張新樂(lè)，官海翔，劉煥軍,2，孟祥添，楊昊軒，葉 強(qiáng)，于 微，張漢松※

(1.東北農(nóng)業(yè)大學(xué)公共管理與法學(xué)院，哈爾濱150030：2.中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所，長(zhǎng)春130012)

0 引 言

中國(guó)是一個(gè)農(nóng)業(yè)大國(guó)，也是世界上受風(fēng)災(zāi)影響較為嚴(yán)重的國(guó)家[1]。風(fēng)災(zāi)倒伏面積的準(zhǔn)確提取，能夠?yàn)闉?zāi)后的農(nóng)業(yè)生產(chǎn)、政府決策以及農(nóng)業(yè)保險(xiǎn)理賠，提供數(shù)據(jù)和技術(shù)支持[2-3]。傳統(tǒng)的作物風(fēng)災(zāi)倒伏信息是通過(guò)田間實(shí)測(cè)的方式獲取，工作量比較大；衛(wèi)星遙感技術(shù)雖然能夠進(jìn)行全方面、大范圍地提取倒伏面積信息，但時(shí)效性相對(duì)較差，且影像易受云層干擾[4-5]，而且一般衛(wèi)星影像的空間分辨率難以滿足地塊尺度下的倒伏面積信息精準(zhǔn)提取。近些年來(lái)，無(wú)人機(jī)遙感憑借精度高、受地形約束小、成本低、操作簡(jiǎn)便等優(yōu)勢(shì)，迅速占領(lǐng)了遙感市場(chǎng)，并逐漸成為農(nóng)業(yè)災(zāi)害信息獲取的重要方式[6-7]。與衛(wèi)星遙感相比，無(wú)人機(jī)遙感不僅具有更高的時(shí)間和空間分辨率，而且能夠獲取田塊尺度作物的空間變異信息，能反映地塊內(nèi)部不同位置和生長(zhǎng)期作物的長(zhǎng)勢(shì)差異[8-11]。因此，無(wú)人機(jī)遙感技術(shù)非常適用于田塊尺度的作物倒伏面積提取。

目前國(guó)內(nèi)外研究主要使用無(wú)人機(jī)圖像或衛(wèi)星遙感影像，選取對(duì)倒伏作物識(shí)別度較高的特征對(duì)作物倒伏面積信息進(jìn)行提取。Liu 等利用無(wú)人機(jī)獲取的彩色圖像和熱紅外數(shù)據(jù)，構(gòu)建了倒伏水稻的識(shí)別模型，并對(duì)模型的識(shí)別精度進(jìn)行了驗(yàn)證[12]。李廣等對(duì)無(wú)人機(jī)彩色圖譜進(jìn)行了二次低通濾波分析，并將兩種單特征的線性擬合作為特征集，由此提取了小麥倒伏的空間分布[13]。李宗南等利用Worldview-2 多光譜影像，分析了灌漿期倒伏玉米地塊的紋理和光譜特征，基于優(yōu)選的3 波段紋理和光譜特征估算了倒伏玉米面積[14]。Yang 等將無(wú)人機(jī)圖像、紋理特征和數(shù)字表面模型進(jìn)行了不同組合，并計(jì)算了不同組合特征中各類作物形態(tài)的分類精度，選取了彩色圖像和數(shù)字表面模型組合特征作為倒伏水稻識(shí)別的指標(biāo)[15]。李宗南等將研究區(qū)內(nèi)的作物形態(tài)劃分為倒伏玉米與未倒伏玉米兩類，通過(guò)對(duì)該兩類作物形態(tài)的紋理特征對(duì)比，選取了均值紋理特征作為倒伏玉米識(shí)別的指標(biāo)[16]。Han 等使用無(wú)人機(jī)獲取了倒伏玉米的多光譜和可見光圖像，并提取紋理、冠層結(jié)構(gòu)、植被指數(shù)等參數(shù)，以其為輸入量構(gòu)建了2 種倒伏提取的Logistic 模型，并驗(yàn)證了模型的精度[17]。Chu 等利用超空間分辨率的無(wú)人機(jī)影像構(gòu)建了玉米的冠層高度模型，通過(guò)設(shè)立高度閾值，實(shí)現(xiàn)了倒伏與未倒伏玉米的分類[18]。毛智慧等通過(guò)無(wú)人機(jī)傾斜測(cè)量的方式獲取了倒伏作物的數(shù)字表面模型（DSM），并結(jié)合無(wú)人機(jī)圖像的色彩特征，進(jìn)行了玉米倒伏信息提取[19]。劉良云等基于倒伏前后的兩景TM 影像，利用NDVI 值監(jiān)測(cè)了小麥抽穗初期的倒伏發(fā)生程度[20]。王立志等利用多時(shí)相的多光譜衛(wèi)星影像，分析了抽雄期玉米倒伏前后的多種植被指數(shù)變化，采用RVI差值監(jiān)測(cè)了倒伏受災(zāi)范圍[21]。但以上研究主要集中于作物生長(zhǎng)旺盛期的倒伏信息提取，而未對(duì)完熟期的作物倒伏提取進(jìn)行研究，并且所使用的倒伏提取特征主要以單類紋理、光譜與植被指數(shù)特征或不同類型特征間的組合為主，弱化了紋理特征對(duì)于倒伏作物的空間域形態(tài)信息的反映，也未對(duì)紋理特征提取倒伏作物的最優(yōu)維數(shù)進(jìn)行探討，這在一定程度上造成了倒伏識(shí)別特征的信息冗余和分類結(jié)果的過(guò)擬合效應(yīng)。

