利用无人机影像进行水稻倒伏评估的空间和光谱混合影像分类外文翻译资料

利用无人机影像进行水稻倒伏评估的空间和光谱混合影像分类

关键词：水稻倒伏，无人机，基于图像的建模，光谱与空间混合图像分类，决策树分类

1.引言

粮食是社会发展的基础，对农用地进行高效准确的分类，有利于控制作物生产，促进社会稳定。据联合国粮农组织公布的统计数字，在各种谷物中，水稻( Oryza sativa L .)占世界膳食能量的20%，是世界人口gt;50%的主食^[1]，但台风、暴雨、干旱等频繁发生的自然灾害阻碍了水稻生产，会给小农造成巨大的经济损失^[2-5]，特别是在台湾等农业集约化实践地区。

许多国家已经对自然灾害造成的农业损失实施了补偿措施^[6，7]，目前，世界范围内农地的原位灾害评估大多是人工进行的。根据台湾《农业自然灾害救助实施细则》，乡镇办事处必须在灾害发生3天内进行初步灾害评估，7天内完成全面灾害调查。乡镇办事处报县政府后，必须在2周内进行抽样复查。对倒伏率ge;20 %的农用稻田进行抽样，被认为是灾区，为迅速恢复受损农用地，需要获得现金和项目援助，抽样精度ge;90 %。由于国家国土面积广阔，劳动力紧张，所有评估都是通过估计和随机抽样进行的。因此，由于时间和人力的限制，评估往往会产生不准确和逾期的损失报告。此外，地方当局为了获得中央政府的慷慨补贴，获得当地社区的青睐，往往故意虚报损失。因此，过度报道影响灾害控制和救灾政策。而且，在不规则受损的农业田地，直接用肉眼计算受损面积是困难的。此外，受影响的农民必须在评估期间保存损害的证据，因此，他们不允许至少2周恢复耕作，这对他们的生计造成很大影响。因此，为提供定量评估方法，快速减轻农民负担，发展一个全面、高效的农业灾害评估方法来加快救灾进程势在必行。

遥感已广泛应用于灾害评估^[8-11]。为减少农业灾害发生后作物倒伏解释评估的补偿纠纷，许多遥感应用被应用于农业灾害评估^[12-14]。例如，通过合成孔径雷达( Synthetic Aperture Radar，SAR)获取的卫星图像已广泛应用于农业管理、分类和灾害评估等领域^[15]，但受固定捕获时间和空间分辨率的限制，卫星图像往往无法为灾害解译提供准确的实时数据^[16]；此外，基线长度，SAR在成像过程中需要不断的重跟踪，导致时空一致性水平较低，降低了SAR图像在灾害解译中的适用性^[15]。

近年来发展迅速的无人机具有成本低、操作方便等优点^[17-20]。无人机飞行高度低于卫星，可根据需要飞行指定航线，以一个较高的亚分米级空间分辨率实时捕获鸟瞰图像。由于计算机视觉和数字摄影测量的先进技术，无人机影像可以通过多种技术和基于影像的建模(IBM)算法，如从运动结构(SfM)、多视角立体(MVS)、尺度不变特征变换(SIFT)和加速稳健特征(SURF)等，产生综合的几何纠正影像镶嵌、三维点云数据^[21]和数字表面模型(DSM)^[22-24]。因此，无人机被广泛应用于农用地产量预测^[25-29]、森林碳储量估算^[30]、农用地分类和农业灾害评估^[31-35]。此外，从无人机影像生成的DSMs获得的高度数据受到了相当大的关注，因为研究表明，与仅使用无人机影像相比，高度数据对分类具有重要贡献，并且具有提高分类精度的潜力^[36，37]。

本研究提出了一种综合有效的水稻倒伏解译方法，将空间和光谱混合图像分类技术应用于无人机图像。研究地点为近日在台湾南部遭遇农业损失约306公顷农作物田。具体地说，收集了空间信息，包括从无人机图像生成的DSM获得的高度数据和站点的纹理特征。除了站点的原始光谱信息外，还计算了表征无人机图像每个像素的光谱特征的单特征概率(SFP)，以表示基于像素值和训练样本的概率度量。通过融合空间和光谱信息，使用最大似然分类(MLC)^[38，39]和决策树分类(DTC)^[40]评估分类精度。最后，将所提出的混合图像分类技术应用于研究点内受损稻田，对水稻倒伏率进行了解译。

2.材料与方法

图1描述了研究方案的流程图，从无人机成像开始。DSM规范是通过将IBM三维重建算法重建算法应用于无人机图像而制定的。此外，还进行了纹理分析，然后进行图像组合，生成空间和光谱混合图像。从现场选择训练样本后，计算SFP值，随后将其用作DTC过程中的阈值。最后，利用MLC和DTC对图像分类精度进行了评价，并对研究区的稻谷倒伏率进行了解译。

