王晨宇張亞民吳伯彪郭學(xué)來

(1.國家統(tǒng)計局河南調(diào)查總隊，河南 鄭州 450018；2.鄭州科技學(xué)院，河南 鄭州 450064)

長期以來，我國農(nóng)作物種植類型等重要農(nóng)業(yè)統(tǒng)計數(shù)據(jù)，主要通過全面統(tǒng)計或抽樣調(diào)查等傳統(tǒng)方法獲得，由分布在全國各地的農(nóng)調(diào)隊等定期收集農(nóng)作物種植種類信息、農(nóng)作物播種面積信息、作物長勢狀況、受災(zāi)情況，逐級匯報或者直接上報到農(nóng)業(yè)農(nóng)村部，作為分析全國農(nóng)業(yè)結(jié)構(gòu)種植情況和采取對策的依據(jù)。采用人工GPS實測地面樣方或衛(wèi)星影像輔助調(diào)查時，由于調(diào)查人員的業(yè)務(wù)能力各不相同無法做到客觀規(guī)范，在收集、處理及上報的過程中存在時間滯后，采集的信息存在差異性，且人工方法存在調(diào)查工作量龐大、財力和物力耗費高及調(diào)查周期長等諸多缺陷。衛(wèi)星遙感信息具有可覆蓋面積大、探測能力強(qiáng)及現(xiàn)勢性強(qiáng)等特點，為快速準(zhǔn)確獲取作物種植分類提供了新的技術(shù)手段。近些年，遙感技術(shù)已經(jīng)在農(nóng)作物分類動態(tài)信息提取、作物分布制圖中發(fā)揮了重要作用，但由于高分辨率的衛(wèi)星重返周期長，特定時間的指定區(qū)域的數(shù)據(jù)無法保證，單一利用遙感進(jìn)行農(nóng)作物分類監(jiān)測精度無法滿足要求，必須輔助以地面采樣調(diào)查，實現(xiàn)農(nóng)作物種植分類的精細(xì)提取。

隨著無人機(jī)平臺及攝影測量技術(shù)的發(fā)展，無人機(jī)遙感為農(nóng)作物分類調(diào)查提供了新思路，無人機(jī)具有作業(yè)靈活、操作簡單、節(jié)省人力物力等特點，可以獲得超高分辨率遙感影像，在中小尺度上，無人機(jī)能充分發(fā)揮優(yōu)勢，還可以為大面積衛(wèi)星遙感提供地面驗證，對作物監(jiān)測技術(shù)的發(fā)展和應(yīng)用具有重大意義。因此，通過無人機(jī)遙感影像獲得農(nóng)作物分類信息十分必要。

多波段傳感器可獲得更多波譜信息，然而如何從海量影像數(shù)據(jù)中及時、準(zhǔn)確地獲取所需信息并加以利用是需要解決的重大問題之一。有效地對具有高空間及光譜分辨率的影像分類，進(jìn)行信息的提取和解譯，在地物識別、農(nóng)田災(zāi)害監(jiān)測、植被覆蓋度反演等方面具有重要的意義，也是困擾很多人的難點之一。

1 研究區(qū)概況

原陽縣屬河南新鄉(xiāng)市，地處豫北平原，南臨黃河，北面是余河通道，地勢西南偏高，東北偏低，地貌屬黃河沖積平原，其地理坐標(biāo)E113°36′～114°15′，N34°55′～35°11′，其四鄰，東接封丘，西鄰武陟、獲嘉，背靠新鄉(xiāng)、延津，南于中牟和鄭州郊區(qū)隔河相望。

2 研究方法

2.1 技術(shù)路線

基于無人機(jī)影像提取農(nóng)作物光譜、紋理和地形3種特征，基于語義分割模型DeepLabv3+獲取4種農(nóng)作物(玉米、花生、水稻和大豆)范圍信息。具體技術(shù)路線如圖1所示。

