黃艷偉，朱紅雷，郭寧戈，殷姝溦，彭星玥，王雨蝶

(河南師范大學，河南新鄉(xiāng) 453002)

倒伏是一種常見的小麥生產災害。小麥倒伏會影響植株的光合作用及養(yǎng)分傳輸，減少穗粒數和粒重，造成減產[1]。同時，倒伏小麥不利于機械收割，導致農田的收益損失加大。因此，快速準確地獲取小麥倒伏面積和程度等信息，有助于農業(yè)生產管理部門和農業(yè)保險公司進行災情評估、災后管理和救助。相較于傳統的人工統計法，遙感圖像覆蓋面大，數據獲取及時，是監(jiān)測小麥倒伏狀況的可靠手段[2-3]。目前，基于遙感技術的作物倒伏監(jiān)測按平臺可以分為地面、航空和衛(wèi)星三類[4]。常用的衛(wèi)星數據包括可見光-近紅外多光譜[5-6]和合成孔徑雷達(synthetic aperture radar, SAR)數據[7-8]。然而，由于衛(wèi)星平臺重訪周期較長，空間分辨率較低等原因，倒伏區(qū)域經常出現數據匱乏、監(jiān)測結果不準確等現象。近年來，采用無人機遙感監(jiān)測作物倒伏成為該領域的一個新興手段。小型無人機遙感具有低成本、低風險、高時效、高分辨率、天氣影響小等特點[9-10]，非常適于作物倒伏信息的快速提取。李廣等[11]對圖像進行二次低通濾波，獲取地物散點圖，并以散點圖的明顯分界線作為小麥倒伏信息提取的單特征。李宗南等[12]基于無人機圖像紅、綠、藍色均值紋理特征提取了倒伏玉米面積。Zhao等[13]同時獲取了研究區(qū)RGB和三波段多光譜圖像，采用深度學習法提取了倒伏水稻的面積，并指出RGB圖像的提取結果優(yōu)于多光譜圖像。相較于星載多光譜數據，無人機圖像可獲取作物的高度信息，增加了倒伏作物提取的準確度，如Wilke等[14]利用無人機反演的作物高度對大麥的倒伏程度進行了劃分。但目前基于無人機圖像的倒伏作物面積提取研究較少考慮空間分辨率對提取結果的影響[15-18]，而空間分辨率直接決定著無人機的成圖區(qū)域和圖像處理的效率。鑒于此，本研究通過分析不同空間分辨率的無人機圖像分類結果，以期得出小麥倒伏提取的適宜空間分辨率。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于河北省邯鄲市磁縣(東經114°20′06″，北緯36°21′59″)，屬于溫帶大陸季風氣候，夏季高溫多雨，冬季寒冷干燥，年降水量500～600 mm。作物種植制度為一年兩熟，種植的農作物主要是冬小麥和夏玉米。冬小麥播種時間一般為每年10月上旬，收獲時間為次年6月上旬。該地區(qū)在6月8日發(fā)生了短時大風和強降雨事件，導致部分小麥發(fā)生了較為嚴重的倒伏。

1.2 數據獲取和預處理

本研究所用的無人機平臺為Parrot Bluegrass農業(yè)多用途四旋翼無人機，搭載的傳感器為Sequoia傳感器[19]。Sequoia配置了兩部嵌入式攝像機：RGB相機和多光譜相機。RGB相機的像素為1 600萬，但作者在實踐中發(fā)現，RGB相機由于是卷簾式快門成像，拍攝的圖片存在較為嚴重的扭曲，無法用于后續(xù)的圖像拼接、正射圖像生成等過程。多光譜相機可以收集紅光、綠光、近紅外、紅邊4個波段的信息，4個波段的中心波長依次為660、550、790和735 nm，前三者的帶寬為40 nm，紅邊的帶寬為10 nm，像素均為120萬。此外，Sequoia還配置了一個日光傳感器，用來對多光譜數據進行輻射校正。

