摘 要:为了获取苎麻倒伏信息,本研究通过处理无人机可见光影像得到苎麻的株高、光谱和纹理特征,采用肯德尔系数分析光谱特征和纹理特征与苎麻倒伏程度的相关性,进而筛选出与倒伏相关性强的特征,将其与株高组成特征集,选用BP神经网络、随机森林、支持向量机、径向基神经网络4种机器学习算法构建苎麻倒伏分类模型。结果表明,基于株高和光谱特征集的分类准确率范围为65.52%~80.56%,基于株高和纹理特征集的分类准确率范围为74.60%~94.44%。综合来看,用BP神经网络和径向基神经网络构建的苎麻倒伏分类模型识别准确率最高分别可达88.89%和92.06%,在苎麻倒伏分类识别上有良好的应用潜力,可为苎麻灾后定损和保险理赔提供数据支撑。
关键词:苎麻;倒伏;无人机;可见光影像;机器学习
苎麻作为一种重要的经济作物,在纺织、医学和生态修复等领域具有广泛的应用价值[1-3]。苎麻在生长过程中易受自然灾害(如风灾、暴雨)的影响,导致倒伏现象的发生。倒伏不仅会降低苎麻的产量和品质,还会增加收获难度和生产成本。因此,及时、准确地监测苎麻倒伏情况,对于农业保险理赔的核算、指导农业生产和减少经济损失具有重要意义。
传统的苎麻倒伏调查需要调查人员在大田中进行,不仅费时费力、效率低,调查结果还可能受主观因素影响存在一定的误差,而且不适用大面积的调查[4-5]。近年来,随着无人机的消费门槛降低,许多学者开始研究使用无人机进行作物监测[6]。无人机具有灵活性强、分辨率高、成本低等优势,而且能够快速获取大范围农田的高清影像[7-8],这为苎麻倒伏的检测和分类提供了新的技术手段。
目前,国内外许多学者借助无人机平台获取作物影像并结合机器学习或深度学习模型进行作物倒伏研究取得了一定进展。Zhao等[9]利用无人机获取水稻可见光及多光谱图像并提出了一种基于深度学习模型U-Net的水稻倒伏评估方法,在测试集上的dice系数分别为0.9422和0.9284。田明璐等[10]使用无人机搭载多光谱相机采集稻田影像,采用偏最小二乘判别分析法对水稻进行倒伏分类,正常与倒伏识别准确率分别为98.104%和99.044%。Yang等[11]采用固定翼无人机获取影像,利用决策树模型结合单特征概率值进行水稻倒伏分类,准确率可达96.17%。朱文静等[12]用六旋翼无人机搭载多光谱相机获取倒伏麦田图像,发现利用多特征融合方法结合传统机器学习对小麦倒伏面积的提取具有可行性。魏永康等[13]从多光谱影像中提取光谱、高度和纹理特征,通过组合得到6组特征集,采用支持向量机和随机森林分类器对6种特征集组合进行分类比较,发现随机森林表现更优。李华森等[14]研究发现,面向对象法在玉米倒伏信息识别上的总体精度达88.13%。吴宇通等[15]基于4种特征融合图像采用最大似然法提取倒伏面积,用于评估大豆倒伏情况。Sarkar等[16]将大豆倒伏程度进行评估分级,对数据集进行预处理,采用人工神经网络等机器学习算法进行倒伏分类,人工神经网络的总体准确率为96%。还有学者采用深度学习方法实现了小麦倒伏区域提取、倒伏面积计算及倒伏自动分级[17-22],取得较好的效果。
当前许多研究主要集中在提取倒伏信息和面积上,且研究对象大多为水稻、玉米、小麦等大作物,而有关倒伏程度或等级的研究较少见报道,尤其有关苎麻倒伏的研究较少[23-24]。为此,本研究基于无人机图像和机器学习方法,探究其用于苎麻倒伏程度分类的潜力,以期为大面积苎麻生产管理提供技术支持。
1 材料与方法
1.1 试验区概况
试验区位于湖南省长沙市芙蓉区湖南农业大学苎麻长期定位点(28.18°N、113.08°E)。该区属典型的亚热带季风性湿润气候,年均温度18.4℃,年均日照时数4.63h,年均相对湿度77.99%,海拔75.8m。试验区地势平坦,无遮挡物,为无人机作业提供了有利条件。
试验区苎麻种植分A、B、C三区,A、B区相邻但与C区间隔开。区域A种有湘苎3号、中苎1号、多倍体1号3个品种,采用随机区组设计,共有9个小区,小区面积为7.0m×2.4m,小区之间的排水沟宽度为0.4m;区域B布置有6行,每行有12个小区,共72个小区,种有川苎8号、长沙青叶麻、沅江柴火麻等36个苎麻品种,每个品种种在同列的2个小区中,小区面积为1.5m×1.0m,小区之间的排水沟宽度为0.4m;区域C的主栽苎麻品种为中苎2号,共有6行,每行有6个小区,每个小区面积为2.0m×1.0m,小区之间的排水沟宽度为0.4m。
