基于無(wú)人機(jī)多光譜影像的冬小麥倒伏提取適宜空間分辨率研究

黃艷偉，朱紅雷，郭寧戈，殷姝溦，彭星玥，王雨蝶

(河南師范大學(xué)，河南新鄉(xiāng) 453002)

倒伏是一種常見(jiàn)的小麥生產(chǎn)災(zāi)害。小麥倒伏會(huì)影響植株的光合作用及養(yǎng)分傳輸，減少穗粒數(shù)和粒重，造成減產(chǎn)[1]。同時(shí)，倒伏小麥不利于機(jī)械收割，導(dǎo)致農(nóng)田的收益損失加大。因此，快速準(zhǔn)確地獲取小麥倒伏面積和程度等信息，有助于農(nóng)業(yè)生產(chǎn)管理部門(mén)和農(nóng)業(yè)保險(xiǎn)公司進(jìn)行災(zāi)情評(píng)估、災(zāi)后管理和救助。相較于傳統(tǒng)的人工統(tǒng)計(jì)法，遙感圖像覆蓋面大，數(shù)據(jù)獲取及時(shí)，是監(jiān)測(cè)小麥倒伏狀況的可靠手段[2-3]。目前，基于遙感技術(shù)的作物倒伏監(jiān)測(cè)按平臺(tái)可以分為地面、航空和衛(wèi)星三類(lèi)[4]。常用的衛(wèi)星數(shù)據(jù)包括可見(jiàn)光-近紅外多光譜[5-6]和合成孔徑雷達(dá)(synthetic aperture radar, SAR)數(shù)據(jù)[7-8]。然而，由于衛(wèi)星平臺(tái)重訪(fǎng)周期較長(zhǎng)，空間分辨率較低等原因，倒伏區(qū)域經(jīng)常出現(xiàn)數(shù)據(jù)匱乏、監(jiān)測(cè)結(jié)果不準(zhǔn)確等現(xiàn)象。近年來(lái)，采用無(wú)人機(jī)遙感監(jiān)測(cè)作物倒伏成為該領(lǐng)域的一個(gè)新興手段。小型無(wú)人機(jī)遙感具有低成本、低風(fēng)險(xiǎn)、高時(shí)效、高分辨率、天氣影響小等特點(diǎn)[9-10]，非常適于作物倒伏信息的快速提取。李廣等[11]對(duì)圖像進(jìn)行二次低通濾波，獲取地物散點(diǎn)圖，并以散點(diǎn)圖的明顯分界線(xiàn)作為小麥倒伏信息提取的單特征。李宗南等[12]基于無(wú)人機(jī)圖像紅、綠、藍(lán)色均值紋理特征提取了倒伏玉米面積。Zhao等[13]同時(shí)獲取了研究區(qū)RGB和三波段多光譜圖像，采用深度學(xué)習(xí)法提取了倒伏水稻的面積，并指出RGB圖像的提取結(jié)果優(yōu)于多光譜圖像。相較于星載多光譜數(shù)據(jù)，無(wú)人機(jī)圖像可獲取作物的高度信息，增加了倒伏作物提取的準(zhǔn)確度，如Wilke等[14]利用無(wú)人機(jī)反演的作物高度對(duì)大麥的倒伏程度進(jìn)行了劃分。但目前基于無(wú)人機(jī)圖像的倒伏作物面積提取研究較少考慮空間分辨率對(duì)提取結(jié)果的影響[15-18]，而空間分辨率直接決定著無(wú)人機(jī)的成圖區(qū)域和圖像處理的效率。鑒于此，本研究通過(guò)分析不同空間分辨率的無(wú)人機(jī)圖像分類(lèi)結(jié)果，以期得出小麥倒伏提取的適宜空間分辨率。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于河北省邯鄲市磁縣(東經(jīng)114°20′06″，北緯36°21′59″)，屬于溫帶大陸季風(fēng)氣候，夏季高溫多雨，冬季寒冷干燥，年降水量500～600 mm。作物種植制度為一年兩熟，種植的農(nóng)作物主要是冬小麥和夏玉米。冬小麥播種時(shí)間一般為每年10月上旬，收獲時(shí)間為次年6月上旬。該地區(qū)在6月8日發(fā)生了短時(shí)大風(fēng)和強(qiáng)降雨事件，導(dǎo)致部分小麥發(fā)生了較為嚴(yán)重的倒伏。

