魏 青，張寶忠，魏 征

(中國(guó)水利水電科學(xué)研究院流域水循環(huán)模擬與調(diào)控國(guó)家重點(diǎn)實(shí)驗(yàn)室國(guó)家節(jié)水灌溉北京工程技術(shù)研究中心，北京 100038)

0 引 言

【研究意義】及時(shí)準(zhǔn)確的獲取農(nóng)田地物分布信息是現(xiàn)代精準(zhǔn)農(nóng)業(yè)監(jiān)測(cè)的基礎(chǔ)，地物識(shí)別是農(nóng)業(yè)生產(chǎn)過(guò)程中的重要一環(huán)，因此，典型作物識(shí)別是目前農(nóng)業(yè)研究的熱點(diǎn)問(wèn)題。影像中地物的光譜特征是遙感地物識(shí)別分析方法中的核心[1-3]?！厩叭搜芯窟M(jìn)展】目前，衛(wèi)星遙感在農(nóng)田地物識(shí)別上應(yīng)用廣泛，如劉佳等[4]利用HJ-1A/B影像的NDVI時(shí)間序列曲線(xiàn)特征，成功提取了大宗作物，驗(yàn)證了HJ衛(wèi)星時(shí)序影像進(jìn)行作物分類(lèi)的可行性。李穎等[5]通過(guò)MODIS的NDVI產(chǎn)品的時(shí)相特征和TM影像的光譜特征相結(jié)合利用最大似然法監(jiān)督分類(lèi)提取出來(lái)冬小麥。雖然衛(wèi)星遙感技術(shù)在地物提取上已經(jīng)成熟，但其存在易受天氣狀況影響、實(shí)時(shí)性低、時(shí)空分辨率不匹配等問(wèn)題，常常難以滿(mǎn)足地物田塊尺度的提取需求，達(dá)到為精準(zhǔn)施肥用藥提供基礎(chǔ)數(shù)據(jù)的目的[6、7]。無(wú)人機(jī)遙感技術(shù)具有快捷、實(shí)時(shí)、高效的優(yōu)勢(shì)，彌補(bǔ)了衛(wèi)星遙感的缺點(diǎn)，且高時(shí)空分辨率增強(qiáng)了地物的光譜、紋理、幾何特征，使實(shí)時(shí)獲取農(nóng)田信息成為可能。目前，在地物識(shí)別分類(lèi)應(yīng)用上，無(wú)人機(jī)平臺(tái)搭載數(shù)碼相機(jī)實(shí)現(xiàn)農(nóng)田種植信息提取較為廣泛。Gnadinger等[8]利用無(wú)人機(jī)可見(jiàn)光影像進(jìn)行圖像分析，通過(guò)閾值分割法實(shí)現(xiàn)了識(shí)別玉米苗，為精確表型提供了新機(jī)遇。Mitch Bryson等[9]提過(guò)了一種低空無(wú)人機(jī)可見(jiàn)光數(shù)據(jù)提取植被顏色和紋理特征用于進(jìn)行大規(guī)模地形分類(lèi)的方法，并在澳大利亞大面積農(nóng)田的“除草”任務(wù)中得到驗(yàn)證。韓文霆等[10]通過(guò)分析無(wú)人機(jī)可見(jiàn)光影像中5類(lèi)地物的紋理特征，篩選單個(gè)分類(lèi)特征和組合分層分類(lèi)特征，最終實(shí)現(xiàn)玉米種植信息提取。戴建國(guó)等[11]通過(guò)無(wú)人機(jī)遙感獲取可見(jiàn)光影像，基于色彩空間轉(zhuǎn)換和紋理濾波優(yōu)選特征分類(lèi)模型，并結(jié)合人工分類(lèi)結(jié)果實(shí)現(xiàn)了作物精細(xì)化分類(lèi)。這些研究都是基于可見(jiàn)光波段識(shí)別地物類(lèi)型，光譜信息較少，提取過(guò)程較為復(fù)雜，相比于可見(jiàn)光影像，多光譜傳感器包含了更多的光譜信息，監(jiān)測(cè)技術(shù)更有優(yōu)勢(shì)。GARCIA-RUIZ等[12]基于無(wú)人機(jī)平臺(tái)搭載多波段傳感器獲取光譜反射率數(shù)據(jù)，通過(guò)逐步回歸分析實(shí)現(xiàn)了對(duì)柑橘黃龍病的識(shí)別檢測(cè)。戴建國(guó)等[13]利用無(wú)人機(jī)多光譜影像獲取倒伏和正常棉花的光譜反射率數(shù)據(jù)，建立了棉花倒伏災(zāi)害監(jiān)測(cè)最佳模型。崔美娜等[14]基于無(wú)人機(jī)多光譜影像構(gòu)造了20種光譜指數(shù)的特征因子，建立棉田螨害識(shí)別的logistic回歸監(jiān)測(cè)模型?！颈狙芯壳腥朦c(diǎn)】目前農(nóng)田信息獲取時(shí)效性不足，難于及時(shí)掌握農(nóng)情基本信息，利用無(wú)人機(jī)多光譜遙感進(jìn)行識(shí)別地物的研究主要集中在對(duì)單一地物的識(shí)別，對(duì)于同一區(qū)域的多種地物及針對(duì)大棚、果樹(shù)進(jìn)行區(qū)分研究較少。研究基于無(wú)人機(jī)多光譜影像進(jìn)行地物識(shí)別?！緮M解決的關(guān)鍵問(wèn)題】利用無(wú)人機(jī)多光譜遙感影像結(jié)合目視解譯，分析不同地物的時(shí)相與光譜特征，構(gòu)建分類(lèi)特征的決策樹(shù)分類(lèi)法，分別對(duì)研究區(qū)小麥、果樹(shù)、大棚的農(nóng)田信息進(jìn)行提取及精度驗(yàn)證，獲得一種實(shí)時(shí)提取不同地物類(lèi)型信息的方法，為無(wú)人機(jī)多光譜遙感在地物類(lèi)型分類(lèi)上提供參考。