1.2 数据采集
图像数据分别采集于2022年11月3日、2023年11月15日和2024年11月6日,均处于第三季苎麻生长期间。采集时段天气晴朗无云、无风或微风。图像采集平台为大疆悟2四旋翼无人机搭载禅思X5s可见光相机(有效像素可达2080万,最大分辨率为5280×3956像素),该无人机具有定位系统精度高、飞行稳定性强等优点。拍摄方式为等时间拍摄,参数为2s,相机每间隔2s完成一次拍摄,航向、旁向重叠率分别设置为80%、75%,飞行高度为20m,云台俯仰角为-90°。
无人机影像数据获取当日进行地面调查,并在调查区域做好标记。借鉴孙乾[25]对玉米倒伏等级的划分标准并参考《苎麻种质资源描述规范和数据标准》[26],根据植株与水平面倾角进行苎麻倒伏程度分级,倾角<45°为严重倒伏,倾角范围介于45°~<75°为一般倒伏,倾角范围介于75°~<90°为正常。选用长3m以上的木棍并借助卷尺标好刻度,用其和标准塔尺(5m)测量厢面到苎麻最高点的长度作为株高,选3株苎麻进行测量,取其平均值作为该采样点的苎麻株高。
1.3 苎麻株高和光谱特征提取
对采集的图片进行筛选,剔除不合格图片,将合格图片导入大疆智图中进行拼接,将拼接好的正射影像图和高程信息图导入ArcMap 10.8中,创建shapefile文件,用矩形工具选取5个地面点绘制矩形,以地面高程信息的平均值作为厢面的高程值,结合地面标记绘制感兴趣区域(area of interest,AOI)并进行编号,分区统计提取苎麻的高程信息,通过差分法得到苎麻株高,同时利用已经创建好的shapefile提取苎麻在红、绿、蓝三个波段的通道值(范围0~255),并通过表1中的公式计算得到不同的光谱特征值。
表1 光谱特征值计算公式
1.4 纹理特征提取
将拼接好的无人机正射影像导入无人机一体化图像分析系统PhenoAI air(南京智云芯)软件,根据地面标记绘制感兴趣区域(ROI),通过灰度共生矩阵提取不同倒伏程度苎麻纹理特征。纹理特征是指地物实体表面所共有的内在特征,可反映区域内的灰度变化,并且不依赖于地物的颜色与亮度,这些量化值主要包括差异性(dissimilari-ty)、熵(entropy)、相关性(correlation)、能量(ener-gy)、逆差距(homogeneity)、对比度(contrast)和角二队矩(angular second moment,ASM)。
1.5 相关性分析
将得到的光谱与纹理特征导入Origin 2025b软件,采用肯德尔系数进行相关性分析,分别计算光谱及纹理特征与苎麻倒伏的相关性,并进行可视化。
1.6 模型的构建与评估
从2022—2024三年的图像中共提取到520组数据,包含株高、纹理特征和植被指数,其中正常苎麻240组,一般倒伏190组,严重倒伏90组。将数据集按7∶3的比例随机划分为训练集和测试集,然后采用BP神经网络、随机森林、支持向量机和径向基神经网络4种机器学习方法构建苎麻倒伏分类模型,模型的性能评估采用准确率(ac-curacy)、精确率(precision)、召回率(recall)及F1分数(F1 Score)。
式中,A、P、R、F1分别表示准确率、精确率、召回率、F1分数;NTP、NTN、NFP、NFN分别表示真阳性、真阴性、假阳性、假阴性。
2 结果与分析
2.1 不同倒伏程度苎麻株高分析
试验区域地形平坦,外围路面与试验区域的厢面平齐,利用ArcMap 10.8提取苎麻与地面的高程信息,通过差分法得到不同倒伏程度的苎麻株高。如图1所示,正常苎麻的株高实测值在172~280cm之间,平均值为223cm;一般倒伏苎麻的株高实测值的变化范围较大,在108~232cm之间,平均值为180cm;严重倒伏的苎麻株高实测值在80~158cm之间,平均值为117cm。不同倒伏程度的苎麻株高之间存在一定差异,说明株高在一定程度上能较好地反映苎麻的倒伏程度。另外,实测值与提取值的重合度较高,尤其严重倒伏苎麻的提取值基本可覆盖实测值,说明用提取值替代实测值具有可行性。
