自然资源离散监测图斑无人机航线规划方法研究

韩佩佩1，周鑫鑫2，戚知晨3，阮 婧3，祁浩然1，吴长彬1

（1.南京师范大学 地理科学学院，南京，210023；

2.南京邮电大学 地理与生物信息学院，南京 210023；

3.南京国图信息产业有限公司，南京，210036）

摘 要：针对传统自然资源监测过程中因图斑形态各异、离散分布而导致的人工外业举证核查耗时、监测难问题，该文探索旋翼无人机监测新途径，以提高监测效率。首先提出离散图斑航线规划骨架点提取方法，在线模拟无人机拍摄像片所组成的全覆盖场景，对模拟像片进行精简，提取剩余模拟像片质心点作为骨架点（即航飞点）；其次，提出顾及贪心机制的遗传算法，优化遗传算法的初始种群，最终得出无人机最优航飞路径；最后，以江苏省部分区域自然资源监测图斑为研究数据，实地开展对比试验。结果表明，该文所提算法相比传统航线规划方法，可节约无人机采集时间近60%、同区域较少像片数量近72.4%、节约存储量近44.6%，解决了离散图斑整体区域的航线规划问题，提高了无人机的监测效率，保证监测区域全覆盖，节省人力物力。

0引言

自然资源监测是实现自然资源保护、优化用地结构、保障国家粮食安全的重要途径。土地资源作为自然资源的重要组成部分，近年来由于建设占用、生态退耕等原因，耕地数量和建设用地数量出现失衡现象，采取合理的手段，实现用地的平衡，对自然资源保护和监测有着重要意义。土地整治工作是其可采取的措施之一[1]，其是指对未利用、不合理利用或低效利用的土地进行整理、复垦和开发，以提高土地利用效率[2-3]。当前对自然资源图斑监测，我国正由传统监测向现代智能监测转变，利用遥感技术实现对土地整治图斑的连续调查、监测与反馈。主要是以卫星遥感、航空、无人机获取的遥感影像为基础进行内业判读，再进行外业核查举证。但当前所使用监测方法存在时效性低、图斑零散，核查耗时耗力，影像分辨率不清晰[4]等问题。

无人机作为集成了高空拍摄、遥控、视频影像微波传输和计算机信息处理的新型仪器，可以快速获取高分辨率影像，广泛应用于航拍、农业、植保、应急救援、测绘等多个领域[5]。将无人机应用于自然资源监测，可有效弥补卫星监测时空分辨率不足、塔基监测覆盖范围有限、地面巡查监测高度依赖于人工的弊端，提高自然资源监测效率。例如，文献[6]利用无人机获取多时相高分辨率遥感影像，对违法用地及违法行为进行高频监测，实现早发现、早制止的效果。文献[7]等将无人机应用于火灾后森林评估情况，其结果表明无人机可提高监测效率。文献[8]运用无人机采集的影像形成冠层表面模型估算水稻产量，结果表明，其模型可提高预测精度。

然而，传统无人机监测是以监测区域拍摄正射影像或者单一图斑的定点拍摄视频为主，对于分散分布的疑似违法图斑、土地整治项目图斑、调查举证图斑，此类方式无法实现快速、精准的多图斑信息获取，需采取无人机航迹规划实现零散图斑的全量化监测。无人机航迹规划是指无人机执行任务时，在保证无人机自身性能，例如，续航、电量和各种威胁等约束条件下，规划出从起始点到目标点的一条或多条实际可飞的航线[9-10]。传统的航线规划是呈“S”型路线，在面向多种形态各异的自然资源调查离散图斑监测的特殊性要求，例如，沿道路分布的狭长型工矿废弃地土地整治项目图斑、零星状分布的土地复垦图斑、零星状分布的疑似违法建设用地图斑、大面积覆盖的工业用地出让建设项目图斑等，会存在漏检、冗余、覆盖不全、航迹设置不合理情况。国内外学者对无人机航迹规划问题已经开展了一些相关研究工作，例如，文献[11]用K-means算法和模拟退火算法对多条件下的多任务多无人机进行航迹规划，增加了巡航有效区域中子目标区域的覆盖范围。文献[12]在航迹规划时，采用层次定向动态规划解决了动态规划在特殊地形环境的适用性和算法复杂性问题，提高了计算效率。文献[13]提出贪心MB-RRT*算法，通过牺牲一定的航迹质量，提高无人机航迹规划问题的速度和节省飞行时间。

