基于无人机遥感的水生植物覆盖度测算方法探索

林启罗，陈 果，董 娟

（上海市水产研究所，上海市水产技术推广站，上海 200433）

无人机遥感（unmanned aerial vehicle remote sensing）是利用先进的无人驾驶飞行器技术、遥感传感器技术、遥测遥控技术、通讯技术、GPS差分定位技术和遥感应用技术，来实现自动化、智能化、专用化快速获取国土资源、自然环境、地震灾区等空间遥感信息，并完成遥感数据处理、建模和应用分析的应用技术［1］。在农业领域中，无人机主要应用在地图测绘、农药喷洒等方面［2］，同时应用于池塘湖泊等水域进行水生植物覆盖度测算。

池塘生态环境复杂且多样，其中包括水生植物与浮游植物等。水生植物是水生生态系统的初级生产者，同时具有净化水质［3］，维持生态系统稳定的功能［4-5］。浮游植物也是水环境监测中指示水体水质状况的敏感物质，是评价水域环境的重要指标［6-7］。近年来，随着全球气候变化，受人类生活、工业、农业、水土流失产生的面源污染影响，湖泊水库等水体受到一定程度的污染，如在阳澄湖、苏烟水库等地都发生过水华等水体富营养化现象［8-9］，富营养化的水质治理也存在着诸多难题［10-11］。大型水生植物的恢复和重建是水体生态修复的重要手段之一，部分浮游植物，如蓝藻等藻类的出现也标志着水体富营养化。及时知晓水体中水生植物的分布情况，对了解水生生态系统的健康状态具有重要意义。因此，提前预防水体污染，合理利用水生植物达到修复水体的目的极为重要。监测水生植物的覆盖度是有效观测水体情况、水生植物生长状况的一种方法。水生植物覆盖度是描述水生植物占池塘水体分布的重要指标，尤其可以反映水生植物对光的截获能力，因此可以作为评价区域生态环境的一个重要参数［12］。

目前大型水生植物覆盖度的调查方法包括网格法、断面法和断面带法等，但这几种方法都耗时较长、工作强度和成本较高；浮游藻类造成的富营养化程度，多使用卫星遥感技术或航空影像进行监测，但由于环境条件和成本的限制，都无法作为常规监测手段。而无人机遥感在水生植物监测方面具有快捷、廉价的优点，滇池大泊口水域，菱湖镇杨港村现代渔业示范园区等地区均运用无人机遥感获取浮游植物的分布范围影像，对其水质、水生植物等多项参数进行监测［13］，但目前无人机试验对于水生植物覆盖度的研究并不多。通过无人机遥感监测水生植物覆盖度，可以高频次地，直接、简单且高效地监测水质变化，可以做到提前预防水体污染和水体富营养化等情况的发生及蔓延。因此，本试验通过无人机遥感对水生植物覆盖度测算方法进行探索。

1 材料与方法

1.1 无人机介绍

本次试验选用的是大疆精灵Phantom 4 Pro无人机。该无人机搭载FlightAutonomy技术，具有6个视觉传感器、1个主相机、2组红外传感器、1组超声波传感器、GPS／GLONASS双模卫星定位系统、IMU和指南针双冗余传感器。相机影像传感器为1英寸CMOS，镜头参数为FOV 84°8.8 mm／24 mm（35 mm格式等效）光圈f／2.8-f／11带自动对焦，感光度（又称为ISO值）范围为100～3 200。

该无人机可在飞行时获取实时图像、深度、定位等信息，构建飞行器周围的3D地图并确定所在位置。

1.2 软件介绍

无人机采集图像后通过大疆智图V3.4.4导出二维正射影像图像，通过Adobe photoshop CS 6.0（Ps）进行图像处理，然后通过Image-Pro Plus 6.0（IPP）对图像进行数据处理，最后所获数据信息通过Microsoft Excel 2016进行统计分析。其中Adobe Photoshop CS6.0（Ps）在本试验中，主要用来对采集的图像进行前期处理工作；Image-Pro Plus 6.0（IPP）在本试验中，用来识别所需图片的像素并统计和计算其所占像素数量与大小；Microsoft Excel 2016在本试验中用来对导出后的数据进行统计分析。

1.3 试验环境

本次试验地点为上海市水产研究所（121.53°E，31.29°N）养殖池塘，试验日期为2021年4月14日15点55分。试验天气为温度9～18℃，多云，风向东北风，风力2级。

