基于无人机低空遥感的农作物快速分类方法

第29卷第7期农业工程学报Vol.29No.72013年4月TransactionsoftheChineseSocietyofAgriculturalEngineeringApr.2013109基于无人机低空遥感的农作物快速分类方法田振坤1，傅莺莺2，刘素红3,4※，刘峰3,4（1.中国劳动关系学院基础部，北京，100048；2.北京工商大学理学院，北京100048；3.北京师范大学地理学与遥感科学学院，北京100875；4.北京师范大学遥感科学国家重点实验室，北京100875）摘要：无人机以其高时效、高分辨率、低成本、低风险及可重复使用的优势，给遥感技术在各领域的应用提供了新的平台。为了提高无人机遥感中农田信息获取的时效性和精度，该文分析了无人机低空航飞获得的高空间分辨率农作物遥感影像特征，以冬小麦为研究对象，基于农作物波谱特征和NDVI变化阈值，提出了一种农作物快速分类提取方法，并与其他几种常用的遥感分类方法进行比较，探讨了其普适性。结果表明，该方法从无人机高分辨率影像中提取不同种类的农作物分类信息具有较高的正确率和普适性，兼具快速和低成本的特点，在海量农作物无人机航拍数据的信息提取上具有较广的应用。关键词：遥感，农作物，分类，无人机，NDVIdoi：10.3969/j.issn.1002-6819.2013.07.014中图分类号：S127文献标志码：A文章编号：1002-6819(2013)-07-0109-08田振坤，傅莺莺，刘素红，等.基于无人机低空遥感的农作物快速分类方法[J].农业工程学报，2013，29(7)：109－116.TianZhenkun,FuYingying,LiuSuhong,etal.RapidcropsclassificationbasedonUAVlow-altituderemotesensing[J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2013,29(7):109－116.(inChinesewithEnglishabstract)0引言无人机（unmannedaerialvehicle，UAV）是一种带动力的、无线电遥控或者自主飞行的、执行多种任务并能多次使用的无人驾驶飞行器[1]。无人机与遥感技术的结合，即无人机遥感，是利用先进的无人驾驶飞行器技术、遥感传感器技术、遥测遥控技术、通讯技术、GPS差分定位技术和遥感应用技术，具有自动化、智能化、专题化快速获取国土、资源、环境等的空间遥感信息，完成遥感数据处理、建模和应用分析能力的应用技术[2-5]。无人机具有低成本、低损耗、可重复使用且风险小等诸多优势[3]，其应用已经从最初的侦察、预警等军事领域扩大到资源勘测[4]、气象观测[5]及处理突发事件等非军事领域[6-7,12]。无人机遥感的高时效、高分辨率等性能，是传统卫星遥感所无法比拟的，无人机的发展给遥感技术的应用提供了新的平台[9-11]。收稿日期：2012-11-12修订日期：2013-03-18资助项目：国家自然科学基金项目（41171262）；中国劳动关系学院院级科研项目（10YYB308）作者简介：田振坤（1979－），男，博士，主要从事遥感图像处理、模式识别方面的研究。北京中国劳动关系学院，100048。Email：[e-mail]※通信作者：刘素红（1967－），女，博士，副教授，研究方向为遥感信息应用。北京北京师范大学地理学与遥感科学学院，100875。Email：[e-mail]随着遥感技术的发展，遥感已成为精准农业中农田信息获取的重要手段，也是地块面积量算、作物种类识别、长势分析等工作的重要数据来源[13-14]，无人机遥感平台作为一种新的信息获取手段也已经开始应用于精准农业中[15-16]，而地表农作物分类信息的提取则是进行这些研究的基础与关键。因此，使用无人机航空平台获取高空间分辨率遥感数据，以此高精度反演农作物覆盖信息，在农业实践中具有重要的意义。传统遥感分类方法中稳定性和精度较高的监督分类方法如最大似然法等所需的人工参与程度和时间成本极高，而非监督分类方法虽然自动化程度高但分类精度却有限，二者很难兼顾[18-21]。本文将以冬小麦为研究对象，对无人机航拍获得的高分辨率图像特征进行分析研究，提出一种快速自动分类方法，并与其他几种常用的分类方法进行比较，尝试兼顾分类的精度与效率，以期对基于无人机低空遥感平台的高精度农作物分类信息提取研究提供方法支持。1数据与方法1.1数据获取与预处理1.1.1传感器使用美国Tetracam公司的ADCAir冠层测量相机，其功能是记录植物冠层反射比。获取图像适·农业信息与电气技术·农业工程学报2013年110合提取多种植被指数。飞行中通过数据线来进行控制，快门全密封防雨，可用做有人和无人驾驶飞行器的外部固定，适合用于长期植被研究。相机的主要技术指标：1）320万像素CMOS传感器（2048×1536像素）；2）绿色、红色与近红外波段，基本同于TM2、TM3和TM4；3）镜头：适合多种不同镜头，标准8.5mm镜头，可选多种镜头；4）图像大小与采集速度：每图3MB空间；每图2～5s；5）输入：5～12VDC；RS-232；外置快门；6）尺寸与质量：137mm×90mm×80mm，630g。1.1.2无人机平台目前民用的无人机遥感平台包括无人固定翼飞机平台、无人直升机平台、无人飞艇平台和其他类型的平台[25]。本研究中，无人机采用京商260遥控汽油直升机KyoshoCaliberZG，配备地面遥控系统，主桨长度达1770mm，机身长宽高为1570mm×450mm×740mm，总质量6kg，有效载荷5kg，飞行高度500m，飞行速度100km/h，抗风能力达到5级。1.1.3试验设计试验地点位于北京市顺义区天北路（40.23°N，116.5°E），从2011年4月3日至2011年11月13日，每7~10d飞行试验一次，共计33次，所获取的高分辨率遥感数据覆盖了冬小麦和玉米2种农作物的整个生育期。