基于無人機遙感的耕地分類方法研究

李煉鋒 楊友生

（廣州市城市規劃勘測設計研究院，廣東 廣州 510060）

1 引言

耕地邊界和面積的確定是發展精準農業的基礎。準確掌握區域內耕地類型和空間分布，對于精準農業管理、優化種植空間、最大限度地提高農產品投入產出比具有重要意義。

無人機遙感技術作為一種新技術，具有成本低、分辨率高、靈活性強等優點。對于中小型地區的遙感作業，無人機可見光遙感圖像的優勢更加突出，具有廣泛的應用場景。研究利用無人機可見光遙感技術獲取耕地面積信息的方法具有重要的現實意義。

2 數據采集與預處理

2.1 研究區概況

本文研究區域位于廣東省廣州市某試驗區。試驗區氣候屬亞熱帶季風氣候，溫暖多雨，光熱充足，夏季長，霜期短。試驗區主要有土地、森林和房屋三種類型。

2.2 遙感圖像采集

試驗圖像采集平臺采用了深圳DJI公司的Mavic2變焦四旋翼無人機，配備了1/23英寸1200萬像素CMOS傳感器，鏡頭可以實現24～48mm的光學變焦（相當于全畫幅）。試驗相機采用三軸穩定云臺，消除了飛機俯仰引起的遙感圖像失真，提高了成像精度。無需特殊的起降場，即可在空中長時間懸停，為遙感圖像的獲取提供了極大便利，視覺傳感器和GPS使飛行更加安全。

數據采集時間為2019年10月18日。遙感影像高度為400米，航路長度為4650米，無人機巡航速度為20公里/小時，共采集原始影像147幅。

2.3 數據處理

首先利用Lightroom將原始圖像轉換為JPG圖像，并將圖像及其對應的POS數據導入PIX4D MAPPER軟件進行正射影像校正和圖像拼接，最后得到的影像滿足數字航空攝影測量航空三角規范中的1∶10000平面精度要求。該圖像包含1070×6860像素，地面分辨率為4.11厘米，面積約為187畝（1畝=667平方米）。本文選取正射影像中間的農田集中區作為感興趣區域。R、G、B的灰度值以TIF格式圖像存儲。

3 耕地提取方法

3.1 不同類型耕地的光譜特征

雖然遙感圖像只能有紅、綠、藍三種灰度信息，但經過顏色空間轉換后，可以增強圖像中地物信息之間的差異，對地物分類和區域提取有很大幫助。

本研究采用的光譜特征信息是基于可見光波段的植被指數，主要包括VDVI（可見光波段差異植被指數）、ExG（過綠色指數）、NGRDI（歸一化綠-紅差值指數）和RGRI（紅綠比指數）。計算公式如下，R、G、B分別代表紅、綠、藍波段的歸一化值。

植被指數可以作為分類標準，因為有作物耕地的綠色植被信息與其他類型的耕地相比有顯著差異。為了選取最適宜的植被指數作為試驗標準，本文選取了10個區域對三種不同類型的耕地進行數據統計，并分析了不同波段之間的差異。樣本區域統計信息如表1所示。

表1 紅、綠、藍波段不同耕地類型像素值差異表

從表1的數據可以看出，有作物耕地的波段反射率具有以下特征：G＞R＞B。無作物耕地的光譜反射率特征是R＞G＞B，但是，地膜覆蓋耕地的光譜反射率特征為B＞G＞R，這類樣品中的所有波段均存在比較大的標準差。各種樣本數據都有一定的分散性，特別是地膜覆蓋的樣本。因此，當數據的平均差不大時，就會出現部分交集，很難通過單個波段將它們分離出來。

從計算植被指數的公式中不難看出，提取植被不依賴于單個波段，而是多個波段的聯合運算，可以起到放大植被與非植被差異的作用。相關研究表明，VDVI指數和ExG指數在植被信息提取方面更為準確。因此，本研究選取上述兩個種植指標進行研究計算和提取結果。

3.2 遙感圖像分割參數的確定

圖像分割是指將圖像劃分為多個不重疊的子區域，使同一子區域中的特征具有相似性，而不同子區域中的特征則表現出明顯差異。

分割比例會直接影響圖形分類的最終結果。如果分割規模太小，則分割后的子區域數太大。如果分割比例太大，則遙感圖像的分割將不完整，導致提取誤差增加。根據現有研究，最佳分割尺度是圖塊內部光譜標準差達到峰值且標準差變化率開始下降時的相應尺度。在ENVI5.3中，面向對象的特征提取工具具有分割結果的實時預覽功能，可以通過實時預覽選擇合適的閾值進行圖像分割。經過對不同分割尺度的反復試驗，當分割尺度在50左右時比較合適，因此，本文主要比較分割尺度為40、50、60時的分割效果，如圖1所示。

