基于无人机多光谱影像的水稻风灾倒伏面积估算

2022-12-19宁静周芳琪周杰

科学技术与工程 2022年31期

宁静，周芳琪，周杰

(东北农业大学公共管理与法学院，哈尔滨 150030)

水稻(OryzasativaL.)是中国三大粮食作物之一，据国家统计局数据显示，2020年粮食作物中，水稻产量为21 186万t，占据粮食产量的31.6%。其中风灾作为水稻气象灾害之一，严重影响水稻的生长，产量以及品质。及时、准确地掌握水稻受灾面积可以为制定灾后生产管理、防控措施以及评估产量损失；农业管理部门评估减产量，及时、适当出台措施应对市场波动；种植户和农业保险公司进行合理理赔等方面提供可靠数据支持。但传统受灾面积统计以地方逐级上报和抽样调查两种为主，数据获取时间长，耗费大量人力物力，精度还不高，不能满足及时、准确的耕地面积监测需求[1]。遥感技术的发展，给作物受灾面积统计的实时、动态、宏观监测带来新思路，一定程度上弥补了传统方法的不足，现已成为倒伏作物监测的新途径。

目前国内外研究者使用不同的数据源进行作物监测，其中有刘良云等[2]利用Landsat ETM卫星影像，研究小麦倒伏前后的光谱反射率并利用归一化植被指数(normalized difference vegetation index，NDVI)的变化测算其倒伏程度。Murakami等[3]利用低空气球平台的作物高度摄影测量系统评估荞麦的倒伏程度。Yang等[4]基于Radarsat-2全极化影像数据提出了利用雷极化指数监测小麦倒伏。李宗南等[5]以灌浆期倒伏玉米为研究对象，以Worldview-2多光谱数据为基础，分析了倒伏玉米的光谱、纹理特征差异，提出倒伏玉米面积估算的方法。王立志等[6]基于多时相HJ-1B卫星CCD多光谱影像分析玉米倒伏前后比值植被指数(ratio vegetation index, RVI)的差值并构建了遥感监测模型，为掌握玉米长势以及迅速、准确的掌握受灾情况提供了可能。韩东[7]基于对Sentinel-1A雷达获取后向散射系数的分析，构建倒伏监测模型，实现了一定区域内玉米倒伏程度的分级监测。钟仕全等[8]利用MODIS NDVI数据结合野外调查数据建立甘蔗霜冻分级指标对耿马县甘蔗霜冻进行灾后监测评估。张新乐等[9]基于无人机(unmanned aerial vehicle，UAV)获取的影像参数，综合利用目视解译、最大似然法和NDVI估算作物风灾倒伏面积和提取防护林带，对防护林防风效能进行定量分析。李宗南等[10]基于无人机影像进行了玉米的光谱和纹理研究，得到近红外波段结合最大似然法最适于倒伏玉米面积估算。董锦绘等[11]基于无人机遥感影像，利用最小距离法、最大似然法、神经网络、支持向量机四种分类方法对比冬小麦倒伏面积提取精度。李明等[12]利用无人机获取遥感影像数据提取其光谱特征、几何特征和纹理特征，构建辨识水稻田块面积模型，明确了累计像素方法测算水稻田块面积精度高，进一步验证将无人机遥感影像用于水稻种植信息普查的可行性与科学性。陆洲等[13]利用高分辨率遥感影像提取倒伏水稻面积，构建决策树分类模型，提出了适用于大区域倒伏水稻提取的方法，为高分辨率多光谱遥感数据调查水稻倒伏面积提供依据。赵静等[14]基于无人机搭载多光谱相机获取玉米田块图像，采用支持向量机递归、Relief F和套索算法三种特征筛选方法结合不同分类模型验证区域玉米倒伏信息，使用较少特征数量参与分类，获得了较高分类识别精度，为无人机多光谱技术准确、快速提取风灾后玉米倒伏信息提供技术支持。冯琳等[15]利用多时相高分一号影像进行归一化水体指数变化分析，用决策树的方法使得快速提取玉米受灾面积成为可能。

综上，现有作物倒伏监测研究以使用光学卫星数据和雷达数据，提取倒伏面积时利用不同的分类方法为主。然而，光学卫星数据和雷达数据有时获取可能不易，且现有监测作物多以玉米、小麦为主，对倒伏水稻的遥感监测研究开展较少，应用无人机影像进行提取倒伏水稻的研究少有。现今无人机以实时获取和传输高分辨率的遥感数据为优势得到了快速发展，且各类无人机系统设计，起降方式、负荷质量、搭载传感器的类型各异[16]，为需求者提供了更多的选择。所以，使用2018年9月15日—10月13日获取的小型无人机0.75分辨率的多光谱遥感数据，分析水稻倒伏前后的光谱、纹理特征、植被指数差异，结合最大似然分类和最优阈值选择分类进行倒伏水稻的提取，分析并评价提取面积的精度，旨在为水稻倒伏提取方法提供一种思路，从而为解决同类受灾面积估算问题提供相关依据。

