魏 青，张宝忠，魏 征

(中国水利水电科学研究院流域水循环模拟与调控国家重点实验室国家节水灌溉北京工程技术研究中心，北京 100038)

0 引 言

【研究意义】及时准确的获取农田地物分布信息是现代精准农业监测的基础，地物识别是农业生产过程中的重要一环，因此，典型作物识别是目前农业研究的热点问题。影像中地物的光谱特征是遥感地物识别分析方法中的核心[1-3]。【前人研究进展】目前，卫星遥感在农田地物识别上应用广泛，如刘佳等[4]利用HJ-1A/B影像的NDVI时间序列曲线特征，成功提取了大宗作物，验证了HJ卫星时序影像进行作物分类的可行性。李颖等[5]通过MODIS的NDVI产品的时相特征和TM影像的光谱特征相结合利用最大似然法监督分类提取出来冬小麦。虽然卫星遥感技术在地物提取上已经成熟，但其存在易受天气状况影响、实时性低、时空分辨率不匹配等问题，常常难以满足地物田块尺度的提取需求，达到为精准施肥用药提供基础数据的目的[6、7]。无人机遥感技术具有快捷、实时、高效的优势，弥补了卫星遥感的缺点，且高时空分辨率增强了地物的光谱、纹理、几何特征，使实时获取农田信息成为可能。目前，在地物识别分类应用上，无人机平台搭载数码相机实现农田种植信息提取较为广泛。Gnadinger等[8]利用无人机可见光影像进行图像分析，通过阈值分割法实现了识别玉米苗，为精确表型提供了新机遇。Mitch Bryson等[9]提过了一种低空无人机可见光数据提取植被颜色和纹理特征用于进行大规模地形分类的方法，并在澳大利亚大面积农田的“除草”任务中得到验证。韩文霆等[10]通过分析无人机可见光影像中5类地物的纹理特征，筛选单个分类特征和组合分层分类特征，最终实现玉米种植信息提取。戴建国等[11]通过无人机遥感获取可见光影像，基于色彩空间转换和纹理滤波优选特征分类模型，并结合人工分类结果实现了作物精细化分类。这些研究都是基于可见光波段识别地物类型，光谱信息较少，提取过程较为复杂，相比于可见光影像，多光谱传感器包含了更多的光谱信息，监测技术更有优势。GARCIA-RUIZ等[12]基于无人机平台搭载多波段传感器获取光谱反射率数据，通过逐步回归分析实现了对柑橘黄龙病的识别检测。戴建国等[13]利用无人机多光谱影像获取倒伏和正常棉花的光谱反射率数据，建立了棉花倒伏灾害监测最佳模型。崔美娜等[14]基于无人机多光谱影像构造了20种光谱指数的特征因子，建立棉田螨害识别的logistic回归监测模型。【本研究切入点】目前农田信息获取时效性不足，难于及时掌握农情基本信息，利用无人机多光谱遥感进行识别地物的研究主要集中在对单一地物的识别，对于同一区域的多种地物及针对大棚、果树进行区分研究较少。研究基于无人机多光谱影像进行地物识别。【拟解决的关键问题】利用无人机多光谱遥感影像结合目视解译，分析不同地物的时相与光谱特征，构建分类特征的决策树分类法，分别对研究区小麦、果树、大棚的农田信息进行提取及精度验证，获得一种实时提取不同地物类型信息的方法，为无人机多光谱遥感在地物类型分类上提供参考。

1 材料与方法

1.1 材 料

研究区位于中国水利水电科学研究院大兴试验基地东南方向1 km处(39°37.25′N，116°25.51′E)。该区属于温带半干旱大陆性季风气候，多年平均气温为12.1℃，多年平均风速为1.2 m/s，全年平均相对湿度为52%，全年日照时数为2 502 h，全年大于10℃的有效积温为4 730℃，日平均太阳净辐射为171W/m2，光热时间长、热量充足。全年无霜期平均为185 d，多年年均蒸发量为1 021 mm，土壤类型以砂壤土为主，适合多种作物生长，种植作物类型为果树、小麦等作物。图1

