EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 5: 789 - 798

DOI: https://doi.org/10.12082/dqxxkx.2019.180418

遥感科学与应用技术

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 , *
展开
  • 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
*通讯作者：吴炳方（1962-）,男,江西玉山人,博士,研究员,主要从事农业与生态系统遥感研究。E-mail:

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:

收稿日期: 2018-08-29

  要求修回日期: 2019-02-20

  网络出版日期: 2019-05-25

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）

收起

Object-oriented Rapid Estimation of Rice Acreage from UAV Imagery

  • WU Fangming ,
  • ZHANG Miao ,
  • WU Bingfang , *
Expand
  • State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
*Corresponding author: WU Bingfang, E-mail:

Received date: 2018-08-29

  Request revised date: 2019-02-20

  Online published: 2019-05-25

Supported by

Science and Technology Service Network Initiative (STS), No.KFJ-STS-ZDTP-009

National Natural Science Foundation of China, No. 41561144013, 41861144019, 41701496.

Copyright

《地球信息科学学报》编辑部 所有
Fold

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

本文引用格式

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

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

1 引言

粮食产量是重要的社会经济信息,目前用于获取粮食产量的农业遥感监测系统主要有美国国家农业统计局的美国作物分布数据发布平台CropScape、欧盟联合研究中心的农业遥感监测MARS项目和中国科学院遥感与数字地球研究所的农情速报系统CropWatch[1]。由于低分辨率遥感影像在作物面积提取方面的不确定性较大,高分辨率遥感影像因其幅宽小、重访周期长,再加上云雨天气的影响,无法在作物生育期内实现全覆盖,因此,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面积作物种植面积提取中得到广泛使用[2,3,4]。农情采样的数据可以对大尺度农情遥感的结果进行标定、验证和计算作物种植面积。美国国家农业统计局以遥感数据为基础,通过与农场主合作建立了农业统计的采样框架,开展农作物种植面积估算研究。欧盟MARS项目通过高分辨率影像进行大量的样方抽样,由各个成员国统计部门的调查数据获取各种作物的种植比例和面积[5]。CropWatch系统基于2个独立抽样框架进行地面调查方案制定,使用调查不同区划单元或行政单元内的各类农作物种植成数信息和抽样技术相结合的方法来估算农作物种植面积[6]。
美国和欧盟的耕地地块面积大,而且作物种植结构相对简单,因此便于地面统计和影像判读,中国由于受到自然条件、人口密度以及土地政策等方面的影响,大部分耕地地块面积小,种植结构复杂。CropWatch利用中国主要耕作区路网密度高这一特点,设计了GVG农情采样系统[7],基于手机开发的GVG软件实现了农作物种植状况照片的随时随地快速采集,每年获得的作物种植结构调查数据记录可达几十万余条,为作物种植成数和种植面积估算提供大量地面观测数据支撑。然而随着中国城镇化和道路绿化的快速发展,在城镇周边地区和路旁遮挡物较多时影响了GVG软件进行作物照片的拍摄,能够采集到的有效图片数量比例下降。
近年来,无人机技术的飞速发展,无人机影像具有低成本、高时效、高分辨率的一系列优点,开始应用在土地资源调查、抢险救灾[8]、智慧城市、数字考古、三维实景、新农村建设等领域中并保持快速增长趋势[9],也为农业领域中农作物长势监测、种植面积提取与作物害虫防治等提供了解决方案,预计2018年无人机在美国农情监测的应用比例将提升至16%[10]。中国农业科学院王利民等[11]对无人机影像在农情监测方面的应用进行了初步研究,开展了无人机影像获取春玉米、夏玉米、苜蓿和裸土 4 种地物类型地面数据的采集和正射影像图制作、面积提取。闵文芳等[12]对无人机影像采用 BP 神经网络分类器和像素累加法进行小麦、油菜、蚕豆和大蒜4种作物识别和面积测量,表明无人机影像在玉米、小麦、油菜等农作物遥感监测方面的应用是切实可行且能达到较高的精度。Seungtaek等[13]和Zhou等[14]利用无人机搭载多光谱相机分别对水稻长势和产量进行了监测。吴金胜等[15]利用面向对象分类方法对无人机影像进行水稻自动化识别,作为样方数据与卫星遥感全覆盖空间分布分类结果结合,采用分层联合比估计进行2014年单季晚稻面积估算。
考虑到农情采样过程中设备的便携性和使用的快捷性,本文采用便携式无人机Mavic Pro,对农情采样途中的水稻种植区进行航拍后获取可见光波段影像,使用Agisoft Photo Scan软件进行无人机影像快速拼接并生成厘米级分辨率的正射影像[16],基于面向对象的分割和最邻近监督分类方法对影像进行了样地区域内水稻面积快速提取。获取一种快速有效提取水稻种植面积的高精度方法,能促进农情采样效率与精度的提升,扩大无人机遥感的应用范围。