正常生長(zhǎng)的玉米在完熟期葉綠素含量較低，其葉片呈現(xiàn)淡黃色，與倒伏玉米葉片的顏色很相似，兩者的反射光譜特征差異較小[22]。而處于生長(zhǎng)發(fā)育旺盛期的玉米，其倒伏前后的光譜特征差異較大，因此基于生長(zhǎng)旺盛期的玉米倒伏識(shí)別特征并不適用于完熟期玉米倒伏面積識(shí)別。本文利用5 波段的無(wú)人機(jī)多光譜數(shù)據(jù)，分析研究區(qū)內(nèi)不同作物形態(tài)的光譜、植被指數(shù)及紋理特征，優(yōu)選分類誤差最低的特征組合，提取完熟期玉米地塊內(nèi)的倒伏面積，定量分析和評(píng)價(jià)倒伏面積提取精度，以期尋求最佳的完熟期玉米倒伏面積識(shí)別的特征組合和方法，為農(nóng)業(yè)災(zāi)損的精準(zhǔn)評(píng)估提供技術(shù)參考。

1 材料與方法

1.1 研究區(qū)概況

友誼農(nóng)場(chǎng)位于黑龍江省雙鴨山市友誼縣西部，隸屬于黑龍江農(nóng)墾總局紅興隆管理局，研究區(qū)位于該農(nóng)場(chǎng)西北部，常年種植玉米，占地面積為172 975 m2，地理坐標(biāo)為131.6°E，46.7°N，具體位置如圖1所示。此地塊玉米正處于完熟期，并存在4 類典型作物形態(tài)，主要包括：長(zhǎng)勢(shì)較差、葉片呈現(xiàn)綠色的未倒伏A 類玉米；長(zhǎng)勢(shì)較好、葉片呈淡黃色的未倒伏B 類玉米；葉片呈現(xiàn)淡黃色的倒伏玉米；輻射亮度較低、分布零散的陰影區(qū)域。該地區(qū)位于三江平原地區(qū)，氣候?qū)儆跍貛Т箨懶约撅L(fēng)氣候，雨熱同期，冬季干燥，夏季溫?zé)岫嘤?。平均年降雨量?40 mm 左右，年日照時(shí)數(shù)約為2 500 h，有效積溫達(dá)2 300 ℃，海拔高度在64～70 m 之間，地勢(shì)平坦，土壤類型為暗棕壤，肥力較高。主要種植玉米和水稻，一年一熟。

