日韩av大片在线观看欧美成人不卡|午夜先锋看片|中国女人18毛片水多|免费xx高潮喷水|国产大片美女av|丰满老熟妇好大bbbbbbbbbbb|人妻上司四区|japanese人妻少妇乱中文|少妇做爰喷水高潮受不了|美女人妻被颜射的视频,亚洲国产精品久久艾草一,俄罗斯6一一11萝裸体自慰,午夜三级理论在线观看无码

題目

基于高光譜圖像的密度峰值k-均值算法估算小麥植被覆蓋度

應(yīng)用關(guān)鍵詞

植被覆蓋度,；k-means算法；NDVI,；植被指數(shù),；小麥

背景

植被覆蓋度（Fractional vegetation cover, FVC）是測量地球表面植被分布的重要參數(shù)。在評價(jià)小麥生長狀況時(shí),，準(zhǔn)確測定小麥各生育期的FVC具有指導(dǎo)意義,。此外，在監(jiān)測小麥生物量時(shí),，需要快速提取FVC,、植物含水量、葉綠素,、葉黃素含量和氮含量數(shù)據(jù),。然而，本研究發(fā)現(xiàn),，現(xiàn)有的針對小麥生長不同時(shí)期和土壤條件的FVC提取方法效果各異,，無法滿足小麥多時(shí)相生長監(jiān)測的精度要求。因此,，開發(fā)一種操作簡單,、提取精度高、受環(huán)境,、時(shí)間,、空間等外界條件影響較小的FVC提取新方法具有重要意義。

目前,，大多數(shù)研究采用像素二分法或監(jiān)督分類法分離植被與非植被,，提取FVC。但是,，不同時(shí)間,、不同條件下采集的植被和非植被的光譜反射率的變化，會使像素二分法的閾值發(fā)生很大變化,，從而使得提取效果產(chǎn)生較大波動,。監(jiān)督分類受人為因素和樣本影響較大。當(dāng)測試樣本和訓(xùn)練樣本之間沒有差異時(shí),，提取效果會很好,。然而,，當(dāng)樣本之間存在時(shí)空差異時(shí)，提取的精度將顯著降低,。

考慮到無監(jiān)督學(xué)習(xí)算法無需人為干預(yù),，通過確定的分類標(biāo)準(zhǔn)對植被和非植被進(jìn)行分類，受人為和環(huán)境因素影響較小,。因此,，假設(shè)無監(jiān)督學(xué)習(xí)算法可以準(zhǔn)確地提取FVC，將其應(yīng)用于各種條件下收集的數(shù)據(jù),，理論上應(yīng)該可以達(dá)到相同的效果,。k-means算法通過像素點(diǎn)到聚類中心的距離來劃分像素點(diǎn)的類型,。該算法能有效減小時(shí)間和空間對提取精度的影響,。然而，k-means算法對初始選擇的質(zhì)心點(diǎn)比較敏感,，不同初始質(zhì)心點(diǎn)的聚類結(jié)果可能有很大差異,。為了減小初始質(zhì)心點(diǎn)對k-means算法結(jié)果的影響，根據(jù)植被像素與非植被像素的不同特點(diǎn),，增加了密度峰值計(jì)算算法,。將植被像素和非植被像素的密度峰值作為k-means算法的初始質(zhì)心，以減少異常結(jié)果帶來的提取誤差,，提高FVC的提取精度,。

基于上述問題，本研究利用高光譜相機(jī)獲取小麥的高光譜圖像數(shù)據(jù),，計(jì)算NDVI（Normalized difference vegetation index）,，并基于NDVI圖像采用DPK-means（Density peak k-means）聚類算法和像素二分法提取FVC。本研究比較了像素二分法與DPK-means算法的精度和穩(wěn)定性,，并分析了基于植被指數(shù)圖像的DPK-means算法的優(yōu)勢,。

試驗(yàn)設(shè)計(jì)

試驗(yàn)地點(diǎn)位于江蘇揚(yáng)州大學(xué)，包括小麥盆栽試驗(yàn)和大田試驗(yàn),。中國農(nóng)業(yè)科學(xué)院劉升平研究員團(tuán)隊(duì)利用GaiaSky-mini2-VN高光譜相機(jī)（江蘇雙利合譜）于近地面采集了干性土壤和濕性土壤的高光譜圖像,，同時(shí)將其搭載在DJI M600無人機(jī)上，獲取了大范圍小麥冠層高光譜圖像,。采集設(shè)備如圖1所示,。

圖1 采集設(shè)備。GaiaSky-mini2-VN相機(jī)（A）,、地面數(shù)據(jù)采集設(shè)備（B）,、無人機(jī)數(shù)據(jù)采集設(shè)備（C）。

如圖2所示,，小麥在綠光550 nm處有一個(gè)反射峰,，在紅光680 nm處有一個(gè)吸收谷,，在近紅外光780 ~ 900 nm處有一個(gè)連續(xù)反射峰。小麥紅光波段與近紅外波段反射率有明顯差異,。土壤的光譜反射率在整個(gè)波段范圍內(nèi)呈緩慢上升趨勢,，沒有明顯的反射峰和吸收谷。紅光波段和近紅外波段可以很好地指示植被與土壤的差異,，結(jié)合它們構(gòu)建的植被指數(shù)可以有效地用于植被與土壤的區(qū)分,。因此，本研究選取近紅外波段800 nm和紅光波段680 nm構(gòu)建NDVI,。

