基于无人机多光谱影像特征融合的小麦倒伏监测

魏永康，杨天聪，臧少龙，贺利，段剑钊，谢迎新，王晨阳，冯伟

基于无人机多光谱影像特征融合的小麦倒伏监测

河南农业大学农学院，郑州 450000

【目的】小麦倒伏严重影响小麦光合及成熟进程，进而造成小麦减产及品质下降。为快速精确获取倒伏信息，评估无人机遥感监测小麦倒伏的能力，构建小麦倒伏监测模式，为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像，经过预处理飞行高度50 m的小麦冠层图像，得到分辨率为1.85（cm/像素）的数字正射影像图（DOM）和数字表面模型（DSM），从中提取光谱特征、高度特征和光谱纹理共3类特征信息；采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较，使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器；同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价，确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差，“椒盐现象”严重，在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合，小麦倒伏识别的分类准确率最高达91.48%。为减少特征集变量数量，采用3种特征优化方法，与筛选得到的全特征集、Lasso算法、RF-RFE算法相比，基于Boruta算法得到的优化特征子集分类精度更高，整体稳定性更好，从含有DSM的3种特征组合均值来看，总体分类精度和Kappa系数分别提高了0.17%和0.01（全特征集）、2.45%和0.05（Lasso）、2.87%和0.05（RF-RFE）。其中，光谱-纹理-DSM组合效果最好，总体分类精度达92.82%，Kappa系数达0.86。【结论】Boruta算法有效优化光谱-纹理-DSM组合的特征子集数量，让更少的特征参量参与分类，且获得较高的分类精度，确立了精确监测小麦倒伏的多特征组合-Boruta-RFC技术融合模式，为小麦灾情评估及补救措施制定提供参考。

冬小麦；无人机；多光谱；特征融合；倒伏

0 引言

【研究意义】小麦是中国最重要的粮食作物之一，黄淮麦区是小麦主产且优势产区，其种植面积及产量分别占全国的55%和64%。近年来，极端天气频繁发生，病虫害、小麦品种抗倒伏能力存在差异和农户栽培措施不当等原因，导致小麦在生产过程中常受到倒伏的威胁[1-3]。小麦倒伏常发生在生长中后期，严重影响水分和养分的运输，造成小麦减产和品质下降[4-5]。小麦发生倒伏后，不利于机械化收获，增加了收获难度和投入成本。因此，快速对小麦倒伏做出准确的评估，对农业保险部门和农业管理部门的灾情掌握、灾后补救及赔偿均具有重要意义[6-7]。【前人研究进展】传统的作物倒伏面积信息的获取是以人工实地调查和测量为基础，不仅费时而且低效[8-9]。相较于传统方法，新兴的遥感技术为作物倒伏信息获取提供了一个新的快捷途径。基于不同的遥感工作平台，可分为地面遥感、无人机遥感和卫星遥感，这在作物倒伏面积监测和等级划分中发挥着重要作用。卫星数据访问周期长，受天气影响大，空间和时间分辨率低，增加了监测倒伏的不确定性[10-11]。无人机能够获取更高的时间和空间分辨率图像，并且兼容性好，可以搭载多种传感器，监测成本较低[12-13]。黄艳伟等[14]利用含有近红外波段的无人机多光谱数据，对小麦倒伏区域地物进行分类精度评价，显示出良好的分类效果；Brovkina等[15]将无人机多光谱数据和相关植被指数用于多树种分类研究，表明光谱特征对分类区域地物识别具有较好适用性；张新乐等[16]通过提取无人机多光谱影像的纹理特征，对完熟期玉米倒伏面积进行提取，扩展了纹理特征在玉米倒伏监测中的应用价值。不同的图像信息表征了作物多视角形态结构差异，尤其在地物形态结构复杂的区域，单特征对分类精度的提升有限，需要其他类型特征的融合补充。Sun等[17]提取多光谱无人机影像的纹理特征和光谱特征，特征融合后分类精度较单特征显著提高。赵静等[18]将获取的地表高程信息（digital surface model，DSM）与可见光图像相融合，发现特征融合方法可以显著提高小麦倒伏面积的提取精度，表明冠层高度信息在地物识别中具有重要作用。以上研究表明多特征组合较单特征的分类精度高，分类效果好，但多特征组合存在数据维度过高的问题。王娜等[19]研究表明对多特征信息优化可以在一定程度上降低数据维度，提高分类器计算效率。周小成等[20]利用递归特征消除随机森林算法（random forest-recursive feature elimination，RF-RFE），对无人机可见光遥感多特征数据集进行特征优化选择，有效提高了林分类型的分类精度，扩展了无人机遥感在植被调查中的应用范围。【本研究切入点】在地物形态结构复杂的区域和对象，单特征图像信息具有局限性，而多特征图像融合能够增强地物形态结构间的差异，提升对不同地物的识别和分类能力。对于多特征融合遥感数据，特征优选可以进一步降低多特征数据维度，对提高数据运行速度和分类精度具有重要作用。当前，将多光谱反射率、植被指数、纹理特征和数字表面模型（DSM）等多特征信息融合在作物倒伏信息提取与分类方面显示出很好的应用潜力，但用于多特征集的特征优化方法还较为单一，且在不同研究中因作物、品种、地域及传感器参数不同而存在较大差异，因此有必要将遥感多特征间组合及其特征集优化方法进行整合利用，以增强作物倒伏区域分类的稳定性及可靠性。【拟解决的关键问题】本研究以无人机多光谱遥感影像为数据源，选择支持向量机（support vector machines，SVM）和随机森林（random forest，RF）作为分类器，提取图像的光谱特征、纹理特征和高度特征，比较特征组合在倒伏分类中差异；同时，利用套索算法（Lasso）、随机森林递归算法（RF-RFE）、Boruta算法3种方法优化图像特征集，比较并构建小麦倒伏分类模型，为快速监测小麦倒伏状况提供参考和技术支持。

