基于SVM與RF的無人機高光譜農作物精細分類

陽昌霞， 劉漢湖， 張 春

（1.成都理工大學地球科學學院，成都 610059；2.成都理工大學國土資源部地學空間信息技術重點實驗室，成都 610059）

快速有效的農作物識別與分類是農業遙感應用基礎，它為農作物種植面積估算、農作物病蟲害監測以及預防、農作物長勢監測以及農作物產量估算等提供了有力依據［1］. 早期對植被進行精細分類主要采用人工地面調查，這種方法需耗費大量的財力物力［2］. 如今，隨著遙感技術的發展，使用遙感技術進行農作物分類已經成為研究熱點之一. 傳統的遙感監測方法主要采用星載或機載多光譜影像. 陳杰等［3］使用QUICKBIRD影像對農作物和樹種進行分類和識別；彭光雄等［4］利用TM等多時相遙感影像對農作物進行識別. 但是由于普通的多光譜影像分辨率較低、波段數目少，往往導致分類農作物的分類結果精度有限，某些小面積種植產物無法識別等問題，而高分辨率的多光譜影像獲取成本較高.

高光譜遙感技術是近年來迅速發展起來的一種對地觀測的技術，其影像具有“圖譜合一”、波段數目多、信息量大等顯著優勢［5-8］. 由于不同作物間光譜信息存在一定差異，這種差異提高了作物間的可分性，當前已有許多學者利用高光譜影像對農作物進行精細分類，并取得了一定成果. 余銘等［9］結合AVIRIS數據提出了一種基于條件隨機場的高光譜遙感農作物精細分類方法，對研究區內農作物進行精細分類，劉亮等利用高光譜遙感數據采用分層分類的分類方法對農作物信息進行提取和挖掘［10］. 虞佳維等利用高光譜數據對黃淮海地區的三種農林植被進行分類取得了較高的分類精度［2］. 但是高光譜數據在維數增加、信息量增大的同時也帶來了Hughes現象、信息冗余量大等問題，且普通星載或者大型機載高光譜影像存在空間分辨率低、數據獲取成本較高等問題，因此如何更充分有效地利用高光譜數據對農作物進行精細分類是當前研究亟待解決的問題.

近年來，輕小型成像光譜儀的研制迅速將無人機高光譜的研究推向熱潮，無人機遙感具有分辨率高、操作簡單、影像獲取成本低等優勢［11-12］，且無人機高光譜遙感相對于普通高光譜遙感具有更高的空間分辨率.目前已有諸多學者運用無人機高光譜影像對農作物信息進行提取，蘭玉彬等利用無人機高光譜遙感對研究區內的柑橘黃龍病進行監測，為柑橘黃龍病的防治與管理提供有力依據［13］；梁輝等使用無人機高光譜影像對水稻的光合性能成功進行監測［14］. 陶惠林等采用無人機高光譜影像與植物長勢指標相結合對冬小麥長勢進行監測［15］；程雪等［16］、田明璐等［17］使用無人機高光譜遙感對農作物的葉面積信息進行提取；楊紅艷利用無人機高光譜遙感對荒漠草原上的物種進行分類，研究結果為內蒙古地區荒漠草原的物種覆蓋度估算、退化演替判斷、牧場管理提供一定的數據支撐，為荒漠草原的生態恢復提供研究基礎［18］，Ishida利用無人機高光譜數據對植被進行精細分類，分類結果精度高達94.5%［19］. 利用無人機高光譜數據對農作物信息進行提取為農作物估產、農情監測等提供了有力依據.

