胡健波,張 璐,黃 偉,吳世紅,劉長兵

(1.水路交通環(huán)境保護技術(shù)交通行業(yè)重點實驗室 交通運輸部天津水運工程科學(xué)研究所,天津300456;2.河南理工大學(xué)測繪與國土信息工程學(xué)院,河南焦作 454000)

我國西北地區(qū)氣候干旱、多風,生態(tài)環(huán)境十分脆弱。草地植被具有改善氣候、防止水土流失等重要生態(tài)功能。植被覆蓋度是指包括喬、灌、草和農(nóng)作物在內(nèi)所有植被的冠層、枝葉在生長區(qū)域地面的垂直投影面積占生長區(qū)域面積的百分比[1],是生態(tài)系統(tǒng)健康與否的重要指示因子[2]。植被覆蓋度測量方法的好壞,直接決定了測量結(jié)果的準確度和可信度。草地植被覆蓋度的實地測量方法較多,根據(jù)采用手段不同,可大致分為目估法、采樣法和儀器法[3]。

目估法是傳統(tǒng)的快速植被覆蓋度估測方法,雖然簡單易行,但是主觀隨意性較大,測算結(jié)果跟目估對象的實際覆蓋度大小及測量人的經(jīng)驗密切相關(guān);有研究表明,個人目估最大絕對誤差可達40.4%[4]。采樣法是通過設(shè)定樣方,將一根根樣針在草地中垂直投下,記錄草葉被樣針擊中的數(shù)目,計算擊中數(shù)目占總樣針數(shù)的比值作為草地覆蓋度[5],這種方法雖然準確,但是操作復(fù)雜,且十分耗時。儀器法是使用專門的測算草地植被覆蓋度的儀器來進行作業(yè),如空間定量計、移動光量計和照相法,測量速度較快,結(jié)果客觀;其中照相法因其具有簡單、經(jīng)濟等優(yōu)勢,更是應(yīng)用廣泛[6]。隨著數(shù)碼相機的普及以及數(shù)字圖像處理技術(shù)的快速發(fā)展,照片法已越來越多地應(yīng)用于草地覆蓋度的實地調(diào)查工作中。

池宏康等[7]利用Photoshop圖像處理軟件手動提取數(shù)碼照片中綠色像素,雖然和目估法相比工作量有所降低,但是仍然較費時費力,且同樣存在主觀隨意性較大的缺點。因此,快速自動的植被覆蓋度估算方法是近年來照相法的研究熱點。Zhou和Robson[8]利用數(shù)碼照片,通過結(jié)合光譜和紋理的非監(jiān)督分類方法提取了草地覆蓋度,結(jié)果證明該方法比單純的利用k-means非監(jiān)督分類和最大似然法監(jiān)督分類,在準確程度上有了很大的提高。宋雪峰等[9]用數(shù)碼相機獲取草地樣方照片,從樣方照片數(shù)據(jù)中提取6項指標,通過分析建立邏輯判別模型計算植被覆蓋度,總體精度達到94.7%。張清平等[10]利用顏色分析軟件WinCAM,選定一致的植被與非植被的顏色標準,通過顏色比對提取植被并求得植被覆蓋度。張學(xué)霞等[11]通過選取植被和非植被的感興趣區(qū)域,分析各自的光譜信息規(guī)律,利用線性混合像元分解的方法來獲取植被覆蓋度。錢金波[12]計算過綠特征(Excess Green=2×G-R-B)植被指數(shù),并主觀設(shè)定閾值,區(qū)分植被和非植被,從而求得植被覆蓋度。張云霞等[13]把數(shù)碼照片中的綠色大于紅色和藍色并且綠色大于特定閾值的像素劃分為綠色植被。然而目前的這些草地植被覆蓋度方法均存在參數(shù)設(shè)定主觀,對照片拍攝時間和光照條件要求較高等缺點,限制了數(shù)碼照片在草地植被覆蓋度調(diào)查中的推廣應(yīng)用。本研究提出了一種利用過綠特征植被指數(shù)和半自動閾值設(shè)定算法(半自動閾值法)的從數(shù)碼照片中快速計算草地植被覆蓋度的方法,并將該方法與最大似然法監(jiān)督分類方法(最大似然法)和色度飽和度法進行了比較,旨在提出一種更加客觀、適用性更強的草地植被覆蓋度提取方法。

