祁 媛，徐偉誠，王林琳，賈瑞昌，蘭玉彬，張亞莉

(1 華南農(nóng)業(yè)大學 工程學院，廣東 廣州 510642； 2 國家精準農(nóng)業(yè)航空施藥技術(shù)國際聯(lián)合研究中心，廣東 廣州 510642；3 華南農(nóng)業(yè)大學 電子工程學院/人工智能學院，廣東 廣州 510642)

沙糖橘是我國嶺南地區(qū)的重要水果，需要優(yōu)質(zhì)的種植地和高質(zhì)量的栽培管理保證產(chǎn)量和口感。為了確保當?shù)剞r(nóng)村的支柱產(chǎn)業(yè)有效平穩(wěn)地發(fā)展，需要對沙糖橘的果樹長勢進行監(jiān)測。提取果園中的沙糖橘果樹對分析植被分布影響因素和評價果樹生長環(huán)境有重要意義。

無人機作業(yè)靈活，作業(yè)效率高，影像分辨率高，與傳統(tǒng)衛(wèi)星遙感影像和人工地面采集數(shù)字影像方法形成互補趨勢，在各領(lǐng)域的遙感監(jiān)測中發(fā)揮重要作用[1-4]。國內(nèi)外學者基于無人機遙感影像技術(shù)和植被指數(shù)模型對植被信息的提取進行了大量研究。Xu等[5]利用無人機平臺收集農(nóng)田的可見光遙感圖像，監(jiān)測和提取耕地的可見光植被指數(shù)獲取其面積、形狀和地理位置信息；Choi等[6]運用固定翼無人機獲取多光譜圖像，建立沙丘的植被指數(shù)模型，對沙丘的部分植被覆蓋進行估算；Zhang等[7]統(tǒng)計分析得到9種可見光植被指數(shù)與玉米、棉花、甘蔗和水稻4種植被覆蓋度之間的關(guān)系，發(fā)現(xiàn)每種作物對應的最佳植被指數(shù)不一定相同，對應的植被覆蓋度模型準確度也不相同；高永平等[8]通過無人機獲取荒漠區(qū)的可見光圖像，建立植被指數(shù)與植被覆蓋度的關(guān)系模型，成功以高精度提取荒漠區(qū)中的植被。

上述研究的共同點是通過無人機遙感獲取可見光圖像，利用一種或幾種可見光植被指數(shù)提取植被信息。遙感圖像不僅包含光譜特征，還具有空間特征和紋理特征。本研究運用無人機影像，結(jié)合空間特征中的高度模型與6種可見光植被指數(shù)模型，對沙糖橘果樹的提取精度進行對比分析，以期獲得一種簡單、方便、有效的沙糖橘植被提取方法，擴大無人機遙感技術(shù)在果園中的應用，為我國果園果樹的監(jiān)測提供參考。

1 材料與方法

1.1 無人機影像數(shù)據(jù)的獲取

研究地點位于廣東省肇慶市四會市果園(23°36′N，112°68′E)，亞熱帶季風氣候，雨熱充足，適合沙糖橘的生長。試驗地概況如圖1所示。

圖1 試驗地概況Fig. 1 The overview of experimental site

試驗采集平臺為深圳大疆精靈4無人機，配備6.17 mm×4.55 mm的2 000萬像素CMOS傳感器，無需在特定的場地起飛與降落，可在空中長時間懸停，配備的RTK和六向視覺傳感器使飛行更加安全穩(wěn)定。試驗數(shù)據(jù)采集于2020年6月2日，如圖2所示，飛行高度為100 m，巡航速度為20 km/h，飛行航線的旁向和航向重疊度均為80%，單次采集320張RGB圖像，圖像分辨率為5 472像素×3 648像素，地面分辨率為3.66 cm。通過Pix4DMapper軟件對圖像進行拼接，獲得試驗地的正射圖像和數(shù)字表面模型(Digital surface model)，如圖3所示。