飞行高度设为50~100m，使用ADCAir冠层测量相机的标准8.5mm镜头进行垂直拍摄，空间分辨率可达0.06m。1.1.4数据预处理由于直升机平台未搭载姿态控制系统，飞行时的俯仰、滚动、偏航会导致图像畸变，因此需要选取畸变较小的影像，并且选取影像的中心部分进行研究。使用相机自带的PixelWrench2软件将raw格式的图像导出至jpg格式，再用ENVI软件导入，并结合标准白板的影像数据计算波谱反射率。1.2小麦影像特征影像获取时小麦处于拔节期，比较矮小，刚刚开始封垄，叶片为绿色。影像中存在裸露的土壤和少量残留物，小麦长势好的地方覆盖度高，形成了垂直层，有明显的阴影；长势差的地方背景土壤裸露较多，阴影少。鉴于土壤上的残留物很少，且多是干枯的枝叶，与土壤分开具有较大困难并且基本不影响小麦信息的提取，因此将影像分为3类：小麦、光照土壤和阴影土壤。1.3分类原理与算法健康的小麦在绿光波段有一个小的反射峰，在红光波段有一个吸收谷，在近红外波段则有很高的反射峰，反射率可达0.7以上，远远高于在绿光波段的反射率。裸露土壤在各波段的反射率近似于一条斜率很低的直线，从绿光至近红外波段缓缓上升，如图1所示。图1典型小麦、土壤特征波谱曲线Fig.1Typicalwheatandsoilspectralcurves本次试验获取的影像中，小麦在绿光波段的反射率变化范围在0.3～0.5左右，而在近红外波段的反射率高达0.9以上；光照土壤在绿波波段的反射率稍低于红外波段，但是受残留物的影响，有少部分光照土壤在绿波波段的反射率反而大于红外波段；阴影土壤在绿光波段的反射率稍高于近红外波段；因此使用红光和近红外波段的差值可以将小麦划分出来。为了进一步区分小麦和光照土壤，计算了归一化差值植被指数NDVI，计算公式如式（1）：nirrednirredNDVI（1）式中，ρnir、ρred分别为近红外和红光波段反射率。NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增强了对植被的响应能力，是目前已有的40多种植被指数中应用最广的一种[17,26]，在比较成熟的各种遥感分类方法中也有很广泛的应用[18-24,27-30]。从图像中提取小麦、光照土壤和阴影土壤的小块典型区域，并统计其中这3类地物NDVI统计特征和对应的像元累计百分比，如表1和图2所示。表1NDVI统计特征值Table1NDVIstatisticalcharacteristicvalueNDVI最小值minimum最大值maximum均值mean标准差standarddeviation小麦0.69081.00000.96870.0548光照土壤-0.50490.64830.10870.1858阴影土壤-1.00001.00000.88310.3754从图1和表1中可以看出，小麦像元的NDVI值很高，均值为0.9687，分布在0.7～1之间；光照土壤典型区中，NDVI均值仅为0.1087，其中96%的像元NDVI值小于0.4，100%的像元NDVI值小于0.7；阴影土壤典型区中，NDVI均值也较高，达到0.8831，其中88%的像元NDVI值大于0.8，93%第7期田振坤等：基于无人机低空遥感的农作物快速分类方法111的像元NDVI值大于0.4；阴影土壤在红外至近红外波段的波谱曲线斜率较高，因此其NDVI比光照土壤更高。从以上的数据分析可以得出，在此次航拍获取的数据中，0.7可以作为区分小麦与光照土壤的NDVI阈值，0.4可以作为区分光照土壤与阴影土壤的NDVI阈值。图23类地物累计百分比曲线Fig.2Cumulativepercentcurvesofthreeobjects通过以上对遥感影像的分析，使用绿光波段和近红外波段的反射率值，再辅以NDVI就可以快速对图像进行分类。具体算法如图3所示。图3分类算法流程图Fig.3Flowchartofclassificationalgorithm其中fg是绿光波段的反射率；fnir是近红外波段的反射率；T1是区分光照土壤和小麦的NDVI阈值，此处取0.7；T2是区分光照土壤和阴影土壤的阈值，此处取0.4。2结果与分析2.1分类结果分析按照以上的算法分析，可以编程实现自动分类，也可以在ENVI软件中使用决策树分类方法完成。为了便于计算与比较，本研究在ENVI中使用决策树来完成上述算法，同时使用应用较多的最大似然分类法、支持向量机分类法（SVM）、神经网络分类法（ANN）和ISODATA方法对高分辨率小麦影像进行分类。进行监督分类之前先对小麦、光照土壤和背景土壤手工选择训练样本，训练样本在图像中具有代表性且均匀分布。分类结果如图4所示。a.原始图像a.Originalimageb.自动分类b.Automaticclassificationc.最大似然c.MaximumLikelihoodd.支持向量机d.SVMe.神经网络法e.ANNf.自动迭代法f.ISODATA注：原始图像中小麦呈品红色，分类结果中绿色为冬小麦，白色为阴影土壤，黑色为光照土壤Note:Inoriginalimagethemagentaareaiswheat;Inclassificationimagethegreenareaiswheat,thewhiteareaisshadowsoil,andtheblackareaislightsoil图4冬小麦分类结果Fig.4Classificationresultsofwinterwheat农业工程学报2013年112完成分类之后，使用目视判读的方法从图像上选取210个光照土壤像元、119个阴影土壤像元和279个小麦像元，分别对3类地物分类结果计算混淆矩阵进行验证。结合验证数据，采用混淆矩阵的方法对5类方法进行精度评价，结果如表2所示。表2冬小麦分类精