基于无人机DSM的小麦倒伏信息提取

胡琪　武红旗　轩俊伟　范燕敏　王德俊　谷海斌

摘要 [目的]通过计算小麦的绝对高度来监测小麦倒伏状况，基于无人机影像获取小麦倒伏面积及其分布，为快速进行农业灾害评估提供科学依据。[方法]对奇台县境内不同地形部位的小麦地块进行调查和研究，结合小麦高度的实测值构建倒伏模型，以无人机平台获取的DSM影像为数据源，通过DSM差减法得到小麦实际高度，选取3个典型倒伏地块，用构建的倒伏模型对研究区进行分类，用像元统计的方法提取倒伏面积并采用混淆矩阵的方法对模型的分类精度进行验证。[结果]倒伏主要发生在沙漠边缘、中部平原以及丘陵区的灌溉耕地，南部山区的旱耕地未发生倒伏;模型解译的总体分类精度均在83.33%以上，Kappa系数在0.75以上，表明用文中建立的倒伏模型对奇台县灌浆期小麦进行倒伏监测是可行的。[结论]利用无人机获取的DSM数据可以有效监测小麦倒伏信息。

关键词 倒伏;冬小麦;DSM;无人机;奇台县

中图分类号 S 127;TP 79文献标识码 A文章编号 0517-6611（2020）16-0227-05

doi：10.3969/j.issn.0517-6611.2020.16.064

Information Extraction of Wheat Lodging Based on DSM by UAV Remote Sensing

HU Qi1，2， WU Hong-qi1，2， XUAN Jun-wei1，2 et al

（1.College of Grassland and Environment Science， Xinjiang Agricultural University， Urumqi， Xinjiang 830052;2.Xinjiang Key Laboratory of Soil and Plant Ecological Process， Urumqi， Xinjiang 830052）

Abstract [Objective]The absolute height of wheat was calculated to monitor the situation of wheat lodging， and the area and distribution of wheat lodging were obtained based on UAV images， providing scientific basis for rapid agricultural disaster assessment.[Method]The investigation of the wheat plots in different terrains in Qitai County was conducted. The lodging model was constructed based on the measured height of wheat. DSM image acquired by UAV platform is used as base data， DSM subtraction to get the actual height of the wheat. Three typical fields were selected and the lodging model was used to classify the study area. The method of pixel statistics is used to extract the lodging area and the method of confounding matrix is used to verify the classification accuracy of the model.[Result]The results showed that lodging mainly occurred in the irrigated land of the desert edge， the central plain and the hilly area， while the dry land in the southern mountainous area without lodging. The overall classification accuracy of the model interpretation is above 83.33%， and the Kappa coefficient is above 0.75. It shows that the lodging model is feasible to monitor the lodging of wheat during the filling period in Qitai County.[Conclusion]The above results show that DSM data obtained by UAV can effectively monitor wheat lodging information.

Abstract Lodging;Winter wheat;DSM;UAV;Qitai County

基金項目 国家自然科学基金项目（31560340）。

作者简介 胡琪（1994—），女，安徽安庆人，硕士研究生，研究方向：农业遥感和农业信息化领域。*通信作者，副教授，从事资源调查与遥感监测研究。

收稿日期 2020-03-04;修回日期 2020-04-02

小麦是我国产量最高的主要农作物之一[1]，其总产量仅次于玉米和水稻，对于解决全球人口粮食问题和实现粮食安全具有重要意义，通过对小麦长势监测能够有效保障国家粮食安全。小麦生长会受到由大风、雨等气象因素导致的倒伏的威胁，易形成灾害，作物倒伏会产生较大的损失，不仅降低作物的产量和质量，还会对农业机械的自动化收割产生影响[2]。所以，对农业管理部门来说，能够及时、准确地获取作物倒伏信息有十分重要的研究意义，在农业灾情评估及灾后管理中有着重要的作用。传统遥感影像数据获取成本高、时空分辨率低，大面积快速监测的手段非常有限，而利用无人机获取数据进行倒伏监测不仅可以降低数据获取的时间成本，而且无人机还具有数据获取方式灵活、影像空间分辨率高等特点。因此，基于无人机数据进行小麦倒伏识别方面的研究具有十分重要的意义。

