引用

汪小钦, 王苗苗, 王绍强, 等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报, 2015, 31(5): 152-157, 159, 158.

Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152 -159. (in Chinese with English abstract)

作者

第一作者：汪小钦

其他作者：王苗苗、王绍强、吴云东

摘要

无人机遥感具有使用成本低、操作简单、获取影像速度快、地面分辨率高等传统遥感无法比拟的优势。该文通过分析仅含红光、绿光和蓝光 3 个可见光波段的无人机影像中植被与非植被的光谱特性,同时结合健康绿色植被的光谱特征,借鉴归一化植被指数 NDVI 的构造原理及形式,提出了一种综合利用红、绿、蓝 3 个可见光波段的归一化植被指数——可见光波段差异植被指数 VDVI(visible-band difference vegetation index)。与其他基于可见光波段的植被指数,如过绿指数 EXG(excess green)、归一化绿红差值指数 NGRDI(normalized green-red difference index)、归一化绿蓝差值指数 NGBDI(normalized green-blue difference index)和红绿比值指数 RGRI(red-green ratio index)以及仅用绿光波段的提取结果进行对比分析,结果表明:VDVI 植被提取精度高于其他可见光波段植被指数,且阈值在 0 附近,较易确定。为了验证 VDVI 的适用性与可靠性,选取与试验影像同一时期拍摄但不同区域的另一影像使用同样的方法提取植被信息。结果表明:VDVI 对于仅含可见光波段无人机遥感影像的健康绿色植被信息具有较好的提取效果,提取精度可达 90%以上,适用于仅含可见光波段无人机遥感影像的健康绿色植被信息提取

研究背景

无人机遥感是综合利用先进的无人驾驶飞行技术、遥感遥控技术及遥感应用等技术，快速获取国土资源与环境等空间遥感信息的应用技术，属于低空遥感技术，其在获取影响过程中不收大气因素的干扰，具有使用成本低、操作简单、获取影响速度快、地面分辨率高等传统遥感技术所无法比拟的优势，在小区域遥感应用方面具有广阔的应用前景。

在植被遥感领域，利用植被指数进行植被遥感监测是最为广泛应用的方法，能对地表植被状况进行简单、有效和经验的度量。它是遥感反演植被生物物理与生物化学参数的重要技术手段。

然而目前国内外无人机实际应用中，仅含可见光波段的无人机影像获取更为普遍使用更为广泛，而大多数指数都包含可见光-近红外波段，因此，研究针对仅含可见光波段的无人机影像开展植被信息提取方法研究，旨在快速有效提取植被信息。

研究方法

1. 数据采集

数据选用2013年8月中上旬作者所拍摄与福建省长汀县河田镇的无人机遥感影像数据，研究区位于116°16’~116°30′E，25°35′~25°46′N，拍摄高度约1000m，天气状况良好，无风无云。实验中选取地物类别丰富且较具有代表性的一景影像，影像大小为3264像元×4913像元，实地面积约为160360㎡。

2. 植被指数构建

采用仅基于可见光波段的植被指数：

a.过绿指数EXG（excess green）

b.归一化绿红差异指数NGRDI（normalized green-red difference index）

c.仿照NGRDI构造的归一化绿蓝差异指数NGBDI（normalized green-blue difference index）

d.红绿比值指数RGRI（red-green ratio index）

$$
\begin{array}{c}
\mathrm{EXG}=2 \times \rho_{\text {green }}-\rho_{\text {red }}-\rho_{\text {blue }} \tag1\
\end{array}
$$

$$
\mathrm{NGRDI}=\frac{\rho_{\text {green }}-\rho_{\text {red }}}{\rho_{\text {green }}+\rho_{\text {red }}} \tag2\
$$

$$
\mathrm{NGBDI}=\frac{\rho_{\text {green }}-\rho_{\text {blue }}}{\rho_{\text {green }}+\rho_{\text {blue }}} \tag3\
$$

$$
\mathrm{RGRI}=\frac{\rho_{\text {red }}}{\rho_{\text {green }}}\tag4
$$

式中：$\rho_{\text {red}}、\rho_{\text{blue}}、\rho_{\text{green}}$分别表示红、蓝、绿3个波段的反射率或像元值。

3. 地物光谱特征分析

研究选取绿色植被信息（树木、灌木、草地、农田）与非植被信息（裸土、水泥路、建筑物），统计各典型地物在红、绿、蓝3个波段中的像元的统计特征值（最大值、最小值、平均值、标准偏差）。选取平均值分析波段像元值总体差异，引入标准差作为波段像元值的波动范围。可以观察到：

a.植被的像元值满足ρgreen>ρred>ρblue，绿光波段反射率最大，其次是红光波段，蓝光波段反射率最小

b.非植被的像元值满足ρblue>ρgreen>ρred

c.绿光波段裸土易与植被混淆，在红光和蓝光波段较易将它们区分。

4.构建VDVI植被指数

对于不包含近红外波段的可见光影像，由于绿光波段具有较强的反射特性，红光和蓝光具有吸收特性，并借鉴NDVI构造原理与形式，以绿光波段代替NDVI中的近红外波段，以($\rho_{\text {red}}+\rho_{\text {blue}}$)代替NDVI中的红光波段，并将绿光波段乘以2使其在数值上与($\rho_{\text {red}}+\rho_{\text {blue}}$)相当，可构建可见光波段差异植被指数VDVI(visible-band difference vegetation index)。

$$
\mathrm{VDVI}=\frac{2\times\rho_{\mathrm{green}}-(\rho_{\mathrm{red}}+\rho_{\mathrm{blue}})}{2\times\rho_{\mathrm{green}}+(\rho_{\mathrm{red}}+\rho_{\mathrm{blue}})}=\frac{2\times\rho_{\mathrm{green}}-\rho_{\mathrm{red}}-\rho_{\mathrm{blue}}}{2\times\rho_{\mathrm{green}}+\rho_{\mathrm{red}}+\rho_{\mathrm{blue}}}
$$

其中VDVI的数值范围为[-1,1]。