魏永康，楊天聰，臧少龍，賀利，段劍釗，謝迎新，王晨陽，馮偉

基于無人機多光譜影像特征融合的小麥倒伏監(jiān)測

河南農(nóng)業(yè)大學農(nóng)學院，鄭州 450000

【目的】小麥倒伏嚴重影響小麥光合及成熟進程，進而造成小麥減產(chǎn)及品質(zhì)下降。為快速精確獲取倒伏信息，評估無人機遙感監(jiān)測小麥倒伏的能力，構(gòu)建小麥倒伏監(jiān)測模式，為災(zāi)情評估、保險理賠及災(zāi)后補救提供技術(shù)支持?！痉椒ā坷媒責o人機獲取包含紅、綠、藍、紅邊和近紅外5個多光譜波段圖像，經(jīng)過預處理飛行高度50 m的小麥冠層圖像，得到分辨率為1.85（cm/像素）的數(shù)字正射影像圖（DOM）和數(shù)字表面模型（DSM），從中提取光譜特征、高度特征和光譜紋理共3類特征信息；采用支持向量機（SVM）和隨機森林（RF）2種分類器對6種不同特征集組合進行倒伏分類比較，使用準確率（Acc）、精確率（Pre）、召回率（Re）和調(diào)和平均數(shù)（F1）以確定較優(yōu)的特征組合和分類器；同時使用3種不同的特征集篩選方法（套索算法Lasso、隨機森林遞歸算法RF-RFE和Boruta算法）對優(yōu)化的特征子集進行綜合評價，確立適宜的倒伏分類評價方法?！窘Y(jié)果】單一特征的光譜和紋理及其組合對小麥倒伏的分類評價結(jié)果較差，“椒鹽現(xiàn)象”嚴重，在此基礎(chǔ)上融合DSM信息的分類精度顯著提高。采用隨機森林分類器對光譜特征、紋理特征和高度特征進行特征集組合，小麥倒伏識別的分類準確率最高達91.48%。為減少特征集變量數(shù)量，采用3種特征優(yōu)化方法，與篩選得到的全特征集、Lasso算法、RF-RFE算法相比，基于Boruta算法得到的優(yōu)化特征子集分類精度更高，整體穩(wěn)定性更好，從含有DSM的3種特征組合均值來看，總體分類精度和Kappa系數(shù)分別提高了0.17%和0.01（全特征集）、2.45%和0.05（Lasso）、2.87%和0.05（RF-RFE）。其中，光譜-紋理-DSM組合效果最好，總體分類精度達92.82%，Kappa系數(shù)達0.86。【結(jié)論】Boruta算法有效優(yōu)化光譜-紋理-DSM組合的特征子集數(shù)量，讓更少的特征參量參與分類，且獲得較高的分類精度，確立了精確監(jiān)測小麥倒伏的多特征組合-Boruta-RFC技術(shù)融合模式，為小麥災(zāi)情評估及補救措施制定提供參考。

冬小麥；無人機；多光譜；特征融合；倒伏

0 引言

【研究意義】小麥是中國最重要的糧食作物之一，黃淮麥區(qū)是小麥主產(chǎn)且優(yōu)勢產(chǎn)區(qū)，其種植面積及產(chǎn)量分別占全國的55%和64%。近年來，極端天氣頻繁發(fā)生，病蟲害、小麥品種抗倒伏能力存在差異和農(nóng)戶栽培措施不當?shù)仍颍瑢е滦←溤谏a(chǎn)過程中常受到倒伏的威脅[1-3]。小麥倒伏常發(fā)生在生長中后期，嚴重影響水分和養(yǎng)分的運輸，造成小麥減產(chǎn)和品質(zhì)下降[4-5]。小麥發(fā)生倒伏后，不利于機械化收獲，增加了收獲難度和投入成本。因此，快速對小麥倒伏做出準確的評估，對農(nóng)業(yè)保險部門和農(nóng)業(yè)管理部門的災(zāi)情掌握、災(zāi)后補救及賠償均具有重要意義[6-7]?！厩叭搜芯窟M展】傳統(tǒng)的作物倒伏面積信息的獲取是以人工實地調(diào)查和測量為基礎(chǔ)，不僅費時而且低效[8-9]。相較于傳統(tǒng)方法，新興的遙感技術(shù)為作物倒伏信息獲取提供了一個新的快捷途徑?；诓煌倪b感工作平臺，可分為地面遙感、無人機遙感和衛(wèi)星遙感，這在作物倒伏面積監(jiān)測和等級劃分中發(fā)揮著重要作用。衛(wèi)星數(shù)據(jù)訪問周期長，受天氣影響大，空間和時間分辨率低，增加了監(jiān)測倒伏的不確定性[10-11]。無人機能夠獲取更高的時間和空間分辨率圖像，并且兼容性好，可以搭載多種傳感器，監(jiān)測成本較低[12-13]。黃艷偉等[14]利用含有近紅外波段的無人機多光譜數(shù)據(jù)，對小麥倒伏區(qū)域地物進行分類精度評價，顯示出良好的分類效果；Brovkina等[15]將無人機多光譜數(shù)據(jù)和相關(guān)植被指數(shù)用于多樹種分類研究，表明光譜特征對分類區(qū)域地物識別具有較好適用性；張新樂等[16]通過提取無人機多光譜影像的紋理特征，對完熟期玉米倒伏面積進行提取，擴展了紋理特征在玉米倒伏監(jiān)測中的應(yīng)用價值。不同的圖像信息表征了作物多視角形態(tài)結(jié)構(gòu)差異，尤其在地物形態(tài)結(jié)構(gòu)復雜的區(qū)域，單特征對分類精度的提升有限，需要其他類型特征的融合補充。Sun等[17]提取多光譜無人機影像的紋理特征和光譜特征，特征融合后分類精度較單特征顯著提高。趙靜等[18]將獲取的地表高程信息（digital surface model，DSM）與可見光圖像相融合，發(fā)現(xiàn)特征融合方法可以顯著提高小麥倒伏面積的提取精度，表明冠層高度信息在地物識別中具有重要作用。以上研究表明多特征組合較單特征的分類精度高，分類效果好，但多特征組合存在數(shù)據(jù)維度過高的問題。王娜等[19]研究表明對多特征信息優(yōu)化可以在一定程度上降低數(shù)據(jù)維度，提高分類器計算效率。周小成等[20]利用遞歸特征消除隨機森林算法（random forest-recursive feature elimination，RF-RFE），對無人機可見光遙感多特征數(shù)據(jù)集進行特征優(yōu)化選擇，有效提高了林分類型的分類精度，擴展了無人機遙感在植被調(diào)查中的應(yīng)用范圍?！颈狙芯壳腥朦c】在地物形態(tài)結(jié)構(gòu)復雜的區(qū)域和對象，單特征圖像信息具有局限性，而多特征圖像融合能夠增強地物形態(tài)結(jié)構(gòu)間的差異，提升對不同地物的識別和分類能力。對于多特征融合遙感數(shù)據(jù)，特征優(yōu)選可以進一步降低多特征數(shù)據(jù)維度，對提高數(shù)據(jù)運行速度和分類精度具有重要作用。當前，將多光譜反射率、植被指數(shù)、紋理特征和數(shù)字表面模型（DSM）等多特征信息融合在作物倒伏信息提取與分類方面顯示出很好的應(yīng)用潛力，但用于多特征集的特征優(yōu)化方法還較為單一，且在不同研究中因作物、品種、地域及傳感器參數(shù)不同而存在較大差異，因此有必要將遙感多特征間組合及其特征集優(yōu)化方法進行整合利用，以增強作物倒伏區(qū)域分類的穩(wěn)定性及可靠性?！緮M解決的關(guān)鍵問題】本研究以無人機多光譜遙感影像為數(shù)據(jù)源，選擇支持向量機（support vector machines，SVM）和隨機森林（random forest，RF）作為分類器，提取圖像的光譜特征、紋理特征和高度特征，比較特征組合在倒伏分類中差異；同時，利用套索算法（Lasso）、隨機森林遞歸算法（RF-RFE）、Boruta算法3種方法優(yōu)化圖像特征集，比較并構(gòu)建小麥倒伏分類模型，為快速監(jiān)測小麥倒伏狀況提供參考和技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概述