1.2 數(shù)據(jù)獲取和預(yù)處理

本研究所用的無(wú)人機(jī)平臺(tái)為Parrot Bluegrass農(nóng)業(yè)多用途四旋翼無(wú)人機(jī)，搭載的傳感器為Sequoia傳感器[19]。Sequoia配置了兩部嵌入式攝像機(jī)：RGB相機(jī)和多光譜相機(jī)。RGB相機(jī)的像素為1 600萬(wàn)，但作者在實(shí)踐中發(fā)現(xiàn)，RGB相機(jī)由于是卷簾式快門(mén)成像，拍攝的圖片存在較為嚴(yán)重的扭曲，無(wú)法用于后續(xù)的圖像拼接、正射圖像生成等過(guò)程。多光譜相機(jī)可以收集紅光、綠光、近紅外、紅邊4個(gè)波段的信息，4個(gè)波段的中心波長(zhǎng)依次為660、550、790和735 nm，前三者的帶寬為40 nm，紅邊的帶寬為10 nm，像素均為120萬(wàn)。此外，Sequoia還配置了一個(gè)日光傳感器，用來(lái)對(duì)多光譜數(shù)據(jù)進(jìn)行輻射校正。

無(wú)人機(jī)數(shù)據(jù)獲取時(shí)間為2019年6月9日上午10點(diǎn)，天氣晴朗無(wú)云、微風(fēng)。數(shù)據(jù)采集軟件為Pix4D capture，飛行高度設(shè)置30、60和90 m三個(gè)高度，航向重疊率和旁向重疊率均為80%，飛行前對(duì)輻射定標(biāo)板進(jìn)行成像。無(wú)人機(jī)多光譜數(shù)據(jù)的預(yù)處理工作采用的是Pix4Dmapper 軟件，經(jīng)過(guò)圖像拼接和輻射校正，最終得到研究區(qū)不同飛行高度下的多光譜正射影像(圖1)和數(shù)字表面模型(DSM)。圖1中紅色為生長(zhǎng)期作物和自然植被，綠色為成熟期正常小麥，白色為倒伏小麥，淺藍(lán)色為房屋和土壤。

1.3 分類(lèi)方法

本研究擬選擇監(jiān)督分類(lèi)當(dāng)中的最大似然法[20]、人工神經(jīng)網(wǎng)絡(luò)[21]、支持向量機(jī)[22]和隨機(jī)森林法[23]，采用總體精度和Kappa系數(shù)評(píng)價(jià)不同分類(lèi)方法的性能?？傮w精度是指所有被準(zhǔn)確分類(lèi)的像元數(shù)與像元總數(shù)的比值，Kappa系數(shù)表示分類(lèi)與完全隨機(jī)的分類(lèi)產(chǎn)生錯(cuò)誤減少的比例。圖像分類(lèi)和精度評(píng)價(jià)過(guò)程均在ENVI 5.3中實(shí)現(xiàn)。

通過(guò)在原始圖像中選擇驗(yàn)證樣本來(lái)評(píng)價(jià)分類(lèi)結(jié)果的精度，驗(yàn)證樣本的選擇直接影響總體精度和Kappa系數(shù)的計(jì)算結(jié)果。本研究采用如下方式計(jì)算分類(lèi)結(jié)果的精度：1)在ENVI5.3中選擇驗(yàn)證樣本，各樣本所包含的像元數(shù)量不做考慮；2)在原始驗(yàn)證樣本中，隨機(jī)選取采樣點(diǎn)，保證各驗(yàn)證樣本中像元數(shù)量相同；3)將兩種驗(yàn)證方式計(jì)算得到的總體精度和Kappa系數(shù)取平均值。

