基于無人機(jī)高光譜影像和面向?qū)ο蟮霓r(nóng)作物精細(xì)分類研究

及時(shí)、精確地獲取田間農(nóng)作物空間分布信息可為農(nóng)作物種植面積提取、產(chǎn)量估算、長勢(shì)監(jiān)測(cè)等提供重要依據(jù)，對(duì)我國農(nóng)業(yè)的可持續(xù)發(fā)展有重大意義[1]。傳統(tǒng)的作物提取方法主要是通過地面調(diào)查，此方法存在調(diào)查工作量大、周期長且人力、財(cái)力消耗大等缺點(diǎn)，逐漸難以滿足現(xiàn)代農(nóng)業(yè)精細(xì)化管理的要求[2]。

如今高光譜遙感技術(shù)快速發(fā)展，因高光譜影像具有“圖譜合一”分辨率高等優(yōu)勢(shì)，逐漸被廣泛地應(yīng)用于農(nóng)作物識(shí)別與分類等方面[3。余銘等[4以高光譜影像為數(shù)據(jù)源，提出基于條件隨機(jī)場(chǎng)的分類方法對(duì)農(nóng)作物進(jìn)行分類。郭欣怡等[使用多級(jí)融合的珠海一號(hào)高光譜影像對(duì)冬小麥進(jìn)行識(shí)別提取。

虞佳維等[以高光譜影像為研究數(shù)據(jù)，對(duì)黃海地區(qū)的玉米、小麥以及楊樹3種主要植被進(jìn)行分類，為區(qū)分樹木與糧食作物提供了理論支持。雖然對(duì)星載或機(jī)載高光譜的農(nóng)作物研究取得了一定進(jìn)展，但高光譜數(shù)據(jù)存在影像空間分辨率低、數(shù)據(jù)獲取周期長以及成本高等問題，對(duì)農(nóng)田小尺度下農(nóng)作物種植結(jié)構(gòu)的獲取難以滿足精準(zhǔn)化要求。

輕小型成像光譜儀的出現(xiàn)，將無人機(jī)高光譜遙感的研究推向熱潮。無人機(jī)遙感平臺(tái)有較多的優(yōu)勢(shì)，例如操作靈活、戶外采集作業(yè)效率高以及低成本等，且獲取的高光譜影像具有更高的空間分辨率[7。目前，眾多學(xué)者已使用無人機(jī)高光譜遙感影像對(duì)農(nóng)作物進(jìn)行信息提取及分類等研究。陽昌霞等[使用無人機(jī)高光譜影像結(jié)合支持向量機(jī)和隨機(jī)森林對(duì)研究區(qū)4種農(nóng)作物進(jìn)行精細(xì)分類，結(jié)果表明隨機(jī)森林分類效果優(yōu)于支持向量機(jī)，且對(duì)大豆和玉米兩類作物有更好的識(shí)別性。蘭玉彬等[獲取柑橘冠層的無人機(jī)高光譜影像，通過建立判別模型進(jìn)行病株鑒別，以實(shí)現(xiàn)對(duì)柑橘黃龍病的管理和防治，為果園智能化種植以及植株病情監(jiān)測(cè)提供幫助。陶惠林等[10]利用無人機(jī)高光譜獲取冬小麥生長過程中多個(gè)時(shí)期的田間數(shù)據(jù)，通過構(gòu)建長勢(shì)檢測(cè)指標(biāo)對(duì)冬小麥長勢(shì)進(jìn)行評(píng)估，該方法為無人機(jī)高光譜遙感作物長勢(shì)監(jiān)測(cè)提供了技術(shù)依據(jù)。