1 材料與方法

1.1 數(shù)碼照片采集方式 以西藏阿里地區(qū)國道219日土至區(qū)界段公路改建項目的環(huán)境影響評價工作為依托,項目地處西北干旱地區(qū),公路沿線以低覆蓋度草地為基調(diào),少量高覆蓋度的草甸只分布在河流湖泊周邊。試驗照片以公路沿線兩側(cè)的自然草地植被為主要拍攝內(nèi)容,也有部分村鎮(zhèn)的人工植被。本研究提出的方法對數(shù)碼相機的性能要求很低,任意一款能夠自動調(diào)焦的普通家用數(shù)碼相機即可滿足要求。本研究中所有照片和數(shù)據(jù)均來自索尼DSC-V1數(shù)碼相機,照片尺寸為2 592像素×1 944像素。拍攝時兩臂向前持平拿穩(wěn)相機,保持垂直向下的拍攝角度和大約1.5 m的拍攝高度。拍攝時注意:當拍攝地點存在葉片細小或狹長的植物時,可適當降低拍攝高度;當拍攝時光照條件不好時(如陰天或者非正午前后的一定時間內(nèi)),利用閃光燈作為補充光源,以減少植物葉片互相遮擋產(chǎn)生的陰影。

1.2 數(shù)碼照片植被覆蓋度提取算法

1.2.1 算法原理 數(shù)碼照片中的植被提取主要分兩個步驟:首先,構(gòu)建一個能夠突出植被特征并抑制非植被背景的植被指數(shù)(圖1);然后,設(shè)定最佳的閾值,將植被指數(shù)大于閾值的像素歸為植被,小于閾值的像素歸為背景。植物在可見光波段附近的反射光譜呈現(xiàn)出藍色、紅色強烈吸收,近紅外和綠色強烈反射的特征;基于此特征,目前植被遙感領(lǐng)域已提出大量的植被指數(shù),如歸一化植被指數(shù)(NDVI)等[14]。鑒于普通的家用數(shù)碼相機拍攝的照片不存在近紅外波段,本研究選擇過綠特征(Excess Green=2×GR-B)作為植被指數(shù)[15]。確定植被指數(shù)后,最終分類結(jié)果的好壞取決于第2步的最佳閾值設(shè)定。

圖1 樣片a、b及對應(yīng)的過綠特征植被指數(shù)

在植被指數(shù)圖中指定一條直線,得到一條過綠特征剖面曲線(圖2)。以圖2為例,在理想情況下,只有在植被和背景交界處才存在變化梯度,閾值的設(shè)定十分簡單,閾值在-15～60隨意設(shè)定均能得到幾乎同樣的準確結(jié)果;而在實際情況下,無論是植被還是背景,均存在鋸齒狀的隨機噪聲,合理的閾值應(yīng)當設(shè)定在20～30。在絕大多數(shù)實際情況下,背景噪聲凌亂,人工主觀設(shè)定最佳的閾值十分困難,需要不斷的試錯才能逐步逼近最佳值;即便如此,植被覆蓋度提取結(jié)果也會因人而異。本研究提出一種半自動閾值設(shè)定方法設(shè)定最佳閾值。

1.2.2 植被指數(shù)半自動閾值設(shè)定 植被指數(shù)半自動閾值設(shè)定方法基于如下假設(shè):植被像素的植被指數(shù)較大,背景像素的植被指數(shù)較小,而且各自的隨機噪聲引起的平均波動梯度小于植被和背景交界處的變化梯度(圖2)。當設(shè)定閾值等于t時,得到的結(jié)果是一幅二值圖(1代表植被、0代表背景),處于1和0像素交界處的像素為邊緣像素;圖2中,邊緣像素為剖面曲線與平行于x軸的直線(植被指數(shù)=t)交點。邊緣像素的平均梯度強度計算公式如下:

式中,g表示整張照片的邊緣像素的平均梯度強度,fv、fb、fj和 gv、gb、gj分別表示落在植被 、背景和邊界區(qū)域的邊緣像素百分比以及邊緣像素的梯度強度。fv、fb、fj總和等于 1,gj大于 gv和gb(根據(jù)前面的假設(shè))。