1 材料與方法

1.1 材 料

研究區(qū)位于中國(guó)水利水電科學(xué)研究院大興試驗(yàn)基地東南方向1 km處(39°37.25′N(xiāo)，116°25.51′E)。該區(qū)屬于溫帶半干旱大陸性季風(fēng)氣候，多年平均氣溫為12.1℃，多年平均風(fēng)速為1.2 m/s，全年平均相對(duì)濕度為52%，全年日照時(shí)數(shù)為2 502 h，全年大于10℃的有效積溫為4 730℃，日平均太陽(yáng)凈輻射為171W/m2，光熱時(shí)間長(zhǎng)、熱量充足。全年無(wú)霜期平均為185 d，多年年均蒸發(fā)量為1 021 mm，土壤類(lèi)型以砂壤土為主，適合多種作物生長(zhǎng)，種植作物類(lèi)型為果樹(shù)、小麥等作物。圖1

圖1 研究區(qū)影像
Fig.1 Map of research area

影像數(shù)據(jù)于2018年5月24日、2018年6月12日獲取，共進(jìn)行2次數(shù)據(jù)采集，飛行平臺(tái)為經(jīng)緯M600六旋翼無(wú)人機(jī)，該凈重約為4 kg，最大載重為5 kg，最大續(xù)航時(shí)間為15 min。傳感器采用RedEdge(MicaSense，USA)多光譜相機(jī)，該傳感器包含藍(lán)光、綠光、紅光、紅邊、近紅外共5個(gè)光譜通道，圖像分辨率為1280像素×960像素，配備GPS、光強(qiáng)傳感器和一塊30 cm×30 cm的灰板。拍攝當(dāng)天，天氣晴好，地面風(fēng)速小于3級(jí)，適于航拍。試驗(yàn)設(shè)計(jì)飛行航高100 m，航線(xiàn)7條，航向重疊度80%，旁向重疊度75%，飛行速度為5 m/s，航拍獲取區(qū)域及附近地區(qū)1 295幅圖片。表1

表1 RedEdge-M相機(jī)參數(shù)及灰板對(duì)其中心波長(zhǎng)的反射率Table 1 RedEdge-M Camera Parameters and Reflectivity of Gray Plate to Its Central Wavelength