以像元為單位展開的農(nóng)作物分類研究難以解決混合像元、光譜混淆等問題，而面向?qū)ο蟮姆椒ㄊ且罁?jù)影像特征對(duì)圖像進(jìn)行分割，使得同質(zhì)像元組成大小不同的對(duì)象，以對(duì)象為基本單元進(jìn)行分類。面向?qū)ο蟮姆椒梢猿浞掷糜跋竦奶卣鳎绻庾V、紋理及空間等特征，能夠有效地抑制“椒鹽噪聲”[]。目前在農(nóng)田小尺度下將面向?qū)ο蟮姆椒ㄓ糜跓o人機(jī)高光譜影像進(jìn)行農(nóng)作物精細(xì)分類的研究較少，因此本研究以無人機(jī)高光譜影像為數(shù)據(jù)源，探究農(nóng)田小尺度下面向?qū)ο笈c機(jī)器學(xué)習(xí)結(jié)合進(jìn)行農(nóng)作物精細(xì)分類的可行性和適用性，旨在為作物種植監(jiān)測(cè)、農(nóng)業(yè)精細(xì)化管理等提供有力支持。

1 材料與方法

1.1數(shù)據(jù)集試驗(yàn)數(shù)據(jù)選用武漢大學(xué)RSIDEA研究小組獲取并完成預(yù)處理的WHU-Hi-LongKou[12-13]數(shù)據(jù)集，采集地位于中國湖北省龍口鎮(zhèn)，使用安裝在無人機(jī)平臺(tái)上的Headwall納米超光譜成像傳感器采集。研究區(qū)域內(nèi)主要有玉米、芝麻、棉花、水稻、寬葉大豆和窄葉大豆6種農(nóng)作物。數(shù)據(jù)采集過程中天氣良好無云層遮擋，氣溫約為 36^°C ，空氣相對(duì)濕度約為 65% ，無人機(jī)飛行高度為 500m 。獲取的高光譜影像空間尺寸為 550×400 像素，空間分辨率約為 0.463m ，影像波段數(shù)共270個(gè)（ 400～1000nm ）圖1a為無人機(jī)高光譜影像，圖1b為地面真實(shí)圖。

a：三維可視化;b：地面真實(shí)圖；c：地物標(biāo)簽

圖1立方體可視化

1.2 研究方法

1.2.1高光譜數(shù)據(jù)降維無人機(jī)高光譜遙感影像具備高分辨率特性，這使得不同農(nóng)作物之間的細(xì)微信息得以更清晰地呈現(xiàn)，為農(nóng)作物精細(xì)分類研究提供了極為有利的條件。然而，高光譜數(shù)據(jù)所含波段數(shù)量較多，導(dǎo)致影像維度顯著升高，其中部分波段受噪聲干擾的情況也更為突出。如果直接將未經(jīng)過降維處理的影像用于農(nóng)作物分類，在增加計(jì)算量的同時(shí)也會(huì)嚴(yán)重影響分類效果。因此，需通過ENVI軟件中最小噪聲分離（MNF，Minimumnoisefraction）變換功能進(jìn)行影像降維處理，通過特征值拐點(diǎn)來判斷降維后影像波段數(shù)量。因特征值拐點(diǎn)前的波段所含特征信息較為豐富，而拐點(diǎn)后的波段所含信息基本為零，因此依據(jù)變換直方圖（圖2）分析后選取前10個(gè)波段。

1.2.2多尺度分割多尺度分割作為面向?qū)ο蠓诸愡^程中重要一步，若分割尺度數(shù)值選取過大或過小，則會(huì)出現(xiàn)各類型地物欠分割或者過分割的情況，直接影響最終的分類精度[14]。本研究使用eCognition軟件進(jìn)行影像分割，分割前將圖層權(quán)重均設(shè)為1，形狀因子（Shape）和緊致度因子（Compactness）均以0.1為步長，分別取 0.1～0.9 的所有值進(jìn)行組合分割實(shí)驗(yàn)，以地物邊界被準(zhǔn)確清晰分割為基準(zhǔn)，最終選取Shape為1.0，Compactness為0.5。在此基礎(chǔ)上，通過ESP算法（Estimationof saleparameter）獲取分割尺度，ESP算法通過計(jì)算不同分割尺度參數(shù)下影像對(duì)象同質(zhì)性的局部變化（LV，Localvariance）的變化率值（ROC-LV，RatesofchangeofLV）來指示對(duì)象分割效果的最佳參數(shù)[15]。圖3a為ESP算法所獲取的曲線圖，圖中出現(xiàn)多個(gè)明顯峰值，經(jīng)試驗(yàn)分析，選取7作為最佳分割參數(shù)，影像分割效果如圖3b所示。1.2.3最優(yōu)特征篩選使用eCognition軟件中可選的光譜、紋理及形狀等特征進(jìn)行影像特征提取，其中對(duì)MNF影像的10個(gè)波段分別提取均值和標(biāo)準(zhǔn)差特征作為光譜特征，提取特征如表1所示。若所有特征均參與分類會(huì)造成數(shù)據(jù)冗余并增加計(jì)算時(shí)間，使用eCognition 特征空間優(yōu)化（Feature spaceoptimization）功能進(jìn)行特征篩選，通過計(jì)算每個(gè)特征與其他特征以及與分類目標(biāo)之間的相關(guān)性，篩選掉對(duì)分類結(jié)果貢獻(xiàn)較小的冗余特征，以減少數(shù)據(jù)量和計(jì)算復(fù)雜度，同時(shí)避免過擬合[]。最終用于分類的特征有13個(gè)，分別是波段2均值、波段3均值、波段5均值、波段2標(biāo)準(zhǔn)差、波段5標(biāo)準(zhǔn)差、面積、長度、寬度、不對(duì)稱性、圓度、橢圓擬合、邊界指數(shù)、最大橢圓半徑。

