王樹琪 朱大明 張述清 常方敏 王濤

摘 要：針對高分辨率可見光波段影像植被提取時，因缺少近紅外波段引起參考不足的問題，利用植被在可見光方面的光譜特性，實現(xiàn)對可見光波段植被自動化提取與初步分類。在可見光植被指數(shù)已有研究的基礎(chǔ)上，利用第三次全國土地調(diào)查的0.5m正射高分辨率DOM，將不同植被指數(shù)帶入計算，從一系列可見光植被指數(shù)中選取一組最優(yōu)植被指數(shù)。通過篩選，選用RGBVI指數(shù)進行實驗。檢測結(jié)果證明，RGBVI-Ostu方法在第三次全國土地調(diào)查底圖中提取林地植被精度高達91.26%，由此證明該方法使高分辨率可見光植被指數(shù)林地識別更精確。

關(guān)鍵詞：高分辨率;可見光植被指數(shù);三調(diào)底圖;RGBVI-Ostu方法

DOI：10. 11907/rjdk. 192334 開放科學（資源服務(wù)）標識碼（OSID）：

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1672-7800（2020）007-0232-04

Forest Extraction Method Based on High-resolution Visile Light Vegetation Index

WANG Shu-qi1，ZHUN Da-ming1， ZHANG Shu-qing1，2， CHANG Fang-min1， WANG Tao3

（1. Faculty of Land Resource Engineering，Kuming University of Science and Technology， Kunming 650093， China; 2. Yunnan Institute of Planning and Design of Land Resources; 3. Yun Jindi Geo-information Technology Co.， Ltd，Kunming 650000， China）

Abstract： In the process of vegetation extraction from high-resolution visible band images，the lack of near-infrared band leads to the problem of insufficient parameters. The automatic extraction and preliminary classification of visible band vegetation are realized by using the spectral characteristics of vegetation in visible light. Based on the existing research of visible light vegetation index，we used the 0.5m ortho high resolution DOM of the third nationl land survey. Different vegetation indexes are substituted into the calculation， and a group of optimal vegetation indexes are selected from a series of visible light vegetation indexes. Through screening， the index of RGBVI was selected for the experiment. The results show that the accuracy of this method is 91.26% in the third nationl land survey map， which proves that the method can make the forest identification more accurate with high-resolution visible light.

Key Words： high-resolution; visible light vegetation index; the third nationl land surveymap; RGBVI-Ostu method

0 引言

由于光合作用下葉綠素對藍紫光與紅光波段的吸收作用，以及對綠色波段的強反射作用，所以綠色植被在藍紅光波段具有低反射率的特點;同時，根據(jù)植物波譜曲線，植被在近紅外波段高反射的特性，用可見光與近紅外波段計算結(jié)果反映植被蓋度等生物物理參數(shù)，是目前植被研究的主流方法[1]。目前植被研究主要基于多光譜或高光譜影像的可見光—近紅外波段構(gòu)建植被指數(shù)[2]。對于大多數(shù)無人機影像來說，無人機遙感影像具有獲取時效性強、分辨率高的特點[3]。但是，無人機影像只具有RGB3個波段，缺少了最能表現(xiàn)出植被特征的近紅外波段，使普通無人機影像無法通過傳統(tǒng)植被指數(shù)方法獲取植被覆蓋區(qū)域面積數(shù)據(jù)。

眾多學者對可見光波段植被遙感進行了大量研究。例如，Torres-Snchez等[4]和Rasmussen 等[5]利用可見光高分辨率影像計算可見光植被指數(shù)，對作物蓋度進行了研究，最高精度達到83.7%，表明可見光植被指數(shù)在農(nóng)作物管理上具有極大應(yīng)用潛力;Demetrios等[6] 提出基于手機拍攝的照片，利用ExG-ExR 指數(shù)，以零為閾值提取照片中含有植物的區(qū)域;Suzuki等[7]利用微型無人機可見光傳感器，對試驗區(qū)進行了多次地面植被遙感監(jiān)測，表明基于微型無人機影像的可見光植被指數(shù)可用于地面植被監(jiān)測;毛智慧等[8]利用HSL空間模型構(gòu)建一種基于色調(diào)亮度的植被指數(shù)，將該植被指數(shù)及其它常用的可見光植被指數(shù)分別與多光譜數(shù)據(jù)的NDVI進行相關(guān)性比較，再利用受試者工作特征曲線ROC的特點確定閾值，并進行植被信息提取與分析。

