无人机影像的面向对象水稻种植面积快速提取

doi:10.12082/dqxxkx.2019.180418

地球信息科学学报 ›› 2019, Vol. 21 ›› Issue (5): 789-798.doi: 10.12082/dqxxkx.2019.180418

• 遥感科学与应用技术 • 上一篇

无人机影像的面向对象水稻种植面积快速提取

吴方明(), 张淼, 吴炳方^*()

中国科学院遥感与数字地球研究所遥感科学国家重点实验室,北京,100101

收稿日期:2018-08-29 修回日期:2019-02-20 出版日期:2019-05-25 发布日期:2019-05-25
通讯作者: 吴炳方 E-mail:wufm@radi.ac.cn;wubf@radi.ac.cn
作者简介:
作者简介：吴方明（1984-）,男,湖北汉川人,硕士,工程师,主要从事无人机遥感研究。E-mail: wufm@radi.ac.cn
基金资助:
中国科学院科技服务网络计划（STS计划）项目（KFJ-STS-ZDTP-009）;国家自然科学基金项目（41561144013、41861144019、41701496）

Object-oriented Rapid Estimation of Rice Acreage from UAV Imagery

Fangming WU(), Miao ZHANG, Bingfang WU^*()

State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China

Received:2018-08-29 Revised:2019-02-20 Online:2019-05-25 Published:2019-05-25
Contact: Bingfang WU E-mail:wufm@radi.ac.cn;wubf@radi.ac.cn
Supported by:
Science and Technology Service Network Initiative (STS), No.KFJ-STS-ZDTP-009;National Natural Science Foundation of China, No. 41561144013, 41861144019, 41701496.

摘要/Abstract

摘要：

基于抽样技术的地面调查与遥感影像分类相结合的方法在大范围作物种植面积提取中得到广泛使用。无人机影像具有低成本、高时效、高分辨率的一系列优点,可以快速实现特定区域范围内的农情采样任务。本文以水稻样地为研究对象,采用便携式无人机Mavic Pro进行航拍。对所获取无人机影像进行预处理生成分辨率为3.95cm/pix的正射影像,采用面向对象的思想,目视评价和ESP工具相结合快速选择了最优分割尺度为300,应用了支持向量机、随机森林和最邻近监督分类方法对影像进行了地物分类和水稻面积快速提取。采用目视解译分类结果进行分类结果和面积精度评价,总体精度最高的方法为最邻近分类法,此时水稻分类用户精度为95%,面积一致性精度为99%。研究结果说明了无人机遥感和自动分类能够在平原水稻种植区快速获取样方内高分辨率影像并提取水稻种植面积,弥补了农田被遮挡时地面调查数据的缺失,为大范围水稻种植面积、产量等信息的计算提供样本和验证依据。

关键词: 无人机影像, 水稻, 面向对象分割, 最近邻监督分类, 种植面积

Abstract:

The methodology of combining sampling-based ground survey and satellite imagery classification has been widely used in estimating crop acreage on large scales. Use of unmanned aerial vehicle (UAV) imagery has a series of merits including low cost, high efficiency, and high resolution, which make it possible to quickly monitor the agricultural conditions over a specific area. With a research focus on rice sample plots, this study used a portable UAV Mavic Pro to obtain aerial imagery. The UAV imagery were preprocessed to generate an orthophoto with a resolution of 3.95 cm/pix. By adopting the object-oriented classification philosophy, visual assessment, and the Estimation of Scale Parameter (ESP) tool, the optimal segmentation scale was determined to be 300. The support vector machine, random forest, and nearest neighborhood classifiers were employed and contrasted for imagery classification and the extraction of rice acreage; visual interpretation was used for assessing the accuracy of the classification results. The best automatic classification method turned out to be nearest neighborhood classification, with its user accuracy of rice being 95% and the area consistency accuracy 99%. The findings show that use of UAV imagery and automatic classification can quickly acquire high-resolution imagery and extract rice acreage in rice growing areas on plains. Moreover, high-resolution UAV imagery can be used as ground truth data when cropland is in shadow. The proposed approach helps provide validation samples for estimating rice acreage and production on large scales.

