基于无人机图像的草地植被盖度估算方法比较

2022-03-26 02:16冯琦胜党菁阳雷可欣乔万鑫梁天刚潘冬荣姜佳昌
草业科学 2022年3期
关键词:植被指数荒漠植被

伏 帅,冯琦胜,党菁阳,雷可欣,乔万鑫,梁天刚,潘冬荣,孙 斌,姜佳昌

(1.草地农业生态系统国家重点实验室 / 农业农村部草牧业创新重点实验室 / 草地农业教育部工程研究中心 /兰州大学草地农业科技学院, 甘肃 兰州 730020;2.甘肃省草原技术推广总站, 甘肃 兰州 730000)

植被盖度通常指植被的茎、叶、枝等部分在地面的垂直投影面积占统计区面积的百分比,是反映植被基本情况的客观指标和重要参数,在水土保持、荒漠治理、植被资源调查等诸多方面的研究中具有重要意义[1-2]。植被盖度的估测通常采用地面样方与遥感估测结合的方式进行植被盖度的监测[3]。其中在遥感估测方面,无人机(unmanned aerial vehicle, UAV)作为地面监测和高空遥感之间的有效补充手段,具有成本低廉、灵活度高、操作简便等突出优势,已被广泛应用于生态系统监测[4]、工程测绘[5]、农业生产[6]等方面的研究中。而可见光遥感技术进一步降低了对遥感影像波段的要求、图像采集的难度和成本,尤其在区域范围的遥感作业中能发挥很大的作用[7]。目前已有很多学者将无人机技术应用到各个领域的研究中,如基于最大类间方差法对无人机照片中的冬小麦(Triticum aestivum)进行的识别研究[8];利用无人机获取草地影像,估算草地盖度和生物量的研究[9];根据无人机影像中的可见光波段提取植被信息的研究[10];使用无人机影像进行植被黄龙病的识别和监测[11]。为了从遥感影像中精确提取植被信息,国内外诸多学者构建了一系列植被指数,并成为遥感监测生态系统生产力[12]、生物量[13]、植被盖度[14]、植被识别[7]、病理识别[15]等研究的重要技术手段。目前常用的植被指数多以可见光和近红外组合的形式构建,且缺乏对植被环境的考虑,对于西北干旱荒漠地区的植被调查研究相对较少[16]。因此,迫切需要构建一种具有普遍适用性且适用于荒漠地区无人机可见光波段的植被指数。

为此,本研究以西北地区草地植被无人机影像作为研究对象,在分析荒漠草地无人机影像的地物可见光反射特点的基础上,提出了一种能够有效估测荒漠草地植被盖度的荒漠植被指数(desert vegetation index, DVⅠ),并对基于可见光波段的8 种植被指数展开对比研究,从草甸草地、典型草地、荒漠草地3 种草地类型出发分析不同植被指数估算植被盖度的效果,以期为无人机技术在植被资源调查、植被识别等方面的应用提供理论依据和参考。

1 材料与方法

1.1 数据获取

无人机图像获取于2018 年7 月19 日至8 月10日,主要对于典型草地、荒漠草地和草甸草地[17]这3 种类型的地势平坦的草地,使用大疆Phantom 4 pro无人机在天气晴朗、阳光充足的条件下于20 m 航高垂直对地进行拍摄采样,调查地域涉及新疆维吾尔自治区、内蒙古自治区和甘肃省,研究地区海拔在500 - 2000 m,气候类型以温带大陆性气候为主。每个草地类型各调查10 个样地,总计调查样地30 个。采样点分布情况如表1 所列。

表1 采样点分布及其草地类型Table 1 Distribution of sampling points and grassland types

1.2 研究方法

1.2.1 植被指数

本研究选取了基于可见光波段的8 种植被指数(表2)。这些植被指数方法常用于植被识别、盖度计算等农业数字信息提取方面的研究,具有高效、可靠的优点。

表2 植被指数公式表Table 2 Formula table of vegetation index

常见的可见光颜色空间包括RGB、Lab 以及HSV 颜色空间。RGB 颜色空间由红(R)、绿(G)、蓝(B) 3 个颜色通道组成,具有色彩表示原理简单,便于计算机实现等优点,常见的可见光植被指数多是基于RGB 颜色空间构建的;Lab 颜色空间由亮度(L)以及a、b 两个颜色通道组成;HSV 颜色空间由色调(H)、饱和度(S)、明度(V)组成,直接对应人眼视觉特性,更符合人类对颜色的认知[26]。