2 数据获取与预处理

2.1 数据获取

民用无人机可以分为无人固定翼飞机、旋翼无人机、伞翼无人机和其他类型的自主飞行设备四类[17]。本研究中,采用型号为Mavic Pro的无人机由深圳市大疆创新科技有限公司设计生产,主要参数见表1。无人机三轴增稳云台和可见光相机一体化设计,保证拍摄图像质量。Mavic Pro采用可折叠式设计,配备有4个可折叠悬臂式螺旋桨,从展开到起飞用时不到1 min,配合DJI GS Pro软件可以实现样地内自主航线规划和测绘,可以满足野外农情采样过程中设备的便携性和使用的快捷性要求,提高采样效率。
Tab. 1 Core specifications of the Mavic Pro UAV

表1 Mavic Pro 无人机飞主要参数

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
本研究数据于2017年5月29日于湖北省汉川市刘家隔镇小罗村的实验样地（113.78°E,30.76°N）由便携式无人机Mavic Pro航拍获得。实验样地以水稻种植为主,兼种植莲藕、蔬菜等多种农作物。样地与道路之间被房屋和树木所遮挡,无法利用原GVG系统采集到的有效图片。起飞时天气晴好,地面风速小于4级,适于航拍。设置无人机航拍高度为200 m,相机快门速度1/25 s,感光度100,航向重叠度70%,拍摄区域面积约为26 000 m2,空间分辨率可达0.04 m。通过实时查看影像,确定获取了包含水稻、莲藕、蔬菜等多种作物的影像。

2.2 数据预处理

无人机影像通过 Agisoft Photo Scan 软件进行拼接,可以设置整个工作流程由软件自动完成,并且可以使用GPU对处理过程进行加速。对导入的影像进行对齐时软件会根据影像坐标、高程信息、相似度自动排列影像并寻找同名点。软件基于预估的相机位置,每个相机对应的程序会计算出深度信息,组合成一个密集的点云,在生成密集点云后,基于点云生成多边形网格的三维模型。最后生成带有真实坐标的高分辨率的正射影像（DOM）,设置生成正射影像的分辨率为3.95 cm/pix和投影类型为WGS 84/UTM zone 49N (EPSG:32649),将正射影像进行全局拼接匀色存储到一个 TIFF 文件。拼接结果如图1所示。
Fig. 1 Orthophoto of the experimental UAV

图1 实验样地无人机正射影像

3 面向对象的影像分割和分类方法

无人机影像具有极高的空间分辨率、色彩鲜明的特点,能够更加细致表达地物纹理、形状、拓扑关系等方面信息。面向对象的分类方法在高分辨率影像分类中有着广泛的应用[18,19],因此也适合于无人机影像的分割和分类。在面向对象的分类过程中,基本的处理单元由单个像素变为由性质相同的多个像素组成的图像对象,使得信噪比得到显著增大,传统面向像素处理结果的“椒盐”现象被消除了。面向对象分类时除了使用地物光谱信息外,还充分利用地物几何形态信息及纹理信息,分类依据更加多元化增强了对地物类别的识别能力,从而使得分类精度得以明显提升。

