【某农业大学实验报告】低空遥感平台下可见光与多光谱传感器在水稻纹枯病病害评估中的效果对比研究

一、实验目的

1. 综合研究比较两种传感器在不同波段的光谱特征，并利用波段数据计算相应的植被指数，通过分析光谱数据，确定哪些波段或植被指数对于病害的检测最为关键，为后续的数据处理、数据分析、模型构建提供依据；
2. 通过研究可见光和多光谱传感器在水稻纹枯病病害检测中的光谱特征，比较构建预测模型精度，探究可见光和多光谱传感器在检测水稻纹枯病病害时的性能差异，并挖掘哪种传感器更符合我们的需求；
3. 在实验操作过程中，深入使用探究Arcgis中大量数据处理的各种方法，帮助我们更高效地处理数据、进行复杂的地理分析、生成地图等，从而提高工作效率，减少手动操作，降低人为错误的概率，提高数据处理的准确性。

二、实验内容

 三、实验数据 

 四、实验过程

（一）小区的绘制与编号

1.为保证后续工作思路的清晰与文件地址的明确，我们首先新建一个命名为ROI的文件夹，并在该文件夹中右键新建一个Shapefile图层，在弹出的参数框中设置参数如下右图所示，要素类型为面，投影坐标系为UTM 15带：

2.在Arcgis主页面中添加【编辑器】工具，选择开始编辑，并在确定需要编辑的选项框中选择我们新建的ROI图层，随后，点击最右端的【构造工具】，选择【圆形】，我们即可对照多光谱下的遥感影像，在对应的感染区（下）与接种区（上）区域划分小区：

3. 右键绘制的圆形，我们可以指定圆形的半径大小，接下来步骤的具体思路为：为每块田地划分上下两个小区（分别为接种区与感染区），共67块，因此共有134块小区，绘制完毕后，为所有的小区ID进行赋值便于我们后续的数据处理，感染区的67块田地，按从下到上，从左到右（与老师提供数据不同并未走S型）分别赋值为1-67，而接种区的67块小区分别赋值为101-167，得到最终绘制小区结果如下图所示：

4.除上述步骤，由于实验要求，我们需要分别对可见光与多光谱两组遥感影像进行数据处理分析，而可见光遥感影像与多光谱遥感影像并不完全重叠，导致我们以多光谱为基础绘制的小区ROI图层不能应用于可见光图层会出现相关偏移，如下左图所示，因此我们需要依据可见光遥感影像对ROI图层进行相关移动，最终得到结果如下图所示：

 

！！！特别注意！！！此步操作意味着我们需要有两个ROI图层（可见光ROI与多光谱ROI），在获得第二个ROI图层时，我们需要首先将第一个ROI图层复制粘贴，然后另存为ROI2，否则在移动ROI2时，原ROI图层也会随之移动。

（二）小区光谱反射率提取

得到两个ROI图层后，我们即可分别对可见光与高光谱遥感影像进行数据提取工作，我们首先利用【以表格分区统计工具】提取小区内的光谱反射率，可见光遥感影像具有R、G、B三个波段，多光谱遥感影像具有蓝、绿、红、近红、红边五个波段，因此最后我们需要得到8个分区统计结果。

1.批处理分区统计：可以想象，如果8个结果每次我们都逐个使用【以表格分区统计工具】会有多么复杂与繁琐，为简化操作，我们使用Arcgis中自带的【批处理】方法，右键我们想要使用的工具，点击批处理，我们即可在弹出的批处理参数框中，一次性设置好我们需要得到的8个表格的所有参数，特别注意输出表的.dbf后缀。

虽然使用工具的批处理可以帮助我们快速地批量处理数据，但是相关的参数依然需要我们手动设置，如果需要处理图像数量过大，批处理工具显然是无法受用的。

2.数据汇总：最后我们将.dbf文件中的MEAN值作为我们最终的分析数据，汇总如下所示：

（三）小区植被指数提取

上一实验过程中光谱反射率的提取，仅仅是从最浅层的角度探讨了可将光与多光谱遥感器的不同，并不能帮助我们深入了解水稻病害等级反演的最优指数，因此我们需要利用计算得到的植被指数进行数据分析。

以下表格为参照我们可以知道，可将光遥感影像我们需要获得7个（B*、G*、R*、NDI、ExG、ExR、ExG-ExR）植被指数数据，而多光谱遥感影像我们需要获得10个(NDVI、RVI、NDWI、B*、G*、R*、NDI、ExG、ExR、ExG-ExR)植被指数数据，共计10个类型不同的植被指数，计算公式同样如下图所示：

1.植被指数计算：利用Arcgis中的【栅格计算器】工具输入上述公式我们可以轻松得到结果，但一共17个结果数据量实在过于复杂，实验操作过程中容易出现思路混乱的情况，因此我们决定使用上一实验课中学习得到的模型构建器工具，得到模型如下图示： 

 

利用该模型，我们直接输入对应的图层信息即可得到我们想要的17个结果图层，除此之外模型构建器非常大的一个好处就是，发现错误后可以在构建的模型中寻找错误源是什么并立即进行改正，避免出现错误图层后才发现占用存储空间。

！！！特别注意！！！在栅格计算器中输入公式时，每个图层前都要添加FLOAT，否则结果会出现数值错误的情况。

2. 植被指数提取：与上述实验光谱反射率提取的步骤基本相同，我们需要小区内的植被指数，但此时我们共有17个图层，无论是逐个使用【以表格分区统计】工具还是使用【批处理】方法都太过复杂繁琐，因此我们决定使用Arcgis中自带的Arcpy，利用代码来帮助我们自动执行分区统计。

