基于無人機(jī)遙感的水生植物覆蓋度測算方法探索

林啟羅，陳 果，董 娟

（上海市水產(chǎn)研究所，上海市水產(chǎn)技術(shù)推廣站，上海 200433）

無人機(jī)遙感（unmanned aerial vehicle remote sensing）是利用先進(jìn)的無人駕駛飛行器技術(shù)、遙感傳感器技術(shù)、遙測遙控技術(shù)、通訊技術(shù)、GPS差分定位技術(shù)和遙感應(yīng)用技術(shù)，來實現(xiàn)自動化、智能化、專用化快速獲取國土資源、自然環(huán)境、地震災(zāi)區(qū)等空間遙感信息，并完成遙感數(shù)據(jù)處理、建模和應(yīng)用分析的應(yīng)用技術(shù)［1］。在農(nóng)業(yè)領(lǐng)域中，無人機(jī)主要應(yīng)用在地圖測繪、農(nóng)藥噴灑等方面［2］，同時應(yīng)用于池塘湖泊等水域進(jìn)行水生植物覆蓋度測算。

池塘生態(tài)環(huán)境復(fù)雜且多樣，其中包括水生植物與浮游植物等。水生植物是水生生態(tài)系統(tǒng)的初級生產(chǎn)者，同時具有凈化水質(zhì)［3］，維持生態(tài)系統(tǒng)穩(wěn)定的功能［4-5］。浮游植物也是水環(huán)境監(jiān)測中指示水體水質(zhì)狀況的敏感物質(zhì)，是評價水域環(huán)境的重要指標(biāo)［6-7］。近年來，隨著全球氣候變化，受人類生活、工業(yè)、農(nóng)業(yè)、水土流失產(chǎn)生的面源污染影響，湖泊水庫等水體受到一定程度的污染，如在陽澄湖、蘇煙水庫等地都發(fā)生過水華等水體富營養(yǎng)化現(xiàn)象［8-9］，富營養(yǎng)化的水質(zhì)治理也存在著諸多難題［10-11］。大型水生植物的恢復(fù)和重建是水體生態(tài)修復(fù)的重要手段之一，部分浮游植物，如藍(lán)藻等藻類的出現(xiàn)也標(biāo)志著水體富營養(yǎng)化。及時知曉水體中水生植物的分布情況，對了解水生生態(tài)系統(tǒng)的健康狀態(tài)具有重要意義。因此，提前預(yù)防水體污染，合理利用水生植物達(dá)到修復(fù)水體的目的極為重要。監(jiān)測水生植物的覆蓋度是有效觀測水體情況、水生植物生長狀況的一種方法。水生植物覆蓋度是描述水生植物占池塘水體分布的重要指標(biāo)，尤其可以反映水生植物對光的截獲能力，因此可以作為評價區(qū)域生態(tài)環(huán)境的一個重要參數(shù)［12］。

目前大型水生植物覆蓋度的調(diào)查方法包括網(wǎng)格法、斷面法和斷面帶法等，但這幾種方法都耗時較長、工作強(qiáng)度和成本較高；浮游藻類造成的富營養(yǎng)化程度，多使用衛(wèi)星遙感技術(shù)或航空影像進(jìn)行監(jiān)測，但由于環(huán)境條件和成本的限制，都無法作為常規(guī)監(jiān)測手段。而無人機(jī)遙感在水生植物監(jiān)測方面具有快捷、廉價的優(yōu)點，滇池大泊口水域，菱湖鎮(zhèn)楊港村現(xiàn)代漁業(yè)示范園區(qū)等地區(qū)均運用無人機(jī)遙感獲取浮游植物的分布范圍影像，對其水質(zhì)、水生植物等多項參數(shù)進(jìn)行監(jiān)測［13］，但目前無人機(jī)試驗對于水生植物覆蓋度的研究并不多。通過無人機(jī)遙感監(jiān)測水生植物覆蓋度，可以高頻次地，直接、簡單且高效地監(jiān)測水質(zhì)變化，可以做到提前預(yù)防水體污染和水體富營養(yǎng)化等情況的發(fā)生及蔓延。因此，本試驗通過無人機(jī)遙感對水生植物覆蓋度測算方法進(jìn)行探索。