Key words: UAV imagery, rice, object-oriented segmentation, nearest neighbor supervised classification, planted area

吴方明, 张淼, 吴炳方. 无人机影像的面向对象水稻种植面积快速提取[J]. 地球信息科学学报, 2019, 21(5): 789-798.DOI:10.12082/dqxxkx.2019.180418

Fangming WU, Miao ZHANG, Bingfang WU. Object-oriented Rapid Estimation of Rice Acreage from UAV Imagery[J]. Journal of Geo-information Science, 2019, 21(5): 789-798.DOI:10.12082/dqxxkx.2019.180418

图/表 9

表1

图1

图2

图3

图4

图5

图6

表2

表3

参考文献 24

[1]	Wu B F, Rene G, Zhang M, et al.Global crop monitoring: A satellite-based hierarchical approach[J]. Remote Sensing, 2015,7(4):3907-3933.
[2]	Wu B, Li Q.Crop planting and type proportion method for crop acreage estimation of complex agricultural landscapes[J]. International Journal of Applied Earth Observation and Geoinformation, 2012,16:101-112.
[3]	许文波,田亦陈.作物种植面积遥感提取方法的研究进展[J].云南农业大学学报,2005,20(1):94-98.
	[ Xu W Bo, Tian Y C.Overview of extraction of crop area from remote sensing[J]. Journal of Yunnan Agricultural University, 2005,20(1):94-98. ]
[4]	张淼. 农田利用状况动态变化识别方法与应用研究[D].北京:中国科学院大学,2014.
	[ Zhang M.Study on the dynamic monitoring of arable land utilization and its applications[D]. Beijing: University of Chinese Academy of Sciences, 2014. ]
[5]	唐晓风,王乃斌,杨小唤.粮食种植面积提取方法的发展与现状[J].资源科学,2002,24(5):8-12.
	[ Kang X F, Wang N B, Yang X H.Progress of information extraction methods for crop planting area[J]. Resources Science,2002,24(5):8-12. ]
[6]	吴炳方,李强子.基于两个独立抽样框架的农作物种植面积遥感估算方法[J].遥感学报,2004,8(6):551-569. doi: 10.11834/jrs.20040605
	[ Wu B F, Li Q Z.Crop acreage estimation using two individual sampling frameworks with stratification[J]. Journal of Remote Sensing, 2004,8(6):551-569. ] doi: 10.11834/jrs.20040605
[7]	吴炳方,田亦陈,李强子. GVG农情采样系统及其应用[J].遥感学报,2004,8(6):570-580. doi: 10.11834/jrs.20040606
	[ Wu B F, Tian Y C, Li Q Z.GVG, a crop type proportion sampling instrument[J]. Journal of Remote Sensing, 2004,8(6):570-580. ] doi: 10.11834/jrs.20040606
[8]	李德仁,李明.无人机遥感系统的研究进展与应用前景[J].武汉大学学报信息科学版,2014,5(39):505-513. doi: 10.13203/j.whugis20140045
	[ Li D R, Li M.Research advance and application prospect of unmanned aerial vehicle remote sensing system[J]. Geomatics and Information Science of Wuhan University, 2014,5(39):505-513. ] doi: 10.13203/j.whugis20140045
[9]	陈天博,胡卓玮,魏铼,等.无人机遥感数据处理与滑坡信息提取[J].地球信息科学学报,2017,19(5):692-701.
	[ Chen T B, Hu Z W, Wei L, et al.Data processing and landslide information extraction based on UAV remote sensing[J]. Journal of Geo-information Science, 2017,19(5):692-701. ]
[10]	Bruce E, David A.2015 Precision agricultural services dealership survey results[R]. Indiana: Purdue University, 2015.
[11]	王利民,刘佳,杨玲波,等.基于无人机影像的农情遥感监测应用[J].农业工程学报,2013,18(29):136-146.
	[ Wang L M, Liu J, Yang L B, et al.Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(18):136-145. ]
[12]	闵文芳,江朝晖,李想,等.基于无人机平台和图像分析的田间作物检测[J].湖南农业大学学报,2017,43(2):212-216.
