基于低空無人機多光譜遙感的水稻倒伏監測研究

田明璐,班松濤,袁 濤，籍延寶，馬 超,李琳一*

(1上海市農業科學院農業科技信息研究所，上海市數字農業工程技術研究中心，上海 201403；2西北農林科技大學資源環境學院，楊凌 712100)

水稻是我國主要的糧食作物之一。倒伏是水稻生長中后期常見的農業災害，由天氣、病蟲害等因素引發的倒伏會嚴重影響水稻生長、產量和稻米品質[1-2]。快速、準確獲取水稻倒伏區域的位置、面積等信息，是災情評估、產量損失評估和災后管理措施制定的重要依據[3-4]。傳統的倒伏監測方法需要調查人員使用尺子、GPS等工具前往實地調查，以獲取倒伏作物的位置和面積等信息，效率較低，尤其是針對不規則倒伏區域無法做到精確測量。遙感技術能夠快速獲取大范圍農田的圖像信息和空間信息，近年來被廣泛用于農作物倒伏監測[3，5-7]。

衛星遙感影像覆蓋面積廣，適合大區域倒伏災害監測。但衛星遙感影像也存在空間分辨率低、重訪周期長、受天氣因素影響較大等不足，對于特定時間、特定區域的水稻倒伏監測，衛星遙感影像往往難以滿足需求[8]。當前小型低空無人機的發展與成熟為近地遙感提供了新的平臺，無人機平臺具有低成本、低風險、機動靈活等特點[9-10],因此低空無人機遙感系統能夠以極高的時效性獲取指定區域高質量的農田遙感數據。國內外學者嘗試使用低空無人機遙感技術獲取小麥、玉米等作物的可見光影像，提取影像紋理、灰度等圖像特征，采用機器學習等圖像分類算法對農作物倒伏狀況進行監測和信息提取[4，11-15]，取得了一定的成果，證實了無人機遙感監測農作物倒伏的可行性。

包含近紅外波段的多光譜成像儀是農業遙感中從衛星平臺到近地面平臺普遍使用的重要傳感器，在農作物遙感監測中有著廣泛的應用。現有的基于無人機遙感的農作物倒伏監測研究中對作物的光譜特征研究較少，而光譜特征、尤其是紅邊和紅外波段的光譜特征能夠從理化性狀、冠層結構等更本質的層面反映農作物生長狀況[16]，以光譜特征為依據監測作物倒伏具有明確的物理意義。因此，研究正常水稻和倒伏水稻的光譜特征、在多光譜影像上對二者進行有效區分，對水稻長勢監測和產量估算有著重要的意義。

綜上所述，本研究使用搭載低空無人機的多光譜遙感成像儀，獲取水稻田正常和倒伏區域的多光譜影像，分析正常水稻和倒伏水稻的光譜特征，建立基于多光譜的正常倒伏水稻分類模型，進而對水稻倒伏信息進行提取，為使用無人機遙感調查和監測水稻倒伏狀況提供技術支持。

1 材料與方法

1.1 研究區概況

研究區位于上海市崇明區躍進農場，坐標為東經121°14′45″，北緯31°50′7″，該區屬于亞熱帶海洋性季風氣候，溫和濕潤，年平均氣溫15.2℃；年均降水量1 025mm，降水主要集中在4—9月；全年平均日照時數為2 104.0 h，無霜期229d，年平均大風日數11.7d。研究區內的水稻于6月中旬插秧，10月底收獲。2017年10月15—16日，受臺風和冷空氣影響，該區出現5—6級大風和強降雨天氣，部分水稻田發生較為嚴重的倒伏災害。

1.2 無人機多光譜影像獲取

本研究使用的無人機為DJI Inspire 1四旋翼無人機，軸距55.9cm，機身自重2.8kg，最大起飛重量3.5kg，最大飛行時間18min。搭載的多光譜傳感器為美國Micasense公司出產的Micasense RedEdge 3多光譜成像儀，鏡頭焦距為5.5mm，視場角為47.2°；波段數有5個，分別為藍(475nm)、綠(560nm)、紅(668nm)、紅邊(717nm)和近紅外(840nm)；單張影像分辨率為1 280×960 pixels。另配有日光照度計和GPS模塊，總重量僅170g，適合小型無人機搭載。

無人機多光譜遙感影像獲取于2017年10月21日12：00—13：00進行，此時研究區水稻處于蠟熟期。無人機飛行高度100m，飛行速度3ms，設置航線的旁向重疊率為70%，航向重疊率為80%；影像空間分辨率為6.9cmpixel。