上述研究使用的圖像數(shù)據(jù)分別是普通電子相機拍攝的照片和分辨率低于10m的影像。由于第三次全國土地調(diào)查下發(fā)數(shù)據(jù)需保密，國家有關(guān)部門對下發(fā)的無人機影像及衛(wèi)星影像進行了保密處理，如添加了部分噪聲、增加了混合像元等，使相關(guān)影像相對于普通無人機影像更加模糊，邊界識別難度更大。經(jīng)過試驗，本文提及的可見光植被指數(shù)計算結(jié)果出現(xiàn)全為0值或第三次全國土地調(diào)查下發(fā)數(shù)據(jù)為1值的現(xiàn)象。因此，并不是所有可見光植被指數(shù)均可在第三次全國土地調(diào)查底圖上進行計算。本文創(chuàng)新性地引用一種新的可見光植被指數(shù)RGBVI[9]，首先計算各像元RGBVI值，然后通過分級自動閾值分割的方法選出各種植被覆蓋區(qū)域。

1 研究區(qū)概況與數(shù)據(jù)選取

1.1 研究區(qū)概況

本文研究區(qū)位于宜良縣匡遠街道境內(nèi)，屬于宜良縣城郊區(qū)。該地地處北緯24°30′ 36″ ～25°17′ 02″ 、東經(jīng)102°58′ 22″ ～103°28′ 75″ 之間。該區(qū)域?qū)儆谏降厍鹆甑匦?，大部分地區(qū)海拔在1 500～1 800m之間，氣候為亞熱帶季風氣候，冬春干旱少雨，夏秋多雨濕潤，冬無嚴寒，夏無酷暑。災(zāi)害性天氣主要是春季常有干旱，秋季偶有低溫，冬季時有霜凍。土壤以紅壤為主，其次是水稻土和黃棕壤、紫色土、沖擊土等，水稻土為縣內(nèi)糧食生產(chǎn)的主要土類?？镞h街道屬云貴高原亞熱帶植被區(qū)，境內(nèi)森林植被類型為半濕性常綠闊葉林與針葉林。近代自然植被遭到破壞，動植物種群減少。森林類型多為次生云南松和櫟類闊葉林組成的混交林。主要植被類型有云南松和華山松林、河谷灌叢和山地灌叢、禾本科為主的荒草地及耕地。

1.2 數(shù)據(jù)選取

1.2.1 正射影像選取

本文研究正射影像來自于國家有關(guān)部門已處理的第三次全國國土調(diào)查DOM影像中宜良縣試點區(qū)域影像。已知影像共包含RGB 3個波段，空間分辨率為0.5m，平面坐標為CGCS2000國家大地坐標系，高程基準為1985國家高程基準。

1.2.2 數(shù)據(jù)資料

（1）國家內(nèi)業(yè)提取的變化圖斑，主要在最新遙感影像的基礎(chǔ)上，結(jié)合全國土地調(diào)查數(shù)據(jù)，按照第三次全國國土調(diào)查土地現(xiàn)狀分類標準，提取不一致圖斑，并根據(jù)數(shù)據(jù)庫地類影像特征判讀土地利用類型。

（2）公司第三次全國土地調(diào)查項目部提取的部分地類圖斑。

（3）宜良縣林業(yè)調(diào)查數(shù)據(jù)。源于2007年開展的成果，數(shù)據(jù)為矢量數(shù)據(jù)，格式為*.MDB。

2 研究方法與結(jié)果分析

2.1 可見光植被指數(shù)

本次實驗引入常用的8種可見光植被指數(shù)（見表1），利用Matlab R2017a軟件的圖像處理計算工具，分別計算8種可見光波段圖像（見圖1）。

其中， R為紅光通道，G為綠光通道，B為藍光通道。

由圖1（彩圖掃描OSID碼可見）可知，前8種可見光植被指數(shù)中，對于第三次全國土地調(diào)查底圖影像，EXGR、COM、COM2這3個植被指數(shù)無分類效果;VEG指數(shù)分類界限并不明顯，主要表現(xiàn)在純白區(qū)域為背景以及植被覆蓋區(qū)，灰色與黑色區(qū)域為房屋區(qū);NGRDI指數(shù)圖中淺色區(qū)域為植被覆蓋區(qū)，深色區(qū)域為非植被區(qū);EXG指數(shù)黑色區(qū)域為部分非綠色覆蓋區(qū);CIVE指數(shù)與WI指數(shù)計算結(jié)果圖為二值圖像，其中CIVE指數(shù)較好地提煉出了植被覆蓋區(qū)域，WI指數(shù)圖中白色為原圖中淺色部分，黑色部分為原圖中深色部分。但是，WI指數(shù)圖中有一部分中間房屋建筑分為植被區(qū)（如圖2）。