图1 苎麻株高实测值与提取值
2.2 光谱特征分析
在ArcMap 10.8中基于提取株高的矢量文件提取苎麻的红、绿、蓝3个波段的通道值,计算3个波段的标准值,并根据公式计算得到不同光谱特征的值,结果如表2所示。可以看出,发生倒伏后苎麻的冠层结构发生变化,光谱特征也随之发生变化,尤其绿光波段的变化更为明显,与正常苎麻相比,一般倒伏苎麻和严重倒伏苎麻的绿光标准值(g)分别下降24.02%、32.56%,这是由于倒伏后苎麻白色的背阳面朝上。另外,与正常苎麻相比,一般倒伏苎麻的红光标准值(r)和蓝光标准值(b)分别下降7.93%、2.53%,严重倒伏的苎麻分别下降21.53%、9.70%。通过公式计算得到的光谱特征中,除超红指数(ExR)和红绿比值指数(RGRI)的值随着倒伏程度的加重而增加外,其余组合特征值的变化趋势均是随倒伏加剧而下降。
表2 不同倒伏程度苎麻的各种光谱特征值
2.3 苎麻倒伏程度与纹理特征、光谱特征的相关性分析
根据苎麻倒伏情况绘制感兴趣区域,从中提取灰度(Gray)、红光(R)、绿光(G)、蓝光(B)的纹理特征,选择肯德尔相关系数对纹理特征与倒伏程度进行相关性分析,结果如图2所示。纹理特征与苎麻倒伏程度的相关系数在-0.79360~0.79496之间,其中,能量、角二队矩和逆差距组成的12个纹理特征与倒伏程度表现为正相关,相关系数介于0.19719~0.79496之间;对比度、差异性、相关性和熵组成的16个特征与倒伏程度表现为负相关,相关系数绝对值范围为0.00153~0.79360,其中对比度与倒伏程度相关性最低。光谱指数与倒伏程度相关系数的范围在-0.53~0.53之间,相关性强的光谱指数分别是ExG、COM2、COM和ExGR,其相关系数绝对值分别为0.53、0.49、0.43、0.41(图3)。
图2 纹理特征与倒伏程度的相关性分析结果
图3 光谱特征与倒伏程度的相关性分析结果
2.4 4种机器学习模型的对比分析
比较4种机器学习模型分别基于株高和光谱特征集与株高和纹理特征集对苎麻倒伏的分类效果(表3、表4),可以看出,在测试集上,基于株高和光谱特征集的分类准确率在65.52%~80.56%之间,基于株高和纹理特征集的分类准确率在74.60%~94.44%之间,说明基于株高和纹理特征集进行的苎麻倒伏分类精度高于基于株高和光谱特征集。
基于株高和光谱特征集时,BP神经网络和径向基神经网络对2023年和2024年数据的分类效果较好,尤其是径向基神经网络在2024年的测试集中分类准确率达到了80.56%。
基于株高和纹理特征集时,BP神经网络和径向基神经网络在2022年和2024年的数据集上表现相对较好。支持向量机在2024年的测试集上表现最好,但在其他年份的表现相对较差。随机森林在训练集上表现非常好,但在测试集上表现较差,表明存在严重的过拟合问题。综合分析,用BP神经网络和径向基神经网络构建的苎麻倒伏分类模型识别准确率最高分别可达88.89%和92.06%,在苎麻倒伏分类中有良好的应用潜力。
表3 基于苎麻株高和光谱特征集的各模型分类精度统计结果
表4 基于苎麻株高和纹理特征集的各模型分类精度统计结果
3 讨论
株高可以作为倒伏的判断标准[27-28]。无人机遥感技术的快速发展,使得基于影像数据大面积获取株高信息成为可能。石文强等[29]基于无人机获取的数字表面模型计算冠层与地面高程之间的差值得到大豆株高预测值,预测值与实测值的平均误差为3.78cm。Murakami等[30]使用低空气球携带相机进行拍照,根据图像计算作物高度并对荞麦的倒伏状况进行评估。许多研究表明利用无人机图像数据进行株高测量的精度良好[31]。本研究中以地面高程值作为厢面高程,采用差分法获得株高数据,用其能较好实现对不同倒伏程度苎麻的区分。
特征筛选可以降低数据冗余度,筛选出有效的特征。赵静等[32]对多光谱数据进行特征筛选后,用较少的特征进行玉米倒伏分类训练时取得了较好的效果。魏永康等[13]发现使用Boruta算法在数据集降维和提高小麦倒伏分类精度上表现良好。本研究选择肯德尔相关系数分析光谱和纹理特征与倒伏程度之间的相关性,选出相关性高的特征进行倒伏分类,发现倒伏分类精度与特征的相关性之间存在一定的正向关系。但本研究中基于获取的光谱特征的分类精度不如基于纹理特征的,这可能是由于倒伏苎麻与非倒伏苎麻存在空间上的重叠,在提取特征时会有错元,这与Biswal等[33]的研究结果一致,而纹理特征反映出的综合信息可以削弱空间重叠的影响[34],因此用于倒伏分类时的精度会优于光谱特征。
