基于无人机高光谱遥感影像的农作物分类研究

梁海红

（三和数码测绘地理信息技术有限公司，甘肃 天水 741000）

及时获取和了解农作物种类、生长情况、种植面积等信息是我国智慧农业发展过程中需要实现的重要任务。传统农作物分类方法依赖于生物和形态学调查法，在财力和物力方面投入较多，无法满足智慧农业的发展需求。无人机高光谱遥感影像技术具有波段数目多、波段长、信息量大等特点，不但能够对农作物进行有效的分类，而且也能够节省人力和财力，对助推智慧农业发展具有重要意义[1]。

1 数据预处理

1.1 研究区概况

研究区位于某市农业生态圈内，地理坐标位置为125°35′E，43°88′N。该地区为温带季风气候，雨热同期，夏季雨水较多且温度较高，适合农作物的生长。该地区农作物主要包括大豆、玉米、水稻等。

1.2 数据采集与处理

1）多光谱数据。多光谱数据主要利用搭载2 000万像素传感器的无人机获取，共获取研究区影像700幅。多光谱数据预处理工作主要利用Pix4Dmapper对影像进行拼接并生成正射影像。由于多光谱数据具有分辨率高的特点，可以通过影像直观地观察到研究区域的各种物体，主要用于农作物分类精度评价和检验[2]。

2）高光谱遥感影像数据。高光谱影像主要利用搭载了高光谱成像仪的无人机获取，高光谱成像仪分辨率为10 nm，工作波长为500 nm~900 nm，无人机飞行高度超过100 m时分辨率为6.5 cm，最高像素分辨率为1 010×1 010。实验数据主要包括56个波段，数据获取时天气晴朗，没有云层遮挡，无人机航摄高度为120 m，航速为5 m/s，获取的影像数据均利用高光谱成像仪进行处理。遥感影像选择农作物生长状态不同的无人机影像a和高光谱影像b。

3）提取训练样本。首先，通过对研究区域进行实地调查并结合遥感影像资料，确定了遥感影像中的地物主要包括芋头、水稻、玉米、大豆、裸地、水泥路和杂草等。其次，本研究在遥感影像中随机选取了像素大小为2×2的ROI（Region of Interest）。在选择ROI过程中对大豆、玉米等种植间距大的农作物影像利用真彩色和假彩色以及红外波段进行混合选取，针对无法判断的波段的影像，主要利用光谱影像进行辅助识别[3]。最后，将训练区按照3∶2的比例进行划分，其中60%的ROI为训练样本、40%的ROI作为农作物分类精度试验样区。然后对每幅影像进行训练并绘制光谱曲线，以作为研究区地区波谱曲线。

1.3 影像特征识别

1）数据降维。高光谱具有数据维度高的特点，相比于普通光谱信息更加丰富、数据量更大，而这也导致高光谱数据冗余、数据存储难和处理效率低等。为提高高光谱影像分类精度和分类效率，在对高光谱进行分析前需要利用降维方法对数据进行处理，以降低高光谱维度数，同时尽量保留高光谱数据。高光谱降维处理主要采用MNF（Minimum Noise Fraction Rotation）方法，MNF降维方法主要是将数据空间划分为特征不同的两个部分，第一部分为相干特征和最大特征值影像，第二部分为噪声较强和特征值接近1的影像[4]。

2）一阶微分方程变换。光谱导数是提取光谱影像特征的主要方法，该方法首先需要对反射光谱构建数学模型，其次求取反射光谱的一阶导数。一阶导数能够直接反映和体现光谱中无法识别的细微变换，同时也可以提取出具有不同特征的参数，如作物红边位置、吸收峰位置等。

2 农作物分类研究

2.1 分类方法

本研究主要采用支持向量机（Support Vector Machine, SVM）分类方法和随机森林（Random Forest, RF）分类法。利用这两种分类方法分别对遥感影像中的农作物构建识别模型，同时对分类经过进行评价，并对SVM和RF分类方法进行比较。

SVM分类方法是一种基于统计学理论的机器学习算法。SVM能够自动寻找遥感影像中的最后分类平面，同时构建出分类器。此外，SVM分类方法也能够对同类农作物之间的间隔进行缩小，对不同农作物之间的间隔进行扩大。与传统的分类方法相比，SVM分类结构更加准确，并且泛化能力强，能够缓解高光谱影像Hughes现象，适用于高光谱影像维数高和样本数量少的影像分类[5]。

RF分类法属于预测分类模型，是一种基于决策树的分类算法。RF算法分类结构稳定，对参数选择要求较低，并且训练和学习速度较快，在解决分类问题方面具有较大的优势，RF算法计算公式为：

RF算法在对高光谱影像中的农作物进行分类时，其分类结果主要采取投票的方式决定，并且RF算法只需要明确特征数量和树木数量参数，即可预测分类结果。

2.2 分类模型构建

本研究选取两幅高光谱影像并对其中的农作物进行分类，在对高光谱影像进行研究时首先采取降维方法对其进行处理，其次求取一阶导数，最后利用SVM和RF分类方法对高光谱影像、一阶导数影像、降维后的影像进行分析，研究高光谱影像农作物的分类结果。