無人機高光譜遙感兼備了高空間分辨率以及高光譜分辨率的優點，能夠精細地捕捉地物的光譜信息，國內外許多學者利用無人機高光譜數據對農林植被信息進行提取大大提高了結果精度、降低了研究成本、彌補了傳統方法費時費力的不足，但是現有的研究多基于對某類農作物進行定性定量化研究；或對于單個分類模型，如支持向量機分類法（Support Vector Machine，SVM）或者隨機森林（Random Forest，RF）分類法的研究，對于兩類模型對比研究較少. 因此，為響應國家農業精細化的號召，實現對農作物更加精確的管理和監測，本文以高分辨率的無人機高光譜作為研究數據，采用當前分類結果精度較高的兩類分類方法支持向量機分類法（SVM）［5］以及隨機森林（RF）分類算法［20-21］；通過對高分辨率的無人機高光譜影像進行特征提取，對研究區影像中農作物進行提取，為研究區內農作物精細管理提供有力支撐.

1 材料和方法

1.1 研究區概況

研究區位于四川省江油市馬角壩境內漆樹灣地區. 馬角壩地區位于四川省江油市境內，地理坐標為東經105°04′，北緯32°05′. 馬角壩地區西南距江油市62 km，距成都市214 km，馬角壩地理位置圖如圖1所示. 穿過馬角壩境內的鐵路線有寶成鐵路，成都—光源高速以及108 國道也穿過馬角壩研究區境內，除此之外馬角壩地區還有其他公路若干，由此可見馬角壩地區交通較為發達. 影像獲取時研究區主要種植農作物有玉米、大豆、芋頭、水稻等.

圖1 研究區地理位置與無人機多光譜影像拼接圖Fig.1 Location of the study area and stitching chart of UAV spectral images

1.2 數據采集與預處理

1）無人機多光譜數據：無人機多光譜數據是由大疆精靈4Pro無人機搭載1英寸2000萬像素Exmor RCMOS傳感器獲取的，總共獲取馬角壩漆樹灣地區影像740幅. 對無人機多光譜數據的預處理主要包括研究區影像的拼接以及研究區正射影像的生成；研究區無人機影像的拼接使用軟件為Photoscan. 無人機多光譜數據分辨率高，能從影像上識別各類地物，主要用于輔助分類以及分類精度檢驗.

2）無人機高光譜影像數據：無人機高光譜影像數據是由大疆M600Pro型無人機搭載芬蘭生產的SENOP RIKOLA 型成像光譜儀獲取，SENOP RIKOLA 型成像光譜儀的工作波長范圍為500～900 nm，光譜分辨率為10 nm，當飛行高度為100 m時地面分辨率為6.5 cm，最大光譜影像分辨率為1010×1010像素，本次實驗獲取數據共有56個波段，波長范圍從藍光波段到近紅外波段（504～889 nm）. 數據獲取于2018年8月28日上午，獲取時研究區內天氣晴朗無云，并對傳感器進行暗電流校正以及白板校正，無人機飛行高度為120 m，飛行設定航速為5 m/s，影像處理軟件為光譜儀自帶軟件以及提前設定的標準板進行輻射定標處理. 選取研究區內植被種類豐富的且植被生長狀況不同的兩幅無人機高光譜影像a和無人機影像b作為研究對象，對研究區內不同生長時期、不同農作物進行研究分析；其在研究區內位置及無人機多光譜影像拼接影像如圖1所示.

1.3 訓練樣本提取

通過實地調查并參考無人機多光譜影像，結合影像進行目視解譯，確定兩幅影像中包含水稻、大豆、玉米、芋頭、雜草、裸地、水泥道路等地物. 影像訓練樣本選取采用2×2像素大小ROI在影像中均勻選取，選擇ROI時在玉米、大豆等有種植間距較大的影像上采用真彩色影像與假彩色影像以及近紅外波段單波段混合選取，在影像波段合成無法判別時輔助以無人機多光譜影像，在訓練樣區選擇完畢后. 將選擇的訓練樣區按3∶2的比例隨機分為兩部分，將60%的ROI作為訓練樣本，另外40%樣本用作分類精度檢驗的驗證樣區；并對每幅影像統計輸出訓練樣區平均光譜曲線，作為研究區影像各地物的端元波譜曲線.

