孫凱月

摘 要：該文簡(jiǎn)要概述了遙感技術(shù)，對(duì)無(wú)人機(jī)可見(jiàn)光遙感提取農(nóng)作物信息的研究現(xiàn)狀進(jìn)行了分析，并以某個(gè)農(nóng)作物區(qū)域作為研究案例，就農(nóng)作物信息的提取和驗(yàn)證進(jìn)行了探究。

關(guān)鍵詞：無(wú)人機(jī)可見(jiàn)光遙感影像;農(nóng)作物信息提取;遙感技術(shù)

中圖分類(lèi)號(hào) S127 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-7731（2022）04-0094-03

Abstract： This article provides a brief overview of remote sensing technology， analyzes the current status of research on crop information extraction by UAV visible light remote sensing;secondly， taking a certain crop area as a research object and case， various work on extracting and verifying crop information is launched In-depth explanation.

Key words： UAV visible light remote sensing image; Crop information extraction; Remote sensing technology

在三大產(chǎn)業(yè)當(dāng)中，農(nóng)業(yè)的產(chǎn)值雖然無(wú)法與工業(yè)、服務(wù)業(yè)相比，但農(nóng)業(yè)仍然是人類(lèi)為了維持當(dāng)前的生存和未來(lái)發(fā)展必不可少的基礎(chǔ)性產(chǎn)業(yè)。在農(nóng)業(yè)生產(chǎn)過(guò)程中，確定農(nóng)作物的類(lèi)型是一項(xiàng)重要的工作，在這項(xiàng)工作中，獲取農(nóng)作物的信息是前提。全面掌握一個(gè)地區(qū)的農(nóng)作物信息具有重要的意義，可以合理調(diào)整一個(gè)地區(qū)的農(nóng)業(yè)結(jié)構(gòu)，充分發(fā)揮地區(qū)的自然優(yōu)勢(shì)，促進(jìn)各個(gè)農(nóng)業(yè)區(qū)之間的協(xié)調(diào)發(fā)展。

1 遙感技術(shù)和無(wú)人機(jī)概述

遙感技術(shù)的優(yōu)勢(shì)眾多，包括可以覆蓋極廣的范圍、獲取信息的速度極快、可以多平臺(tái)使用、具有多種分辨率等。因此，遙感技術(shù)在農(nóng)業(yè)信息獲取的過(guò)程中肩負(fù)重要的使命[1-2]。現(xiàn)階段，我國(guó)無(wú)人機(jī)飛行技術(shù)已走在了世界前列，無(wú)人機(jī)飛行技術(shù)發(fā)展迅速，機(jī)動(dòng)性和作業(yè)選擇性較強(qiáng)，具備高度的靈活性。同時(shí)，無(wú)人機(jī)的作業(yè)周期相對(duì)較短，擁有較好的時(shí)效性，并且無(wú)須過(guò)高的使用費(fèi)用，安全性有保障。目前，微型計(jì)算機(jī)技術(shù)、通信技術(shù)等眾多高新信息技術(shù)的發(fā)展，為搭載遙感設(shè)備的無(wú)人機(jī)平臺(tái)發(fā)展奠定重要的基礎(chǔ)，在獲取區(qū)域農(nóng)作物信息的過(guò)程中，這項(xiàng)技術(shù)也應(yīng)用廣泛，并成為了研究的重點(diǎn)[3-4]。

