Ukrainian Journal of Physical Optics


2023 Volume 24, Issue 2


ISSN 1816-2002 (Online), ISSN 1609-1833 (Print)

Estimation of fractional coverage of alpine black soils by soybean vegetation using UAV-based multi-spectral images and vegetation indices

1Yun Jiang, 2,3Jun Wang* and 3Jiwen Yang

1School of Public Administration and Law, Northeast Agricultural University, Harbin 150030, Heilongjiang, China
2College of Geo-Exploration Science and Technology, Jilin University, Changchun 130026, Jilin, China
3The Second Geomatics Cartography Institute, Ministry of Natural Resource, Harbin 150080, Heilongjiang, China
*Corresponding author.

ABSTRACT

To extract accurately and quickly the fractional vegetation coverage (FVC) for the case of soybean crops in alpine black-soil regions during flowering-podding and seed-filling growth stages, we use unmanned aerial vehicles (UAVs) to collect multi-spectral images of the soybean crops. Different vegetation indices for the multi-spectral bands are analyzed and compared. These are a vegetative index (VEG), a colour index of vegetation extraction (CIVE), an excessive green-feature index (EXG), an excessive green-and-red difference index (EXGR), a combined vegetation index (CVI), a normalized green-blue difference index (NGBDI), a normalized vegetation index (NDVI), a soil-adjusted vegetation index (SAVI), and a modified soil-adjusted vegetation index (MSAVI). A supervised classification method is combined with a threshold method based on statistical histograms of the vegetation indices. This offers an efficient technique for extracting the soybean coverage in the alpine black soils. We divide our experimental field into soil pixels and soybean pixels, while the UAV-based remote-sensing data is divided into the categories of soil and soybean vegetation, using a supervised classification method. Then intersects of the histograms of the vegetation-indices distributions derived with the UAV data are taken as thresholds for the soil and soybean-vegetation pixels. The soybean FVC extracted from synchronously collected high-resolution visible-light images with the ground resolution 0.036 m is used as a reference value for the comparative analysis of the accuracies. Our study reveals the following: (1) the FVC-extraction accuracy becomes higher than 90% if the thresholds of the vegetation indices are determined by the statistical histograms and the images obtained with the UAVs are classified in order to extract the FVC, (2) one obtains too high a coverage with the NGBDI index; the corresponding errors are equal to 6.14% and 2.18% respectively for the flowering-podding and seed-filling stages, (3) the COM, VEG, EXG, SAVI and MSAVI indices demonstrate a sufficient accuracy and reliability, and (4) the EXG index provides the highest precision at the podding stage, while the COM index is the best for the period of soybean-kernel filling. Our results represent an important reference for future high-precision extraction of the soybean-vegetation coverage at different growth stages.

Keywords: multi-spectral images, soybean crop, vegetation indices, unmanned aerial vehicles (UAVs)

