基于無人機高光譜影像和面向對象的農作物精細分類研究

及時、精確地獲取田間農作物空間分布信息可為農作物種植面積提取、產量估算、長勢監測等提供重要依據，對我國農業的可持續發展有重大意義[1]。傳統的作物提取方法主要是通過地面調查，此方法存在調查工作量大、周期長且人力、財力消耗大等缺點，逐漸難以滿足現代農業精細化管理的要求[2]。

如今高光譜遙感技術快速發展，因高光譜影像具有“圖譜合一”分辨率高等優勢，逐漸被廣泛地應用于農作物識別與分類等方面[3。余銘等[4以高光譜影像為數據源，提出基于條件隨機場的分類方法對農作物進行分類。郭欣怡等[使用多級融合的珠海一號高光譜影像對冬小麥進行識別提取。

虞佳維等[以高光譜影像為研究數據，對黃海地區的玉米、小麥以及楊樹3種主要植被進行分類，為區分樹木與糧食作物提供了理論支持。雖然對星載或機載高光譜的農作物研究取得了一定進展，但高光譜數據存在影像空間分辨率低、數據獲取周期長以及成本高等問題，對農田小尺度下農作物種植結構的獲取難以滿足精準化要求。

輕小型成像光譜儀的出現，將無人機高光譜遙感的研究推向熱潮。無人機遙感平臺有較多的優勢，例如操作靈活、戶外采集作業效率高以及低成本等，且獲取的高光譜影像具有更高的空間分辨率[7。目前，眾多學者已使用無人機高光譜遙感影像對農作物進行信息提取及分類等研究。陽昌霞等[使用無人機高光譜影像結合支持向量機和隨機森林對研究區4種農作物進行精細分類，結果表明隨機森林分類效果優于支持向量機，且對大豆和玉米兩類作物有更好的識別性。蘭玉彬等[獲取柑橘冠層的無人機高光譜影像，通過建立判別模型進行病株鑒別，以實現對柑橘黃龍病的管理和防治，為果園智能化種植以及植株病情監測提供幫助。陶惠林等[10]利用無人機高光譜獲取冬小麥生長過程中多個時期的田間數據，通過構建長勢檢測指標對冬小麥長勢進行評估，該方法為無人機高光譜遙感作物長勢監測提供了技術依據。

以像元為單位展開的農作物分類研究難以解決混合像元、光譜混淆等問題，而面向對象的方法是依據影像特征對圖像進行分割，使得同質像元組成大小不同的對象，以對象為基本單元進行分類。面向對象的方法可以充分利用影像的特征，如光譜、紋理及空間等特征，能夠有效地抑制“椒鹽噪聲”[]。目前在農田小尺度下將面向對象的方法用于無人機高光譜影像進行農作物精細分類的研究較少，因此本研究以無人機高光譜影像為數據源，探究農田小尺度下面向對象與機器學習結合進行農作物精細分類的可行性和適用性，旨在為作物種植監測、農業精細化管理等提供有力支持。

1 材料與方法

1.1數據集試驗數據選用武漢大學RSIDEA研究小組獲取并完成預處理的WHU-Hi-LongKou[12-13]數據集，采集地位于中國湖北省龍口鎮，使用安裝在無人機平臺上的Headwall納米超光譜成像傳感器采集。研究區域內主要有玉米、芝麻、棉花、水稻、寬葉大豆和窄葉大豆6種農作物。數據采集過程中天氣良好無云層遮擋，氣溫約為 36^°C ，空氣相對濕度約為 65% ，無人機飛行高度為 500m 。獲取的高光譜影像空間尺寸為 550×400 像素，空間分辨率約為 0.463m ，影像波段數共270個（ 400～1000nm ）圖1a為無人機高光譜影像，圖1b為地面真實圖。

a：三維可視化;b：地面真實圖；c：地物標簽

圖1立方體可視化

1.2 研究方法

1.2.1高光譜數據降維無人機高光譜遙感影像具備高分辨率特性，這使得不同農作物之間的細微信息得以更清晰地呈現，為農作物精細分類研究提供了極為有利的條件。然而，高光譜數據所含波段數量較多，導致影像維度顯著升高，其中部分波段受噪聲干擾的情況也更為突出。如果直接將未經過降維處理的影像用于農作物分類，在增加計算量的同時也會嚴重影響分類效果。因此，需通過ENVI軟件中最小噪聲分離（MNF，Minimumnoisefraction）變換功能進行影像降維處理，通過特征值拐點來判斷降維后影像波段數量。因特征值拐點前的波段所含特征信息較為豐富，而拐點后的波段所含信息基本為零，因此依據變換直方圖（圖2）分析后選取前10個波段。