综述，由于混合形态的自然资源离散监测图斑的特殊性限制了无人机在自然资源调查监测中的应用，探索适用于混合形态自然资源离散监测图斑无人机航迹规划方法，提升监测效率是当前的研究热点。因此，本文提出面向自然资源离散监测图斑的无人机航线规划模型，首先，针对混合形态自然资源离散监测图斑，提出骨架点（即航飞点）提取方法；其次，提出顾及贪心机制的遗传算法，得到融入往返点坐标的最优无人机航飞路线；最后，以江苏省部分区域自然资源离散监测图斑为研究数据，由计算机模拟得到的无人机航飞路线轨迹传送至室外进行实地验证。

1离散图斑航线规划骨架点提取方法

自然资源监测图斑具有分布零散、形态各异等特征。本文称延道路分布的狭长型图斑、零星状分布的图斑、大面积覆盖的图斑、长宽比例值较大的图斑等多种形态各异的图斑为混合形态离散图斑，如图1所示。当在对混合形态离散图斑进行实地核查时，由于图斑离散分布且形态不一，传统的无人机航线规划为保证监测全覆盖，需规划的航飞区域面积较大，增加了无人机的像片拍摄数量、无效区域面积、拍摄时间和无人机航飞路线长度，影响工作的时效性，降低监测效率，造成了人力、物力的浪费。因此，无人机航飞点的选取及合理有效的航飞路线对提高无人机在自然资源监测效率方面具有重大意义。

面状图形丰富多样，例如，圆形、三角形、椭圆形、不规则正方形、菱形等。在地理信息科学领域，面状图形是进行空间分析、地图制图综合、地图匹配等方面常用的文件形式，骨架线、骨架点和形状中心点是面状要素的抽象表达形式[14]，可用于表示面状要素之间的拓扑和几何关系。例如，文献[14]将多边形剖分为三角形，提取三角形的骨架点，并由此计算整个面状图形的中心点。文献[15]利用L1中值算法提取点云模型的骨架线，进而向外扩展提取最大内切球的球心，提升了针对曲率较大点云骨架的准确性。这些研究案例表明骨架点、骨架线等可简单地表示面状图形所在位置，这为本文研究提供了极大的参考价值。

因此，利用无人机对混合形态的自然资源离散图斑进行监测时，为保证能够监测到全部混合形态图斑、减少航线长度、节省采集时间，本文提出一种离散图斑航线规划骨架点提取方法，技术路线如图2所示，其基本思想是在图斑监测区域范围内，选取最少数量、位置分布均匀、合理的骨架点作为无人机飞行的航飞点，进而构成航飞路线，实现自然资源离散监测图斑的全覆盖。

实际作业中按照本文所规划的航线进行飞行，图3（b）所示，可以看到该航线与传统的“S”型航线不同，多个像片之间不是垂直分布，无法保证旁向重叠度。但若相邻两航飞点之间飞行时间如果大于无人机设置的曝光时间，将会在航飞点之间产生曝光点，可在该曝光点处按照设置的航向重叠度拍摄像片。因此，在实际作业过程中所获取的像片数量要比规划的像片数多，本文已经对获取像片利用建模软件进行正射影像生产，其实验结果表明该方法可行，具体模型对比结果见章节5.2.2。

2目标函数与约束条件

无人机航飞路线规划的目标函数设计直接与航飞点之间的距离、无人机续航能力等有关，对于开展混合形态的土地整治图斑监测具有重要的意义。

3顾及贪心机制的遗传算法

目前，A*[16]、蚁群算法[17]、模拟退火算法和遗传算法（genetic algorithm，GA）[18]等智能算法被用于求解优化无人机航飞路线问题，这些智能算法具有内在的隐并行性和更好的全局寻优能力，主要是采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。GA是模拟生物在自然环境中的遗传和进化过程而形成的智能优化算法，相比传统算法，它从串集开始搜索，可同时处理种群中的多个个体，覆盖面大，有利于全局选优。但由于这些智能算法采用的是序号编码方式，在算法求解时会产生许多无效路径，存在盲目搜索的过程，将会增加算法的复杂度，导致算法的求解效率低，收敛速度较慢[19]。

因此，为了避免遗传算法初始种群中的个体编码为盲目的随机编码，本文对遗传算法进行改进，引入贪心机制，对初始化种群做改进，提升搜索的效率。算法技术路线如图4所示。

4研究区概况

本文以张桥村土地整治图斑和淳化街道建设用地图斑为实验数据，张桥村位于江苏姜堰市张甸镇西部，村域面积2.24 km2，由原张桥、钱垛两个行政村合并而成。全村现状自然村落8个，村民小组13个，总户数461户，人口1 874人。村域地形平坦，河道纵横。地形绝对标高在4.6~5.0 m。淳化街道位于江苏省南京市江宁区，总面积132 km2，下辖21个社区，9个行政村，该区域多低山丘陵，地处亚热带。试验区如图5所示。

