基于無人機遙感多光譜影像的棉花倒伏信息提取

戴建國，張國順，郭 鵬，曾窕俊，崔美娜，薛金利

?

基于無人機遙感多光譜影像的棉花倒伏信息提取

戴建國1,3，張國順1,3，郭 鵬2，曾窕俊1，崔美娜1,3，薛金利1,3

（1. 石河子大學信息科學與技術學院，石河子 832003； 2. 石河子大學理學院，石河子 832003；3. 兵團空間信息工程技術研究中心，石河子 832003）

為在棉花發(fā)生倒伏災害后快速獲取田塊尺度下的受災信息，該文以2017年8月21日強風暴雨導致大面積棉花倒伏的新疆生產建設兵團第八師135團的部分田塊作為研究區(qū)，由無人機遙感試驗獲取倒伏后的多光譜影像，通過分析倒伏和正常棉花的光譜反射率差異提取了多種植被指數和主成分紋理特征，結合地面調查樣本建立了3種花鈴期倒伏棉花的Logistic二分類模型并進行了精度評價和驗證。結果表明：棉花倒伏前后在可見光波段的反射率差異微小，而在紅邊和近紅外波段的反射率明顯降低0.12～0.20；以第一主成分均值（PCA1_mean）建立的Logistic二分類紋理模型效果最優(yōu)，在測試集上分類結果的準確率為91.30%，ROC（receiver operating characteristic）曲線距左上角點最近，AUC（area under the roc curve）值為0.80。通過將該模型應用于試驗區(qū)影像，分類制圖效果良好且符合棉田倒伏癥狀特點。該研究可為無人機多光譜遙感棉花災損評估提供參考。

無人機；遙感；多光譜；棉花倒伏；光譜紋理分析；Logistic模型；災損評估

0 引 言

新疆是中國最大的優(yōu)質商品棉生產基地[1]，棉產量約占全國總產量的67.27%。新疆地處亞歐大陸腹地，屬大陸性干旱氣候，夏季易發(fā)大風、暴雨、冰雹等氣象災害[2]，再加上品種、土壤、水分等因素作用常常發(fā)生棉花倒伏現象[3]。棉花發(fā)生倒伏后，主莖或根部受機械損傷致使營養(yǎng)物質的吸收和輸送能力減弱，影響棉花有機物質的合成和棉株正常發(fā)育，造成棉花產量和品質下降及影響機械收獲[3]。而災后及時準確地獲取棉花倒伏信息十分重要，不但有助于農業(yè)生產管理部門快速采取補救措施，盡可能地降低損失，對于無法挽回的損失，也可輔助保險公司快速、準確估損以進行災后合理賠償。

傳統的倒伏信息獲取方法主要是現場測量[4]。倒伏災害發(fā)生后，調查人員前往受災區(qū)域使用GPS、卷尺等工具測量倒伏位置及面積。該方法受人為因素影響較大，存在精度差、效率低等問題?，F代遙感技術的發(fā)展，為倒伏災情快速監(jiān)測提供了有效方法[5]。該方法利用倒伏作物與正常作物在色彩、光譜和紋理等方面的差異來識別倒伏區(qū)域，具有覆蓋面積大、識別結果準確等優(yōu)點。如李宗南等[6]利用Worldview-2多光譜影像的均值紋理特征建立了灌漿期倒伏玉米識別模型；王立志等[7]使用HJ-1B多光譜影像構建了基于比值植被指數（ratio vegetation index, RVI）差值的倒伏監(jiān)測模型，實現了區(qū)域尺度的玉米倒伏監(jiān)測和災情評估。

由于倒伏災害一般由極端天氣狀況造成，而糟糕的天氣狀況也嚴重影響衛(wèi)星影像的質量，受過境周期限制，衛(wèi)星再訪時已經過去了一段時間，用于估損已經不夠準確且無法滿足災后快速評估的要求。近年來，隨著無人機系統搭載遙感平臺的快速發(fā)展，針對無人機遙感影像的數據拼接方法和技術也已成熟[8-11]，無人機遙感在自然災害信息快速獲取及實物估損方面已展開了一定的研究[12-13]。無人機遙感具有低成本、高時效、天氣影響小等特點[14]，非常適于作物受災信息的快速獲取。如李宗南等[15]、董錦繪等[16]使用電動無人機搭載數碼相機獲取了彩色圖像，通過分析色彩和紋理特征分別估算了倒伏玉米和倒伏小麥的面積信息。目前，基于小型無人機遙感的作物倒伏信息提取多集中在玉米和小麥作物，采用的方法大多為監(jiān)督分類且需要專業(yè)人員的交互操作，而棉花作物倒伏信息提取的自動化模型或方法鮮有報道。因此，本文通過無人機遙感試驗獲取的多光譜影像，分析倒伏棉花的光譜和紋理特征并建立識別模型，為棉花倒伏信息快速提取提供方法參考。

