基于無人機多光譜影像的完熟期玉米倒伏信息提取

李華森,夏晨真,張星宇,王 寅,3,張 月,3

(1.吉林農業大學資源與環境學院,吉林 長春 130118;2.吉林省商品糧基地土壤資源可持續利用重點實驗室,吉林 長春 130118;3.秸稈綜合利用與黑土地保護教育部重點實驗室,吉林 長春 130118)

糧食是人類賴以生存的寶貴資源,糧食安全是保障國家長治久安的關鍵[1]。東北黑土區是我國重要的玉米生產基地,為我國糧食安全和糧食供給提供重要保障。玉米作為我國三大糧食作物之一,其莖稈較高且脆,易受大風、暴雨等極端天氣影響而發生倒伏,從而影響產量及籽粒品質等。研究表明,倒伏是造成玉米減產的一個重要原因,一般能導致減產15%～30%,部分嚴重倒伏造成的損失可達到50%,甚至造成絕產[2-4]。因此,及時準確地獲取黑土區玉米倒伏發生的范圍和受災程度具有重要意義[5]。

通過傳統方法獲取作物的受災面積需要進行田間實地調查,耗費大量人力、物力和財力[6]。近年來遙感技術的快速發展,為大面積、高效提取作物倒伏信息提供了新的途徑[7-9]。如任紅玲等[10]基于HJ-1衛星遙感影像,選取植被指數、紋理特征等,采用最大似然法對遙感影像進行監督分類,最終確定玉米的倒伏面積。王立志等[11]利用多時相HJ-1B衛星CCD多光譜影像分析了抽雄期玉米倒伏前后多種植被指數的變化,利用RVI比值植被指數進行數理統計及閾值劃分并最終確定玉米倒伏的受災范圍,總體分類精度為85.7%,Kappa系數為0.804。李宗南等[12]利用Worldview-2高分辨率影像,分析了灌漿期玉米倒伏地塊的紋理特征,從而識別出玉米的倒伏區域。但是,由于衛星離地面距離較遠,且易受大氣等因素的干擾,所以利用衛星平臺對作物倒伏的識別精度較低[13-15]。

近年來無人機遙感技術迅猛發展,與衛星平臺相比,無人機技術具有諸多優勢,例如受天氣影響小,能夠在多云情況下獲得清晰影像;分辨率高,可達厘米級,能實現對田塊級農作物的精準識別;操作簡單,飛行高度低且時間靈活,能獲取中小尺度范圍內高時空分辨率的影像數據,有效彌補了衛星遙感的不足,可滿足精準農業的需求[16-17]。Liu等[18]利用無人機采集的熱紅外和RGB影像,構建了水稻倒伏的識別模型,該模型的誤差率小于10%。毛智慧等[19]利用無人機獲取研究區的數字表面模型,并結合影像的色彩特征對圖像進行分類,從而得到玉米的倒伏信息,在以小區為單元的統計分析中誤差不到10%。Han等[20]使用無人機直接獲取了倒伏玉米的多光譜及可見光圖像,并通過提取紋理、植被指數、冠層結構等參數,構建了2種用于倒伏信息提取的Logistic模型,最終利用2個模型判斷是否倒伏的概率分別為85%和90%。

上述識別玉米倒伏的方法中大多為利用倒伏及未倒伏玉米間的光譜差異,利用監督分類的方法并結合紋理、植被指數等參數進行倒伏信息的提取。但是,適用于遙感影像的分類方法有很多種,包括面向像元的監督分類法(如支持向量機、最大似然法、隨機森林、平行六面體等)、非監督分類法(如ISODATA、K-Means等)、面向對象的分類方法等,究竟哪種方法更適合于對玉米倒伏信息的提取尚不清楚。Logistic回歸模型具有訓練快、效果好、可解釋性強、便于觀測樣本概率分數等優點,已廣泛應用于金融、貿易經濟、臨床醫學等方面,但在玉米倒伏信息提取應用中的研究較少。因此,本文采用了面向對象分類方法、面向像元的最大似然法、及多元Logistic回歸模型3種方法,并結合影像原始光譜波段、光譜指數、和紋理特征等進行玉米倒伏信息的識別。

