基于無人機可見光影像的綠色植被提取

周 濤,胡振琪,2*,韓佳政,張 浩

基于無人機可見光影像的綠色植被提取

周 濤1,胡振琪1,2*,韓佳政1,張 浩1

(1.中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院,江蘇 徐州 221100；2.中國礦業(yè)大學(xué)(北京)土地復(fù)墾與生態(tài)重建研究所,北京 100083)

在分析健康綠色植被光譜特性及無人機可見光影像典型地物各波段像元值差異的基礎(chǔ)上,提出一種綜合利用紅、綠、藍3個可見光波段信息的新型綠色植被指數(shù)——差異增強植被指數(shù)(DEVI).利用該指數(shù)及其他8種常見可見光植被指數(shù)結(jié)合不同閾值方法提取研究區(qū)域綠色植被信息,并采用地表真實感興趣區(qū)和基于SVM的監(jiān)督分類方法進行精度量化評價.結(jié)果表明:由DEVI計算的植被指數(shù)灰度影像直方圖具有良好雙峰形態(tài),可利用雙峰直方圖閾值法快速確定閾值,且閾值一般位于0.9～1之間;同時,DEVI提取精度明顯優(yōu)于其余8種植被指數(shù),且采用雙峰直方圖閾值法時,總體精度為98.98%,Kappa系數(shù)為0.9791,相對誤差為1/83.為驗證DEVI是否具有良好的可適用性及可靠性,選取3種典型植被覆蓋區(qū)域進行可行性驗證,結(jié)果表明:利用DEVI可高精度提取建筑密集區(qū)域和植被零散分布區(qū)域的綠色植被信息,總體精度分別為98.42%和98.56%,Kappa系數(shù)分別為0.9610和0.9635,相對誤差分別為1/125和1/91;而植被集中分布區(qū)域提取精度略低于上述2種典型區(qū)域,總體精度為97.40%,Kappa系數(shù)為0.9371,相對誤差為1/53.因此,提出的差異增強植被指數(shù)——DEVI可以有效、高精度、低成本提取不同植被覆蓋典型區(qū)域無人機可見光影像中的綠色植被信息,為陸地生態(tài)系統(tǒng)中的綠色植被監(jiān)測研究提供一種可行性方法.

無人機遙感；可見光影像；差異增強植被指數(shù)；綠色植被提取

無人機(UAV)是包括固定翼無人機、旋翼無人機、無人直升機、無人飛艇等在內(nèi)的一系列無人駕駛的空中飛行器的總稱[1].無人機作為一種飛行平臺具有機動靈活、無須機場起降、成本較低、操作簡單、獲取影像周期極短等特點[2].將無人機與遙感技術(shù)相結(jié)合即為無人機遙感技術(shù),二者的結(jié)合具備傳統(tǒng)遙感手段無法比擬的優(yōu)勢.目前,無人機遙感主要應(yīng)用于精準(zhǔn)農(nóng)業(yè)[3-6]、林業(yè)資源調(diào)查[7-9]、生態(tài)環(huán)境監(jiān)測[10-13]、礦區(qū)監(jiān)測與土地復(fù)墾[14-15]以及國土資源空間規(guī)劃[16]等領(lǐng)域,并取得顯著成果.

植被既作為陸地生態(tài)系統(tǒng)的重要組成部分,也是人類不可或缺的環(huán)境和物質(zhì)資源.植被的類型、數(shù)量及其變化必然會對陸地生態(tài)系統(tǒng)產(chǎn)生重要影響;同時,若陸地生態(tài)系統(tǒng)發(fā)生變化,必然也會在植被類型、數(shù)量及其變化中有所反饋[17].因此,植被監(jiān)測成為陸地生態(tài)系統(tǒng)研究中的重要內(nèi)容.利用無人機遙感技術(shù)可以實現(xiàn)小區(qū)域范圍植被信息的快速、高精度、低成本提取,其廣泛應(yīng)用于農(nóng)作物監(jiān)測[18-20]、植被信息提取[21-24]和生物量估算[25-27]等領(lǐng)域.植被指數(shù)是遙感方法提取植被信息應(yīng)用最為廣泛的參數(shù)之一,而如何構(gòu)造與優(yōu)化植被指數(shù)成為植被信息高精度提取的關(guān)鍵.目前,基于多光譜影像構(gòu)造的植被指數(shù)種類多達數(shù)百種,此類指數(shù)充分利用植被光譜反射特性,可有效提取植被信息,但多光譜影像獲取成本較高、難度較大,不適于大規(guī)模推廣.相較于多光譜影像,可見光影像獲取成本低、易于獲取,但其僅包含可見光波段信息,且僅基于可見光影像的具有良好普適性的植被指數(shù)研究相對較少.其中,汪小欽等[22]借鑒歸一化植被指數(shù)(NDVI)的構(gòu)造原理及形式,提出一種綜合利用紅、綠、藍3個可見光波段的可見光波段差異植被指數(shù)(VDVI),并運用該指數(shù)和常見的植被指數(shù)進行對比分析,結(jié)果表明該指數(shù)提取精度可達90%以上;高永剛等[23]通過分析無人機可見光影像不同地物光譜特性并借鑒紅綠藍植被指數(shù)(RGBVI)構(gòu)造原理,提出一種超綠紅藍差分指數(shù)(EGRBDI),并運用該指數(shù)與其余18種常見的可見光植被指數(shù)進行精度比較研究,結(jié)果表明EGRBDI可高精度提取綠色植被信息且具有良好的適用性和可靠性;Woebbecke等[28]對不同土壤和殘基間雜草的彩色圖像進行數(shù)字化分析,并對其紅、綠、藍波段信息進行分析,提出一種顏色指標(biāo)指數(shù)(EXG),結(jié)果表明該指數(shù)可有效區(qū)分植被和非植被;毛智慧等[29]通過分析HSL彩色空間模型,提出一種歸一化色調(diào)亮度植被指數(shù)(NHLVI),并將該指數(shù)及其他常見可見光植被指數(shù)分別與野外實測光譜數(shù)據(jù)和無人機多光譜數(shù)據(jù)的NDVI進行相關(guān)性比較,結(jié)果表明NHLVI與實測NDVI具有較高相關(guān)性且植被信息提取精度較高.上述已有研究結(jié)果表明,利用無人機可見光影像構(gòu)造植被指數(shù)并提取綠色植被是可行的且具有較高精度.因此,如何有效利用無人機可見光影像有限的波段信息構(gòu)造一種具有普遍適用性、高精度的植被指數(shù)并有效提取綠色植被信息顯得尤為必要.

