基于无人机影像的可见光波段植被信息识别

该文通过对6种典型地物在无人机影像可见光波段的光谱特性分析,提出一种基于红、绿、蓝波段的可见光植被指数—超绿红蓝差分指数EGRBDI(excess green-red-blue difference index),并运用该植被指数与18种基于可见光波段的植被指数进行精度比较研究。研究表明,在利用均值和1倍标准差获得的区间范围内,EGRBDI各地类之间的信息无重叠交叉现象;该指数能对植被覆盖相对稀疏区域进行植被信息识别,其总体精度为97.67%,Kappa系数为0.9415,较其他18种指数具有更好的植被信息识别能力。利用不同地物覆盖情况的3幅无人机影像作为数据源,对EGRBDI适用性和稳定性进行研究,结果表明,在3个研究区中,基于EGRBDI的植被信息识别总精度均高于93%,Kappa系数均大于0.85,提取精度受地物类型差异影响的波动性较小,能较好地削弱影像中阴影等因素的影响,具有较好的适用性、可靠性和提取精度。     

基于低空可见光谱的植被覆盖率计算

[目的]将低空遥感技术应用到水土保持设施验收中,从可见光谱遥感影像提取区域植被信息,提出可准确、客观计算水土保持设施验收指标中植被覆盖率的方法,以减少工作人员的业外工作量,提高测算效率。[方法]将仅含有可见波谱信息的低空遥感图像作为研究对象,在利用植被指数红绿比指数(RGRI),过绿指数(EXG),可见光波段差异植被指数(VDVI),归一化绿蓝差异指数(NGBDI)和归一化绿红差异指数(NRGRDI)分析图像波谱特性的基础上,采用双峰直方图法和最大熵值法确定各植被指数的阈值,再使用ENVI软件提取图像的植被信息,并计算植被覆盖率,与参照结果进行比对。[结果]利用可见光谱差异指数(VDVI)提取的植被信息精度高达95.32%。由此计算得到的植被覆盖率为54.43%,与实际情况最为接近。[结论]基于可见光谱遥感影像计算植被覆盖率的方法具有可行性,该方法人工干预少,结果准确度高,可为水土保持设施验收提供实时的数据支撑。     

一种提取不透水面的可见光波段遥感指数

为了从高分辨率无人机影像中获取准确的城市不透水面信息,在可见光波段范围内建立绿-蓝光谱特征空间,综合土壤线及不透水面线,构造了能够将土壤、植被像元与不透水面像元有效分离的绿-蓝不透水面指数。以广州市局部地区的GF-2号影像为验证数据对比及分析垂直不透水层指数、比值居民地指数以及绿-蓝不透水面指数的提取结果,以验证绿-蓝不透水面指数的可行性与提取精度。同时,将眉山市洪雅县部分地区的无人机正射影像作为试验数据进行不透水面提取。结果表明,在3个不透水面提取指数的横向对比中,绿-蓝不透水面指数和垂直不透水层指数的提取结果总体精度相同,验证了绿-蓝不透水面指数的有效性。在对无人机正射影像的不透水面提取中,得益于无人机低空摄影技术能够获取地形特征的特点,解决了建筑物屋顶因植被覆盖导致的错分问题,提取结果总体精度达到了96.95%,Kappa系数为0.936 1。试验证明了绿-蓝不透水面指数能够代替归一化差值不透水面指数、垂直不透水层指数、比值居民地指数等,应用于无人机遥感影像的不透水面信息提取中。     

黄土丘陵沟壑区枯枝落叶层和土壤的光谱差异特征分析

枯枝落叶层在植被防止土壤侵蚀的功效中发挥着主导作用,枯落层的光谱特征分析将为遥感估算枯落层盖度提供重要依据。该文利用陕北延河流域典型植被群落土壤和枯落层样本的光谱测试数据,分析土壤和枯落层在在可见光-近红外波段(400~1 100 nm)和短波红外波段(1 100~2 500μm)的光谱差异特征及主要影响因素,并进一步评价归一化植被指数(NDVI,normalized difference vegetation index)和归一化衰败植被指数(NDSVI,normalized difference senescent vegetation index)、归一化差值耕作指数(NDTI,normalized difference tillage index)、纤维素吸收指数(CAI,cellulose absorption index)等植被指数区分土壤和枯落层的有效性。结果表明,在可见光-近红外波段土壤和枯落层的反射光谱特征相似,两者难以区分,但在短波红外波段的1 700和2 100 nm处因枯落层具有纤维素吸收特征而与土壤存在差异。含水量对土壤和枯落层反射光谱特征的影响强烈,水分的存在降低了土壤和枯落层在整个光谱范围的差异性。光谱空间中枯落线和土壤线的关系表明,NDVI指数难以反映土壤和枯落层的光谱差异特征;由于宽波段的影响,利用多光谱指数NDSVI和NDTI表征枯落层信息具有一定的局限性;高光谱指数CAI利用了枯落层与土壤在2 100 nm处的差异特征,能够较好地区分出土壤与枯落层,该研究为利用遥感技术有效提取枯落层等衰败植被信息提供了新的途径。     