1.2.2多尺度分割多尺度分割作為面向對象分類過程中重要一步，若分割尺度數值選取過大或過小，則會出現各類型地物欠分割或者過分割的情況，直接影響最終的分類精度[14]。本研究使用eCognition軟件進行影像分割，分割前將圖層權重均設為1，形狀因子（Shape）和緊致度因子（Compactness）均以0.1為步長，分別取 0.1～0.9 的所有值進行組合分割實驗，以地物邊界被準確清晰分割為基準，最終選取Shape為1.0，Compactness為0.5。在此基礎上，通過ESP算法（Estimationof saleparameter）獲取分割尺度，ESP算法通過計算不同分割尺度參數下影像對象同質性的局部變化（LV，Localvariance）的變化率值（ROC-LV，RatesofchangeofLV）來指示對象分割效果的最佳參數[15]。圖3a為ESP算法所獲取的曲線圖，圖中出現多個明顯峰值，經試驗分析，選取7作為最佳分割參數，影像分割效果如圖3b所示。1.2.3最優特征篩選使用eCognition軟件中可選的光譜、紋理及形狀等特征進行影像特征提取，其中對MNF影像的10個波段分別提取均值和標準差特征作為光譜特征，提取特征如表1所示。若所有特征均參與分類會造成數據冗余并增加計算時間，使用eCognition 特征空間優化（Feature spaceoptimization）功能進行特征篩選，通過計算每個特征與其他特征以及與分類目標之間的相關性，篩選掉對分類結果貢獻較小的冗余特征，以減少數據量和計算復雜度，同時避免過擬合[]。最終用于分類的特征有13個，分別是波段2均值、波段3均值、波段5均值、波段2標準差、波段5標準差、面積、長度、寬度、不對稱性、圓度、橢圓擬合、邊界指數、最大橢圓半徑。

圖2波段特征信息圖

1.2.4面向對象分類及精度評價利用eCognition軟件的K-近鄰（KNN，K-Nearestneighbor）分類與回歸樹（CART，Classification and regression tree）、支持向量機（SVM，Support vectormachine）隨機森林（RF，RandomForests）4種機器學習方法建立農作物分類模型。

K-近鄰算法適用性相對廣泛，其核心機制是針對待預測樣本，依據特定距離度量（如歐氏、曼哈頓距離），在訓練集中找出最近的K個已知樣本，分類時依據此K個樣本類別分布，通過多數表決推斷待預測樣本類別[7]。CART決策樹是由Breiman等[18]提出的決策樹架構算法，算法本質是采用遞歸劃分的方式對樣本空間進行劃分，旨在通過對訓練數據的學習，構建出可將輸人數據進行分類或回歸預測的模型。SVM算法是將低維空間數據通過核函數的方式映射到高維空間，以解決低維空間數據線性不可分問題，算法的核心原理是優先找到線性最優分類超平面，使得位于超平面兩側的不同類樣品點群之間的距離最大化，以便使各類別樣本達到最優的可分狀態。RF是Bagging算法和Random subspace算法的結合[19]，由多棵決策樹組成的分類模型，可以構建不同類別的訓練樣本來降低分類模型間的相關性，并有一定的抗擬合能力。最后選用總體精度（OA，Overallaccuracy）Kappa系數、用戶精度（UA，User'saccuracy）和生產者精度（PA，Producer'saccuracy）來評價影像的分類效果。

a：尺度評價圖；b：影像分割圖

表1提取特征列表

2 結果與分析

2.1農作物分類結果采用面向對象的KNN、CART決策樹、SVM、RF機器學習算法進行農作物分類的結果如圖4所示。RF的分類效果最好，各作物地塊完整、連續、邊界清晰，而且分類結果與實際作物的分布狀況有較好的一致性。KNN分類效果最差，各類作物之間錯分嚴重，例如棉花區域部分錯分為寬葉大豆與混合雜草，玉米區域部分被錯分為寬葉大豆，水稻區域部分被錯分為芝麻等。CART決策樹算法對芝麻分類效果相對較好，但對棉花和水稻的分類結果存在嚴重的錯分現象。SVM對芝麻的分類效果相對較好，能夠將其完整、清晰地識別出來，但玉米與棉花部分區域錯分為寬葉大豆、窄葉大豆部分區域錯分為棉花，并且各類作物的邊界處容易錯分為雜草。