图 1 研究流程图

2.1研究区

研究地点位于嘉义县嘉南平原和太宝市，稻米生产面积约1.2万公顷，为台湾第二大县(图二)。

图 2 无人机成像区域、研究地点(蓝色多边形)和地面控制点(红点)的位置

太保市农民每年在6-7月和9-11月收获两次水稻，然而，他们经常遇到暴雨和与天气锋面和台风相关的强风暴造成的水稻倒伏。

2014年6月3日，嘉义县创纪录的降雨量达到每小时235.5毫米，并伴随着一场锋面事件，造成了约8万美元的农业损失，约80,000美元。嘉义县政府于2014年6月7日执行了一项紧急无人机任务，以评估水稻倒伏的面积。在飞行高度233米的情况下，使用一架空间分辨率为5.5厘米/像素的Avian-S固定翼无人机，总共在306公顷范围内获取了424幅图像，其中大约3公顷的稻田被用作研究地点。无人机搭载了一台轻型三星NX200(韩国永银三星电子有限公司)数码相机，搭载2030万像素的APS-C CMOS传感器，图像尺寸为23.5 mmtimes;15.7 mm，焦距为16 mm。相机使用RGB滤色器记录可见光谱中的数据。天气晴朗，地面风速达每小时10公里。

为了提高无人机的成像精度，在这项研究中，部署了9个地面控制点(GCP)，这些控制点具有高度可分辨的特征，如稻田或道路的边缘。一台采用实时H-Star技术的GeoXH GPS手持设备被放置在地面上，以获取9个GCP的坐标(图3)，其标称精度为30厘米。通过实地调查获得了水稻倒伏图像和地面实况信息。Trimble M3全站仪被用来测量倒伏大米和健康大米之间的高度差(图4)。研究地点占地约3公顷，有六种土地覆盖类型：水稻、倒伏、树木、水体、人造地表和裸地。根据田间调查，研究地点的品种是太坑2号(O.sativa L.C.V.台垦2号、TK2号)。TK2是台湾最受欢迎的粳稻品种之一，株高111.2-111.3 cm^[41]，食用品质优良。快速观察发现，倒伏的水稻比健康水稻至少低20厘米(图4b)，导致植株高度低于90厘米(图5)。

图 3 现场图片控制点(红点)

1. (b)

图 4 (a)一张原址稻米倒伏的图片；(b)仔细观察倒伏和健康的稻米

图 5 倒伏水稻与健康水稻株高比较示意图

2.2基于图像的建模

IBM是光度建模的新趋势，用于生成逼真和精确的环境虚拟3D模型。利用SIFT检测出的图像不变特征点，采用SfM技术模拟摄像机的运动轨迹，在三维环境中识别目标物体，并在三维坐标中进行特征点匹配。随后，利用多视点重建软件CMPMVS对低点云密度的SfM生成的弱支撑面进行增强，完成三维模型重建。简言之，IBM可以分为三个主要步骤，即SIFT、SfM和CMPMVS，详细的程序由Yang等人提供^[42]。

SIFT需要将特征点与图像上的局部特征进行匹配，这些特征对图像旋转和尺度不变，对光照和3D相机视点的变化具有部分不变性^[43]，SIFT通过使用一个称为尺度空间的连续尺度函数，在所有可能尺度上搜索稳定的特征，从而产生具有高度显著性的目标和场景识别特征^[43-46]。

然后，SfM根据摄像机的运动和物体的三维坐标确定空间结构，在不同的图像上匹配SIFT得到的相同特征点^[47，48]，利用数码相机使用的可交换的图像格式，获得用于估计运动跟踪的基本图像属性。随后，利用特征点的核几何估计相机位置。然后在特征点的轨迹中识别出两幅图像对应特征点之间的关系。通过应用光束法平差对多幅重叠图像上的估计点位置进行优化，计算坐标，确定摄像机内外元素和点位置的交点和切除量。根据对应位置的坐标，形成包含3D坐标和RGB颜色数据的点云。

最后，利用CMPMVS,一种基于聚类视图的多视点立体算法和基于面片的多视点立体算法,对SfM生成的点云密度低的低纹理、透明或反射物体(如农田中的温室和池塘)生成的弱支撑面进行了增强。CMPMVS可用于生成纹理网格，并通过使用多视图立体应用程序重建最终3D模型的表面^[49，50]。

2.3纹理分析

纹理分析被认为是衡量遥感图像空间异质性的重要方法，包括模式变异性、形状和大小^[51]，通过测量灰度-色调变化或颜色-空间相关性的频率，纹理分析可以描述图像细节，确定像素之间的关系^[52，53]。

纹理分析通常分为四类，即结构方法、统计方法、基于模型方法和变换方法^[54]，其中统计方法通过控制图像灰度色调之间的分布和关系的非确定性属性间接表示纹理，这种方法已被证明优于基于变换和结构方法。在测量层面，统计方法可分为均值、方差等一阶统计量和角二阶矩(ASM)、熵、对比度、相关性、相异性、同质性等二阶统计量lt;

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[596222]，资料为PDF文档或Word文档，PDF文档可免费转换为Word