基于無(wú)人機(jī)高光譜影像的典型農(nóng)作物精細(xì)分類研究

鄭西方

(河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院，河南 焦作 454003)

為能及時(shí)準(zhǔn)確統(tǒng)了解計(jì)農(nóng)作物種類、空間分布、種植面積等信息，以及如何實(shí)時(shí)監(jiān)測(cè)其生長(zhǎng)狀況，為其及時(shí)精準(zhǔn)提供最佳生長(zhǎng)條件以便優(yōu)化其種植結(jié)構(gòu)、精準(zhǔn)化智能化生產(chǎn)管理，是當(dāng)今智慧農(nóng)業(yè)研究的主要課題，所以進(jìn)行農(nóng)作物精細(xì)分類具有重要意義[1]。由于傳統(tǒng)農(nóng)作物精細(xì)分類完全依賴于傳統(tǒng)形態(tài)學(xué)和生物學(xué)調(diào)查法[2]，其雖有較高精度，但需投入大量的人力物力財(cái)力，已滿足不了現(xiàn)代“智慧農(nóng)業(yè)”的需求。其次在傳統(tǒng)遙感技術(shù)方面，主要基于星載或機(jī)載的多光譜影像進(jìn)行精細(xì)分類識(shí)別研究[3-6]。但由于多光譜影像空間分辨率低、波段范圍短且數(shù)目少，往往致使農(nóng)作物精細(xì)分類受到較大局限性，尤其針對(duì)一些小區(qū)域、“同譜異物”的農(nóng)作物。而高空間分辨率遙感影像數(shù)據(jù)獲取成本高，且需要一種能夠精準(zhǔn)捕捉地物光譜信息的技術(shù)。于是高光遙感技術(shù)在近年來(lái)發(fā)展成為一種新技術(shù)，高光譜遙感具有“空譜合一”、波長(zhǎng)范圍廣、波段數(shù)目多、光譜曲線完整、信息量豐富等特點(diǎn)。當(dāng)前已有許多學(xué)者基于高光譜遙感技術(shù)對(duì)農(nóng)作物精心精細(xì)化分類并取得了一定成果[7-8]。但又因普通星載或大型機(jī)載高光譜影像存在低空間分辨率、數(shù)據(jù)獲取成本極高等問(wèn)題受到了局限。緊接一種新型無(wú)人機(jī)高光譜遙感技術(shù)被推向高潮，其技術(shù)不僅操作簡(jiǎn)單、數(shù)據(jù)獲取成本低等優(yōu)勢(shì),而且能將高空間分辨率與高光譜分辨率做到真正地有機(jī)結(jié)合并實(shí)現(xiàn)了“空-譜合一”。目前已有部分學(xué)者基于無(wú)人機(jī)高光譜遙感技術(shù)對(duì)農(nóng)作物信息進(jìn)行了提取[9-15]，為農(nóng)作物估產(chǎn)、生長(zhǎng)監(jiān)測(cè)等提供了有力依據(jù)和保障。

于是本文針對(duì)農(nóng)作物弱類特征精細(xì)化分類問(wèn)題同時(shí)響應(yīng)國(guó)家農(nóng)業(yè)精細(xì)化智能化號(hào)召，將基于無(wú)人機(jī)高光譜遙感技術(shù)對(duì)試驗(yàn)田典型農(nóng)作物冬小麥通過(guò)引入主成分分析和最大噪聲分離兩種降維變換進(jìn)行特征提取。并基于典型機(jī)器中的支持向量機(jī)和集成學(xué)習(xí)法中的隨機(jī)森林分類模型進(jìn)行精細(xì)分類研究，以期能為農(nóng)作物精細(xì)管理提供有力支持。

1 數(shù)據(jù)源與研究方法

1.1 研究區(qū)概況

本文以河南省武陟縣冬小麥研究基地為實(shí)驗(yàn)區(qū)，地理位置約為：N：35°07′59″～35°08′0.822″，E：113°15′26.91″～113°15′28″，平均海拔為92m 且屬于溫帶季風(fēng)氣候。于2018 年10 月份人工設(shè)計(jì)90 個(gè)小區(qū)塊且每個(gè)小區(qū)塊面積為4mx3m，共播種六種冬小麥。其呈18 行5 列，且每3 行5 列播種同一品種，如圖1。

圖1 研究區(qū)

