作物杂志, 2020, 36(3): 177-183 doi: 10.16035/j.issn.1001-7283.2020.03.027

生理生化·植物营养·栽培耕作

利用无人机遥感技术提取农作物植被覆盖度方法研究

王猛1,2, 隋学艳1,2, 梁守真1,2, 侯学会1,2, 梁永全3

1山东省农业可持续发展研究所,250100,山东济南

2农业农村部华东都市农业重点实验室,250100,山东济南

3山东省智慧矿山信息技术重点实验室,266590,山东青岛

Research on the Method of Extracting Crop Vegetation Coverage Using UAV Remote Sensing Technology

Wang Meng1,2, Sui Xueyan1,2, Liang Shouzhen1,2, Hou Xuehui1,2, Liang Yongquan3

1Shandong Institute of Agriculture Sustainable Development, Jinan 250100, Shandong, China

2Key Laboratory of East China Urban Agriculture, Ministry of Agriculture and Rural Affairs, Jinan 250100, Shandong, China

3Shandong Key Laboratory of Wisdom Mine Information Technology, Qingdao 266590, Shandong, China

收稿日期: 2019-11-4   修回日期: 2019-11-26   网络出版日期: 2020-06-15

基金资助: 山东省智慧矿山信息技术重点实验室开放课题
山东省农业科学院农业科技创新工程青年基金

Received: 2019-11-4   Revised: 2019-11-26   Online: 2020-06-15

作者简介 About authors

王猛,主要从事农业遥感方面的研究,E-mail:wangm389@163.com 。

摘要

基于无人机的遥感信息获取技术已广泛应用在农业领域。无人机遥感平台获取农作物信息技术具有高时效、高分辨率、低成本、快速、准确等特点,是目前精准农业中农田信息获取的重要手段之一。利用无人机遥感技术获取可见光影像,以棉花、花生和玉米为研究对象,选取不同的植被指数进行可见光图像阈值分割,结合研究区域可见光影像监督分类结果,确定3种作物提取植被覆盖度方法。试验结果表明,利用无人机可见光图像植被指数阈值分类方法,可以有效提取作物植被覆盖度。该方法对于棉花、花生和玉米3种作物植被覆盖信息的提取精度较高。

关键词: 无人机 ; 农作物 ; 覆盖度 ; 提取 ; 植被指数

Abstract

Remote sensing information acquisition technology based on unmanned aerial vehicle (UAV) has been widely used in agriculture. The use of drone platform to obtain crop remote sensing information is one of the most important methods of obtaining farmland information in precision agriculture. It is characterized by high aging, high resolution, low cost, fast and accurate. UAV remote sensing technology is used to obtain visible light image, cotton, peanut and maize were selected as research materials, different vegetation indices were selected for visible image threshold segmentation. Combined with the supervised classification results of visible light images in the study area, the method of extracting vegetation coverage from vegetation indices of three crops was determined. The experimental results showed that the vegetation index coverage could be effectively extracted using vegetation index threshold classification method. The verification results showed that the method has high precision for extracting vegetation cover information from cotton, peanut and maize.

Keywords: UAV ; Crop ; Coverage ; Extraction ; Vegetation index

PDF (0KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

王猛, 隋学艳, 梁守真, 侯学会, 梁永全. 利用无人机遥感技术提取农作物植被覆盖度方法研究[J]. 作物杂志, 2020, 36(3): 177-183 doi:10.16035/j.issn.1001-7283.2020.03.027

Wang Meng, Sui Xueyan, Liang Shouzhen, Hou Xuehui, Liang Yongquan. Research on the Method of Extracting Crop Vegetation Coverage Using UAV Remote Sensing Technology[J]. Crops, 2020, 36(3): 177-183 doi:10.16035/j.issn.1001-7283.2020.03.027

