近年来，随着小麦单产的提高，茎秆负荷逐渐增大，倒伏风险不断增加，小麦在灌浆期经受大风、暴雨等灾害后，极易引起大规模倒伏。小麦倒伏会影响光合作用和灌浆过程，造成小麦减产、减质[1], 同时还会影响机械收割， 增加收割成本。 灾后快速、 精确的定位小麦倒伏位置， 提取倒伏面积等信息， 可为政府有关部门和保险理赔公司提供数据依据与技术支持。

随着遥感技术的发展，小麦倒伏监测方法从费时费力的人工测量法发展到高效、大尺度监测的遥感法[2]。 遥感法又分为卫星遥感法和无人机遥感法， 卫星遥感法因其易受云层等自然因素的影响， 又有时效性差、 空间分辨率低等缺陷， 难以满足精确提取作物倒伏信息的要求， 而无人机遥感不仅能克服以上缺陷， 更有操作简便、 成本低、 适用于各级各类农场和农户等优势， 逐步成为农业灾情、 病虫害等领域空间变异信息的重要获取手段。

国内外学者在小麦倒伏识别领域的研究已获得了长足的发展。李广等[3]基于无人机红绿蓝(red-green-blue, RGB)可见光数据获得各波段间散点图， 以此筛选小麦倒伏信息， 并结合K-means算法构建小麦多时相倒伏模型。 黄艳伟等[4]基于无人机多光谱冬小麦数据， 采用随机森林等4种监督分类方法， 对不同空间分辨率下小麦倒伏的提取精度进行了比较， 得出20～40 cm为提取小麦倒伏面积最佳空间分辨率范围。 戴建国等[5]基于无人机多光谱数据提取倒伏棉花图像的主成分分析纹理特征与植被指数， 建立基于光谱、 纹理特征的倒伏棉田Logistic二分类模型。 Wilke等[6]通过分析不同倒伏程度小麦间的光谱差异， 发现红边和近红外波段反射率随倒伏程度的增加而增加， 得出结合最近邻分类方法能在一定程度上区分小麦不同倒伏程度的结论。 Zhang等[7]基于无人机遥感收集小麦倒伏RGB数据， 通过对传统机器学习和深度学习的评估和比较， 发现深度学习识别精度高于传统机器学习， 适用于麦田倒伏的快速检测。

纵观以上研究，均未考虑田块尺度倒伏率对分类结果的影响，且仅利用单特征图像对作物倒伏进行识别与分类，对作物倒伏的专属性表征不全面，无法真正做到图谱合一，易出现“同谱异物”和“同物异谱”的现象， 而多特征图像融合技术可将不同图像数据所含的信息有机结合， 有效减少对被感知对象背景中可能存在的多义性和不确定性， 最大限度发挥各图像的优势并提高图像信息的利用率。

已有学者对多特征图像融合技术在作物倒伏领域的应用进行了研究。赵静等[8]基于无人机搭载可见光相机获取的小麦倒伏数据， 提取数字表面模型(digital surface model, DSM)和过绿指数(excess green, EXG), 分别与RGB图像进行融合， 得出融合图像较单一特征图像能更有效地提取小麦倒伏信息的结论。 Yang[9]等对无人机RGB图像、 纹理特征、 DSM模型进行不同的融合组合， 利用决策树等分类方法对各融合图像进行分类精度的计算， 表明DSM+RGB图像的组合识别水稻倒伏效果最佳。 以上研究表明了图像融合技术在识别作物倒伏领域的优势， 但其均基于无人机可见光数据， 只能在较明显外观表征的情况下识别作物倒伏， 无法依托多种光谱反演手段判断倒伏。

为继续探究多特征图像融合方法在作物倒伏面积与倒伏位置精准识别中的适用性，分析不同倒伏率小麦最佳的监督分类方法，本研究利用无人机获取多田块冠层尺度的不同倒伏率小麦多光谱数据，提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行融合， 筛选差异性较大的纹理特征， 采用3种典型的监督分类模型对融合图像、 多光谱图像和纹理特征图像进行监督分类， 并对分类结果进行对比分析， 以期寻求各倒伏率麦田识别倒伏最佳的特征组合和监督方法。