本文基于研究區的無人機多光譜影像,利用從影像中提取的原始光譜特征、光譜指數及紋理特征,對比面向對象分類方法、最大似然法和多元Logistic回歸3種模型,進行完熟期玉米倒伏區域的定量識別,并利用在影像上目視選擇的樣本進行倒伏信息識別精度的驗證,以期尋求區分不同玉米倒伏狀態的敏感特征及特征組合,研究結果可為玉米倒伏后受災面積的精準提取及災后農業生產、政府決策等提供數據基礎和技術支持。

1 材料與方法

1.1 研究區概況

研究區位于吉林省梨樹縣四棵樹鄉的王家橋村(43°14′48.9″N,124°29′09.9″E)(圖1,見203頁)。土壤類型為黑土,主要種植作物為玉米。該區域屬北溫帶半濕潤大陸性季風氣候,無霜期155 d,年均氣溫6.5℃,年日照時長2 541 h,作物生長期內(5—10月)時長1 192 h。2020年玉米生育期內降水量約為533.4 mm。日均氣溫20.80℃,>10℃積溫3 030℃。

1.2 試驗設計

通過設置不同的種植密度、耕作方式、養分投入量和來源、肥料施用運籌等田間管理模式對各試驗小區進行區分。試驗共設置4個處理,各處理包括4次重復,具體包括處理1:對照(CK),不施肥處理;處理2:農民習慣(FP),通過進行農戶問卷調查的方式,獲得當地農民主流的玉米田間管理方式;處理3:高產栽培(HY),以最大化提高玉米產量為目標,設置最高的種植密度并結合最大的養分投入和多次施肥;處理4:土壤-作物系統綜合管理(ISSM)[21],根據研究區的氣候條件和土壤狀況,通過合理的養分供應和相對簡化的施肥方式,實現提升土壤肥力、作物產量及資源利用效率的管理方式。試驗小區的面積為120 m2(20 m×6 m),處理總面積為1 920 m2,小區設置見圖2。供試玉米品種為良玉99。在試驗開展期間,于4月下旬—5月上旬播種,9月下旬—10月初收獲。

CK:對照 Control;FP: 農民習慣栽培 Farmers habits cultivation model;HY:高產栽培 High-yield cultivation;ISSM:土壤-作物系統綜合管理栽培 Integrated soil-crop system management model圖2 試驗小區設置Fig.2 Settings of the experimental plots

1.3 數據的獲取與處理

選擇晴朗無云、無風或微風天氣,于2020年9月24日10∶00—15∶00時進行研究區無人機影像的采集。無人機平臺采用深圳市大疆創新科技有限公司生產的大疆Matrice 600 Pro六旋翼無人機,其最大載重為6 kg,最大水平飛行速度為65 km·h-1。傳感器選擇 parrot sequoia 農業遙感專用4通道多光譜相機,該相機由多光譜傳感器和光照傳感器兩部分組成,包含4個120萬像素的單波段相機和1個1600萬像素的RGB相機。光譜儀鏡頭選擇聚焦25 mm,對應的視場角約為13°。起飛前對無人機進行航線設定和白板校正,航高為100 m,空間分辨率為5 cm。影像采集時的航向重疊度80%,旁向重疊度60%。

影像采集后,利用 Pix4D Mapper 軟件進行影像拼接。幾何校正以大疆Matrice 600 Pro無人機拍攝的 RGB 正射影像為參考,均勻且隨機地在影像上選取部分點位進行幾何校正,確保校正后影像誤差小于0.5個像元。隨后進行輻射定標,輻射定標采用偽標準地物輻射糾正法,以地面1.5 m×1.5 m的白板為參考,利用ENVI 5.3軟件中的FLAASH模塊進行大氣校正,隨后得到研究區影像中各像元的反射率值。

通過實地測量以獲得研究區倒伏玉米、未倒伏玉米和半倒伏玉米的實際面積,分別為2 062.29、2 754.71、1 210.52 m2,用于后續驗證3種模型方法對玉米倒伏信息的提取精度。