1.2 光譜儀與搭載平臺(tái)

高光譜傳感器采用的是德國(guó)Cubert 公司研發(fā)的Cubert UHD185 型成像高光譜儀，其傳感器主要技術(shù)參數(shù)為：光譜范圍450～950/nm、光譜分辨率8/nm、光譜采樣間隔4/nm、光譜通道數(shù)125 個(gè)、Cube 分辨率/像素1000×1000、數(shù)字分辨率12/bit 等。傳感器搭載平臺(tái)為大疆M600 六旋翼無(wú)人機(jī)，具有動(dòng)力充足穩(wěn)定性極佳特點(diǎn)。

1.3 數(shù)據(jù)獲取與處理

1.3.1 高光譜數(shù)據(jù)獲取及預(yù)處理

于2020 年05 月份（小麥拔節(jié)孕穗期），選在無(wú)云無(wú)風(fēng)且天氣晴朗的正午11:30-12:10 進(jìn)行遙感作業(yè)。其中行高、航向重疊、旁向重疊設(shè)計(jì)為100m、90%、85%。且作業(yè)之前需利用黑白板對(duì)相機(jī)輻射定標(biāo)。并利用A4 紙質(zhì)制作像控制點(diǎn)均勻布設(shè)在測(cè)區(qū)，再基于RTK 實(shí)測(cè)其點(diǎn)位信息。無(wú)人機(jī)獲取的高光譜數(shù)據(jù)處理主要包括輻射校正、影像融合、影像拼接3 部分組成。根據(jù)UHD185 型成像光譜儀中心波長(zhǎng)和波長(zhǎng)半幅寬在Matlab 環(huán)境設(shè)計(jì)的輻射定標(biāo)系統(tǒng)，完成由影像DN 值到地表反射率的輻射校正[16]。其拼接技術(shù)流程如圖2 所示。

圖2 拼接技術(shù)流程

1.3.2 高光譜數(shù)據(jù)降維處理

由于高光譜數(shù)據(jù)相比多光譜數(shù)據(jù)，其數(shù)據(jù)量大，信息豐富、高維度等，但同時(shí)也帶來(lái)了信息冗余，處理效率低下、存儲(chǔ)困難等問(wèn)題，因此需要對(duì)其進(jìn)行降維處理[17]。于是本文實(shí)驗(yàn)基于降維變換中常用的主成分分析變PCA 變換、最小噪聲分離MNF 變換分別對(duì)高光譜影像數(shù)據(jù)進(jìn)行變換。并通過(guò)變換結(jié)果特征值拐點(diǎn)進(jìn)行波段特征選擇，其變換直方圖如圖3 所示。因特征值較大且拐點(diǎn)之前的波段富含特征信息量豐富，而拐點(diǎn)之后波段分量信息基本為零?？芍皫讉€(gè)波段特征值變換速度較快且所蘊(yùn)含有用信息多，而后面的波段特征值變換緩慢且噪聲較多，最終選擇前10(PCA)、20(MNF)個(gè)主分量分別作為數(shù)據(jù)降維后的光譜特征。

圖3 光譜波段降維變換

1.3.3 分類模型

本文實(shí)驗(yàn)基于經(jīng)典機(jī)器學(xué)習(xí)分類中的支持向量機(jī)（Support Vector Machine，SVM）和基于決策樹分類器集成的隨機(jī)森林（Random Forest，RF）分類模型分別對(duì)研究對(duì)象精細(xì)化分類實(shí)驗(yàn)。并對(duì)其試驗(yàn)結(jié)果采用整體分類精度（Overall Accuracy）、Kappa 系數(shù)指標(biāo)加以評(píng)價(jià)。

2 結(jié)果與分析

在SVM 分類中為避免分類結(jié)果受其他參數(shù)的影響，均采用一致參數(shù)，如均選取徑向基核函數(shù)（Radial Basis Function，RBF）作為核函數(shù)。在RF 分類中為方便本次實(shí)驗(yàn)并查閱相關(guān)文獻(xiàn)，將決策樹取為500 棵[21]，特征數(shù)量為特征數(shù)量的平方根且節(jié)點(diǎn)不純度由Gini 系數(shù)決定。最終分類結(jié)果與精度評(píng)價(jià)如圖4、表1 所示。

