小麦倒伏信息无人机多时相遥感提取方法

李 广 张立元 宋朝阳 彭曼曼 张 瑜 韩文霆

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100； 2.农业农村部农业物联网重点实验室， 陕西杨凌 712100；3.西北农林科技大学资源与环境学院， 陕西杨凌 712100； 4.中国科学院水利部水土保持研究所， 陕西杨凌 712100；5.西北农林科技大学水土保持研究所， 陕西杨凌 712100)

0 引言

小麦倒伏是最常见的自然灾害之一。倒伏会诱发各种病虫害，严重影响籽粒灌浆过程，最终影响小麦产量与品质[1-2]。小麦倒伏不利于机械化收割，需投入更多人力物力进行收获，大大增加了收获成本和农田收益损失[3-5]。据相关报道，倒伏小麦比未倒伏小麦平均每公顷减产约750 kg，同时机械收割平均每公顷多花费约375元，因此，准确、快速获取小麦倒伏信息对于农业部门及农业保险部门进行灾情评估、防控指导和损失估计具有重要意义[6-8]。

目前，作物倒伏监测方法主要分为人工法和遥感法[9]。人工法通过人力统计小麦倒伏信息，费时费力，效率低下；遥感法根据小麦倒伏与非倒伏地块在遥感影像中各个特征变量的特异性，提取小麦倒伏信息[10]。韩东等[11]基于Sentinel-1雷达影像数据，用自然高与植株高的比值作为倒伏程度评价指标，构建了作物倒伏监测模型，模型求解的自然高与植株高比值与实测比值总体相关性达到0.899。王立志等[12]基于多时相HJ-1B CCD影像，通过提取多种植被指数，分析植被指数变化量与实测倒伏样本的关联性，筛选对玉米倒伏敏感的植被指数，构建了基于植被指数变化分析的玉米倒伏灾情遥感监测模型，结果表明，玉米倒伏信息提取的总体精度为85.7%，Kappa系数为0.804，与农业推广站的监测数据基本一致。王猛等[13]通过ASD光谱仪采集的数据，发现倒伏玉米与正常玉米的冠层光谱存在差异，再结合两期遥感数据，利用NDVI对玉米倒伏进行了监测。ZHANG等[14]利用地面ASD高光谱数据和小波变换评估了倒伏对玉米品质的影响。卫星遥感技术存在成本高、易受天气影响、时空分辨率低等缺点，近地遥感技术存在费时费力、效率低等缺点，限制了其在农田尺度上的进一步应用。近年来，无人机遥感凭借其平台易建性、成本低、操作简单、时空分辨率高等优势，弥补了卫星遥感和近地遥感的不足，已经成为农业定量遥感研究中快速、准确获取作物信息的主要工具，是当前研究的热点和趋势[15-18]。目前，基于无人机遥感数据的作物倒伏信息提取方法主要有监督分类法和像元统计分析法[19-21]，监督分类法主要包括样本训练和分类器选择2个阶段[19-21]，像元统计分析法主要通过统计分析图像中地物在光谱、纹理和颜色方面的像元值，以差异系数和变异系数为评价指标，选取单个特征参数进行倒伏信息提取[15,19]。董锦绘等[21]以无人机拼接数码影像为研究对象，分别采用最小距离、最大似然、神经网络和支持向量机4种监督分类法对冬小麦倒伏信息进行了提取，并估算了江苏省里下河地区的小麦倒伏面积。

为探究多时相无人机遥感技术提取倒伏小麦的准确性与通用性，本文用两期无人机可见光影像，从增强图像空间域方面，对图像进行二次低通滤波，构建地物散点图，构建小麦倒伏信息，提取特定特征参数和综合特征参数，结合K-means算法建立基于多时相遥感数据的冬小麦倒伏信息提取方法，为实现基于无人机遥感数据的作物倒伏信息提取提供技术支持。