1.3 數據處理

使用Pix4Dmapper軟件，對獲取的多光譜影像進行拼接、幾何校正和輻射校正等處理，最終得到監測區域完整的整幅多光譜正射影像(圖1)。通過目視解譯提取水稻田塊(圖2)。在ENVI 5.1軟件中，使用ROI(Region of interest，感興趣區)工具結合目視解譯在圖上分別選取正常水稻ROI共85個樣本，倒伏水稻ROI共125個樣本，總計210個樣本。計算每個ROI中所有像元的平均光譜作為此ROI的光譜值。

圖1 研究區正射影像Fig.1 Orthoimage of study area

圖2 水稻地塊提取Fig.2 Extraction of rice field

1.4 正常倒伏水稻分類方法

水稻倒伏監測本質上是分類問題，即將影像上倒伏的水稻和正常的水稻區分開來，分為正常和倒伏兩類，再針對倒伏區域提取范圍、面積等信息。多光譜數據的各波段之間往往存在共線性，使用常規線性分類方法建模，自變量之間的共線性會嚴重影響模型精度。偏最小二乘(Partial least squares，PLS)能夠有效消除變量之間的共線性，從而使構建的模型更加精確和穩定。因此本研究使用偏最小二乘判別分析(Partial least squares—discriminant analysis，PLS-DA)方法建立正常水稻與倒伏水稻的分類模型。PLS-DA是基于 PLS 回歸分析建立的分類算法[17-18]，通過建立各水稻ROI光譜與正常倒伏兩種狀態之間的PLS回歸模型，對水稻的生長狀態進行判別分析。PLS回歸模型得到的對水稻正常倒伏兩種狀態的預測值為非整數，因此需要通過閾值的設定來對兩種狀態做出判定。

2 結果與分析

2.1 光譜特征分析

正常水稻與倒伏水稻在影像上的光譜特征不同(圖3a)。使用SPSS 20統計分析軟件，分別對所有正常水稻與倒伏水稻的ROI樣本在各個波段上的反射率進行單因素方差分析(圖3b—3f)，在α=0.01水平上，各波段的統計檢驗量F均大于臨界值Fcrit，且P-value小于0.01，表明正常水稻與倒伏水稻的光譜在各波段上均有著極顯著的差異，主要表現為倒伏水稻在各個波段上的反射率均高于正常水稻； Band1(475nm)、Band3(668nm)和Band5(840nm)三個波段上倒伏水稻的反射率整體高于正常水稻，但差異相對較小；Band2(560nm)和Band4(717nm)兩個波段上所有倒伏水稻ROI反射率都顯著高于正常水稻，表現出極顯著的差異；其中Band2上檢驗統計量F=1 166，Band4上F=1 180，都遠大于臨界值Fcrit=7。從以上光譜特征分析可知，在無人機多光譜遙感影像上，正常水稻與倒伏水稻有著高度的可分性。由于遙感影像存在“同物異譜”和“同譜異物”的現象，因此不能使用單一波段作為分類依據，需要綜合所有波段構建水稻正常倒伏分類模型。

注：(a)為所有正常水稻ROI和所有倒伏水稻ROI各波段反射率平均值構成的光譜曲線；(b)—(f)分別為各波段上每個正常水稻ROI和倒伏水稻ROI的反射率構成的散點圖。F、Fcrit、P-value分別為α=0.01水平上單因素方差分析對應的參數圖3 正常水稻和倒伏水稻光譜特征分析Fig.3 Spectral features analysis of normal and lodged rice

圖4 水稻正常/倒伏分類Fig.4 Classification of normal/lodged rice

2.2 基于PLS-AD的水稻正常倒伏分類模型構建

將210個水稻ROI樣本分成建模集和驗證集兩個部分：其中倒伏水稻ROI隨機選取100個作為建模集，剩余25個作為驗證集；正常水稻ROI隨機選取65個作為建模集，剩余20個作為驗證集。總計得到165個建模樣本，45個驗證樣本。在SIMCA-P 14.1 軟件中，使用165個建模樣本構建水稻正常倒伏PLS-DA分類模型，以各樣本5個波段上的反射率為自變量，以0(倒伏)和1(正常)作為目標類別。模型參數如表1所示。將模型參數分別代入建模集合檢驗集進行計算，得到各ROI樣本分類值(圖4)。綜合分析建模集和驗證集分類值分布，最終選擇k=0.5作為分類閾值，分類值大于0.5的為倒伏水稻，分類值小于0.5的為正常水稻。