5实验与结果分析

为验证本文所提顾及贪心机制的遗传算法对提高自然资源监测图斑效率，减少人力物力的有效性，以张桥村及淳化街道为实地航飞区域，先由计算机模拟航飞实验结果，得出航飞路线，再将模拟的航飞路线传送外业进行实地验证。

5.1实验环境及参数设置

1）无人机飞行参数设置。运用本文所提及的离散图斑航线规划骨架点提取方法，在求取地面分辨率b时，需根据无人机参数进行计算，无人机监测飞行过程中参数设置见表1。

2）顾及贪心机制的遗传算法参数设置。运用本文所提的顾及贪心机制的遗传算法对试验区域自然资源监测图斑进行无人机航飞路线的规划，算法的相关参数设置见表2。实验的硬件环境为：CPU intel Core i7-9700，内存8 GB，显卡为Nvidia GeForce GTX 1080 Ti；操作系统为Windows 10；软件环境包括：开发语言为Python3.7，GIS平台为ArcGIS 10.6平台。

5.2实验验证结果

5.2.1计算机模拟航飞实验结果

利用顾及贪心机制的遗传算法与传统遗传算法对两种自然资源监测图斑航线规划结果如图6（a）、图6（b）、图6（e）、图6（f）所示，可得出本文所提算法规划航线比传统遗传算法路径较为整齐与合理。对张桥村土地整治图斑两种算法收敛图如图6（c）所示，当迭代次数趋于180代时，传统的遗传算法目标函数收敛于某一个值，该值为规划的航线距离11 411.525 m，而顾及贪心机制的遗传算法在迭代次数为40时，开始收敛于固定值，其值为7 318.223 m；对淳化街道建设用地图斑两种算法收敛图如图6（g）所示，当迭代次数趋于280代时，传统的遗传算法目标函数收敛于某一个值，该值为规划的航线距离18 657.988，而顾及贪心机制的遗传算法在迭代次数为30时，开始收敛于固定值，其值为11 264.053，相比传统遗传算法，本文所提算法既减少了航线距离又保证监测全覆盖，且提高了搜索效率。将顾及贪心机制的遗传算法与遥感影像集成，随机选择起点与终点，真实形象地展示航线的规划结果，如图6（d）、图6（h）所示。

由上述对两试验区结果分析可得，顾及贪心机制的遗传算法相比传统的遗传算法的航飞路线规划结果更为合理，减少了较多无效路径，规划的航线距离相比传统的遗传算法差距较大，究其原因在于，引入的贪心机制改善了遗传算法的初始种群，避免了遗传算法在开始迭代时，陷入盲目搜索的过程，提高了搜索效率。

5.2.2外业实地航飞结果

为更直观地对比本文提出的顾及贪心机制的遗传算法与传统航线规划方法的差异，特进行实地验证。首先是传统的航飞路线规划方法，针对两个试验区，本文使用大疆无人机，设旁向重叠率为70%，航线重叠率为60%，自动生成航飞路线，张桥村飞行结果如图7（a）所示，淳化街道飞行结果如图7（c）所示。其次是本文所提的顾及贪心机制的遗传算法，设置航向重叠度为80%，将计算机模拟的航飞路线交由外业进行实验，张桥村飞行结果如图7（b）所示，淳化街道飞行结果如图7（d）所示。两种方法所得结果数据见表3。

首先，针对张桥村试验区，如图7（a）、图7（b）和表3所示，当飞行速度、飞行高度一致、飞行区域一致时，监测的图斑共计31个，运用本文所提算法，共计36个航飞点，耗时12 min可实现图斑的全覆盖监测，传统的航线规划需使用30 min，相比传统的航飞路线规划时间节约近60%；在采集的照片数量上，运用本文所提算法采集的照片数量为126张，影像存储容量为2.68 GB，传统的航线规划法采集的照片数量为400张，影像存储容量为4.55 GB，相比传统的航飞路线规划方法，照片数量减少68.5%，影像的存储空间节约近41%；其次为淳化街道试验区，如图7（c）、图7（d）和表3所示，当飞行速度、飞行高度一致、飞行区域一致时，监测图斑共计44个，运用本文所提算法，共计46个航飞点，在采集时间上，耗时20 min完成全覆盖监测，传统的航线规划需使用63 min，相比传统的航飞路线规划时间节约近60%；在采集的照片数量上，运用本文所提算法采集的照片数量为205张，影像存储容量为4.5 GB，传统的航线规划法采集的照片数量为865张，影像存储容量为8.7 GB，相比传统的航飞路线规划方法，照片数量减少76.3%，影像的存储空间节约近48.2%。

