基于無人機遙感的火龍果種植面積監測方法研究

摘要：為厘清火龍果種植面積情況，利用低空無人機搭載多光譜傳感器，對望謨縣樂元鎮拉么村火龍果基地進行數據采集，采用最大似然法提取火龍果種植區域和計算面積。研究表明，在進行植被指數計算時，火龍果植被指數為0.4～0.6，多光譜影像上紋理比較明顯，周邊以雜草為主，雜草的植被指數為0.2～0.4，能夠較好地區分火龍果和雜草;結合植被指數和火龍果紋理特征，利用最大似然法提取火龍果種植區域和計算面積，提取的精度達88.4%，研究區火龍果種植面積約為55 000 m2。

關鍵詞：無人機遙感;火龍果;面積;望謨縣

中圖分類號：P283.8 " " " " 文獻標識碼：A

文章編號：0439-8114（2022）03-0152-04

DOI：10.14088/j.cnki.issn0439-8114.2022.03.031 開放科學（資源服務）標識碼（OSID）：

Study on monitoring method of pitaya planting area based on UAV remote sensing

CHEN Zhi-hu， LIU Chun-yan， TONG Qian-qian， ZHAO Ze-ying， XU Yuan-hong

（Institute of Science and Technology Information，Guizhou Academy of Agricultural Sciences，Guiyang "550006，China）

Abstract：In order to clarify the planting area of pitaya， a low altitude UAV equipped with multispectral sensors was used to collect data from the pitaya base in Lamo village， Leyuan town， Wangmo county， and the Maximum likelihood method was used to extract the planting area and calculate the area of pitaya. The result showed that when calculating the vegetation index， the vegetation index of pitaya ranges from 0.4 to 0.6. The texture was obvious on the multispectral image. The periphery was dominated by weeds， and the vegetation index of weeds ranges from 0.2 to 0.4， which could better distinguish pitaya from weeds; Combined with vegetation index and pitaya texture features， the Maximum likelihood method was used to extract pitaya planting area and calculate the area. The extraction accuracy was 88.4%， and the pitaya planting area in the study area was about 55 000 m2.

Key words：UAV remote sensing; pitaya;area; Wangmo county

隨著中國精準農業的發展，農作物信息的快速提取與解析以及農作物種植面積快速精準監測已經變得極為重要[1-3]。首先，農作物種植面積遙感監測是作物估產的基本要素，而遙感技術手段可以為面積監測提供豐富的地表信息。例如，遙感圖像中地物的紋理、形狀以及和周邊地物之間的差異能夠很好地進行反映[4-8]。其次，不同時期的遙感影像可以反映出農作物的生長情況[9-11]。白燕英等[12]基于作物生長發育期的Landsat8 影像，利用NDVI和EVI指數，對作物的長勢變化規律及不同作物在同一時期的長勢差異進行了相關研究。周珂等[13]基于Landsat8影像數據，采用隨機森林分類方法對研究區的冬小麥種植面積進行提取和長勢監測;姜藍齊等[14]基于不同時相的遙感影像，利用植被指數等關鍵技術，對水、旱作物種植面積及空間分布進行監測。除此之外，農作物種植面積的監測還可以為決策部門進行產業調整提供參照和依據[15，16]。

火龍果作為熱帶、亞熱帶水果，具有很高的營養價值，富含蛋白質、膳食纖維、維生素、鐵、鈣等元素。火龍果喜光耐陰、耐熱耐旱、喜肥耐瘠，可適應多種土壤，其中以含腐殖質多、保水保肥的中性土壤和弱酸性土壤較好。貴州省喀斯特地貌類型豐富，土層薄，土壤肥力不足，大力發展火龍果種植有利于改善土壤環境和提高當地居民收入水平[17-19]。貴州省望謨縣樂元鎮北盤江流域沿線具有得天獨厚的氣候資源，年平均氣溫21 ℃，平均海拔720 m，全年無霜期340 d左右，具有良好的種植條件。

1 研究區概況與數據采集

1.1 研究區概況

研究區選在望謨縣樂元鎮拉么村火龍果種植基地，拉么村位于黔西南州興義市望謨縣西北角（圖1），距望謨縣城67 km，距樂元鎮政府20 km，轄7個村民組、1個村民居委會，總人口1 600余人，全村以布依族居多。拉么村平均海拔570 m，位于東經105.895°，北緯25.268°，年降水量1 200 mm，平均氣溫21.5 ℃。