圖1 技術(shù)流程圖

2.2 基本原理

利用無人機(jī)影像光譜、紋理、空間特征組合提取農(nóng)作物分類信息方法的基本原理大體如下。進(jìn)行研究區(qū)域選擇和地面實際情況調(diào)查，用無人機(jī)遙感系統(tǒng)進(jìn)行影像采集；基于影像及數(shù)字表面模型提取農(nóng)作物光譜、紋理、空間組合最優(yōu)分類特征,采用多種分類辦法，如支持向量機(jī)等，進(jìn)行農(nóng)作物無人機(jī)遙感影像的分類研究，統(tǒng)計分類精度及分類速度，分析無人機(jī)遙感影像分辨率對農(nóng)作物分類精度的影響；根據(jù)分類精度，制定滿足農(nóng)業(yè)統(tǒng)計調(diào)查應(yīng)用的分類方法和遙感影像分辨率，形成農(nóng)作物分類的自動解譯系統(tǒng)。

目前關(guān)于農(nóng)作物分類自動解譯還處于技術(shù)研究和分析階段，沒有較為成熟的識別系統(tǒng)廣泛應(yīng)用。其根本原因為農(nóng)作生長情況較為復(fù)雜，生長過程受自然因素和人為因素影響較大，在遙感影像中呈現(xiàn)的紋理特征和光譜特征差異較大，往往還會出現(xiàn)同物異譜和異物同譜的現(xiàn)象，僅通過物候時間、紋理特征、光譜信息比較難以區(qū)分易混淆和相似的作物種類，作物識別精度不高。

因此，設(shè)計該功能模塊應(yīng)該充分借助當(dāng)前應(yīng)用較為廣泛的深度學(xué)習(xí)模式，利用調(diào)查隊的調(diào)查優(yōu)勢，獲取足量的、準(zhǔn)確的樣本數(shù)據(jù)，為開展本地作物的自動識別做好數(shù)據(jù)支撐，從而提高作物識別精度。

2.3 特征確定

2.3.1 光譜特征

大疆精靈4無人機(jī)平臺搭載的多光譜成像相機(jī)，搭載可見光、近紅和紅光邊緣5個原始波段，以及5個植被指數(shù)。具體原理是利用植被指數(shù)將不同作物的光譜信息與其它地物的光譜信息差異放大，從而提取出農(nóng)作物分類的分布信息。

表1 無人機(jī)多光譜影像波段范圍

表2 無人機(jī)多光譜影像植被指數(shù)說明

2.3.2 紋理特征

高分辨率無人機(jī)遙感數(shù)據(jù)，減少了混合像元的出現(xiàn)，使得農(nóng)作物的冠層形狀、尺寸、結(jié)構(gòu)等更加清晰，因而增加紋理信息比單純利用光譜信息有更好分類效果?；叶裙采仃囀悄壳皯?yīng)用最廣泛的一種紋理統(tǒng)計分析方法，將灰度共生矩陣GLCM作為基礎(chǔ)提取紋理統(tǒng)計量，在14個紋理統(tǒng)計量中，僅有4個特征是不相關(guān)的，分別是二階矩、對比度、相關(guān)和熵。

2.3.3 地形特征

表3 無人機(jī)多光譜影像紋理特征說明

無人機(jī)數(shù)字表面模型(Digital Surface Model，DSM)是包含各種地物的表面高程信息，如建筑物頂層表面高度、植被冠層表面高度，并不是植被覆蓋區(qū)地面的高度。在原陽縣，種植多種農(nóng)作物，如玉米、水稻、大豆和花生，由于農(nóng)作物物候不同以及品種本身差異，從而可以將作物高程信息作為農(nóng)作物分類提取特征，提高分類精度。采用DSM-DEM提取農(nóng)作物植株株高數(shù)據(jù)。