本文以無人機可見光影像為數(shù)據(jù)源,在分析典型地物可見光波段反射率差異的基礎(chǔ)上,提出一種綜合利用可見光影像紅、綠、藍波段信息的新型綠色植被指數(shù)—差異增強植被指數(shù)(DEVI),以期實現(xiàn)不同典型植被覆蓋區(qū)域綠色植被信息的有效、高精度、快速、低成本提取.

1 數(shù)據(jù)與方法

1.1 研究區(qū)域

本文選取的研究區(qū)域位于江蘇省徐州市銅山區(qū)(34°13￠09.172N,117°08￠52.042E),該區(qū)域地勢開闊平坦,無高層建筑物,地物類型豐富,且植被覆蓋度適中,適宜進行低空無人機影像數(shù)據(jù)采集.

1.2 可見光影像數(shù)據(jù)采集與預(yù)處理

本次試驗采用大疆經(jīng)緯M210RTK型無人機作為飛行平臺,其水平和垂直定位精度達到±0.1m,同時該平臺搭載禪思XT2雙光熱成像鏡頭,可同時采集可見光影像及熱紅外影像.影像采集時間為2020年7月20日,天氣晴,東風(fēng),風(fēng)速1m/s,濕度57%,適宜進行無人機飛行試驗.影像采集前根據(jù)試驗要求進行航線參數(shù)設(shè)置,其中航向重疊度和旁向重疊度均設(shè)置為85%,飛行高度80m,航線速度1.8m/s,航線飛行時間約18min,影像數(shù)251張,影像空間分辨率約0.02m,測區(qū)范圍約5292m2.

在進行綠色植被信息提取之前,對野外采集的無人機影像數(shù)據(jù)進行預(yù)處理,主要包括利用Pix4D mapper進行影像拼接以及利用ENVI5.3進行影像裁剪.本研究對各波段中心波長及波長范圍無特殊要求,故無需進行輻射定標(biāo);同時,飛行平臺定位精度達到厘米級,影像點位精度能夠得到保證且本研究對影像地理坐標(biāo)無特殊要求,故無需布設(shè)地面像控點及地理坐標(biāo)糾正.最終獲得研究區(qū)域的正射影像,如圖1所示.

圖1 研究區(qū)域正射影像

1.3 綠色植被指數(shù)構(gòu)造

1.3.1 植被光譜曲線與植被指數(shù) 在可見光范圍內(nèi),健康綠色植被的光譜反射特性呈現(xiàn)綠波段反射率同時大于紅、藍波段反射率這一特點,即綠色植被對紅、藍光的吸收強度較綠光更強,健康綠色植被光譜特性曲線如圖2所示.

植被指數(shù)是指利用兩個或多個波長范圍內(nèi)的地物反射率進行組合運算,以增強植被的某一特性或細節(jié),達到將植被與非植被分離的目的.目前,在科學(xué)文獻中發(fā)布了超過150種植被指數(shù)模型,但這些模型中只有少數(shù)部分經(jīng)過系統(tǒng)的大量的實踐檢驗.在已有植被指數(shù)中,大多數(shù)是利用可見光與近紅外范圍的波段進行組合運算以增強植被某一特性或細節(jié),主要包括寬帶綠度指數(shù)、窄帶綠度指數(shù)、光利用率指數(shù)、冠層氮指數(shù)、干旱或碳衰減指數(shù)、葉綠素指數(shù)與冠層含水量指數(shù)等7大類.但是僅基于可見光波段構(gòu)造的植被指數(shù)相對較少,主要包括過綠指數(shù)(EXG)、歸一化綠紅差異指數(shù)(NGRDI)、歸一化綠藍差異指數(shù)(NGBDI)、紅綠比值指數(shù)(RGRI)、綠藍比值指數(shù)(GBRI)、超紅指數(shù)(EXR)、紅綠藍植被指數(shù)(RGBVI)等,部分可見光植被指數(shù)的計算公式如表1所示.

圖2 健康綠色植被光譜特性曲線

表1 可見光植被指數(shù)

注:公式中、、分別代表紅、綠、藍波段的反射率或像元值;、、分別代表經(jīng)過歸一化處理后的紅、綠、藍波段反射率或像元值.

1.3.2 DEVI的構(gòu)造 植被指數(shù)的本質(zhì)是為增強植被的某一特性或細節(jié),使之與非植被的差異顯著化,最終實現(xiàn)植被信息提取.因此,在構(gòu)造植被指數(shù)之前首先應(yīng)找到這種特性或細節(jié),然后通過波段運算將其增強.

通過實地踏勘,將研究區(qū)域大致分為水泥路、瀝青路、水體、塑膠地、裸地、綠色植被及非綠色植被7大類地物,其中綠色植被包括草地、楊柳、樟樹、鳶尾、石楠等,在后續(xù)處理中將上述5種植被種類統(tǒng)一視為綠色植被,不再做細分;非綠色植被包括紫葉李和紅花檵木,在后續(xù)處理中將上述兩種植被種類統(tǒng)一視為非綠色植被,不再做細分.同時,本文提出的植被指數(shù)僅適用于綠色植被提取,因此在后續(xù)處理中將非綠色植被視為非植被.在預(yù)處理后影像中隨機選取各類地物樣本點各30個,統(tǒng)計各類樣本點紅、綠、藍波段像元平均值,統(tǒng)計結(jié)果如圖3所示.

圖3 典型地物RGB波段像元平均值統(tǒng)計結(jié)果

虛線框內(nèi)為綠色植被各波段像元值統(tǒng)計結(jié)果

分析圖3可知:僅鳶尾、楊柳、樟樹、草地及石楠等綠色植被的綠波段像元值同時大于紅、藍波段像元值(與健康綠色植被光譜特性曲線反映結(jié)果一致),且綠、紅、藍波段像元值依次遞減,三者差異明顯,可將這一差異特性作為植被信息提取條件之一;若僅考慮綠波單一波段像元值,各綠色植被類型大小不一,但總體上大于紫葉李和紅花檵木,同時小于塑膠地、裸地、水體、水泥路及瀝青路等5種地物.因此,根據(jù)各地物綠波波段像元值差異無法有效區(qū)分綠色植被和非植被,且這種無規(guī)律性差異會對綠色植被提取產(chǎn)生干擾,故應(yīng)將綠波單一波段差異干擾消除.