1 实验部分

1.1 研究区域

五常市是全国粮食生产先进县标兵，位于黑龙江省哈尔滨市南部(127°10′12″E，44°55′48″N)，研究区位于五常市西部，属中纬度温带大陆性季风气候，雨热同期，夏季较短，冬季较长，寒暑差异较大。年平均降雨量为650 mm左右，年日照时数约2 629 h，有效积温达2 700 ℃，土壤类型主要为黑土、草甸土和水稻土，肥力较高，种植的农作物主要为水稻，种植制度为一年一熟，一般在五月中旬开始插秧，秋分开始收获，是中国典型农业县和重要商品粮食基地。如图1所示，研究选取了一块有水稻倒伏的地块作为研究区，此地块水稻正处于生长期，主要存在两种作物形态，一类是长势较好，叶片呈绿色的未倒伏水稻；另一类是呈现泛白，长势较差的倒伏水稻。

图1 研究区真彩色图像Fig.1 True color image of study area

1.2 多光谱影像数据获取与处理

本实验数据来源于2018年9月15日—10月13日黑龙江省五常市的小型无人机遥感试验。本试验以DJI M600 Pro小型电动无人机为遥感平台，采用手掷方式起飞，地面滑行方式降落；该机尺寸为1 668 mm×1 518 mm×727 mm(螺旋桨、机臂、GPS支架均展开，带起落架)，最大俯仰角度为25°，最大承受风速为8 m/s，最大载荷质量为6 kg，搭载的相机为RedEdge 3，该相机参数见表1。

表1 相机参数Table 1 Camera parameters

该无人机飞行实验共获取了1 380张航片，其中经过正射校正和航片拼接后的真彩色图像如图1所示，无人机、多光谱传感器设备航线如图2所示，其中以右下角蓝色点为起始点的S型飞行，最后再以右下角蓝色点为终止点。该多光谱遥感数据分辨率为0.75 m，格式为JPG。该数据拥有拍摄地物的红、绿、蓝色彩灰度值，值域为0～255。首先将姿态角度异常、成像效果不好的图像去除；利用Pix4D mapper软件将筛选后的图像和POS数据匹配相机参数进行处理；将会得到航片数据的准确外方位元素和加密点的坐标且自动生成数字表面模型，最后以此作为正射校正的依据[17]。

图2 无人机、多光谱传感器设备航线Fig.2 Route of UAV and multispectral sensor equipment

1.3 研究方法

1.3.1 研究技术路线

利用多光谱遥感数据和选择光谱特征，植被指数，纹理特征这三种参数，分析水稻倒伏前后的光谱、纹理特征、植被指数，选出分类误差最低的特征比较出估算水稻倒伏面积精度最高的方法，并通过获得的多光谱数据进行实验。技术流程如图3所示，具体方法介绍如下：①通过搭载在无人机的多光谱相机获取覆盖整个水稻田块的多光谱数据，并对数据进行筛选、拼接、配准、校正等预处理；②获取统计区域内水稻倒伏前后的光谱变化，对比水稻倒伏前后的相对差异；③获取统计区域内光谱数据计算研究区归一化植被指数(NDVI)，从而对比水稻倒伏前后NDVI的相对差异；④用Co-occurrence-Measures工具处理获取统计区域内研究区影像得到研究区纹理特征影像，对比水稻倒伏前后的纹理特征变化并计算相对差异；⑤基于最大似然分类和选择最优阈值提取水稻倒伏面积；⑥通过目视解译得到水稻倒伏面积，对水稻倒伏面积反演结果进行精度比较。

图3 倒伏水稻面积提取技术路线Fig.3 Technical route of lodging rice area extraction

1.3.2 光谱特征选择

光谱特征是自然界任何地物都具有其自身的电磁辐射规律，风灾发生后水稻冠层结构发生了明显变化，同时倒伏后光合功能下降，从而导致作物的光谱反射率的变化。在多光谱遥感影像的感兴趣区中的随机选取100处正常水稻和倒伏水稻，分别计算正常水稻和倒伏水稻光谱反射率，统计水稻倒伏前后在各个波段上的相对差异。虽然多光谱数据具有定量的光谱信息，但是由前人研究可知蓝、绿、红三个波段平均差异相对较大，能够提高倒伏面积提取精度[18]，故本研究的光谱特征指标分析将选择红、绿、蓝三个波段进行。

