陳智虎， 許元紅， 童倩倩， 劉春艷， 趙澤英

(貴州省農(nóng)業(yè)科學院 科技信息研究所， 貴州 貴陽 550006)

農(nóng)業(yè)是人類賴以生存和抵御自然災害的基礎，而農(nóng)作物類型的確定也將成為一項基礎性的工作[1]。農(nóng)作物種植信息獲取尤為重要，厘清地區(qū)的農(nóng)作物種植信息不僅可以為農(nóng)業(yè)產(chǎn)業(yè)結構調(diào)整提供基礎數(shù)據(jù)，還可為地區(qū)的農(nóng)業(yè)區(qū)劃和農(nóng)田保護提供依據(jù)[2]。

目前，農(nóng)作物種植信息獲取方法較多，使用較多的技術手段還是遙感技術，該技術在農(nóng)作物識別方面不僅省時省力，而且分類精度比較理想[3-5]。無人機能夠進行低空飛行，具有作業(yè)周期短、飛行簡單和起降靈活等優(yōu)勢，彌補了衛(wèi)星遙感在該方面的不足[6-8]。賈鵬剛等[9]利用無人機獲取銀杏樹影像數(shù)據(jù)，產(chǎn)生相應的正射圖像，進而提取銀杏樹的胸徑值，研究表明此方法可行。韓文霆等[10]利用固定翼無人機獲取RGB圖像，提取玉米拔節(jié)期種植信息，玉米種植面積提取誤差在20%以內(nèi)；陳燕麗等[11]基于CLDAS數(shù)據(jù)，運用遙感技術對廣西的晚稻生產(chǎn)寒露風低溫冷害進行監(jiān)測，結果顯示，從CLDAS數(shù)據(jù)中提取的氣溫數(shù)據(jù)與實際監(jiān)測的氣溫數(shù)據(jù)較一致，并且利用遙感技術分析CLDAS數(shù)據(jù)，能夠快速監(jiān)測當?shù)赝淼竞讹L災害等級分布狀況的優(yōu)勢。目前，利用無人機提取不同種類農(nóng)作物信息的文獻報道較少，筆者等在前人研究基礎上，利用色彩紋理特征組合方法對大豆、水稻和玉米的種植信息進行提取，以期為實現(xiàn)無人機遙感農(nóng)作物類別的快速識別提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于貴定縣盤江鎮(zhèn)馬場河村，馬場河村位于貴定縣城北面，距離貴定縣城16.5 km(封三圖Ⅰ)。全村總面積28.5 km2，鄉(xiāng)級公路貫穿始終，全村4 800余人，耕地面積226.8 hm2，農(nóng)業(yè)經(jīng)濟以種植水稻、玉米、馬鈴薯和油菜等為主，主要耕作模式為玉米套種油菜以及玉米套種蠶豆等。馬長河村水資源比較豐富，全年氣候宜人，冬無嚴寒，夏無酷暑，自然環(huán)境宜居宜游。

1.2 數(shù)據(jù)獲取與預處理

1.2.1 遙感影像獲取 遙感影像獲取采用CW-007垂直起降純電動型無人機搭載4 200萬像素的正射相機，鏡頭焦距35 mm，全景對焦，與無人機連接；飛機自帶GPS導航系統(tǒng)，通過地面站軟件設置好航線以后，電腦控制起飛降落，具體參數(shù)為分辨率0.03 m，飛行海拔1 566 m，航拍高度200 m，航向重疊度75%，旁向重疊度70%，垂直方向定位精度0.03 m，水平方向定位精度0.01 m，巡航速度65 km/h。

遙感數(shù)據(jù)于2019年8月7日采集，采用CWcommander地面站軟件進行航線規(guī)劃(封三圖Ⅱ)，無人機飛行航高200 m，航線總長度51 km，拍照間距92 m，總航時50 min。共采集982張JPG格式影像。