为了提高无人机影像对荒漠草地植被和非植被的识别精度,考虑到归一化植被指数(normalized difference vegetation index, NDVⅠ)是常用的增强影像中植被信息的有效手段[27],故借鉴其构建原理,在考虑荒漠草地植被可见光反射特点的基础上,提出一种基于可见光的植被指数。通常情况下,绿色植物在绿光波段有强反射,在蓝光和红光波段有强吸收,植被指数通过强化绿光反射的方式区别植被和非植被[28]。在荒漠草地中,植被的绿光反射效果不佳,可能导致植被指数的绿光强化效果较差,进而导致植被识别效果较差[29]。然而植被的可见光吸收率往往大于非植被,可以根据影像的明与暗、颜色的饱满程度区分植被与非植被,即通过强化HSV 颜色空间的饱和度和明度的差异,更有效地区分植被与非植被。基于HSV 颜色空间构建的荒漠植被指数(DVⅠ),其计算公式:

式中:s、v分别为HSV 颜色空间的饱和度、明度灰度值。

1.2.2 草地盖度计算

采用阈值法计算草地无人机图像的盖度。首先进行植被指数计算,使影像中的每一个像元均得到一个植被指数值,然后设置一个阈值与每一个像元的植被指数值进行比较,若像元的植被指数值大于阈值,则该像元归为植被,否则归为非植被,将影像二值化得到二分像元模型,不断调整阈值大小直到得到最符合原影像植被分布情况的二分像元模型,最后将二分像元模型中的植被像元数量占总像元数量的百分比作为该影像的植被盖度值[30-31]。因为植被指数阈值的确定是盖度计算的关键,本研究取3 次阈值的平均值作为最终适用阈值。

1.2.3 参考数据

利用Photoshop 2020 软件对草地无人机影像进行处理,勾勒出草地无人机图像中的植被与非植被部分,并将图像二值化构成二分像元模型,将二分像元模型中的植被像元数量占总像元数量的百分比作为该影像的植被盖度参考值。为减少主观性误差,植被盖度参考值取3 次处理的平均值。图1 为无人机影像处理流程图。

图 1 无人机影像处理流程Figure 1 Processing flow of UAV images

1.3 精度评价

确定每张草地植被盖度参考值与估测值后,统计每一种植被指数估算结果的平均绝对误差(mean absolute error, MAE)和均方根误差(root mean squared error, RMSE),用来描述各种盖度估算方法的精度,以比较不同方法的优劣。

式中:x′为草地盖度参考值,xi为草地盖度估测值,n为总样本数。

为了进一步客观评价各种植被指数的草地盖度计算精度,本研究将1.2.3 部分得到的二分像元模型和1.2.4 部分得到的参考二分像元模型在像元水平上进行对比分析,构建混淆矩阵。本研究以准确率(accuracy, A)、精确率(precision, P)、召回率(recall,R)、特异度(specificity, S)以及F1得分作为精度评价指标。

式中:TP表示将正例划分为正例数;FP表示将负例划分为正例数;TN表示将负例划分为负例数;FN表示将正例划分为负例数。A表示样本中所有正确划分的数量占总数的比例;P表示在所有划分为正例的样本中,将正例划分为正例数所占的比例;R表示所有正例样本中,将正例划分为正例数所占的比例;S表示在所有反例样本中,将反例划分为反例数所占的比例;F1得分表示模型输出的好坏。本研究中正例代表植被像元模型,反例代表非植被像元模型。

2 结果与分析

2.1 误差统计

从总体上来看,所有植被指数草地盖度估测值的误差较小,大部分结果的平均相对误差MAE 小于5%,其中ExGR 和COM 两种植被指数在3 种草地类型下的草地盖度估测MAE 总和均小于5%;每种植被指数的草地盖度估测误差的均方根误差RMSE 与平均相对误差MAE 表现一致,即MAE 较高的植被指数,其RMSE 也相对较高(表3)。

