基于可见光波段无人机遥感的植被信息提取

无人机遥感具有使用成本低、操作简单、获取影像速度快、地面分辨率高等传统遥感无法比拟的优势。该文通过分析仅含红光、绿光和蓝光3个可见光波段的无人机影像中植被与非植被的光谱特性,同时结合健康绿色植被的光谱特征,借鉴归一化植被指数NDVI的构造原理及形式,提出了一种综合利用红、绿、蓝3个可见光波段的归一化植被指数——可见光波段差异植被指数VDVI(visible-band difference vegetation index)。与其他基于可见光波段的植被指数,如过绿指数EXG(excess green)、归一化绿红差值指数NGRDI(normalized green-red difference index)、归一化绿蓝差值指数NGBDI(normalized green-blue difference index)和红绿比值指数RGRI(red-green ratio index)以及仅用绿光波段的提取结果进行对比分析,结果表明:VDVI植被提取精度高于其他可见光波段植被指数,且阈值在0附近,较易确定。为了验证VDVI的适用性与可靠性,选取与试验影像同一时期拍摄但不同区域的另一影像使用同样的方法提取植被信息。结果表明:VDVI对于仅含可见光波段无人机遥感影像的健康绿色植被信息具有较好的提取效果,提取精度可达90%以上,适用于仅含可见光波段无人机遥感影像的健康绿色植被信息提取。     

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。     

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。     

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。     

沙漠腹地绿洲植被覆盖度提取及植被指数优选

[目的] 对沙漠腹地绿洲植被覆盖度提取及植被指数优选进行分析和研究，为该区选取最优植被指数反演极端干旱区绿洲植被覆盖状况提供科学依据。 [方法] 选取塔克拉玛干沙漠腹地达里雅布依绿洲天然植被作为研究对象，以无人机航拍样地影像获取的植被覆盖度为基准，采用Sentinel-2B卫星影像提取多种典型植被指数，运用回归统计方法建立植被指数-植被覆盖度统计模型，在卫星像元尺度上确定反演干旱绿洲覆盖度的最优植被指数。 [结果] ①利用Image J软件提取样方植被覆盖度精度较高，总体精度可达88.67%。 ②土壤调节型植被指数(SAVI，MSAVI)在标准回归系数、确定系数评价指标中表现良好，指示极端干旱区天然植被覆盖变化有较好的适用性。 [结论] 在极端干旱区，Image J提取稀疏植被效果较好，SAVI，MSAVI更适合绿洲植被覆盖变化研究。     

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。     

基于特征波段的SPOT-5卫星影像耕地信息自动提取的方法研究

首先分析了SPOT-5卫星影像中植被和其它主要背景地物的光谱特征，发现利用原有波段难以提取复杂的植被信息，同时植被信息中的耕地(水田和旱地)和园地在所有波段上都有重叠很难区分。因此考虑到植被信息的复杂性和波段信息的不足以及研究区内地势平坦，该文提出了利用植被特征波段：加和比值植被指数(PRVI)和归一化植被指数(NDVI)作为新的波段融入原始影像中，在增加有效信息量的同时运用简单决策树模型提取耕地信息，并参照最新的航测数据进行了精度评价。结果表明，该方法的总体提取效果较好，能够在快速、准确提取植被信息的基础上，进一步区分旱地和水田，并且去除容易混淆的园地。与常规的监督分类方法相比都有很大的提高，只是在耕地和园地交界处有误判现象。     

基于遥感信息融合的阜新煤矿排土场地物提取与分类

结合地面测试高光谱数据及卫星遥感数据,对矿区地物信息进行提取,可有助于快速获取矿区地表信息,为矿区废弃地植被恢复提供辅助决策信息支持具有重要意义。该文以阜新市海州矿区排土场为研究对象,对不同波段组合的SPOT-5遥感影像进行了分类方法和分类精度评价研究。结果表明：排土场影像在波段组合与融合之后进行分类,分类精度提高不明显;而通过组合SPOT多光谱影像和植被指数图像,并结合地面测试的高光谱特征曲线建立分类模板,可以有效地提高地物分类精度,总体分类精度为85.48%,Kappa系数为0.8197。分类结果满足对排土场地物调查的实际需要,为建立排土场植被恢复等级提供了数据基础。     

