基于無人機多光譜影像的地物識別

魏 青，張寶忠，魏 征

(中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室國家節水灌溉北京工程技術研究中心，北京 100038)

0 引 言

【研究意義】及時準確的獲取農田地物分布信息是現代精準農業監測的基礎，地物識別是農業生產過程中的重要一環，因此，典型作物識別是目前農業研究的熱點問題。影像中地物的光譜特征是遙感地物識別分析方法中的核心[1-3]。【前人研究進展】目前，衛星遙感在農田地物識別上應用廣泛，如劉佳等[4]利用HJ-1A/B影像的NDVI時間序列曲線特征，成功提取了大宗作物，驗證了HJ衛星時序影像進行作物分類的可行性。李穎等[5]通過MODIS的NDVI產品的時相特征和TM影像的光譜特征相結合利用最大似然法監督分類提取出來冬小麥。雖然衛星遙感技術在地物提取上已經成熟，但其存在易受天氣狀況影響、實時性低、時空分辨率不匹配等問題，常常難以滿足地物田塊尺度的提取需求，達到為精準施肥用藥提供基礎數據的目的[6、7]。無人機遙感技術具有快捷、實時、高效的優勢，彌補了衛星遙感的缺點，且高時空分辨率增強了地物的光譜、紋理、幾何特征，使實時獲取農田信息成為可能。目前，在地物識別分類應用上，無人機平臺搭載數碼相機實現農田種植信息提取較為廣泛。Gnadinger等[8]利用無人機可見光影像進行圖像分析，通過閾值分割法實現了識別玉米苗，為精確表型提供了新機遇。Mitch Bryson等[9]提過了一種低空無人機可見光數據提取植被顏色和紋理特征用于進行大規模地形分類的方法，并在澳大利亞大面積農田的“除草”任務中得到驗證。韓文霆等[10]通過分析無人機可見光影像中5類地物的紋理特征，篩選單個分類特征和組合分層分類特征，最終實現玉米種植信息提取。戴建國等[11]通過無人機遙感獲取可見光影像，基于色彩空間轉換和紋理濾波優選特征分類模型，并結合人工分類結果實現了作物精細化分類。這些研究都是基于可見光波段識別地物類型，光譜信息較少，提取過程較為復雜，相比于可見光影像，多光譜傳感器包含了更多的光譜信息，監測技術更有優勢。GARCIA-RUIZ等[12]基于無人機平臺搭載多波段傳感器獲取光譜反射率數據，通過逐步回歸分析實現了對柑橘黃龍病的識別檢測。戴建國等[13]利用無人機多光譜影像獲取倒伏和正常棉花的光譜反射率數據，建立了棉花倒伏災害監測最佳模型。崔美娜等[14]基于無人機多光譜影像構造了20種光譜指數的特征因子，建立棉田螨害識別的logistic回歸監測模型。【本研究切入點】目前農田信息獲取時效性不足，難于及時掌握農情基本信息，利用無人機多光譜遙感進行識別地物的研究主要集中在對單一地物的識別，對于同一區域的多種地物及針對大棚、果樹進行區分研究較少。研究基于無人機多光譜影像進行地物識別。【擬解決的關鍵問題】利用無人機多光譜遙感影像結合目視解譯，分析不同地物的時相與光譜特征，構建分類特征的決策樹分類法，分別對研究區小麥、果樹、大棚的農田信息進行提取及精度驗證，獲得一種實時提取不同地物類型信息的方法，為無人機多光譜遙感在地物類型分類上提供參考。

1 材料與方法

1.1 材 料

研究區位于中國水利水電科學研究院大興試驗基地東南方向1 km處(39°37.25′N，116°25.51′E)。該區屬于溫帶半干旱大陸性季風氣候，多年平均氣溫為12.1℃，多年平均風速為1.2 m/s，全年平均相對濕度為52%，全年日照時數為2 502 h，全年大于10℃的有效積溫為4 730℃，日平均太陽凈輻射為171W/m2，光熱時間長、熱量充足。全年無霜期平均為185 d，多年年均蒸發量為1 021 mm，土壤類型以砂壤土為主，適合多種作物生長，種植作物類型為果樹、小麥等作物。圖1

圖1 研究區影像
Fig.1 Map of research area

影像數據于2018年5月24日、2018年6月12日獲取，共進行2次數據采集，飛行平臺為經緯M600六旋翼無人機，該凈重約為4 kg，最大載重為5 kg，最大續航時間為15 min。傳感器采用RedEdge(MicaSense，USA)多光譜相機，該傳感器包含藍光、綠光、紅光、紅邊、近紅外共5個光譜通道，圖像分辨率為1280像素×960像素，配備GPS、光強傳感器和一塊30 cm×30 cm的灰板。拍攝當天，天氣晴好，地面風速小于3級，適于航拍。試驗設計飛行航高100 m，航線7條，航向重疊度80%，旁向重疊度75%，飛行速度為5 m/s，航拍獲取區域及附近地區1 295幅圖片。表1

