基于無人機多光譜影像的蔬菜種植監測技術研究

田明璐,班松濤,袁 濤,王彥宇,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,咸陽712100)

保障蔬菜的有效供給是一項重要的民生任務[1]。 準確掌握各種蔬菜的種植信息(位置、種類、面積等),對蔬菜的生產和銷售有著重要的意義[2]。 隨著技術的發展,遙感已成為精準農業中農田信息獲取的重要手段,也是地塊面積量算、 作物種類識別及長勢分析等工作的重要數據來源[3]。 梁建平等[4]使用同年內三個鄰近月份的高分1 號和RapidEye 遙感影像對北京大興區秋季菜田進行自動提取,得到了該區內蔬菜種植面積和空間分布信息,精度達到90.65%;黃振國等[5]利用HJ-1 衛星影像,通過分析主要地物的光譜特征,并結合研究區背景資料和專家知識對影像進行分類,提取了山東壽光市大棚菜地信息,總精度為92.01%。

蔬菜的生長周期較短,種植地塊面積一般較小。 同一區域內種植的蔬菜種類常呈現出多樣化的特點,而不同種類的蔬菜往往只有在近距離觀察時才能準確區分。 傳統衛星遙感的空間分辨率和時間分辨率難以滿足蔬菜種植監測的要求。 無人機遙感屬于低空遙感技術,在獲取影像過程中不受大氣因素的干擾,具有成本低、操作簡單、獲取影像速度快、地面分辨率高等優勢[6-7],在小區域農田遙感方面有著廣闊的應用前景[8-11]。 但無人機遙感影像超高的空間分辨率也給農作物種植監測帶來一定挑戰,主要體現在高分辨率影像地物的圖像紋理細節豐富,同一類地物內部不同組成部分的光譜特征往往表現出較大差異,給計算機自動分類處理造成較大困難[8,12-13]。 本研究使用無人機平臺搭載多光譜傳感器獲取蔬菜地塊的高分辨率多光譜遙感影像,采用多種影像分類方法對其進行處理和分析,旨在探究無人機遙感影像上蔬菜種類自動分類的最優方法,為蔬菜長勢監測和種植區劃、預測蔬菜產量和價格等提供參考。

1 材料與方法

1.1 研究區概況

研究區位于上海市閔行區浦江鎮正義村正義蔬菜園藝場,坐標為121°30′56.21″E,31°0′27.76″N,屬北亞熱帶海洋性季風氣候,四季分明。 歷年年平均氣溫14.9—16.4 ℃,降水量1 062 mm,日照1 994.6 h,無霜期230 d。

1.2 數據獲取與處理

1.2.1 地面調查

調查各個露天地塊的蔬菜種類、位置和邊界,繪制調查示意圖,作為后期無人機影像目視解譯的依據。

1.2.2 無人機多光譜影像獲取

無人機為DJI Inspire 1 四旋翼無人機,軸距55.9 cm,最大起飛重量3.5 kg,最大飛行時間18 min。 搭載的多光譜傳感器為5 通道的Micasense RedEdge 多光譜成像儀,具體參數見表1。 儀器配備日光照度計和GPS 模塊,用于實時記錄太陽輻射值和所拍攝影像的中心坐標。 拍攝前使用反射率為50%的參考版進行輻射校正。

2017 年11 月2 日進行無人機多光譜遙感影像獲取。 無人機飛行高度50 m,飛行速度3 m∕s,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3.3 cm∕pixel。

表1 Micasense RedEdge 多光譜成像儀主要參數Table 1 Key parameters of Micasense RedEdge multispectral imager

1.2.3 數據影像處理

使用Pix4Dmapper 軟件,對獲取的多光譜影像進行處理,得到監測區域完整的多光譜正射影像(圖1)。 通過目視解譯提取露天菜地地塊(圖2)。 利用ENVI 5 .1 軟件ROI(Region of interest,感興趣區)工具結合目視解譯在圖上分別選取大白菜ROI 共50 個樣本,花菜ROI 共40 個樣本,卷心菜ROI 共80 個樣本,青菜ROI 共25 個樣本。 像元的平均光譜作為此ROI 的光譜值。 各類蔬菜在影像上典型的ROI 如圖3 所示。

