無人機可見光遙感和特征融合的小麥倒伏面積提取

趙 靜，潘方江，蘭玉彬，魯力群，曹佃龍，楊東建，溫昱婷

（1. 山東理工大學農業工程與食品科學學院，淄博 255000；2. 山東理工大學交通與車輛工程學院，淄博 255000；3. 山東理工大學國際精準農業航空應用技術研究中心，淄博 255000）

0 引 言

小麥是中國主要的糧食來源之一，其產量對中國糧食安全至關重要[1-2]。倒伏是小麥生產中常見的農業災害，是限制小麥高產的重要因素之一。倒伏往往造成小麥的群體結構發生改變，影響小麥的蛋白質合成和養分的轉運，對其品質及產量都會造成極大的影響[3-4]。及時準確地獲取小麥的倒伏情況是災情掌控和災后應急方案制定的關鍵所在[5-6]。

傳統方法的作物倒伏面積監測是地面人工測量，該方法費時費力，無法及時獲取田間作物倒伏數據[7-8]；無人機遙感具有時效性好、空間分辨率高等優點[9-10]，可較好的應用于農業災害應急監測等領域[11-12]。目前已有學者研究使用無人機進行農作物倒伏面積的遙感監測。董錦繪等[13]通過無人機搭載數碼相機獲取小麥倒伏圖像，使用最大似然等方法對單張影像進行分類獲取最優圖像，進行整幅影像拼接，利用監督分類進行倒伏面積提取，獲得了較好的分類效果；劉良云等[14]基于小麥倒伏后歸一化差值植被指數（NDVI）變化，成功預測了小麥倒伏程度，證明了基于光譜數據預測小麥倒伏的可行性。

目前這些方法主要使用單特征進行分類或倒伏面積提取，并未充分利用圖像的高程和指數等信息，將不同圖像特征進行融合可以保留圖像更多的細節信息，并增加其他特征，增強圖像特征差異性，提高分類精度。李廣等[15]基于無人機RGB影像提取小麥倒伏的兩個單特征，構建倒伏信息的綜合特征，結合K均值算法構建多時相倒伏面積提取方法，獲得了泛化能力較好的倒伏識別模型；張新樂等[16]通過完熟期玉米多光譜數據提取紋理信息、植被指數、光譜信息構建特征組合，并采用最大似然法進行玉米倒伏面積提取，延展了紋理特征在玉米倒伏面積提取中的應用；Chauhan等[17]通過多入射角的衛星數據，結合地面實測作物高度等數據，使用偏最小二乘法實現了對小麥倒伏程度的分類；Ursani等[18]通過高精度衛星數據將光譜和紋理信息進行融合，通過監督分類，更好的提高了土地利用總體分類準確性；李明喜等[19]通過小波變換和分形方法將蘋果樹多源圖像進行融合，提升了圖像的異質性，使得圖像更便于分析。

本研究通過將DSM圖像與RGB可見光圖像、DSM圖像與EXG指數圖像進行融合，并將這2種融合圖像與僅基于RGB可見光圖像和僅基于DSM圖像進行監督分類所提取的倒伏小麥面積相互對比，以期提供一種基于無人機遙感數據獲取小麥倒伏信息的方法。

1 材料與方法

1.1 研究區域概述

本試驗區位于淄博市臨淄區朱臺鎮（36°57′12″N，118°12′58″E）山東理工大學生態無人農場（圖1），海拔高度約27 m，以平原為主要地形，屬暖溫帶半濕潤大陸性季風氣候，年平均氣溫13.2 ℃左右，平均降雨量為650～800 mm，全年日照時數在2 100 h左右，適合小麥、玉米等作物的種植。