表1 RedEdge-M相機參數及灰板對其中心波長的反射率Table 1 RedEdge-M Camera Parameters and Reflectivity of Gray Plate to Its Central Wavelength

1.2 方 法

1.2.1 數據預處理

試驗區航拍圖片通過Pix4Dmapper軟件進行拼接，利用飛行POS數據尋找同名點，建立點云模型，橢球模型為WGS1984，投影方式為UTMzone45N，自動校準影像最后生成正射影像圖和反射率影像圖。研究選取了航線規劃中代表性區域作為感興趣區域。感興趣影像面積約2 762 m2，以TIFF格式存儲Blue、Green、Red、Red_edge和Nir的信息，每個通道包含16bit信息，像元分辨率為6.82 cm。通過目視解譯確定感興趣區域中果樹、小麥、大棚和其他地物的圖像。

1.2.2 植被指數計算

決策樹分類法作為提取作物種植信息的一種方法，具有方便快捷、效率高的特點，被廣泛應用于2到3種作物分類。遙感指數廣泛應用于分類制圖，選取4種植被指數，分別為歸一化植被指數NDVI、歸一化差異綠度植被指數NDGI、歸一化綠藍差異指數NGBDI、修正型比值植被指數MSR[15-18]。通過5個波段反射率和4個植被指數組成9種指標作為光譜變量，利用ENVI中Band math工具實現閾值法分類。表2

表2 植被指數計算公式Table 2 Formula for calculating vegetation index

2 結果與分析

2.1 不同地物特征

2.1.1 時相與光譜特征

2景影像中，小麥從灌漿期、成熟期至收獲，果樹一直處于長勢茂盛時期，大棚中作物長勢不一。由于無人機影像分辨率較高，需要將不同地物全部提取才可以與其他地物分離。根據不同地物時相特征，5月24日，小麥處于灌漿期，長勢較好，大棚中農作物長勢較好，而6月12日小麥收獲，果樹長勢茂盛。

利用ENVI軟件分析5月24日的影像中各種地物的光譜反射率，研究表明,對于大棚，在可見光波段明顯高于綠色植物，在近紅外和紅邊波段的反射率低于綠色植物；對于綠色植物，在近紅外波段有較強反射作用，而在藍光和紅光波段有吸收作用；小麥在紅邊波段反射率與其他地物差異明顯，果樹在近紅外波段與其他地物差異明顯。根據這些光譜差異構建植被指數來提取不同地物。圖2

圖2 不同地物的光譜反射率變化
Fig.2 Spectral Reflectivity Variation of Different Ground Objects

2.1.2 光譜變量

利用Origin軟件獲得地物在植被指數類型下的箱體圖，研究表明,大棚與小麥、果樹和裸地在NGBDI指數方面差異比較明顯，大棚閾值中的高值與裸地有部分交叉，而在其他指標方面差異較小，可知歸一化綠藍差異指數NGBDI能夠將大棚提取出。小麥與大棚、裸地在很多指標差異都比較明顯，與果樹差異僅在紅邊波段差異比較明顯，根據紅邊波段能夠從中提取小麥，由于小麥的紅邊反射率較低，地物的陰影部分紅邊波段反射率也較低，可能會對分類造成誤分，從數值上看選取修正型比值植被指數MSR更容易將陰影部分剔除掉，可知結合紅邊波段反射率和MSR指數能夠將小麥提取出來。果樹與大棚、裸地在這10種指標中差異明顯，但與小麥均不明顯，依據5月24日這一日的影像是提取不出果樹的，需要根據不同時期的作物物候特征將果樹提取出來。6月12日影像中，小麥地塊收獲，果樹在這期間生長茂盛，研究NDVI是監測植被生長狀態的最佳指示因子[19]，將NDVI作為6月12日影像中提取果樹的指標。圖3

圖3 不同地物在植被指數類型下的箱體
Fig.3 Box Maps of Different Ground Objects under Vegetation Index Types

2.2 分類規則

2.2.1 大棚的提取

大棚與裸地在藍光與綠光波段都表現出較好的可分離性，大棚的建設會整體提高地表的反射率，藍光波段對大棚具有最好的敏感性。通過給5月24日影像的NGBDI設定一個閾值A1，可以把大棚與小麥、果樹及其他地物分離開來，經過多次試驗，最終確定A1<0.12，從而成功提取大棚的區域面積。

