基于无人机高光谱的烟田涝灾早期识别

赖佳政，叶协锋，张凯，李建华，孙曙光，张波，何晓健，张芊*

基于无人机高光谱的烟田涝灾早期识别

赖佳政1，叶协锋1，张凯1，李建华2，孙曙光3，张波1，何晓健4，张芊1*

1河南农业大学烟草学院，国家烟草栽培生理生化研究基地，烟草行业烟草栽培重点实验室，郑州 450002；2河南省烟草公司许昌市公司，许昌 461000；3湖北中烟工业有限责任公司武汉卷烟厂，武汉 430040；4红云红河烟草（集团）有限责任公司，云南省昆明市五华区红锦路367号 650032

【目的】为准确、及时估算烟田涝灾损失程度。【方法】以搭载高光谱成像仪的无人机采集强降水后的烟田高光谱遥感影像，对影像进行图像分割、几何校正、辐射校正、地表反射率反演等处理，根据烟株倒伏程度将烟田分为受灾烟田、正常烟田和土壤3个类别，并构建兴趣区（region of interests，ROI），采用光谱角匹配算法对涝灾烟田进行分类，利用光谱相关系数和光谱角度评估各地类光谱曲线与ROI的匹配程度，基于混淆矩阵对分类结果进行精度评价。【结果】无人机高光谱的涝灾烟田的总体分类精度达到91.8%，Kappa系数0.85。【结论】基于无人机高光谱信息和光谱角匹配算法能够有效识别烟田涝灾损失区域，为实现烟田灾情快速评估提供了技术支撑。

无人机；高光谱；烟田；涝灾；遥感

洪涝灾害是一种较为常见的自然灾害，对农业生产影响巨大[1-2]。河南省每年洪涝灾害发生较为频繁的7～8月正值烤烟成熟期，这一时期烤烟株高叶大，受到强降水侵袭容易导致烟株损坏。烤烟属耐旱作物，成熟期淹水使烤烟主要化学成分协调性变差、致香物质含量降低，不利于优质烟叶品质的形成[3]。随着全球气候变暖，极端天气多发、频发，洪涝灾害对烟草生产带来的影响正日益加剧。客观、快速地监测烤烟的涝灾发生范围和受灾程度，定量评估涝灾对烤烟产量及质量可能造成的损失，有助于及时开展保险理赔和救灾补偿，最大限度减少烟农损失。

传统洪涝灾情调查需人工实地勘察、根据经验对灾情进行归类和损失评估，这种方式工作强度大、时间周期长，且调查范围有限[4]。近年来，随着卫星遥感技术的成熟，利用遥感影像分析监测农业灾情的研究日益增多[5-7]。然而，随着洪涝灾害监测对时效性和精细化程度要求的日益提高，卫星受限于时空分辨率、气候条件，有时难以满足灾情评估需求。与卫星遥感相比，无人机具有机动性强、空间分辨率高、适用性广泛等优势[8-9]，已用于多种作物的灾害监测和评估。甘平等[10]通过分析激光雷达点云数据反演的玉米冠层高度，快速准确地实现了对玉米涝灾受灾范围监测和灾情评估。孙明等[11]利用无人机正射影像，使用基于遥感影像分类的方法，对广西甘蔗的受灾区域进行灾情提取和分析。毕海锋等[5]基于无人机航拍数据，结合卫星遥感资料对内蒙古地区的水灾灾情进行了评估。安谈洲等[12]利用无人机航拍图片结合深度学习实现了大规模油菜材料冻害情况快速、高效、准确地评估。刘畅[13]使用无人机遥感影像，设计并实现了玉米旱灾识别和分级的深度学习语义分割方法，达到了较高的准确度。

已有研究人员将无人机应用于烟草生产中，孙志伟等[14]利用无人机获取烟株的冠层影像，将影像颜色指标与烤烟氮素指标联合，对烟株氮素营养状况进行诊断分析。李朋彦[15]以无人机高光谱仪结合地面观测，建立基于无人机遥感的长势信息反演模型，取得较好的预测效果。边琳等[16]基于无人机多光谱影像数据构建烤烟株高的预测模型，对烟株高度进行反演。周龙等[17]以植保无人机开展烟田蚜虫及叶斑类病害的防治工作，取得较好效果。付静[18]提出了一种基于无人机图像的山区烟株数量统计方法，能较好地满足山区烟株数量统计要求。但以上研究主要集中于烤烟株高、病虫害防治、营养诊断等方面，尚未应用于烤烟涝灾监测。本研究利用无人机平台搭载高光谱仪获取强降水后烟田的光谱信息，基于监督分类算法开展烟田涝灾识别研究，为拓展无人机在烟叶生产中的应用领域和提升烟田防灾减灾能力提供技术支撑。