1.2.2 數(shù)據(jù)處理 利用PIX4D對獲取的遙感影像進行拼接，無人機獲取的遙感影像是坐標信息和照片分離的，需要在軟件中分別添加，利用照片編號進行一一對應，最終拼接得到符合精度要求為1∶1 000的遙感影像。影像空間分辨率0.03 m，面積約為1.7 km2，研究選取正射影像中農(nóng)作物種類較多的區(qū)域作為研究區(qū)域，面積約為0.36 km2，影像數(shù)據(jù)包含了R、G、B 3種色彩的灰度值，有27 968×45 615個像元。

1.3 作物種植類型信息的提取

無人機遙感獲取的影像數(shù)據(jù)只有紅、綠、藍3個波段，無法通過計算植被指數(shù)提取農(nóng)作物信息，通過色彩空間的轉換和不同紋理濾波的處理獲取遙感影像中農(nóng)作物的紋理信息，這種方法能夠有效地避免同譜異物和同物異譜現(xiàn)象的產(chǎn)生，能夠提高農(nóng)作物識別的精度。從獲取的遙感影像中選擇不同農(nóng)作物的典型區(qū)域作為樣本，計算影像的色彩特征和紋理特征并進行統(tǒng)計分析，篩選出能夠區(qū)分不同作物類型的關鍵特征參數(shù)，并以此依據(jù)進行作物信息的提取?；叶裙采仃嚩x了均值、方差等紋理指數(shù)，其中均值(Mean)、方差(VAR)和信息熵(Ent)3種特征的計算如下[12]：

式中f(i,j)為各樣本點的數(shù)值，n為樣本數(shù)量，Mean為對象的平均灰度值，VAR為對象各像元的灰度變化大小，Ent為對象的無序程度。

利用ENVI 5.1對獲取的影像數(shù)據(jù)分別統(tǒng)計3個波段的灰度值，然后進行色彩空間轉換得到影像的色度、亮度、飽和度3項色彩特征，通過計算，得到3種顏色的均值、方差、信息熵、相關性、對比度及二階矩等6項紋理特征。

在野外采集農(nóng)作物樣本作為內(nèi)業(yè)判讀的依據(jù)。研究選定玉米、大豆和水稻3種農(nóng)作物作為典型樣本進行提取研究，選擇大豆樣本21個，水稻樣本19個，玉米樣本22個，對每個指標結果進行統(tǒng)計最終得到24項特征指標的均值和方差，進而得到不同農(nóng)作物間的差異系數(shù)，其計算如下：

D=S2

式中，D為方差，S為標準差，V為變異系數(shù)，M為樣本均值，DW為差異系數(shù)，S1和S2分別為樣本1和樣本2的均值。

1.4 提取信息的分類及驗證

通過分析3種農(nóng)作物的色彩特征和紋理特征，初步選定亮度、飽和度和綠色二階矩作為最佳的分類特征組合對研究區(qū)域內(nèi)農(nóng)作物進行分類。

利用外業(yè)采集的樣本進行遙感判讀得到的分類結果作為檢驗本研究方法提取農(nóng)作物的精度。遙感判讀主要通過Arcgis，結合外業(yè)采集的樣本，在室內(nèi)進行遙感影像矢量化判別每一種農(nóng)作物，最終獲取研究區(qū)的影像判讀結果，并對每一類農(nóng)作物面積進行統(tǒng)計。根據(jù)提取的結果，統(tǒng)計不同農(nóng)作物的種植面積，分別與目視解譯判讀結果進行比對，判斷基于顏色紋理特征提取農(nóng)作物的精度。

2 結果與分析

2.1 色彩和紋理特征的統(tǒng)計與分析

從封三圖Ⅲ看出，玉米、大豆和水稻3種作物在顏色、紋理和亮度上有明顯的差異。大豆以深綠色為主，局部地區(qū)種植比較稀疏，出現(xiàn)淺綠色，整體緊湊；水稻紋理明顯，具有明顯的條帶狀分布特征，植株之間有明顯的間隙，顏色單一，呈淺綠色，地塊形狀以矩形居多，比較規(guī)則；玉米植株特征比較明顯，主要呈亮綠色，顏色較深，由于拍攝季節(jié)的原因，玉米植株中央呈淺黃色，主要是受玉米穗顏色影響，也是區(qū)別于其他作物的特征。