無人機數據獲取時間為2019年6月9日上午10點，天氣晴朗無云、微風。數據采集軟件為Pix4D capture，飛行高度設置30、60和90 m三個高度，航向重疊率和旁向重疊率均為80%，飛行前對輻射定標板進行成像。無人機多光譜數據的預處理工作采用的是Pix4Dmapper 軟件，經過圖像拼接和輻射校正，最終得到研究區(qū)不同飛行高度下的多光譜正射影像(圖1)和數字表面模型(DSM)。圖1中紅色為生長期作物和自然植被，綠色為成熟期正常小麥，白色為倒伏小麥，淺藍色為房屋和土壤。

1.3 分類方法

本研究擬選擇監(jiān)督分類當中的最大似然法[20]、人工神經網絡[21]、支持向量機[22]和隨機森林法[23]，采用總體精度和Kappa系數評價不同分類方法的性能。總體精度是指所有被準確分類的像元數與像元總數的比值，Kappa系數表示分類與完全隨機的分類產生錯誤減少的比例。圖像分類和精度評價過程均在ENVI 5.3中實現。

通過在原始圖像中選擇驗證樣本來評價分類結果的精度，驗證樣本的選擇直接影響總體精度和Kappa系數的計算結果。本研究采用如下方式計算分類結果的精度：1)在ENVI5.3中選擇驗證樣本，各樣本所包含的像元數量不做考慮；2)在原始驗證樣本中，隨機選取采樣點，保證各驗證樣本中像元數量相同；3)將兩種驗證方式計算得到的總體精度和Kappa系數取平均值。

1.4 倒伏面積提取適宜空間分辨率評價

在明確倒伏小麥提取的最優(yōu)分類方法基礎上，對比不同飛行高度下小麥倒伏面積分類結果。并將90 m飛行高度獲取的多光譜數據進行重采樣，空間分辨率從20 cm開始，逐次增加20 cm，像元最大增加到200 cm，分析空間分辨率對于倒伏小麥面積提取結果的影響。

2 結果與分析

2.1 分類方法選擇

從6種地物波譜曲線(圖2)可以看出，研究區(qū)存在明顯的“異物同譜”現象，成熟期正常小麥和土壤光譜曲線非常相似。倒伏小麥和綠色植被的光譜曲線與其他地物區(qū)別明顯。房屋和土路光譜曲線相近。因此，在選擇樣本時，將房屋和土路合并為一類，研究區(qū)地物共劃分為5類。

以無人機在30 m地面高度獲取的多光譜正射影像作為評價不同分類方法精度的試驗數據，該圖像空間分辨率為3.2 cm。在ENVI5.3中選

圖1 研究區(qū)位置和無人機標準假彩色圖像Fig.1 Study area location and UAV standard false color image

圖2 研究區(qū)地物反射率光譜曲線Fig.2 Reflectance spectrum curve of ground objects in the study area

擇相同的樣本區(qū)域，采用上述四種方法對該圖像進行分類。從圖3中可以看出，最大似然法存在嚴重的錯分現象，對倒伏小麥的提取結果最差，玉米地塊大部分被錯分為倒伏小麥，且正常小麥有部分被錯分為土壤。相比而言，人工神經網絡、隨機森林和支持向量機的分類結果較好，對倒伏小麥的提取結果與實際情況較吻合。但是這三種分類方法都存在將玉米地錯分為正常小麥的現象，同時裸露土壤的分類面積也存在差異。

從表3可以看出，隨機森林法的分類結果最好，總體分類精度達到了91.08%，Kappa系數為0.88。支持向量機和隨機森林法的分類結果相差不大，人工神經網絡法其次，最大似然法總體精度和Kappa系數最低，分別為79.67%和0.72。然而從各地物類型的面積比例來看，不同分類方法有較大差異。以土壤為例，支持向量機法的面積比例為8.81%，隨機森林法為4.91%，而人工神經網絡法僅為2.49%。這是由于該區(qū)域小麥已經變黃成熟，非倒伏小麥的近紅外特征不明顯，其光譜曲線形狀與土壤、房屋和土路十分相近，容易被錯分和漏分。由于倒伏小麥植株之間相互重疊以及莖稈的反射率較高，其在四個波段的反射率呈逐漸上升的趨勢，與其他地物差異明顯。無人機圖像中春玉米地塊植株間的土壤清晰可見，雖然在該區(qū)域選擇了分類樣本，但四種分類方法并沒有很好地將春玉米地塊中的土壤提取出來。