1 材料与方法

1.1 研究区域概况

研究区（图1）位于河南省许昌市襄城县现代烟草农业产业园（东经113.52°，北纬33.89°），地处华北平原，海拔70 m左右，属暖温带大陆季风气候，四季分明，年均气温14.7℃，日照时数2281 h，无霜期217 d，日均温20℃以上日数98～110 d，多年平均降水量600～700 mm，每年6～8月的降雨量占全年总降水量60%左右，土壤类型为褐土。

烤烟品种为中烟100，行距120 cm，株距55 cm，移栽期4月下旬至5月上旬，成熟期7月上旬至9月上旬。2021年7月15日上午7点，受西太平洋副热带高压和台风“烟花”共同影响，襄城县出现强降水，此次降水持续3个多小时，累计降水量达到100 mm左右，为近年来少见的强降水过程。由于烤烟正处于成熟期，叶片宽大，烟株重心较高，降雨导致烟田积水，田间垄体松软，烟株出现倾斜、倒伏状况，给烟叶生产带来较大损失。

图1 研究区位置

1.2 数据获取及处理

1.2.1 技术路线

本研究所采用技术路线如图2所示，主要包括以下步骤：①无人机影像数据获取及预处理；②影像解译及兴趣区（region of interests，ROI）选取；③影像分类和④精度评价。

图2 涝灾烟田分类的技术路线

1.2.2 烟田高光谱数据采集

于2021年7月15日12点至13点襄城县强降水结束后3 h，在襄城县现代烟草农业产业园开展了近地面无人机高光谱遥感飞行试验，六旋翼无人机（大疆M600Pro）搭载Pika-L光谱仪（北京理加联合科技有限公司），光谱波段范围400～1000 nm，光谱分辨率2 nm，采样间隔4 nm。无人机采集数据时飞行高度设定为100 m，航速3 m/s。

1.2.3 高光谱数据预处理

Pika L光谱仪采集的数据包括GPS惯导数据、光谱仪传感器记录的地物反射能量数据。在使用之前需要对其进行预处理。图3为高光谱数据处理流程，首先根据GPS数据对数据进行分割，删除起飞、降落以及转弯时的无用数据，然后将核心区域数据按航线进行分割，随后利用辐射定标文件将分割后数据进行几何校正和辐射校正，校正后的数据利用ArcGIS和 ENVI进行地理配准和影像拼接成高光谱立方体，随后利用预先布置在观测场地的已知反射率曲线的标靶布数据反演得到观测区域的冠层反射率数据。

图3 数据处理流程

1.2.4 光谱相似性匹配算法

本文使用了两种表征不同光谱曲线间形态相似程度的指标，分别是光谱相关系数和光谱角度，首先基于光谱角匹配算法对烟田进行分类，然后通过比较分类结果和ROI曲线的光谱相关系数及光谱角度来评价分类效果。其中，光谱相似系数和光谱角度的计算公式如下[19]：

式中，表示光谱相似系数；x、y表示光谱曲线和光谱曲线在不同波段处的反射率；、表示光谱曲线和光谱曲线整个光谱反射率的平均值。值越大，说明两条光谱曲线的形态相似程度越高。反之，则说明两条光谱曲线形态差异越大。

式中，表示光谱角度；x、y表示光谱曲线和光谱曲线在不同波段处的反射率；表示波段数；值越小，说明两条光谱曲线的形态相似程度越高；反之，则说明两条光谱曲线形态差异越大。

