无人机农业遥感系统研究概述

     无人机农业遥感以无人驾驶飞机为探测平台，搭载各种传感器（通常是高清摄像机和成像光谱仪）获取农田图像，通过对数据进行后期处理、挖掘和建模，来获取更详尽的农情信息。

1 无人机低空遥感影像采集系统

无人机低空遥感影像采集系统主要由传感器、无人机、地面控制系统、数据处理软件四部分组成。考虑到无人机续航能力和载重量等方面的局限性，所采用的遥感传感器一般具备数字化、存储量大、体积小、重量轻、精度高、性能优异等特点。目前，常用于农作物信息采集的传感器主要有数码相机、多光谱相机、高光谱相机、热成像仪、激光雷达等。

（1）数码相机成像遥感

数码相机成像一般获取的是400~760nm之间的RGB可见光影像，为了修正光线和还原图像真实色彩，一般图像传感器都会通过滤光片把红外线滤除掉。因此一般的摄像头无近红外波段信息。由于数码相机使用方便，价格较低，且数字图像处理技术相对成熟，因此利用无人机搭载高清数码相机的遥感系统，是农作物生长状况以及病虫害监测的重要手段。由于无人机飞行高度较低，影像清晰，空间分辨率可达厘米级，通过对数码影像的纹理、颜色等图像空间信息特征进行提取与分析，可进行农作物叶面积指数计算、不同生长周期长势评估、农作物识别、病虫草害诊断等研究。大疆公司的精灵Phantom 4 RTK，其内置1英寸2000万像素CMOS传感器，用以捕捉高清影像;集成全新RTK模块，提供实时厘米级定位数据;配套的地面站软件，可轻松实现低空航拍任务。

采用数码相机进行无人机低空遥感农作物的病虫害，虽然成本较低、操作相对简单，但目前通用的数码相机的空间分辨率还是难以从空中捕获农作物冠层以及叶片的细节，在农作物症状辨别特别是早期诊断应用上还具有一定的局限性。

（2）高光谱相机成像遥感

利用高光谱遥感监测技术进行作物病虫害的诊断与监测，可及时发现、及时处理，有利于早期防治。其原理是，病虫害会造成作物叶片细胞结构色素、水分、氮元素等性质发生变化，从而引起反射光谱的变化，所以病虫害作物的反射光谱和正常作物可见光到热红外波段的反射光谱有明显差异。

健康的绿色植物具有典型的光谱特征。遭受病虫害的植被其光谱反射率曲线的波状特征则被拉平。图1以柑橘叶片的光谱曲线为例，蓝色曲线表示健康叶片的光谱反射率，灰色曲线表示症状不明显但已确认患柑橘黄龙病的叶片，橙色曲线表示明显患柑橘黄龙病的叶片。从这个例子也可以看出，患病叶片的光谱反射率曲线波形被拉平。基于植被的光谱特征，以及其他遥感影像的特征，如可见光图像的空间信息特征等，可以衍生出农业航空遥感不同的应用领域。

图1   不同病害程度的柑橘叶片光谱曲线

Fig. 1   Citrus leaves spectral curves of different disease degrees

高光谱成像的光谱分辨率在0.01数量级，其在可见光和近红外区域有几个到数百个波段，光谱分辨率可达纳米级。高光谱图像包含的波段信息丰富、分辨率高，能准确地反映田间作物本身的光谱特征以及作物之间的光谱差异，在农作物病虫害监测上更显优势。但目前高光谱相机的价格普遍较高，广大农户难以承受，因此目前主要应用于科学研究领域。在高光谱成像方面，市面上许多公司也推出了机载高光谱相机，如采用画幅式高光谱成像技术的Cubert S185相机，采用线扫描技术的Hyperspec®系列高光谱成像传感器，四川双利合谱科技有限公司生产的GaiaSky-mini等。图2为无人机高光谱遥感试验，该试验采用Cubert S185机载高光谱相机，通过云台搭载于大疆M600多旋翼无人机，结合光谱校正板、地面站、和控制分析软件，完成柑橘黄龙病的无人机高光谱遥感试验。

图2   柑橘黄龙病的无人机高光谱遥感影像采集试验

Fig. 2   UAV hyperspectral remote sensing experiment for citrus huanglongbing detection

（3）多光谱相机成像遥感

多光谱成像的光谱分辨率在0.1数量级，即在可见光和近红外区域一般只有几个波段。无人机农业遥感领域常见的多光谱相机通常可以获取4个波段以上的光谱图像，如图3所示的Parrot Sequoia多光谱相机，可同时捕捉绿光、红光、红边和近红外4个波段图像以及用RGB图像来反映植物的健康状况。也可以定制特定窄波段的多光谱相机，根据特定的遥感应用对不同的波段以及波段范围进行量身定做。

