基于無人機DSM的小麥倒伏識別方法

趙立成，段玉林，史 云，張保輝

（中國農業科學院農業資源與農業區劃研究所/農業農村部農業遙感重點實驗室，北京100081）

0 引言

小麥（Triticumspp.或Triticum aestivumL.）長期以來一直是產量最高的谷物之一［1］。小麥的高產高效對于解決全球人口糧食問題和實現糧食安全具有重要意義。倒伏，定義為地上部分的永久位移［2］，是小麥高產、穩產和優質的重要限制因素之一，也是小麥超高產育種亟待解決的問題［3］。研究表明，幾乎所有產量和籽粒品質的參數，包括籽粒長度與籽粒寬度的比例，糊化溫度和凝膠稠度，都受到倒伏的顯著影響，從而惡化。在灌漿期提前一天倒伏可導致產量損失2.66%～2.71%，結實率降低1.8～2.6個百分點，千粒重減少0.26～0.32 g，碾米率下降0.097～0.155個百分點，堊白粒率上升0.13～0.27個百分點，蛋白質含量上升0.021～0.024個百分點，進而降低食用品質［4］。作物倒伏不僅會造成產量和質量的降低，還會影響農業機械的自動化收割［5］。及時準確地監測小麥倒伏情況對于獲取災害信息、指導災后處理、定損估產和協助機械化收割等方面具有重要意義。小麥抗倒伏能力與種植密度（Z）、施氮量（N）、施磷量（P）、施鉀量（K）等多方面因素有關［6-9］。準確地獲取小麥倒伏情況有利于建立與栽培方式之間的聯系，從而指導育種栽培和生產管理［10-11］。然而，傳統的倒伏信息獲取方法（人工法）需要調查人員深入災區測量倒伏面積和位置，既費力又主觀［12］。對大面積倒伏災害來說，其較低的工作效率往往無法滿足實際需求［13］，并且，依靠人工的倒伏評估，經常導致農業災害評估中的補償糾紛［14］。

遙感技術特別是無人機技術的發展為作物倒伏識別提供了新的思路。戴建國等［15］利用無人機遙感多光譜影像進行棉花倒伏識別研究；田明璐等［16］利用無人機多光譜遙感進行水稻的倒伏監測研究；鄭二功等［17］利用無人機影像進行玉米倒伏研究。Du等［1］利用無人機獲取的影像識別小麥倒伏情況，生成導航圖，指導司機和自動收獲車輛根據特定的倒伏情況調整操作速度，從而減少收獲損失。

在小麥倒伏識別研究中，吳尚蓉等［18］利用圖像的光譜信息進行冬小麥倒伏研究；楊浩等［19］通過雷達極化特征進行小麥倒伏識別；李廣等［20］通過圖像的紋理信息進行小麥倒伏識別研究。作物倒伏的光譜、紋理和雷達極化特征復雜，并且根據作物品種、栽培方式和生長環境的不同存在一定的差異。作物冠層高度是能夠直接表征作物倒伏情況的關鍵特征，但目前依據作物冠層高度進行小麥倒伏識別的研究較少。

該研究使用搭載數碼相機的無人機遙感平臺，利用獲取的單張照片生成的數字表面模型進行田塊尺度的小麥倒伏識別研究，為智慧農業育種栽培提供準確依據。

1 研究區與數據

1.1 研究區

研究區位于山西省運城市山西省農業科學院棉花科學研究所牛家凹農場（35°11′21.73″N，111°5′18.49″E），如圖 1。運城全年受季風活動影響，屬暖溫帶大陸性季風氣候。冬季受西伯利亞干冷氣流控制，盛行西北季風，氣候特點為寒冷、干燥；夏季受太平洋暖濕氣流控制，盛行東南季風，氣候特點是高溫、多雨，降雨集中且多暴雨和雷陣雨。年均氣溫13.3℃，1月均溫-2.2℃，7月均溫27.4℃；日照時長2 039.5 h；霜凍期為10月下旬至次年4月上旬，無霜期212 d［21］。

圖1 研究區域（淺綠色為小麥倒伏區域，深綠色為正常小麥，作物間棕色行帶為田埂）Fig.1 Study area （Light green areas show the lodged wheat，dark green areas are normal wheat，and brown lines are ridges）

1.2 數據獲取

該研究數據獲取平臺采用大疆精靈4 Advanced（圖2），搭載2.54 cm 2 000萬像素影像傳感器，機身總重量為1 368 g。數據獲取于2019年6月1日12點，天氣晴朗無云，航高30 m，飛行速度為7 m/s。根據現場調查和目視解譯獲得的小麥倒伏真值數據如圖3a所示。

圖2 研究采用的無人機平臺（大疆精靈4 Advanced）Fig.2 UAV platform used in the study （DJI PHANTOM 4 ADVANCED）

2 研究方法

2.1 數據預處理

根據獲取的單張相片及其寫入的POS（Positioning Orentation System）數據，利用動態結構（Structure from Motion，SfM）算法進行特征點匹配，通過密集多視角立體匹配（Dense Multiple View Stereo，DMVS）算法構建點云數據，最終生成研究區正射影像DOM（Digital Orthophoto Map）和數字表面模型DSM（Digital Surface Model）。