以地面光谱仪[3]、卫星遥感影像[4-6]为数据源对玉米倒伏进行监测是可行的;也有学者验证了用卫星遥感方式监测小麦倒伏的可行性[7-10]。关于无人机在作物长势监测中的研究有不少[11-18]，但是利用无人机监测作物倒伏尤其是小麦倒伏的研究并不多。有学者以无人机影像为数据源对玉米[19]、水稻[20]和棉花[21-22]等进行倒伏监测研究，但是基于无人机对小麦倒伏监测的研究较少。2016年，董锦绘等[23]基于无人机飞控平台农情监测系统对江苏里下河地区小麦倒伏面积进行估算，估算面积与人工目视解译结果的误差为7.43%，验证了无人机遥感在小麦倒伏监测方面的可行性。2019年，李广等[24]用灌浆期冬小麦发生倒伏后的两期无人机影像，通过提取单特征量来构建综合特征参数，结合所构建的综合特征参数及K-means算法对灌浆期小麦倒伏信息进行了提取。以上关于倒伏监测的研究基本都是通过分析倒伏后光谱反射率的特征及倒伏前后光谱反射率的变化来判断是否倒伏。Belton等[25]展示了无人机技术在作物高度监测和建模方面的应用，以提供定量的作物生长数据，以无人机获取的DSM数据为基础，作物高度由摄影测量学导出的CSMs估计，并与GNSS获取的参考高度进行比较，以验证CSMs，评估结果表明，相对于GNSS高度的风况，平均偏差为2～10 cm，该技术在进行林冠、作物高度及长势定量和定性监测方面具有巨大潜力。Murakami等[26]基于低空气球平台作物高度摄影测量系统获取的作物高度对荞麦倒伏程度进行了有效的评估。赵立成等[27]于2019年提出了一种基于无人机DSM的小麦倒伏识别方法。利用无人机遥感进行作物分类、长势监测及病虫害识别已成为农业遥感领域的热点，但目前通过无人机DSM（digital surface model，数字表面模型）数据获取的高度信息实现小麦倒伏识别的研究鲜有报道。建立小麦倒伏模型，以无人机DSM数据对模型进行验证，以期获得小麦倒伏的无人机遥感监测方法。鉴于此，笔者在大面积调查与统计分析的基础上构建小麦倒伏分类定量模型，基于无人机DSM数据验证模型的可行性，探索小麦倒伏的识别方法，以期实现小麦大面积倒伏的高效、快速监测，为新疆小麦倒伏的灾情评估及灾后管理提供技术支持。

1 材料与方法

1.1 研究区概况

奇台县是新疆昌吉州的边境县，地处新疆东北部，准噶尔盆地在其西北部，天山在其南部，奇台县县城位于省会东部195 km。奇台县面积1.93万km2，北塔山牧场与农六师奇台中心团场驻扎在此地。奇台县的地形由北至南可划分为沙漠、平原、丘陵、山地4个类型，最低海拔506 m，最高海拔是4 014 m。奇台县的耕作区集中在中南部：中部平原和丘陵区以灌溉耕地为主，农作物主要是小麦和玉米，其他经济作物有油葵、打瓜、葫芦等。该地区风向平时盛行南风，灾害性天气多西北风，最大风力12级，由强风及强降雨导致的气象灾害频发，由此小麦倒伏灾害发生较严重。

1.2 材料

1.2.1 调查数据。

为了获取更加真实有效的作物生长信息，课题组于2019年5—8月对奇台县作物种植信息进行了大范围的观测与调查。期间，走访农户有效调查问卷共计69户，共调查小麦地块287个。小麦调查点位分布如图1。

调查数据包括：2019年种植作物类型与播种时间、作物种植的株行距（与实测数据比对），近3年该地块种植作物类型、灌溉方式、灌溉保证率、播种时间、收获时间、产量、是否受灾、受灾类型、受灾时间、受灾面积、受灾程度等，该地块所处的地理位置（包括经度、纬度、海拔高度等）与行政区划位置（县、镇、村），以及地形部位、土壤质地与农田林网化程度等。

實测数据主要包括作物高度、叶绿素含量以及叶面积指数。在选取的3个典型地块中，分别随机布设60个覆盖各倒伏类型的样本点，记录该点位的小麦高度及GPS定位，作为真实值用于精度验证。

1.2.2 影像数据。

试验采用的是四旋翼电动无人机遥感平台，集成全新RTK模块，提供实时厘米级定位数据，无人机最大起飞重量是1 391 g，最大水平飞行速度为50 km/h，最大飞行海拔高度是6 000 m，飞行时间约30 min。搭载1英寸（1英寸=2.54 cm）2 000万像素CMOS传感器，镜头搭载的为FOV 84°，支持自动对焦，单幅照片最大分辨率为 5 472×3 648 pixel，满足试验要求。无人机的相关参数如下：无人机型号DJI Phantom 4 RTK，相机型号DJI FC6310R，图片格式JPEG，航向重叠率70%，旁向重叠率70%，垂直悬停精度±0.1 m，水平悬停精度±0.1 m。

