基于低空无人机多光谱遥感的水稻倒伏监测研究

田明璐,班松涛,袁 涛，籍延宝，马 超,李琳一*

(1上海市农业科学院农业科技信息研究所，上海市数字农业工程技术研究中心，上海 201403；2西北农林科技大学资源环境学院，杨凌 712100)

水稻是我国主要的粮食作物之一。倒伏是水稻生长中后期常见的农业灾害，由天气、病虫害等因素引发的倒伏会严重影响水稻生长、产量和稻米品质[1-2]。快速、准确获取水稻倒伏区域的位置、面积等信息，是灾情评估、产量损失评估和灾后管理措施制定的重要依据[3-4]。传统的倒伏监测方法需要调查人员使用尺子、GPS等工具前往实地调查，以获取倒伏作物的位置和面积等信息，效率较低，尤其是针对不规则倒伏区域无法做到精确测量。遥感技术能够快速获取大范围农田的图像信息和空间信息，近年来被广泛用于农作物倒伏监测[3，5-7]。

卫星遥感影像覆盖面积广，适合大区域倒伏灾害监测。但卫星遥感影像也存在空间分辨率低、重访周期长、受天气因素影响较大等不足，对于特定时间、特定区域的水稻倒伏监测，卫星遥感影像往往难以满足需求[8]。当前小型低空无人机的发展与成熟为近地遥感提供了新的平台，无人机平台具有低成本、低风险、机动灵活等特点[9-10],因此低空无人机遥感系统能够以极高的时效性获取指定区域高质量的农田遥感数据。国内外学者尝试使用低空无人机遥感技术获取小麦、玉米等作物的可见光影像，提取影像纹理、灰度等图像特征，采用机器学习等图像分类算法对农作物倒伏状况进行监测和信息提取[4，11-15]，取得了一定的成果，证实了无人机遥感监测农作物倒伏的可行性。

包含近红外波段的多光谱成像仪是农业遥感中从卫星平台到近地面平台普遍使用的重要传感器，在农作物遥感监测中有着广泛的应用。现有的基于无人机遥感的农作物倒伏监测研究中对作物的光谱特征研究较少，而光谱特征、尤其是红边和红外波段的光谱特征能够从理化性状、冠层结构等更本质的层面反映农作物生长状况[16]，以光谱特征为依据监测作物倒伏具有明确的物理意义。因此，研究正常水稻和倒伏水稻的光谱特征、在多光谱影像上对二者进行有效区分，对水稻长势监测和产量估算有着重要的意义。

综上所述，本研究使用搭载低空无人机的多光谱遥感成像仪，获取水稻田正常和倒伏区域的多光谱影像，分析正常水稻和倒伏水稻的光谱特征，建立基于多光谱的正常倒伏水稻分类模型，进而对水稻倒伏信息进行提取，为使用无人机遥感调查和监测水稻倒伏状况提供技术支持。

1 材料与方法

1.1 研究区概况

研究区位于上海市崇明区跃进农场，坐标为东经121°14′45″，北纬31°50′7″，该区属于亚热带海洋性季风气候，温和湿润，年平均气温15.2℃；年均降水量1 025mm，降水主要集中在4—9月；全年平均日照时数为2 104.0 h，无霜期229d，年平均大风日数11.7d。研究区内的水稻于6月中旬插秧，10月底收获。2017年10月15—16日，受台风和冷空气影响，该区出现5—6级大风和强降雨天气，部分水稻田发生较为严重的倒伏灾害。

1.2 无人机多光谱影像获取

本研究使用的无人机为DJI Inspire 1四旋翼无人机，轴距55.9cm，机身自重2.8kg，最大起飞重量3.5kg，最大飞行时间18min。搭载的多光谱传感器为美国Micasense公司出产的Micasense RedEdge 3多光谱成像仪，镜头焦距为5.5mm，视场角为47.2°；波段数有5个，分别为蓝(475nm)、绿(560nm)、红(668nm)、红边(717nm)和近红外(840nm)；单张影像分辨率为1 280×960 pixels。另配有日光照度计和GPS模块，总重量仅170g，适合小型无人机搭载。

无人机多光谱遥感影像获取于2017年10月21日12：00—13：00进行，此时研究区水稻处于蜡熟期。无人机飞行高度100m，飞行速度3ms，设置航线的旁向重叠率为70%，航向重叠率为80%；影像空间分辨率为6.9cmpixel。

