今天小編為大家分享的應用案例是：基于無人機高光譜遙感的火龍果種植株數提取技術。

一、背景與意義

隨著經濟快速發展，火龍果種植規模不斷擴大，目前貴州省火龍果種植面積獲取主要為傳統的人為實地采集，該方法已不能較好地滿足各級政府部門實時快速掌握區域果樹種植分布情況的需求。因此，對火龍果種植區域的株數快速準確識別方法研究成為當前亟待解決的關鍵問題。由于貴州火龍果種植區域大多屬于低熱河谷，礙于特殊的地理環境，利用傳統的航空航天遙感難以實現火龍果種植區的實時監測，隨著科學技術的不斷發展，無人機遙感技術被廣泛應用于不同類別的果樹識別與監測。關于無人機遙感技術在果樹監測方面的應用，廣大學者作了相應的研究，但利用無人機搭載高光譜成像儀獲取低空高光譜數據進行火龍果植株識別的研究比較少見，鑒于此，以關嶺縣上官鎮樂安村火龍果種植基地為研究區，利用某六旋翼無人機搭載高光譜成像儀獲取低空高光譜數據，借助遙感影像處理軟件結合空間分析軟件，通過獲取火龍果端元波譜，采用波譜角分類方法（Spectral?Angle Mapper , SAM）提取低熱河谷地帶火龍果株數，為下一階段快速統計貴州區域的火龍果種植面積，實時掌握產業布局，進而較好地給相關部門提供決策支撐打下基礎。

二、材料與方法

2.1? 研究區概況

研究區位于關嶺縣板貴鄉樂安村，地處關嶺自治縣西南部，中心地理坐標為東經105°44′27″、北緯25°44′52″，平均海拔502ｍ。該區域氣候溫熱，屬于亞熱帶季風氣候，年均氣溫可達20℃以上，適于發展火龍果種植，種植品種均為紅心火龍果。

2.2? 材料

2.2.1 無人機航攝系統

飛行平臺：采用某六旋翼無人機作為飛行平臺，該機型采用模塊化設計，拆裝方便；載重可達6.0kg，單架次滿電作業時長可達30min，可實現5km的遠距離、低延時高清實時影像與控制信號傳輸。任務設備：高光譜數據獲取用某高光譜成像儀，設備自身重量為2.2kg，光譜范圍為400～1000nm，光譜分辨率可達1.3nm，該設備操作簡便，具有低雜散光，低失真、高信噪比及高圖像質量等一系列優點。

2.2.2 火龍果種植區試驗基地

為創造良好的試驗條件，選擇關嶺縣板貴鄉樂安村管理良好的火龍果種植范圍為研究區。研究區面積3813.22ｍ２，地勢較為平緩，田間基本沒有雜草。

2.3? 方法

2.3.1? 火龍果株數采集

為驗證高光譜影像識別火龍果株數的準確率，需獲取研究區內火龍果種植的實際株數。主要借助空間分析軟件通過波段重新組合顯示研究區真彩色影像，然后利用目視解譯手段，準確勾繪研究區火龍果地類，計算火龍果覆蓋株數，作為精度評價基準數據。

2.3.2? 高光譜影像數據獲取

為確保所獲取的影像數據質量，選擇天氣晴朗的正午時分進行拍攝。數據獲取時間為13:00-14:00，此時間段研究區域內陽光充裕。首先將高光譜儀搭載在無人機上，做好相應的準備工作（拍攝范圍規劃、控制點采集、磁校正）后開始進行低空拍攝，無人機飛行相對航高200ｍ，航向以及旁向重疊度均設置為65%，單架次航拍有效面積為10098ｍ２。

2.3.3? 高光譜影像處理

借助遙感影像處理軟件進行處理，主要包括影像預處理、幾何校正、影像拼接及裁剪。影像預處理主要針對采集的多光譜原始影像進行輻射定標及大氣校正；利用采集的控制點對預處理后的影像數據進行幾何校正，從而得到具有正確投影信息的數據文件；再對幾何校正后的影像進行拼接，利用研究區矢量邊界裁剪影像得出所需的研究區域。

2.3.4 基于波譜角分類法的火龍果植株自動提取與驗證

波譜角分類是高光譜遙感影像分類中比較常見的監督分類法之一，其原理是假設數據己被減化為表觀反射率，具有光譜方向但沒有長度方向，再將影像上每個像元的波譜曲線與所選擇的端元波譜曲線進行比較，通過對比雙方切線方向上的夾角（等同于波譜角）大小判斷兩者是否屬于同一類物質，角度越小表示屬于同一種物質的可能性越大；通過設置合理的角度閾值確定未知像元的類別，從而實現高光譜影像上不同物質類型的自動識別。操作流程見圖１。