圖2波段特征信息圖

1.2.4面向?qū)ο蠓诸惣熬仍u(píng)價(jià)利用eCognition軟件的K-近鄰（KNN，K-Nearestneighbor）分類與回歸樹（CART，Classification and regression tree）、支持向量機(jī)（SVM，Support vectormachine）隨機(jī)森林（RF，RandomForests）4種機(jī)器學(xué)習(xí)方法建立農(nóng)作物分類模型。

K-近鄰算法適用性相對(duì)廣泛，其核心機(jī)制是針對(duì)待預(yù)測(cè)樣本，依據(jù)特定距離度量（如歐氏、曼哈頓距離），在訓(xùn)練集中找出最近的K個(gè)已知樣本，分類時(shí)依據(jù)此K個(gè)樣本類別分布，通過多數(shù)表決推斷待預(yù)測(cè)樣本類別[7]。CART決策樹是由Breiman等[18]提出的決策樹架構(gòu)算法，算法本質(zhì)是采用遞歸劃分的方式對(duì)樣本空間進(jìn)行劃分，旨在通過對(duì)訓(xùn)練數(shù)據(jù)的學(xué)習(xí)，構(gòu)建出可將輸人數(shù)據(jù)進(jìn)行分類或回歸預(yù)測(cè)的模型。SVM算法是將低維空間數(shù)據(jù)通過核函數(shù)的方式映射到高維空間，以解決低維空間數(shù)據(jù)線性不可分問題，算法的核心原理是優(yōu)先找到線性最優(yōu)分類超平面，使得位于超平面兩側(cè)的不同類樣品點(diǎn)群之間的距離最大化，以便使各類別樣本達(dá)到最優(yōu)的可分狀態(tài)。RF是Bagging算法和Random subspace算法的結(jié)合[19]，由多棵決策樹組成的分類模型，可以構(gòu)建不同類別的訓(xùn)練樣本來降低分類模型間的相關(guān)性，并有一定的抗擬合能力。最后選用總體精度（OA，Overallaccuracy）Kappa系數(shù)、用戶精度（UA，User'saccuracy）和生產(chǎn)者精度（PA，Producer'saccuracy）來評(píng)價(jià)影像的分類效果。

