基于窄带光谱图像分析的小麦冠层植被指数测量方法研究

摘要

[目的]针对小麦生长早期植被指数易受土壤背景干扰的问题，提出了一种基于窄带光谱图像分析的小麦植被指数测量方法。[方法]构建了多镜头结构的窄带光谱图像获取装置，实时获取656和770 nm的田间小麦窄带光谱图像。运用简单线性聚类(simple linear iterative clustering, SLIC)和VGG16(visual geometry group network 16)全卷积神经网络对小麦近红外窄带光谱图像进行超像素聚类和分类，把交并比(Q_(seg))、综合评价指标(F值)、精度(Precision)作为分割精度评价指标，分析传统阈值分割方法和本研究方法去土壤背景干扰的性能差异。去除土壤背景后的窄带光谱图像采用太阳光免白板标定方法计算植被指数，并与GreenSeeker RT200的实测数据进行对比分析，定性定量评价本研究方法去除土壤背景干扰的性能。[结果]试验共采集12个小麦品种、2个施氮水平、24块种植小区图像，Q_(seg)、Precision和F值的平均值分别为90.41%、80.82%和72.73%,分割性能均优于传统的阈值分割方法。针对相同测试田块，GreenSeeker RT200测量的各小区归一化植被指数(normalized difference vegetation index, NDVI)变异系数的最大值、平均值和标准差分别为47.12%、33.61%、10.17%,而本测量方法的各小区NDVI的相应指标值分别为18.59%、9.61%、3.88%;当采样小区小麦封行后，本方法所提取的NDVI与GreenSeeker RT200的测量值具有较高的相关性，决定系数为0.895 9。[结论]该方法可以完成复杂土壤背景、大田光照变化条件下的小麦窄带光谱图像的冠层提取与植被指数测量，可为多镜头结构的作物冠层反射光谱仪的优化设计提供参考。

关键词

小麦 / 窄带光谱图像 / 冠层分割 / VGG16神经网络 / 超像素 / 植被指数

基金资助

国家重点研发计划项目(2016YFD070030403)