1.4 玉米倒伏敏感特征的選取

本研究選取從無人機影像中提取的光譜指數和紋理特征等信息作為識別玉米倒伏信息的特征。其中光譜指數包括15種指數,詳見表1。

紋理特征是指地物實體表面所共有的內在特征,可反映區域內的灰度變化,并且不依賴于地物的顏色與亮度[25]。這些量化值主要包括均值 (Mean)、方差 (Variance)、差異性(Dissimilarity)、熵 (Entropy)、二階矩 (Second Moment)和相關性 (Correlation)、逆差距 (Homogeneity)、對比度 (Contrast)。本研究采用灰度共生矩陣(Gray level co-occurrence matrix, GLCM)紋理分析法,基于二階概率統計方法(Co-occurrence measures)對這8種濾波特征在ENVI 5.3軟件中進行提取。

1.5 玉米倒伏信息的提取與精度驗證

1.5.1 面向對象分類法 面向對象分類法是指采用分割算法在分類前將同質鄰近像元構建為光譜、紋理、顏色特征等信息相似的同質均勻對象,并將這個對象作為提取地物的最小單元,再通過每個對象上的特征信息對這些影像對象進行分類[26-27],進而實現對目標地物特征的識別。影像完成分割后,構成影像的基本單元從像元變成了包含各種特征的對象,在一定程度上降低了混合像元對地物特征信息提取的干擾。本研究中的面向對象分類方法在eCognition 9.0軟件中實現。

1.5.2 最大似然分類法 最大似然分類法是通過遙感影像的光譜統計特征,對類別樣本對應的影像數據進行分類處理,并記錄影像數據隸屬各類別的數量。根據訓練樣本提取的特征向量,構造出各類別的多維正態分布模型,即概率密度函數或者概率分布函數[28-30],最終通過最大似然分類方法進行判斷,得到較為準確的地物分類結果。

1.5.3 多元Logistic回歸模型 Logistic回歸模型是指研究某個無序或有序多分類的目標變量與有關因素的關系,它分為二分類和多分類兩種回歸模型[6]。其中多元Logistic回歸模型是一種因變量為多分類的Logistic回歸,其模型構建簡單且推廣度較好。本文中將倒伏玉米設置為1,半倒伏玉米設置為2,未倒伏玉米設置為3,進行模型的構建。

最后,本研究采用較為常用的混淆矩陣方法進行玉米倒伏信息提取結果的精度評價。為保證本次樣本選擇的有效性,本研究通過手動方式在研究區均勻選取400個樣本點,并同步應用于對3種分類方法的精度驗證。

2 結果與分析

2.1 不同田間管理條件下的玉米倒伏狀態

實地測量倒伏面積時發現,倒伏玉米多分布在CK和FP處理中,半倒伏玉米多分布在HY處理中,未倒伏玉米多分布在ISSM處理中。在極端天氣下玉米倒伏不僅與天氣情況相關,也與不同的田間管理條件相關。當作物氮肥施用不足(如CK和FP處理),植株根系發育較差,面臨惡劣氣候時易發生倒伏現象;但氮肥施用量也不是越高越好,當其處于過量狀態時(如HY處理),會造成植株徒長,植株整體韌性較弱,同樣容易造成倒伏,因此適量施用氮肥有利于玉米抗倒伏。

2.2 不同玉米倒伏狀態的光譜特征差異

本研究通過計算每種類型的玉米倒伏狀態所對應的像元在不同波段的光譜反射率均值,繪制出3種待識別類型(倒伏、半倒伏、未倒伏)在不同波段的光譜反射率平均值曲線。由圖3可知,倒伏玉米在各波段的反射率值均大于半倒伏、未倒伏玉米,倒伏玉米與半倒伏玉米之間的光譜反射率差異較大,半倒伏與未倒伏玉米之間的光譜反射率差異相對較小,半倒伏玉米與其他狀態玉米在紅光波段的差值較大。