2.3 分类结果精度评价

本研究主要采用总体精度、生产者精度、Kappa系数和用户精度四个指标对分类结果精度进行综合评价。在评价前，首先需要构建评价样本，在选取评价样本时，不能出现重复样本。本研究共选取了水稻评价样本130个、玉米评价样本260个、大豆样本156个、芋头样本75个、杂草样本65个。在评价过程中利用Kappa系数构建混淆矩阵，如果混淆矩阵对角线中的元素值越大，分类结果准确性越高；非对角线元素值越大，分类结果准确性越低。

3 农作物分类结果与分析

3.1 高光谱影像分析

1）农作物光谱分析。高光谱数据波段为56个，通过对样本进行训练获得农作物波段曲线，在红光波段、绿光波段和蓝光波段中不同的农作物反射率不同。其中，大豆近红外波段反射率与其他农作物相比较高；杂草、水稻和芋头反射率基本相近；近红外波段反射率相对较低的农作物为玉米，这主要是因为在高光谱影像获取过程中大豆作物正处于成长旺盛期，水稻为灌浆期，而玉米已经成熟，部分玉米作物已经被收割，因此玉米近红外波段反射率与其他农作物相比较低[6]。

2）数据降维分析。通过MNF降维方法对原始高光谱影像和一阶导数影像进行处理，降维前后的分量信息如表1所示。从表中可以看出，原始影像在降维前和降维后的10个信息分量数据约为91%，一阶导数影像降维前后10个信息分量数据约为73%。由此可知MNF降维方法对原始影像降维效果较好。

表1 高光谱影像降维前后分量信息

3.2 农作物提取分析

1）SVM分类结果。利用SVM分类方法对经过降维和一阶导数变换后的影像进行分析，对影像中的农作物进行分类。为降低其他参数对SVM分类结果的影响，所有的高光谱影像均采用同一SVM，表2为分类精度。从表2中可以得出，SVM对高光谱影像中的农作物分类结果精度超过81%，利用降维方法对高光谱影像处理后，分类精度有了一定程度的提升，并且减少了数据处理量，进一步提高了分类速度。而经过一阶导数变换后的高光谱影像分类结果准确性出现一定程度的下降，这主要是因为一阶导数变换后的高光谱影像具有更高的可分性，因此部分光谱信息更加突出，而这也提高了农作物光谱信息相似度，导致农作物之间的可分性下降[7]。

2）RF分类结果分析。本研究共选取决策树500棵，每个节点均利用GINI系数对不纯度进行求解。利用RF对高光谱影像进行分类，分类精度如表2所示。从表中可以得知RF分类精度均超过88%，利用降维方法处理高光谱影像后，分类精度有了一定程度的提升，并且一阶导数高光谱影像也存在分类精度降低的情况。

表2 高光谱影像分类精度

3）分类结果对比分析。在利用SVM对高光谱影像农作物进行分类时，会存在SVM将玉米识别为水稻的情况，而利用RF分类方法则可以避免这一问题。此外，利用SVM分类法对大豆进行分类时，也会存在长势相对较差的大豆被识别为水稻的问题，在利用RF分类方法后，大豆分类用户精度和生产精度有显著的提升。由此表明，RF分类方法比SVM分类方法精度高[8]。

在对高光谱影像农作物进行分类的过程中，玉米作物分类精度较差，无论是利用SVM分类法还是RF分类法获得的分类精度均较低。与其他农作物分类结果相比，玉米农作物在分类过程中会出现漏分、错分的问题。出现这种问题的原因可能是玉米农作物分布较散，并且生长状态不统一，部分玉米处于生长期，而部分玉米已经枯萎；不同玉米的生长期波谱曲线变化幅度较大，并且存在同物异谱的情况。由于处于生长期的玉米波段与大豆和水稻波段曲线相似，因此出现了玉米作物错分的问题[9-10]。

在研究区内，由于大豆为生长期，因此其近红外波段反射率相对较高，有利于高光谱影像分类。在SVM影像分类中，大豆作物中会出现少量水稻的情况，通过分析高光谱影像和原始影像后发现，农作物间隙边缘种植的大豆长势相对较差，因此存在分类不准确的情况。

从高光谱影像中可以看出，芋头作物分类结果相对稳定，可以对芋头作物进行有效提取。通过对高光谱影像农作物进行分类，利用RF分类法获得的分类结果精度较高，可以实现对农作物的有效提取，能够为我国农作物生长情况监测、产量估计和病虫害防治提供参考。

4 结论

本研究通过对无人机高光谱影像进行MNF降维处理和FD变换，分别采用RF分类方法和SVM分类方法对处理后高光谱影像农作物分类进行了研究。研究发现，农作物生长周期对高光谱影像农作物分类精度具有一定影响，并且采用RF分类方法对高光谱影像农作物分类的效果较好，能够有效识别农作物的种类，为我国农作物监测提供参考。