1、实验部分

1.1 研究区概况

研究区地点为江苏省宿迁市泗洪县(118°23′50″E, 33°25′8″N)洪泽湖农场五分场(图1), 该农场地处温带季风气候区， 年均气温14.2 ℃, 降水分布不均， 且多集中在夏季， 年均降水量约910 mm, 年均日照总时数2 291 h, 光热资源优越， 适合小麦、 水稻等作物的种植。 该地区在2021年5月中旬遭受短时强降雨、 大风和强对流天气， 导致灌浆期小麦发生大规模严重倒伏。

图1 研究区位置及区域划分   

1.2 数据采集

本试验采用大疆Matrice 600 Pro无人机作为多光谱数据采集系统[图2(a)], 机身轴距1 133 mm, 机体最大起飞重量15.5 kg, 最大水平飞行速度(无风)18 m·s-1, 平均续航时间约为30 min, 并搭载美国Micasense公司的RedEdge-MX多光谱成像系统， 如图2(b)所示。 RedEdge-MX传感器共有蓝、 绿、 红、 红边、 近红外5个通道， 对应中心波长/波宽分别是475/32、 560/27、 668/16、 717/12和840/57 nm, 各通道分辨率均为1 280×960, 视场范围47.2°, 并配有校正反射率的校准板[图2(c)]和校正太阳与光线角度的光强传感器。 多光谱数据采集时间为2021年5月22日12:00—14:00, 天气晴朗无云， 无人机飞行高度为70～71 m, 飞行速度为9.2 m·s-1, 航向的重叠率为80%, 旁向重叠率为70%。

图2 无人机多光谱遥感平台   

1.3 研究方法

首先对航拍获取的原始图像进行预处理，包括图像拼接、辐射校正和几何校正等，然后剔除麦田背景，包括土壤背景和阴影背景，对比倒伏与正常小麦的光谱反射率差异，筛选合适的植被指数，合成小麦倒伏DSM模型， 分别与多光谱图像进行特征融合， 合成DSM与多光谱融合图像和植被指数与多光谱融合图像， 并提取小麦图像纹理特征， 合成倒伏纹理特征图像， 构建小麦正常与倒伏数据集并划分训练集与验证集； 再通过不同监督分类方法提取不同倒伏率麦田的倒伏面积， 最后利用总体精度(overall accuracy, OA)、 Kappa系数和提取误差分析各特征组合对不同倒伏率研究区域倒伏面积提取精度的影响， 优选最佳的分类方法。 技术路线如图3所示。

图3 技术路线图   

1.4 数据预处理与特征提取

1.4.1 数据预处理

在无人机完成飞行作业后，将获取的多光谱原始图像导入到Pix4Dmapper软件中进行图像拼接、 辐射校正等预处理， 生成空间分辨率为0.048 m的5通道单波段反射率图像和DSM图像。 使用ENVI5.3软件对单波段图像进行图像融合， 合成5波段的多光谱图像， 并采用阈值分割法进行图像背景分割： 利用重归一化差值植被指数[10](Re-normalized difference vegetation index, RDVI)分割小麦与土壤背景， 并利用阴影指数(shaded vegetation index, SVI)分割小麦与阴影背景， 利用数据统计工具比对生成二值化矢量掩膜， 导入感兴趣区域进行图像裁剪， 以减少土壤和阴影背景对分类结果的影响。

1.4.2 样本划分

DSM图像能较好地反映地面的起伏变化， 满足区分正常与倒伏小麦的要求， 因此采用剔除背景后的DSM图像进行样本划分。 在研究区域挑选特征鲜明的分类样本大小一致(约占50个像元), 倒伏与正常样本分离度均高于1.8。 在分类区域选择160个样本作为训练集样本， 其中正常和倒伏样本各80个。 在验证区域选取80个样本作为预测集样本， 其中正常和倒伏样本各40个。 将研究区域按2∶1划分为分类区域和验证区域， 图1红框为分类区域， 绿框为验证区域。

1.4.3 光谱分析与波段选择

首先需对掩膜裁剪后的图像进行卷积低通滤波处理，以减少图像噪声对分类精度的影响[3], 以增强正常与倒伏小麦图像之间的差异。 为便于突出倒伏小麦光谱特征， 选取特征明显的区域提取光谱反射率， 统计各波段反射率均值， 构建光谱反射率曲线图(图4)。 当太阳直射时， 小麦叶片会表现为光照和荫蔽， 光照面为阳叶， 荫蔽面为阴叶， 在单叶片尺度， 阳叶反射率要高于阴叶1～5倍。 由图4可知， 小麦发生倒伏后， 各波段反射率明显上升， 原因可能是小麦倒伏后， 原本立体的冠层结构空间塌倒， 阳叶比例上升， 阴叶比例下降， 导致各波段反射率上升[11]。 倒伏与健康小麦在蓝(475 nm)波段反射率基本一致， 绿(560 nm)红波段(668 nm)开始出现差异， 在红边(717 nm)和近红外波段(840 nm)差异最大， 倒伏小麦反射率高于正常小麦反射率约0.7～1.0, 所以选择差异性较大红、 红边、 近红外波段作为选择植被指数的依据。