	[ Min W F, Jiang Z H, LI X, et al.Area measurement for field crops based on UAV platform and image analysis[J]. Journal of Hunan Agricultural University(Natural Sciences), 2017,43(2):212-216. ]
[13]	Seungtaek J, Jonghan K, Mijeong K, et al.Construction of an unmanned aerial vehicle remote sensing system for crop monitoring[J]. Journal of Applied Remote Sensing, 2016,10(2):1-14.
[14]	Zhou X, Zheng H B, Xu X Q, et al.Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017,130:246-255.
[15]	吴金胜,刘红利,张锦水.无人机遥感影像面向对象分类方法估算市域水稻面积[J].农业工程学报,2018,34(1):70-77.
	[ Wu J S, Liu H L, Zhang J S.Paddy planting acreage estimation in city level based on UAV images and object-oriented classification method[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018,34(1):70-77. ]
[16]	王慧. PhotoScan在无人机遥感影像数据处理中的应用[J].测绘与空间地理信息,2017,40(5):109-111.
	[ Wang H.Application of PhotoScan in UAV remote sensing image data processing[J]. Geomatics and Spatial Information Technology, 2017,40(5):109-111. ]
[17]	王峰,吴云东.无人机遥感平台技术研究与应用[J].遥感信息,2010(2):114-118.
	[ Wang F, Wu Y D.Research and application of UAS borne remote sensing[J]. Remote Sensing Information, 2010(2):114-118. ]
[18]	曹宝,秦其明,马海建,等.面向对象方法在SPOT5遥感图像分类中的应用-以北京市海淀区为例[J]. 地理与地理信息科学,2006,22(2):46-49.
	[ Cao B, Qin Q M, Ma H J, et al.Application of object-oriented approach to SPOT5 image classification: A case study in Haidian District, Beijing City[J]. Geography and GEO-Information Science, 2006,22(2):46-49. ]
[19]	何少林,徐京华,张帅毅.面向对象的多尺度无人机影像土地利用信息提取[J].国土资源遥感,2013,25(2):107-112.
	[ He S L, Xu J H, Zhang S Y.Land use classification of object-oriented multi-scale by UAV image[J]. Remote Sensing For Land and Resources, 2013,25(20):107-112. ]
[20]	李秦,高锡章,张涛,等.最优分割尺度下的多层次遥感地物分类实验分析[J].地球信息科学学报,2011,13(3):409-417. doi: 10.3724/SP.J.1047.2011.00409
	[ Li Q, Gao X Z, Zhang T, et al.Optimal segmentation scale selection and evaluation for multi-layer image recognition and classification[J]. Journal of Geo-information science, 2011,13(3):409-417. ] doi: 10.3724/SP.J.1047.2011.00409
[21]	Lucian D, Dirk T Shaun R. ESP: A tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010,24(6):859-871. doi: 10.1080/13658810903174803
[22]	孙家波. 基于知识的高分辨率遥感影像耕地自动提取技术研究[D].北京:中国农业大学,2014.
	[ Sun J B.Study on automatic cultivated land extraction from high resolution satellite imagery based on konwledge[D]. Beijing: China Agricultural University, 2014. ]
[23]	全国绿化委员会办公室. 2017年中国国土绿化状况公报[N].人民日报,2018-03-13(017).
	[ National Aflorestation Environmental Protection Commission. Bulletins on aflorestation environmental situations of China in2017[N]. People's Daily, 2018-03-13(017). ]
[24]	李明,黄愉淇,李绪孟,等.基于无人机遥感影像的水稻种植信息提取[J].农业工程学报,2018,34(4):108–114.
	[ Li M, Huang Y Q, Li X M, et al.Extraction of rice planting information based on remote sensing image from UAV[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018,34(4):108-114. ]

