周 涛,胡振琪,2*,韩佳政,张 浩

基于无人机可见光影像的绿色植被提取

周 涛1,胡振琪1,2*,韩佳政1,张 浩1

(1.中国矿业大学环境与测绘学院,江苏 徐州 221100；2.中国矿业大学(北京)土地复垦与生态重建研究所,北京 100083)

在分析健康绿色植被光谱特性及无人机可见光影像典型地物各波段像元值差异的基础上,提出一种综合利用红、绿、蓝3个可见光波段信息的新型绿色植被指数——差异增强植被指数(DEVI).利用该指数及其他8种常见可见光植被指数结合不同阈值方法提取研究区域绿色植被信息,并采用地表真实感兴趣区和基于SVM的监督分类方法进行精度量化评价.结果表明:由DEVI计算的植被指数灰度影像直方图具有良好双峰形态,可利用双峰直方图阈值法快速确定阈值,且阈值一般位于0.9～1之间;同时,DEVI提取精度明显优于其余8种植被指数,且采用双峰直方图阈值法时,总体精度为98.98%,Kappa系数为0.9791,相对误差为1/83.为验证DEVI是否具有良好的可适用性及可靠性,选取3种典型植被覆盖区域进行可行性验证,结果表明:利用DEVI可高精度提取建筑密集区域和植被零散分布区域的绿色植被信息,总体精度分别为98.42%和98.56%,Kappa系数分别为0.9610和0.9635,相对误差分别为1/125和1/91;而植被集中分布区域提取精度略低于上述2种典型区域,总体精度为97.40%,Kappa系数为0.9371,相对误差为1/53.因此,提出的差异增强植被指数——DEVI可以有效、高精度、低成本提取不同植被覆盖典型区域无人机可见光影像中的绿色植被信息,为陆地生态系统中的绿色植被监测研究提供一种可行性方法.

无人机遥感；可见光影像；差异增强植被指数；绿色植被提取

无人机(UAV)是包括固定翼无人机、旋翼无人机、无人直升机、无人飞艇等在内的一系列无人驾驶的空中飞行器的总称[1].无人机作为一种飞行平台具有机动灵活、无须机场起降、成本较低、操作简单、获取影像周期极短等特点[2].将无人机与遥感技术相结合即为无人机遥感技术,二者的结合具备传统遥感手段无法比拟的优势.目前,无人机遥感主要应用于精准农业[3-6]、林业资源调查[7-9]、生态环境监测[10-13]、矿区监测与土地复垦[14-15]以及国土资源空间规划[16]等领域,并取得显著成果.

植被既作为陆地生态系统的重要组成部分,也是人类不可或缺的环境和物质资源.植被的类型、数量及其变化必然会对陆地生态系统产生重要影响;同时,若陆地生态系统发生变化,必然也会在植被类型、数量及其变化中有所反馈[17].因此,植被监测成为陆地生态系统研究中的重要内容.利用无人机遥感技术可以实现小区域范围植被信息的快速、高精度、低成本提取,其广泛应用于农作物监测[18-20]、植被信息提取[21-24]和生物量估算[25-27]等领域.植被指数是遥感方法提取植被信息应用最为广泛的参数之一,而如何构造与优化植被指数成为植被信息高精度提取的关键.目前,基于多光谱影像构造的植被指数种类多达数百种,此类指数充分利用植被光谱反射特性,可有效提取植被信息,但多光谱影像获取成本较高、难度较大,不适于大规模推广.相较于多光谱影像,可见光影像获取成本低、易于获取,但其仅包含可见光波段信息,且仅基于可见光影像的具有良好普适性的植被指数研究相对较少.其中,汪小钦等[22]借鉴归一化植被指数(NDVI)的构造原理及形式,提出一种综合利用红、绿、蓝3个可见光波段的可见光波段差异植被指数(VDVI),并运用该指数和常见的植被指数进行对比分析,结果表明该指数提取精度可达90%以上;高永刚等[23]通过分析无人机可见光影像不同地物光谱特性并借鉴红绿蓝植被指数(RGBVI)构造原理,提出一种超绿红蓝差分指数(EGRBDI),并运用该指数与其余18种常见的可见光植被指数进行精度比较研究,结果表明EGRBDI可高精度提取绿色植被信息且具有良好的适用性和可靠性;Woebbecke等[28]对不同土壤和残基间杂草的彩色图像进行数字化分析,并对其红、绿、蓝波段信息进行分析,提出一种颜色指标指数(EXG),结果表明该指数可有效区分植被和非植被;毛智慧等[29]通过分析HSL彩色空间模型,提出一种归一化色调亮度植被指数(NHLVI),并将该指数及其他常见可见光植被指数分别与野外实测光谱数据和无人机多光谱数据的NDVI进行相关性比较,结果表明NHLVI与实测NDVI具有较高相关性且植被信息提取精度较高.上述已有研究结果表明,利用无人机可见光影像构造植被指数并提取绿色植被是可行的且具有较高精度.因此,如何有效利用无人机可见光影像有限的波段信息构造一种具有普遍适用性、高精度的植被指数并有效提取绿色植被信息显得尤为必要.

本文以无人机可见光影像为数据源,在分析典型地物可见光波段反射率差异的基础上,提出一种综合利用可见光影像红、绿、蓝波段信息的新型绿色植被指数—差异增强植被指数(DEVI),以期实现不同典型植被覆盖区域绿色植被信息的有效、高精度、快速、低成本提取.