2.3 不同玉米倒伏狀態的紋理特征差異

通過計算采樣區內每種玉米倒伏形態的紋理特征均值,本文分析了不同倒伏形態間紋理特征的相對差異度。如表2所示,對比倒伏與未倒伏玉米的紋理特征,差異最大的是相異性指標,兩種倒伏形態的相對差值為0.28,比其他紋理特征平均高出0.13;對比倒伏與半倒伏玉米的紋理特征,差異最大的是對比度指標,兩種倒伏形態的相對差值為0.42,比其他紋理特征平均高出0.26;對比半倒伏與未倒伏玉米的紋理特征,差異最大的是對比度指標,兩種倒伏形態的相對差值為0.19,比其他紋理特征平均高出0.12;綜上,區分3種玉米倒伏形態的難點在于對未倒伏與半倒伏玉米形態的區分。

2.4 不同玉米倒伏狀態的光譜指數差異

光譜指數是兩個或多個波段反射率進行線性或非線性的組合,不同光譜指數均值在面對倒伏的趨勢上有所不同,見表3,本文中區分倒伏較敏感的指數有NDVI、GNDVI、SRVI等。NDVI從未倒伏到半倒伏、倒伏,其值越來越小,GNDVI與NDVI趨勢相同,越趨向于倒伏,其值就越小。SRVI值從未倒伏到半倒伏先增加,再到倒伏狀態時,反而減小至小于未倒伏狀態。

表3 不同倒伏狀態植被指數均值的趨勢Table 3 Trend of mean vegetation index in different lodging states

2.5 玉米倒伏信息的提取

2.5.1 面向對象方法 在利用面向對象方法進行玉米倒伏信息的提取過程中,多尺度分割中閾值如果過小會導致同一地物被過度分割,形成過多分類單元;如果將閾值設置過大會導致分類單元欠分割,不同的地物會被分割成同一對象[31]。經過多次嘗試,反復目視比對得到如下分類參數:固定緊密度和形狀指數的權重,得到最優的分割尺度為100;固定分割尺度和緊密度的權重,得到最優的形狀指數為0.3;固定分割尺度和形狀指數的權重,得到最優的緊密度指數為0.5。因此,最終得到影像分割的最佳尺度為100,緊密度權重為0.5,形狀指數權重為0.3(圖4)。然而,分割后的影像仍然有部分區域與實際地物不符,主要是由于同一地物可能包含不同的亮度,易造成漏分和錯分的情況[26]。因此本研究還另外加入了15種光譜指數和8種紋理特征參與后續分割。后續分割過程中,經多次目視試錯后確定將無人機影像的權重設為0.5,光譜指數的權重設為0.5,紋理特征的權重設為1,能夠達到較好的分割效果(圖5,見205頁)。最后,將無人機影像、8種紋理特征及15種光譜指數全部輸入到eCognition 9.0軟件中,對玉米的倒伏信息進行提取及精度驗證。在提取倒伏面積過程中發現對區分倒伏與未倒伏狀態較為敏感的光譜指數為NDVI,區分倒伏與未倒伏狀態較敏感的紋理特征為相異性。

圖4 不同參數設置下的影像分割結果(研究區局部)Fig.4 Image segmentation results under different parameters (Part of the study area)

2.5.2 最大似然法 在ENVI 5.3軟件中,對玉米倒伏、未倒伏、半倒伏3種類型分別選擇訓練感興趣區。其中,倒伏、未倒伏訓練感興趣區的數量均為60個,半倒伏訓練感興趣區數量為80個,共計200個樣本點。判斷樣本點的選取是否合格以及其是否能夠進行較為準確的分類,可以通過驗證樣本之間的可分離性來進行。如果兩個感興趣區組合的可分離性值在0～2.0之間,且小于1.8則需要重新選擇樣本;小于1則考慮將兩類樣本合并成一類[32-33],各樣本的分離性見表4,其中,半倒伏與倒伏狀態之間分離性較小,說明區分半倒伏與倒伏狀態較難,其余各類之間的分離性均較好。而后通過最大似然分類法進行分類,在選擇待分類影像后,進行參數設置:選中所有分類類別,設置似然度閾值為無,數據比例系數為255,輸出分類結果后進行精度評價,并生成混淆矩陣以驗證提取玉米倒伏信息的精度。