近年来,无人机遥感技术发展迅速。无人机遥感技术是综合利用先进的无人驾驶飞行技术、遥感遥控技术及遥感应用等技术,快速获取国土、资源和环境等空间信息的应用技术[1]。与传统卫星遥感和航空遥感相比,无人机遥感技术具有高时效、高分辨率、低成本、快速、准确等优势,目前已广泛应用在测绘、灾害监测、水文气象和资源调查等领域[2,3,4,5,6]。在农业方面,Bendig等[7]基于无人机的作物表面高度模型,利用可见光和近红外植被指数监测大麦的生物量;Kyratzis等[8]利用无人机图像对地中海地区小麦作物表型的植被指数进行了有效评估;Wei等[9]以长江中下游河岸带为例,对无人机激光雷达点云植被滤波算法进行了研究。

植被是陆地生态系统最重要的组成部分,在维护生态系统平衡、涵养水源和保持水土等方面具有重要作用[10]。植被覆盖度是描述地表植被分布的重要指标,可反映农作物对光的截获能力,分析作物分布影响因素,评价区域生态环境等,是指示作物生长发育和生物产量的一个重要参数[11]。植被覆盖度主要依靠地面实测和遥感信息提取方法获得[12,13,14],地面实测受人为因素制约精度不高。Choi等[15]利用固定翼无人机获取多光谱图像,对沙丘的部分植被覆盖进行了估算;李冰等[16]以冬小麦为例提出一种获取植被指数阈值的方法;汪小钦等[10]构造可见光波段差值植被指数,提出一种利用双峰直方图阈值法和直方图熵阈值法获取植被指数阈值的方法;赵静等[17]通过无人机获取玉米田间可见光图像,将监督分类与可见光植被指数统计直方图相结合确定阈值的方法提取玉米植被覆盖度,效果较好。

以上研究的相同点在于利用无人机遥感图像,针对某一特定作物,探讨适合植被指数阈值提取的方法。夏季作物种植结构较为复杂,以山东省为例,比较典型的夏季作物主要有花生、棉花和玉米等,利用无人机可见光图像提取多个夏季作物植被覆盖度的研究鲜有报道。

鉴于上述背景,为了能准确获取多种作物的冠层覆盖度信息,综合考虑目前基于无人机遥感影像的农作物研究发展现状、存在问题和发展趋势,本文利用无人机可见光遥感图像,开展夏季典型作物花生、棉花和玉米植被覆盖度提取方法的研究。通过对提取方法的分析验证,以期获得一种低成本、易操作和客观有效提取夏季多种农作物植被覆盖度的方法,扩大无人机遥感技术在农业中的应用,为我国高精度农作物遥感监测提供参考。

1 材料与方法

1.1 无人机影像数据的获取

获取的棉花、花生和玉米无人机数据试验区域分别为山东省济宁市金乡县杨庄村(35°00′05″N,116°14′56″E)、山东省日照市莒县石井西北岭村(35°28′06″N,118°50′45″E)和山东省日照市莒县后夏庄村(35°28′49″N,118°48′42″E)。

试验采用大疆御Mavic 2无人机,镜头焦距24mm。数据采集拍摄时间为2019年6月下旬,同一区域内设置飞行高度60和40m 2个架次飞行,低空拍摄,飞行速度为18km/h,旁向重叠度以及航向重叠度均为80%,拍摄时需天气状况良好,无风少云。将60m航高和地面分辨率2.2cm的图像数据作为试验数据,航高40m和地面分辨率1.5cm图像数据作为验证数据。利用Pix4DMapper软件进行图像拼接处理,获得正射影像图。本研究中对可见光红、绿、蓝3个波段中心波长的位置和波段范围没有严格要求,所获取的影像没有进行辐射定标[10]

1.2 支持向量机分类

支持向量机(support vector machine,SVM)是一种基于统计学习理论的机器学习算法,它的基本模型是定义在特征空间上的间隔最大的线性分类器,支持向量机包括核心技巧,这使它成为实质上的非线性分类器[18]。支持向量机属于监督分类,将那些易错、顽固的样本点作为分类面的支撑点,优化分类判别面,使得正负类支撑面间隔最大。它可以针对训练样本集,选择少量样本点作为支撑向量设计分类器,大大降低测试时间;能够针对高维特征空间中的有限训练样本集产生泛化的分类器,有效解决小样本问题。