3.1 面向对象影像分割

面向对象影像分割就是把影像按照一定独特性质的分成若干个特定的区域的技术和过程,被分割出的区域即影像对象。对于一种地物来说,分割后生成的多边形内各种特性既要在内部具有一致性和均匀性,又要能够很好的表现出该地物的独特性质,使其能够很好的与相邻类别地物区分开来,影像分割的边界不能太模糊,也不能太破碎[20]。样区内水稻种植相对比较集中,连片性好,可以选择较大的分割尺度。在易康（eCognition）软件中进行100、200、300、400、500、600不同尺度的分割,效果如图2所示。对比不同尺度下的影像分割效果,分割尺度为300时可以较准确地勾勒出地物的边界,既没有出现尺度为100、200时的大量破碎现象,也没有出现尺度为400、500、600时的欠分割对象。
Fig. 2 Comparison of the imagery segmentation results on multi-scales

图2 多个尺度影像分割对比

基于局部方差（Local Variance, LV）思想,Dragut等[21]开发了一种计算尺度工具（Estimation of Scale Parameter, ESP）来获得定量化的最佳分割尺度。本文以10为分割尺度步长,通过计算200~400内不同尺度下影像对象同质性的局部方差来评价分割效果,并将LV的变化率值ROC-LV（Rates of change of LV）来作为对象分割最佳尺度参数。如图3所示,横坐标为分割尺度,纵坐标分别为局部方差和变化率,当分割尺度为300时ROC-LV出现峰值并值最大,最终确定选取分割尺度为300,紧致度设置为 0.5,形状因子设置为0.1,对实验影像数据进行分割。分割结果如图4所示,分割后共生成140个对象,最小面积2.39 m2,最大面积3162.79 m2,平均每个对象面积225.61 m2。
Fig. 3 Optimal scale parameter determined by the ESP tool

图3 ESP工具计算得到的最优分割尺度

Fig. 4 Segmentation result of the UAV Image with the scale parameter set to 300

图4 无人机影像在尺度为300时的分割结果

3.2 影像监督分类

面向对象分类的能够综合利用无人机影像分割对象的光谱鲜明、形状和纹理清晰等特征对影像分类,其基本分类方法分有基于规则分类和监督分类2种。基于规则分类方法简单,对于一些特征明显的地物类别能够取得较好的效果,但是对于一些特征相似的地物类别区分效果则较差[22]。但是自然地物光谱特征复杂,存在同谱异物和同物异谱的情况,不存在一种规则（集）能够适应所有无人机影像,制定合适规则及选取阈值的需要根据使用的影像多次调整才能加以做出,使得基于规则分类不通普适适用于所有情况。监督分类常用的有最邻近算法、支持向量机和随机森林法。监督分类方法主要靠判别函数判断未知事物的特征和有限样本的的特征来决定待分样本所属的类别,较规则分类方法对于类间特征交叉或重叠较多的待分影像来说也可以适用。因此,本文选择利用监督分类对实验区影像进行地物分类。
对样地影像完成分割后目视解译,建立水稻、树木、莲藕、菜地、裸地、道路、沟渠共7个地物类别的体系。对分割生成的对象配置最邻近特征空间,选择24个样本进行训练,占分割对象的17%。水稻、树木、莲藕、菜地、裸地、道路、沟渠样本个数分别为8、3、2、2、4、3、2。因为分类精度与分类特征数量并不是成正比关系,冗余分类特征会造成计算量的增加,分类效率的降低,甚至是分类精度的降低,所以基于各个类别样本的特性,比较选定类各对象的RGB光谱、形状、纹理中的15个特征作为初始特征集,在易康软件中运用Feature Space Optimization工具找出可以在不同类的样本之间产生最大平均最小距离的特征组合,从图5中可以看出,随着特征维数的增加,刚开始样本之间的区分距离的变化明显增大,但是特征维数大于6后区分距离变化较小,特征维数大于10区分距离甚至出现了下降的现象。综合考虑计算量和分类精度同时根据优化结果确定选择红色光谱平均值、黄色光谱标准偏差、蓝色光谱标准偏差、最大化差异度量、形状密度和灰度共生矩阵对比度6个特征组合作为最优特征空间,从而避免分类过程中盲目使用多种特征所导致的计算量急剧增大、分类精度降低、分类特征冗余等问题。
Fig. 5 The relationship between class separability and the number of image features used for classification

