賴佳政，葉協(xié)鋒，張凱，李建華，孫曙光，張波，何曉健，張芊*

基于無人機(jī)高光譜的煙田澇災(zāi)早期識別

賴佳政1，葉協(xié)鋒1，張凱1，李建華2，孫曙光3，張波1，何曉健4，張芊1*

1河南農(nóng)業(yè)大學(xué)煙草學(xué)院，國家煙草栽培生理生化研究基地，煙草行業(yè)煙草栽培重點實驗室，鄭州 450002；2河南省煙草公司許昌市公司，許昌 461000；3湖北中煙工業(yè)有限責(zé)任公司武漢卷煙廠，武漢 430040；4紅云紅河煙草（集團(tuán)）有限責(zé)任公司，云南省昆明市五華區(qū)紅錦路367號 650032

【目的】為準(zhǔn)確、及時估算煙田澇災(zāi)損失程度。【方法】以搭載高光譜成像儀的無人機(jī)采集強(qiáng)降水后的煙田高光譜遙感影像，對影像進(jìn)行圖像分割、幾何校正、輻射校正、地表反射率反演等處理，根據(jù)煙株倒伏程度將煙田分為受災(zāi)煙田、正常煙田和土壤3個類別，并構(gòu)建興趣區(qū)（region of interests，ROI），采用光譜角匹配算法對澇災(zāi)煙田進(jìn)行分類，利用光譜相關(guān)系數(shù)和光譜角度評估各地類光譜曲線與ROI的匹配程度，基于混淆矩陣對分類結(jié)果進(jìn)行精度評價?！窘Y(jié)果】無人機(jī)高光譜的澇災(zāi)煙田的總體分類精度達(dá)到91.8%，Kappa系數(shù)0.85?！窘Y(jié)論】基于無人機(jī)高光譜信息和光譜角匹配算法能夠有效識別煙田澇災(zāi)損失區(qū)域，為實現(xiàn)煙田災(zāi)情快速評估提供了技術(shù)支撐。

無人機(jī)；高光譜；煙田；澇災(zāi)；遙感

洪澇災(zāi)害是一種較為常見的自然災(zāi)害，對農(nóng)業(yè)生產(chǎn)影響巨大[1-2]。河南省每年洪澇災(zāi)害發(fā)生較為頻繁的7～8月正值烤煙成熟期，這一時期烤煙株高葉大，受到強(qiáng)降水侵襲容易導(dǎo)致煙株損壞?？緹煂倌秃底魑铮墒炱谘退箍緹熤饕瘜W(xué)成分協(xié)調(diào)性變差、致香物質(zhì)含量降低，不利于優(yōu)質(zhì)煙葉品質(zhì)的形成[3]。隨著全球氣候變暖，極端天氣多發(fā)、頻發(fā)，洪澇災(zāi)害對煙草生產(chǎn)帶來的影響正日益加劇?？陀^、快速地監(jiān)測烤煙的澇災(zāi)發(fā)生范圍和受災(zāi)程度，定量評估澇災(zāi)對烤煙產(chǎn)量及質(zhì)量可能造成的損失，有助于及時開展保險理賠和救災(zāi)補(bǔ)償，最大限度減少煙農(nóng)損失。

傳統(tǒng)洪澇災(zāi)情調(diào)查需人工實地勘察、根據(jù)經(jīng)驗對災(zāi)情進(jìn)行歸類和損失評估，這種方式工作強(qiáng)度大、時間周期長，且調(diào)查范圍有限[4]。近年來，隨著衛(wèi)星遙感技術(shù)的成熟，利用遙感影像分析監(jiān)測農(nóng)業(yè)災(zāi)情的研究日益增多[5-7]。然而，隨著洪澇災(zāi)害監(jiān)測對時效性和精細(xì)化程度要求的日益提高，衛(wèi)星受限于時空分辨率、氣候條件，有時難以滿足災(zāi)情評估需求。與衛(wèi)星遙感相比，無人機(jī)具有機(jī)動性強(qiáng)、空間分辨率高、適用性廣泛等優(yōu)勢[8-9]，已用于多種作物的災(zāi)害監(jiān)測和評估。甘平等[10]通過分析激光雷達(dá)點云數(shù)據(jù)反演的玉米冠層高度，快速準(zhǔn)確地實現(xiàn)了對玉米澇災(zāi)受災(zāi)范圍監(jiān)測和災(zāi)情評估。孫明等[11]利用無人機(jī)正射影像，使用基于遙感影像分類的方法，對廣西甘蔗的受災(zāi)區(qū)域進(jìn)行災(zāi)情提取和分析。畢海鋒等[5]基于無人機(jī)航拍數(shù)據(jù)，結(jié)合衛(wèi)星遙感資料對內(nèi)蒙古地區(qū)的水災(zāi)災(zāi)情進(jìn)行了評估。安談洲等[12]利用無人機(jī)航拍圖片結(jié)合深度學(xué)習(xí)實現(xiàn)了大規(guī)模油菜材料凍害情況快速、高效、準(zhǔn)確地評估。劉暢[13]使用無人機(jī)遙感影像，設(shè)計并實現(xiàn)了玉米旱災(zāi)識別和分級的深度學(xué)習(xí)語義分割方法，達(dá)到了較高的準(zhǔn)確度。

