基于無人機(jī)遙感的耕地分類方法研究

李煉鋒 楊友生

（廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院，廣東 廣州 510060）

1 引言

耕地邊界和面積的確定是發(fā)展精準(zhǔn)農(nóng)業(yè)的基礎(chǔ)。準(zhǔn)確掌握區(qū)域內(nèi)耕地類型和空間分布，對(duì)于精準(zhǔn)農(nóng)業(yè)管理、優(yōu)化種植空間、最大限度地提高農(nóng)產(chǎn)品投入產(chǎn)出比具有重要意義。

無人機(jī)遙感技術(shù)作為一種新技術(shù)，具有成本低、分辨率高、靈活性強(qiáng)等優(yōu)點(diǎn)。對(duì)于中小型地區(qū)的遙感作業(yè)，無人機(jī)可見光遙感圖像的優(yōu)勢(shì)更加突出，具有廣泛的應(yīng)用場(chǎng)景。研究利用無人機(jī)可見光遙感技術(shù)獲取耕地面積信息的方法具有重要的現(xiàn)實(shí)意義。

2 數(shù)據(jù)采集與預(yù)處理

2.1 研究區(qū)概況

本文研究區(qū)域位于廣東省廣州市某試驗(yàn)區(qū)。試驗(yàn)區(qū)氣候?qū)賮啛釒Ъ撅L(fēng)氣候，溫暖多雨，光熱充足，夏季長(zhǎng)，霜期短。試驗(yàn)區(qū)主要有土地、森林和房屋三種類型。

2.2 遙感圖像采集

試驗(yàn)圖像采集平臺(tái)采用了深圳DJI公司的Mavic2變焦四旋翼無人機(jī)，配備了1/23英寸1200萬像素CMOS傳感器，鏡頭可以實(shí)現(xiàn)24～48mm的光學(xué)變焦（相當(dāng)于全畫幅）。試驗(yàn)相機(jī)采用三軸穩(wěn)定云臺(tái)，消除了飛機(jī)俯仰引起的遙感圖像失真，提高了成像精度。無需特殊的起降場(chǎng)，即可在空中長(zhǎng)時(shí)間懸停，為遙感圖像的獲取提供了極大便利，視覺傳感器和GPS使飛行更加安全。

數(shù)據(jù)采集時(shí)間為2019年10月18日。遙感影像高度為400米，航路長(zhǎng)度為4650米，無人機(jī)巡航速度為20公里/小時(shí)，共采集原始影像147幅。

2.3 數(shù)據(jù)處理

首先利用Lightroom將原始圖像轉(zhuǎn)換為JPG圖像，并將圖像及其對(duì)應(yīng)的POS數(shù)據(jù)導(dǎo)入PIX4D MAPPER軟件進(jìn)行正射影像校正和圖像拼接，最后得到的影像滿足數(shù)字航空攝影測(cè)量航空三角規(guī)范中的1∶10000平面精度要求。該圖像包含1070×6860像素，地面分辨率為4.11厘米，面積約為187畝（1畝=667平方米）。本文選取正射影像中間的農(nóng)田集中區(qū)作為感興趣區(qū)域。R、G、B的灰度值以TIF格式圖像存儲(chǔ)。

3 耕地提取方法

3.1 不同類型耕地的光譜特征

雖然遙感圖像只能有紅、綠、藍(lán)三種灰度信息，但經(jīng)過顏色空間轉(zhuǎn)換后，可以增強(qiáng)圖像中地物信息之間的差異，對(duì)地物分類和區(qū)域提取有很大幫助。

本研究采用的光譜特征信息是基于可見光波段的植被指數(shù)，主要包括VDVI（可見光波段差異植被指數(shù)）、ExG（過綠色指數(shù)）、NGRDI（歸一化綠-紅差值指數(shù)）和RGRI（紅綠比指數(shù)）。計(jì)算公式如下，R、G、B分別代表紅、綠、藍(lán)波段的歸一化值。

植被指數(shù)可以作為分類標(biāo)準(zhǔn)，因?yàn)橛凶魑锔氐木G色植被信息與其他類型的耕地相比有顯著差異。為了選取最適宜的植被指數(shù)作為試驗(yàn)標(biāo)準(zhǔn)，本文選取了10個(gè)區(qū)域?qū)θN不同類型的耕地進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，并分析了不同波段之間的差異。樣本區(qū)域統(tǒng)計(jì)信息如表1所示。