深度学习具有出色的特征提取与表示能力,能够从图像中学习复杂的空间信息,但深度学习模型对硬件要求较高,且训练和推理过程计算量大,在小尺度的倒伏研究中容易出现过拟合的情况。本研究基于从无人机影像中提取的特征,选取4种机器学习方法(随机森林、支持向量机、BP神经网络、径向基神经网络)构建苎麻倒伏分类模型,综合比较结果,BP神经网络和径向基神经网络在苎麻倒伏分类中有良好的应用潜力。然而该模型仍存在一些局限性:首先,样本数据的数量和分布可能影响模型的泛化能力,需要通过扩大样本量和增加数据多样性来提高模型的鲁棒性;其次,光谱和纹理特征的提取可能受到环境因素的干扰,进而影响后续分类精度,因此今后需要融合多源数据以进一步提升分类精度;最后,模型的过拟合问题还需要通过正则化、交叉验证等方法来进一步优化,进而提升模型性能。
4 结论
(1)苎麻不同图像特征与苎麻倒伏程度的相关性不同,纹理特征与倒伏的相关性总体上比光谱特征的相关性强,且基于株高-纹理特征集的倒伏分类精度高于基于株高-光谱特征集的。
(2)不同机器学习模型在训练集与测试集上的表现不同,随机森林模型存在过拟合问题,支持向量机模型的性能表现较差,综合评价,BP神经网络和径向基神经网络的综合表现更优。
(3)基于无人机可见光图像能够实现对苎麻不同倒伏程度的识别。
参考文献:
[1]唐文峰,张凤,刘勇,等.苎麻原麻纺纱的工艺技术与生产实践[J].上海纺织科技,2022,50(6):35-37,40.
[2]孔莉莉,成玲,万培培,等.苎麻纤维复合材料医用夹板的开发及智能化[J].材料导报,2018,32(7):1202-1208.
[3]土小宁,陈书春.南方坡耕地的有效水土保持植物:苎麻[J].国际沙棘研究与开发,2007,5(4):45-48.
[4]Chu T X,Starek M J,Brewer M J,et al.Assessing lodging se-verity over an experimental maize(Zea mays L.)field using UAS images[J].Remote Sensing,2017,9(9):923.
[5]Mardanisamani S,Maleki F,Hosseinzadeh Kassani S,et al.Crop lodging prediction from UAV-acquired images of wheat and canola using a DCNN augmented with handcrafted texture fea-tures[C]//Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops(CVPRW).IEEE,2019:2657-2664.
[6]赵胜利,MujahidHussain,王国宾,等.基于无人机遥感的作物长势监测研究进展[J].江苏农业科学,2024,52(8):8-15.
[7]Alvarez-Vanhard E,Corpetti T,Houet T.UAV & satellite syner-gies for optical remote sensing applications:a literature review[J].Science of Remote Sensing,2021,3:100019.
[8]陈仲新,任建强,唐华俊,等.农业遥感研究应用进展与展望[J].遥感学报,2016,20(5):748-767.
[9]Zhao X,Yuan Y T,Song M D,et al.Use of unmanned aerial ve-hicle imagery and deep learning UNet to extract rice lodging[J].Sensors(Basel),2019,19(18):3859.
