基于无人机高光谱遥感的火龙果种植株数提取技术

一、背景与意义

随着经济快速发展，火龙果种植规模不断扩大，目前贵州省火龙果种植面积获取主要为传统的人为实地采集，该方法已不能较好地满足各级政府部门实时快速掌握区域果树种植分布情况的需求。因此，对火龙果种植区域的株数快速准确识别方法研究成为当前亟待解决的关键问题。由于贵州火龙果种植区域大多属于低热河谷，碍于特殊的地理环境，利用传统的航空航天遥感难以实现火龙果种植区的实时监测，随着科学技术的不断发展，无人机遥感技术被广泛应用于不同类别的果树识别与监测。关于无人机遥感技术在果树监测方面的应用，广大学者作了相应的研究，但利用无人机搭载高光谱成像仪获取低空高光谱数据进行火龙果植株识别的研究比较少见，鉴于此，以关岭县上官镇乐安村火龙果种植基地为研究区，利用某六旋翼无人机搭载高光谱成像仪获取低空高光谱数据，借助遥感影像处理软件结合空间分析软件，通过获取火龙果端元波谱，采用波谱角分类方法（Spectral Angle Mapper , SAM）提取低热河谷地带火龙果株数，为下一阶段快速统计贵州区域的火龙果种植面积，实时掌握产业布局，进而较好地给相关部门提供决策支撑打下基础。

二、材料与方法

2.1  研究区概况

研究区位于关岭县板贵乡乐安村，地处关岭自治县西南部，中心地理坐标为东经105°44′27″、北纬25°44′52″，平均海拔502ｍ。该区域气候温热，属于亚热带季风气候，年均气温可达20℃以上，适于发展火龙果种植，种植品种均为红心火龙果。

2.2  材料

2.2.1 无人机航摄系统

飞行平台：采用某六旋翼无人机作为飞行平台，该机型采用模块化设计，拆装方便；载重可达6.0kg，单架次满电作业时长可达30min，可实现5km的远距离、低延时高清实时影像与控制信号传输。任务设备：高光谱数据获取用某高光谱成像仪，设备自身重量为2.2kg，光谱范围为400～1000nm，光谱分辨率可达1.3nm，该设备操作简便，具有低杂散光，低失真、高信噪比及高图像质量等一系列优点。

2.2.2 火龙果种植区试验基地

为创造良好的试验条件，选择关岭县板贵乡乐安村管理良好的火龙果种植范围为研究区。研究区面积3813.22ｍ^２，地势较为平缓，田间基本没有杂草。

2.3  方法

2.3.1  火龙果株数采集

为验证高光谱影像识别火龙果株数的准确率，需获取研究区内火龙果种植的实际株数。主要借助空间分析软件通过波段重新组合显示研究区真彩色影像，然后利用目视解译手段，准确勾绘研究区火龙果地类，计算火龙果覆盖株数，作为精度评价基准数据。

2.3.2  高光谱影像数据获取

为确保所获取的影像数据质量，选择天气晴朗的正午时分进行拍摄。数据获取时间为13:00-14:00，此时间段研究区域内阳光充裕。首先将高光谱仪搭载在无人机上，做好相应的准备工作（拍摄范围规划、控制点采集、磁校正）后开始进行低空拍摄，无人机飞行相对航高200ｍ，航向以及旁向重叠度均设置为65%，单架次航拍有效面积为10098ｍ^２。

2.3.3  高光谱影像处理

借助遥感影像处理软件进行处理，主要包括影像预处理、几何校正、影像拼接及裁剪。影像预处理主要针对采集的多光谱原始影像进行辐射定标及大气校正；利用采集的控制点对预处理后的影像数据进行几何校正，从而得到具有正确投影信息的数据文件；再对几何校正后的影像进行拼接，利用研究区矢量边界裁剪影像得出所需的研究区域。

2.3.4 基于波谱角分类法的火龙果植株自动提取与验证

波谱角分类是高光谱遥感影像分类中比较常见的监督分类法之一，其原理是假设数据己被减化为表观反射率，具有光谱方向但没有长度方向，再将影像上每个像元的波谱曲线与所选择的端元波谱曲线进行比较，通过对比双方切线方向上的夹角（等同于波谱角）大小判断两者是否属于同一类物质，角度越小表示属于同一种物质的可能性越大；通过设置合理的角度阈值确定未知像元的类别，从而实现高光谱影像上不同物质类型的自动识别。操作流程见图１。