1.2 方 法

1.2.1 數(shù)據(jù)預(yù)處理

試驗(yàn)區(qū)航拍圖片通過(guò)Pix4Dmapper軟件進(jìn)行拼接，利用飛行POS數(shù)據(jù)尋找同名點(diǎn)，建立點(diǎn)云模型，橢球模型為WGS1984，投影方式為UTMzone45N，自動(dòng)校準(zhǔn)影像最后生成正射影像圖和反射率影像圖。研究選取了航線(xiàn)規(guī)劃中代表性區(qū)域作為感興趣區(qū)域。感興趣影像面積約2 762 m2，以TIFF格式存儲(chǔ)Blue、Green、Red、Red_edge和Nir的信息，每個(gè)通道包含16bit信息，像元分辨率為6.82 cm。通過(guò)目視解譯確定感興趣區(qū)域中果樹(shù)、小麥、大棚和其他地物的圖像。

1.2.2 植被指數(shù)計(jì)算

決策樹(shù)分類(lèi)法作為提取作物種植信息的一種方法，具有方便快捷、效率高的特點(diǎn)，被廣泛應(yīng)用于2到3種作物分類(lèi)。遙感指數(shù)廣泛應(yīng)用于分類(lèi)制圖，選取4種植被指數(shù)，分別為歸一化植被指數(shù)NDVI、歸一化差異綠度植被指數(shù)NDGI、歸一化綠藍(lán)差異指數(shù)NGBDI、修正型比值植被指數(shù)MSR[15-18]。通過(guò)5個(gè)波段反射率和4個(gè)植被指數(shù)組成9種指標(biāo)作為光譜變量，利用ENVI中Band math工具實(shí)現(xiàn)閾值法分類(lèi)。表2

表2 植被指數(shù)計(jì)算公式Table 2 Formula for calculating vegetation index

2 結(jié)果與分析

2.1 不同地物特征

2.1.1 時(shí)相與光譜特征

2景影像中，小麥從灌漿期、成熟期至收獲，果樹(shù)一直處于長(zhǎng)勢(shì)茂盛時(shí)期，大棚中作物長(zhǎng)勢(shì)不一。由于無(wú)人機(jī)影像分辨率較高，需要將不同地物全部提取才可以與其他地物分離。根據(jù)不同地物時(shí)相特征，5月24日，小麥處于灌漿期，長(zhǎng)勢(shì)較好，大棚中農(nóng)作物長(zhǎng)勢(shì)較好，而6月12日小麥?zhǔn)斋@，果樹(shù)長(zhǎng)勢(shì)茂盛。

利用ENVI軟件分析5月24日的影像中各種地物的光譜反射率，研究表明,對(duì)于大棚，在可見(jiàn)光波段明顯高于綠色植物，在近紅外和紅邊波段的反射率低于綠色植物；對(duì)于綠色植物，在近紅外波段有較強(qiáng)反射作用，而在藍(lán)光和紅光波段有吸收作用；小麥在紅邊波段反射率與其他地物差異明顯，果樹(shù)在近紅外波段與其他地物差異明顯。根據(jù)這些光譜差異構(gòu)建植被指數(shù)來(lái)提取不同地物。圖2

圖2 不同地物的光譜反射率變化
Fig.2 Spectral Reflectivity Variation of Different Ground Objects

2.1.2 光譜變量

利用Origin軟件獲得地物在植被指數(shù)類(lèi)型下的箱體圖，研究表明,大棚與小麥、果樹(shù)和裸地在NGBDI指數(shù)方面差異比較明顯，大棚閾值中的高值與裸地有部分交叉，而在其他指標(biāo)方面差異較小，可知?dú)w一化綠藍(lán)差異指數(shù)NGBDI能夠?qū)⒋笈锾崛〕?。小麥與大棚、裸地在很多指標(biāo)差異都比較明顯，與果樹(shù)差異僅在紅邊波段差異比較明顯，根據(jù)紅邊波段能夠從中提取小麥，由于小麥的紅邊反射率較低，地物的陰影部分紅邊波段反射率也較低，可能會(huì)對(duì)分類(lèi)造成誤分，從數(shù)值上看選取修正型比值植被指數(shù)MSR更容易將陰影部分剔除掉，可知結(jié)合紅邊波段反射率和MSR指數(shù)能夠?qū)⑿←溙崛〕鰜?lái)。果樹(shù)與大棚、裸地在這10種指標(biāo)中差異明顯，但與小麥均不明顯，依據(jù)5月24日這一日的影像是提取不出果樹(shù)的，需要根據(jù)不同時(shí)期的作物物候特征將果樹(shù)提取出來(lái)。6月12日影像中，小麥地塊收獲，果樹(shù)在這期間生長(zhǎng)茂盛，研究NDVI是監(jiān)測(cè)植被生長(zhǎng)狀態(tài)的最佳指示因子[19]，將NDVI作為6月12日影像中提取果樹(shù)的指標(biāo)。圖3

