無人機可見光遙感影像的農作物信息提取及驗證

孫凱月

摘 要：該文簡要概述了遙感技術，對無人機可見光遙感提取農作物信息的研究現狀進行了分析，并以某個農作物區域作為研究案例，就農作物信息的提取和驗證進行了探究。

關鍵詞：無人機可見光遙感影像;農作物信息提取;遙感技術

中圖分類號 S127 文獻標識碼 A 文章編號 1007-7731（2022）04-0094-03

Abstract： This article provides a brief overview of remote sensing technology， analyzes the current status of research on crop information extraction by UAV visible light remote sensing;secondly， taking a certain crop area as a research object and case， various work on extracting and verifying crop information is launched In-depth explanation.

Key words： UAV visible light remote sensing image; Crop information extraction; Remote sensing technology

在三大產業當中，農業的產值雖然無法與工業、服務業相比，但農業仍然是人類為了維持當前的生存和未來發展必不可少的基礎性產業。在農業生產過程中，確定農作物的類型是一項重要的工作，在這項工作中，獲取農作物的信息是前提。全面掌握一個地區的農作物信息具有重要的意義，可以合理調整一個地區的農業結構，充分發揮地區的自然優勢，促進各個農業區之間的協調發展。

1 遙感技術和無人機概述

遙感技術的優勢眾多，包括可以覆蓋極廣的范圍、獲取信息的速度極快、可以多平臺使用、具有多種分辨率等。因此，遙感技術在農業信息獲取的過程中肩負重要的使命[1-2]。現階段，我國無人機飛行技術已走在了世界前列，無人機飛行技術發展迅速，機動性和作業選擇性較強，具備高度的靈活性。同時，無人機的作業周期相對較短，擁有較好的時效性，并且無須過高的使用費用，安全性有保障。目前，微型計算機技術、通信技術等眾多高新信息技術的發展，為搭載遙感設備的無人機平臺發展奠定重要的基礎，在獲取區域農作物信息的過程中，這項技術也應用廣泛，并成為了研究的重點[3-4]。

2 無人機可見光遙感提取農作物信息研究現狀

現階段，由于科技的迅速發展，獲取農作物信息的手段呈現出多樣化的特點，但使用頻率最高，使用范圍最為廣泛的技術仍然是遙感技術，該技術在識別農作物信息的過程中無須過多的時間，并且獲得的數據精度較高。以往利用衛星遙感，在位置上距離地面較為遙遠，作業的周期相對較長，并且衛星遙感首先要發射遙感衛星，操作較為復雜，而搭載遙感設備的無人機出現之后，這些問題都被一一解決[5-6]。在無人機可見光遙感獲得農作物信息這一方面，前人已有如下的研究：賈鵬剛在獲取銀杏樹影像數據的過程中利用到了無人機，在無人機可見光遙感的作用下將銀杏樹的胸徑值提取出來，通過成功的實踐證明無人機遙感獲取農作物信息的可行性。韓文霆在玉米拔節期種植期間利用無人機獲得了重要的數據信息，并以TGB圖像顯示出來，最終獲得觀察結果，面積提取誤差值在20%以內。陳燕麗以CLDAS數據為基礎，在監測晚稻生產寒露風低溫冷害的過程中充分利用了無人機遙感技術，并在遙感技術的輔助下對相關數據進行深入分析，在較短的時間內了解到了災害等級的分布情況，為后續的工作奠定了重要的基礎。

汪小欽利用無人機遙感技術獲得重要的RGB圖像，并且利用植物具有的波段反射特性和波段吸收特性構建了相關的指數（VDVI）。李宗南在獲取農作物圖像的過程中充分利用搭載彩色相機的小型無人機，從紋理和色彩2個特征入手，分析處于正常狀態的玉米和出現倒伏的玉米，從而得出結論：倒伏玉米的誤差值相對較小。Kyle在識別藻類的過程中利用無人機獲取到了多幅RGB格式的圖像數據，并且利用多種算法完成了最終的識別工作[7]。

王利民以無人機可見光遙感技術為基礎，獲取到農作物的RGB格式的影像，根據圖像本身的特征、包括光譜、幾何形狀、紋理等，充分利用對象分類方法分類不同的農作物，包括春季玉米、夏季玉米、苜蓿以及缺少農作物和植被覆蓋的，裸露在地表的土壤等。董梅在提取煙草種植面積信息的過程中充分利用無人機遙感技術，了解煙草種植的分布情況。魯恒在無人機遙感影像技術的輔助下，在耕地提取方法中另辟蹊徑，提出了利用遷移學習機制[8]。