2.4 影像切片

通過將無人機(jī)多個特征通道輸入，結(jié)合野外和內(nèi)業(yè)人工標(biāo)注具體農(nóng)作物類型，將每景影像切割成1024×1024的切片大小，基于語義分割模型DeepLabv3+將影像分割成5個類別，分別是玉米、水稻、花生、大豆和背景，并通過GDAL庫將結(jié)果賦予地理投影信息。

2.5 語義分割模型

圖像語義分割(Semantic Segmentation)，又叫作全像素語義分割(Full-pixel semantic segmentation)是圖像處理和機(jī)器視覺技術(shù)中關(guān)于圖像理解的重要一環(huán)，也是AI領(lǐng)域中一個重要的分支。

早期，計算機(jī)視覺的初始應(yīng)用需求只是識別基本元素，如邊緣(線和曲線)或漸變，前期的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)只是識別圖像中存在的內(nèi)容，從未完全按照人類感知的方式提供像素級別的圖像理解。通過圖像語義分割來理解像素級的圖像，其將屬于同一目標(biāo)的圖像部分聚集在一起，是對圖像中每一個像素點進(jìn)行分類，確定每個點的類別(如屬于背景、大豆或玉米等)，從而進(jìn)行區(qū)域劃分。

識別每個像素或分組像素一起分配類別的過程可以通過以下過程，效果如圖2所示。

圖2 圖像分類(左)、物體識別和檢測(中)、語義分割(右)

圖像分類(image classification)，識別圖像中存在的內(nèi)容；物體識別和檢測(object recognition and detection)，識別圖像中存在的內(nèi)容和位置(基于邊界框)；語義分割(semantic segementation)，識別圖像中存在的內(nèi)容和位置(通過查找屬于它的所有像素)

語義分割模型可以被認(rèn)為分類問題，其中每個像素被分類為來自某一系列對象中的某一個，為了識別衛(wèi)星圖像上每個像素的具體農(nóng)作物類型(如玉米、花生、水稻和大豆)，農(nóng)作物分類可以被視為多級語義分割任務(wù)。

2.6 DeepLabv3+模型

2.6.1 模型基礎(chǔ)

2.6.1.1 深度卷積神經(jīng)網(wǎng)絡(luò)DCNN

深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)如AlexNet、VGG和ResNets的常規(guī)深度卷積神經(jīng)網(wǎng)絡(luò)模型不適合于這類像素級預(yù)測任務(wù)，因為這些模型包含很多層，經(jīng)過多層卷積層和池化層來降采樣，此時特征圖維度降低，但是特征更高級，語義更豐富，對于簡單的圖像分類任務(wù)沒有問題，由于特征圖過小對于語義分割模型則無法接受。圖3為深度卷積神經(jīng)網(wǎng)絡(luò)基本架構(gòu)。

圖3 深度卷積神經(jīng)網(wǎng)絡(luò)基本架構(gòu)示意圖

2.6.1.2 殘差網(wǎng)絡(luò)ResNet

殘差網(wǎng)絡(luò)(ResNet)是一個非常受歡迎的DCNN，ResNet的特點是容易優(yōu)化，并且能夠增加相當(dāng)?shù)纳疃葋硖岣邷?zhǔn)確率，其內(nèi)部的殘差塊使用了跳躍連接，緩解了在深度神經(jīng)網(wǎng)絡(luò)中增加深度帶來的梯度消失問題。

2.6.1.3 DeepLabv3

DeepLab使用在ImageNet上預(yù)訓(xùn)練的殘差網(wǎng)絡(luò)ResNet作為其主要特征提取器網(wǎng)絡(luò)，在這個模塊頂部，使用了ASPP。

2.6.1.4 ASPP空洞空間金字塔池

對于ASPP，其想法是為模型提供多尺度信息，因此ASPP增加了一系列具有不同擴(kuò)張率的空洞卷積，這些不同擴(kuò)張率是為了獲取較大上下文圖像語義信息，此外，為了添加全局上下文信息，ASPP通過全局平均池合并了圖像級的特征。