综合考虑本试验数据的现实性及软件程序的便捷性,本研究使用支持向量机监督分类,用于区分植被和非植被像元。使用目视判读的方法从图像上分别选取50、80、80个土壤像元样本和50、80、80个植被像元样本,使用Envi软件进行支持向量机的监督分类,得到各自分类结果。

1.3 植被覆盖度提取方法的建立

1.3.1 选取植被指数 在遥感应用领域,植被指数已广泛用来定性和定量评价植被覆盖情况及其生长活力。植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应,而且受大气空间、时相变化的影响,植被指数没有一个固定的值。目前应用较多的植被指数有归一化植被指数、比值植被指数、差值植被指数、垂直植被指数和正交值植被指数等。

上述植被指数大都基于可见光-近红外波段,无人机和地面数码相机采集的图像为可见光RGB 3波段。基于已有研究,参考目前研究较多、精度较高的植被指数,选取5种基于可见光波段的植被指数: 过绿指数(excess green,EXG)[10]、可见光波段差值植被指数(visible-band difference vegetation index,VDVI)[10]、红绿比指数(red-green ratio index,RGRI)[19]、蓝绿比指数(blue-green ratio index,BGRI)[20]和红绿蓝植被指数(red-green-blue vegetation index,RGBVI)[20]。这5种植被指数的计算过程如下:

EXG=2ρg-ρr-ρb
VDVI=(2ρg-ρr-ρb)/(2ρg+ρr+ρb
RGRI=ρr/ρg
BGRI=ρb/ρg
RGBVI=(ρg2-ρr×ρb)/(ρg2+ρr×ρb

式中,ρrρgρb分别为可见光红、绿和蓝波段的像元值。

1.3.2 植被覆盖度提取方法 已有研究表明,用植被指数进行阈值分割可以有效区分植被、水体、土壤和建筑物等地物[21,22]。结合试验区域实际情况,对地面数码相机拍摄的单幅可见光图像进行试验,使用Envi软件分别利用上述5种植被指数进行植被覆盖度提取处理,选取合适的图像分割阈值,将RGB图像分割为植被和土壤进行植被覆盖度提取,对提取结果进行分析比较。

地面数码RGB图像的植被覆盖度提取结果如图1所示。为验证不同植被指数植被覆盖度的提取精度,结合试验照片地面实地情况,以试验照片选取的植被点与土壤点作为真值验证数据,计算混淆矩阵。如表1所示,针对地面试验照片,各植被指数阈值分割提取的植被覆盖度精度不同,其中VDVI、RGR和RGBVI提取精度较高,能够有效区分植被和土壤。土壤在可见光绿波段与植被有重叠,在绿光波段土壤不易与植被区分,VDVI的构造过程中充分考虑了红、绿、蓝3个波段的光谱特性,更易于区分植被和非植被,该研究选用VDVI作为作物植被覆盖度阈值分割的植被指数。

图1

图1   各植被指数的植被覆盖度提取结果

Fig.1   Vegetation coverage extraction results of each vegetation index


表1   试验区域植被覆盖度精度分析

Table 1  Precision analysis of vegetation coverage %

植被指数
Vegetation index
EXGVDVIRGRIBGRIRGBVI
地面照片
Ground photo
93.6798.1297.8989.7198.01

新窗口打开| 下载CSV


为了验证VDVI阈值分割提取植被覆盖度的适用性,结合监督分类结果,分别提取了不同生长时期的棉花、花生和玉米无人机可见光图像植被覆盖度,主要流程如图2所示。

图2

图2   植被覆盖度提取流程图

Fig.2   Flow chart of vegetation coverage extraction


1.4 植被覆盖度提取结果评价方法

目前较为常用的植被覆盖度提取精度评价的方法主要是目视解译,针对感兴趣区域植被冠层覆盖情况,结合地面调查数据和图像现实状态对感兴趣区域进行目视解译。该方法受人力和物力等条件的限制较大,不适合多种作物和大区域植被覆盖度的提取结果评价。

