無(wú)人機(jī)多光譜影像的小麥倒伏信息多特征融合檢測(cè)研究

朱文靜,馮展康,戴世元,張平平,嵇 文,王愛(ài)臣,魏新華*

1. 江蘇大學(xué)農(nóng)業(yè)工程學(xué)院,江蘇 鎮(zhèn)江 212013 2. 江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,江蘇 鎮(zhèn)江 212013 3. 江蘇省農(nóng)業(yè)科學(xué)院糧食作物研究所,江蘇 南京 210014 4. 江蘇省洪澤湖農(nóng)場(chǎng)集團(tuán)有限公司農(nóng)業(yè)科技研究所,江蘇 宿遷 223900

引 言

近年來(lái),隨著小麥單產(chǎn)的提高,莖稈負(fù)荷逐漸增大,倒伏風(fēng)險(xiǎn)不斷增加,小麥在灌漿期經(jīng)受大風(fēng)、 暴雨等災(zāi)害后,極易引起大規(guī)模倒伏。 小麥倒伏會(huì)影響光合作用和灌漿過(guò)程,造成小麥減產(chǎn)、 減質(zhì)[1],同時(shí)還會(huì)影響機(jī)械收割,增加收割成本。 災(zāi)后快速、 精確的定位小麥倒伏位置,提取倒伏面積等信息,可為政府有關(guān)部門和保險(xiǎn)理賠公司提供數(shù)據(jù)依據(jù)與技術(shù)支持。

隨著遙感技術(shù)的發(fā)展,小麥倒伏監(jiān)測(cè)方法從費(fèi)時(shí)費(fèi)力的人工測(cè)量法發(fā)展到高效、 大尺度監(jiān)測(cè)的遙感法[2]。 遙感法又分為衛(wèi)星遙感法和無(wú)人機(jī)遙感法,衛(wèi)星遙感法因其易受云層等自然因素的影響,又有時(shí)效性差、 空間分辨率低等缺陷,難以滿足精確提取作物倒伏信息的要求,而無(wú)人機(jī)遙感不僅能克服以上缺陷,更有操作簡(jiǎn)便、 成本低、 適用于各級(jí)各類農(nóng)場(chǎng)和農(nóng)戶等優(yōu)勢(shì),逐步成為農(nóng)業(yè)災(zāi)情、 病蟲害等領(lǐng)域空間變異信息的重要獲取手段。

國(guó)內(nèi)外學(xué)者在小麥倒伏識(shí)別領(lǐng)域的研究已獲得了長(zhǎng)足的發(fā)展。 李廣等[3]基于無(wú)人機(jī)紅綠藍(lán)(red-green-blue,RGB)可見(jiàn)光數(shù)據(jù)獲得各波段間散點(diǎn)圖,以此篩選小麥倒伏信息,并結(jié)合K-means算法構(gòu)建小麥多時(shí)相倒伏模型。 黃艷偉等[4]基于無(wú)人機(jī)多光譜冬小麥數(shù)據(jù),采用隨機(jī)森林等4種監(jiān)督分類方法,對(duì)不同空間分辨率下小麥倒伏的提取精度進(jìn)行了比較,得出20～40 cm為提取小麥倒伏面積最佳空間分辨率范圍。 戴建國(guó)等[5]基于無(wú)人機(jī)多光譜數(shù)據(jù)提取倒伏棉花圖像的主成分分析紋理特征與植被指數(shù),建立基于光譜、 紋理特征的倒伏棉田L(fēng)ogistic二分類模型。 Wilke等[6]通過(guò)分析不同倒伏程度小麥間的光譜差異,發(fā)現(xiàn)紅邊和近紅外波段反射率隨倒伏程度的增加而增加,得出結(jié)合最近鄰分類方法能在一定程度上區(qū)分小麥不同倒伏程度的結(jié)論。 Zhang等[7]基于無(wú)人機(jī)遙感收集小麥倒伏RGB數(shù)據(jù),通過(guò)對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的評(píng)估和比較,發(fā)現(xiàn)深度學(xué)習(xí)識(shí)別精度高于傳統(tǒng)機(jī)器學(xué)習(xí),適用于麥田倒伏的快速檢測(cè)。

