無(wú)人機(jī)可見光遙感影像的農(nóng)作物信息提取及驗(yàn)證

陳智虎， 許元紅， 童倩倩， 劉春艷， 趙澤英

(貴州省農(nóng)業(yè)科學(xué)院 科技信息研究所， 貴州 貴陽(yáng) 550006)

農(nóng)業(yè)是人類賴以生存和抵御自然災(zāi)害的基礎(chǔ)，而農(nóng)作物類型的確定也將成為一項(xiàng)基礎(chǔ)性的工作[1]。農(nóng)作物種植信息獲取尤為重要，厘清地區(qū)的農(nóng)作物種植信息不僅可以為農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整提供基礎(chǔ)數(shù)據(jù)，還可為地區(qū)的農(nóng)業(yè)區(qū)劃和農(nóng)田保護(hù)提供依據(jù)[2]。

目前，農(nóng)作物種植信息獲取方法較多，使用較多的技術(shù)手段還是遙感技術(shù)，該技術(shù)在農(nóng)作物識(shí)別方面不僅省時(shí)省力，而且分類精度比較理想[3-5]。無(wú)人機(jī)能夠進(jìn)行低空飛行，具有作業(yè)周期短、飛行簡(jiǎn)單和起降靈活等優(yōu)勢(shì)，彌補(bǔ)了衛(wèi)星遙感在該方面的不足[6-8]。賈鵬剛等[9]利用無(wú)人機(jī)獲取銀杏樹影像數(shù)據(jù)，產(chǎn)生相應(yīng)的正射圖像，進(jìn)而提取銀杏樹的胸徑值，研究表明此方法可行。韓文霆等[10]利用固定翼無(wú)人機(jī)獲取RGB圖像，提取玉米拔節(jié)期種植信息，玉米種植面積提取誤差在20%以內(nèi)；陳燕麗等[11]基于CLDAS數(shù)據(jù)，運(yùn)用遙感技術(shù)對(duì)廣西的晚稻生產(chǎn)寒露風(fēng)低溫冷害進(jìn)行監(jiān)測(cè)，結(jié)果顯示，從CLDAS數(shù)據(jù)中提取的氣溫?cái)?shù)據(jù)與實(shí)際監(jiān)測(cè)的氣溫?cái)?shù)據(jù)較一致，并且利用遙感技術(shù)分析CLDAS數(shù)據(jù)，能夠快速監(jiān)測(cè)當(dāng)?shù)赝淼竞讹L(fēng)災(zāi)害等級(jí)分布狀況的優(yōu)勢(shì)。目前，利用無(wú)人機(jī)提取不同種類農(nóng)作物信息的文獻(xiàn)報(bào)道較少，筆者等在前人研究基礎(chǔ)上，利用色彩紋理特征組合方法對(duì)大豆、水稻和玉米的種植信息進(jìn)行提取，以期為實(shí)現(xiàn)無(wú)人機(jī)遙感農(nóng)作物類別的快速識(shí)別提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于貴定縣盤江鎮(zhèn)馬場(chǎng)河村，馬場(chǎng)河村位于貴定縣城北面，距離貴定縣城16.5 km(封三圖Ⅰ)。全村總面積28.5 km2，鄉(xiāng)級(jí)公路貫穿始終，全村4 800余人，耕地面積226.8 hm2，農(nóng)業(yè)經(jīng)濟(jì)以種植水稻、玉米、馬鈴薯和油菜等為主，主要耕作模式為玉米套種油菜以及玉米套種蠶豆等。馬長(zhǎng)河村水資源比較豐富，全年氣候宜人，冬無(wú)嚴(yán)寒，夏無(wú)酷暑，自然環(huán)境宜居宜游。

1.2 數(shù)據(jù)獲取與預(yù)處理

1.2.1 遙感影像獲取 遙感影像獲取采用CW-007垂直起降純電動(dòng)型無(wú)人機(jī)搭載4 200萬(wàn)像素的正射相機(jī)，鏡頭焦距35 mm，全景對(duì)焦，與無(wú)人機(jī)連接；飛機(jī)自帶GPS導(dǎo)航系統(tǒng)，通過地面站軟件設(shè)置好航線以后，電腦控制起飛降落，具體參數(shù)為分辨率0.03 m，飛行海拔1 566 m，航拍高度200 m，航向重疊度75%，旁向重疊度70%，垂直方向定位精度0.03 m，水平方向定位精度0.01 m，巡航速度65 km/h。

遙感數(shù)據(jù)于2019年8月7日采集，采用CWcommander地面站軟件進(jìn)行航線規(guī)劃(封三圖Ⅱ)，無(wú)人機(jī)飛行航高200 m，航線總長(zhǎng)度51 km，拍照間距92 m，總航時(shí)50 min。共采集982張JPG格式影像。

