卫星遥感数据在农作物种植监测中的关键应用技术(一)
作者: 发布时间:2019-06-03

一、卫星遥感在农林作物

种植面积监测的应用


农林作物的种植监测,对于预测农林作物的当季产量、储备产量、价格走势等具有极高的现实应用价值,是规划农林作物的种植规模和产业发展过程中极其重要的基础数据。当前,农林作物的种植面积监测的主要手段是通过卫星遥感数据监测和逐级统计,卫星遥感监测因其速度快,频率高、成本低、准确率高等特点,越来越普遍用于农业产业的产业分析和规划指导中。

 

遥感技术已广泛应用于农业、林业、地质、海洋、气象、水文、军事、环保等领域,预计遥感技术将步入一个能快速,及时提供多种对地观测数据的新阶段。遥感图像的空间分辨率,光谱分辨率和时间分辨率都会有极大的提高,其应用领域随着空间技术发展,尤其是地理信息系统和全球定位系统技术的发展及相互渗透,将会越来越广泛。

 

(利用遥感可以对全国乃至全球进行观测)


遥感影像是地球表面的“相片”,真实地展现了地球表面物体的形状、大小、颜色等信息。这比传统的地图更容易被大众接受,影像地图已经成为重要的地图种类之一。遥感影像上具有丰富的信息,多光谱数据的波谱分辨率越来越高,可以获取红边波段、黄边波段等,这些地球资源信息能在农业、林业、水利、海洋、生态环境等领域发挥重要作用。

 

二、卫星高清图片的成像原理


太阳光谱是一种不同波长的连续光谱,分为可见光与不可见光两部分。可见光的波长为400~760nm,散射后分为红、橙、黄、绿、青、蓝、紫7色,集中起来则为白光。不可见光,又分为两种:位于红光之外区的叫红外线,波长大于760nm,最长达5300nm;位于紫光之外区的叫紫外线,波长290~400nm。针对遥感数据的采集、分析与应用,可能用到的波长与光对应的一般表如下所示:


 

 

当光进入遥感相机镜头,光电感应装置将光信号转换为电信号,量化电脉冲信号,记录为一个像素值。传感器响应函数设计为,要使光电感应装置产生电脉冲信号,光子强度必须达到一个阈值。进入镜头的光子数量取决于相机的感受野大小,镜头能通过的光子。多光谱图像要分出多个波段,镜头会分光,红滤镜只过红光,蓝滤镜只通过蓝光,假设相同的光打到全色与多光谱镜头上,因为滤光的缘故,多光谱感光器接收到的光子要少于全色感光器。当全色感光器接收的光子已经足够全色产生电脉冲的时候,却不够多光谱感光器产生电脉冲,多光谱感光器为了接收到更多的光子,多光谱相机就需要更大的感受野。

 

通俗来讲说,当光进入一个相机,某个波段的光子强度达到预设的一个上限,我们就认为这个光源的颜色是就是这个波段的反射率确定的颜色。普通相机在可见光范围内,按照一定的间隙搜集光谱中各波段的光子强度,就确定了每个像素的颜色和强度,也就形成了彩色的照片。而遥感相机不同于普通的数码成像相机,遥感相机传感器搜集的光谱范围更广,密度更大,幅度更宽。

 

遥感相机主要有全色影像相机和多光谱影像两个大的类别,主要区别在于传感器的分光机制。传感器是需要获得一定光能才能响应的,对于多光谱影像来说,传感器接收到光信号前会有一个分光的过程,将入射的白光分解成所需的RGB光谱段和近红外光束,然后传感器(一般是一组传感器)才分别接受这些光束,而对于全色影像来说,传感器摄取的是单波段,所以不存在分光过程。光的入射能量是一定的,分光后能量降低了,所以对应的分辨率也降低了。

 

全色影像传感器获取整个全色波段(0.5微米到0.75微米左右的单波段)的黑白影像。因为只获取单波段,在图上显示是灰度图片。全色遥感影像一般空间分辨率高,但无法显示地物色彩。全色影像的波段范围一般是绿色之后(500纳米至750纳米左右)的可见光波段,波长范围间隔大于多光谱中的单波段波段范围。

 

多光谱影像传感器对地物辐射中多个单波段的摄取得到的包含多个波段的光谱信息的影像,对各个不同的波段分别赋予颜色将得到彩色影像。多光谱遥感影像一般空间分辨率较低,影像相对模糊。

 