縱觀以上研究,均未考慮田塊尺度倒伏率對(duì)分類結(jié)果的影響,且僅利用單特征圖像對(duì)作物倒伏進(jìn)行識(shí)別與分類,對(duì)作物倒伏的專屬性表征不全面,無(wú)法真正做到圖譜合一,易出現(xiàn)“同譜異物”和“同物異譜”的現(xiàn)象,而多特征圖像融合技術(shù)可將不同圖像數(shù)據(jù)所含的信息有機(jī)結(jié)合,有效減少對(duì)被感知對(duì)象背景中可能存在的多義性和不確定性,最大限度發(fā)揮各圖像的優(yōu)勢(shì)并提高圖像信息的利用率。

已有學(xué)者對(duì)多特征圖像融合技術(shù)在作物倒伏領(lǐng)域的應(yīng)用進(jìn)行了研究。 趙靜等[8]基于無(wú)人機(jī)搭載可見(jiàn)光相機(jī)獲取的小麥倒伏數(shù)據(jù),提取數(shù)字表面模型(digital surface model,DSM)和過(guò)綠指數(shù)(excess green,EXG),分別與RGB圖像進(jìn)行融合,得出融合圖像較單一特征圖像能更有效地提取小麥倒伏信息的結(jié)論。 Yang[9]等對(duì)無(wú)人機(jī)RGB圖像、 紋理特征、 DSM模型進(jìn)行不同的融合組合,利用決策樹等分類方法對(duì)各融合圖像進(jìn)行分類精度的計(jì)算,表明DSM+RGB圖像的組合識(shí)別水稻倒伏效果最佳。 以上研究表明了圖像融合技術(shù)在識(shí)別作物倒伏領(lǐng)域的優(yōu)勢(shì),但其均基于無(wú)人機(jī)可見(jiàn)光數(shù)據(jù),只能在較明顯外觀表征的情況下識(shí)別作物倒伏,無(wú)法依托多種光譜反演手段判斷倒伏。

為繼續(xù)探究多特征圖像融合方法在作物倒伏面積與倒伏位置精準(zhǔn)識(shí)別中的適用性,分析不同倒伏率小麥最佳的監(jiān)督分類方法,本研究利用無(wú)人機(jī)獲取多田塊冠層尺度的不同倒伏率小麥多光譜數(shù)據(jù),提取小麥倒伏DSM模型和植被指數(shù)分別與多光譜圖像進(jìn)行融合,篩選差異性較大的紋理特征,采用3種典型的監(jiān)督分類模型對(duì)融合圖像、 多光譜圖像和紋理特征圖像進(jìn)行監(jiān)督分類,并對(duì)分類結(jié)果進(jìn)行對(duì)比分析,以期尋求各倒伏率麥田識(shí)別倒伏最佳的特征組合和監(jiān)督方法。

1 實(shí)驗(yàn)部分

1.1 研究區(qū)概況

研究區(qū)地點(diǎn)為江蘇省宿遷市泗洪縣(118°23′50″E,33°25′8″N)洪澤湖農(nóng)場(chǎng)五分場(chǎng)(圖1),該農(nóng)場(chǎng)地處溫帶季風(fēng)氣候區(qū),年均氣溫14.2 ℃,降水分布不均,且多集中在夏季,年均降水量約910 mm,年均日照總時(shí)數(shù)2 291 h,光熱資源優(yōu)越,適合小麥、 水稻等作物的種植。 該地區(qū)在2021年5月中旬遭受短時(shí)強(qiáng)降雨、 大風(fēng)和強(qiáng)對(duì)流天氣,導(dǎo)致灌漿期小麥發(fā)生大規(guī)模嚴(yán)重倒伏。