通過對不同地物各波段像元值差異分析可知:若能增強綠色植被的綠波段像元值同時大于紅、藍波段像元值這一差異特性;同時,消除各地物綠波單一波段像元值差異的干擾,將進一步增強上述差異特性,即實現(xiàn)了綠色植被某一特性或細節(jié)的增強,進而有效提取綠色植被信息.由此提出基于可見光影像紅、綠、藍波段的DEVI,計算公式如下:

式中:、、分別為可見光影像紅、綠、藍波段像元值.

對式(1)做如下3點說明:式中第1項可消除各地物綠波單一波段反射率差異的干擾,對于任意地物類型來說,該項值為常數(shù)1/3;式中第2、3項可顯著增強綠色植被綠波段反射率同時大于紅、藍波段反射率這一特性.對于綠色植被,這2項值均小于1/3;而對非植被,這2項值至少有1項大于1/3.因此,綠色植被和非植被的DEVI數(shù)值具有顯著差異,可根據(jù)DEVI數(shù)值差異區(qū)分植被和非植被;DEVI數(shù)值均為大于1/3的正數(shù),其中綠色植被的DEVI值均小于1.因此,在進行閾值分割時可以快速確定閾值范圍并提取綠色植被信息.根據(jù)以上分析,計算上述12類地物各30個樣本點DEVI值,計算結(jié)果如圖4所示,各類地物樣本點DEVI計算結(jié)果與預(yù)期分析結(jié)果一致,5種綠色植被DEVI值均小于其余7類地物且值域無重疊,因此可根據(jù)DEVI值差異區(qū)分綠色植被與其他地物;同時各類地物DEVI值在0.9～1值域范圍內(nèi)存在空白,因此閾值應(yīng)在此空白值域范圍內(nèi)確定,閾值確定簡單、快速.

圖4 各地物樣本點DEVI值

實線框內(nèi)為非植被DEVI值;虛線框內(nèi)為綠色植被DEVI值

1.4 基于閾值的綠色植被提取

利用無人機可見光影像提取綠色植被信息有2個關(guān)鍵,包括植被指數(shù)和閾值選取.植被指數(shù)是植被信息提取的基礎(chǔ),而閾值選取則是最大限度發(fā)揮某一植被指數(shù)優(yōu)勢的關(guān)鍵,只有選取合適的閾值才能更好地提取目標(biāo)信息.本研究選取雙峰直方圖閾值法和Otsu's閾值法確定各植被指數(shù)的閾值,并進行綠色植被信息提取及精度評價比較.

1.4.1 雙峰直方圖閾值法 若一幅灰度圖像中目標(biāo)對象和背景對象對比明顯,則該灰度圖像直方圖呈雙峰形態(tài),其中目標(biāo)對象會產(chǎn)生直方圖中的一個峰,而背景對象產(chǎn)生直方圖的另一個峰;位于雙峰之間的峰谷則是目標(biāo)對象和背景對象的邊界位置,此處像素較少,即閾值一般出現(xiàn)在峰谷位置[39].各植被指數(shù)計算結(jié)果為灰度圖像,其中目標(biāo)對象為綠色植被,背景對象為非植被,可利用此方法確定各植被指數(shù)閾值.此方法屬于一種基本全局閾值選取方法.

1.4.2 Otsu's閾值法 Otsu's閾值法由日本學(xué)者大津展之(Nobuyuki Otsu)于1979年提出,是一種自適應(yīng)的閾值確定方法,又稱大津法[40].該算法按照圖像的灰度特性,利用閾值將圖像分成目標(biāo)和背景兩部分.當(dāng)目標(biāo)和背景的類間方差越大,說明這兩部分差異越大;當(dāng)部分目標(biāo)錯分為背景或部分背景錯分為目標(biāo)時,類間方差均會變小.因此,類間方差最大可以最大限度避免分割時出現(xiàn)錯分、漏分現(xiàn)象,進而有效提取目標(biāo)信息.此方法屬于一種全局閾值選取方法.

2 結(jié)果與分析

2.1 可見光植被指數(shù)計算與分析

利用式(1)及表1中各植被指數(shù)計算公式進行波段運算,得到研究區(qū)域不同植被指數(shù)灰度圖像,如圖5所示.

DEVI、EXR、GBRI及RGRI計算結(jié)果中像元色調(diào)越暗黑即像元值越小表示該像元為植被像元,而其余5種植被指數(shù)計算結(jié)果中則是像元色調(diào)越明亮即像元值越大表示該像元為植被像元.本文研究目的是提取綠色植被信息,因此若綠色植被與非植被色調(diào)反差越大,則更有利于閾值分割及綠色植被信息提取.由圖5可知,DEVI、EXG、GBRI、NGBDI、RGBVI5種指數(shù)計算結(jié)果中綠色植被與非植被色調(diào)差異明顯,綠色植被像元與非植被像元色調(diào)無明顯交叉重疊,可以預(yù)見上述5種指數(shù)可有效提取植被信息;而EXR、NGRDI、RGRI 、MGRVI4種指數(shù)計算結(jié)果中部分綠色植被與非植被像元色調(diào)差異并不明顯,且存在不同程度的交叉重疊,主要集中在水體和瀝青路兩種地物類型.因此,在綠色植被信息提取過程中可能會出現(xiàn)錯分、漏分現(xiàn)象,即無法有效區(qū)分水體、瀝青路和綠色植被,可以預(yù)見上述4種植被指數(shù)無法有效提取綠色植被信息.

圖5 各植被指數(shù)計算結(jié)果

色調(diào)越亮表示植被指數(shù)值越大;色調(diào)越暗表示植被指數(shù)值越小

2.2 綠色植被提取與精度評價

2.2.1 綠色植被提取 本研究采用雙峰直方圖閾值法和Otsu's閾值法確定各植被指數(shù)計算結(jié)果影像的閾值,并進行閾值分割及綠色植被信息提取.利用不同閾值方法確定各植被指數(shù)對應(yīng)的閾值,結(jié)果如表2所示.

