Vegetation information extraction in karst area based on UAV remote sensing in visible light band
Από RemoteSensing Wiki
ΕΞΑΓΩΓΗ ΠΛΗΡΟΦΟΡΙΩΝ ΒΛΑΣΤΗΣΗΣ ΣΤΗΝ ΚΑΡΣΤΙΚΗ ΠΕΡΙΟΧΗ ΜΕ ΒΑΣΗ ΤΗΝ ΤΗΛΕΠΙΣΚΟΠΗΣΗ UAV ΣΕ ΖΩΝΗ ΟΡΑΤΟΥ ΦΩΤΟΣ.
ΤΙΤΛΟΣ: Vegetation information extraction in karst area based on UAV remote sensing in visible light band
ΣΥΓΓΡΑΦΕΙΣ: Anan Xua , Fang Wang b,* , Liang Lia
ΠΗΓΗ: https://doi.org/10.1016/j.ijleo.2022.170355
1.Εισαγωγή Το μη επανδρωμένο εναέριο όχημα (UAV) αναφέρεται σε ένα μη επανδρωμένο αεροσκάφος που πετά με ασύρματο τηλεχειριστήριο και προγραμματισμένη διαδρομή. Σε συνδυασμό με την τεχνολογία τηλεπισκόπησης, δηλαδή την τηλεπισκόπηση μη επανδρωμένων αεροσκαφών, προηγούμενες μελέτες για την τεχνολογία τηλεπισκόπησης τείνουν να επικεντρώνονται στη δορυφορική τηλεπισκόπηση. Σε αυτό το άρθρο, προκειμένου να ληφθεί μια μέθοδος γρήγορης και αποτελεσματικής εξαγωγής πληροφοριών βλάστησης, επέκτασης του εύρους εφαρμογής της τηλεπισκόπησης UAV και προώθησης ποσοτικών εφαρμογών, μελετάται η μέθοδος εξαγωγής πληροφοριών βλάστησης από εικόνες UAV που περιλαμβάνουν μόνο ζώνες ορατού φωτός. [9]. 3.1. Κατασκευή δείκτη δεδομένων UAV στη ζώνη ορατού φωτός Η αρχή του δείκτη βλάστησης είναι να εκτελεί συνδυασμένες λειτουργίες σύμφωνα με την αντανάκλαση και την απορρόφηση της πράσινης βλάστησης σε διαφορετικές ζώνες για την ενίσχυση των πληροφοριών για τη βλάστηση και την αποδυνάμωση των πληροφοριών μη βλάστησης. Οι συνήθεις δείκτες ορατού φωτός περιλαμβάνουν τον δείκτη περίσσειας πράσινου (ExG), τον δείκτη βλάστησης διαφοράς ορατής απαγόρευσης (βλάστηση διαφοράς ορατής απαγόρευσης), τον δείκτη κόκκινου-πράσινου βλάστησης και τον δείκτη αναλογίας κόκκινου-πράσινου (RGRI). Προκειμένου να διασφαλιστεί η ακρίβεια της βλάστησης και της μη βλάστησης, αυτή η εργασία υιοθετεί τη μέθοδο της οπτικής αναγνώρισης, επιλέγει 50 δείγματα περιοχών βλάστησης και μη βλάστησης και χρησιμοποιεί την έννοια του βλάστηση. Προκειμένου να ποσοτικοποιηθεί το αποτέλεσμα ανίχνευσης του αλγορίθμου σε αυτό το άρθρο, η συνάρτηση συνημιτόνου χρησιμοποιείται για την προσαρμογή της κατανομής των κροσσών και ο συντελεστής Pearson χρησιμοποιείται για την ανάλυση της συσχέτισης όλων των προσαρμοσμένων δειγμάτων και το αποτέλεσμα ανίχνευσης του αλγορίθμου ποσοτικοποιείται μέσω στατιστικών συντελεστών συσχέτισης. 