1.4 倒伏面積提取適宜空間分辨率評(píng)價(jià)

在明確倒伏小麥提取的最優(yōu)分類(lèi)方法基礎(chǔ)上，對(duì)比不同飛行高度下小麥倒伏面積分類(lèi)結(jié)果。并將90 m飛行高度獲取的多光譜數(shù)據(jù)進(jìn)行重采樣，空間分辨率從20 cm開(kāi)始，逐次增加20 cm，像元最大增加到200 cm，分析空間分辨率對(duì)于倒伏小麥面積提取結(jié)果的影響。

2 結(jié)果與分析

2.1 分類(lèi)方法選擇

從6種地物波譜曲線(xiàn)(圖2)可以看出，研究區(qū)存在明顯的“異物同譜”現(xiàn)象，成熟期正常小麥和土壤光譜曲線(xiàn)非常相似。倒伏小麥和綠色植被的光譜曲線(xiàn)與其他地物區(qū)別明顯。房屋和土路光譜曲線(xiàn)相近。因此，在選擇樣本時(shí)，將房屋和土路合并為一類(lèi)，研究區(qū)地物共劃分為5類(lèi)。

以無(wú)人機(jī)在30 m地面高度獲取的多光譜正射影像作為評(píng)價(jià)不同分類(lèi)方法精度的試驗(yàn)數(shù)據(jù)，該圖像空間分辨率為3.2 cm。在ENVI5.3中選

圖1 研究區(qū)位置和無(wú)人機(jī)標(biāo)準(zhǔn)假彩色圖像Fig.1 Study area location and UAV standard false color image

圖2 研究區(qū)地物反射率光譜曲線(xiàn)Fig.2 Reflectance spectrum curve of ground objects in the study area

擇相同的樣本區(qū)域，采用上述四種方法對(duì)該圖像進(jìn)行分類(lèi)。從圖3中可以看出，最大似然法存在嚴(yán)重的錯(cuò)分現(xiàn)象，對(duì)倒伏小麥的提取結(jié)果最差，玉米地塊大部分被錯(cuò)分為倒伏小麥，且正常小麥有部分被錯(cuò)分為土壤。相比而言，人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和支持向量機(jī)的分類(lèi)結(jié)果較好，對(duì)倒伏小麥的提取結(jié)果與實(shí)際情況較吻合。但是這三種分類(lèi)方法都存在將玉米地錯(cuò)分為正常小麥的現(xiàn)象，同時(shí)裸露土壤的分類(lèi)面積也存在差異。

從表3可以看出，隨機(jī)森林法的分類(lèi)結(jié)果最好，總體分類(lèi)精度達(dá)到了91.08%，Kappa系數(shù)為0.88。支持向量機(jī)和隨機(jī)森林法的分類(lèi)結(jié)果相差不大，人工神經(jīng)網(wǎng)絡(luò)法其次，最大似然法總體精度和Kappa系數(shù)最低，分別為79.67%和0.72。然而從各地物類(lèi)型的面積比例來(lái)看，不同分類(lèi)方法有較大差異。以土壤為例，支持向量機(jī)法的面積比例為8.81%，隨機(jī)森林法為4.91%，而人工神經(jīng)網(wǎng)絡(luò)法僅為2.49%。這是由于該區(qū)域小麥已經(jīng)變黃成熟，非倒伏小麥的近紅外特征不明顯，其光譜曲線(xiàn)形狀與土壤、房屋和土路十分相近，容易被錯(cuò)分和漏分。由于倒伏小麥植株之間相互重疊以及莖稈的反射率較高，其在四個(gè)波段的反射率呈逐漸上升的趨勢(shì)，與其他地物差異明顯。無(wú)人機(jī)圖像中春玉米地塊植株間的土壤清晰可見(jiàn)，雖然在該區(qū)域選擇了分類(lèi)樣本，但四種分類(lèi)方法并沒(méi)有很好地將春玉米地塊中的土壤提取出來(lái)。