本研究區(qū)位于河南省新鄉(xiāng)市原陽縣河南農(nóng)業(yè)大學科教園區(qū)，地理位置為35°6′N，113°56′E，平均海拔高度約為76 m，位于華北平原中部，地形以平原為主，屬于溫帶大陸性季風氣候，四季分明，陽光充足，年平均氣溫約14.5℃，年平均降水量約550.4 mm，全年日照時長約2 407 h，土壤類型為潮土，試驗地栽培管理措施同一般小麥高產(chǎn)田，采用一年兩熟的種植制度，主要種植冬小麥和夏玉米。試驗田的地理位置和種植分布情況如圖1所示，試驗田共種植42個河南省自20世紀50年代以來不同年代主推的小麥品種。

圖1 研究區(qū)位置

1.2 數(shù)據(jù)獲取與預處理

2021年5月上旬河南中北部出現(xiàn)強降雨和大風天氣，導致原陽基地部分地塊出現(xiàn)小麥倒伏現(xiàn)象。5月10日，選擇倒伏區(qū)域較多的小麥品種區(qū)域試驗，由無人機飛行獲取實際倒伏小麥區(qū)域的多光譜影像。試驗使用Matrice600PRO大疆六旋翼無人機，搭載Ronin系列云臺和機載模塊化多光譜傳感器，該傳感器包含藍光波段（450 nm）、綠光波段（550 nm）、紅光波段（685 nm）、紅邊波段（725 nm）、近紅外波段（780 nm）共5個多光譜通道，相機分辨率為2 064×1 544。飛行拍攝當天，天氣晴朗無云，飛行高度50 m，最大飛行速度3.5 m·s-1，拍照模式選擇等距間隔拍照，航向重疊率75%，旁向重疊率70%，云臺俯仰角度-90°，同時手持差分測量儀（Real-time Kinematic，RTK）對試驗區(qū)域進行打點定位，獲取10個精確地面控制點坐標。

將獲取的航拍影像、地面控制點坐標輸入到Pix4Dmapper軟件，進行初始化處理，構(gòu)建密集點云和紋理信息，生成數(shù)字表面模型（digital surface model，DSM）和數(shù)字正射模型（digital orthophoto map，DOM）。無人機多光譜影像分辨率為1.85（cm/像素），使用ENVI5.3對影像進行低通濾波處理，平滑圖像，選取倒伏區(qū)域作為感興趣區(qū)域，DOM和DSM如圖1-b—c所示。

土壤背景的存在使得研究區(qū)域出現(xiàn)土壤像元和小麥像元混雜現(xiàn)象，導致感興趣區(qū)并非只有小麥純像元，因此，基于多光譜5波段影像，利用支持向量機對土壤背景和小麥植株進行分類，掩膜處理去除土壤像元，減少對分類精度的影響。通過目視解譯和飛行當天現(xiàn)場拍照取證情況，在遙感影像目標區(qū)域內(nèi)使用ENVI5.3感興趣區(qū)域工具中劃定感興趣區(qū)域（region of interest，ROI），隨機選擇150個ROI定義訓練樣本，132個ROI定義驗證樣本組成樣本數(shù)據(jù)集（圖2）。在樣本的選擇原則上，保證樣本數(shù)量充足，分布均勻不包含其他地物，減少誤差。

圖2 研究區(qū)域劃分示意圖

1.3 研究方法

為深度挖掘無人機多光譜影像在作物倒伏區(qū)域分類的應(yīng)用潛力，首先提取和分析統(tǒng)計區(qū)域的光譜，紋理特征和高程信息，將3種特征集作為輸入變量，分別結(jié)合支持向量機（support vector machines）和隨機森林（random forest）分類器，對光譜特征集、紋理特征集、光譜和紋理特征集、光譜和DSM特征集、紋理和DSM特征集、光譜紋理和DSM特征集共6種特征組合進行分類比較。采用Boruta算法、RF-RFE算法和Lasso算法對篩選出的特征組合優(yōu)選特征子集，選擇適合的分類器對小麥倒伏區(qū)域進行分類研究。技術(shù)路線如圖3所示。

1.3.1 分類特征

1.3.1.1 植被指數(shù) 植被指數(shù)是利用不同波段數(shù)據(jù)組合而成，可以定量描述植被的生長狀況，進而突出圖像中植被特征及類別。本文結(jié)合前人相關(guān)研究結(jié)果選擇常見的8個多光譜植被指數(shù)用于小麥倒伏區(qū)域分類，如表1所示。

1.3.1.2 紋理特征 紋理特征反映圖像中同質(zhì)現(xiàn)象的視覺特征，體現(xiàn)物體表面具有緩慢變換或周期性變化的表面組織結(jié)構(gòu)排列屬性，通過像素和周圍空間領(lǐng)域的灰度分布進行表現(xiàn)?；叶裙采仃嚕╣ray level co-occurrence matrix，GLCM）是一種基于結(jié)構(gòu)的方法，具有較強的適應(yīng)性和魯棒性。使用5個原始多光譜影像，提取紋理特征，得到8類紋理濾波包括均值（mean）、方差（variance）、協(xié)同性（homogeneity）、對比度（contrast）、相異性（dissimilarity）、信息熵（entropy）、二階矩（second moment）和相關(guān)性（correlation），共計40項光譜學紋理特征。

圖3 技術(shù)路線

表1 本研究中使用的植被指數(shù)

Rnir為近紅外波段，Rred.edge為紅邊波段，Rred為紅光波段，Rgreen為綠光波段

Rnir is the near infrared band, Rred. edge is the red edge band, Rred is the red light band, Rgreen is the green light band

