新農(nóng)科背景下的遙感數(shù)字影像處理課程設計

郭偉張 慧董萍

（河南農(nóng)業(yè)大學信息與管理科學學院，河南 鄭州 450002）

0 引言

遙感作為3S技術遙感技術、地理信息系統(tǒng)、全球定位系統(tǒng)的（統(tǒng)稱）的一員，是快速獲取大面積范圍內(nèi)地物信息的最有效技術手段，在農(nóng)業(yè)、林業(yè)、地質(zhì)、水文、城市與區(qū)域開發(fā)、海洋、氣象、測繪等科學和國民經(jīng)濟的重大發(fā)展中，發(fā)揮著越來越大的作用[1，2]。近年來，隨著現(xiàn)代科技的不斷發(fā)展，遙感技術已從科學走向生活，并在潛移默化地影響乃至改變?nèi)藗兊纳罘绞健?/p>

遙感數(shù)字影像處理課程是地理信息科學、地球系統(tǒng)科學、資源與環(huán)境科學等學科的專業(yè)核心課程。而在農(nóng)業(yè)高等院校中，為了更好地建設“新農(nóng)科”，這門課程也會作為農(nóng)業(yè)工程與信息技術專業(yè)碩士的專業(yè)核心課程。筆者根據(jù)自己多年從事農(nóng)業(yè)定量遙感的科研經(jīng)歷，在講授這門課程時，打破傳統(tǒng)遙感課程的結構，將課程內(nèi)容分為遙感數(shù)字影像預處理方法、影像增強和融合方法、遙感的農(nóng)業(yè)應用三部分，夯實基礎知識的同時，以農(nóng)業(yè)應用為出發(fā)點，挖掘遙感的無限價值，體會遙感之美。課程亮點一是以農(nóng)作物種植面積提取和農(nóng)作物長勢監(jiān)測為突破口，將所學的遙感影像預處理、增強和融合方法應用于農(nóng)業(yè)中；課程亮點二是在遙感數(shù)字影像處理及應用的基礎上，將衛(wèi)星、無人機影像處理方法及農(nóng)業(yè)應用落實于理論講解之上。

1 教學目的與內(nèi)容設計

通過對本課程的學習，使學生能夠在理解遙感數(shù)字影像特征的基礎上，掌握遙感影像的預處理、增強、融合和分類方法，并能夠借助計算機和遙感技術進行農(nóng)作物種植面積提取和長勢監(jiān)測，對作物病蟲害識別、作物表型參數(shù)、生理生化指標進行監(jiān)測，并對作物產(chǎn)量進行預測，從而培養(yǎng)學生利用計算機、遙感技術解決農(nóng)業(yè)問題的能力。

遙感影像預處理主要分為四個部分：（1）給學生介紹遙感的基本概念、遙感數(shù)據(jù)獲取的基本過程和遙感技術發(fā)展歷史及趨勢，讓學生對遙感的基礎知識有個初步的了解；（2）介紹常見的遙感平臺和傳感器系統(tǒng)，包括不同遙感平臺及搭載傳感器的簡介，如常用衛(wèi)星影像、無人機、航天飛機遙感平臺簡介和多光譜、高光譜、熱紅外和可見光等傳感器簡介；（3）衛(wèi)星遙感影像發(fā)生輻射誤差和幾何誤差的原因，以及如何進行輻射校正和幾何校正；（4）介紹當下使用最為廣泛的一種遙感平臺無人機的影像獲取、輻射定標和拼接方法。

第二部分主要講解遙感圖像的增強與融合。遙感影像增強是為了特定應用目的，使得圖像更容易解譯的過程。尤其是在遙感圖像的應用過程中，圖像增強可以使原始遙感像片中所需信息的突出，更有利于解譯，增強的方式主要分為空間域增強和頻率域增強。遙感影像融合的目的是通過對多個不同傳感器的影像數(shù)據(jù)進行智能化合成，得到比單一傳感器數(shù)據(jù)更精確、更可靠的描述和判斷。將不同光譜分辨率和空間分辨率的影像進行融合后的圖像可以具有更優(yōu)質(zhì)的空間和光譜信息，可提高分類識別精度；將微波與光學兩種不同物理性質(zhì)的影像進行融合可以增強其特征，使得原來不可見或不明顯的物體得以凸顯；將多時相影像進行融合可用于目標物的變化監(jiān)測。

前兩部分都可以說是對遙感影像進行處理的基礎和手段。在做好影像的預處理以及優(yōu)化增強的前提下，針對農(nóng)業(yè)高等院校和農(nóng)業(yè)工程與信息技術專業(yè)碩士的特點，以教師的科研項目為依托，以農(nóng)業(yè)遙感中的不同問題為導向，學習遙感影像處理與分析的方法，提高學生的實踐與創(chuàng)新能力。如在農(nóng)作物種植面積提取和農(nóng)作物分類中，可以教授學生利用監(jiān)督分類、面向?qū)ο蠓址ā⑸疃葘W習等方法實現(xiàn)地塊識別、作物種植面積提取、作物分類、作物穗粒識別；在農(nóng)作物長勢監(jiān)測中了解長勢監(jiān)測指標、植被指數(shù)構建原理、農(nóng)作物冠層參數(shù)反演原理；在農(nóng)作物病蟲害監(jiān)測中，了解與掌握病蟲害光譜特征、光譜識別，以及如何結合實地調(diào)查數(shù)據(jù)構建遙感監(jiān)測模型；在農(nóng)作物生理生化參數(shù)估測學習部分，讓學生了解作物的葉面積指數(shù)、葉綠素含量、株高的遙感估測以及作物產(chǎn)量遙感預測的常見方法。

