趙立成，段玉林，史 云，張保輝

（中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感重點(diǎn)實(shí)驗(yàn)室，北京100081）

0 引言

小麥（Triticumspp.或Triticum aestivumL.）長期以來一直是產(chǎn)量最高的谷物之一［1］。小麥的高產(chǎn)高效對(duì)于解決全球人口糧食問題和實(shí)現(xiàn)糧食安全具有重要意義。倒伏，定義為地上部分的永久位移［2］，是小麥高產(chǎn)、穩(wěn)產(chǎn)和優(yōu)質(zhì)的重要限制因素之一，也是小麥超高產(chǎn)育種亟待解決的問題［3］。研究表明，幾乎所有產(chǎn)量和籽粒品質(zhì)的參數(shù)，包括籽粒長度與籽粒寬度的比例，糊化溫度和凝膠稠度，都受到倒伏的顯著影響，從而惡化。在灌漿期提前一天倒伏可導(dǎo)致產(chǎn)量損失2.66%～2.71%，結(jié)實(shí)率降低1.8～2.6個(gè)百分點(diǎn)，千粒重減少0.26～0.32 g，碾米率下降0.097～0.155個(gè)百分點(diǎn)，堊白粒率上升0.13～0.27個(gè)百分點(diǎn)，蛋白質(zhì)含量上升0.021～0.024個(gè)百分點(diǎn)，進(jìn)而降低食用品質(zhì)［4］。作物倒伏不僅會(huì)造成產(chǎn)量和質(zhì)量的降低，還會(huì)影響農(nóng)業(yè)機(jī)械的自動(dòng)化收割［5］。及時(shí)準(zhǔn)確地監(jiān)測(cè)小麥倒伏情況對(duì)于獲取災(zāi)害信息、指導(dǎo)災(zāi)后處理、定損估產(chǎn)和協(xié)助機(jī)械化收割等方面具有重要意義。小麥抗倒伏能力與種植密度（Z）、施氮量（N）、施磷量（P）、施鉀量（K）等多方面因素有關(guān)［6-9］。準(zhǔn)確地獲取小麥倒伏情況有利于建立與栽培方式之間的聯(lián)系，從而指導(dǎo)育種栽培和生產(chǎn)管理［10-11］。然而，傳統(tǒng)的倒伏信息獲取方法（人工法）需要調(diào)查人員深入災(zāi)區(qū)測(cè)量倒伏面積和位置，既費(fèi)力又主觀［12］。對(duì)大面積倒伏災(zāi)害來說，其較低的工作效率往往無法滿足實(shí)際需求［13］，并且，依靠人工的倒伏評(píng)估，經(jīng)常導(dǎo)致農(nóng)業(yè)災(zāi)害評(píng)估中的補(bǔ)償糾紛［14］。

遙感技術(shù)特別是無人機(jī)技術(shù)的發(fā)展為作物倒伏識(shí)別提供了新的思路。戴建國等［15］利用無人機(jī)遙感多光譜影像進(jìn)行棉花倒伏識(shí)別研究；田明璐等［16］利用無人機(jī)多光譜遙感進(jìn)行水稻的倒伏監(jiān)測(cè)研究；鄭二功等［17］利用無人機(jī)影像進(jìn)行玉米倒伏研究。Du等［1］利用無人機(jī)獲取的影像識(shí)別小麥倒伏情況，生成導(dǎo)航圖，指導(dǎo)司機(jī)和自動(dòng)收獲車輛根據(jù)特定的倒伏情況調(diào)整操作速度，從而減少收獲損失。

在小麥倒伏識(shí)別研究中，吳尚蓉等［18］利用圖像的光譜信息進(jìn)行冬小麥倒伏研究；楊浩等［19］通過雷達(dá)極化特征進(jìn)行小麥倒伏識(shí)別；李廣等［20］通過圖像的紋理信息進(jìn)行小麥倒伏識(shí)別研究。作物倒伏的光譜、紋理和雷達(dá)極化特征復(fù)雜，并且根據(jù)作物品種、栽培方式和生長環(huán)境的不同存在一定的差異。作物冠層高度是能夠直接表征作物倒伏情況的關(guān)鍵特征，但目前依據(jù)作物冠層高度進(jìn)行小麥倒伏識(shí)別的研究較少。

該研究使用搭載數(shù)碼相機(jī)的無人機(jī)遙感平臺(tái)，利用獲取的單張照片生成的數(shù)字表面模型進(jìn)行田塊尺度的小麥倒伏識(shí)別研究，為智慧農(nóng)業(yè)育種栽培提供準(zhǔn)確依據(jù)。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