a：KNN算法分類;b：CART決策樹算法分類;c：SVM算法分類;d：RF算法分類

圖4分類結果

2.2分類結果精度由表2可知，4種機器學習方法的總體精度由高到低依次為RF（ 95.84% ）gt;SVM （ 93.64% ） gt; CART決策樹（ 91.52% ）gt;KNN（ 87.41% ）。RF的總體精度與Kappa系數最高，總體精度比KNN、CART決策樹和SVM分別高8.43個、4.32個、2.20個百分點，其Kappa系數高達0.9487，比KNN、CART決策樹和SVM分別高出0.1055、0.0537、0.0275。

表2分類結果精度

2.3農作物分類用戶精度和生產者精度從用戶精度UA和生產者精度PA方面分析算法對農作物的分類效果。如表3所示，RF算法分類結果中，玉米和水稻的生產者精度分別為 96.99%97.40% ，居所有算法之首，表明RF算法對這2類作物的漏檢情況優于其余算法；芝麻的生產者精度（ 92.42% ）與CART決策樹并列最高，表明RF算法和CART決策樹算法對芝麻的漏檢程度相當，但RF算法對以上3類作物的用戶精度均低于SVM算法，表明RF算法對這3類作物的錯分情況相對SVM算法更嚴重；另外，棉花的用戶精度僅有 75.28% ，表明RF算法容易將其他類別樣本錯分為該類。SVM算法分類結果中，玉米、芝麻和水稻的用戶精度均為 100% ，表明該算法對這3類作物無錯分的情況，但是玉米和芝麻的生產者精度分別為 87.22%.83.83% ，均居所有算法末位，表明SVM算法對這兩類作物漏檢較為嚴重；SVM算法對棉花和水稻兩類作物分類效果較好，其用戶精度和生產者精度均在 95.00% 以上；該算法對窄葉大豆的分類結果比較特殊，窄葉大豆用戶精度僅有 70.00% ，是所有分類算法中最低的，表明實際為窄葉大豆的樣本中有 30% 被誤分為其他類別，但是生產者精度（ 97.00% ）卻最高，表明模型預測為該類的樣本中漏檢較少。CART決策樹算法分類結果中，芝麻的分類效果較好，用戶精度（ 100% ）是各算法中最高的，其生產者精度（ 92.42% ）與RF算法中芝麻的生產者精度（ 92.42% ）均最高。KNN算法分類結果中，水稻與窄葉大豆的用戶精度為 100% ，表明無錯分情況，但是兩類作物的生產者精度均低于 84.00% ，表明模型預測為這兩類的樣本中存在漏檢。綜合對比分析可知，RF算法對各類作物均有較好的分類識別效果，而CART決策樹、SVM只對部分作物分類識別效果較好，因此RF對各作物的分類更具有適用性。

表3不同方法下作物分類用戶精度及生產者精度 （% ）

3 討論與結論

目前無人機高光譜遙感在農業領域的應用多集中于大尺度作物分類或基于像素級作物分類研究，而針對農田小尺度的農作物分類研究較少。本研究使用面向對象結合機器學習算法的分類方法，驗證無人機高光譜數據在農田小尺度場景下農作物精細分類的可行性和適用性。在RF和SVM分類結果中，對于玉米和寬葉大豆這兩類多樣本作物的分類結果，RF算法優于SVM算法；對于棉花小樣本作物的分類結果，SVM算法優于RF算法；對于芝麻、水稻兩類小樣本作物的分類結果，RF算法對真實樣本的覆蓋能力強于SVM算法，但是對樣本的預測能力弱于SVM算法，這種差異主要源于算法本身，RF算法對噪聲數據和異常值不敏感，多棵樹的集成可降低過擬合風險，并且該算法通過自助采樣平衡類別分布，適用于多樣本、高維度數據，而SVM算法對小樣本數據表現優異，但參數取值對結果影響較大，需精細調參。以上研究結果中，RF算法和SVM算法對玉米和寬葉大豆的分類結果與陽昌霞等[研究結果一致；因算法之間的差異導致了對各作物的不同分類效果，這與劉康康等[17]對樹種的分類研究結果一致。

