无人机遥感影像与农作物分类研究

摘要：本研究结合实际案例，在简单介绍研究区概况的基础上，深入探讨基于无人机遥感影像的农作物分类，并分析其结果。本研究借助无人机搭载数码相机的方式生成研究区域的RGB图像，相比于传统的只提取纹理特征的农作物分类方法，本研究有效地对比了两个不同时段的农作物DSM数据，使农作物的生长差异特征变得更为明显，并在农作物分类中有效运用了这一特征。仿真结果表明，在进行农作物分类时综合考虑农作物纹理、光谱、高度等多维特征，能够精准划分农作物种类，同时Kappa系数也能够维持较高的水平。

关键词：农作物分类；特征；无人机遥感影像

无人机遥感具备分辨率高、操作简单、获取数据快及成本低等特点，可以针对某一区域快速采集影像，获取更精确的作物分布信息，对作物监测技术的发展和应用具有重大意义，故成为卫星遥感和航空遥感的重要补充。准确、及时地进行农作物分类能够在国家农业产业结构调整和粮食政策制定等方面发挥重要作用，能够为国家粮食安全提供有效保障。过去，农业数据大多通过单一的人工操作来获取。经过相关人员的不断探索，发现无人机遥感能够在中小尺度地块发挥更大的作用，能够实现农作物种植信息的精准获取，不仅能在很大程度上为农业生产者提供帮助，还能有效促进相关技术的创新。基于此，笔者将深入探究无人机遥感影像的农作物分类问题。

1研究区概况

1.1研究区基本情况

研究区地势复杂多样，走势呈交叉状，即西南部和东部低，东南部、北部、西北部高。研究区为国家级农业示范研究基地，属中温带大陆性季风气候。年降水量约523mm，年平均气温约4.2℃，一年中四季变化十分明显，夏季凉爽，春、秋过渡时间较短，冬季降雪量较大。基地占地面积约8.1km2，内部多处地形存在高度差异，有较多的农作物种植在测区内。测区面积符合中小尺度地块的要求，并且满足区分农作物的要求，符合开展本次研究的条件。

1.2数据获取与准备

1.2.1获取和处理遥感数据本次研究使用固定翼无人机操作系统采集遥感数据。该系统不但能够实现自主飞行，而且能够满足传感器的搭载需求，如搭载多光谱相机、可见光相机等，能够长时间监测大面积的地面[1]。无人机的主要材料为EPO复合材料，能够通过安装电池实现长时间飞行，能够在搭载传感器的情况下起飞，并且能够达到约66km/h的飞行速度，最长可持续3h的飞行，最短也可达到1.5h。本次研究的测区试验数据采集将分别在2020年8月和2021年6月进行，借助索尼A7R微单相机完成图像采集，最终获得RGB图像。在进行无人机航拍时，航向、旁向上均拥有80%的重叠率，能够使RGB正射影像的生成要求得到满足[2-3]。无人机完成航片获取后，需有效拼接各航片才能完成整个大区域影像的获取，经过对比分析，本研究在影像拼接方面选择Smart3D软件。首先，利用Smart3D中的POS数据准确地核对几何图形和地理信息，然后利用掌握的信息建立立体模型并赋予各个地块适当的纹理，最后获取整个测区的图像。1.2.2采集和处理地面数据在调查研究区域地面时，需要先观察了解实验区内农作物的实际情况，获取农作物实际分布信息。在DOM底图上对照实际情况划分农作物边界，从而明确田块之间的边界。利用肉眼观察，能够完成真实农作物信息的获取。将DOM作为底图，再通过人工绘制合理划分田块的矢量边界，将其与调查结果相结合，可知水稻主要分布在基地的正东和东南方向，田块密集且面积较小，种植地区地势较低。研究基地中部地势较低、树木较多，东北方向和东部的农作物主要为大豆、玉米，而南部地区的农作物多为蔬菜和大豆。