已有研究人員將無人機(jī)應(yīng)用于煙草生產(chǎn)中，孫志偉等[14]利用無人機(jī)獲取煙株的冠層影像，將影像顏色指標(biāo)與烤煙氮素指標(biāo)聯(lián)合，對煙株氮素營養(yǎng)狀況進(jìn)行診斷分析。李朋彥[15]以無人機(jī)高光譜儀結(jié)合地面觀測，建立基于無人機(jī)遙感的長勢信息反演模型，取得較好的預(yù)測效果。邊琳等[16]基于無人機(jī)多光譜影像數(shù)據(jù)構(gòu)建烤煙株高的預(yù)測模型，對煙株高度進(jìn)行反演。周龍等[17]以植保無人機(jī)開展煙田蚜蟲及葉斑類病害的防治工作，取得較好效果。付靜[18]提出了一種基于無人機(jī)圖像的山區(qū)煙株數(shù)量統(tǒng)計方法，能較好地滿足山區(qū)煙株數(shù)量統(tǒng)計要求。但以上研究主要集中于烤煙株高、病蟲害防治、營養(yǎng)診斷等方面，尚未應(yīng)用于烤煙澇災(zāi)監(jiān)測。本研究利用無人機(jī)平臺搭載高光譜儀獲取強(qiáng)降水后煙田的光譜信息，基于監(jiān)督分類算法開展煙田澇災(zāi)識別研究，為拓展無人機(jī)在煙葉生產(chǎn)中的應(yīng)用領(lǐng)域和提升煙田防災(zāi)減災(zāi)能力提供技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)（圖1）位于河南省許昌市襄城縣現(xiàn)代煙草農(nóng)業(yè)產(chǎn)業(yè)園（東經(jīng)113.52°，北緯33.89°），地處華北平原，海拔70 m左右，屬暖溫帶大陸季風(fēng)氣候，四季分明，年均氣溫14.7℃，日照時數(shù)2281 h，無霜期217 d，日均溫20℃以上日數(shù)98～110 d，多年平均降水量600～700 mm，每年6～8月的降雨量占全年總降水量60%左右，土壤類型為褐土。

烤煙品種為中煙100，行距120 cm，株距55 cm，移栽期4月下旬至5月上旬，成熟期7月上旬至9月上旬。2021年7月15日上午7點，受西太平洋副熱帶高壓和臺風(fēng)“煙花”共同影響，襄城縣出現(xiàn)強(qiáng)降水，此次降水持續(xù)3個多小時，累計降水量達(dá)到100 mm左右，為近年來少見的強(qiáng)降水過程。由于烤煙正處于成熟期，葉片寬大，煙株重心較高，降雨導(dǎo)致煙田積水，田間壟體松軟，煙株出現(xiàn)傾斜、倒伏狀況，給煙葉生產(chǎn)帶來較大損失。

圖1 研究區(qū)位置

1.2 數(shù)據(jù)獲取及處理

1.2.1 技術(shù)路線

本研究所采用技術(shù)路線如圖2所示，主要包括以下步驟：①無人機(jī)影像數(shù)據(jù)獲取及預(yù)處理；②影像解譯及興趣區(qū)（region of interests，ROI）選?。虎塾跋穹诸惡廷芫仍u價。

圖2 澇災(zāi)煙田分類的技術(shù)路線

1.2.2 煙田高光譜數(shù)據(jù)采集

于2021年7月15日12點至13點襄城縣強(qiáng)降水結(jié)束后3 h，在襄城縣現(xiàn)代煙草農(nóng)業(yè)產(chǎn)業(yè)園開展了近地面無人機(jī)高光譜遙感飛行試驗，六旋翼無人機(jī)（大疆M600Pro）搭載Pika-L光譜儀（北京理加聯(lián)合科技有限公司），光譜波段范圍400～1000 nm，光譜分辨率2 nm，采樣間隔4 nm。無人機(jī)采集數(shù)據(jù)時飛行高度設(shè)定為100 m，航速3 m/s。

1.2.3 高光譜數(shù)據(jù)預(yù)處理

Pika L光譜儀采集的數(shù)據(jù)包括GPS慣導(dǎo)數(shù)據(jù)、光譜儀傳感器記錄的地物反射能量數(shù)據(jù)。在使用之前需要對其進(jìn)行預(yù)處理。圖3為高光譜數(shù)據(jù)處理流程，首先根據(jù)GPS數(shù)據(jù)對數(shù)據(jù)進(jìn)行分割，刪除起飛、降落以及轉(zhuǎn)彎時的無用數(shù)據(jù)，然后將核心區(qū)域數(shù)據(jù)按航線進(jìn)行分割，隨后利用輻射定標(biāo)文件將分割后數(shù)據(jù)進(jìn)行幾何校正和輻射校正，校正后的數(shù)據(jù)利用ArcGIS和 ENVI進(jìn)行地理配準(zhǔn)和影像拼接成高光譜立方體，隨后利用預(yù)先布置在觀測場地的已知反射率曲線的標(biāo)靶布數(shù)據(jù)反演得到觀測區(qū)域的冠層反射率數(shù)據(jù)。