本研究以無人機高光譜遙感影像為研究數據，通過采用面向對象與多種機器學習結合的方法，探究了在農田小尺度下進行農作物精細分類的可行性與適用性，一定程度上實現了農田小尺度下農作物的分類，但是存在一定的局限性，如數據降維方法選取單一，未系統對比其他降維方法對分類結果的影響；另外算法參數優化不足，未通過交叉驗證指標客觀分析算法參數取值對分類結果的影響，后續待進一步完善。研究表明，面向對象的方法能夠清晰區分各類作物邊界，為精細分類奠定了基礎；多種分類模型中隨機森林方法的分類總體精度高達 95.84% ，Kappa系數達0.9487，分類結果與實際作物分布有較好的一致性，能夠較好地分類識別各類作物，并且對玉米的分類效果最好；以上結果表明，基于無人機高光譜影像的面向對象結合機器學習方法，在農田小尺度進行農作物分類是可行且適用的，可進一步為農作物精細分類提供理論支持。

參考文獻

[1]張影，趙小娟，王迪.基于高光譜遙感的農作物分類研究進展.中國農業信息，2019，31（5）：1-12

[2]鄭西方.基于無人機高光譜影像的典型農作物精細分類研究.科學技術創新，2021（23）：1-3

[3]郭交，朱琳，靳標.基于Sentinel-1和Sentinel-2數據融合的農作物分類.農業機械學報，2018，49（4）：192-198

[4]余銘，魏立飛，尹峰，李丹丹，黃慶彬.基于條件隨機場的高光譜遙感影像農作物精細分類.中國農業信息，2018，30（3）：74-82

[5]郭欣怡，呂揚，王源，宣兆新.多級融合的珠海一號高光譜影像冬小麥分類.北京測繪，2023，37（10）：1391-1396

[6]虞佳維，程志慶，張勁松，王鶴松，蔣躍林，楊書運.高光譜信息的農林植被種類區分.光譜學與光譜分析，2018，38（12）：3890-3896

[7]劉斌，史云，吳文斌，段玉林，趙立成.基于無人機遙感可見光影像的農作物分類.中國農業資源與區劃，2019，40（8）：55-63

[8]陽昌霞，劉漢湖，張春.基于SVM與RF的無人機高光譜農作物精細分類.河南科學，2020，38（12）：1987-1995

[9]蘭玉彬，朱梓豪，鄧小玲，練碧楨，黃敬易，黃梓效，胡潔.基于無人機高光譜遙感的柑橘黃龍病植株的監測與分類.農業工程學報，2019，35（3）：92-100

[10]陶惠林，徐良驥，馮海寬，楊貴軍，苗夢珂，林博文.基于無人機高光譜長勢指標的冬小麥長勢監測.農業機械學報，2020，51（2）：180-191

[11]張瀾，王妮，朱冰雪，李丹，謝巴圖，隋智鐘，陳圣波.基于無人機高分辨率影像的農作物分類研究.江西農業學報，2022，34（2）：178-187

[12]ZhongYF，HuX，LuoC，WangXY，ZhaoJ，ZhangLP.WHU-Hi：UAV-borne hyperspectral with high spatial resolution （ ?H²"）benchmark datasetsandclassifier for precise crop identification basedondeepconvolutional neural networkwith CRF.Remote SensingofEnvironment，2020，250：112012

[13]ZhongYF，WangXY，XuY，WangSY，JiaTY，ZhaoJ，WeiLF，ZhangLP.Mini-UAV-bornehyperspectralremotesensing：Fromobservation and processing to applications.IEEEGeoscience andRemote SensingMagazine，2018，6（4）：46-62

[14]馬燕妮，明冬萍，楊海平.面向對象影像多尺度分割最大異質性參數估計.遙感學報，2017，21（4）：566-578

[15]金夢婷，徐權，郭鵬，韓寶華，金軍.基于面向對象多特征學習的無人機影像農作物精細分類方法.遙感技術與應用，2023，38（3）：588-598

[16]黃磊，全思湘，王珍香.基于eCognition平臺的第三次全國國土調查應用研究.國土資源導刊，2021，18（1）：21-26

[17]劉康康，鐘浩，林文樹.基于不同機器學習算法的無人機高光譜影像樹種分類研究.森林工程，2024，40（4）：98-108

[18]BreimanL，FridmanJ，OlshenRA，StoneCJ.Classificationandregression trees.London：Chapmanamp;Hall/CRC，1984

[19]趙宇虹.隨機森林遙感信息提取研究進展及應用研究.測繪與空間地理信息，2021，44（3）：133-136，139（收稿日期：2025-04-15）