1.2.2 數(shù)據(jù)處理 利用PIX4D對(duì)獲取的遙感影像進(jìn)行拼接，無(wú)人機(jī)獲取的遙感影像是坐標(biāo)信息和照片分離的，需要在軟件中分別添加，利用照片編號(hào)進(jìn)行一一對(duì)應(yīng)，最終拼接得到符合精度要求為1∶1 000的遙感影像。影像空間分辨率0.03 m，面積約為1.7 km2，研究選取正射影像中農(nóng)作物種類較多的區(qū)域作為研究區(qū)域，面積約為0.36 km2，影像數(shù)據(jù)包含了R、G、B 3種色彩的灰度值，有27 968×45 615個(gè)像元。

1.3 作物種植類型信息的提取

無(wú)人機(jī)遙感獲取的影像數(shù)據(jù)只有紅、綠、藍(lán)3個(gè)波段，無(wú)法通過計(jì)算植被指數(shù)提取農(nóng)作物信息，通過色彩空間的轉(zhuǎn)換和不同紋理濾波的處理獲取遙感影像中農(nóng)作物的紋理信息，這種方法能夠有效地避免同譜異物和同物異譜現(xiàn)象的產(chǎn)生，能夠提高農(nóng)作物識(shí)別的精度。從獲取的遙感影像中選擇不同農(nóng)作物的典型區(qū)域作為樣本，計(jì)算影像的色彩特征和紋理特征并進(jìn)行統(tǒng)計(jì)分析，篩選出能夠區(qū)分不同作物類型的關(guān)鍵特征參數(shù)，并以此依據(jù)進(jìn)行作物信息的提取。灰度共生矩陣定義了均值、方差等紋理指數(shù)，其中均值(Mean)、方差(VAR)和信息熵(Ent)3種特征的計(jì)算如下[12]：

式中f(i,j)為各樣本點(diǎn)的數(shù)值，n為樣本數(shù)量，Mean為對(duì)象的平均灰度值，VAR為對(duì)象各像元的灰度變化大小，Ent為對(duì)象的無(wú)序程度。

利用ENVI 5.1對(duì)獲取的影像數(shù)據(jù)分別統(tǒng)計(jì)3個(gè)波段的灰度值，然后進(jìn)行色彩空間轉(zhuǎn)換得到影像的色度、亮度、飽和度3項(xiàng)色彩特征，通過計(jì)算，得到3種顏色的均值、方差、信息熵、相關(guān)性、對(duì)比度及二階矩等6項(xiàng)紋理特征。

在野外采集農(nóng)作物樣本作為內(nèi)業(yè)判讀的依據(jù)。研究選定玉米、大豆和水稻3種農(nóng)作物作為典型樣本進(jìn)行提取研究，選擇大豆樣本21個(gè)，水稻樣本19個(gè)，玉米樣本22個(gè)，對(duì)每個(gè)指標(biāo)結(jié)果進(jìn)行統(tǒng)計(jì)最終得到24項(xiàng)特征指標(biāo)的均值和方差，進(jìn)而得到不同農(nóng)作物間的差異系數(shù)，其計(jì)算如下：

D=S2

式中，D為方差，S為標(biāo)準(zhǔn)差，V為變異系數(shù)，M為樣本均值，DW為差異系數(shù)，S1和S2分別為樣本1和樣本2的均值。

1.4 提取信息的分類及驗(yàn)證

通過分析3種農(nóng)作物的色彩特征和紋理特征，初步選定亮度、飽和度和綠色二階矩作為最佳的分類特征組合對(duì)研究區(qū)域內(nèi)農(nóng)作物進(jìn)行分類。

利用外業(yè)采集的樣本進(jìn)行遙感判讀得到的分類結(jié)果作為檢驗(yàn)本研究方法提取農(nóng)作物的精度。遙感判讀主要通過Arcgis，結(jié)合外業(yè)采集的樣本，在室內(nèi)進(jìn)行遙感影像矢量化判別每一種農(nóng)作物，最終獲取研究區(qū)的影像判讀結(jié)果，并對(duì)每一類農(nóng)作物面積進(jìn)行統(tǒng)計(jì)。根據(jù)提取的結(jié)果，統(tǒng)計(jì)不同農(nóng)作物的種植面積，分別與目視解譯判讀結(jié)果進(jìn)行比對(duì)，判斷基于顏色紋理特征提取農(nóng)作物的精度。