3.2. Μοντέλο επεξεργασίας δεδομένων τηλεπισκόπησης Η εξίσωση ιστογράμματος είναι η πιο συχνά χρησιμοποιούμενη μέθοδος διόρθωσης ιστογράμματος στην έμφαση στην εικόνα. Η κεντρική ιδέα της ισοστάθμισης του ιστογράμματος είναι να αλλάξει το γκρι ιστόγραμμα της αρχικής εικόνας από τη συγκεντρωμένη κατανομή ολόκληρου του εύρους του γκρι σε μια ομοιόμορφη κατανομή. 4.1. Επισκόπηση της περιοχής μελέτης Η περιοχή μελέτης βρίσκεται στη νότια όχθη μιας βραχώδους περιοχής ολοκληρωμένου οικολογικού ελέγχου ερημοποίησης (Σχ. 1). Το γεωγραφικό εύρος της περιοχής επίδειξης είναι 25◦37′ 20′′N~25◦42′36′′Β, με ένα μέση ετήσια βροχόπτωση 1100 mm. Λόγω της ειδικής γεωλογικής του δομής, ξηρασίες εμφανίζονται συχνά στην επιφάνεια. Η βλάστηση κυριαρχείται από θάμνους, χόρτα και καλαμπόκι (ZeamaysL) και η βραχώδης ερημοποίηση είναι σοβαρή. 4.2. Λήψη και επεξεργασία εικόνας ορατού φωτός UAV Το μη επανδρωμένο εναέριο όχημα (UAV, Unmanned Aerial Vehicle platform) που χρησιμοποιείται σε αυτή τη μελέτη είναι ένα DJI Phantom 3SE (Phantom3SE) drone quad-rotor, με ανάλυση φωτογραφίας 4000pixel*3000pixel και ενεργό pixel 12 εκατομμύρια. Η φωτογραφία τραβήχτηκε στις 30 Ιουλίου, 2019. 14:31–14:44, επίπεδο ανέμου 0, ηλιόλουστος καιρός. Χρησιμοποιήστε το λογισμικό DJIGSPro για να καλύψει ολόκληρο το χώρο δοκιμών,και το ύψος πτήσης είναι 150 μ. Η λαμβανόμενη εικόνα λαμβάνεται σε χαμηλό υψόμετρο και δεν επηρεάζεται από ατμοσφαιρικούς παράγοντες. Χρησιμοποιώντας το λογισμικό Pix4DMapper για την επεξεργασία της τρισδιάστατης κρυπτογράφησης της εικόνας, την αντιστοίχιση σημείων χαρακτηριστικών, τη συρραφή εικόνας, τη διόρθωση,κ.λπ., για τη δημιουργία ορθοειδώλου υψηλής ανάλυσης με τρεις ζώνες κόκκινου, πράσινου και μπλε με χωρική ανάλυση 0,1 m. 4.3. Ανάλυση πειραματικών αποτελεσμάτων Προκειμένου να εξαχθούν πληροφορίες για τη βλάστηση, ήταν απαραίτητο να αναλυθούν τα φασματικά χαρακτηριστικά της βλάστησης στο ορατό φως UAV. Η υγιής πράσινη βλάστηση παρουσιάζει έντονη αντανάκλαση στη ζώνη του πράσινο φωτός και ισχυρή απορρόφηση στις ζώνες του μπλε και του κόκκινου φωτός. Μπορεί να φανεί από Εικ. 2 ότι οι διαφορές μεταξύ βλάστησης και μη βλάστησης στα ExG, ExG-ExR και VDVI είναι προφανείς. Κρίνοντας από το ιστόγραμμα κάθε δείκτη βλάστησης όπως φαίνεται στο Εικ. 3, τα ExGExG-ExR και VDVI έχουν παρόμοιες αλλαγές, ενώ το ιστόγραμμα του RGBRI έχει μεγάλο εύρος μεταβολών, τα χαρακτηριστικά δεν είναι αρκετά εμφανή, υπάρχουν δύο κορυφές, εικάζεται ότι μπορεί να έχει πολλαπλά κατώτατα όρια .