基于無人機(jī)遙感影像的農(nóng)作物分類研究

李萬強(qiáng)，麻萬金

（三和數(shù)碼測繪地理信息技術(shù)有限公司，甘肅 天水 741000）

無人機(jī)遙感具備分辨率高、操作簡單、獲取數(shù)據(jù)快及成本低等特點，可以針對某一區(qū)域快速采集影像，獲取更精確的作物分布信息，對作物監(jiān)測技術(shù)的發(fā)展和應(yīng)用具有重大意義，故成為衛(wèi)星遙感和航空遙感的重要補(bǔ)充。準(zhǔn)確、及時地進(jìn)行農(nóng)作物分類能夠在國家農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和糧食政策制定等方面發(fā)揮重要作用，能夠為國家糧食安全提供有效保障。過去，農(nóng)業(yè)數(shù)據(jù)大多通過單一的人工操作來獲取。經(jīng)過相關(guān)人員的不斷探索，發(fā)現(xiàn)無人機(jī)遙感能夠在中小尺度地塊發(fā)揮更大的作用，能夠?qū)崿F(xiàn)農(nóng)作物種植信息的精準(zhǔn)獲取，不僅能在很大程度上為農(nóng)業(yè)生產(chǎn)者提供幫助，還能有效促進(jìn)相關(guān)技術(shù)的創(chuàng)新?；诖耍P者將深入探究無人機(jī)遙感影像的農(nóng)作物分類問題。

1 研究區(qū)概況

1.1 研究區(qū)基本情況

研究區(qū)地勢復(fù)雜多樣，走勢呈交叉狀，即西南部和東部低，東南部、北部、西北部高。研究區(qū)為國家級農(nóng)業(yè)示范研究基地，屬中溫帶大陸性季風(fēng)氣候。年降水量約523 mm，年平均氣溫約4.2℃，一年中四季變化十分明顯，夏季涼爽，春、秋過渡時間較短，冬季降雪量較大?；卣嫉孛娣e約8.1 km2，內(nèi)部多處地形存在高度差異，有較多的農(nóng)作物種植在測區(qū)內(nèi)。測區(qū)面積符合中小尺度地塊的要求，并且滿足區(qū)分農(nóng)作物的要求，符合開展本次研究的條件。

1.2 數(shù)據(jù)獲取與準(zhǔn)備

1.2.1 獲取和處理遙感數(shù)據(jù)

本次研究使用固定翼無人機(jī)操作系統(tǒng)采集遙感數(shù)據(jù)。該系統(tǒng)不但能夠?qū)崿F(xiàn)自主飛行，而且能夠滿足傳感器的搭載需求，如搭載多光譜相機(jī)、可見光相機(jī)等，能夠長時間監(jiān)測大面積的地面[1]。無人機(jī)的主要材料為EPO復(fù)合材料，能夠通過安裝電池實現(xiàn)長時間飛行，能夠在搭載傳感器的情況下起飛，并且能夠達(dá)到約66 km/h的飛行速度，最長可持續(xù)3 h的飛行，最短也可達(dá)到1.5 h。

本次研究的測區(qū)試驗數(shù)據(jù)采集將分別在2020年8月和2021年6月進(jìn)行，借助索尼A7R微單相機(jī)完成圖像采集，最終獲得RGB圖像。在進(jìn)行無人機(jī)航拍時，航向、旁向上均擁有80%的重疊率，能夠使RGB正射影像的生成要求得到滿足[2-3]。無人機(jī)完成航片獲取后，需有效拼接各航片才能完成整個大區(qū)域影像的獲取，經(jīng)過對比分析，本研究在影像拼接方面選擇Smart 3D軟件。首先，利用Smart 3D中的POS數(shù)據(jù)準(zhǔn)確地核對幾何圖形和地理信息，然后利用掌握的信息建立立體模型并賦予各個地塊適當(dāng)?shù)募y理，最后獲取整個測區(qū)的圖像。

1.2.2 采集和處理地面數(shù)據(jù)

在調(diào)查研究區(qū)域地面時，需要先觀察了解實驗區(qū)內(nèi)農(nóng)作物的實際情況，獲取農(nóng)作物實際分布信息。在DOM底圖上對照實際情況劃分農(nóng)作物邊界，從而明確田塊之間的邊界。

利用肉眼觀察，能夠完成真實農(nóng)作物信息的獲取。將DOM作為底圖，再通過人工繪制合理劃分田塊的矢量邊界，將其與調(diào)查結(jié)果相結(jié)合，可知水稻主要分布在基地的正東和東南方向，田塊密集且面積較小，種植地區(qū)地勢較低。研究基地中部地勢較低、樹木較多，東北方向和東部的農(nóng)作物主要為大豆、玉米，而南部地區(qū)的農(nóng)作物多為蔬菜和大豆。