圖3 研究區(qū)分類(lèi)結(jié)果Fig.3 Classification results of study area

表1 不同分類(lèi)方法精度評(píng)價(jià)Table 1 Accuracy evaluation of different classification methods

圖4 研究區(qū)數(shù)字表面模型Fig.4 Digital surface model of the study area

根據(jù)以往的研究，無(wú)人機(jī)生成的DSM可以作為倒伏小麥分類(lèi)的特征值。倒伏小麥的高度比非倒伏小麥低，可以利用某個(gè)閾值將倒伏小麥提取出來(lái)。圖4為研究區(qū)多光譜圖像和DSM疊加顯示的結(jié)果。從A區(qū)域中可以看出，對(duì)于單一地塊來(lái)講，倒伏小麥的高度明顯低于非倒伏小麥。然而從B區(qū)域中可發(fā)現(xiàn)研究區(qū)農(nóng)田之間的基準(zhǔn)高度并不相同。以某一個(gè)高度閾值劃分倒伏小麥很可能將地勢(shì)較低農(nóng)田中非倒伏小麥錯(cuò)分。也有研究采用收獲前后獲取裸露農(nóng)田的DSM，進(jìn)而獲取作物的高度信息。本研究并沒(méi)有采集收獲后的影像，因此沒(méi)有采用DSM閾值法。

為減小工作量和保證分析結(jié)果的一致性，進(jìn)一步在研究區(qū)內(nèi)選擇了三個(gè)倒伏較為嚴(yán)重的區(qū)域作為后續(xù)空間分辨率評(píng)價(jià)的實(shí)驗(yàn)區(qū)(圖5)。在ArcGIS中分別提取四種分類(lèi)結(jié)果中三個(gè)地塊倒伏小麥的面積，倒伏實(shí)際面積采用目視解譯的方法獲取。從表2可以看出，最大似然法結(jié)果與實(shí)際倒伏面積相差較大。對(duì)于地塊1和地塊3，支持向量機(jī)、隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)法之間結(jié)果相差不大，而地塊2中，人工神經(jīng)網(wǎng)絡(luò)法的結(jié)果與實(shí)際倒伏面積最為接近。因此，在后續(xù)的空間分辨率評(píng)價(jià)當(dāng)中分類(lèi)方法選擇人工神經(jīng)網(wǎng)絡(luò)法。

圖5 倒伏面積空間分辨率評(píng)價(jià)實(shí)驗(yàn)區(qū)Fig.5 Experimental area for spatial resolution evaluation of lodging wheat

表2 試驗(yàn)區(qū)倒伏面積分類(lèi)結(jié)果比較Table 2 Comparison of lodging area classification results in test area m2

2.2 空間分辨率對(duì)倒伏面積提取結(jié)果的影響

在ENVI 5.3中利用人工神經(jīng)網(wǎng)絡(luò)對(duì)研究區(qū)不同空間分辨率的多光譜圖像進(jìn)行分類(lèi)(圖6)，為保證分類(lèi)結(jié)果具有較好的一致性，各地類(lèi)樣本均在相同位置進(jìn)行選擇。圖7為不同空間分辨率提取的小麥倒伏面積與實(shí)際值的相對(duì)誤差。圖7中，空間分辨率3.2 cm、6.6 cm和9.8 cm圖像分別為無(wú)人機(jī)在30 m、60 m和90 m地面高度獲取的。從圖7可以看出，隨著像元尺寸的增大，小麥倒伏分類(lèi)面積呈緩慢增加的趨勢(shì)。其中地塊1和地塊2的相對(duì)誤差逐漸增加，而地塊3的相對(duì)誤差隨著像元尺寸的增大而減小。這是由于地塊1和地塊2中小麥倒伏程度較嚴(yán)重，地塊3中部分區(qū)域小麥倒伏程度略輕。在像元尺寸較小時(shí)，輕度倒伏的小麥與周?chē)堑狗←溨g的光譜信息呈較為連續(xù)的變化，輕度倒伏區(qū)域容易被錯(cuò)分為正常小麥或其他地物。隨著像元尺寸的增大，兩者之間的差異越來(lái)越大，倒伏像元的提取結(jié)果變得更為準(zhǔn)確。