1.3.1.3 高度特征 為了準確獲取作物冠層結(jié)構(gòu)特征，利用無人機獲取的多光譜影像，通過優(yōu)化對齊方式建立密集點云，添加控制點信息建立網(wǎng)格和紋理，生成數(shù)字表面模型（digital surface model，DSM）。由于該試驗地所在區(qū)域地勢平坦，僅利用數(shù)字表面模型即可反映作物高度特征變化，通過掩膜剔除土壤背景保留作物純凈像元，采用ENVI中感興趣區(qū)（ROI）工具分類型統(tǒng)計作物高程信息，以表征地物間的垂直變異性，進一步用于地物分類研究。

1.3.2 分類方法和特征選擇

1.3.2.1 分類方法 分類器是影響作物分類研究的重要因素，支持向量機（support vector machine，SVM）和隨機森林分類器（random forest classification，RFC）在分類研究中應(yīng)用最為廣泛。支持向量機是一種有監(jiān)督的學習方法，將向量高維映射，通過建立平行超平面，使超平面間距離最大化，減小分類器誤差。隨機森林（random forest，RF）通過集成學習的思想將多棵決策樹集成，在每株決策樹生長過程中，以基尼指數(shù)或信息增益為劃分標準，確定分裂節(jié)點的最佳特征子集，直至節(jié)點停止分裂，最終使用所有的決策樹投票決定最終的分類結(jié)果。

1.3.2.2 特征選擇 并非所有特征變量都對作物倒伏區(qū)域分類起作用，而且數(shù)據(jù)維度過高，易造成“維度災(zāi)難”，因此有必要選擇對結(jié)果影響較大的特征進行建模，剔除相關(guān)性較低或無相關(guān)的特征，提高建模效率和精度。Lasso[28]屬于嵌入式特征篩選方法，該方法通過在目標優(yōu)化函數(shù)后加上L1正則化項，添加懲罰項來控制模型復雜度，達到減輕過度擬合的目的，通過計算相關(guān)系數(shù)的大小，刪除系數(shù)為0的輸出結(jié)果。隨機森林遞歸算法（RF-RFE）[20]使用隨機森林作為基模型進行多次迭代訓練，計算特征組合的分類精度，對各特征變量的重要性打分并排序，剔除得分最小特征，利用剩余特征集重復迭代，直至變量數(shù)為0，比較每個特征子集的分類精度，選擇最優(yōu)特征組合。Boruta算法[29]通過創(chuàng)建陰影特征，用新的特征矩陣作為輸入，訓練模型，計算每個特征變量的重要性；設(shè)置陰影特征重要性百分位數(shù)為閾值，累計各特征命中數(shù)，結(jié)合命中數(shù)和迭代次數(shù)作假設(shè)檢驗，保留關(guān)聯(lián)性較好特征；重復上述步驟，直到所有變量被標記或達到迭代次數(shù)。

1.3.3 模型分類精度評價 為了檢驗?zāi)Ｐ驮跇颖炯械姆诸惥?，使用準確率（Accuracy）、精確率（Precision）、召回率（Recall）和調(diào)和平均數(shù)（F1）4種評價指標對特征優(yōu)化后的分類結(jié)果進行精度評價。具體計算公式[30]如下：

Acc=(TP+TN)/(TP+TN+FP+FN) （1）

Pre=TP/(TP+FP) （2）

Re=TP/(TP+FN) （3）

F1=2PR/(P+R) （4）

式中，TN、FN、TP和FP分別為真反例、假反例、真正例和假正例。

1.3.4 驗證區(qū)域分類精度評價 為驗證不同特征分類結(jié)果的有效性，遙感分類的精度評價最常用的分類方法是建立混淆矩陣的方法，根據(jù)混淆矩陣報表計算2項評價指標，本研究以總體分類精度（overall accuracy，OA）和Kappa系數(shù)（Kappa coefficient）為驗證區(qū)域主要的分類評價指標，具體公式[31]如下所示：

式中，代表驗證樣本的總數(shù)；代表混淆矩陣的總列數(shù)；x代表混淆矩陣的第行、第列的樣點數(shù)，x、x分別表示混淆矩陣各行各列元素之和。

2 結(jié)果

2.1 倒伏小麥的圖像特征分析

2.1.1 冠層高度特征分析 通過提取并比較試驗區(qū)域內(nèi)的裸地高程信息，發(fā)現(xiàn)地形平均高程為68.47 m，波動范圍為±0.02 m，表明試驗區(qū)域地面高程信息穩(wěn)定，地勢較平坦。從調(diào)查樣地提取的DSM值為地物綜合高程信息，包括地形高程和小麥冠層高度，進一步通過DSM和裸地平均高程的差值運算得到作物冠層高度模型，可以直觀地反映作物冠層表面距離地面的垂直高度。圖4展示的是倒伏小麥和正常小麥區(qū)域間的冠層高度差異，其中，倒伏區(qū)小麥冠層高度主要集中分布在39—53 cm，平均值為46 cm；而未倒伏小麥冠層高度主要集中分布在69—79 cm，平均值為74 cm，2種分類對象冠層高度間存在顯著差異性，較好地表征了倒伏區(qū)域作物冠層的高度變化?；诖?，可以認為地勢平坦地區(qū)DSM能夠作為一種直接信息源應(yīng)用到倒伏分類模型中。

圖4 小麥倒伏與未倒伏區(qū)域的地物高程范圍比較

Table 4 Comparison of ground features elevation range between lodging and no-lodging areas of wheat

2.1.2 光譜特征分析 計算統(tǒng)計樣本的光譜特征均值和標準差，如表2所示。與正常小麥相比，倒伏小麥的藍光、綠光、紅光、紅邊和紅外波段反射率均表現(xiàn)明顯上升，分別提高了68.79%、79.40%、30.76%、56.05%和8.35%，可見近紅外波段對倒伏的光譜響應(yīng)程度較小。由于倒伏后光譜反射率的變化量因波段位置而有所不同，導致倒伏小麥和正常小麥間植被指數(shù)存在差異，根據(jù)波段反射率計算的NDVI、RVI、GWDRVI和CIgreen和OSAVI均表現(xiàn)明顯的降低趨勢，較正常小麥分別降低7.23%、45.21%、39.20%、42.56%和4.7%，而DVI和NLI則呈增加趨勢，分別提高了4.34%和99.23%，比較而言，NDVI、OSAVI和DVI對小麥倒伏變化的反應(yīng)不明顯。

表2 光譜特征統(tǒng)計分析

2.1.3 紋理特征分析 通過統(tǒng)計倒伏小麥的紋理特征，繪制倒伏區(qū)域的紋理密度曲線圖，表征倒伏小麥的形態(tài)差異（圖5）。倒伏與正常小麥在各項紋理特征之間具有明顯差異，對于均值紋理而言，除近紅外780 nm外，其他4個特征波段均表現(xiàn)較好，倒伏與正常小麥間的可分離效果明顯；而對于相關(guān)性紋理而言，除藍光450 nm外，其他4個特征波段對倒伏小麥的識別分離效果較差。從不同波段紋理特征對倒伏的反應(yīng)看，450 nm的各項紋理指標均對倒伏和正常小麥間區(qū)分性表現(xiàn)較好，685 nm的紋理特征除均值紋理表現(xiàn)較好外，其余7個紋理特征均對倒伏反應(yīng)不明顯；對于780 nm來說，提取的8個紋理參數(shù)對倒伏的識別效果均不理想。