2.6.1.5 空洞卷積

空洞卷積是帶有擴(kuò)張因子的傳統(tǒng)卷積，其中擴(kuò)張因子擴(kuò)展了濾波器的視野。

2.6.2 模型架構(gòu)

DeepLabv3+是性能最好的語義分割模型之一。相較于其它語義分割模型，采用2大關(guān)鍵技術(shù)，把Xception和深度可分離卷積應(yīng)用到ASPP和Decoder中，編碼器-解碼器(Encoder-Decoder)結(jié)構(gòu)可以更好地恢復(fù)物體的邊緣信息。

DeepLabv3+模型的整體架構(gòu)如圖4所示，將原DeepLabv3當(dāng)作Encoder，添加Decoder，得到新的模型DeepLabv3+。其Encoder的主體就是原DeepLabv3，Decoder的主體是帶有空洞卷積的DCNN，采用常用的分類網(wǎng)絡(luò)ResNet，然后是帶有空洞卷積的SPP，主要是為了引入多尺度信息，相比DeepLabv3，v3+引入了Decoder模塊，其將底層特征與高層特征進(jìn)一步融合，提升分割邊界準(zhǔn)確度。

圖4 DeepLabv3+模型的整體架構(gòu)示意圖

3 實驗分析及精度評估

以原陽縣為研究區(qū)，采集原陽縣7個村，共21個樣方，共18景多光譜無人機(jī)影像；進(jìn)行作物標(biāo)注，并基于深度學(xué)習(xí)進(jìn)行作物分類識別；最終識別規(guī)則為將樣方內(nèi)及周圍作物分為5類，分別為玉米、水稻、花生、大豆、其它(道路、坑塘、水溝、園林、大棚、建筑等)5類。并進(jìn)行分類精度驗證。

3.1 數(shù)據(jù)采集

使用大疆精靈4多光譜版搭載了一體式的多光譜成像系統(tǒng)，集成了1個可見光及5個多光譜傳感器(藍(lán)、綠、紅、紅邊和近紅外)。配置智能規(guī)劃軟件，創(chuàng)建自動化作業(yè)任務(wù)，包括飛行計劃、任務(wù)執(zhí)行和飛行數(shù)據(jù)管理。利用制圖軟件，進(jìn)行照片拼接和基礎(chǔ)指數(shù)提取。通過相關(guān)軟件完成影像的拼接及相關(guān)指數(shù)層提取。

大疆精靈4以開發(fā)基于安卓版的SDK，后期可集成于安卓平板。無人機(jī)獲取數(shù)據(jù)參數(shù)：飛行高度，120m；地面分辨率，5cm；光譜通道，可見光拼圖1套，紅、綠、藍(lán)、近紅外光單獨通道4套，自動計算的指數(shù)5套，DSM數(shù)據(jù)5套；單個樣方飛行時間，2min以下，此次為了積累訓(xùn)練數(shù)據(jù)，飛行面積大大超過200m×200m的樣方面積。

3.2 數(shù)據(jù)處理

快速拼圖使用大疆制圖軟件對拍攝完成后的原片進(jìn)行快速制圖，2.5G左右文件，約8min即可完成(拍攝范圍遠(yuǎn)遠(yuǎn)大于樣方面積)。

3.3 模型訓(xùn)練

標(biāo)注使用深度學(xué)習(xí)專業(yè)標(biāo)注軟件，對7個村拍攝范圍內(nèi)的影像進(jìn)行標(biāo)注，以供后期訓(xùn)練學(xué)習(xí)。進(jìn)行像素級別標(biāo)注(即水稻或玉米地中的樹木、墳地都會標(biāo)注出來)，分為玉米、水稻、花生、大豆、其它(道路、坑塘、水溝、園林、大棚、建筑等)5類。

