无人机可见光遥感影像的农作物信息提取及验证

孙凯月

摘 要：该文简要概述了遥感技术，对无人机可见光遥感提取农作物信息的研究现状进行了分析，并以某个农作物区域作为研究案例，就农作物信息的提取和验证进行了探究。

关键词：无人机可见光遥感影像;农作物信息提取;遥感技术

中图分类号 S127 文献标识码 A 文章编号 1007-7731（2022）04-0094-03

Abstract： This article provides a brief overview of remote sensing technology， analyzes the current status of research on crop information extraction by UAV visible light remote sensing;secondly， taking a certain crop area as a research object and case， various work on extracting and verifying crop information is launched In-depth explanation.

Key words： UAV visible light remote sensing image; Crop information extraction; Remote sensing technology

在三大产业当中，农业的产值虽然无法与工业、服务业相比，但农业仍然是人类为了维持当前的生存和未来发展必不可少的基础性产业。在农业生产过程中，确定农作物的类型是一项重要的工作，在这项工作中，获取农作物的信息是前提。全面掌握一個地区的农作物信息具有重要的意义，可以合理调整一个地区的农业结构，充分发挥地区的自然优势，促进各个农业区之间的协调发展。

1 遥感技术和无人机概述

遥感技术的优势众多，包括可以覆盖极广的范围、获取信息的速度极快、可以多平台使用、具有多种分辨率等。因此，遥感技术在农业信息获取的过程中肩负重要的使命[1-2]。现阶段，我国无人机飞行技术已走在了世界前列，无人机飞行技术发展迅速，机动性和作业选择性较强，具备高度的灵活性。同时，无人机的作业周期相对较短，拥有较好的时效性，并且无须过高的使用费用，安全性有保障。目前，微型计算机技术、通信技术等众多高新信息技术的发展，为搭载遥感设备的无人机平台发展奠定重要的基础，在获取区域农作物信息的过程中，这项技术也应用广泛，并成为了研究的重点[3-4]。

2 无人机可见光遥感提取农作物信息研究现状

现阶段，由于科技的迅速发展，获取农作物信息的手段呈现出多样化的特点，但使用频率最高，使用范围最为广泛的技术仍然是遥感技术，该技术在识别农作物信息的过程中无须过多的时间，并且获得的数据精度较高。以往利用卫星遥感，在位置上距离地面较为遥远，作业的周期相对较长，并且卫星遥感首先要发射遥感卫星，操作较为复杂，而搭载遥感设备的无人机出现之后，这些问题都被一一解决[5-6]。在无人机可见光遥感获得农作物信息这一方面，前人已有如下的研究：贾鹏刚在获取银杏树影像数据的过程中利用到了无人机，在无人机可见光遥感的作用下将银杏树的胸径值提取出来，通过成功的实践证明无人机遥感获取农作物信息的可行性。韩文霆在玉米拔节期种植期间利用无人机获得了重要的数据信息，并以TGB图像显示出来，最终获得观察结果，面积提取误差值在20%以内。陈燕丽以CLDAS数据为基础，在监测晚稻生产寒露风低温冷害的过程中充分利用了无人机遥感技术，并在遥感技术的辅助下对相关数据进行深入分析，在较短的时间内了解到了灾害等级的分布情况，为后续的工作奠定了重要的基础。

汪小钦利用无人机遥感技术获得重要的RGB图像，并且利用植物具有的波段反射特性和波段吸收特性构建了相关的指数（VDVI）。李宗南在获取农作物图像的过程中充分利用搭载彩色相机的小型无人机，从纹理和色彩2个特征入手，分析处于正常状态的玉米和出现倒伏的玉米，从而得出结论：倒伏玉米的误差值相对较小。Kyle在识别藻类的过程中利用无人机获取到了多幅RGB格式的图像数据，并且利用多种算法完成了最终的识别工作[7]。

王利民以无人机可见光遥感技术为基础，获取到农作物的RGB格式的影像，根据图像本身的特征、包括光谱、几何形状、纹理等，充分利用对象分类方法分类不同的农作物，包括春季玉米、夏季玉米、苜蓿以及缺少农作物和植被覆盖的，裸露在地表的土壤等。董梅在提取烟草种植面积信息的过程中充分利用无人机遥感技术，了解烟草种植的分布情况。鲁恒在无人机遥感影像技术的辅助下，在耕地提取方法中另辟蹊径，提出了利用迁移学习机制[8]。