2.2 基于SVM和RF分類的特征組合篩選

為比較多光譜影像的不同特征組合在小麥倒伏區(qū)域分類的效果，利用隨機森林和支持向量機分類器對遙感影像提取的光譜特征、紋理特征和DSM進行組合篩選，使用準確率（Acc）、精準率（pre）、召回率（Re）和F1值對不同分類模型進行精度評價（表3）。單一特征的光譜和紋理及其組合對小麥倒伏的分類結(jié)果較差，支持向量機的準確率為75.17%—75.84%、隨機森林的準確率為75.70%—77.43%。在此基礎(chǔ)上，融合DSM影像特征后，分類精度得到顯著提升，支持向量機的分類準確率提升至78.52%—84.83%、隨機森林的分類準確率提升至91.43%—91.48%。對于表現(xiàn)較好的分類器隨機森林而言，光譜-DSM組合較單一光譜特征的分類準確率提高18.15%、F1值提高13.54%；紋理-DSM組合較單一紋理特征的分類準確率提高20.35%、F1值提高14.68%；光譜-紋理-DSM組合較光譜-紋理組合的分類準確率提高20.82%、F1值提高14.77%，這說明高度特征的融入能夠更好地識別倒伏區(qū)域。

圖5 紋理特征密度曲線圖

基于支持向量機和隨機森林分類器，比較不同特征組合的分類結(jié)果（圖6）。從目視效果看，依據(jù)光譜特征和紋理特征的分類結(jié)果存在錯分和漏分情況，同種地物光譜變異大，“椒鹽現(xiàn)象”嚴重。在光譜或紋理特征基礎(chǔ)上融入DSM信息后，倒伏區(qū)域分類效果得到明顯改善（圖6-d—f），“椒鹽現(xiàn)象”減少。基于隨機森林分類器條件下，3種特征組合的光譜-紋理-DSM可有效增強倒伏區(qū)域的分類效果（圖6右-f），在目視效果上與真實地面影像及調(diào)查較為接近。

表3 分類精度統(tǒng)計

圖6 基于支持向量機和隨機森林分類下不同特征組合的分類結(jié)果對比

2.3 基于不同特征選擇算法的特征子集篩選

特征選擇作為一種常見的降維方法，有利于篩選出最優(yōu)特征子集。不同的算法學習方式不同，選擇的結(jié)果存在差異（圖7）。圖7-a—c表示Boruta算法特征篩選結(jié)果，根據(jù)計算各特征變量的Z-scores選擇重要參數(shù)，其中，紋理-DSM組合中篩選得到14個重要變量，其特征子集參數(shù)包括780con、725var、550hom、550ent、550con、550sec、550dis、550var、780mea、685mea、550mea、450mea、725mea和DSM；光譜-DSM組合中篩選得到13個重要變量，其特征子集參數(shù)包括RVI、NDVI、 NLI、DVI、OSAVI、685、780、GREEN、CI、450、550、725和DSM；光譜-紋理-DSM組合中篩選得到16個重要變量，其特征子集參數(shù)包括NDVI、RVI、DVI、685、780mea、685mea、780、GREEN、CI、450、550、550mea、725、450mea、725mea和DSM。圖7-d—f表示RF-RFE算法的篩選過程，選擇分類精度最高的組合作為特征子集，紋理-DSM特征組合下變量數(shù)量為4個（DSM、450mea、550mea、725mea）時，分類精度最高（0.948）；光譜-DSM組合下變量數(shù)量為2個（DSM、550）時，分類精度最高（0.942）；光譜-紋理-DSM組合下變量數(shù)量為9個（DSM、450mea、550mea、685mea、725mea、780mea、725dis、550var、550dis）時，分類精度最高（0.941）。圖7-g—i表示Lasso算法的特征選擇結(jié)果，選擇相關(guān)系數(shù)不為0的變量組成特征子集，紋理-DSM組合下篩選得到3個變量組成特征子集（725mea、450mea、DSM），光譜-DSM組合下篩選得到3個變量組成特征子集（725、CI、DSM），而光譜-紋理-DSM 組合下篩選得到7個變量組成特征子集（725、DVI、RENDVI、780hom、780cor、450mea、DSM）。

2.4 不同特征選擇算法的分類結(jié)果評價

利用隨機森林分類器對光譜-DSM、紋理-DSM和光譜-紋理-DSM組成的全特征集以及3種特征選擇方法篩選后得到的特征子集進行倒伏分類，具體驗證區(qū)域結(jié)果如表4所示。對于所有不同特征子集選擇方法而言，光譜-紋理-DSM特征組合的平均分類精度較光譜-DSM、紋理-DSM均有所提高，平均Kappa系數(shù)為0.84，平均總體分類精度為91.76%。在12種不同特征數(shù)據(jù)集組成的分類方法中，利用Boruta算法對光譜-紋理-DSM特征子集進行優(yōu)化，優(yōu)化后的特征子集較全特征集的分類特征數(shù)量由54個減少到16個，總體分類精度和Kappa系數(shù)在所有特征子集選擇方法中均最高，分別為92.82%和0.86。在3種特征子集優(yōu)化方法中，通過Boruta算法優(yōu)化的特征子集對小麥倒伏分類表現(xiàn)出顯著優(yōu)勢，且整體穩(wěn)定性高，較Lasso算法的平均總體精度和Kappa系數(shù)分別提高了2.45%和0.05，較RF-RFE算法分別提高了2.87%和0.05，較全特征集分別提高了0.17%和0.01。圖8展示了基于光譜-紋理-DSM特征組合下3種特征子集優(yōu)化方法對小麥倒伏分類的效果，Boruta算法的倒伏分類精度高，與地面調(diào)查結(jié)果一致，可作為小麥倒伏信息提取較為適宜的方法，有效提高了分類器運算速率和分類精度，擴展了無人機多光譜數(shù)據(jù)在小麥倒伏區(qū)域監(jiān)測中的應(yīng)用范圍，滿足倒伏發(fā)生后第一時間獲取精確作物倒伏狀況的需要。