本研究将无人机获取的可见光遥感图像,通过支持向量机监督分类获取的植被覆盖度结果作为植被覆盖度真值,对采用植被指数阈值获取的作物植被覆盖度进行精度计算。

2 结果与分析

2.1 植被指数的计算与阈值确定

以棉花、花生和玉米3个试验区域无人机采集的可见光遥感图像为数据源,进行支持向量机的监督分类,得到分类结果。在监督分类结果的基础上,分别对棉花、花生和玉米的VDVI进行统计分析,统计直方图如图3所示。

图3

图3   棉花、花生和玉米VDVI统计直方图

Fig.3   Statistical histogram of VDVI in cotton, peanut and maize


无人机获取棉花、花生和玉米3种作物RGB图像时期的天气情况一致,本研究忽略天气对RGB图像处理结果的影响。从图3可以看出,在棉花、花生和玉米3种作物生长前期,植被像元和土壤像元的VDVI统计直方图各不相同。棉花植被像元和土壤像元VDVI统计直方图呈双峰分布,表明棉花试验区域中植被像元和土壤像元个数相差不大;花生像元VDVI统计直方图在下,土壤像元VDVI统计直方图在上并呈锯齿形分布,主要原因是花生土壤中含有地膜混合像元,花生试验区域中土壤像元明显多于花生植被像元;玉米植被像元和土壤像元VDVI统计直方图呈现高、低双峰分布,表明玉米试验区域中植被像元明显多于土壤像元。

考虑到在本次无人机获取的RGB图像中,无人机RGB图像中有混合像元的存在,选取统计直方图中棉花、花生和玉米土壤像元和植被像元的VDVI统计直方图的相交区域作为植被指数分割阈值区域,在本区域内选择合适数值作为植被与非植被的分割阈值。

2.2 农作物植被覆盖度的提取与分析

基于上节介绍的阈值确定方法,分别统计3种作物VDVI中植被和土壤的像元分布直方图,得到植被覆盖度提取阈值区域,在该区域内确定合适的VDVI图像分类阈值。使用Envi软件分别对棉花、花生和玉米进行植被覆盖度提取,提取结果如图4所示。

图4

图4   棉花、花生和玉米试验区域植被覆盖度提取

Fig.4   Extraction of vegetation coverage of cotton, peanut and maize test areas


为避免人为误差影响,提高植被覆盖度提取精度时,利用更高分辨率(航高40m,地面分辨率1.5cm)无人机可见光遥感图像,以多人次图像监督分类结果的平均值作为本试验中3种作物植被覆盖度的提取真值。以玉米试验区域无人机图像为数据源,根据目视判读在图像上选定80个玉米植被和80个土壤区域样本,进行支持向量机监督分类,分别对玉米植被和土壤的分类结果计算混淆矩阵,并进行精度验证,如表2所示,生产者精度为0.9979。

表2   玉米监督分类精度分析

Table 2  Precision evaluation of maize supervised classification

地物Ground object玉米(像元)Maize (pixel)土壤(像元)Soil (pixel)样本总数Total sample size用户精度User accuracy
玉米(像元)Maize (pixel)29 6115429 6650.9981
土壤(像元)Soil (pixel)25722 40522 6620.9886
样本总数Total sample size29 86822 45952 327
生产者精度Producer accuracy0.99140.9976

新窗口打开| 下载CSV


表3可知,支持向量机的监督分类精度较高,可以作为植被指数阈值分割方法的真值。监督分类方法得到的棉花、花生和玉米试验区域植被覆盖度提取结果分别为54.8089%、35.0039%和69.7196%;基于VDVI阈值方法提取的3种作物植被覆盖度结果分别为55.5988%、36.1823%和71.0984%。

表3   试验区域植被覆盖度精度分析

Table 3  Accuracy analysis of vegetation coverage in the experimental areas %

植被覆盖度
Vegetation coverage
棉花
Cotton
花生
Peanut
玉米
Maize
监督分类Supervised classification54.8089035.0039069.71960
VDVI阈值分类
VDVI threshold classification
55.5988036.1823071.09840
绝对误差Absolute error0.789931.178431.37882
误差Error1.441243.366581.97767