1.3 数据处理

使用Pix4Dmapper软件，对获取的多光谱影像进行拼接、几何校正和辐射校正等处理，最终得到监测区域完整的整幅多光谱正射影像(图1)。通过目视解译提取水稻田块(图2)。在ENVI 5.1软件中，使用ROI(Region of interest，感兴趣区)工具结合目视解译在图上分别选取正常水稻ROI共85个样本，倒伏水稻ROI共125个样本，总计210个样本。计算每个ROI中所有像元的平均光谱作为此ROI的光谱值。

图1 研究区正射影像Fig.1 Orthoimage of study area

图2 水稻地块提取Fig.2 Extraction of rice field

1.4 正常倒伏水稻分类方法

水稻倒伏监测本质上是分类问题，即将影像上倒伏的水稻和正常的水稻区分开来，分为正常和倒伏两类，再针对倒伏区域提取范围、面积等信息。多光谱数据的各波段之间往往存在共线性，使用常规线性分类方法建模，自变量之间的共线性会严重影响模型精度。偏最小二乘(Partial least squares，PLS)能够有效消除变量之间的共线性，从而使构建的模型更加精确和稳定。因此本研究使用偏最小二乘判别分析(Partial least squares—discriminant analysis，PLS-DA)方法建立正常水稻与倒伏水稻的分类模型。PLS-DA是基于 PLS 回归分析建立的分类算法[17-18]，通过建立各水稻ROI光谱与正常倒伏两种状态之间的PLS回归模型，对水稻的生长状态进行判别分析。PLS回归模型得到的对水稻正常倒伏两种状态的预测值为非整数，因此需要通过阈值的设定来对两种状态做出判定。

2 结果与分析

2.1 光谱特征分析

正常水稻与倒伏水稻在影像上的光谱特征不同(图3a)。使用SPSS 20统计分析软件，分别对所有正常水稻与倒伏水稻的ROI样本在各个波段上的反射率进行单因素方差分析(图3b—3f)，在α=0.01水平上，各波段的统计检验量F均大于临界值Fcrit，且P-value小于0.01，表明正常水稻与倒伏水稻的光谱在各波段上均有着极显著的差异，主要表现为倒伏水稻在各个波段上的反射率均高于正常水稻； Band1(475nm)、Band3(668nm)和Band5(840nm)三个波段上倒伏水稻的反射率整体高于正常水稻，但差异相对较小；Band2(560nm)和Band4(717nm)两个波段上所有倒伏水稻ROI反射率都显著高于正常水稻，表现出极显著的差异；其中Band2上检验统计量F=1 166，Band4上F=1 180，都远大于临界值Fcrit=7。从以上光谱特征分析可知，在无人机多光谱遥感影像上，正常水稻与倒伏水稻有着高度的可分性。由于遥感影像存在“同物异谱”和“同谱异物”的现象，因此不能使用单一波段作为分类依据，需要综合所有波段构建水稻正常倒伏分类模型。

注：(a)为所有正常水稻ROI和所有倒伏水稻ROI各波段反射率平均值构成的光谱曲线；(b)—(f)分别为各波段上每个正常水稻ROI和倒伏水稻ROI的反射率构成的散点图。F、Fcrit、P-value分别为α=0.01水平上单因素方差分析对应的参数图3 正常水稻和倒伏水稻光谱特征分析Fig.3 Spectral features analysis of normal and lodged rice

图4 水稻正常/倒伏分类Fig.4 Classification of normal/lodged rice

2.2 基于PLS-AD的水稻正常倒伏分类模型构建

将210个水稻ROI样本分成建模集和验证集两个部分：其中倒伏水稻ROI随机选取100个作为建模集，剩余25个作为验证集；正常水稻ROI随机选取65个作为建模集，剩余20个作为验证集。总计得到165个建模样本，45个验证样本。在SIMCA-P 14.1 软件中，使用165个建模样本构建水稻正常倒伏PLS-DA分类模型，以各样本5个波段上的反射率为自变量，以0(倒伏)和1(正常)作为目标类别。模型参数如表1所示。将模型参数分别代入建模集合检验集进行计算，得到各ROI样本分类值(图4)。综合分析建模集和验证集分类值分布，最终选择k=0.5作为分类阈值，分类值大于0.5的为倒伏水稻，分类值小于0.5的为正常水稻。