圖3 數(shù)據(jù)處理流程

1.2.4 光譜相似性匹配算法

本文使用了兩種表征不同光譜曲線間形態(tài)相似程度的指標(biāo)，分別是光譜相關(guān)系數(shù)和光譜角度，首先基于光譜角匹配算法對煙田進(jìn)行分類，然后通過比較分類結(jié)果和ROI曲線的光譜相關(guān)系數(shù)及光譜角度來評價分類效果。其中，光譜相似系數(shù)和光譜角度的計算公式如下[19]：

式中，表示光譜相似系數(shù)；x、y表示光譜曲線和光譜曲線在不同波段處的反射率；、表示光譜曲線和光譜曲線整個光譜反射率的平均值。值越大，說明兩條光譜曲線的形態(tài)相似程度越高。反之，則說明兩條光譜曲線形態(tài)差異越大。

式中，表示光譜角度；x、y表示光譜曲線和光譜曲線在不同波段處的反射率；表示波段數(shù)；值越小，說明兩條光譜曲線的形態(tài)相似程度越高；反之，則說明兩條光譜曲線形態(tài)差異越大。

2 高光譜數(shù)據(jù)分析

2.1 受災(zāi)煙田影像解譯

遙感影像解譯是遙感影像分類的重要手段，研究者利用自身專業(yè)知識對遙感影像進(jìn)行目標(biāo)識別和地物分類。為分析強(qiáng)降水過后煙田狀況，使用處理后的高光譜影像第67（紅）、41（綠）、24（藍(lán)）3個可見光波段的反射率數(shù)據(jù)合成了研究區(qū)域5cm分辨率真彩色影像（圖4a）。由影像可知煙田大體可分為煙株規(guī)則紋理受到破壞且變化方向呈現(xiàn)由東南向西北傾斜并伴有高亮特征的區(qū)域、呈現(xiàn)正常煙株紋理和綠色的區(qū)域、以及沒有煙葉遮擋的裸露土壤等3類。由于此時正值烤煙成熟期、煙株高大、葉片寬厚，煙株重心較高，受積水影響田壟土壤松動，使得澇災(zāi)發(fā)生后煙田的煙株傾斜、倒伏且被積水覆蓋，這部分區(qū)域在可見光波段具有較高的反射率而呈現(xiàn)高亮特征，在圖中表現(xiàn)為白色與淺綠色像素集合的斑塊；而受澇災(zāi)影響較小、未發(fā)生倒伏的煙株在圖中表現(xiàn)為綠色簇狀斑塊；無煙株覆蓋的裸露地表受到土壤水分過飽和影響，在紅光波段有較高反射率，呈現(xiàn)粉紅色。依據(jù)影像的紋理特征可以發(fā)現(xiàn)，未倒伏煙株呈現(xiàn)東西走向的規(guī)則排列紋理，而受澇災(zāi)影響區(qū)域的規(guī)則紋理受到破壞，煙株傾斜和倒伏方向呈現(xiàn)由東南向西北傾斜。

由煙田影像分析的結(jié)果可知，強(qiáng)降水結(jié)束后3 h后，煙田仍然普遍存在積水，有部分區(qū)域發(fā)生煙株倒伏的情況，由于煙株倒伏會帶來葉片、根系的物理損傷，這部分煙株在后期的煙田管理、煙葉采收及烘烤中應(yīng)該加強(qiáng)管理，盡量減少損失。未發(fā)生倒伏的煙株在積水退去后，應(yīng)加強(qiáng)田間管理，降低積水給煙株的生長發(fā)育、煙葉產(chǎn)量和質(zhì)量帶來的不利影響。

將該區(qū)域分為①土壤（圖3中粉色區(qū)域）、②煙株受到澇災(zāi)影響發(fā)生傾斜和倒伏的煙田（簡稱受災(zāi)煙田）（圖4-c1）、③強(qiáng)降水后煙株未發(fā)生傾斜倒伏、受災(zāi)程度較輕的煙田（簡稱正常煙田）（圖4-c2）等三類。

圖4 澇災(zāi)煙田真彩色影像

2.2 受災(zāi)煙田典型區(qū)域的光譜特征

基于受災(zāi)煙田影像的解譯結(jié)果，在影像上分別選取典型代表區(qū)域構(gòu)建ROI，以ROI平均光譜反射率作為該類地貌的光譜反射率，提取后的3類地貌的光譜反射率曲線如圖5。由該圖可知，3類地貌的光譜曲線形狀差異明顯。3類地貌光譜曲線中，正常煙田與受災(zāi)煙田的光譜曲線形態(tài)類似，均在400～450 nm藍(lán)光波段和660～680 nm紅光波段附近形成了兩個吸收谷，在540～550 nm綠光波段處形成了一個反射峰，而在780～1000 nm波段有一個高反射率平臺。而受災(zāi)煙葉反射率曲線整體形狀與正常煙葉類似，但反射率在可見光波段整體高于正常煙葉，而在近紅外波段則低于正常煙葉。