基于面向对象和无人机影像的黄土高原丘陵区小流域梯田提取研究

精确提取梯田对于水土保持动态监测和评价非常必要,建立黄土高原小流域梯田提取技术流程可为水土流失防治提供技术支持。以甘肃省天水市水土保持科学试验站坚家山小流域为研究区域,采用无人机影像数据,基于尺度参数评估工具以影像的纹理特征为输入层,确定最优分割尺度参数;选用光谱特征和可见光植被指数为分类特征,使用面向对象分类方法对梯田进行提取。结果表明：(1)以局部方差变化率101作为多尺度分割的尺度参数时,梯田边界明显,光谱、纹理和形状特征对于描绘梯田边界具有巨大的潜力;(2)采用可见光植被指数植被颜色指数(CIVE)、超绿指数(EXG)、超绿超红差分指数(EXGR)、绿蓝比值指数(GBRI)、绿红比值指数(GRRI)、归一化蓝绿差异指数(NGBDI)、可见光波段差异植被指数(VDVI)、Woebbecke指数(WI)分别作为梯田提取的分类特征,其中,EXG植被指数精度最高,梯田提取精度为72.60%,并提出一种基于最邻近分类器以综合指数(CIVE、WI、EXG、EXGR)为分类特征,建立分类阈值的梯田提取方法,梯田提取精度为91.20%,相较于以单植被指数的分类方法精度提高18.60%。研究基于...     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

小型低空无人机（unmanned aerial vehicle, UAV）机动灵活、操作简便，可以按需获取高空间分辨率影像，是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题，该研究以DJI S1000+无人机为平台，搭载法国Parrot Sequoia相机，获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像，采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数，所构建的植被指数包括归一化植被指数（normalized difference vegetation index，NDVI）、叶绿素指数（grassland chlorophyll index，GCI）、比值植被指数（ratio vegetation index，RVI）、归一化红边红指数（normalized difference rededge-red index，NDIrer）、归一化红边绿指数(normalized difference rededge-green index，NDIreg)和重归一化植被指数(renormalized difference vegetation index，RDVI)，通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析，以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数，以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现，在分辨率为0.6 m时，NDVI与地面实测LAI之间的决定系数R2为0.80，决定系数达到了最大，利用该分辨率下的NDVI反演得到的LAI验证精度R2达到了0.73；在分辨率为0.1 m时，NDIreg与地面实测叶绿素含量之间的决定系数R2为0.70，决定系数达到了最大，利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R2达到了0.63。因此得出结论：1）植被指数的选择：① 对于玉米冠层LAI的反演来说，不包含绿波段的植被指数的LAI反演精度较高，这说明绿波段对LAI的变化不敏感；② 对于玉米冠层叶绿素含量反演来说，包含红边波段的植被指数的反演精度较高，因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m，此时NDVI与实测LAI的决定系数达到最大；反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内，此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。     

植被参数高光谱遥感反演最佳波段提取算法的改进

高光谱信息量巨大,如何选取最佳组合波段构建高精度光谱模型,是植被参数遥感反演模型研究的重要工作基础。该研究将最佳指数与相关系数通过熵权评价值进行融合,提出最佳指数-相关系数法(optimum index factor and correlation coefficient,OIFC)。基于OIFC法选取了小麦叶片叶绿素含量的最佳组合波段,并利用最佳组合波段的高光谱数据建立小麦叶片叶绿素含量预测模型。结果表明:利用OIFC法所提取的小麦叶绿素最佳组合波段是760、1 860、1 970 nm;对比最佳指数法(optimum index factor,OIF)、最大相关系数法(maximum correlation coefficient,MCC)提取波段以及归一化植被指数(normalized difference vegetation index,NDVI)、土壤调和植被指数(soil-adjusted vegetation index,SAVI)所建立的叶片叶绿素含量高光谱模型,基于OIFC法构建的模型预测值与实测值具有显著的线性关系,决定系数达0.827,且均方根误差最小(RMSE=5.44)。可见,基于OIFC法构建的小麦叶绿素含量模型具有更高的精度,该结果验证了利用OIFC法提取高光谱特征波段的可行性,并且能够获得更高建模精度的特征波段。     