图1 研究区影像
Fig.1 Map of research area

影像数据于2018年5月24日、2018年6月12日获取，共进行2次数据采集，飞行平台为经纬M600六旋翼无人机，该净重约为4 kg，最大载重为5 kg，最大续航时间为15 min。传感器采用RedEdge(MicaSense，USA)多光谱相机，该传感器包含蓝光、绿光、红光、红边、近红外共5个光谱通道，图像分辨率为1280像素×960像素，配备GPS、光强传感器和一块30 cm×30 cm的灰板。拍摄当天，天气晴好，地面风速小于3级，适于航拍。试验设计飞行航高100 m，航线7条，航向重叠度80%，旁向重叠度75%，飞行速度为5 m/s，航拍获取区域及附近地区1 295幅图片。表1

表1 RedEdge-M相机参数及灰板对其中心波长的反射率Table 1 RedEdge-M Camera Parameters and Reflectivity of Gray Plate to Its Central Wavelength

1.2 方 法

1.2.1 数据预处理

试验区航拍图片通过Pix4Dmapper软件进行拼接，利用飞行POS数据寻找同名点，建立点云模型，椭球模型为WGS1984，投影方式为UTMzone45N，自动校准影像最后生成正射影像图和反射率影像图。研究选取了航线规划中代表性区域作为感兴趣区域。感兴趣影像面积约2 762 m2，以TIFF格式存储Blue、Green、Red、Red_edge和Nir的信息，每个通道包含16bit信息，像元分辨率为6.82 cm。通过目视解译确定感兴趣区域中果树、小麦、大棚和其他地物的图像。

1.2.2 植被指数计算

决策树分类法作为提取作物种植信息的一种方法，具有方便快捷、效率高的特点，被广泛应用于2到3种作物分类。遥感指数广泛应用于分类制图，选取4种植被指数，分别为归一化植被指数NDVI、归一化差异绿度植被指数NDGI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR[15-18]。通过5个波段反射率和4个植被指数组成9种指标作为光谱变量，利用ENVI中Band math工具实现阈值法分类。表2

表2 植被指数计算公式Table 2 Formula for calculating vegetation index

2 结果与分析

2.1 不同地物特征

2.1.1 时相与光谱特征

2景影像中，小麦从灌浆期、成熟期至收获，果树一直处于长势茂盛时期，大棚中作物长势不一。由于无人机影像分辨率较高，需要将不同地物全部提取才可以与其他地物分离。根据不同地物时相特征，5月24日，小麦处于灌浆期，长势较好，大棚中农作物长势较好，而6月12日小麦收获，果树长势茂盛。

利用ENVI软件分析5月24日的影像中各种地物的光谱反射率，研究表明,对于大棚，在可见光波段明显高于绿色植物，在近红外和红边波段的反射率低于绿色植物；对于绿色植物，在近红外波段有较强反射作用，而在蓝光和红光波段有吸收作用；小麦在红边波段反射率与其他地物差异明显，果树在近红外波段与其他地物差异明显。根据这些光谱差异构建植被指数来提取不同地物。图2

图2 不同地物的光谱反射率变化
Fig.2 Spectral Reflectivity Variation of Different Ground Objects

2.1.2 光谱变量

利用Origin软件获得地物在植被指数类型下的箱体图，研究表明,大棚与小麦、果树和裸地在NGBDI指数方面差异比较明显，大棚阈值中的高值与裸地有部分交叉，而在其他指标方面差异较小，可知归一化绿蓝差异指数NGBDI能够将大棚提取出。小麦与大棚、裸地在很多指标差异都比较明显，与果树差异仅在红边波段差异比较明显，根据红边波段能够从中提取小麦，由于小麦的红边反射率较低，地物的阴影部分红边波段反射率也较低，可能会对分类造成误分，从数值上看选取修正型比值植被指数MSR更容易将阴影部分剔除掉，可知结合红边波段反射率和MSR指数能够将小麦提取出来。果树与大棚、裸地在这10种指标中差异明显，但与小麦均不明显，依据5月24日这一日的影像是提取不出果树的，需要根据不同时期的作物物候特征将果树提取出来。6月12日影像中，小麦地块收获，果树在这期间生长茂盛，研究NDVI是监测植被生长状态的最佳指示因子[19]，将NDVI作为6月12日影像中提取果树的指标。图3

图3 不同地物在植被指数类型下的箱体
Fig.3 Box Maps of Different Ground Objects under Vegetation Index Types

2.2 分类规则

2.2.1 大棚的提取

大棚与裸地在蓝光与绿光波段都表现出较好的可分离性，大棚的建设会整体提高地表的反射率，蓝光波段对大棚具有最好的敏感性。通过给5月24日影像的NGBDI设定一个阈值A1，可以把大棚与小麦、果树及其他地物分离开来，经过多次试验，最终确定A1<0.12，从而成功提取大棚的区域面积。