2 高光谱数据分析

2.1 受灾烟田影像解译

遥感影像解译是遥感影像分类的重要手段，研究者利用自身专业知识对遥感影像进行目标识别和地物分类。为分析强降水过后烟田状况，使用处理后的高光谱影像第67（红）、41（绿）、24（蓝）3个可见光波段的反射率数据合成了研究区域5cm分辨率真彩色影像（图4a）。由影像可知烟田大体可分为烟株规则纹理受到破坏且变化方向呈现由东南向西北倾斜并伴有高亮特征的区域、呈现正常烟株纹理和绿色的区域、以及没有烟叶遮挡的裸露土壤等3类。由于此时正值烤烟成熟期、烟株高大、叶片宽厚，烟株重心较高，受积水影响田垄土壤松动，使得涝灾发生后烟田的烟株倾斜、倒伏且被积水覆盖，这部分区域在可见光波段具有较高的反射率而呈现高亮特征，在图中表现为白色与浅绿色像素集合的斑块；而受涝灾影响较小、未发生倒伏的烟株在图中表现为绿色簇状斑块；无烟株覆盖的裸露地表受到土壤水分过饱和影响，在红光波段有较高反射率，呈现粉红色。依据影像的纹理特征可以发现，未倒伏烟株呈现东西走向的规则排列纹理，而受涝灾影响区域的规则纹理受到破坏，烟株倾斜和倒伏方向呈现由东南向西北倾斜。

由烟田影像分析的结果可知，强降水结束后3 h后，烟田仍然普遍存在积水，有部分区域发生烟株倒伏的情况，由于烟株倒伏会带来叶片、根系的物理损伤，这部分烟株在后期的烟田管理、烟叶采收及烘烤中应该加强管理，尽量减少损失。未发生倒伏的烟株在积水退去后，应加强田间管理，降低积水给烟株的生长发育、烟叶产量和质量带来的不利影响。

将该区域分为①土壤（图3中粉色区域）、②烟株受到涝灾影响发生倾斜和倒伏的烟田（简称受灾烟田）（图4-c1）、③强降水后烟株未发生倾斜倒伏、受灾程度较轻的烟田（简称正常烟田）（图4-c2）等三类。

图4 涝灾烟田真彩色影像

2.2 受灾烟田典型区域的光谱特征

基于受灾烟田影像的解译结果，在影像上分别选取典型代表区域构建ROI，以ROI平均光谱反射率作为该类地貌的光谱反射率，提取后的3类地貌的光谱反射率曲线如图5。由该图可知，3类地貌的光谱曲线形状差异明显。3类地貌光谱曲线中，正常烟田与受灾烟田的光谱曲线形态类似，均在400～450 nm蓝光波段和660～680 nm红光波段附近形成了两个吸收谷，在540～550 nm绿光波段处形成了一个反射峰，而在780～1000 nm波段有一个高反射率平台。而受灾烟叶反射率曲线整体形状与正常烟叶类似，但反射率在可见光波段整体高于正常烟叶，而在近红外波段则低于正常烟叶。

图5 受灾烟田不同地类的高光谱反射特性

2.3 基于光谱角的涝灾烟田监督分类

对受灾烟田进行分类能够准确掌握受灾区域面积，对灾情评估、救灾策略制定、灾后恢复生产和降低损失有重要意义。本研究基于受灾烟田的影像解译、受灾区域情况分析以及典型受灾区域光谱信息，采用基于光谱角匹配的监督分类算法对涝灾烟田进行分类。

光谱角匹配是将具有个波段的高光谱数据中每个像元的光谱反射率曲线作为多维空间矢量，计算其与已知类别的参考类别像元光谱曲线之间的广义夹角，进而判断其匹配程度，从而将目标像元进行分类的算法[19-22]。主要步骤包括①在影像上构建各已知类别的ROI，要求每个类别的ROI只包含本类别像元；②提取各类别ROI光谱信息；③使用分类算法对研究区进行分类，并进行精度评价。

根据影像目视解译结果建立了3类地物的ROI，在统计反射波谱曲线的基础上，使用此算法对涝灾烟田进行分类，分类结果如图6所示。将分类结果与原始影像叠加可知，基于光谱角匹配的分类算法能够较好地将受灾烟田与正常烟田区分开。

图6 烟田涝灾分类结果

2.4 分类结果精度评价

2.4.1 基于光谱曲线的分类效果评价

为评价分类结果的准确性，提取了分类后烟田的三类地物的平均光谱曲线与作为分类参考的ROI光谱曲线进行了对比（图7）。由图7可知，3类地物的反射率曲线均与ROI曲线形状较为相似，说明采用光谱角匹配的分类算法能够较好地提取3类地物的反射光谱特征。