表3 草地植被盖度估测误差表Table 3 Estimation error table of grassland coverage

2.2 精度评价

各种植被指数构建的二分像元模型准确率大部分高于90% (图2)。草甸草地类型中,ExG 植被指数的二分像元模型准确率最高,为93.21%,其他的均高于90%;典型草地类型中,CⅠVE 植被指数的二分像元模型准确率最高,为92.18%,WⅠ植被指数的二分像元模型准确率低于90%,其他的均高于90%;荒漠草地类型中,各植被指数的二分像元模型准确率均高于90%,无明显差异。草甸草地和典型草地下的二分像元模型精确率和召回率普遍高于荒漠草地,说明这些植被指数对于荒漠草地的二分像元模型植被部分通常具有较差的估测性能。从草甸草地和典型草地类型来看,各植被指数构建的二分像元模型对于植被部分具有较高的精度,精确率均高于94%,召回率均高于90%。从荒漠草地类型来看,所有植被指数的二分像元模型对于植被部分的估测精度均偏低, 精确率大部分在85%以下,召回率大部分在50%以下。对比另外两种草地类型,这表明现有的这些植被指数具有比较明显的缺陷,即具有较差的荒漠草地植被识别效果。植被指数关于荒漠草地类型的特异度非常高,特异度均在96%以上,最大达到98.4%,而关于草甸草地和典型草地两种类型的特异度均偏低,典型草地的特异度最低。F1得分是精确率和灵敏度的调和平均数,能够对植被指数构建的二分像元模型的估测精度进行综合评价,F1得分越接近1,则说明这种方法的二分像元模型精度越高。草甸草地类型的F1得分最高的为ExG 植被指数,超过0.95,其他植被指数的F1得分均在0.90 以上;典型草地类型中,各植被指数的F1得分均在0.93 以上;荒漠草地类型中,各植被指数的F1得分均处于较低的数值,大多的F1得分低于0.6。

图2 基于植被指数的像元二分模型的精度评价结果Figure 2 The accuracy of the dimidiate pixel model based on vegetation index

2.3 DVI 精度评价

DVⅠ指数的植被盖度估测具有较小的误差(图3),MAE 和RMSE 均为3%;准确率达到93%,为所有植被指数的最大值;精确率为86%,高于上述大多数植被指数;召回率高达63%,而其他植被指数均不及50%,与其他植被指数的差值最大达到20%;F1得分达到0.71,而其他植被指数均在0.60 以下。根据精度评价结果,DVⅠ植被指数相较于其他植被指数具有显著的荒漠草地植被盖度估测优势,能够有效弥补传统植被指数对于荒漠草地植被盖度估测效果差的缺陷。

图3 荒漠草地的植被盖度估测精度比较图Figure 3 Comparison of accuracy of vegetation cover estimation in desert grasslands

2.4 阈值分析

选取不同草地类型的所有图像,分析各植被指数平均阈值差异,结果如表4 所列。草甸草地和典型草地类型的阈值比较接近。CⅠVE、GLⅠ植被指数的阈值相同,变化幅度最小;ExG、ExGR、VEG 植被指数阈值波动在0.01 以内,变化幅度较弱;WⅠ植被指数的阈值变化为0.03,变化幅度弱;COM 植被指数的阈值变化为0.06,变化幅度较大;Lab 植被指数的阈值变化超过1.00,变化幅度最大。相对与其他两种草地类型,荒漠草地类型的阈值差异较大。GLⅠ植被指数阈值差异为0.01,差异最小; CⅠVE 的阈值差异为0.03,差异较小;ExG 植被指数的阈值差异为0.04~0.05,差异较大;其余植被指数阈值差异均大于0.10,Lab 阈值差异最大,超过10。综上,在进行阈值选取的过程中,GLⅠ和CⅠVE 植被指数可以不必考虑草地类型的变化;ExG、ExGR、VEG、WⅠ等植被指数可以不考虑草甸草地和典型草地类型的变化,但需要考虑荒漠草地类型的影响;COM和Lab 则需要考虑各种草地类型的影响。