基于无人机图像混合像元分解模型提高小麦基本苗数的反演精度

及时、精确地获取小麦基本苗数在田块内部的空间差异信息，有利于实施精准变量追施氮肥，实现化肥减量增效。传统的无人机农业遥感仅关注植被与土壤2类特征而忽略混合像元的影响，导致小麦基本苗数反演精度差、可靠性低。为解决上述问题，该研究利用大疆Mini 无人机获取麦田图像，基于不变目标法完成图像的相对辐射标定，并利用像元纯净指数提取植被端元与土壤端元。根据端元光谱特性建立混合像元的线性分解模型，求解混合像元中植被组分的丰度，基于像元统计法计算植被覆盖度，进而建立植被覆盖度与小麦基本苗数地面真值的线性回归模型。该研究方法获得的模型，决定系数R2为0.87，均方根误差为1.97株/m2。而基于传统植被指数法分别利用可见光波段差分植被指数、绿红差分指数、绿红比值指数获取的相应植被覆盖度与小麦基本苗数地面真值的线性回归模型决定系数R2及均方根误差分别为0.79、0.56、0.47及6.06、7.04、4.43株/m2。由此可知，基于混合像元分解模型定量反演小麦基本苗数的方法具有较高的精度，研究成果可为小麦精准减量追施氮肥作业提供数据支持。     

基于改进均值漂移算法的绿色作物图像分割方法

针对绿色农作物图像背景复杂且分割难的问题,提出一种基于改进均值漂移算法的分割方法。采用均值漂移算法对图像进行平滑和分割时,带宽的选择直接影响平滑和分割的结果。传统的均值漂移分割方法需要人为地设定空域带宽和值域带宽这2个参数。该文首先根据绿色作物图像的颜色特点,提取图像的颜色指数;然后采用均值漂移算法,将图像的颜色信息与空间信息结合起来,根据作物图像颜色分布的丰富程度定义自适应空域带宽,采用渐近积分均方差来获得自适应值域带宽,对图像进行平滑滤波;最后采用 Otsu 方法将平滑后的图像分成两部分：绿色部分和背景部分。试验结果表明,该方法能够有效地分割出绿色作物,并在分割性能上明显优于常规的颜色指数方法,作物图像的错分率均小于6.5%。     

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...     

小麦生物量及产量与无人机图像特征参数的相关性研究

为了明确无人机图像信息与小麦生物量、产量之间的相关性,该文利用无人机航拍获取田间小麦主要生育时期的RGB图像,通过影像处理获取小麦颜色指数和纹理特征参数值,并通过田间取样获取同时期小麦生物量和最终产量,分析不同颜色指数和纹理特征参数与小麦生物量和产量的关系。结果表明：利用无人机图像可提取归一化差分指数（NDI）、超绿植被指数（ExG）、可见光大气阻抗植被指数（VARI）、超红植被指数（ExR）、绿叶植被指数（GLI）、绿红差值指数（ExGR）、改良绿红植被指数（MGRVI）、红绿蓝植被指数（RGBVI）共8个颜色指数和能量（ASM）、对比度（CON）、相关度（COR）、熵（ENT）共4个纹理特征参数。各颜色指数在小麦拔节期、孕穗期与生物量和产量都有较好的相关性。拔节期所有颜色指数与生物量的相关性均达到极显著水平,其中ExGR与生物量的相关性最高,相关系数r达到0.911,孕穗期除RGBVI未达到显著相关外,其余均达到显著或极显著相关,其中MGRVI相关性最高,相关系数r为0.817。各颜色指数与产量的相关性趋势同生物量一致。越冬前期和开花期各颜色指数与生物量及产量的相关性较拔节期和孕穗期略有下降。而各纹理特征参数中,只有越冬前期的ASM和ENT、拔节期的CON和COR以及孕穗期的CON与生物量的相关性达到显著或极显著水平,其中COR相关性最高（负相关）,相关系数r为-0.574。拔节期的CON和COR、孕穗期的CON、COR和ENT与产量的相关性达到显著或极显著水平,其中拔节期COR相关性最高（负相关）,相关系数r为-0.530。将颜色指数与纹理特征参数相结合后,其与小麦生物量及产量的相关性均有提高,其中生物量相关性在4个时期分别提高0.27%、0.11%、8.81%和2.65%,产量相关性在4个时期分别提高7.05%、0.72%、0.58%和0.12%。因此,将无人机图像颜色指数与纹理特征参数结合可以提高小麦生物量和产量的估测精度。     