Αυτή η εργασία χρησιμοποιεί την ιδέα της μεθόδου τομής του διαγράμματος χρονοσειρών και της μεθόδου δειγματοληψίας στατιστικών και χρησιμοποιεί οπτική διάκριση επιλέγοντας 50 δείγματα βλάστησης και μη βλάστησης της περιοχής μελέτης που λαμβάνονται από drones και υπολογίζοντας και σχεδιάζοντας το δείκτης βλάστησης. Το στατιστικό ιστόγραμμα βλάστησης και μη βλάστησης για κάθε δείκτη φαίνεται στην Εικ. 4. Τα αποτελέσματα βλάστησης και μη βλάστησης φαίνονται στν Εικ. 5.Τέλος,χρησιμοποιώντας τον τύπο (5) έγινε ο υπολογισμός της κάλυψης βλάστησης, με τα ακόλουθα ποσοστά φυτικής κάλυψης των ExG, ExG-ExR και VDVI προκύπτουν ως 48,833 %, 54,198 %,και 51.617 %, αντίστοιχα. 4.4. Επιθεώρηση ακρίβειας Σε αυτή την εργασία, τα χαρακτηριστικά υψηλής ανάλυσης των εικόνων UAV συνδυάζονται με τα αποτελέσματα του πεδίου ερευνών ,επιλέγοντας 150 περιοχές βλάστησης και μη βλάστησης ως ταξινόμηση εκπαιδευτικών μηχανών υποστήριξης διανυσμάτων (SVM). Χρησιμοποιώντας τη μέθοδο μικτού πίνακα για επαλήθευση ακρίβειας, η συνολική ακρίβεια ταξινόμησης είναι 99,97 %, ο συντελεστής Kappa είναι 0,99. Τα αποτελέσματα της ταξινόμησης φαίνονται στο Σχ. 6.Λαμβάνοντας ως πραγματική τιμή το αποτέλεσμα της εποπτευόμενης ταξινόμησης, επιλέχθηκαν τυχαία 100 δείγματα για να αξιολογηθεί η ακρίβεια της εκχύλισης κάθε δείκτη βλάστησης. Μέσω του υπολογισμού, η συνολική ακρίβεια της εξαγωγής RGBRI, ExG, ExG-ExR και VDVI είναι 90,00 %,90,00 %, 95,96 % και 92,22 %, αντίστοιχα. Οι συντελεστές Kappa είναι 0,780, 0,797, 0,919 και 0,857. Τέλος, πιστεύεται ότι το ExG-ExR είναι καταλληλότερο ως αξιόπιστη παράμετρος για τον υπολογισμό της φυτικής κάλυψης σε αυτή την περιοχή, με καλύτερη ακρίβεια. 5.Συμπέρασμα Προς το παρόν, η εξαγωγή πληροφοριών για τη βλάστηση ή η κάλυψη βλάστησης με βάση τις εικόνες ορατού φωτός από UAV επικεντρώνεται κυρίως σε περιοχές με σχετικά επίπεδο έδαφος και σχετικά λίγες σε καρστικές και βραχώδεις περιοχές ερημοποίησης. Τα αποτελέσματα δείχνουν ότι τα ExG, ExG-ExR και VDVI έχουν όλα υψηλά ακρίβεια για την εξαγωγή πληροφοριών για τη βλάστηση, μεταξύ των οποίων η ExG-ExR έχει την υψηλότερη ακρίβεια, με συνολική ακρίβεια 95,96 % και συντελεστής Kappa 0,919. Τέλος, αυτή η μελέτη δείχνει ότι ο δείκτης βλάστησης χρησιμοποιείται σε καρστικές περιοχές. Η ιδέα της μεθόδου διασταύρωσης και η μέθοδος δειγματοληψίας στατιστικών μπορεί να λύσει αποτελεσματικά το πρόβλημα του προσδιορισμού του κατωφλίου δείκτη βλάστησης και να ικανοποιήσει με ακρίβεια την εξαγωγή πληροφοριών για τη βλάστηση.