1 数据来源与研究方法

1.1 研究区域概况

冬小麦试验田位于西北农林科技大学中国旱区节水农业研究院(34°17′50.94″N，108°4′4.17″E)，地处关中平原中部，属东亚暖温带半湿润半干旱气候区，具有春暖多风、夏热多雨、秋凉多连阴雨、冬寒干燥等明显大陆性季风气候特征，年均气温12.9℃，年均降水量635.1 mm。作物种植制度为一年两熟，农作物主要是冬小麦和夏玉米。一般10月中下旬完成冬小麦播种，次年6月初完成收获；6月中旬完成夏玉米播种，同年10月份收获。

1.2 数据获取及预处理

采用实验室自主研发的多旋翼无人机遥感图像采集平台，见图1，主要由六旋翼无人机、稳定云台、图像采集控制器、地面站等组成，其主要技术参数如表1所示。该平台可实现区域可见光遥感图像和POS数据的自动走航线获取，对于后期数据处理具有重要意义。后期应用基本都是对基于拼接后的正射影像进行研究，获取准确的正射影像尤为重要，自动获取图像的POS数据对于获取准确的正射影像有决定性作用，可以在拍照瞬间自动记录无人机三维坐标及飞行姿态，为拼出准确正射影像提供保障。

图1 多旋翼无人机遥感图像采集平台Fig.1 Multi-rotor UAV remote sensing image acquisition platform

图2 2017年5月4日冬小麦倒伏地块Fig.2 Lodging field of winter wheat on May 4th, 2017

参数数值轴距/mm800起飞质量/kg5.4有效载荷/g1300续航时间/min17数传通讯距离/km3电池动力/(mA·h)16000巡航速度/(m·s-1)5

2017年5月2—3日，试验田所在区域出现降雨，并伴随有大风，导致田中部分冬小麦发生倒伏。根据小麦倒伏监测数据，和农田信息无人机遥感监测经验，发现农田信息无人机遥感监测主要分为种植结构调查和具体田间信息获取，如作物覆盖度、LAI、高度和灾害等。种植结构调查需覆盖面积大，分辨率达分米级，一般采用固定翼无人机，飞行高度在300 m以上；具体田间信息获取需分辨率达厘米级，一般采用多旋翼无人机,在120 m以下的高度进行采集[15,19]。根据相关研究经验和相关无人机管理规定，对灌浆期冬小麦数据进行采集，选择天气晴朗、地面无持续风向且风力小于3级的时段，即5月4、16日的15：00—16：00；设置飞行高度40 m，航向及旁向重叠度为80%，相机快门时间1/1 250 s，ISO值200，白平衡为晴天，航拍获取小麦试验田217幅图像。利用Pix4DMapper软件对图像进行拼接处理[22-24]，获取了小麦试验田的正射影像，地面分辨率达0.8 cm。选取4块倒伏小麦地块作为感兴趣区，如图2、3所示，以TIFF格式存储，保留了地物红、绿、蓝3种色彩的灰度信息，每种色彩含8位字节信息，数值范围0～255。

1.3 小麦倒伏信息提取方法

图3 2017年5月16日冬小麦倒伏地块Fig.3 Lodging field of winter wheat on May 16th, 2017

基于无人机可见光遥感的小麦倒伏信息提取流程如图4所示，主要包括遥感数据采集、图像拼接及剪裁等预处理、二次低通纹理滤波、分类特征参数构建、倒伏区域自动提取和精度评价及对比分析。由于无人机可见光遥感图像中仅包含红、绿、蓝三波段的灰度信息，无其他定量光谱信息，如近红外波段、热红外波段和红边波段等，为增大小麦倒伏和非倒伏田块在图像中的差异，需进行空间域滤波处理对图像进行增强。卷积低通滤波通过保留图像的低频成分，可以有效抑制图像噪声。虽然，增加低通滤波次数有利于获取图像多尺度上的细节特征，但是随着低通滤波次数的增加，特征图像的边界效应会越明显，进而在增加计算量的同时降低分类精度。为有效表达纹理信息并降低计算复杂度，本文对全色波段采用二次低通滤波处理，数据处理软件为ENVI5.3，二次低通滤波卷积核大小均为3，加回值均为0。倒伏区域自动提取采用K-means聚类算法，可在分类特征参数分布图上进行聚类分析，该算法不必对影像地物获取先验知识，仅依靠影像上不同地物的光谱、纹理等信息进行特征提取，再统计特征的差别就可达到分类的目的[25-26]。为进一步研究本文方法的实用性与准确性，与支持向量机、神经网络和最大似然法的提取结果进行对比分析。