1.2 數(shù)據(jù)獲取

本實(shí)驗(yàn)采用大疆600 M Pro 六旋翼式飛行器作為遙感平臺(tái)，該平臺(tái)質(zhì)量為10 kg，最大可承受風(fēng)速8 m/s，能夠在-10～40 ℃的溫度環(huán)境下正常工作，最大承重上限5.5 kg，最高續(xù)航時(shí)間是38 min。根據(jù)飛行器的荷載重量，搭載MicaSense RedEdge?3 多光譜相機(jī)，該相機(jī)有紅、綠、藍(lán)、紅邊、近紅外5 個(gè)波段，配備光強(qiáng)傳感器和一塊白板。在飛行過(guò)程中，光強(qiáng)傳感器可以校正太陽(yáng)光線的變化對(duì)影像所產(chǎn)生的影響，白板則具有固定的反射率信息，利用白板對(duì)影像進(jìn)行校正即可生成反射率圖像。數(shù)據(jù)采集時(shí)間為2018 年9 月12 日，天氣晴朗無(wú)云，風(fēng)速小于1 級(jí)，適合飛行。為保證影像的完整和準(zhǔn)確，通過(guò)地面站設(shè)置飛行的航向重疊為80%，旁向重疊為79%，主航線角度99°，邊距-1.8 m，航線9 條，飛行高度為110 m，實(shí)際高度109.5 m，圖像的空間分辨率為0.074 m，航拍完成后采用自動(dòng)返航的方式降落。

圖1 研究區(qū)位置及驗(yàn)證點(diǎn)分布Fig.1Locationandverificationpointdistributionofresearcharea

1.3 數(shù)據(jù)處理

首先對(duì)無(wú)人機(jī)采集的照片進(jìn)行篩選，去除姿態(tài)角度異常、成像存在問(wèn)題的圖像。將篩選后的圖像和POS 數(shù)據(jù)輸入Pix4D mapper 軟件中，根據(jù)相機(jī)的配置調(diào)整處理參數(shù)。運(yùn)行軟件后，應(yīng)用會(huì)自動(dòng)生成連接點(diǎn)并與POS 數(shù)據(jù)參與空三運(yùn)算，由此得到每一張航拍影像的準(zhǔn)確外方位元素和加密點(diǎn)的坐標(biāo)。經(jīng)點(diǎn)云加密后，軟件會(huì)自動(dòng)生成數(shù)字表面模型，以此作為數(shù)字微分糾正的依據(jù)對(duì)影像進(jìn)行正射校正[23-24]。

1.4 研究方法

1.4.1 研究技術(shù)路線

研究首先基于無(wú)人機(jī)多光譜特征圖譜分別選取4類作物形態(tài)的統(tǒng)計(jì)區(qū)域，提取并分析每一類統(tǒng)計(jì)區(qū)域的光譜、植被指數(shù)與紋理特征。然后經(jīng)過(guò)特征篩選后分別構(gòu)建適于倒伏提取的光譜、植被指數(shù)、單類紋理與多類紋理特征，利用以上4種特征組合分別結(jié)合最大似然法進(jìn)行分類得到4種倒伏玉米面積的提取結(jié)果。最后驗(yàn)證每種結(jié)果的Kappa系數(shù)和面積誤差，分析倒伏玉米面積提取精度，優(yōu)選倒伏玉米面積提取的最佳方法。技術(shù)路線如圖2所示。

1.4.2 特征統(tǒng)計(jì)樣區(qū)選擇

根據(jù)目視解譯，依照玉米葉片的不同顏色將未倒伏玉米分為未倒伏A類和未倒伏B類；垂直特征不明顯，壟向性較差的玉米歸為倒伏玉米；黑色區(qū)域歸為陰影。從多光譜影像上均勻選取未倒伏A類2 113.76 m2、未倒伏B類2 189 m2、倒伏區(qū)域2 164.07 m2，3類作物形態(tài)分別選5處，由于圖上陰影區(qū)域分布零散且面積較小，因此陰影區(qū)域選擇50處，共計(jì)253 m2。4類統(tǒng)計(jì)樣區(qū)的選擇應(yīng)均質(zhì)且不能包含其他類別。其中，未倒伏A類主要為地塊東部受大風(fēng)影響嚴(yán)重，葉表呈翠綠色，長(zhǎng)勢(shì)較差的未倒伏區(qū)域；未倒伏B 類為地塊西部受大風(fēng)影響較小，葉片表現(xiàn)為淡黃色特征，長(zhǎng)勢(shì)較好的未倒伏區(qū)域；倒伏區(qū)域?yàn)榈貕K東部邊緣，受大風(fēng)影響而發(fā)生倒伏的區(qū)域；陰影區(qū)多為未倒伏玉米在倒伏玉米區(qū)域上的投影以及南側(cè)防護(hù)林的陰影。