1 材料與方法

1.1 無人機(jī)介紹

本次試驗選用的是大疆精靈Phantom 4 Pro無人機(jī)。該無人機(jī)搭載FlightAutonomy技術(shù)，具有6個視覺傳感器、1個主相機(jī)、2組紅外傳感器、1組超聲波傳感器、GPS／GLONASS雙模衛(wèi)星定位系統(tǒng)、IMU和指南針雙冗余傳感器。相機(jī)影像傳感器為1英寸CMOS，鏡頭參數(shù)為FOV 84°8.8 mm／24 mm（35 mm格式等效）光圈f／2.8-f／11帶自動對焦，感光度（又稱為ISO值）范圍為100～3 200。

該無人機(jī)可在飛行時獲取實時圖像、深度、定位等信息，構(gòu)建飛行器周圍的3D地圖并確定所在位置。

1.2 軟件介紹

無人機(jī)采集圖像后通過大疆智圖V3.4.4導(dǎo)出二維正射影像圖像，通過Adobe photoshop CS 6.0（Ps）進(jìn)行圖像處理，然后通過Image-Pro Plus 6.0（IPP）對圖像進(jìn)行數(shù)據(jù)處理，最后所獲數(shù)據(jù)信息通過Microsoft Excel 2016進(jìn)行統(tǒng)計分析。其中Adobe Photoshop CS6.0（Ps）在本試驗中，主要用來對采集的圖像進(jìn)行前期處理工作；Image-Pro Plus 6.0（IPP）在本試驗中，用來識別所需圖片的像素并統(tǒng)計和計算其所占像素數(shù)量與大??；Microsoft Excel 2016在本試驗中用來對導(dǎo)出后的數(shù)據(jù)進(jìn)行統(tǒng)計分析。

1.3 試驗環(huán)境

本次試驗地點為上海市水產(chǎn)研究所（121.53°E，31.29°N）養(yǎng)殖池塘，試驗日期為2021年4月14日15點55分。試驗天氣為溫度9～18℃，多云，風(fēng)向東北風(fēng)，風(fēng)力2級。

1.4 試驗過程

流程如圖1所示。

圖1 試驗流程圖Fig.1 Experimental flow chart

第一步由無人機(jī)駕駛員操控進(jìn)行拍攝，將無人機(jī)飛升至上空，通過控制終端進(jìn)行航路規(guī)劃并建圖航拍。如圖2所示，在本次試驗中，根據(jù)池塘面積的大小以及航拍安全性等因素，將試驗的測繪高度設(shè)定為20 m，并計算測繪路徑，在拍攝過程中，利用多次多項式校正模型進(jìn)行幾何校正，采用最近鄰算法獲取像元的亮度值。航拍完成后獲得航拍圖片。

圖2 采集路徑示意圖Fig.2 Schematic diagram of acquisition path

第二步將無人機(jī)采集到的圖片導(dǎo)入計算機(jī)，通過大疆制圖軟件將采集到的圖片進(jìn)行合成，構(gòu)建DEM場景，大疆智圖軟件在構(gòu)建二維正射影像圖時，由于采集場景所在的高度平緩，因此選擇農(nóng)田場景模式進(jìn)行重建。最終通過大疆智圖軟件生成二維正射影像圖。

第三步將輸出的圖片導(dǎo)入Ps軟件進(jìn)行處理，將采集圖片中非池塘區(qū)域的部分進(jìn)行抹白，并完成前期預(yù)處理的所有工作。

第四步，通過IPP軟件中的region growing算法（魔棒算法）對預(yù)處理后的圖片進(jìn)行像素統(tǒng)計。region growing算法需要在待處理的圖片上選取一個種子點，以此點為起點，向四周輻射形成一個區(qū)域。最初成長區(qū)域只有種子點這一個點，然后不斷把周圍的點歸并入該成長區(qū)域，條件是該點的值與成長區(qū)域邊界點的值之差小于閾值。當(dāng)成長區(qū)域不能再繼續(xù)擴(kuò)大時，停止計算。本次試驗是對采集圖片的像素RGB①RGB色彩模式是工業(yè)界的一種顏色標(biāo)準(zhǔn)，是通過對紅（R）、綠（G）、藍(lán)（B）3個顏色通道的變化以及他們相互之間的疊加來得到各式各樣的顏色，RGB即是代表紅、綠、藍(lán)3個通道的顏色。這個標(biāo)準(zhǔn)幾乎包括了人類視力所能感知的所有顏色，是運用最廣的顏色系統(tǒng)之一。數(shù)值進(jìn)行算法應(yīng)用。

