引言

火龍果作為熱帶、亞熱帶地區(qū)的典型經(jīng)濟作物，具有極強的經(jīng)濟價值，如何快速、精準識別提取植株能為火龍果產(chǎn)業(yè)估產(chǎn)、監(jiān)測提供技術(shù)支撐，實現(xiàn)農(nóng)業(yè)的“粗放”向“精細”轉(zhuǎn)型。精準農(nóng)業(yè)已經(jīng)成為當今世界農(nóng)業(yè)發(fā)展的新趨勢，也是中國現(xiàn)代化農(nóng)業(yè)發(fā)展的主流方向，尤其可以為喀斯特高原峽谷區(qū)有限的土地空間提供科學(xué)、量化的管理與利用。

無人機遙感是指利用先進的人機分離操控技術(shù)，GPS差分定位技術(shù)，搭載不同的傳感器，按需自動快速獲取高分辨率影像的新興應(yīng)用技術(shù)。隨著小型無人機技術(shù)的日臻成熟，無人機作為一種新型的低空遙感平臺，因其在低空飛行可避開云霧的影響、成圖周期短、分辨率高、機動性強、靈活性好、造價低且方便攜帶等的優(yōu)勢，有效地彌補了傳統(tǒng)衛(wèi)星遙感在喀斯特高原峽谷區(qū)獲取影像受云層遮擋和地形影響的不足，在諸多領(lǐng)域得到了廣泛應(yīng)用。

國內(nèi)外學(xué)者基于無人機可見光影像研究作物的時間軸線主要從監(jiān)測、分類到識別提取，前期集中在中、低分辨率尺度的監(jiān)測；中期逐漸過渡到對地物的分類上。如部分學(xué)者充分利用可見光鏡頭紅(R)、綠(G)、藍(B)三波段研究了幾種主要的顏色植被指數(shù)并在應(yīng)用中取得了良好效果。當下基于顏色指數(shù)的應(yīng)用主要集中在對植被的識別以及地物分類上，在典型經(jīng)濟作物的單株提取方面還未見更多的報道。

盡管學(xué)者們對無人機可見光影像從研究維度和形態(tài)方面做了大量基礎(chǔ)工作，但目前對于喀斯特高原峽谷區(qū)典型經(jīng)濟作物的單株提取算法探討并不多。鑒于此，在前人研究的基礎(chǔ)上，本研究擬深度解析目前主要的5種可見光波段顏色植被指數(shù)(VDⅥ、ExG、ExG—ExR、NGRDI、GLI)應(yīng)用于火龍果植株識別，進行作物閾值分割，并結(jié)合可視化空間建模工具模型構(gòu)建器(ModelBuilder)，構(gòu)建火龍果單株提取模型，以期能獲得一種有效識別提取火龍果植株的方法，促進無人機遙感在喀斯特高原峽谷區(qū)的應(yīng)用。

材料與方法

2.1 研究區(qū)、數(shù)據(jù)采集與處理

實驗數(shù)據(jù)包括火龍果航片與精度驗證數(shù)據(jù)，正射航片數(shù)據(jù)一般選天氣溫和的T12：00--14：00進行拍攝，此時太陽高度角基本垂直地表，可以減少因光線傾斜造成的作物陰影。其中，航片采集時間為2018—11.05T13：00，研究區(qū)為貴州省西南部關(guān)嶺縣以南、貞豐縣以北的北盤江流域喀斯特高原峽谷區(qū)火龍果基地，(圖1)。

圖1 研究區(qū)無人機可見光影像

根據(jù)研究區(qū)地形條件與火龍果植株長勢特征，飛行高度設(shè)置80m、航向重疊度為75%、旁向重疊度為70%，拍照模式為定點懸停拍攝。影像拼接內(nèi)容主要包括航片糾正、空三處理和精度評估等。影像預(yù)處理主要糾正航片獲取過程中因無人機抖動產(chǎn)生的變形、扭曲、失真、模糊和噪音，并對其進行圖像增強、整飾、裁剪、重建獲取研究區(qū)厘米級高分辨率影像。精度驗證數(shù)據(jù)以可見光影像為底圖、人機交互采集并于基地驗證獲取。

