机载高光谱系统与机器学习算法结合实践丨双利合谱机载高光谱相机在小麦监测应用

背景：

植被覆盖度（FVC）是衡量作物生长状况的重要参数，对作物生长监测、生态环境评价以及农业生产具有重要意义。传统的 FVC 提取方法主要包括目测法、仪器测量法和摄影法，其中摄影法因其操作简单、成本较低、精度较高而被广泛应用。然而，不同土壤湿度、光照条件及数据采集时间可能影响 FVC 的提取精度，限制了其在动态环境中的适用性。因此，开发一种高精度、鲁棒性强、不受外界条件影响的 FVC 提取方法具有重要的研究价值。

近年来，高光谱成像技术（HSI）因其能够同时获取作物的光谱和空间信息，在农业监测领域得到了广泛关注。相比传统数字相机仅依赖 RGB 三通道信息，高光谱相机能够获取植被与非植被像素的光谱反射率，并结合植被指数（如 NDVI）有效区分植被与背景，提高 FVC 提取的准确性。然而，目前常用的像素二分法受采集条件影响较大，难以满足不同土壤和时间条件下的高精度提取需求。因此，本研究提出了一种基于密度峰值 k-均值算法的FVC提取方法，以提高FVC提取的稳定性和适应性。

作者信息：刘升平，中国农业科学院农业信息研究所，硕士生导师

期刊来源：ScienceDirect

研究内容

研究在江苏扬州的盆栽试验田与农田实验区开展数据采集，利用GaiaSky mini2 VN 高光谱相机和DJI M600无人机在不同土壤湿度和生长期条件下获取高光谱数据。数据预处理中，研究采用黑白板校正、大气校正和 NDVI 计算来增强植被与背景的区分度。在 FVC 提取方面，对比了像素二分法、DPK-means 算法和支持向量机（SVM）分类，最终，研究通过误差分析（EF、RMSE）、拟合度（R²）和误差分布图评估不同方法的表现，验证 DPK-means 算法在 FVC 提取中的优越性。

实验设计

地面数据：使用了一台GaiaSky mini2 VN高光谱相机（江苏双利合谱科技有限公司），采集了33张干土的高光谱图像和14张湿土的高光谱图像（见图1-A）。在数据采集过程中，相机高度（镜头与小麦冠层之间的距离）为1米，镜头垂直向下，拍摄模式为推扫成像。

无人机数据：一架大疆M600无人机（深圳大疆科技有限公司）搭载高光谱相机，在50米高度飞行，相机透镜垂直向下，拍摄模式为悬停拍摄和推扫成像，每次飞行采集到五十六幅图像。

图1.数据采集设备。A. GaiaSky mini2 VN相机 B. 地面数据采集设备C. 无人机（UAV）数据采集设备

研究方法

为确保数据质量，首先对采集的高光谱图像进行数据预处理（图2），包括黑白板校正、镜头畸变校正和大气校正，以消除光照变化、设备噪声和环境因素的干扰。同时，利用归一化植被指数（NDVI） 计算红光（680 nm）和近红外光（800 nm）反射率，提高植被像素与非植被像素的区分度。

图2.高光谱图像预处理流程。

然后，分别采用像元二分法和DPK-means算法提取小麦的FVC，并基于支持向量机（SVM）监督分类结果对比分析了两种方法的提取效果，具体的提取过程如图3所示。最终，通过误差分析（EF、RMSE）、拟合度（R²）和误差分布图 对比不同方法的表现，以验证 DPK-means 在植被覆盖度提取中的适用性和优势。

图3.小麦植被覆盖度（FVC）提取流程

结果（最终结果模型对比，反演图）

采用像素二分法和DPK-means提取FVC。将像素二分法的固定阈值设置为T0、T1和T2，DPK-means算法使用高斯核函数。图4展示了在两种土壤条件下，不同方法提取小麦植被覆盖度（FVC）的效果。

图4 .两种土壤条件下FVC提取效果：(1) 干土条件；(2) 湿土条件。A1和A2：可见光图像；B1和B2：NDVI灰度图像；C1和C2：通过干土阈值（T0）提取的灰度图像；D1和D2：通过DPK-means算法提取的灰度图像；E1和E2：通过湿土阈值（T1）提取的灰度图像；F1和F2：通过整体阈值（T2）提取的灰度图像；G1和G2：通过SVM算法提取的灰度图像。

对四种方法提取的FVC结果进行线性拟合，结果如图5所示。其中，SVM提取的FVC值代表通过支持向量机算法提取的FVC值，而预测值则表示不同方法提取的FVC值。从图5-A至D可以看出，DPK-means算法的拟合精度最高，其R²达到了0.87。

图5. 基于SVM的小麦FVC提取结果拟合效果。A. DPK-means；B. T0；C. T1；D. T2

在无人机采集的四期高光谱数据中，选取了10幅图像并分析了DPK-means算法在从无人机高光谱图像中提取小麦FVC的效果。提取效果如图6所示。

利用 DPK-means 算法从无人机（UAV）高光谱图像中提取的FVC误差值，按照上述精度评估方法进行计算。结果表明，小麦 FVC 的平均绝对误差为 0.044，RMSE为 0.030，且误差分布相对集中，与地面高光谱图像的提取误差相近。此外，对比 SVM 监督分类提取的 FVC 和 DPK-means 算法提取的 FVC 进行线性拟合（如图7所示），拟合度 R²达到 0.93。

图6.无人机（UAV）高光谱图像在不同日期的提取结果：(1)、(2)、(3) 和 (4) 分别为无人机在D1（2019年3月8日）、D2（2019年3月16日）、D3（2019年3月25日）和D4（2019年4月11日）采集的样本图像。A. 可见光图像；B. NDVI灰度图像；C. 通过DPK-means算法提取的灰度图像；D. 通过SVM算法提取的灰度图像。

图7.基于SVM的UAV高光谱小麦图像的FVC拟合结果

结论

为了解决传统像素二分法在不同土壤条件和时间条件下提取精度不足的问题，本研究提出了一种基于DPK-means算法从小麦NDVI灰度图像中提取FVC的新方法。通过对不同日期采集的不同土壤条件下的高光谱图像进行分析，本研究计算了NDVI图像，分析了NDVI灰度图像中植被像素的可分离性，并对比了像素二分法与DPK-means算法的提取效果。结果表明，与像素二分法相比，DPK-means算法在从NDVI灰度图像中提取FVC时表现更为出色，且受土壤条件和图像拍摄时间的影响较小。该方法具有较高的精度和鲁棒性，能够在不同条件下获得可靠的提取结果。

审核编辑 黄宇