圖2 倒伏玉米面積提取技術(shù)路線圖Fig.2 Technology roadmap of maize lodging area

1.4.3 光譜特征選擇

分別計(jì)算4 類特征統(tǒng)計(jì)樣區(qū)中各個(gè)波段的反射率均值，對(duì)應(yīng)各波段波長(zhǎng)的中心位置，繪制每個(gè)類別的光譜反射率曲線，統(tǒng)計(jì)4 類區(qū)域在各波段上反射率的平均差異。雖然本研究使用的多光譜數(shù)據(jù)具有定量的光譜信息，但不同類別作物形態(tài)之間的反射率差異過(guò)小仍會(huì)產(chǎn)生較多的錯(cuò)分像元[25-27]，進(jìn)而影響倒伏面積提取的精度，因此為增強(qiáng)各類區(qū)域之間的反射率差異，減少錯(cuò)分像元數(shù)量，本研究根據(jù)計(jì)算結(jié)果，選取平均差異相對(duì)較大的藍(lán)、綠、紅3個(gè)波段作為倒伏面積提取的光譜特征指標(biāo)。

1.4.4 植被指數(shù)法

歸一化植被指數(shù)（normalized difference vegetation index,NDVI）通過(guò)非線性拉伸的方式增強(qiáng)了紅波段與近紅外波段反射率之間的差異，是反映農(nóng)作物生長(zhǎng)狀況和植被覆蓋密度的重要指標(biāo)[28-29]；而紅邊歸一化植被指數(shù)（red edge normalized difference vegetation index, NDVIR-edge）則更能夠反映葉冠層的細(xì)小變化、植被片斷和衰老等信息，這些信息通過(guò)紅波段與紅邊波段反射率的非線性拉伸而得以體現(xiàn)[30-31]。NDVI與NDVIR-edge的計(jì)算公式：

式中BRed為無(wú)人機(jī)多光譜影像中的紅波段；BNir為近紅外波段；B717為紅邊波段，其中心波長(zhǎng)為717 nm。

基于無(wú)人機(jī)獲取的多光譜影像分別提取NDVI 和NDVIR-edge，提取每類特征統(tǒng)計(jì)樣區(qū)中的植被指數(shù)，分別統(tǒng)計(jì)2種植被指數(shù)中每類作物形態(tài)的均值。

1.4.5 紋理特征選擇

對(duì)影像進(jìn)行灰度共生矩陣的紋理濾波，得到各波段的均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩、相關(guān)性等8類，共40項(xiàng)紋理特性，并統(tǒng)計(jì)各類區(qū)域中每項(xiàng)紋理特征的均值[32-33]。以統(tǒng)計(jì)結(jié)果作為分析的原始數(shù)據(jù)，分別進(jìn)行基于單類和多類紋理特征的倒伏面積提取特征選擇。

1）單類紋理特征選擇：在只選取單類紋理特征作為倒伏面積提取指標(biāo)的條件下，為使提取的倒伏面積更加準(zhǔn)確，實(shí)驗(yàn)將基于8 類紋理特征，分別建立4 類作物形態(tài)的訓(xùn)練樣區(qū)，利用最大似然法進(jìn)行分類，根據(jù)分類結(jié)果選取適于區(qū)分4 類作物形態(tài)，倒伏面積提取精確的紋理特征。通過(guò)反復(fù)試驗(yàn)，最終選取均值紋理特征。

2）多類紋理特征選擇：為了盡可能地降低紋理特征的維數(shù)，去除維數(shù)冗余所產(chǎn)生噪聲信息，本文首先選取均值、對(duì)比度2類紋理描述，作為倒伏玉米面積提取的基礎(chǔ)特征池，利用該特征池結(jié)合最大似然法進(jìn)行分類，均勻選取倒伏和未倒伏玉米驗(yàn)證樣本各50 個(gè)，計(jì)算提取結(jié)果的Kappa系數(shù)。然后，以該特征池為基礎(chǔ)，以一類紋理向量為步長(zhǎng)，對(duì)該特征集進(jìn)行維數(shù)疊加，驗(yàn)證每次紋理向量疊加后分類結(jié)果的Kappa 系數(shù)，從而確定最優(yōu)的分類維度，驗(yàn)證過(guò)程如圖3 所示。根據(jù)圖3 的結(jié)果，本研究最終確定多類紋理特征組合的最優(yōu)維數(shù)為15 維，共計(jì)3 類紋理特征。

圖3 不同維數(shù)下的Kappa系數(shù)變化Fig.3 Variation of Kappa coefficients at different dimensions