图3   Sequoia 机载多光谱相机

Fig. 3   Sequoia airborne multispectral camera

本文作者早在2009年于美国农业部南方平原农业研究中心（Southern Plains Agricultural Research Center， Agricultural Research Service， USDA）已经开展了低空遥感多光谱成像系统的研究。进行了三种不同类型的机载遥感多光谱成像系统的性能研究，涵盖低成本和相对高成本、手动操作和自动操作、使用单个摄像头的自动多光谱合成成像和多个摄像头的集成成像，试验研究表明，低成本的多光谱成像系统因波段饱和、成像速度慢和图像质量差，比较适用于能靠近地面飞行的低速移动平台，但不推荐用于固定翼飞机上的低空或高空航空遥感;由于对有效载荷的限制和安装复杂，高成本成像系统不推荐适用于无人驾驶直升机;成本适中的多光谱成像系统，适用于基于地块定位文件触发的固定翼飞机低空航空遥感，也适用于全球定位触发或人工操作的固定翼飞机高空航空遥感;建议在固定翼飞机上采用定制系统进行高空航空遥感，触发或手动操作航路点全球定位。美国农业部Yang等采用两个消费级的彩色摄像机搭载了多光谱成像系统，一个摄像头捕捉正常的彩色图像，另一个则被修改以获得近红外（Near Infrared， NIR）图像，对该系统进行了两年的机载测试和评估，结果表明该双摄像机成像系统性能可靠，成像系统具有监测作物生长状况、检测作物疾病和绘制农田和湿地生态系统入侵杂草图的潜力。以上研究表明，在农业遥感领域，近红外区域以及红边区域是农作物生长信息较敏感的波段。对数码相机进行结构修改以获取近红外图像，结合可见光波段，便可以实现多光谱成像。

目前机载多光谱相机的频谱波段数较少，一般在四个波段左右，波段范围较宽，光谱分辨率较低，且图像的空间分辨率也较低，因此在应用中通常与高分辨率的数码相机或高光谱相机进行图像融合，以满足更高的应用需求。

（4）红外热成像遥感

热红外遥感（Infrared Remote Sensing）是指传感器工作波段限于红外波段范围之内的遥感。热红外遥感的信息源来自物体本身，只要地物温度超过绝对零度，就会不断发射红外能量。无人机热红外成像遥感就是利用机载热红外传感器收集、记录地物的热红外信息，并利用这种热红外信息来识别地物和反演地表参数如温度、湿度和热惯量等。

由于主动式红外热成像方式对目标物的人为操作可能破坏其物理特性，从而使得试验数据不准确，因此，在植物病虫害遥感应用领域，红外热成像多数采用的是被动式方式。但是，由于农作物本身已经达到了热平衡状态，或者物体的热福射差异微小，因此被动式红外热成像技术难以获得湿度场信息。此外，植物叶片灾害区域与正常区域的温差一般相差不大，所得到的热图像缺少层次感。再加上探测器本身器件的原因和客观探测条件的干扰，红外热成像的图像边缘模糊，信噪比低。因此，红外热成像在农作物病虫草害监测应用中，具有一定的局限性。

目前在农业航空遥感应用领域，通常采用数码相机与红外热成像仪相结合的监测方式。如无人机搭载红外热像仪和数码相机，可以识别地面的温差，并定位区域，也可实现如鼠害识别方面的农业应用。

（5）激光雷达成像遥感

机载激光雷达（Light Detection and Ranging，LiDAR）与光学成像遥感不同，它是通过主动探测目标的散射光特性来获取相关信息的遥感技术，是近些年新兴的遥感技术，目前是植物表型研究中重要的监测手段。其主要优势在于可以获取高精度的三维数据，在植被垂直结构探测上开辟了可能性，弥补了光学遥感在提取冠层结构信息方面的不足。

目前在农作物监测领域，机载雷达成像遥感主要应用于农作物株高、生物量、叶面积指数等农情监测等方面，在农作物病虫害监测领域上的研究成果鲜见报道。但作为多源遥感的一种方式，与光谱成像相结合，从植被的垂直结构和水平结构信息两方面，对农作物进行全方位解析，也是目前农业航空遥感的发展趋势。

2 无人机遥感图像解译方法

不同类型的遥感图像数字处理方法不尽相同，但基本上包含以下环节：遥感图像的辐射处理、几何处理、遥感图像增强以及遥感图像解译。前面三个环节主要是图像预处理部分，相关的原理与方法可详见相关教材或书籍。而解译是根据遥感图像的影像特征推论地表物体的过程，其与遥感应用目的紧密相关，因此，本节主要根据农作物的病虫草害检测的特定应用，对无人机遥感图像常见的解译方法进行阐述。

遥感图像解译方法主要分为目视解译和计算机解译两种。目视解译是指专业人员通过直接观察或借助判读仪器，在遥感图像上获取特定目标地物信息的过程。计算机解译是以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据遥感图像中目标地物的各种影像特征，结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理，实现对遥感图像的理解，完成对遥感图像的解译。

