導讀

背景：植被覆蓋度（FVC）是衡量作物生長狀況的重要參數，對作物生長監測、生態環境評價以及農業生產具有重要意義。傳統的 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用。然而，不同土壤濕度、光照條件及數據采集時間可能影響 FVC 的提取精度，限制了其在動態環境中的適用性。因此，開發一種高精度、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（HSI）因其能夠同時獲取作物的光譜和空間信息，在農業監測領域得到了廣泛關注。相比傳統數字相機僅依賴 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，并結合植被指數（如 NDVI）有效區分植被與背景，提高 FVC 提取的準確性。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提取的穩定性和適應性。

作者信息：劉升平，中國農業科學院農業信息研究所，碩士生導師

期刊來源：ScienceDirect

研究內容

研究在江蘇揚州的盆栽試驗田與農田實驗區開展數據采集，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據。數據預處理中，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，驗證 DPK-means 算法在 FVC 提取中的優*性。

實驗設計

地面數據：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）。在數據采集過程中，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。

無人機數據：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.數據采集設備。A. GaiaSky mini2 VN相機 B. 地面數據采集設備C. 無人機（UAV）數據采集設備

研究方法

為確保數據質量，首先對采集的高光譜圖像進行數據預處理（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、設備噪聲和環境因素的干擾。同時，利用歸一化植被指數（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分度。

圖2.高光譜圖像預處理流程。

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）監督分類結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，以驗證 DPK-means 在植被覆蓋度提取中的適用性和優勢。

圖3.小麥植被覆蓋度（FVC）提取流程

結果（最終結果模型對比，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置為T0、T1和T2，DPK-means算法使用高斯核函數。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結果進行線性擬合，結果如圖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據中，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擬合結果

結論

為了解決傳統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果。