1 数据与方法

1.1 研究区域

本文选取的研究区域位于江苏省徐州市铜山区(34°13¢09.17²N,117°08¢52.04²E),该区域地势开阔平坦,无高层建筑物,地物类型丰富,且植被覆盖度适中,适宜进行低空无人机影像数据采集.

1.2 可见光影像数据采集与预处理

本次试验采用大疆经纬M210RTK型无人机作为飞行平台,其水平和垂直定位精度达到±0.1m,同时该平台搭载禅思XT2双光热成像镜头,可同时采集可见光影像及热红外影像.影像采集时间为2020年7月20日,天气晴,东风,风速1m/s,湿度57%,适宜进行无人机飞行试验.影像采集前根据试验要求进行航线参数设置,其中航向重叠度和旁向重叠度均设置为85%,飞行高度80m,航线速度1.8m/s,航线飞行时间约18min,影像数251张,影像空间分辨率约0.02m,测区范围约5292m2.

在进行绿色植被信息提取之前,对野外采集的无人机影像数据进行预处理,主要包括利用Pix4D mapper进行影像拼接以及利用ENVI5.3进行影像裁剪.本研究对各波段中心波长及波长范围无特殊要求,故无需进行辐射定标;同时,飞行平台定位精度达到厘米级,影像点位精度能够得到保证且本研究对影像地理坐标无特殊要求,故无需布设地面像控点及地理坐标纠正.最终获得研究区域的正射影像,如图1所示.

图1 研究区域正射影像

1.3 绿色植被指数构造

1.3.1 植被光谱曲线与植被指数 在可见光范围内,健康绿色植被的光谱反射特性呈现绿波段反射率同时大于红、蓝波段反射率这一特点,即绿色植被对红、蓝光的吸收强度较绿光更强,健康绿色植被光谱特性曲线如图2所示.

植被指数是指利用两个或多个波长范围内的地物反射率进行组合运算,以增强植被的某一特性或细节,达到将植被与非植被分离的目的.目前,在科学文献中发布了超过150种植被指数模型,但这些模型中只有少数部分经过系统的大量的实践检验.在已有植被指数中,大多数是利用可见光与近红外范围的波段进行组合运算以增强植被某一特性或细节,主要包括宽带绿度指数、窄带绿度指数、光利用率指数、冠层氮指数、干旱或碳衰减指数、叶绿素指数与冠层含水量指数等7大类.但是仅基于可见光波段构造的植被指数相对较少,主要包括过绿指数(EXG)、归一化绿红差异指数(NGRDI)、归一化绿蓝差异指数(NGBDI)、红绿比值指数(RGRI)、绿蓝比值指数(GBRI)、超红指数(EXR)、红绿蓝植被指数(RGBVI)等,部分可见光植被指数的计算公式如表1所示.

图2 健康绿色植被光谱特性曲线

表1 可见光植被指数

注:公式中、、分别代表红、绿、蓝波段的反射率或像元值;、、分别代表经过归一化处理后的红、绿、蓝波段反射率或像元值.

1.3.2 DEVI的构造 植被指数的本质是为增强植被的某一特性或细节,使之与非植被的差异显著化,最终实现植被信息提取.因此,在构造植被指数之前首先应找到这种特性或细节,然后通过波段运算将其增强.

通过实地踏勘,将研究区域大致分为水泥路、沥青路、水体、塑胶地、裸地、绿色植被及非绿色植被7大类地物,其中绿色植被包括草地、杨柳、樟树、鸢尾、石楠等,在后续处理中将上述5种植被种类统一视为绿色植被,不再做细分;非绿色植被包括紫叶李和红花檵木,在后续处理中将上述两种植被种类统一视为非绿色植被,不再做细分.同时,本文提出的植被指数仅适用于绿色植被提取,因此在后续处理中将非绿色植被视为非植被.在预处理后影像中随机选取各类地物样本点各30个,统计各类样本点红、绿、蓝波段像元平均值,统计结果如图3所示.

图3 典型地物RGB波段像元平均值统计结果

虚线框内为绿色植被各波段像元值统计结果

分析图3可知:仅鸢尾、杨柳、樟树、草地及石楠等绿色植被的绿波段像元值同时大于红、蓝波段像元值(与健康绿色植被光谱特性曲线反映结果一致),且绿、红、蓝波段像元值依次递减,三者差异明显,可将这一差异特性作为植被信息提取条件之一;若仅考虑绿波单一波段像元值,各绿色植被类型大小不一,但总体上大于紫叶李和红花檵木,同时小于塑胶地、裸地、水体、水泥路及沥青路等5种地物.因此,根据各地物绿波波段像元值差异无法有效区分绿色植被和非植被,且这种无规律性差异会对绿色植被提取产生干扰,故应将绿波单一波段差异干扰消除.

通过对不同地物各波段像元值差异分析可知:若能增强绿色植被的绿波段像元值同时大于红、蓝波段像元值这一差异特性;同时,消除各地物绿波单一波段像元值差异的干扰,将进一步增强上述差异特性,即实现了绿色植被某一特性或细节的增强,进而有效提取绿色植被信息.由此提出基于可见光影像红、绿、蓝波段的DEVI,计算公式如下:

式中:、、分别为可见光影像红、绿、蓝波段像元值.