圖5 受災(zāi)煙田不同地類的高光譜反射特性

2.3 基于光譜角的澇災(zāi)煙田監(jiān)督分類

對受災(zāi)煙田進(jìn)行分類能夠準(zhǔn)確掌握受災(zāi)區(qū)域面積，對災(zāi)情評估、救災(zāi)策略制定、災(zāi)后恢復(fù)生產(chǎn)和降低損失有重要意義。本研究基于受災(zāi)煙田的影像解譯、受災(zāi)區(qū)域情況分析以及典型受災(zāi)區(qū)域光譜信息，采用基于光譜角匹配的監(jiān)督分類算法對澇災(zāi)煙田進(jìn)行分類。

光譜角匹配是將具有個波段的高光譜數(shù)據(jù)中每個像元的光譜反射率曲線作為多維空間矢量，計算其與已知類別的參考類別像元光譜曲線之間的廣義夾角，進(jìn)而判斷其匹配程度，從而將目標(biāo)像元進(jìn)行分類的算法[19-22]。主要步驟包括①在影像上構(gòu)建各已知類別的ROI，要求每個類別的ROI只包含本類別像元；②提取各類別ROI光譜信息；③使用分類算法對研究區(qū)進(jìn)行分類，并進(jìn)行精度評價。

根據(jù)影像目視解譯結(jié)果建立了3類地物的ROI，在統(tǒng)計反射波譜曲線的基礎(chǔ)上，使用此算法對澇災(zāi)煙田進(jìn)行分類，分類結(jié)果如圖6所示。將分類結(jié)果與原始影像疊加可知，基于光譜角匹配的分類算法能夠較好地將受災(zāi)煙田與正常煙田區(qū)分開。

圖6 煙田澇災(zāi)分類結(jié)果

2.4 分類結(jié)果精度評價

2.4.1 基于光譜曲線的分類效果評價

為評價分類結(jié)果的準(zhǔn)確性，提取了分類后煙田的三類地物的平均光譜曲線與作為分類參考的ROI光譜曲線進(jìn)行了對比（圖7）。由圖7可知，3類地物的反射率曲線均與ROI曲線形狀較為相似，說明采用光譜角匹配的分類算法能夠較好地提取3類地物的反射光譜特征。

分類結(jié)果與ROI之間的光譜相似系數(shù)及光譜角度如表1所示，受災(zāi)煙田、正常煙田以及土壤的光譜曲線與ROI的值均接近于1，接近0，說明兩者的光譜曲線相似程度較高，分類結(jié)果與ROI較為吻合。

表1 分類結(jié)果與ROI之間的光譜相似系數(shù)、光譜角度

Tab.1 Spectral corelation coefficientF and spectral angle θ between classification results and ROI

類別Fθ 受災(zāi)煙田0.99870.04506 正常煙田0.99980.01078 土壤0.98110.07411

2.4.2 基于混淆矩陣和Kappa系數(shù)的分類精度評價

通過額外構(gòu)建每類10個ROI，共30個ROI作為驗證點，構(gòu)建驗證點與分類結(jié)果之間的混淆矩陣，得到總體分類精度和Kappa系數(shù)，對分類結(jié)果進(jìn)行精度評價（表2）?？傮w分類精度是指被正確分類的像素數(shù)量與全部驗證像元之間的比值。Kappa 系數(shù)是一個用于一致性檢驗的客觀指標(biāo)，通過一種離散的多源技術(shù)與總體分類精度形成互補(bǔ)，其取值在0～1之間，當(dāng) Kappa 取值0.80～1.0 時，表示二者幾乎完全一致[23]。由表2可知，總體分類精度91.8%，Kappa系數(shù)0.85，說明本次分類結(jié)果與驗證ROI具有較好的一致性。

表2 澇災(zāi)煙田分類結(jié)果的混淆矩陣

Tab.2 Confusion matrix of classification results of waterlogged tobacco fields

受災(zāi)煙正常煙土壤總計 受災(zāi)煙1479141484 正常煙2037610964 土壤210315336 總計17037623192784 總體分類精度 91.8% Kappa系數(shù) 0.85

3 討論

本研究基于澇災(zāi)發(fā)生后煙田的無人機(jī)高光譜影像，對煙田受災(zāi)情況進(jìn)行了解譯和分類，獲取了3類地物的反射率光譜曲線，與孫志偉[14]、李朋彥[15]等研究結(jié)果類似，煙葉在可見光波段（400～700 nm）范圍內(nèi)，表現(xiàn)出“藍(lán)邊”、“綠峰”、“黃邊”、“紅谷”等綠色植物的獨特光譜特征。

受災(zāi)煙田區(qū)域的光譜曲線可見光波段的整體形狀與正常煙田類似，但高于正常煙葉，澇災(zāi)煙田真彩色影像中受災(zāi)煙葉的顏色表現(xiàn)為淺綠色至白色，這可能是由于倒伏煙葉被煙田積水覆蓋，出現(xiàn)了鏡面反射效果而提高了可見光波段的反射率所導(dǎo)致，這一結(jié)果與前人[9]在農(nóng)田澇災(zāi)中的研究結(jié)論一致，即農(nóng)田澇災(zāi)影響區(qū)域在遙感影像上呈現(xiàn)高亮特征。