分类结果与ROI之间的光谱相似系数及光谱角度如表1所示，受灾烟田、正常烟田以及土壤的光谱曲线与ROI的值均接近于1，接近0，说明两者的光谱曲线相似程度较高，分类结果与ROI较为吻合。

表1 分类结果与ROI之间的光谱相似系数、光谱角度

Tab.1 Spectral corelation coefficientF and spectral angle θ between classification results and ROI

类别Fθ 受灾烟田0.99870.04506 正常烟田0.99980.01078 土壤0.98110.07411

2.4.2 基于混淆矩阵和Kappa系数的分类精度评价

通过额外构建每类10个ROI，共30个ROI作为验证点，构建验证点与分类结果之间的混淆矩阵，得到总体分类精度和Kappa系数，对分类结果进行精度评价（表2）。总体分类精度是指被正确分类的像素数量与全部验证像元之间的比值。Kappa 系数是一个用于一致性检验的客观指标，通过一种离散的多源技术与总体分类精度形成互补，其取值在0～1之间，当 Kappa 取值0.80～1.0 时，表示二者几乎完全一致[23]。由表2可知，总体分类精度91.8%，Kappa系数0.85，说明本次分类结果与验证ROI具有较好的一致性。

表2 涝灾烟田分类结果的混淆矩阵

Tab.2 Confusion matrix of classification results of waterlogged tobacco fields

受灾烟正常烟土壤总计 受灾烟1479141484 正常烟2037610964 土壤210315336 总计17037623192784 总体分类精度 91.8% Kappa系数 0.85

3 讨论

本研究基于涝灾发生后烟田的无人机高光谱影像，对烟田受灾情况进行了解译和分类，获取了3类地物的反射率光谱曲线，与孙志伟[14]、李朋彦[15]等研究结果类似，烟叶在可见光波段（400～700 nm）范围内，表现出“蓝边”、“绿峰”、“黄边”、“红谷”等绿色植物的独特光谱特征。

受灾烟田区域的光谱曲线可见光波段的整体形状与正常烟田类似，但高于正常烟叶，涝灾烟田真彩色影像中受灾烟叶的颜色表现为浅绿色至白色，这可能是由于倒伏烟叶被烟田积水覆盖，出现了镜面反射效果而提高了可见光波段的反射率所导致，这一结果与前人[9]在农田涝灾中的研究结论一致，即农田涝灾影响区域在遥感影像上呈现高亮特征。

700～780 nm是叶绿素在红波段强烈吸收到近红外波段多次散射形成的高反射平台过渡波段，称为植被反射率“红边”，是植物营养、长势、水分、叶面积等农学参数的指示特征[24]。红边位置是植物反射曲线上斜率最大时所对应的波长，位于680～750 nm之间，本研究利用一阶微分计算反射率曲线的红边位置，正常烟叶与受灾烟叶的红边位置分别在723 nm和719 nm，表明受灾烟叶的红边位置向短波方向移动，即出现了“蓝移”现象，这是叶片受损的重要标志。

在780～1000 nm波段，由于叶片以反射近红外波段能量为主，受到烟叶表面及田间的积水对近红外波段能量吸收的影响，受灾烟叶此波段范围的反射率低于正常烟叶，这一结果与隋学艳等[25]对不同时期玉米洪涝胁迫的地面高光谱监测的结论一致。

土壤在380～1000 nm的光谱反射率曲线总体上变化较平缓，但在580～640 nm波段受到土壤水分过饱和及表面积水的影响，出现一个小的反射峰，导致土壤呈现粉红色。

为判断涝灾烟田分类的准确性，本研究利用光谱曲线相似系数和光谱角度对分类地物的光谱曲线进行了比较，3类地物的光谱曲线形态与ROI均较为接近。受灾烟田和正常烟田在可见光波段（380～680 nm）的曲线吻合程度好于近红外波段（780～1000 nm）。出现这种情况的原因，可能是由于涝灾后时间尚短，灾害对烟叶外观的影响较小，同一地类的可见光波段反射率空间变异程度较低，故分类结果与ROI间差异较小。在近红外波段，已有研究[24]表明此波段范围的植物反射率曲线主要受到叶片细胞结构、水分含量等因素影响，而涝灾可能对烟叶细胞产生损伤，且这种损伤存在较大的空间变异性，另外二者所代表的像元数量不同，导致在780～1000 nm波段的分类结果与ROI反射率曲线之间存在一定差距。

