導(dǎo)讀

背景：植被覆蓋度（FVC）是衡量作物生長狀況的重要參數(shù)，對作物生長監(jiān)測,、生態(tài)環(huán)境評價以及農(nóng)業(yè)生產(chǎn)具有重要意義,。傳統(tǒng)的 FVC 提取方法主要包括目測法、儀器測量法和攝影法,，其中攝影法因其操作簡單,、成本較低、精度較高而被廣泛應(yīng)用,。然而,，不同土壤濕度、光照條件及數(shù)據(jù)采集時間可能影響 FVC 的提取精度,，限制了其在動態(tài)環(huán)境中的適用性。因此,，開發(fā)一種高精度,、魯棒性強、不受外界條件影響的 FVC 提取方法具有重要的研究價值,。

近年來,，高光譜成像技術(shù)（HSI）因其能夠同時獲取作物的光譜和空間信息,，在農(nóng)業(yè)監(jiān)測領(lǐng)域得到了廣泛關(guān)注。相比傳統(tǒng)數(shù)字相機僅依賴 RGB 三通道信息,，高光譜相機能夠獲取植被與非植被像素的光譜反射率,，并結(jié)合植被指數(shù)（如 NDVI）有效區(qū)分植被與背景，提高 FVC 提取的準(zhǔn)確性,。然而,，目前常用的像素二分法受采集條件影響較大，難以滿足不同土壤和時間條件下的高精度提取需求,。因此,，本研究提出了一種基于密度峰值 k-均值算法的FVC提取方法，以提高FVC提取的穩(wěn)定性和適應(yīng)性,。

作者信息：劉升平,，中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，碩士生導(dǎo)師

期刊來源：ScienceDirect

研究內(nèi)容

研究在江蘇揚州的盆栽試驗田與農(nóng)田實驗區(qū)開展數(shù)據(jù)采集,，利用GaiaSky mini2 VN 高光譜相機和DJI M600無人機在不同土壤濕度和生長期條件下獲取高光譜數(shù)據(jù),。數(shù)據(jù)預(yù)處理中，研究采用黑白板校正,、大氣校正和 NDVI 計算來增強植被與背景的區(qū)分度,。在 FVC 提取方面，對比了像素二分法,、DPK-means 算法和支持向量機（SVM）分類,，最終，研究通過誤差分析（EF,、RMSE）,、擬合度（R2）和誤差分布圖評估不同方法的表現(xiàn)，驗證 DPK-means 算法在 FVC 提取中的優(yōu)*性,。

實驗設(shè)計

地面數(shù)據(jù)：使用了一臺GaiaSky mini2 VN高光譜相機（四川雙利合譜科技有限公司）,，采集了33張干土的高光譜圖像和14張濕土的高光譜圖像（見圖1-A）。在數(shù)據(jù)采集過程中,，相機高度（鏡頭與小麥冠層之間的距離）為1米,，鏡頭垂直向下，拍攝模式為推掃成像,。

無人機數(shù)據(jù)：一架大疆M600無人機（深圳大疆科技有限公司）搭載高光譜相機,，在50米高度飛行，相機透鏡垂直向下,，拍攝模式為懸停拍攝和推掃成像,，每次飛行采集到五十六幅圖像。

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

研究方法

為確保數(shù)據(jù)質(zhì)量,，首先對采集的高光譜圖像進行數(shù)據(jù)預(yù)處理（圖2）,，包括黑白板校正、鏡頭畸變校正和大氣校正,，以消除光照變化,、設(shè)備噪聲和環(huán)境因素的干擾。同時,，利用歸一化植被指數(shù)（NDVI） 計算紅光（680 nm）和近紅外光（800 nm）反射率,，提高植被像素與非植被像素的區(qū)分度。