1 材料与方法

1.1 研究区概述

本研究区位于河南省新乡市原阳县河南农业大学科教园区，地理位置为35°6′N，113°56′E，平均海拔高度约为76 m，位于华北平原中部，地形以平原为主，属于温带大陆性季风气候，四季分明，阳光充足，年平均气温约14.5℃，年平均降水量约550.4 mm，全年日照时长约2 407 h，土壤类型为潮土，试验地栽培管理措施同一般小麦高产田，采用一年两熟的种植制度，主要种植冬小麦和夏玉米。试验田的地理位置和种植分布情况如图1所示，试验田共种植42个河南省自20世纪50年代以来不同年代主推的小麦品种。

图1 研究区位置

1.2 数据获取与预处理

2021年5月上旬河南中北部出现强降雨和大风天气，导致原阳基地部分地块出现小麦倒伏现象。5月10日，选择倒伏区域较多的小麦品种区域试验，由无人机飞行获取实际倒伏小麦区域的多光谱影像。试验使用Matrice600PRO大疆六旋翼无人机，搭载Ronin系列云台和机载模块化多光谱传感器，该传感器包含蓝光波段（450 nm）、绿光波段（550 nm）、红光波段（685 nm）、红边波段（725 nm）、近红外波段（780 nm）共5个多光谱通道，相机分辨率为2 064×1 544。飞行拍摄当天，天气晴朗无云，飞行高度50 m，最大飞行速度3.5 m·s-1，拍照模式选择等距间隔拍照，航向重叠率75%，旁向重叠率70%，云台俯仰角度-90°，同时手持差分测量仪（Real-time Kinematic，RTK）对试验区域进行打点定位，获取10个精确地面控制点坐标。

将获取的航拍影像、地面控制点坐标输入到Pix4Dmapper软件，进行初始化处理，构建密集点云和纹理信息，生成数字表面模型（digital surface model，DSM）和数字正射模型（digital orthophoto map，DOM）。无人机多光谱影像分辨率为1.85（cm/像素），使用ENVI5.3对影像进行低通滤波处理，平滑图像，选取倒伏区域作为感兴趣区域，DOM和DSM如图1-b—c所示。

土壤背景的存在使得研究区域出现土壤像元和小麦像元混杂现象，导致感兴趣区并非只有小麦纯像元，因此，基于多光谱5波段影像，利用支持向量机对土壤背景和小麦植株进行分类，掩膜处理去除土壤像元，减少对分类精度的影响。通过目视解译和飞行当天现场拍照取证情况，在遥感影像目标区域内使用ENVI5.3感兴趣区域工具中划定感兴趣区域（region of interest，ROI），随机选择150个ROI定义训练样本，132个ROI定义验证样本组成样本数据集（图2）。在样本的选择原则上，保证样本数量充足，分布均匀不包含其他地物，减少误差。

图2 研究区域划分示意图

1.3 研究方法

为深度挖掘无人机多光谱影像在作物倒伏区域分类的应用潜力，首先提取和分析统计区域的光谱，纹理特征和高程信息，将3种特征集作为输入变量，分别结合支持向量机（support vector machines）和随机森林（random forest）分类器，对光谱特征集、纹理特征集、光谱和纹理特征集、光谱和DSM特征集、纹理和DSM特征集、光谱纹理和DSM特征集共6种特征组合进行分类比较。采用Boruta算法、RF-RFE算法和Lasso算法对筛选出的特征组合优选特征子集，选择适合的分类器对小麦倒伏区域进行分类研究。技术路线如图3所示。

1.3.1 分类特征

1.3.1.1 植被指数 植被指数是利用不同波段数据组合而成，可以定量描述植被的生长状况，进而突出图像中植被特征及类别。本文结合前人相关研究结果选择常见的8个多光谱植被指数用于小麦倒伏区域分类，如表1所示。

1.3.1.2 纹理特征 纹理特征反映图像中同质现象的视觉特征，体现物体表面具有缓慢变换或周期性变化的表面组织结构排列属性，通过像素和周围空间领域的灰度分布进行表现。灰度共生矩阵（gray level co-occurrence matrix，GLCM）是一种基于结构的方法，具有较强的适应性和鲁棒性。使用5个原始多光谱影像，提取纹理特征，得到8类纹理滤波包括均值（mean）、方差（variance）、协同性（homogeneity）、对比度（contrast）、相异性（dissimilarity）、信息熵（entropy）、二阶矩（second moment）和相关性（correlation），共计40项光谱学纹理特征。

图3 技术路线

表1 本研究中使用的植被指数

Rnir为近红外波段，Rred.edge为红边波段，Rred为红光波段，Rgreen为绿光波段

Rnir is the near infrared band, Rred. edge is the red edge band, Rred is the red light band, Rgreen is the green light band

1.3.1.3 高度特征 为了准确获取作物冠层结构特征，利用无人机获取的多光谱影像，通过优化对齐方式建立密集点云，添加控制点信息建立网格和纹理，生成数字表面模型（digital surface model，DSM）。由于该试验地所在区域地势平坦，仅利用数字表面模型即可反映作物高度特征变化，通过掩膜剔除土壤背景保留作物纯净像元，采用ENVI中感兴趣区（ROI）工具分类型统计作物高程信息，以表征地物间的垂直变异性，进一步用于地物分类研究。

1.3.2 分类方法和特征选择

1.3.2.1 分类方法 分类器是影响作物分类研究的重要因素，支持向量机（support vector machine，SVM）和随机森林分类器（random forest classification，RFC）在分类研究中应用最为广泛。支持向量机是一种有监督的学习方法，将向量高维映射，通过建立平行超平面，使超平面间距离最大化，减小分类器误差。随机森林（random forest，RF）通过集成学习的思想将多棵决策树集成，在每株决策树生长过程中，以基尼指数或信息增益为划分标准，确定分裂节点的最佳特征子集，直至节点停止分裂，最终使用所有的决策树投票决定最终的分类结果。