对式(1)做如下3点说明:式中第1项可消除各地物绿波单一波段反射率差异的干扰,对于任意地物类型来说,该项值为常数1/3;式中第2、3项可显著增强绿色植被绿波段反射率同时大于红、蓝波段反射率这一特性.对于绿色植被,这2项值均小于1/3;而对非植被,这2项值至少有1项大于1/3.因此,绿色植被和非植被的DEVI数值具有显著差异,可根据DEVI数值差异区分植被和非植被;DEVI数值均为大于1/3的正数,其中绿色植被的DEVI值均小于1.因此,在进行阈值分割时可以快速确定阈值范围并提取绿色植被信息.根据以上分析,计算上述12类地物各30个样本点DEVI值,计算结果如图4所示,各类地物样本点DEVI计算结果与预期分析结果一致,5种绿色植被DEVI值均小于其余7类地物且值域无重叠,因此可根据DEVI值差异区分绿色植被与其他地物;同时各类地物DEVI值在0.9～1值域范围内存在空白,因此阈值应在此空白值域范围内确定,阈值确定简单、快速.

图4 各地物样本点DEVI值

实线框内为非植被DEVI值;虚线框内为绿色植被DEVI值

1.4 基于阈值的绿色植被提取

利用无人机可见光影像提取绿色植被信息有2个关键,包括植被指数和阈值选取.植被指数是植被信息提取的基础,而阈值选取则是最大限度发挥某一植被指数优势的关键,只有选取合适的阈值才能更好地提取目标信息.本研究选取双峰直方图阈值法和Otsu's阈值法确定各植被指数的阈值,并进行绿色植被信息提取及精度评价比较.

1.4.1 双峰直方图阈值法 若一幅灰度图像中目标对象和背景对象对比明显,则该灰度图像直方图呈双峰形态,其中目标对象会产生直方图中的一个峰,而背景对象产生直方图的另一个峰;位于双峰之间的峰谷则是目标对象和背景对象的边界位置,此处像素较少,即阈值一般出现在峰谷位置[39].各植被指数计算结果为灰度图像,其中目标对象为绿色植被,背景对象为非植被,可利用此方法确定各植被指数阈值.此方法属于一种基本全局阈值选取方法.

1.4.2 Otsu's阈值法 Otsu's阈值法由日本学者大津展之(Nobuyuki Otsu)于1979年提出,是一种自适应的阈值确定方法,又称大津法[40].该算法按照图像的灰度特性,利用阈值将图像分成目标和背景两部分.当目标和背景的类间方差越大,说明这两部分差异越大;当部分目标错分为背景或部分背景错分为目标时,类间方差均会变小.因此,类间方差最大可以最大限度避免分割时出现错分、漏分现象,进而有效提取目标信息.此方法属于一种全局阈值选取方法.

2 结果与分析

2.1 可见光植被指数计算与分析

利用式(1)及表1中各植被指数计算公式进行波段运算,得到研究区域不同植被指数灰度图像,如图5所示.

DEVI、EXR、GBRI及RGRI计算结果中像元色调越暗黑即像元值越小表示该像元为植被像元,而其余5种植被指数计算结果中则是像元色调越明亮即像元值越大表示该像元为植被像元.本文研究目的是提取绿色植被信息,因此若绿色植被与非植被色调反差越大,则更有利于阈值分割及绿色植被信息提取.由图5可知,DEVI、EXG、GBRI、NGBDI、RGBVI5种指数计算结果中绿色植被与非植被色调差异明显,绿色植被像元与非植被像元色调无明显交叉重叠,可以预见上述5种指数可有效提取植被信息;而EXR、NGRDI、RGRI 、MGRVI4种指数计算结果中部分绿色植被与非植被像元色调差异并不明显,且存在不同程度的交叉重叠,主要集中在水体和沥青路两种地物类型.因此,在绿色植被信息提取过程中可能会出现错分、漏分现象,即无法有效区分水体、沥青路和绿色植被,可以预见上述4种植被指数无法有效提取绿色植被信息.

图5 各植被指数计算结果

色调越亮表示植被指数值越大;色调越暗表示植被指数值越小

2.2 绿色植被提取与精度评价

2.2.1 绿色植被提取 本研究采用双峰直方图阈值法和Otsu's阈值法确定各植被指数计算结果影像的阈值,并进行阈值分割及绿色植被信息提取.利用不同阈值方法确定各植被指数对应的阈值,结果如表2所示.

表2 各植被指数阈值

利用双峰直方图阈值法确定的阈值对各植被指数计算结果进行阈值分割,获取研究区域绿色植被信息,提取结果如图6所示.

图6 双峰直方图阈值法提取结果

A～J区域出现明显的错分误差和漏分误差

由图6可知,EXR、NGRDI、RGRI及MGRVI4种指数均出现大面积错误提取结果,将水体像元、部分沥青路像元错误提取为绿色植被像元,与指数计算分析结果一致,如A ～ B、E ～ J区域所示.而GBRI、NGBDI2种指数提取结果中少量绿色植被信息被错分为裸地等非植被信息,如C～D区域所示.

利用Otsu's阈值法确定的阈值对各植被指数计算结果进行阈值分割,获取研究区域绿色植被信息,提取结果如图7所示.