在確定用于分類的紋理特征之前，本研究將先對(duì)劃分的未倒伏A類、未倒伏B類、倒伏以及陰影區(qū)的各項(xiàng)紋理特征進(jìn)行對(duì)比分析，并統(tǒng)計(jì)4 類作物形態(tài)之間各類紋理特征的相對(duì)差異度。為了使所選紋理特征保有最大類間差異和最低類內(nèi)離散度，進(jìn)而提高分類特征的魯棒性，本文選取了每2 類區(qū)域?qū)Ρ戎虏町惗容^大的4 類紋理特征，分別為均值、對(duì)比度、二階矩和協(xié)同性紋理特征。任選3 類特征進(jìn)行組合，驗(yàn)證每種特征組合下倒伏玉米提取結(jié)果的Kappa 系數(shù)，選出Kappa 系數(shù)最高的紋理特征組合。經(jīng)反復(fù)試驗(yàn)，最后確定用于分類的紋理特征分別為均值、對(duì)比度和協(xié)同性。

1.4.6 倒伏面積提取和精度驗(yàn)證

分別對(duì)NDVI、NDVIR-edge、單類紋理特征、多類紋理特征、光譜特征，共5 類特征集進(jìn)行分類，由此獲得每一類特征集下的倒伏玉米提取結(jié)果，共計(jì)5種。分別統(tǒng)計(jì)5種分類結(jié)果中倒伏玉米的柵格數(shù)量，然后將柵格數(shù)與單個(gè)像元的面積作乘求得每種結(jié)果中的倒伏玉米面積。

為驗(yàn)證不同特征組合的分類精度，根據(jù)目視解譯，選取4類典型倒伏作物形態(tài)的驗(yàn)證樣區(qū)各4處，其中未倒伏A類3 599.26 m2、未倒伏B類3 563.09 m2、倒伏3 512.17 m2、陰影區(qū)域3 843.3 m2。選取的驗(yàn)證樣區(qū)與特征統(tǒng)計(jì)樣區(qū)不能有重疊，驗(yàn)證樣區(qū)的選取結(jié)果如圖4b，樣區(qū)選取后目視勾畫并統(tǒng)計(jì)各類別驗(yàn)證樣區(qū)中的目標(biāo)類別面積，以此作為各類別驗(yàn)證的實(shí)測(cè)面積。

在影像中，倒伏玉米的線性種植結(jié)構(gòu)和垂直生長(zhǎng)特征不明顯,并且其葉片呈現(xiàn)淡黃色特征[34]，結(jié)合目視解譯勾畫地塊內(nèi)部所有的倒伏玉米邊界，解譯結(jié)果如圖4c 所示。經(jīng)統(tǒng)計(jì)邊界內(nèi)的倒伏面積為21 611.91 m2，以此作為實(shí)測(cè)值，驗(yàn)證本文5種特征組合的倒伏面積提取精度。

圖4 樣區(qū)分布及實(shí)測(cè)倒伏區(qū)域Fig.4 Sample area distribution and measured lodging area

空間一致性是將指定位置的分類結(jié)果和驗(yàn)證樣本所對(duì)應(yīng)的類別進(jìn)行比較，多采用混淆矩陣來(lái)度量[35]。而Kappa 系數(shù)能夠揭示景觀的空間變化信息，說(shuō)明數(shù)量和位置信息的變換，全面反映分類結(jié)果的精度[36]。因此該研究采用Kappa 系數(shù)評(píng)價(jià)倒伏提取結(jié)果的空間一致性。計(jì)算公式如下：

式中N 是驗(yàn)證樣本的總數(shù)；n 為混淆矩陣中的總列數(shù)；xii為混淆矩陣中第i行、第i列上的樣點(diǎn)數(shù)；xi+和x+i分別是第i行和第i列的總樣點(diǎn)數(shù)；K是Kappa系數(shù)。

2 結(jié)果與分析

2.1 光譜特征差異

計(jì)算每類特征統(tǒng)計(jì)樣區(qū)在各波段的反射率均值，繪制4 類作物形態(tài)的光譜反射率曲線，如圖5 所示，根據(jù)圖5，與未倒伏A 類相比，倒伏玉米由藍(lán)波段至近紅外波段的反射率平均上升0.04；與未倒伏B 類相比，倒伏玉米各波段的反射率平均上升0.01。前者的反射率上升幅度遠(yuǎn)大于后者，這主要是未倒伏B 類玉米的各波段反射率大于未倒伏A 類玉米的原因。未倒伏A 類與B類之間在綠波段和紅邊波段上反射率數(shù)值差異要高于其他波段。陰影區(qū)域在藍(lán)、綠、紅波段上與其他3 類區(qū)域的反射率差異較大，在紅邊和近紅外波段上反射率差異較小。