圖1 研究區(qū)位置及區(qū)域劃分Fig.1 Location and division of the study area

1.2 數(shù)據(jù)采集

本試驗(yàn)采用大疆Matrice 600 Pro無(wú)人機(jī)作為多光譜數(shù)據(jù)采集系統(tǒng)[圖2(a)],機(jī)身軸距1 133 mm,機(jī)體最大起飛重量15.5 kg,最大水平飛行速度(無(wú)風(fēng))18 m·s-1,平均續(xù)航時(shí)間約為30 min,并搭載美國(guó)Micasense公司的RedEdge-MX多光譜成像系統(tǒng),如圖2(b)所示。 RedEdge-MX傳感器共有藍(lán)、 綠、 紅、 紅邊、 近紅外5個(gè)通道,對(duì)應(yīng)中心波長(zhǎng)/波寬分別是475/32、 560/27、 668/16、 717/12和840/57 nm,各通道分辨率均為1 280×960,視場(chǎng)范圍47.2°,并配有校正反射率的校準(zhǔn)板[圖2(c)]和校正太陽(yáng)與光線角度的光強(qiáng)傳感器。 多光譜數(shù)據(jù)采集時(shí)間為2021年5月22日12:00—14:00,天氣晴朗無(wú)云,無(wú)人機(jī)飛行高度為70～71 m,飛行速度為9.2 m·s-1,航向的重疊率為80%,旁向重疊率為70%。

圖2 無(wú)人機(jī)多光譜遙感平臺(tái)Fig.2 UAV multispectral remote sensing platform

1.3 研究方法

首先對(duì)航拍獲取的原始圖像進(jìn)行預(yù)處理,包括圖像拼接、 輻射校正和幾何校正等,然后剔除麥田背景,包括土壤背景和陰影背景,對(duì)比倒伏與正常小麥的光譜反射率差異,篩選合適的植被指數(shù),合成小麥倒伏DSM模型,分別與多光譜圖像進(jìn)行特征融合,合成DSM與多光譜融合圖像和植被指數(shù)與多光譜融合圖像,并提取小麥圖像紋理特征,合成倒伏紋理特征圖像,構(gòu)建小麥正常與倒伏數(shù)據(jù)集并劃分訓(xùn)練集與驗(yàn)證集; 再通過(guò)不同監(jiān)督分類方法提取不同倒伏率麥田的倒伏面積,最后利用總體精度(overall accuracy,OA)、 Kappa系數(shù)和提取誤差分析各特征組合對(duì)不同倒伏率研究區(qū)域倒伏面積提取精度的影響,優(yōu)選最佳的分類方法。 技術(shù)路線如圖3所示。

圖3 技術(shù)路線圖Fig.3 Technical roadmap

1.4 數(shù)據(jù)預(yù)處理與特征提取

1.4.1 數(shù)據(jù)預(yù)處理

在無(wú)人機(jī)完成飛行作業(yè)后,將獲取的多光譜原始圖像導(dǎo)入到Pix4Dmapper軟件中進(jìn)行圖像拼接、 輻射校正等預(yù)處理,生成空間分辨率為0.048 m的5通道單波段反射率圖像和DSM圖像。 使用ENVI5.3軟件對(duì)單波段圖像進(jìn)行圖像融合,合成5波段的多光譜圖像,并采用閾值分割法進(jìn)行圖像背景分割: 利用重歸一化差值植被指數(shù)[10](Re-normalized difference vegetation index,RDVI)分割小麥與土壤背景,并利用陰影指數(shù)(shaded vegetation index,SVI)分割小麥與陰影背景,利用數(shù)據(jù)統(tǒng)計(jì)工具比對(duì)生成二值化矢量掩膜,導(dǎo)入感興趣區(qū)域進(jìn)行圖像裁剪,以減少土壤和陰影背景對(duì)分類結(jié)果的影響。