如图7所示,EXR、GBRI、NGBDI、NGRDI、RGRI及MGRVI6种指数均出现不同程度的提取错误,错误提取区域与双峰直方图阈值法基本一致.其中EXR、NGRDI、RGRI及MGRVI4种指数将水体像元和部分沥青路像元错误提取为绿色植被像元,如a ～ b、e ～ j区域所示;而GBRI和NGBDI2种指数将少量绿色植被像元被错误提取为裸地像元等非植被像元,如c ～ d区域所示.对比2种阈值方法提取结果可以发现,基于Otsu's阈值法提取的绿色植被数量少于双峰直方图阈值法,即Otsu's阈值法将部分绿色植被提取为非植被,绿色植被分布更为零散.

以上分析均是以研究区域正射影像为标准,人工目视解译做出的初步判断.为判断各植被指数提取结果是否准确,应进行定量化精度评价.

图7 Otsu's阈值法提取结果

a～j区域出现明显的错分误差和漏分误差

2.2.2 精度评价 为削弱人为因素干扰,客观地对比各植被指数的提取精度,本研究采用2种精度评价指标对基于可见光植被指数阈值法的绿色植被提取结果进行精度评价.绿色植被信息提取的精度指标包括:首先,利用足够数量且分布均匀的地表真实感兴趣区(Ground Truth ROIs)作为参考,计算其与植被提取结果的混淆矩阵,即可得出总体分类精度和Kappa系数,将其作为相对精度指标之一;其次,利用基于支持向量机的监督分类方法对研究区域进行地物分类,将监督分类结果作为参考,然后统计其植被像元与植被面积并与可见光植被指数阈值法提取结果作差,即可得到植被像元数之差、植被面积之差及相对误差,将其作为相对精度指标之一.由于本研究采集的无人机影像空间分辨率达到厘米级,因此本文均采用目视判别法选取地表真实感兴趣区域.

基于地表真实感兴趣区的精度评价:本研究随机选取了共计400个且分布均匀的地表真实感兴趣区域作为参考,其中包括绿色植被与非植被两部分,然后计算其与各植被指数提取结果的混淆矩阵,结果如表3所示.

由表3可知,不管选择何种阈值方法,DEVI绿色植被提取结果的总体精度和Kappa系数均为最高,总体精度均超过98%,Kappa系数均大于0.97;同时RGBVI、EXG、NGBDI及GBRI4种植被指数提取结果的总体精度均超过90%,Kappa系数均大于0.9,表明以上5种植被指数可以有效地、高精度提取绿色植被信息.而NGRDI、RGRI、EXR及MGRVI4种植被指数提取结果的总体分类精度均低于76%,Kappa系数均低于0.55,表明这4种植被指数无法准确有效地提取绿色植被信息.经对比发现,除GBRI外,其余8种植被指数采用双峰直方图阈值法的提取结果总体精度和Kappa系数均大于Otsu's阈值法.根据以上分析可以得出初步结论,即DEVI结合双峰直方图阈值法可以有效地、高精度地提取绿色植被信息.

表3 基于ROIs的精度评价结果

基于监督分类方法的精度评价:将研究区域大致分为水泥路、沥青路、水体、塑胶地、绿色植被(包括鸢尾、草地、石楠、杨柳、樟树等)、非绿色植被(包括紫叶李和红花檵木,二者均为紫色植被)及裸地7类地物.利用基于SVM的监督分类方法对研究区域进行监督分类,分类结果如图8所示.

本研究随机选取总计400个且分布均匀的地表真实感兴趣区为参考,其中包括上述7类地物,然后计算其与监督分类结果的混淆矩阵,其中总体分类精度为97.21%,Kappa系数为0.9596,因此该监督分类结果精度较高,可以作为绿色植被提取精度评价的参考.

图8 基于SVM的监督分类结果

根据监督分类结果统计绿色植被像元数及面积,并与各植被指数提取结果作差.同时,无人机影像的超高分辨率使得影像像素为千万量级,并且植被像元提取结果差值本身数值较大,若单纯比较像元数及面积差值意义不大.因此,引入相对误差以反映差值的相对大小.习惯上相对误差用分子为1的分数表达,分母越大,相对误差越小.各植被指数提取结果像元数差值、面积差值及相对误差结果如表4所示.

表4 基于监督分类方法的精度评价结果

注:“-”表示无此项.

由上文分析可知,EXR、NGRDI、RGRI、MGRVI4种指数提取结果总体精度均小于76%, Kappa系数均小于0.55,其提取结果中存在大量错分误差,不再适用于差值分析,故将上述4种指数提取结果的相对误差舍去,仅对DEVI、EXG、NGBDI、RGBVI及GBRI等5种指数提取结果进行差值分析.

如表5所示,不管选择何种阈值方法, DEVI绿色植被提取结果相对误差均为最小;当采用双峰直方图阈值法时,绿色植被提取的相对误差为1/83,其精度可以满足植被信息提取要求.

根据上述2种精度评定方法结果分析即可得出结论,差异增强植被指数DEVI结合双峰直方图阈值法可以有效、快速、高精度提取绿色植被信息.