基于多特征决策树的建设用地信息提取

城乡交接带的土地利用/覆盖类型兼具城镇和农村的典型特征。为了解决土地覆盖类型复杂、存在"同谱异物"现象的西部山区环境中建设用地信息难以精确提取的问题,该文提出一种包含多个特征节点的决策树分类法,该方法以Landsat-8影像为主要数据源,以决策树分类法为框架,结合地物光谱特征及空间特征,建立以4种归一化指数(归一化三波段指数normalized difference three bands index,NDTBI;归一化建筑指数normalized difference building index,NDBI;改进的归一化水体指数modified normalized difference water index,MNDWI;归一化植被指数normalized difference vegetation index,NDVI)、支持向量机(support vector machine,SVM)分类结果和河流缓冲区作为特征节点的决策树分类器,对贵州省毕节市城乡交接带建设用地专题信息进行提取。NDTBI是该文新构建的指数,取名为归一化三波段指数,目的是为了弥补归一化建筑指数NDBI的不足;支持向量机分类结果的使用在多指数法的基础上提高了地物的可分离性;以构建河流缓冲区的方式加入的地物空间信息,进一步提高了信息提取的精确性。由于决策树特征节点的构建过程是利用先验知识来优化特征值和提高精度的过程,克服了利用单一指数法、多指数法及单独使用模式识别法中出现的问题,精度评价结果显示总体精度达到了97.52%。为了验证方法的推广性,采用毕节市七星关区中心城区遥感影像数据该方法进行验证,精度评价结果显示总体精度达到98.03%。     

半干旱沙区土类/亚类的遥感调查制图方法

传统土壤调查制图存在低时效性、低精度等问题。为了解决半干旱沙区土壤遥感调查制图问题,该文以科尔沁左翼后旗为例,基于野外实地调查和专家知识分析了半干旱沙区土壤类型分布特征与环境因素之间的关系,并探讨了基于多时相Landsat8 OLI影像数据的半干旱沙区土类/亚类遥感调查制图方法。结果表明:利用多时相Landsat8 OLI影像数据提取的归一化差异水体指数(modified normalized difference water index,MNDWI)、盐分指数(salt index,SI)、归一化差异湿度指数(normalized difference moisture index,NDMI)、归一化差异植被指数(normalized difference vegetation index,NDVI)等环境信息,可实现对沼泽土、盐碱土、草甸土、风沙土及其亚类等半干旱沙区主要土壤类型的遥感调查制图。应用本文提出的半干旱区土类/亚类遥感调查制图方法对科左后旗进行土壤遥感调查制图和精度验证,总体精度约为72.84%,Kappa系数为0.667 8。该方法可为半干旱沙区数字土壤调查制图提供思路和参考。     

基于无人机可见光影像的农田作物分类方法比较

大面积农田种植信息的准确获取是精准农业的基础。色彩空间转换、纹理分析和颜色指数等方法能够有效的增强和挖掘影像潜在的信息,对影像分类很有帮助,该文利用2016年9月获取的无人机影像对新疆兵团第八师149团的部分农田进行了作物类型的提取研究。首先对影像进行了色彩空间转换和灰度共生矩阵纹理滤波,得到了27项色彩与纹理特征,通过比较变异系数和差异系数认为亮度、饱和度和红色二阶矩可以作为最优分类特征。其次计算影像的过绿指数(excess green index,EXG)和可见光波段差异植被指数(visible-band difference vegetation index,VDVI),通过阈值对比确定了EXG指数可以有效的区分不同作物类型。最后对比以上2种方法计算得到的分类结果,表明基于色彩与纹理特征提取的作物类型的精度较高,将该方法应用于棉花、玉米和葡萄的分类,误差值分别为7.2%、4.75%和2.37%,明显高于基于颜色指数的提取方法,是一种行之有效的无人机数据作物分类方法。该研究虽未对更大区域做进一步探讨,但可为无人机应用于农田作物分类提供参考。     

结合三维密集点云的无人机影像大豆覆盖度提取

针对仅依赖二维遥感影像提取大豆覆盖度难以剔除杂草等复杂背景干扰的问题,该研究提出一种结合三维密集点云的大豆覆盖度提取方法,利用改进的运动恢复结构(Structure from Motion,SfM)算法与半全局匹配(Semi-Global Matching,SGM)算法从无人机立体影像中生成高精度稠密的大豆叶面真彩色三...     