除了比较地物光谱曲线形态相似性，使用总体分类精度及Kappa系数分析了光谱角匹配算法的分类精度。光谱角匹配算法的分类思想是通过计算遥感影像中各个像元的光谱曲线与3类ROI曲线之间的相似程度差异把像元进行归类，当不同地物间光谱特征差异显著（即“异物异谱”）时具有较好的分类效果，例如建筑垃圾与工地、裸土[22]，沙漠与植被[26]，木材与塑料[27]等。受灾烟田、正常烟田以及土壤之间的光谱特征差异明显，故采用光谱角匹配算法能够准确地从烟田影像中将受灾区域提取出来，获得总体分类精度达到91.8%、Kappa系数0.85的分类效果。

烟草作为一种耐旱不耐涝的作物，涝灾胁迫会对其生长发育带来不利影响，尤其是造成深层根系无氧呼吸，水淹时间过长会导致根系死亡，导致产量的损失和品质的下降。本研究利用高光谱遥感数据识别了烟株倒伏的受灾烟田区域，倒伏烟株根系受到破坏，植株的蒸腾循环受到影响，影响钾等矿质元素向叶片等部位的转运和积累[3]，因此在灾后田间管理中应迅速排水，及时对垄体表层土壤浅耕以达到散墒、保护表层根系的目的。另外，烟田中未倒伏烟株受积水影响，根系呼吸受阻，导致光合速率降低[28-29]、光合色素减少[30]、总糖和烟碱等化学成分以及致香物质等含量的降低[3]，因此灾后应加强田间水分管理，维持合理的土壤含水量以保证烟株生理功能的恢复。

4 结论

在烟田涝灾早期使用无人机高光谱仪获取受涝灾影响烟田的高分辨率光谱影像，利用可见光波段影像分辨地面受灾情况并构建分类指标，结合光谱曲线相似度匹配算法，对烟田受灾情况进行分类，减轻了灾情评估对现场实地调查的依赖，提高灾情评估的准确性；同时，高光谱遥感获取的光谱信息可以用于灾后烟叶品质变化分析，为灾后烟田管理和烟叶采收、烘烤及调制提供支撑。

本研究使用的分类方法属于监督分类，对样本依赖性较大，训练样本和验证样本的不合理选择会影响分类结果，后续研究应结合深度学习等手段，降低对样本选择的依赖。另外，涝灾早期识别对时间窗口有一定要求，如果田间积水完全退去，正常与受损的烟株在近红外波段反射率差异缩小，可能导致分类精度降低，需增加田间实地调查样本以满足分类需求。

[1] 蒋尚明，王友贞，汤广民，等. 淮北平原主要农作物涝渍灾害损失评估研究[J]. 水利水电技术，2011, 42(8):63-67.

JIANG Shangming, WANG Youzhen, TANG Guangmin, et al. Study on assessment of loss from waterlogging disaster for main crops within Huaibei Plain[J]. Water Resources and Hydropower Technology, 2011, 42 (8):63-67.

[2] AHMED F, RAFII M Y, ISMAIL MR, et al. Waterlogging tolerance of crops: Breeding, mechanism of tolerance, molecular approaches, and future prospects[J]. Biomed Research International, 2013, 2013(1):64-64.

[3] 李祖良，刘国顺，张庆明，等. 成熟期淹水对烤烟石油醚提取物、主要化学成分及致香物质含量的影响[J]. 核农学报，2012, 26(2):369-374.

LI Zuliang, LIU Guoshun, ZHANG Qingming, et al. Effect of Waterlogging at Mature Stage on The Content of the petroleum Ether Extracts, The Main Chemical Constituents and Aroma Matter of Flue-Cured Tobacco[J]. Journal of Nuclear Agricultural Sciences, 2012, 26(2):0369-0372.

[4] 代辉，武文波，刘纯波，等. 洪涝灾害天空地一体化灾情查勘技术研究[J]. 自然灾害学报，2014, 23(1):1-6.