700～780 nm是葉綠素在紅波段強(qiáng)烈吸收到近紅外波段多次散射形成的高反射平臺過渡波段，稱為植被反射率“紅邊”，是植物營養(yǎng)、長勢、水分、葉面積等農(nóng)學(xué)參數(shù)的指示特征[24]。紅邊位置是植物反射曲線上斜率最大時所對應(yīng)的波長，位于680～750 nm之間，本研究利用一階微分計算反射率曲線的紅邊位置，正常煙葉與受災(zāi)煙葉的紅邊位置分別在723 nm和719 nm，表明受災(zāi)煙葉的紅邊位置向短波方向移動，即出現(xiàn)了“藍(lán)移”現(xiàn)象，這是葉片受損的重要標(biāo)志。

在780～1000 nm波段，由于葉片以反射近紅外波段能量為主，受到煙葉表面及田間的積水對近紅外波段能量吸收的影響，受災(zāi)煙葉此波段范圍的反射率低于正常煙葉，這一結(jié)果與隋學(xué)艷等[25]對不同時期玉米洪澇脅迫的地面高光譜監(jiān)測的結(jié)論一致。

土壤在380～1000 nm的光譜反射率曲線總體上變化較平緩，但在580～640 nm波段受到土壤水分過飽和及表面積水的影響，出現(xiàn)一個小的反射峰，導(dǎo)致土壤呈現(xiàn)粉紅色。

為判斷澇災(zāi)煙田分類的準(zhǔn)確性，本研究利用光譜曲線相似系數(shù)和光譜角度對分類地物的光譜曲線進(jìn)行了比較，3類地物的光譜曲線形態(tài)與ROI均較為接近。受災(zāi)煙田和正常煙田在可見光波段（380～680 nm）的曲線吻合程度好于近紅外波段（780～1000 nm）。出現(xiàn)這種情況的原因，可能是由于澇災(zāi)后時間尚短，災(zāi)害對煙葉外觀的影響較小，同一地類的可見光波段反射率空間變異程度較低，故分類結(jié)果與ROI間差異較小。在近紅外波段，已有研究[24]表明此波段范圍的植物反射率曲線主要受到葉片細(xì)胞結(jié)構(gòu)、水分含量等因素影響，而澇災(zāi)可能對煙葉細(xì)胞產(chǎn)生損傷，且這種損傷存在較大的空間變異性，另外二者所代表的像元數(shù)量不同，導(dǎo)致在780～1000 nm波段的分類結(jié)果與ROI反射率曲線之間存在一定差距。

除了比較地物光譜曲線形態(tài)相似性，使用總體分類精度及Kappa系數(shù)分析了光譜角匹配算法的分類精度。光譜角匹配算法的分類思想是通過計算遙感影像中各個像元的光譜曲線與3類ROI曲線之間的相似程度差異把像元進(jìn)行歸類，當(dāng)不同地物間光譜特征差異顯著（即“異物異譜”）時具有較好的分類效果，例如建筑垃圾與工地、裸土[22]，沙漠與植被[26]，木材與塑料[27]等。受災(zāi)煙田、正常煙田以及土壤之間的光譜特征差異明顯，故采用光譜角匹配算法能夠準(zhǔn)確地從煙田影像中將受災(zāi)區(qū)域提取出來，獲得總體分類精度達(dá)到91.8%、Kappa系數(shù)0.85的分類效果。

煙草作為一種耐旱不耐澇的作物，澇災(zāi)脅迫會對其生長發(fā)育帶來不利影響，尤其是造成深層根系無氧呼吸，水淹時間過長會導(dǎo)致根系死亡，導(dǎo)致產(chǎn)量的損失和品質(zhì)的下降。本研究利用高光譜遙感數(shù)據(jù)識別了煙株倒伏的受災(zāi)煙田區(qū)域，倒伏煙株根系受到破壞，植株的蒸騰循環(huán)受到影響，影響鉀等礦質(zhì)元素向葉片等部位的轉(zhuǎn)運和積累[3]，因此在災(zāi)后田間管理中應(yīng)迅速排水，及時對壟體表層土壤淺耕以達(dá)到散墑、保護(hù)表層根系的目的。另外，煙田中未倒伏煙株受積水影響，根系呼吸受阻，導(dǎo)致光合速率降低[28-29]、光合色素減少[30]、總糖和煙堿等化學(xué)成分以及致香物質(zhì)等含量的降低[3]，因此災(zāi)后應(yīng)加強(qiáng)田間水分管理，維持合理的土壤含水量以保證煙株生理功能的恢復(fù)。

4 結(jié)論

在煙田澇災(zāi)早期使用無人機(jī)高光譜儀獲取受澇災(zāi)影響煙田的高分辨率光譜影像，利用可見光波段影像分辨地面受災(zāi)情況并構(gòu)建分類指標(biāo)，結(jié)合光譜曲線相似度匹配算法，對煙田受災(zāi)情況進(jìn)行分類，減輕了災(zāi)情評估對現(xiàn)場實地調(diào)查的依賴，提高災(zāi)情評估的準(zhǔn)確性；同時，高光譜遙感獲取的光譜信息可以用于災(zāi)后煙葉品質(zhì)變化分析，為災(zāi)后煙田管理和煙葉采收、烘烤及調(diào)制提供支撐。

本研究使用的分類方法屬于監(jiān)督分類，對樣本依賴性較大，訓(xùn)練樣本和驗證樣本的不合理選擇會影響分類結(jié)果，后續(xù)研究應(yīng)結(jié)合深度學(xué)習(xí)等手段，降低對樣本選擇的依賴。另外，澇災(zāi)早期識別對時間窗口有一定要求，如果田間積水完全退去，正常與受損的煙株在近紅外波段反射率差異縮小，可能導(dǎo)致分類精度降低，需增加田間實地調(diào)查樣本以滿足分類需求。

[1] 蔣尚明，王友貞，湯廣民，等. 淮北平原主要農(nóng)作物澇漬災(zāi)害損失評估研究[J]. 水利水電技術(shù)，2011, 42(8):63-67.