3 案例分析

3.1 材料与方法

3.1.1 研究区域的基本情况 本文研究的主要农作物区域为我国西南部某省份的一个农村，该村距离最近的县城有16.5km，整个村庄的占地面积为28.4km2，该村的交通较为发达，公路贯穿其中，整个农村的居住人口在4800余人。在该村中，可以用作耕地的面积为228.7m2，自然优势利于水稻、玉米以及马铃薯等主粮作物的种植，还有以油菜为主的经济作物的种植。水稻种植位于灌区，而玉米的种植多为与油菜和蚕豆进行套种。该村水资源总量较为丰富，四季的气候适宜居住，冬季气温不会出现过低的现象，夏季不会出现高温酷热的天气，适宜农作物的生长。

3.1.2 数据获取及预处理

3.1.2.1 数据获取 在获取数据的过程中，主要利用搭载正射相机的无人机，其中正射相机的像素为4200万，可以实现全景的对焦，而无人机的类型为纯电动型，可以垂直起降。无人机自身携带全球卫星定位系统，在于位于地面的站台对接完毕后，可以获得每次任务的具体航线，相关工作人员在地面控制无人机的起降。此次利用无人机获取农作物数据的飞行高度为1568m，无人机在航拍的过程中，整体的高度为200m，航向和旁向的重叠度分别为75%和70%，无人机巡航的速度为64km/h，无人机飞行的总长度为51km，总飞行时间为50min。

3.1.2.2 预处理 在无人机获取图像信息之后，利用PIX4D技术进行拼接，这是因为利用无人机获取的图像信息处于分离状态，即照片和坐标的信息分离，为了不影响后续的工作，需要在软件中添加，补充信息，再利用照片的编号完成对应的工作，最后遥感影像的精度必须符合1∶1000。研究主要区域是正射相机拍摄中农作物种类较多的区域，主要研究区域的面积为0.36km2。此外，影像数据中包括的灰度值主要有3种色彩，分别是R、G、B3。

3.1.3 种植作物类型信息提取 利用遥感无人机获取的影响数据波段有限，仅为红、蓝和绿3个，因此，在提取农作物信息的过程中无法直接通过植被的计算。在处理遥感影响中的农作物纹理信息的过程中，必须通过色彩空间转换和处理不同纹理的滤波实现，利用这种方法的优势较多，主要的优势就是可以保证同谱同物，让识别农作物的精度得以提升。在无人机正射相机拍摄的影像中选取不同农作物区域作为样本，完成影像色彩与纹理2个特征的计算、统计和分析工作。通过这项工作可以获取不同农作物关键特征的参数，这些参数在区分不同农作物的过程中将发挥重要的作用。同时，将这些数据提取出来还可以获得农作物的关键信息。

在提取农作物关键信息的过程中，充分利用ENVI5.1技术将影像数据灰度值的3个波段统计出来，在获取色彩特征的过程中利用色彩空间的转换，最终获得亮度、色度和饱和度3个特征，在计算之后，影像数据的纹理特征也可以获得，包括颜色的均值、方差和信息熵等。

内业判读的依据为在野外采集农作物的样本。经过研究之后，选定3种农作物作为典型样本进行研究，分别为玉米、大豆和水稻。在研究的过程中，各种农作物样本的选择如下：21个大豆样本、19个水稻样本以及22个玉米样本。在对所有的指标结果进行统计之后，得出了特征指标的方差和均值24项，不同农作物之间的差异系数由此而来。

3.1.4 提取的信息分类与验证 在提取农作物数据的过程中，分析上述3种农作物的色彩与纹理2个方面的特征，在分类区域内农作物的过程中，利用分类特征组合为绿色二阶矩、饱和度和亮度。在提取农作物精度的过程中，利用遥感判读外业采集样本的分类结果。Arcgis是遥感判读过程中主要凭依，同时必须结合外业采集的样本，在室内判别每一种农作物的过程中利用矢量化的遥感影像，最终获得主要研究区域的影响判读结果并完成相应的统计工作。不同农作物的种植面积需要根据提取的结果判定，并且要进行目视解椅判读，并将2种方法得到的结论进行对比，在此基础上将农作物的精度提取出来。

3.2 结果与分析

3.2.1 色彩和纹理特征 根据相关的正射影像可以得知，在颜色、纹理特征以及亮度和饱和度上，玉米、大豆和影响3种作物各有不同。其中，深绿色为大豆的颜色特征，大豆种植在局部地区，颜色以浅绿色为主，并且种植较为稀疏;条带状是水稻的主要纹理特征，水稻植株之间有明显的差异，并且就颜色上来说，水稻较为单一，以浅绿色为主，由于种植条件的特殊性，水稻的地块多为矩形，并且地块规整;而玉米的植株的种植特征更为明显，颜色特征为亮绿色，整体的颜色以深色为主，并且由于影像拍摄季节的关系，玉米植株在中间部位呈现出浅黄色，其中玉米穗的影响较大，这也是玉米与大豆和水稻之间明显的差别之一。