1.3.2.2 特征选择 并非所有特征变量都对作物倒伏区域分类起作用，而且数据维度过高，易造成“维度灾难”，因此有必要选择对结果影响较大的特征进行建模，剔除相关性较低或无相关的特征，提高建模效率和精度。Lasso[28]属于嵌入式特征筛选方法，该方法通过在目标优化函数后加上L1正则化项，添加惩罚项来控制模型复杂度，达到减轻过度拟合的目的，通过计算相关系数的大小，删除系数为0的输出结果。随机森林递归算法（RF-RFE）[20]使用随机森林作为基模型进行多次迭代训练，计算特征组合的分类精度，对各特征变量的重要性打分并排序，剔除得分最小特征，利用剩余特征集重复迭代，直至变量数为0，比较每个特征子集的分类精度，选择最优特征组合。Boruta算法[29]通过创建阴影特征，用新的特征矩阵作为输入，训练模型，计算每个特征变量的重要性；设置阴影特征重要性百分位数为阈值，累计各特征命中数，结合命中数和迭代次数作假设检验，保留关联性较好特征；重复上述步骤，直到所有变量被标记或达到迭代次数。

1.3.3 模型分类精度评价 为了检验模型在样本集中的分类精度，使用准确率（Accuracy）、精确率（Precision）、召回率（Recall）和调和平均数（F1）4种评价指标对特征优化后的分类结果进行精度评价。具体计算公式[30]如下：

Acc=(TP+TN)/(TP+TN+FP+FN) （1）

Pre=TP/(TP+FP) （2）

Re=TP/(TP+FN) （3）

F1=2PR/(P+R) （4）

式中，TN、FN、TP和FP分别为真反例、假反例、真正例和假正例。

1.3.4 验证区域分类精度评价 为验证不同特征分类结果的有效性，遥感分类的精度评价最常用的分类方法是建立混淆矩阵的方法，根据混淆矩阵报表计算2项评价指标，本研究以总体分类精度（overall accuracy，OA）和Kappa系数（Kappa coefficient）为验证区域主要的分类评价指标，具体公式[31]如下所示：

式中，代表验证样本的总数；代表混淆矩阵的总列数；x代表混淆矩阵的第行、第列的样点数，x、x分别表示混淆矩阵各行各列元素之和。

2 结果

2.1 倒伏小麦的图像特征分析

2.1.1 冠层高度特征分析 通过提取并比较试验区域内的裸地高程信息，发现地形平均高程为68.47 m，波动范围为±0.02 m，表明试验区域地面高程信息稳定，地势较平坦。从调查样地提取的DSM值为地物综合高程信息，包括地形高程和小麦冠层高度，进一步通过DSM和裸地平均高程的差值运算得到作物冠层高度模型，可以直观地反映作物冠层表面距离地面的垂直高度。图4展示的是倒伏小麦和正常小麦区域间的冠层高度差异，其中，倒伏区小麦冠层高度主要集中分布在39—53 cm，平均值为46 cm；而未倒伏小麦冠层高度主要集中分布在69—79 cm，平均值为74 cm，2种分类对象冠层高度间存在显著差异性，较好地表征了倒伏区域作物冠层的高度变化。基于此，可以认为地势平坦地区DSM能够作为一种直接信息源应用到倒伏分类模型中。

图4 小麦倒伏与未倒伏区域的地物高程范围比较

Table 4 Comparison of ground features elevation range between lodging and no-lodging areas of wheat

2.1.2 光谱特征分析 计算统计样本的光谱特征均值和标准差，如表2所示。与正常小麦相比，倒伏小麦的蓝光、绿光、红光、红边和红外波段反射率均表现明显上升，分别提高了68.79%、79.40%、30.76%、56.05%和8.35%，可见近红外波段对倒伏的光谱响应程度较小。由于倒伏后光谱反射率的变化量因波段位置而有所不同，导致倒伏小麦和正常小麦间植被指数存在差异，根据波段反射率计算的NDVI、RVI、GWDRVI和CIgreen和OSAVI均表现明显的降低趋势，较正常小麦分别降低7.23%、45.21%、39.20%、42.56%和4.7%，而DVI和NLI则呈增加趋势，分别提高了4.34%和99.23%，比较而言，NDVI、OSAVI和DVI对小麦倒伏变化的反应不明显。

表2 光谱特征统计分析

2.1.3 纹理特征分析 通过统计倒伏小麦的纹理特征，绘制倒伏区域的纹理密度曲线图，表征倒伏小麦的形态差异（图5）。倒伏与正常小麦在各项纹理特征之间具有明显差异，对于均值纹理而言，除近红外780 nm外，其他4个特征波段均表现较好，倒伏与正常小麦间的可分离效果明显；而对于相关性纹理而言，除蓝光450 nm外，其他4个特征波段对倒伏小麦的识别分离效果较差。从不同波段纹理特征对倒伏的反应看，450 nm的各项纹理指标均对倒伏和正常小麦间区分性表现较好，685 nm的纹理特征除均值纹理表现较好外，其余7个纹理特征均对倒伏反应不明显；对于780 nm来说，提取的8个纹理参数对倒伏的识别效果均不理想。

2.2 基于SVM和RF分类的特征组合筛选

为比较多光谱影像的不同特征组合在小麦倒伏区域分类的效果，利用随机森林和支持向量机分类器对遥感影像提取的光谱特征、纹理特征和DSM进行组合筛选，使用准确率（Acc）、精准率（pre）、召回率（Re）和F1值对不同分类模型进行精度评价（表3）。单一特征的光谱和纹理及其组合对小麦倒伏的分类结果较差，支持向量机的准确率为75.17%—75.84%、随机森林的准确率为75.70%—77.43%。在此基础上，融合DSM影像特征后，分类精度得到显著提升，支持向量机的分类准确率提升至78.52%—84.83%、随机森林的分类准确率提升至91.43%—91.48%。对于表现较好的分类器随机森林而言，光谱-DSM组合较单一光谱特征的分类准确率提高18.15%、F1值提高13.54%；纹理-DSM组合较单一纹理特征的分类准确率提高20.35%、F1值提高14.68%；光谱-纹理-DSM组合较光谱-纹理组合的分类准确率提高20.82%、F1值提高14.77%，这说明高度特征的融入能够更好地识别倒伏区域。

