基于无人机多光谱影像的蔬菜种植监测技术研究

田明璐,班松涛,袁 涛,王彦宇,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,咸阳712100)

保障蔬菜的有效供给是一项重要的民生任务[1]。 准确掌握各种蔬菜的种植信息(位置、种类、面积等),对蔬菜的生产和销售有着重要的意义[2]。 随着技术的发展,遥感已成为精准农业中农田信息获取的重要手段,也是地块面积量算、 作物种类识别及长势分析等工作的重要数据来源[3]。 梁建平等[4]使用同年内三个邻近月份的高分1 号和RapidEye 遥感影像对北京大兴区秋季菜田进行自动提取,得到了该区内蔬菜种植面积和空间分布信息,精度达到90.65%;黄振国等[5]利用HJ-1 卫星影像,通过分析主要地物的光谱特征,并结合研究区背景资料和专家知识对影像进行分类,提取了山东寿光市大棚菜地信息,总精度为92.01%。

蔬菜的生长周期较短,种植地块面积一般较小。 同一区域内种植的蔬菜种类常呈现出多样化的特点,而不同种类的蔬菜往往只有在近距离观察时才能准确区分。 传统卫星遥感的空间分辨率和时间分辨率难以满足蔬菜种植监测的要求。 无人机遥感属于低空遥感技术,在获取影像过程中不受大气因素的干扰,具有成本低、操作简单、获取影像速度快、地面分辨率高等优势[6-7],在小区域农田遥感方面有着广阔的应用前景[8-11]。 但无人机遥感影像超高的空间分辨率也给农作物种植监测带来一定挑战,主要体现在高分辨率影像地物的图像纹理细节丰富,同一类地物内部不同组成部分的光谱特征往往表现出较大差异,给计算机自动分类处理造成较大困难[8,12-13]。 本研究使用无人机平台搭载多光谱传感器获取蔬菜地块的高分辨率多光谱遥感影像,采用多种影像分类方法对其进行处理和分析,旨在探究无人机遥感影像上蔬菜种类自动分类的最优方法,为蔬菜长势监测和种植区划、预测蔬菜产量和价格等提供参考。

1 材料与方法

1.1 研究区概况

研究区位于上海市闵行区浦江镇正义村正义蔬菜园艺场,坐标为121°30′56.21″E,31°0′27.76″N,属北亚热带海洋性季风气候,四季分明。 历年年平均气温14.9—16.4 ℃,降水量1 062 mm,日照1 994.6 h,无霜期230 d。

1.2 数据获取与处理

1.2.1 地面调查

调查各个露天地块的蔬菜种类、位置和边界,绘制调查示意图,作为后期无人机影像目视解译的依据。

1.2.2 无人机多光谱影像获取

无人机为DJI Inspire 1 四旋翼无人机,轴距55.9 cm,最大起飞重量3.5 kg,最大飞行时间18 min。 搭载的多光谱传感器为5 通道的Micasense RedEdge 多光谱成像仪,具体参数见表1。 仪器配备日光照度计和GPS 模块,用于实时记录太阳辐射值和所拍摄影像的中心坐标。 拍摄前使用反射率为50%的参考版进行辐射校正。

2017 年11 月2 日进行无人机多光谱遥感影像获取。 无人机飞行高度50 m,飞行速度3 m∕s,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3.3 cm∕pixel。

表1 Micasense RedEdge 多光谱成像仪主要参数Table 1 Key parameters of Micasense RedEdge multispectral imager

1.2.3 数据影像处理

使用Pix4Dmapper 软件,对获取的多光谱影像进行处理,得到监测区域完整的多光谱正射影像(图1)。 通过目视解译提取露天菜地地块(图2)。 利用ENVI 5 .1 软件ROI(Region of interest,感兴趣区)工具结合目视解译在图上分别选取大白菜ROI 共50 个样本,花菜ROI 共40 个样本,卷心菜ROI 共80 个样本,青菜ROI 共25 个样本。 像元的平均光谱作为此ROI 的光谱值。 各类蔬菜在影像上典型的ROI 如图3 所示。

1.3 蔬菜分类提取方法

蔬菜种植信息中一个重要的内容是确定每一类蔬菜分布的位置和范围。 本研究分别使用最小距离法、最大似然法、马氏距离法、波谱角填图法和面向对象法对影像进行分类,提取蔬菜种植信息,并对比不同方法的分类精度。 最小距离法、最大似然法、马氏距离法、波谱角填图法均是基于像元的遥感影像分类方法,即通过一定规则将具有相似光谱特征的像元划归到相应的类别[14-15]。 面向对象分类技术是将临近的像元集合以识别感兴趣的要素。 面向对象的信息提取和分类过程所处理的不再是单个像元,而是影像分割后所形成的对象。 主要过程分成两部分:(1)影像对象构建和对象的分类。 采用基于分水岭变换的多尺度分割算法对影像进行分割,对分割之后的影像依据空间异质性原理进行合并,得到影像分类对象,计算对象的空间、纹理和光谱信息;(2)使用基于知识规则、支持向量机等分类算法,根据影像的空间、纹理和光谱等信息对其进行分类,以高精度的分类结果或者矢量输出[15-16]。

1.4 精度检验

使用混淆矩阵对分类结果进行精度检验。 取制图精度、用户精度、总分类精度和Kappa 系数作为衡量分类精度的指标。 其中制图精度、用户精度和分类精度越接近100%,分类精度越高[17]。 Kappa 表示分类结果与真实类别之间的一致性,取值范围为[-1,1],一般分类后计算得到的Kappa 值范围在0—1,0.0—0.20 表示一致性程度极低;0.21—0.40 表示一致性一般;0.41—0.60 表示一致性中等;0.61—0.80表示一致性较高;0.81—1 表示分类结果与实际情况几乎完全一致[18]。