2.5.3 多元Logistic模型 將多光譜影像導入ENVI 5.3軟件中,隨機選取200個樣本點作為訓練集用于建模,隨后分別獲取訓練集200個點在紅、綠、藍3個波段的光譜均值,用SPSS對樣本點進行主成分分析,提取到1個主成分,其貢獻率為98.07%,計算式為:

F=0.992Rgreen+0.992Rbule+0.986Rred

式中,F為可見光波段均值的主成分提取值,Rgreen、Rblue、Rred分別為綠、藍、紅波段的均值。完成主成分分析后進行多元Logistic分析,因變量為倒伏狀態,分別為倒伏玉米設置為1,半倒伏玉米設置為2,未倒伏玉米設置為3。自變量為主成分,在模型中勾選偽R方、模型擬合度信息等,參數設置置信區間為95%,最大迭代次數為100。結果顯示本模型擬合度的顯著性為0.021,說明模型具有統計意義,但偽R方表格中的值偏低,最大為0.55,擬合程度不佳。

2.6 提取結果的精度評價

利用3種方法提取的玉米倒伏信息精度對比如表5所示?；诿嫦驅ο蠓椒ǖ淖R別結果可知,半倒伏的漏分誤差較高,大部分被錯分的半倒伏對象被分為未倒伏狀態,少部分被錯分為倒伏狀態,分類總體精度能達到88.13%,Kappa系數能達到0.83,分類精度較高。在利用最大似然分類法的玉米倒伏精度評價過程中發現,倒伏玉米多被錯分為半倒伏玉米,分類總體精度為73.51%,Kappa系數為0.65。在利用多元Logistic回歸模型的玉米倒伏精度評價中,倒伏玉米被錯分為半倒伏玉米,未倒伏玉米同樣多被錯分為半倒伏玉米,分類總體精度為77.64%,Kappa系數為0.71。

表5 3種方法提取的玉米倒伏信息精度對比Table 5 Comparison of accuracy of lodging information extracted by three methods

利用3種方法對玉米倒伏信息的識別情況與實際倒伏情況對比如表6所示。相比而言,面向對象方法分別提取的玉米倒伏、半倒伏和未倒伏面積與實際面積差距最小,總體精度為88.13%,Kappa系數為0.83,最大似然法與多元Logistic回歸模型總體精度分別為73.51%和77.64%?？傮w分析發現基于面向對象法提取的玉米倒伏信息精度最高,因此,本研究利用此方法獲得研究區玉米倒伏信息的最終識別結果圖(圖6)。

表6 3種方法提取玉米倒伏面積與實際面積的對比/m2Table 6 Comparison of the maize lodging extraction areas based on the three methods and actual lodging areas

圖6 最終分類圖Fig.6 Final classification results of maize lodging

3 討 論

本研究在實地測量玉米的倒伏面積時,倒伏玉米多分布在CK和FP處理中,半倒伏玉米多分布在HY處理中,未倒伏玉米多分布在ISSM處理中,由于CK處理沒有進行土壤旋耕和施用化肥及有機肥,植株間水肥競爭過于激烈,作物主根發育不良,扎根較淺,造成倒伏較嚴重,因此CK處理地塊中的倒伏玉米面積較大;HY處理中作物種植密度相對較大,且養分投入過多,因此植株的生長空間較小,透風透光環境較差。同時,由于氮肥施用過量造成植株徒長、根莖韌性較弱,在遭遇極端天氣的情況下,也易發生倒伏;ISSM處理中,由于根據區域氣候和土壤狀況設計了作物生產體系以及對應的管理辦法,并通過合理密植、適量的養分供應提升了作物產量以及資源利用效率,還提高了植株莖稈質量,減少了植株倒伏情況的發生。

倒伏與半倒伏玉米在光譜特征和紋理特征方面的差異均較大,較易區分;半倒伏玉米與未倒伏玉米在上述兩方面特征上差異較小,所以本研究中分類的難點就在于對半倒伏與未倒伏玉米狀態之間的區分。本文中利用對倒伏敏感的光譜指數(NDVI、GNDVI、SRVI等)與紋理特征(相異性、對比度)的組合進行分類,所得到的分類結果較好,精準度較高。