UDC: 004.932.2

    1. Yue J, Guo W, Yang G, Zhou Ch, Feng H and Qiao H, 2021. Method for accurate multi-growth-stage estimation of fractional vegetation cover using unmanned aerial vehicle remote sensing. Plant Meth. 17: 51-55. doi:10.1186/s13007-021-00752-3
    2. Purevdorj T, Tateishi R, Ishiyama T and Honda Y, 1998. Relationships between percent vegetation cover and vegetation indices. Int. J. Remote Sens. 19: 3519-3535. doi:10.1080/014311698213795
    3. Niu Y X, Zhang L Y, Han W T and Shao G M, 2018. Fractional vegetation cover extraction method of winter wheat based on UAV remote sensing and vegetation index. Trans. Chin. Soc. Agricult. Mach. 49: 212-221.
    4. Zhao J, Yang H B, Lan Y B, Lu L Q, Jia P and Li Z M, 2019. Extraction method of summer corn vegetation coverage based on visible light image of unmanned aerial vehicle. Trans. Chin. Soc. Agricult. Mach. 50: 232-240.
    5. Qi J, Marsett R C , Moran M S , Goodrich D C, Heilman P, Kerr Y H, Dedieu G, Chehbouni A and Zhang X X, 2000. Spatial and temporal dynamics of vegetation in the San Pedro River basin area. Agricult. Forest. Meteorol. 105: 55-68. doi:10.1016/S0168-1923(00)00195-7
    6. Owen T W, Carlson T N and Gillies R R, 1998. An assessment of satellite remotely-sensed land cover parameters in quantitatively describing the climatic effect of urbanization. Int. J. Remote Sens. 19: 1663-1681. doi:10.1080/014311698215171
    7. Hu H, Li N, Tian F and Tie Q, 2018. Modification of harmonic analysis model for diurnal surface soil heat flux estimate from multiple remote sensing data. J. Appl. Remote Sens. 12: 036009. doi:10.1117/1.JRS.12.036009
    8. Xu N, Tian J, Tian Q, Xu K and Tang S, 2019. Analysis of vegetation red edge with different illuminated/shaded canopy proportions and to construct normalized difference canopy shadow index. Remote Sens. 11: 1192. doi:10.3390/rs11101192
    9. Goodwin A W, Lindsey L E, Harrison S K and Paul P A, 2018. Estimating wheat yield with normalized difference vegetation index and fractional green canopy cover. Crop, Forage & Turfgrass Management. 4: 1-6. doi:10.2134/cftm2018.04.0026
    10. Song W, Mu X, Ruan G, Gao Z, Li L and Yan G, 2017. Estimating fractional vegetation cover and the vegetation index of bare soil and highly dense vegetation with a physically based method. Int. J. Appl. Earth Observ. 58: 168-176. doi:10.1016/j.jag.2017.01.015
    11. Jia K, Liang S, Liu S, Li Y, Xiao Z, Yao Y, Jiang B, Zhao X, Wang X, Xu S and Cui J, 2015. Global land surface fractional vegetation cover estimation using general regression neural networks from MODIS surface reflectance. IEEE Trans. Geosci. Remote Sens. 53: 4787-4796. doi:10.1109/TGRS.2015.2409563
    12. Jia K, Li Y, Liang S, Wei X, Mu X and Yao Y, 2017. Fractional vegetation cover estimation based on soil and vegetation lines in a corn-dominated area. Geocarto Int. 32: 531-540. doi:10.1080/10106049.2016.1161075
    13. Vozhehova R, Maliarchuk M, Biliaieva I, Lykhovyd P, Maliarchuk A and Tomnytskyi A, 2020. Spring row crops productivity prediction using normalized difference vegetation index. JEE. 21: 176-182. doi:10.12911/22998993/123473
    14. Li Z, Chen Z, Cheng Q, Duan F, Sui R, Huang X and Xu H, 2022. UAV-based hyperspectral and ensemble machine learning for predicting yield in winter wheat. Agronomy. 12: 202. doi:10.3390/agronomy12010202
    15. McCool C, Beattie J, Milford M, Bakker J D, Moore J L and Firn J, 2018. Automating analysis of vegetation with computer vision: cover estimates and classification. Ecol. Evol. 8: 6005-6015. doi:10.1002/ece3.4135
    16. Bauer T and Strauss P, 2014. A rule-based image analysis approach for calculating residues and vegetation cover under field conditions. Catena. 113: 363-369. doi:10.1016/j.catena.2013.08.022
    17. Sohail M F, Leow C Y and Won S, 2018. Non-orthogonal multiple access for unmanned aerial vehicle assisted communication. IEEE Access. 6: 22716-22727. doi:10.1109/ACCESS.2018.2826650
    18. Sun Z, Wang X, Wang Z, Yang L, Xie Y and Huang Y, 2021. UAVs as remote sensing platforms in plant ecology: review of applications and challenges. J. Plant. Ecolog. 14: 1003-1023. doi:10.1093/jpe/rtab089
    19. Kim I H, Jeon H, Baek S C, Hong W H and Jung H J, 2018. Application of crack identification techniques for an aging concrete bridge inspection using an unmanned aerial vehicle. Sensors. 18: 1881. doi:10.3390/s18061881
    20. Chiang K W, Tsai M L, Naser E S, Habib A and Chu C H, 2015. A new calibration method using low cost MEM IMUs to verify the performance of UAV-borne MMS payloads. Sensors. 15: 6560-6585. doi:10.3390/s150306560
    21. Lykhovyd P V, Vozhehova R A, Lavrenko S O and Lavrenko N M, 2022. The study on the relationship between normalized difference vegetation index and fractional green canopy cover in five selected crops. Sci. World J. 2022: 8479424. doi:10.1155/2022/8479424
    22. Choi S K, Lee S K, Jung S H, Choi J W, Choi D Y and Chun S J, 2016. Estimation of fractional vegetation cover in sand dunes using multi-spectral images from fixed-wing UAV. JKSGPC. 34: 431-441. doi:10.7848/ksgpc.2016.34.4.431
    23. Liu Y H, Cai Z L and Bao N S, 2018. Research of grassland vegetation coverage and biomass estimation method based on major quadrat from UAV photogrammetry. Ecol. Environ. 27: 2023-2032.
    24. Xie B, Yang W and Wang F, 2020. A new estimation method for fractional vegetation cover based on UAV visual light spectrum. Sci. Surv. Mapp. 45: 72-77.
    25. Hague T, Tillett N D and Wheeler H, 2006. Automated crop and weed monitoring in widely spaced cereals. Precis. Agricult. 7: 21-32. doi:10.1007/s11119-005-6787-1
    26. Zhang D, Mansaray L R, Jin H, Sun H, Kuang Z and Huang J, 2018. A universal estimation model of fractional vegetation cover for different crops based on time series digital photographs. Comput. Electron. Agr. 151: 93-103. doi:10.1016/j.compag.2018.05.030
    27. Torres-Sánchez J, Peña JM, de Castro A I and López-Granados F, 2014. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV. Comput. Electron. Agr. 103: 104-113. doi:10.1016/j.compag.2014.02.009
    28. Liu H, Qi Y, Xiao W, Tian H, Zhao D, Zhang K, Xiao J, Lu X, Lan Y, Zhang Y, 2022. Identification of male and female parents for hybrid rice seed production using UAV-based multispectral imagery. Agriculture. 12: 1005. doi:10.3390/agriculture12071005
    29. Guijarro M, Pajares G, Riomoros I, Herrera P J, Burgos-Artizzu X P and Ribeiro A, 2011. Automatic segmentation of relevant textures in agricultural images. Comput. Electron. Agr. 75: 75-83. doi:10.1016/j.compag.2010.09.013
    30. Guo Y, Fu Y H, Chen S, Bryant C R, Li X, Senthilnath J, Sun H, Wang S, Wu Z and de Beurs K, 2021. Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images. Int. J. Appl. Earth Observ. 102: 102435. doi:10.1016/j.jag.2021.102435
    31. Xiaoqin W, Miaomiao W, Shaoqiang W and Yundong W, 2015. Extraction of vegetation information from visible unmanned aerial vehicle images. TCSAE. 31: 152-159.
    32. Sellaro R, Crepy M, Trupkin S A, Karayekov E, Buchovsky A S, Rossi C and Casal J J, 2010. Cryptochrome as a sensor of the blue/green ratio of natural radiation in Arabidopsis. Plant Physiol. 154: 401-409. doi:10.1104/pp.110.160820
    33. Qi J, Chehbouni A, Huete A R, Kerr Y H and Sorooshian S, 1994. A modified soil adjusted vegetation index. Remote Sens. Environ. 48: 119-126. doi:10.1016/0034-4257(94)90134-1

