李炼锋 杨友生

（广州市城市规划勘测设计研究院，广东 广州 510060）

1 引言

耕地边界和面积的确定是发展精准农业的基础。准确掌握区域内耕地类型和空间分布，对于精准农业管理、优化种植空间、最大限度地提高农产品投入产出比具有重要意义。

无人机遥感技术作为一种新技术，具有成本低、分辨率高、灵活性强等优点。对于中小型地区的遥感作业，无人机可见光遥感图像的优势更加突出，具有广泛的应用场景。研究利用无人机可见光遥感技术获取耕地面积信息的方法具有重要的现实意义。

2 数据采集与预处理

2.1 研究区概况

本文研究区域位于广东省广州市某试验区。试验区气候属亚热带季风气候，温暖多雨，光热充足，夏季长，霜期短。试验区主要有土地、森林和房屋三种类型。

2.2 遥感图像采集

试验图像采集平台采用了深圳DJI公司的Mavic2变焦四旋翼无人机，配备了1/23英寸1200万像素CMOS传感器，镜头可以实现24～48mm的光学变焦（相当于全画幅）。试验相机采用三轴稳定云台，消除了飞机俯仰引起的遥感图像失真，提高了成像精度。无需特殊的起降场，即可在空中长时间悬停，为遥感图像的获取提供了极大便利，视觉传感器和GPS使飞行更加安全。

数据采集时间为2019年10月18日。遥感影像高度为400米，航路长度为4650米，无人机巡航速度为20公里/小时，共采集原始影像147幅。

2.3 数据处理

首先利用Lightroom将原始图像转换为JPG图像，并将图像及其对应的POS数据导入PIX4D MAPPER软件进行正射影像校正和图像拼接，最后得到的影像满足数字航空摄影测量航空三角规范中的1∶10000平面精度要求。该图像包含1070×6860像素，地面分辨率为4.11厘米，面积约为187亩（1亩=667平方米）。本文选取正射影像中间的农田集中区作为感兴趣区域。R、G、B的灰度值以TIF格式图像存储。

3 耕地提取方法

3.1 不同类型耕地的光谱特征

虽然遥感图像只能有红、绿、蓝三种灰度信息，但经过颜色空间转换后，可以增强图像中地物信息之间的差异，对地物分类和区域提取有很大帮助。

本研究采用的光谱特征信息是基于可见光波段的植被指数，主要包括VDVI（可见光波段差异植被指数）、ExG（过绿色指数）、NGRDI（归一化绿-红差值指数）和RGRI（红绿比指数）。计算公式如下，R、G、B分别代表红、绿、蓝波段的归一化值。

植被指数可以作为分类标准，因为有作物耕地的绿色植被信息与其他类型的耕地相比有显著差异。为了选取最适宜的植被指数作为试验标准，本文选取了10个区域对三种不同类型的耕地进行数据统计，并分析了不同波段之间的差异。样本区域统计信息如表1所示。

表1 红、绿、蓝波段不同耕地类型像素值差异表

从表1的数据可以看出，有作物耕地的波段反射率具有以下特征：G＞R＞B。无作物耕地的光谱反射率特征是R＞G＞B，但是，地膜覆盖耕地的光谱反射率特征为B＞G＞R，这类样品中的所有波段均存在比较大的标准差。各种样本数据都有一定的分散性，特别是地膜覆盖的样本。因此，当数据的平均差不大时，就会出现部分交集，很难通过单个波段将它们分离出来。

从计算植被指数的公式中不难看出，提取植被不依赖于单个波段，而是多个波段的联合运算，可以起到放大植被与非植被差异的作用。相关研究表明，VDVI指数和ExG指数在植被信息提取方面更为准确。因此，本研究选取上述两个种植指标进行研究计算和提取结果。

3.2 遥感图像分割参数的确定

图像分割是指将图像划分为多个不重叠的子区域，使同一子区域中的特征具有相似性，而不同子区域中的特征则表现出明显差异。

分割比例会直接影响图形分类的最终结果。如果分割规模太小，则分割后的子区域数太大。如果分割比例太大，则遥感图像的分割将不完整，导致提取误差增加。根据现有研究，最佳分割尺度是图块内部光谱标准差达到峰值且标准差变化率开始下降时的相应尺度。在ENVI5.3中，面向对象的特征提取工具具有分割结果的实时预览功能，可以通过实时预览选择合适的阈值进行图像分割。经过对不同分割尺度的反复试验，当分割尺度在50左右时比较合适，因此，本文主要比较分割尺度为40、50、60时的分割效果，如图1所示。

