基于無人機遙感圖像提取農田微地形特征

杜蒙蒙，李瀚遠，金 鑫，ROSHNIANFARD Ali，周 浩

（1.河南科技大學農業裝備工程學院，河南 洛陽 471003；2.莫哈格達阿比德利大學農業與自然資源系，伊朗 阿爾達比勒 566199）

0 引言

近年來，極端暴雨天氣與自然災害頻發，導致農田受損，影響農作物生長，降低了產量和品質[1-2]。在雨水沖刷或其他自然災害等外界因素作用下，農田中往往出現尺寸不等的凸起與洼地等微地形特征，不利于進行農田耕作[3]。凸起特征在形態上表現為中間高、四周低的封閉地勢，與經典地貌學中的山脊特征相似，指包含單個或多個高程極大值點的局部區域；而洼地特征則為四周高、中間低的封閉地勢，與經典地貌學中的山谷相似，指包含一個或多個高程極小值點的局部區域[4]。

傳統土地平整忽視了農田微地形特征的結構尺寸和位置分布，易造成平整地機具過載[5]。準確識別農田微地形特征，并在此基礎上對其進行精準平整，可避免平整地作業過載率偏高的問題。數字地形模型（Digital Terrain Model，DTM）是分析地形特征的重要工具[6]。仲騰等[7]利用反轉數字地形模型提取山頂特征，該方法需人為確定閾值，導致提取精度易受人員主觀判斷影響。易煒[8]采用圖像處理算法劃定最大標高值區域，根據人為設定的閾值提取山頂特征，該方法受人員主觀判斷的影響較大。DENG Y 等[9]使用多個地形因子綜合評價用于提取山頂特征的閾值，在模型中有效剔除了不符合實際狀況的山頂特征點。

本研究利用低空無人機遙感圖像，建立高精度農田數字地形模型（Farmland Digital Terrain Model，FDTM），實現農田微地形特征的定位與輪廓提取，可為精準平整地作業提供方法支持，具有迫切的現實需求和重要的理論意義。

1 數據獲取

DTM 空間分辨率大小直接決定了表達地形曲面的精細化程度，影響地形分析的精度。因此，建立高精度FDTM，可有效提高農田微地形特征的提取精度。研 究 區 域 位 于 陜 西 省 寶 雞 市（107°9′14.893″E，34°39′182″N），其尺寸約為50 m×100 m。采用極飛C2000 型智能測繪無人機，搭載機械全局快門2 000 萬像素的航拍相機，以距地面相對高度80 m 進行航拍測繪作業，共獲取42 張航片，航片橫向重疊率85%、縱向重疊率80%。基于SfM 技術，獲取空間分辨率3 cm的FDTM，如圖1 所示。試驗田高程范圍為853.527～854.821 m，高程極差為1.294 m。

圖1 試驗地塊的FDTMFig.1 FDTM of experimental farmland

2 研究方法

2.1 確定局部窗口尺度

統計不同分析窗口尺度下FDTM 的高程方差，分析其隨窗口尺度的變化規律，確定分析窗口的尺度范圍，如圖2 所示。

圖2 高程方差變化率Fig.2 Change rate of elevational variance

由圖2 可知，高程方差在[0，30] 像素和[60，100]像素區間內的變化率較大，呈發散狀態；而在[30，60] 像素區間內的變化率較小，收斂于9.77×10?5m2。另外，相關文獻表明，在高程方差收斂區間內，地形特征的識別精度隨局部窗口尺度的增大而增加[10]。因此，本研究選擇51 像素×51 像素窗口確定農田高程極大值點，共計315 個；結合31 像素×31像素、41 像素×41 像素和51 像素×51 像素3 個窗口，從農田高程極大值點集中定位凸起特征的頂點。

2.2 分析地形因子綜合隸屬度

農田現實環境中存在大量細碎土塊和秸稈殘茬，嚴重影響農田凸起特征的識別效率及精度。地形因子是數字地形分析的基礎與核心內容，其主要分為宏觀和微觀地形因子[11]。本研究根據農田微地形結構，確定高程、坡度和地形起伏度作為農田高程極大值點的評價指標。高程表征某點沿鉛垂線到大地水準面的距離；坡度計算如式（1）所示，指坡面豎直高度和水平距離的比值；地形起伏度計算如式（2）所示，指局部范圍內地面高程最大值與最小值之差[11]。

式中S?坡度，（°）

fx?高程在水平方向的變化率

fy?高程在垂直方向的變化

RF?地形起伏度，m

Hmax、Hmin?局部窗口下的最大高程、最小高程，m

周侗等[12]研究表明，在單一窗口下受干擾因素影響，無法精準識別試驗地塊的微地形特征。因此，本研究首先利用式（3）對51 像素×51 像素窗口下的高程、地形起伏度和坡度數據進行歸一化處理，使用熵權法對其進行權重賦值，如式（4）～式（6）所示，分別確定高程、地形起伏度和坡度的權重為0.384、0.487和0.129。于是，根據式（7）計算高程極值點在51 像素×51 像素窗口下的地形因子綜合隸屬度。進一步，分別計算31 像素×31 像素與41 像素×41 像素窗口下高程極值點的地形因子綜合隸屬度，并使用線性權重法確定31 像素×31 像素、41 像素×41 像素和51 像素×51 像素窗口的權重為0.252、0.333 和0.415，如式（8）所示。最終，利用式（9）計算多窗口地形因子綜合隸屬度，如表1 所示。