3 案例分析

3.1 材料與方法

3.1.1 研究區域的基本情況 本文研究的主要農作物區域為我國西南部某省份的一個農村，該村距離最近的縣城有16.5km，整個村莊的占地面積為28.4km2，該村的交通較為發達，公路貫穿其中，整個農村的居住人口在4800余人。在該村中，可以用作耕地的面積為228.7m2，自然優勢利于水稻、玉米以及馬鈴薯等主糧作物的種植，還有以油菜為主的經濟作物的種植。水稻種植位于灌區，而玉米的種植多為與油菜和蠶豆進行套種。該村水資源總量較為豐富，四季的氣候適宜居住，冬季氣溫不會出現過低的現象，夏季不會出現高溫酷熱的天氣，適宜農作物的生長。

3.1.2 數據獲取及預處理

3.1.2.1 數據獲取 在獲取數據的過程中，主要利用搭載正射相機的無人機，其中正射相機的像素為4200萬，可以實現全景的對焦，而無人機的類型為純電動型，可以垂直起降。無人機自身攜帶全球衛星定位系統，在于位于地面的站臺對接完畢后，可以獲得每次任務的具體航線，相關工作人員在地面控制無人機的起降。此次利用無人機獲取農作物數據的飛行高度為1568m，無人機在航拍的過程中，整體的高度為200m，航向和旁向的重疊度分別為75%和70%，無人機巡航的速度為64km/h，無人機飛行的總長度為51km，總飛行時間為50min。

3.1.2.2 預處理 在無人機獲取圖像信息之后，利用PIX4D技術進行拼接，這是因為利用無人機獲取的圖像信息處于分離狀態，即照片和坐標的信息分離，為了不影響后續的工作，需要在軟件中添加，補充信息，再利用照片的編號完成對應的工作，最后遙感影像的精度必須符合1∶1000。研究主要區域是正射相機拍攝中農作物種類較多的區域，主要研究區域的面積為0.36km2。此外，影像數據中包括的灰度值主要有3種色彩，分別是R、G、B3。

3.1.3 種植作物類型信息提取 利用遙感無人機獲取的影響數據波段有限，僅為紅、藍和綠3個，因此，在提取農作物信息的過程中無法直接通過植被的計算。在處理遙感影響中的農作物紋理信息的過程中，必須通過色彩空間轉換和處理不同紋理的濾波實現，利用這種方法的優勢較多，主要的優勢就是可以保證同譜同物，讓識別農作物的精度得以提升。在無人機正射相機拍攝的影像中選取不同農作物區域作為樣本，完成影像色彩與紋理2個特征的計算、統計和分析工作。通過這項工作可以獲取不同農作物關鍵特征的參數，這些參數在區分不同農作物的過程中將發揮重要的作用。同時，將這些數據提取出來還可以獲得農作物的關鍵信息。

在提取農作物關鍵信息的過程中，充分利用ENVI5.1技術將影像數據灰度值的3個波段統計出來，在獲取色彩特征的過程中利用色彩空間的轉換，最終獲得亮度、色度和飽和度3個特征，在計算之后，影像數據的紋理特征也可以獲得，包括顏色的均值、方差和信息熵等。

內業判讀的依據為在野外采集農作物的樣本。經過研究之后，選定3種農作物作為典型樣本進行研究，分別為玉米、大豆和水稻。在研究的過程中，各種農作物樣本的選擇如下：21個大豆樣本、19個水稻樣本以及22個玉米樣本。在對所有的指標結果進行統計之后，得出了特征指標的方差和均值24項，不同農作物之間的差異系數由此而來。

3.1.4 提取的信息分類與驗證 在提取農作物數據的過程中，分析上述3種農作物的色彩與紋理2個方面的特征，在分類區域內農作物的過程中，利用分類特征組合為綠色二階矩、飽和度和亮度。在提取農作物精度的過程中，利用遙感判讀外業采集樣本的分類結果。Arcgis是遙感判讀過程中主要憑依，同時必須結合外業采集的樣本，在室內判別每一種農作物的過程中利用矢量化的遙感影像，最終獲得主要研究區域的影響判讀結果并完成相應的統計工作。不同農作物的種植面積需要根據提取的結果判定，并且要進行目視解椅判讀，并將2種方法得到的結論進行對比，在此基礎上將農作物的精度提取出來。

3.2 結果與分析

3.2.1 色彩和紋理特征 根據相關的正射影像可以得知，在顏色、紋理特征以及亮度和飽和度上，玉米、大豆和影響3種作物各有不同。其中，深綠色為大豆的顏色特征，大豆種植在局部地區，顏色以淺綠色為主，并且種植較為稀疏;條帶狀是水稻的主要紋理特征，水稻植株之間有明顯的差異，并且就顏色上來說，水稻較為單一，以淺綠色為主，由于種植條件的特殊性，水稻的地塊多為矩形，并且地塊規整;而玉米的植株的種植特征更為明顯，顏色特征為亮綠色，整體的顏色以深色為主，并且由于影像拍攝季節的關系，玉米植株在中間部位呈現出淺黃色，其中玉米穗的影響較大，這也是玉米與大豆和水稻之間明顯的差別之一。

