基于無人機遙感影像的農作物分類研究

李萬強，麻萬金

（三和數碼測繪地理信息技術有限公司，甘肅 天水 741000）

無人機遙感具備分辨率高、操作簡單、獲取數據快及成本低等特點，可以針對某一區域快速采集影像，獲取更精確的作物分布信息，對作物監測技術的發展和應用具有重大意義，故成為衛星遙感和航空遙感的重要補充。準確、及時地進行農作物分類能夠在國家農業產業結構調整和糧食政策制定等方面發揮重要作用，能夠為國家糧食安全提供有效保障。過去，農業數據大多通過單一的人工操作來獲取。經過相關人員的不斷探索，發現無人機遙感能夠在中小尺度地塊發揮更大的作用，能夠實現農作物種植信息的精準獲取，不僅能在很大程度上為農業生產者提供幫助，還能有效促進相關技術的創新。基于此，筆者將深入探究無人機遙感影像的農作物分類問題。

1 研究區概況

1.1 研究區基本情況

研究區地勢復雜多樣，走勢呈交叉狀，即西南部和東部低，東南部、北部、西北部高。研究區為國家級農業示范研究基地，屬中溫帶大陸性季風氣候。年降水量約523 mm，年平均氣溫約4.2℃，一年中四季變化十分明顯，夏季涼爽，春、秋過渡時間較短，冬季降雪量較大。基地占地面積約8.1 km2，內部多處地形存在高度差異，有較多的農作物種植在測區內。測區面積符合中小尺度地塊的要求，并且滿足區分農作物的要求，符合開展本次研究的條件。

1.2 數據獲取與準備

1.2.1 獲取和處理遙感數據

本次研究使用固定翼無人機操作系統采集遙感數據。該系統不但能夠實現自主飛行，而且能夠滿足傳感器的搭載需求，如搭載多光譜相機、可見光相機等，能夠長時間監測大面積的地面[1]。無人機的主要材料為EPO復合材料，能夠通過安裝電池實現長時間飛行，能夠在搭載傳感器的情況下起飛，并且能夠達到約66 km/h的飛行速度，最長可持續3 h的飛行，最短也可達到1.5 h。

本次研究的測區試驗數據采集將分別在2020年8月和2021年6月進行，借助索尼A7R微單相機完成圖像采集，最終獲得RGB圖像。在進行無人機航拍時，航向、旁向上均擁有80%的重疊率，能夠使RGB正射影像的生成要求得到滿足[2-3]。無人機完成航片獲取后，需有效拼接各航片才能完成整個大區域影像的獲取，經過對比分析，本研究在影像拼接方面選擇Smart 3D軟件。首先，利用Smart 3D中的POS數據準確地核對幾何圖形和地理信息，然后利用掌握的信息建立立體模型并賦予各個地塊適當的紋理，最后獲取整個測區的圖像。

1.2.2 采集和處理地面數據

在調查研究區域地面時，需要先觀察了解實驗區內農作物的實際情況，獲取農作物實際分布信息。在DOM底圖上對照實際情況劃分農作物邊界，從而明確田塊之間的邊界。

利用肉眼觀察，能夠完成真實農作物信息的獲取。將DOM作為底圖，再通過人工繪制合理劃分田塊的矢量邊界，將其與調查結果相結合，可知水稻主要分布在基地的正東和東南方向，田塊密集且面積較小，種植地區地勢較低。研究基地中部地勢較低、樹木較多，東北方向和東部的農作物主要為大豆、玉米，而南部地區的農作物多為蔬菜和大豆。

2 基于無人機遙感影像的農作物分類

2.1 選擇分類樣本

在研究區內劃分訓練區域和測試區域，并劃分12類地物，分別為道路、建筑、裸地、草地、亞麻、樹木、馬鈴薯、大豆、小麥、玉米、水稻以及池塘。與樣方內地物面積相結合完成樣點數的確定，即地物面積越大就擁有越多的樣點數。訓練樣本和測試樣本的實際情況如表1所示，其中，訓練樣本共計3 600個，測試樣本共計1 550個。

表1 訓練樣本及測試樣本

2.2 選取農作物分類特征

2.2.1 提取農作物可見光植被指數

針對遙感影像使用計算機圖像處理技術進行運算，明確提取遙感信息的特征變量。在農作物遙感分類的過程中，應該以農作物的光譜特征作為劃分依據。無人機遙感平臺能夠使多種傳感器的搭載要求得到滿足，如激光、多光譜、可見光雷達等，其中無人機可見光影像的灰度信息只包括藍、綠、紅3種顏色[4]。為深入探討無人機遙感可見光影像開展農作物分類的科學性和合理性，首先要完成可見光波段光譜分類特征的提取，在實際執行時使用波段運算的方式計算B、G、R波段像元值，從而明確可見光植被指數，根據分類特征劃分農作物種類。其本質就是與各種農作物的植被指數相結合，使研究對象與其他地物在光譜信息方面的差異更明顯，從而對地物分布情況形成清晰、準確的認識。