图4 冬小麦倒伏信息提取流程Fig.4 Extraction process of winter wheat lodging information

1.3.1图像特征分析及分类特征参数构建方法

基于遥感法提取小麦倒伏信息，可以利用倒伏和非倒伏田块单个特征参量或多个特征组合参数的特异性进行提取。单特征参量法要求倒伏和非倒伏作物在单个特征中存在明显的差异，需要选择足够多的训练样本分别统计正常小麦和倒伏小麦在每个特征参数的像素分布范围，根据分布范围的差异性确定单特征参数，通过阈值的方式进行倒伏提取，这种方法存在操作不方便、受人为因素影响大的缺点；多特征组合法类似于植被指数的构建方式，利用图像特征组合的方式增强图像，扩大正常作物与倒伏作物的差异，从而提取倒伏信息，这种方法操作简单，受人为因素影响较小[15]。本文将用特征组合方式构建分类特征参数，进行小麦倒伏信息提取。

观察图2和图3所示4块感兴趣区域影像，可知感兴趣区域包括正常小麦、倒伏小麦以及裸地。目前，利用无人机遥感技术区分裸地与绿色植被的技术已经非常成熟[27-29]，因此本文主要集中于从正常小麦中提取倒伏小麦。由于小麦田块大小不均匀，为了使获取的特征参数更具有代表性，感兴趣区需能够反映整个试验地的种植状况，选取田块面积较大的地块1和田块面积较小的地块3构建特征参数，提取小麦倒伏信息，用地块2和地块4进行验证。特征参数具体构建过程如下：使用ENVI5.3软件图像镶嵌模块，将地块1和地块3两个区域图像镶嵌为一幅图像；分别对两期镶嵌后可见光图像进行二次卷积低通滤波，获取二次低通滤波红色波段、二次低通滤波绿色波段和二次低通滤波蓝色波段3项参数；用散点分析工具，获取感兴趣区倒伏小麦在3项参数两两组合坐标系的散点分布图，以倒伏和非倒伏小麦散点存在明显分界线为依据，初步选定二次低通红色波段和二次低通绿色波段为构建组合特征参数的特征量；两个时期散点分布如图5所示，整个过程需选定组合坐标系，并在地块1和地块3的图像中勾画倒伏小麦区域，同时观察倒伏小麦的散点是否与非倒伏小麦的散点存在明显的分界；当倒伏和非倒伏小麦散点存在明显分界线，可以提取分界线散点坐标值，并对其进行线性拟合，即可获得特征组合参数的表达式，参照植被指数构建的方式，即可获取特征组合参数。

图5 倒伏和非倒伏小麦在不同时段的散点分布图Fig.5 Scatter diagrams of lodging and unlodging wheat at different time

图6 倒伏和非倒伏小麦在不同时段的边界函数Fig.6 Boundary function of lodging and unlodging wheat at different time

图5可通过ENVI5.3软件散点分析工具自动获取，地物散点坐标值可以在图5中直接读取，因此，可直接读取倒伏小麦边界散点坐标值，并对其进行线性拟合得到组合特征参数的表达式，边界函数线性拟合结果见图6，5月4日、5月16日边界函数为

B2=1.003B1+14.242

(1)

B2=0.860 4B1+19.338

(2)

式中B1——二次低通滤波图像红色波段灰度

B2——二次低通滤波图像绿色波段灰度

倒伏小麦散点几乎全都分布于边界的左上侧，非倒伏小麦的散点几乎全都分布于分界线右下侧，根据分界函数表达式，参考植被指数的构建方式可分别构建倒伏小麦在5月4日和5月16日的特征参数F1和F2。

F1=B2-1.003B1-14.242

(3)

F2=B2-0.860 4B1-19.338

(4)