2 無(wú)人機(jī)可見(jiàn)光遙感提取農(nóng)作物信息研究現(xiàn)狀

現(xiàn)階段，由于科技的迅速發(fā)展，獲取農(nóng)作物信息的手段呈現(xiàn)出多樣化的特點(diǎn)，但使用頻率最高，使用范圍最為廣泛的技術(shù)仍然是遙感技術(shù)，該技術(shù)在識(shí)別農(nóng)作物信息的過(guò)程中無(wú)須過(guò)多的時(shí)間，并且獲得的數(shù)據(jù)精度較高。以往利用衛(wèi)星遙感，在位置上距離地面較為遙遠(yuǎn)，作業(yè)的周期相對(duì)較長(zhǎng)，并且衛(wèi)星遙感首先要發(fā)射遙感衛(wèi)星，操作較為復(fù)雜，而搭載遙感設(shè)備的無(wú)人機(jī)出現(xiàn)之后，這些問(wèn)題都被一一解決[5-6]。在無(wú)人機(jī)可見(jiàn)光遙感獲得農(nóng)作物信息這一方面，前人已有如下的研究：賈鵬剛在獲取銀杏樹(shù)影像數(shù)據(jù)的過(guò)程中利用到了無(wú)人機(jī)，在無(wú)人機(jī)可見(jiàn)光遙感的作用下將銀杏樹(shù)的胸徑值提取出來(lái)，通過(guò)成功的實(shí)踐證明無(wú)人機(jī)遙感獲取農(nóng)作物信息的可行性。韓文霆在玉米拔節(jié)期種植期間利用無(wú)人機(jī)獲得了重要的數(shù)據(jù)信息，并以TGB圖像顯示出來(lái)，最終獲得觀察結(jié)果，面積提取誤差值在20%以內(nèi)。陳燕麗以CLDAS數(shù)據(jù)為基礎(chǔ)，在監(jiān)測(cè)晚稻生產(chǎn)寒露風(fēng)低溫冷害的過(guò)程中充分利用了無(wú)人機(jī)遙感技術(shù)，并在遙感技術(shù)的輔助下對(duì)相關(guān)數(shù)據(jù)進(jìn)行深入分析，在較短的時(shí)間內(nèi)了解到了災(zāi)害等級(jí)的分布情況，為后續(xù)的工作奠定了重要的基礎(chǔ)。

汪小欽利用無(wú)人機(jī)遙感技術(shù)獲得重要的RGB圖像，并且利用植物具有的波段反射特性和波段吸收特性構(gòu)建了相關(guān)的指數(shù)（VDVI）。李宗南在獲取農(nóng)作物圖像的過(guò)程中充分利用搭載彩色相機(jī)的小型無(wú)人機(jī)，從紋理和色彩2個(gè)特征入手，分析處于正常狀態(tài)的玉米和出現(xiàn)倒伏的玉米，從而得出結(jié)論：倒伏玉米的誤差值相對(duì)較小。Kyle在識(shí)別藻類(lèi)的過(guò)程中利用無(wú)人機(jī)獲取到了多幅RGB格式的圖像數(shù)據(jù)，并且利用多種算法完成了最終的識(shí)別工作[7]。

王利民以無(wú)人機(jī)可見(jiàn)光遙感技術(shù)為基礎(chǔ)，獲取到農(nóng)作物的RGB格式的影像，根據(jù)圖像本身的特征、包括光譜、幾何形狀、紋理等，充分利用對(duì)象分類(lèi)方法分類(lèi)不同的農(nóng)作物，包括春季玉米、夏季玉米、苜蓿以及缺少農(nóng)作物和植被覆蓋的，裸露在地表的土壤等。董梅在提取煙草種植面積信息的過(guò)程中充分利用無(wú)人機(jī)遙感技術(shù)，了解煙草種植的分布情況。魯恒在無(wú)人機(jī)遙感影像技術(shù)的輔助下，在耕地提取方法中另辟蹊徑，提出了利用遷移學(xué)習(xí)機(jī)制[8]。

3 案例分析

3.1 材料與方法

3.1.1 研究區(qū)域的基本情況 本文研究的主要農(nóng)作物區(qū)域?yàn)槲覈?guó)西南部某省份的一個(gè)農(nóng)村，該村距離最近的縣城有16.5km，整個(gè)村莊的占地面積為28.4km2，該村的交通較為發(fā)達(dá)，公路貫穿其中，整個(gè)農(nóng)村的居住人口在4800余人。在該村中，可以用作耕地的面積為228.7m2，自然優(yōu)勢(shì)利于水稻、玉米以及馬鈴薯等主糧作物的種植，還有以油菜為主的經(jīng)濟(jì)作物的種植。水稻種植位于灌區(qū)，而玉米的種植多為與油菜和蠶豆進(jìn)行套種。該村水資源總量較為豐富，四季的氣候適宜居住，冬季氣溫不會(huì)出現(xiàn)過(guò)低的現(xiàn)象，夏季不會(huì)出現(xiàn)高溫酷熱的天氣，適宜農(nóng)作物的生長(zhǎng)。