1.4.4 植被指数提取与选择

本研究选择与红、红边、近红外波段相关的光谱植被指数如表1所示， 对滤波处理后的图像进行波段运算， RDVI与SVI已参与剔除背景的阈值分割， 参与运算可能会影响提取结果， 故不参与后续建模。

图4 光谱反射率曲线图  

表1 植被指数名称及公式

统计研究区域内各植被指数倒伏和正常小麦的均值和标准差，并通过计算变异系数(coefficient of variation, CV)与相对变异系数(relative difference, RD)挑选最佳的植被指数用于特征图像融合， 计算结果见表2。

式(1)和式(2)中， CV表示变异系数(%), 其中SD为标准差， MN为均值； RD表示相对差异系数(%), MN1和MN2分别为倒伏小麦和正常小麦的均值。

表2中， 不同植被指数的变异系数与相对差异系数有较大的差异： 其中正常和倒伏小麦变异系数中， 最小的均为NDVI, 分别为3.5%和8.19%, 最大的均为MSR, 分别为34.46%和44.8%; 相对差异系数中， 最大为NDVI的133.8%, 最小为NDVIrededge的26.18%。 变异系数表示同一特征内离散程度， 变异系数越小越容易区分， 而相对差异系数表示多特征间的差异， 相对差异系数越大特征区分越明显。 基于以上原则， 本研究选取NDVI作为图像融合的特征指数。

表2 倒伏和正常小麦的植被指数统计

1.4.5 纹理特征提取与选择

基于灰度共生矩阵，分别计算5个波段的均值、 方差、 协同性、 对比度、 相异性、 信息熵、 二阶矩、 相关性等8类， 共计40项纹理特征， 纹理滤波窗口设置为15×15, 方向0°, 步长为2。 统计对比小麦倒伏和正常纹理特征差异， 发现均值纹理特征差异性明显。 为避免过多纹理特征造成信息冗余， 本研究仅统计均值纹理特征， 并根据统计结果筛选差异性较大的均值纹理特征进行图像融合。 计算并统计各波段研究区域内正常与倒伏小麦均值纹理特征， 统计结果制成箱线图如图5所示。

图5 正常和倒伏小麦的均值纹理  

由图5可知， 小麦发生倒伏后， 各波段的均值纹理特征数值均有上升， 其中绿(Green)、 红(Red)、 红边(Rededge)波段上升最明显， 倒伏与正常小麦的特征差异较大， 但所有波段倒伏与正常小麦特征在数值范围内均存在相交， 监督分类时会存在像元错分的现象。 为尽量降低错分像元对分类精度的影响， 本研究选取绿、 红、 红边均值纹理特征进行图像融合。

1.4.6 监督分类模型的选择与精度验证指标

选取监督分类模型中泛化能力好的支持向量机(support vector machine, SVM)、 适应性强的人工神经网络(artificial neural network, ANN)和算法简单易于实施的最大似然法(maximum like-hood classification, MLC)模型分别对各田块的训练集进行训练， 采用总体精度(overall accuracy, OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能。

式(3)—式(5)中， OA表示总体精度； TP表示倒伏小麦划分为倒伏小麦； FP表示正常小麦划分为倒伏小麦； TN表示正常小麦划分为倒伏小麦； FN表示倒伏小麦划分为正常小麦； N表示总体像元的数量。

OA和Kappa系数能反映各模型的提取倒伏空间位置的准确性， 提取误差能反映真实倒伏面积与提取倒伏面积的相对误差的大小。 在提取的特征组合的基础上， 利用3种典型的监督模型提取不同倒伏率研究区域小麦倒伏面积。 最后通过OA、 Kappa系数和提取误差对各监督模型分类精度进行对比， 并对分类结果进行综合评价。

2、结果与讨论

2.1 麦田倒伏率的计算

本研究所用小麦倒伏特征图像空间分辨率为0.048 m, 通过计算区域内像素数(n)换算小麦倒伏面积(A, m2)