表4 特征篩選方法結(jié)果的比較

圖8 不同特征選擇算法的分類結(jié)果

3 討論

3.1 不同特征組合對倒伏分類的影響

在小麥灌漿期，倒伏前對冠層反射率起主要作用的是葉片和穗，而倒伏后對冠層反射率影響最大的則是莖稈。劉良云等[1]研究表明，莖稈在可見光波段的光譜反射率與葉片相當，而在近紅外波段則高于葉片。在小麥正常生長的冠層內(nèi)，葉片按照特定范圍的葉傾角分布，小麥植株具有垂直特性，當太陽光照射時，視場內(nèi)冠層主要為葉片和穗，而且上層葉片對中下層葉片及高低錯落的植株結(jié)構(gòu)存在一定程度的陰影遮擋，導致光譜反射率降低；小麥倒伏發(fā)生后，冠層結(jié)構(gòu)相對平坦，莖葉比例增加，倒伏越嚴重，莖稈所占比例越大，小麥植株間隙就越小，倒伏植被光譜反射率變大。小麥倒伏具有連片發(fā)生的特點，倒伏導致冠層結(jié)構(gòu)破壞，植株發(fā)生傾斜，相互覆蓋，冠層影像在空間上具有明顯的紋理特征變化，表現(xiàn)出典型的紋理差異性。從遙感影像中提取的植被指數(shù)可以反映作物的生理特性，定量解釋作物的生長狀況；紋理特征反映了光譜的空間變異性，可以很好地描述倒伏后冠層結(jié)構(gòu)倒塌的現(xiàn)象[32-33]。本研究基于無人機多光譜影像獲取的表征作物生長的多源遙感信息，比較分析光譜反射率、植被指數(shù)、紋理特征和DSM高度特征，表明不同的特征圖像可以用來描述倒伏小麥和正常小麥之間的差異特性，探討驗證了不同特征集組合在倒伏分類中的應(yīng)用潛力，實現(xiàn)了在倒伏分類過程中表征信息的互補。Molaei等[34]利用無人機可見光的紋理特征信息對小麥倒伏進行精確評估。王立志等[35]通過分析衛(wèi)星遙感圖像的光譜反射率和植被指數(shù)的變化，實現(xiàn)玉米倒伏區(qū)域的分類精度評估。這些研究表明從遙感圖像中提取的光譜特征、紋理特征均能用于作物倒伏信息的提取與評估，但評估精度還有待提高，限制了生產(chǎn)指導的廣泛應(yīng)用。當?shù)狗l(fā)生后，植株傾斜，作物冠層高度發(fā)生顯著變化，冠層高度也是倒伏識別的主要因子。前人基于無人機搭載相機所獲取的DSM數(shù)據(jù)，證實冠層高度在倒伏監(jiān)測中具有較好的可行性[18, 36]。Zhou等[37]利用無人機雷達數(shù)據(jù)提取小麥株高，進而對小麥倒伏分類作出評估。WILKE等[38]通過將無人機獲取的冠層高度模型定量閾值分割，用于評估大麥的倒伏率及嚴重程度。由于冠層高度僅僅代表作物單一的空間特征，缺乏其他如顏色及光譜特征的補充，不能充分全面反映作物倒伏的特征變化，往往導致分類精度也不高。DER YANG等[39]將無人機可見光圖像、數(shù)字表面模型和紋理特征進行多特征間融合協(xié)同，比較不同特征組合的分類效果，表明空間和光譜信息融合在水稻倒伏分類中具有很好的應(yīng)用價值。Wang等[40]將可見光圖像、紋理特征、冠層結(jié)構(gòu)、數(shù)字表面模型進行多元特征協(xié)同，開發(fā)出一種融合監(jiān)督和面向?qū)ο蟮牡狗衩追诸惙椒?，為作物倒伏評價提供了技術(shù)支持。本研究結(jié)果表明，單光譜特征、紋理特征和DSM均會存在嚴重的“椒鹽現(xiàn)象”以及邊緣模糊分割，導致較多的錯分像元，影響倒伏信息的精確提取。相較于單特征集而言，多特征間信息融合，可以有效增強典型地物間的特征差異，提高作物倒伏的分類精度。

3.2 不同特征篩選方法對倒伏分類的影響

對于多變量特征集，往往會存在大量的無關(guān)信息和冗余信息，提取大量的圖像特征會占用更多的計算機性能和耗費大量的時間，而且不適合的特征集可能會造成數(shù)據(jù)過擬合和模型準確率不高[41]。為了確保特征變量間相互獨立、區(qū)分性及便于理解，加快運算效率，特征變量的篩選非常重要。作物倒伏后，生理、顏色、紋理及高度等特征均發(fā)生明顯變化，特征數(shù)據(jù)集全部參與分類評估不適宜構(gòu)建簡便、實用的倒伏評估方法，因此，比較并篩選最佳的分類特征組合及分類模型是倒伏評估研究的重要內(nèi)容。當前用于作物倒伏特征選擇的方法較多[21, 27, 29]，不同的特征選擇方法其篩選特征的標準不盡相同，這導致生產(chǎn)應(yīng)用選擇的盲目性較大。郭鵬等[42]通過計算植被指數(shù)的變異系數(shù)以及倒伏和正常小麥間的相關(guān)差異系數(shù)，進而篩選出最優(yōu)化植被指數(shù)參與倒伏分類。Tian等[21]和Wang等[40]利用方差分析對特征指標篩選，從而實現(xiàn)了玉米和水稻倒伏的分類識別。傳統(tǒng)的特征變量間差異分析方法不能快速確定最優(yōu)特征個數(shù)，不利于倒伏分類模型的構(gòu)建以及大樣本特征集數(shù)據(jù)的應(yīng)用。王愷怡等[43]基于Lasso算法對光譜變量進行特征篩選，對油品進行很好的油質(zhì)評價。趙靜等[44]使用RFE算法對無人機多光譜圖像提取的圖像特征進行特征選擇，玉米田間的雜草識別分類精度顯著提高。熊皓麗等[45]在GEE云平臺下利用RFE算法進行特征優(yōu)化，對茶園分布進行很好的識別定位。Li等[29]利用Boruta算法對可見光圖像進行特征篩選，甘蔗倒伏區(qū)域分類效果較好，總體分類精度達到94.0%。本研究基于Boruta算法構(gòu)建的小麥倒伏分類模型在分類指標評估中優(yōu)于其他篩選方法獲得的特征子集，且具有相對穩(wěn)定性，證明Boruta特征優(yōu)化方法在構(gòu)建小麥倒伏分類模型中具有更好的識別能力和泛化能力。

本研究利用無人機多光譜影像進行多特征融合，對小麥倒伏區(qū)域分類表現(xiàn)出較好效果，其中利用Boruta算法進行多特征參量的優(yōu)化，篩選參數(shù)少且分類精度高，研究確立的多特征組合-Boruta-RFC模式對作物倒伏面積信息的提取具有很好的應(yīng)用潛力。在小麥生產(chǎn)實踐中，除倒伏面積外，不同倒伏等級對小麥后期籽粒灌漿及產(chǎn)量的影響也較大，但本研究未對小麥不同倒伏程度進行精確評估，以后應(yīng)加強倒伏面積及程度的系統(tǒng)監(jiān)測研究，以全面評價倒伏脅迫對小麥生長及產(chǎn)量的影響，為減災(zāi)補救措施制定及抗倒品種的篩選提供信息參考和技術(shù)指導。

