无人机可见光遥感影像的农作物信息提取及验证

陈智虎， 许元红， 童倩倩， 刘春艳， 赵泽英

(贵州省农业科学院 科技信息研究所， 贵州 贵阳 550006)

农业是人类赖以生存和抵御自然灾害的基础，而农作物类型的确定也将成为一项基础性的工作[1]。农作物种植信息获取尤为重要，厘清地区的农作物种植信息不仅可以为农业产业结构调整提供基础数据，还可为地区的农业区划和农田保护提供依据[2]。

目前，农作物种植信息获取方法较多，使用较多的技术手段还是遥感技术，该技术在农作物识别方面不仅省时省力，而且分类精度比较理想[3-5]。无人机能够进行低空飞行，具有作业周期短、飞行简单和起降灵活等优势，弥补了卫星遥感在该方面的不足[6-8]。贾鹏刚等[9]利用无人机获取银杏树影像数据，产生相应的正射图像，进而提取银杏树的胸径值，研究表明此方法可行。韩文霆等[10]利用固定翼无人机获取RGB图像，提取玉米拔节期种植信息，玉米种植面积提取误差在20%以内；陈燕丽等[11]基于CLDAS数据，运用遥感技术对广西的晚稻生产寒露风低温冷害进行监测，结果显示，从CLDAS数据中提取的气温数据与实际监测的气温数据较一致，并且利用遥感技术分析CLDAS数据，能够快速监测当地晚稻寒露风灾害等级分布状况的优势。目前，利用无人机提取不同种类农作物信息的文献报道较少，笔者等在前人研究基础上，利用色彩纹理特征组合方法对大豆、水稻和玉米的种植信息进行提取，以期为实现无人机遥感农作物类别的快速识别提供参考。

1 材料与方法

1.1 研究区概况

研究区位于贵定县盘江镇马场河村，马场河村位于贵定县城北面，距离贵定县城16.5 km(封三图Ⅰ)。全村总面积28.5 km2，乡级公路贯穿始终，全村4 800余人，耕地面积226.8 hm2，农业经济以种植水稻、玉米、马铃薯和油菜等为主，主要耕作模式为玉米套种油菜以及玉米套种蚕豆等。马长河村水资源比较丰富，全年气候宜人，冬无严寒，夏无酷暑，自然环境宜居宜游。

1.2 数据获取与预处理

1.2.1 遥感影像获取 遥感影像获取采用CW-007垂直起降纯电动型无人机搭载4 200万像素的正射相机，镜头焦距35 mm，全景对焦，与无人机连接；飞机自带GPS导航系统，通过地面站软件设置好航线以后，电脑控制起飞降落，具体参数为分辨率0.03 m，飞行海拔1 566 m，航拍高度200 m，航向重叠度75%，旁向重叠度70%，垂直方向定位精度0.03 m，水平方向定位精度0.01 m，巡航速度65 km/h。

遥感数据于2019年8月7日采集，采用CWcommander地面站软件进行航线规划(封三图Ⅱ)，无人机飞行航高200 m，航线总长度51 km，拍照间距92 m，总航时50 min。共采集982张JPG格式影像。

1.2.2 数据处理 利用PIX4D对获取的遥感影像进行拼接，无人机获取的遥感影像是坐标信息和照片分离的，需要在软件中分别添加，利用照片编号进行一一对应，最终拼接得到符合精度要求为1∶1 000的遥感影像。影像空间分辨率0.03 m，面积约为1.7 km2，研究选取正射影像中农作物种类较多的区域作为研究区域，面积约为0.36 km2，影像数据包含了R、G、B 3种色彩的灰度值，有27 968×45 615个像元。

1.3 作物种植类型信息的提取

无人机遥感获取的影像数据只有红、绿、蓝3个波段，无法通过计算植被指数提取农作物信息，通过色彩空间的转换和不同纹理滤波的处理获取遥感影像中农作物的纹理信息，这种方法能够有效地避免同谱异物和同物异谱现象的产生，能够提高农作物识别的精度。从获取的遥感影像中选择不同农作物的典型区域作为样本，计算影像的色彩特征和纹理特征并进行统计分析，筛选出能够区分不同作物类型的关键特征参数，并以此依据进行作物信息的提取。灰度共生矩阵定义了均值、方差等纹理指数，其中均值(Mean)、方差(VAR)和信息熵(Ent)3种特征的计算如下[12]：

式中f(i,j)为各样本点的数值，n为样本数量，Mean为对象的平均灰度值，VAR为对象各像元的灰度变化大小，Ent为对象的无序程度。

利用ENVI 5.1对获取的影像数据分别统计3个波段的灰度值，然后进行色彩空间转换得到影像的色度、亮度、饱和度3项色彩特征，通过计算，得到3种颜色的均值、方差、信息熵、相关性、对比度及二阶矩等6项纹理特征。