a：尺度評(píng)價(jià)圖；b：影像分割圖

表1提取特征列表

2 結(jié)果與分析

2.1農(nóng)作物分類結(jié)果采用面向?qū)ο蟮腒NN、CART決策樹、SVM、RF機(jī)器學(xué)習(xí)算法進(jìn)行農(nóng)作物分類的結(jié)果如圖4所示。RF的分類效果最好，各作物地塊完整、連續(xù)、邊界清晰，而且分類結(jié)果與實(shí)際作物的分布狀況有較好的一致性。KNN分類效果最差，各類作物之間錯(cuò)分嚴(yán)重，例如棉花區(qū)域部分錯(cuò)分為寬葉大豆與混合雜草，玉米區(qū)域部分被錯(cuò)分為寬葉大豆，水稻區(qū)域部分被錯(cuò)分為芝麻等。CART決策樹算法對(duì)芝麻分類效果相對(duì)較好，但對(duì)棉花和水稻的分類結(jié)果存在嚴(yán)重的錯(cuò)分現(xiàn)象。SVM對(duì)芝麻的分類效果相對(duì)較好，能夠?qū)⑵渫暾⑶逦刈R(shí)別出來，但玉米與棉花部分區(qū)域錯(cuò)分為寬葉大豆、窄葉大豆部分區(qū)域錯(cuò)分為棉花，并且各類作物的邊界處容易錯(cuò)分為雜草。

a：KNN算法分類;b：CART決策樹算法分類;c：SVM算法分類;d：RF算法分類

圖4分類結(jié)果

2.2分類結(jié)果精度由表2可知，4種機(jī)器學(xué)習(xí)方法的總體精度由高到低依次為RF（ 95.84% ）gt;SVM （ 93.64% ） gt; CART決策樹（ 91.52% ）gt;KNN（ 87.41% ）。RF的總體精度與Kappa系數(shù)最高，總體精度比KNN、CART決策樹和SVM分別高8.43個(gè)、4.32個(gè)、2.20個(gè)百分點(diǎn)，其Kappa系數(shù)高達(dá)0.9487，比KNN、CART決策樹和SVM分別高出0.1055、0.0537、0.0275。

表2分類結(jié)果精度

2.3農(nóng)作物分類用戶精度和生產(chǎn)者精度從用戶精度UA和生產(chǎn)者精度PA方面分析算法對(duì)農(nóng)作物的分類效果。如表3所示，RF算法分類結(jié)果中，玉米和水稻的生產(chǎn)者精度分別為 96.99%97.40% ，居所有算法之首，表明RF算法對(duì)這2類作物的漏檢情況優(yōu)于其余算法；芝麻的生產(chǎn)者精度（ 92.42% ）與CART決策樹并列最高，表明RF算法和CART決策樹算法對(duì)芝麻的漏檢程度相當(dāng)，但RF算法對(duì)以上3類作物的用戶精度均低于SVM算法，表明RF算法對(duì)這3類作物的錯(cuò)分情況相對(duì)SVM算法更嚴(yán)重；另外，棉花的用戶精度僅有 75.28% ，表明RF算法容易將其他類別樣本錯(cuò)分為該類。SVM算法分類結(jié)果中，玉米、芝麻和水稻的用戶精度均為 100% ，表明該算法對(duì)這3類作物無錯(cuò)分的情況，但是玉米和芝麻的生產(chǎn)者精度分別為 87.22%.83.83% ，均居所有算法末位，表明SVM算法對(duì)這兩類作物漏檢較為嚴(yán)重；SVM算法對(duì)棉花和水稻兩類作物分類效果較好，其用戶精度和生產(chǎn)者精度均在 95.00% 以上；該算法對(duì)窄葉大豆的分類結(jié)果比較特殊，窄葉大豆用戶精度僅有 70.00% ，是所有分類算法中最低的，表明實(shí)際為窄葉大豆的樣本中有 30% 被誤分為其他類別，但是生產(chǎn)者精度（ 97.00% ）卻最高，表明模型預(yù)測(cè)為該類的樣本中漏檢較少。CART決策樹算法分類結(jié)果中，芝麻的分類效果較好，用戶精度（ 100% ）是各算法中最高的，其生產(chǎn)者精度（ 92.42% ）與RF算法中芝麻的生產(chǎn)者精度（ 92.42% ）均最高。KNN算法分類結(jié)果中，水稻與窄葉大豆的用戶精度為 100% ，表明無錯(cuò)分情況，但是兩類作物的生產(chǎn)者精度均低于 84.00% ，表明模型預(yù)測(cè)為這兩類的樣本中存在漏檢。綜合對(duì)比分析可知，RF算法對(duì)各類作物均有較好的分類識(shí)別效果，而CART決策樹、SVM只對(duì)部分作物分類識(shí)別效果較好，因此RF對(duì)各作物的分類更具有適用性。

