無人機航攝與自動化識別在農作物災害評估中的應用

來平軍 張傳帥 陳佳 田俊輝 馬亞飛

（1.自然資源部第一地形測量隊，陜西 西安 710054；2.自然資源部第一地理信息制圖院，陜西 西安 710054）

1 引言

自然災害對農業生產的影響十分強大，可導致農作物產量下降，品質降低。每年我國都會因為氣象災害的發生而出現嚴重減產和絕產現象。我國是一個農業大國，農民占全國人口的70%，農產品是很多農民唯一的經濟來源，一場嚴重的自然災害，奪去的可能是他們一年的收入。為降低自然災害對農民造成的損失，災害發生后第一時間評估農作物受災程度，為政府相關部門提供數據支撐就顯得非常重要。過去由于受到科技發展的限制，傳統做法是通過災后的人工實地走訪調查來進行農作物災害評估，該方法由于工作量大、周期長、評估精度差等，往往不能滿足要求，因此急需探索出一套高效、高精度的評估方法。

近年來，無人機技術憑借高精度、低成本、操作簡單等優勢，被廣泛應用到越來越多的場景中，利用無人機航測技術進行農作物災害評估也成為一種新方法。本文結合某一應急項目，采用抽樣法，從小麥倒伏區域選取樣本，利用無人機快速獲取樣本區影像，分別采用自動分類和目視解譯兩種方法獲取樣本區倒伏小麥面積，通過對兩種解譯結果進行對比分析，證實自動分類方法的可行性和可靠性，從而得出一套高效的災后評估小麥倒伏受災面積的技術流程，為政府部門的有關工作提供強有力的數據支撐。

2 天狼星無人機航攝系統介紹

拓普康天狼星無人機由美國拓普康定位系統公司（簡稱TPS）聯合德國瑪芬奇MAVinci共同研發并生產，結合瑪芬奇在無人機飛行平臺專業的研發團隊，憑借多年在全球無人機飛控系統設計方面的領先技術優勢，率先推出全球第一臺內置RTK實時測量的無人機航空攝影平臺，顛覆了傳統航測大量布設地面控制點的作業流程，在無人機航空攝影測量領域引起廣泛關注[1]。

2.1 系統組成

（1）飛行平臺：包括自動駕駛模塊、影像傳感器和RTK測量模塊。

（2）飛行控制系統：由自駕儀、GPS/IMU慣性導航系統和GPS接收機等組成，可實現無人機飛行參數的傳輸，使無人機按照預定航線平穩飛行。

（3）地面監控系統：包括地面監控軟件和無線遙控器等。地面監控軟件為MAVinci軟件，也是飛控軟件，可實時監控無人機在空中的飛行參數，確保飛行任務順利完成。

（4）內業數據處理軟件：有地面站軟件MAVinci Desktop和影像后處理軟件PhotoScan。MAVinci Desktop進行了深度整合，可將所有外業數據一鍵導入PhotoScan，并進行智能后處理，整個流程無需任何人工交互編輯操作，最終生成高精度的DOM、DEM、點云等成果。

2.2 系統優勢

與傳統航測設備相比，天狼星無人機航測系統具有以下優勢：

（1）內置100HZ RTK接收模塊，無需布設地面像控點便可獲取高精度的測量成果；（2）智能化的地面站航線規劃軟件，內置了多種航線設計方式，如多邊形航線設計、帶狀航線設計、井字形航線設計、沿地形起伏航線設計 ；（3）一鍵式的數據后處理軟件；（4）飛機采用航空泡沫材料，電動力驅動，重量輕，同時內置了多種應急返航機制，使外業數據獲取工作更加安全。

3 項目案例

3.1 項目概況

測區位于某地以糧食生產為主要農作物的縣域，在小麥灌漿期出現一次大風強降雨天氣，導致小麥大面積倒伏，經濟損失嚴重。災害發生后，為第一時間評估災害造成的人民生命財產損失，科學指導災后救助工作，減少農民損失，政府有關部門經多方探討，最終決定采用無人機航測評估小麥倒伏造成的經濟損失。

3.2 技術路線

小麥倒伏評估技術路線如圖1所示。

圖1 小麥倒伏評估方案

3.3 樣本取樣

樣本取樣就是從調查對象的總體中抽取一定大小、形狀和數量的樣本，以最小的人力和財力、最短的時間，達到最大程度代表這個總體的目標。常用的調查取樣方法有分級取樣、分段取樣、典型取樣和隨機取樣。

典型取樣又稱主觀取樣，指在總體主觀選定一些能代表全群的作為樣本。當熟悉全群分布規律時，采用該方法可節省人力和時間，但調查中要盡量避免誤差。因此為了保證樣本具有代表性，項目采用典型取樣方式選取樣本，在受災較重區域選擇1平方公里作為樣本區域，航拍區域如圖2所示。