2.3 方法可行性验证

2.3.1 DEVI植被信息提取 上述研究结果表明,利用DEVI提取绿色植被信息的精度明显优于其他8种植被指数.为验证DEVI是否具有良好的可适用性及可靠性,本文选取3种植被覆盖典型区域进行方法可行性验证,包括植被集中分布区域(研究区一)、建筑物密集区域(研究区二)以及植被零散分布区域(研究区三)3种类型.3种典型区域均位于江苏省徐州市铜山区,影像采集时间为2020年9月16日,其中飞行平台及镜头、旁向重叠度、航向重叠度等航线飞行参数均保持不变.对原始影像进行影像拼接、裁剪等预处理以获取各区域正射影像.

分别计算各区域DEVI值,采用双峰直方图阈值法确定各区域阈值,其中研究区一阈值为0.972120,研究区二阈值为0.960241,研究区三阈值为0.961517;由表2可知研究区域阈值为0.954088.对比各区域阈值可以知,利用DEVI提取绿色植被时阈值集中分布在0.95附近,即研究区域植被覆盖类型、建筑物密集程度、地物丰富程度、光照强度及阴影等对DEVI阈值影响不大,这也说明DEVI是完全基于绿色植被光谱反射特性构建的,具有良好的普适性.

最后,根据各区域阈值进行阈值分割并提取绿色植被信息.同时,利用基于SVM的监督分类方法提取各研究区域绿色植被,结果如图9所示.

各验证区域正射影像如图9A、9B、9C所示,研究区一植被分布密集,植被覆盖度高,地物类型较为单一,且有两处紫色植被;研究区二建筑物分布较为密集,对光照造成一定程度遮挡,存在较多阴影区域,地物类型较多,且右侧楼顶有一绿色工程网布遮盖;研究区三植被分布较为离散,左下方植被成单株分布,右上方有一处大面积紫色植被,右下方路边有一绿色工程网布遮盖.如图9aa所示,DEVI提取结果与监督分类结果无较大差别,绿色植被基本被有效提取,且两处紫色植被均未被提取;如图9bb所示,DEVI有效提取了位于研究区域左侧位置的大面积绿色草坪,而监督分类方法未能有效提取这一区域部分绿色植被,同时位于右侧楼顶的绿色工程网布被提取为绿色植被;如图9cc所示,DEVI提取结果与监督分类结果无较大差别,其中右上方大面积紫色植被未被提取,右下方路边的绿色工程网布被提取为绿色植被.由DEVI构造原理可知,绿色地物均会被视为绿色植被,因此研究区中的绿色工程网布均被提取为绿色植被.以上分析均是以各研究区域正射影像为标准,人工目视解译做出的初步判断.同样,采用上述两种精度评价方法针对可行性验证结果进行定量化精度评价.

图9 DEVI可行性验证结果

2.3.2 基于地表真实感兴趣区的精度评价 本次精度评价在3种植被覆盖典型区域中根据研究区面积大小分别随机均匀选取450、300及300个地表真实感兴趣区作为参考,其中包括植被与非植被2类,并计算其与DEVI绿色植被信息提取结果的混淆矩阵,结果如表5所示.

表5 可行性验证区域混淆矩阵结果

由表5可知,研究区二和研究区三的总体分类精度较高,分别为98.42%和98.56%,Kappa系数分别为0.9610和0.9635;而研究区一的总体分类精度为97.40%,Kappa系数为0.9371,绿色植被提取精度略低于研究区二和研究区三.根据以上结果分析可知,DEVI对建筑物密集区域及植被零散分布区域具有良好适用性,而植被集中分布区域精度有所下降,但总体上可以有效提取绿色植被信息.

2.3.3 基于监督分类方法的精度评价 利用基于SVM的监督分类方法对3种植被覆盖典型区域进行监督分类,将地物分为绿色植被与非植被.同时,在各区域分别随机均匀选取地表真实感兴趣区120个,然后计算其与监督分类结果的混淆矩阵,将计算结果作为监督分类结果精度评价标准,结果如表6所示.

表6 可行性验证区域监督分类精度评价结果

由表6可知,各研究区域的监督分类总体精度较高,总体分类精度均高于95%,Kappa系数均大于0.9.因此,该监督分类结果可作为植被提取结果精度评价的参考.统计DEVI植被信息提取结果及监督分类植被信息,计算二者植被像元数、面积之差及相对误差,结果如表7所示.

如表7所示,研究区二和研究区三的相对误差分别为1/125和1/91,而研究区一的相对误差为1/53,此结果与基于地表真实感兴趣区精度评价结果一致,即DEVI对建筑物密集区域及植被离散分布区域具有良好适用性,而高植被覆盖度区域精度有所下降,但总体上可以有效提取绿色植被信息.

表7 可行性验证区域植被提取相对误差

基于以上方法验证结果及分析,本研究认为DEVI结合双峰直方图阈值法能够实现不同植被覆盖典型区域绿色植被信息的有效、快速、高精度提取.

2.4 研究局限性

结合已有研究成果及本研究结果分析表明,利用无人机可见光影像提取植被信息具有高精度、快速、低成本等优点.但在本研究过程中仍存在一些问题及局限性,主要包括以下几个方面:目前大多数基于可见光影像波段信息构造的植被指数无法对非绿色植被进行有效提取,如本文出现的紫叶李、红花檵木等;由于DEVI是根据绿色地物光谱反射特性进行构造的,因此,绿色地物会被视为绿色植被,如本文出现的绿色工程网布;本文未选取不同传感器进行可行性验证,DEVI是否适用于其他不同传感器还有待验证.