2.2 火龍果植株特征

火龍果主要分布于海南、廣東、廣西和貴州等熱帶、亞熱帶地區(qū)。植株種植行間距3mx2m，喜光耐陰、耐熱耐旱、喜肥耐瘠，形態(tài)呈星狀分布，以支撐柱為中心向四周延伸，葉片棱常為翅狀，邊緣波狀或圓齒狀，顏色呈淡藍色至深綠色(圖2一a，植株分支較多，郁閉度較高，分離度較好，影像獲取時火龍果處于掛果期，植株枝繁葉茂，且季相正值秋末冬至，雜草多半枯死，形成僅包含目標地物與裸地的相對理想的研究環(huán)境，利用ENVl5.3中的光譜曲線工具多次對比驗證得到火龍果在綠波段高反射、藍波段高吸收，裸地在綠波段高吸收的特性，描繪出火龍果與裸地波普曲線(圖2一b、C，綜上特征，基于可見光影像構(gòu)建RGB三波段植被指數(shù)識別提取單株火龍果可行性增強。

圖2火龍果植株樣例(a)、其波譜曲線(b)及裸地波譜曲線(C)

2.3 研究方法

2.3.1 火龍果植株識別指數(shù)

可見光波段差異植被指數(shù)(VDVI)的構(gòu)建是參照當前最流行應(yīng)用的歸一化植被指數(shù)NDVI(的構(gòu)造原理及形式

式中：ρNIR為近紅外波段；ρR為紅光波段。充分考慮植被對可見光綠波段的強反射，紅、藍波段的強吸收，以綠光波段ρG代替NDVI中的ρNm，以紅、藍波段組合(ρR+ρB)代替NDVI中的ρR，并將ρG×2使其在數(shù)值上與(ρR+ρB)相當，獲得VDVI植被指數(shù)公式：

式中：p占為藍光波段。過綠指數(shù)，ExG)主要用在自動分離作物與土壤方面，計算公式為：

式中：G為綠波段；R為紅波段；B為藍波段。歸一化綠紅差異指數(shù)(NGRDI)主要目的是消除不同輻照度對植被光譜特征的影像，使用綠光波段與紅光波段之差做歸一化比值指數(shù)，計算公式為：

ρG七PR過綠減過紅指數(shù)ExG—ExR作為一種改進的顏色指數(shù)，通過將ExG指數(shù)圖像相減，發(fā)現(xiàn)0閾值的ExG—ExR指數(shù)可以很好地將目標地物與背景分離，計算公式為：

綠葉指數(shù)(GLI)通過判斷紅、藍波段像元值(DN)的平均值是否大于綠光波段DN值來生成灰度圖像，并進行歸一化處理，使結(jié)果圖像的像元值在[-1，1]。一般隋況下，負值代表土壤與非植被區(qū)域，正值區(qū)域則為植被，計算公式為

式中：R、G、B表示紅、綠、藍3個波段的像元值，分別對應(yīng)可見光無人機影像的Bandl、Band2、Band3。

2.3.2 閾值分割

1)雙峰直方圖雙峰直方圖有2個明顯的波峰，分別對應(yīng)背景值與目標值較多數(shù)目的點，兩峰之間的峰谷即為劃分目標與背景的最佳閾值。理想的雙峰曲線有分明的波峰波谷，但地物受到多種背景因素的干擾，雙峰一般難達到理想效果。

2)最大類間方差(OTSU)OTSU算法是由日本學(xué)者OTSU于1979年提出的一種對圖像進行二值化的高效算法，也稱為最大類問方差法，它是按照圖像的灰度特性將其分為背景和目標2部分，其核心思想是當閾值礅目標與背景之間的類方差最大時，T為識別提取目標地物的最佳閾值。

2.3.3 火龍果植株單株提取

通過可見光波段植被指數(shù)方法識別分割出的火龍果植株區(qū)域，需進行再次分類去除星碎斑塊以及無關(guān)地物，結(jié)合ArcGIS工具的可視化空間建模模型構(gòu)建器，提出一種以單顆植株平均面積分割株叢的思想，構(gòu)建火龍果單株自動提取及精度驗證的快捷批處理模型(圖3)。

