利用無人機遙感監測農作物種植面積

任澤茜,丁麗霞1,2,，劉麗娟1,2,，謝錦瑩2,，敖伊潁,張繼艷,何嘉瑩

(1.浙江農林大學省部共建亞熱帶森林培育國家重點實驗室,浙江 杭州 311300; 2.浙江農林大學浙江省森林生態系統碳循環與固碳減排重點實驗室,浙江 杭州 311300; 3.浙江農林大學環境與資源學院,浙江 杭州 311300)

隨著中國農業普查和精準農業的發展，我國迫切需要實現農作物面積快速精準監測，而高分辨率圖像可以提供豐富的地表信息[1-5]。例如，圖像中地物的尺寸、形狀及鄰近地物之間的關系能夠得到有效反映；不同地物的紋理特征更加豐富；同一地物內要素的各項細節信息得到表征，可用于精細農業規劃、資源調查監測等各個領域。無人機遙感技術憑借靈活性強、周期短、成本低、操作簡單等優點成為目前高分辨率遙感數據獲取的重要手段[6-9]，是目前農業監測的研究熱點和未來發展趨勢。

農作物種植面積遙感監測已在農業和統計等部門得到了廣泛的應用。中、低分辨率遙感數據用于全球、全國、全省等大區域范圍的小麥、水稻、玉米等作物面積監測。近年來，隨著高空間分辨率遙感數據獲取成本的降低，已有許多高分遙感數據監測小麥、玉米、大豆等農作物種植面積的成功案例[10-11]。這些研究大多是針對單一作物大面積耕種的北方地區進行的試驗研究[15-16],而針對南方破碎地塊的農作物種植面積的遙感監測卻很少。我國南方地區具有耕地破碎、農作物種植品種多樣且空間分布混雜等特點，使得利用中、低空間分辨率遙感技術精確監測各種作物面積十分困難。國家農業普查項目于2016年啟動，全面利用高分遙感數據監測農作物面積。目前，無人機遙感測量農作物面積試點工作已在很多地方開展，但其僅將無人機航拍數據作為影像地圖使用，結合PDA現場測繪與登記實現農作物面積測量，這種工作流程耗時、費工，效率較低，并未充分利用遙感自動分類技術提取農作物面積。

為充分發揮無人機遙感數據高分辨率的優勢，提高農作物面積監測效率,本文以杭州市余杭區瓶窯鎮為研究區域，挖掘無人機航拍數據的光譜信息、紋理信息、耕地形狀信息，運用面向對象的多尺度分割方法融合特征提取與隨機森林法，獲取農作物空間分布及面積信息，為農作物種植面積的精確遙感監測探索一套可行的方法，以推進無人機遙感在農業方面的深入應用。

1 研究區概況與數據

1.1 研究區概況

本文以杭州市余杭區瓶窯鎮局部區域作為研究區(如圖1所示)，瓶窯為余杭區水稻機插高產示范區，研究區內農作物種植品種多樣且空間分布混雜，主要包括水稻、玉米、大棚西瓜、蔬菜等。此外，研究區還有休耕地、水體、道路、建筑、樹木等土地覆蓋類型(見表1)。

圖1 試驗區位置

1.2 研究數據

研究區影像為無人機遙感影像(R、G、B波段)，成像于2016年夏季，面積約164.882 9萬m2，幾何校正誤差控制在2 cm，像元大小為0.2 m×0.2 m。

根據野外實地考察，在面向對象最優分割尺度的分割結果圖上目視解譯，每種地類隨機選取一定數量的典型樣本，形成訓練樣本集合。樣本選擇在ArcGIS軟件操作完成，各類型樣本數目見表1。

表1 樣本類型與數量

2 研究方法

本文將基于最優尺度分割結果結合目視判讀選擇訓練樣本，提取特征變量，建立隨機森林預測模型，實施農作物種植品種分類，結合GIS技術提取空間分布信息，并與傳統的最大似然法作比較。

2.1 圖像分割

無人機遙感的高空間分辨率在提高目視效果的同時，增加了同類地物內部的紋理復雜程度，不利于分類，而面向圖像分割則能克服這一問題。本文采用多尺度分割算法對影像分割后再分類。多尺度分割算法是一種自下而上，通過合并相鄰的像素或小的分割對象，在保證對象與對象之間異質性最小、對象內部像元之間同質性最大的前提下，基于區域合并技術實現影像分割的方法。分割效果的好壞成為決定遙感圖像分類的關鍵因素之一，它對提取對象特征、目標分類都具有重要影響[17-20]。