由表1可知，3種農(nóng)作物之間各項特征變異系數(shù)和作物間差異系數(shù)變化較大，在亮度、飽和度方面，大豆、玉米和水稻存在明顯的差異，其亮度為大豆>水稻>玉米，飽和度為水稻>大豆>玉米。據(jù)此可以較好地將3種農(nóng)作物分開。其次，在綠色二階矩指標中，大豆與玉米、水稻的差異系數(shù)分別為42.28和41.15，差異明顯，能夠快速將大豆與玉米和水稻進行區(qū)分。由此可見，判別農(nóng)作物信息差異的指標數(shù)量較多，通過對比挑選出最適合的指標進行農(nóng)作物分類，能夠提高農(nóng)作物分類的效率和精度，在大豆、玉米和水稻信息的提取中，以亮度、飽和度和綠色二階矩為主，其余指標作為輔助進行農(nóng)作物信息的提取。

2.2 提取信息的分類及誤差

從封三圖Ⅳ可知，研究區(qū)農(nóng)作物可分為玉米、黃豆、水稻和其他4類。從分類結果看，區(qū)域內(nèi)大豆種植范圍比較大。此外，從基于顏色紋理特征組合提取的區(qū)域農(nóng)作物分布空間分布情況看出，該研究方法提取的農(nóng)作物分類與遙感目視解譯判讀的結果大體一致。差異較小。

由表2可知，大豆、水稻、玉米的目視解譯面積分別為2.09 hm2、1.85 hm2和1.53 hm2；基于顏色紋理特征提取的3種農(nóng)作物的面積分別為1.95 hm2、1.67 hm2和1.5 hm2，大豆、水稻和玉米提取誤差分別為7.01%、9.71%和1.75%。

表1 3種農(nóng)作物提取信息的變異系數(shù)和差異系數(shù)

表2不同方法對作物種植面積的提取結果

Table 2 Extraction results of crop planting area by two extraction methods

作物類型Crop目視解譯/hm2Visual interpretation顏色紋理特征/hm2 Color textural feature誤差/%Error大豆 Soybean2.091.957.01水稻 Rice1.851.679.71玉米 Maize1.531.501.75其他 Other2.773.1312.74

3 小結

研究利用無人機航拍的優(yōu)勢，獲取研究區(qū)內(nèi)的遙感影像，利用色彩空間轉換和灰度共生矩陣紋理濾波中的亮度、飽和度和綠色二階矩進行組合，提取研究區(qū)內(nèi)大豆、水稻和玉米3種農(nóng)作物信息，利用遙感影像判讀的結果作為檢驗基于色彩紋理特征組合分類方法的精度。結果表明，利用色彩紋理特征組合提取的大豆、水稻和玉米種植面積的提取結果誤差分別為7.01%、9.71%和1.75%，3種農(nóng)作物中，玉米的分類精度高于大豆和水稻，水稻分類精度略低，分類效果均較好。

利用無人機遙感對農(nóng)作物的分布情況、面積進行提取精度較好，研究使用的無人機操作簡單、安全性較高，在農(nóng)作物信息提取和監(jiān)測中具有一定的優(yōu)勢，是農(nóng)作物調(diào)查的一個重要補充手段。但是，也有一些局限性：一是純電動無人機續(xù)航時間有限，航拍面積較小，受天氣和海拔的影響較大，很難滿足更大區(qū)域數(shù)據(jù)的采集；二是無人機航拍獲取的數(shù)據(jù)量較大，對于后期數(shù)據(jù)處理的速度有很大的限制；三是作物光譜特征比較復雜，同一種農(nóng)作物存在被錯分為不同農(nóng)作物類型可能。在以后的研究中，可以從同物異譜及同譜異物分類提取方面進行研究，無人機航拍方面選擇更適合飛行的地點進行航拍。