研究區(qū)位于山西省運(yùn)城市山西省農(nóng)業(yè)科學(xué)院棉花科學(xué)研究所牛家凹農(nóng)場(chǎng)（35°11′21.73″N，111°5′18.49″E），如圖 1。運(yùn)城全年受季風(fēng)活動(dòng)影響，屬暖溫帶大陸性季風(fēng)氣候。冬季受西伯利亞干冷氣流控制，盛行西北季風(fēng)，氣候特點(diǎn)為寒冷、干燥；夏季受太平洋暖濕氣流控制，盛行東南季風(fēng)，氣候特點(diǎn)是高溫、多雨，降雨集中且多暴雨和雷陣雨。年均氣溫13.3℃，1月均溫-2.2℃，7月均溫27.4℃；日照時(shí)長2 039.5 h；霜凍期為10月下旬至次年4月上旬，無霜期212 d［21］。

圖1 研究區(qū)域（淺綠色為小麥倒伏區(qū)域，深綠色為正常小麥，作物間棕色行帶為田?。〧ig.1 Study area （Light green areas show the lodged wheat，dark green areas are normal wheat，and brown lines are ridges）

1.2 數(shù)據(jù)獲取

該研究數(shù)據(jù)獲取平臺(tái)采用大疆精靈4 Advanced（圖2），搭載2.54 cm 2 000萬像素影像傳感器，機(jī)身總重量為1 368 g。數(shù)據(jù)獲取于2019年6月1日12點(diǎn)，天氣晴朗無云，航高30 m，飛行速度為7 m/s。根據(jù)現(xiàn)場(chǎng)調(diào)查和目視解譯獲得的小麥倒伏真值數(shù)據(jù)如圖3a所示。

圖2 研究采用的無人機(jī)平臺(tái)（大疆精靈4 Advanced）Fig.2 UAV platform used in the study （DJI PHANTOM 4 ADVANCED）

2 研究方法

2.1 數(shù)據(jù)預(yù)處理

根據(jù)獲取的單張相片及其寫入的POS（Positioning Orentation System）數(shù)據(jù)，利用動(dòng)態(tài)結(jié)構(gòu)（Structure from Motion，SfM）算法進(jìn)行特征點(diǎn)匹配，通過密集多視角立體匹配（Dense Multiple View Stereo，DMVS）算法構(gòu)建點(diǎn)云數(shù)據(jù)，最終生成研究區(qū)正射影像DOM（Digital Orthophoto Map）和數(shù)字表面模型DSM（Digital Surface Model）。

2.2 隨機(jī)森林分類

隨機(jī)森林（Random Forest，RF）是一種優(yōu)秀的機(jī)器學(xué)習(xí)算法，通過集成學(xué)習(xí)的思想將多棵樹集成，它的基本單元是決策樹，而它的本質(zhì)屬于機(jī)器學(xué)習(xí)的一大分支——集成學(xué)習(xí)（Ensemble Learning）方法。隨機(jī)森林具有極好的準(zhǔn)確度，能夠運(yùn)行在大數(shù)據(jù)集上，能夠處理高維特征而不需要降維等優(yōu)點(diǎn)。模型訓(xùn)練樣本為圖3a中真值數(shù)據(jù)的0.1%。

2.3 精度評(píng)價(jià)

該研究采用地面真實(shí)感興趣區(qū)ROI（圖3a）的99.9%作為驗(yàn)證樣本，與分類結(jié)果進(jìn)行比較生成混淆矩陣。根據(jù)混淆矩陣分別計(jì)算倒伏、未倒伏和田埂的總體分類精度、制圖精度、用戶精度和Kappa系數(shù)。

3 結(jié)果與分析

通過隨機(jī)森林模型訓(xùn)練后的分類結(jié)果如圖3b所示，其中淺綠色為小麥倒伏區(qū)域，深綠色為正常小麥，褐色區(qū)域?yàn)樘锕　?/p>

從目視效果上來看，依靠RGB可見光譜信息可以識(shí)別小麥的倒伏情況，如圖3b所示，但是存在較嚴(yán)重的椒鹽現(xiàn)象，尤其是在正常小麥生長區(qū)域，存在大量的“椒鹽斑塊”被識(shí)別為倒伏小麥，這與小麥倒伏和正常植株在部分情況下的光譜混淆有一定關(guān)系。當(dāng)可見光波段加入代表作物冠層高度的DSM數(shù)據(jù)后，如圖3c所示，整體分類效果明顯提升，減少甚至消除了倒伏識(shí)別中的椒鹽現(xiàn)象，分類結(jié)果更好。在根據(jù)光譜信息不同的基礎(chǔ)上，依靠倒伏小麥和正常小麥的冠層高度不同，能夠明顯識(shí)別小麥倒伏的發(fā)生，分類結(jié)果更加準(zhǔn)確。