相較于衛星影像,無人機多光譜影像可提供更加精細的地物形狀及紋理特征等信息,且無人機具有影像分辨率高、靈活性強、時效性高等優點,能夠為獲取倒伏作物的面積提供精準的數據源。本文基于從無人機多光譜影像中獲取的光譜特征、紋理特征及光譜指數,并應用面向對象分類法、最大似然分類法和多元Logistic回歸模型3種方法,對玉米倒伏、半倒伏、未倒伏信息進行定量提取。其中,利用面向對象分類法對玉米倒伏信息提取的精度最高,其總體精度可達到88.13%,Kappa系數為0.83。由于面向對象的分類方法可將具有相似光譜及紋理特征的對象劃分到同一類別中,避免了面向像元分類方法中易出現的“同物異譜、同譜異物”現象,因此其對玉米倒伏信息的提取精度高于最大似然分類法的精度(總體精度=73.51%,Kappa系數=0.65);但是在利用面向對象方法進行玉米倒伏信息的提取時,識別精度在很大程度上依賴于對象的分割尺度。而分割尺度多是由人工判斷,因此多尺度分割標準的界定主觀性較強。由于分割尺度會直接影響到地物信息的識別精度,所以后續的研究將考慮對分割結果的評價,以進一步提高玉米倒伏信息的識別精度。利用多元Logistic回歸模型提取倒伏信息的總體準確率為77.64%,其結果優于最大似然法73.51%的準確率,但低于面向對象分類方法88.13%的準確率。原因分析如下:在進行多元Logistic回歸分析時,由于模型本身形式較為簡單,難以擬合數據的真實分布,從而影響了分類的精確度,分析結果的偽R方的數據為0.55,這意味著模型僅能解釋因變量55%的變化,對原始變量的變異解釋稍顯不足,還有部分信息無法解釋,因此模型的分類精度較低。

張新樂等[15]的研究總體精度為90.18%,Kappa系數為0.84,略高于本研究精度(總體精度=88.13%,Kappa系數=0.83)。該研究利用無人機多光譜影像識別完熟期玉米的倒伏信息,采用植被指數、光譜和紋理特征等不同組合并應用最大似然法提取玉米倒伏面積,其通過多類紋理特征向量集提取的玉米倒伏面積較為準確。與之相比,本研究應用了更多的光譜指數參與分類,且對比了3種不同分類方法對玉米倒伏信息的提取精度,同時更好地區分了不同倒伏狀態的差異。孫乾[2]的研究總體精度為86.61%,Kappa系數為0.83;其研究通過灌漿期玉米的多光譜影像提取了4種光譜指數、主成分以及紋理特征,并通過最大似然法對紋理特征與光譜指數組合進行分類,應用特征組合方式分類玉米倒伏,相比單獨使用某種分類特征進行分類精度要高。本研究同樣通過結合紋理特征、光譜特征以及光譜指數組合進行分類,應用紋理特征盡可能避免了應用光譜特征識別的“同物異譜、同譜異物”現象;與之相比,本文應用的光譜指數易于區分不同倒伏狀態之間的差異,分類精度要稍高一些。綜上,利用面向對象的方法進行田塊尺度玉米倒伏的識別是可行的。

4 結 論

1)基于無人機多光譜影像,能夠實現對田塊尺度玉米倒伏信息的精準識別,且識別精度較利用衛星影像識別倒伏信息的精度高。

2)對比3種方法對玉米倒伏信息的提取精度,面向對象方法的精度最高,主要是由于其利用了從高分辨率的無人機影像中提取的光譜指數及紋理特征,避免了面向像元方法中的混合像元問題,增強了對玉米倒伏和半倒伏狀態的辨識能力。

3)區分玉米倒伏和未倒伏狀態的最佳特征為植被指數中的NDVI和紋理特征中的相異性,結合使用植被指數和紋理特征后,所獲得的分類結果較好,精度較高。