圖3 不同地物在植被指數(shù)類(lèi)型下的箱體
Fig.3 Box Maps of Different Ground Objects under Vegetation Index Types

2.2 分類(lèi)規(guī)則

2.2.1 大棚的提取

大棚與裸地在藍(lán)光與綠光波段都表現(xiàn)出較好的可分離性，大棚的建設(shè)會(huì)整體提高地表的反射率，藍(lán)光波段對(duì)大棚具有最好的敏感性。通過(guò)給5月24日影像的NGBDI設(shè)定一個(gè)閾值A(chǔ)1，可以把大棚與小麥、果樹(shù)及其他地物分離開(kāi)來(lái)，經(jīng)過(guò)多次試驗(yàn)，最終確定A1<0.12，從而成功提取大棚的區(qū)域面積。

2.2.2 小麥的提取

根據(jù)前面的分析，5月24日影像小麥處于灌漿期，在紅邊波段反射率整體比其他地物低，通過(guò)給5月24日影像的Rrededge設(shè)定一個(gè)閾值B1，可以把大棚、果樹(shù)及其他地物去除掉，反復(fù)試驗(yàn)后確定B1<0.1。但里面還混有地物的陰影部分，陰影部分與綠色植被在MSR差異顯著，所以通過(guò)給5月24日影像的MSR設(shè)定一個(gè)閾值C1可以將混雜的陰影部分剔除掉，從而成功提取小麥的種植面積，反復(fù)嘗試后確定C1>6。

2.2.3 果樹(shù)的提取

6月12日影像中小麥?zhǔn)斋@地塊為裸地，果樹(shù)的NDVI值達(dá)到一個(gè)相對(duì)較高的值，通過(guò)給6月12日影像的NDVI設(shè)定一個(gè)閾值D1，可以把果樹(shù)成功與其他地物分開(kāi)，反復(fù)嘗試后確定NDVI>0.78。

根據(jù)所建立的分類(lèi)規(guī)則，基于時(shí)相和光譜特征的決策樹(shù)地物分類(lèi)流程。IDL軟件將3張分類(lèi)圖合成最終地物分類(lèi)圖。圖4

圖4 地物分類(lèi)流程
Fig.4 Flow charts for classification of land features

2.3 提取結(jié)果

研究使用目視解譯結(jié)果與基于時(shí)相和光譜特征提取的結(jié)果對(duì)比分析作為結(jié)果驗(yàn)證，以目視解譯的實(shí)測(cè)值檢驗(yàn)分類(lèi)精度。在無(wú)人多光譜影像中，小麥呈現(xiàn)淺綠色，存在明顯的條帶狀；果樹(shù)呈現(xiàn)深綠色，覆蓋面大；大棚在色彩方面主要呈現(xiàn)透明色，單一但不均勻，亮度值較高。目視解譯結(jié)果圖使用ArcGIS10.2軟件根據(jù)地面調(diào)查數(shù)據(jù)對(duì)多光譜影像中的小麥、果樹(shù)、大棚進(jìn)行矢量化得到結(jié)果，并統(tǒng)計(jì)各類(lèi)地物的區(qū)域面積。通過(guò)分析2景影像的時(shí)相特征和各類(lèi)地物的光譜特征，最終選定了歸一化植被指數(shù)NDVI、歸一化綠藍(lán)差異指數(shù)NGBDI、修正型比值植被指數(shù)MSR和紅邊波段反射率作為分類(lèi)特征進(jìn)行提取各類(lèi)地物，區(qū)域內(nèi)小麥種植面積占比較大，大棚呈現(xiàn)條狀分布，果樹(shù)種植區(qū)域連片狀分布。圖5