针对以上问题及局限性,进一步研究内容包括如何利用可见光影像有限的波段信息实现非绿色植被的有效提取、如何有效区分绿色非植被地物和绿色植被以及验证DEVI是否适用于其他传感器等.

3 结论

3.1 DEVI不仅能够消除不同地物在绿波单一波段像元值差异的干扰,同时增强了绿色植被绿波段像元值同时大于红、蓝波段像元值这一差异特性.

3.2 由DEVI计算的植被指数灰度图像,其图像直方图具有良好双峰形态,可利用双峰直方图阈值法快速确定阈值,且阈值一般位于0.9～1之间.

3.3 DEVI结合双峰直方图阈值法的绿色植被信息提取总体精度为98.98%,Kappa系数为0.9791,相对误差为1/83,其提取精度高于其他8种常见植被指数.

3.4 DEVI可有效、高精度提取建筑物密集区域和植被离散分布区域绿色植被信息,总体精度分别为98.42%和98.56%,Kappa系数分别为0.9610和0.9635,相对误差均分别为1/125和1/91;而高植被覆盖度区域的提取精度略低于上述2种植被覆盖典型区域,总体精度为97.40%,Kappa系数为0.9371,相对误差为1/53.综上所述,DEVI可有效、快速、高精度、低成本提取可见光影像中绿色植被信息,且具有良好适用性、可靠性.

[1] 高井祥.数字测图原理与方法 [M]. 徐州:中国矿业大学出版社, 2015:278-279. Gao J X. Principles and methods of digital mapping [M]. Xuzhou: China university of Mining and Technology Press, 2015:278-279.

[2] 王利民,刘 佳,杨玲波,等.基于无人机影像的农情遥感监测应用[J]. 农业工程学报, 2013,29(18):136-145. Wang L M, Liu J, Yang L B, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring [J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(18):136-145.

[3] 李宗南,陈仲新,王利民,等.基于小型无人机遥感的玉米倒伏面积提取[J]. 农业工程学报, 2014,30(19):207-213. Li Z N, Chen Z X, Wang L M, et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle [J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(19):207-213.

[4] 李 冰,刘镕源,刘素红,等.基于低空无人机遥感的冬小麦覆盖度变化监测[J]. 农业工程学报, 2012,28(13):160-165. Li B, Liu R Y, Liu S H, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system [J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(13):160-165.

[5] 高 林,杨贵军,于海洋,等.基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 农业工程学报, 2016,32(22):113-120. Gao L, Yang G J, Yu H Y, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remoter sensing [J]. Transactions of the Chinese Society of Agricultural Engineering, 2016,32(22):113-120.

[6] 韩文霆,李 广,苑梦婵,等.基于无人机遥感技术的玉米种植信息提取方法研究[J]. 农业机械学报, 2017,48(1):139-147. Han W T, Li G, Yuan M C, et al. Extraction method of maize planting information based on UAV remote sensing technology [J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1):139-147.

[7] 张 园,陶 萍,梁世祥,等.无人机遥感在森林资源调查中的应用[J]. 西南林业大学学报, 2011,31(3):49-53. Zhang Y, Tao P, Liang S X, et al. Research on application of UAV RS techniques in forest inventories [J]. Journal of Southwest Forestry university, 2011,31(3):49-53.

[8] 杨 坤,赵艳玲,张建勇,等.利用无人机高分辨率影像进行树木高度提取[J]. 北京林业大学学报, 2017,39(8):17-23. Yang K, Zhao Y L, Zhang J Y, et al. Tree height extraction using high-resolution imagery acquired from an unmanned aerial vehicle (UAV) [J]. Journal of Beijing Forestry University, 2017,39(8):17-23.

[9] 史洁青,冯仲科,刘金成.基于无人机遥感影像的高精度森林资源调查系统设计与试验[J]. 农业工程学报, 2017,33(11):82-90. Shi J Q, Feng Z K, Liu J C. Design and experiment of high precision forest resource investigation system based on UAV remote sensing images [J]. Transactions of the Chinese Society of Agricultural Engineering, 2017,33(11):82-90.

[10] Sanada Y, Urabe Y, Sasaki M, et al. Evaluation of ecological half-life of dose rate based on airborne radiation monitoring following the Fukushima Dai-ichi nuclear power plant accident [J]. Journal of Environmental Radioactivity, 2018,192(12):417-425.

[11] Schofield G, Esteban N, Katselidis K A, et al. Drones for research on sea turtles and other marine vertebrates – A review [J]. Biological Conservation, 2019,238:108214.

[12] 肖 武,任 河,闫皓月,等.基于无人机遥感的高潜水位采煤沉陷湿地植被分类[J]. 农业机械学报, 2019,50(2):177-186. Xiao W, Ren H, Yan H Y, et al. Vegetation classification by using UAV remote Sensing in coal mining subsidence wetland with high ground-water level [J]. Transactions of the Chinese Society for Agricultural Machinery, 2019,50(2):177-186.

[13] 肖 武,赵艳玲,胡振琪,等.利用无人机遥感反演高潜水位矿区沉陷地玉米叶绿素含量[J]. 煤炭学报, 2019,44(1):295-306. Xiao W, Zhao Y L, Hu Z Q, et al. Identify maize chlorophyll impacted by coal mining subsidence in high groundwater table area based on UAV remote sensing [J]. Journal of China Coal Society, 2019,44(1): 295-306.