表4 不同草地类型阈值变化情况Table 4 Changes of threshold under different types of grasslands

3 讨论

本研究选取的8 种植被指数对荒漠草地的植被盖度估测效果较差,而DVⅠ植被指数具有较高的估测精度,这可能与植被指数的颜色空间特性和荒漠草地植被特征有关。通常,植被指数是基于各自颜色空间,组合运算各颜色通道以突显绿色与其他颜色的差异来达到分离绿色植被的效果[28]。然而荒漠草地植被的绿度通常不如其他草地类型植被,甚至一些植被呈现褐色或黄褐色,同时荒漠草地非植被颜色更接近黄色,植被和非植被部分难以从颜色层面区分[29]。因此,基于RGB 颜色空间和Lab 颜色空间的植被指数难以在荒漠草地发挥作用。基于HSV颜色空间构建的DVⅠ植被指数避开了颜色通道这个难题,从饱和度和明度两个通道区分植被与非植被区域,更符合荒漠草地类型的植被特征。

本研究通过植被指数估测草地盖度,将盖度估测结果与参考数据对比得到了不同植被指数的草地盖度估测效果差异。参考数据的可靠性是研究结果是否准确的关键因素之一,传统的参考数据的获取方法主要有样方布设法,即在样地区域内按照一定规律或随机布设若干等大小的小样方框,取这些样方框内草地的平均盖度为参考数据,野外草地调查常用五点布样法布设样方。但是样方布设法终究只是获取了大范围草地区域的局部部位,样地的植被分布不均匀,则可能产生较大的误差,难以准确地代表整体样地的真实情况。故本研究对草地无人机图像整体进行人工处理,取最适结果作为参考数据。

误差统计反映了植被指数估测盖度值与参考盖度值之间的差异,能够一定程度上表示盖度估测效果的优劣。但是误差统计无法反映像元层面的估测效果,这样的评价是不全面的。如本研究中各植被指数的盖度估测误差均较小,但根据像元层面的精度评价结果来看,荒漠草地的盖度估测精度却很低。因此对各植被指数的盖度估测效果进行全面客观评价应综合考虑误差统计和二分像元模型两个不同层面的结果。

综合误差统计和精度评价的结果来看,草甸草地和典型草地的结果较为一致,各植被指数均具有较高的植被盖度估测精度。草甸草地中,ExG 植被指数的盖度估测具有最高的精度和最小的误差,其F1得 分 大 于0.95,MAE 为1.65%,其 余 植 被 指 数F1得分均大于0.9,MAE 均小于5%;典型草地中,各植被指数的盖度估测精度均较高且无明显差异。各植被指数均具有较低的荒漠草地盖度估测精度,F1得分通常低于0.6,而这一缺陷未在误差统计中表现出来。本研究提出的DVⅠ植被指数很好地弥补了上述植被指数的缺陷,其荒漠草地植被盖度估测精度较高。

4 结论

本研究对比分析了8 种植被指数在不同草地类型下的植被盖度估测效果差异,并提出了适用于荒漠草地植被盖度估测的植被指数DVⅠ。研究结果表明:VER、ExG、ExGR、GLⅠ、CⅠVE、COM、WⅠ和Lab 8 种植被指数对草甸草地和典型草地的盖度估测效果较好,精度较高。草甸草地中ExG 植被指数盖度估测效果最好,典型草地中各植被指数无明显差异。8 种植被指数对荒漠草地植被盖度估测效果较差,精度较低。DVⅠ具有较高的荒漠草地植被盖度估测精度,能够有效弥补上述植被指数的缺陷。GLⅠ和CⅠVE 植被指数的阈值对草地类型敏感性最弱,阈值的确定可不必考虑草地类型的影响;ExG、ExGR、VEG、WⅠ等植被指数的阈值对草甸草地和典型草地的变化敏感性较弱,但对荒漠草地的敏感性较强;COM 和Lab 植被指数对草地类型的敏感性最强。

猜你喜欢
植被指数荒漠植被
基于高分遥感影像的路域植被生物量计算
向荒漠宣战
基于Landsat-8影像数据的北京植被覆盖度时空特征与地形因子的关系
沙漠、荒漠傻傻分不清
追踪盗猎者
第一节 主要植被与自然环境 教学设计
荒漠水塘
浅谈植被指数的分类与应用