圖5 4類典型作物形態(tài)的光譜反射率曲線Fig.5 Spectral reflectance curves of 4 typical crop morphology

由藍(lán)波段至綠波段，陰影的光譜反射率變化趨于平緩，而其他3 類作物形態(tài)的反射率變化趨勢(shì)相近，且變化速率較快。未倒伏A類與陰影在綠波段至紅波段上變化趨勢(shì)較緩，與未倒伏B類和倒伏形態(tài)的反射率變化趨勢(shì)差異較大。在紅波段至近紅外波段上，未倒伏A類、未倒伏B類和倒伏形態(tài)的光譜反射率變化趨勢(shì)大體相同，均呈現(xiàn)較快的變化速率。但陰影在紅波段至紅邊波段的反射率變化要大于其他3類作物形態(tài)，而在紅邊波段至近紅外波段上與其他3類作物形態(tài)的光譜曲線的變化基本相似。

2.2 植被指數(shù)差異

計(jì)算特征統(tǒng)計(jì)樣區(qū)內(nèi)各類作物形態(tài)的植被指數(shù)如表1，在兩類植被指數(shù)中陰影與其他3 類作物形態(tài)之間的差異最大。在NDVI 中未倒伏B 類與倒伏的數(shù)值差異最小，而在NDVIR-edge中，差異最小的是未倒伏A 類與未倒伏B 類。對(duì)于未倒伏的玉米而言，相機(jī)探測(cè)的反射率以葉片為主，而玉米在倒伏后，相機(jī)所探測(cè)的反射率以莖稈和葉片為主。由于莖稈中的葉綠素含量低于葉片，因此玉米發(fā)生倒伏后植被指數(shù)也會(huì)下降，其中NDVI 平均下降了0.08，NDVIR-edge下降0.07。

表1 4類典型作物形態(tài)的植被指數(shù)Table 1 Vegetation index of 4 typical crop morphology

2.3 紋理特征差異

計(jì)算特征統(tǒng)計(jì)樣區(qū)內(nèi)每類作物形態(tài)的紋理特征均值，分析不同形態(tài)之間的相對(duì)差異度。根據(jù)表2，倒伏與2類未倒伏玉米的紋理特征之間有不同的相對(duì)差異度。在倒伏與未倒伏A 類玉米的紋理特征對(duì)比中，差異最大的是均值紋理，在該特征空間內(nèi)，2 類作物形態(tài)的的相對(duì)差異度達(dá)1.11，比其他紋理特征平均高0.59；而在倒伏與未倒伏B類玉米的紋理差異分析中，相對(duì)差異最大的是對(duì)比度，在該特征中，2類作物形態(tài)的差異度為2.76，比其他紋理向量平均高0.8；與其他紋理特征相比，二階矩紋理特征在陰影與倒伏玉米、陰影與未倒伏A類玉米、陰影與未倒伏B類玉米的差異分析中，具有最高的區(qū)分度，其平均相對(duì)差異為31.87，比其他紋理特征平均高29.63。

表2 紋理特征的相對(duì)差異統(tǒng)計(jì)Table 2 Relative difference statistics of texture features

2.4 倒伏玉米提取結(jié)果與分析

本研究在使用植被指數(shù)、多類、單類紋理特征以及光譜反射率特征集進(jìn)行倒伏提取時(shí)，均采用最大似然法。圖6a 為利用多類紋理特征集合（均值、對(duì)比度以及協(xié)同性紋理）提取倒伏玉米的結(jié)果；圖6b 為使用單類紋理特征集（均值紋理）所得到的倒伏玉米結(jié)果；圖6c 為利用藍(lán)、綠、紅波段的光譜特征識(shí)別倒伏玉米的結(jié)果；圖6d 和6e分別為NDVI和NDVIR-edge特征的倒伏提取結(jié)果。

圖6 不同特征的玉米倒伏面積提取結(jié)果Fig.6 Extraction results of maize lodging area under different features

