郝杰
铁营镇人民政府 山东乐陵 253600
摘要：无人机作为新型遥感平台，近年来发展迅速，应用领域不断拓展。无人机遥感技术在作物监测中得到广泛应用。本文从无人机遥感技术的特点出发，探讨利用无人机遥感监测农作物种植面积。
关键词：无人机；遥感监测；农作物面积
引言
中国农业普查和精准农业的发展，我国迫切需要实现农作物面积快速精准监测，而高分辨率图像可以提供丰富的地表信息。例如，图像中地物的尺寸、形状及邻近地物之间的关系能够得到有效反映；同一地物内要素的各项细节信息得到表征，可用于精细农业规划、资源调查监测等各个领域。无人机遥感技术凭借灵活性强、周期短、成本低、操作简单等优点成为目前高分辨率遥感数据获取的重要手段，是农业监测的研究热点和未来发展趋势。
1无人机遥感监测技术的特点
无人机遥感监测技术，即把无人机技术和遥感监测技术相结合，是指以无人航空器作为遥感平台，通过携带各种遥感设备，获取所需的影像数据。传统卫星遥感在采集中小尺度农田信息时存在着分辨率较低的问题，易受云层和空间辐射等因素的影响。而传统的以有人机为平台的航空遥感，成本高昂，需要专业的机场设施和飞行人员。因此，近年来，无人机作为新型低空遥感平台，很好的弥补了卫星遥感和有人机航空遥感的不足，具有体积小，重量轻，分辨率高，成本低的优势，可以实现实时监测，特别适合中小尺度范围和高频次的调查研究。
2研究区概况与数据
2.1研究区概况
本文以杭州市余杭区某区域作为研究区，其为余杭区水稻机插高产示范区，研究区内农作物种植品种多样且空间分布混杂，主要包括水稻、玉米、大棚西瓜、蔬菜等。
2.2研究数据
研究区影像为无人机遥感影像(Ｒ、G、B波段)，成像于2016年夏季，面积约164．8829万m2，几何校正误差控制在2cm，像元大小为0．2m×0．2m。根据野外实地考察，在面向对象最优分割尺度的分割结果图上目视解译，每种地类随机选取一定数量的典型样本，形成训练样本集合。
3无人机遥感监测农作物种植面积的研究方法
3.1图像分割
无人机遥感的高空间分辨率在提高目视效果的同时，增加了同类地物内部的纹理复杂程度，不利于分类，而面向图像分割则能克服这一问题。本文采用多尺度分割算法对影像分割后再分类。多尺度分割算法是一种自下而上，通过合并相邻的像素或的分割对象，在保证对象与对象之间异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割的方法。分割效果的好坏成为决定遥感图像分类的关键因素之一，它对提取对象特征、目标分类都具有重要影响。
3.2数据资料的处理
利用无人机遥感监测技术对数据资料进行处理时，可有效提升数据处理的质量与效率，为农作物种植面积测绘工作提供可靠的技术保障。例如，在农作物种植面积测绘工作中，传统数据资料采集和数据处理缺乏完整性，相关处理结果不明显，严重阻碍了农作物种植面积测绘工作的高质量发展。而无人机遥感检测技术的应用，可农作物资源的综合整治提供有利指导，从而促使农作物资源治理工作健康有序地开展。值得注意的是，在利用无人机技术进行测绘时，需要选择合适的飞行平台，具体工作中需要结合待监测地区的地形条件和地貌特征而定。与传统的航拍技术比较，无人机飞行偏角大、像幅小，因此在影像资料的获取过程中，可利用空中三角技术对拍摄内容进行纠正和修复，进而避免航拍中出现地理位置遗漏。
3.3影像特征提取
遥感影像特征的提取能够充分利用图像的光谱与纹理信息，是提高图像分类精度的重要途径。本文基于分割后的影像对象提取光谱、形状及纹理特征参数作为随机森林分类的变量。