試驗中，首先確定圖像所需要選取的目標(biāo)，如水生植物或水域。如圖3所示，手動選擇水生植物后，region growing算法根據(jù)設(shè)定參數(shù)自動選取像素點并開始計算。在正常條件下，水域的RGB數(shù)值與水生植物的RGB數(shù)值，以及其他物質(zhì)的RGB數(shù)值是有區(qū)別的，水域的RGB數(shù)值偏低，而水生植物的數(shù)值偏高，且水域與水生植物的RGB數(shù)值在參數(shù)的精度范圍內(nèi)具有相對較高的集中度。因此，在試驗過程中，通過控制靈敏度以及像素范圍的精度這2個參數(shù)來實現(xiàn)軟件對像素RGB的識別與選取。如圖3所示，該實驗選取了水生植物，算法自動選取了與其相近RGB數(shù)值的像素并進(jìn)行統(tǒng)計。

圖3 采集目標(biāo)區(qū)域與實際采集區(qū)域Fig.3 Acquisition target area and actual acquisition area

第五步，對池塘的水域部分、水生植物區(qū)域部分、還有其他部分進(jìn)行選取，IPP軟件自動提取之后將數(shù)據(jù)導(dǎo)出到Microsoft Excel 2016中，并進(jìn)行求和計算。

通過上述方法導(dǎo)出以下數(shù)據(jù)：池塘面積、水生植物面積、池塘水域面積和池塘其他物質(zhì)的面積，4者面積關(guān)系可以公式（1）表示，所有面積單位均為m2。

式（1）中，S為池塘面積，Sp為水生植物的面積，Sw為池塘水域面積，So為池塘其他物質(zhì)的面積。

水生植物面積所占池塘水域面積的比例可以公式（2）表示。

式（2）中，P是所得到水生植物面積占池塘水域面積的比重。

2 誤差與討論

在本次試驗中，前期利用無人機(jī)拍攝的二維正射影像圖像經(jīng)過大疆智圖軟件進(jìn)行測繪，得到池塘所占面積為2 246.43 m2；而經(jīng)過IPP軟件進(jìn)行像素提取計算，池塘水域面積為984.15 m2，水生植物面積為1 262.27 m2，池塘其他物質(zhì)的面積為3.17 m2。通過式（1）計算測算出池塘面積為2 249.59 m2，以大疆制圖所測池塘面積為基準(zhǔn)數(shù)據(jù)進(jìn)行分析，公式如下。

式（3）中，△X為誤差，A表示實際測量值，E表示基準(zhǔn)理論值。計算可得其誤差為0.14%，接近于0，且低于正常測繪誤差，可見其軟件計算偏差較低。通過式（2）計算得出該池塘水生植物所占池塘面積占比為56.11%。

2.1 天氣因素帶來的干擾誤差分析

如圖4a所示，在高強(qiáng)度光照下，池塘水域的RGB像素分布的波峰范圍較為明顯，而水生植物的RGB像素分布波峰較為平坦，水域RGB數(shù)值與水生植物RGB數(shù)值區(qū)分度不夠，不適合軟件采集，容易產(chǎn)生誤差；如圖4b所示，多云的天氣，光照強(qiáng)度較弱，水域的RGB像素分布范圍與水生植物的RGB像素分布范圍有相對明顯的區(qū)分度。在本次試驗中，為保證在試驗過程中盡可能地減少周圍環(huán)境對試驗數(shù)據(jù)的影響，盡量選擇了中午多云的天氣進(jìn)行試驗。在實際的拍攝圖片中發(fā)現(xiàn)，池塘邊緣依然產(chǎn)生日光照射下的陰影，這導(dǎo)致在利用IPP軟件選取顏色進(jìn)行測量時，無法一次性選擇顏色，而需要選擇水域顏色和邊緣陰影顏色相加進(jìn)行數(shù)據(jù)測量。

圖4 不同光照強(qiáng)度下池塘RGB色域分布圖Fig.4 Distribution of RGB color gamut of pond under different light intensities