利用每類作物形態(tài)的驗(yàn)證樣區(qū)，驗(yàn)證不同特征組合的分類誤差，統(tǒng)計(jì)結(jié)果如表3 所示。根據(jù)表3 可知，使用多類紋理特征識(shí)別陰影和未倒伏A類形態(tài)的誤差稍高于植被指數(shù)和單類紋理特征識(shí)別方法，但在對(duì)其他作物形態(tài)進(jìn)行分類時(shí)，多類紋理特征的分類誤差顯著低于光譜、植被指數(shù)和單類紋理特征識(shí)別方法?；? 種特征組合所提取的倒伏結(jié)果如圖6 所示，根據(jù)此結(jié)果計(jì)算倒伏面積提取誤差，利用100 個(gè)倒伏和未倒伏驗(yàn)證樣本，計(jì)算提取結(jié)果的Kappa系數(shù)，計(jì)算結(jié)果如表4所示。

由表4 可知，紋理類的特征組合提取倒伏結(jié)果的Kappa 系數(shù)最高，平均為0.61，比光譜和植被指數(shù)特征結(jié)果的Kappa系數(shù)分別高0.28、0.46。分析原因是玉米發(fā)生倒伏后其主要的變化是形態(tài)結(jié)構(gòu)的變化，而光譜和植被指數(shù)特征變化相對(duì)較小，特別是完熟期未倒伏B 類玉米和倒伏玉米間的光譜和植被指數(shù)特征的物理差異很小，因此利用這兩類特征進(jìn)行倒伏提取會(huì)產(chǎn)生較多的錯(cuò)分，而紋理特征能夠很好地反映未倒伏和倒伏玉米間的空間形態(tài)差異，因此利用該類特征進(jìn)行倒伏提取產(chǎn)生的錯(cuò)分較少，空間一致度較高。

在5 種特征組合中，基于多類紋理特征進(jìn)行倒伏提取的誤差最低，4 類典型作物形態(tài)的識(shí)別平均誤差為9.82%，Kappa系數(shù)最高，與單類紋理特征提取結(jié)果相比，其Kappa系數(shù)提高了0.47，倒伏提取誤差降低了27.57 個(gè)百分點(diǎn)。分析原因是單類紋理特征雖然能夠在一定程度上反映作物的空間域形態(tài)信息，但研究區(qū)內(nèi)存在不同倒伏程度和不同生長(zhǎng)狀況的玉米，它們均具有不同的形態(tài)特點(diǎn)，單類紋理的空間映射并不能很好地反映倒伏和未倒伏玉米間的形態(tài)差別，而多類紋理特征中所含有的多方向的空間映射信息能夠較好地體現(xiàn)倒伏和未倒伏玉米間的形態(tài)差異，因此具有較好的空間一致性。

利用光譜特征和NDVI 所提取的倒伏面積過(guò)大，其原因主要是大量的未倒伏B 類形態(tài)被劃分為倒伏，從而使倒伏像元數(shù)增多；而利用NDVIR-edge所得的倒伏面積偏大的主要原因是，未倒伏B 類形態(tài)和受邊緣效應(yīng)影響的未倒伏玉米被錯(cuò)分為倒伏；基于單類紋理特征進(jìn)行分類，部分未倒伏B 類形態(tài)也被錯(cuò)分為倒伏，但提取的倒伏面積反而過(guò)小，分析其原因是更多的倒伏玉米被劃分為未倒伏玉米。

表3 不同特征下4類典型作物形態(tài)的分類誤差Table 3 Classification error of 4 classes of typical crop morphology under different features

表4 不同特征下玉米倒伏面積提取誤差Table 4 Extraction error of maize lodging area under different features

3 討論

本文利用無(wú)人機(jī)多光譜影像的植被指數(shù)、紋理和光譜特征結(jié)合最大似然法分類，對(duì)完熟期倒伏玉米面積的提取進(jìn)行了定量分析，得到了以下結(jié)果：

1）地塊內(nèi)土壤和作物的時(shí)空異質(zhì)性會(huì)使完熟期的玉米處于不同的生長(zhǎng)狀態(tài)，其中倒伏玉米與長(zhǎng)勢(shì)較好的未倒伏玉米的葉片特征和光譜特征很相似，兩類玉米的葉片均呈現(xiàn)淡黃色，各波段的反射率平均差異僅為0.01，對(duì)這兩類作物形態(tài)進(jìn)行分類會(huì)產(chǎn)生較多的錯(cuò)分像元，降低倒伏面積提取的精度。單一反射光譜特征或植被指數(shù)特征不能準(zhǔn)確地區(qū)別完熟期倒伏玉米區(qū)域。