其中，圖2的左圖為研究區(qū)某一區(qū)域原始影像，右圖為該區(qū)域WI指數(shù)掩模處理后的圖像，黑色區(qū)域為WI指數(shù)計算的植被覆蓋區(qū)。可以發(fā)現(xiàn)，兩圖線框中部分老式民居的黑色屋頂未識別出來。

對比圖3與圖1中的NGRDI指數(shù)圖，發(fā)現(xiàn)RGBVI計算結(jié)果與NGRDI指數(shù)計算結(jié)果分布類似。但RGBVI計算公式中更綜合地考慮了紅綠藍3個波段的影響，而NGRDI只是提到了紅色波段的影響（見表1）。運用Otsu法計算閾值分割，實現(xiàn)了二值化處理（見圖4），其中白色部分為植被覆蓋區(qū)域，黑色部分為非植被覆蓋區(qū)，本文將該方法稱為RGBVI-Ostu方法。

2.2 結(jié)果分析

上述實驗證明，CIVE指數(shù)計算結(jié)果與RGBVI-Ostu方法計算結(jié)果總體效果較好。針對以上兩種結(jié)果進行像元統(tǒng)計分析，如表2所示。

利用合并后的第三次全國土地調(diào)查圖斑范圍，可將研究區(qū)分為3種類型：林地區(qū)、水田區(qū)、居住區(qū)（見圖5）。

對于上述3個區(qū)域，利用植被像元總數(shù)比總像元數(shù)（見式1），分別求CIVE提取的植被區(qū)所占比重（見表3）與RGBVI-Ostu方法提取的植被區(qū)精度（見表4）。

其中，Nveg為植被區(qū)像元個數(shù)，[Niall]為各個區(qū)域像元總數(shù)，α為植被精度。

由表3、表4可知，RGBVI-Ostu方法提取的林地區(qū)域植被精度達91.26%，明顯高于CIVE指數(shù)計算得到的林地區(qū)比例，說明在識別林地覆蓋區(qū)方面，RGBVI-Ostu方法比CIVE方法提取植被覆蓋區(qū)精度更高。

在居住區(qū)植被覆蓋提取方面，RGBVI-Ostu方法提取的植被覆蓋像元個數(shù)明顯高于CIVE指數(shù)計算結(jié)果。進行RGBVI指數(shù)計算并用Ostu提取閾值掩模影像減去CIVE掩模影像（見圖6），發(fā)現(xiàn)RGBVI-Ostu方法提取的庭院種植植被提取效果優(yōu)于CIVE指數(shù)計算的提取效果。

在水田區(qū)植被覆蓋提取方面，CIVE方法獲得的植被像元比例僅比RGBVI-Ostu方法獲得的植被像元比例提高2.34%，說明在水田區(qū)提取方面，兩者差異相對于山林地區(qū)的24.15%與居住區(qū)的4.63%來說效果不顯著。

由于試驗區(qū)地處中國云南省，根據(jù)云南省的氣候特點分析，11月份全省溫度在10℃～20℃，植物生長情況較好。由于影像拍攝時間是在10月份，林地區(qū)綠色葉片的覆蓋較為完整。又由于該時節(jié)水田里部分農(nóng)作物長勢良好，水田區(qū)域植被綠色葉片覆蓋也相對完整，因此基于本文影像提取出來的植被區(qū)精確度不會受到季節(jié)影響，精度較高。

3 結(jié)語

綜合以上分析，上述9種植被指數(shù)計算原理中只有RGBVI指數(shù)計算處植被指數(shù)對應(yīng)亮度圖像，而CIVE指數(shù)計算結(jié)果為有規(guī)律的二值圖像。其它植被指數(shù)在第三次全國土地調(diào)查的計算應(yīng)用上無結(jié)果，或計算得出的二值圖像準確性較差。

CIVE指數(shù)計算方法與RGBVI-Ostu方法在植被覆蓋提取效果上相比，在植被像元識別度總體上后者優(yōu)于前者。因此，在可見光波段，RGBVI-Ostu方法在第三次全國土地調(diào)查底圖植被覆蓋區(qū)識別精確度較高。

根據(jù)表3和表4得出林地區(qū)植被覆蓋比例高于水田區(qū)植被覆蓋比例。這是由于一方面水田地區(qū)植物生長高度較低，為了方便農(nóng)業(yè)生產(chǎn)管理便利，在農(nóng)田區(qū)域往往會有一些房屋、溝渠、田間小路等配套設(shè)施;另一方面部分水田被閑置或收割后，無植被覆蓋。這些因素均會影響水田區(qū)域植被覆蓋情況。