新窗口打开| 下载CSV


以监督分类结果为真值,对VDVI阈值法提取的3种作物植被覆盖度进行精度计算,数值如表3所示。由表3可见,花生植被覆盖度提取误差较大;棉花和玉米试验区植被覆盖度提取误差较小,均小于2.00000%。对比发现,棉花试验区植被覆盖度适中,无明显混合像元存在,VDVI阈值分类对棉花试验区域提取效果最好;VDVI阈值分类对花生试验区域植被覆盖度识别能力最差,造成这种结果的原因是花生试验区域存在大量地膜混合像元;由于玉米试验区域存在较高的植被覆盖度,无明显混合像元存在,VDVI阈值分类提取效果较好。

2.3 方法验证

为了进一步验证利用无人机可见光图像VDVI阈值提取棉花、花生和玉米3种作物植被覆盖度方法的适用性和可靠性,将以上提取的植被覆盖度阈值作为固定阈值,截取Pix4Dmapper软件拼接的同时期、相邻试验区域正射图像,用同样的方法进行植被覆盖度提取。同样以支持向量机监督分类结果的平均值作为本次验证试验中3种作物植被覆盖度的提取真值,分别得到监督分类和VDVI阈值分类提取的棉花、花生和玉米植被覆盖度,其精度统计分析如表4所示。

表4   验证区域植被覆盖度精度分析

Table 4  Accuracy analysis of vegetation coverage in validation areas %

植被覆盖度
Vegetation coverage
棉花
Cotton
花生
Peanut
玉米
Maize
监督分类Supervised classification57.0027035.4394069.03740
VDVI阈值分类
VDVI threshold classification
57.9988036.9803071.16510
绝对误差Absolute error0.996101.540902.12770
误差Error1.747464.347983.08195

新窗口打开| 下载CSV


3 讨论

上述精度评价表明,验证图像中3种作物植被覆盖度总体提取精度较高。监督分类棉花、花生和玉米植被覆盖度提取结果分别为57.0027%、35.4394%和69.0374%;VDVI阈值分类方法提取的3种作物植被覆盖度结果分别为57.9988%、36.9803%和71.1651%。由此可知,利用VDVI阈值分类方法提取的3种作物的植被覆盖度均高于监督分类方法提取的结果。利用VDVI阈值分类方法提取的棉花植被覆盖度精度最高,花生植被覆盖度精度最低,原因在于无人机获取的棉花图像植被和土壤像元分布纯净;花生图像中含有地膜混合像元存在,植被和土壤像元分布不纯净。

基于以上的试验及验证结果,认为VDVI阈值分类方法适用于无人机可见光波段棉花、花生和玉米作物植被信息的提取,提取精度高。

与现有的基于无人机可见光图像的植被覆盖度提取方法相比,本研究提出的植被覆盖度提取方法具有诸多优势,可以在较小区域内,针对夏季典型作物棉花、花生和玉米的植被覆盖度进行较高精度的提取。由于低空无人机遥感技术仍处于迅速发展阶段,还有一些需要改进的地方,如无人机机身稳定性不够高,图像缺乏精校正等问题。在运用低空无人机数据提取高精度信息的地面参数时,无人机可见光图像获取的天气对结果的影响、图像的辐射定标和大气纠正等问题,笔者将在以后工作中进一步研究。

4 结论

利用目前市面上通用的消费级无人机,可以实现田间尺度上农作物高分辨率和高时相遥感图像的获取,易操作、成本低、精度高。结合监督分类与VDVI统计直方图,可以获得提取植被覆盖度的植被指数分类阈值范围,便于最终确定植被指数图像分类阈值。VDVI阈值分类方法能较好地区分植被与非植被。VDVI阈值分类方法对棉花、花生和玉米3种作物的植被覆盖度提取精度较高。相对于含有地膜混合像元的花生作物,此方法对棉花和玉米作物的植被识别精度更高。

参考文献

陈仲新, 任建强, 唐华俊 , .

