基於高光譜圖像的密度峰值k-均值算法估算小麥植被覆蓋度

題目

基於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）是測量地球表麵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、butongtiaojianxiacaijidezhibeihefeizhibeideguangpufanshelvdebianhua，huishixiangsuerfenfadeyuzhifashenghendabianhua，congershidetiquxiaoguochanshengjiaodabodong。jiandufenleishourenweiyinsuheyangbenyingxiangjiaoda。dangceshiyangbenhexunlianyangbenzhijianmeiyouchayishi，tiquxiaoguohuihenhao。raner，dangyangbenzhijiancunzaishikongchayishi
，tiqudejingdujiangxianzhujiangdi。

考(kao)慮(lv)到(dao)無(wu)監(jian)督(du)學(xue)習(xi)算(suan)法(fa)無(wu)需(xu)人(ren)為(wei)幹(gan)預(yu)


，通(tong)過(guo)確(que)定(ding)的(de)分(fen)類(lei)標(biao)準(zhun)對(dui)植(zhi)被(bei)和(he)非(fei)植(zhi)被(bei)進(jin)行(xing)分(fen)類(lei)，受(shou)人(ren)為(wei)和(he)環(huan)境(jing)因(yin)素(su)影(ying)響(xiang)較(jiao)小(xiao)。因(yin)此(ci)
，假(jia)設(she)無(wu)監(jian)督(du)學(xue)習(xi)算(suan)法(fa)可(ke)以(yi)準(zhun)確(que)地(di)提(ti)取(qu)FVC
，將其應用於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。

基於上述問題

，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），並基於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，並分析了基於植被指數圖像的DPK-means算法的優勢。

試驗設計

試驗地點位於江蘇揚州大學，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）於近地麵采集了幹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，獲取了大範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）
、地麵數據采集設備（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處有一個吸收穀，在近紅外光780 ~ 900 nm處chu有you一yi個ge連lian續xu反fan射she峰feng。小xiao麥mai紅hong光guang波bo段duan與yu近jin紅hong外wai波bo段duan反fan射she率lv有you明ming顯xian差cha異yi。土tu壤rang的de光guang譜pu反fan射she率lv在zai整zheng個ge波bo段duan範fan圍wei內nei呈cheng緩huan慢man上shang升sheng趨qu勢shi，沒mei有you明ming顯xian的de反fan射she峰feng和he吸xi收shou穀gu。紅hong光guang波bo段duan和he近jin紅hong外wai波bo段duan可ke以yi很hen好hao地di指zhi示shi植zhi被bei與yu土tu壤rang的de差cha異yi，結jie合he它ta們men構gou建jian的de植zhi被bei指zhi數shu可ke以yi有you效xiao地di用yong於yu植zhi被bei與yu土tu壤rang的de區qu分fen。因yin此ci，本ben研yan究jiu選xuan取qu近jin紅hong外wai波bo段duan800 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

為了檢驗基於NDVI提取的小麥植被灰度圖像上植被和非植被像素的分布
，本研究製作了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於高斯分布
，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
   ，並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. 重複步驟2和步驟3
   ，直到聚類中心的位置沒有改變，然後停止迭代。

然後，本研究基於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分別為基於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。幹土的光譜反射率明顯高於濕土。濕土的NDVI值高於幹土，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。

基於DPK-means算法的E_F絕對值和RMSE的均值最低（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好，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
，僅高於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範圍較大。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，與地麵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。

綜合地麵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。相對於像素二分法，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。土壤幹燥狀況（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為幹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、農產品質量安全控製。

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.

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