2 課程案例舉例

2.1 基于衛(wèi)星影像的農(nóng)業(yè)應用案例

該案例是基于衛(wèi)星影像對花生種植面積進行提取，以歐空局Sentinel-2B衛(wèi)星影像與國產(chǎn)影像GF-6 WFV為數(shù)據(jù)源，采用常見的非監(jiān)督分類法和監(jiān)督分類中的K鄰近法和最大似然法，以許昌市榆林鄉(xiāng)為研究區(qū)域，對花生種植面積進行提取并對比。這兩種影像都有紅邊波段，對于提高花生種植面積提取精度有幫助。通過實踐該案例，學生復習了課程前一部分學習的衛(wèi)星影像的下載、輻射定標、幾何校正與拼接，接下來利用不同的分類方法提取花生的種植面積使學生深入理解遙感影像非監(jiān)督分類、監(jiān)督分類的幾種主要方法以及分類后處理和分類精度的評價與提高。

2.2 衛(wèi)星影像與地面高光譜數(shù)據(jù)相結合的案例

該案例是基于衛(wèi)星影像對棉花蚜蟲病害進行監(jiān)測，數(shù)據(jù)源為Sentinel-2B影像、地面高光譜數(shù)據(jù)和野外病害調(diào)查數(shù)據(jù)，首先對Sentinel-2B數(shù)據(jù)進行預處理，利用野外調(diào)查數(shù)據(jù)對影像進行監(jiān)督分類，提取棉花種植空間分布，接下來分別采用光譜角的方法和Logistic建模方法對研究區(qū)棉花蚜害進行遙感監(jiān)測。在光譜角分類中，利用波段運算的方法提取20種光譜特征因子進行蚜害靈敏度分析、相關性分析，最終選出4種光譜特征因子作為基準光譜向量，利用光譜角分類法構建蚜害監(jiān)測模型。在Logistic建模法中，利用Relief算法與泊松相關系數(shù)法對包含棉花植株表征數(shù)據(jù)在內(nèi)的24種初選特征因子進行特征降維并去除冗余度高的特征因子，最終保留6種特征因子作為優(yōu)選屬性，并通過在衛(wèi)星數(shù)據(jù)上直接獲取或間接反演得到優(yōu)選屬性值，以此利用Logistic建模法構建蚜害監(jiān)測模型。并對比兩種建模方法的優(yōu)劣性。在這個案例中學生不僅再次復習鞏固了衛(wèi)星影像的下載、輻射定標、幾何校正與拼接，還學習了地面高光譜數(shù)據(jù)的處理與特征分析、衛(wèi)星影像的波段運算、數(shù)據(jù)融合和特征提取，最后還學習了如何構建數(shù)據(jù)信息模型。

2.3 基于無人機數(shù)據(jù)的案例

在該課程的講述中，除了利用衛(wèi)星影像解決農(nóng)業(yè)實際生產(chǎn)中遇到的各類問題，還給出了若干利用無人機助力農(nóng)業(yè)生產(chǎn)的案例，如基于早期無人機數(shù)碼影像和作物模型的冬小麥產(chǎn)量預測、基于無人機數(shù)碼影像的作物理化參數(shù)監(jiān)測——冬小麥株高、生物量和LAI，基于無人機多光譜影像的作物理化參數(shù)監(jiān)測——大豆覆蓋度和葉綠素等若干項目案例。在這些案例的實際操作和學習中，學生學習了無人機搭載的不同傳感器平臺的影像從獲取到拼接再到預處理的整個流程，并學習了如何利用無人機影像進行農(nóng)作物的識別、作物表型參數(shù)的反演、作物病蟲害的識別，并將無人機遙感平臺和其他遙感平臺的優(yōu)劣做比較，獲得了非常好的教學效果。

3 結語

為了推動智慧農(nóng)業(yè)、數(shù)字農(nóng)業(yè)的大力發(fā)展和長足進步。2018年6月2日，第一顆以精準農(nóng)業(yè)觀測為目的的高分六號衛(wèi)星由長征二號丁運載火箭護送且成功發(fā)射。高分六號衛(wèi)星與高分一號衛(wèi)星組網(wǎng)運行后，將使遙感數(shù)據(jù)獲取的時間分辨率從4天縮短到2天，可以有效地為農(nóng)業(yè)資源監(jiān)測、林業(yè)資源調(diào)查、防災減災救災等重大需求提供遙感數(shù)據(jù)支撐。因此，在當今農(nóng)業(yè)工程與信息技術專業(yè)碩士培養(yǎng)的教學改革中，將項目實戰(zhàn)案例融入教學和實踐教學課程體系是培養(yǎng)現(xiàn)代化農(nóng)業(yè)人才的當務之急。