表2 各植被指數(shù)閾值

利用雙峰直方圖閾值法確定的閾值對各植被指數(shù)計算結(jié)果進行閾值分割,獲取研究區(qū)域綠色植被信息,提取結(jié)果如圖6所示.

圖6 雙峰直方圖閾值法提取結(jié)果

A～J區(qū)域出現(xiàn)明顯的錯分誤差和漏分誤差

由圖6可知,EXR、NGRDI、RGRI及MGRVI4種指數(shù)均出現(xiàn)大面積錯誤提取結(jié)果,將水體像元、部分瀝青路像元錯誤提取為綠色植被像元,與指數(shù)計算分析結(jié)果一致,如A ～ B、E ～ J區(qū)域所示.而GBRI、NGBDI2種指數(shù)提取結(jié)果中少量綠色植被信息被錯分為裸地等非植被信息,如C～D區(qū)域所示.

利用Otsu's閾值法確定的閾值對各植被指數(shù)計算結(jié)果進行閾值分割,獲取研究區(qū)域綠色植被信息,提取結(jié)果如圖7所示.

如圖7所示,EXR、GBRI、NGBDI、NGRDI、RGRI及MGRVI6種指數(shù)均出現(xiàn)不同程度的提取錯誤,錯誤提取區(qū)域與雙峰直方圖閾值法基本一致.其中EXR、NGRDI、RGRI及MGRVI4種指數(shù)將水體像元和部分瀝青路像元錯誤提取為綠色植被像元,如a ～ b、e ～ j區(qū)域所示;而GBRI和NGBDI2種指數(shù)將少量綠色植被像元被錯誤提取為裸地像元等非植被像元,如c ～ d區(qū)域所示.對比2種閾值方法提取結(jié)果可以發(fā)現(xiàn),基于Otsu's閾值法提取的綠色植被數(shù)量少于雙峰直方圖閾值法,即Otsu's閾值法將部分綠色植被提取為非植被,綠色植被分布更為零散.

以上分析均是以研究區(qū)域正射影像為標(biāo)準(zhǔn),人工目視解譯做出的初步判斷.為判斷各植被指數(shù)提取結(jié)果是否準(zhǔn)確,應(yīng)進行定量化精度評價.

圖7 Otsu's閾值法提取結(jié)果

a～j區(qū)域出現(xiàn)明顯的錯分誤差和漏分誤差

2.2.2 精度評價 為削弱人為因素干擾,客觀地對比各植被指數(shù)的提取精度,本研究采用2種精度評價指標(biāo)對基于可見光植被指數(shù)閾值法的綠色植被提取結(jié)果進行精度評價.綠色植被信息提取的精度指標(biāo)包括:首先,利用足夠數(shù)量且分布均勻的地表真實感興趣區(qū)(Ground Truth ROIs)作為參考,計算其與植被提取結(jié)果的混淆矩陣,即可得出總體分類精度和Kappa系數(shù),將其作為相對精度指標(biāo)之一;其次,利用基于支持向量機的監(jiān)督分類方法對研究區(qū)域進行地物分類,將監(jiān)督分類結(jié)果作為參考,然后統(tǒng)計其植被像元與植被面積并與可見光植被指數(shù)閾值法提取結(jié)果作差,即可得到植被像元數(shù)之差、植被面積之差及相對誤差,將其作為相對精度指標(biāo)之一.由于本研究采集的無人機影像空間分辨率達到厘米級,因此本文均采用目視判別法選取地表真實感興趣區(qū)域.

基于地表真實感興趣區(qū)的精度評價:本研究隨機選取了共計400個且分布均勻的地表真實感興趣區(qū)域作為參考,其中包括綠色植被與非植被兩部分,然后計算其與各植被指數(shù)提取結(jié)果的混淆矩陣,結(jié)果如表3所示.

由表3可知,不管選擇何種閾值方法,DEVI綠色植被提取結(jié)果的總體精度和Kappa系數(shù)均為最高,總體精度均超過98%,Kappa系數(shù)均大于0.97;同時RGBVI、EXG、NGBDI及GBRI4種植被指數(shù)提取結(jié)果的總體精度均超過90%,Kappa系數(shù)均大于0.9,表明以上5種植被指數(shù)可以有效地、高精度提取綠色植被信息.而NGRDI、RGRI、EXR及MGRVI4種植被指數(shù)提取結(jié)果的總體分類精度均低于76%,Kappa系數(shù)均低于0.55,表明這4種植被指數(shù)無法準(zhǔn)確有效地提取綠色植被信息.經(jīng)對比發(fā)現(xiàn),除GBRI外,其余8種植被指數(shù)采用雙峰直方圖閾值法的提取結(jié)果總體精度和Kappa系數(shù)均大于Otsu's閾值法.根據(jù)以上分析可以得出初步結(jié)論,即DEVI結(jié)合雙峰直方圖閾值法可以有效地、高精度地提取綠色植被信息.

表3 基于ROIs的精度評價結(jié)果

基于監(jiān)督分類方法的精度評價:將研究區(qū)域大致分為水泥路、瀝青路、水體、塑膠地、綠色植被(包括鳶尾、草地、石楠、楊柳、樟樹等)、非綠色植被(包括紫葉李和紅花檵木,二者均為紫色植被)及裸地7類地物.利用基于SVM的監(jiān)督分類方法對研究區(qū)域進行監(jiān)督分類,分類結(jié)果如圖8所示.

本研究隨機選取總計400個且分布均勻的地表真實感興趣區(qū)為參考,其中包括上述7類地物,然后計算其與監(jiān)督分類結(jié)果的混淆矩陣,其中總體分類精度為97.21%,Kappa系數(shù)為0.9596,因此該監(jiān)督分類結(jié)果精度較高,可以作為綠色植被提取精度評價的參考.

圖8 基于SVM的監(jiān)督分類結(jié)果

根據(jù)監(jiān)督分類結(jié)果統(tǒng)計綠色植被像元數(shù)及面積,并與各植被指數(shù)提取結(jié)果作差.同時,無人機影像的超高分辨率使得影像像素為千萬量級,并且植被像元提取結(jié)果差值本身數(shù)值較大,若單純比較像元數(shù)及面積差值意義不大.因此,引入相對誤差以反映差值的相對大小.習(xí)慣上相對誤差用分子為1的分數(shù)表達,分母越大,相對誤差越小.各植被指數(shù)提取結(jié)果像元數(shù)差值、面積差值及相對誤差結(jié)果如表4所示.