2 基于無人機(jī)遙感影像的農(nóng)作物分類

2.1 選擇分類樣本

在研究區(qū)內(nèi)劃分訓(xùn)練區(qū)域和測試區(qū)域，并劃分12類地物，分別為道路、建筑、裸地、草地、亞麻、樹木、馬鈴薯、大豆、小麥、玉米、水稻以及池塘。與樣方內(nèi)地物面積相結(jié)合完成樣點數(shù)的確定，即地物面積越大就擁有越多的樣點數(shù)。訓(xùn)練樣本和測試樣本的實際情況如表1所示，其中，訓(xùn)練樣本共計3 600個，測試樣本共計1 550個。

表1 訓(xùn)練樣本及測試樣本

2.2 選取農(nóng)作物分類特征

2.2.1 提取農(nóng)作物可見光植被指數(shù)

針對遙感影像使用計算機(jī)圖像處理技術(shù)進(jìn)行運(yùn)算，明確提取遙感信息的特征變量。在農(nóng)作物遙感分類的過程中，應(yīng)該以農(nóng)作物的光譜特征作為劃分依據(jù)。無人機(jī)遙感平臺能夠使多種傳感器的搭載要求得到滿足，如激光、多光譜、可見光雷達(dá)等，其中無人機(jī)可見光影像的灰度信息只包括藍(lán)、綠、紅3種顏色[4]。為深入探討無人機(jī)遙感可見光影像開展農(nóng)作物分類的科學(xué)性和合理性，首先要完成可見光波段光譜分類特征的提取，在實際執(zhí)行時使用波段運(yùn)算的方式計算B、G、R波段像元值，從而明確可見光植被指數(shù)，根據(jù)分類特征劃分農(nóng)作物種類。其本質(zhì)就是與各種農(nóng)作物的植被指數(shù)相結(jié)合，使研究對象與其他地物在光譜信息方面的差異更明顯，從而對地物分布情況形成清晰、準(zhǔn)確的認(rèn)識。

現(xiàn)階段，在近紅外波段和可見光波段已經(jīng)擁有約100種植被指數(shù)，如EVI、RVI、DVI以及NDVI等，而在B、G、R波段擁有的植被指數(shù)較少。在計算不同植被指數(shù)影像中的類間差異系數(shù)時，公式為：，其中M1為第一類均值，M2為第二類均值。

水稻與其他農(nóng)作物的對比情況如表2所示。研究結(jié)果顯示，根據(jù)可見光植被指數(shù)差異系數(shù)，將玉米和其他農(nóng)作物對比，發(fā)現(xiàn)亞麻和玉米在NGRDI中的差異系數(shù)最大，經(jīng)計算最終結(jié)果為-1.73；在NGBDI中水稻與玉米差異系數(shù)最大，為2.8；在NGRDI、NGBDI、RGRI、VDVI以及ExG中，草地、樹木、馬鈴薯和玉米的差異系數(shù)都較小，最小值為0.01，玉米與其他作物在NGRDI中差異系數(shù)整體較大。

表2 水稻與其他農(nóng)作物對比

研究結(jié)果顯示，根據(jù)可見光植被指數(shù)差異系數(shù)，將大豆和其他農(nóng)作物進(jìn)行對比，亞麻和大豆在NGRDI中的差異系數(shù)最大，為-3.72；在NGBDI中水稻和大豆的差異系數(shù)最大，為6.49；在RGRI和VDVI中，大豆與其他農(nóng)作物之間的差異系數(shù)較小，甚至存在可以忽略不計的差異系數(shù)；而大豆與其他作物在NGRDI中的差異系數(shù)都相對較大。

由此可知，在植被指數(shù)NGRDI中，亞麻與水稻、大豆、玉米之間存在較為明顯的差異，而草地、樹木與水稻、大豆、玉米均存在較小的差異。所以農(nóng)作物分類中的最優(yōu)特征為NGRDI，其分類效果非常明顯。

2.2.2 提取農(nóng)作物可見光紋理特征

若是多種農(nóng)作物在同地塊種植，隨著分辨率的提升，異物同譜現(xiàn)象出現(xiàn)的概率將逐漸減少，但是也會導(dǎo)致同譜異物現(xiàn)象出現(xiàn)的概率增加。無人機(jī)可見光遙感能準(zhǔn)確反映不同地物的差異，在分辨地物方面準(zhǔn)確度非常高[5]。不同農(nóng)作物在紋理方面存在差異。所以，本次農(nóng)作物分類將以紋理作為分類標(biāo)準(zhǔn)。