圖3火龍果植株單株提取及精度驗證模型

內(nèi)容包括：

1)計算每塊矢量斑塊的面積；

2)篩選碎小斑塊以及背景圖斑并刪除；

3)判斷統(tǒng)計的植株圖斑是否分離徹底；

4)統(tǒng)計分離完好的單顆植株數(shù)量；

5)提取單顆植株的平均面積；

6)篩選連體圖斑并除以單顆植株面積獲得每一塊連體植株的分割數(shù)量；

7)統(tǒng)計單株數(shù)與連體分割數(shù)獲得總株數(shù)；

8)將提取的總株數(shù)與實際植株株數(shù)進行精度驗證，公式為：

N式中：尺表示正確率；M表示提取株數(shù)；N表示實際株數(shù)?；瘕埞仓陠沃晏崛〖夹g(shù)路線如圖4。

圖4火龍果識別提取技術(shù)路線

3、結(jié)果分析

3.1 植被指數(shù)計算及分析

利用ENVl5.3軟件中的波段計算工具分別代人式(2~6)計算5種植被指數(shù)，其中可見光波段差異植被指數(shù)(VDVI)需要轉(zhuǎn)化為浮點型計算，獲得各植被指數(shù)的灰度圖(圖5)。

圖5可見光波段植被指數(shù)計算結(jié)果

其中，圖5一a、b、c的白色或灰白色區(qū)域為目標地物，黑色區(qū)域為土壤、碎石、枯草和梯埂等背景值，目標地物與背景值有較明顯的區(qū)分界線，分離度較好，植被指數(shù)的大小與其色調(diào)的亮暗程度成正相關(guān)，色調(diào)越暗，植被指數(shù)越小，反之則越大。圖5-d中，植被指數(shù)提取結(jié)果混亂，目標地物與背景值分布零碎沒有明顯的分割邊界，圖5一e中白色區(qū)域混雜了目標地物與混凝土堆砌的梯埂，GLI和NGRDI顏色指數(shù)計算結(jié)果的目標地物與背景交叉嚴重，重疊現(xiàn)象明顯且標準差較大，反映了組內(nèi)個體問的離散程度較大，在一定程度上說明了GLI與NGRDI并不適宜于火龍果的單株識別提取(表1）。

表1 各植被指數(shù)灰度特征值統(tǒng)計

3.2 闕值提取分析

從圖6可知，VDVI、ExG、ExG—ExR三種植被指數(shù)有較明顯的雙峰效果，可利用雙峰直方圖閾值分割方法獲取火龍果與背景值的分割閾值，而NGRDI與GLI的灰度直方圖雙峰效果不突出，因此使用自動閾值提取的最大類間方差法(OTSU)獲取其閾值(表2)。

表2各植被指數(shù)波段閾值

圖6可見光波段植被指數(shù)灰度直方網(wǎng)

通過對比雙峰直方圖與OTSU獲取的閾值(見表2)發(fā)現(xiàn)，其中VDVI通過OTSU方法獲取的閾值相較雙峰直方圖增加了0.0079，ExG減少了3.5495，ExG—ExR增加了17.4148，可見2種分割方法獲取的閾值并沒有完全疊合，但整體都處在一個相對穩(wěn)定的波動范圍內(nèi)。

3.3 植被識別指數(shù)比較分析

選取上述OTSU方法獲取的閾值，分別對5種指數(shù)進行目標地物與背景值的分割得到火龍果的識別提取(圖7)，并進行特征值統(tǒng)計(表3)。

表3五種指數(shù)特征值統(tǒng)計

由圖7可見，VDVI與ExG相ELExG—ExR、NGRDI和GLI有明顯的分割效果，研究區(qū)像元數(shù)量總數(shù)為2199075，其中，VDVI提取的火龍果區(qū)域像元數(shù)量占整個研究區(qū)的13.94%，正確率為97.43%，Kappa系數(shù)為0.9607(見表3)，火龍果識別度較高，且分離度也較好。ExG.ExR與GLI提取的火龍果區(qū)域像元數(shù)量超過了整個研究區(qū)的60%，正確率僅為42.57%、58.96%。顯然這2種指數(shù)把其他地物或背景值錯分成了目標地物，理論上可以判定這2種指數(shù)不適宜作為火龍果單株識別提取的方法。NGRDI的目標地物像元比例僅為6.61%，該指數(shù)漏提了大部分火龍果區(qū)域，把提取的部分目標區(qū)域歸為空值，獲取的最終值與真實值存在較大偏差。而ExG相較ExG—ExR、NGRDI、GLI雖然有明顯的識別提取效果，但與VDVI相比還是存在一定的漏提錯分現(xiàn)象。綜上所述，VDVI為火龍果單株識別提取的最佳指數(shù)。