根据课题的需要，在小麦处于苗期时获取奇台县大范围区域的裸地高程数据，并在无人机起飞处的地面建立一个控制点，作为高程基准，两期作业都以这个控制点为基准来校正不同架次之间由于GPS定位造成的高程差异。在无人机数据获取和处理中，由于单次定位精度垂直误差能保证在1.5 cm以内，所以该研究中至少能保证垂直定位精度误差在5.0 cm以内，通过DSM差减法得到的高度作为小麦高度是可行的。

小麦倒伏灾害发生后，课题组及时赴奇台县进行调查和无人机作业。作业当天天气晴朗，地面风速小于4级，满足航摄要求。根据试验设计对感兴趣区域进行无人机飞行作业，共获取了3个不同地形部位100 m高度的航拍照片。在3个不同的地形部位分别选取1个典型小麦地块作为感兴趣区，3个典型地块由北至南分别命名为A、B、C。其中，A地块面积为40 145.85 m2，B地块面积为67 979.82 m2，C地块的面积为37 610.73 m2，其分布见图1。

1.3 方法

1.3.1 无人机影像处理。

无人机航拍照片的拼接处理在Agisoft PhotoScan平台上完成。无人机获取的照片自带位置数据，通过导入单张照片及其自带的位置数据，利用动态结构算法进行地面特征点的匹配，通过DMVS算法构建点云数据，处理后得到航摄区的DOM（digital orthophoto map，数字正射影像）和DSM数据，对应的影像空间分辨率为0.027 4 m。

1.3.2 倒伏模型构建。

在无人机数据获取和处理中，由于单次定位精度垂直误差能保证在1.5 cm以内，所以该研究至少能保证垂直定位精度误差在5.0 cm以内，通过DSM差减法得到的高度作为小麦高度是可行的，该数据可以用于提取地面麦类作物的高度。

奇台县范围内共调查了287个小麦地块，其中发生倒伏（包括不同程度倒伏）的小麦地块有61个。试验获取了地块中不同倒伏形态的小麦高度，并根据不同倒伏形态对小麦的倒伏程度做了初步判断和标记。由于奇台县南北跨度大，小麦品种和土壤等条件的差异导致整个奇台县的小麦高度不完全一致，越靠近南部山区，小麦高度越低，倒伏发生的几率也低。试验室数据统计分析发现，灌浆期正常小麦的高度普遍在90 cm左右，其中65 cm以上的也为正常小麦;低于65 cm 高度的小麦几乎都有不同程度的倒伏形态：35 cm以下高度的小麦几乎呈现压倒性的状态，无法再恢复生长;在35～65 cm也有区分，其中50 cm以上的小麦倒伏形态较明显，但是对小麦后期生长的影响较小;而50 cm以下高度的小麦倒伏程度较大，但与35 cm以下高度的小麦倒伏形态有差距，因此该研究将小麦的形态划分为4种类型：严重倒伏、中度倒伏、轻度倒伏与未倒伏。

1.3.3 分类及面积提取。

基于DSM的差减法，即倒伏后的高程数据减去裸地的地面高程数据，得到的结果作为监测区小麦的实际高度，根据构建的小麦倒伏模型对3个典型地块进行倒伏分类;对分类结果采用像元统计的方法进行倒伏面积的计算，某类型面积=像元面积×该类型像元个数。

1.3.4 分类精度评价。

以各地块田间实测值作为地面真实值，倒伏模型的分类结果作为分类值，计算分类的制图精度、用户精度、总体分类精度以及Kappa系数，制作混淆矩阵，对分类后的图像进行精度评价。

2 结果与分析

2.1 倒伏分类及面积提取

2.1.1 倒伏分类。

图2是由倒伏模型得到的分类结果。从图2中可以看出，基于DSM数据的倒伏模型分类结果，A、B、C 3个地块均存在不同程度的倒伏形态，且严重倒伏伴随有中度倒伏与轻度倒伏发生。

A地块发生大面积倒伏，且倒伏集中连片，其中严重倒伏区域较大，主要分布在地块的中西部，大致呈东南-西北走向，中度倒伏发生在严重倒伏的周围，轻度倒伏伴随着中度倒伏发生，未倒伏的区域较少，这可能是由于地块A地处沙漠边缘区，西北风经过此处时风力较大，造成大面积严重倒伏。