1 數據來源

1.1 研究區(qū)概況

研究區(qū)位于新疆生產建設兵團第八師135團，東經85°16′，北緯44°53′，平均海拔約為360 m。該區(qū)域干燥少雨，蒸發(fā)量大，光照時間長、熱量充足，屬典型的溫帶大陸性氣候[3]。年平均溫度7.5～8.2 ℃，年日照時長2 318～2 732 h，年平均降雨量180～270 mm。土壤類型為堿性砂土，質地疏松且含鹽量低，非常適宜農作物生長。主要以棉花、玉米、小麥、甜菜、西葫蘆和苜蓿等作物為主，葡萄、西瓜、紅棗、香梨等瓜果為輔。

1.2 數據獲取

2017年8月21日研究區(qū)突發(fā)強風暴雨天氣，致使該區(qū)域發(fā)生了大面積棉花倒伏。研究小組于2017年8月23日由無人機獲得了部分倒伏棉田的多光譜數據，作為此次研究的主要數據源。飛行平臺為CW-20固定翼無人機系統，該機翼展2.6 m，機身長1.6 m，最大起飛質量12 kg，巡航速度20 m/s，最大續(xù)航時間1.5 h。傳感器采用Parrot sequoia多光譜相機，該傳感器包含綠光、紅光、紅邊、近紅外共4個多光譜通道和1個RGB原色通道，配備GPS和輻照度傳感器，相機參數如表1。拍攝當天，天氣晴朗、地面風速小于4級，滿足航攝要求。拍攝前，在航攝區(qū)內調查倒伏狀況，并布設80個采樣標記點。航攝時，手動拍攝輻射靶標以校準傳感器輻射模型，設置飛行航高150 m，航線9條，航線總長17.75 km，無人機航線如圖1所示。航向重疊度80%，旁向重疊度70%，曝光方式為定距曝光，最終獲取了363組多光譜航攝原始圖像。

表1 Parrot sequoia相機參數

圖1 無人機航線圖

1.3 數據預處理

多光譜影像數據的預處理工作主要由原始圖像篩選、POS數據準備、影像拼接和輻射校準共4部分組成。為了減少拼接工作量以及保證拼接后的影像質量，對航攝原始圖像進行篩選，去除姿態(tài)角過大、航線轉彎處以及質量不佳的圖像。使用篩選后的290組多光譜原始圖像，使用農業(yè)多光譜模板進行影像拼接，整個拼接工作流程由Pix4Dmapper軟件完成[17]。最后，結合地面拍攝的輻射靶標標準反射率進行輻射校準，得到地表反射率影像。處理后影像的空間分辨率為21.86 cm，以TIFF格式存儲Green、Red、Red_edge和NIR通道的反射率信息，數據類型為浮點型，橢球模型為WGS 1984，投影方式為UTM zone 45N。本研究為了獲取盡可能多且具有代表性的典型倒伏數據，選取的感興趣區(qū)（region of interest，ROI）幅寬長約1.8 km，寬約0.5 km，感興趣區(qū)假彩色圖像見圖2所示。

圖2 感興趣區(qū)假彩色圖像

2 倒伏棉花提取方法

2.1 研究方案

首先對比分析倒伏與正常棉花的光譜反射率差異，構建多種植被指數和主成分紋理特征，為提取倒伏棉花信息提供特征選擇依據；然后基于特征重組使用向前逐步法進行特征篩選并建立Logistic二分類回歸模型；最后，結合地面調查樣本和人工判讀對模型分類效果進行評價，從而優(yōu)選基于無人機多光譜影像的棉花倒伏信息提取方法。技術路線如圖3所示。

圖3 棉花倒伏提取流程圖

2.2 光譜分析

對預處理之后的多光譜影像，疊加倒伏和正常棉花地面調查點的GPS位置。為了便于衡量倒伏棉花的光譜差異和提取相關的植被指數，選取影像中明顯標識的土壤提取其光譜反射率，在Excel中進行均值化處理并建立光譜反射率曲線圖，結果見圖4。可以看出，在綠波段（530～570 nm）反射率基本相同，在紅波段（640～680 nm）倒伏棉花的反射率略高于正常棉花約0.015，然而在紅邊波段（730～740 nm）和近紅外波段（770～810 nm）倒伏棉花的反射率明顯低于正常棉花約0.12～0.20。