進(jìn)一步分析發(fā)現(xiàn)，小麥倒伏分類(lèi)結(jié)果與實(shí)際倒伏區(qū)域的空間一致性的降低并不是分類(lèi)誤差導(dǎo)致的，而是指隨著像元尺寸的增大，其位置精度逐漸降低，倒伏小麥區(qū)域的邊界鋸齒化現(xiàn)象越來(lái)越明顯，甚至出現(xiàn)一定程度的位移。雖然在圖像上提取的小麥倒伏面積與實(shí)際面積相差較小，但在空間上兩者一致性不好，說(shuō)明提取結(jié)果可能并不適用。例如，在農(nóng)業(yè)保險(xiǎn)方面，其實(shí)際意義在于準(zhǔn)確的小麥倒伏邊界可以幫助保險(xiǎn)公司明確理賠對(duì)象，減少客戶(hù)與保險(xiǎn)公司之間的爭(zhēng)議。將不同空間分辨率分類(lèi)結(jié)果轉(zhuǎn)化為矢量格式，在ArcGIS中利用相交工具獲取分類(lèi)結(jié)果和實(shí)際倒伏區(qū)域的重疊面積。以3.2 cm分類(lèi)結(jié)果為基準(zhǔn)，計(jì)算其他

圖6 不同空間分辨率無(wú)人機(jī)多光譜圖像分類(lèi)結(jié)果Fig.6 Classification results of multi spectral images of UAV with different spatial resolution

圖7 不同空間分辨率倒伏小麥面積提取結(jié)果Fig.7 Extraction results of lodging wheat area in different spatial resolution

不同空間分辨率倒伏面積與該數(shù)據(jù)的相對(duì)誤差(圖8)。從圖8中可以看出，隨著空間分辨率的降低，相對(duì)誤差也在逐漸增大。其中，地塊1和地塊2在像元大小增加至60 cm時(shí)，相對(duì)誤差分別為13.1%和10.5%。地塊2的相對(duì)誤差曲線(xiàn)變化速率較大，當(dāng)像元大小增加至20 cm時(shí)相對(duì)誤差為8.2%，像元大小為40 cm時(shí)相對(duì)誤差增加至22%。

結(jié)合圖7和圖8的結(jié)果，綜合考慮面積總量和空間范圍的一致性，本研究認(rèn)為20～40 cm是提取倒伏小麥較為適宜的空間分辨率范圍。20～40 cm意味著無(wú)人機(jī)可以在更高的地面高度上成像，其飛行區(qū)域會(huì)更廣，而成像時(shí)間則會(huì)大大減少。以本研究所使用的無(wú)人機(jī)為例，當(dāng)?shù)孛娓叨葹?0 m，空間分辨率為3.2 cm時(shí)，任務(wù)范圍為500 m×500 m，飛行所需時(shí)間為84 min。當(dāng)空間分辨率為14 cm時(shí)，對(duì)應(yīng)地面高度為150 m(Parrot Bluegrass在Pix4D capture中的最大飛行高度)，飛行所需時(shí)間僅為13 min，效率明顯提高。

圖8 不同空間分辨率小麥倒伏分類(lèi) 結(jié)果空間一致性相對(duì)誤差Fig.8 Relative error of overlapping degree of wheat lodging area in different spatial resolution