4 結(jié)論

在小麥灌漿期利用低空無人機獲取倒伏區(qū)域的多光譜影像，提取倒伏和未倒伏的小麥光譜特征、紋理特征和DSM信息。將3類特征參數(shù)作為輸入因子，比較了隨機森林和支持向量機對小麥倒伏區(qū)域的分類效果，其中隨機森林法有效將3種特征信息源融合，很好地識別了小麥倒伏區(qū)域。為減少特征組合的數(shù)據(jù)集數(shù)量，利用Lasso算法、RF-RFE算法和Boruta算法對特征組合變量進行優(yōu)化選擇，其中Boruta方法有效降低了數(shù)據(jù)集維度，提高了小麥倒伏的分類精度。研究確立的多特征組合-Boruta-RFC技術(shù)融合模式對作物倒伏區(qū)域分類具有較高的應(yīng)用價值，這為災(zāi)情評估及抗逆減災(zāi)措施制定提供了信息參考和技術(shù)支持。

[1] 劉良云, 王紀華, 宋曉宇, 李存軍, 黃文江, 趙春江. 小麥倒伏的光譜特征及遙感監(jiān)測. 遙感學報, 2005(3): 323-327.

LIU L Y, WANG J H, SONG X Y, LI C J, HUANG W J, ZHAO C J. The canopy spectral features and remote sensing of wheat lodging. National Remote Sensing Bulletin, 2005(3): 323-327. (in Chinese)

[2] 楊浩, 楊貴軍, 顧曉鶴, 李增元, 陳爾學, 馮琦, 楊小冬. 小麥倒伏的雷達極化特征及其遙感監(jiān)測. 農(nóng)業(yè)工程學報, 2014, 30(7): 1-8.

YANG H, YANG G J, GU X H, LI Z Y, CHEG E X, FENG Q, YANG X D. Radar polarimetric response features and remote sensing monitoring of wheat lodging. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(7): 1-8. (in Chinese)

[3] 姚金保, 馬鴻翔, 姚國才, 楊學明, 周淼平, 張平平, 張鵬. 小麥抗倒性研究進展. 植物遺傳資源學報, 2013, 14(2): 208-213.

YAO J B, MA H X, YAO G C, YANG X M, ZHOU M P, ZHANG P P, ZHANG P. Research progress on lodging resistance in wheat(L.). Journal of Plant Genetic Resources, 2013, 14(2): 208-213. (in Chinese)

[4] 王丹, 丁位華, 馮素偉, 胡鐵柱, 李淦, 李笑慧, 楊艷艷, 茹振鋼. 不同小麥品種莖稈特性及其與抗倒性的關(guān)系. 應(yīng)用生態(tài)學報, 2016, 27(5): 1496-1502.

WANG D, DING W H, FENG S W, HU T Z, LI G, LI X H, YANG Y Y, RU Z G. Stem characteristics of different wheat varieties and its relationship with lodging-resistance. Chinese Journal of Applied Ecology, 2016, 27(5): 1496-1502. (in Chinese)

[5] 董荷荷, 駱永麗, 李文倩, 王元元, 張秋霞, 陳金, 金敏, 李勇, 王振林. 不同春季追氮模式對小麥莖稈抗倒性能及木質(zhì)素積累的影響. 中國農(nóng)業(yè)科學, 2020, 53(21): 4399-4414.

DONG H H, LUO Y L, LI W Q, WANG Y Y, ZHANG Q X, CHEN J, JIN M, LI Y, WANG Z L. Effects of different spring nitrogen topdressing modes on lodging resistance and lignin accumulation of winter wheat. Scientia Agricultura Sinica, 2020, 53(21): 4399-4414. (in Chinese)

[6] 陸洲, 徐飛飛, 羅明, 梁爽, 趙晨, 馮險峰. 倒伏水稻特征分析及其多光譜遙感提取方法研究. 中國生態(tài)農(nóng)業(yè)學報(中英文), 2021, 29(4): 751-761.

LU Z, XU F F, LUO M, LIANG S, ZHAO C, FENG X F. Characteristic analysis of lodging rice and study of the multi- spectral remote sensing extraction method. Chinese Journal of Eco-Agriculture, 2021, 29(4): 751-761. (in Chinese)

[7] 陳仲新, 任建強, 唐華俊, 史云, 冷佩, 劉佳, 王利民, 吳文斌, 姚艷敏, 哈斯圖亞. 農(nóng)業(yè)遙感研究應(yīng)用進展與展望. 遙感學報, 2016, 20(5): 748-767.

CHEN Z X, REN J Q, TANG H J, SHI Y, LENG P, LIU J, WANG L M, WU W B, YAO Y M, HA S T Y. Progress and perspectives on agricultural remote sensing research and applications in China. National Remote Sensing Bulletin, 2016, 20(5): 748-767. (in Chinese)

[8] CHU T X, STAREK M, BREWER M, MURRAY S, PRUTER L. Assessing lodging severity over an experimental maize (l.) field using uas images. Remote Sensing, 2017, 9(9): 923.

[9] HONKAVAARA E, SAARI H, KAIVOSOJA J, P?L?NEN I, HAKALA T, LITKEY P, M?KYNEN J, PESONEN L. Processing and assessment of spectrometric, stereoscopic imagery collected using a lightweight UAV spectral camera for precision agriculture. Remote Sensing, 2013, 5(10): 5006-5039.

[10] JAY S, MAUPAS F, BENDOULA R, GORRETTA N. Retrieving LAI, chlorophyll and nitrogen contents in sugar beet crops from multi- angular optical remote sensing: Comparison of vegetation indices and PROSAIL inversion for field phenotyping. Field Crops Research, 2017, 210: 33-46.

[11] CHAUHAN S, DARVISHZADEH R, LU Y, BOSCHETTI M, NELSON A. Understanding wheat lodging using multi-temporal Sentinel-1 and Sentinel-2 data. Remote Sensing of Environment, 2020, 243: 111804.

[12] 胡健波, 張健. 無人機遙感在生態(tài)學中的應(yīng)用進展. 生態(tài)學報, 2018, 38(1): 20-30.

HU J B, ZHANG J. Unmanned aerial vehicle remote sensing in ecology: Advances and prospects. Acta Ecologica Sinica, 2018, 38(1): 20-30. (in Chinese)

[13] SALAMí E, BARRADO C, PASTOR E. UAV flight experiments applied to the remote sensing of vegetated areas. Remote Sensing, 2014, 6(11): 11051-11081.

[14] 黃艷偉, 朱紅雷, 郭寧戈, 殷姝溦, 彭星玥, 王雨蝶. 基于無人機多光譜影像的冬小麥倒伏提取適宜空間分辨率研究. 麥類作物學報, 2021, 41(2): 254-261.