表1 水稻正常倒伏PLS-DA分类模型参数

Table 1 Coefficients of normallodged rice classification model by PLS-DA

表1 水稻正常倒伏PLS-DA分类模型参数

波段Band1Band2Band3Band4Band5常数项系数0.60960.6109-0.82550.37890.13391.2098

2.3 水稻倒伏监测精度检验与结果分析

表2 正常倒伏水稻分类精度检验

Table 2 Accuracy test of normallodged rice classification

表2 正常倒伏水稻分类精度检验

倒伏水稻面积∕m2正常水稻面积∕m2正确率∕%错误率∕%倒伏水稻ROI 928.8528.97099.0440.956正常水稻ROI12.350 638.90798.1041.896

图5 水稻正常/倒伏分类结果图Fig.5 Classification map of normal/lodged rice field

在图5的基础上，分别对正常水稻像元和倒伏水稻像元进行统计，可以得到研究区水稻受灾状况面积信息：监测水稻田总面积51 901.079m2，倒伏水稻面积为38 074.436m2，正常水稻面积为13 826.644m2，倒伏水稻面积占比为73.362%。同时由图5可以看出，性状极不规则的倒伏区域也得到精确的提取。

综上所述，本研究区内水稻倒伏面积占比超过70%，受灾情况比较严重；此时该地区水稻正处于蜡熟期，此次倒伏灾害会对水稻成熟后品质产生较大的影响，通过精度分析可知由无人机多光谱影像上提取到的水稻倒伏信息具有很高的精度，可以为灾后损失评估提供准确的判断依据。

3 结论与讨论

低空无人机作为新兴的遥感平台，在农业遥感领域有着很大的应用潜力。本研究使用的四旋翼无人机便于携带和运输、稳定性好、易于操控，其机动灵活的特点，使其能够对各种农情信息及时响应，根据需要快速获取数据。且无人机遥感平台所获取的影像空间分辨率高，在100m航高时影像数据空间分辨率可达6.9cmpixel，相对于卫星而言，更适用于农业灾情的精准定损。也更加适合小区域农情监测的需求。

本研究中无人机一个架次(约15min)覆盖的地面面积约为13 hm2，本研究选取的水稻田块面积为5.2 hm2。后期数据处理、倒伏信息提取等大部分工作在室内使用计算机自动处理，整个流程数小时内可以完成，极大提高了倒伏监测效率，降低了调查劳动强度。本研究采用的四旋翼无人机的不足之处在于续航时间较短，在监测大面积农田时需要考虑续航更久的多旋翼或固定翼无人机。

多光谱成像仪能够同时获取地物的影像信息和光谱信息，在农业遥感领域有着广泛的应用。光谱能够直观反映作物理化性状和冠层结构[16]，农作物不同的生长状态在不同的波段上均有差异，其中红边波段对农作物长势状况最为敏感[19]。众多研究[20-23]表明，倒伏农作物的光谱特征显著区别于正常农作物。本研究通过分析无人机多光谱影像上倒伏水稻和正常水稻在不同波段上的光谱特征，发现倒伏水稻在5个波段上的反射率较正常水稻均偏高，其中在绿光波段(560nm)和红边波段(717nm)与正常水稻差异最为显著。使用建模集中每个样本5个波段上的反射率作为自变量，构建水稻正常倒伏PLS-DA分类模型；取分类阈值k=0.5时，模型能够有效区分倒伏水稻与正常水稻。使用PLS-DA对多光谱影像进行结算，得到水稻正常倒伏分类结果图，对正常水稻和倒伏水稻的分类准确率分别为98.104%、99.044%；进一步统计正常水稻和倒伏水稻的面积，由此可以获取水稻倒伏发生的位置、区域和规模等信息。与从可见光影像提取图像特征对倒伏农作物分类[4]和使用机器学习算法进行分类[12]相比，基于光谱分析的水稻正常倒伏PLS-DA分类模型更为简洁、物理意义更为明确，对图像的解算速度也更快。经实际测算，使用同等配置的计算机，采用神经网络算法对本研究中多光谱影像上的倒伏水稻田块进行提取，运算时间为3h；而采用PLS-DA模型，仅需要数秒。

本研究结果表明，无人机搭载多光谱成像仪提取水稻倒伏信息具有及时、高效、精准等优势，可以作为农作物灾害监测的有效技术手段。