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的波動。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*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EF = (FSVM – FVI) / FSVM，式中EF為FVC提取誤差，FSVM和FVI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EF**值和RMSE的均值*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*好，EF**值僅為0.034，但其RMSE值為0.061，EF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EF的均值**值為0.051，僅高于T1閾值，但其RMSE值為0.032，EF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EF主要分布在-0.05 ~ 0.05之間，EF相對集中。T0、T1、T2閾值下的EF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*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**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**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**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.
https://doi.org/10.1016/S2095-3119(20)63556-0