表4 基于監(jiān)督分類方法的精度評價結(jié)果

注:“-”表示無此項.

由上文分析可知,EXR、NGRDI、RGRI、MGRVI4種指數(shù)提取結(jié)果總體精度均小于76%, Kappa系數(shù)均小于0.55,其提取結(jié)果中存在大量錯分誤差,不再適用于差值分析,故將上述4種指數(shù)提取結(jié)果的相對誤差舍去,僅對DEVI、EXG、NGBDI、RGBVI及GBRI等5種指數(shù)提取結(jié)果進行差值分析.

如表5所示,不管選擇何種閾值方法, DEVI綠色植被提取結(jié)果相對誤差均為最小;當(dāng)采用雙峰直方圖閾值法時,綠色植被提取的相對誤差為1/83,其精度可以滿足植被信息提取要求.

根據(jù)上述2種精度評定方法結(jié)果分析即可得出結(jié)論,差異增強植被指數(shù)DEVI結(jié)合雙峰直方圖閾值法可以有效、快速、高精度提取綠色植被信息.

2.3 方法可行性驗證

2.3.1 DEVI植被信息提取 上述研究結(jié)果表明,利用DEVI提取綠色植被信息的精度明顯優(yōu)于其他8種植被指數(shù).為驗證DEVI是否具有良好的可適用性及可靠性,本文選取3種植被覆蓋典型區(qū)域進行方法可行性驗證,包括植被集中分布區(qū)域(研究區(qū)一)、建筑物密集區(qū)域(研究區(qū)二)以及植被零散分布區(qū)域(研究區(qū)三)3種類型.3種典型區(qū)域均位于江蘇省徐州市銅山區(qū),影像采集時間為2020年9月16日,其中飛行平臺及鏡頭、旁向重疊度、航向重疊度等航線飛行參數(shù)均保持不變.對原始影像進行影像拼接、裁剪等預(yù)處理以獲取各區(qū)域正射影像.

分別計算各區(qū)域DEVI值,采用雙峰直方圖閾值法確定各區(qū)域閾值,其中研究區(qū)一閾值為0.972120,研究區(qū)二閾值為0.960241,研究區(qū)三閾值為0.961517;由表2可知研究區(qū)域閾值為0.954088.對比各區(qū)域閾值可以知,利用DEVI提取綠色植被時閾值集中分布在0.95附近,即研究區(qū)域植被覆蓋類型、建筑物密集程度、地物豐富程度、光照強度及陰影等對DEVI閾值影響不大,這也說明DEVI是完全基于綠色植被光譜反射特性構(gòu)建的,具有良好的普適性.

最后,根據(jù)各區(qū)域閾值進行閾值分割并提取綠色植被信息.同時,利用基于SVM的監(jiān)督分類方法提取各研究區(qū)域綠色植被,結(jié)果如圖9所示.

各驗證區(qū)域正射影像如圖9A、9B、9C所示,研究區(qū)一植被分布密集,植被覆蓋度高,地物類型較為單一,且有兩處紫色植被;研究區(qū)二建筑物分布較為密集,對光照造成一定程度遮擋,存在較多陰影區(qū)域,地物類型較多,且右側(cè)樓頂有一綠色工程網(wǎng)布遮蓋;研究區(qū)三植被分布較為離散,左下方植被成單株分布,右上方有一處大面積紫色植被,右下方路邊有一綠色工程網(wǎng)布遮蓋.如圖9aa所示,DEVI提取結(jié)果與監(jiān)督分類結(jié)果無較大差別,綠色植被基本被有效提取,且兩處紫色植被均未被提取;如圖9bb所示,DEVI有效提取了位于研究區(qū)域左側(cè)位置的大面積綠色草坪,而監(jiān)督分類方法未能有效提取這一區(qū)域部分綠色植被,同時位于右側(cè)樓頂?shù)木G色工程網(wǎng)布被提取為綠色植被;如圖9cc所示,DEVI提取結(jié)果與監(jiān)督分類結(jié)果無較大差別,其中右上方大面積紫色植被未被提取,右下方路邊的綠色工程網(wǎng)布被提取為綠色植被.由DEVI構(gòu)造原理可知,綠色地物均會被視為綠色植被,因此研究區(qū)中的綠色工程網(wǎng)布均被提取為綠色植被.以上分析均是以各研究區(qū)域正射影像為標(biāo)準(zhǔn),人工目視解譯做出的初步判斷.同樣,采用上述兩種精度評價方法針對可行性驗證結(jié)果進行定量化精度評價.

圖9 DEVI可行性驗證結(jié)果

2.3.2 基于地表真實感興趣區(qū)的精度評價 本次精度評價在3種植被覆蓋典型區(qū)域中根據(jù)研究區(qū)面積大小分別隨機均勻選取450、300及300個地表真實感興趣區(qū)作為參考,其中包括植被與非植被2類,并計算其與DEVI綠色植被信息提取結(jié)果的混淆矩陣,結(jié)果如表5所示.

表5 可行性驗證區(qū)域混淆矩陣結(jié)果

由表5可知,研究區(qū)二和研究區(qū)三的總體分類精度較高,分別為98.42%和98.56%,Kappa系數(shù)分別為0.9610和0.9635;而研究區(qū)一的總體分類精度為97.40%,Kappa系數(shù)為0.9371,綠色植被提取精度略低于研究區(qū)二和研究區(qū)三.根據(jù)以上結(jié)果分析可知,DEVI對建筑物密集區(qū)域及植被零散分布區(qū)域具有良好適用性,而植被集中分布區(qū)域精度有所下降,但總體上可以有效提取綠色植被信息.

2.3.3 基于監(jiān)督分類方法的精度評價 利用基于SVM的監(jiān)督分類方法對3種植被覆蓋典型區(qū)域進行監(jiān)督分類,將地物分為綠色植被與非植被.同時,在各區(qū)域分別隨機均勻選取地表真實感興趣區(qū)120個,然后計算其與監(jiān)督分類結(jié)果的混淆矩陣,將計算結(jié)果作為監(jiān)督分類結(jié)果精度評價標(biāo)準(zhǔn),結(jié)果如表6所示.