本文利用eCognition軟件處理與實現多尺度分割。分割參數包括尺度、形狀、光譜，以及緊致度、平滑度的權重。確定合適的分割尺度、形狀權重及緊致度權重，是面向對象圖像分割非常重要的環節，若分割參數選擇不當，就會出現地類混合在一起的情況，導致分類精度降低。本文研究區域以農作物為主，農作物的光譜特征在綠色作物信息提取中具有重要的作用，但是南方耕地各地塊具有明顯形狀特征，因此綜合考慮農作物的光譜特征及地物的形狀特征，定義形狀權重參數為0.5，即光譜權重為0.5。根據文獻[21]的研究結論，平滑權重較高，分割后的對象邊界較平滑；反之，若緊致度權重較高，則分割后對象形狀較為緊密，且接近矩形。本文研究區耕地地塊緊密分布，排列整齊，因而將緊致度權重設為0.6。文獻[17]證明了平均全局評分最低的分割尺度，是加權方差與空間自相關的最低組合，可被定義為最優分割尺度。故本文分割尺度范圍為[20,100]，以10為步長，對多尺度分割的9個結果分別導出每個對象的光譜均值，利用平均全局評分評價出最優分割尺度。

2.2 影像特征提取

遙感影像特征的提取能夠充分利用圖像的光譜與紋理信息，是提高圖像分類精度的重要途徑[22]。本文基于分割后的影像對象提取光譜、形狀及紋理特征參數作為隨機森林分類的變量。

光譜特征變量主要分為兩部分，一是基礎的光譜變量，即各個波段均值和標準差；二是由原始波段運算得到的植被指數。本文研究數據只有紅(R)、綠(G)、藍(B)波段，故在農作物監測分類中多基于上述波段構建特征變量，如可見光抗大氣指數VARI，綠色植被可見光抗大氣指數VARIgreen及差值植被指數EXG等(見表2)。其中，根據文獻[23]的研究，基于R、G、B 3個波段的綠色植被抗大氣指數VARI能夠突出農作物的綠色光譜特征，為農作物監測提供重要信息。

表2 基于R、G、B 3波段的植被指數

基于統計描述的灰度共生矩陣(GLCM)被證明在植被分類中發揮著重要作用[25-26]，本文利用灰度共生矩陣得到的同質性(GLCM Homogeneity)、灰度共生矩陣中值(GLCM Mean)、灰度共生矩陣標準方差(GLCM StdDev)參數提取對象的紋理信息。耕地地塊幾何特征較規則，形狀參數有利于識別農作物地塊。本文選取邊界指數(border index)、真圓度(roundness)、形狀指數(shape index)、多邊形最長邊長度(length of longest edge)、距離(Distance)、坐標(coordinate)等幾何參數用作分類變量。

2.3 隨機森林分類法

面向對象的隨機森林分類的最小單元不再是單個像素，而是“同質”對象(圖斑)。基于面向對象最優分割后的圖像，對遙感影像的光譜、形狀與紋理特征進行融合，進而運用隨機森林分類器實現面向對象的地理要素自動分類[27]。

3 研究結果

3.1 圖像分割結果

圖2所示為3個不同分割尺度的結果，可以看出，同一區域分割尺度較低時，地塊過于破碎，不利于分類，且直接影響運算速度；而隨著分割尺度的增加，分割對象的數量越來越少，分割不夠完整，存在一個碎片對象包含了多種地物的現象。因此，在多尺度分割中，最優分割結果能夠相對兼顧研究區各種農作物地塊的局部細節及空間幾何分布特征。

圖2 最優分割尺度全局評分

圖3所示為所有多尺度分割的平均全局評分，可知分割尺度為60的圖像分割具有最低的平均全局評分0.815，且其在紅波段、綠波段、藍波段的平均全局評分也是最低的。這表明分割尺度為60時，對象內部同質性最大，對象間的差異性最大，因此本文將其定義為最優分割尺度。不同尺度的分割結果如圖4所示。

圖3 多尺度分割的全局評分

圖4 研究區局部不同尺度的分割結果

3.2 分類結果

最大似然法對研究區分類的結果如圖5(a)所示。本文將訓練樣本的光譜特征、紋理特征、幾何特征等特征值作為變量，由數據挖掘工具Weka軟件運行隨機森林分類方法(如圖5(b)所示)，建立分類預測模型，隨機森林法樹的數目為100棵，交叉驗證10次，預測分類總體精度達到92.79%，Kappa系數為0.918 4，模型可用于進行預測分類。將整個研究區分割對象的特征參數作為變量，輸入預測模型，輸出分類結果如圖6所示。研究區屬于水稻高產園區，面積比例最大的農作物為水稻，大棚西瓜和玉米次之，水稻和大棚西瓜多集中連片種植，玉米在該研究區僅有一塊地塊種植，菜園較分散，還有部分休閑耕地。