8月下旬該區(qū)域棉花正處于花鈴期，此時棉花葉片面積較大、分布密集且已封壟。正常棉花冠層在綠、紅波段的反射率較低，而在紅邊、近紅外波段的反射率較高。當發(fā)生倒伏后，棉花冠層結構倒塌，葉片對冠層反射率的貢獻比減小，導致倒伏棉花與正常棉花在紅邊和近紅外波段出現明顯的降低?；诘狗蟮墓庾V差異特征，可以構建植被指數來提取倒伏區(qū)域。

圖4 反射率光譜曲線

通過借鑒前人研究和相關農學知識，本文選取了10種植被指數，分別為：比值植被指數（ratio vegetation index，RVI）[18]、差值植被指數（difference vegetation index，DVI）[19]、歸一化植被指數（normalized difference vegetation index，NDVI）[20]、綠波段歸一化植被指數（green normalized difference vegetation index，GNDVI）[21]、垂直植被指數（perpendicular vegetation index，PVI）[22]、土壤調節(jié)植被指數（soil-adjusted vegetation index，SAVI）[23]、優(yōu)化土壤調節(jié)植被指數（optimize soil-adjusted vegetation index，OSAVI）[24]、修正土壤調節(jié)植被指數（modified soil-adjusted vegetation index，MSAVI）[25]、三角植被指數（triangular vegetation index，TVI）[26]和歸一化差異綠度指數（normalized difference greenness index，NDGI）[27]。

2.3 紋理分析

棉花倒伏主要表現在冠層結構的破壞，因此可以借助于紋理特征來描述。為了降低數據冗余，使用ENVI軟件對多光譜數據進行主成分分析（principal component analysis, PCA），以獲取包含數據信息量較多的前2個主成分分量。基于灰度共生矩陣（gray level co-occurrence matrix, GLCM）[28]計算紋理特征，包含2個主成分分量的均值（mean）、方差（variance）、協同性（homogeneity）、對比度（contrast）、相異性（dissimilarity）、信息熵（entropy）、二階矩（second moment）和相關性（correlation）共16項紋理特征。綜合考慮精度與效率，濾波的窗口設置為5×5，空間相關性矩陣和的變化量均為1，灰度質量級為64。最后統計了倒伏和正常棉花的16項紋理特征的均值和均方根誤差，并計算變異系數（coefficient of variation，CV）和相對差異系數（relative difference，RD），結果見表2。

式中CV為變異系數（%），SD為標準差；MN為樣本均值；RD為相對差異系數（%）；MN1和MN2分別為倒伏棉花和正常棉花的樣本均值。特征統計結果見表2。由表2可知，各項紋理特征的變異系數和相對差異系數有較大的差異。在倒伏棉花中，變異系數最小的為第二主成分信息熵6.34%，最大的為第二主成分相關性139.83%；在正常棉花中，變異系數最小的為第一主成分信息熵5.79%，最大的為第二主成分相關性131.69%；倒伏和正常棉花的相對差異系數最小的為第二主成分信息熵1.97%，最大的為第一主成分均值57.94%。由于變異系數是衡量特征內離散程度的指標，相對差異系數是衡量特征間差異程度的指標，而特征內差異越小、特征間差異越大表明該特征的分類能力越強。依據以上原則，對各特征的變異系數和相對差異系數排序評選，得到第一主成分均值、第一主成分信息熵、第一主成分協同性、第二主成分均值和第二主成分協同性共5項紋理特征可以作為倒伏提取模型的變量。

2.4 模型構建

二元Logistic回歸分類模型建立過程簡單、使用方便，通過與參數估計相結合既能篩選變量又能獲得很好的模型解釋，并且在處理定性變量時具有很好的預測準確度和實用推廣性?？紤]到模型的建立復雜度和使用效率，本文使用光譜和紋理特征重組建立二元Logistic回歸分類模型。把倒伏棉花標記為1，正常棉花標記為0，將因變量的范圍限定在[0,1]范圍內。設棉花發(fā)生倒伏的條件概率為，把的某個函數()假設為變量的函數形式，進行l(wèi)ogit變換構建二元Logistic線性回歸模型[29]。

Logistic線性回歸模型：

求解可得：

式中0，1，…，α為回歸系數；1，2，…，X為回歸自變量。

在試驗區(qū)共布設80個采樣標記點，其中有效棉花采樣點68個（30個倒伏，38個正常），另外12個采樣點被毀壞或無效采集。在ENVI軟件中分別統計采樣點的10項植被指數和5項主成分紋理特征作為樣本集。采用5折交叉驗證，使用向前逐步法分別建立光譜變量、紋理變量以及光譜紋理綜合變量的二分類Logistic回歸模型。在篩選變量過程中，所有變量依據比分檢驗的概率大小依次進入方程，并依據條件參數似然比檢驗剔除變量。