表1 紅、綠、藍(lán)波段不同耕地類型像素值差異表

從表1的數(shù)據(jù)可以看出，有作物耕地的波段反射率具有以下特征：G＞R＞B。無作物耕地的光譜反射率特征是R＞G＞B，但是，地膜覆蓋耕地的光譜反射率特征為B＞G＞R，這類樣品中的所有波段均存在比較大的標(biāo)準(zhǔn)差。各種樣本數(shù)據(jù)都有一定的分散性，特別是地膜覆蓋的樣本。因此，當(dāng)數(shù)據(jù)的平均差不大時(shí)，就會(huì)出現(xiàn)部分交集，很難通過單個(gè)波段將它們分離出來。

從計(jì)算植被指數(shù)的公式中不難看出，提取植被不依賴于單個(gè)波段，而是多個(gè)波段的聯(lián)合運(yùn)算，可以起到放大植被與非植被差異的作用。相關(guān)研究表明，VDVI指數(shù)和ExG指數(shù)在植被信息提取方面更為準(zhǔn)確。因此，本研究選取上述兩個(gè)種植指標(biāo)進(jìn)行研究計(jì)算和提取結(jié)果。

3.2 遙感圖像分割參數(shù)的確定

圖像分割是指將圖像劃分為多個(gè)不重疊的子區(qū)域，使同一子區(qū)域中的特征具有相似性，而不同子區(qū)域中的特征則表現(xiàn)出明顯差異。

分割比例會(huì)直接影響圖形分類的最終結(jié)果。如果分割規(guī)模太小，則分割后的子區(qū)域數(shù)太大。如果分割比例太大，則遙感圖像的分割將不完整，導(dǎo)致提取誤差增加。根據(jù)現(xiàn)有研究，最佳分割尺度是圖塊內(nèi)部光譜標(biāo)準(zhǔn)差達(dá)到峰值且標(biāo)準(zhǔn)差變化率開始下降時(shí)的相應(yīng)尺度。在ENVI5.3中，面向?qū)ο蟮奶卣魈崛」ぞ呔哂蟹指罱Y(jié)果的實(shí)時(shí)預(yù)覽功能，可以通過實(shí)時(shí)預(yù)覽選擇合適的閾值進(jìn)行圖像分割。經(jīng)過對(duì)不同分割尺度的反復(fù)試驗(yàn)，當(dāng)分割尺度在50左右時(shí)比較合適，因此，本文主要比較分割尺度為40、50、60時(shí)的分割效果，如圖1所示。

圖1 不同分割尺度的影響

3.3 特征選擇和規(guī)則建立

3.3.1 作物特征選擇及規(guī)則制定

將2016年1月-2017年10月90例老年腹腔鏡全麻手術(shù)患者隨機(jī)數(shù)字表法分組。觀察組ASAI級(jí)21例,II級(jí)24例。男23例,女22例;年齡61-79歲,平均(67.67±2.13)歲。對(duì)照組ASAI級(jí)22例,II級(jí)23例。男24例,女21例;年齡61-78歲,平均(67.76±2.24)歲。

光譜特征是圖像中最直觀的信息。對(duì)于耕地，可以利用植被指數(shù)來獲得較好的提取效果。然而，仍有一些小圖斑被錯(cuò)誤地劃分為耕地。通過放大，我們發(fā)現(xiàn)路邊有很多植物，如雜草和灌木。利用它們與耕地的差異，可以去除和分離部分地圖點(diǎn)。另外，一些耕地長(zhǎng)期休耕，其范圍內(nèi)會(huì)有一些植被，影響提取過程。由于耕地的形狀多為矩形，可以通過設(shè)置矩形度閾值來分離。經(jīng)過反復(fù)試驗(yàn)，將面積閾值設(shè)為300，矩形閾值設(shè)為0.4，可用于提取耕地。

3.3.2 無作物耕地特征選擇與規(guī)則建立

無作物耕地多為裸地，不能僅通過植被與道路、建筑物等非植被區(qū)分開。通過對(duì)土地和道路樣本的光譜分析，我們發(fā)現(xiàn)藍(lán)波段中二者的直方圖具有明顯的雙峰特征，如圖2所示，因此，用閾值法可以很容易地將藍(lán)波段分離，根據(jù)雙峰法，閾值設(shè)置為170。