B地块中的各类倒伏在整个地块中均有分布，地块西部区域倒伏分布较少，但也有部分严重倒伏零星分布，地块中西部倒伏发生较普遍，大致呈南北走向，靠近南北边缘的区域倒伏发生较严重，靠近地块中部区域倒伏发生较轻微。C地块的分类结果显示，该地块发生大范围严重倒伏，倒伏集中连片发生，未倒伏零星分布于严重倒伏之间，中度倒伏与轻度倒伏分布较少，倒伏呈现南北纵向分布的趋势。

2.1.2 面积提取。

根据像元统计的结果，计算各类型的面积、各类型在地块中所占的比重以及发生倒伏与未发生倒伏的面积比重（表1）。

A地块严重倒伏面积比重最大，为34.03%;其次是轻度倒伏，为28.35%;中度倒伏的面积占比最少，只有18.56%，该地块中严重倒伏、中度倒伏与轻度倒伏的面积之和比重达到80.94%，未倒伏的面积仅占19.06%，说明该地块倒伏发生面积较大，倒伏发生程度较严重。B地块未倒伏面积占比44.00%，其他倒伏面积之和比重达到56.00%，说明该地块倒伏发生面积较大;严重倒伏与中度倒伏面积占比均较小，分别为11.92%与11.42%，总比重不超过25.00%，而轻度倒伏与未倒伏面积之和占比达到76.65%，说明该地块倒伏发生程度较轻。C地块倒伏面积比重从高到低依次是：严重倒伏、中度倒伏、轻度倒伏、未倒伏，其中未倒伏面积占比仅9.13%，其他发生倒伏的面积比重高达90.87%，说明该地块倒伏发生面积非常大;严重倒伏面积占比达59.79%，说明该地块倒伏发生非常严重。

2.2 分类精度评价

表2是基于混淆矩阵的小麦倒伏分类精度评价结果。A地块中严重倒伏和中度倒伏的分类结果均较好，制图精度和用户精度均高于90.00%;未倒伏的错分误差较大，用户精度只有57.14%，漏分误差为0，制图精度高达100%，轻度倒伏的漏分误差较大，制图精度为68.18%，用户精度达到100%，A地块中的轻度倒伏被分成未倒伏的较多，说明A地块中未倒伏与轻度倒伏2种类型之间存在混分现象。B地块中中度倒伏与轻度倒伏错分误差较大，各倒伏类型的制图精度较高，严重倒伏与未倒伏的漏分误差为0，分类结果较好。C地块中除中度倒伏分类精度较低以外，其他类型分类精度均高于83.33%，其总体分类精度为88.33%，Kappa系数达到0.80，说明该地块分类结果具有高度一致性。

3个地块的总体分类精度均在83.33%以上，Kappa系数高于0.75，说明在无人机飞行高度为100 m的DSM数据中，3个地块的分类结果均较好。比较各类型倒伏分类精度，结果显示小麦倒伏识别精度最好的是严重倒伏类型。

3 讨论

该研究在大面积调查与统计分析的基础上构建了小麦倒伏模型，基于无人机DSM数据验证了该倒伏模型的可行性，但还有很多工作有待进一步深入。该研究构建的小麦倒伏模型是基于奇台县灌浆期小麦，在不同小麦品种和地域的影响下，该倒伏模型是否适用于其他地区，另外是否可以参考韩东等[6]构建玉米倒伏模型的方法通过植株相对高度来确定倒伏分类模型仍有待更加深入的理论和实验研究。该研究中的倒伏类型提取精度最高为88.33%，与赵立成等[27]的倒伏分类精度（总体分类精度为90.89%）相比更低，这一方面是因为赵立成等[27]试验时的无人机航高为30 m，其数据的空间分辨率更高，另一方面可能是因為该研究对小麦的倒伏程度做了进一步细分，而赵立成等[27]只将小麦分为了倒伏与未倒伏2类;此外，赵立成等[27]结合了DOM与DSM进行倒伏识别，两者结合可能会使分类精度更高，后续可以从这方面做深入研究。

4 结论

该研究通过大面积调查观测建立的灌浆期小麦的倒伏模型为：35 cm以下为严重倒伏，35～50 cm为中度倒伏，>50～65 cm为轻度倒伏，65 cm以上为未倒伏;该研究以无人机获取的DSM影像为数据源，通过DSM差减法得到小麦实际高度，用构建的倒伏模型对研究区进行分类，统计倒伏面积并计算模型解译精度，模型解译的总体分类精度均在83.33% 以上，Kappa系数在0.75以上，表明用文中建立的倒伏模型对奇台县灌浆期小麦进行倒伏监测是可行的。该研究结果表明，利用无人机获取的DSM数据可以有效监测小麦倒伏信息。

参考文献

[1] DU M M，NOGUCHI N.Monitoring of wheat growth status and mapping of wheat yields within-field spatial variations using color images acquired from UAV-camera system[J].Remote sensing，2017，9（3）：1-14.