JIANG Shangming, WANG Youzhen, TANG Guangmin, et al. Study on assessment of loss from waterlogging disaster for main crops within Huaibei Plain[J]. Water Resources and Hydropower Technology, 2011, 42 (8):63-67.

[2] AHMED F, RAFII M Y, ISMAIL MR, et al. Waterlogging tolerance of crops: Breeding, mechanism of tolerance, molecular approaches, and future prospects[J]. Biomed Research International, 2013, 2013(1):64-64.

[3] 李祖良，劉國順，張慶明，等. 成熟期淹水對烤煙石油醚提取物、主要化學(xué)成分及致香物質(zhì)含量的影響[J]. 核農(nóng)學(xué)報，2012, 26(2):369-374.

LI Zuliang, LIU Guoshun, ZHANG Qingming, et al. Effect of Waterlogging at Mature Stage on The Content of the petroleum Ether Extracts, The Main Chemical Constituents and Aroma Matter of Flue-Cured Tobacco[J]. Journal of Nuclear Agricultural Sciences, 2012, 26(2):0369-0372.

[4] 代輝，武文波，劉純波，等. 洪澇災(zāi)害天空地一體化災(zāi)情查勘技術(shù)研究[J]. 自然災(zāi)害學(xué)報，2014, 23(1):1-6.

DAI Hui, WU Wenbo, LIU Chunbo, et al. Integration research on flood disaster situation survey technology [J]. Journal of Natural Disasters, 2014, 23(1):1-6.

[5] 畢海峰，李杰. 基于遙感技術(shù)的農(nóng)作物水災(zāi)災(zāi)情評估方法研究[J]. 地礦測繪，2019, 35(2): 20-2.3.

BI Haifeng, LI Jie. Research on evaluation method of crop flood disaster based on RS[J]. Surveying and Mapping of Geology and Mineral Resources, 2019, 35(2):20-2.3.

[6] 郭靜，陶志，楊東，等. 遙感技術(shù)在農(nóng)業(yè)災(zāi)害監(jiān)測中的運用[J]. 吉林農(nóng)業(yè)，2016(16):89.

GUO Jing, TAO Zhi, YANG Dong, et al. Application of remote sensing technology in agricultural disaster monitoring[J]. Jilin Agriculture: The second half of the month, 2016(16):89.

[7] 徐鵬，顧曉鶴，邱賀，等. 基于多時相HJ影像的水稻洪澇災(zāi)情和產(chǎn)量監(jiān)測[J]. 災(zāi)害學(xué)，2014, 29(2):188-192.

XU Peng, GU Xiaohe, QIU He, et al. Monitoring of disaster situation and yield of rice under flood and waterlogging based on multi-temporal HJ images [J]. Journal of catastrophology, 2014, 29(2):188-192.

[8] 徐鵬杰，鄧?yán)? 遙感技術(shù)在減災(zāi)救災(zāi)中的應(yīng)用[J]. 遙感技術(shù)與應(yīng)用，2011, 26(4):512-519.

XU Pengjie, DENG Lei. Application of remote sensing in the field of disaster reduction and response[J]. Remote sensing technology and application, 2011, 26(4):512-519.

[9] 張帥. 基于無人機(jī)低空遙感的農(nóng)田信息采集與處理研究[J]. 安徽農(nóng)學(xué)通報，2019, 25(13):149-151.

ZHANG Shuai. Study on farmland information collection and processing dased on low-altitude remote sensing of UAV[J]. Anhui agricultural science bulletin, 2019, 25(13): 149-151.

[10] 甘平，董燕生，孫林，等. 基于無人機(jī)載LiDAR數(shù)據(jù)的玉米澇災(zāi)災(zāi)情評估[J]. 中國農(nóng)業(yè)科學(xué)，2017, 50(15): 2983-2992.

GAN Ping, DONG Yansheng, SUN Lin, et al. Evaluation of maize waterlogging disaster using uav LiDAR data[J]. Scientia Agricultura Sinica, 2017, 50(15): 2983-2992.

[11] 孫明，謝敏. 基于無人機(jī)低空遙感的廣西甘蔗災(zāi)害監(jiān)測應(yīng)用研究[J]. 氣象研究與應(yīng)用，2019, 40(1): 46-52.

SUN Ming, XIE Min. Study on monitoring and application of sugarcane disaster in Guangxi based on uav[J]. Meteorological research and application, 2019, 40(1): 46-52.

[12] 安談洲，李俐俐，張瑞杰，等. 無人機(jī)遙感及深度學(xué)習(xí)在油菜凍害識別中的應(yīng)用研究[J]. 中國油料作物學(xué)報，2021, 43(3): 479-486.