1.3.3 植被指数法

归一化植被指数(normalized difference vegetation index, NDVI)是近红外波段的反射值与红光波段的反射值之差比上两者之和。其值域为-1～1，当水稻发生倒伏，其地面覆盖度增大，NDVI数值减小。NDVI计算公式为

(1)

式(1)中：RRED为无人机多光谱影像中的红波段；RNIR为近红外波段。

基于无人机获取的多光谱遥感数据分别提取倒伏水稻前后的NDVI，在感兴趣区中选择100处正常水稻和倒伏水稻，分别统计水稻倒伏前后的植被指数均值。

1.3.4 纹理特征选择

纹理特征是反映图像中的同质的一种视觉特征，体现了物体表面的结构组织排列顺序，也是指在图像中反复出现的局部模式和它们的排列规则，有40项。均值纹理特征能够较为准确地用于作物倒伏面积的提取[19]。故只选取均值纹理为纹理特征指标用于水稻倒伏的识别。用ENVI5.1软件中的Co-occurrence-Measures工具处理研究区影像后，得到研究区的纹理特征影像，在研究区感兴趣区中随机选取正常水稻和倒伏水稻的100处提取其均值纹理数值。

2 结果与讨论

2.1 倒伏前后光谱特征差异

计算水稻倒伏前后的光谱反射率，绘制正常水稻和倒伏水稻的光谱反射率曲线如图4所示。图4显示，总体来看，倒伏水稻的反射率从蓝波段到红边波段都有了大体的上升，其中倒伏水稻与正常水稻在蓝波段的反射率差值为0.014，绿波段的反射率差值为0.032，红波段的反射率差值为0.030，红边波段的反射率差值为0.060，近红外波段的反射率差值为0.065。其中，红边波段和近红外波段的反射率变化值大于可见光范围的三个波段，这个规律与冬小麦倒伏的光谱反射率变化规律相同[11]，倒伏水稻较正常水稻从绿波段到近红外波段各个波段的反射率变化率分别为38%、28%、61%、24%、13%。在红波段的反射率变化最高，近红外波段的反射率变化率最低，相对差异为18%。

图4 光谱反射率及差异曲线Fig.4 Spectral reflectance and difference curve

其原因可能是由于水稻的冠层结构变化，正常水稻的冠层内，水稻在灌浆期间，叶片倾斜角度按照特定范围分布，当兼并直射、散射两种辐射方式的太阳光照射时，可视域内的水稻冠层处于光照和避光两种状态，即产生阳叶和阴叶两种叶片类型。其中阳叶可进行直反射和散射辐射，因此亮度高。而阴叶仅进行散射辐射，亮度低。水稻倒伏后，其正常的冠层结构崩塌，阳叶比例显著增加，而阴叶占据的比例则下降，从而导致水稻冠层各波段的反射率的上升。

2.2 倒伏前后植被指数差异

基于软件ArcGis10.2，利用栅格计算器计算研究区的归一化植被指数(NDVI)，提取100处感兴趣区NDVI值冰球取均值，得到倒伏水稻的NDVI为0.77，正常水稻的NDVI为0.83，正常水稻的NDVI大于倒伏水稻的NDVI。这是由于水稻倒伏前后，无人机搭载的相机探测到的反射部位不太相同，正常水稻反射率以叶片为主，而水稻倒伏后以茎秆为主，叶片中叶绿素含量高于茎秆，所以造成水稻倒伏后NDVI下降，下降数值为0.06，相对差异为7%。

2.3 倒伏前后纹理特征差异

在水稻生长过程中，一般会发生基部倒伏和折杆倒伏，倒伏程度各异，其中基部倒伏最为常见，因此可以借助纹理特征来描述。基于ENVI5.3中的Co-occurrence-Measures工具，计算100处感兴趣区内正常水稻和倒伏水稻的纹理特征均值，得到正常水稻的均值纹理数值为24.38，倒伏水稻的均值纹理数值为31.25，倒伏水稻的均值纹理数值大于正常水稻的均值纹理数值，差异值为6.87，相对差异为28%。