2基于无人机遥感影像的农作物分类

2.1选择分类样本

在研究区内划分训练区域和测试区域，并划分12类地物，分别为道路、建筑、裸地、草地、亚麻、树木、马铃薯、大豆、小麦、玉米、水稻以及池塘。与样方内地物面积相结合完成样点数的确定，即地物面积越大就拥有越多的样点数。训练样本和测试样本的实际情况如表1所示，其中，训练样本共计3600个，测试样本共计1550个。

2.2选取农作物分类特征

2.2.1提取农作物可见光植被指数针对遥感影像使用计算机图像处理技术进行运算，明确提取遥感信息的特征变量。在农作物遥感分类的过程中，应该以农作物的光谱特征作为划分依据。无人机遥感平台能够使多种传感器的搭载要求得到满足，如激光、多光谱、可见光雷达等，其中无人机可见光影像的灰度信息只包括蓝、绿、红3种颜色[4]。为深入探讨无人机遥感可见光影像开展农作物分类的科学性和合理性，首先要完成可见光波段光谱分类特征的提取，在实际执行时使用波段运算的方式计算B、G、R波段像元值，从而明确可见光植被指数，根据分类特征划分农作物种类。其本质就是与各种农作物的植被指数相结合，使研究对象与其他地物在光谱信息方面的差异更明显，从而对地物分布情况形成清晰、准确的认识。现阶段，在近红外波段和可见光波段已经拥有约100种植被指数，如EVI、RVI、DVI以及NDVI等，而在B、G、R波段拥有的植被指数较少。水稻与其他农作物的对比情况如表2所示。研究结果显示，根据可见光植被指数差异系数，将玉米和其他农作物对比，发现亚麻和玉米在NGRDI中的差异系数最大，经计算最终结果为-1.73；在NGBDI中水稻与玉米差异系数最大，为2.8；在NGRDI、NGBDI、RGRI、VDVI以及ExG中，草地、树木、马铃薯和玉米的差异系数都较小，最小值为0.01，玉米与其他作物在NGRDI中差异系数整体较大。研究结果显示，根据可见光植被指数差异系数，将大豆和其他农作物进行对比，亚麻和大豆在NGRDI中的差异系数最大，为-3.72；在NGBDI中水稻和大豆的差异系数最大，为6.49；在RGRI和VDVI中，大豆与其他农作物之间的差异系数较小，甚至存在可以忽略不计的差异系数；而大豆与其他作物在NGRDI中的差异系数都相对较大。由此可知，在植被指数NGRDI中，亚麻与水稻、大豆、玉米之间存在较为明显的差异，而草地、树木与水稻、大豆、玉米均存在较小的差异。所以农作物分类中的最优特征为NGRDI，其分类效果非常明显。2.2.2提取农作物可见光纹理特征若是多种农作物在同地块种植，随着分辨率的提升，异物同谱现象出现的概率将逐渐减少，但是也会导致同谱异物现象出现的概率增加。无人机可见光遥感能准确反映不同地物的差异，在分辨地物方面准确度非常高[5]。不同农作物在纹理方面存在差异。所以，本次农作物分类将以纹理作为分类标准。本次无人机遥感数据具有较高的分辨率，能够避免混合像元的情况出现。通过遥感数据能够清晰地了解农作物的结构、尺寸以及形状[6]。现阶段，我国在农作物遥感数据分类方面的纹理滤波技术较为成熟，已经实现了纹理滤波方法的多样化，并拥有直方图统计、局部直方图处理等图像处理技术。另外，使用的滤波方法不同，所取得的效果也不同。均值滤波能够有效降低图像中尖锐的颜色变化，同时降低噪声，中值滤波能够有效解决椒盐噪声[7-10]。在概率统计滤波中，应用较为广泛的是一阶和二阶概率统计滤波。其中，二阶概率统计滤波的纹理值的计算通过灰度共生矩阵完成，也就是中心点在距离窗口和特定方向中存在的频率，能够较为理想地提取纹理。所以，本次研究数据的二阶概率统计滤波通过ENVI5.1完成。研究结果显示，与其他作物相比，水稻的纹理滤波差异系数在B、G、R波段的二阶矩特征中分别拥有一个较为明显的峰值，大豆和水稻在G中差异最为明显，纹理滤波差异系数为21.35；玉米、马铃薯和水稻之间的差异系数较小，分别为17.65和17.32；其次，水稻和草地、树木分别拥有4.18和9.14的差异系数；亚麻与水稻的差异系数较小，为1.37。另外，在其他纹理滤波特征下水稻与其他农作物的差异系数均拥有较小的数值。研究结果显示，与其他作物相比，玉米纹理滤波差异系数如下：亚麻和水稻与玉米存在最大的差异系数，在R波段的对比度特征中，差异系数的峰值非常明显，分别为11.40和18.48；其次，树木和玉米在B、G、R波段中，分别拥有2.78、2.46、2.47的差异系数；另外，在纹理滤波下，大豆、草地和玉米只存在较小的差异系数。在玉米与其他作物的纹理滤波差异系数方面，亚麻、水稻与大豆存在最大差异系数，在B波段下分别拥有9.75和17.3的差异系数；其次，在R波段，树木和大豆拥有1.71的差异系数；另外，在纹理滤波下，玉米和大豆只存在较小的差异系数。综上可知，在对比其他农作物的过程中，大豆应选取B波段、玉米应选取R波段、水稻应选取G波段。