圖2 試驗數(shù)據(jù)采集Fig. 2 Experiment data collection

1.2 果樹植被覆蓋度的提取方法

圖3 正射圖和數(shù)字表面模型Fig. 3 Orthophoto and digital surface model

1.2.1 植被指數(shù)的選取 遙感領(lǐng)域中使用大量的植被指數(shù)評價植被覆蓋度及生長情況，但目前基于可見光波段的植被指數(shù)相對較少。本研究參考目前研究相對較多且精度較高的可見光植被指數(shù)，選取了6種植被指數(shù)：超紅指數(shù)(Excess red index)[9]、超綠指數(shù)(Excess green index)[10]、超藍指數(shù)(Excess blue index)[11]、可見光波段差異植被指數(shù)(Visible band differential vegetation index)[5]、紅綠比指數(shù)(Red-green ratio index)[12]、藍綠比指數(shù)(Blue-green ratio index)[13]。這6種植被指數(shù)的計算公式和理論區(qū)間如表1所示。

表1 可見光植被指數(shù)Table 1 Vegetation indexes based on visible spectrum

1.2.2 閾值的確定和植被信息的提取 基于無人機遙感圖像的植被提取的關(guān)鍵在于選取合適的閾值區(qū)分植被和非植被，本研究選取雙峰閾值法提取沙糖橘果樹和非果樹。雙峰閾值法通常是選取2種地物，生成具有2個明顯波峰的直方圖。這2個波峰分別對應所選對象較多數(shù)目的像元，波峰之間的波谷則對應所選對象邊緣相對較少數(shù)目的像元，一般選擇兩峰之間的最低點或者交點作為最佳閾值[14-15]，示意圖如圖4所示。果樹與非果樹的直方圖具有明顯的雙峰性質(zhì)，因此該方法可以呈現(xiàn)較好的分割效果。

圖4 雙峰閾值法示意圖Fig. 4 Schematic diagram of the double peak threshold method

利用遙感信息提取植被的方法中，面向?qū)ο蟮姆诸惣夹g(shù)是將集合臨近像元作為對象，識別感興趣的光譜元素來提高分類結(jié)果的精度或者實現(xiàn)矢量輸出，此法充分利用多光譜數(shù)據(jù)的空間、紋理和光譜信息進行分割和分類[16]。本研究通過基于規(guī)則的面向?qū)ο蠓诸惙椒?，根?jù)其空間特征和光譜特征對對象進行分類，克服像元層次分類中的不足，具有良好的平滑性和較高的分類精度[17]。采用此分類方法從光譜和形狀2個方面刻畫果樹和非果樹像元，通過ENVI軟件設(shè)定、提前統(tǒng)計完成的閾值規(guī)則，對上述6種植被指數(shù)模型進行果樹與非果樹的分類，能夠有效地提供對象的幾何和拓撲信息，更精準地提取出果樹。

1.2.3 數(shù)字表面模型中的植被信息提取 可見光植被指數(shù)主要反映植被在可見光下反射與土壤背景之間的差異，在一定條件下可定量說明植被的生長情況。但是僅根據(jù)植被的光譜特性對植被進行提取，很難有效地解決同譜異物與同物異譜的問題，從而造成錯分漏分且分類精度低。數(shù)字表面模型包含了地表果樹和非果樹等高度的地面高程模型，涵蓋了除去地面以外的其他地表信息的高程，可以最真實地表達果園地面的起伏情況，如圖5所示。數(shù)字表面模型有益于區(qū)分果園中果樹和草地這2類色調(diào)相類似的地物。本文擬將6種可見光植被指數(shù)計算結(jié)果圖像與數(shù)字表面模型進行融合，加入果樹與非果樹的高程信息，使用基于規(guī)則的面向?qū)ο蠓诸惙椒ㄟM行果樹的提取，并將得到的分類精度與使用單一可見光植被指數(shù)的植被提取精度進行對比。