DAI Hui, WU Wenbo, LIU Chunbo, et al. Integration research on flood disaster situation survey technology [J]. Journal of Natural Disasters, 2014, 23(1):1-6.

[5] 毕海峰，李杰. 基于遥感技术的农作物水灾灾情评估方法研究[J]. 地矿测绘，2019, 35(2): 20-2.3.

BI Haifeng, LI Jie. Research on evaluation method of crop flood disaster based on RS[J]. Surveying and Mapping of Geology and Mineral Resources, 2019, 35(2):20-2.3.

[6] 郭静，陶志，杨东，等. 遥感技术在农业灾害监测中的运用[J]. 吉林农业，2016(16):89.

GUO Jing, TAO Zhi, YANG Dong, et al. Application of remote sensing technology in agricultural disaster monitoring[J]. Jilin Agriculture: The second half of the month, 2016(16):89.

[7] 徐鹏，顾晓鹤，邱贺，等. 基于多时相HJ影像的水稻洪涝灾情和产量监测[J]. 灾害学，2014, 29(2):188-192.

XU Peng, GU Xiaohe, QIU He, et al. Monitoring of disaster situation and yield of rice under flood and waterlogging based on multi-temporal HJ images [J]. Journal of catastrophology, 2014, 29(2):188-192.

[8] 徐鹏杰，邓磊. 遥感技术在减灾救灾中的应用[J]. 遥感技术与应用，2011, 26(4):512-519.

XU Pengjie, DENG Lei. Application of remote sensing in the field of disaster reduction and response[J]. Remote sensing technology and application, 2011, 26(4):512-519.

[9] 张帅. 基于无人机低空遥感的农田信息采集与处理研究[J]. 安徽农学通报，2019, 25(13):149-151.

ZHANG Shuai. Study on farmland information collection and processing dased on low-altitude remote sensing of UAV[J]. Anhui agricultural science bulletin, 2019, 25(13): 149-151.

[10] 甘平，董燕生，孙林，等. 基于无人机载LiDAR数据的玉米涝灾灾情评估[J]. 中国农业科学，2017, 50(15): 2983-2992.

GAN Ping, DONG Yansheng, SUN Lin, et al. Evaluation of maize waterlogging disaster using uav LiDAR data[J]. Scientia Agricultura Sinica, 2017, 50(15): 2983-2992.

[11] 孙明，谢敏. 基于无人机低空遥感的广西甘蔗灾害监测应用研究[J]. 气象研究与应用，2019, 40(1): 46-52.

SUN Ming, XIE Min. Study on monitoring and application of sugarcane disaster in Guangxi based on uav[J]. Meteorological research and application, 2019, 40(1): 46-52.

[12] 安谈洲，李俐俐，张瑞杰，等. 无人机遥感及深度学习在油菜冻害识别中的应用研究[J]. 中国油料作物学报，2021, 43(3): 479-486.

AN Tanzhou, LI Lili, ZHANG Ruijie, et al. Application research of unmanned aerial vehicle remote sensing and deep learning in identification of freezing injury in rapeseed[J]. Chinese Journal of Oil Crop Science, 2021, 43(3): 479-486.

[13] 刘畅. 基于语义分割的无人机影像的玉米旱灾识别与分级[D]. 长春：吉林大学，2020.

LIU Chang. Recognition and classification of maize drought on UAV images based on semantic segmentation[D]. Chang Chun: Jilin University, 2020.

[14] 孙志伟，王晓琳，张启明，等. 基于无人机可见光谱平台的烤烟氮素营养诊断[J]. 光谱学与光谱分析，2021, 41(2): 586-591.

SUN Zhiwei, WANG Xiaolin, ZHANG Qiming, et al. Diagnosis of nitrogen nutrition in flue-cured tobacco based on uav visible spectrum platform[J]. Spectroscopy and Spectral Analysis, 201, 41(2): 586-591.

[15] 李朋彦. 基于无人机高光谱遥感的烤烟生长监测[D]. 郑州：河南农业大学，2019.

LI Pengyan. Monitoring flue-cured tobacco growth based on unmanned aerial vehicle hyperspectral remote sensing[D]. Zhengzhou: Henan Agricultural University, 2019.