HUANG Y W, ZHU H L, GUO N G, YIN S W, PENG X Y, WANG Y D. Study on the suitable resolution of winter wheat lodging extraction based on UAV multispectral image. Journal of Triticeae Crops, 2021, 41(2): 254-261. (in Chinese)

[15] BROVKINA O, CIENCIALA E, SUROVY P, JANATA P. Unmanned aerial vehicles (UAV) for assessment of qualitative classification of Norway spruce in temperate forest stands. Geo-spatial Information Science, 2018, 21(1): 12-20.

[16] 張新樂, 官海翔, 劉煥軍, 孟祥添, 楊昊軒, 葉強, 于微, 張漢松. 基于無人機多光譜影像的完熟期玉米倒伏面積提取. 農(nóng)業(yè)工程學報, 2019, 35(19): 98-106.

ZHANG X L, GUAN H X, LIU H J, MENG X T, YANG H X, YE Q, YU W, ZHANG H S. Extraction of maize lodging area in mature period based on UAV multispectral image. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(19): 98-106. (in Chinese)

[17] SUN Q, SUN L, SHU M Y, GU X H, YANG G J, ZHOU L F. Monitoring maize lodging grades via unmanned aerial vehicle multispectral image. Plant Phenomics, 2019, 2019: 5704154.

[18] 趙靜, 潘方江, 蘭玉彬, 魯力群, 曹佃龍, 楊東建, 溫昱婷. 無人機可見光遙感和特征融合的小麥倒伏面積提取. 農(nóng)業(yè)工程學報, 2021, 37(3): 73-80.

ZHAO J, PAN F J, LAN Y B, LU L Q, CAO D L, YANG D J, WEN Y T. Wheat lodging area extraction using UAV visible light remote sensing and feature fusion. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(3): 73-80. (in Chinese)

[19] 王娜, 李強子, 杜鑫, 張源, 趙龍才, 王紅巖. 單變量特征選擇的蘇北地區(qū)主要農(nóng)作物遙感識別. 遙感學報, 2017, 21(4): 519-530.

WANG N, LI Q Z, DU X, ZHANG Y, ZHAO L C, WANG H Y. Identification of main crops based on the univariate feature selection in Subei. National Remote Sensing Bulletin, 2017, 21(4): 519-530. (in Chinese)

[20] 周小成, 鄭磊, 黃洪宇. 基于多特征優(yōu)選的無人機可見光遙感林分類型分類. 林業(yè)科學, 2021, 57(6): 24-36.

ZHOU X C, ZHENG L, HUANG H Y. Classification of forest stand based on multi-feature optimization of UAV visible light remote sensing. Scientia Silvae Sinicae, 2021, 57(6): 24-36. (in Chinese)

[21] TIAN M L, BAN S T, YUAN T, JI Y B, MA C, LI L Y. Assessing rice lodging using UAV visible and multispectral image. International Journal of Remote Sensing, 2021, 42(23): 8840-8857.

[22] HAN L, YANG G J, FENG H K, ZHOU C Q, YANG H, Xu B, LI Z H, YANG X D. Quantitative identification of maize lodging-causing feature factors using unmanned aerial vehicle images and a nomogram computation. Remote Sensing, 2018, 10(10): 1528.

[23] HUNT E R Jr, DAUGHTRY C S T, EITEL J U H, LONG D S. Remote sensing leaf chlorophyll content using a visible band index. Agronomy Journal, 2011, 103(4): 1090-1099.

[24] AHAMED T, TIAN L, ZHANG Y, TING K C. A review of remote sensing methods for biomass feedstock production. Biomass & Bioenergy, 2011, 35(7): 2455-2469.

[25] GITELSON A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation. Journal of Plant Physiology, 2004, 161(2): 165-173.

[26] GOEL N S, QIN W H. Influences of canopy architecture on relationships between various vegetation indices and LAI and Fpar: A computer simulation. Remote Sensing Reviews, 1994, 10(4): 309-347.

[27] GUAN H X, LIU H J, MENG X T, LUO C, BAO Y L, MA Y Y, YU Z Y, ZHANG X L. A quantitative monitoring method for determining maize lodging in different growth stages. Remote Sens, 2020, 12(19): 3149.

[28] 李紅, 張凱, 陳超, 張志洋, 劉振鵬. 基于高光譜成像技術(shù)的生菜冠層含水率檢測. 農(nóng)業(yè)機械學報, 2021, 52(2): 211-217, 274.

Li H, ZHANG K, CHEN C, ZHANG Z Y, LIU Z P. Detection of moisture content in lettuce canopy based on hyperspectral imaging technique. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(2): 211-217, 274. (in Chinese)

[29] LI X H, LI X Z, LIU W, WEI B H, XU X L. A UAV-based framework for crop lodging assessment. European Journal of Agronomy, 2021, 123: 126201.

[30] 慕濤陽, 趙偉, 胡曉宇, 李丹. 基于改進的DeepLabV3+模型結(jié)合無人機遙感的水稻倒伏識別方法. 中國農(nóng)業(yè)大學學報, 2022, 27(2): 143-154.

MU T Y, ZHAO W, HU X Y, LI D. Rice lodging recognition method based on UAV remote sensing combined with the improved DeepLabV3+ model. Journal of China Agricultural University, 2022, 27(2): 143-154. (in Chinese)

[31] 支俊俊, 董婭, 魯李燦, 施金輝, 駱文慧, 周悅, 耿濤, 夏敬霞, 賈蔡. 基于無人機RGB影像的玉米種植信息高精度提取方法. 農(nóng)業(yè)工程學報, 2021, 37(18): 48-54.

ZHI J J, DONG Y, LU L C, SHI J H, LUO W H, ZHOU Y, GENG T, XIA J X, JIA C. High-precision extraction method for maize planting information based on UAV RGB images. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(18): 48-54. (in Chinese)

[32] SHAH A N, TANVEER M, REHMAN A U, AHMAD ANJUM S, IQBAL J, AHMAD R. Lodging stress in cereal-effects and management: an overview. Environmental Science and Pollution Research, 2017, 24(6): 5222-5237.

[33] 戴建國, 張國順, 郭鵬, 曾窕俊, 崔美娜, 薛金利. 基于無人機遙感多光譜影像的棉花倒伏信息提取. 農(nóng)業(yè)工程學報, 2019, 35(2): 63-70.

DAI J G, ZHANG G S, GUO P, ZENG T J, CUI M N, XUE J L. Information extraction of cotton lodging based on multi-spectral image from UAV remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(2): 63-70. (in Chinese)

[34] MOLAEI B, CHANDEL A, PETERS R T, KHOT L R, QUIROS VARGAS J. Investigating lodging in spearmint with overhead sprinklers compared to drag hoses using entropy values from low altitude RGB-imagery. Information Processing in Agriculture, 2022, 9(2): 335-341.

[35] 王立志, 顧曉鶴, 胡圣武, 楊貴軍, 王磊, 范友波, 王艷杰. 基于多時相HJ-1B CCD影像的玉米倒伏災(zāi)情遙感監(jiān)測. 中國農(nóng)業(yè)科學, 2016, 49(21): 4120-4129.