本次無人機(jī)遙感數(shù)據(jù)具有較高的分辨率，能夠避免混合像元的情況出現(xiàn)。通過遙感數(shù)據(jù)能夠清晰地了解農(nóng)作物的結(jié)構(gòu)、尺寸以及形狀[6]?，F(xiàn)階段，我國在農(nóng)作物遙感數(shù)據(jù)分類方面的紋理濾波技術(shù)較為成熟，已經(jīng)實現(xiàn)了紋理濾波方法的多樣化，并擁有直方圖統(tǒng)計、局部直方圖處理等圖像處理技術(shù)。另外，使用的濾波方法不同，所取得的效果也不同。均值濾波能夠有效降低圖像中尖銳的顏色變化，同時降低噪聲，中值濾波能夠有效解決椒鹽噪聲[7-10]。在概率統(tǒng)計濾波中，應(yīng)用較為廣泛的是一階和二階概率統(tǒng)計濾波。其中，二階概率統(tǒng)計濾波的紋理值的計算通過灰度共生矩陣完成，也就是中心點在距離窗口和特定方向中存在的頻率，能夠較為理想地提取紋理。所以，本次研究數(shù)據(jù)的二階概率統(tǒng)計濾波通過ENVI 5.1完成。

研究結(jié)果顯示，與其他作物相比，水稻的紋理濾波差異系數(shù)在B、G、R波段的二階矩特征中分別擁有一個較為明顯的峰值，大豆和水稻在G中差異最為明顯，紋理濾波差異系數(shù)為21.35；玉米、馬鈴薯和水稻之間的差異系數(shù)較小，分別為17.65和17.32；其次，水稻和草地、樹木分別擁有4.18和9.14的差異系數(shù)；亞麻與水稻的差異系數(shù)較小，為1.37。另外，在其他紋理濾波特征下水稻與其他農(nóng)作物的差異系數(shù)均擁有較小的數(shù)值。

研究結(jié)果顯示，與其他作物相比，玉米紋理濾波差異系數(shù)如下：亞麻和水稻與玉米存在最大的差異系數(shù)，在R波段的對比度特征中，差異系數(shù)的峰值非常明顯，分別為11.40和18.48；其次，樹木和玉米在B、G、R波段中，分別擁有2.78、2.46、2.47的差異系數(shù)；另外，在紋理濾波下，大豆、草地和玉米只存在較小的差異系數(shù)。

在玉米與其他作物的紋理濾波差異系數(shù)方面，亞麻、水稻與大豆存在最大差異系數(shù)，在B波段下分別擁有9.75和17.3的差異系數(shù)；其次，在R波段，樹木和大豆擁有1.71的差異系數(shù)；另外，在紋理濾波下，玉米和大豆只存在較小的差異系數(shù)。

綜上可知，在對比其他農(nóng)作物的過程中，大豆應(yīng)選取B波段、玉米應(yīng)選取R波段、水稻應(yīng)選取G波段。

3 結(jié)果

本研究借助了無人機(jī)搭載數(shù)碼相機(jī)的方式生成研究區(qū)域的RGB圖像。相比于傳統(tǒng)的只提取紋理特征的農(nóng)作物分類方法，本次研究有效對比了兩個不同時段的農(nóng)作物DSM數(shù)據(jù)，使農(nóng)作物的生長差異特征變得更為明顯，并在農(nóng)作物分類中有效運(yùn)用了這一特征[9]。結(jié)果表明，在進(jìn)行農(nóng)作物分類時綜合考慮農(nóng)作物紋理、光譜、高度等多維特征，能夠精準(zhǔn)劃分農(nóng)作物種類，同時Kappa系數(shù)也能夠維持較高的水平。

4 結(jié)束語

利用無人機(jī)遙感影像能夠有效區(qū)分各種農(nóng)作物，未來我國對無人機(jī)遙感影像的需求也會不斷增加。無人機(jī)遙感能夠有效獲取高分辨率光譜圖像，同時還能夠生成高分辨率空間數(shù)據(jù)，能夠為我國農(nóng)業(yè)發(fā)展起到促進(jìn)作用。利用無人機(jī)遙感影像，能夠幫助務(wù)農(nóng)人員實時監(jiān)測農(nóng)作物種植情況，從而確保農(nóng)作物種植效果，促進(jìn)我國農(nóng)業(yè)發(fā)展。