2.5 精度評價

為了檢驗二元Logistic模型在樣本集的精度，通過測試集和驗證集的實際觀測結果與模型分類結果進行比較。本文選取精確率（Pre）、準確率（Acc）作為精度評價指標[29]，計算多次試驗精確率和準確率的平均值作為分類精度的最終估計。

式中TP表示將正例劃分為正例數；FP表示將負例劃分為正例數；TN表示將負例劃分為負例數；FN表示將正例劃分為負例數。

為進一步驗證模型的可行性，分別將光譜模型、紋理模型、光譜紋理模型基于像元級別應用到試驗區(qū)影像。采用視覺效果評估定性評價倒伏識別效果，同時結合人工判讀結果繪制ROC（receiver operating characteristic）曲線[30]并計算AUC（area under the roc curve）值[31]定量評價模型優(yōu)劣。其中ROC曲線可反映出擬合數據與實測數據之間的關系，曲線中縱軸為真正類率，即實際倒伏比例累加量；橫軸為假正類率，即誤識別為倒伏的比例累加量；即ROC曲線越靠近縱軸、越遠離橫軸表示模型的擬合效果越好。而AUC值則是ROC曲線下與坐標軸圍成的面積，是度量分類模型性能的一個標準，其越接近１，模型的分類性能越好。

3 結果與分析

3.1 二分類Logistic模型

在訓練樣本集上建立的光譜模型、紋理模型和光譜紋理模型的回歸系數α及Wald統計[32]見表3。具體的二分類Logistic回歸模型為

由表3入選變量與回歸參數表可知，所有模型入選變量均達到了極顯著性水平（Sig<0.05），且各模型入選變量的標準誤差（S.E）和Wald檢驗（wals）具有以下特點：標準誤差最小的是紋理模型，最大的是光譜模型，而光譜紋理模型介于兩者之間；Wald檢驗最大的是紋理模型，最小的是光譜模型，而光譜紋理模型介于兩者之間。由于標準誤差反映樣本均值對總體均值的變異程度，從而反映均值波動的情況，值越小表示總體樣本波動越小。Wald檢驗測量無約束估計量與約束估計量之間的距離，值越大表示該特征的影響越顯著。因此，標準誤差的值越小、Wald檢驗的值越大所對應的特征樣本越能反映實際情況。依據以上原則對Logistic二分類模型的入選變量進行評價，結果顯示紋理模型最能反映實際的倒伏狀況，其次為光譜紋理模型，而光譜模型效果最差。

表3 入選變量及回歸參數

注：GNDVI是綠波段歸一化植被指數，TVI是三角植被指數，PCA1_mean是第一主成分均值紋理；DVI是差值植被指數。

Note: GNDVI is green normalized difference vegetation index, TVI is triangular vegetation index, PCA1_mean is mean texture of the first principal component, and DVI is difference vegetation index.

3.2 預測精度評價

基于交叉驗證的結果，將精確率和準確率的平均值作為3種模型最終的精度評價指標，計算結果見表4。在所有數據集上，精確率和準確率在數值上近似相等且具有相同的趨勢，表明分類樣本分布均衡，可以使用準確率來評估各模型的分類精度。從表中可以看出，3種模型分類準確率均達到了85%以上，其中，紋理模型的分類精度最高，光譜紋理模型的分類精度次之，光譜模型的分類精度相對最低。

表4 二分類Logistic模型分類精度

3.3 分類精度驗證

為了驗證二分類Logistic模型的對倒伏棉花的分類效果，在ENVI軟件中實現倒伏識別模型在像元級別的應用，并制作試驗區(qū)的倒伏分類圖，如圖5所示。

圖5 倒伏棉花Logistic二分類圖

從目視效果來看，紋理模型二分類圖中倒伏棉花的空間聚集性高且“椒鹽斑塊”最少，行種植紋理特征明顯；光譜模型二分類圖中倒伏棉花的空間聚集性低且“椒鹽斑塊”最多，像元特征明顯；而光譜紋理特征介于以上兩者之間，在體現其紋理特征的同時引入了光譜的“椒鹽”特征。由于該時期棉花植株正處于生長旺盛的階段，葉片尺寸較大且分布密集，已完全封壟。當外力因素致使棉花植株發(fā)生倒伏，由于冠層結構的崩塌，棉花植株發(fā)生傾斜、相互覆蓋，因此棉花倒伏具有連片發(fā)生的特點，在空間具有一定的紋理特征。結合倒伏模型分類圖和棉花植株的倒伏特點，視覺效果評估結果表明紋理模型的倒伏二分類效果最好，連片性發(fā)生的特點明顯；光譜模型的倒伏二分類效果最差，“椒鹽”特征明顯且與實際倒伏狀況差異較大；而光譜紋理模型的二分類效果介于以上兩者之間。視覺效果評估與樣本集精度預測的結論相吻合。