[16] 边琳，叶飞，王建雄，等. 基于无人机低空多光谱遥感监测的烤烟株高研究[J]. 山东农业科学，2020, 52(12): 126-132.

BIAN Lin, YE Fei, WANG Jianxiong, et al. Research on plant height of flue-cured tobacco based on UAV low- altitude multispectral remote sensing monitoring[J]. Shandong agricultural science, 2020, 52 (12): 126-132.

[17] 周龙，张哲，姜自斌，等. 植保无人飞机在烤烟上应用的探索与思考-以平邑县烟田植保无人机飞防为例[J]. 农业开发与装备，2019(4): 169-170.

ZHOU Long, ZHANG Zhe, JIANG Zibin, et al. Exploration and thinking on the application of plant protection UAV in flue-cured tobacco-a case study of plant protection UAV in Yantian of Yingyi county[J]. Agricultural Development and Equipment, 2019(4): 169-170.

[18] 付静. 基于无人机图像的山区烟株数量统计方法与试验[D]. 贵阳：贵州大学, 2019.

FU Jing. A statistical method for the number of mountain tobacco plants based on drone images [D]. Guiyang: Guizhou University, 2019

[19] 史舟. 土壤地面高光谱遥感原理与方法[M]. 北京：科学出版社，2014.

SHI Zhou. Principles and methods of soil hyperspectral remote sensing [M]. Beijing: Science Press, 2014.

[20] Kruse, F. A. A. B. Lefkoff, J. B. Boardman, et al. The spectral image processing system (sips)-interactive visualization and analysis of imaging spectrometer data[J]. Remote Sensing of Environment, 1993, 44(2):145-163.

[21] 李颖，张立福，严薇，等. 地面成像光谱数据的田间杂草识别[J]. 遥感学报，2013, 17(4):855-871.

LI Ying, ZHANG Lifu, YAN Wei, et al. Weed identification using imaging spectrometer data[J]. Journal of remote sensing, 2013, 17(4): 855-871.

[22] 徐隆鑫，孙永华，何仕俊，等. 基于不同光谱匹配算法的无人机高光谱遥感影像建筑垃圾分类研究[J/OL]. 首都师范大学学报（自然科学版）：1-8[2021-08-11]. http://kns.cnki.net/kcms/detail/ 11. 3189. N. 20210518. 1623. 006. html.

XU Longxin, SUN Yonghua, HE Shijun, et al. Study on construction waste classification of unmanned aerial vehicle hyperspectral remote sensing images based on different spectral matching algorithms[J/OL]. Journal of capital normal university (natural science edition): 1-8[2021-08-11] http://kns.cnki.net/kcms/ detail/11. 3189. N. 20210518. 1623. 006. html.

[23] 杨树文，等. 遥感数字图像处理与分析-ENVI 5.x实验教程（第2版）[M]. 北京：电子工业出版社，2019.

YANG Shuwen, et al. Processing and analyzing of remote sensing image-ENVI5.x experimental book (Second Edition)[M]. Beijing: Publishing House of Electronics Industry, 2019.

[24] 刘良云. 植被高光谱遥感[M]. 武汉：湖北科学技术出版社, 2021.

LIU Liangyun. Vegetation hyperspectral remote sensing[M]. Wuhan: Hubei Science and Technology Press, 2021.

[25] 隋学艳，梁守真，张金盈，等. 不同生育时期玉米洪涝胁迫遥感监测与评估[J]. 作物学报，2021, 47(1): 177-184.

SUI Xueyan, LIANG Shouzhen, ZHANG Jinying, et al. Remote sensing monitoring on maize flood stress and yield evaluation at different stages[J]. Acta Agronomica Sinica, 2021, 47(1):177-184.

[26] 段瑞鲁，刘廷玺，张圣微，等. 科尔沁沙地典型沙丘植被光谱特征数据的匹配[J]. 干旱区研究, 2014, 31(4): 750- 755.

DUAN Ruilu, LIU Tingxi, ZHANG Shengwei, et al. Matching of spectral data of typical vegetation on dune in the horqin sandy land[J]. Arid Zone Research, 2014, 31(04): 750-755.

[27] 赵冬娥，吴瑞，赵宝国，等. 高光谱成像的垃圾分类识别研究[J]. 光谱学与光谱分析，2019, 39(3): 921-926.