图1 不同分割尺度的影响

3.3 特征选择和规则建立

3.3.1 作物特征选择及规则制定

将2016年1月-2017年10月90例老年腹腔镜全麻手术患者随机数字表法分组。观察组ASAI级21例,II级24例。男23例,女22例;年龄61-79岁,平均(67.67±2.13)岁。对照组ASAI级22例,II级23例。男24例,女21例;年龄61-78岁,平均(67.76±2.24)岁。

光谱特征是图像中最直观的信息。对于耕地，可以利用植被指数来获得较好的提取效果。然而，仍有一些小图斑被错误地划分为耕地。通过放大，我们发现路边有很多植物，如杂草和灌木。利用它们与耕地的差异，可以去除和分离部分地图点。另外，一些耕地长期休耕，其范围内会有一些植被，影响提取过程。由于耕地的形状多为矩形，可以通过设置矩形度阈值来分离。经过反复试验，将面积阈值设为300，矩形阈值设为0.4，可用于提取耕地。

3.3.2 无作物耕地特征选择与规则建立

无作物耕地多为裸地，不能仅通过植被与道路、建筑物等非植被区分开。通过对土地和道路样本的光谱分析，我们发现蓝波段中二者的直方图具有明显的双峰特征，如图2所示，因此，用阈值法可以很容易地将蓝波段分离，根据双峰法，阈值设置为170。

图2 裸地样本区域直方图

3.3.3 地膜覆盖耕地的特点和规则的选择

与道路相比，地膜覆盖耕地亮度更高，更接近白色，很难通过光谱信息进行区分。然而，地膜覆盖耕地具有明显的纹理特征，可以通过纹理信息进行提取。纹理核心的平均数据范围（纹理范围）对地膜农田具有较好的提取效果。经过反复试验，当阈值为11时，可以将地膜覆盖耕地与路面分离。

4 提取结果及误差分析

4.1 提取精度计算

根据上述规则提取的三类耕地如图3所示，其中红色代表有作物耕地，黄色代表无作物耕地，蓝色代表地膜覆盖土地。

图3 分类结果

在本研究中，使用模糊矩阵这一可视化显示工具来评估分类模型的准确性。通过目视取样选择样品进行验证。样本的抽样遵循随机性原则，以确保每个被选样本的概率完全相等。选取500个像素作为样本，构造混淆矩阵。

4.2 误差分析

在无人机高分辨率遥感图像中，与分辨率相对较低的卫星遥感图像相比，破碎的小类地物大大增加，这对分类精度有一定影响。从混淆矩阵可以看出，无作物耕地和其他地物由于破碎的图斑较多，提取精度明显低于有作物耕地和地膜覆盖耕地，均小于80%。

本研究中的其他地物包括房屋、道路、沟渠等，与无作物耕地一样都无植被，因此很容易误分，如道路被灰尘覆盖会被误认为是无作物耕地，一些作物的种植结构和生长发育会导致土壤明显裸露，收获后会有少量的覆盖物残留在田间，可能导致耕地的分类错误。

4.3 验证试验

为了验证测试结果的普适性，在广州市南沙区的另外一个村庄，采用相同的数据采集方法采集了一组遥感数据，如图4（a）所示。

图4 验证试验

利用该方法对遥感数据进行处理，并采用相同的精度评价标准对数据进行处理。分类结果如图4（b）所示，总体准确率为82.48%，与试验结果接近。

5 结论

本文利用航空相机获取高分辨率可见光遥感影像，并将影像拼接产生正射影像。采用面向对象的方法综合考虑光谱特征、纹理特征和形状特征对耕地进行分类提取。结果表明，该方法能充分利用高分辨率可见光遥感数据的特点，有效识别和分类农用地耕地类型，具有较高的精度。结论如下：

（1）VDVI和ExG指数可以很好地区分植被和非植被。本研究采用ExG指数，当面积阈值为300，矩形阈值为0.4时，可以有效地分离非作物植被。

（2）耕地和道路的蓝光波段存在显著差异，因此将蓝光波段阈值设为170，以区分无作物耕地和道路。

（3）地膜覆盖耕地的亮度比有遮挡的耕地更高，更接近白色，用光谱信息难以区分。因此，可以通过纹理特征进行分离。

（4）通过对混淆矩阵的精度评价，本研究所采用的方法能够准确地分离和提取各类耕地，总体准确率为86.40%，Kappa系数为0.80。结果表明，该方法在无人机分类信息提取中是可行的，具有较高的精度。

无人机遥感与面向对象方法的结合，为耕地分类提取提供了一种新的方法，对农作物种植信息和田间农田分布信息的监测具有一定的参考价值。