圖3 研究區(qū)分類結果Fig.3 Classification results of study area

表1 不同分類方法精度評價Table 1 Accuracy evaluation of different classification methods

圖4 研究區(qū)數字表面模型Fig.4 Digital surface model of the study area

根據以往的研究，無人機生成的DSM可以作為倒伏小麥分類的特征值。倒伏小麥的高度比非倒伏小麥低，可以利用某個閾值將倒伏小麥提取出來。圖4為研究區(qū)多光譜圖像和DSM疊加顯示的結果。從A區(qū)域中可以看出，對于單一地塊來講，倒伏小麥的高度明顯低于非倒伏小麥。然而從B區(qū)域中可發(fā)現研究區(qū)農田之間的基準高度并不相同。以某一個高度閾值劃分倒伏小麥很可能將地勢較低農田中非倒伏小麥錯分。也有研究采用收獲前后獲取裸露農田的DSM，進而獲取作物的高度信息。本研究并沒有采集收獲后的影像，因此沒有采用DSM閾值法。

為減小工作量和保證分析結果的一致性，進一步在研究區(qū)內選擇了三個倒伏較為嚴重的區(qū)域作為后續(xù)空間分辨率評價的實驗區(qū)(圖5)。在ArcGIS中分別提取四種分類結果中三個地塊倒伏小麥的面積，倒伏實際面積采用目視解譯的方法獲取。從表2可以看出，最大似然法結果與實際倒伏面積相差較大。對于地塊1和地塊3，支持向量機、隨機森林和人工神經網絡法之間結果相差不大，而地塊2中，人工神經網絡法的結果與實際倒伏面積最為接近。因此，在后續(xù)的空間分辨率評價當中分類方法選擇人工神經網絡法。

圖5 倒伏面積空間分辨率評價實驗區(qū)Fig.5 Experimental area for spatial resolution evaluation of lodging wheat

表2 試驗區(qū)倒伏面積分類結果比較Table 2 Comparison of lodging area classification results in test area m2

2.2 空間分辨率對倒伏面積提取結果的影響

在ENVI 5.3中利用人工神經網絡對研究區(qū)不同空間分辨率的多光譜圖像進行分類(圖6)，為保證分類結果具有較好的一致性，各地類樣本均在相同位置進行選擇。圖7為不同空間分辨率提取的小麥倒伏面積與實際值的相對誤差。圖7中，空間分辨率3.2 cm、6.6 cm和9.8 cm圖像分別為無人機在30 m、60 m和90 m地面高度獲取的。從圖7可以看出，隨著像元尺寸的增大，小麥倒伏分類面積呈緩慢增加的趨勢。其中地塊1和地塊2的相對誤差逐漸增加，而地塊3的相對誤差隨著像元尺寸的增大而減小。這是由于地塊1和地塊2中小麥倒伏程度較嚴重，地塊3中部分區(qū)域小麥倒伏程度略輕。在像元尺寸較小時，輕度倒伏的小麥與周圍非倒伏小麥之間的光譜信息呈較為連續(xù)的變化，輕度倒伏區(qū)域容易被錯分為正常小麥或其他地物。隨著像元尺寸的增大，兩者之間的差異越來越大，倒伏像元的提取結果變得更為準確。

進一步分析發(fā)現，小麥倒伏分類結果與實際倒伏區(qū)域的空間一致性的降低并不是分類誤差導致的，而是指隨著像元尺寸的增大，其位置精度逐漸降低，倒伏小麥區(qū)域的邊界鋸齒化現象越來越明顯，甚至出現一定程度的位移。雖然在圖像上提取的小麥倒伏面積與實際面積相差較小，但在空間上兩者一致性不好，說明提取結果可能并不適用。例如，在農業(yè)保險方面，其實際意義在于準確的小麥倒伏邊界可以幫助保險公司明確理賠對象，減少客戶與保險公司之間的爭議。將不同空間分辨率分類結果轉化為矢量格式，在ArcGIS中利用相交工具獲取分類結果和實際倒伏區(qū)域的重疊面積。以3.2 cm分類結果為基準，計算其他

圖6 不同空間分辨率無人機多光譜圖像分類結果Fig.6 Classification results of multi spectral images of UAV with different spatial resolution