1.2 數據采集

2020年5月下旬淄博市臨淄區出現冰雹、大風等強對流天氣，導致農場內出現多處小麥倒伏。2020年5月30號，以小麥倒伏較多的區域作為試驗區域，使用無人機獲取小麥冠層可見光圖像。試驗采用大疆精靈4 RTK無人機，最大飛行速度16 m/s，最大飛行時間30 min，搭載相機型號為DJI FC6310R，采用1英寸CMOS傳感器，數據格式為.jpg的單通道可見光圖像，分辨率為5 472×3 684像素。數據獲取于當日10:00，天氣晴，航拍時無人機飛行高度30 m，飛行速度2 m/s，航向重疊度80%，旁向重疊度70%，相機曝光方式為定時曝光，共規劃6條航線，獲得原始圖像193張。同時使用手持差分測量儀（Real-time Kinematic，RTK）測得研究區面積為1.186 hm2，其中倒伏面積約為0.139 hm2，參照胡琪等[20]的倒伏分級方法，將植株高度小于50 cm的分作倒伏小麥，并隨機測量8個小麥種植小區，其中6個為倒伏小區，2個為非倒伏小區，每個小區為1.3 m×10 m，用來檢驗分類效果。

Pix4D mapper是一款全自動、快速、專業精度的無人機數據處理軟件。應用該軟件的圖像拼接功能對采集的圖像進行正射校正和圖像拼接[21]，首先進行航片對齊，并解算圖片的空中三角測量數據，然后進行幾何校正、關鍵點匹配、解算數據構建密集點云及紋理信息，最終獲取地面分辨率為每像素0.88 cm的數字表面模型[22]和數字正射影像（Digital Orthophoto Map，DOM）。

1.3 研究方法

1.3.1 小麥倒伏信息提取流程

利用無人機遙感圖像對倒伏小麥面積的提取過程如下：首先通過無人機航拍獲取小麥遙感信息，拼接航拍圖像，然后進行特征提取及掩膜處理，掩膜后圖像使用鑲嵌工具進行特征融合，通過低通濾波進行噪聲去除，選取訓練樣本和驗證樣本，通過監督分類進行小麥倒伏面積提取，最后利用混淆矩陣和Kappa系數進行模型精度評價。

1.3.2 小麥倒伏圖像特征提取及掩膜處理

DSM數據獲取的方法主要有2種，一種是通過激光雷達（Light Detection And Ranging，LiDAR）數據生成，該方法獲取的DSM圖像精度高，但需要額外搭載雷達傳感器進行測量；另一種是通過航測數據生成DSM圖像，該方法獲取的數據精度相對于LiDAR數據較低，但其同時也獲取了可見光影像，就目前來說具有更好的投入產出比，故本研究采用從航拍影像中獲取DSM圖像[23]。

使用Pix4D mapper拼接航拍數據時，選擇最低特征點匹配數為3，進行圖像自動校正后，進行點云空中三角測量，自動匹配控制點，然后將加密后數據合并為一個瓦片，最終獲取DSM柵格數據[24]。

過綠植被指數[25-26]可以較好的區分植被和土壤，常用來進行作物遙感監測，故使用ArcGIS 軟件創建柵格圖層功能提取圖像的單波段數據，并構建EXG指數如式（1）所示：

式中G可見光綠波段；B可見光藍波段；R可見光紅波段。

由于土壤背景的存在，使得研究區域引入土壤像元，出現土壤像元與小麥像元混雜現象，使得劃分的感興趣區域并非小麥純像元，影響分類精度。因此，通過掩膜處理去除土壤像元。在ArcGIS中使用重分類方法對EXG進行二值化，然后構建矢量掩膜文件，將掩膜文件與各圖像進行配準，使用柵格裁剪方式，保持圖像裁剪范圍，將麥田的土壤去除（圖2），以減少土壤對分類精度的影響。

1.3.3 小麥特征融合圖像構建

由于可見光圖像僅具有R、G、B3個波段，并無植被遙感其他常用波段，如近紅外、紅邊等波段，因此需要對數據進行特征數據組合或融合等操作，增加可用于區分倒伏冬小麥和正常冬小麥的特征數據[27-28]。

