基于无人机可见光影像对喀斯特地区植被信息提取与覆盖度研究

doi:10.11733/j.issn.1007-0435.2020.06.021

草地学报 ›› 2020, Vol. 28 ›› Issue (6): 1664-1672.DOI: 10.11733/j.issn.1007-0435.2020.06.021

基于无人机可见光影像对喀斯特地区植被信息提取与覆盖度研究

尹林江^1,2, 周忠发^1,2, 李韶慧^1,2, 黄登红^1,2

1. 贵州师范大学喀斯特研究院/地理与环境科学学院, 贵州贵阳 550001;
2. 国家喀斯特石漠化防治工程技术研究中心, 贵州贵阳 550001

收稿日期:2020-06-25 修回日期:2020-07-08 发布日期:2020-12-02
通讯作者: 周忠发
作者简介:尹林江(1993-),男,贵州德江县人,硕士研究生,主要从事无人机山地遥感、GIS开发与应用研究,E-mail:ylj8575@163.com
基金资助:
国家自然科学基金地区项目（41661088）资助；国家重点研发计划项目（2018YFB0505400）资助；贵州省高层次创新型人才培养计划“百”层次人才（黔科合平台人才〔2016〕5674）资助

Research on Vegetation Extraction and Fractional Vegetation Cover of Karst Area Based on Visible Light Image of UAV

YIN Lin-jiang^1,2, ZHOU Zhong-fa^1,2, LI Shao-hui^1,2, HUANG Deng-hong^1,2

1. Institute of Karst Science/School of Geography and Environmental Science, Guizhou Normal University, Guiyang, Guizhou Province 550001, China;
2. State Engineering Technology Institute for Karst Desertification Control, Guiyang, Guizhou Province 550001, China

Received:2020-06-25 Revised:2020-07-08 Published:2020-12-02

摘要/Abstract

摘要： 为准确快速获取喀斯特石漠化地区植被和植被覆盖度信息，本研究利用四旋翼无人机采集喀斯特石漠化区域的可见光影像，选择过绿指数（EXG，excess green）、可见光波段差异植被指数（VDVI，visible-band difference vegetation indx）、红绿蓝植被指数（RGBRI，red green and blue vegetation index）、过绿减过红指数（ExG-ExR，excess green-excess red），利用植被指数时序图交点法和样本统计法思想，运用阈值分割法进行植被和植被覆盖度的信息提取，并以监督分类得到的植被和植被覆盖度信息为真实值，进行精度验证。结果表明，在贵州省关岭贞丰花江喀斯特石漠化地区，对于植被信息提取，ExG-ExR的精度最高，总体精度为95.56%，Kappa系数为0.919；ExG-ExR得到的植被覆盖度精度最好，为99.174%，均方根误差RMSE为0.097，R²为0.977。由此可见，在喀斯特地区利用植被指数时序图交点法和样本统计法思想，适合该地区的植被信息提取和植被覆盖度的提取，具有较高的精度。

关键词: 无人机影像, 喀斯特石漠化, 植被信息, 植被覆盖度, 阈值提取

Abstract: In order to obtain the vegetation and vegetation coverage information in karst rocky desertification area accurately and quickly,the visible light image of rocky desertification area was acquired by UAV. The excess green (EXG),visible band difference vegetation index (VDVI),red green and blue vegetation index (RGBRI),and excess green-excess red (ExG-ExR) were selected. Based on the idea of intersection method and sample statistics method of vegetation index time series diagram,the threshold segmentation method was used to extract the information of vegetation and vegetation coverage. The vegetation and vegetation coverage information obtained by supervised classification was as the true values and the accuracy was verified. The results showed that ExG-ExR had the highest accuracy for vegetation information extraction in Huajiang karst rocky desertification area of Guanling,Guizhou Province,with the overall accuracy of 95.56% and kappa coefficient of 0.919.The vegetation coverage obtained by ExG-ExR index was the closest to the real value,with RMSE of 0.097 and R² of 0.977. It indicated that in karst area,using the intersection method of vegetation index time series graph and the idea of sample statistics was suitable and accurate for the extraction of vegetation information and vegetation coverage in this area.

Key words: UAV image, Karst rocky desertification, Vegetation extraction, Fractional vegetation cover, Threshold extraction

中图分类号:

V279+.2

尹林江, 周忠发, 李韶慧, 黄登红. 基于无人机可见光影像对喀斯特地区植被信息提取与覆盖度研究[J]. 草地学报, 2020, 28(6): 1664-1672.