1.2 數據采集與預處理

本研究采用的數據主要包括多光譜影像數據和正射影像數據，采用的設備和儀器包括成都縱橫公司生產的CW—007型無人機、RedEdge-M快照式多光譜相機和Sony正攝像機。利用CW—007型無人機搭載RedEdge-M快照式多光譜相機采集火龍果種植區域多光譜影像，影像在傳統的4通道基礎上增加了紅邊波段;正射影像利用CW—007型無人機搭載Sony相機進行采集。

1.2.1 數據采集 數據采集時間選在2020年03月14日進行，當日天氣晴朗、少云，拍攝時間選在 " "11：00—15：00，太陽直射地面，火龍果植株陰影較少，降低陰影對研究的影響。無人機航拍過程包括儀器安裝、航線規劃（圖2）、自動拍攝以及航拍后照片預篩選等步驟。設置航線飛行預計時間20 min，航線離地高度200 m，航拍面積約65萬m2;除此之外，在研究區內道路交叉點、房屋拐角等地采集了6個控制點，控制點均勻分布在研究區內。

1.2.2 數據預處理 經過外業影像采集，共采集多光譜影像照片1 150張，正射影像照片800張，將圖片中有拉花、扭曲現象的圖片進行處理，最終得到有效多光譜影像照片1 070張，正攝影像照片710張。利用PIX4D軟件對有效照片進行影像拼接處理，最終得到多光譜影像3幅，正射影像4幅。

2 研究方法

2.1 技術路線

基于無人機搭載多種傳感器采集不同的影像數據，利用ENVI、Arcgis和PIX4D等軟件對采集的數據進行輻射校正、大氣校正、幾何校正和拼接處理后得到研究數據。在此基礎上，根據多光譜影像中地物的紋理、形狀及地物之間的差異[20，21]，利用不同地物之間植被指數差異進行火龍果種植區域提取，將提取結果與正射影像進行疊加分析，修改錯誤數據，最終得到研究區火龍果種植區域和面積，技術路線如圖3所示。

2.2 數據處理

將無人機采集的圖片經過影像拼接、影像校正和影像融合等處理得到研究區基礎影像數據。

1）影像拼接。首先，采集的多光譜數據為單張獨立的且為單波段的照片，運用PIX4D軟件，根據照片自帶的坐標信息，將每張圖片拼接成一幅完整的影像圖，共得到5個波段的多光譜影像圖。其次，采集的正射影像資料為獨立的不帶坐標的單張照片，利用PIX4D軟件和外置坐標信息，將單張照片拼接成一張完整的正射影像圖。

2）影像校正。正射影像校正采用野外采集的控制點進行校正，利用ArcGIS軟件進行處理，得到最終的正射影像（圖4）。針對多光譜影像，需要定義坐標、幾何校正、大氣校正和輻射校正。首先，運用ArcGIS軟件將5幅影像校正到影像之間沒有位移，再以外業控制點為基礎，進行一次校正，并定義坐標為WGS84坐標;其次，利用ENVI軟件和相機自帶的輻射定標文件對影像進行大氣校正和輻射校正。

3）影像融合。多光譜影像采集過程按照單波段單張圖片采集，經過拼接和校正以后得到單波段的灰度影像，運用ENVI的波段融合工具，將灰度影像進行影像融合處理得到具有5個波段數據的多光譜影像數據（圖5）。

3 結果與分析

3.1 光譜特征提取

基于多光譜影像數據中的近紅外、紅光和綠光3個波段，利用ENVI軟件計算歸一化植被指數，得到研究區內各種作物的植被指數（圖6）。植被指數能夠很好地反映植被覆蓋度和長勢。分析火龍果的植被指數與周邊作物的差異，火龍果的植被指數為0.4～0.6;火龍果周邊作物主要是雜草，雜草的植被指數為0.2～0.4，植被指數存在交叉的情況，結合火龍果的紋理特征可以局部消除這一影響。

3.2 火龍果種植面積提取

利用ENVI軟件，依據植被指數的范圍，選取火龍果樣本15個、其他作物樣本30個，利用最大似然法進行火龍果種植區域提取和其他作物區域提取，并進行面積計算。

3.3 精度分析和面積計算

結合多光譜影像的紋理信息、光譜信息等特征，運用最大似然法提取火龍果種植區域，共提取圖斑數量3 383個，基于正射影像進行精度分析，其中錯分圖斑313個，漏分80個，分類精度達到88.4%。運用GIS的統計功能對火龍果圖斑進行面積計算，得到研究區火龍果種植面積約為55 000 m2。