１）端元波谱收集。基于处理好的高光谱数据，利用遥感影像处理软件，采用ＭＮF最小噪声分离变换工具判定图像数据内在的维数（即波段数），分离数据中的噪声，降低波段之间的相关性，减少计算需求量，获得有效波段数；借助纯净像元指数（Pixel Purity In-dex -- PPI）和Ｎ维可视化工具用于端元波谱收集，纯净像元指数计算时，设置迭代次数（Number  of  lter-ations）为5000、阈值（Threshold Factor）为2.5进行计算，Ｎ维可视化端元波谱获取时，在n-D  Selected  Bands）列表中框中，选择前５个波段在 Ｎ 维可视化窗口中构成散点图，根据散点聚集情况进行端元选取。

２）波谱识别。加载端元波谱曲线，使用波谱端元收集器工具（Endmember  Collection）进行物质识别，在分类算法（Algorithm）中选择波谱角分类法，通过不断调整波谱角参数进行影像分类。精度验证：波谱识别完成之后，借助空间分析软件将分类结果转为矢量文件，剔除非火龙果要素，然后进行火龙果株数统计，将统计结果与目视解译采集到的火龙果株数（实际种植数量）进行精度Ｒ验证：

式中，Ｍ识别值代表基于无人机高光谱影像利用空间分析软件自动识别的火龙果株数，Ｎ解译值代表基于真彩色影像通过目视解译得到的研究区种植火龙果的实际数量。

三、结果与分析

3.1 目视解译火龙果植株

经过处理后的高光谱影像分辨率为0.25ｍ，包含231个波段，经过筛选，将102、61、27波段进行组合得到研究区域真彩色影像，裁剪出研究区面积为3813.22㎡。区域内包含 有道路、火龙果植株、土壤、树木４种类别，借助空间分析软件进行目视解译，得出火龙果植株数量为595株（图２）。

3.2 基于无人机高光谱遥感影像火龙果植株数的提取精度

借助遥感影像处理软件进行高光谱数据处理，得出基于无人机高光谱遥感影像提取的火龙果株数为553株（图3），结合目视解译结果，得出提取精度为92.94%。分析提取结果发现，长势不好以及被树木遮挡的火龙果植株难以识别，长势较好且枝条有交叉的多株火龙果容易被识别为单株，２种情况均会影响提取的准确率。

四、结论与讨论

研究利用多旋翼无人机作为飞行平台，搭载高光谱成像仪获取研究区的低空高光谱遥感影像，借助遥感影像处理软件以及空间分析软件等地理信息系统软件进行影像后处理，通过纯净像元指数（Pixel Purity In-dex -- PPI）和 Ｎ 维可视化工具进行端元波谱获取，从而识别出研究区域的火龙果种植株数。

对基于高光谱数据提取的火龙果株数进行精度验证，提取准确率可达92.94%，说明借助地理信息系统处理软件对高光谱数据进行处理可实现火龙果种植数量的快速提取，精度较高，可为下一阶段实现火龙果种植面积的快速监测提供一定的技术支撑，从而实现火龙果园区的精准化管理。由于贵州火龙果种植区域地理条件相对较差，利用无人机搭载高光谱成像仪进行近地数 据采集时，务必确保天气晴朗，无云层遮挡，风速小于２ｍ／ｓ；最佳拍摄时间点为正午时分，此刻太阳直射地面，火龙果植株基本没有阴影，便于提高后期影像处理的质量；数据采集过程中由于种种外部因素可能会导致飞机姿态受到影响，无人机飞行务必随时留意飞机状态，确保数据采集过程中姿态稳定，避免获取的数据存在拉花及模糊现象。

此外，在进行高光谱数据处理时，为了保证火龙株数信息提取的精度，一是分类之前务必对影像进行辐射校正以及大气校正，排除水汽、二氧化碳等杂质的干扰，去除坏波段；二是在 Ｎ 维可视化工具中进行地类端元波谱选取时，需选取散点集聚分布的区域，以较大程度分离不同地类波谱曲线，避免地类之间出现误分的情况。研究所选区域较为理想，区域内地类较少，复杂区域未作相应研究，在进行数据采集时没用利用地物波谱仪获取单株火龙果的波谱数据，仅对无人机获取的高光谱影像进行端元波谱的选择，无对比数据。后期将重点研究复杂区域内植物种植数量的提取技术，以完善和丰富遥感技术在农业领域的应用。