圖5 分類(lèi)結(jié)果對(duì)比
Fig.5 Classification Result Contrast Map

2.4 誤差分析

研究表明,根據(jù)時(shí)相和光譜特征提取感興趣區(qū)域中3種地物的空間分布位置與目視解譯結(jié)果基本相同，分別統(tǒng)計(jì)了不同地物的實(shí)測(cè)面積和提取面積，并進(jìn)行精度評(píng)價(jià)，可知小麥、果樹(shù)和大棚的實(shí)測(cè)面積分別為1 031、425 和668 m2，基于時(shí)相和光譜特征提取的3種地物類(lèi)型面積分別為920.88、399.22和557.89 m2。從誤差值來(lái)看，3種地物基于時(shí)相與光譜特征提取結(jié)果的誤差值分別為10.68%、6.06%和16.48%，該方法的總體分類(lèi)效果較好，基于以上的試驗(yàn)結(jié)果，認(rèn)為基于時(shí)相與光譜特征的決策樹(shù)分類(lèi)法能夠適用于無(wú)人機(jī)多光譜影像地物信息的提取，閾值容易確定，分類(lèi)方法方便快捷，分類(lèi)精度高。圖5，表3

表3 提取的結(jié)果與誤差Table 3 Results and Errors of Extraction

3 討 論

從時(shí)相與光譜特征分析后的3種地物分類(lèi)結(jié)果可以看出，利用無(wú)人機(jī)搭載多光譜相機(jī)獲取的影像對(duì)于地物識(shí)別和面積提取具有較高精度，研究使用的六旋翼無(wú)人機(jī)方便快捷，在農(nóng)田地物調(diào)查具有獨(dú)特的優(yōu)勢(shì)。雖然能夠利用不同物候期的作物根據(jù)影像中的光譜特征進(jìn)行精確地物識(shí)別，但該方法仍存在一些不足：(1)無(wú)人機(jī)飛行高度低，影像的像元分辨率較高，且續(xù)航時(shí)間有限制，對(duì)于更大區(qū)域的作物識(shí)別還存在一定的問(wèn)題，信息獲取速度以及識(shí)別精度受到一定限制；(2)基于時(shí)相與光譜特征的決策樹(shù)分類(lèi)法進(jìn)行地物識(shí)別是一種基于像元的分類(lèi)方法，異物同譜的現(xiàn)象仍然存在，且是否需要降低無(wú)人機(jī)高分辨率數(shù)據(jù)進(jìn)行精細(xì)化分類(lèi)來(lái)滿(mǎn)足實(shí)際需要，也需要進(jìn)一步探討。

4 結(jié) 論

針對(duì)無(wú)人機(jī)多光譜遙感影像的特點(diǎn)，首先根據(jù)目視解譯確定了感興趣區(qū)域中地物類(lèi)型；其次基于時(shí)相與光譜特征的決策樹(shù)分類(lèi)法，在多種植被指數(shù)和光譜波段中選取了歸一化植被指數(shù)NDVI、歸一化綠藍(lán)差異指數(shù)NGBDI、修正型比值植被指數(shù)MSR和紅邊波段反射率可以作為3種地物分類(lèi)的最優(yōu)特征，反復(fù)試驗(yàn)進(jìn)行閾值劃分和作物分類(lèi)；最后利用目視解譯結(jié)果和基于時(shí)相與光譜特征提取的分類(lèi)結(jié)果進(jìn)行對(duì)比，利用區(qū)域面積檢驗(yàn)分類(lèi)精度。紅邊波段能夠有效的區(qū)分不同物候期的綠色植被，利用時(shí)相與光譜特征提取的分類(lèi)結(jié)果可有效對(duì)3種地物進(jìn)行提取，從分類(lèi)精度來(lái)看，小麥、果樹(shù)和大棚3種地物提取結(jié)果的誤差分別為10.68%、6.06%和16.48%，總體精度可達(dá)83%以上。基于典型作物的特征參數(shù)閾值分割法在無(wú)人機(jī)多光譜影像信息的提取中具有較好的適用性。