圖2 植被指數(shù)剖面曲線示意圖

最佳的t應(yīng)當使邊緣像素落在植被和背景的交界處,同時會盡可能避免落在背景和植被區(qū)域,即fj盡可能的大,而 fv和 fb盡可能的小。以一定的步長不斷嘗試不同的t,計算g;根據(jù)公式(1)可知,t最佳時即為g最大時。

然而,考慮到圖像中存在不可預(yù)料的噪聲,t值只能在某個范圍內(nèi)選取,而不能在植被指數(shù)最小值至最大值之間選取。如圖3所示,當t小于-50或者大于100的時候,邊緣像素數(shù)量極少,但是平均梯度強度卻很大;說明這個范圍內(nèi)的個別像素與周邊像素的植被指數(shù)差異很大而數(shù)量又很小,從而產(chǎn)生較大的g,屬于不應(yīng)考慮的噪聲點。因此需要人為設(shè)定t的選取范圍,本研究建議設(shè)定在邊緣像素平均梯度強度分布圖的凹谷處,如樣片a的選取范圍為0～80,樣片b的選取范圍為-30～80。本研究的草地植被覆蓋度提取方法之所以不是一種全自動的方法,就是因為需要人為設(shè)定這個閾值選取范圍進行主觀干預(yù)。

最佳閾值確定之后,即可得到植被和背景分類圖(圖4)。植被的像素數(shù)與整張數(shù)碼照片的像素數(shù)之比即為該數(shù)碼照片的植被覆蓋度。樣片a、b的植被覆蓋度分別為12.50%和67.01%。

1.3 精度驗證與方法比較 利用32張依托公路沿線的草地數(shù)碼照片作為樣本對色度飽和度法[16]、最大似然法監(jiān)督分類方法(簡稱最大似然法)以及本研究的半自動植被指數(shù)閾值設(shè)定法(半自動閾值法)這3種植被覆蓋度提取方法進行精度驗證。對每一張數(shù)碼照片,手動勾勒出植被像素,并將所得植被覆蓋度作為準確結(jié)果。對所有樣本數(shù)碼照片,將3種方法的計算結(jié)果分別與準確結(jié)果進行線性回歸分析,比較回歸系數(shù)、斜率和截距這3個參數(shù),分析3種方法的優(yōu)缺點。

圖3 樣片 a、b的邊緣像素個數(shù)及平均梯度強度分布數(shù)

圖4 樣片a、b的植被提取結(jié)果

2 結(jié)果與分析

從回歸斜率來看,3種方法的回歸斜率均小于1,存在低估的現(xiàn)象(圖5)。這主要是因為人工目視解譯時勾畫的是植物的外輪廓,包括占植物絕大多數(shù)的綠色葉片和少量的非綠色的花朵、葉片互相遮擋的陰影等;而其他3種方法只是提取植物的綠色部分。低估現(xiàn)象無法避免,低估程度存在差異。色度飽和度法的低估現(xiàn)象比較嚴重,回歸斜率為0.644 6;半自動閾值法和最大似然法比較接近,回歸斜率分別為0.861 7和0.863 3。

圖5 植被覆蓋度提取方法效果比較

從回歸截距來看,最大似然法最差,偏離0最遠,達到4.651 98;半自動閾值法和色度飽和度法偏離0較小,分別-0.765 5和-0.253 0。最大似然法存在一個較嚴重的問題,即低植被覆蓋度高估現(xiàn)象。這主要是因為植被覆蓋度低的時候,植物往往較小,往往找不到很純的植物葉片(混合像元問題)用于分類前的訓(xùn)練,訓(xùn)練的像素中帶有一定的非植被信息,使得部分顏色接近植物的背景也被歸為植被。

從回歸系數(shù)來看,最大似然法與準確結(jié)果最接近半自動閾值法次之;色度飽和度法最差。

綜上所述,最大似然法因為存在人工干預(yù)選擇訓(xùn)練像素這個過程,包含了一定的主觀糾錯功能在里面,故而計算結(jié)果與真實情況很接近,但是存在低植被覆蓋度高估現(xiàn)象。色度飽和度法雖然也有人工干預(yù)選擇參數(shù)這一步驟,但是只適用于植被簡單、背景單一的情形[16],植被和背景的色度飽和度重疊程度較高的復(fù)雜情形下,效果較差。這兩種方法的主觀干預(yù)部分都需要較為復(fù)雜且費時的操作。相比之下,本研究的半自動閾值法無論是從結(jié)果精度還是人工干預(yù)的簡便程度上,都更值得推薦。