訓(xùn)練模型構(gòu)建，基于可見光圖層，紅、綠、藍(lán)、近紅外、DSM等6個維度進(jìn)行訓(xùn)練。將不同地物的光譜特征、紋理特征和高度特征進(jìn)行充分考慮，使用深度學(xué)習(xí)算法進(jìn)行訓(xùn)練。植被、水、建筑、道路、大棚之間有著明顯光譜區(qū)別，易于區(qū)分；園林木與作物之間在紋理與光譜之間差別也較大，也易于區(qū)分；玉米、水稻、花生、大豆之間，光譜差別較小，但在紋理、高度差別較大，也相對容易區(qū)分。

3.4 分類結(jié)果

以桂劉莊為例，使用深度學(xué)習(xí)分別對遙感影像和無人機(jī)拍攝的影像進(jìn)行分類，分類結(jié)果如圖5所示。從圖5中可以看出，以GF-6為底圖進(jìn)行的野外實測，主要有玉米、花生、果樹、道路、其它等地類，不同地類邊界整齊；以GF-6為底圖采用機(jī)器學(xué)習(xí)的方法進(jìn)行分類，從分類結(jié)果看，不同地類的識別精度比較準(zhǔn)確，但是不同地類的圖斑邊界精度效果很不理想，如道路并沒有單獨識別出來，玉米和花生的圖斑邊界相互交錯，兩類作物中間的空隙識別成道路，區(qū)分度很差，果樹所在地塊識別不準(zhǔn)，錯分為其它和裸地；以無人機(jī)影像為底圖進(jìn)行機(jī)器學(xué)習(xí)分類，分類效果比較理想，不同地類識別準(zhǔn)確，圖斑邊界精度也很高，尤其是果樹、裸地等地物邊界精度較高，其中果樹地塊中的行樹間的裸地也很精確地識別并分離出來，部分花生地塊中長勢較差土壤裸露較大的位置也可以識別分離出來。

圖5 不同數(shù)據(jù)源機(jī)器學(xué)習(xí)自動解譯分類效果對比

3.5 精度驗證

將遙感數(shù)據(jù)分類結(jié)果和無人機(jī)分類結(jié)果進(jìn)行統(tǒng)一處理，以野外實測數(shù)據(jù)為監(jiān)測數(shù)據(jù)，采用混淆矩陣分析方法分別對以2種數(shù)據(jù)源為底圖的機(jī)器學(xué)習(xí)分類結(jié)果進(jìn)行精度分析，以遙感影像為底圖的機(jī)器學(xué)習(xí)分類結(jié)果中，總體分類精度為81.26%，其中花生分類精度為77.43%，玉米分類精度為89.69%；以無人機(jī)影像為底圖的分類結(jié)果中，總體精度為96.16%，其中花生分類精度為93.77%，較遙感影像分類精度提升16.34%，玉米分類精度為98.91%，較遙感影像分類精度提升9.22%。分析結(jié)果如表4-6所示。

表4 遙感影像分類結(jié)果精度驗證矩陣

表5 無人機(jī)影像分類結(jié)果精度驗證矩陣

表6 不同數(shù)據(jù)源為底圖的主要作物機(jī)器學(xué)習(xí)分類精度

4 研究總結(jié)

綜上，目前無人機(jī)多光譜影像自動分類精度均在90%以上，飛行及識別時間均在預(yù)期范圍內(nèi)，已經(jīng)能初步滿足調(diào)查工作使用，后續(xù)可以繼續(xù)完善深度學(xué)習(xí)模型訓(xùn)練，將多種植被指數(shù)納入訓(xùn)練體系，從而進(jìn)一步提升分類精度，使調(diào)查結(jié)果更為精準(zhǔn)，實現(xiàn)多光譜無人機(jī)調(diào)查替代人工調(diào)查。