通过相关的研究数据可知，3种不同农作物之间的颜色特征、纹理特征以及其他特征的变异系数较大，3种作物整體之间的差异系数变化较大。尤其在饱和度和亮度这2个颜色特征上，大豆、玉米和水稻这3种作物有着明显的差别，在亮度上大豆位居第1位，水稻和玉米排在其次;在饱和度上，水稻位居第1位，玉米排在最后，大豆居于两者之间。因此，从颜色特征入手就可以将3种农作物区分开来。同时，利用绿色二阶矩指标也可以区分3种不同的农作物，尤其是大豆与水稻的差异系数相差较大，可以轻易将大豆从3种农作物之间区分出来。鉴于此，判断不同农作物之间的差异可以参照较多的指标，在分类不同农作物的过程中只需要在其中选择合适的1种或者几种即可，这样分类不同的农作物将有着较高的效率。总的来说，在提取大豆、玉米和水稻3种农作物信息的过程中，主要的分类依据是颜色特征中的亮度、饱和度以及绿色二阶矩，其他的各项差异系数等信息只作为辅助指标，不发挥主要作用。

3.2.2 提取信息的分类及误差 经过相关的影像资料可以得知，主要研究区域的农作物主要有3类，分别是大豆、玉米和水稻。就相关的结果来看，在主要研究区域内，种植范围较大的是大豆。从颜色特征和纹理特征入手可以获得农作物在空间分布上的情况，对遥感目视判读的结果与该研究方法大体一致，差异并不明显。根据相关的研究资料可知，玉米、大豆和水稻等3种作物的目视解读范围不超过±0.3hm2;从颜色特征和纹理特征为基础，提取出的3种不同的农作物面积之间的差异不超过±0.25hm2;3种不同农作物的提取误差均不超过10.00%，玉米的提取误差甚至不超过2.00%。

4 小结与讨论

利用先进的无人机飞行技术以及遥感技术，获得主要研究区域内的遥感影像，将纹理滤波中的亮度、饱和度等颜色特征利用色彩空间转换与灰度共生矩阵2种方法进行组合，将主要研究区域内大豆、玉米和水稻3种农作物的信息提取出来，在检验以颜色特征和纹理特征组合分类方法的精度的过程中充分利用判读遥感影像的结果。相关的结果表明，3种农作物种植面积的误差均在10%以下，并且玉米的误差甚至在2%以下。同时，在3种农作物中，玉米的精度要高于其余2种作物。

在提取农作物面积大小以及分布情况时，利用无人机遥感技术可以获得较好的精度，同时，无人机飞行技术本身操作难度不高，并且较为安全，在提取农作物信息，监测农作物情况的过程中应用较为难广泛，适用于农作物的调查工作。但是这种技术也存在一定的局限性：一是无人机为纯电动，无人机飞行的时间受到电力的限制，难以大面积航拍，外部的天气和地形也会对无人机产生影响;二是无人机在航拍的过程中可以获得大量的数据，这些数据在后期的处理过程中需要大量的时间;三是农作物的光谱特征相对复杂程度较高，容易将一种类型的农作物划分为不同类型。

参考文献

[1]戴建国，薛金利，赵庆展，等.基于低空无人机可见光影像的棉田苗情提取[J].农业工程学报，2019（4）.

[2]金忠明，曹姗姗，王蕾，等.天山云杉林无人机可见光影像树冠信息提取方法研究[J].林业资源管理，2020（01）：127-137.

[3]田甜，王迪，曾妍，等.无人机遥感的农作物精细分类研究进展[J].中国农业信息，2020，32（02）：5-16.

[4]戴建国，薛金利，赵庆展，等.利用无人机可见光遥感影像提取棉花苗情信息[J].农业工程学报，2020（04）：71-79.

[5]陈青松，滕连泽，张洪吉，等.基于微小无人机农作物长势监测试验研究——以猕猴桃为例[J].农机使用与维修，2019（8）：4-10.

[6]王猛，隋学艳，梁守真，等.利用无人机遥感技术提取农作物植被覆盖度方法研究[J].作物杂志，2020，196（03）：183-189.

[7]刘斌，史云，吴文斌，等.基于无人机遥感可见光影像的农作物分类[J].中国农业资源与区划，2019，260（08）：60-68.

[8]陈智虎，许元红，童倩倩，等.无人机可见光遥感影像的农作物信息提取及验证[J].贵州农业科学，2020（02）：133-136，183.

（责编：张宏民）

3009500338256