其次，在完成试验区域像片采集后，将像片传至航摄软件，如大疆智图软件，进行正射影像生产。为了验证顾及贪心机制的遗传算法所生产的正射影像的空间定位精度的差异性、有效性，本文以传统航线规划方法所生产的正射影像为参照基准，对顾及贪心机制的遗传算法所生产的正射影像采用模特卡罗模拟随机取100个点，求取各点的空间坐标中误差，得出本文所提方法所生产的正射影像的X、Y坐标较传统方法所生产的正射影像平均中误差为0.03 m，可以满足1:1 000制图生产工作的精度需求。

由上述两个试验区的试验可知，本文提出的算法既保证了监测区域图斑全覆盖，又提升了监测效率，且规划的航线相较于传统的航线规划方法距离较短，综合评定可节省影像采集时间60%，照片采集数量72.4%，影像存储量44.6%。

6结束语

在对混合形态自然资源图斑监测的实际作业过程中，由于图斑形态各异、离散分布，运用无人机传统航线规划面临获取的像片数冗余量大、采集时间长、飞行的航线数量较多、监测难等难题，本文提出离散图斑航线规划骨架点提取方法，提取少量、合适、准确的图斑骨架点作为航飞点，针对航飞点的路线设计，对传统遗传算法引入贪心机制，提出顾及贪心机制的遗传算法，优化遗传算法初始种群，得出最优航飞路线点序列外业根据点序列进行实地验证。结果表明，运用本文所提的顾及贪心机制的遗传算法所规划的航线相比传统的航线规划方法，综合评定可节省影像采集时间60%，减少照片采集数量72.4%，降低影像存储量44.6%，有效地解决了离散区域图斑航线规划问题，减少无人机采集区域范围，节省人力、物力，提高监测效率及准确性。可适用于自然资源的精准化监管，有利于推进乡村振兴发展，落实耕地保护政策。

当前，航迹规划多以离线模式进行，且默认威胁与障碍物处于静止状态，在真实作业中，若规划航线经过障碍物等危险地方时，不利于作业的顺利开展，需要进一步加强在线航迹规划模型的研究；无人机自身物理性质未能充分纳入航线规划过程中进行考虑，在后续的研究中可将这些不足之处加以考虑和解决。

参考文献

[1]张超, 吕雅慧, 郧文聚,等. 土地整治遥感监测研究进展分析[J]. 农业机械学报, 2019, 50(1):1-22.(ZHANG Chao, LYU Yaju, XUN Wenju, et al. Analysis on research progress of remote sensing monitoring of land consolidation[J].Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1):1-22.)

[2]严金明, 夏方舟,马梅. 中国土地整治转型发展战略导向研究[J]. 中国土地科学, 2016, 30(2):3-10.(YAN Jinming, XIA Fangzhou, MA Mei. Research on the strategic orientation of china's land consolidation transformation and development[J]. China Land Science, 2016, 30(2):3-10.)

[3]李少帅, 陈原, 张超, 等. 基于多时相高分辨率遥感影像的土地整治项目进展评价模型研究[J]. 中国土地科学, 2014, 28(3):83-88.(LI Shaoshuai, CHEN Yuan, ZHANG Chao, et al. Study on evaluation progress model in the implementation of land consolidation projects based on multi-temporal high-resolution remote sensing data [J]. China Land Science, 2014, 28(3):83-88.)

[4] 张建春.基于无人机航测技术的土地整治新增耕地勘测研究[D].南昌:江西农业大学,2016.(ZHANG Jianchun. Survey of newly increased cultivated land area through land consolidation based on UAV photogrammetry [D]. Nanchang:Jiangxi Agricultural University, 2016.)

[5]XU Qiang, LI Weile, JU Yuanzhen, et al.Multitemporal UAV-based photogrammetry for landslide detection and monitoring in a large area:a case study in the Heifangtai terrace in the Loess Plateau of China[J].Journal of Mountain Science,2020,17(8):1826-1839.

[6]罗飞. 无人机遥感影像在城市“两违”动态监测中的应用[J]. 重庆建筑, 2021, 20(12):14-16.