3 討 論

針對(duì)某一項(xiàng)研究如何選擇合適的尺度或分辨率，被認(rèn)為遙感應(yīng)用研究中的主要挑戰(zhàn)之一?？臻g分辨率的大小對(duì)影像分類(lèi)精度有明顯影響，精細(xì)的空間分辨率可減少混合像元的比例，提高分類(lèi)精度，但過(guò)高的空間分辨率可能會(huì)導(dǎo)致類(lèi)別內(nèi)部光譜異質(zhì)性增大，從而降低分類(lèi)精度。

地統(tǒng)計(jì)學(xué)(局部方差和半方差)和分形理論方法認(rèn)為，隨著空間分辨率逐漸降低，某地物類(lèi)別的方差或分形維數(shù)會(huì)出現(xiàn)一個(gè)拐點(diǎn)，該拐點(diǎn)即為此類(lèi)地物的最佳空間分辨率，最佳空間分辨率通常與地物大小相近。例如，馮桂香等[24]研究表明，建筑用地的拐點(diǎn)是 3 m，耕地的拐點(diǎn)是 4 m，林地的拐點(diǎn)是 3 m；徐凱健等[25]指出研究森林樹(shù)種識(shí)別的最佳影像分辨率為 4 m，與樹(shù)冠大小相近。本研究中，重疊的莖稈和葉片使得倒伏小麥在厘米級(jí)的遙感圖像光譜特征較為均一，其拐點(diǎn)對(duì)應(yīng)的空間分辨率可能更為精細(xì)，而在該尺度上提取倒伏小麥數(shù)據(jù)處理成本較高，對(duì)其他地物的分類(lèi)精度可能呈現(xiàn)相反的結(jié)果。也有研究通過(guò)加入圖像紋理特征來(lái)提高分類(lèi)精度。紋理特征對(duì)不同空間分辨率、不同地物分類(lèi)精度的影響不同。當(dāng)像元尺寸較小時(shí)，紋理特征對(duì)分類(lèi)結(jié)果的提升并不顯著[26]。

本研究中，倒伏小麥和其他地物光譜特征存在顯著差異，不同空間分辨率的光譜特征分類(lèi)結(jié)果表明，40 cm是農(nóng)田尺度上提取倒伏小麥的上限空間分辨率，像元尺寸繼續(xù)增大時(shí)，其定位精度逐漸降低，導(dǎo)致其分類(lèi)結(jié)果空間一致性變差。此外，高度差異是倒伏小麥另一顯著特征。高差數(shù)據(jù)可通過(guò)小麥倒伏前后的DSM提取，也可在地表無(wú)作物覆蓋時(shí)獲取DSM，結(jié)合作物倒伏后的DSM消除地形影響，再用閾值法提取，該方法需要無(wú)人機(jī)至少兩次的觀測(cè)數(shù)據(jù)。本研究中僅獲取了小麥倒伏后的DSM數(shù)據(jù)，無(wú)法提取高差信息，將光譜特征和高差信息組合可能會(huì)提高適宜空間分辨率的上限。

4 結(jié) 論

以冀南地區(qū)倒伏小麥農(nóng)田為研究對(duì)象，采用Parrot Bluegrass獲取該地區(qū)不同飛行高度的多光譜圖像。在四種監(jiān)督分類(lèi)方法，最大似然法對(duì)地物存在嚴(yán)重的錯(cuò)分現(xiàn)象，人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和支持向量機(jī)的總體分類(lèi)結(jié)果較好，其中人工神經(jīng)網(wǎng)絡(luò)對(duì)倒伏小麥識(shí)別結(jié)果最準(zhǔn)確。無(wú)人機(jī)圖像在空間分辨率提高的同時(shí)，信息量急劇增加，其分類(lèi)難度也在提高。依據(jù)面積總量和空間一致性，本研究認(rèn)為20～40 cm是提取倒伏小麥較為適宜的空間分辨率范圍。