表6 可行性驗證區(qū)域監(jiān)督分類精度評價結(jié)果

由表6可知,各研究區(qū)域的監(jiān)督分類總體精度較高,總體分類精度均高于95%,Kappa系數(shù)均大于0.9.因此,該監(jiān)督分類結(jié)果可作為植被提取結(jié)果精度評價的參考.統(tǒng)計DEVI植被信息提取結(jié)果及監(jiān)督分類植被信息,計算二者植被像元數(shù)、面積之差及相對誤差,結(jié)果如表7所示.

如表7所示,研究區(qū)二和研究區(qū)三的相對誤差分別為1/125和1/91,而研究區(qū)一的相對誤差為1/53,此結(jié)果與基于地表真實感興趣區(qū)精度評價結(jié)果一致,即DEVI對建筑物密集區(qū)域及植被離散分布區(qū)域具有良好適用性,而高植被覆蓋度區(qū)域精度有所下降,但總體上可以有效提取綠色植被信息.

表7 可行性驗證區(qū)域植被提取相對誤差

基于以上方法驗證結(jié)果及分析,本研究認為DEVI結(jié)合雙峰直方圖閾值法能夠?qū)崿F(xiàn)不同植被覆蓋典型區(qū)域綠色植被信息的有效、快速、高精度提取.

2.4 研究局限性

結(jié)合已有研究成果及本研究結(jié)果分析表明,利用無人機可見光影像提取植被信息具有高精度、快速、低成本等優(yōu)點.但在本研究過程中仍存在一些問題及局限性,主要包括以下幾個方面:目前大多數(shù)基于可見光影像波段信息構(gòu)造的植被指數(shù)無法對非綠色植被進行有效提取,如本文出現(xiàn)的紫葉李、紅花檵木等;由于DEVI是根據(jù)綠色地物光譜反射特性進行構(gòu)造的,因此,綠色地物會被視為綠色植被,如本文出現(xiàn)的綠色工程網(wǎng)布;本文未選取不同傳感器進行可行性驗證,DEVI是否適用于其他不同傳感器還有待驗證.

針對以上問題及局限性,進一步研究內(nèi)容包括如何利用可見光影像有限的波段信息實現(xiàn)非綠色植被的有效提取、如何有效區(qū)分綠色非植被地物和綠色植被以及驗證DEVI是否適用于其他傳感器等.

3 結(jié)論

3.1 DEVI不僅能夠消除不同地物在綠波單一波段像元值差異的干擾,同時增強了綠色植被綠波段像元值同時大于紅、藍波段像元值這一差異特性.

3.2 由DEVI計算的植被指數(shù)灰度圖像,其圖像直方圖具有良好雙峰形態(tài),可利用雙峰直方圖閾值法快速確定閾值,且閾值一般位于0.9～1之間.

3.3 DEVI結(jié)合雙峰直方圖閾值法的綠色植被信息提取總體精度為98.98%,Kappa系數(shù)為0.9791,相對誤差為1/83,其提取精度高于其他8種常見植被指數(shù).

3.4 DEVI可有效、高精度提取建筑物密集區(qū)域和植被離散分布區(qū)域綠色植被信息,總體精度分別為98.42%和98.56%,Kappa系數(shù)分別為0.9610和0.9635,相對誤差均分別為1/125和1/91;而高植被覆蓋度區(qū)域的提取精度略低于上述2種植被覆蓋典型區(qū)域,總體精度為97.40%,Kappa系數(shù)為0.9371,相對誤差為1/53.綜上所述,DEVI可有效、快速、高精度、低成本提取可見光影像中綠色植被信息,且具有良好適用性、可靠性.

[1] 高井祥.數(shù)字測圖原理與方法 [M]. 徐州:中國礦業(yè)大學(xué)出版社, 2015:278-279. Gao J X. Principles and methods of digital mapping [M]. Xuzhou: China university of Mining and Technology Press, 2015:278-279.

[2] 王利民,劉 佳,楊玲波,等.基于無人機影像的農(nóng)情遙感監(jiān)測應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報, 2013,29(18):136-145. Wang L M, Liu J, Yang L B, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring [J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(18):136-145.

[3] 李宗南,陳仲新,王利民,等.基于小型無人機遙感的玉米倒伏面積提取[J]. 農(nóng)業(yè)工程學(xué)報, 2014,30(19):207-213. Li Z N, Chen Z X, Wang L M, et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle [J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(19):207-213.

[4] 李 冰,劉镕源,劉素紅,等.基于低空無人機遙感的冬小麥覆蓋度變化監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報, 2012,28(13):160-165. Li B, Liu R Y, Liu S H, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system [J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(13):160-165.

[5] 高 林,楊貴軍,于海洋,等.基于無人機高光譜遙感的冬小麥葉面積指數(shù)反演[J]. 農(nóng)業(yè)工程學(xué)報, 2016,32(22):113-120. Gao L, Yang G J, Yu H Y, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remoter sensing [J]. Transactions of the Chinese Society of Agricultural Engineering, 2016,32(22):113-120.

[6] 韓文霆,李 廣,苑夢嬋,等.基于無人機遙感技術(shù)的玉米種植信息提取方法研究[J]. 農(nóng)業(yè)機械學(xué)報, 2017,48(1):139-147. Han W T, Li G, Yuan M C, et al. Extraction method of maize planting information based on UAV remote sensing technology [J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1):139-147.

[7] 張 園,陶 萍,梁世祥,等.無人機遙感在森林資源調(diào)查中的應(yīng)用[J]. 西南林業(yè)大學(xué)學(xué)報, 2011,31(3):49-53. Zhang Y, Tao P, Liang S X, et al. Research on application of UAV RS techniques in forest inventories [J]. Journal of Southwest Forestry university, 2011,31(3):49-53.

[8] 楊 坤,趙艷玲,張建勇,等.利用無人機高分辨率影像進行樹木高度提取[J]. 北京林業(yè)大學(xué)學(xué)報, 2017,39(8):17-23. Yang K, Zhao Y L, Zhang J Y, et al. Tree height extraction using high-resolution imagery acquired from an unmanned aerial vehicle (UAV) [J]. Journal of Beijing Forestry University, 2017,39(8):17-23.