[2] 刘美辰，田勇鹏，王璐，等.收获作业时小麦倒伏检测方法[J].农机化研究，2019，41（2）：40-44，54.

[3] 王猛，隋学艳，梁守真，等.夏玉米倒伏模拟试验及遥感监测[J].测绘科学，2017，42（8）：137-141.

[4] 李宗南，陈仲新，任国业，等.基于Worldview-2影像的玉米倒伏面积估算[J].农业工程学报，2016，32（2）：1-5.

[5] 王立志，顾晓鹤，胡圣武，等.基于多时相HJ-1B CCD影像的玉米倒伏灾情遥感监测[J].中国农业科学，2016，49（21）：4120-4129.

[6] 韩东，杨浩，杨贵军，等.基于Sentinel-1雷达影像的玉米倒伏监测模型[J].农业工程学报，2018，34（3）：166-172.

[7] 刘良云，王纪华，宋晓宇，等.小麦倒伏的光谱特征及遥感监测[J].遥感学报，2005，9（3）：323-327.

[8] 王猛，姚慧敏，隋学艳，等.基于地面样方调查的小麦倒伏遥感监测研究[J].山东农业科学，2014，46（8）：19-22.

[9] 杨浩，杨贵军，顾晓鹤，等.小麦倒伏的雷达极化特征及其遥感监测[J].农业工程学报，2014，30（7）：1-8.

[10] ZHAO L L，YANG J，LI P X，et al.Characterizing lodging damage in wheat and canola using radarsat-2 polarimetric SAR data[J].Remote sensing letters，2017，8（7）：667-675.

[11] 江杰，张泽宇，曹强，等.基于消费级无人机搭载数码相机监测小麦长势状况研究[J].南京农业大学学报，2019，42（4）：622-631.

[12] 王康丽.基于无人机可见光和热红外图像的棉花冠层信息识别[D].北京：中国农业科学院，2019.

[13] 李学国.基于无人机遥感光谱图像的小麦玉米长势精准监测研究[D].泰安：山东农业大学，2019.

[14] 刘忠，万炜，黄晋宇，等.基于无人机遥感的农作物长势关键参数反演研究进展[J].农业工程学报，2018，34（24）：60-71.

[15] 王楚锋，王天一，廖世鹏，等.基于低空遥感的消费级相机油菜苗期长势监测最优波段选取[J].华中师范大学学报（自然科学版），2018，52（4）：565-573.

[16] 裴浩杰，冯海宽，李长春，等.基于综合指标的冬小麦长势无人机遥感监测[J].农业工程学报，2017，33（20）：74-82.

[17] 王妮.基于无人机平台的小麦长势监测与产量预测研究[D].南京：南京农业大学，2016.

[18] 秦占飞.西北地区水稻长势遥感监测研究[D].杨凌：西北农林科技大学，2016.

[19] 李宗南，陈仲新，王利民，等.基于小型无人机遥感的玉米倒伏面积提取[J].农业工程学报，2014，30（19）：207-213.

[20] 田明璐，班松涛，袁涛，等.基于低空无人机多光谱遥感的水稻倒伏监测研究[J].上海农业学报，2018，34（6）：88-93.

[21] 戴建国，张国顺，郭鹏，等.基于无人机遥感多光谱影像的棉花倒伏信息提取[J].农业工程学报，2019，35（2）：63-70.

[22] 崔美娜，戴建国，王守会，等.基于无人机多光谱影像的棉叶螨识别方法[J].新疆农业科学，2018，55（8）：1457-1466.

[23] 董锦绘，杨小冬，高林，等.基于无人机遥感影像的冬小麦倒伏面积信息提取[J].黑龙江农业科学，2016（10）：147-152.

[24] 李广，张立元，宋朝阳，等.小麦倒伏信息无人机多时相遥感提取方法[J].农业机械学报，2019，50（4）：211-220.

[25] BELTON D，HELMHOLZ P，LONG J，et al.Crop height monitoring using a consumer-grade camera and UAV technology [J].PFG-Journal of Photogrammetry，Remote Sensing and Geoinformation Science，2019，87（11）：249-262.

[26] MURAKAMI T，YUI M，AMAHA K.Canopy height measurement by photogrammetric analysis of aerial images： Application to buckwheat（Fagopyrum esculentum Moench）lodging evaluation[J].Computers and electronics in agriculture，2012，89：70-75.

[27] 趙立成，段玉林，史云，等.基于无人机DSM的小麦倒伏识别方法[J].中国农业信息，2019，31（4）：36-42.