AN Tanzhou, LI Lili, ZHANG Ruijie, et al. Application research of unmanned aerial vehicle remote sensing and deep learning in identification of freezing injury in rapeseed[J]. Chinese Journal of Oil Crop Science, 2021, 43(3): 479-486.

[13] 劉暢. 基于語義分割的無人機(jī)影像的玉米旱災(zāi)識別與分級[D]. 長春：吉林大學(xué)，2020.

LIU Chang. Recognition and classification of maize drought on UAV images based on semantic segmentation[D]. Chang Chun: Jilin University, 2020.

[14] 孫志偉，王曉琳，張啟明，等. 基于無人機(jī)可見光譜平臺的烤煙氮素營養(yǎng)診斷[J]. 光譜學(xué)與光譜分析，2021, 41(2): 586-591.

SUN Zhiwei, WANG Xiaolin, ZHANG Qiming, et al. Diagnosis of nitrogen nutrition in flue-cured tobacco based on uav visible spectrum platform[J]. Spectroscopy and Spectral Analysis, 201, 41(2): 586-591.

[15] 李朋彥. 基于無人機(jī)高光譜遙感的烤煙生長監(jiān)測[D]. 鄭州：河南農(nóng)業(yè)大學(xué)，2019.

LI Pengyan. Monitoring flue-cured tobacco growth based on unmanned aerial vehicle hyperspectral remote sensing[D]. Zhengzhou: Henan Agricultural University, 2019.

[16] 邊琳，葉飛，王建雄，等. 基于無人機(jī)低空多光譜遙感監(jiān)測的烤煙株高研究[J]. 山東農(nóng)業(yè)科學(xué)，2020, 52(12): 126-132.

BIAN Lin, YE Fei, WANG Jianxiong, et al. Research on plant height of flue-cured tobacco based on UAV low- altitude multispectral remote sensing monitoring[J]. Shandong agricultural science, 2020, 52 (12): 126-132.

[17] 周龍，張哲，姜自斌，等. 植保無人飛機(jī)在烤煙上應(yīng)用的探索與思考-以平邑縣煙田植保無人機(jī)飛防為例[J]. 農(nóng)業(yè)開發(fā)與裝備，2019(4): 169-170.

ZHOU Long, ZHANG Zhe, JIANG Zibin, et al. Exploration and thinking on the application of plant protection UAV in flue-cured tobacco-a case study of plant protection UAV in Yantian of Yingyi county[J]. Agricultural Development and Equipment, 2019(4): 169-170.

[18] 付靜. 基于無人機(jī)圖像的山區(qū)煙株數(shù)量統(tǒng)計方法與試驗[D]. 貴陽：貴州大學(xué), 2019.

FU Jing. A statistical method for the number of mountain tobacco plants based on drone images [D]. Guiyang: Guizhou University, 2019

[19] 史舟. 土壤地面高光譜遙感原理與方法[M]. 北京：科學(xué)出版社，2014.

SHI Zhou. Principles and methods of soil hyperspectral remote sensing [M]. Beijing: Science Press, 2014.

[20] Kruse, F. A. A. B. Lefkoff, J. B. Boardman, et al. The spectral image processing system (sips)-interactive visualization and analysis of imaging spectrometer data[J]. Remote Sensing of Environment, 1993, 44(2):145-163.

[21] 李穎，張立福，嚴(yán)薇，等. 地面成像光譜數(shù)據(jù)的田間雜草識別[J]. 遙感學(xué)報，2013, 17(4):855-871.

LI Ying, ZHANG Lifu, YAN Wei, et al. Weed identification using imaging spectrometer data[J]. Journal of remote sensing, 2013, 17(4): 855-871.

[22] 徐隆鑫，孫永華，何仕俊，等. 基于不同光譜匹配算法的無人機(jī)高光譜遙感影像建筑垃圾分類研究[J/OL]. 首都師范大學(xué)學(xué)報（自然科學(xué)版）：1-8[2021-08-11]. http://kns.cnki.net/kcms/detail/ 11. 3189. N. 20210518. 1623. 006. html.

XU Longxin, SUN Yonghua, HE Shijun, et al. Study on construction waste classification of unmanned aerial vehicle hyperspectral remote sensing images based on different spectral matching algorithms[J/OL]. Journal of capital normal university (natural science edition): 1-8[2021-08-11] http://kns.cnki.net/kcms/ detail/11. 3189. N. 20210518. 1623. 006. html.

[23] 楊樹文，等. 遙感數(shù)字圖像處理與分析-ENVI 5.x實驗教程（第2版）[M]. 北京：電子工業(yè)出版社，2019.

YANG Shuwen, et al. Processing and analyzing of remote sensing image-ENVI5.x experimental book (Second Edition)[M]. Beijing: Publishing House of Electronics Industry, 2019.

[24] 劉良云. 植被高光譜遙感[M]. 武漢：湖北科學(xué)技術(shù)出版社, 2021.

LIU Liangyun. Vegetation hyperspectral remote sensing[M]. Wuhan: Hubei Science and Technology Press, 2021.

[25] 隋學(xué)艷，梁守真，張金盈，等. 不同生育時期玉米洪澇脅迫遙感監(jiān)測與評估[J]. 作物學(xué)報，2021, 47(1): 177-184.