[9] 史潔青,馮仲科,劉金成.基于無人機遙感影像的高精度森林資源調(diào)查系統(tǒng)設(shè)計與試驗[J]. 農(nóng)業(yè)工程學(xué)報, 2017,33(11):82-90. Shi J Q, Feng Z K, Liu J C. Design and experiment of high precision forest resource investigation system based on UAV remote sensing images [J]. Transactions of the Chinese Society of Agricultural Engineering, 2017,33(11):82-90.

[10] Sanada Y, Urabe Y, Sasaki M, et al. Evaluation of ecological half-life of dose rate based on airborne radiation monitoring following the Fukushima Dai-ichi nuclear power plant accident [J]. Journal of Environmental Radioactivity, 2018,192(12):417-425.

[11] Schofield G, Esteban N, Katselidis K A, et al. Drones for research on sea turtles and other marine vertebrates – A review [J]. Biological Conservation, 2019,238:108214.

[12] 肖 武,任 河,閆皓月,等.基于無人機遙感的高潛水位采煤沉陷濕地植被分類[J]. 農(nóng)業(yè)機械學(xué)報, 2019,50(2):177-186. Xiao W, Ren H, Yan H Y, et al. Vegetation classification by using UAV remote Sensing in coal mining subsidence wetland with high ground-water level [J]. Transactions of the Chinese Society for Agricultural Machinery, 2019,50(2):177-186.

[13] 肖 武,趙艷玲,胡振琪,等.利用無人機遙感反演高潛水位礦區(qū)沉陷地玉米葉綠素含量[J]. 煤炭學(xué)報, 2019,44(1):295-306. Xiao W, Zhao Y L, Hu Z Q, et al. Identify maize chlorophyll impacted by coal mining subsidence in high groundwater table area based on UAV remote sensing [J]. Journal of China Coal Society, 2019,44(1): 295-306.

[14] 徐 巖,胡振琪,陳景平,等.基于無人機遙感的開采沉陷耕地質(zhì)量評價及復(fù)墾建議[J]. 金屬礦山, 2019,(3):173-181. Xu Y, Hu Z Q, Chen J P, et al. Quality evaluation of farmland and land reclamation suggestions of mining subsidence area based on unmanned aerial vehicle remote sensing [J]. Metal Mine, 2019,(3): 173-181.

[15] 肖 武,胡振琪,張建勇,等.無人機遙感在礦區(qū)監(jiān)測與土地復(fù)墾中的應(yīng)用前景[J]. 中國礦業(yè), 2017,26(6):71-78. Xiao W, Hu Z Q, Zhang J Y, et al. The status and prospect of UAV remote sensing in mine monitoring and land reclamation [J]. China Mining Magazine, 2017,26(6):71-78.

[16] 張 超,隕文聚,高露露,等.土地整治遙感監(jiān)測研究進展分析[J]. 農(nóng)業(yè)機械學(xué)報, 2019,50(1):1-22. Zhang C, Yun W J, Gao L L, et al. Analysis on research progress of remote sensing monitoring of land consolidation [J]. Transactions of the Chinese Society for Agricultural Machinery, 2019,50(1):1-22.

[17] 秦 偉,朱清科,張學(xué)霞,等.植被覆蓋度及其測算方法研究進展[J]. 西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版), 2006,34(9):163-170. Qin W, Zhu Q K, Zhang X X, et al. Review of vegetation covering and its measuring and calculating method [J]. Journal of Northwest A & F University (Nature Science Edition), 2006,34(9):163:170.

[18] 陳 鵬,馮海寬,李長春,等.無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量[J]. 農(nóng)業(yè)工程學(xué)報, 2019,35(11):63-74. Chen P, Feng H K, Li C C, et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image [J]. Transactions of the Chinese Society of Agricultural Engineering, 2019,35(11):63-74.

[19] Jin X L, Li Z H, Clement Atzberger. Editorial for the special issue “Estimation of Crop Phenotyping Traits using Unmanned Ground Vehicle and Unmanned Aerial Vehicle Imagery” [J]. Remote Sensing, 2020,12(6):940.

[20] 田振坤,傅鶯鶯,劉素紅,等.基于無人機低空遙感的農(nóng)作物快速分類方法[J]. 農(nóng)業(yè)工程學(xué)報, 2013,29(7):109-116. Tian Z K, Fu Y Y, Liu S H, et al. Rapid crops classification based on UAV low-altitude remote sensing [J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(7):109-116.

[21] Zhang X L, Zhang F, Qi Y X, et al. New research methods for vegetation information extraction based on visible light remote sensing images from an unmanned aerial vehicle (UAV) [J]. International Journal of Applied Earth Observation and Geoinformation, 2019,78: 215-226.

[22] 汪小欽,王苗苗,王紹強,等.基于可見光波段無人機遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報, 2015,31(5):152-157. Wang X Q, Wang M M, Wang S Q, et al. Extraction of vegetation information from visible unmanned aerial vehicle images [J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(5):152-159.

[23] 高永剛,林悅歡,溫小樂,等.基于無人機影像的可見光波段植被信息識別[J]. 農(nóng)業(yè)工程學(xué)報, 2020,36(3):178-189. Gao Y G, Lin Y H, Wen X L, et al. Vegetation information recognition in visible band based on UAV images [J]. Transactions of the Chinese Society of Agricultural Engineering, 2020,36(3):178-189.

[24] 王美琪,楊建英,孫永康,等.廢棄礦山植被覆蓋度無人機遙感快速提取技術(shù)[J]. 中國水土保持科學(xué), 2020,18(2):130-139. Wang M Q, Yang J Y, Sun Y K, et al. Remote sensing rapid extraction technology for abandoned mine vegetation coverage via UAV [J]. Science of Soil and Water Conservation, 2020,18(2):130-139.

[25] Gennaro S F D, Matese A. Evaluation of novel precision viticulture tool for canopy biomass estimation and missing plant detection based on 2.5D and 3D approaches using RGB images acquired by UAV platform [J]. Plant Methods, 2020,16(1):233-129.

[26] Jiang X P, Gao Z Q, Zhang Q C, et al. Remote sensing methods for biomass estimation of green algae attached to nursery-nets and raft rope [J]. Marine Pollution Bulletin, 2020,150:110678.

[27] Li B, Xu X M, Zhang L, et al. Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020,162:161-172.