單特征參數提取小麥倒伏信息，要求倒伏小麥和正常小麥在該特征上存在明顯特征差異[29]，這通常需要對數據進行多次處理和優選，最優參數確定過程復雜，并且最終獲得的分類參數往往存在分類效果不理想等缺點；多特征融合可將不同特征進行融合，增強不同數據間的差異性，從而利于倒伏信息的提取，該方法操作簡單，不易受個人因素干擾。因此本研究采用圖像特征融合的方式進行倒伏小麥的提取。

小麥發生倒伏前后，植株相對高度存在明顯差異。DSM可較好的表達不同地物之間高程的差異[30]，適合于區分倒伏小麥與正常小麥，故將DSM用于小麥倒伏識別。本研究通過ArcGIS的校正工具對融合前的圖像進行位置校正，使得圖像對應位置像素相互匹配，并采用最鄰近算法對圖像進行重采樣，最后使用鑲嵌工具，選擇鑲嵌運算符，將DSM圖像分別與EXG指數圖像、RGB可見光圖像進行融合，探究使用監督分類對特征融合圖像進行小麥倒伏面積提取的效果。

由圖2可知，將裸地去除后的研究區域僅有倒伏小麥和正常小麥，故只需要將倒伏小麥從未倒伏小麥中分離出即可。使用ArcGIS中的濾波器工具，選擇低通濾波器將研究區域RGB可見光圖像、DSM圖像、DSM+RGB融合圖像以及DSM+EXG融合圖像進行濾波，降低圖像的椒鹽現象，將濾波后的圖像作為倒伏面積提取的最終圖像。

1.3.4 樣本與分類器選擇

隨機森林法（Random Forest，RF）[31]是目前常用的分類方法之一，該方法利用構建多棵決策樹對樣本進行訓練分類，最終預測可能的分類結果，該方法雖然實現簡單、數據適應性好，但模型訓練時間過長，面對特征較少的數據時可能存在分類效果較差等問題。最大似然分類法（Maximum Like-hood Classification，MLC）[32-33]，假定圖像的光譜數據符合正態分布，每一類地物均在其數軸上符合正態分布，根據已知數據構建各類地物的概率分布函數。該分類方法是一種基于貝葉斯法則的非線性分類方法，該方法實施簡單、錯誤率最小，廣泛應用于可見光數據的監督分類。因此本研究采用最大似然法進行監督分類獲取小麥倒伏面積，并與隨機森林法分類進行對比。使用ArcGIS 軟件，對濾波后的4種圖像數據分別劃定感興趣區域（Region of Interest，ROI）。分別隨機選擇ROI數量為30、40、50、60、70、80對DSM+RGB融合圖像進行訓練，并進行分類結果驗證（表1），當樣本數量達到一定量后，最大似然法分類精度受訓練樣本數量影響較小，ROI數量為60時，分類精度和Kappa系數最高。因此，本研究在整幅圖像的倒伏區域和正常區域各隨機選取60個ROI作為訓練樣本（圖3a），每個ROI大小基本相同。完成訓練集劃定后，在倒伏區域和正常區域各隨機選取30個區域作為驗證集進行模型分類精度驗證（圖3b），每個驗證區域大小基本相同，其中驗證集與訓練集的選擇不允許出現重疊區域。

表1 不同數量感興趣區域下數字表面模型圖像與可見光圖像的融合圖像總體分類精度及Kappa系數Table 1 Overall classification accuracy and Kappa coefficient of fusion images of Digital Surface Model (DSM) and Red-Green-Blue (RGB) under different number of Regions of Interest (ROIs)

1.3.5 小麥倒伏面積統計方法

本研究小麥倒伏和非倒伏面積通過計算像素的方法得出，即計算區域像素數量（n）與單個像素的實際長度（Pl，m）與實際寬度（Pw，m）乘積的方法[34]，其計算如式（2）所示：

