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(cè)量地球表面植被分布的重要參數(shù)。在評(píng)價(jià)小麥生長(zhǎng)狀況時(shí)，準(zhǔn)確測(cè)定小麥各生育期的FVC具有指導(dǎo)意義。此外，在監(jiān)測(cè)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(duì)小麥生長(zhǎng)不同時(shí)期和土壤條件的FVC提取方法效果各異，無(wú)法滿足小麥多時(shí)相生長(zhǎng)監(jiān)測(cè)的精度要求。因此，開發(fā)一種操作簡(jiǎn)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(huì)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(dòng)。監(jiān)督分類受人為因素和樣本影響較大。當(dāng)測(cè)試樣本和訓(xùn)練樣本之間沒有差異時(shí)，提取效果會(huì)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(wú)監(jiān)督學(xué)習(xí)算法無(wú)需人為干預(yù)，通過確定的分類標(biāo)準(zhǔn)對(duì)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(wú)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(lái)劃分像素點(diǎn)的類型。該算法能有效減小時(shí)間和空間對(duì)提取精度的影響。然而，k-means算法對(duì)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(duì)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(lái)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(shì)。

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(guó)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(wú)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(wú)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(shì)，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?jī)?yōu)化問題，本研究以密度峰值作為初始聚類中心點(diǎn)對(duì)算法進(jìn)行改進(jìn)。DPK-means算法流程如下所示：

1. 對(duì)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(duì)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(píng)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(cè)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(duì)小麥FVC的提取效果如圖5所示。

基于DPK-means算法的E_F絕對(duì)值和RMSE的均值最低（表2），這表明DPK-means算法具有良好穩(wěn)定的提取精度。在濕潤(rùn)土壤條件下，T1閾值像素二分法效果最好，E_F絕對(duì)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(duì)值為0.051，僅高于T1閾值，但其RMSE值為0.032，E_F分布相對(duì)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(duì)集中。T0、T1、T2閾值下的E_F分布分散，EF范圍較大。對(duì)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(wú)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(duì)值為0.044，RMSE為0.030，誤差相對(duì)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(wú)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(wú)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(duì)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(rùn)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(duì)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(wú)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(guó)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.

https://doi.org/10.1016/S2095-3119(20)63556-0