章若鴻

（福建農(nóng)林大學林學院，福建福州 350002）

準確、高效地對農(nóng)作物種類進行分類和提取是精準農(nóng)業(yè)的基礎(chǔ)，它為農(nóng)作物水肥精準管理、生長狀況監(jiān)測和產(chǎn)量預(yù)估等農(nóng)業(yè)管理決策提供了有力的數(shù)據(jù)支撐[1]，在推動農(nóng)業(yè)數(shù)字化、智能化、自動化管理上具有重要意義。

傳統(tǒng)農(nóng)作物提取方法主要是通過人工調(diào)查的方法，該方法只能應(yīng)用在小范圍種植區(qū)域內(nèi)，其雖有較高精度，但存在效率低和成本高等不足，且該方法所統(tǒng)計結(jié)果與真實信息仍然具有一定的誤差，難以滿足現(xiàn)代社會對農(nóng)作物精準監(jiān)測和高效管理的要求。近些年，遙感技術(shù)已被廣泛應(yīng)用于農(nóng)作物空間分布信息提取、作物分類制圖中[3]。但傳統(tǒng)衛(wèi)星及機載遙感影像空間分辨率低，難以實現(xiàn)對小尺度上農(nóng)作物精細化提取。隨著輕量化、小型化的無人機遙感平臺普及，其在大面積農(nóng)作物信息提取方面起到了非常重要的作用。無人機具有靈活性強、重返周期短且能夠自動化進行影像采集作業(yè)的特點[4]，為農(nóng)業(yè)動態(tài)化監(jiān)測提供了新的技術(shù)手段。

面向?qū)ο髨D像分析在遙感分類領(lǐng)域已經(jīng)被廣泛應(yīng)用。面向?qū)ο蠓椒ú煌趥鹘y(tǒng)基于像素的方法，其分類單元是經(jīng)分割后形成的性質(zhì)相對均一的對象，因而可以充分利用影像對象的光譜、紋理、幾何、指數(shù)等特征[5]。然而，特征維度的增加會使得特征之間存在冗余和噪聲等問題，影響提取精度?，F(xiàn)有研究表明[6]，隨機森林（Random Forest，RF）在處理高維特征時具備更好的穩(wěn)健性與泛化能力，不易產(chǎn)生過擬合現(xiàn)象，無需降維也能在高維特征情況下保持很高的精度，且在識別精度與效率方面相比于其他機器學習方法（如支持向量機、K-最近鄰法等）均具有更大優(yōu)勢[7]，因此被廣泛用于多重特征分類中。

鑒于此，該文以農(nóng)作物的無人機影像為數(shù)據(jù)源，利用多尺度分割算法對影像進行分割，提取分割后對象的4類特征，利用隨機森林模型進行分類并評價分類性能，以期為農(nóng)作物精細管理提供有力支撐。

1 研究區(qū)概況及數(shù)據(jù)獲取

研究區(qū)（119°13′ E，26°5′ N）位于福建省福州市倉山區(qū)北部（圖1）。該地位于亞熱帶季風氣候區(qū)，年降雨量為900～2 100 mm，年平均氣溫為18℃～26℃。研究區(qū)中種植有土豆（Solanum tuberosum L.）、卷心菜（Brassica oleracea L.）和花椰菜（Brassica oleracea L.var.botrytis）、紫油麥菜（Lactuca sativa var longifoliaf.Lam）4 種作物。

圖1 研究區(qū)正射影像

采用大疆精靈4 無人機采集研究區(qū)可見光影像，航高設(shè)定為20 m，航向和旁向重疊度均設(shè)為75%，每張照片的尺寸為5 472 像素×3 078 像素。利用Pix4d mapper 軟件對所獲取的影像進行拼接，生成分辨率為0.033 m 的正射影像。

2 研究方法

2.1 最佳分割尺度篩選

采用ESP2 工具進行影像最佳分割尺度的篩選，該工具所統(tǒng)計的局部方差（LV）及其變化率（ROC）變化趨勢如圖2 所示。當ROC 值出現(xiàn)峰值時，該點對應(yīng)的分割尺度即為相對較佳分割尺度；由此可得最佳分割尺度的備選數(shù)值分別為18、29、35、45、52、78、87、99、108。