    Щоб одержати точно та швидко фракційне рослинне покриття (ФРП) для посівів сої в альпійських чорноземних регіонах на стадіях цвітіння та наповнення насінням, ми використали безпілотні літальні апарати (БПЛА) для збору мультиспектральних зображень посівів сої. Проаналізовано та порівняно різні індекси рослинності для багатоспектральних діапазонів. Це індекс рослинності (VEG), колірний індекс вилучення рослинності (CIVE), індекс надмірної зеленості (EXG), індекс надмірної зелено-червоної різниці (EXGR), комбінований індекс рослинності (CVI), нормалізований індекс зелено-блакитної різниці (NGBDI), нормалізований індекс рослинності (NDVI), індекс рослинності з поправкою на ґрунт (SAVI) та модифікований індекс рослинності з поправкою на ґрунт (MSAVI). Контрольований метод класифікації поєднано з пороговим методом на основі статистичних гістограм індексів рослинності. Це пропонує ефективну техніку для встановлення покриття соєю альпійських чорноземів. Ми поділили наше експериментальне поле на пікселі ґрунту та пікселі сої, тоді як дані дистанційного зондування на основі БПЛА поділено на категорії ґрунту та соєвої рослинності за допомогою контрольованого методу класифікації. Потім перетини гістограм розподілу індексів рослинності, одержаних за допомогою даних БПЛА, беруть як порогові значення для пікселів ґрунту та рослинності. ФРП сої, одержаний із синхронно зібраних зображень високої чіткості у видимому світлі з базовою роздільною здатністю 0,036 м, використано як еталонне значення для порівняльного аналізу точностей. Наше дослідження засвідчило таке: (1) точність встановлення ФРП стає вищою за 90%, якщо поріг індексу рослинності визначають за допомогою статистичних гістограм, а зображення, отримані за допомогою БПЛА, класифікують для знаходження ФРП; (2) за допомогою індексу NGBDI одержуємо занадто високе ФРП; похибки дорівнюють 6,14% і 2,18% відповідно для етапів цвітіння-сіву та висипання насіння; (3) індекси COM, VEG, EXG, SAVI та MSAVI демонструють достатню точність і надійність; (4) індекс EXG забезпечує найвищу точність на стадії стручкування, тоді як індекс COM є найліпшим для періоду наповнення соєвими зернами. Наші результати є важливим орієнтиром для майбутніх високоточних досліджень рослинного покриву сої на різних стадіях росту.

    Ключові слова: багатоспектральні зображення, посіви сої, індекси рослинності, безпілотні літальні апарати (БПЛА)

Free download this article 

© Ukrainian Journal of Physical Optics ©