2.2 隨機森林分類

隨機森林（Random Forest，RF）是一種優秀的機器學習算法，通過集成學習的思想將多棵樹集成，它的基本單元是決策樹，而它的本質屬于機器學習的一大分支——集成學習（Ensemble Learning）方法。隨機森林具有極好的準確度，能夠運行在大數據集上，能夠處理高維特征而不需要降維等優點。模型訓練樣本為圖3a中真值數據的0.1%。

2.3 精度評價

該研究采用地面真實感興趣區ROI（圖3a）的99.9%作為驗證樣本，與分類結果進行比較生成混淆矩陣。根據混淆矩陣分別計算倒伏、未倒伏和田埂的總體分類精度、制圖精度、用戶精度和Kappa系數。

3 結果與分析

通過隨機森林模型訓練后的分類結果如圖3b所示，其中淺綠色為小麥倒伏區域，深綠色為正常小麥，褐色區域為田埂。

從目視效果上來看，依靠RGB可見光譜信息可以識別小麥的倒伏情況，如圖3b所示，但是存在較嚴重的椒鹽現象，尤其是在正常小麥生長區域，存在大量的“椒鹽斑塊”被識別為倒伏小麥，這與小麥倒伏和正常植株在部分情況下的光譜混淆有一定關系。當可見光波段加入代表作物冠層高度的DSM數據后，如圖3c所示，整體分類效果明顯提升，減少甚至消除了倒伏識別中的椒鹽現象，分類結果更好。在根據光譜信息不同的基礎上，依靠倒伏小麥和正常小麥的冠層高度不同，能夠明顯識別小麥倒伏的發生，分類結果更加準確。

圖3 小麥倒伏真值數據與分類結果：a. 倒伏真值數據（底圖為無人機影像，疊加的色塊為真值）；b. RGB波段影像分類結果；c. RGB+DSM波段分類結果Fig.3 Wheat lodging true value and classification results

對于田埂的識別，由于田埂與倒伏小麥均在冠層高度上低于正常小麥，在加入代表冠層高度的DSM數據后，使得田埂的識別結果發生了一些混淆，少量的田埂被識別為倒伏小麥，這在僅依靠光譜信息的分類結果中并沒有發生。

該研究根據驗證樣本計算了僅依靠可見光譜信息和增加DSM信息后的分類精度，總體分類精度和Kappa系數如表1，各地物類別的分類精度如表2。

表1 分類總體精度和Kappa系數Table1 The overall accuracy and Kappa coefficient of classification

基于可見光小麥倒伏的總體分類精度為90.89%，Kappa系數為0.82，在增加DSM數據后的分類總體精度為98.41%，Kappa系數為0.97。研究表明由無人機獲取的代表作物冠層高度信息的DSM數據能夠顯著提升小麥倒伏的識別效果，依賴于光譜和高程信息的倒伏識別精度更高，識別結果也更可靠。

表2 各類別分類精度Table 2 The accuracy of every classes

由表2的分類精度比較可以看出，在加入DSM數據后，對小麥的倒伏和正常植株的識別精度均有明顯的提升，無論是在生產者精度還是在用戶精度方面。但在田埂的識別中，增加DSM數據會對田埂的識別造成一些干擾，主要表現在部分田埂被識別為倒伏小麥，基于可見光和DSM數據的田埂識別生產者精度略低于僅依靠光譜信息的識別效果。但在用戶精度方面，加入DSM數據后田埂的識別精度明顯高于只依靠光譜信息的識別結果，也就是說，增加DSM數據后，對田埂的識別提出了更嚴格的要求，需要在光譜和高程2個方面滿足模型的要求，從而使識別結果在用戶精度方面得到進一步提升。

4 結論

該文提出依靠無人機搭載消費級相機獲得的DSM數據，結合可見光數據進行小麥倒伏識別的方法。該方法比單純依靠可見光光譜數據進行小麥倒伏和正常植株的識別精度更高。但是在利用該方法時田埂由于其高度與倒伏小麥高度類似，容易對結果產生干擾，還需要進一步提升田埂的識別精度，以保證對小麥倒伏的正確識別。無論從總體精度還是分類結果的可靠性方面比較，基于無人機獲取的可見光數據結合DSM數據進行小麥倒伏識別的結果明顯優于僅依靠可見光數據獲得的識別結果。該研究證明了基于無人機搭載消費級相機獲取的DSM數據在農作物倒伏識別中的可行性，提供了一種自動識別作物倒伏的新思路和新方法。

該文提出的基于無人機DSM進行農作物倒伏識別方法也存在一定的局限性，由于研究區位于平原，整體耕地基準面高程均一，該研究使用了反映小麥冠層表面的DSM數據代表作物冠層高度。在未來的研究中，針對部分地區耕地高程變化的情況，可以考慮使用時序或在獲取耕地基準面數據的基礎上進一步進行作物倒伏識別研究，進而實現更精準更智能的倒伏識別。