圖2 裸地樣本區(qū)域直方圖

3.3.3 地膜覆蓋耕地的特點(diǎn)和規(guī)則的選擇

與道路相比，地膜覆蓋耕地亮度更高，更接近白色，很難通過光譜信息進(jìn)行區(qū)分。然而，地膜覆蓋耕地具有明顯的紋理特征，可以通過紋理信息進(jìn)行提取。紋理核心的平均數(shù)據(jù)范圍（紋理范圍）對(duì)地膜農(nóng)田具有較好的提取效果。經(jīng)過反復(fù)試驗(yàn)，當(dāng)閾值為11時(shí)，可以將地膜覆蓋耕地與路面分離。

4 提取結(jié)果及誤差分析

4.1 提取精度計(jì)算

根據(jù)上述規(guī)則提取的三類耕地如圖3所示，其中紅色代表有作物耕地，黃色代表無作物耕地，藍(lán)色代表地膜覆蓋土地。

圖3 分類結(jié)果

在本研究中，使用模糊矩陣這一可視化顯示工具來評(píng)估分類模型的準(zhǔn)確性。通過目視取樣選擇樣品進(jìn)行驗(yàn)證。樣本的抽樣遵循隨機(jī)性原則，以確保每個(gè)被選樣本的概率完全相等。選取500個(gè)像素作為樣本，構(gòu)造混淆矩陣。

4.2 誤差分析

在無人機(jī)高分辨率遙感圖像中，與分辨率相對(duì)較低的衛(wèi)星遙感圖像相比，破碎的小類地物大大增加，這對(duì)分類精度有一定影響。從混淆矩陣可以看出，無作物耕地和其他地物由于破碎的圖斑較多，提取精度明顯低于有作物耕地和地膜覆蓋耕地，均小于80%。

本研究中的其他地物包括房屋、道路、溝渠等，與無作物耕地一樣都無植被，因此很容易誤分，如道路被灰塵覆蓋會(huì)被誤認(rèn)為是無作物耕地，一些作物的種植結(jié)構(gòu)和生長(zhǎng)發(fā)育會(huì)導(dǎo)致土壤明顯裸露，收獲后會(huì)有少量的覆蓋物殘留在田間，可能導(dǎo)致耕地的分類錯(cuò)誤。

4.3 驗(yàn)證試驗(yàn)

為了驗(yàn)證測(cè)試結(jié)果的普適性，在廣州市南沙區(qū)的另外一個(gè)村莊，采用相同的數(shù)據(jù)采集方法采集了一組遙感數(shù)據(jù)，如圖4（a）所示。

圖4 驗(yàn)證試驗(yàn)

利用該方法對(duì)遙感數(shù)據(jù)進(jìn)行處理，并采用相同的精度評(píng)價(jià)標(biāo)準(zhǔn)對(duì)數(shù)據(jù)進(jìn)行處理。分類結(jié)果如圖4（b）所示，總體準(zhǔn)確率為82.48%，與試驗(yàn)結(jié)果接近。

5 結(jié)論

本文利用航空相機(jī)獲取高分辨率可見光遙感影像，并將影像拼接產(chǎn)生正射影像。采用面向?qū)ο蟮姆椒ňC合考慮光譜特征、紋理特征和形狀特征對(duì)耕地進(jìn)行分類提取。結(jié)果表明，該方法能充分利用高分辨率可見光遙感數(shù)據(jù)的特點(diǎn)，有效識(shí)別和分類農(nóng)用地耕地類型，具有較高的精度。結(jié)論如下：

（1）VDVI和ExG指數(shù)可以很好地區(qū)分植被和非植被。本研究采用ExG指數(shù)，當(dāng)面積閾值為300，矩形閾值為0.4時(shí)，可以有效地分離非作物植被。

（2）耕地和道路的藍(lán)光波段存在顯著差異，因此將藍(lán)光波段閾值設(shè)為170，以區(qū)分無作物耕地和道路。

（3）地膜覆蓋耕地的亮度比有遮擋的耕地更高，更接近白色，用光譜信息難以區(qū)分。因此，可以通過紋理特征進(jìn)行分離。

（4）通過對(duì)混淆矩陣的精度評(píng)價(jià)，本研究所采用的方法能夠準(zhǔn)確地分離和提取各類耕地，總體準(zhǔn)確率為86.40%，Kappa系數(shù)為0.80。結(jié)果表明，該方法在無人機(jī)分類信息提取中是可行的，具有較高的精度。

無人機(jī)遙感與面向?qū)ο蠓椒ǖ慕Y(jié)合，為耕地分類提取提供了一種新的方法，對(duì)農(nóng)作物種植信息和田間農(nóng)田分布信息的監(jiān)測(cè)具有一定的參考價(jià)值。