1.4.2 樣本劃分

DSM圖像能較好地反映地面的起伏變化,滿足區(qū)分正常與倒伏小麥的要求,因此采用剔除背景后的DSM圖像進(jìn)行樣本劃分。 在研究區(qū)域挑選特征鮮明的分類樣本大小一致(約占50個(gè)像元),倒伏與正常樣本分離度均高于1.8。 在分類區(qū)域選擇160個(gè)樣本作為訓(xùn)練集樣本,其中正常和倒伏樣本各80個(gè)。 在驗(yàn)證區(qū)域選取80個(gè)樣本作為預(yù)測(cè)集樣本,其中正常和倒伏樣本各40個(gè)。 將研究區(qū)域按2∶1劃分為分類區(qū)域和驗(yàn)證區(qū)域,圖1紅框?yàn)榉诸悈^(qū)域,綠框?yàn)轵?yàn)證區(qū)域。

1.4.3 光譜分析與波段選擇

首先需對(duì)掩膜裁剪后的圖像進(jìn)行卷積低通濾波處理,以減少圖像噪聲對(duì)分類精度的影響[3],以增強(qiáng)正常與倒伏小麥圖像之間的差異。 為便于突出倒伏小麥光譜特征,選取特征明顯的區(qū)域提取光譜反射率,統(tǒng)計(jì)各波段反射率均值,構(gòu)建光譜反射率曲線圖(圖4)。 當(dāng)太陽(yáng)直射時(shí),小麥葉片會(huì)表現(xiàn)為光照和蔭蔽,光照面為陽(yáng)葉,蔭蔽面為陰葉,在單葉片尺度,陽(yáng)葉反射率要高于陰葉1～5倍。 由圖4可知,小麥發(fā)生倒伏后,各波段反射率明顯上升,原因可能是小麥倒伏后,原本立體的冠層結(jié)構(gòu)空間塌倒,陽(yáng)葉比例上升,陰葉比例下降,導(dǎo)致各波段反射率上升[11]。 倒伏與健康小麥在藍(lán)(475 nm)波段反射率基本一致,綠(560 nm)紅波段(668 nm)開(kāi)始出現(xiàn)差異,在紅邊(717 nm)和近紅外波段(840 nm)差異最大,倒伏小麥反射率高于正常小麥反射率約0.7～1.0,所以選擇差異性較大紅、 紅邊、 近紅外波段作為選擇植被指數(shù)的依據(jù)。

圖4 光譜反射率曲線圖Fig.4 Spectral reflectance curve

1.4.4 植被指數(shù)提取與選擇

本研究選擇與紅、 紅邊、 近紅外波段相關(guān)的光譜植被指數(shù)如表1所示,對(duì)濾波處理后的圖像進(jìn)行波段運(yùn)算,RDVI與SVI已參與剔除背景的閾值分割,參與運(yùn)算可能會(huì)影響提取結(jié)果,故不參與后續(xù)建模。

表1 植被指數(shù)名稱及公式Table 1 Spectral vegetation indices used in this study

統(tǒng)計(jì)研究區(qū)域內(nèi)各植被指數(shù)倒伏和正常小麥的均值和標(biāo)準(zhǔn)差,并通過(guò)計(jì)算變異系數(shù)(coefficient of variation,CV)與相對(duì)變異系數(shù)(relative difference,RD)挑選最佳的植被指數(shù)用于特征圖像融合,計(jì)算結(jié)果見(jiàn)表2。

表2 倒伏和正常小麥的植被指數(shù)統(tǒng)計(jì)Table 2 Vegetation index statistics of lodging and normal wheat

CV=SD/MN×100%

(1)

RD=(MN1-MN2)/MN2×100%

(2)

式(1)和式(2)中,CV表示變異系數(shù)(%),其中SD為標(biāo)準(zhǔn)差,MN為均值;RD表示相對(duì)差異系數(shù)(%),MN1和MN2分別為倒伏小麥和正常小麥的均值。