(LUO Fei. Application of UAV aerial digital photography in dynamic monitoring of “Two Violations”[J].Chongqing Architecture, 2021, 20(12):14-16.)

[7] QARALLAH B，AL-AJLOUNI M，AL-AWASI A，et al．Evaluating post-fire recovery of Latroon dry forest using Landsat ETM+，unmanned aerial vehicle and field survey data[J]．Journal of Arid Environments，2021，193：104587．

[8] PEPRAH C O，YAMASHITA M，YAMAGUCHI T，et al．Spatio-temporal estimation of biomass growth in rice using canopy surface model from unmanned aerial vehicle images[J]．Remote Sensing，2021，13(12)：2388．

[9]樊娇, 雷涛, 韩伟, 等. 无人机航迹规划技术研究综述[J]. 郑州大学学报（工学版）, 2021, 42(3):39-46.(FAN Jiao, LEI Tao, HAN Wei, et al. A survey of UAV path planning[J]. Journal of Zhengzhou University(Engineering Science) , 2021, 42(3):39-46.)

[10] 胡月．有人/无人机协同作战任务分配与航迹规划研究[D]．南京：南京航空航天大学，2020．(HU Yue．Research on mission assignment and flight path planning of manned/unmanned aerial vehicles cooperative operations[D]．Nanjing：Nanjing University of Aeronautics and Astronautics，2020．)

[11] LUO Guanchen，YU Jianqiao，MEI Yuesong，et al．UAV path planning in mixed-obstacle environment via artificial potential field method improved by additional control force[J]．Asian Journal of Control，2015，17(5)：1600-1610．

[12] ZHANG Zixuan，WU Qinhao，ZHANG Bo，et al．UAV flight strategy algorithm based on dynamic programming[J]．Journal of Systems Engineering and Electronics，2018，29(6)：1293-1299．

[13] 陈晋音，胡可科，李玉玮．基于MB-RRT*的无人机多点航迹规划算法研究[J]．计算机科学，2018，45(S1)：85-90．(CHEN Jinyin，HU Keke，LI Yuwei．Research on UAV multi-point navigation algorithm based on MB-RRT*[J]．Computer Science，2018，45(S1)：85-90．)

[14]卢威,艾廷华. 利用三角剖分骨架图提取简单多边形目标中心点[J]. 武汉大学学报(信息科学版), 2020, 45(3):337-343.(LU Wei,AI Tinghua. Center point extraction of simple area object using triangulation skeleton graph[J]. Geomatics and Information Science of Wuhan University, 2020, 45(3):337-343.)

[15] 范保青，姚剑敏，林志贤，等．三维点云的分割及骨架提取研究[J]．测绘科学，2021,46(1)：162-169． (FAN Baoqing，YAO Jianmin，LIN Zhixian，et al．Research on segmentation and skeleton extraction of 3Dpoint cloud[J]．Science of Surveying and Mapping，2021,46(1)：162-169．)

[16]曹栋, 王瑞,曹越. 基于A*算法的无人机攻击编队航迹规划[J]. 沈阳航空航天大学学报, 2016, 33(4):61-65.(CAO

Dong,WANG Rui,CAO Yue. Trajectory planning for flight formation of unmanned aerial

vehicle based on A* algorithm [J]. Journal of Shenyang Aerospace University,

2016, 33(4):61-65.)

[17] DORIGO M，MANIEZZO V，COLORNI A．Ant system：optimization by a colony of

cooperating agents[J]．IEEE Transactions on Systems，Man，and Cybernetics．Part B，Cybernetics：a Publication of the IEEE Systems，Man，and Cybernetics Society，1996，26(1)：29-41．

[18] DAI Rui，FOTEDAR S，RADMANESH M，et al．Quality-aware UAV coverage and path planning in geometrically

complex environments[J]．Ad Hoc Networks，2018，73：95-105．

[19]李春元, 魏武, 谢赛,等. 基于改进遗传算法的最优路径求解[J]. 交通与计算机, 2007(5):89-92.(LI

Chunyuan,WEI Wu,XIE Sai,et al. Dynamic optimum route solution based on improved

genetic algorithm [J]. Journal of Transport Information and Safety,

2007(5):89-92.)

作者简介：韩佩佩(1998—)，河南省济源市，女，硕士研究生，主要研究方向为空间优化、大数据分析。

E-mail：1814553676@qq.com

基金项目：南京邮电大学引进人才科研启动基金项目（自然科学）（NY221143）；国家自然科学基金项目(41471318)

转自：“测绘学术资讯”微信公众号

如有侵权，请联系本站删除！