圖1 不同分割尺度的影響

3.3 特征選擇和規則建立

3.3.1 作物特征選擇及規則制定

將2016年1月-2017年10月90例老年腹腔鏡全麻手術患者隨機數字表法分組。觀察組ASAI級21例,II級24例。男23例,女22例;年齡61-79歲,平均(67.67±2.13)歲。對照組ASAI級22例,II級23例。男24例,女21例;年齡61-78歲,平均(67.76±2.24)歲。

光譜特征是圖像中最直觀的信息。對于耕地，可以利用植被指數來獲得較好的提取效果。然而，仍有一些小圖斑被錯誤地劃分為耕地。通過放大，我們發現路邊有很多植物，如雜草和灌木。利用它們與耕地的差異，可以去除和分離部分地圖點。另外，一些耕地長期休耕，其范圍內會有一些植被，影響提取過程。由于耕地的形狀多為矩形，可以通過設置矩形度閾值來分離。經過反復試驗，將面積閾值設為300，矩形閾值設為0.4，可用于提取耕地。

3.3.2 無作物耕地特征選擇與規則建立

無作物耕地多為裸地，不能僅通過植被與道路、建筑物等非植被區分開。通過對土地和道路樣本的光譜分析，我們發現藍波段中二者的直方圖具有明顯的雙峰特征，如圖2所示，因此，用閾值法可以很容易地將藍波段分離，根據雙峰法，閾值設置為170。

圖2 裸地樣本區域直方圖

3.3.3 地膜覆蓋耕地的特點和規則的選擇

與道路相比，地膜覆蓋耕地亮度更高，更接近白色，很難通過光譜信息進行區分。然而，地膜覆蓋耕地具有明顯的紋理特征，可以通過紋理信息進行提取。紋理核心的平均數據范圍（紋理范圍）對地膜農田具有較好的提取效果。經過反復試驗，當閾值為11時，可以將地膜覆蓋耕地與路面分離。

4 提取結果及誤差分析

4.1 提取精度計算

根據上述規則提取的三類耕地如圖3所示，其中紅色代表有作物耕地，黃色代表無作物耕地，藍色代表地膜覆蓋土地。

圖3 分類結果

在本研究中，使用模糊矩陣這一可視化顯示工具來評估分類模型的準確性。通過目視取樣選擇樣品進行驗證。樣本的抽樣遵循隨機性原則，以確保每個被選樣本的概率完全相等。選取500個像素作為樣本，構造混淆矩陣。

4.2 誤差分析

在無人機高分辨率遙感圖像中，與分辨率相對較低的衛星遙感圖像相比，破碎的小類地物大大增加，這對分類精度有一定影響。從混淆矩陣可以看出，無作物耕地和其他地物由于破碎的圖斑較多，提取精度明顯低于有作物耕地和地膜覆蓋耕地，均小于80%。

本研究中的其他地物包括房屋、道路、溝渠等，與無作物耕地一樣都無植被，因此很容易誤分，如道路被灰塵覆蓋會被誤認為是無作物耕地，一些作物的種植結構和生長發育會導致土壤明顯裸露，收獲后會有少量的覆蓋物殘留在田間，可能導致耕地的分類錯誤。

4.3 驗證試驗

為了驗證測試結果的普適性，在廣州市南沙區的另外一個村莊，采用相同的數據采集方法采集了一組遙感數據，如圖4（a）所示。

圖4 驗證試驗

利用該方法對遙感數據進行處理，并采用相同的精度評價標準對數據進行處理。分類結果如圖4（b）所示，總體準確率為82.48%，與試驗結果接近。

5 結論

本文利用航空相機獲取高分辨率可見光遙感影像，并將影像拼接產生正射影像。采用面向對象的方法綜合考慮光譜特征、紋理特征和形狀特征對耕地進行分類提取。結果表明，該方法能充分利用高分辨率可見光遙感數據的特點，有效識別和分類農用地耕地類型，具有較高的精度。結論如下：

（1）VDVI和ExG指數可以很好地區分植被和非植被。本研究采用ExG指數，當面積閾值為300，矩形閾值為0.4時，可以有效地分離非作物植被。

（2）耕地和道路的藍光波段存在顯著差異，因此將藍光波段閾值設為170，以區分無作物耕地和道路。

（3）地膜覆蓋耕地的亮度比有遮擋的耕地更高，更接近白色，用光譜信息難以區分。因此，可以通過紋理特征進行分離。

（4）通過對混淆矩陣的精度評價，本研究所采用的方法能夠準確地分離和提取各類耕地，總體準確率為86.40%，Kappa系數為0.80。結果表明，該方法在無人機分類信息提取中是可行的，具有較高的精度。

無人機遙感與面向對象方法的結合，為耕地分類提取提供了一種新的方法，對農作物種植信息和田間農田分布信息的監測具有一定的參考價值。