基于低空无人机遥感技术的油菜机械直播苗期株数识别

植株数量识别是油菜机械直播效果和质量评估的关键.该文针对油菜机械直播田间植株数量检测中人工统计耗时、费工、效率低下的现实,通过自主搭建的低空无人机遥感平台采集油菜机械直播区域的遥感影像,基于超高分辨率(0.18 cm/pixel)遥感影像计算的颜色植被指数进行油菜目标识别及其形态特征信息提取.结合田间调查数据,采用逐步回归分析方法,建立了机械直播油菜在苗期的株数与遥感特征信息之间的关系.结果显示,油菜目标的株数与其外接矩形的长宽比、像素分布密度和周长栅格数具有较好的线性关系,回归模型的决定系数R2为0.803,并通过显著性检验,其标准估计误差为0.699.模型检验结果显示,观测值与预测值之间的R2为0.809,均方根误差RMSE为0.728.研究结果表明,利用集成超高分辨率传感器的低空无人机遥感平台,通过计算颜色植被指数并分析油菜目标数量与形态特征的相关性,能有效识别油菜机械直播的出苗株数,可为后续油菜机械直播效果的快速、准确评估提供技术支持.     

基于多光谱影像和机器学习算法的红树林树种LAI估算

针对红树林叶面积指数（Leaf Area Index,LAI）实地测量难度大、无法快速大范围LAI估算的问题。该研究以广西北部湾红树林为研究对象,以无人机（Unmanned Aerial Vehicle,UAV）和哨兵二号（Sentinel-2A,S2）多光谱影像为数据源,整合原始光谱波段、植被指数和组合植被指数构建高维数据集,并进行数据降维和特征优选。定量评估6种机器学习算法（XGBoost、前馈反向传播神经网络（Back Propagation,BP）、支持向量机（SVM）、岭回归（Ridge）、Lasso和弹性网络（ElasticNet））对不同红树林树种LAI的估算能力;探究UAV和Sentinel-2A影像对红树林树种LAI估算的精度差异。研究结果表明：1）基于XGBoost算法构建的模型实现了红树林LAI高精度估算,R2均高于0.70,RMSE均低于0.349;2）在UAV和Sentinel-2A影像下,XGBoost模型对不同红树林树种LAI的估算精度（R2）比其他5种模型分别提高了0.105～0.365和0.283～0.540,RMSE降低了0.100～0.392和0.102～0.518;3）UAV影像数据与XGBoost算法构建的模型对海榄雌LAI的估算精度优于其他组合（R2=0.821、RMSE=0.288）,Sentinel-2A影像数据与XGBoost算法构建的模型对秋茄和桐花树LAI的估算精度优于其他组合（R2=0.940～0.979、RMSE=0.142～0.104）,不同红树林树种LAI的估算精度依次为桐花树>秋茄>海榄雌;4）SNAP-SL2P算法整体性低估红树林LAI值,UAV影像红树林树种LAI的平均估算精度（R2=0.677～0.713）均优于Sentinel-2A影像,实现了不同红树林树种LAI的高精度估算。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

基于无人机RGB影像的玉米种植信息高精度提取方法

为探究易获取且成本低的超高分辨率无人机（Unmanned Aerial Vehicle,UAV）航拍 "红-绿-蓝"（Red-Green-Blue,RGB）彩色影像提取作物种植信息的方法,该研究选取植被指数、"色度-色饱和度-亮度"（Hue-Saturation-Intensity,HSI）色彩特征和纹理特征等3种特征,通过比较贝叶斯（Bayes）、K最邻近分类（K-Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）、决策树（Decision Tree,DT）和随机森林（Random Forest,RF）共5种监督分类算法及不同特征组合的分类效果,以实现玉米种植信息的高精度提取。结果表明,使用单一种类特征或使用全部3种特征均不能获得最优的分类精度;将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度（5种算法平均值）比仅使用植被指数获得的总体分类精度分别提高了4.2%和8.3%;在所有特征组合中,HSI色彩特征和纹理特征组合为最优选择,基于该特征空间的RF算法获得了最高的分类精度,总精度为86.2%,Kappa系数为0.793;基于RF算法进行降维并不能显著提高或降低分类精度（SVM除外）,但所保留的特征因子可给出符合实际背景和意义的解释,并可提高分类结果的稳定性。研究结果可为基于无人机RGB影像的作物种植信息高精度提取提供方法参考。