所以简单来说,全色影像接收的波段波长范围长于多光谱影像,所以它的光谱分辨率较低,而它的空间分辨率更高。也可以这么理解,全色影像保留了空间分辨率,而多光谱影像保留了光谱信息。


(多光谱和全色叠加形成高清彩色影像)


我们通常看到的卫星高清影像中,全色影像保留着空间分辨率,多光谱影像保留光谱信息。经过后期的遥感数据处理,将两者融合在一起,便得到了一份既有很高的空间分辨率又保留着光谱分辨率的影像。

 

影响卫星遥感影响的参数除了空间分辨率和光谱分辨率两个主要参数外,还有时间分辨率、辐射分辨率等。

 

三、利用影像进行物种识别的应用


通过植物的影像照片,利用叶片形状、植株高矮、枝干特征、叶片颜色、花朵特征和果实特点来识别种类,是当前植物种类识别的主要方式。利用大量的植物外表特征形成影像特征库,通过影像照片的形状与颜色特征利用模式识别算法进行种类判别,随着人工智能算法的提升和数据量的增加,精准度越来越高,应用场景也越来越广泛。

 

 


云南唯恒基业科技有限公司(以下简称“唯恒”),在完成了与云南农林专业高等院校合作,采集整理了106种入侵植物的图片,通过CNN神经网络进行深度学习,利用图片识别入侵植物,在自主研发的大数据平台产品“数熵工厂”中得到有效应用,图像识别入侵植物的算法精准,已经在外来入侵植物的科学研究、种类识别、入侵防治、实时监测等方面发挥了重要作用。

 

利用近距离照片根据植物性状进行种类识别,要求有清晰的植株、叶片、花朵、果实等照片,才能发挥其图像识别的作用。虽然卫星高清图片在土地规划、道路设计、路网规划、环境保护等应用领域,发挥了巨大的作用,但由于其遥感采集的影像数据属于宏观光谱数据,对于农林作物的种类识别、种植监测、长势分析还远远不够。当前,卫星遥感影像的空间分辨率已经达到了亚米级,也就是空间分辨率小于1米,但识别农林作物类别依靠亚米级的照片进行分析不足以完成精确计算,不能通过卫星的照片来根据叶片、花朵、果实的形状来进行精准判别。因此,对于地物光谱的深入分析作为主要手段成为了另一个主要研究方向。

 

四、光谱特征在地物识别中的应用原理


卫星遥感数据在经过高清图片合成之前,在全光谱的各个波段,都是采集了相关的数据的,根据地物的全光谱特征进行分析,是遥感数据处理领域的主要方式。对于农林作物的种类识别,最重要的参数就是植被指数(Vegetation Index,VI)。根据波段间的比值运算能够提取植被的算法,称为植被指数,其结果可以突出图像中植被的特征、提取植被类别或估算绿色生物量。植物由于其叶子的细胞结构,有以下特征:

 

1.在近红外波段具有高反射值,其叶绿素在红光波段具有强吸收的特征;

2.在多光谱遥感图像中,用近红外(IR)/红波段(R),结果图像上植被区域具有高度值,甚至在绿色生物量很高时达到饱和。

 

植被指数中的归一化差分植被指数NDVI(Normalized Difference Vegetation Index,标准差异植被指数),也称为生物量指标变化,可使植被从水和土中分离出来。表达式:NDVI = (NIR-R)/(NIR+R) ,NIR:近红外波段的反射率值,R:红波段的反射率值。NDVI与以下有关:植物的蒸腾作用,太阳光的截取,光合作用,地表净初级生产力。

 

(各类地物在多个光谱波段的反射率特征值)


简单理解,通过光谱数据采样分析可以发现,植被在红波段和近红外波段的反射率值有非常明显的大幅度上升趋势,将这种明显趋势并对对比值进行特征放大,利用这个值可以快速准确的将植被与其他地物区分开。在获取了地物是植被的前提下,再如何将植被明确的区分何种作物,是当前遥感数据应用领域主要研究的方向之一。

 

唯恒,在完成了图片识别植物种类的基础上,开展了利用光谱特征进行农林作物识别的研究工作,取得了有效进展。尤其是在云南特色的农产品、中药材、林木种植等领域,积累了大量的数据与经验,通过分析不同物种的光谱特征,设计了具有针对性的光谱特征向量,利用深度学习分析算法形成了独有的物种分类模型,在物种识别的精度和速度方面得到了验证,基于大数据的人工智能识别系统一直在持续训练中。(待续)