3.1.2 數(shù)據(jù)獲取及預(yù)處理

3.1.2.1 數(shù)據(jù)獲取 在獲取數(shù)據(jù)的過(guò)程中，主要利用搭載正射相機(jī)的無(wú)人機(jī)，其中正射相機(jī)的像素為4200萬(wàn)，可以實(shí)現(xiàn)全景的對(duì)焦，而無(wú)人機(jī)的類(lèi)型為純電動(dòng)型，可以垂直起降。無(wú)人機(jī)自身攜帶全球衛(wèi)星定位系統(tǒng)，在于位于地面的站臺(tái)對(duì)接完畢后，可以獲得每次任務(wù)的具體航線，相關(guān)工作人員在地面控制無(wú)人機(jī)的起降。此次利用無(wú)人機(jī)獲取農(nóng)作物數(shù)據(jù)的飛行高度為1568m，無(wú)人機(jī)在航拍的過(guò)程中，整體的高度為200m，航向和旁向的重疊度分別為75%和70%，無(wú)人機(jī)巡航的速度為64km/h，無(wú)人機(jī)飛行的總長(zhǎng)度為51km，總飛行時(shí)間為50min。

3.1.2.2 預(yù)處理 在無(wú)人機(jī)獲取圖像信息之后，利用PIX4D技術(shù)進(jìn)行拼接，這是因?yàn)槔脽o(wú)人機(jī)獲取的圖像信息處于分離狀態(tài)，即照片和坐標(biāo)的信息分離，為了不影響后續(xù)的工作，需要在軟件中添加，補(bǔ)充信息，再利用照片的編號(hào)完成對(duì)應(yīng)的工作，最后遙感影像的精度必須符合1∶1000。研究主要區(qū)域是正射相機(jī)拍攝中農(nóng)作物種類(lèi)較多的區(qū)域，主要研究區(qū)域的面積為0.36km2。此外，影像數(shù)據(jù)中包括的灰度值主要有3種色彩，分別是R、G、B3。

3.1.3 種植作物類(lèi)型信息提取 利用遙感無(wú)人機(jī)獲取的影響數(shù)據(jù)波段有限，僅為紅、藍(lán)和綠3個(gè)，因此，在提取農(nóng)作物信息的過(guò)程中無(wú)法直接通過(guò)植被的計(jì)算。在處理遙感影響中的農(nóng)作物紋理信息的過(guò)程中，必須通過(guò)色彩空間轉(zhuǎn)換和處理不同紋理的濾波實(shí)現(xiàn)，利用這種方法的優(yōu)勢(shì)較多，主要的優(yōu)勢(shì)就是可以保證同譜同物，讓識(shí)別農(nóng)作物的精度得以提升。在無(wú)人機(jī)正射相機(jī)拍攝的影像中選取不同農(nóng)作物區(qū)域作為樣本，完成影像色彩與紋理2個(gè)特征的計(jì)算、統(tǒng)計(jì)和分析工作。通過(guò)這項(xiàng)工作可以獲取不同農(nóng)作物關(guān)鍵特征的參數(shù)，這些參數(shù)在區(qū)分不同農(nóng)作物的過(guò)程中將發(fā)揮重要的作用。同時(shí)，將這些數(shù)據(jù)提取出來(lái)還可以獲得農(nóng)作物的關(guān)鍵信息。

在提取農(nóng)作物關(guān)鍵信息的過(guò)程中，充分利用ENVI5.1技術(shù)將影像數(shù)據(jù)灰度值的3個(gè)波段統(tǒng)計(jì)出來(lái)，在獲取色彩特征的過(guò)程中利用色彩空間的轉(zhuǎn)換，最終獲得亮度、色度和飽和度3個(gè)特征，在計(jì)算之后，影像數(shù)據(jù)的紋理特征也可以獲得，包括顏色的均值、方差和信息熵等。

內(nèi)業(yè)判讀的依據(jù)為在野外采集農(nóng)作物的樣本。經(jīng)過(guò)研究之后，選定3種農(nóng)作物作為典型樣本進(jìn)行研究，分別為玉米、大豆和水稻。在研究的過(guò)程中，各種農(nóng)作物樣本的選擇如下：21個(gè)大豆樣本、19個(gè)水稻樣本以及22個(gè)玉米樣本。在對(duì)所有的指標(biāo)結(jié)果進(jìn)行統(tǒng)計(jì)之后，得出了特征指標(biāo)的方差和均值24項(xiàng)，不同農(nóng)作物之間的差異系數(shù)由此而來(lái)。