1.3 蔬菜分類提取方法

蔬菜種植信息中一個重要的內容是確定每一類蔬菜分布的位置和范圍。 本研究分別使用最小距離法、最大似然法、馬氏距離法、波譜角填圖法和面向對象法對影像進行分類,提取蔬菜種植信息,并對比不同方法的分類精度。 最小距離法、最大似然法、馬氏距離法、波譜角填圖法均是基于像元的遙感影像分類方法,即通過一定規則將具有相似光譜特征的像元劃歸到相應的類別[14-15]。 面向對象分類技術是將臨近的像元集合以識別感興趣的要素。 面向對象的信息提取和分類過程所處理的不再是單個像元,而是影像分割后所形成的對象。 主要過程分成兩部分:(1)影像對象構建和對象的分類。 采用基于分水嶺變換的多尺度分割算法對影像進行分割,對分割之后的影像依據空間異質性原理進行合并,得到影像分類對象,計算對象的空間、紋理和光譜信息;(2)使用基于知識規則、支持向量機等分類算法,根據影像的空間、紋理和光譜等信息對其進行分類,以高精度的分類結果或者矢量輸出[15-16]。

1.4 精度檢驗

使用混淆矩陣對分類結果進行精度檢驗。 取制圖精度、用戶精度、總分類精度和Kappa 系數作為衡量分類精度的指標。 其中制圖精度、用戶精度和分類精度越接近100%,分類精度越高[17]。 Kappa 表示分類結果與真實類別之間的一致性,取值范圍為[-1,1],一般分類后計算得到的Kappa 值范圍在0—1,0.0—0.20 表示一致性程度極低;0.21—0.40 表示一致性一般;0.41—0.60 表示一致性中等;0.61—0.80表示一致性較高;0.81—1 表示分類結果與實際情況幾乎完全一致[18]。

2. 結果與分析

2.1 不同蔬菜光譜特征分析

由圖4 可知,大白菜、花菜和青菜在5 個波段上的反射率分布區間有著較大程度的重合,區分度不高;在藍、綠、紅三個波段上,卷心菜的光譜反射率分布比其他3 種蔬菜高;在紅邊和近紅外波段上,4 種蔬菜的反射率分布區間重合范圍較大。

由表2 可知,在藍波段上,大白菜和花菜、青菜和花菜的反射率差異不顯著,其他蔬菜之間有顯著差異;在綠波段上,青菜和花菜之間沒有顯著差異,其他蔬菜之間有顯著差異;在紅波段上,只有卷心菜與其他蔬菜差異顯著,大白菜、花菜和青菜之間沒有顯著差異;在紅邊波段上,卷心菜和花菜之間差異顯著,青菜和大白菜、卷心菜差異顯著,其他蔬菜之間無顯著差異;近紅外波段上,卷心菜和大白菜、青菜與其他蔬菜之間有顯著差異,其他各類蔬菜間無顯著差異。

表2 各類型蔬菜多光譜各波段反射率多重方差分析Table 2 Multiple variance analysis of the reflectance at each band between the vegetable species

綜上,各類蔬菜在不同波段上的反射率區間既有重合,也有不同程度的差異,說明多光譜影像上不同類型的蔬菜具有可分性。

2.2 基于像元的蔬菜種植分類

由圖5 可知,基于像元的分類方法均存在較為明顯的分類錯誤,分類結果圖存在較嚴重的“椒鹽現象”,不同種類的蔬菜出現了交織混雜的情況,不符合蔬菜種植地塊分布的實際情況。 由表3 可知,四種基于像元的分類方法分類結果精度都偏低,精度較高的最大似然法和馬氏距離法分類總精度也不超過60%。 Kappa 系數均小于0.5,表明分類結果與實際蔬菜種類有著很大的誤差。 因此,基于像元的監督分類方法無法有效對無人機多光譜影像上的各類蔬菜種植信息進行分類提取。

