖度提取精度较高，四叶期之后的提取误差有所降低，与单幅图像提取植被覆盖度时所得结果吻合。由此可见，基于监督分类与可见光植被指数统计直方图相结合确定的阈值对夏季玉米4个时期植被覆盖度的提取均有较好的效果，测试结果与前述4个时期的基于单幅图像玉米植被覆盖度提取精度相近，未出现较大变化，由此可见基于可见光图像与植被指数阈值法的夏季玉米植被覆盖度提取方法可行，可以用于夏季玉米4个时期的植被覆盖度提取。

3 结论

(1)根据监督分类结果与可见光植被指数统计直方图相结合确定阈值的方法，发现VDVI、EXG和NGBDI在夏季玉米4个生长时期的植被覆盖度提取精度较高，可以有效地解决双峰直方图阈值法和最大熵阈值法在低植被覆盖度提取时效果不理想的问题，能够满足夏季玉米的植被覆盖度测量要求。

表3 植被覆盖度提取方法精度验证Tab.3 Extraction method accuracy verification of FVC %

(2)玉米叶片的反光和阴影部分面积的增加影响了VDVI和NGBDI的识别精度，导致在玉米生长后期VDVI和NGBDI阈值法提取的植被覆盖度精度有所下降。

(3)与VDVI和NGBDI指数相比，EXG指数分类阈值得到的植被覆盖度与真实值最为接近。

(4)对无人机拍摄的单幅图像采用监督分类结果与可见光植被指数统计直方图相结合确定阈值的方法，阈值稳定性较高。利用单幅图像确定的阈值进行试验田大范围的植被覆盖度提取时，覆盖度提取效果较好。