2 結(jié)果與分析

2.1 色彩和紋理特征的統(tǒng)計(jì)與分析

從封三圖Ⅲ看出，玉米、大豆和水稻3種作物在顏色、紋理和亮度上有明顯的差異。大豆以深綠色為主，局部地區(qū)種植比較稀疏，出現(xiàn)淺綠色，整體緊湊；水稻紋理明顯，具有明顯的條帶狀分布特征，植株之間有明顯的間隙，顏色單一，呈淺綠色，地塊形狀以矩形居多，比較規(guī)則；玉米植株特征比較明顯，主要呈亮綠色，顏色較深，由于拍攝季節(jié)的原因，玉米植株中央呈淺黃色，主要是受玉米穗顏色影響，也是區(qū)別于其他作物的特征。

由表1可知，3種農(nóng)作物之間各項(xiàng)特征變異系數(shù)和作物間差異系數(shù)變化較大，在亮度、飽和度方面，大豆、玉米和水稻存在明顯的差異，其亮度為大豆>水稻>玉米，飽和度為水稻>大豆>玉米。據(jù)此可以較好地將3種農(nóng)作物分開。其次，在綠色二階矩指標(biāo)中，大豆與玉米、水稻的差異系數(shù)分別為42.28和41.15，差異明顯，能夠快速將大豆與玉米和水稻進(jìn)行區(qū)分。由此可見，判別農(nóng)作物信息差異的指標(biāo)數(shù)量較多，通過對(duì)比挑選出最適合的指標(biāo)進(jìn)行農(nóng)作物分類，能夠提高農(nóng)作物分類的效率和精度，在大豆、玉米和水稻信息的提取中，以亮度、飽和度和綠色二階矩為主，其余指標(biāo)作為輔助進(jìn)行農(nóng)作物信息的提取。

2.2 提取信息的分類及誤差

從封三圖Ⅳ可知，研究區(qū)農(nóng)作物可分為玉米、黃豆、水稻和其他4類。從分類結(jié)果看，區(qū)域內(nèi)大豆種植范圍比較大。此外，從基于顏色紋理特征組合提取的區(qū)域農(nóng)作物分布空間分布情況看出，該研究方法提取的農(nóng)作物分類與遙感目視解譯判讀的結(jié)果大體一致。差異較小。

由表2可知，大豆、水稻、玉米的目視解譯面積分別為2.09 hm2、1.85 hm2和1.53 hm2；基于顏色紋理特征提取的3種農(nóng)作物的面積分別為1.95 hm2、1.67 hm2和1.5 hm2，大豆、水稻和玉米提取誤差分別為7.01%、9.71%和1.75%。

表1 3種農(nóng)作物提取信息的變異系數(shù)和差異系數(shù)

表2不同方法對(duì)作物種植面積的提取結(jié)果

Table 2 Extraction results of crop planting area by two extraction methods

作物類型Crop目視解譯/hm2Visual interpretation顏色紋理特征/hm2 Color textural feature誤差/%Error大豆 Soybean2.091.957.01水稻 Rice1.851.679.71玉米 Maize1.531.501.75其他 Other2.773.1312.74

3 小結(jié)

研究利用無(wú)人機(jī)航拍的優(yōu)勢(shì)，獲取研究區(qū)內(nèi)的遙感影像，利用色彩空間轉(zhuǎn)換和灰度共生矩陣紋理濾波中的亮度、飽和度和綠色二階矩進(jìn)行組合，提取研究區(qū)內(nèi)大豆、水稻和玉米3種農(nóng)作物信息，利用遙感影像判讀的結(jié)果作為檢驗(yàn)基于色彩紋理特征組合分類方法的精度。結(jié)果表明，利用色彩紋理特征組合提取的大豆、水稻和玉米種植面積的提取結(jié)果誤差分別為7.01%、9.71%和1.75%，3種農(nóng)作物中，玉米的分類精度高于大豆和水稻，水稻分類精度略低，分類效果均較好。

利用無(wú)人機(jī)遙感對(duì)農(nóng)作物的分布情況、面積進(jìn)行提取精度較好，研究使用的無(wú)人機(jī)操作簡(jiǎn)單、安全性較高，在農(nóng)作物信息提取和監(jiān)測(cè)中具有一定的優(yōu)勢(shì)，是農(nóng)作物調(diào)查的一個(gè)重要補(bǔ)充手段。但是，也有一些局限性：一是純電動(dòng)無(wú)人機(jī)續(xù)航時(shí)間有限，航拍面積較小，受天氣和海拔的影響較大，很難滿足更大區(qū)域數(shù)據(jù)的采集；二是無(wú)人機(jī)航拍獲取的數(shù)據(jù)量較大，對(duì)于后期數(shù)據(jù)處理的速度有很大的限制；三是作物光譜特征比較復(fù)雜，同一種農(nóng)作物存在被錯(cuò)分為不同農(nóng)作物類型可能。在以后的研究中，可以從同物異譜及同譜異物分類提取方面進(jìn)行研究，無(wú)人機(jī)航拍方面選擇更適合飛行的地點(diǎn)進(jìn)行航拍。