使用目視判別獲得整個試驗區(qū)倒伏與正常棉花的感興趣區(qū)，對倒伏識別結果進行ROC曲線分析，繪制的ROC曲線見圖6。

圖6 棉花倒伏模型ROC曲線

由圖6可知，距離左上角點最近的ROC曲線為紋理模型，計算AUC值為0.80；距離左上角點最遠的ROC曲線為光譜模型，計算AUC值為0.76；光譜紋理模型介于兩者之間，計算AUC值為0.78。結果表明，紋理模型的倒伏分類精度最高，光譜紋理模型次之，光譜模型分類精度最低。

4 討 論

本研究使用的復合翼電動無人機搭載微型多光譜傳感器數據獲取系統具有操作簡便、安全性高、續(xù)航時間長、空間和光譜分辨率高等特點，在農田信息調查中具有獨特優(yōu)勢。復合翼電動無人機起降過程均采用旋翼結構自動化完成，具有很高的安全性，適用于復雜地形和無跑道的地區(qū)；搭載的Sequoia多光譜相機具有精度高、尺寸小和輕量化的特點，光譜通道專門為農業(yè)領域定制，經輻射校正后可獲得定量光譜信息，可準確地用于作物信息調查。該數據獲取系統可支撐區(qū)域作物種植信息調查的需要，解決了傳統方法投入高、效率低、難以滿足快速調查的應用需求等不足之處，實現了對突發(fā)性災害的快速響應。

本文通過分析花鈴期正常和倒伏棉花在無人機遙感多光譜影像上的特征，然后基于差異較大的特征建立了二分類Logistic模型，最后評估了該方法提取棉花倒伏的精度，初步證實了無人機多光譜遙感在棉花倒伏信息提取方面的巨大潛力。同時，本文所構建的棉花倒伏提取方法在通用性上具有以下特點：1）棉花從播種到現蕾階段個體較小、功能葉少、主莖脆軟，通風條件好。在遇大風易折斷造成植株死亡，而倒伏的現象少有發(fā)生。而在盛花期和鈴期棉花逐漸結鈴，棉花葉片多、葉面積大且已封壟。正常與倒伏棉花相比，由品種和種植模式引起的冠層光譜和紋理差異基本可以忽略，因此該方法在提取不同品種和種植模式的棉花倒伏信息方面具有普適性；2）基于圖像統計和特征篩選建立的二元Logistic模型估算了棉花倒伏的可能性，通過閾值劃分提取倒伏方法具有自適應圖像的特點。與傳統監(jiān)督分類方法相比較，省去了人工勾選樣本的過程，減少了誤差的引入。

棉花植株倒伏是在生長狀態(tài)、群體生理指標以及環(huán)境參數等因素綜合作用下產生的，因此倒伏程度在空間上的差異較大。本研究主要在冠層尺度對棉花倒伏信息的提取做了初步的嘗試，關于倒伏程度分析和倒伏等級劃分方面并未涉及。而不同的倒伏嚴重程度對后續(xù)恢復和生長發(fā)育有很大影響。因此在今后的研究工作中，需要在倒伏程度定量衡量和分級方面作進一步深入研究，以實現更為精確的災損評估。

5 結 論

1）棉花發(fā)生倒伏后冠層結構崩塌，在光譜和紋理特征方面均表現出一定差異。在光譜方面，可見光波段反射率差異微小，而在紅邊和近紅外波段的反射率差異顯著，降低約0.12～0.2；在紋理方面，主成分分析和灰度共生矩陣計算的第一主成分均值、第一主成分信息熵、第一主成分協同性、第二主成分均值和第二主成分協同性紋理特征能夠很好的表征棉花倒伏后的紋理差異，適合作為構建分類模型的輸入變量。

2）基于二分類Logistic模型構建的光譜模型、紋理模型和光譜紋理模型均可實現倒伏棉花的信息提取，由第一主成分均值和常量構建的紋理模型效果最優(yōu)。在測試集上分類結果的準確率為91.30%，模型應用制圖效果良好，且符合棉花倒伏的連片性特點，是棉花倒伏災害監(jiān)測的最佳模型。

[1] 盧秀茹，賈肖月，牛佳慧. 中國棉花產業(yè)發(fā)展現狀及展望[J]. 中國農業(yè)科學，2018，51(1)：26－36.