图5 纹理特征密度曲线图

基于支持向量机和随机森林分类器，比较不同特征组合的分类结果（图6）。从目视效果看，依据光谱特征和纹理特征的分类结果存在错分和漏分情况，同种地物光谱变异大，“椒盐现象”严重。在光谱或纹理特征基础上融入DSM信息后，倒伏区域分类效果得到明显改善（图6-d—f），“椒盐现象”减少。基于随机森林分类器条件下，3种特征组合的光谱-纹理-DSM可有效增强倒伏区域的分类效果（图6右-f），在目视效果上与真实地面影像及调查较为接近。

表3 分类精度统计

图6 基于支持向量机和随机森林分类下不同特征组合的分类结果对比

2.3 基于不同特征选择算法的特征子集筛选

特征选择作为一种常见的降维方法，有利于筛选出最优特征子集。不同的算法学习方式不同，选择的结果存在差异（图7）。图7-a—c表示Boruta算法特征筛选结果，根据计算各特征变量的Z-scores选择重要参数，其中，纹理-DSM组合中筛选得到14个重要变量，其特征子集参数包括780con、725var、550hom、550ent、550con、550sec、550dis、550var、780mea、685mea、550mea、450mea、725mea和DSM；光谱-DSM组合中筛选得到13个重要变量，其特征子集参数包括RVI、NDVI、 NLI、DVI、OSAVI、685、780、GREEN、CI、450、550、725和DSM；光谱-纹理-DSM组合中筛选得到16个重要变量，其特征子集参数包括NDVI、RVI、DVI、685、780mea、685mea、780、GREEN、CI、450、550、550mea、725、450mea、725mea和DSM。图7-d—f表示RF-RFE算法的筛选过程，选择分类精度最高的组合作为特征子集，纹理-DSM特征组合下变量数量为4个（DSM、450mea、550mea、725mea）时，分类精度最高（0.948）；光谱-DSM组合下变量数量为2个（DSM、550）时，分类精度最高（0.942）；光谱-纹理-DSM组合下变量数量为9个（DSM、450mea、550mea、685mea、725mea、780mea、725dis、550var、550dis）时，分类精度最高（0.941）。图7-g—i表示Lasso算法的特征选择结果，选择相关系数不为0的变量组成特征子集，纹理-DSM组合下筛选得到3个变量组成特征子集（725mea、450mea、DSM），光谱-DSM组合下筛选得到3个变量组成特征子集（725、CI、DSM），而光谱-纹理-DSM 组合下筛选得到7个变量组成特征子集（725、DVI、RENDVI、780hom、780cor、450mea、DSM）。

2.4 不同特征选择算法的分类结果评价

利用随机森林分类器对光谱-DSM、纹理-DSM和光谱-纹理-DSM组成的全特征集以及3种特征选择方法筛选后得到的特征子集进行倒伏分类，具体验证区域结果如表4所示。对于所有不同特征子集选择方法而言，光谱-纹理-DSM特征组合的平均分类精度较光谱-DSM、纹理-DSM均有所提高，平均Kappa系数为0.84，平均总体分类精度为91.76%。在12种不同特征数据集组成的分类方法中，利用Boruta算法对光谱-纹理-DSM特征子集进行优化，优化后的特征子集较全特征集的分类特征数量由54个减少到16个，总体分类精度和Kappa系数在所有特征子集选择方法中均最高，分别为92.82%和0.86。在3种特征子集优化方法中，通过Boruta算法优化的特征子集对小麦倒伏分类表现出显著优势，且整体稳定性高，较Lasso算法的平均总体精度和Kappa系数分别提高了2.45%和0.05，较RF-RFE算法分别提高了2.87%和0.05，较全特征集分别提高了0.17%和0.01。图8展示了基于光谱-纹理-DSM特征组合下3种特征子集优化方法对小麦倒伏分类的效果，Boruta算法的倒伏分类精度高，与地面调查结果一致，可作为小麦倒伏信息提取较为适宜的方法，有效提高了分类器运算速率和分类精度，扩展了无人机多光谱数据在小麦倒伏区域监测中的应用范围，满足倒伏发生后第一时间获取精确作物倒伏状况的需要。

表4 特征筛选方法结果的比较

图8 不同特征选择算法的分类结果

3 讨论

3.1 不同特征组合对倒伏分类的影响

在小麦灌浆期，倒伏前对冠层反射率起主要作用的是叶片和穗，而倒伏后对冠层反射率影响最大的则是茎秆。刘良云等[1]研究表明，茎秆在可见光波段的光谱反射率与叶片相当，而在近红外波段则高于叶片。在小麦正常生长的冠层内，叶片按照特定范围的叶倾角分布，小麦植株具有垂直特性，当太阳光照射时，视场内冠层主要为叶片和穗，而且上层叶片对中下层叶片及高低错落的植株结构存在一定程度的阴影遮挡，导致光谱反射率降低；小麦倒伏发生后，冠层结构相对平坦，茎叶比例增加，倒伏越严重，茎秆所占比例越大，小麦植株间隙就越小，倒伏植被光谱反射率变大。小麦倒伏具有连片发生的特点，倒伏导致冠层结构破坏，植株发生倾斜，相互覆盖，冠层影像在空间上具有明显的纹理特征变化，表现出典型的纹理差异性。从遥感影像中提取的植被指数可以反映作物的生理特性，定量解释作物的生长状况；纹理特征反映了光谱的空间变异性，可以很好地描述倒伏后冠层结构倒塌的现象[32-33]。本研究基于无人机多光谱影像获取的表征作物生长的多源遥感信息，比较分析光谱反射率、植被指数、纹理特征和DSM高度特征，表明不同的特征图像可以用来描述倒伏小麦和正常小麦之间的差异特性，探讨验证了不同特征集组合在倒伏分类中的应用潜力，实现了在倒伏分类过程中表征信息的互补。Molaei等[34]利用无人机可见光的纹理特征信息对小麦倒伏进行精确评估。王立志等[35]通过分析卫星遥感图像的光谱反射率和植被指数的变化，实现玉米倒伏区域的分类精度评估。这些研究表明从遥感图像中提取的光谱特征、纹理特征均能用于作物倒伏信息的提取与评估，但评估精度还有待提高，限制了生产指导的广泛应用。当倒伏发生后，植株倾斜，作物冠层高度发生显著变化，冠层高度也是倒伏识别的主要因子。前人基于无人机搭载相机所获取的DSM数据，证实冠层高度在倒伏监测中具有较好的可行性[18, 36]。Zhou等[37]利用无人机雷达数据提取小麦株高，进而对小麦倒伏分类作出评估。WILKE等[38]通过将无人机获取的冠层高度模型定量阈值分割，用于评估大麦的倒伏率及严重程度。由于冠层高度仅仅代表作物单一的空间特征，缺乏其他如颜色及光谱特征的补充，不能充分全面反映作物倒伏的特征变化，往往导致分类精度也不高。DER YANG等[39]将无人机可见光图像、数字表面模型和纹理特征进行多特征间融合协同，比较不同特征组合的分类效果，表明空间和光谱信息融合在水稻倒伏分类中具有很好的应用价值。Wang等[40]将可见光图像、纹理特征、冠层结构、数字表面模型进行多元特征协同，开发出一种融合监督和面向对象的倒伏玉米分类方法，为作物倒伏评价提供了技术支持。本研究结果表明，单光谱特征、纹理特征和DSM均会存在严重的“椒盐现象”以及边缘模糊分割，导致较多的错分像元，影响倒伏信息的精确提取。相较于单特征集而言，多特征间信息融合，可以有效增强典型地物间的特征差异，提高作物倒伏的分类精度。

