基于无人机影像与随机森林模型的农作物提取研究
时间：2023-06-19 16:30:05 来源：柠檬阅读网 本文已影响 人 
章若鸿
（福建农林大学林学院，福建福州 350002）
准确、高效地对农作物种类进行分类和提取是精准农业的基础，它为农作物水肥精准管理、生长状况监测和产量预估等农业管理决策提供了有力的数据支撑[1]，在推动农业数字化、智能化、自动化管理上具有重要意义。
传统农作物提取方法主要是通过人工调查的方法，该方法只能应用在小范围种植区域内，其虽有较高精度，但存在效率低和成本高等不足，且该方法所统计结果与真实信息仍然具有一定的误差，难以满足现代社会对农作物精准监测和高效管理的要求。近些年，遥感技术已被广泛应用于农作物空间分布信息提取、作物分类制图中[3]。但传统卫星及机载遥感影像空间分辨率低，难以实现对小尺度上农作物精细化提取。随着轻量化、小型化的无人机遥感平台普及，其在大面积农作物信息提取方面起到了非常重要的作用。无人机具有灵活性强、重返周期短且能够自动化进行影像采集作业的特点[4]，为农业动态化监测提供了新的技术手段。
面向对象图像分析在遥感分类领域已经被广泛应用。面向对象方法不同于传统基于像素的方法，其分类单元是经分割后形成的性质相对均一的对象，因而可以充分利用影像对象的光谱、纹理、几何、指数等特征[5]。然而，特征维度的增加会使得特征之间存在冗余和噪声等问题，影响提取精度。现有研究表明[6]，随机森林（Random Forest，RF）在处理高维特征时具备更好的稳健性与泛化能力，不易产生过拟合现象，无需降维也能在高维特征情况下保持很高的精度，且在识别精度与效率方面相比于其他机器学习方法（如支持向量机、K-最近邻法等）均具有更大优势[7]，因此被广泛用于多重特征分类中。
鉴于此，该文以农作物的无人机影像为数据源，利用多尺度分割算法对影像进行分割，提取分割后对象的4类特征，利用随机森林模型进行分类并评价分类性能，以期为农作物精细管理提供有力支撑。
研究区（119°13′ E，26°5′ N）位于福建省福州市仓山区北部（图1）。该地位于亚热带季风气候区，年降雨量为900～2 100 mm，年平均气温为18℃～26℃。研究区中种植有土豆（Solanum tuberosum L.）、卷心菜（Brassica oleracea L.）和花椰菜（Brassica oleracea L.var.botrytis）、紫油麦菜（Lactuca sativa var longifoliaf.Lam）4 种作物。
图1 研究区正射影像
采用大疆精灵4 无人机采集研究区可见光影像，航高设定为20 m，航向和旁向重叠度均设为75%，每张照片的尺寸为5 472 像素×3 078 像素。利用Pix4d mapper 软件对所获取的影像进行拼接，生成分辨率为0.033 m 的正射影像。
2.1 最佳分割尺度筛选
采用ESP2 工具进行影像最佳分割尺度的筛选，该工具所统计的局部方差（LV）及其变化率（ROC）变化趋势如图2 所示。当ROC 值出现峰值时，该点对应的分割尺度即为相对较佳分割尺度；
由此可得最佳分割尺度的备选数值分别为18、29、35、45、52、78、87、99、108。
图2 ESP2 尺度变化趋势
通过目视比较基于备选分割尺度的分割效果可知（图3），当尺度参数设置较小时（18～45），作物内部被过度分割，如卷心菜内芯、花椰菜叶片、以及油麦菜与土壤交接边缘都产生了较为细碎的分割图斑；
尺度设为较大时（78），作物叶片与周围土壤混为一体，出现了过分割现象；
相对而言，基于尺度52 分割后的影像其图斑内部地物较为均一且其边缘识别较为准确，整体分割效果较为理想，因此该研究将最佳分割尺度设定为52。
图3 不同分割尺度分割效果
2.3 对象特征提取
由于消费级无人机所搭载的可见光传感器光谱分辨率较低，仅依靠可见光光谱难以对不同地物进行有效区分。为了弥补可见光影像波段较少的局限性，该研究选取了4 类特征（共44 个），具体如表1。
表1 特征变量
2.4 随机森林模型调参
随机森林算法是以决策树为基本单元，通过集成学习的思想将若干决策树集成在一起，利用多棵树对样本进行训练与预测，采用投票方式决定样本的分类结果。决策树数目和每棵决策树所包含的特征数目是模型运行的2个重要参数，为了确定其最佳值，通过递归特征消除法（RFE）和交叉验证相结合的方式对特征数量参数进行调优，最终确定的最佳特征数量与决策树数量分别为19 和224。
2.5 精度评价
该文根据混淆矩阵计算出的总体精度（OA）、生产者精度（PA）、用户精度（UA）、Kappa 系数（Kappa）这4 个指标进行分类精度评价。
由不同地物识别的精度评价结果（表2）可知，利用归特征消除与随机森林相结合的算法取得了很高的精度，总体精度达93.18%，Kappa 系数达0.91。其中卷心菜、油麦菜和花椰菜用户精度与生产者精度均高于90%，而土豆由于其叶片颜色与纹理特征与部分作物产生耦合，造成精度较低，生产者精度仅为86.55%；
非农作物地物都取得了较高的精度，其中白色地膜生产者精度达到了99.41%。由此可见，选取的方法能满足提取精度要求。
表2 不同地物识别的精度评价结果
基于随机森林模型预测生成的农作物提取结果如图4 所示，从中可看出农作物与非农作物地物能够被正确识别，各地物区分度较好，最终的分类结果边界清晰且破碎化现象较少，比较符合研究区地物分布情况。从局部细节进行分析，植被指数特征在农作物地物与非农作物地物区分上起到了较大作用；
在农作物提取上，由于卷心菜和土豆边缘叶片颜色与花椰菜相似，仅利用可见光影像在区分上存在一定困难，造成一定的错分现象；
而紫油麦菜，叶片颜色呈紫红色，与其余3 种作物颜色差异较为明显，故提取效果较佳；
非农作物地物中，稻秆覆盖地和裸土地在光谱特征上虽然存在一定相似性，但是其纹理特征差异较大，因此在实际应用效果上取得了较好的效果；
反观白色地膜与混凝土2 种地物，不仅光谱特征差异小，在几何和纹理上也存在高度相似性，因此2 种地物均存在不同程度的混淆现象。
图4 农作物提取结果
无人机影像相比于传统卫星影像，在空间分辨率上具有极大优势，使得农作物精细化提取得以实现；
利用递归消除法进行特征优选的方法能够有效实现高维度特征的降维，提升模型的运行效率与精度，其总体精度为93.18%，Kappa 系数为0.91，其中光谱特征、植被指数特征与纹理特征均对分类效果起到重要作用。该研究结果表明，利用消费级无人机遥感平台进行农作物提取的方法是可行的，有助于进一步促进消费级无人机在精准农业领域的应用。
