1、引言

中国是蔬菜第一生产大国，蔬菜生产种植规模、出口规模稳居世界第一位，蔬菜产量和质量逐年增长，年度总产值达到2万亿元。蔬菜在中国农作物种植结构中占比高达12.83%，是仅次于粮食的主要农作物之一，已成为实现农业增收和促进农村经济发展的主要支柱产业之一，在丰富老百姓菜品、提高人们生活水平和促进乡村振兴战略实施等方面具有重要作用。准确掌握蔬菜种植类型、面积、空间分布等种植结构信息对准确评估和预测区域蔬菜产量及价格具有重要价值，对区域蔬菜作物管理现代化、自动化和精细化具有重要意义。

本研究以湖南省农业科学研究院高桥科研试验基地为研究区，采用无人机高光谱数据，探索基地内不同蔬菜作物精细分类方法，以期为开展复杂背景下的基于无人机高光谱遥感技术的蔬菜作物精细分类方法研究和蔬菜种植精细管理提供技术支撑。

2、研究区概况和数据处理

2.1 研究区概况

湖南省农业科学院高桥科研试验基地（113°21′39.5928″E，28°28′54.3756″N）位于湖南省长沙县高桥镇，占地面积3246亩，地势平坦；该基地包含湖南省作物所、蔬菜所等11个研究所作物新品种选育、栽培、筛选试验核心区和成果展示区，是一个综合性的试验示范基地。本次研究区域位于该试验基地南部区域，如图1（a）所示。

图1研究区域、作物覆盖背景分布图

通过实地踏勘和统计，研究区域内包含有番茄、辣椒、水稻等9种农作物，不同农作物的种植结构、植株大小、间隙等并不一致；作物背景信息十分复杂。试验时间正值该区域不同蔬菜作物培育、生长关键期，实验区蔬菜作物类型较多，不同蔬菜作物的覆盖背景十分复杂，包括地膜、防鸟网、防虫网以及大棚覆盖等，如图1（b）所示，比较适合复杂背景下作物分类研究。部分作物底部覆有地膜，如辣椒、丝瓜种植区；部分作物是种植在大棚内部，如辣椒种植区；甚至还有部分作物底部覆盖地膜，顶部有防鸟网或纱网，如番茄、南瓜种植区。而水稻种植区顶部没有防鸟网，属于大面积密集覆盖，且长势良好，实景照片如图2所示

图2不同覆盖背景

2.2 数据获取与预获取

本次试验选择的无人机平台高光谱成像仪。飞行前，在飞行区域平整地面上铺设定标白布，用于获取地表反射率数据；同时获取传感器相应的暗电流用于消除噪声，提高数据信噪比。此次实验共获取4个条带，分别将每个条带转换成辐射亮度数据，然后对其进行正射校正并镶嵌成一幅图像；最后采用基于平场域方法获取研究区域的地表反射率数据。由于图像空间分辨率较高、范围较大，在分类时需要较大的计算机内存，为此我们将原始图像以4∶1的方式进行空间采样，同时训练样本与测试样本执行同样的操作。

2.3 训练与测试样本的选取

为了准确提取研究区作物类别，根据现场踏勘结果将研究区的地物类型划分14个类别。

图3 14类地物训练样本和测试样本分布图

如图3所示，包括茄子、丝瓜、水稻、辣椒、番茄、铁皮厂房、西瓜、南瓜、黄瓜、番薯、无种植、水泥路面、裸土和其他。不同于众多高光谱分类验证实验采用随机抽取训练集的做法，本研究采取更贴合实际应用的方式，根据实地踏勘结果，通过人工选取小块作物作为带标记的训练样本（图3（a）），再选择剩下的作物作为测试样本（图3（b）），以此减少训练集与测试集的空间相关性，同时增加样本测试的难度。具体样本划分如表1所示。

表1训练样本及测试样本统计

3、结果分析

3.1 样本的光谱特诊

高光谱技术能够以较高的光谱分辨率获得地物的诊断光谱，从而区分具有不同性质的地物，但是当地物受到土壤、地膜、大棚覆盖背景物体等强烈影响时，地物诊断光谱特征会发生变化。

图4不同覆盖背景作物平均光谱与标准差，训练样本平均光谱相关系数矩阵

图4（a）、（b）、（c）分别显示了在大棚、地膜和防虫网覆盖背景下，不同作物平均光谱与标准差。可以看出，作物在不同覆盖背景下，同类作物的光谱变化范围较大，不同作物之间会存在交叠区域，这意味着仅采用光谱特征对作物精细分类存在较大挑战。另外，研究区14类不同地物训练样本的平均光谱相关系数矩阵如图4（d）所示，此相关系数矩阵图也表明，铁皮厂房与其他地物光谱呈负相关特征，受地面背景影响，水泥路面和无种植区与其他作物的光谱相似程度有较大差异；而从整体上来看，不同蔬菜作物之间的光谱相似程度较高，这也表明仅利用光谱特征较难区分这些不同蔬菜作物。

3.2 不同分类方法的结果与精度

实验所用训练集、测试集及不同分类方法得到的结果如图5所示，精度评价见表2。

表2测试样本的分类精度

图5基于不同方法的作物分类结果

从图5中可以看出，采用基于SVM的分类方法结果整体上要劣于深度学习的方法，其分类结果图像中椒盐噪声更加突出。这是由于图像整体空间分辨率较高、地物的光谱变化较大所造成的，同时还受到土壤、地膜等复杂背景的影响，采用逐像素分类的SVM类方法效果不太理想。1D-CNN模型尽管采用了深度学习网络架构，但是由于其仅利用单个像素的光谱信息，没有融合邻域信息，所以其分类结果仍然存在较多的椒盐噪声。其他基于深度学习的模型由于能够更好地结合光谱与空间信息，分类效果能够得到显著提高，并极大程度地消除了椒盐噪声现象。另外，对于小块田间作物以及受地膜、大棚以及防鸟网覆盖影响的作物分类结果，由于其混合光谱现象严重，传统基于SVM的方法和1D-CNN方法非常容易产生错分现象。

从分类精度评价结果来看，基于SVM方法的总体分类精度、用户平均精度和Kappa系数均要低于深度学习方法得到的结果。而当训练样本数量较少时，基于SVM方法难以挖掘总体特征，分类模型的泛化能力不足，从而导致分类结果不稳定，在有些模型中分类精度偏低，比如西瓜、谐瓜、番薯、水泥路面等地物。然而，基于深度学习的分类方法能够容纳更多的特征信息，学习到更多抽象特征，对噪声及模型的容错能力也更强，所以在3D-CNN模型和Attention-CNN模型中，所有类别的分类精度均比较稳定且都较高。另外，受背景因素影响小且属于大面积密集分布的地物在所有分类方法中均能有效地区分开来，比如铁皮厂房、水稻，这从训练样本的平均光谱特征也能反映出来。而不同蔬菜种类的混合光谱较为严重，且种植面积小、植株间隔与生长发育阶段差异大，从而导致难以区分，这在不同的分类方法体现较为明显，比如番茄、番、黄瓜和辣椒等，在3D-CNN和Attention-CNN模型中得到了极好的区分，而其他分类方法的结果差异较大。

推荐：

便携式高光谱成像系统 iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。