光谱特征变量主要分为两部分，一是基础的光谱变量，即各个波段均值和标准差;二是由原始波段运算得到的植被指数。本文研究数据只有红(Ｒ)、绿(G)、蓝(B)波段，故在农作物监测分类中多基于上述波段构建特征变量，如可见光抗大气指数VAＲI，绿色植被可见光抗大气指数VAＲIgreen及差值植被指数EXG等。其中，根据文献的研究，基于Ｒ、G、B3个波段的绿色植被抗大气指数VAＲI能够突出农作物的绿色光谱特征，为农作物监测提供重要信息。基于统计描述的灰度共生矩阵被证明在植被分类中发挥着重要作用，本文利用灰度共生矩阵得到的同质性(GLCMHomogeneity)、灰度共生矩阵中值(GLCMMean)、灰度共生矩阵标准方差(GLCMStdDev)参数提取对象的纹理信息。耕地地块几何特征较规则，形状参数有利于识别农作物地块。本文选取边界指数(borderindex)、真圆度(roundness)、形状指数(shapeindex)、多边形最长边长度(lengthoflongestedge)、距离(Distance)、坐标(coordinate)等几何参数用作分类变量。
3.4农业资源预测评估
粮食作物是维系社会正常运行的基础，种植面积与长势的波动影响着国家的稳定。卫星遥感在精确即时数据获取方面有着明显缺陷，无法满足现代农业要求。近年来，无人机遥感随着技术的成熟，弥补了卫星遥感的不足，其在农作物长势分析、养分和土壤水分分析等方面发挥着独特优势。在不与农作物直接接触的情况下可以通过传感器在低空获取作物的电磁波信息并得到相关的指标数据，然后用相应的定量分析方法对耕地生产力进行评价，且最终获得的数据的空间分辨率可达到厘米级。参照刘忠等的研究，将农作物长势关键参数划分为形态指标、生理生化指标、胁迫指标和产量指标等4类。有关长势参数反演的相关研究近年来在国内外都是研究热点，反演方法有形态特征提取法、辐射传输模型法等众多针对不同情形的方法，选择时要尽量避开其短板。
3.5随机森林分类法
面向对象的随机森林分类的最小单元不再是单个像素，而是“同质”对象(图斑)。基于面向对象最优分割后的图像，对遥感影像的光谱、形状与纹理特征进行融合，进而运用随机森林分类器实现面向对象的地理要素自动分类。
3.6农作物种植面积监测
利用ArcMap10．2软件，结合目视判读，对分类结果中的农作物地块(水稻、蔬菜、西瓜、玉米、休耕地)进行修正并矢量化，获取各类型农作物精确面积，与分类结果进行比较，评价农作物面积监测精度。可知，各地类面积误差都较小，其中面积误差最大的作物为蔬菜，也只有1．11%，其余都小于1%。
4展望
我国遥感技术在农业方面的应用效果显著，作为遥感产业的热门研究领域已经受到了广泛关注，出现了多旋翼无人机等新型低空无人机，未来在农情信息采集、农田灾害及时预测处理和精准农业等方面具有极大潜力。当下国内外低空无人机遥感在农业方面应用的理论成果众多，如光谱检测技术在病虫害防治领域有很大的应用空间，未来进一步改进并付诸实践将会极大地推动农业现代化。无人机遥感在农业方面的应用不仅要致力于各种反演和解释模型的建立，还要将大数据与农业植保、病理理论等知识紧密结合，综合得出准确的指标参数，从而得出更可靠的农田资源评估预测。
结束语
利用无人机进行作物监测已成为重要手段。在农业领域需要更加精准高效的信息采集设备和处理系统，需要更加精确地采集和分析方便管理和操作。随着技术的不断发展和无人机市场的逐渐成熟，这必将成为未来农业领域主要调查和监测手段之一。
参考文献
［1］陆登槐．遥感技术在农业工程中的应用［M］．北京:清华大学出版社，1997:48-49．
［2］陈正宜．农业土地资源研究中的遥感图像综合分析———以天然渠、文岩渠地区为例［J］．遥感信息，1986(4):14-15．
［3］许迪，李益农，蔡林根，等．卫星遥感影像在农田灌排系统识别中的应用研究［J］．农业工程学报，2004，20(2):36-37．