2.4 不同特征参数差异

特征统计结果见表2，由表2可知，三种方法处理的图像相对差异系数有较大差异。倒伏和正常水稻的相对差异系数最小的为植被指数重分类法，只有7%，最大的为均值纹理特征法的为28%，光谱特征法居中为18%。相对差异是衡量特征间差异程度的指标，特征间相对差异越大表明该特征更适用于分类，即相对差异越大越容易根据该特征区分出该类地物，根据特征的相对变异系数适于区分正常、倒伏水稻间的相对差异值进行排序，选出差异值最大的特征。依据以上原则，对各特征参数的相对差异系数排序，得到均值纹理特征>光谱特征>NDVI分类，该排序结果表明，均值纹理特征处理图像能将倒伏水稻和正常水稻最大程度区分开来，光谱特征法居中，NDVI最差。

表2 特征参数的相对差异Table 2 Relative differences of characteristic parameters

此结果也表明均值纹理特征较其他特征处理图像更能区分水稻是否倒伏以及水稻倒伏前后的图像特征差异。故本研究认为均值纹理特征区分正常水稻和倒伏水稻的效果最好。

2.5 倒伏水稻提取结果与分析

在使用光谱特征，均值纹理特征进行倒伏提取时选择最大似然法分类；对植被指数特征选取适于分类的最优阈值。将得到的倒伏玉米提取结果进行统计可知，光谱特征分类图中倒伏水稻的像元个数为1 731 230，均值纹理分类图中倒伏水稻的像元个数为1 437 634，NDVI重分类图中的倒伏水稻像元个数为1 824 778，分类结果见图5。

图5 不同特征的水稻倒伏面积提取结果Fig.5 Results of rice lodging area extraction with different characteristics

从目视效果来看，以均值纹理特征分类法得到的图像中倒伏水稻空间聚集性高；以植被指数特征分类法得到的图像中倒伏水稻空间聚集性最低且出现了一定面积黑白混杂的“椒盐噪声”；而光谱特征分类介于均值纹理特征与植被指数特征之间，在体现均值纹理特征的同时，也引入了植被指数的“椒盐”特征。获取多光谱遥感数据时，水稻长势正旺，谷粒灌浆饱满且分布密集，已完全封垄。水稻植株发生倾斜、相互覆盖后通光和透光条件差，加之田间湿度大，引起下部叶片迅速枯黄腐烂，功能叶面积急剧下降，因此如遇风灾，水稻倒伏将表现连片发生的特征，在空间上会表现出一定的纹理特征。结合不同特征的水稻倒伏面积提取结果和水稻植株的倒伏特点以及不同图像的视觉效果，研究认为基于均值纹理特征的分类方法对于提取倒伏水稻的效果最好，精度最高；基于植被指数特征的分类方法提取倒伏水稻的效果最差，精度最低，会将一定面积的正常水稻也识别为倒伏水稻；而基于光谱特征的分类方法提取倒伏水稻的效果和精度介于均值纹理和光谱特征两者之间。

利用ArcGIS10.2对倒伏水稻进行目视解译，得到倒伏水稻的面积为6 941 m2。根据表3可知，在最大似然分类法下，基于均值纹理特征参数的水稻倒伏面积估算误差小于基于光谱特征参数的水稻倒伏面积误差估算，使用基于光谱特征参数的估算结果很大程度上高估了地块实测面积，而基于均值纹理特征参数估算的水稻倒伏面积最接近于目视解译的地块面积，该结果表明基于均值纹理参数估算水稻倒伏面积，可减少正常水稻和倒伏水稻间的差异而引起的误差，有更高的精度。

表3 不同特征下的分类误差Table 3 Classification error under different features

由提取结果可知，三种方法提取的面积结果都高于目视解译的面积。比较目视解译和不同特征的水稻倒伏面积提取结果的估算误差可知：基于均值纹理特征分类方法提取的结果与目视解译结果误差为6%，精度高达94%，可用于倒伏水稻的提取；基于植被指数和光谱特征分类的提取结果误差差距较小，分别为34%、28%，精度只有64%和72%，不适于倒伏水稻的提取。综上，研究认为基于均值纹理特征的分类方法提取倒伏水稻面积的方法最优。

根据倒伏水稻的图像特征分析和面积提取结果显示，小型无人机搭载彩色数码相机获取彩色图像可用于准确的作物倒伏调查。研究使用水稻生长中后期的遥感影像进行倒伏水稻面积估算，在水稻生长的中后期，水稻冠层与早期水稻的有很大差异，所以本论文的研究结果主要为水稻生长中后期的倒伏面积调查参考，而关于水稻生长早期的倒伏问题相关问题有待进一步研究。无人机遥感影像的波段数较少，在识别地物以及分类时会有一些局限，故直接通过目视解译区分水稻以及非水稻地物会有一些难以确定。