在无人机农业遥感领域，根据遥感图像解译的应用目的可以分成两大类，一类是对目标农作物的属性或状态进行定性分析，如农作物品种分类、病虫草害诊断等;另一类是对农作物进行定量分析或信息提取，如农作物叶片氮含量、水含量、叶面积指数等定量反演。根据无人机遥感图像解译时所采用的特征信息来分类，又可以分成基于光谱空间的解译方法、基于图像空间信息的解译方法以及基于混合特征（光谱信息、图像空间信息）的解译方法。根据模型是否具有机理性和普适性，又可分为经典统计分析和基于模式识别和机器学习的解译方法等。

（1）经典统计分析方法

经典统计分析中，相关性分析、主成分分析、多元回归和偏最小二乘回归等统计分析方法原理在反演中常被使用。在进行定量遥感反演农作物生长状态时，植被的光谱特征是遥感识别植被和判断植被生长状态的主要依据。基于光谱特征的数据分析方法主要是通过对光谱曲线进行特征分析，发现不同地物的光谱曲线变化特征，从而达到识别地物或定量分析地物特性的目的。

光谱波段之间的运算，如比值分析、归一化等计算可以获得若干个植被指数信息。通过对植被指数进行相关性分析或回归分析，可建立遥感影像数据与农作物生长信息的反演模型。归一化植被指数（Normalized Difference Vegetation Index，NDVI）、比值植被指数（Ratio Vegetation Index，RVI）、土壤调节植被指数（Soil-Adjusted Vegetation Index，SAVI）和增强植被指数（Enhanced Vegetation Index，EVI）等是遥感反演中常用的植被指数。这种建立植被指数与农作物生长信息的统计关系的遥感反演方法称为经验模型方法。经验模型方法虽然简单易行，但模型中函数与函数中的系数是经验型的，对植被的生长环境、生长周期以及数据获取方式敏感;需要大量实测样本数据;也容易受到遥感图像中背景地物的影响;对农作物长势的生理学方面解释不足，缺乏明确的物理意义。

而针对植被参数反演提出的物理模型遥感分析方法，对植被的生理化过程有较好的解释，具有良好的通用性。近年来应用较多的如PROSAIL冠层光谱模型，是包含化学组分含量的叶片散射和吸收模型，将叶片模型耦合到冠层模型中反演整个冠层的生化组分含量，主要应用于植被叶面积指数反演和含水量估算等定量分析应用，但在无人机遥感农作物病虫草害监测中鲜见报道。

（2）基于模式识别和机器学习的图像解译

在农作物遥感监测中，对遥感图像的定性分析可以归纳成分类问题。遥感图像分类的新方法主要指的是基于模式识别和机器学习的分类方法。在无人机遥感影像分析应用中，机器学习方法主要通过对数据输入变量（如图像灰度值、空间特征、光谱反射率、植被指数等）与输出变量（待反演的农作物长势参数、病虫害等级、识别目标类别等）之间的关系，从而建立一个非线性模型。

机器学习方法主要分为经典学习方法和深度学习方法。经典学习方法主要有支持向量机、决策树、逻辑回归、随机森林和K近邻算法等，所需训练样本数据量较小、设备性能要求较低、模型更容易理解。在经典机器学习方法中，特征提取是决定图像分类效果至关重要的环节。除了光谱特征信息，图像的空间信息如纹理和颜色特征，也常用于进行农作物的生长状况监测、作物种类识别和病虫害程度诊断等。通过直方图的统计，可以分析遥感图像中不同灰度值的概率分布;通过空间自相关函数、灰度共生矩阵和熵等计算，可以分析遥感影像纹理的深浅、粗细、均匀或复杂程度，从而实现对农作物的识别或诊断。

深度学习是机器学习研究中的一个新的领域，起源于人工神经网络模型。它具有特征学习和深层结构两个显著特点，有利于遥感图像分类精度的提升。其中，特征学习能够自动从海量数据中学习到所需的高级特征表示，更能表达数据的内在信息，无需设计特征提取算法。深层结构通常拥有多层的隐层节点，包含更多的非线性变换，因而拟合复杂模型的能力大大增强。基于深度学习网络的遥感图像分类方法对数据有很强的依赖性，对训练样本数据量要求较高，需要高昂的GPU完成合理时间内对大量数据的训练，其深层网络是“黑匣子”型，不易被理解。常见的深度学习方法有卷积神经网络（Convolutional Neural Network，CNN）、深度置信网络（Deep Belief Network，DBN）、稀疏自动编码（Sparse Autoencoder，SAE）以及对这些进行优化的深度学习方法。因算法自身问题、数据库建立不完善等问题，基于深度学习的遥感图像分类方法目前仍处于探索阶段，离大规模实际应用还有一定距离。

阅读全文

温馨提示：本文节选自《智慧农业》2019年第1卷第3期。

下载链接：http://af0.cn/Zqoab