表1 多窗口地形因子綜合隸屬度Tab.1 Comprehensive membership degree of multi window terrain factors

式中i?地形因子序號，i=1，2，3，分別為高程、地形起伏度和坡度

j?高程極值點序號，j=1，2，…，315

k?窗口尺度大小，k=31，41，51

fijk?地形因子的歸一化值

min（xijk）、max（xijk）?在窗口尺度k下第i個地形因子的最小值和最大值

xijk?在窗口尺度k下第j個高程極值點第i個

地形因子的值

Pijk?在窗口尺度k下第j個高程極值點第i個地形因子的概率

Hik?在窗口尺度k下各地形因子的信息熵

ωik?在窗口尺度k下各地形因子的權重

φjk?在窗口尺度k下3 個地形因子對各農田高程極值點的地形因子綜合隸屬度

γk?局部窗口的權重

ψjk?多窗口綜合地形因子綜合隸屬度

3 結果與分析

3.1 提取農田凸起特征

隨著多窗口地形因子綜合隸屬度的增大，相應的高程極大值點成為凸起特征頂點的概率隨之增大。因此，多窗口地形因子綜合隸屬度的閾值取值過小，作物殘茬或細小土塊易被誤判為農田凸起特征；反之，識別農田凸起特征的準確率降低。本研究利用斯特吉斯公式對多窗口地形因子綜合隸屬度進行抽樣處理，以確定最佳的地形因子綜合隸屬度閾值[13]。通過式（10）和式（11）分別計算分級組數n=9 及分級組距D=0.075，確定多窗口地形因子綜合隸屬度與對應的高程極值點數量，繪制高程極值點數量的直方圖，如圖3 所示。

圖3 多窗口地形因子綜合隸屬度頻率Fig.3 Comprehensive membership degree frequency of multiwindow terrain factors

式中n?分級組數

C?農田高程極值點數量（315 個）

D?分級組距，m

φmax、φmin?多窗口地形因子綜合隸屬度的最大值和最小值

由圖3 可知，在0.176～0.627 區間范圍內，隨著地形因子綜合隸屬度的增大，高程極值點的數量未見明顯變化，表征農田中大量不規則分布的細碎土塊與作物殘茬；而在綜合隸屬度0.627 處高程極值點數量急劇減小，即出現尺寸顯著增大的農田凸起特征。因此，確定0.627 作為地形因子綜合隸屬度的閾值，并提取表1 中地形因子綜合隸屬度大于該閾值的農田高程極值點，即農田凸起特征的頂點，共計16 個，實現農田凸起特征的定位，其空間分布如圖4a 所示。

圖4 提取農田凸起特征Fig.4 Extracting hump features of farmland

等高線無法定量描述坡度和地形起伏度等地形信息，但能夠直觀地表達地形結構特征。研究表明，等高距約等于地形圖空間分辨率時可較為完整地表達地形信息[14]。因此，本研究利用3 cm 等高距的等高線圖，并提取上述農田凸起特征頂點的等高線閉合區域，識別農田凸起特征的外形輪廓，如圖4b 所示。

3.2 提取農田洼地特征

RDTM 是一種非客觀存在的地形，以DTM 的平均高程作為水平面基準，經反向翻轉構成的數字地形模型。RDTM 與DTM 存在反轉對稱關系，兩者坡度相差180°，原始DTM 的高程值極小點表現為RDTM 的高程值極大點。因此，原始FDTM 的洼地特征在形態上表現為RFDTM 的凸起特征。建立研究區域的RFDTM，重復前文提取農田凸起特征的方法，獲取9 個農田洼地特征，其空間分布如圖5 所示。

圖5 提取農田洼地特征Fig.5 Extracting concave features of farmland

4 結束語

以陜西省寶雞市某試驗區域為研究對象，采用極飛C2000 型智能測繪無人機進行航拍測繪作業，通過分析農田高程方差隨局部窗口尺度的變化規律，確定適應于試驗田微地形分析的局部窗口尺度范圍為31～51 像素。利用相關系數確定高程、地形起伏度和坡度3 個地形因子，并計算農田高程極大值點在31 像素×31 像素、41 像素×41 像素和51 像素×51 像素窗口下的多窗口地形因子綜合隸屬度，根據閾值法定位16個凸起特征與9 個洼地特征，最終結合農田等高線圖提取上述微地形特征的外形輪廓，實現農田微地形特征的定位與輪廓提取，為精準平整地作業提供支持。