式中S為實際面積，m2。

1.3.6 小麥倒伏面積提取精度評價方法

進行模型分類精度評價時通常使用總體精度、Kappa系數[35]和混淆矩陣[36]?；煜仃囃ㄟ^統計模型分類時，將真實值和預測值中分類錯誤的個數、分類正確的個數分別列出，表達直觀清晰?？傮w精度指被正確分類的類別像元數與總像元個數的比值，該指標可很好的表達模型分類精度，但其值可能受其他數據較多類別的影響，導致不能很好的表征每類地物，因此考慮添加輔助評價方法。制圖精度和用戶精度可對像元分類準確性進行評價，用戶精度通常指正確分到某類像元總數與分類器將整個影像的像元分為該類像元總數的比值，而制圖精度則是指將整個影像的像元正確分類為某一類像元總數與該類像元真實總數的比值。本研究利用驗證集對模型分類結果進行驗證，同時將最大似然法與隨機森林法提取小麥精度進行對比，最后通過制圖精度、用戶精度、總體精度、混淆矩陣和Kappa系數對4種圖像分類結果進行精度評價。

2 結果與分析

2.1 倒伏提取結果分析

本研究使用的圖像其地面分辨率為每像素0.88 cm，分別計算倒伏小麥與正常小麥的面積，結果如表2所示。4種圖像獲取的小麥倒伏和非倒伏面積總像素數均在15×107左右，獲取測試區的總面積約1.165 hm2，由于圖像剔除了一部分裸地數據，故其像素計算總面積小于實測總面積1.186 hm2。DSM+RGB融合圖像提取的小麥倒伏面積約0.126 hm2，與實測數據0.139 hm2最為接近，誤差為0.013 hm2；DSM圖像提取的小麥倒伏面積約0.125 hm2，與實測數據0.139 hm2較為接近；DSM+EXG融合圖像獲取的小麥倒伏面積約為0.352 hm2，約為實測面積的2.5倍；RGB可見光圖像獲取的小麥倒伏面積約0.458 hm2，約為實測倒伏面積的3倍。對比發現基于DSM+RGB融合圖像的小麥倒伏面積提取結果與實際值最為接近，僅基于RGB可見光圖像的倒伏面積提取誤差最大。

表2 不同圖像小麥倒伏面積的提取結果Table 2 Extraction results of wheat lodging area from different images

基于最大似然分類方法的4種圖像監督分類提取倒伏小麥信息結果如圖4所示。對比圖4a和圖4c可知，圖4a僅基于像素值變化提取倒伏信息，但提取時將葉片衰老發黃的正常小麥、麥穗間陰影均識別為倒伏小麥，故僅基于像素提取倒伏小麥的提取精度最低；圖4c中雖然加入DSM信息，增加倒伏小麥與非倒伏小麥之間的差異，但在獲取EXG指數圖像時未將陰影剔除，使得特征融合后的圖像仍存在較多陰影，降低了特征融合后圖像精度，提取效果仍較差；倒伏小麥的高度特征變化明顯，故相對高度適合于倒伏小麥提取，由圖4b可知，僅基于DSM圖像分類雖沒有麥穗間陰影影響，但卻將田塊邊緣相對高度較低的正常小麥錯分為倒伏小麥，故其提取精度雖有一定提高，但仍然存在一定的錯分現象；由圖4d可知，DSM特征融合RGB可見光圖像后，通過增加像素差異，提高了特征融合圖像中倒伏小麥與非倒伏小麥之間差異，一定程度上克服了僅依靠DSM存在將正常小麥錯分的問題，故其提取精度進一步提高，但融合RGB可見光圖像的同時將麥穗間陰影也融合到圖像中，造成模型提取時將陰影識別為倒伏小麥，影響倒伏面積提取。