表2中,不同植被指數(shù)的變異系數(shù)與相對(duì)差異系數(shù)有較大的差異: 其中正常和倒伏小麥變異系數(shù)中,最小的均為NDVI,分別為3.5%和8.19%,最大的均為MSR,分別為34.46%和44.8%; 相對(duì)差異系數(shù)中,最大為NDVI的133.8%,最小為NDVIrededge的26.18%。 變異系數(shù)表示同一特征內(nèi)離散程度,變異系數(shù)越小越容易區(qū)分,而相對(duì)差異系數(shù)表示多特征間的差異,相對(duì)差異系數(shù)越大特征區(qū)分越明顯。 基于以上原則,本研究選取NDVI作為圖像融合的特征指數(shù)。

1.4.5 紋理特征提取與選擇

基于灰度共生矩陣,分別計(jì)算5個(gè)波段的均值、 方差、 協(xié)同性、 對(duì)比度、 相異性、 信息熵、 二階矩、 相關(guān)性等8類,共計(jì)40項(xiàng)紋理特征,紋理濾波窗口設(shè)置為15×15,方向0°,步長(zhǎng)為2。 統(tǒng)計(jì)對(duì)比小麥倒伏和正常紋理特征差異,發(fā)現(xiàn)均值紋理特征差異性明顯。 為避免過(guò)多紋理特征造成信息冗余,本研究?jī)H統(tǒng)計(jì)均值紋理特征,并根據(jù)統(tǒng)計(jì)結(jié)果篩選差異性較大的均值紋理特征進(jìn)行圖像融合。 計(jì)算并統(tǒng)計(jì)各波段研究區(qū)域內(nèi)正常與倒伏小麥均值紋理特征,統(tǒng)計(jì)結(jié)果制成箱線圖如圖5所示。

圖5 正常和倒伏小麥的均值紋理Fig.5 Mean grain size of nosmal and lodging wheat

由圖5可知,小麥發(fā)生倒伏后,各波段的均值紋理特征數(shù)值均有上升,其中綠(Green)、 紅(Red)、 紅邊(Rededge)波段上升最明顯,倒伏與正常小麥的特征差異較大,但所有波段倒伏與正常小麥特征在數(shù)值范圍內(nèi)均存在相交,監(jiān)督分類時(shí)會(huì)存在像元錯(cuò)分的現(xiàn)象。 為盡量降低錯(cuò)分像元對(duì)分類精度的影響,本研究選取綠、 紅、 紅邊均值紋理特征進(jìn)行圖像融合。

1.4.6 監(jiān)督分類模型的選擇與精度驗(yàn)證指標(biāo)

選取監(jiān)督分類模型中泛化能力好的支持向量機(jī)(support vector machine,SVM)、 適應(yīng)性強(qiáng)的人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)和算法簡(jiǎn)單易于實(shí)施的最大似然法(maximum like-hood classification,MLC)模型分別對(duì)各田塊的訓(xùn)練集進(jìn)行訓(xùn)練,采用總體精度(overall accuracy,OA)、 Kappa系數(shù)和提取誤差綜合評(píng)價(jià)各監(jiān)督模型的分類性能。

OA=(TP+TN)/(TP+TN+FP+FN)

(3)

Kappa=(OA-Pe)/(1-Pe)

(4)

Pe=[(TP+FN)×(TP+FP)+(FN+TN)×

(TN+FP)]/N2

(5)

式(3)—式(5)中,OA表示總體精度;TP表示倒伏小麥劃分為倒伏小麥;FP表示正常小麥劃分為倒伏小麥;TN表示正常小麥劃分為倒伏小麥;FN表示倒伏小麥劃分為正常小麥;N表示總體像元的數(shù)量。

OA和Kappa系數(shù)能反映各模型的提取倒伏空間位置的準(zhǔn)確性,提取誤差能反映真實(shí)倒伏面積與提取倒伏面積的相對(duì)誤差的大小。 在提取的特征組合的基礎(chǔ)上,利用3種典型的監(jiān)督模型提取不同倒伏率研究區(qū)域小麥倒伏面積。 最后通過(guò)OA、 Kappa系數(shù)和提取誤差對(duì)各監(jiān)督模型分類精度進(jìn)行對(duì)比,并對(duì)分類結(jié)果進(jìn)行綜合評(píng)價(jià)。