圖2.高光譜圖像預(yù)處理流程,。

然后,，分別采用像元二分法和DPK-means算法提取小麥的FVC，并基于支持向量機（SVM）監(jiān)督分類結(jié)果對比分析了兩種方法的提取效果,，具體的提取過程如圖3所示,。最終，通過誤差分析（EF,、RMSE）,、擬合度（R2）和誤差分布圖 對比不同方法的表現(xiàn)，以驗證 DPK-means 在植被覆蓋度提取中的適用性和優(yōu)勢,。

圖3.小麥植被覆蓋度（FVC）提取流程

結(jié)果（最終結(jié)果模型對比,，反演圖）

采用像素二分法和DPK-means提取FVC。將像素二分法的固定閾值設(shè)置為T0,、T1和T2,，DPK-means算法使用高斯核函數(shù)。圖4展示了在兩種土壤條件下,，不同方法提取小麥植被覆蓋度（FVC）的效果,。

圖4 .兩種土壤條件下FVC提取效果：(1) 干土條件；(2) 濕土條件,。A1和A2：可見光圖像,；B1和B2：NDVI灰度圖像；C1和C2：通過干土閾值（T0）提取的灰度圖像,；D1和D2：通過DPK-means算法提取的灰度圖像,；E1和E2：通過濕土閾值（T1）提取的灰度圖像；F1和F2：通過整體閾值（T2）提取的灰度圖像,；G1和G2：通過SVM算法提取的灰度圖像,。

對四種方法提取的FVC結(jié)果進行線性擬合，結(jié)果如圖5所示,。其中,，SVM提取的FVC值代表通過支持向量機算法提取的FVC值，而預(yù)測值則表示不同方法提取的FVC值,。從圖5-A至D可以看出,，DPK-means算法的擬合精度最高，其R2達到了0.87,。

圖5. 基于SVM的小麥FVC提取結(jié)果擬合效果,。A. DPK-means；B. T0,；C. T1,；D. T2

在無人機采集的四期高光譜數(shù)據(jù)中，選取了10幅圖像并分析了DPK-means算法在從無人機高光譜圖像中提取小麥FVC的效果,。提取效果如圖6所示,。

利用 DPK-means 算法從無人機（UAV）高光譜圖像中提取的FVC誤差值，按照上述精度評估方法進行計算,。結(jié)果表明,，小麥 FVC 的平均絕對誤差為 0.044，RMSE為 0.030,，且誤差分布相對集中,，與地面高光譜圖像的提取誤差相近。此外,，對比 SVM 監(jiān)督分類提取的 FVC 和 DPK-means 算法提取的 FVC 進行線性擬合（如圖7所示）,，擬合度 R2達到 0.93。

圖6.無人機（UAV）高光譜圖像在不同日期的提取結(jié)果：(1),、(2),、(3) 和 (4) 分別為無人機在D1（2019年3月8日）、D2（2019年3月16日）,、D3（2019年3月25日）和D4（2019年4月11日）采集的樣本圖像,。A. 可見光圖像；B. NDVI灰度圖像,；C. 通過DPK-means算法提取的灰度圖像,；D. 通過SVM算法提取的灰度圖像。

圖7.基于SVM的UAV高光譜小麥圖像的FVC擬合結(jié)果

結(jié)論

為了解決傳統(tǒng)像素二分法在不同土壤條件和時間條件下提取精度不足的問題,，本研究提出了一種基于DPK-means算法從小麥NDVI灰度圖像中提取FVC的新方法,。通過對不同日期采集的不同土壤條件下的高光譜圖像進行分析，本研究計算了NDVI圖像,，分析了NDVI灰度圖像中植被像素的可分離性,，并對比了像素二分法與DPK-means算法的提取效果。結(jié)果表明,，與像素二分法相比,，DPK-means算法在從NDVI灰度圖像中提取FVC時表現(xiàn)更為出色，且受土壤條件和圖像拍攝時間的影響較小,。該方法具有較高的精度和魯棒性,，能夠在不同條件下獲得可靠的提取結(jié)果,。