SUI Xueyan, LIANG Shouzhen, ZHANG Jinying, et al. Remote sensing monitoring on maize flood stress and yield evaluation at different stages[J]. Acta Agronomica Sinica, 2021, 47(1):177-184.

[26] 段瑞魯，劉廷璽，張圣微，等. 科爾沁沙地典型沙丘植被光譜特征數(shù)據(jù)的匹配[J]. 干旱區(qū)研究, 2014, 31(4): 750- 755.

DUAN Ruilu, LIU Tingxi, ZHANG Shengwei, et al. Matching of spectral data of typical vegetation on dune in the horqin sandy land[J]. Arid Zone Research, 2014, 31(04): 750-755.

[27] 趙冬娥，吳瑞，趙寶國，等. 高光譜成像的垃圾分類識別研究[J]. 光譜學(xué)與光譜分析，2019, 39(3): 921-926.

ZHAO Donge, WU Rui, ZHAO Baoguo, et al. Research on garbage classification and recognition based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis, 2019, 39(3): 921-926.

[28] 李建平，陳振國，譚本奎，等. 水澇脅迫對烤煙理化特性及產(chǎn)質(zhì)量的影響[J]. 安徽農(nóng)業(yè)科學(xué)，2020, 48(23): 68-71.

LI Jianping, CHEN Zhenguo, TAN Benkui, et al. Effects of waterlogging stress on physicochemical properties, yield and quality of flue-cured tobacco[J]. J．Anhui Agric. Sci., 2020, 48(23): 68-71.

[29] 劉慶宇，趙越，熊江波，等. 澇害對烤煙光合特性的影響[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報, 2014, 36(1): 50-55.

LIU Qingyu, ZHAO Yue, XIONG Jiangbo, et al. A study on the effect of waterlogging on photosynthetic characteristics in flue- cured tobacco[J]. Acta Agriculturae Universitatis Jiangxiensis, 2014, 36(1): 50-55.

[30] 黎時光，楊友才，曾強(qiáng)，等. 淹水脅迫對烤煙不同生育時期生理生化特性的影響[J]. 華北農(nóng)學(xué)報，2008, 23(3): 116-119.

LI Shiguang, YANG Youcai, ZENG Qiang, et al. Effect of waterlogging stress on physiological and biochemical characteristics of flue-cured tobacco at different growth stages[J]. Acta Agriculturae Boreali-Sinica, 2008, 23(3): 116-119.

Early identification of tobacco field waterlogging disaster based on UAV hyperspectral Images

LAI Jiazheng1, YE Xiefeng1, ZHANG Kai1, LI Jianhua2, SUN Shuguang3, ZHANG Bo1, HE Xiaojian4, ZHANG Qian1*

1 College of Tobacco Science, Henan Agricultural University, National Tobacco Cultivation and Physiology and Biochemistry Research Center, Key Laboratory for Tobacco Cultivation of Tobacco Industry, Zhengzhou 450002, China;2 Xuchang Municipal Tobacco Company, Xuchang 461000, China;3 Wuhan Cigarette Factory, China Tobacco Hubei Industrial Co., Ltd, Wuhan 430040;4 Hongyun Honghe Tobacco (Group) Co. LTD, Yunnan 650032, China

To realize accurate and quick estimation of tobacco field waterlogging disaster, Unmanned Aerial Vehicle (UVA) equipped with hyperspectral imager was used to collect remote sensing images of the study area, and then segmentation, geometric correction, radiometric correction, surface reflectance inversion of collected images were carried out.. Based on the degree of tobacco plant lodging tobacco field were classified into three categories: the affected fields, normal fields, and bared soil, and ROIs (Region of interests) were built based on the results. Spectral angle matching algorithm was used to extract and classify the waterlogging area from hyperspectral image of tobacco field. The spectral correlation coefficient and spectral angle were used to evaluate the matching degree between ROI and spectral curve . The Confusion matrix was used to evaluate the accuracy of the classification results, withoverall classification accuracy reaching 91.8% and Kappa coefficient reaching 0.85. The results shows that the UAV hyperspectral information comvbined with spectral angle matching algorithm can effectively identify waterlogging area in tobacco fields, which provides technical support for quick estimation of tobacco filed waterlogging.

UAV; hyperspectral; tobacco field; waterlogging; remote sensing

Corresponding author. Email：Zhangqian225@henau.edu.cn

煙草行業(yè)煙草栽培重點實驗室項目（No.30800665）；紅云紅河煙草（集團(tuán)）有限責(zé)任公司科技項目（No.HYHH2019YL04）

賴佳政（1999—），碩士研究生，研究方向為煙草信息學(xué)，Tel:0371-36555763，Email：956620786@qq.com

張芊（1980—），Tel：0371-63555763，Email：Zhangqian225@henau.edu.cn

2021-08-27；

2021-12-05

賴佳政，葉協(xié)鋒，張凱，等. 基于無人機(jī)高光譜的煙田澇災(zāi)早期識別[J]. 中國煙草學(xué)報，2022，28（1）.LAI Jiazheng, YE Xiefeng, ZHANG Kai, et al. Early identification of tobacco field waterlogging disaster based on UAV hyperspectral Images[J]. Acta Tabacaria Sinica, 2022,28(1). doi: 10.16472/j.chinatobacco. 2021.T0153