3结果

本研究借助了无人机搭载数码相机的方式生成研究区域的RGB图像。相比于传统的只提取纹理特征的农作物分类方法，本次研究有效对比了两个不同时段的农作物DSM数据，使农作物的生长差异特征变得更为明显，并在农作物分类中有效运用了这一特征[9]。结果表明，在进行农作物分类时综合考虑农作物纹理、光谱、高度等多维特征，能够精准划分农作物种类，同时Kappa系数也能够维持较高的水平。

4结束语

利用无人机遥感影像能够有效区分各种农作物，未来我国对无人机遥感影像的需求也会不断增加。无人机遥感能够有效获取高分辨率光谱图像，同时还能够生成高分辨率空间数据，能够为我国农业发展起到促进作用。利用无人机遥感影像，能够帮助务农人员实时监测农作物种植情况，从而确保农作物种植效果，促进我国农业发展。

参考文献：

[1]张超，刘佳佳，苏伟，等.基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选[J].农业工程学报，2016，32(21)：95-101.

[2]张国顺.基于高分辨率影像的北疆农作物分类研究[D].石河子：石河子大学，2020.

[3]刘斌，史云，吴文斌，等.基于无人机遥感可见光影像的农作物分类[J].中国农业资源与区划，2019，40(8)：55-63.

[4]戴建国，张国顺，郭鹏，等.基于无人机遥感可见光影像的北疆主要农作物分类方法[J].农业工程学报，2018，34(18)：122-129.

[5]王晨宇，张亚民，吴伯彪，等.基于无人机遥感的农作物自动分类研究[J].农业与技术，2021，41(1)：52-57.

[6]李明，黄愉淇，李绪孟，等.基于无人机遥感影像的水稻种植信息提取[J].农业工程学报，2018，34(4)：108-114.

[7]崔美娜，戴建国，王守会，等.基于无人机多光谱影像的棉叶螨识别方法[J].新疆农业科学，2018，55(8)：1457-1466.

[8]钟日辉，张锦水，王宁.让无人机与遥感大数据助力农作物面积抽样调查[J].中国统计，2021(11)：53-55.

[9]袁建清.基于多尺度遥感的寒地水稻稻瘟病信息提取与识别研究[D].哈尔滨：东北农业大学，2017.

[10]何芳.遥感技术在农作物病虫害预警监测中的应用[J].南方农机，2022，53(4)：50-52.

作者：李万强 麻万金 单位：三和数码测绘地理信息技术有限公司