[14] 徐 岩,胡振琪,陈景平,等.基于无人机遥感的开采沉陷耕地质量评价及复垦建议[J]. 金属矿山, 2019,(3):173-181. Xu Y, Hu Z Q, Chen J P, et al. Quality evaluation of farmland and land reclamation suggestions of mining subsidence area based on unmanned aerial vehicle remote sensing [J]. Metal Mine, 2019,(3): 173-181.

[15] 肖 武,胡振琪,张建勇,等.无人机遥感在矿区监测与土地复垦中的应用前景[J]. 中国矿业, 2017,26(6):71-78. Xiao W, Hu Z Q, Zhang J Y, et al. The status and prospect of UAV remote sensing in mine monitoring and land reclamation [J]. China Mining Magazine, 2017,26(6):71-78.

[16] 张 超,陨文聚,高露露,等.土地整治遥感监测研究进展分析[J]. 农业机械学报, 2019,50(1):1-22. Zhang C, Yun W J, Gao L L, et al. Analysis on research progress of remote sensing monitoring of land consolidation [J]. Transactions of the Chinese Society for Agricultural Machinery, 2019,50(1):1-22.

[17] 秦 伟,朱清科,张学霞,等.植被覆盖度及其测算方法研究进展[J]. 西北农林科技大学学报(自然科学版), 2006,34(9):163-170. Qin W, Zhu Q K, Zhang X X, et al. Review of vegetation covering and its measuring and calculating method [J]. Journal of Northwest A & F University (Nature Science Edition), 2006,34(9):163:170.

[18] 陈 鹏,冯海宽,李长春,等.无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量[J]. 农业工程学报, 2019,35(11):63-74. Chen P, Feng H K, Li C C, et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image [J]. Transactions of the Chinese Society of Agricultural Engineering, 2019,35(11):63-74.

[19] Jin X L, Li Z H, Clement Atzberger. Editorial for the special issue “Estimation of Crop Phenotyping Traits using Unmanned Ground Vehicle and Unmanned Aerial Vehicle Imagery” [J]. Remote Sensing, 2020,12(6):940.

[20] 田振坤,傅莺莺,刘素红,等.基于无人机低空遥感的农作物快速分类方法[J]. 农业工程学报, 2013,29(7):109-116. Tian Z K, Fu Y Y, Liu S H, et al. Rapid crops classification based on UAV low-altitude remote sensing [J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(7):109-116.

[21] Zhang X L, Zhang F, Qi Y X, et al. New research methods for vegetation information extraction based on visible light remote sensing images from an unmanned aerial vehicle (UAV) [J]. International Journal of Applied Earth Observation and Geoinformation, 2019,78: 215-226.

[22] 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):152-157. Wang X Q, Wang M M, Wang S Q, et al. Extraction of vegetation information from visible unmanned aerial vehicle images [J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(5):152-159.

[23] 高永刚,林悦欢,温小乐,等.基于无人机影像的可见光波段植被信息识别[J]. 农业工程学报, 2020,36(3):178-189. Gao Y G, Lin Y H, Wen X L, et al. Vegetation information recognition in visible band based on UAV images [J]. Transactions of the Chinese Society of Agricultural Engineering, 2020,36(3):178-189.

[24] 王美琪,杨建英,孙永康,等.废弃矿山植被覆盖度无人机遥感快速提取技术[J]. 中国水土保持科学, 2020,18(2):130-139. Wang M Q, Yang J Y, Sun Y K, et al. Remote sensing rapid extraction technology for abandoned mine vegetation coverage via UAV [J]. Science of Soil and Water Conservation, 2020,18(2):130-139.

[25] Gennaro S F D, Matese A. Evaluation of novel precision viticulture tool for canopy biomass estimation and missing plant detection based on 2.5D and 3D approaches using RGB images acquired by UAV platform [J]. Plant Methods, 2020,16(1):233-129.

[26] Jiang X P, Gao Z Q, Zhang Q C, et al. Remote sensing methods for biomass estimation of green algae attached to nursery-nets and raft rope [J]. Marine Pollution Bulletin, 2020,150:110678.

[27] Li B, Xu X M, Zhang L, et al. Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020,162:161-172.

[28] Woebbecke D M, Meyer G E, Von Bargen K, et al. Color indices for weed identification under various soil, residue, and lighting conditions [J]. Transactions of the American Society of Agricultural Engineers, 1995,38(1):259-269.

[29] 毛智慧,邓 磊,贺 英,等.利用色调—亮度彩色分量的可见光植被指数[J]. 中国图像图形学报, 2017,22(11):1602-1610. Mao Z H, Deng L, He Y, et al. Vegetation index for visible-light true-color image using hue and lightness color channels [J]. Journal of Image and Graphics, 2017,22(11):1602-1610.

[30] Hunt E R, Cavigelli M, Daughtry C S T, et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status [J]. Precision Agriculture, 2005,6(4):359-378.

[31] Abdelhalim Elazab, Jordi Bort, Zhou B W, et al. The combined use of vegetation indices and stable isotopes to predict durum wheat grain yield under contrasting water conditions [J]. Agricultural Water Management, 2015,158:196-208.