圖7 不同空間分辨率倒伏小麥面積提取結果Fig.7 Extraction results of lodging wheat area in different spatial resolution

不同空間分辨率倒伏面積與該數據的相對誤差(圖8)。從圖8中可以看出，隨著空間分辨率的降低，相對誤差也在逐漸增大。其中，地塊1和地塊2在像元大小增加至60 cm時，相對誤差分別為13.1%和10.5%。地塊2的相對誤差曲線變化速率較大，當像元大小增加至20 cm時相對誤差為8.2%，像元大小為40 cm時相對誤差增加至22%。

結合圖7和圖8的結果，綜合考慮面積總量和空間范圍的一致性，本研究認為20～40 cm是提取倒伏小麥較為適宜的空間分辨率范圍。20～40 cm意味著無人機可以在更高的地面高度上成像，其飛行區(qū)域會更廣，而成像時間則會大大減少。以本研究所使用的無人機為例，當地面高度為30 m，空間分辨率為3.2 cm時，任務范圍為500 m×500 m，飛行所需時間為84 min。當空間分辨率為14 cm時，對應地面高度為150 m(Parrot Bluegrass在Pix4D capture中的最大飛行高度)，飛行所需時間僅為13 min，效率明顯提高。

圖8 不同空間分辨率小麥倒伏分類 結果空間一致性相對誤差Fig.8 Relative error of overlapping degree of wheat lodging area in different spatial resolution

3 討 論

針對某一項研究如何選擇合適的尺度或分辨率，被認為遙感應用研究中的主要挑戰(zhàn)之一?？臻g分辨率的大小對影像分類精度有明顯影響，精細的空間分辨率可減少混合像元的比例，提高分類精度，但過高的空間分辨率可能會導致類別內部光譜異質性增大，從而降低分類精度。

地統計學(局部方差和半方差)和分形理論方法認為，隨著空間分辨率逐漸降低，某地物類別的方差或分形維數會出現一個拐點，該拐點即為此類地物的最佳空間分辨率，最佳空間分辨率通常與地物大小相近。例如，馮桂香等[24]研究表明，建筑用地的拐點是 3 m，耕地的拐點是 4 m，林地的拐點是 3 m；徐凱健等[25]指出研究森林樹種識別的最佳影像分辨率為 4 m，與樹冠大小相近。本研究中，重疊的莖稈和葉片使得倒伏小麥在厘米級的遙感圖像光譜特征較為均一，其拐點對應的空間分辨率可能更為精細，而在該尺度上提取倒伏小麥數據處理成本較高，對其他地物的分類精度可能呈現相反的結果。也有研究通過加入圖像紋理特征來提高分類精度。紋理特征對不同空間分辨率、不同地物分類精度的影響不同。當像元尺寸較小時，紋理特征對分類結果的提升并不顯著[26]。

本研究中，倒伏小麥和其他地物光譜特征存在顯著差異，不同空間分辨率的光譜特征分類結果表明，40 cm是農田尺度上提取倒伏小麥的上限空間分辨率，像元尺寸繼續(xù)增大時，其定位精度逐漸降低，導致其分類結果空間一致性變差。此外，高度差異是倒伏小麥另一顯著特征。高差數據可通過小麥倒伏前后的DSM提取，也可在地表無作物覆蓋時獲取DSM，結合作物倒伏后的DSM消除地形影響，再用閾值法提取，該方法需要無人機至少兩次的觀測數據。本研究中僅獲取了小麥倒伏后的DSM數據，無法提取高差信息，將光譜特征和高差信息組合可能會提高適宜空間分辨率的上限。

4 結 論

以冀南地區(qū)倒伏小麥農田為研究對象，采用Parrot Bluegrass獲取該地區(qū)不同飛行高度的多光譜圖像。在四種監(jiān)督分類方法，最大似然法對地物存在嚴重的錯分現象，人工神經網絡、隨機森林和支持向量機的總體分類結果較好，其中人工神經網絡對倒伏小麥識別結果最準確。無人機圖像在空間分辨率提高的同時，信息量急劇增加，其分類難度也在提高。依據面積總量和空間一致性，本研究認為20～40 cm是提取倒伏小麥較為適宜的空間分辨率范圍。