3.1.4 提取的信息分類(lèi)與驗(yàn)證 在提取農(nóng)作物數(shù)據(jù)的過(guò)程中，分析上述3種農(nóng)作物的色彩與紋理2個(gè)方面的特征，在分類(lèi)區(qū)域內(nèi)農(nóng)作物的過(guò)程中，利用分類(lèi)特征組合為綠色二階矩、飽和度和亮度。在提取農(nóng)作物精度的過(guò)程中，利用遙感判讀外業(yè)采集樣本的分類(lèi)結(jié)果。Arcgis是遙感判讀過(guò)程中主要憑依，同時(shí)必須結(jié)合外業(yè)采集的樣本，在室內(nèi)判別每一種農(nóng)作物的過(guò)程中利用矢量化的遙感影像，最終獲得主要研究區(qū)域的影響判讀結(jié)果并完成相應(yīng)的統(tǒng)計(jì)工作。不同農(nóng)作物的種植面積需要根據(jù)提取的結(jié)果判定，并且要進(jìn)行目視解椅判讀，并將2種方法得到的結(jié)論進(jìn)行對(duì)比，在此基礎(chǔ)上將農(nóng)作物的精度提取出來(lái)。

3.2 結(jié)果與分析

3.2.1 色彩和紋理特征 根據(jù)相關(guān)的正射影像可以得知，在顏色、紋理特征以及亮度和飽和度上，玉米、大豆和影響3種作物各有不同。其中，深綠色為大豆的顏色特征，大豆種植在局部地區(qū)，顏色以淺綠色為主，并且種植較為稀疏;條帶狀是水稻的主要紋理特征，水稻植株之間有明顯的差異，并且就顏色上來(lái)說(shuō)，水稻較為單一，以淺綠色為主，由于種植條件的特殊性，水稻的地塊多為矩形，并且地塊規(guī)整;而玉米的植株的種植特征更為明顯，顏色特征為亮綠色，整體的顏色以深色為主，并且由于影像拍攝季節(jié)的關(guān)系，玉米植株在中間部位呈現(xiàn)出淺黃色，其中玉米穗的影響較大，這也是玉米與大豆和水稻之間明顯的差別之一。

通過(guò)相關(guān)的研究數(shù)據(jù)可知，3種不同農(nóng)作物之間的顏色特征、紋理特征以及其他特征的變異系數(shù)較大，3種作物整體之間的差異系數(shù)變化較大。尤其在飽和度和亮度這2個(gè)顏色特征上，大豆、玉米和水稻這3種作物有著明顯的差別，在亮度上大豆位居第1位，水稻和玉米排在其次;在飽和度上，水稻位居第1位，玉米排在最后，大豆居于兩者之間。因此，從顏色特征入手就可以將3種農(nóng)作物區(qū)分開(kāi)來(lái)。同時(shí)，利用綠色二階矩指標(biāo)也可以區(qū)分3種不同的農(nóng)作物，尤其是大豆與水稻的差異系數(shù)相差較大，可以輕易將大豆從3種農(nóng)作物之間區(qū)分出來(lái)。鑒于此，判斷不同農(nóng)作物之間的差異可以參照較多的指標(biāo)，在分類(lèi)不同農(nóng)作物的過(guò)程中只需要在其中選擇合適的1種或者幾種即可，這樣分類(lèi)不同的農(nóng)作物將有著較高的效率?？偟膩?lái)說(shuō)，在提取大豆、玉米和水稻3種農(nóng)作物信息的過(guò)程中，主要的分類(lèi)依據(jù)是顏色特征中的亮度、飽和度以及綠色二階矩，其他的各項(xiàng)差異系數(shù)等信息只作為輔助指標(biāo)，不發(fā)揮主要作用。

3.2.2 提取信息的分類(lèi)及誤差 經(jīng)過(guò)相關(guān)的影像資料可以得知，主要研究區(qū)域的農(nóng)作物主要有3類(lèi)，分別是大豆、玉米和水稻。就相關(guān)的結(jié)果來(lái)看，在主要研究區(qū)域內(nèi)，種植范圍較大的是大豆。從顏色特征和紋理特征入手可以獲得農(nóng)作物在空間分布上的情況，對(duì)遙感目視判讀的結(jié)果與該研究方法大體一致，差異并不明顯。根據(jù)相關(guān)的研究資料可知，玉米、大豆和水稻等3種作物的目視解讀范圍不超過(guò)±0.3hm2;從顏色特征和紋理特征為基礎(chǔ)，提取出的3種不同的農(nóng)作物面積之間的差異不超過(guò)±0.25hm2;3種不同農(nóng)作物的提取誤差均不超過(guò)10.00%，玉米的提取誤差甚至不超過(guò)2.00%。