5 延伸與展望

5.1 影像配準(zhǔn)及面積統(tǒng)計

目前因無人機(jī)外業(yè)時RTK信號不強(qiáng)，未開啟RTK高精度定位功能，后期開啟后，可與前期通過衛(wèi)星影像勾繪的矢量進(jìn)行精準(zhǔn)配準(zhǔn)。

配準(zhǔn)后，可對分類結(jié)果進(jìn)行面向?qū)ο蟮暮筇幚怼Ｄ壳艾F(xiàn)有分類結(jié)果是以像素為單位，處理后的結(jié)果是以矢量為單位，可有效地過濾雜質(zhì)像素，完成以矢量為單位的自動解譯，并進(jìn)行不同地物類別的面積統(tǒng)計和自動填報。

5.2 農(nóng)作物長勢監(jiān)測

長勢監(jiān)測工作主要利用植物的反射光譜，植物的反射光譜隨著葉片中葉肉細(xì)胞、葉綠素、水分含量、氮素含量以及其它生物化學(xué)成分的不同，在不同波段會呈現(xiàn)出不同的形態(tài)和特征的反射光譜曲線。不同的作物、或同一作物在不同的環(huán)境條件、不同的生產(chǎn)管理措施、不同生育期，以及作物營養(yǎng)狀況不同和長勢不同時都會表現(xiàn)出不同的光譜反射特征。

目前可以結(jié)合農(nóng)業(yè)部門關(guān)于作物苗情的監(jiān)測情況，使用多光譜無人機(jī)對確定的苗期數(shù)據(jù)進(jìn)行飛行，獲取植被指數(shù)。將處理好的無人機(jī)影像數(shù)據(jù)對應(yīng)的不同星源衛(wèi)星影像數(shù)據(jù)、MODIS數(shù)據(jù)一齊獲取，并保持時間的一致性。對這3個數(shù)據(jù)均進(jìn)行植被指數(shù)的提取分析，研究這3個植被指數(shù)之間的關(guān)聯(lián)、相關(guān)性等，進(jìn)而確定一個比例或者擬合系數(shù)，通過這個系數(shù)對全區(qū)的植被指數(shù)進(jìn)行分析，獲取到監(jiān)測地區(qū)的不同區(qū)域的苗情和長勢情況。

此外也可以將農(nóng)情遙感監(jiān)測技術(shù)與無人機(jī)平臺相結(jié)合，不僅可以控制在低成本內(nèi)獲取高時間、高空間分辨率的遙感影像，而且減少了天氣、地形等對影像獲取的影響，可以實時獲取作物關(guān)鍵生育時期的信息，從而使得快速準(zhǔn)確監(jiān)測作物長勢成為可能。

5.3 農(nóng)作物產(chǎn)量估算

遙感估產(chǎn)是基于作物特有的波譜反射特征，利用遙感手段對作物產(chǎn)量進(jìn)行監(jiān)測預(yù)報的一種技術(shù)。利用影像的光譜信息可以反演作物的生長信息(如LAI、生物量)，通過建立生長信息與產(chǎn)量問的關(guān)聯(lián)模型(可結(jié)合一些農(nóng)學(xué)模型和氣象模型)，便可獲得作物產(chǎn)量信息。

在收集分析各種農(nóng)作物不同生育期不同光譜特征的基礎(chǔ)上，通過無人機(jī)影像記錄的地表信息，辨別作物類型，監(jiān)測作物長勢，并在作物收獲前，預(yù)測作物的產(chǎn)量?；跓o人機(jī)影像產(chǎn)品提供的植被指數(shù)產(chǎn)品，采用積分?jǐn)?shù)據(jù)原理，計算累積植被指數(shù)LNDVI；構(gòu)建NPP與LNDVI關(guān)系函數(shù)；根據(jù)NPP與作物總產(chǎn)的關(guān)系，確定作物的產(chǎn)量轉(zhuǎn)換系數(shù)，利用當(dāng)年監(jiān)測區(qū)域的總NPP值來估算當(dāng)年作物的總產(chǎn)。