通過相關的研究數據可知，3種不同農作物之間的顏色特征、紋理特征以及其他特征的變異系數較大，3種作物整體之間的差異系數變化較大。尤其在飽和度和亮度這2個顏色特征上，大豆、玉米和水稻這3種作物有著明顯的差別，在亮度上大豆位居第1位，水稻和玉米排在其次;在飽和度上，水稻位居第1位，玉米排在最后，大豆居于兩者之間。因此，從顏色特征入手就可以將3種農作物區分開來。同時，利用綠色二階矩指標也可以區分3種不同的農作物，尤其是大豆與水稻的差異系數相差較大，可以輕易將大豆從3種農作物之間區分出來。鑒于此，判斷不同農作物之間的差異可以參照較多的指標，在分類不同農作物的過程中只需要在其中選擇合適的1種或者幾種即可，這樣分類不同的農作物將有著較高的效率。總的來說，在提取大豆、玉米和水稻3種農作物信息的過程中，主要的分類依據是顏色特征中的亮度、飽和度以及綠色二階矩，其他的各項差異系數等信息只作為輔助指標，不發揮主要作用。

3.2.2 提取信息的分類及誤差 經過相關的影像資料可以得知，主要研究區域的農作物主要有3類，分別是大豆、玉米和水稻。就相關的結果來看，在主要研究區域內，種植范圍較大的是大豆。從顏色特征和紋理特征入手可以獲得農作物在空間分布上的情況，對遙感目視判讀的結果與該研究方法大體一致，差異并不明顯。根據相關的研究資料可知，玉米、大豆和水稻等3種作物的目視解讀范圍不超過±0.3hm2;從顏色特征和紋理特征為基礎，提取出的3種不同的農作物面積之間的差異不超過±0.25hm2;3種不同農作物的提取誤差均不超過10.00%，玉米的提取誤差甚至不超過2.00%。

4 小結與討論

利用先進的無人機飛行技術以及遙感技術，獲得主要研究區域內的遙感影像，將紋理濾波中的亮度、飽和度等顏色特征利用色彩空間轉換與灰度共生矩陣2種方法進行組合，將主要研究區域內大豆、玉米和水稻3種農作物的信息提取出來，在檢驗以顏色特征和紋理特征組合分類方法的精度的過程中充分利用判讀遙感影像的結果。相關的結果表明，3種農作物種植面積的誤差均在10%以下，并且玉米的誤差甚至在2%以下。同時，在3種農作物中，玉米的精度要高于其余2種作物。

在提取農作物面積大小以及分布情況時，利用無人機遙感技術可以獲得較好的精度，同時，無人機飛行技術本身操作難度不高，并且較為安全，在提取農作物信息，監測農作物情況的過程中應用較為難廣泛，適用于農作物的調查工作。但是這種技術也存在一定的局限性：一是無人機為純電動，無人機飛行的時間受到電力的限制，難以大面積航拍，外部的天氣和地形也會對無人機產生影響;二是無人機在航拍的過程中可以獲得大量的數據，這些數據在后期的處理過程中需要大量的時間;三是農作物的光譜特征相對復雜程度較高，容易將一種類型的農作物劃分為不同類型。

參考文獻

[1]戴建國，薛金利，趙慶展，等.基于低空無人機可見光影像的棉田苗情提取[J].農業工程學報，2019（4）.

[2]金忠明，曹姍姍，王蕾，等.天山云杉林無人機可見光影像樹冠信息提取方法研究[J].林業資源管理，2020（01）：127-137.

[3]田甜，王迪，曾妍，等.無人機遙感的農作物精細分類研究進展[J].中國農業信息，2020，32（02）：5-16.

[4]戴建國，薛金利，趙慶展，等.利用無人機可見光遙感影像提取棉花苗情信息[J].農業工程學報，2020（04）：71-79.

[5]陳青松，滕連澤，張洪吉，等.基于微小無人機農作物長勢監測試驗研究——以獼猴桃為例[J].農機使用與維修，2019（8）：4-10.

[6]王猛，隋學艷，梁守真，等.利用無人機遙感技術提取農作物植被覆蓋度方法研究[J].作物雜志，2020，196（03）：183-189.

[7]劉斌，史云，吳文斌，等.基于無人機遙感可見光影像的農作物分類[J].中國農業資源與區劃，2019，260（08）：60-68.

[8]陳智虎，許元紅，童倩倩，等.無人機可見光遙感影像的農作物信息提取及驗證[J].貴州農業科學，2020（02）：133-136，183.

（責編：張宏民）

3009500338256