[32] Woebbecke D M, Meyer G E, Bargen K V, et al. Plant species identification, size, and enumeration using machine vision techniques on near-binary images [J]. Proceedings of SPIE - The International Society for Optical Engineering, 1993,1836:208-219.

[33] Gamon J A, Surfus J S. Assessing leaf pigment content and activity with a reflectometer [J]. New Phytologist,1999,143(1): 105-117.

[34] Sellaro R, María Crepy, Trupkin S A, et al. Cryptochrome as a Sensor of the blue/green ratio of natural radiation in arabidopsis [J]. Plant Physiology, 2010,154(1):401-409.

[35] Meyer G E, Neto J C. Verification of color vegetation indices for automated crop imaging applications [J]. Computers and Electronics in Agriculture, 2008,63(2):282-293.

[36] 江 杰,张泽宇,曹 强,等.基于消费级无人机搭载数码相机监测小麦长势状况研究[J]. 南京农业大学学报, 2019,42(4):622-631. Jiang J, Zhang Z Y, Cao Q, et al. Use of a digital camera mounted on a consumer-grade unmanned aerial vehicle to monitor the growth status of wheat [J]. Journal of Nanjing Agricultural University, 2019,42(4): 622-631.

[37] Bareth G, Bolten A, Gnyp M L, et al. Comparison of uncalibrated rgbvi with spectrometer-based ndvi derived from uav sensing systems on field scale [J]. Isprs International Archives of the Photogrammetry Remote Sensing & Spatial Information Sciences, 2016,XLI-B8:837- 843.

[38] Bendig J, Yu K, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley [J]. International Journal of Applied Earth Observation & Geoinformation, 2015,39(7):79-87.

[39] 梁华为.直接从双峰直方图确定二值化阈值[J]. 模式识别与人工智能, 2002,15(2):253-256. Liang H W. Direct determination of threshold from bimodal histogram [J]. Pattern Recognition and Artificial Intelligence, 2002,15(2):253- 256.

[40] 李了了,邓善熙,丁兴号.基于大津法的图像分块二值化算法 [J]. 微计算机信息, 2005,21(8-3):76-77. Li L L, Deng S X, Ding X H, et al. Binarization algorithm based on image partition derived from Da-Jing method [J]. Microcomputer Information, 2005,21(8-3):76-77.

Green vegetation extraction based on visible light image of UAV.

ZHOU Tao1, HU Zhen-qi1,2*, HAN Jia-zheng1, ZHANG Hao1

(1.School of Environmental and Spatial Informatics, China University of Mining and Technology, Xuzhou 221100, China；2.Institute of Land Reclamation and Ecological Restoration, China University of Mining and Technology (Beijing), Beijing 100083, China)., 2021,41(5)：2380～2390

Using visible light images taken by unmanned aerial vehicle (UAV) as data source, a new green vegetation index named as Difference Enhanced Vegetation Index (DEVI) was proposed based on the analysis of healthy green vegetation spectral characteristics and the differences of pixel values among different bands of typical ground objects in visible light images of UAVs. DEVI utilized the information of red, green and blue visible bands, which can not only eliminate the interference caused by the difference of pixel values in a single band of green wave of different ground objects, but also enhance the characteristic that the reflectivity of green wave of green vegetation is greater than that of red and blue bands. This new index and 8 other common visible light vegetation indexes were used to extract the green vegetation by the threshold method in the study area, and then the support-vector machine (SVM)-based supervised classification method and the ground truth area of interest (ROIs) were used to evaluate the extraction accuracy. The results showed that the extraction accuracy of DEVI was significantly better than the other eight vegetation indexes. When the threshold method of image histogram visual detection was adopted, the overall accuracy was 98.98%, the Kappa coefficient was 0.9791, and the relative error was 1/83. Meanwhile, the gray image histogram of vegetation index calculated by DEVI had a good bimodal shape, which could quickly determine the threshold value, and the threshold value was generally located between 0.9 and 1. To verify whether DEVI has good applicability and reliability, this study chose three typical areas to conduct the feasibility verification analysis: area with high vegetation coverage, area with dense regions of buildings, and area with discretely distributed vegetation.Theresults showed that the green vegetation information in regions with dense buildings and discretely distributed vegetation could be extracted with high precisions by DEVI. The overall accuracy was 98.42% and 98.56%, the Kappa coefficient was 0.9610 and 0.9635, and the relative error was 1/125 and 1/91, respectively. However, the extraction accuracy in areas with high vegetation coverages was slightly less accurate with the overall accuracy of 97.40%, a Kappa coefficient of 0.9371, and a relative error of 1/53.Therefore, the new DEVI could extract the green vegetation information from UAV visible light images in typical vegetation covered areas in an effective, high-precision and low-cost way. Therefore, DEVI is a feasible method for the green vegetation monitoring research in terrestrial ecosystems.

UAV remote sensing；visible light image；difference enhanced vegetation index；green vegetation extraction

X171.1

A

1000-6923(2021)05-2380-11

周 涛(1997-),男,四川德阳人,中国矿业大学硕士研究生,主要从事矿区生态环境监测及东部高潜水位采煤沉陷型湿地生态系统监测研究.

2020-09-29

国家重点研发计划(2020YFC1806505)

* 责任作者, 教授, huzq1963@163.com