圖2 ESP2 尺度變化趨勢

通過目視比較基于備選分割尺度的分割效果可知（圖3），當尺度參數(shù)設(shè)置較小時（18～45），作物內(nèi)部被過度分割，如卷心菜內(nèi)芯、花椰菜葉片、以及油麥菜與土壤交接邊緣都產(chǎn)生了較為細碎的分割圖斑；尺度設(shè)為較大時（78），作物葉片與周圍土壤混為一體，出現(xiàn)了過分割現(xiàn)象；相對而言，基于尺度52 分割后的影像其圖斑內(nèi)部地物較為均一且其邊緣識別較為準確，整體分割效果較為理想，因此該研究將最佳分割尺度設(shè)定為52。

圖3 不同分割尺度分割效果

2.3 對象特征提取

由于消費級無人機所搭載的可見光傳感器光譜分辨率較低，僅依靠可見光光譜難以對不同地物進行有效區(qū)分。為了彌補可見光影像波段較少的局限性，該研究選取了4 類特征（共44 個），具體如表1。

表1 特征變量

2.4 隨機森林模型調(diào)參

隨機森林算法是以決策樹為基本單元，通過集成學習的思想將若干決策樹集成在一起，利用多棵樹對樣本進行訓練與預(yù)測，采用投票方式?jīng)Q定樣本的分類結(jié)果。決策樹數(shù)目和每棵決策樹所包含的特征數(shù)目是模型運行的2個重要參數(shù)，為了確定其最佳值，通過遞歸特征消除法（RFE）和交叉驗證相結(jié)合的方式對特征數(shù)量參數(shù)進行調(diào)優(yōu)，最終確定的最佳特征數(shù)量與決策樹數(shù)量分別為19 和224。

2.5 精度評價

該文根據(jù)混淆矩陣計算出的總體精度（OA）、生產(chǎn)者精度（PA）、用戶精度（UA）、Kappa 系數(shù)（Kappa）這4 個指標進行分類精度評價。

3 結(jié)果與分析

由不同地物識別的精度評價結(jié)果（表2）可知，利用歸特征消除與隨機森林相結(jié)合的算法取得了很高的精度，總體精度達93.18%，Kappa 系數(shù)達0.91。其中卷心菜、油麥菜和花椰菜用戶精度與生產(chǎn)者精度均高于90%，而土豆由于其葉片顏色與紋理特征與部分作物產(chǎn)生耦合，造成精度較低，生產(chǎn)者精度僅為86.55%；非農(nóng)作物地物都取得了較高的精度，其中白色地膜生產(chǎn)者精度達到了99.41%。由此可見，選取的方法能滿足提取精度要求。

表2 不同地物識別的精度評價結(jié)果

基于隨機森林模型預(yù)測生成的農(nóng)作物提取結(jié)果如圖4 所示，從中可看出農(nóng)作物與非農(nóng)作物地物能夠被正確識別，各地物區(qū)分度較好，最終的分類結(jié)果邊界清晰且破碎化現(xiàn)象較少，比較符合研究區(qū)地物分布情況。從局部細節(jié)進行分析，植被指數(shù)特征在農(nóng)作物地物與非農(nóng)作物地物區(qū)分上起到了較大作用；在農(nóng)作物提取上，由于卷心菜和土豆邊緣葉片顏色與花椰菜相似，僅利用可見光影像在區(qū)分上存在一定困難，造成一定的錯分現(xiàn)象；而紫油麥菜，葉片顏色呈紫紅色，與其余3 種作物顏色差異較為明顯，故提取效果較佳；非農(nóng)作物地物中，稻稈覆蓋地和裸土地在光譜特征上雖然存在一定相似性，但是其紋理特征差異較大，因此在實際應(yīng)用效果上取得了較好的效果；反觀白色地膜與混凝土2 種地物，不僅光譜特征差異小，在幾何和紋理上也存在高度相似性，因此2 種地物均存在不同程度的混淆現(xiàn)象。

圖4 農(nóng)作物提取結(jié)果

4 結(jié)論

無人機影像相比于傳統(tǒng)衛(wèi)星影像，在空間分辨率上具有極大優(yōu)勢，使得農(nóng)作物精細化提取得以實現(xiàn)；利用遞歸消除法進行特征優(yōu)選的方法能夠有效實現(xiàn)高維度特征的降維，提升模型的運行效率與精度，其總體精度為93.18%，Kappa 系數(shù)為0.91，其中光譜特征、植被指數(shù)特征與紋理特征均對分類效果起到重要作用。該研究結(jié)果表明，利用消費級無人機遙感平臺進行農(nóng)作物提取的方法是可行的，有助于進一步促進消費級無人機在精準農(nóng)業(yè)領(lǐng)域的應(yīng)用。