當然,本研究的半自動閾值法同樣存在一定的缺陷,即無法準確提取綠色特征不明顯的植物,比如葉片呈灰綠色的駝絨藜(Ceratoides latens)以及各種蒿類植物。根據(jù)經(jīng)驗,這類植物的大部分葉片會被錯分成背景(圖6),造成植被覆蓋度低估。

圖6 存在藍綠色植物的草地樣片及其植被提取結(jié)果

3 結(jié)論

本研究提出了一種利用過綠特征植被指數(shù)和半自動閾值設(shè)定算法的快速從數(shù)碼照片中計算草地植被覆蓋度的方法,并將該方法和最大似然法監(jiān)督分類方法和色度飽和度法進行了比較。本研究提出的方法人工干預(yù)極少,計算過程客觀,結(jié)果比較準確可靠;而且對拍攝器材和天氣條件等外在因素要求不高,適用性強。本研究采用過綠特征作為植被指數(shù),故而該方法無法準確提取出綠色特征不明顯的植物,比如灰綠色植物。如能提出更好的可見光波段的植被指數(shù),或者數(shù)碼相機中增加近紅外波段的感光元件,可能能夠得到更準確結(jié)果。

[1] 秦偉,朱清科,張學(xué)霞,等.植被覆蓋度及其測算方法研究進展[J].西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版),2006,34(9):163-170.

[2] Gutman G,Ignatov A.The derivation of the green vegetation fraction from NOAA/AVHRR data for use numerical weather prediction models[J].International Journal of Remote Sensing,1998,19(8):1533-1543.

[3] 溫慶可,張增祥,劉斌,等.草地覆蓋度測算方法研究進展[J].草業(yè)科學(xué),2009,26(12):30-36.

[4] 章文波,符素華,劉寶元.目估法測量植被覆蓋度的精度分析[J].北京師范大學(xué)學(xué)報(自然科學(xué)版),2001,37(3):402-408.

[5] Chapman S B.植物生態(tài)學(xué)的方法[M].陽含熙,譯.北京:科學(xué)出版社,1980.

[6] White M A,Asner G P,Nemani R R,et al.Measuring fractional cover and leaf area index in arid ecosystem:Digital camera,radiation transmittance,and laser altimetry methods[J].Remote Sensing of Environment,2000,74(1):45-57.

[7] 池宏康,周廣勝,許振柱,等.草地植被蓋度的近距離遙感測定[J].草業(yè)學(xué)報,2007,16(2):105-110.

[8] Zhou Q,Robson M.Automated rangeland vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J].International Journal of Remote Sensing,2001,22(17):3457-3470.

[9] 宋雪峰,董永平,單麗燕,等.用數(shù)碼相機測定草地蓋度的研究[J].內(nèi)蒙古草業(yè),2004,16(4):1-6.

[10] 張清平,章山山,陳露,等.應(yīng)用WinCAM 軟件判識分析草坪蓋度[J].草業(yè)科學(xué),2010,27(7):13-17.

[11] 張學(xué)霞,朱清科,吳根梅,等.數(shù)碼照相法估算植被覆蓋度[J].北京林業(yè)大學(xué)學(xué)報,2008,30(1):164-169.

[12] 錢金波.祁連山狼毒蓋度地面測量與衛(wèi)星遙感估算[D].蘭州:蘭州大學(xué),2009.

[13] 張云霞,李曉兵,張云飛.基于數(shù)字相機、ASTER和MODIS影像綜合測量植被蓋度[J].植物生態(tài)學(xué)報,2007,31(5):842-849.

[14] 顧祝軍,曾志遠.遙感植被蓋度研究[J].水土保持研究,2005,12(2):18-21.

[15] 龍滿生,何東健.玉米苗期雜草的計算機識別技術(shù)研究[J].農(nóng)業(yè)工程學(xué)報,2007,23(7):139-144.

[16] Richardson M D,Karcher D E,Purcell L C.Quantifying turfgrass cover using digital image analysis[J].Crop Science,2001,41:1884-1888.