圖5 數(shù)字表面模型高程示意圖Fig. 5 Elevation diagram of digital surface model

1.2.4 植被信息提取結(jié)果的評價方法 目前較為常用的植被提取評價方法是通過人機交互的方式，利用感興趣區(qū)域把試驗地塊分為植被像元和非植被像元，結(jié)合地面調(diào)查數(shù)據(jù)和圖像真實狀態(tài)進行目視解譯。此法受人力物力等條件的限制，不適合作為復雜大區(qū)域下的植被指數(shù)覆蓋度提取精度評價。本研究使用混淆矩陣進行準確性評價，該矩陣是評估分類模型精度的一種可視化顯示工具，通過目視判讀的方法在遙感圖像上各選取60個果樹與非果樹區(qū)域作為驗證樣本，樣本的采樣遵循隨機原則，確保選擇每個單個樣本的概率完全相同。將每個實測像元的位置和分類與圖像中相應的位置和分類相比較獲得分類精度，并根據(jù)以下公式計算Kappa系數(shù)(K)。

式中，p0是總體分類精度，pe是機遇一致性，n是混淆矩陣方程的階，N是樣本總數(shù)，anbn是列(行)中所有值的總和。

2 結(jié)果與分析

2.1 可見光植被指數(shù)的計算與分析

以無人機采集的遙感影像作為數(shù)據(jù)源，根據(jù)表1的公式分別計算各可見光的植被指數(shù)，植被和非植被可以清晰地呈現(xiàn)，計算結(jié)果如圖6所示。

為了更好地對比這6種可見光植被指數(shù)的提取結(jié)果，本研究只提取果樹，將地物分為果樹和非果樹，每種地物選取100個感興趣區(qū)域進行統(tǒng)計，并統(tǒng)計特征值。由表2可知，這6種可見光植被指數(shù)在植被信息和非植被信息之間差異較大，無重疊交叉部分，對于利用可見光進行植被信息識別具有較好的效果。

2.2 植被信息提取與精度評價

為獲取通過這6種可見光植被指數(shù)進行植被信息提取時的閾值，本研究通過ENVI軟件統(tǒng)計分析沙糖橘果樹與非果樹的直方圖。本研究試驗時天氣晴朗，忽略天氣因素對圖像處理結(jié)果的影響。從圖7可知，6種可見光植被指數(shù)的直方圖呈明顯的雙峰分布，表明相對應的地物區(qū)分性較強，適合可見光波段植被信息的提取，并且果樹像元與非果樹像元的峰值相差較大，在圖像中易于選擇合適的數(shù)值作為分割閾值。

根據(jù)確定的閾值，利用基于規(guī)則的面向?qū)ο蠓诸惙椒?，設(shè)定閾值規(guī)則，進行植被信息的提取，得到6種可見光植被指數(shù)對應的植被分類提取結(jié)果。以無人機遙感圖像作為數(shù)據(jù)源，根據(jù)目視判讀在圖像上選取60個果樹和60個非果樹的驗證樣本，將分類結(jié)果當作真值，分別對這2種地物的分類結(jié)果計算混淆矩陣，得到各可見光植被指數(shù)的提取精度評價(表3)。6 種可見光植被指數(shù)對應的植被分類提取結(jié)果如圖8所示。從表3和圖8可以看出，果樹的提取精度均在99%以上，提取精度較好；非果樹的提取精度較低，主要原因是非果樹區(qū)域的草地部分色調(diào)與果樹相似，易導致將草地分為果樹，造成錯分現(xiàn)象。

圖6 6種可見光植被指數(shù)計算結(jié)果Fig. 6 Calculation results of six visible light vegetation indexes

表2 基于感興趣區(qū)域的6種可見光植被指數(shù)的統(tǒng)計值Table 2 Statistics of six visible light vegetation indexes based on region of interest