农业遥感研究应用进展与展望

遥感学报, 2016,20(5):748-767.

[本文引用: 1]

宋清洁, 崔霞, 张瑶瑶 , .

基于小型无人机与MODIS数据的草地植被覆盖度研究——以甘南州为例

草业科学, 2017,34(1):40-50.

[本文引用: 1]

戴建国, 张国顺, 郭鹏 , .

基于无人机遥感可见光影像的北疆主要农作物分类方法

农业工程学报, 2018,34(18):122-129.

URL     [本文引用: 1]

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用ReliefF-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine, SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。

郭鹏, 武法东, 戴建国 , .

基于无人机可见光影像的农田作物分类方法比较

农业工程学报, 2017,33(13):112-119.

URL     [本文引用: 1]

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。

高林, 杨贵军, 李红军 , .

基于无人机数码影像的冬小麦叶面积指数探测研究

中国生态农业学报, 2016,24(9):1254-1264.

[本文引用: 1]

丁雷龙, 李强子, 杜鑫 , .

基于无人机图像颜色指数的植被识别

国土资源遥感, 2016,78(1):78-86.

[本文引用: 1]

Bendig J, Yu K, Aasen H , et al.

Combining UAV- based plant height from crop surface models,visible,and near infrared vegetation indices for biomass monitoring in barley

International Journal of Applied Earth Observation and Geoinformation, 2015,39:79-87.

DOI:10.1016/j.jag.2015.02.012      URL     [本文引用: 1]

Kyratzis A C, Skarlatos D P, Menexes G C , et al.

Assessment of vegetation indices derived by UAV imagery for durum wheat phenotyping under a water limited and heat stressed mediterranean environment

Frontiers in Plant Science, 2017,8:1-14.

[本文引用: 1]

Wei L X, Yang B, Jiang J P , et al.

Vegetation filtering algorithm for UAV- borne lidar point clouds:acase study in the middle- lower Yangtze River riparian zone

International Journal of Remote Sensing, 2017,38(8/9/10):2991-3002.

DOI:10.1080/01431161.2016.1252476      URL     [本文引用: 1]

汪小钦, 王苗苗, 王绍强 , .

基于可见光波段无人机遥感的植被信息提取

农业工程学报, 2015,31(5):152-159.

URL     [本文引用: 5]

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。

赵健赟 .

地表植被覆盖度遥感估算及其气候效应研究进展

测绘与空间地理信息, 2015,38(8):77-80.

[本文引用: 1]

Song W J, Mu X H, Ruan G Y , et al.

Estimating fractional vegetation cover and the vegetation index of bare soil and highly dense vegetation with a physically based method

International Journal of Applied Earth Observation and Geoinformation, 2017,58:168-176.

DOI:10.1016/j.jag.2017.01.015      URL     [本文引用: 1]

牛亚晓, 张立元, 韩文霆 , .

基于无人机遥感与植被指数的冬小麦覆盖度提取方法

农业机械学报, 2018,49(4):212-221.

[本文引用: 1]

Jia K, Liang S L, Gu X F , et al.

Fractional vegetation cover estimation algorithm for Chinese GF-1 wide fieldview data

Remote Sensing of Environment, 2016,177(5):184-191.

DOI:10.1016/j.rse.2016.02.019      URL     [本文引用: 1]

Choi S, Heuk J S, Yeon C D .

Estimation of fractional vegetation cover in sand dunes using multi-spectral images from fixedwing UAV

Journal of the Korean Society of Survey,Geodesy,Photogrammetry, and Cartography, 2016,34(4):431-441.

[本文引用: 1]

李冰, 刘镕源, 刘素红 , .

基于低空无人机遥感的冬小麦覆盖度变化监测

农业工程学报, 2012,28(13):160-165.