基于无人机数码影像的冬小麦氮含量反演

准确、快速地获取关键生育期冬小麦氮素含量,对农业管理者进行田间氮素施肥有重要的决策作用。利用无人机(unmannedaerialvehicle,UAV)搭载数码相机,可以短时间内获取冬小麦长势信息,实现对冬小麦氮素含量动态监测。该研究利用2015年北京市小汤山冬小麦无人机数码影像,采用3种阈值分割方法,将田间植株作物与土壤背景分离。对比影像分割方法的时效性与准确性,最终确定可见光波段差异植被指数VDVI(visible-band difference vegetation index)提取植被信息。按照试验方案要求,在不同的氮肥与水分胁迫管理下,将冬小麦3次重复试验分成48个试验小区,依据小区边界提取小区的红、绿和蓝通道的平均DN(digitalnumber)值,选取25个植被指数,同时与各个试验小区冬小麦不同器官氮含量进行相关性分析,筛选数码影像变量。由于植被指数之间耦合度较高,因此采用主成分分析对原始数据进行成分提取,提取特征向量参与建模,最后利用多元线性回归分析建立氮素反演模型,通过决定系数(R2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标筛选出最佳模型,探究各器官氮素含量与数码变量的相关性。结果表明,实验室实测氮素含量与UAV数码影像氮素反演结果及基本一致。在反演模型构建精度方面,3种数据处理结果整体部分植被指数,反演效果叶氮植株氮茎氮。以冬小麦挑旗期为例,叶片氮含量整体信息提取验证模型的R2、RMSE和nRMSE分别为0.85、0.235和6.10%,比部分信息提取验证模型的R2高0.14,RMSE和nRMSE分别降低0.068和1.77个百分点;比植被指数信息提取验证模型的R2高0.43,RMSE和nRMSE分别降低0.141和3.67个百分点。研究表明,基于UAV数码影像利用多元线性回归构建冬小麦氮素含量反演模型,对试验小区整体提取作物信息的方式反演冬小麦叶氮含量效果最好,相比传统反演方法,模型稳定性更高,可为冬小麦田间水肥决策管理提供参考。     

基于无人机遥感植被指数优选的田块尺度冬小麦估产

田块尺度作物快捷精准估产对规模化农业经营管理具有重要意义。因此,急需选取最优植被指数和最佳无人机遥感作业时期,建立冬小麦无人机遥感估产模型,获取及时、快速、低成本的无人机遥感估产方法。该文以山东省滨州市典型规模化农田为研究对象,利用固定翼无人机遥感平台对冬小麦进行多期遥感观测与估产。基于2016年冬小麦返青拔节期、抽穗灌浆期和成熟期的无人机遥感影像数据集,采用最小二乘法,构建了基于不同植被指数与冬小麦实测产量的9种线性模型,并结合作物实测产量进行模型评价。多时相多种类植被指数的优选分析结果显示,抽穗灌浆期估产模型R~2最高,RMSE最低(n=34)。其中,模型R~2达到0.70的植被指数共6个,从高到低依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI;RMSE由低到高依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI。另外,该文进一步评价农田土壤像元对无人机遥感估产的影响,经过阈值滤波法处理后,返青拔节期估产模型的R~2(n=34)从约0.20提升至0.30以上,RMSE和MRE下降;抽穗灌浆期模型的RMSE降低,R~2(n=34)有所提升但不显著。综上所述,最佳无人机飞行作业时期为冬小麦抽穗灌浆期,最优植被指数为EVI2,土壤像元的滤除对抽穗灌浆期无人机遥感估产模型的影响不显著。因此,优化后的基于植被指数的无人机遥感估产模型,可以快速有效诊断和评估作物长势和产量,为规模化农业种植经营提供一种快捷高效的低空管理工具。     