圖7 6種可見光植被指數(shù)統(tǒng)計直方圖Fig. 7 Statistical histograms of six visible light vegetation indexes

2.3 結(jié)合數(shù)字表面模型的提取與精度評價

基于“2.2”的提取結(jié)果和提取精度，非果樹區(qū)域中的草地部分被錯分成了果樹，導致非果樹的提取精度和總精度降低。在數(shù)字表面模型中，沙糖橘果樹和其他地物的高度具有較大差異，可以清晰地呈現(xiàn)出不同的亮度值。因此，我們將數(shù)字表面模型和上述6種可見光植被指數(shù)進行波段融合，提高草地的提取精度和提取結(jié)果的總精度。

同樣利用基于規(guī)則的面向?qū)ο蠓诸惙椒?，對融合后的波段進行植被信息的提取，得到結(jié)合數(shù)字表面模型的6種可見光植被指數(shù)對應的植被分類提取結(jié)果，如圖9所示。依然使用60個果樹和60個非果樹的驗證樣本，將分類結(jié)果當作真值，分別對這2種地物的分類結(jié)果計算混淆矩陣，得到融合波段各植被指數(shù)的提取精度評價，結(jié)果如表4所示。6種結(jié)合后的植被指數(shù)混淆矩陣中，總體分類精度分別為 98.77%、97.27%、97.44%、97.67%、97.84%和97.84%，相較于對應的未結(jié)合數(shù)字表面模型的植被指數(shù)精度均有小幅度提升；非果樹的提取精度分別提高了8.22%、8.77%、0.86%、8.27%、7.97%和5.53%；表明數(shù)字表面模型與可見光植被指數(shù)圖像結(jié)合適用于提高非果樹的提取精度，有效抑制和果樹同為綠色的草地信息，不會過多地造成錯分現(xiàn)象。

表3 6種可見光植被指數(shù)的植被提取精度評價Table 3 Accuracy assessments of vegetation extraction for six visible light vegetation indexes

圖8 6種可見光植被指數(shù)的植被信息提取結(jié)果Fig. 8 Vegetation extraction results of six visible light vegetation indexes

圖9 結(jié)合數(shù)字表面模型的6種可見光植被指數(shù)信息提取結(jié)果Fig. 9 Extraction results of six visible light vegetation indexes combined with digital surface model

表4 6種可見光植被指數(shù)融合數(shù)字表面模型提取精度評價Table 4 Accuracy assessments of vegetation extraction for six visible vegetation indexes combined with digital surface model

3 結(jié)論

本研究在現(xiàn)有的可見光植被指數(shù)的植被提取基礎(chǔ)上，提出了結(jié)合數(shù)字表面模型中的高程信息進一步提取果樹和非果樹的方法。在得到可見光植被指數(shù)(超紅指數(shù)、超綠指數(shù)、超藍指數(shù)、可見光波段差異植被指數(shù)、紅綠比指數(shù)、藍綠比指數(shù))的計算圖后，分析各植被指數(shù)的光譜特征和統(tǒng)計直方圖，獲得提取植被覆蓋度合適的閾值，進行果樹信息的提取。數(shù)字表面模型與可見光植被指數(shù)波段融合后的總體精度均大于97%，且非果樹的提取精度均有所提升。超紅指數(shù)與數(shù)字表面模型結(jié)合后的總精度最高，為98.77%，Kappa系數(shù)為0.956 7，植被信息提取精度不同程度地優(yōu)于其他5種可見光植被指數(shù)與數(shù)字表面模型結(jié)合后的提取精度?？梢姽庵脖恢笖?shù)結(jié)合數(shù)字表面模型提取植被信息的方法可有效區(qū)分與果樹色調(diào)相類似的地物，提高此類地物的提取精度，減少錯分概率。本研究的研究對象為沙糖橘果樹和非果樹，下一步的研究重點是將此法推廣至其他不同作物上，進一步驗證其適用性。