圖4 各分類模型分類結(jié)果圖

表1 各分類模型分類結(jié)果精度表

由圖4、表1 可知：在基于SVM 分類結(jié)果中，未經(jīng)降維處理分類精度較均未達(dá)到50%，而經(jīng)PCA/MNF 降維處理后分類精度均在74%以上，且遠(yuǎn)優(yōu)于未降維變換分類精度約30%。對(duì)全波段影像先作降維變換處理后分類，其不僅可降低數(shù)據(jù)量提高了運(yùn)算效率，還較大程度地提高了分類精度。在降維變換后，無(wú)論基于何種分類模型，都表現(xiàn)出基于MNF 變換分類效果均優(yōu)于PCA 變換分類，且基于MNF 變換分類精度約高于基于PCA 變換分類精度3%左右。在對(duì)原始影像同種降維變換后分類中，RF分類模型均略優(yōu)于SVM 分類模型，其中MNF-RF 變換模型組合的精度最高，其整體精度Overall Accuracy 和Kappa 系數(shù)分別為78.1289%、0.7455。由此可見針對(duì)無(wú)人機(jī)高光譜影像精細(xì)分類問(wèn)題，首先先降維變換處理再進(jìn)行分類不失為一種有效方案。從各分類模型分類結(jié)果圖中可知：未經(jīng)降維變換的分類效果中，存在大量的錯(cuò)分、漏分現(xiàn)象和嚴(yán)重的“椒鹽”現(xiàn)象，尤其是1 號(hào)類、2 號(hào)類、3 號(hào)類和6 號(hào)類。而經(jīng)降維變化處理后分類效果中，此現(xiàn)象都得到較大程度地緩解。且各號(hào)類冬小麥分類效果均遠(yuǎn)優(yōu)于未降維變換分類效果。但仍存在個(gè)別頑固性的“椒鹽”錯(cuò)分混分類別現(xiàn)象，如2 號(hào)類、3 號(hào)類與5 號(hào)類相對(duì)嚴(yán)重。在以上多組分類結(jié)果中，均存在各分類塊的小麥陰影部分或多或少地被誤劃分為本地塊冬小麥類別之中，且塊與塊之間的田埂沒(méi)有被較好地分類識(shí)別出來(lái)。經(jīng)研究分析：在采集研究對(duì)象數(shù)據(jù)時(shí)正出于拔尖孕穗期，而且田埂上生長(zhǎng)中雜草未清除，使得部分雜草光譜與小麥光譜極為相似和造成部分混合像元現(xiàn)象，以致于田埂未能被較好地分類出。而針對(duì)降維后仍存在個(gè)別類別混分現(xiàn)象，其原因在于各其類別冬小麥光譜極為相似，屬于典型弱類間特征差問(wèn)題，一直給予其精細(xì)化分類研究帶來(lái)巨大挑戰(zhàn)。

3 結(jié)論

針對(duì)弱類特征冬小麥精細(xì)分類問(wèn)題，本文基于無(wú)人機(jī)高光譜遙感技術(shù)進(jìn)行了數(shù)據(jù)采集、拼接和降維變換處理等研究工作，并引入經(jīng)典機(jī)器學(xué)習(xí)中的SVM 和集成學(xué)習(xí)法中的RF 分類模型進(jìn)行了精細(xì)化分類實(shí)驗(yàn)，得出：

3.1 對(duì)于無(wú)人機(jī)高光譜影像精細(xì)化分類時(shí)，需進(jìn)行降維變換處理。經(jīng)過(guò)降維變換分類精度遠(yuǎn)優(yōu)于未經(jīng)降維變換分類精度30%左右，降維變換不僅可減少數(shù)據(jù)量提高運(yùn)算速度，還能較大程度地提高分類精度。

3.2 本文在MNF 和PCA 變換分類中，其中MNF 變換相比PCA 變換更具有優(yōu)勢(shì)。且在降維后基于SVM 和RF 模型分類效果中，MNF-RF 變換分類法具有更優(yōu)的分類效果，其總體分類精度和kappa 系數(shù)分別達(dá)到了78.1289%、0.7455。

3.3 針對(duì)弱類特征農(nóng)作物精細(xì)分類問(wèn)題，無(wú)人機(jī)高光譜遙感技術(shù)對(duì)其分類研究應(yīng)用將具有巨大潛力，是未來(lái)研究發(fā)展的重要方向。