表3不同方法下作物分類用戶精度及生產(chǎn)者精度 （% ）

3 討論與結(jié)論

目前無人機(jī)高光譜遙感在農(nóng)業(yè)領(lǐng)域的應(yīng)用多集中于大尺度作物分類或基于像素級(jí)作物分類研究，而針對(duì)農(nóng)田小尺度的農(nóng)作物分類研究較少。本研究使用面向?qū)ο蠼Y(jié)合機(jī)器學(xué)習(xí)算法的分類方法，驗(yàn)證無人機(jī)高光譜數(shù)據(jù)在農(nóng)田小尺度場(chǎng)景下農(nóng)作物精細(xì)分類的可行性和適用性。在RF和SVM分類結(jié)果中，對(duì)于玉米和寬葉大豆這兩類多樣本作物的分類結(jié)果，RF算法優(yōu)于SVM算法；對(duì)于棉花小樣本作物的分類結(jié)果，SVM算法優(yōu)于RF算法；對(duì)于芝麻、水稻兩類小樣本作物的分類結(jié)果，RF算法對(duì)真實(shí)樣本的覆蓋能力強(qiáng)于SVM算法，但是對(duì)樣本的預(yù)測(cè)能力弱于SVM算法，這種差異主要源于算法本身，RF算法對(duì)噪聲數(shù)據(jù)和異常值不敏感，多棵樹的集成可降低過擬合風(fēng)險(xiǎn)，并且該算法通過自助采樣平衡類別分布，適用于多樣本、高維度數(shù)據(jù)，而SVM算法對(duì)小樣本數(shù)據(jù)表現(xiàn)優(yōu)異，但參數(shù)取值對(duì)結(jié)果影響較大，需精細(xì)調(diào)參。以上研究結(jié)果中，RF算法和SVM算法對(duì)玉米和寬葉大豆的分類結(jié)果與陽昌霞等[研究結(jié)果一致；因算法之間的差異導(dǎo)致了對(duì)各作物的不同分類效果，這與劉康康等[17]對(duì)樹種的分類研究結(jié)果一致。

本研究以無人機(jī)高光譜遙感影像為研究數(shù)據(jù)，通過采用面向?qū)ο笈c多種機(jī)器學(xué)習(xí)結(jié)合的方法，探究了在農(nóng)田小尺度下進(jìn)行農(nóng)作物精細(xì)分類的可行性與適用性，一定程度上實(shí)現(xiàn)了農(nóng)田小尺度下農(nóng)作物的分類，但是存在一定的局限性，如數(shù)據(jù)降維方法選取單一，未系統(tǒng)對(duì)比其他降維方法對(duì)分類結(jié)果的影響；另外算法參數(shù)優(yōu)化不足，未通過交叉驗(yàn)證指標(biāo)客觀分析算法參數(shù)取值對(duì)分類結(jié)果的影響，后續(xù)待進(jìn)一步完善。研究表明，面向?qū)ο蟮姆椒軌蚯逦鷧^(qū)分各類作物邊界，為精細(xì)分類奠定了基礎(chǔ)；多種分類模型中隨機(jī)森林方法的分類總體精度高達(dá) 95.84% ，Kappa系數(shù)達(dá)0.9487，分類結(jié)果與實(shí)際作物分布有較好的一致性，能夠較好地分類識(shí)別各類作物，并且對(duì)玉米的分類效果最好；以上結(jié)果表明，基于無人機(jī)高光譜影像的面向?qū)ο蠼Y(jié)合機(jī)器學(xué)習(xí)方法，在農(nóng)田小尺度進(jìn)行農(nóng)作物分類是可行且適用的，可進(jìn)一步為農(nóng)作物精細(xì)分類提供理論支持。

參考文獻(xiàn)

[1]張影，趙小娟，王迪.基于高光譜遙感的農(nóng)作物分類研究進(jìn)展.中國農(nóng)業(yè)信息，2019，31（5）：1-12

[2]鄭西方.基于無人機(jī)高光譜影像的典型農(nóng)作物精細(xì)分類研究.科學(xué)技術(shù)創(chuàng)新，2021（23）：1-3