2 結(jié)果與討論

2.1 麥田倒伏率的計(jì)算

本研究所用小麥倒伏特征圖像空間分辨率為0.048 m,通過(guò)計(jì)算區(qū)域內(nèi)像素?cái)?shù)(n)換算小麥倒伏面積(A,m2)

A=LWn

(6)

式(6)中,L(m)表示像元長(zhǎng),W(m)表示像元寬。

為探究小麥倒伏率對(duì)監(jiān)督分類結(jié)果的影響,使用數(shù)據(jù)統(tǒng)計(jì)工具,分別統(tǒng)計(jì)原始圖像總像元和剔除背景后總像元,發(fā)現(xiàn)各研究區(qū)域背景占比均在9%～13%之間,并根據(jù)式(6)與統(tǒng)計(jì)總像元數(shù)計(jì)算各研究區(qū)域占地分別為3 911.88、 3 674.52和5 360.85 m2。 使用ENVI軟件的感興趣區(qū)域(region of interest,ROI)工具對(duì)各研究區(qū)域進(jìn)行目視解譯,根據(jù)倒伏特征劃分小麥倒伏與非倒伏區(qū)域,統(tǒng)計(jì)正常與倒伏小麥像元數(shù),并計(jì)算各研究區(qū)域小麥倒伏率(如表3所示)。 其中區(qū)域1倒伏率最高達(dá)到35.89%,稱為高倒伏區(qū)域,區(qū)域2倒伏率次之為17.07%,稱為中倒伏區(qū)域,區(qū)域3倒伏率最低僅有11.25%,稱為低倒伏區(qū)域。

表3 各研究區(qū)域倒伏率的計(jì)算Table 3 Calculation of lodging rate in each study area

2.2 融合圖像的構(gòu)建

小麥倒伏多光譜數(shù)據(jù)經(jīng)背景剔除、 低通濾波處理后,利用圖像校準(zhǔn)工具對(duì)各田塊進(jìn)行幾何校正,選取各田塊DSM圖像、 NDVI圖像分別與多光譜進(jìn)行主成分變化(principal component analysis,PCA)圖像融合,結(jié)合綠、 紅、 紅邊波段均值紋理特征圖像生成圖6(a—d),探究不同特征組合提取小麥倒伏面積的效果。

圖6 剔除背景后各特征融合圖像對(duì)比DSM為數(shù)字表面模型,NDVI為歸一化差分植被指數(shù),下同F(xiàn)ig.6 Comparison of fused images with different features after removing backgroundDSM is the digital surface model,NDVI is the normalized difference vegetation index. The same below

2.3 倒伏面積提取結(jié)果與分析

統(tǒng)計(jì)各特征組合圖像監(jiān)督分類后小麥倒伏區(qū)域像元數(shù),并基于表3中剔除背景后倒伏像元數(shù),通過(guò)式(6)計(jì)算各研究區(qū)域倒伏提取面積和小麥實(shí)際倒伏面積,結(jié)果如表4所示。 高、 中和低倒伏區(qū)域?qū)嶋H倒伏面積分別為1 204.51、 557.81和523.94 m2。 在高倒伏區(qū)域提取結(jié)果中,多特征融合圖像能明顯降低倒伏面積提取誤差,其中多光譜與NDVI融合圖像倒伏面積提取效果最好,提取誤差均低于4%,SVM和MLC提取面積與實(shí)際倒伏面積最為接近,提取誤差僅為1.11%和1.07%,多光譜與DSM融合圖像也有較好的提取效果,其中SVM督模型倒伏面積提取誤差僅為2.21%。 在中倒伏區(qū)域提取結(jié)果中,多光譜與DSM融合圖像提取效果最好,3種監(jiān)督分類模型提取誤差較多光譜圖像均有降低,其中SVM和ANN提取誤差降低約12%。 在低倒伏區(qū)域提取結(jié)果中,多光譜圖像和多光譜與NDVI融合圖像提取結(jié)果相似,SVM與ANN監(jiān)督模型提取誤差約為17%,MLC提取效果最差,多特征融合圖像優(yōu)勢(shì)不明顯,僅有均值紋理特征圖像的ANN的提取誤差低于10%。