在Arcgis的主页面中选择【地理处理】——>【Python】,即可打开编程界面，在此输入代码，即可执行得到结果。

附完整代码与注释如下图所示，如果我们想要将此代码应用于其它数据，只需要更改工作空间与分区矢量文件与字段即可：

！！！特别注意！！！除上述方法外，我们还可以在目录处新建一个工具箱，并右键工具箱选择【添加】——>【脚本】，将我们已经写好的一个脚本文件添加至Arcgis的工具箱中，我们则不需要在ArcMap的Python窗口反复输入代码：

3.数据汇总：最后我们将.dbf文件中的MEAN值作为我们最终的分析数据，汇总如下所示：

五、实验结果与分析

（一）小区光谱反射率结果分析

为获得接种区相对于侵染区的变化，我们将汇总得到的数据分为感染区与接种区两个部分，而为对比可见光影像与多光谱影像的区别，我们又分为RGB与多光谱，将数据分别求以平均，得到小区光谱反射率结果如下表所示：

该结果中感染区与接种区由于传感器的不同并不具有可比性，因此我们将可见光的三波段除以255，多光谱的五波段均除以65535进行归一化处理，得到结果如下表所示：

对上述结果中，为对比可见光传感器与窄波段多光谱传感器得到的光谱反射率的区别，我们取感染区与接种区结果的绝对变化值与趋势变化如下表所示，可以发现二者在可见光波段具有相同的变化趋势进一步验证了实验数据的准确性，除此之外，多光谱传感器结果的绝对变化值均大于可见光传感器的绝对变化值，说明多光谱传感器在感染区与接种区的光谱反射率的区别上具有更大的响应，即多光谱传感器相比于可见光传感器得到的遥感影像更为精细，质量更好：

（二）基于实测NDVI的传感器效果对比

为获得两幅遥感影像的植被指数与实测NDVI间的关系，我们利用EXCEL软件分别将计算提取得到植被指数与实测NDVI进行相关性分析并绘制散点图、添加趋势线、决定系数R2并计算RMSE。

如下表格所示为可见光遥感影像植被指数与实测NDVI相关性分析的结果，其中红底为最好结果，黄底为第二好结果，蓝底为第三好结果，依据绝对系数R2越大越好的定义，我们可以得知在可见光遥感影像中，植被指数EXR与实测NDVI具有最强的相关性：

如下表格所示为多光谱遥感影像植被指数与实测NDVI相关性分析的结果，其中红底为最好结果，黄底为第二好结果，蓝底为第三好结果，依据绝对系数R2越大越好的定义，我们可以得知在多光谱遥感影像中，植被指数NDVI与实测NDVI具有最强的相关性：

最后，我们将可见光与多光谱图像共同具有的植被指数，分为接种区与感染区进行横向比较，可以发现：1.除B*该植被指数外，ExG_ExR、EXG、EXR、NDI、B*、G*、R*等植被指数均与实测NDVI具有较强的相关性，R2在0.6以上；2.接种区范围内，除植被指数B*，多光谱的R2均大于可见光；3.感染区范围内，所有植被指数中，多光谱的R2均大于可见光。

（三）病害等级模型

根据上述相关性分析的实验结果，我们将可见光图像中的植被指数EXR,多光谱的NDVI分别与病害等级进行回归分析，并得到其模型函数、决定系数R2与模型精度如下图与表格所示：

可以对比我们明显看出：依据多光谱传感器的植被指数与病虫害等级构建的模型无论是决定系数R2还是模型精度都更高，因此我们可以得出结论：基于多光谱传感器NDVI建立的反演模型对于评估水稻纹枯病病害等级的能力优于可见光传感器。

最终结论：

纵向对比下：基于可见光传感器获得的植被指数EXR，与基于多光谱传感器获得的植被指数NDVI可以有效构建评估水稻病害等级的模型；

横向对比下：多光谱传感器的评估能力与水平要强于可见光传感器。

六、补充

面对大量数据处理的三种简便方法：在此次实验过程中，最为复杂繁琐的便是大量数据的处理，抱着深入学习与扩大知识面的想法，我在实验中共使用了批处理、模型构建器与Arcpy三种简化大量数据处理的方法，具体使用方法在上述实验报告中已有详细阐述，现将各种方法的使用心得与优势劣势总结如下：

1. 批处理：优势：批处理方法能够一次性处理大量数据，提高我们的处理效率，它的自动化处理减少了我们人为输入错误的可能性，同时确保了数据处理过程中的一致性；劣势：相对于其它方法，批处理方法的可视化程度较低，不够直观，同时发生错误后无法直接修改；
2. 模型构建器：优势：模型构建器能够提供直观的图形界面，帮助我们创建和理解复杂的地理处理模型，同时模型构建器将任务划分为模块，易于维护和修改，能够检测潜在错误，方便我们逐步运行调试；劣势：对于简单任务来说，模型构建器显得过于复杂；
3. Arcpy：优势: Arcpy可以与其他Python库和工具集成，提供更多数据分析和可视化功能，同时我们能够编写自定义脚本和工具，自动执行各种GIS任务，提高效率的同时满足个性化需求；劣势：相比于前两种方法，Arcpy需要掌握Python编程知识与较强的编写脚本能力，学习门槛更高。