Lu Xiuru, Jia Xiaoyue, Niu Jiahui. The present situation and prospects of cotton industry development in China[J]. Scientia Agricultura Sinica, 2018, 51(1): 26－36. (in Chinese with English abstract)

[2] 吳美華，王懷軍，孫桂麗，等. 新疆農業(yè)氣象災害成因及其風險分析[J]. 干旱區(qū)地理，2016，39(6)：1212－1220.

Wu Meihua, Wang Huaijun, Sun Guili, et al. Formation and risk analysis of meteorological disasters in Xinjiang[J]. Arid Land Geography, 2016, 39(6): 1212－1220. (in Chinese with English abstract)

[3] 鄒陳，李新建，楊舉芳，等. 石河子棉區(qū)棉株倒伏的氣象因子分析[J]. 中國沙漠，2008，28(5)：891－895.

Zou Chen, Li Xinjian, Yang Jufang, et al. Meteorological factors effecting cotton lodge in Shihezi cotton region of Northern Xinjiang[J]. Journal of Desert Research, 2008, 28(5): 891－895. (in Chinese with English abstract)

[4] 李明，黃愉淇，李緒孟，等. 基于無人機遙感影像的水稻種植信息提取[J]. 農業(yè)工程學報，2018，34(4)：108－114.

Li Ming, Huang Yuqi, Li Xumeng, et al. Extraction of rice planting information based on remote sensing image from UAV[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2018, 34(4): 108－114. (in Chinese with English abstract)

[5] 陳雯，武威，孫成明，等. 無人機遙感在作物監(jiān)測中的應用與展望[J]. 上海農業(yè)學報，2016，32(2)：138－143.

Chen Wen, Wu Wei, Sun Chengming, et al. Application and prospect of UAV remote sensing in crop monitoring[J]. Acta Agriculturae Shanghai, 2016, 32(2): 138－143. (in Chinese with English abstract)

[6] 李宗南，陳仲新，任國業(yè)，等. 基于Worldview-2影像的玉米倒伏面積估算[J]. 農業(yè)工程學報，2016，32(2)：1－5.

Li Zongnan, Chen Zhongxin, Ren Guoye, et al. Estimation of maize lodging area based on Worldview-2 image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 1－5. (in Chinese with English abstract)

[7] 王立志，顧曉鶴，胡圣武，等. 基于多時相HJ-1B CCD影像的玉米倒伏災情遙感監(jiān)測[J]. 中國農業(yè)科學，2016，49(21)：4120－4129.

Wang Lizhi, Gu Xiaohe, Hu Shengwu, et al. Remote sensing monitoring of maize lodging disaster with multi-temporal HJ-1B CCD image[J]. Scientia Agricultura Sinica, 2016, 49(21): 4120－4129. (in Chinese with English abstract)

[8] 劉婷婷，張驚雷. 基于ORB特征的無人機遙感圖像拼接改進算法[J]. 計算機工程與應用，2018，54(2)：193－197.

Liu Tingting, Zhang Jinglei. Improved image stitching algorithm based on ORB features by UAV remote sensing [J]. Computer Engineering and Applications, 2018, 54(2): 193－197. (in Chinese with English abstract)

[9] 鄭慶河，楊明強，蔣楠，等. 無人機航空遙感圖像的多分辨率拼接方法[J]. 西安郵電大學學報，2017，22(2)：53－59.

Zheng Qinghe, Yang Mingqiang, Jiang Nan, et al. A multi-resolution mosaic method used for unmanned aerial vehicle(UAV) remote sensing image[J]. Journal of Xi’an University of Posts and Telecommunications, 2017, 22(2): 53－59. (in Chinese with English abstract)

[10] 金鼎堅，支曉棟，王建超，等. 面向地質災害調查的無人機遙感影像處理軟件比較[J]. 國土資源遙感，2016，28(1)：183－189.

Jin Dingjian, Zhi Xiaodong, Wang Jianchao, et al. Comparison of UAV remote sensing imagery processing software for geological disasters monitoring[J]. Remote Sensing For Land & Resources, 2016, 28(1): 183－189. (in Chinese with English abstract)

[11] 宋建輝，閆蓓蕾. 基于SIFT的無人機航拍圖像快速拼接技術研究[J]. 計算機應用與軟件，2018，35(2)：230－234.