YIN Lin-jiang, ZHOU Zhong-fa, LI Shao-hui, HUANG Deng-hong. Research on Vegetation Extraction and Fractional Vegetation Cover of Karst Area Based on Visible Light Image of UAV[J]. Acta Agrestia Sinica, 2020, 28(6): 1664-1672.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://manu40.magtech.com.cn/Jweb_cdxb/CN/10.11733/j.issn.1007-0435.2020.06.021

https://manu40.magtech.com.cn/Jweb_cdxb/CN/Y2020/V28/I6/1664

参考文献

[1] 牛亚晓,张立元,韩文霆. 基于Lab颜色空间的棉花覆盖度提取方法研究[J]. 农业机械学报,2018,49(10):240-249
[2] Purevdorj T,Tateishi R,Ishiyama T,et al. Relationships between percent vegetation cover and vegetation indices[J]. International Journal of Remote Sensing,1998,19(18):3519-3535
[3] 赵静,杨焕波,兰玉彬,等. 基于无人机可见光图像的夏季玉米植被覆盖度提取方法[J]. 农业机械学报,2019,50(5):232-240
[4] 高永平,康茂东,何明珠,等. 基于无人机可见光波段对荒漠植被覆盖度提取的研究——以沙坡头地区为例[J]. 兰州大学学报(自然科学版),2018,54(6):770-775
[5] 唐亮,何明珠,许华,等. 基于无人机低空遥感的荒漠植被覆盖度与归一化植被指数验证及其对水热梯度的响应[J].应用生态学报,2020,31(1):35-44
[6] 祁燕,王秀兰,冯仲科,等. 基于RS与GIS的北京市植被覆盖度变化研究[J]. 林业调查规划,2009,34(2):1-4
[7] 陈云浩,李晓兵,史培军. 中国西北地区蒸发散量计算的遥感研究[J]. 地理学报,2001(3):261-268
[8] Carlson T N,Gillies R R,Perry E M. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover[J]. Remote Sensing Reviews,1994,9(1):161-173
[9] Owen T W,Carlson T N,Gillies R R. An assessment of satellite remotely-sensed land cover parameters in quantitatively describing the climatic effect of urbanization[J]. International Journal of Remote Sensing,1998,19(9):1663-1681
[10] 李登科,王钊.退耕还林后陕西省植被覆盖度变化及其对气候的响应[J]. 生态学杂志,2020,39(01):1-10
[11] 宋鹏飞,季民,李刚. 山东省近10年植被覆盖度变化与气候因子相关性分析[J]. 测绘通报,2018(12):109-113
[12] 杭玉玲,包刚,包玉海,等. 2000-2010年锡林郭勒草原植被覆盖时空变化格局及其气候响应[J]. 草地学报,2014,22(06):1194-1204
[13] Song W,Mu X,Ruan G,et al. Estimating fractional vegetation cover and the vegetation index of bare soil and highly dense vegetation with a physically based method[J]. International Journal of Applied Earth Observation and Geoinformation,2017,58:168-176
[14] 常慧. 基于多源遥感的植被覆盖度反演研究[D].西宁:青海师范大学,2015:1-6
[15] 李登科,范建忠,王娟. 陕西省植被覆盖度变化特征及其成因[J]. 应用生态学报,2010,21(11):2896-2903
[16] 杨龙,孙中宇,唐光良,等. 基于微型无人机遥感的亚热带林冠物种识别[J]. 热带地理,2016,36(5):833-839
[17] 吕厚谊. 无人机发展与无人机技术[J]. 世界科技研究与发展,1998(06):113-116
[18] 尹林江,周忠发,黄登红,等. 基于无人机影像匹配点云数据的喀斯特峡谷区火龙果单株提取研究[J]. 浙江农业学报,2020,32(6):1092-1102
[19] 蔡宗磊,苗正红,常雪,等. 基于无人机大样方数据及国产卫星反演草地植被覆盖度方法研究[J]. 草地学报,2019,27(5):1431-1440
[20] 王柯,付怡然,彭向阳,等. 无人机低空遥感技术进展及典型行业应用综述[J]. 测绘通报,2017(S1):79-83
[21] 刘文萍,赵磊,周焱,等. 基于深度学习的无人机土地覆盖图像分割方法[J]. 农业机械学报,2020,51(2):221-229
[22] 郭鹏,武法东,戴建国,等. 基于无人机可见光影像的农田作物分类方法比较[J]. 农业工程学报,2017,33(13):112-119
[23] 解宇阳,王彬,姚扬,等. 基于无人机激光雷达遥感的亚热带常绿阔叶林群落垂直结构分析[J]. 生态学报,2020,40(3):940-951
[24] 周在明,杨燕明,陈本清. 基于无人机影像的滩涂入侵种互花米草植被信息提取与覆盖度研究[J]. 遥感技术与应用,2017,32(4):714-720
[25] 周在明,杨燕明,陈本清. 基于可见光波段无人机影像的入侵物种互花米草提取研究[J]. 亚热带资源与环境学报,2017,12(2):90-95
[26] 谢兵,杨武年,王芳. 无人机可见光光谱的植被覆盖度估算新方法[J].测绘科学,2020(09):72-77
[27] 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):152-159
[28] 袁道先. 要重视西南石漠化地区生态建设的重要性和特殊性[J]. 中国水利,2009(7):3
[29] 胡顺光,张增祥,夏奎菊. 遥感石漠化信息的提取[J]. 地球信息科学学报,2010,12(6):870-879
[30] 余军林,罗娅,赵志龙,等. 基于TVDI和Landsat-8的喀斯特峡谷区干旱监测[J]. 水土保持通报,2019,39(1):104-113
[31] 傅银贞,汪小钦. 基于北京一号CCD数据的植被指数特性分析[J]. 测绘科学,2010,35(6):35-38
[32] 袁加红,朱德泉,孙丙宇,等. 基于机器视觉的水稻秧苗图像分割[J]. 浙江农业学报,2016,28(6):1069-1075
[33] 黄登红,周忠发,吴跃,等. 基于无人机可见光影像的高原丘陵盆地区山药植株识别[J]. 热带地理,2019,39(4):571-582
[34] 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
[35] 李冰,刘镕源,刘素红,等. 基于低空无人机遥感的冬小麦覆盖度变化监测[J]. 农业工程学报,2012,28(13):160-165
[36] 田振坤,傅莺莺,刘素红,等. 基于无人机低空遥感的农作物快速分类方法[J]. 农业工程学报,2013,29(7):109-116
[37] Eckert S,Engesser M. Assessing vegetation cover and biomass in restored erosion areas in Iceland using SPOT satellite data[J]. Applied Geography,2013,40:179-190
[38] 李超,文天晟,张凤荣,等. 半干旱沙区土类/亚类的遥感调查制图方法[J]. 农业工程学报,2018,34(6):189-196
[39] 杨焕波,赵静,兰玉彬,等. 基于无人机可见光遥感和阈值法的玉米植被覆盖度提取[J]. 福建农林大学学报(自然科学版),2020,49(2):283-288
[40] 陈向东,邓江洪. 基于可见光影像的夏季玉米植被覆盖度提取方法研究[J]. 实验技术与管理,2019,36(12):131-136