[3]郭交，朱琳，靳標(biāo).基于Sentinel-1和Sentinel-2數(shù)據(jù)融合的農(nóng)作物分類.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（4）：192-198

[4]余銘，魏立飛，尹峰，李丹丹，黃慶彬.基于條件隨機(jī)場(chǎng)的高光譜遙感影像農(nóng)作物精細(xì)分類.中國農(nóng)業(yè)信息，2018，30（3）：74-82

[5]郭欣怡，呂揚(yáng)，王源，宣兆新.多級(jí)融合的珠海一號(hào)高光譜影像冬小麥分類.北京測(cè)繪，2023，37（10）：1391-1396

[6]虞佳維，程志慶，張勁松，王鶴松，蔣躍林，楊書運(yùn).高光譜信息的農(nóng)林植被種類區(qū)分.光譜學(xué)與光譜分析，2018，38（12）：3890-3896

[7]劉斌，史云，吳文斌，段玉林，趙立成.基于無人機(jī)遙感可見光影像的農(nóng)作物分類.中國農(nóng)業(yè)資源與區(qū)劃，2019，40（8）：55-63

[8]陽昌霞，劉漢湖，張春.基于SVM與RF的無人機(jī)高光譜農(nóng)作物精細(xì)分類.河南科學(xué)，2020，38（12）：1987-1995

[9]蘭玉彬，朱梓豪，鄧小玲，練碧楨，黃敬易，黃梓效，胡潔.基于無人機(jī)高光譜遙感的柑橘黃龍病植株的監(jiān)測(cè)與分類.農(nóng)業(yè)工程學(xué)報(bào)，2019，35（3）：92-100

[10]陶惠林，徐良驥，馮海寬，楊貴軍，苗夢(mèng)珂，林博文.基于無人機(jī)高光譜長勢(shì)指標(biāo)的冬小麥長勢(shì)監(jiān)測(cè).農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（2）：180-191

[11]張瀾，王妮，朱冰雪，李丹，謝巴圖，隋智鐘，陳圣波.基于無人機(jī)高分辨率影像的農(nóng)作物分類研究.江西農(nóng)業(yè)學(xué)報(bào)，2022，34（2）：178-187

[12]ZhongYF，HuX，LuoC，WangXY，ZhaoJ，ZhangLP.WHU-Hi：UAV-borne hyperspectral with high spatial resolution （ ?H²"）benchmark datasetsandclassifier for precise crop identification basedondeepconvolutional neural networkwith CRF.Remote SensingofEnvironment，2020，250：112012

[13]ZhongYF，WangXY，XuY，WangSY，JiaTY，ZhaoJ，WeiLF，ZhangLP.Mini-UAV-bornehyperspectralremotesensing：Fromobservation and processing to applications.IEEEGeoscience andRemote SensingMagazine，2018，6（4）：46-62

[14]馬燕妮，明冬萍，楊海平.面向?qū)ο笥跋穸喑叨确指钭畲螽愘|(zhì)性參數(shù)估計(jì).遙感學(xué)報(bào)，2017，21（4）：566-578

[15]金夢(mèng)婷，徐權(quán)，郭鵬，韓寶華，金軍.基于面向?qū)ο蠖嗵卣鲗W(xué)習(xí)的無人機(jī)影像農(nóng)作物精細(xì)分類方法.遙感技術(shù)與應(yīng)用，2023，38（3）：588-598

[16]黃磊，全思湘，王珍香.基于eCognition平臺(tái)的第三次全國國土調(diào)查應(yīng)用研究.國土資源導(dǎo)刊，2021，18（1）：21-26

[17]劉康康，鐘浩，林文樹.基于不同機(jī)器學(xué)習(xí)算法的無人機(jī)高光譜影像樹種分類研究.森林工程，2024，40（4）：98-108

[18]BreimanL，F(xiàn)ridmanJ，OlshenRA，StoneCJ.Classificationandregression trees.London：Chapmanamp;Hall/CRC，1984

[19]趙宇虹.隨機(jī)森林遙感信息提取研究進(jìn)展及應(yīng)用研究.測(cè)繪與空間地理信息，2021，44（3）：133-136，139（收稿日期：2025-04-15）