图5 类间可分性（区分距离）与用于分类的特征数量的关系

在选定最优特征空间和感兴趣类别样本后,采用最邻近分类、支持向量机和随机森林法对影像对象进行分类,分类结果如图6所示。
Fig. 6 UAV imagery classification results by different supervised classification methods

图6 不同监督方法的无人机影像分类结果对比

4 精读评价及分析

为了验证基于无人机影像提取水稻信息的优越性与有效性,这里采用两种方法对结果进行分析,一种是利用计算混淆矩阵进行分类精度评估,另一种是将提取出来的水稻面积与实测的水稻面积对比,进行面积评估。考虑到无人机影像空间分辨率很高,验证数据可通过人工目视解译方式取得。

4.1 分类结果精度评价

遥感影像信息分类结果精度评价可以通过总体精度、制图精度、用户精度和kappa系数来进行综合进行评定。对于实验区影像,通过人工目视解译随机获取了89个验证对象,对比验证点与提取结果来判断提取的地物分类结果是否正确。经过统计计算可得,对于验证样地无人机影像地物总体精度最高的方法为最邻近分类法的89%,kappa系数为0.84,此时水稻的制图精度为100%,用户精度为95%,具体结果如表2所示。
Tab. 2 Landuse classification obfuscation matrix of verification samples

表2 验证样本地物分类混淆矩阵

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
无人机采集的影像虽然只有红绿蓝3种光谱信息,但是比卫星遥感影像具有清晰的形状和纹理信息。水稻其光谱、纹理和形状信息相对于其他地物来说较为明显容易区分,其中红色光谱平均值是区分植被覆盖对象（水稻、树木、菜地、莲藕）与非植被覆盖对象（裸地、水体、道路）颜色信息;树木的边界较破碎,形状密度较小,形状密度能有效区分颜色均值接近的水稻和树木;纹理特征灰度共生矩阵体现地物图象灰度关于方向、相邻间隔、变化幅度的综合信息,水稻、树木、菜地、莲藕、裸地、水体和道路均存在一定差异,是从地物中区分水稻地块的补充属性,因此水稻分类精度最高。道路、沟渠和其他地物的交叉较多,分类精度较低,菜地部分与树木且有相似特征,部分与裸地有相似特征,因此会出现错为树木或者裸地的情况,分类精度最低,但是较少出现错分为水稻的情况,并且菜地的面积也一般不大,对水稻的面积结果不会产生较大的影响。

4.2 面积结果精度评价

将无人机影像分类结果保存为shp文件,在ArcGIS中使用几何计算功能进行各个对象面积的计算,然后进行对各个类别进行汇总统计得到各个地物类型的面积。面积一致性检验方法如下：以不同类别地物影像目视解释结果面积为实测面积 S 1 ,以面向对象分类结果为预测面积 S 2 ,则面积相对误差e为：
e = S 1 - S 2 S 1 × 100 % （1）
由表3可见,使用无人机影像进行地物面积提取时,无人机影像分辨率高、色彩鲜明、地物形状和纹理特征清晰,将无人机影像和面向对象分类方法应用在水稻种植面积监测中的精度是可以保证的,特别是使用最邻近法相对误差仅为0.75%。
Tab. 3 Accuracy assessment for land surface acreage

表3 地物面积一致性精度

类别 实测面积/m2 最邻近法 支持向量机法 随机森林法
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