１）端元波譜收集。基于處理好的高光譜數據，利用遙感影像處理軟件，采用ＭＮF最小噪聲分離變換工具判定圖像數據內在的維數（即波段數），分離數據中的噪聲，降低波段之間的相關性，減少計算需求量，獲得有效波段數；借助純凈像元指數（Pixel Purity In-dex -- PPI）和Ｎ維可視化工具用于端元波譜收集，純凈像元指數計算時，設置迭代次數（Number ?of ?lter-ations）為5000、閾值（Threshold Factor）為2.5進行計算，Ｎ維可視化端元波譜獲取時，在n-D ?Selected ?Bands）列表中框中，選擇前５個波段在?Ｎ?維可視化窗口中構成散點圖，根據散點聚集情況進行端元選取。

２）波譜識別。加載端元波譜曲線，使用波譜端元收集器工具（Endmember ?Collection）進行物質識別，在分類算法（Algorithm）中選擇波譜角分類法，通過不斷調整波譜角參數進行影像分類。精度驗證：波譜識別完成之后，借助空間分析軟件將分類結果轉為矢量文件，剔除非火龍果要素，然后進行火龍果株數統計，將統計結果與目視解譯采集到的火龍果株數（實際種植數量）進行精度Ｒ驗證：

式中，Ｍ識別值代表基于無人機高光譜影像利用空間分析軟件自動識別的火龍果株數，Ｎ解譯值代表基于真彩色影像通過目視解譯得到的研究區種植火龍果的實際數量。

三、結果與分析

3.1?目視解譯火龍果植株

經過處理后的高光譜影像分辨率為0.25ｍ，包含231個波段，經過篩選，將102、61、27波段進行組合得到研究區域真彩色影像，裁剪出研究區面積為3813.22㎡。區域內包含 有道路、火龍果植株、土壤、樹木４種類別，借助空間分析軟件進行目視解譯，得出火龍果植株數量為595株（圖２）。

3.2?基于無人機高光譜遙感影像火龍果植株數的提取精度

借助遙感影像處理軟件進行高光譜數據處理，得出基于無人機高光譜遙感影像提取的火龍果株數為553株（圖3），結合目視解譯結果，得出提取精度為92.94%。分析提取結果發現，長勢不好以及被樹木遮擋的火龍果植株難以識別，長勢較好且枝條有交叉的多株火龍果容易被識別為單株，２種情況均會影響提取的準確率。

四、結論與討論

研究利用多旋翼無人機作為飛行平臺，搭載高光譜成像儀獲取研究區的低空高光譜遙感影像，借助遙感影像處理軟件以及空間分析軟件等地理信息系統軟件進行影像后處理，通過純凈像元指數（Pixel Purity In-dex -- PPI）和?Ｎ?維可視化工具進行端元波譜獲取，從而識別出研究區域的火龍果種植株數。

對基于高光譜數據提取的火龍果株數進行精度驗證，提取準確率可達92.94%，說明借助地理信息系統處理軟件對高光譜數據進行處理可實現火龍果種植數量的快速提取，精度較高，可為下一階段實現火龍果種植面積的快速監測提供一定的技術支撐，從而實現火龍果園區的精準化管理。由于貴州火龍果種植區域地理條件相對較差，利用無人機搭載高光譜成像儀進行近地數 據采集時，務必確保天氣晴朗，無云層遮擋，風速小于２ｍ／ｓ；最佳拍攝時間點為正午時分，此刻太陽直射地面，火龍果植株基本沒有陰影，便于提高后期影像處理的質量；數據采集過程中由于種種外部因素可能會導致飛機姿態受到影響，無人機飛行務必隨時留意飛機狀態，確保數據采集過程中姿態穩定，避免獲取的數據存在拉花及模糊現象。

此外，在進行高光譜數據處理時，為了保證火龍株數信息提取的精度，一是分類之前務必對影像進行輻射校正以及大氣校正，排除水汽、二氧化碳等雜質的干擾，去除壞波段；二是在?Ｎ?維可視化工具中進行地類端元波譜選取時，需選取散點集聚分布的區域，以較大程度分離不同地類波譜曲線，避免地類之間出現誤分的情況。研究所選區域較為理想，區域內地類較少，復雜區域未作相應研究，在進行數據采集時沒用利用地物波譜儀獲取單株火龍果的波譜數據，僅對無人機獲取的高光譜影像進行端元波譜的選擇，無對比數據。后期將重點研究復雜區域內植物種植數量的提取技術，以完善和豐富遙感技術在農業領域的應用。

審核編輯：符乾江