在野外采集农作物样本作为内业判读的依据。研究选定玉米、大豆和水稻3种农作物作为典型样本进行提取研究，选择大豆样本21个，水稻样本19个，玉米样本22个，对每个指标结果进行统计最终得到24项特征指标的均值和方差，进而得到不同农作物间的差异系数，其计算如下：

D=S2

式中，D为方差，S为标准差，V为变异系数，M为样本均值，DW为差异系数，S1和S2分别为样本1和样本2的均值。

1.4 提取信息的分类及验证

通过分析3种农作物的色彩特征和纹理特征，初步选定亮度、饱和度和绿色二阶矩作为最佳的分类特征组合对研究区域内农作物进行分类。

利用外业采集的样本进行遥感判读得到的分类结果作为检验本研究方法提取农作物的精度。遥感判读主要通过Arcgis，结合外业采集的样本，在室内进行遥感影像矢量化判别每一种农作物，最终获取研究区的影像判读结果，并对每一类农作物面积进行统计。根据提取的结果，统计不同农作物的种植面积，分别与目视解译判读结果进行比对，判断基于颜色纹理特征提取农作物的精度。

2 结果与分析

2.1 色彩和纹理特征的统计与分析

从封三图Ⅲ看出，玉米、大豆和水稻3种作物在颜色、纹理和亮度上有明显的差异。大豆以深绿色为主，局部地区种植比较稀疏，出现浅绿色，整体紧凑；水稻纹理明显，具有明显的条带状分布特征，植株之间有明显的间隙，颜色单一，呈浅绿色，地块形状以矩形居多，比较规则；玉米植株特征比较明显，主要呈亮绿色，颜色较深，由于拍摄季节的原因，玉米植株中央呈浅黄色，主要是受玉米穗颜色影响，也是区别于其他作物的特征。

由表1可知，3种农作物之间各项特征变异系数和作物间差异系数变化较大，在亮度、饱和度方面，大豆、玉米和水稻存在明显的差异，其亮度为大豆>水稻>玉米，饱和度为水稻>大豆>玉米。据此可以较好地将3种农作物分开。其次，在绿色二阶矩指标中，大豆与玉米、水稻的差异系数分别为42.28和41.15，差异明显，能够快速将大豆与玉米和水稻进行区分。由此可见，判别农作物信息差异的指标数量较多，通过对比挑选出最适合的指标进行农作物分类，能够提高农作物分类的效率和精度，在大豆、玉米和水稻信息的提取中，以亮度、饱和度和绿色二阶矩为主，其余指标作为辅助进行农作物信息的提取。

2.2 提取信息的分类及误差

从封三图Ⅳ可知，研究区农作物可分为玉米、黄豆、水稻和其他4类。从分类结果看，区域内大豆种植范围比较大。此外，从基于颜色纹理特征组合提取的区域农作物分布空间分布情况看出，该研究方法提取的农作物分类与遥感目视解译判读的结果大体一致。差异较小。

由表2可知，大豆、水稻、玉米的目视解译面积分别为2.09 hm2、1.85 hm2和1.53 hm2；基于颜色纹理特征提取的3种农作物的面积分别为1.95 hm2、1.67 hm2和1.5 hm2，大豆、水稻和玉米提取误差分别为7.01%、9.71%和1.75%。

表1 3种农作物提取信息的变异系数和差异系数

表2不同方法对作物种植面积的提取结果

Table 2 Extraction results of crop planting area by two extraction methods

作物类型Crop目视解译/hm2Visual interpretation颜色纹理特征/hm2 Color textural feature误差/%Error大豆 Soybean2.091.957.01水稻 Rice1.851.679.71玉米 Maize1.531.501.75其他 Other2.773.1312.74

3 小结

研究利用无人机航拍的优势，获取研究区内的遥感影像，利用色彩空间转换和灰度共生矩阵纹理滤波中的亮度、饱和度和绿色二阶矩进行组合，提取研究区内大豆、水稻和玉米3种农作物信息，利用遥感影像判读的结果作为检验基于色彩纹理特征组合分类方法的精度。结果表明，利用色彩纹理特征组合提取的大豆、水稻和玉米种植面积的提取结果误差分别为7.01%、9.71%和1.75%，3种农作物中，玉米的分类精度高于大豆和水稻，水稻分类精度略低，分类效果均较好。

利用无人机遥感对农作物的分布情况、面积进行提取精度较好，研究使用的无人机操作简单、安全性较高，在农作物信息提取和监测中具有一定的优势，是农作物调查的一个重要补充手段。但是，也有一些局限性：一是纯电动无人机续航时间有限，航拍面积较小，受天气和海拔的影响较大，很难满足更大区域数据的采集；二是无人机航拍获取的数据量较大，对于后期数据处理的速度有很大的限制；三是作物光谱特征比较复杂，同一种农作物存在被错分为不同农作物类型可能。在以后的研究中，可以从同物异谱及同谱异物分类提取方面进行研究，无人机航拍方面选择更适合飞行的地点进行航拍。