1.4 影像特征變換

1.4.1 數據降維 高光譜一個顯著的特點在于高光譜影像數據維數高，與普通多光譜相比數據量大，信息豐富，但是在高光譜維數增高的同時也帶來了數據信息冗余，數據處理效率低，數據的存儲困難等問題. 因此為了提高分類效率以及分類精度，通常需要對高光譜影像數據進行降維處理，從而達到降低高光譜數據維數，又最大量地保留了高光譜影像的信息. 本文主要采用了最小噪聲分離變換（Minimum Noise Fraction，MNF）對研究區無人機高光譜影像進行降維處理. 最小噪聲分離變換（MNF）實際上由兩次主成分變換構成［5］，MNF變換將把數據空間分為兩部分：一部分為大的特征值和相干特征影像；另一部分為近似值為1的特征值和噪音占主導地位的影像［22］.

1.4.2 一階微分變換 光譜導數法是高光譜特征提取的一種方法，該方法是指對反射光譜進行數學模擬，對光譜求取一階導數（first-order derivative，FD）. 光譜導數可以體現原光譜中識別不了的細微變換，也能提取出不同的特征參數，如吸收峰位置、植被紅邊位置等. 本文主要采用一階微分變換對影像光譜進行處理.

1.5 農作物精細分類

1.5.1 分類方法 本研究使用經典的機器學習分類方法支持向量機（Support Vector Machine，SVM）分類法以及近年來比較流行的基于決策樹分類器集成的分類法隨機森林（Random Forest，RF）分類法，分別建立對研究區主要農作物的識別模型，對各個分類結果進行精度評價，并對兩種分類方法進行比較分析.

其中SVM是一種以統計學習理論為基礎的機器學習方法. SVM可以自動尋找對分類有較大區分能力的最優分離超平面，并構造出類器，可以將同類間間隔最小化，不同類的間隔最大化. 相對于傳統的分類方法來說，支持向量機分類法分類結果精度更高，泛化能力強等優點，除此之外SVM 分類方法能有效地緩解Hughes現象，對于小樣本且高維數據的分類比較適用［23-24］.

隨機森林算法是一種分類預測模型，是近年來比較流行的基于決策樹分類器集成的算法，該算法是一種對參數選擇不敏感，不存在過適應，分類結果穩定，學習訓練速度較快的分類器集成算法，在解決多類問題上具有許多獨特的優勢［20-21］. 對于任意一個集合X采用有B棵樹的隨機森林進行分類，那么

1.5.2 分類模型建立 本研究主要以研究區兩幅無人機高光譜影像為研究對象，在對研究區高光譜影像進行降維處理，一階導數變化等基礎上，采用支持向量機、隨機森林兩類分類方法分別對初始高光譜影像，降維后高光譜影像以及一階導數光譜影像，對圖像進行一階導數變換后再對變換后影像進行MNF降維變換得到的影像進行研究區內主要農作物類型進行精細分類.

1.5.3 分類精度評價 本研究采用Kappa系數、總體精度（Overall Accuracy）、用戶精度（User’s Accuracy）以及生產者精度（Producer’s Accuracy）等4個評價指標對高光譜影像分類結果進行了分類結果評價. Kappa系數的計算是基于混淆矩陣，常用于評價分類精度；四個評價指標常常用于分類結果精度的評價.

2 結果與分析

2.1 無人機高光譜影像數據分析

2.1.1 農作物光譜分析 無人機高光譜數據包含56 個波段，根據選取的訓練樣本可以得出主要農作物的波譜曲線如圖2（a）所示. 在藍光、綠光以及紅光波段，四種主要農作物的反射率相似度較高，而在近紅外波段農作物反射率陡增，其中大豆在近紅外波段的反射率高于其他農作物以及雜草，芋頭、水稻、雜草三種植被光譜相似度較高，玉米在近紅外波段反射率最低. 主要原因是影像獲取時研究區內大豆植株生長旺盛，水稻正處于灌漿期，而研究區內玉米處于趨于成熟期，其中一部分玉米已經收割，玉米植株在近紅外波段的反射率沒有其他幾類植株高. 對研究區影像以及所獲得的波譜曲線圖分別求一階微分，可以得到研究區一階微分影像以及一階微分波譜曲線，所得主要農作物一階波譜曲線圖如圖2（b）所示，可見一階微分光譜在藍光、綠光、紅光波段相對于原始光譜有一定區分度，但是在近紅外波段，除大豆外其他植株一階導數光譜曲線較為相似.