3.2 不同特征筛选方法对倒伏分类的影响

对于多变量特征集，往往会存在大量的无关信息和冗余信息，提取大量的图像特征会占用更多的计算机性能和耗费大量的时间，而且不适合的特征集可能会造成数据过拟合和模型准确率不高[41]。为了确保特征变量间相互独立、区分性及便于理解，加快运算效率，特征变量的筛选非常重要。作物倒伏后，生理、颜色、纹理及高度等特征均发生明显变化，特征数据集全部参与分类评估不适宜构建简便、实用的倒伏评估方法，因此，比较并筛选最佳的分类特征组合及分类模型是倒伏评估研究的重要内容。当前用于作物倒伏特征选择的方法较多[21, 27, 29]，不同的特征选择方法其筛选特征的标准不尽相同，这导致生产应用选择的盲目性较大。郭鹏等[42]通过计算植被指数的变异系数以及倒伏和正常小麦间的相关差异系数，进而筛选出最优化植被指数参与倒伏分类。Tian等[21]和Wang等[40]利用方差分析对特征指标筛选，从而实现了玉米和水稻倒伏的分类识别。传统的特征变量间差异分析方法不能快速确定最优特征个数，不利于倒伏分类模型的构建以及大样本特征集数据的应用。王恺怡等[43]基于Lasso算法对光谱变量进行特征筛选，对油品进行很好的油质评价。赵静等[44]使用RFE算法对无人机多光谱图像提取的图像特征进行特征选择，玉米田间的杂草识别分类精度显著提高。熊皓丽等[45]在GEE云平台下利用RFE算法进行特征优化，对茶园分布进行很好的识别定位。Li等[29]利用Boruta算法对可见光图像进行特征筛选，甘蔗倒伏区域分类效果较好，总体分类精度达到94.0%。本研究基于Boruta算法构建的小麦倒伏分类模型在分类指标评估中优于其他筛选方法获得的特征子集，且具有相对稳定性，证明Boruta特征优化方法在构建小麦倒伏分类模型中具有更好的识别能力和泛化能力。

本研究利用无人机多光谱影像进行多特征融合，对小麦倒伏区域分类表现出较好效果，其中利用Boruta算法进行多特征参量的优化，筛选参数少且分类精度高，研究确立的多特征组合-Boruta-RFC模式对作物倒伏面积信息的提取具有很好的应用潜力。在小麦生产实践中，除倒伏面积外，不同倒伏等级对小麦后期籽粒灌浆及产量的影响也较大，但本研究未对小麦不同倒伏程度进行精确评估，以后应加强倒伏面积及程度的系统监测研究，以全面评价倒伏胁迫对小麦生长及产量的影响，为减灾补救措施制定及抗倒品种的筛选提供信息参考和技术指导。

4 结论

在小麦灌浆期利用低空无人机获取倒伏区域的多光谱影像，提取倒伏和未倒伏的小麦光谱特征、纹理特征和DSM信息。将3类特征参数作为输入因子，比较了随机森林和支持向量机对小麦倒伏区域的分类效果，其中随机森林法有效将3种特征信息源融合，很好地识别了小麦倒伏区域。为减少特征组合的数据集数量，利用Lasso算法、RF-RFE算法和Boruta算法对特征组合变量进行优化选择，其中Boruta方法有效降低了数据集维度，提高了小麦倒伏的分类精度。研究确立的多特征组合-Boruta-RFC技术融合模式对作物倒伏区域分类具有较高的应用价值，这为灾情评估及抗逆减灾措施制定提供了信息参考和技术支持。

[1] 刘良云, 王纪华, 宋晓宇, 李存军, 黄文江, 赵春江. 小麦倒伏的光谱特征及遥感监测. 遥感学报, 2005(3): 323-327.

LIU L Y, WANG J H, SONG X Y, LI C J, HUANG W J, ZHAO C J. The canopy spectral features and remote sensing of wheat lodging. National Remote Sensing Bulletin, 2005(3): 323-327. (in Chinese)

[2] 杨浩, 杨贵军, 顾晓鹤, 李增元, 陈尔学, 冯琦, 杨小冬. 小麦倒伏的雷达极化特征及其遥感监测. 农业工程学报, 2014, 30(7): 1-8.

YANG H, YANG G J, GU X H, LI Z Y, CHEG E X, FENG Q, YANG X D. Radar polarimetric response features and remote sensing monitoring of wheat lodging. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(7): 1-8. (in Chinese)

[3] 姚金保, 马鸿翔, 姚国才, 杨学明, 周淼平, 张平平, 张鹏. 小麦抗倒性研究进展. 植物遗传资源学报, 2013, 14(2): 208-213.