2.2 拍攝圖片帶來的誤差分析

在相機(jī)成像過程中，照片是由單個像素構(gòu)成，這些像素組合構(gòu)成一張圖片。在拍攝照片時，可以看到水生植物與池塘水域之間有一個邊界，而這中間的像素所呈現(xiàn)的RGB數(shù)值與水生植物的RGB數(shù)值、池塘水域RGB數(shù)值不完全相同。這使得算法在進(jìn)行識別RGB值時，如果符合算法閾值內(nèi)的會進(jìn)行選取，而閾值外的不會被選取。但是所選取的像素可能會出現(xiàn)無法判定是屬于水生植物還是屬于水域部分。這導(dǎo)致選取計算過程中存在多選、錯選甚至漏選等現(xiàn)象，最終導(dǎo)致在計算過程中產(chǎn)生誤差。如圖5所示，可以看到在選取水生植物的過程中，邊緣像素的RGB不同于水生植物RBG值和池塘水域RGB值，但通過圖像智能識別計算，該部分像素在總體的像素占比中很低，可忽略不計。因此，圖片的分辨率在水生植物覆蓋度測算中不會帶來嚴(yán)重影響。

圖5 算法自動選取后水生植物部分Fig.5 Aquatic plant part automatically selected by algorithm

另外，在試驗測量中還發(fā)現(xiàn)池塘周圍存在一部分的遮擋，這部分對于試驗帶來的影響顯然更大，因此本次試驗，已盡可能選取無遮擋的水域進(jìn)行計算測量。

2.3 軟件帶來的誤差分析

試驗中所用到的軟件也會產(chǎn)生誤差。其中敏感度參數(shù)造成的誤差對試驗數(shù)據(jù)有一定的影響。在此軟件中顏色識別選取的算法為region growing算法，對靈敏度參數(shù)進(jìn)行選擇。靈敏度參數(shù)中，過高的靈敏度容易導(dǎo)致因拍攝時所產(chǎn)生的部分顏色偏差無法篩選而漏選，而過低的靈敏度容易誤選和錯選像素。這意味著在試驗過程中，對顏色的選擇要求更高。但本次試驗，有少部分水生植物枯萎發(fā)黃，導(dǎo)致RGB數(shù)值較正常水生植物的數(shù)值有一定偏差，在較高的精度下，軟件會無法識別并放棄選取該像素。與此同時，低靈敏度下的閾值過大，會導(dǎo)致算法選取的過程中選出無效區(qū)域。如圖6a所示，在低靈敏度下（靈敏度為2像素，擴(kuò)散參數(shù)為2像素），算法篩選的像素色域選擇率為110.8%；而選擇高靈敏度下的軟件算法，容易剔除而漏選其中部分色域；在極高精度下（靈敏度為5像素，擴(kuò)散參數(shù)為2像素），像素色域選擇率為72.70%（圖6c）。因此需要控制精度，保證選取質(zhì)量。本次試驗選擇了偏高的精度，主要是由于拍攝時，水生植物的生長良好，顏色差異不大，且與水域的顏色有較大的對比。其數(shù)據(jù)為：靈敏度為4像素，擴(kuò)散參數(shù)為2像素。該精度下像素色域選擇率為99.2%，算法選取后的成像效果如圖6b所示。

圖6 不同精度下算法采集圖片像素Fig.6 Image pixels collected by algorithm under different accuracies

3 結(jié)論與展望

本次試驗中，利用無人機(jī)完成了一處池塘中水生植物覆蓋度的測量研究，并通過試驗測量出該池塘中水生植物的面積為1 262.27 m2，水生植物覆蓋度為55.78%。相較于其他試驗方式，本試驗最大的優(yōu)勢為可行性高、時效快且成本低。目前市面上主流的測繪方式都是光譜成像，但是這種測繪方式需要搭配相應(yīng)軟件，如PIXelGrid等，因此利用光譜分析具有價格相對昂貴、攜帶便利性較差、后期分析較為復(fù)雜等特點。而本試驗利用RGB數(shù)值進(jìn)行分析，相對而言無論是資金成本還是時間成本都有所減少。整個試驗過程從開始規(guī)劃到數(shù)據(jù)處理，全程時長不超過1 h，能夠快速有效地得到當(dāng)時池塘中水生植物的覆蓋度。

水生植物的覆蓋度對于水體的監(jiān)控具有重要意義，水生植物對于水質(zhì)的各項數(shù)據(jù)，如pH、溶氧等相關(guān)數(shù)值具有巨大的影響。未來可以利用本次試驗方法，通過后續(xù)試驗規(guī)劃，對湖泊、沼澤等地進(jìn)行水生植物覆蓋度監(jiān)測［16-17］，觀察其時空動態(tài)變化，從而保證水體與水生植物的良性狀態(tài)［12］。同樣，本試驗可以在魚菜共生系統(tǒng)［17］、稻田養(yǎng)殖或中華絨螯蟹（Eriocheir sinensis）混養(yǎng)［18］等相關(guān)監(jiān)測方面提供借鑒。