1.3.2综合特征参数构建

式(3)、(4)确定了感兴趣区域倒伏小麦在不同时段的提取特征参数F1和F2。分别用F1和F2对5月4日、5月16日图像进行倒伏信息提取。在提取过程中发现F1和F2在特定时段对小麦倒伏信息提取有很好效果，在通用性方面有局限性。分析研究图6发现两个时期倒伏小麦和正常小麦的散点分布规律基本相同，同时提取两个时期的分界点，并进行线性拟合,结果见图7，根据图7b线性拟合的结果可得到综合特征参数

F3=B2-0.862 2B1-22.76

(5)

可用于灌浆期冬小麦两个时期数据的倒伏信息提取。

1.3.3倒伏小麦信息提取

利用ENVI5.3软件，对5月4日经过二次低通滤波处理的图像，按F1和F3进行波段计算，分别获取图像计算结果，用K-means算法对计算结果进行处理，获取5月4日小麦倒伏信息；同理，对5月16日的图像进行相同的处理，获取5月16日根据F2和F3提取的小麦倒伏信息。以结合地面数据的目视解译结果为真值数据，采用混淆矩阵对不同方法提取小麦倒伏信息的结果进行精度评价，具体精度评价方法见文献[30-31]。本文用整体精度和Kappa系数来评价小麦倒伏信息的总体提取精度，用生产者精度(PA)和用户精度(UA)构建的F来评价小麦倒伏信息提取精度。

图7 倒伏和非倒伏小麦综合特征参数Fig.7 Comprehensive feature parameter of lodging and unlodging wheat

2 结果与分析

2.1 小麦倒伏信息分类特征参数获取结果

为了说明构建的组合特征参数确实增大了倒伏小麦与非倒伏小麦图像特征差异，使用ENVI5.3软件统计功能，在5月4日感兴趣区图像中，选取40个非倒伏样本，35个倒伏样本，在5月16日感兴趣区图像中，选取43个非倒伏样本，20个倒伏样本，统计8种图像特征的均值、方差；根据均值和方差计算得到变异系数；根据各项特征的均值计算相对差异，结果见表2。

表2 倒伏和非倒伏小麦图像特征统计Tab.2 Statistics of image feature of lodging and unlodging wheat

根据表2，两个时期图像的各项特征变异系数和相对差异有所不同：非倒伏小麦，变异系数分布范围29.85%～61.94%；倒伏小麦，变异系数分布范围17.18%～48.03%；倒伏小麦和非倒伏小麦的相对差异分布范围36.79%～196.64%。将两个时期原始图像的3个波段特征与经过二次低通滤波获取的3个波段特征进行对比，可以发现二次低通滤波获取的3个特征变异系数小，相对差异大，二次低通滤波有增加倒伏与非倒伏小麦图像差异的作用；分析F1、F2和F3图像特征可以发现，3个组合特征参数的变异系数虽略有增加，但极大地扩大了相对差异，因此，本文通过倒伏小麦与非倒伏小麦散点图分界线构建的组合特征参数F1、F2和F3能够提取倒伏小麦信息。

2.2 小麦倒伏信息提取结果与分析

分别用目视解译法和基于特征参数的K-means分类法提取冬小麦倒伏信息，提取结果见图8和图9，提取精度见表3。目视解译提取小麦倒伏信息时，由于感兴趣区地物包括倒伏小麦、非倒伏小麦和分布极不规则裸地，因此通过人工目视解译裸地不但工作量大而且精度不高，现区分裸地与绿色植物的分类方法已经成熟，目视解译可通过地面调查数据和图像所呈现的客观情况勾画出小麦倒伏区并做掩膜处理，再用K-means算法对掩膜后图像进行分类。

图8 5月4日感兴趣区域倒伏小麦提取结果Fig.8 Wheat lodging extraction results of interest area on May 4th, 2017