1.4 试验过程

流程如图1所示。

图1 试验流程图Fig.1 Experimental flow chart

第一步由无人机驾驶员操控进行拍摄，将无人机飞升至上空，通过控制终端进行航路规划并建图航拍。如图2所示，在本次试验中，根据池塘面积的大小以及航拍安全性等因素，将试验的测绘高度设定为20 m，并计算测绘路径，在拍摄过程中，利用多次多项式校正模型进行几何校正，采用最近邻算法获取像元的亮度值。航拍完成后获得航拍图片。

图2 采集路径示意图Fig.2 Schematic diagram of acquisition path

第二步将无人机采集到的图片导入计算机，通过大疆制图软件将采集到的图片进行合成，构建DEM场景，大疆智图软件在构建二维正射影像图时，由于采集场景所在的高度平缓，因此选择农田场景模式进行重建。最终通过大疆智图软件生成二维正射影像图。

第三步将输出的图片导入Ps软件进行处理，将采集图片中非池塘区域的部分进行抹白，并完成前期预处理的所有工作。

第四步，通过IPP软件中的region growing算法（魔棒算法）对预处理后的图片进行像素统计。region growing算法需要在待处理的图片上选取一个种子点，以此点为起点，向四周辐射形成一个区域。最初成长区域只有种子点这一个点，然后不断把周围的点归并入该成长区域，条件是该点的值与成长区域边界点的值之差小于阈值。当成长区域不能再继续扩大时，停止计算。本次试验是对采集图片的像素RGB①RGB色彩模式是工业界的一种颜色标准，是通过对红（R）、绿（G）、蓝（B）3个颜色通道的变化以及他们相互之间的叠加来得到各式各样的颜色，RGB即是代表红、绿、蓝3个通道的颜色。这个标准几乎包括了人类视力所能感知的所有颜色，是运用最广的颜色系统之一。数值进行算法应用。

试验中，首先确定图像所需要选取的目标，如水生植物或水域。如图3所示，手动选择水生植物后，region growing算法根据设定参数自动选取像素点并开始计算。在正常条件下，水域的RGB数值与水生植物的RGB数值，以及其他物质的RGB数值是有区别的，水域的RGB数值偏低，而水生植物的数值偏高，且水域与水生植物的RGB数值在参数的精度范围内具有相对较高的集中度。因此，在试验过程中，通过控制灵敏度以及像素范围的精度这2个参数来实现软件对像素RGB的识别与选取。如图3所示，该实验选取了水生植物，算法自动选取了与其相近RGB数值的像素并进行统计。

图3 采集目标区域与实际采集区域Fig.3 Acquisition target area and actual acquisition area

第五步，对池塘的水域部分、水生植物区域部分、还有其他部分进行选取，IPP软件自动提取之后将数据导出到Microsoft Excel 2016中，并进行求和计算。

通过上述方法导出以下数据：池塘面积、水生植物面积、池塘水域面积和池塘其他物质的面积，4者面积关系可以公式（1）表示，所有面积单位均为m2。

式（1）中，S为池塘面积，Sp为水生植物的面积，Sw为池塘水域面积，So为池塘其他物质的面积。

水生植物面积所占池塘水域面积的比例可以公式（2）表示。

式（2）中，P是所得到水生植物面积占池塘水域面积的比重。

2 误差与讨论

在本次试验中，前期利用无人机拍摄的二维正射影像图像经过大疆智图软件进行测绘，得到池塘所占面积为2 246.43 m2；而经过IPP软件进行像素提取计算，池塘水域面积为984.15 m2，水生植物面积为1 262.27 m2，池塘其他物质的面积为3.17 m2。通过式（1）计算测算出池塘面积为2 249.59 m2，以大疆制图所测池塘面积为基准数据进行分析，公式如下。

式（3）中，△X为误差，A表示实际测量值，E表示基准理论值。计算可得其误差为0.14%，接近于0，且低于正常测绘误差，可见其软件计算偏差较低。通过式（2）计算得出该池塘水生植物所占池塘面积占比为56.11%。

2.1 天气因素带来的干扰误差分析

如图4a所示，在高强度光照下，池塘水域的RGB像素分布的波峰范围较为明显，而水生植物的RGB像素分布波峰较为平坦，水域RGB数值与水生植物RGB数值区分度不够，不适合软件采集，容易产生误差；如图4b所示，多云的天气，光照强度较弱，水域的RGB像素分布范围与水生植物的RGB像素分布范围有相对明显的区分度。在本次试验中，为保证在试验过程中尽可能地减少周围环境对试验数据的影响，尽量选择了中午多云的天气进行试验。在实际的拍摄图片中发现，池塘边缘依然产生日光照射下的阴影，这导致在利用IPP软件选取颜色进行测量时，无法一次性选择颜色，而需要选择水域颜色和边缘阴影颜色相加进行数据测量。