2. 结果与分析

2.1 不同蔬菜光谱特征分析

由图4 可知,大白菜、花菜和青菜在5 个波段上的反射率分布区间有着较大程度的重合,区分度不高;在蓝、绿、红三个波段上,卷心菜的光谱反射率分布比其他3 种蔬菜高;在红边和近红外波段上,4 种蔬菜的反射率分布区间重合范围较大。

由表2 可知,在蓝波段上,大白菜和花菜、青菜和花菜的反射率差异不显著,其他蔬菜之间有显著差异;在绿波段上,青菜和花菜之间没有显著差异,其他蔬菜之间有显著差异;在红波段上,只有卷心菜与其他蔬菜差异显著,大白菜、花菜和青菜之间没有显著差异;在红边波段上,卷心菜和花菜之间差异显著,青菜和大白菜、卷心菜差异显著,其他蔬菜之间无显著差异;近红外波段上,卷心菜和大白菜、青菜与其他蔬菜之间有显著差异,其他各类蔬菜间无显著差异。

表2 各类型蔬菜多光谱各波段反射率多重方差分析Table 2 Multiple variance analysis of the reflectance at each band between the vegetable species

综上,各类蔬菜在不同波段上的反射率区间既有重合,也有不同程度的差异,说明多光谱影像上不同类型的蔬菜具有可分性。

2.2 基于像元的蔬菜种植分类

由图5 可知,基于像元的分类方法均存在较为明显的分类错误,分类结果图存在较严重的“椒盐现象”,不同种类的蔬菜出现了交织混杂的情况,不符合蔬菜种植地块分布的实际情况。 由表3 可知,四种基于像元的分类方法分类结果精度都偏低,精度较高的最大似然法和马氏距离法分类总精度也不超过60%。 Kappa 系数均小于0.5,表明分类结果与实际蔬菜种类有着很大的误差。 因此,基于像元的监督分类方法无法有效对无人机多光谱影像上的各类蔬菜种植信息进行分类提取。

表3 基于像元的蔬菜分类结果精度评价Table 3 Accuracy assessment of the vegetable classification results based on pixel

2.3 面向对象的蔬菜种植分类

在ENVI5.1 中,使用基于实例的面向对象分类法对研究区无人机多光谱影像上的各类蔬菜进行分类。 经过反复测试,图像分割选择边缘检测算法(Edge),阈值设为55.2,对影像上的地物进行分割,形成单个对象;合并选择Full Lambda Schedule 算法,阈值设为99.3,将相邻的、具有相似光谱、纹理和几何特征的对象合并、融合成为更完整的对象,效果如图6 所示。 对象划分完成后,根据目视解译选取较为典型的对象作为训练集,使用最邻近算法对各类蔬菜进行自动分类,阈值参数设置为5,邻近值设置为1,结果如图7 所示。 与基于像元的分类结果相比,面向对象分类结果各个蔬菜类别内部一致性较好,错分和漏分的情况较少;不同种类蔬菜地块边界明晰,与各类蔬菜的真实分布最为接近,具有很好的分类效果。 由表4 所知,其制图精度、用户精度和总精度均大于90%,Kappa 系数＞0.9,表明面向对象蔬菜分类结果与实际情况几乎完全一致,具有很高的分类精度。

表4 面向对象分类结果精度检验Table 4 Accuracy test of object oriented classification results

2.4 蔬菜种植信息统计

分别对目视解译分类结果和面向对象分类结果种植蔬菜面积统计,结果如表5 所示。 总体而言,研究区内,卷心菜种植面积最大,占总面积50%以上;其次是大白菜,种植面积大于26%;花菜和青菜种植面积较小,占比约为12%和7%。

表5 各类蔬菜种植面积统计Table 5 Area statistics of each vegetable species

3. 讨论

通过比较分类精度可知,面向对象分类方法在蔬菜无人机多光谱遥感影像上的分类效果明显优于基于像元的分类方法。 这主要是由于低空无人机遥感影像具有超高的空间分辨率(图3),同类蔬菜不同部位像元的光谱特征的内部差异甚至超过了不同蔬菜之间的差异,导致基于像元的分类方法出现分类错误以及严重的椒盐现象。 吴金胜等[19]、梁林林等[20]在使用无人机遥感影像进行研究时也都遇到了类似的情况,且都采用了面向对象分类的提取技术。 在本研究中,面向对象分类方法通过对图像进行分割和合并,将具有相似空间和纹理特征的蔬菜作为一个整体的对象进行分析,再结合训练样本的光谱特征,实现了对蔬菜的准确分类。

已有的研究表明,在基于高分辨遥感影像统计农作物种植面积时,通过目视解译的分类统计一般比较符合常规的面积统计习惯[19];但通过遥感影像自动分类得到的农作物种植区域往往更符合实际分布[21],其面积统计结果在作物产量评估上具有更高的参考价值[22]。 使用高分辨率无人机遥感影像对蔬菜种植信息提取也同样适用这一情况。 本研究中,基于ROI 检验时精度较高,基于目视解译结果进行检验时精度略低。 这主要是由于ROI 选取的蔬菜地块和面向对象分类结果中分类得到的蔬菜地块基本都是纯蔬菜覆盖区域,符合度较高;而实际地块中,尤其是大白菜地块中不同垄之间存在裸地,这部分在目视解译分类中也被包含进蔬菜地块中,因此与面向对象分类得到的地块范围差异稍大。

综上,使用无人机遥感结合面向对象分类技术,可以对蔬菜种植区的蔬菜种类、空间分布和种植面积等信息进行高精度、自动化的监测,为种植规划、产量估算等实际生产需求提供数据支持。