YAO J B, MA H X, YAO G C, YANG X M, ZHOU M P, ZHANG P P, ZHANG P. Research progress on lodging resistance in wheat(L.). Journal of Plant Genetic Resources, 2013, 14(2): 208-213. (in Chinese)

[4] 王丹, 丁位华, 冯素伟, 胡铁柱, 李淦, 李笑慧, 杨艳艳, 茹振钢. 不同小麦品种茎秆特性及其与抗倒性的关系. 应用生态学报, 2016, 27(5): 1496-1502.

WANG D, DING W H, FENG S W, HU T Z, LI G, LI X H, YANG Y Y, RU Z G. Stem characteristics of different wheat varieties and its relationship with lodging-resistance. Chinese Journal of Applied Ecology, 2016, 27(5): 1496-1502. (in Chinese)

[5] 董荷荷, 骆永丽, 李文倩, 王元元, 张秋霞, 陈金, 金敏, 李勇, 王振林. 不同春季追氮模式对小麦茎秆抗倒性能及木质素积累的影响. 中国农业科学, 2020, 53(21): 4399-4414.

DONG H H, LUO Y L, LI W Q, WANG Y Y, ZHANG Q X, CHEN J, JIN M, LI Y, WANG Z L. Effects of different spring nitrogen topdressing modes on lodging resistance and lignin accumulation of winter wheat. Scientia Agricultura Sinica, 2020, 53(21): 4399-4414. (in Chinese)

[6] 陆洲, 徐飞飞, 罗明, 梁爽, 赵晨, 冯险峰. 倒伏水稻特征分析及其多光谱遥感提取方法研究. 中国生态农业学报(中英文), 2021, 29(4): 751-761.

LU Z, XU F F, LUO M, LIANG S, ZHAO C, FENG X F. Characteristic analysis of lodging rice and study of the multi- spectral remote sensing extraction method. Chinese Journal of Eco-Agriculture, 2021, 29(4): 751-761. (in Chinese)

[7] 陈仲新, 任建强, 唐华俊, 史云, 冷佩, 刘佳, 王利民, 吴文斌, 姚艳敏, 哈斯图亚. 农业遥感研究应用进展与展望. 遥感学报, 2016, 20(5): 748-767.

CHEN Z X, REN J Q, TANG H J, SHI Y, LENG P, LIU J, WANG L M, WU W B, YAO Y M, HA S T Y. Progress and perspectives on agricultural remote sensing research and applications in China. National Remote Sensing Bulletin, 2016, 20(5): 748-767. (in Chinese)

[8] CHU T X, STAREK M, BREWER M, MURRAY S, PRUTER L. Assessing lodging severity over an experimental maize (l.) field using uas images. Remote Sensing, 2017, 9(9): 923.

[9] HONKAVAARA E, SAARI H, KAIVOSOJA J, PÖLÖNEN I, HAKALA T, LITKEY P, MÄKYNEN J, PESONEN L. Processing and assessment of spectrometric, stereoscopic imagery collected using a lightweight UAV spectral camera for precision agriculture. Remote Sensing, 2013, 5(10): 5006-5039.

[10] JAY S, MAUPAS F, BENDOULA R, GORRETTA N. Retrieving LAI, chlorophyll and nitrogen contents in sugar beet crops from multi- angular optical remote sensing: Comparison of vegetation indices and PROSAIL inversion for field phenotyping. Field Crops Research, 2017, 210: 33-46.

[11] CHAUHAN S, DARVISHZADEH R, LU Y, BOSCHETTI M, NELSON A. Understanding wheat lodging using multi-temporal Sentinel-1 and Sentinel-2 data. Remote Sensing of Environment, 2020, 243: 111804.

[12] 胡健波, 张健. 无人机遥感在生态学中的应用进展. 生态学报, 2018, 38(1): 20-30.

HU J B, ZHANG J. Unmanned aerial vehicle remote sensing in ecology: Advances and prospects. Acta Ecologica Sinica, 2018, 38(1): 20-30. (in Chinese)

[13] SALAMÍ E, BARRADO C, PASTOR E. UAV flight experiments applied to the remote sensing of vegetated areas. Remote Sensing, 2014, 6(11): 11051-11081.

[14] 黄艳伟, 朱红雷, 郭宁戈, 殷姝溦, 彭星玥, 王雨蝶. 基于无人机多光谱影像的冬小麦倒伏提取适宜空间分辨率研究. 麦类作物学报, 2021, 41(2): 254-261.

HUANG Y W, ZHU H L, GUO N G, YIN S W, PENG X Y, WANG Y D. Study on the suitable resolution of winter wheat lodging extraction based on UAV multispectral image. Journal of Triticeae Crops, 2021, 41(2): 254-261. (in Chinese)

[15] BROVKINA O, CIENCIALA E, SUROVÝ P, JANATA P. Unmanned aerial vehicles (UAV) for assessment of qualitative classification of Norway spruce in temperate forest stands. Geo-spatial Information Science, 2018, 21(1): 12-20.

[16] 张新乐, 官海翔, 刘焕军, 孟祥添, 杨昊轩, 叶强, 于微, 张汉松. 基于无人机多光谱影像的完熟期玉米倒伏面积提取. 农业工程学报, 2019, 35(19): 98-106.

ZHANG X L, GUAN H X, LIU H J, MENG X T, YANG H X, YE Q, YU W, ZHANG H S. Extraction of maize lodging area in mature period based on UAV multispectral image. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(19): 98-106. (in Chinese)

[17] SUN Q, SUN L, SHU M Y, GU X H, YANG G J, ZHOU L F. Monitoring maize lodging grades via unmanned aerial vehicle multispectral image. Plant Phenomics, 2019, 2019: 5704154.

[18] 赵静, 潘方江, 兰玉彬, 鲁力群, 曹佃龙, 杨东建, 温昱婷. 无人机可见光遥感和特征融合的小麦倒伏面积提取. 农业工程学报, 2021, 37(3): 73-80.