5 讨论

随着“美丽乡村”和“绿色道路”的快速发展,从保护农田,改善农村生活环境出发,加大了四旁植树、农田林网和村屯绿化美化力度,截至2017年底,全国公路绿化里程达264.4万km,绿化率达63.7%[23],传统的道路沿线GVG采集方法将越来越受到影响。本研究使用的便携式无人机起飞降落方式简单,且具有较高的拍摄效率,无人机能很快速地采集样方影像数据,克服GVG农情采样系统使用过程中不可避免地受到道路树木的干扰,飞越树木等障碍物进行数据采集提高了采集有效照片的效率,并且本文使用无人机进行采样还可以获取一定区域范围内的数据进行快速的作物面积提取和种植比例计算,比传统人工种植成数判断后再进行区域种植比例计算精度和效率均有明显提高。另外比起玉米、小麦等作物,水稻种植生长季多阴雨,光学卫星遥感受到影响,微波遥感影像分辨率也较低,数据时效性和质量难以保证,无机低空遥感更加机动灵活可以克服这一影响,补充部分数据的缺失。
吴金胜等[15]已经利用无人机影像和面向对象方法来提取水稻种植面积,其设定分割尺度为200,从19个特征中选取了10个特征用于分类,总体精度均高于93%,Kappa系数大于0.88,本文设定分割尺度为300,从16个特征中选取了6个特征用于最邻近分类法分类,采用更少的分类特征和更高的分割尺度,在减少计算量、提高分类效率的同时,水稻面积提取的精度也得到一定提高。李明等[24]选取水稻地块87块和其他地块354块作为训练样本,使用了基于二分类Logistic分类算法,本文选用24个样本用于最邻近分类法训练,训练样本个数明显减少,同时最优特征空间都选择了红色光谱平均值、最大化差异度量和灰度共生矩阵对比度,使用的光谱标准偏差和形态特征有所不同,对于验证样本,本文方法水稻分类精度和面积提取精度均略有提高。精度对比表明最邻近分类法对于较少的样本也有较好的分类精度,并且运用最邻近分类法还能提取出高分辨率无人机影像中更多的地物类型,比基于二分类Logistic分类算法用途更广泛。
由于便携式无人机续航时间及飞行高度的限制,本文获取的无人机影像幅宽和样地范围均比较小,使得样地地形变化不明显,地物类型有限,虽然目视对比了多个分割参数确定尺度优化范围后再运用ESP工具后定量分析,选择了分割尺度为300。但考虑到无人机影像高分辨率时区域地形变化性、地物类型丰富性和地理要素复杂性,本文得到的最优分割尺度难以适合各种区域特征的分割尺度。因此,根据无人机影像表现出的地表特征进行自适应性的多尺度自动分割算法有待进一步发展,使分割后的影像对象与真实地物能够达到较好的吻合度,同时减少尺度选择所需的时间。后续对不同地形、不同作物类型无人机影像面向对象的分类方法进行优化和整理,可获得类型全面、尺度多样、高质量的作物类型信息,为利用深度学习进行无人机影像作物分类建立训练样本数据集,将提高影像解译的自动化程度和智能化水平,促进农情采样范围扩展与效率的提升,提高粮食种植信息的采集速度。

6 结论

本文使用便携式无人机快速获取了被房屋和树木遮挡的包含有水稻、莲藕、菜地等多种农作物影像,运用Agisoft PhotoScan 软件进行影像拼接并生成高分辨率正射影像,运用目视判断和ESP工具相结合的方法较快确定了最佳分割尺度,优化选择红色光谱平均值、黄色光谱标准偏差、蓝色光谱标准偏差、最大化差异度量、形状密度和灰度共生矩阵对比度6个特征组合作为最优特征空间,采用面向对象的分割和3种常用监督分类方法对影像进行了地物分类和面积快速提取。采用目视解译分类结果进行最邻近、支持向量机和随机森林分类方法结果和面积进行了精度评价,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99.25%。
无人机可以不受地形限制起降快速,能够克服传统GVG 农情采集系统在路旁遮挡物较多时采集到的有效图片数量有限的缺点,为缺失区域提供作物种植信息。无人机影像虽然只有红绿蓝3种光谱信息,但是比卫星遥感影像具有更加清晰的形状和纹理信息,应用于统计平原地区样地水稻种植面积速度快、精度高,可以为大范围水稻种植面积、产量等信息的计算提供验证依据。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[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.粮食估产是我国长期以来进行的一项重要课题。近年来随着计算机技术和GPS技术的迅速发展，在种植面积提取方法上有了较大的进展。该文结合RS、GIS、GPS一体化体系，对农情采样系统的理论依据与工作方法进行了深入研究，在总结以往采样工作的基础上，提出了对统计资料进行一致性检验，分区建立采样线的方法。同时提出了用GIS归纳方法建立样线BUFFER区模型，从理论方面对采样方法进行讨论，从而完善了整个系统的理论基础。

