欧美亚洲精品真实在线丨a免费观看丨国产一区二区三区在线观看视频丨精品久久久久中文字幕app丨亚洲天堂av在线免费观看丨国产精品资源一区二区丨涩涩涩涩涩涩涩涩涩涩丨国产69av

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

應用關鍵詞

植被覆蓋度；k-means算法；NDVI；植被指數；小麥

背景

植被覆蓋度（Fractional vegetation cover, FVC）是測量地球表面植被分布的重要參數。在評價小麥生長狀況時，準確測定小麥各生育期的FVC具有指導意義。此外，在監測小麥生物量時，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據。然而，本研究發現，現有的針對小麥生長不同時期和土壤條件的FVC提取方法效果各異，無法滿足小麥多時相生長監測的精度要求。因此，開發一種操作簡單、提取精度高、受環境、時間、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，大多數研究采用像素二分法或監督分類法分離植被與非植被，提取FVC。但是，不同時間、不同條件下采集的植被和非植被的光譜反射率的變化，會使像素二分法的閾值發生很大變化，從而使得提取效果產生較大波動。監督分類受人為因素和樣本影響較大。當測試樣本和訓練樣本之間沒有差異時，提取效果會很好。然而，當樣本之間存在時空差異時，提取的精度將顯著降低。

考慮到無監督學習算法無需人為干預，通過確定的分類標準對植被和非植被進行分類，受人為和環境因素影響較小。因此，假設無監督學習算法可以準確地提取FVC，將其應用于各種條件下收集的數據，理論上應該可以達到相同的效果。k-means算法通過像素點到聚類中心的距離來劃分像素點的類型。該算法能有效減小時間和空間對提取精度的影響。然而，k-means算法對初始選擇的質心點比較敏感，不同初始質心點的聚類結果可能有很大差異。為了減小初始質心點對k-means算法結果的影響，根據植被像素與非植被像素的不同特點，增加了密度峰值計算算法。將植被像素和非植被像素的密度峰值作為k-means算法的初始質心，以減少異常結果帶來的提取誤差，提高FVC的提取精度。

基于上述問題，本研究利用高光譜相機獲取小麥的高光譜圖像數據，計算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算法的精度和穩定性，并分析了基于植被指數圖像的DPK-means算法的優勢。

試驗設計

試驗地點位于江蘇揚州大學，包括小麥盆栽試驗和大田試驗。中國農業科學院劉升平研究員團隊利用GaiaSky-mini2-VN高光譜相機（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，同時將其搭載在DJI M600無人機上，獲取了大范圍小麥冠層高光譜圖像。采集設備如圖1所示。

圖1 采集設備。GaiaSky-mini2-VN相機（A）、地面數據采集設備（B）、無人機數據采集設備（C）。

如圖2所示，小麥在綠光550 nm處有一個反射峰，在紅光680 nm處有一個吸收谷，在近紅外光780 ~ 900 nm處有一個連續反射峰。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波段范圍內呈緩慢上升趨勢，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，結合它們構建的植被指數可以有效地用于植被與土壤的區分。因此，本研究選取近紅外波段800 nm和紅光波段680 nm構建NDVI。

圖2 小麥和土壤的典型反射率曲線

為了檢驗基于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。結果表明，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算法的局部優化問題，本研究以密度峰值作為初始聚類中心點對算法進行改進。DPK-means算法流程如下所示：

（1） 對灰度圖像進行多模態高斯擬合，計算k個擬合密度峰值作為初始聚類中心進行搜索和計算。

（2） 計算數據集中每個樣本點與k個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應的類。

（3） 計算每個類別的平均值作為新的聚類中心。

（4） 重復步驟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監督分類結果，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。本研究采取的評價指標為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以及實測FVC。

圖4 小麥FVC的提取過程

結論

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置為T0、T1和T2，DPK-means算法采用高斯核函數。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小麥FVC的提取效果如圖5所示。

基于DPK-means算法的E_F絕對值和RMSE的均值最di（表2），這表明DPK-means算法具有良好穩定的提取精度。在濕潤土壤條件下，T1閾值像素二分法效果最hao，E_F絕對值僅為0.034，但其RMSE值為0.061，E_F分布較為分散，集中使用大樣本數據難以獲得較好的提取效果。DPK-means算法E_F的均值絕對值為0.051，僅高于T1閾值，但其RMSE值為0.032，E_F分布相對集中，在大樣本數據集中使用時效果較好。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相對集中。T0、T1、T2閾值下的E_F分布分散，EF范圍較大。對四種方法的FVC提取結果進行線性擬合，DPK-means算法的擬合精度最高，R²達到0.87（圖6）。

DPK-means算法在無人機高光譜影像中提取FVC的效果如圖7所示。平均誤差絕對值為0.044，RMSE為0.030，誤差相對集中，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達到0.93。綜上所述，DPK-means算法可以有效地從無人機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。

綜合地面和無人機高光譜影像的FVC提取結果，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。相對于像素二分法，DPK-means算法具有更高的準確性和魯棒性，在不同條件下都能取得更好的結果。

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提取誤差絕對值

圖6 采用多種方法擬合小麥FVC的結果。DPK-means（A）、T0（B）、T1（C）、T2（D）。

圖7 不同日期的無人機高光譜圖像提取結果。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，中國農業科學院農業信息研究所研究員，碩士生導師。

主要研究方向：農業智能管控技術、智慧蜂業、農產品質量安全控制。

參考文獻：

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.