[28] Woebbecke D M, Meyer G E, Von Bargen K, et al. Color indices for weed identification under various soil, residue, and lighting conditions [J]. Transactions of the American Society of Agricultural Engineers, 1995,38(1):259-269.

[29] 毛智慧,鄧 磊,賀 英,等.利用色調(diào)—亮度彩色分量的可見光植被指數(shù)[J]. 中國圖像圖形學(xué)報, 2017,22(11):1602-1610. Mao Z H, Deng L, He Y, et al. Vegetation index for visible-light true-color image using hue and lightness color channels [J]. Journal of Image and Graphics, 2017,22(11):1602-1610.

[30] Hunt E R, Cavigelli M, Daughtry C S T, et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status [J]. Precision Agriculture, 2005,6(4):359-378.

[31] Abdelhalim Elazab, Jordi Bort, Zhou B W, et al. The combined use of vegetation indices and stable isotopes to predict durum wheat grain yield under contrasting water conditions [J]. Agricultural Water Management, 2015,158:196-208.

[32] Woebbecke D M, Meyer G E, Bargen K V, et al. Plant species identification, size, and enumeration using machine vision techniques on near-binary images [J]. Proceedings of SPIE - The International Society for Optical Engineering, 1993,1836:208-219.

[33] Gamon J A, Surfus J S. Assessing leaf pigment content and activity with a reflectometer [J]. New Phytologist,1999,143(1): 105-117.

[34] Sellaro R, María Crepy, Trupkin S A, et al. Cryptochrome as a Sensor of the blue/green ratio of natural radiation in arabidopsis [J]. Plant Physiology, 2010,154(1):401-409.

[35] Meyer G E, Neto J C. Verification of color vegetation indices for automated crop imaging applications [J]. Computers and Electronics in Agriculture, 2008,63(2):282-293.

[36] 江 杰,張澤宇,曹 強,等.基于消費級無人機搭載數(shù)碼相機監(jiān)測小麥長勢狀況研究[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報, 2019,42(4):622-631. Jiang J, Zhang Z Y, Cao Q, et al. Use of a digital camera mounted on a consumer-grade unmanned aerial vehicle to monitor the growth status of wheat [J]. Journal of Nanjing Agricultural University, 2019,42(4): 622-631.

[37] Bareth G, Bolten A, Gnyp M L, et al. Comparison of uncalibrated rgbvi with spectrometer-based ndvi derived from uav sensing systems on field scale [J]. Isprs International Archives of the Photogrammetry Remote Sensing & Spatial Information Sciences, 2016,XLI-B8:837- 843.

[38] 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 [J]. International Journal of Applied Earth Observation & Geoinformation, 2015,39(7):79-87.

[39] 梁華為.直接從雙峰直方圖確定二值化閾值[J]. 模式識別與人工智能, 2002,15(2):253-256. Liang H W. Direct determination of threshold from bimodal histogram [J]. Pattern Recognition and Artificial Intelligence, 2002,15(2):253- 256.

[40] 李了了,鄧善熙,丁興號.基于大津法的圖像分塊二值化算法 [J]. 微計算機信息, 2005,21(8-3):76-77. Li L L, Deng S X, Ding X H, et al. Binarization algorithm based on image partition derived from Da-Jing method [J]. Microcomputer Information, 2005,21(8-3):76-77.

Green vegetation extraction based on visible light image of UAV.

ZHOU Tao1, HU Zhen-qi1,2*, HAN Jia-zheng1, ZHANG Hao1

(1.School of Environmental and Spatial Informatics, China University of Mining and Technology, Xuzhou 221100, China；2.Institute of Land Reclamation and Ecological Restoration, China University of Mining and Technology (Beijing), Beijing 100083, China)., 2021,41(5)：2380～2390

Using visible light images taken by unmanned aerial vehicle (UAV) as data source, a new green vegetation index named as Difference Enhanced Vegetation Index (DEVI) was proposed based on the analysis of healthy green vegetation spectral characteristics and the differences of pixel values among different bands of typical ground objects in visible light images of UAVs. DEVI utilized the information of red, green and blue visible bands, which can not only eliminate the interference caused by the difference of pixel values in a single band of green wave of different ground objects, but also enhance the characteristic that the reflectivity of green wave of green vegetation is greater than that of red and blue bands. This new index and 8 other common visible light vegetation indexes were used to extract the green vegetation by the threshold method in the study area, and then the support-vector machine (SVM)-based supervised classification method and the ground truth area of interest (ROIs) were used to evaluate the extraction accuracy. The results showed that the extraction accuracy of DEVI was significantly better than the other eight vegetation indexes. When the threshold method of image histogram visual detection was adopted, the overall accuracy was 98.98%, the Kappa coefficient was 0.9791, and the relative error was 1/83. Meanwhile, the gray image histogram of vegetation index calculated by DEVI had a good bimodal shape, which could quickly determine the threshold value, and the threshold value was generally located between 0.9 and 1. To verify whether DEVI has good applicability and reliability, this study chose three typical areas to conduct the feasibility verification analysis: area with high vegetation coverage, area with dense regions of buildings, and area with discretely distributed vegetation.Theresults showed that the green vegetation information in regions with dense buildings and discretely distributed vegetation could be extracted with high precisions by DEVI. The overall accuracy was 98.42% and 98.56%, the Kappa coefficient was 0.9610 and 0.9635, and the relative error was 1/125 and 1/91, respectively. However, the extraction accuracy in areas with high vegetation coverages was slightly less accurate with the overall accuracy of 97.40%, a Kappa coefficient of 0.9371, and a relative error of 1/53.Therefore, the new DEVI could extract the green vegetation information from UAV visible light images in typical vegetation covered areas in an effective, high-precision and low-cost way. Therefore, DEVI is a feasible method for the green vegetation monitoring research in terrestrial ecosystems.

UAV remote sensing；visible light image；difference enhanced vegetation index；green vegetation extraction

X171.1

A

1000-6923(2021)05-2380-11

周 濤(1997-),男,四川德陽人,中國礦業(yè)大學(xué)碩士研究生,主要從事礦區(qū)生態(tài)環(huán)境監(jiān)測及東部高潛水位采煤沉陷型濕地生態(tài)系統(tǒng)監(jiān)測研究.

2020-09-29

國家重點研發(fā)計劃(2020YFC1806505)

* 責(zé)任作者, 教授, huzq1963@163.com