图4 不同光照强度下池塘RGB色域分布图Fig.4 Distribution of RGB color gamut of pond under different light intensities

2.2 拍摄图片带来的误差分析

在相机成像过程中，照片是由单个像素构成，这些像素组合构成一张图片。在拍摄照片时，可以看到水生植物与池塘水域之间有一个边界，而这中间的像素所呈现的RGB数值与水生植物的RGB数值、池塘水域RGB数值不完全相同。这使得算法在进行识别RGB值时，如果符合算法阈值内的会进行选取，而阈值外的不会被选取。但是所选取的像素可能会出现无法判定是属于水生植物还是属于水域部分。这导致选取计算过程中存在多选、错选甚至漏选等现象，最终导致在计算过程中产生误差。如图5所示，可以看到在选取水生植物的过程中，边缘像素的RGB不同于水生植物RBG值和池塘水域RGB值，但通过图像智能识别计算，该部分像素在总体的像素占比中很低，可忽略不计。因此，图片的分辨率在水生植物覆盖度测算中不会带来严重影响。

图5 算法自动选取后水生植物部分Fig.5 Aquatic plant part automatically selected by algorithm

另外，在试验测量中还发现池塘周围存在一部分的遮挡，这部分对于试验带来的影响显然更大，因此本次试验，已尽可能选取无遮挡的水域进行计算测量。

2.3 软件带来的误差分析

试验中所用到的软件也会产生误差。其中敏感度参数造成的误差对试验数据有一定的影响。在此软件中颜色识别选取的算法为region growing算法，对灵敏度参数进行选择。灵敏度参数中，过高的灵敏度容易导致因拍摄时所产生的部分颜色偏差无法筛选而漏选，而过低的灵敏度容易误选和错选像素。这意味着在试验过程中，对颜色的选择要求更高。但本次试验，有少部分水生植物枯萎发黄，导致RGB数值较正常水生植物的数值有一定偏差，在较高的精度下，软件会无法识别并放弃选取该像素。与此同时，低灵敏度下的阈值过大，会导致算法选取的过程中选出无效区域。如图6a所示，在低灵敏度下（灵敏度为2像素，扩散参数为2像素），算法筛选的像素色域选择率为110.8%；而选择高灵敏度下的软件算法，容易剔除而漏选其中部分色域；在极高精度下（灵敏度为5像素，扩散参数为2像素），像素色域选择率为72.70%（图6c）。因此需要控制精度，保证选取质量。本次试验选择了偏高的精度，主要是由于拍摄时，水生植物的生长良好，颜色差异不大，且与水域的颜色有较大的对比。其数据为：灵敏度为4像素，扩散参数为2像素。该精度下像素色域选择率为99.2%，算法选取后的成像效果如图6b所示。

图6 不同精度下算法采集图片像素Fig.6 Image pixels collected by algorithm under different accuracies

3 结论与展望

本次试验中，利用无人机完成了一处池塘中水生植物覆盖度的测量研究，并通过试验测量出该池塘中水生植物的面积为1 262.27 m2，水生植物覆盖度为55.78%。相较于其他试验方式，本试验最大的优势为可行性高、时效快且成本低。目前市面上主流的测绘方式都是光谱成像，但是这种测绘方式需要搭配相应软件，如PIXelGrid等，因此利用光谱分析具有价格相对昂贵、携带便利性较差、后期分析较为复杂等特点。而本试验利用RGB数值进行分析，相对而言无论是资金成本还是时间成本都有所减少。整个试验过程从开始规划到数据处理，全程时长不超过1 h，能够快速有效地得到当时池塘中水生植物的覆盖度。

水生植物的覆盖度对于水体的监控具有重要意义，水生植物对于水质的各项数据，如pH、溶氧等相关数值具有巨大的影响。未来可以利用本次试验方法，通过后续试验规划，对湖泊、沼泽等地进行水生植物覆盖度监测［16-17］，观察其时空动态变化，从而保证水体与水生植物的良性状态［12］。同样，本试验可以在鱼菜共生系统［17］、稻田养殖或中华绒螯蟹（Eriocheir sinensis）混养［18］等相关监测方面提供借鉴。