2）利用高維多類紋理特征能夠顯著區(qū)別地塊內(nèi)不同作物形態(tài)之間的差異，增強(qiáng)類內(nèi)一致性，從而提高倒伏玉米的識(shí)別精度。針對(duì)完熟期的倒伏玉米識(shí)別，該特征組合具有較高的實(shí)用價(jià)值。

3）陰影區(qū)域的判斷是完熟期倒伏玉米精準(zhǔn)識(shí)別的一個(gè)難點(diǎn)。未倒伏玉米地塊內(nèi)部的陰影主要包括葉片間隙與防護(hù)林陰影兩部分，而倒伏發(fā)生后地塊內(nèi)部不僅存在以上兩部分陰影，還包括未倒伏玉米投影到倒伏玉米上的陰影，這部分陰影集中分布在小面積倒伏區(qū)域內(nèi)部以及片狀倒伏邊緣，應(yīng)同樣算作倒伏面積。研究發(fā)現(xiàn)，除NDVI 和NDVIR-edge外，在選取合適的紋理濾波窗口的條件下，單類、多類紋理特征也能夠較好地剔除葉片間隙的陰影，但后者的提取精度更高。對(duì)于地塊邊緣的防護(hù)林陰影，本文的5 種特征組合均不能對(duì)其進(jìn)行剔除，考慮可通過(guò)實(shí)地調(diào)查，確定防護(hù)林陰影為未倒伏區(qū)域之后，根據(jù)分類結(jié)果建立矢量文件，對(duì)陰影區(qū)進(jìn)行手動(dòng)去除。

4 結(jié) 論

本研究利用完熟期玉米的無(wú)人機(jī)多光譜圖像，分析了圖像中各類區(qū)域的植被、光譜以及紋理特性，針對(duì)光譜和紋理特征提取方法分別選取了最優(yōu)的分類特征，然后利用優(yōu)選的光譜、植被指數(shù)、單類、多類紋理特征向量集結(jié)合最大似然分類方法提取了倒伏玉米面積，通過(guò)分析分類和提取結(jié)果得到以下結(jié)論：倒伏玉米與未倒伏A 類玉米的光譜特征差異較大，倒伏玉米與未倒伏B 類玉米的光譜特征差異較小，光譜特征組合無(wú)法準(zhǔn)確區(qū)分倒伏玉米和未倒伏B 類玉米，該特征組合所提取的倒伏玉米面積偏差較大，因此不適于完熟期倒伏玉米面積提??；植被指數(shù)特征會(huì)使受邊緣效應(yīng)影響的未倒伏玉米錯(cuò)分為倒伏玉米，在該類特征下，倒伏玉米提取結(jié)果的空間一致性較差。因此也不適于完熟期倒伏玉米面積提取；對(duì)比不同特征分類和倒伏面積提取結(jié)果發(fā)現(xiàn)，利用均值、對(duì)比度及協(xié)同性的多類紋理特征組合提取的倒伏玉米面積精度最高，在該類特征下分類的平均誤差為9.82%，倒伏面積提取誤差為3.40%，Kappa 系數(shù)為0.84，比其他特征組合的Kappa 系數(shù)平均高0.59，因此多類紋理特征組合可以實(shí)現(xiàn)完熟期倒伏玉米面積的準(zhǔn)確提??；與光譜特征相比，利用植被指數(shù)和紋理特征進(jìn)行分類能夠更好地剔除玉米葉片間隙的陰影，但仍無(wú)法準(zhǔn)確判斷防護(hù)林陰影下的玉米是否為倒伏玉米；本研究初步證明了多類紋理特征能夠增強(qiáng)倒伏與未倒伏玉米間的空間形態(tài)差異，結(jié)合不同維數(shù)下倒伏提取結(jié)果的空間一致性分析能夠降低特征信息冗余，防止分類結(jié)果的過(guò)度擬合，進(jìn)而提高倒伏提取結(jié)果的精度。但受當(dāng)前無(wú)人機(jī)續(xù)航能力與通訊距離的制約，本研究還無(wú)法實(shí)現(xiàn)大范圍的倒伏面積提取。因此在今后的研究中應(yīng)嘗試?yán)脽o(wú)人機(jī)圖像與衛(wèi)星影像結(jié)合的方式來(lái)擴(kuò)大倒伏信息的獲取范圍。