ZHAO J, PAN F J, LAN Y B, LU L Q, CAO D L, YANG D J, WEN Y T. Wheat lodging area extraction using UAV visible light remote sensing and feature fusion. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(3): 73-80. (in Chinese)

[19] 王娜, 李强子, 杜鑫, 张源, 赵龙才, 王红岩. 单变量特征选择的苏北地区主要农作物遥感识别. 遥感学报, 2017, 21(4): 519-530.

WANG N, LI Q Z, DU X, ZHANG Y, ZHAO L C, WANG H Y. Identification of main crops based on the univariate feature selection in Subei. National Remote Sensing Bulletin, 2017, 21(4): 519-530. (in Chinese)

[20] 周小成, 郑磊, 黄洪宇. 基于多特征优选的无人机可见光遥感林分类型分类. 林业科学, 2021, 57(6): 24-36.

ZHOU X C, ZHENG L, HUANG H Y. Classification of forest stand based on multi-feature optimization of UAV visible light remote sensing. Scientia Silvae Sinicae, 2021, 57(6): 24-36. (in Chinese)

[21] TIAN M L, BAN S T, YUAN T, JI Y B, MA C, LI L Y. Assessing rice lodging using UAV visible and multispectral image. International Journal of Remote Sensing, 2021, 42(23): 8840-8857.

[22] HAN L, YANG G J, FENG H K, ZHOU C Q, YANG H, Xu B, LI Z H, YANG X D. Quantitative identification of maize lodging-causing feature factors using unmanned aerial vehicle images and a nomogram computation. Remote Sensing, 2018, 10(10): 1528.

[23] HUNT E R Jr, DAUGHTRY C S T, EITEL J U H, LONG D S. Remote sensing leaf chlorophyll content using a visible band index. Agronomy Journal, 2011, 103(4): 1090-1099.

[24] AHAMED T, TIAN L, ZHANG Y, TING K C. A review of remote sensing methods for biomass feedstock production. Biomass & Bioenergy, 2011, 35(7): 2455-2469.

[25] GITELSON A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation. Journal of Plant Physiology, 2004, 161(2): 165-173.

[26] GOEL N S, QIN W H. Influences of canopy architecture on relationships between various vegetation indices and LAI and Fpar: A computer simulation. Remote Sensing Reviews, 1994, 10(4): 309-347.

[27] GUAN H X, LIU H J, MENG X T, LUO C, BAO Y L, MA Y Y, YU Z Y, ZHANG X L. A quantitative monitoring method for determining maize lodging in different growth stages. Remote Sens, 2020, 12(19): 3149.

[28] 李红, 张凯, 陈超, 张志洋, 刘振鹏. 基于高光谱成像技术的生菜冠层含水率检测. 农业机械学报, 2021, 52(2): 211-217, 274.

Li H, ZHANG K, CHEN C, ZHANG Z Y, LIU Z P. Detection of moisture content in lettuce canopy based on hyperspectral imaging technique. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(2): 211-217, 274. (in Chinese)

[29] LI X H, LI X Z, LIU W, WEI B H, XU X L. A UAV-based framework for crop lodging assessment. European Journal of Agronomy, 2021, 123: 126201.

[30] 慕涛阳, 赵伟, 胡晓宇, 李丹. 基于改进的DeepLabV3+模型结合无人机遥感的水稻倒伏识别方法. 中国农业大学学报, 2022, 27(2): 143-154.

MU T Y, ZHAO W, HU X Y, LI D. Rice lodging recognition method based on UAV remote sensing combined with the improved DeepLabV3+ model. Journal of China Agricultural University, 2022, 27(2): 143-154. (in Chinese)

[31] 支俊俊, 董娅, 鲁李灿, 施金辉, 骆文慧, 周悦, 耿涛, 夏敬霞, 贾蔡. 基于无人机RGB影像的玉米种植信息高精度提取方法. 农业工程学报, 2021, 37(18): 48-54.

ZHI J J, DONG Y, LU L C, SHI J H, LUO W H, ZHOU Y, GENG T, XIA J X, JIA C. High-precision extraction method for maize planting information based on UAV RGB images. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(18): 48-54. (in Chinese)

[32] SHAH A N, TANVEER M, REHMAN A U, AHMAD ANJUM S, IQBAL J, AHMAD R. Lodging stress in cereal-effects and management: an overview. Environmental Science and Pollution Research, 2017, 24(6): 5222-5237.

[33] 戴建国, 张国顺, 郭鹏, 曾窕俊, 崔美娜, 薛金利. 基于无人机遥感多光谱影像的棉花倒伏信息提取. 农业工程学报, 2019, 35(2): 63-70.

DAI J G, ZHANG G S, GUO P, ZENG T J, CUI M N, XUE J L. Information extraction of cotton lodging based on multi-spectral image from UAV remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(2): 63-70. (in Chinese)

[34] MOLAEI B, CHANDEL A, PETERS R T, KHOT L R, QUIROS VARGAS J. Investigating lodging in spearmint with overhead sprinklers compared to drag hoses using entropy values from low altitude RGB-imagery. Information Processing in Agriculture, 2022, 9(2): 335-341.

[35] 王立志, 顾晓鹤, 胡圣武, 杨贵军, 王磊, 范友波, 王艳杰. 基于多时相HJ-1B CCD影像的玉米倒伏灾情遥感监测. 中国农业科学, 2016, 49(21): 4120-4129.

WANG L Z, GU X H, HU S W, YANG G J, WANG L, FAN Y B, WANG Y J. Remote sensing monitoring of maize lodging disaster with multi-temporal HJ-1B CCD Image. Scientia Agricultura Sinica, 2016, 49(21): 4120-4129. (in Chinese)

[36] 廖鸿燕, 周小成, 黄洪宇. 基于无人机遥感技术的台风灾害倒伏绿化树木检测. 遥感技术与应用, 2021, 36(3): 533-543.

LIAO H Y, ZHOU X C, HUANG H Y. Detection of lodging landscape trees in typhoon disaster based on unmanned aerial vehicle remote sensing. Remote Sensing Technology and Application, 2021, 36(3): 533-543. (in Chinese)

[37] ZHOU L F, GU X H, CHENG S, YANG G J, SHU M Y, SUN Q. Analysis of plant height changes of lodged maize using UAV-LiDAR data. Agriculture, 2020, 10(5): 146.