飞行器		相机
参数名称	参数指标	参数名称	参数指标
重量	743 g（包含云台保护罩）	影像传感器	1/2.3 英寸CMOS;有效像素1235万（总像素1271万）
最大水平飞行速度	65 km/h（运动模式,海平面附近无风环境）	镜头	FOV 78.8° 28 mm（35 mm 格式等效）f/2.2 对焦点:0.5 m至无穷远;畸变<1.5%
飞行时间	27min（无风环境 25 km/h 匀速飞行）	ISO 范围	100~1600（照片）
综合续航	21 min（普通机动,剩余15%电量）	电子快门速度	8~1/8000 s
最远续航里程	13 km（无风环境）	照片最大分辨率	4000×3000

分类方法	地物类别	水稻	莲藕	树木	裸地	菜地	道路	沟渠	用户精度/%
最邻近法	水稻	42				1		1	95
	莲藕		2	1					67
	树木			9		2		1	75
	裸地				12	1			92
	菜地					6			100
	道路				1	1	5		71
	沟渠						1	3	75
	制图精度/%	100	100	90	92	55	83	60
	总体精度/%	89
	kappa系数	0.84
支持向量机法	水稻	42							100
	莲藕		2	1		2			40
	树木			9		2		1	100
	裸地				12	1			88
	菜地					6			43
	道路				1	1	5		100
	沟渠						1	3	42
	制图精度/%	100	100	90	54	55	67	60
	总体精度/%	82
	kappa系数	0.75
随机森林法	水稻	42		1					98
	莲藕		2			1			67
	树木			8				1	100
	裸地				12	3			80
	菜地					7		2	78
	道路				1		4		80
	沟渠			1			2	3	50
	制图精度/%	100	100	80	92	64	67	60
	总体精度/%	88
	kappa系数	0.73

类别	实测面积/m²	最邻近法		支持向量机法		随机森林法
类别	实测面积/m²	预测面积/m²	相对误差/%	预测面积/m²	相对误差/%	预测面积/m²	相对误差/%
水稻	16 508	16 385	0.75	15 876	3.83	16 112	2.40
裸地	1612	1597	0.93	531	67.06	1699	5.40
菜地	1242	1179	5.07	1980	59.42	1962	57.97
沟渠	1077	1067	0.93	1695	57.38	1385	28.60
莲藕	482	427	11.41	1410	192.53	567	17.63
树木	1628	1817	11.61	1157	28.93	866	46.81
道路	483	561	16.15	384	20.50	442	8.49

无人机影像的面向对象水稻种植面积快速提取

Object-oriented Rapid Estimation of Rice Acreage from UAV Imagery

RichHTML

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 24

相关文章 12

Metrics

本文评价

推荐阅读 0

[1]	谭深, 吴炳方, 张鑫. 基于Google Earth Engine与多源遥感数据的海南水稻分类研究[J]. 地球信息科学学报, 2019, 21(6): 937-947.
[2]	李中元, 吴炳方, 张淼, 邢强, 李名勇, 闫娜娜. 利用物候差异与面向对象决策树提取油菜种植面积[J]. 地球信息科学学报, 2019, 21(5): 720-730.
[3]	刘怡媛, 肖池伟, 李鹏, 刘影, 饶滴滴. 基于CR_NBR物候算法的西双版纳橡胶成林提取及时空变化研究[J]. 地球信息科学学报, 2019, 21(3): 467-474.
[4]	宋盼盼, 杜鑫, 吴良才, 王红岩, 李强子, 王娜. 基于光谱时间序列拟合的中国南方水稻遥感识别方法研究[J]. 地球信息科学学报, 2017, 19(1): 117-124.
[5]	尤慧, 高华东, 苏荣瑞, 刘凯文, 肖玮钰. 基于多时相中分辨率时间过程特征的江汉平原棉花种植面积变化监测[J]. 地球信息科学学报, 2016, 18(8): 1141-1149.
[6]	朱良, 平博, 苏奋振, 杜云艳, 苏伟光. 多时相TM影像决策树模型的水稻识别提取[J]. 地球信息科学学报, 2013, 15(3): 446-451.
[7]	魏新彩, 王新生, 刘海, 徐静. HJ卫星图像水稻种植面积的识别分析[J]. 地球信息科学学报, 2012, 14(3): 382-388.
[8]	高建峰, 潘剑君, 刘绍贵, 姜小三. 土地利用变化对吴江市水田土壤有机碳储量的影响分析[J]. 地球信息科学学报, 2011, 13(2): 164-169.
[9]	刘莎, 任红艳, 史学正, 潘剑君, 王洪杰. 水稻土有机碳密度的空间预测分析——以浙江省长兴县为例[J]. 地球信息科学学报, 2010, 12(2): 180-185.
[10]	任红艳, 庄大方, 潘剑君, 邱冬生. 铅污染水稻的冠层高光谱特征研究[J]. 地球信息科学学报, 2008, 10(3): 314-319.
[11]	陈沈斌, 廖顺宝, 王卷乐, 杨星卫. 精准水稻种植信息系统结构、管理与应用[J]. 地球信息科学学报, 2003, 5(4): 38-42.
[12]	廖顺宝, 陈沈斌, 谢高地. 精准水稻种植信息系统的分析与设计[J]. 地球信息科学学报, 2003, 5(1): 54-57.