4 結論

由于貴州省地貌類型多樣、地表破碎，農作物種植品種多且分布混雜，運用衛星影像進行農作物種植面積監測研究難度較大，利用低空無人機搭載多光譜傳感器，運用相關設備航拍數據，基于最大似然法進行火龍果種植面積提取。結果表明，①利用低空無人機搭載多光譜傳感器和正攝像機，能夠獲取具有高分辨率、高頻度的多光譜影像和正射影像，克服了衛星影像分辨率低、時效性差等問題。多光譜數據具有光譜信息、紋理信息等特征信息，對火龍果種植區域的提取精度提供了保障，也為其他作物面積監測奠定基礎。②利用植被指數計算各種農作物的數值，火龍果的植被指數為0.4～0.6，火龍果周邊作物主要是雜草，雜草的植被指數為0.2～0.4，有局部地區存在地物交叉的情況。③結合植被指數和火龍果的紋理特征，利用最大似然法能夠快速準確地提取火龍果種植區域和計算面積，提取的精度達到88.4%，且有效避免了利用衛星影像提取中出現的地物混雜、圖斑凌亂的現象。

參考文獻：

[1] GAIKWAD S V，VIBHUTE A D，KALE K V，et al.An innovative IoT based system for precision farming[J]. Computers and electronics in agriculture，2021，187：106291.

[2] 宋永嘉，劉 賓，魏暄云，等. 大數據時代無線傳感技術在精準農業中的應用進展[J]. 江蘇農業科學，2021，49（8）：31-37.

[3] 林 娜，陳 宏，趙 健，等. 輕小型無人機遙感在精準農業中的應用及展望[J]. 江蘇農業科學，2020，48（20）：43-48.

[4] YOUNG L J. Agricultural crop forecasting for large geographical areas[J]. Annual review of statistics and its application，2019，6（1）：173-196.

[5] 王 帆，李崇貴，馬 婷，等. 一種改進的遙感影像水體信息快速提取方法[J]. 人民長江，2021，52（6）：223-228.

[6] 張春森，賈 欣，吳蓉蓉，等. 面向對象高分遙感影像典型自然地物半自動提取[J]. 地球信息科學學報，2021，23（6）：1050-1062.

[7] 呂 昱，范燕敏，武紅旗，等. 面向對象的作物種植信息提取研究——以新疆奇臺縣為例[J]. 山東農業科學，2020，52（6）：137-143.

[8] 王翔宇，楊 菡，李鑫星，等. 基于無人機可見光譜遙感的玉米長勢監測[J]. 光譜學與光譜分析，2021，41（1）：265-270.

[9] 牛魯燕，蔣風偉，張俊麗，等. 基于無人機多光譜遙感的冬小麥長勢監測研究[J]. 山東農業科學，2021，53（3）：139-145.

[10] 馬 驛. 基于多源遙感數據的油菜長勢監測[D]. 武漢：華中農業大學，2016.

[11] 羅 桓. 縣域夏玉米生長遙感監測與產量估算研究[D]. 南京：南京信息工程大學，2020.

[12] 白燕英，高聚林，張寶林. 基于NDVI與EVI的作物長勢監測研究[J]. 農業機械學報，2019，50（9）：153-161.

[13] 周 珂，柳 樂，張儼娜，等. GEE支持下的河南省冬小麥面積提取及長勢監測[J]. 中國農業科學，2021，54（11）：2302-2318.

[14] 姜藍齊，王 萍，姜麗霞，等. 基于多時相MODIS數據監測水、旱作物種植面積及空間分布[J]. 中國農學通報，2021，37（16）：108-118.

[15] 任澤茜，丁麗霞，劉麗娟，等. 利用無人機遙感監測農作物種植面積[J]測繪通報，2020（7）：76-81.

[16] 謝鑫昌，楊云川，田 憶，等. 基于遙感的廣西甘蔗種植面積提取及長勢監測[J]. 中國生態農業學報（中英文），2021，29（2）：410-422.

[17] 喬 謙，于 泳，王江勇，等. 火龍果研究進展及北方引種可行性分析[J]. 中國農學通報，2020，36（25）：53-59.

[18] 錢開勝. 廣西博白火龍果“一年三茬”栽培技術助推扶貧[J]. 中國果業信息，2020，37（6）：43-44.

[19] 孟翠麗，楊文剛，張淑娟，等. 湖北省冬季設施火龍果最低氣溫變化特征及預報模型研究[J]. 湖北農業科學，2019，58（24）：84-87，92.

[20] 任澤茜，丁麗霞，劉麗娟，等. 利用無人機遙感監測農作物種植面積[J]. 測繪通報，2020（7）：76-81.

[21] 李方方，劉正軍，徐強強，等. 面向對象隨機森林方法在濕地植被分類的應用[J]. 遙感信息. 2018，33（1）：111-116.