由于第三次全國土地調(diào)查底圖影像波段少，缺少用來表現(xiàn)植物特征的近紅外波段，由于“異物同譜”的影響，用上述兩種方法提取植被時容易把部分非植被的綠色物體歸類為植被。因此，提取精度低于利用近紅外波段的多光譜影像精度。

雖然RGBVI-Ostu方法對可見光波段植被覆蓋區(qū)提取效果相對較好，但是對于基于第三次全國土地調(diào)查底圖的無地類參照數(shù)據(jù)分類實驗來說，RGBVI-Ostu方法并無可直接對植被類型進行有效提取的閾值。

隨著無人機遙感技術(shù)的廣泛應(yīng)用、遙感影像技術(shù)及分類理論的發(fā)展，可見光波段植被指數(shù)應(yīng)用前景將更廣闊。隨著機器學習在遙感圖像分類領(lǐng)域的廣泛使用，可見光植被指數(shù)（如RGBVI-Ostu方法提取的結(jié)果）可作為一個新的機器學習特征，進一步提高機器學習識別精度。

參考文獻：

[1] 井然， 鄧磊， 趙文吉，等. 基于可見光植被指數(shù)的面向?qū)ο鬂竦厮脖惶崛》椒╗J]. 應(yīng)用生態(tài)學報， 2016， 27（5）：1427-1436.

[2] JIU T Q. Advances in study on vegetation indices[J]. Advance in Earth Sciences， 1998（13）：323-333.

[3] 黃潔， 唐守鋒， 童敏明， 等. 計算機視覺技術(shù)在無人機上的應(yīng)用[J]. 軟件導(dǎo)刊， 2019， 18（1）：20-22.

[4] TORRES-SáNCHEZ J， LóPEZ-GRANADOS F， ISABEL D C A ， et al. Configuration and specifications of an unmanned aerial vehicle （UAV） for early site specific weed management[J]. PLoS ONE， 2013， 8（3）：e58210.

[5] RASMUSSEN J，NIELSEN J，GARCIA-RUIZ F，et al. Potential uses of small unmanned aircraft systems （UAS） in weed research[J]. Weed Research， 2013， 53（4）：242-248.

[6] DEMETRIOS G，LIENARD J F，ANDRE V，et al. 3D tree dimensionality assessment using photogrammetry and small unmanned aerial vehicles[J]. PLoS ONE， 2015， 10（9）：e0137765.

[7] SUZUKI T，AMANO Y，TAKIGUCHI J I，et al. Development of low-cost and flexible vegetation monitoring system using small unmanned aerial vehicle[C].ICCAS-SICE. 2009：4808-4812.

[8] 毛智慧，鄧磊，賀英，等. 利用色調(diào)—亮度彩色分量的可見光植被指數(shù)[J]. 中國圖象圖形學報， 2017， 22（11）：1602-1610.

[9] 李長春，牛慶林，楊貴軍. 基于無人機數(shù)碼影像的大豆育種材料葉面積指數(shù)估測[J]. 農(nóng)業(yè)機械學報， 2017， 48（8）：147-158.

[10] GITELSON A A，KAUFMAN Y J，STARK R，et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment， 2002， 80（1）：76-87.

[11] XUE J，SU B. Significant remote sensing vegetation indices： a review of developments and applications[J]. Journal of Sensors， 2017.

[12] WU Y，ZHAO L，JIANG H，et al. Image segmentation method for green crops using improved mean shift[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（24）：161-167.

[13] HAGUE T，TILLETT N D，WHEELER H. Automated crop and weed monitoring in widely spaced cereals[J]. Precision Agriculture， 2006， 7（1）：21-32.

[14] SUN G，WANG X，YAN T，et al. Inversion method of flora growth parameters based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（20）：187-195.

[15] WOEBBECKE D M， MEYER G E， VON BARGEN K， et al. Color indices for weed identification under various soil， residue， and lighting conditions[J]. Transactions of the ASAE，1995，38（1）：259-269.

[16] GUIJARRO M， PAJARES G， RIOMOROS I， et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers and Electronics in Agriculture， 2011， 75（1）： 75-83.

[17] GUERRERO J M，PAJARES G，MONTALVO M，et al. Support vector machines for crop/weeds identification in maize fields[J]. Expert Systems with Applications， 2012， 39（12）：11149-11155.

（責任編輯：江 艷）