圖2 主要植株波譜曲線圖Fig.2 Main plants spectrum curve

2.1.2 數據降維結果分析 利用MNF降維變換對無人機高光譜影像數據進行降維處理，分別對初始高光譜影像和經過一階導數變換后高光譜影像進行MNF降維變換. 變換后初始高光譜影像以及一階高光譜影像前10個分量所包含信息量如表1所示，其中對原始影像進行降維變換后前十個分量所包含數據量約為91%左右，一階導數變換后前十個分量包含數據為73%左右. 由表1可見，MNF降維變換對于一階導數影像的降維效果與初始影像相比較差.

表1 MNF降維后前十個分量信息量Tab.1 First ten components of information after MNF

2.2 農作物提取分析

2.2.1 SVM分類結果分析 本文在前期數據處理的基礎上分別對初始無人機高光譜影像、MNF降維變換后影像（MNF）、一階導數變換影像（FD）以及一階導數變換后再做降維變換影像（FD-MNF）采用支持向量機分類（SVM）方法對幾種影像數據進行分類處理，以實現對研究區主要農作物的精細分類. 為了降低其他參數對分類結果的影像，再對每類影像分類時采用的支持向量機模型的參數都一致，選取徑向基核函數（RBF）作為核函數. 分類結果如圖3所示，每類分類結果精度如表2所示. SVM對研究區各主要農作物的分類精度高達81%以上，對無人機高光譜影像進行降維處理以后分類精度提高2%左右. 對初始影像做降維處理后選擇前十個主成分再進行主要農作物的識別，一定程度上提高影像分類精度，而且大大降低了數據量，提高運算速度. 由此可見，對無人機高光譜影像進行數據降維處理不失為一種可行的方法. 而進行一階導數變換后影像分類精度降低了1%～5%不等，分析原因為雖然一階導數變換提高了某些農作物可分性，突出了一部分農作物的光譜信息，但多數農作物間光譜相似性提高，降低了大多數農作物間的可分性.

圖3 各分類模型分類結果圖Fig.3 Classification results for each classification model

2.2.2 RF 分類結果分析 隨機森林算法屬于機器學習的一大分支——集成學習法（Ensemble Learning），它是由多棵決策樹構成，在本次研究中，為了方便本次研究進行，經過多次實驗并查閱文獻，將本次研究隨機森林樹中決策樹的數目選取為500棵［26］，特征的數量為特征數的平方根，每個節點的不純度通過GINI系數求解. 采用RF 分類方法對研究區數據處理后四幅影像主要農作物進行精細分類，分類結果如圖5 所示，分類精度評價如表2 所示. 由表可見兩幅初始影像采用RF 分類方法分類精度均為88%以上，并且對影像進行降維處理后分類結果精度差提高，然而一階導數影像同樣出現了結果精度下降的現象，下降幅度在2%～4%不等.

2.2.3 對比分析與討論 根據表3所示，兩幅影像的分類結果中，隨機森林分類方法的分類精度比支持向量機分類精度高1%～5%，所有影像中一階導數影像采用各種分類方法分類精度最低；且兩類影像在做降維換后選取前十個影像分類后影像分類結果精度提高，分類效率提高. 每類地物類型采用不同分類模型分類所得的生產者精度以及用戶精度如表3所示，針對原始的全波段影像分類結果進行分析，對比所有運用SVM與

RF分類模型所得分類結果的農作物生產者精度和用戶精度，可以發現RF分類方法兩者精度相對于SVM有較明顯改善，尤其是對大豆、水稻等農作物的監測效果更優.