圖7火龍果區(qū)域識別結(jié)果

3.4 火龍果植株單株提取分析

通過VDVI指數(shù)的方法識別并分割出的火龍果植株區(qū)域，結(jié)合ArcGIS工具的可視化空間建模模型構(gòu)建器，以單顆植株平均面積分割株叢，提取結(jié)果見圖8。

圖8火龍果分割效果(a．VDVI矢量斑塊；b.單株斑塊；C．株叢斑塊)

從表4可知，單株的平均面積為143.6821dm2，分離完好的單顆植株僅占總植株數(shù)的50.20%。研究區(qū)將近一半的植株處于連體狀態(tài)，連體植株的單塊面積最大值達到了1260.6204dm2，個別斑塊連體現(xiàn)象明顯，分離并不徹底(見圖8)，其中植株的自然枝繁葉茂以及疏于管理造成的倒伏是導(dǎo)致植株連體現(xiàn)象的主要原因。自動提取的植株總數(shù)為320棵，人機交互野外驗證獲取的實際株數(shù)為295棵，自動提取的株數(shù)比實際株數(shù)多了25棵，代人公式(13)可得提取精度為91.7%，造成多提錯分的原因主要來源于連體植株的陰影及部分雜草的干擾，錯將其面積歸為目標地物。

表4 VDVI提取各指標特征值統(tǒng)計

4、結(jié)論

本文依托小型無人機平臺采集了喀斯特高原峽谷研究區(qū)厘米級的高分辨率影像，在分析目標地物與土壤、碎石和梯梗等背景的綜合光譜特征基礎(chǔ)上，利用VDVI、NGRDI、ExG、ExG—ExR和GLI等基于可見光波段的顏色指數(shù)分別對研究區(qū)高分辨影像進行實驗，根據(jù)提取結(jié)果特征統(tǒng)計，對t95種指數(shù)運用在喀斯特高原峽谷區(qū)典型經(jīng)濟作物火龍果識別提取的適用性，使用雙峰直方圖和最大類間方差法(OTSU)進行閾值提取，獲得5種指數(shù)對目標地物與背景的最佳分割閾值，提出以單株平均面積分割連體植株的思想，結(jié)合模型構(gòu)建器實現(xiàn)了對研究區(qū)目標地物的單株提取，提高了工作效率，為喀斯特山區(qū)典型經(jīng)濟作物單株識別提取方法提供了參考。研究表明：

1)可見光波段植被指數(shù)(VDVI)相比其他4種植被指數(shù)(ExG、ExG—ExR、NGRDI和GLI)對研究區(qū)的目標地物識別效果最好；

2)通過人機交互野外驗證獲取實際株數(shù)與識別提取株數(shù)精度得出，自動識別提取的精度為91.7%；

3)使用基于可見光波段的顏色指數(shù)方法對喀斯特高原峽谷區(qū)典型經(jīng)濟作物的精準識別提取是可行的。本文選取特殊地形地貌——貴州喀斯特高原峽谷作為研究區(qū)，使用小型無人機平臺采集影像數(shù)據(jù)的方案有效地彌補了喀斯特山區(qū)傳統(tǒng)衛(wèi)星遙感獲取影像精度不足的缺陷。

本文實驗數(shù)據(jù)因其采集季相的特殊性，干擾雜物較少，分離度較高，識別提取的作物生長環(huán)境基本呈目標地物與裸地狀態(tài)，因而本研究方法目前僅適用于背景雜物相對干凈的區(qū)域。如何辨別雜草對目標地物的干擾以及不同生長環(huán)境地塊間的提取精度還有待進一步的研究。另外，如何結(jié)合深度學(xué)習與地物光譜特征提高識別提取精度也是未來研究的方向。

歡迎關(guān)注公眾號：萊森光學(xué)，了解更多光譜知識。

萊森光學(xué)（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯黃宇