圖2 航拍區域

3.4 航線設計

采用MAVinci Desktop軟件設計航線，該軟件是三維環境，以BING的在線地圖為工作底圖，用戶輸入測區指定分辨率、拐點坐標及設計飛行重疊度等參數，系統便可自動生成航測路線（如圖3所示）。同時也可加載數字高程模型，根據地形起伏自動調整航高，確保地面采樣距離、重疊率相同，并匹配出高精度照片。

圖3 航拍設計

本次航拍地面分辨率為3cm（航高138m），航向重疊80%，旁向重疊60%，航向覆蓋超出邊界線不少于一條基線，旁向覆蓋超出攝區邊界線不少于掃描寬度的30%。外業飛行兩個架次完成樣本數據采集。

3.5 影像數據獲取

利用拓普康天狼星無人機航測系統獲取測區地面分辨率為3cm的影像。在飛行中，一架次用時34min，飛行距離31km，共飛行兩個架次，拍攝照片2400張，100%覆蓋整個測區。

3.6 數據后處理

天狼星無人機航測系統采用一鍵式數據處理方式，減少了人工干預[2]，具體流程如下：

（1）首先通過相機檢校參數對無人機采集的原始影像進行畸變糾正，消除影像的畸變差；

（2）利用POS數據提供的6個外方位元素對像片進行對齊處理，通過空中三角測量對影像進行相對定向、絕對定向和光束法區域網平差，實現影像匹配；

（3）在空中三角測量完成后，通過影像密集匹配，利用空間前方交會原理獲取每一個像素點的空間坐標，生成密集的三維點云數據；

（4）根據影像密集匹配生成的三維點云來生成格網和紋理，通過建立規則格網生成數字表面模型DSM和數字正射影像圖DOM。

整個數據后處理過程需2小時。DOM成果如圖4所示。

圖4 DOM成果

3.7 影像解譯

影像解譯是本項目的一個重要環節，為探索出高效的解決方案，影像解譯采用人工判讀和自動分類兩種方法同時進行，最終從投入人力、耗費時間、解譯面積和成果質量四個方面進行對比分析，得出結論。

3.7.1人工判讀

為快速得到受災區域面積，根據對受災區域的初步判斷，投入兩個經驗豐富的作業員對影像進行人工目視解譯，采用ArcGIS10.1軟件采集受災區域圖斑進行統計。人工采集用時6小時，完成了1平方公里的受災區域圖斑采集，共采集圖斑1506個，如圖5所示。

圖5 人工判讀成果

3.7.2自動分類

自動分類采用eCognition 8.7軟件進行，該軟件是由德國Definiens Imaging公司開發的智能化影像分析軟件，是目前所有商用遙感軟件中第一個基于目標信息的遙感信息提取軟件，采用決策專家系統支持的模糊分類算法，突破傳統商業遙感軟件單純基于光譜信息進行影像分類的局限性，提出了革命性的分類技術——面向對象的分類方法，提高了高空間分辨率數據的自動識別精度，可滿足科研和工程應用需求。

在eCognition 8.7軟件developer模塊下制定地物解譯規則[3]，通過多次試驗，分割尺度參數設置為100，形狀因子設置為0.2，緊致度因子設置0.8為最優分割參數。分割參數獲取耗時1h，分割耗時0.5h。分類精度的好壞取決于分割結果的好壞，由于分割結果較好，本次分類主要采用亮度和NDVI兩個特征參數進行提取。首先采用亮度參數提取出倒伏小麥，在此結果上根據NDVI再將冗余的倒伏小麥剔除，最終分類得出與實際最接近的倒伏小麥圖斑。此工作耗時0.2h。

在自動分類過程中，由于影像獲取時光線的差異，相鄰架次影像紋理會稍有差異，在自動分類時會出現少量錯誤分類，屬于正常現象。最后將分類結果導入ArcGIS軟件，人工進行同屬性合并處理和錯誤分類剔除，最終得出真實的小麥倒伏面積。此工作耗時0.3h。自動分類成果如圖6所示。

圖6 自動分類成果

3.7.3影像解譯功效對比

對采用人工判讀和自動分類兩種方法開展的影像解譯功效進行對比，結果如表1所示。

表1 影像解譯功效對比

4 結論

本文利用無人機航測方式進行小麥倒伏災害評估，根據無人機獲取的高精度影像的紋理特征判定是否受災，此方法在實際應用中獲得了非常好的效果，驗證了其可行性。為了進一步優化方案，提高效率，本文用人工判讀和自動分類兩種方法進行對比分析，通過實際論證得出，在滿足成果質量的前提下，自動分類結合少量人工干預的方法效率比純人工判讀提高了3倍左右。因此，通過探索得出了一種高效的方法用于小麥倒伏災害評估，可為以后類似工作提供參考。