表1 水稻正常倒伏PLS-DA分類模型參數

Table 1 Coefficients of normallodged rice classification model by PLS-DA

表1 水稻正常倒伏PLS-DA分類模型參數

波段Band1Band2Band3Band4Band5常數項系數0.60960.6109-0.82550.37890.13391.2098

2.3 水稻倒伏監測精度檢驗與結果分析

表2 正常倒伏水稻分類精度檢驗

Table 2 Accuracy test of normallodged rice classification

表2 正常倒伏水稻分類精度檢驗

倒伏水稻面積∕m2正常水稻面積∕m2正確率∕%錯誤率∕%倒伏水稻ROI 928.8528.97099.0440.956正常水稻ROI12.350 638.90798.1041.896

圖5 水稻正常/倒伏分類結果圖Fig.5 Classification map of normal/lodged rice field

在圖5的基礎上，分別對正常水稻像元和倒伏水稻像元進行統計，可以得到研究區水稻受災狀況面積信息：監測水稻田總面積51 901.079m2，倒伏水稻面積為38 074.436m2，正常水稻面積為13 826.644m2，倒伏水稻面積占比為73.362%。同時由圖5可以看出，性狀極不規則的倒伏區域也得到精確的提取。

綜上所述，本研究區內水稻倒伏面積占比超過70%，受災情況比較嚴重；此時該地區水稻正處于蠟熟期，此次倒伏災害會對水稻成熟后品質產生較大的影響，通過精度分析可知由無人機多光譜影像上提取到的水稻倒伏信息具有很高的精度，可以為災后損失評估提供準確的判斷依據。

3 結論與討論

低空無人機作為新興的遙感平臺，在農業遙感領域有著很大的應用潛力。本研究使用的四旋翼無人機便于攜帶和運輸、穩定性好、易于操控，其機動靈活的特點，使其能夠對各種農情信息及時響應，根據需要快速獲取數據。且無人機遙感平臺所獲取的影像空間分辨率高，在100m航高時影像數據空間分辨率可達6.9cmpixel，相對于衛星而言，更適用于農業災情的精準定損。也更加適合小區域農情監測的需求。

本研究中無人機一個架次(約15min)覆蓋的地面面積約為13 hm2，本研究選取的水稻田塊面積為5.2 hm2。后期數據處理、倒伏信息提取等大部分工作在室內使用計算機自動處理，整個流程數小時內可以完成，極大提高了倒伏監測效率，降低了調查勞動強度。本研究采用的四旋翼無人機的不足之處在于續航時間較短，在監測大面積農田時需要考慮續航更久的多旋翼或固定翼無人機。

多光譜成像儀能夠同時獲取地物的影像信息和光譜信息，在農業遙感領域有著廣泛的應用。光譜能夠直觀反映作物理化性狀和冠層結構[16]，農作物不同的生長狀態在不同的波段上均有差異，其中紅邊波段對農作物長勢狀況最為敏感[19]。眾多研究[20-23]表明，倒伏農作物的光譜特征顯著區別于正常農作物。本研究通過分析無人機多光譜影像上倒伏水稻和正常水稻在不同波段上的光譜特征，發現倒伏水稻在5個波段上的反射率較正常水稻均偏高，其中在綠光波段(560nm)和紅邊波段(717nm)與正常水稻差異最為顯著。使用建模集中每個樣本5個波段上的反射率作為自變量，構建水稻正常倒伏PLS-DA分類模型；取分類閾值k=0.5時，模型能夠有效區分倒伏水稻與正常水稻。使用PLS-DA對多光譜影像進行結算，得到水稻正常倒伏分類結果圖，對正常水稻和倒伏水稻的分類準確率分別為98.104%、99.044%；進一步統計正常水稻和倒伏水稻的面積，由此可以獲取水稻倒伏發生的位置、區域和規模等信息。與從可見光影像提取圖像特征對倒伏農作物分類[4]和使用機器學習算法進行分類[12]相比，基于光譜分析的水稻正常倒伏PLS-DA分類模型更為簡潔、物理意義更為明確，對圖像的解算速度也更快。經實際測算，使用同等配置的計算機，采用神經網絡算法對本研究中多光譜影像上的倒伏水稻田塊進行提取，運算時間為3h；而采用PLS-DA模型，僅需要數秒。

本研究結果表明，無人機搭載多光譜成像儀提取水稻倒伏信息具有及時、高效、精準等優勢，可以作為農作物災害監測的有效技術手段。