URL     [本文引用: 1]

无人机遥感作为卫星遥感的有益补充,具有高时效、高分辨率、低成本、低损耗、低风险及可重复等优点。为了利用无人机遥感系统进行快速机动地监测大面积农作物覆盖度变化,更好地服务和指导农业生产,该文设计了一套以低空无人直升机为平台的多光谱载荷观测系统,并以冬小麦为研究对象,对冬小麦生长过程中的5个主要生育期进行监测,提出一种从时间序列影像的植被指数直方图曲线中获取植被指数阈值的方法,并利用植被指数阈值法提取研究区域内冬小麦覆盖度时序变化曲线,分析了空间尺度对提取植被覆盖度的影响。研究结果表明,利用低空无人机遥感监测冬小麦覆盖度变化的方法可行,分析结果可靠,在大面积农作物覆盖度的测量有很好的应用前景。

赵静, 杨焕波, 兰玉彬 , .

基于无人机可见光图像的夏季玉米植被覆盖度提取方法

农业机械学报, 2019,50(5):232-240.

[本文引用: 1]

童威 .

基于ENVI的遥感影像监督分类方法的研究

科技创新与应用, 2019,36(23):6-9.

[本文引用: 1]

Gamon J A, Surfus J S .

Assessing leaf pigment content and activity with a reflectometer

New Phytologist, 1999,143(1):105-117.

DOI:10.1046/j.1469-8137.1999.00424.x      URL     [本文引用: 1]

Sellaro R, Crepy M, Trupkin S A , et al.

Cryptochrome as a sensor of the blue/green ratio of natural radiation in Arabidopsis

Plant Physiology, 2010,154(1):401-409.

DOI:10.1104/pp.110.160820      URL     [本文引用: 2]

Claverie M, Demarez V, Duchemin B , et al.

Maize and sunflower biomass estimation in southwest France using high spatial and temporal resolution remote sensing data

Remote Sensing of Environment, 2012,124:844-857.

DOI:10.1016/j.rse.2012.04.005      URL     [本文引用: 1]

The recent availability of high spatial and temporal resolution (HSTR) remote sensing data (Formosat-2, and future missions of Ven mu s and Sentinel-2) offers new opportunities for crop monitoring. In this context, we investigated the perspective offered by coupling a simple algorithm for yield estimate (SAFY) with the Formosat-2 data to estimate crop production over large areas. With a limited number of input parameters, the SAFY model enables the simulation of time series of green area index (GAI) and dry aboveground biomass (DAM). From 2006 to 2009, 95 Formosat-2 images (8 m, 1 day revisit) were acquired for a 24 x 24 km(2) area southwest of Toulouse, France. This study focused on two summer crops: irrigated maize (Zea mays) and sunflower (Helianthus annuus). Green area index (GAI) time series were deduced from Formosat-2 NDVI time series and were used to calibrate six major parameters of the SAFY model. Four of those parameters (partition-to-leaf and senescence function parameters) were calibrated per crop type based on the very dense 2006 Formosat-2 data set The retrieved values of these parameters were consistent with the in situ observations and a literature review. Two of the major parameters of the SAFY model (emergence day and effective light-use efficiency) were calibrated per field relative to crop management practices. The estimated effective light-use efficiency values highlighted the distinction between the C4 (maize) and 0 (sunflower) plants, and were linked to the reduction of the photosynthesis rate due to water stress. The model was able to reproduce a large set of GAI temporal shapes, which were related to various phenological behaviours and to crop type. The biomass was well estimated (relative error of 28%), especially considering that biomass measurements were not used for the calibration. The grain yields were also simulated using harvest index coefficients and were compared with grain yield statistics from the French Agricultural Statistics for the department of Haute-Garonne. The inter-annual variation in the simulated grain yields of sunflower was consistent with the reported variation. For maize, significant discrepancies were observed with the reported statistics. (C) 2012 Elsevier Inc.

Peng D L, Huete A R, Huang J F , et al.

Detection and estimation of mixed paddy rice cropping patterns with MODIS data

International Journal of Applied Earth Observation and Geoinformation, 2011,13(1):13-23.

DOI:10.1016/j.jag.2010.06.001      URL     [本文引用: 1]

/