圖2 小麥和土壤的典型反射率曲線

為了檢驗(yàn)基于NDVI提取的小麥植被灰度圖像上植被和非植被像素的分布,，本研究制作了NDVI灰度圖像的像素頻率分布圖（圖3）。從圖中可以看出,，小麥植被,、土壤和盆像素都近似于高斯分布，小麥植被與土壤和盆的高斯分布距離較遠(yuǎn),。結(jié)果表明,，在NDVI灰度圖像中，植被像素與非植被像素可以很好地分離,。

圖3 植被指數(shù)灰度圖像的像素分布,。NDVI灰度圖（A）、NDVI灰度圖像像素分布的高斯擬合（B）,。

為了解決k-means算法的局部優(yōu)化問題,，本研究以密度峰值作為初始聚類中心點(diǎn)對算法進(jìn)行改進(jìn)。DPK-means算法流程如下所示：

（1） 對灰度圖像進(jìn)行多模態(tài)高斯擬合,，計(jì)算k個(gè)擬合密度峰值作為初始聚類中心進(jìn)行搜索和計(jì)算,。

（2） 計(jì)算數(shù)據(jù)集中每個(gè)樣本點(diǎn)與k個(gè)聚類中心之間的距離，并將其劃分為距離最小的聚類中心對應(yīng)的類,。

（3） 計(jì)算每個(gè)類別的平均值作為新的聚類中心,。

（4） 重復(fù)步驟2和步驟3，直到聚類中心的位置沒有改變,，然后停止迭代,。

然后，本研究基于SVM監(jiān)督分類結(jié)果,，比較分析了兩種方法的提取效果,。具體提取過程如圖4所示。本研究采取的評價(jià)指標(biāo)為E_F = (F_SVM – F_VI) / F_SVM,，式中E_F為FVC提取誤差,，F_SVM和F_VI分別為基于SVM的FVC以及實(shí)測FVC。

圖4 小麥FVC的提取過程

結(jié)論

采用像素二分法和DPK-means提取FVC。兩種土壤條件下閾值的平均值,，如表1所示,。將像素二分的固定閾值設(shè)置為T0、T1和T2,，DPK-means算法采用高斯核函數(shù),。兩種土壤條件下像元二分法的閾值差異較大。干土的光譜反射率明顯高于濕土,。濕土的NDVI值高于干土,，更接近植被的NDVI值。這可能導(dǎo)致在潮濕土壤條件下像素二分法的固定閾值更高,。兩種土壤條件下不同方法對小麥FVC的提取效果如圖5所示,。

基于DPK-means算法的E_F絕對值和RMSE的均值最di（表2），這表明DPK-means算法具有良好穩(wěn)定的提取精度,。在濕潤土壤條件下,，T1閾值像素二分法效果最hao，E_F絕對值僅為0.034,，但其RMSE值為0.061,，E_F分布較為分散，集中使用大樣本數(shù)據(jù)難以獲得較好的提取效果,。DPK-means算法E_F的均值絕對值為0.051，僅高于T1閾值,，但其RMSE值為0.032,，E_F分布相對集中，在大樣本數(shù)據(jù)集中使用時(shí)效果較好,。在不考慮土壤條件的情況下,，DPK-means算法的E_F主要分布在-0.05 ~ 0.05之間，E_F相對集中,。T0,、T1、T2閾值下的E_F分布分散,，EF范圍較大,。對四種方法的FVC提取結(jié)果進(jìn)行線性擬合，DPK-means算法的擬合精度最高,，R²達(dá)到0.87（圖6）,。

DPK-means算法在無人機(jī)高光譜影像中提取FVC的效果如圖7所示。平均誤差絕對值為0.044,，RMSE為0.030,，誤差相對集中，與地面高光譜圖像的提取誤差相似。SVM與DPK-means擬合的FVC的R²達(dá)到0.93,。綜上所述,，DPK-means算法可以有效地從無人機(jī)高光譜圖像中提取小麥的FVC，且該算法受圖像采集日期的影響較小,。

綜合地面和無人機(jī)高光譜影像的FVC提取結(jié)果,，與其他算法相比，DPK-means算法受土壤條件和采集日期的影響較小,，誤差分布更集中,，提取精度更高。相對于像素二分法,，DPK-means算法具有更高的準(zhǔn)確性和魯棒性,，在不同條件下都能取得更好的結(jié)果。

表1 兩種土壤條件的平均閾值

圖5 兩種土壤條件下小麥FVC提取效果,。土壤干燥狀況（1）和濕潤狀況（2）,。A1和2為RGB圖像；B1和2為NDVI灰度圖像,；C1和2為干土閾值提取的灰度圖像,；D1和2為DPK-means提取的灰度圖像；E1和2為濕土閾值提取的灰度圖像,；F1和2為整體閾值提取的灰度圖像,；G1和2為SVM提取的灰度圖像。

表2 兩種土壤條件和不同提取方法下小麥FVC提取誤差絕對值

圖6 采用多種方法擬合小麥FVC的結(jié)果,。DPK-means（A）,、T0（B）、T1（C）,、T2（D）,。

圖7 不同日期的無人機(jī)高光譜圖像提取結(jié)果。RGB圖像（A）,、NDVI灰度圖像（B）,、DPK-means提取的灰度圖像（C）、SVM提取的灰度圖像（D）,。

作者信息

劉升平,，博士，中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所研究員,，碩士生導(dǎo)師,。

主要研究方向：農(nóng)業(yè)智能管控技術(shù)、智慧蜂業(yè),、農(nóng)產(chǎn)品質(zhì)量安全控制,。

參考文獻(xiàn)：

Liu, D.Z., Yang, F.F., & Liu, S.P. (2021). Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data. Journal of Integrative Agriculture, 20, 2880-2891.