[10]田明璐,班松涛,袁涛,等.基于低空无人机多光谱遥感的水稻倒伏监测研究[J].上海农业学报,2018,34(6):88-93.
[11]Yang M D,Huang K S,Kuo Y H,et al.Spatial and spectral hy-brid image classification for rice lodging assessment through UAV imagery[J].Remote Sensing,2017,9(6):583.
[12]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(1):197-206.
[13]魏永康,杨天聪,臧少龙,等.基于无人机多光谱影像特征融合的小麦倒伏监测[J].中国农业科学,2023,56(9):1670-1685.
[14]李华森,夏晨真,张星宇,等.基于无人机多光谱影像的完熟期玉米倒伏信息提取[J].干旱地区农业研究,2023,41(5):198-206,216.
[15]吴宇通,张伟,石文强,等.基于无人机遥感的大豆倒伏识别研究[J].中国农机化学报,2024,45(9):209-214,257.
[16]Sarkar S,Zhou J,Scaboo A,et al.Assessment of soybean lodg-ing using UAV imagery and machine learning[J].Plants(Ba-sel),2023,12(16):2893.
[17]Yu J,Cheng T,Cai N,et al.Wheat lodging extraction using Im-proved-Unet network[J].Frontiers in Plant Science,2022,13:1009835.
[18]Yang B H,Zhu Y,Zhou S J.Accurate wheat lodging extraction from multi-channel UAV images using a lightweight network model[J].Sensors(Basel),2021,21(20):6826.
[19]Jiang S S,Hao J Y,Li H,et al.Monitoring wheat lodging at va-rious growth stages[J].Sensors(Basel),2022,22(18):6967.
[20]Zang H C,Su X Q,Wang Y J,et al.Automatic grading evalua-tion of winter wheat lodging based on deep learning[J].Fron-tiers in Plant Science,2024,15:1284861.
[21]臧贺藏,王从胜,赵巧丽,等.基于深度学习的小麦倒伏自动分类方法研究[J].河南农业科学,2023,52(11):167-173.
[22]Ali N,Mohammed A,Bais A,et al.LodgeNet:an automated framework for precise detection and classification of wheat lodg-ing severity levels in precision farming[J].Frontiers in Plant Science,2023,14:1255961.
[23]周航.苎麻抗倒伏评价及抗倒伏相关性状的研究[D].武汉:华中农业大学,2017.
[24]王薇,付虹雨,卢建宁,等.基于无人机航拍的苎麻倒伏信息解译研究[J].中国农业科技导报,2024,26(3):91-97.
[25]孙乾.基于无人机影像的玉米倒伏灾情遥感监测[D].青岛:山东科技大学,2020
[26]揭雨成,许英.苎麻种质资源描述规范和数据标准[M].北京:中国农业出版社,2007:1-3.
[27]Wang Z X,Nie C W,Wang H W,et al.Detection and analysis of degree of maize lodging using UAV-RGB image multi-feature factors and various classification methods[J].ISPRS Interna-tional Journal of Geo-Information,2021,10(5):309.
[28]Zhou L F,Gu X H,Cheng S,et al.Analysis of plant height changes of lodged maize using UAV-LiDAR data[J].Agricul-ture,2020,10(5):146.
[29]石文强,张伟,亓立强,等.基于无人机遥感的大豆株高计算方法研究[J].农机化研究,2024,46(2):145-150.
[30]Murakami T,Yui M,Amaha K.Canopy height measurement by photogrammetric analysis of aerial images:application to buck-wheat(Fagopyrum esculentum Moench)lodging evaluation[J].Computers & Electronics in Agriculture,2012,89(3):70-75.
[31]曾世伟,侯学会,王宗良,等.基于无人机遥感的作物表型参数获取和应用研究进展[J].山东农业科学,2024,56(4):172-180.
[32]赵静,闫春雨,杨东建,等.基于无人机多光谱遥感的台风灾后玉米倒伏信息提取[J].农业工程学报,2021,37(24):56-64.
[33]Biswal S,Chatterjee C,Mailapalli D R.Damage assessment due to wheat lodging using UAV-based multispectral and thermal imageries[J].Journal of the Indian Society of Remote Sensing,2023,51:935-948.
[34]张新乐,官海翔,刘焕军,等.基于无人机多光谱影像的完熟期玉米倒伏面积提取[J].农业工程学报,2019,35(19):98-106.