如表3所示，两个时相特征参数F1和F2提取的小麦倒伏信息，整体分类精度OA为89.51%～96.87%，Kappa系数为0.80～0.92，小麦倒伏提取精度F为82.69%～84.86%；综合特征参数F3对小麦倒伏信息提取的整体分类精度OA为86.44%～92.09%，Kappa系数为0.73～0.81，小麦倒伏提取精度F为81.07%～83.47%。对比分析上述结果，5月4日数据的整体分类精度OA、Kappa系数和小麦倒伏信息提取精度F几乎都高于5月16日数据的提取精度。比较图8、9分类结果与原图，5月4日图像中倒伏的小麦几乎是处于完全倒伏的状态，该时期倒伏小麦与非倒伏小麦的图像差异性比较明显；而5月16日是倒伏发生13 d后的数据，该时期部分倒伏小麦开始逐渐由倒伏状态变为直立状态，该时期倒伏小麦处于完全倒伏和半倒伏两种状态，使倒伏小麦与非倒伏小麦图像差异变小，而使倒伏信息提取精度变低。对比特定特征参数和综合特征参数提取小麦倒伏信息的结果，可以发现根据综合特征参数F3提取小麦倒伏信息的精度低于用特定特征参数F1、F2提取精度，由表3可知综合特征参数的变异系数大于特定特征参数变异系数，且相对差异比特定特征参数小，因此，根据综合特征参数提取小麦倒伏信息精度相对较低；对比特定特征参数和综合特征参数提取小麦倒伏信息的过程，可以发现特定特征参数提取小麦倒伏信息只能用于特定时间数据处理，通用性较低，而综合分界函数可用于一段时间内数据的处理，具有一定通用性，且整体分类精度达86.44%以上，Kappa系数达0.73以上，小麦倒伏提取精度达81.07%以上，基本能满足生产需要。综合考虑小麦倒伏信息提取的通用性与准确性，综合特征参数F3可以完成冬小麦灌浆期一段时间内的倒伏信息提取。

表3 小麦倒伏信息提取结果Tab.3 Wheat lodging extraction results

2.3 方法验证与对比

将F3结合K-means算法的综合特征参数分类法提取两期可见光图像小麦倒伏信息，能够达到一定的精度。为了验证该方法的适用性和准确性，选取地块2和地块4作为验证区，用综合特征参数F3分别结合K-means算法、支持向量机、神经网络法和最大似然法对其进行处理，其中，支持向量机、神经网络法和最大似然法的样本需要能够完全反映地物图像特征，以此原则选取5月4日地块2倒伏地样本14个，非倒伏地样本10个，地块4非倒伏地样本15个，倒伏地样本9个；选取5月16日地块2非倒伏地样本20个，倒伏地样本9个，地块4非倒伏地样本17个，倒伏地样本9个，分别提取小麦倒伏信息，各种方法提取结果见表4。

表4 不同算法的小麦倒伏信息提取结果Tab.4 Wheat lodging extraction results by different methods

由表4可得，本文分类法提取小麦倒伏信息在整体分类精度和小麦倒伏提取精度方面都高于一般常用分类方法。

3 结论

(1)从增强图像空间域方面，以特征组合方式构建了各时相倒伏小麦提取特征参数，结合K-means算法提取小麦倒伏信息，整体分类精度为89.51%～96.87%，Kappa系数为0.80～0.92，小麦倒伏信息提取精度为82.69%～84.86%。

(2)综合各时相特征参数相似性，构建综合特征参数，结合K-means算法提取小麦倒伏信息，整体分类精度为86.44%～92.09%，Kappa系数为0.73～0.81，对小麦倒伏信息提取精度为81.07%～83.47%；综合特征参数对小麦倒伏信息的提取精度虽略低于特定时相特征参数的提取精度，但综合特征参数法通用性较强，且提取精度基本能满足需要，所以综合特征参数可以提取冬小麦在灌浆期一段时间内的倒伏信息。

(3)经验证，本文方法对小麦倒伏信息的整体分类精度达86.29%以上，Kappa系数达0.71以上，小麦倒伏提取精度达80.60%以上，其他常用方法提取的整体分类精度为69.68%～87.44%，Kappa系数0.49～0.72，小麦倒伏提取精度为65.33%～79.76%。