基于无人机可见光影像对喀斯特地区植被信息提取与覆盖度研究

Research on Vegetation Extraction and Fractional Vegetation Cover of Karst Area Based on Visible Light Image of UAV

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 7

编辑推荐

Metrics

本文评价

[1]	何国兴, 柳小妮, 张德罡, 李强, 蒲小鹏, 刘志刚, 关文昊, 杨军银, 韩天虎, 孙斌, 潘冬荣. 甘肃省高寒草甸植被覆盖度反演及其时空变化研究[J]. 草地学报, 2021, 29(3): 593-602.
[2]	张浔浔, 杨斌, 吴淑莹, 肖志强, 文浪, 段阳海, 孙建. 尼洋河流域植被特征时空变化及其对水热的响应[J]. 草地学报, 2021, 29(11): 2566-2576.
[3]	韩贞贵, 毛天旭, 屠丹, 张涛, 王根绪. 长江源区草地覆盖变化对土壤团聚体分布及稳定性的影响[J]. 草地学报, 2020, 28(3): 801-807.
[4]	才文代吉, 谢先福, 张静, 孙海群. 高原鼠兔鼠丘覆压对鼠丘上植被重建的影响研究[J]. 草地学报, 2019, 27(6): 1615-1621.
[5]	蔡宗磊, 苗正红, 常雪, 刘艳慧, 郝刚, 何龙涛. 基于无人机大样方数据及国产卫星反演草地植被覆盖度方法研究[J]. 草地学报, 2019, 27(5): 1431-1440.
[6]	肖桐, 王昌佐, 冯敏, 屈冉, 翟俊. 2000-2011年青海三江源地区草地覆盖度的动态变化特征[J]. , 2014, 22(1): 39-45.
[7]	张兴昌, 邵明安. 植被覆盖度对流域有机质和氮素径流流失的影响[J]. , 2000, 8(3): 198-203.