4 小結(jié)與討論

利用先進(jìn)的無(wú)人機(jī)飛行技術(shù)以及遙感技術(shù)，獲得主要研究區(qū)域內(nèi)的遙感影像，將紋理濾波中的亮度、飽和度等顏色特征利用色彩空間轉(zhuǎn)換與灰度共生矩陣2種方法進(jìn)行組合，將主要研究區(qū)域內(nèi)大豆、玉米和水稻3種農(nóng)作物的信息提取出來(lái)，在檢驗(yàn)以顏色特征和紋理特征組合分類(lèi)方法的精度的過(guò)程中充分利用判讀遙感影像的結(jié)果。相關(guān)的結(jié)果表明，3種農(nóng)作物種植面積的誤差均在10%以下，并且玉米的誤差甚至在2%以下。同時(shí)，在3種農(nóng)作物中，玉米的精度要高于其余2種作物。

在提取農(nóng)作物面積大小以及分布情況時(shí)，利用無(wú)人機(jī)遙感技術(shù)可以獲得較好的精度，同時(shí)，無(wú)人機(jī)飛行技術(shù)本身操作難度不高，并且較為安全，在提取農(nóng)作物信息，監(jiān)測(cè)農(nóng)作物情況的過(guò)程中應(yīng)用較為難廣泛，適用于農(nóng)作物的調(diào)查工作。但是這種技術(shù)也存在一定的局限性：一是無(wú)人機(jī)為純電動(dòng)，無(wú)人機(jī)飛行的時(shí)間受到電力的限制，難以大面積航拍，外部的天氣和地形也會(huì)對(duì)無(wú)人機(jī)產(chǎn)生影響;二是無(wú)人機(jī)在航拍的過(guò)程中可以獲得大量的數(shù)據(jù)，這些數(shù)據(jù)在后期的處理過(guò)程中需要大量的時(shí)間;三是農(nóng)作物的光譜特征相對(duì)復(fù)雜程度較高，容易將一種類(lèi)型的農(nóng)作物劃分為不同類(lèi)型。

參考文獻(xiàn)

[1]戴建國(guó)，薛金利，趙慶展，等.基于低空無(wú)人機(jī)可見(jiàn)光影像的棉田苗情提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2019（4）.

[2]金忠明，曹姍姍，王蕾，等.天山云杉林無(wú)人機(jī)可見(jiàn)光影像樹(shù)冠信息提取方法研究[J].林業(yè)資源管理，2020（01）：127-137.

[3]田甜，王迪，曾妍，等.無(wú)人機(jī)遙感的農(nóng)作物精細(xì)分類(lèi)研究進(jìn)展[J].中國(guó)農(nóng)業(yè)信息，2020，32（02）：5-16.

[4]戴建國(guó)，薛金利，趙慶展，等.利用無(wú)人機(jī)可見(jiàn)光遙感影像提取棉花苗情信息[J].農(nóng)業(yè)工程學(xué)報(bào)，2020（04）：71-79.

[5]陳青松，滕連澤，張洪吉，等.基于微小無(wú)人機(jī)農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)試驗(yàn)研究——以獼猴桃為例[J].農(nóng)機(jī)使用與維修，2019（8）：4-10.

[6]王猛，隋學(xué)艷，梁守真，等.利用無(wú)人機(jī)遙感技術(shù)提取農(nóng)作物植被覆蓋度方法研究[J].作物雜志，2020，196（03）：183-189.

[7]劉斌，史云，吳文斌，等.基于無(wú)人機(jī)遙感可見(jiàn)光影像的農(nóng)作物分類(lèi)[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃，2019，260（08）：60-68.

[8]陳智虎，許元紅，童倩倩，等.無(wú)人機(jī)可見(jiàn)光遙感影像的農(nóng)作物信息提取及驗(yàn)證[J].貴州農(nóng)業(yè)科學(xué)，2020（02）：133-136，183.

（責(zé)編：張宏民）

3009500338256