式(6)中， L(m)表示像元长， W(m)表示像元宽。

为探究小麦倒伏率对监督分类结果的影响，使用数据统计工具，分别统计原始图像总像元和剔除背景后总像元，发现各研究区域背景占比均在9%～13%之间， 并根据式(6)与统计总像元数计算各研究区域占地分别为3 911.88、 3 674.52和5 360.85 m2。 使用ENVI软件的感兴趣区域(region of interest, ROI)工具对各研究区域进行目视解译， 根据倒伏特征划分小麦倒伏与非倒伏区域， 统计正常与倒伏小麦像元数， 并计算各研究区域小麦倒伏率(如表3所示)。 其中区域1倒伏率最高达到35.89%, 称为高倒伏区域， 区域2倒伏率次之为17.07%, 称为中倒伏区域， 区域3倒伏率最低仅有11.25%, 称为低倒伏区域。

表3 各研究区域倒伏率的计算

2.2 融合图像的构建

小麦倒伏多光谱数据经背景剔除、低通滤波处理后，利用图像校准工具对各田块进行几何校正，选取各田块DSM图像、 NDVI图像分别与多光谱进行主成分变化(principal component analysis, PCA)图像融合， 结合绿、 红、 红边波段均值纹理特征图像生成图6(a—d), 探究不同特征组合提取小麦倒伏面积的效果。

2.3 倒伏面积提取结果与分析

统计各特征组合图像监督分类后小麦倒伏区域像元数，并基于表3中剔除背景后倒伏像元数， 通过式(6)计算各研究区域倒伏提取面积和小麦实际倒伏面积， 结果如表4所示。 高、 中和低倒伏区域实际倒伏面积分别为1 204.51、 557.81和523.94 m2。 在高倒伏区域提取结果中， 多特征融合图像能明显降低倒伏面积提取误差， 其中多光谱与NDVI融合图像倒伏面积提取效果最好， 提取误差均低于4%, SVM和MLC提取面积与实际倒伏面积最为接近， 提取误差仅为1.11%和1.07%, 多光谱与DSM融合图像也有较好的提取效果， 其中SVM督模型倒伏面积提取误差仅为2.21%。 在中倒伏区域提取结果中， 多光谱与DSM融合图像提取效果最好， 3种监督分类模型提取误差较多光谱图像均有降低， 其中SVM和ANN提取误差降低约12%。 在低倒伏区域提取结果中， 多光谱图像和多光谱与NDVI融合图像提取结果相似， SVM与ANN监督模型提取误差约为17%, MLC提取效果最差， 多特征融合图像优势不明显， 仅有均值纹理特征图像的ANN的提取误差低于10%。

图6 剔除背景后各特征融合图像对比   

表4 多特征融合图像不同监督方法倒伏面积提取

因SVM和ANN监督模型分类精度较高， 分类结果较为稳定， 各研究区域特征融合分类结果趋于一致， 为观测各特征融合图像分类结果的差异， 选取分类效果不稳定的最大似然法监督模型构建各研究区域特征融合分类结果图7。 观察图7(a—d)和表4可知， 提取高倒伏区域倒伏面积时， 多特征融合图像与多光谱图像提取结果差异性不大， 都有较高的提取精度， 对于中倒伏区域， 多光谱与DSM融合图像具有较好的分类效果， 而针对低倒伏区域， 多特征融合图像与多光谱图像分类结果均不佳， 除均值纹理特征图像外， 其他图像分类结果中噪声较多。 多光谱图像与均值纹理特征图像倒伏提取面积大都低于实际倒伏面积， 而多光谱与DSM融合图像和多光谱与NDVI融合图像倒伏提取面积大都高于实际倒伏面积。 观察中倒伏区域的图7(b)和图7(c)发现， 小麦倒伏多光谱图像在融合DSM信息后， 可增加正常与倒伏小麦的高程差异， 提高小麦倒伏提取精度， 但相应也会错将偏矮性状的小麦和部分麦田边缘小麦识别为倒伏小麦。 NDVI与小麦倒伏程度呈负相关， 小麦倒伏多光谱图像在融合NDVI信息后， 可增加小麦倒伏程度特征， 减少同谱异物现象， 但会将覆盖率较低的区域识别为倒伏区域。 均值纹理可在一定程度上减少图像的椒盐噪声， 所以图7(d)整体效果最好， 但由于多光谱图像与均值纹理特征图像所含倒伏特征较为单一， 提取倒伏面积较少。