Song Jianhui, Yan Beilei. Research on rapid mosaic technology of UAV aerial image based on SIFT[J]. Computer Applications and Software, 2018, 35(2): 230－234. (in Chinese with English abstract)

[12] 孫剛，黃文江，陳鵬飛，等. 輕小型無人機多光譜遙感技術應用進展[J]. 農業(yè)機械學報，2018，49(3)：1－17.

Sun Gang, Huang Wenjiang, Chen Pengfei, et al. Advances in UAV-based multispectral remote sensing applications[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 1－17. (in Chinese with English abstract)

[13] 葉偉林，宿星，魏萬鴻，等. 無人機航測系統在滑坡應急中的應用[J]. 測繪通報，2017(9)：70－74.

Ye Weilin, Su Xing, Wei Wanhong, et al. Application of uav aerial photograph system in emergency rescue and relief for landslide[J]. Bulletin of Surveying and Mapping, 2017(9): 70－74. (in Chinese with English abstract)

[14] 吳永亮，陳建平，姚書朋，等. 無人機低空遙感技術應用[J]. 國土資源遙感，2017，29(4)：120－125.

Wu Yongliang, Chen Jianping, Yao Shupeng, et al. Application of UAV low-altitude remote sensing[J]. Remote Sensing For Land & Resources, 2017, 29(4): 120－125. (in Chinese with English abstract)

[15] 李宗南，陳仲新，王利民，等. 基于小型無人機遙感的玉米倒伏面積提取[J]. 農業(yè)工程學報，2014，30(19)：207－213.

Li Zongnan, Chen Zhongxin, Wang Limin, et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(19): 207－213. (in Chinese with English abstract)

[16] 董錦繪，楊小冬，高林，等. 基于無人機遙感影像的冬小麥倒伏面積信息提取[J]. 黑龍江農業(yè)科學，2016(10)：147－152.

Dong Jinhui, Yang Xiaodong, Gao Lin, et al. Information extraction of winter wheat lodging area based on UAV remote sensing image[J]. Heilongjiang Agricultural Sciences, 2016(10): 147－152. (in Chinese with English abstract)

[17] 李忠強，王瀚宇，劉婷婷，等. 基于Pix4Dmapper的無人機數據自動化處理技術探討[J]. 海洋科學，2018，42(1)：39－44.

Li Zhongqiang, Wang Hanyu, Liu Tingting, et al. Investigation of Pix4Dmapper automatic data-processing technology in unmanned aerial vehicles[J]. Marine Sciences, 2018, 42(1): 39－44. (in Chinese with English abstract)

[18] Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie[J]. Remote Sensing of Environment, VIII, 1972, 45(2): 7－12.

[19] Bouman B A M. Accuracy of estimating the leaf area index from vegetation indices derived from crop reflectance characteristics, a simulation study[J]. International Journal of Remote Sensing, 1992, 13(16): 3069－3084.

[20] Rouse J W. Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation[R]. USA: NTRS, 1972.

[21] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289－298.

[22] Richardson A J. Distinguishing vegetation from soil background information[J]. Photogrammetric Engineering & Remote Sensing, 1977, 43(12): 1541－1552.

[23] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295－309.

[24] Genevieve Rondeaux, Steven M, Frederic Baret. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95－107.

[25] An V D, Gulinck Hubert. Classification and quantification of green in the expanding urban and semi-urban complex: Application of detailed field data and IKONOS-imagery[J]. Ecological Indicators, 2011, 11(1): 52－60.

[26] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment, 2001, 76(2): 156－172.

[27] Gamon J A, Penuelas J, Field C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency [J]. Remote Sensing of Environment, 1992, 41(1): 35－44.

[28] Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. Studies in Media and Communication, 1973, 3(6): 610－621.

[29] 杜謙，范文，李凱，等. 二元Logistic回歸和信息量模型在地質災害分區(qū)中的應用[J]. 災害學，2017，32(2)：220－226.

Du Qian, Fan Wen, Li Kai, et al. Geohazard susceptibility assessment by using binary logical regression and information value model[J]. Journal of Catastrophology, 2017, 32(2): 220－226.(in Chinese with English abstract)

[30] Alatorre L C, Sanchezandres R, Cirujano S, et al. Identification of mangrove areas by remote sensing: The ROC curve technique applied to the Northwestern Mexico Coastal Zone using Landsat imagery[J]. Remote Sensing, 2011, 3(8): 1568－1583.

[31] 汪云云，陳松燦. 基于AUC的分類器評價和設計綜述[J]. 模式識別與人工智能，2011，24(1)：64－71.

Wang Yunyun, Chen Songcan. A survey of evaluation and design for AUC based classifier[J]. Pattern Recognition and Artificial Intelligence, 2011, 24(1): 64－71. (in Chinese with English abstract)

[32] Gudicha D W, Tekle F B, Vermunt J K. Power and sample size computation for Wald tests in latent class models[J]. Journal of Classification, 2016, 33(1): 30－51.