圖3 小麥倒伏真值數(shù)據(jù)與分類結(jié)果：a. 倒伏真值數(shù)據(jù)（底圖為無人機(jī)影像，疊加的色塊為真值）；b. RGB波段影像分類結(jié)果；c. RGB+DSM波段分類結(jié)果Fig.3 Wheat lodging true value and classification results

對(duì)于田埂的識(shí)別，由于田埂與倒伏小麥均在冠層高度上低于正常小麥，在加入代表冠層高度的DSM數(shù)據(jù)后，使得田埂的識(shí)別結(jié)果發(fā)生了一些混淆，少量的田埂被識(shí)別為倒伏小麥，這在僅依靠光譜信息的分類結(jié)果中并沒有發(fā)生。

該研究根據(jù)驗(yàn)證樣本計(jì)算了僅依靠可見光譜信息和增加DSM信息后的分類精度，總體分類精度和Kappa系數(shù)如表1，各地物類別的分類精度如表2。

表1 分類總體精度和Kappa系數(shù)Table1 The overall accuracy and Kappa coefficient of classification

基于可見光小麥倒伏的總體分類精度為90.89%，Kappa系數(shù)為0.82，在增加DSM數(shù)據(jù)后的分類總體精度為98.41%，Kappa系數(shù)為0.97。研究表明由無人機(jī)獲取的代表作物冠層高度信息的DSM數(shù)據(jù)能夠顯著提升小麥倒伏的識(shí)別效果，依賴于光譜和高程信息的倒伏識(shí)別精度更高，識(shí)別結(jié)果也更可靠。

表2 各類別分類精度Table 2 The accuracy of every classes

由表2的分類精度比較可以看出，在加入DSM數(shù)據(jù)后，對(duì)小麥的倒伏和正常植株的識(shí)別精度均有明顯的提升，無論是在生產(chǎn)者精度還是在用戶精度方面。但在田埂的識(shí)別中，增加DSM數(shù)據(jù)會(huì)對(duì)田埂的識(shí)別造成一些干擾，主要表現(xiàn)在部分田埂被識(shí)別為倒伏小麥，基于可見光和DSM數(shù)據(jù)的田埂識(shí)別生產(chǎn)者精度略低于僅依靠光譜信息的識(shí)別效果。但在用戶精度方面，加入DSM數(shù)據(jù)后田埂的識(shí)別精度明顯高于只依靠光譜信息的識(shí)別結(jié)果，也就是說，增加DSM數(shù)據(jù)后，對(duì)田埂的識(shí)別提出了更嚴(yán)格的要求，需要在光譜和高程2個(gè)方面滿足模型的要求，從而使識(shí)別結(jié)果在用戶精度方面得到進(jìn)一步提升。

4 結(jié)論

該文提出依靠無人機(jī)搭載消費(fèi)級(jí)相機(jī)獲得的DSM數(shù)據(jù)，結(jié)合可見光數(shù)據(jù)進(jìn)行小麥倒伏識(shí)別的方法。該方法比單純依靠可見光光譜數(shù)據(jù)進(jìn)行小麥倒伏和正常植株的識(shí)別精度更高。但是在利用該方法時(shí)田埂由于其高度與倒伏小麥高度類似，容易對(duì)結(jié)果產(chǎn)生干擾，還需要進(jìn)一步提升田埂的識(shí)別精度，以保證對(duì)小麥倒伏的正確識(shí)別。無論從總體精度還是分類結(jié)果的可靠性方面比較，基于無人機(jī)獲取的可見光數(shù)據(jù)結(jié)合DSM數(shù)據(jù)進(jìn)行小麥倒伏識(shí)別的結(jié)果明顯優(yōu)于僅依靠可見光數(shù)據(jù)獲得的識(shí)別結(jié)果。該研究證明了基于無人機(jī)搭載消費(fèi)級(jí)相機(jī)獲取的DSM數(shù)據(jù)在農(nóng)作物倒伏識(shí)別中的可行性，提供了一種自動(dòng)識(shí)別作物倒伏的新思路和新方法。

該文提出的基于無人機(jī)DSM進(jìn)行農(nóng)作物倒伏識(shí)別方法也存在一定的局限性，由于研究區(qū)位于平原，整體耕地基準(zhǔn)面高程均一，該研究使用了反映小麥冠層表面的DSM數(shù)據(jù)代表作物冠層高度。在未來的研究中，針對(duì)部分地區(qū)耕地高程變化的情況，可以考慮使用時(shí)序或在獲取耕地基準(zhǔn)面數(shù)據(jù)的基礎(chǔ)上進(jìn)一步進(jìn)行作物倒伏識(shí)別研究，進(jìn)而實(shí)現(xiàn)更精準(zhǔn)更智能的倒伏識(shí)別。