图7 基于最大似然法各研究区域特征融合分类结果图   

2.4 倒伏小麦提取精度对比与分析

如表5所示， 采用SVM、 ANN和MLC分别对各特征组合倒伏区域进行监督分类。 在高倒伏区域分类结果中， 各特征融合图像分类精度普遍较高， 其中均值纹理特征组合的分类效果最好， 3种监督分类模型均有较高的精度， SVM分类精度最高(96.43%)。 在中倒伏区域分类结果中， 多特征融合图像分类精度大多低于90%, 多光谱图像与均值纹理特征图像分类结果相似， 多光谱与DSM融合图像分类效果最好， 其中SVM分类精度最高(90.35%)。 在低倒伏区域分类结果中， 多光谱与DSM融合图像分类效果最好， 其中ANN分类精度最高(91.27%), SVM次之(91.00%), MLC精度最低(96.32%)。 由上述分析可知， 较单一多光谱特征的小麦倒伏图像， 多特征融合图像在各倒伏率麦田都表现有一定的优势， 各倒伏区域分类精度能提高约6%。

表5 多特征融合图像不同监督方法倒伏提取精度评价

由表4、 表5分析可知， SVM和ANN监督分类模型在提取小麦倒伏面积中的表现要优于MLC, MLC监督分类模型的总体精度并且Kappa偏低， 提取倒伏面积表现不够稳定， MLC在高倒伏区域表现良好， 甚至在多光谱高倒伏区域表现最佳， 但在低倒伏区域表现过差。 多光谱与DSM融合图像的总体精度、 Kappa和提取误差整体优于其他特征融合图像， 特别是在高、 中倒伏区域表现极佳， 多光谱与NDVI融合图像的表现局限性较大， 仅在高倒伏区域有良好提取效果； 均值纹理特征图像提取结果稍好于多光谱图像， 提取结果噪声较少， 因此倒伏分类图像效果最好。 在低倒伏区域， 仅均值纹理特征图像的ANN提取效果较好， 其他特征融合图像监督分类模型均没有很好的效果， 可能是由于受到种植密度较低的影响， 也可能是株高比较低的小麦品种影响监督分类模型的提取效果。

3、结论

利用小麦灌浆期的无人机多光谱遥感图像，分析适用于小麦倒伏特征融合的最佳光谱特征、植被指数、纹理特征以及DSM图像， 并分别与多光谱图像进行融合， 得到各研究区域特征融合图像， 再利用SVM、 ANN和MLC进行监督分类， 通过分析监督分类结果的OA、 Kappa系数和提取误差得到以下结论：

(1)无人机多光谱遥感结合特征融合技术能有效提取小麦倒伏面积， 提取效果优于单特征小麦倒伏图像。

(2)当小麦倒伏率较高时(35.89%), 多光谱与NDVI融合图像(OA: 92.63%, Kappa系数： 0.85, 提取误差： 1.11%)和均值纹理特征图像(OA: 96.43%, Kappa系数： 0.93, 提取误差： 8.90%)的SVM监督模型均有较好的提取效果； 当小麦倒伏率中等时(17.07%), 多光谱与DSM融合图像的SVM监督模型(OA: 90.35%, Kappa系数： 0.79, 提取误差： 9.34%)提取效果最好； 当小麦倒伏率较低时(11.25%), 仅均值纹理特征图像的ANN监督模型(OA: 91.05%, Kappa系数： 0.82, 提取误差： 8.20%)提取结果较好。

(3)当小麦发生中心倒伏或向两侧倒伏时， 会裸露倒伏中心土壤， 但本研究在进行监督分类前已将土壤背景剔除， 经目视解译分析统计发现， 中心倒伏土壤约占倒伏面积的3%～5%, 保险理赔公司或政府相关部门在进行倒伏面积估算时， 若算入倒伏中心土壤， 则本研究的各监督分类模型倒伏提取面积相应的增加3%～5%会更加准确。

基金资助:国家自然科学基金项目(61901194);江苏省农业科技自主创新资金项目(CX(21)3061);国家自然科学基金项目(32001417);江苏省优势学科项目(PAPD-2018-87);江苏大学大学生创新训练计划项目(202110299634X)资助;

文章来源:朱文静,冯展康,戴世元等.无人机多光谱影像的小麦倒伏信息多特征融合检测研究[J].光谱学与光谱分析,2024,44(01):197-206.