Information extraction of cotton lodging based on multi-spectral image from UAV remote sensing

Dai Jianguo1,3, Zhang Guoshun1,3, Guo Peng2, Zeng Tiaojun1, Cui Meina1,3, Xue Jinli1,3

(1,,832003,; 2.,,832003,; 3.,,832003)

Extracting crop lodging information, such as spatial location and area, is very critical to agricultural disaster assessment and agricultural insurance claim. It is hard work to measure the lodging information using traditional methods such as a ground survey. A survey method using remote sensing techniques can quickly and efficiently obtain crop lodging information, but it is limited by the lack of timely and available satellite remote sensing data. In recent years, the application of unmanned aerial vehicles (UAV) develop rapidly in the agricultural field, which makes UAV equipped with image sensors become a portable, stable and efficient crop survey tool with the characteristics of low cost, high timeliness, and small weather impact. A few scholars have measured the lodging area of wheat and corn crops using visible or multispectral images. However, studies using UAV multispectral images to survey cotton lodging information have not been published. Therefore, a survey method of cotton lodging using multi-spectral image was derived from UAV remote sensing experiment which was carried out in the 135th Regiment of the 8th Division of Xinjiang Production and Construction Corps on August 23 of 2017. In this study, the spectral characteristics of lodging and normal cotton were first analyzed and summarized, and a series of vegetation indices were calculated. 16 texture features of the first two components were calculated according to gray level co-occurrence matrix (GLCM) after principal component analysis (PCA), and the optimal texture features were selected in terms of the coefficient of variation (CV) and the relative difference (RD). The result showed that it was apparently different between lodging and normal cotton in spectral curves and texture features. Compared with normal cotton, the difference in reflectance of the lodging cotton in the visible wavebands was small, while was significant in the red and near-infrared bands, in which the reflectance dropped about 0.12-0.20. The main reason for this phenomenon might be the collapse of the cotton canopy structure. Mean of the first principal component(PCA1_mean), PCA1_entropy, PCA1_homogeneity, PCA2_mean, and PCA2_homogeneity texture features had the lower CV and higher RD, which were very suitable for classification of normal and lodging cotton. Then, 10 vegetation indices and 5 texture features of the measured samples were calculated as characteristics index, and the training set and test set were divided. Forward stepwise was used to select the best features on the data set. Binary Logistic models on lodging and normal cotton classification were constructed with different features combination, including spectral model, texture model, and spectral-texture model. The prediction accuracies of the classification models were evaluated by ground survey samples. All classification models had a good classification effect on lodging and normal cotton. Among them, the texture model constructed with the PCA1_mean had the highest precision, and the classification accuracy on the test set was 91.30%. The classification accuracies of spectral-texture model and spectral model were following, but the classification accuracy was also more than 85%. Finally, the classification models were applied to the multi-spectral image at the pixel level, and 3 thematic classification maps were created. Compared with the visual interpretation results, the texture model has the best classification effect. The “salt-and-pepper plaque” of the thematic map was the least, and the lodging crop had the characteristic of aggregation occurring in space. The ROC(receiver operating characteristic) curve was closest to the upper left corner and the calculated AUC(area under the ROC curve) value was 0.80. According to the results of the study, we may safely draw the conclusion that the method to extract lodging cotton information using the multi-spectral image of UAV remote sensing based on optimum texture features is accurate. The lodging classification has a high accuracy of mapping, which is basically consistent with the actual lodging in the field.

unmanned aerial vehicle; remote sensing; multi-spectral; cotton lodging; spectral and texture analysis; Logistic model; disaster loss assessing

10.11975/j.issn.1002-6819.2019.02.009

S127

A

1002-6819(2019)-02-0063-08

2018-09-19

2019-01-13

國家自然科學基金（31460317）

戴建國，副教授，主要從事農業(yè)信息化和遙感技術研究。Email：daijianguo2002@sina.com

戴建國，張國順，郭 鵬，曾窕俊，崔美娜，薛金利. 基于無人機遙感多光譜影像的棉花倒伏信息提取[J]. 農業(yè)工程學報，2019，35(2)：63－70. doi：10.11975/j.issn.1002-6819.2019.02.009 http://www.tcsae.org

Dai Jianguo, Zhang Guoshun, Guo Peng, Zeng Tiaojun, Cui Meina, Xue Jinli. Information extraction of cotton lodging based on multi-spectral image from UAV remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 63－70. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.02.009 http://www.tcsae.org