表4 多特征融合圖像不同監(jiān)督方法倒伏面積提取Table 4 Extraction of lodging area from multi feature fusion image by different supervised methods

因SVM和ANN監(jiān)督模型分類精度較高,分類結(jié)果較為穩(wěn)定,各研究區(qū)域特征融合分類結(jié)果趨于一致,為觀測(cè)各特征融合圖像分類結(jié)果的差異,選取分類效果不穩(wěn)定的最大似然法監(jiān)督模型構(gòu)建各研究區(qū)域特征融合分類結(jié)果圖7。 觀察圖7(a—d)和表4可知,提取高倒伏區(qū)域倒伏面積時(shí),多特征融合圖像與多光譜圖像提取結(jié)果差異性不大,都有較高的提取精度,對(duì)于中倒伏區(qū)域,多光譜與DSM融合圖像具有較好的分類效果,而針對(duì)低倒伏區(qū)域,多特征融合圖像與多光譜圖像分類結(jié)果均不佳,除均值紋理特征圖像外,其他圖像分類結(jié)果中噪聲較多。 多光譜圖像與均值紋理特征圖像倒伏提取面積大都低于實(shí)際倒伏面積,而多光譜與DSM融合圖像和多光譜與NDVI融合圖像倒伏提取面積大都高于實(shí)際倒伏面積。 觀察中倒伏區(qū)域的圖7(b)和圖7(c)發(fā)現(xiàn),小麥倒伏多光譜圖像在融合DSM信息后,可增加正常與倒伏小麥的高程差異,提高小麥倒伏提取精度,但相應(yīng)也會(huì)錯(cuò)將偏矮性狀的小麥和部分麥田邊緣小麥識(shí)別為倒伏小麥。 NDVI與小麥倒伏程度呈負(fù)相關(guān),小麥倒伏多光譜圖像在融合NDVI信息后,可增加小麥倒伏程度特征,減少同譜異物現(xiàn)象,但會(huì)將覆蓋率較低的區(qū)域識(shí)別為倒伏區(qū)域。 均值紋理可在一定程度上減少圖像的椒鹽噪聲,所以圖7(d)整體效果最好,但由于多光譜圖像與均值紋理特征圖像所含倒伏特征較為單一,提取倒伏面積較少。

圖7 基于最大似然法各研究區(qū)域特征融合分類結(jié)果圖Fig.7 Classification results of feature fusion of each research area based on maximum likelihood method

2.4 倒伏小麥提取精度對(duì)比與分析

如表5所示,采用SVM、 ANN和MLC分別對(duì)各特征組合倒伏區(qū)域進(jìn)行監(jiān)督分類。 在高倒伏區(qū)域分類結(jié)果中,各特征融合圖像分類精度普遍較高,其中均值紋理特征組合的分類效果最好,3種監(jiān)督分類模型均有較高的精度,SVM分類精度最高(96.43%)。 在中倒伏區(qū)域分類結(jié)果中,多特征融合圖像分類精度大多低于90%,多光譜圖像與均值紋理特征圖像分類結(jié)果相似,多光譜與DSM融合圖像分類效果最好,其中SVM分類精度最高(90.35%)。 在低倒伏區(qū)域分類結(jié)果中,多光譜與DSM融合圖像分類效果最好,其中ANN分類精度最高(91.27%),SVM次之(91.00%),MLC精度最低(96.32%)。 由上述分析可知,較單一多光譜特征的小麥倒伏圖像,多特征融合圖像在各倒伏率麥田都表現(xiàn)有一定的優(yōu)勢(shì),各倒伏區(qū)域分類精度能提高約6%。