2.2.2 小麦的提取

根据前面的分析，5月24日影像小麦处于灌浆期，在红边波段反射率整体比其他地物低，通过给5月24日影像的Rrededge设定一个阈值B1，可以把大棚、果树及其他地物去除掉，反复试验后确定B1<0.1。但里面还混有地物的阴影部分，阴影部分与绿色植被在MSR差异显著，所以通过给5月24日影像的MSR设定一个阈值C1可以将混杂的阴影部分剔除掉，从而成功提取小麦的种植面积，反复尝试后确定C1>6。

2.2.3 果树的提取

6月12日影像中小麦收获地块为裸地，果树的NDVI值达到一个相对较高的值，通过给6月12日影像的NDVI设定一个阈值D1，可以把果树成功与其他地物分开，反复尝试后确定NDVI>0.78。

根据所建立的分类规则，基于时相和光谱特征的决策树地物分类流程。IDL软件将3张分类图合成最终地物分类图。图4

图4 地物分类流程
Fig.4 Flow charts for classification of land features

2.3 提取结果

研究使用目视解译结果与基于时相和光谱特征提取的结果对比分析作为结果验证，以目视解译的实测值检验分类精度。在无人多光谱影像中，小麦呈现浅绿色，存在明显的条带状；果树呈现深绿色，覆盖面大；大棚在色彩方面主要呈现透明色，单一但不均匀，亮度值较高。目视解译结果图使用ArcGIS10.2软件根据地面调查数据对多光谱影像中的小麦、果树、大棚进行矢量化得到结果，并统计各类地物的区域面积。通过分析2景影像的时相特征和各类地物的光谱特征，最终选定了归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率作为分类特征进行提取各类地物，区域内小麦种植面积占比较大，大棚呈现条状分布，果树种植区域连片状分布。图5

图5 分类结果对比
Fig.5 Classification Result Contrast Map

2.4 误差分析

研究表明,根据时相和光谱特征提取感兴趣区域中3种地物的空间分布位置与目视解译结果基本相同，分别统计了不同地物的实测面积和提取面积，并进行精度评价，可知小麦、果树和大棚的实测面积分别为1 031、425 和668 m2，基于时相和光谱特征提取的3种地物类型面积分别为920.88、399.22和557.89 m2。从误差值来看，3种地物基于时相与光谱特征提取结果的误差值分别为10.68%、6.06%和16.48%，该方法的总体分类效果较好，基于以上的试验结果，认为基于时相与光谱特征的决策树分类法能够适用于无人机多光谱影像地物信息的提取，阈值容易确定，分类方法方便快捷，分类精度高。图5，表3

表3 提取的结果与误差Table 3 Results and Errors of Extraction

3 讨 论

从时相与光谱特征分析后的3种地物分类结果可以看出，利用无人机搭载多光谱相机获取的影像对于地物识别和面积提取具有较高精度，研究使用的六旋翼无人机方便快捷，在农田地物调查具有独特的优势。虽然能够利用不同物候期的作物根据影像中的光谱特征进行精确地物识别，但该方法仍存在一些不足：(1)无人机飞行高度低，影像的像元分辨率较高，且续航时间有限制，对于更大区域的作物识别还存在一定的问题，信息获取速度以及识别精度受到一定限制；(2)基于时相与光谱特征的决策树分类法进行地物识别是一种基于像元的分类方法，异物同谱的现象仍然存在，且是否需要降低无人机高分辨率数据进行精细化分类来满足实际需要，也需要进一步探讨。

4 结 论

针对无人机多光谱遥感影像的特点，首先根据目视解译确定了感兴趣区域中地物类型；其次基于时相与光谱特征的决策树分类法，在多种植被指数和光谱波段中选取了归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率可以作为3种地物分类的最优特征，反复试验进行阈值划分和作物分类；最后利用目视解译结果和基于时相与光谱特征提取的分类结果进行对比，利用区域面积检验分类精度。红边波段能够有效的区分不同物候期的绿色植被，利用时相与光谱特征提取的分类结果可有效对3种地物进行提取，从分类精度来看，小麦、果树和大棚3种地物提取结果的误差分别为10.68%、6.06%和16.48%，总体精度可达83%以上。基于典型作物的特征参数阈值分割法在无人机多光谱影像信息的提取中具有较好的适用性。