表3 基于像元的蔬菜分類結果精度評價Table 3 Accuracy assessment of the vegetable classification results based on pixel

2.3 面向對象的蔬菜種植分類

在ENVI5.1 中,使用基于實例的面向對象分類法對研究區無人機多光譜影像上的各類蔬菜進行分類。 經過反復測試,圖像分割選擇邊緣檢測算法(Edge),閾值設為55.2,對影像上的地物進行分割,形成單個對象;合并選擇Full Lambda Schedule 算法,閾值設為99.3,將相鄰的、具有相似光譜、紋理和幾何特征的對象合并、融合成為更完整的對象,效果如圖6 所示。 對象劃分完成后,根據目視解譯選取較為典型的對象作為訓練集,使用最鄰近算法對各類蔬菜進行自動分類,閾值參數設置為5,鄰近值設置為1,結果如圖7 所示。 與基于像元的分類結果相比,面向對象分類結果各個蔬菜類別內部一致性較好,錯分和漏分的情況較少;不同種類蔬菜地塊邊界明晰,與各類蔬菜的真實分布最為接近,具有很好的分類效果。 由表4 所知,其制圖精度、用戶精度和總精度均大于90%,Kappa 系數＞0.9,表明面向對象蔬菜分類結果與實際情況幾乎完全一致,具有很高的分類精度。

表4 面向對象分類結果精度檢驗Table 4 Accuracy test of object oriented classification results

2.4 蔬菜種植信息統計

分別對目視解譯分類結果和面向對象分類結果種植蔬菜面積統計,結果如表5 所示。 總體而言,研究區內,卷心菜種植面積最大,占總面積50%以上;其次是大白菜,種植面積大于26%;花菜和青菜種植面積較小,占比約為12%和7%。

表5 各類蔬菜種植面積統計Table 5 Area statistics of each vegetable species

3. 討論

通過比較分類精度可知,面向對象分類方法在蔬菜無人機多光譜遙感影像上的分類效果明顯優于基于像元的分類方法。 這主要是由于低空無人機遙感影像具有超高的空間分辨率(圖3),同類蔬菜不同部位像元的光譜特征的內部差異甚至超過了不同蔬菜之間的差異,導致基于像元的分類方法出現分類錯誤以及嚴重的椒鹽現象。 吳金勝等[19]、梁林林等[20]在使用無人機遙感影像進行研究時也都遇到了類似的情況,且都采用了面向對象分類的提取技術。 在本研究中,面向對象分類方法通過對圖像進行分割和合并,將具有相似空間和紋理特征的蔬菜作為一個整體的對象進行分析,再結合訓練樣本的光譜特征,實現了對蔬菜的準確分類。

已有的研究表明,在基于高分辨遙感影像統計農作物種植面積時,通過目視解譯的分類統計一般比較符合常規的面積統計習慣[19];但通過遙感影像自動分類得到的農作物種植區域往往更符合實際分布[21],其面積統計結果在作物產量評估上具有更高的參考價值[22]。 使用高分辨率無人機遙感影像對蔬菜種植信息提取也同樣適用這一情況。 本研究中,基于ROI 檢驗時精度較高,基于目視解譯結果進行檢驗時精度略低。 這主要是由于ROI 選取的蔬菜地塊和面向對象分類結果中分類得到的蔬菜地塊基本都是純蔬菜覆蓋區域,符合度較高;而實際地塊中,尤其是大白菜地塊中不同壟之間存在裸地,這部分在目視解譯分類中也被包含進蔬菜地塊中,因此與面向對象分類得到的地塊范圍差異稍大。

綜上,使用無人機遙感結合面向對象分類技術,可以對蔬菜種植區的蔬菜種類、空間分布和種植面積等信息進行高精度、自動化的監測,為種植規劃、產量估算等實際生產需求提供數據支持。