圖5 最大似然分類與隨機森林分類對比

圖6 基于隨機森林模型的分類結果

3.3 精度評價

本文采用分層隨機抽樣的方法對分類結果精度進行評價，以結果圖每類作為一層，每層創建隨機點30個，共計390個，通過目視解譯隨機點得到混淆矩陣與精度評價結果(見表3)。面向對象最優分割結合隨機森林分類總體精度達到88.46%，Kappa系數為0.880 3。就農作物分類而言，玉米的制圖精度最高，達到100%，分類結果最好；水稻、蔬菜次之(蔬菜包括毛豆、秋葵、豇豆等作物)；制圖精度較差的為西瓜和樹木。

表3 基于最優尺度分割和隨機森林模型分類結果的混淆矩陣和精度評價

在ENVI軟件中利用傳統的最大似然法分類所得總體精度為67.774 7%，Kappa系數為0.640 5，精度較低。從圖6可以看出，最大似然分類結果椒鹽現象較嚴重，而結合了面向對象的隨機森林分類方法基本沒有椒鹽現象。

3.4 農作物種植面積監測

利用ArcMap10.2軟件，結合目視判讀，對隨機森林分類結果中的農作物地塊(水稻、蔬菜、西瓜、玉米、休耕地)進行修正并矢量化(如圖7所示)，獲取各類型農作物精確面積，與隨機森林分類結果進行比較，評價農作物面積監測精度，見表4。

圖7 實際農作物地塊矢量圖

根據表4可知，各地類面積誤差都較小，其中面積誤差最大的作物為蔬菜，也只有1.11%，其余都小于1%。

表4 瓶窯鎮局部區域分類面積與實際面積對比

4 討 論

4.1 基于面向對象分割對分類結果的影響

無人機遙感圖像分辨率較高，目視判讀效果很好，但同時也增加了同類地物內部的異質性。運用傳統的基于像元分類的最大似然法分類結果不佳，椒鹽現象嚴重[28]。而利用面向對象分割則解決了該問題。本文將面向對象分割的結果用于隨機森林分類，取得了很好的分類效果。對于高分辨率的無人機遙感圖像，最優尺度的圖像分割是保障高精度分類的基礎。

4.2 隨機森林模型對分類結果的影響

本文所用無人機影像只有3個通道，波段較少，是植被分類的不利因素。為了彌補這種缺陷，本文引入了植被指數，并充分利用高分辨率遙感影像紋理特征與幾何特征信息豐富的優勢，基于最優分割對象單元，融合多種特征數據，有效地保障了隨機森林預測模型的建立，并在地塊破碎、作物類型混雜的情況下取得了較高的分類精度。這說明基于面向對象分割，結合了特征參數融合的隨機森林法適用于無人機高分辨率影像的南方農作物分類。

西瓜制圖精度較低，主要是由于西瓜多培植于大棚內，而灰白色大棚與高速公路光譜特征相似，分類時導致兩者易混淆，難以區分。因此，應加強其形狀與紋理特征的比例或數量，大棚與高速公路具有較大的形狀與紋理的差異。而遙感影像圖中的樹木由于涵蓋各類型樹種，混雜分布，紋理特征復雜多樣，導致制圖精度最低。這可能是由于選取的訓練樣本沒有充分代表各類樹種的特征，可以考慮選取足夠的典型標志樣本。

5 結 論

由于南方耕地具有地塊破碎、農作物種植品種多且空間分布混雜程度高的特點，利用傳統遙感方法高精度獲取農作物品種難度較大。本文利用無人機航拍數據，基于面向對象的多尺度分割方法與隨機森林法相結合對農作物分類。結果表明：

(1)本文運用面向對象的圖像分割方法對航拍數據進行多尺度分割，并基于平均全局評分法定量評價最優分割尺度為60，充分考慮了多尺度分割對象的對象內部的同質性和對象間的異質性，克服了主觀評價最優尺度的缺點。

(2)特征數據融合充分利用高分辨率遙感數據的光譜信息、紋理信息、地物幾何信息等特征信息，對提高分類精度十分有利。

(3)將面向對象分割結果與特征信息融合后，運用隨機森林法的農作物分類精度達到88.46%，且克服了傳統分類方法中圖斑凌亂、地物混雜的缺點。

(4)無人機遙感監測農作物面積精度高。水稻是本文研究區的主要農作物，結合最優分割尺度與隨機森林方法后得出的種植面積精度最高，誤差僅為0.33%，因此，該方法能夠高效準確地對南方農作物種植面積進行監測。

本文方法對利用無人機航拍高分辨率遙感影像實現農作物分類快速精準監測，以及大范圍的無人機農作物遙感監測具有借鑒意義。