2.2 小麥倒伏面積提取精度驗證及分析

小麥倒伏面積提取結果的混淆矩陣如表3所示。由表3可知，從制圖精度可以看出提取正常小麥面積結果最優的為DSM圖像，精度為96.74%，RGB可見光圖像提取結果較差，精度為71.23%；倒伏小麥面積提取結果最優的為DSM+RGB融合圖像，精度為91.03%，RGB可見光圖像提取結果較差，精度為83.58%；DSM圖像提取正常小麥面積的結果比DSM+RGB融合圖像高0.4%左右，而倒伏面積提取結果比DSM+RGB 融合圖像低1%左右。從用戶精度看出正常小麥面積提取結果最優的為DSM+RGB融合圖像，精度為91.98%，RGB可見光圖像提取結果較差，精度為73.14%；DSM圖像倒伏提取倒伏小麥面積的結果比DSM+RGB融合圖像高0.4%左右，但其對正常小麥面積的提取結果比DSM+RGB融合圖像低1%左右?？傮w分析發現DSM+RGB融合圖像提取倒伏小麥的效果優于DSM圖像。

表3 基于最大似然法的不同圖像小麥倒伏面積提取的精度混淆矩陣Table 3 Precision confusion matrix of wheat lodging area extraction from different images based on maximum likelihood method%

3 討 論

基于最大似然法提取小麥倒伏面積總體精度和Kappa系數均優于基于隨機森林法（表4），分析原因發現，1）本研究使用的樣本數據相對較少，較適合于最大似然法分類，而隨機森林分類需要大量樣本進行模型訓練，進而導致隨機森林模型可能未達到最佳分類精度；2）由于參與分類的圖像特征較少，使得隨機森林模型無法較好的識別兩者的特征，最終使得隨機森林法分類精度較低。分析發現2種方法中僅基于RGB可見光圖像和基于EXG指數融合DSM圖像的模型提取總體精度低，而且基于RGB可見光圖像的Kappa系數均在0.5左右，說明模型不穩定，提取精度低。基于DSM+RGB融合圖像倒伏面積提取精度最高，說明將RGB可見光圖像融合DSM特征后，增加了倒伏和非倒伏小麥之間的差異性，可較好應用于倒伏小麥面積的提取。

表4 基于不同方法的不同圖像小麥倒伏面積提取的驗證結果Table 4 Verification results of wheat lodging area extraction from different images based on different methods

總體分析發現，基于最大似然法對DSM+RGB融合圖像的小麥倒伏面積提取效果最佳，模型的提取總體精度最高為93.75%，Kappa系數為0.87，這與趙立成等[22]研究結果較為一致，本研究小麥倒伏提取雖達到較高精度，但仍存在以下因素影響小麥倒伏面積的提取精度，1）由于裸地掩膜制作時僅依靠于EXG指數數據，并未較好的將陰影剔除，使得麥穗間陰影、小麥植株之間的陰影均被識別為倒伏小麥，影響小麥倒伏面積的提?。?）由于不同品種的小麥在相同時期內，作物性狀表現不同，使得基于RGB可見光圖像分類時，將正常狀態但顏色表現為暗黃的小麥誤分為倒伏小麥，這也是影響小麥倒伏面積提取的重要原因。本研究使用特征融合的方法可較好的提取倒伏小麥，但僅使用RGB可見光圖像數據，不能反映更多作物參數信息，無法進行更高精度的倒伏信息提取。因此，可考慮通過添加不同的敏感特征或增加波段信息，如多光譜數據等，進行高精度的小麥倒伏面積提??；另外，獲取本研究航拍數據時，天氣出現晴轉陰現象，光照強度變化也會使得傳感器獲取的圖像數據存在光譜信息差異，影響倒伏信息識別。

4 結 論

1）基于無人機可見光遙感圖像特征融合的方法能夠較好的實現倒伏小麥面積提取，可為快速提取小麥倒伏面積提供參考。

2）使用最大似然法提取小麥倒伏面積的整體效果優于隨機森林法。

3）基于4種圖像的小麥倒伏面積提取結果中，僅基于可見光圖像的小麥倒伏面積提取效果最差；基于數字表面模型（Digital Surface Model，DSM）與紅綠藍（Red-Green-Blue, RGB）可見光圖像進行特征融合的圖像提取小麥倒伏信息效果最佳，其總體精度為93.75%，Kappa系數為0.87。