匹配点云结合HSI色彩分量的无人机RGB影像信息提取方法

无人机通常搭载可见光波段传感器获取红-绿-蓝（Red-Green-Blue,RGB）影像,由于无人机RGB影像波段较少,影像的地物信息提取存在一定难度。该研究提出了一种匹配点云结合色调-饱和度-亮度（Hue-Saturation-Intensity,HSI）空间色彩分量的无人机RGB影像信息提取方法。首先以饱和度分量和红光波段构造了饱和度与红光比值指数,再结合可见光波段差异植被指数以及由匹配点云获得的地形特征对研究区正射影像进行分类。试验结果表明,本文方法的总体分类精度达到了91.11%,Kappa系数为0.895,证明匹配点云结合HSI空间色彩分量的方法提取无人机RGB影像信息是可行的,提取结果具有较高精度。相较于基于光谱特征的传统方法,本文方法引入匹配点云可以简单高效地提取影像中高程差异明显的地物,同时,结合HSI色彩分量能够有效弥补无人机RGB影像光谱特征较少的不足。     

无人机可见光遥感和特征融合的小麦倒伏面积提取

倒伏是造成小麦减产和品质下降的主要原因之一。为快速准确地提取小麦倒伏面积,给农业保险理赔及灾后应急处置提供数据支持,该研究采用无人机遥感平台获取小麦倒伏后的冠层红绿蓝(Red-Green-Blue, RGB)可见光图像,并进行数字表面模型(Digital Surface Model,DSM)图像提取,计算了过绿植被(Excess Green, EXG)指数,利用Arc GIS中的镶嵌工具将不同图像特征进行融合,得到DSM+RGB融合图像和DSM+EXG融合图像,利用最大似然法和随机森林法对2种特征融合图像进行监督分类提取小麦倒伏面积,并与仅基于RGB可见光图像和DSM图像提取倒伏面积结果对比。结果表明,2种方法对4种图像进行小麦倒伏面积提取的整体趋势一致,且最大似然法提取效果整体优于随机森林法,基于最大似然法对RGB图像、DSM图像、DSM+RGB特征融合图像、DSM+EXG特征融合图像提取倒伏小麦面积的整体精度分别为77.21%、93.37%、93.75%和81.78%,Kappa系数分别为0.54、0.86、0.87和0.64,对比分析发现DSM+RGB特征融合图像提取小麦倒伏面积精度最高。该研究表明通过图像特征融合的方法能够有效提取倒伏小麦信息,为快速提取小麦倒伏面积提供参考。     

基于高斯HI颜色算法的大田油菜图像分割

针对自然条件下光照条件变化给大田油菜图像分割带来的问题,该文研究了油菜图像的高斯HI颜色分割算法,为作物生长发育周期的自动识别提供前期准备。已有统计结果表明,在仅保留绿色作物的图像中,不同色调值的像素数量服从高斯分布。该文将去掉背景信息的样本数据从RGB颜色模型转换至HSI颜色模型后,统计各个光强的所有像素对应的色调值,并计算其期望值和方差,依次得出所有强度所对应色调值的期望值和方差,建立出油菜作物色调强度查找表(hue intensity-look up table)。在此基础上,计算每个像素的色调值和期望值之间的差值,若差值小于阈值,则像素被分割为作物,否则为背景。为了在高斯HI颜色分割算法中确定合适的阈值,该研究选取了45幅不同天气状况(晴天、阴天和雨天)不同发育阶段(苗期、三叶期和四叶期)的油菜图像作为样本,探讨阈值的选取与分割结果的关系。结果表明阈值在[2.4,2.6]内分割效果最佳,油菜目标的形状特征完整度最好。为了对图像分割结果进行评价,分别利用高斯HI颜色模型、CIVE(color index of vegetation extraction)、EXG-EXR(excess green-excess red)、EXG(excess green)和VEG(vegetation)算法对15幅不同天气状况的图像进行分割。从视觉效果上来看,高斯HI算法仅需少量样本,即可达到满意分割效果。与其他方法相比,高斯HI颜色分割算法的误分割率(misclassification error,ME)仅为1.8%,相对目标面积误差(relative object area error,RAE)仅为3.6%,均优于其他4种算法的试验结果。在分割结果稳定性上,高斯HI颜色算法表现最好,其ME和RAE值的标准差最低,分别为0.7%和4.5%。试验结果表明,高斯HI颜色算法能取得较好的分割效果,而且对光照条件变化并不敏感,同时,能够充分保留油菜形状特征的完整性,为后期油菜生长发育周期的自动识别提供可靠数据。