現階段，在近紅外波段和可見光波段已經擁有約100種植被指數，如EVI、RVI、DVI以及NDVI等，而在B、G、R波段擁有的植被指數較少。在計算不同植被指數影像中的類間差異系數時，公式為：，其中M1為第一類均值，M2為第二類均值。

水稻與其他農作物的對比情況如表2所示。研究結果顯示，根據可見光植被指數差異系數，將玉米和其他農作物對比，發現亞麻和玉米在NGRDI中的差異系數最大，經計算最終結果為-1.73；在NGBDI中水稻與玉米差異系數最大，為2.8；在NGRDI、NGBDI、RGRI、VDVI以及ExG中，草地、樹木、馬鈴薯和玉米的差異系數都較小，最小值為0.01，玉米與其他作物在NGRDI中差異系數整體較大。

表2 水稻與其他農作物對比

研究結果顯示，根據可見光植被指數差異系數，將大豆和其他農作物進行對比，亞麻和大豆在NGRDI中的差異系數最大，為-3.72；在NGBDI中水稻和大豆的差異系數最大，為6.49；在RGRI和VDVI中，大豆與其他農作物之間的差異系數較小，甚至存在可以忽略不計的差異系數；而大豆與其他作物在NGRDI中的差異系數都相對較大。

由此可知，在植被指數NGRDI中，亞麻與水稻、大豆、玉米之間存在較為明顯的差異，而草地、樹木與水稻、大豆、玉米均存在較小的差異。所以農作物分類中的最優特征為NGRDI，其分類效果非常明顯。

2.2.2 提取農作物可見光紋理特征

若是多種農作物在同地塊種植，隨著分辨率的提升，異物同譜現象出現的概率將逐漸減少，但是也會導致同譜異物現象出現的概率增加。無人機可見光遙感能準確反映不同地物的差異，在分辨地物方面準確度非常高[5]。不同農作物在紋理方面存在差異。所以，本次農作物分類將以紋理作為分類標準。

本次無人機遙感數據具有較高的分辨率，能夠避免混合像元的情況出現。通過遙感數據能夠清晰地了解農作物的結構、尺寸以及形狀[6]。現階段，我國在農作物遙感數據分類方面的紋理濾波技術較為成熟，已經實現了紋理濾波方法的多樣化，并擁有直方圖統計、局部直方圖處理等圖像處理技術。另外，使用的濾波方法不同，所取得的效果也不同。均值濾波能夠有效降低圖像中尖銳的顏色變化，同時降低噪聲，中值濾波能夠有效解決椒鹽噪聲[7-10]。在概率統計濾波中，應用較為廣泛的是一階和二階概率統計濾波。其中，二階概率統計濾波的紋理值的計算通過灰度共生矩陣完成，也就是中心點在距離窗口和特定方向中存在的頻率，能夠較為理想地提取紋理。所以，本次研究數據的二階概率統計濾波通過ENVI 5.1完成。

研究結果顯示，與其他作物相比，水稻的紋理濾波差異系數在B、G、R波段的二階矩特征中分別擁有一個較為明顯的峰值，大豆和水稻在G中差異最為明顯，紋理濾波差異系數為21.35；玉米、馬鈴薯和水稻之間的差異系數較小，分別為17.65和17.32；其次，水稻和草地、樹木分別擁有4.18和9.14的差異系數；亞麻與水稻的差異系數較小，為1.37。另外，在其他紋理濾波特征下水稻與其他農作物的差異系數均擁有較小的數值。

研究結果顯示，與其他作物相比，玉米紋理濾波差異系數如下：亞麻和水稻與玉米存在最大的差異系數，在R波段的對比度特征中，差異系數的峰值非常明顯，分別為11.40和18.48；其次，樹木和玉米在B、G、R波段中，分別擁有2.78、2.46、2.47的差異系數；另外，在紋理濾波下，大豆、草地和玉米只存在較小的差異系數。

在玉米與其他作物的紋理濾波差異系數方面，亞麻、水稻與大豆存在最大差異系數，在B波段下分別擁有9.75和17.3的差異系數；其次，在R波段，樹木和大豆擁有1.71的差異系數；另外，在紋理濾波下，玉米和大豆只存在較小的差異系數。

綜上可知，在對比其他農作物的過程中，大豆應選取B波段、玉米應選取R波段、水稻應選取G波段。

3 結果

本研究借助了無人機搭載數碼相機的方式生成研究區域的RGB圖像。相比于傳統的只提取紋理特征的農作物分類方法，本次研究有效對比了兩個不同時段的農作物DSM數據，使農作物的生長差異特征變得更為明顯，并在農作物分類中有效運用了這一特征[9]。結果表明，在進行農作物分類時綜合考慮農作物紋理、光譜、高度等多維特征，能夠精準劃分農作物種類，同時Kappa系數也能夠維持較高的水平。

4 結束語

利用無人機遙感影像能夠有效區分各種農作物，未來我國對無人機遙感影像的需求也會不斷增加。無人機遙感能夠有效獲取高分辨率光譜圖像，同時還能夠生成高分辨率空間數據，能夠為我國農業發展起到促進作用。利用無人機遙感影像，能夠幫助務農人員實時監測農作物種植情況，從而確保農作物種植效果，促進我國農業發展。