WANG L Z, GU X H, HU S W, YANG G J, WANG L, FAN Y B, WANG Y J. Remote sensing monitoring of maize lodging disaster with multi-temporal HJ-1B CCD Image. Scientia Agricultura Sinica, 2016, 49(21): 4120-4129. (in Chinese)

[36] 廖鴻燕, 周小成, 黃洪宇. 基于無人機遙感技術(shù)的臺風災(zāi)害倒伏綠化樹木檢測. 遙感技術(shù)與應(yīng)用, 2021, 36(3): 533-543.

LIAO H Y, ZHOU X C, HUANG H Y. Detection of lodging landscape trees in typhoon disaster based on unmanned aerial vehicle remote sensing. Remote Sensing Technology and Application, 2021, 36(3): 533-543. (in Chinese)

[37] ZHOU L F, GU X H, CHENG S, YANG G J, SHU M Y, SUN Q. Analysis of plant height changes of lodged maize using UAV-LiDAR data. Agriculture, 2020, 10(5): 146.

[38] WILKE N, SIEGMANN B, KLINGBEIL L, BURKART A, KRASKA T, MULLER O, VAN DOORN A, HEINEMANN S, RASCHER U. Quantifying lodging percentage and lodging severity using a UAV-based canopy height model combined with an objective threshold approach. Remote Sensing, 2019, 11(5): 515.

[39] DER YANG M, HUANG K S, KUO Y H, TSAI H P, LIN L M. Spatial and spectral hybrid image classification for rice lodging assessment through UAV imagery. Remote Sensing, 2017, 9(6): 583.

[40] WANG Z, NIE C, WANG H,AO Y, JIN X. Detection and analysis of degree of maize lodging using UAV-RGB image multi-feature factors and various classification methods. ISPRS International Journal of Geo-Information, 2021, 10(5): 309.

[41] ISABELLE G, ANDRé E. An introduction to variable and feature selection. Journal of Machine Learning Research, 2003, 3(3): 1157-1182.

[42] 郭鵬, 武法東, 戴建國, 王海江, 徐麗萍, 張國順. 基于無人機可見光影像的農(nóng)田作物分類方法比較. 農(nóng)業(yè)工程學報, 2017, 33(13): 112-119.

GUO P, WU F D, DAI J G, WANG H J, XU L P, ZHANG G S. Comparison of farmland crop classification methods based on visible light images of unmanned aerial vehicles. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(13): 112-119. (in Chinese)

[43] 王愷怡, 楊盛, 郭彩云, 卞?；? 基于LASSO算法的光譜變量選擇方法研究. 分析測試學報, 2022, 41(3): 398-402, 408.

WANG K Y, YANG S, GUO C Y, BIAN X H. Spectral variable selection methods based on lasso algorithm. Journal of Instrumental Analysis, 2022, 41(3): 398-402, 408. (in Chinese)

[44] 趙靜, 李志銘, 魯力群, 賈鵬, 楊煥波, 蘭玉彬. 基于無人機多光譜遙感圖像的玉米田間雜草識別. 中國農(nóng)業(yè)科學, 2020, 53(8): 1545-1555.

ZHAO J, LI Z M, LU L Q, JIA P, YANG H B, LAN Y B. Weed identification in maize field based on multi-spectral remote sensing of unmanned aerial vehicle. Scientia Agricultura Sinica, 2020, 53(8): 1545-1555. (in Chinese)

[45] 熊皓麗, 周小成, 汪小欽, 崔雅君. 基于GEE云平臺的福建省10 m分辨率茶園專題空間分布制圖. 地球信息科學學報, 2021, 23(7): 1325-1337.

XIONG H L, ZHOU X C, WANG X Q, CUI Y J. Mapping the spatial distribution of tea plantations with 10 m resolution in fujian province using google earth engine. Journal of Geo-information Science, 2021, 23(7): 1325-1337. (in Chinese)

Monitoring wheat lodging based on UAV multi-spectral image feature fusion

College of Agronomy, Henan Agricultural University, Zhengzhou 450000

【Objective】The wheat lodging seriously affected the process of photosynthesis and maturity, which led to the reduction of yield and quality. In order to obtain lodging information quickly and accurately, UAV ability of remotely monitoring wheat lodging was evaluated, and a wheat lodging monitoring model was built, so as to provide a technical support for disaster assessment, insurance claims and post-disaster remediation.【Method】Five original multispectral band images, including red, green, blue, red-edge and near-infrared, were acquired by near-ground UAV. The wheat canopy image with flying height of 50 m was preprocessed to obtain digital orthophoto map (DOM) and digital surface model (DSM) with a resolution of 1.85 (cm/pixel), three types of feature information were extracted, namely spectral features, height features, and texture features. Support Vector Machine (SVM) and Random Forest (RF) were used to compare the lodging classification of six different feature set combinations, and accuracy (Acc), precision (Pre), recall (Re) and harmonic mean (F1) were used to determine the best feature combination and classifier. At the same time, three different feature set screening methods (Lasso algorithm, random forest recursive algorithm RF-RFE and Boruta algorithm) were used to comprehensively evaluate the optimized feature subset, and to establish an appropriate evaluation method for lodging classification.【Result】The results showed that the single feature spectrum and texture as well as their combinations had poor classification and evaluation results for wheat lodging, and the “salt and pepper phenomenon” was serious. On this basis, the classification accuracy of DSM information fusion was significantly improved. The random forest classifier was used to combine spectral features, texture features and height features, and the classification accuracy of wheat lodging identification reached 91.48%. In order to reduce the number of feature set variables, three feature optimization methods were adopted. Compared with the full feature set, Lasso algorithm and the RF-RFE algorithm, the optimized feature subset based on the Boruta algorithm had higher classification accuracy and better overall stability. From the perspective of the mean value of the three feature combinations containing DSM, the overall classification accuracy and Kappa coefficient were improved by 0.17% and 0.01 (full feature set), 2.45% and 0.05 (Lasso), 2.87% and 0.05 (RF-RFE), respectively. Among them, spectrum-texture-DSM was the best, with the overall classification accuracy of 92.82% and Kappa coefficient of 0.86.【Conclusion】The study showed that the Boruta algorithm could effectively optimize the number of feature subsets of the spectrum-texture-DSM combination, allow fewer feature parameters to participate in the classification, and obtain higher classification accuracy. Meanwhile, a multi-feature combination-Boruta-RFC technology model was established for accurately monitoring wheat lodging, which provided a reference for wheat disaster assessment and the formulation of remediation measures.

winter wheat; UAV; multispectral; feature fusion; lodging

2022-08-11；

2022-12-06

河南省科技研發(fā)計劃聯(lián)合基金（優(yōu)勢學科培育類）（222301420104）

魏永康，E-mail：wei3239125498@163.com。通信作者段劍釗，E-mail：djz20008@163.com。通信作者馮偉，E-mail：fengwei78@126.com

10.3864/j.issn.0578-1752.2023.09.005

（責任編輯 楊鑫浩，李莉）