ZHAO Donge, WU Rui, ZHAO Baoguo, et al. Research on garbage classification and recognition based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis, 2019, 39(3): 921-926.

[28] 李建平，陈振国，谭本奎，等. 水涝胁迫对烤烟理化特性及产质量的影响[J]. 安徽农业科学，2020, 48(23): 68-71.

LI Jianping, CHEN Zhenguo, TAN Benkui, et al. Effects of waterlogging stress on physicochemical properties, yield and quality of flue-cured tobacco[J]. J．Anhui Agric. Sci., 2020, 48(23): 68-71.

[29] 刘庆宇，赵越，熊江波，等. 涝害对烤烟光合特性的影响[J]. 江西农业大学学报, 2014, 36(1): 50-55.

LIU Qingyu, ZHAO Yue, XIONG Jiangbo, et al. A study on the effect of waterlogging on photosynthetic characteristics in flue- cured tobacco[J]. Acta Agriculturae Universitatis Jiangxiensis, 2014, 36(1): 50-55.

[30] 黎时光，杨友才，曾强，等. 淹水胁迫对烤烟不同生育时期生理生化特性的影响[J]. 华北农学报，2008, 23(3): 116-119.

LI Shiguang, YANG Youcai, ZENG Qiang, et al. Effect of waterlogging stress on physiological and biochemical characteristics of flue-cured tobacco at different growth stages[J]. Acta Agriculturae Boreali-Sinica, 2008, 23(3): 116-119.

Early identification of tobacco field waterlogging disaster based on UAV hyperspectral Images

LAI Jiazheng1, YE Xiefeng1, ZHANG Kai1, LI Jianhua2, SUN Shuguang3, ZHANG Bo1, HE Xiaojian4, ZHANG Qian1*

1 College of Tobacco Science, Henan Agricultural University, National Tobacco Cultivation and Physiology and Biochemistry Research Center, Key Laboratory for Tobacco Cultivation of Tobacco Industry, Zhengzhou 450002, China;2 Xuchang Municipal Tobacco Company, Xuchang 461000, China;3 Wuhan Cigarette Factory, China Tobacco Hubei Industrial Co., Ltd, Wuhan 430040;4 Hongyun Honghe Tobacco (Group) Co. LTD, Yunnan 650032, China

To realize accurate and quick estimation of tobacco field waterlogging disaster, Unmanned Aerial Vehicle (UVA) equipped with hyperspectral imager was used to collect remote sensing images of the study area, and then segmentation, geometric correction, radiometric correction, surface reflectance inversion of collected images were carried out.. Based on the degree of tobacco plant lodging tobacco field were classified into three categories: the affected fields, normal fields, and bared soil, and ROIs (Region of interests) were built based on the results. Spectral angle matching algorithm was used to extract and classify the waterlogging area from hyperspectral image of tobacco field. The spectral correlation coefficient and spectral angle were used to evaluate the matching degree between ROI and spectral curve . The Confusion matrix was used to evaluate the accuracy of the classification results, withoverall classification accuracy reaching 91.8% and Kappa coefficient reaching 0.85. The results shows that the UAV hyperspectral information comvbined with spectral angle matching algorithm can effectively identify waterlogging area in tobacco fields, which provides technical support for quick estimation of tobacco filed waterlogging.

UAV; hyperspectral; tobacco field; waterlogging; remote sensing

Corresponding author. Email：Zhangqian225@henau.edu.cn

烟草行业烟草栽培重点实验室项目（No.30800665）；红云红河烟草（集团）有限责任公司科技项目（No.HYHH2019YL04）

赖佳政（1999—），硕士研究生，研究方向为烟草信息学，Tel:0371-36555763，Email：956620786@qq.com

张芊（1980—），Tel：0371-63555763，Email：Zhangqian225@henau.edu.cn

2021-08-27；

2021-12-05

赖佳政，叶协锋，张凯，等. 基于无人机高光谱的烟田涝灾早期识别[J]. 中国烟草学报，2022，28（1）.LAI Jiazheng, YE Xiefeng, ZHANG Kai, et al. Early identification of tobacco field waterlogging disaster based on UAV hyperspectral Images[J]. Acta Tabacaria Sinica, 2022,28(1). doi: 10.16472/j.chinatobacco. 2021.T0153