表5 多特征融合圖像不同監(jiān)督方法倒伏提取精度評(píng)價(jià)Table 5 Evaluation of lodging extraction accuracy of different supervised methods in multi feature fusion images

由表4、 表5分析可知,SVM和ANN監(jiān)督分類模型在提取小麥倒伏面積中的表現(xiàn)要優(yōu)于MLC,MLC監(jiān)督分類模型的總體精度并且Kappa偏低,提取倒伏面積表現(xiàn)不夠穩(wěn)定,MLC在高倒伏區(qū)域表現(xiàn)良好,甚至在多光譜高倒伏區(qū)域表現(xiàn)最佳,但在低倒伏區(qū)域表現(xiàn)過(guò)差。 多光譜與DSM融合圖像的總體精度、 Kappa和提取誤差整體優(yōu)于其他特征融合圖像,特別是在高、 中倒伏區(qū)域表現(xiàn)極佳,多光譜與NDVI融合圖像的表現(xiàn)局限性較大,僅在高倒伏區(qū)域有良好提取效果; 均值紋理特征圖像提取結(jié)果稍好于多光譜圖像,提取結(jié)果噪聲較少,因此倒伏分類圖像效果最好。 在低倒伏區(qū)域,僅均值紋理特征圖像的ANN提取效果較好,其他特征融合圖像監(jiān)督分類模型均沒(méi)有很好的效果,可能是由于受到種植密度較低的影響,也可能是株高比較低的小麥品種影響監(jiān)督分類模型的提取效果。

3 結(jié) 論

利用小麥灌漿期的無(wú)人機(jī)多光譜遙感圖像,分析適用于小麥倒伏特征融合的最佳光譜特征、 植被指數(shù)、 紋理特征以及DSM圖像,并分別與多光譜圖像進(jìn)行融合,得到各研究區(qū)域特征融合圖像,再利用SVM、 ANN和MLC進(jìn)行監(jiān)督分類,通過(guò)分析監(jiān)督分類結(jié)果的OA、 Kappa系數(shù)和提取誤差得到以下結(jié)論:

(1)無(wú)人機(jī)多光譜遙感結(jié)合特征融合技術(shù)能有效提取小麥倒伏面積,提取效果優(yōu)于單特征小麥倒伏圖像。

(2)當(dāng)小麥倒伏率較高時(shí)(35.89%),多光譜與NDVI融合圖像(OA: 92.63%,Kappa系數(shù): 0.85,提取誤差: 1.11%)和均值紋理特征圖像(OA: 96.43%,Kappa系數(shù): 0.93,提取誤差: 8.90%)的SVM監(jiān)督模型均有較好的提取效果; 當(dāng)小麥倒伏率中等時(shí)(17.07%),多光譜與DSM融合圖像的SVM監(jiān)督模型(OA: 90.35%,Kappa系數(shù): 0.79,提取誤差: 9.34%)提取效果最好; 當(dāng)小麥倒伏率較低時(shí)(11.25%),僅均值紋理特征圖像的ANN監(jiān)督模型(OA: 91.05%,Kappa系數(shù): 0.82,提取誤差: 8.20%)提取結(jié)果較好。

(3)當(dāng)小麥發(fā)生中心倒伏或向兩側(cè)倒伏時(shí),會(huì)裸露倒伏中心土壤,但本研究在進(jìn)行監(jiān)督分類前已將土壤背景剔除,經(jīng)目視解譯分析統(tǒng)計(jì)發(fā)現(xiàn),中心倒伏土壤約占倒伏面積的3%～5%,保險(xiǎn)理賠公司或政府相關(guān)部門在進(jìn)行倒伏面積估算時(shí),若算入倒伏中心土壤,則本研究的各監(jiān)督分類模型倒伏提取面積相應(yīng)的增加3%～5%會(huì)更加準(zhǔn)確。