表3 各地物采用不同分類方法用戶精度及生產者精度表Tab.3 User accuracy and producer accuracy with different classification methods

如圖3所示，對于無人機高光譜影像b，使用SVM分類出現了將玉米誤分為水稻的現象，采用RF后，這種現象得到很好的解決，且較好地將玉米和水稻進行區分. 對于無人機高光譜影像a，采用SVM方法分類時長勢較差的大豆同樣存在誤分為水稻的現象，采用隨機RF后，大豆的生產者精度以及用戶精度都得到一定的提升. 由此可見，采用RF分類方法能有效對漆樹灣地區的農作物提取和精細分類.

在研究區內所有地物類型分類結果中玉米植株的分類效果最差，無論是隨機森林分類算法還是支持向量機分類算法所得結果精度都比較低，相比于其他地物類型的分類結果，玉米植株的分類往往出現更多錯分漏分現象. 分析原因可能是由于研究區內玉米植株分布在不同地塊，玉米植株的生長狀況不同，無人機影像a內左上角地塊玉米植株生長旺盛，右下角玉米植株即將停止生長正處于即將枯萎時期；處于不同生長期的玉米植株波譜曲線具有一定差異，出現同物異譜現象，處于生長旺盛時期的玉米植株波譜曲線和水稻大豆波譜曲線更為相似，于是導致幾種農作物錯分現象；除此之外，陰影的存在對研究區內玉米植株的分類有較大影響.

在研究區內，大豆正處于生長旺盛期，大豆植株在近紅外波段處具有最高反射率，且生長狀況均勻，有利于影像的精細分類. 在分類結果中發現在采用支持向量機分類時往往會出現在大豆植株間隙中有少量水稻現象. 通過對比初始影像以及無人機多光譜影像可知，在大豆種植間隙中往往出現一定混合像元且植株間隙邊緣大豆長勢較差，于是造成分類結果的不準確.

此外，研究區內有較大面積的水稻植株，研究區時水稻植株正屬于灌漿-乳熟期，是水稻產量形成的重要時期，研究區內水稻生長狀況較為均勻，水稻植株間的波譜信息較為相似，水稻識別分類效果較好. 影像b內的芋頭植株的識別情況較為正常穩定，本研究對漆樹灣地區的芋頭進行了有效提取.

采用無人機高光譜影像對研究區主要農作物進行精細分類，且分類結果精度較高，實現了對研究區內主要農作物進行提取，為后續研究區內農作物產量估計、農作物生長狀況監測、農作物病蟲害監測等提供了有力的依據和途徑.

3 結論與討論

本文基于無人機高光譜遙感對研究區主要農作物類型進行提取和監測，利用無人機高光譜影像采集主要農作物的信息并建立判別模型對研究區無人機高光譜影像種主要農作物類型進行提取和分類. 通過本文的研究實驗分析，對研究區主要地物類型獲取光譜曲線，并對研究區內無人機高光譜影像進行MNF降維變換、FD變換等特征變換；并在此基礎上分別采用SVM以及RF分類算法對數據處理過后影像進行分類，對研究區內主要農作物進行監測和提取，研究表明：

1）對初始影像以及一階導數（FD）影像分別進行最小噪聲降維變換（MNF）后，前十個分量所包含的信息量分別在91%以及73%左右. 求取研究區內主要農作物一階導數光譜曲線，發現一階導數光譜曲線突出了大豆植株的光譜信息，但未提高其他農作物間的可分性.

2）采用SVM與RF對研究區高光譜影像中農作物進行精細分類，研究表明兩個分類方法都取得較高的監測精度，其中RF分類方法對無人機高光譜影像具有更優的分類效果，且在對主要農作物，如大豆玉米等植株的識別具有更高的監測精度.

3）選取降維變換后的初始與一階導數影像的前十個主成分分別利用SVM與RF進行分類，降維變換后影像分類結果精度比用全波段影像分類結果精度高1%～5%. 影像分類精度有所提高，并且可以有效地提高判別模型的分類速度，大大減少了數據量.

無人機高光譜對農作物大的分類應用研究具有巨大潛力，是未來研究發展的方向.