2.2.2 小麥的提取

根據前面的分析，5月24日影像小麥處于灌漿期，在紅邊波段反射率整體比其他地物低，通過給5月24日影像的Rrededge設定一個閾值B1，可以把大棚、果樹及其他地物去除掉，反復試驗后確定B1<0.1。但里面還混有地物的陰影部分，陰影部分與綠色植被在MSR差異顯著，所以通過給5月24日影像的MSR設定一個閾值C1可以將混雜的陰影部分剔除掉，從而成功提取小麥的種植面積，反復嘗試后確定C1>6。

2.2.3 果樹的提取

6月12日影像中小麥收獲地塊為裸地，果樹的NDVI值達到一個相對較高的值，通過給6月12日影像的NDVI設定一個閾值D1，可以把果樹成功與其他地物分開，反復嘗試后確定NDVI>0.78。

根據所建立的分類規則，基于時相和光譜特征的決策樹地物分類流程。IDL軟件將3張分類圖合成最終地物分類圖。圖4

圖4 地物分類流程
Fig.4 Flow charts for classification of land features

2.3 提取結果

研究使用目視解譯結果與基于時相和光譜特征提取的結果對比分析作為結果驗證，以目視解譯的實測值檢驗分類精度。在無人多光譜影像中，小麥呈現淺綠色，存在明顯的條帶狀；果樹呈現深綠色，覆蓋面大；大棚在色彩方面主要呈現透明色，單一但不均勻，亮度值較高。目視解譯結果圖使用ArcGIS10.2軟件根據地面調查數據對多光譜影像中的小麥、果樹、大棚進行矢量化得到結果，并統計各類地物的區域面積。通過分析2景影像的時相特征和各類地物的光譜特征，最終選定了歸一化植被指數NDVI、歸一化綠藍差異指數NGBDI、修正型比值植被指數MSR和紅邊波段反射率作為分類特征進行提取各類地物，區域內小麥種植面積占比較大，大棚呈現條狀分布，果樹種植區域連片狀分布。圖5

圖5 分類結果對比
Fig.5 Classification Result Contrast Map

2.4 誤差分析

研究表明,根據時相和光譜特征提取感興趣區域中3種地物的空間分布位置與目視解譯結果基本相同，分別統計了不同地物的實測面積和提取面積，并進行精度評價，可知小麥、果樹和大棚的實測面積分別為1 031、425 和668 m2，基于時相和光譜特征提取的3種地物類型面積分別為920.88、399.22和557.89 m2。從誤差值來看，3種地物基于時相與光譜特征提取結果的誤差值分別為10.68%、6.06%和16.48%，該方法的總體分類效果較好，基于以上的試驗結果，認為基于時相與光譜特征的決策樹分類法能夠適用于無人機多光譜影像地物信息的提取，閾值容易確定，分類方法方便快捷，分類精度高。圖5，表3

表3 提取的結果與誤差Table 3 Results and Errors of Extraction

3 討 論

從時相與光譜特征分析后的3種地物分類結果可以看出，利用無人機搭載多光譜相機獲取的影像對于地物識別和面積提取具有較高精度，研究使用的六旋翼無人機方便快捷，在農田地物調查具有獨特的優勢。雖然能夠利用不同物候期的作物根據影像中的光譜特征進行精確地物識別，但該方法仍存在一些不足：(1)無人機飛行高度低，影像的像元分辨率較高，且續航時間有限制，對于更大區域的作物識別還存在一定的問題，信息獲取速度以及識別精度受到一定限制；(2)基于時相與光譜特征的決策樹分類法進行地物識別是一種基于像元的分類方法，異物同譜的現象仍然存在，且是否需要降低無人機高分辨率數據進行精細化分類來滿足實際需要，也需要進一步探討。

4 結 論

針對無人機多光譜遙感影像的特點，首先根據目視解譯確定了感興趣區域中地物類型；其次基于時相與光譜特征的決策樹分類法，在多種植被指數和光譜波段中選取了歸一化植被指數NDVI、歸一化綠藍差異指數NGBDI、修正型比值植被指數MSR和紅邊波段反射率可以作為3種地物分類的最優特征，反復試驗進行閾值劃分和作物分類；最后利用目視解譯結果和基于時相與光譜特征提取的分類結果進行對比，利用區域面積檢驗分類精度。紅邊波段能夠有效的區分不同物候期的綠色植被，利用時相與光譜特征提取的分類結果可有效對3種地物進行提取，從分類精度來看，小麥、果樹和大棚3種地物提取結果的誤差分別為10.68%、6.06%和16.48%，總體精度可達83%以上。基于典型作物的特征參數閾值分割法在無人機多光譜影像信息的提取中具有較好的適用性。