[38] WILKE N, SIEGMANN B, KLINGBEIL L, BURKART A, KRASKA T, MULLER O, VAN DOORN A, HEINEMANN S, RASCHER U. Quantifying lodging percentage and lodging severity using a UAV-based canopy height model combined with an objective threshold approach. Remote Sensing, 2019, 11(5): 515.

[39] DER YANG M, HUANG K S, KUO Y H, TSAI H P, LIN L M. Spatial and spectral hybrid image classification for rice lodging assessment through UAV imagery. Remote Sensing, 2017, 9(6): 583.

[40] WANG Z, NIE C, WANG H,AO Y, JIN X. Detection and analysis of degree of maize lodging using UAV-RGB image multi-feature factors and various classification methods. ISPRS International Journal of Geo-Information, 2021, 10(5): 309.

[41] ISABELLE G, ANDRÉ E. An introduction to variable and feature selection. Journal of Machine Learning Research, 2003, 3(3): 1157-1182.

[42] 郭鹏, 武法东, 戴建国, 王海江, 徐丽萍, 张国顺. 基于无人机可见光影像的农田作物分类方法比较. 农业工程学报, 2017, 33(13): 112-119.

GUO P, WU F D, DAI J G, WANG H J, XU L P, ZHANG G S. Comparison of farmland crop classification methods based on visible light images of unmanned aerial vehicles. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(13): 112-119. (in Chinese)

[43] 王恺怡, 杨盛, 郭彩云, 卞希慧. 基于LASSO算法的光谱变量选择方法研究. 分析测试学报, 2022, 41(3): 398-402, 408.

WANG K Y, YANG S, GUO C Y, BIAN X H. Spectral variable selection methods based on lasso algorithm. Journal of Instrumental Analysis, 2022, 41(3): 398-402, 408. (in Chinese)

[44] 赵静, 李志铭, 鲁力群, 贾鹏, 杨焕波, 兰玉彬. 基于无人机多光谱遥感图像的玉米田间杂草识别. 中国农业科学, 2020, 53(8): 1545-1555.

ZHAO J, LI Z M, LU L Q, JIA P, YANG H B, LAN Y B. Weed identification in maize field based on multi-spectral remote sensing of unmanned aerial vehicle. Scientia Agricultura Sinica, 2020, 53(8): 1545-1555. (in Chinese)

[45] 熊皓丽, 周小成, 汪小钦, 崔雅君. 基于GEE云平台的福建省10 m分辨率茶园专题空间分布制图. 地球信息科学学报, 2021, 23(7): 1325-1337.

XIONG H L, ZHOU X C, WANG X Q, CUI Y J. Mapping the spatial distribution of tea plantations with 10 m resolution in fujian province using google earth engine. Journal of Geo-information Science, 2021, 23(7): 1325-1337. (in Chinese)

Monitoring wheat lodging based on UAV multi-spectral image feature fusion

College of Agronomy, Henan Agricultural University, Zhengzhou 450000

【Objective】The wheat lodging seriously affected the process of photosynthesis and maturity, which led to the reduction of yield and quality. In order to obtain lodging information quickly and accurately, UAV ability of remotely monitoring wheat lodging was evaluated, and a wheat lodging monitoring model was built, so as to provide a technical support for disaster assessment, insurance claims and post-disaster remediation.【Method】Five original multispectral band images, including red, green, blue, red-edge and near-infrared, were acquired by near-ground UAV. The wheat canopy image with flying height of 50 m was preprocessed to obtain digital orthophoto map (DOM) and digital surface model (DSM) with a resolution of 1.85 (cm/pixel), three types of feature information were extracted, namely spectral features, height features, and texture features. Support Vector Machine (SVM) and Random Forest (RF) were used to compare the lodging classification of six different feature set combinations, and accuracy (Acc), precision (Pre), recall (Re) and harmonic mean (F1) were used to determine the best feature combination and classifier. At the same time, three different feature set screening methods (Lasso algorithm, random forest recursive algorithm RF-RFE and Boruta algorithm) were used to comprehensively evaluate the optimized feature subset, and to establish an appropriate evaluation method for lodging classification.【Result】The results showed that the single feature spectrum and texture as well as their combinations had poor classification and evaluation results for wheat lodging, and the “salt and pepper phenomenon” was serious. On this basis, the classification accuracy of DSM information fusion was significantly improved. The random forest classifier was used to combine spectral features, texture features and height features, and the classification accuracy of wheat lodging identification reached 91.48%. In order to reduce the number of feature set variables, three feature optimization methods were adopted. Compared with the full feature set, Lasso algorithm and the RF-RFE algorithm, the optimized feature subset based on the Boruta algorithm had higher classification accuracy and better overall stability. From the perspective of the mean value of the three feature combinations containing DSM, the overall classification accuracy and Kappa coefficient were improved by 0.17% and 0.01 (full feature set), 2.45% and 0.05 (Lasso), 2.87% and 0.05 (RF-RFE), respectively. Among them, spectrum-texture-DSM was the best, with the overall classification accuracy of 92.82% and Kappa coefficient of 0.86.【Conclusion】The study showed that the Boruta algorithm could effectively optimize the number of feature subsets of the spectrum-texture-DSM combination, allow fewer feature parameters to participate in the classification, and obtain higher classification accuracy. Meanwhile, a multi-feature combination-Boruta-RFC technology model was established for accurately monitoring wheat lodging, which provided a reference for wheat disaster assessment and the formulation of remediation measures.

winter wheat; UAV; multispectral; feature fusion; lodging

2022-08-11；

2022-12-06

河南省科技研发计划联合基金（优势学科培育类）（222301420104）

魏永康，E-mail：wei3239125498@163.com。通信作者段剑钊，E-mail：djz20008@163.com。通信作者冯伟，E-mail：fengwei78@126.com

10.3864/j.issn.0578-1752.2023.09.005

（责任编辑 杨鑫浩，李莉）