[ 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.通过分析遥感技术在中国农作物种植面积估算中所遇到的难点 ,针对运行化的农作物遥感估产系统对主要农作物种植面积估算的需求 ,提出在农作物种植结构区划的基础上 ,采用整群抽样和样条采样技术相结合的方法 ,进行农作物种植面积估算。整群抽样技术利用遥感影像估算农作物总种植成数 ,样条采样是一种适合中国农作物种植结构特征的采样技术 ,用于调查不同农作物类别在所有播种作物中的分类成数。在中国现有的耕地数据库基础上 ,根据两次抽样获得的成数 ,计算得到具体某一种农作物类别的种植面积。最后给出了 2 0 0 3年早稻种植面积估算的实例。

DOI

[ 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. ]

[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.介绍了通过对GPS、VIDEO摄像头、GIS的综合集成 ,用于野外农作物采样的信息快速采集、定位和处理分析系统 ,简称为GVG农情采样系统。系统包括影像采集卡、视频摄像头、GPS接收卡、GPS天线和工控计算机 ,在野外采集时采用汽车为主要工作平台 ,以各级公路为样线进行动态采样。系统工作时实时采集GPS信号 ,捕捉视频影像 ,同时根据GPS位置自动获得GIS属性信息 ,并自动记录在后台数据库。野外工作结束后 ,系统提供的功能允许操作人员对每条记录的照片中各类农作物所占比例进行赋值 ,统计单元内各种作物的分类成数 ,包括采样线、县级、农业区划级和省级单元。GVG系统的自动数据采集方式和GIS支持下的图像分析和统计方法提高了数据的采集和室内数据分析的效率 ,同时保证了采样的精度 ,经过不同地区的精度检验 ,作为“中国农情遥感监测系统”的重要组成部分 ,在全国范围内对大宗农作物分类成数的监测精度达到 95 %以上。

DOI

[ 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. ]

[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.ObjectiveFirst,we expound the background of rise of UAVRSS in this paper.Then,we discuss thefoundation,problem,research progress and trends for development of UAVRSS from unmannedaerial platform,flight control and navigation,data transmission and storage,data processing,sensortechnology,airspace usage policy,and so on.Third,we set forth the necessity and significance of de-velopment of UAVRSS through UAVRSS applications and practices in many related industry domain.At last,we make recommendations on development of UAVRSS from science and technology policy,industry policy,financial policy and so on,respectively.

DOI

[ 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. ]

[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.为了快速、准确地提取我国海岸带地区土地利用及其变化信息,选择高分辨率遥感影像作为数据源,提出了最优分割尺度下的遥感多层次地物识别分类方法。首先,通过改进的局部方差法进行最优分割尺度的确定,建立影像中各对象的方差均值与变化率随分割尺度变化曲线,确定方差均值的峰值,以变化率开始呈现下降趋势时所对应的分割值为最优分割尺度参考;然后,针对地物分类特征差异选取各自适宜的分割尺度,建立多层次地物特征表达与规则,最后,实现最优尺度分割选择下的遥感多层次识别分类,即实现较大尺度下分割形成父对象,而较小尺度下分割出其若干子对象的目标,提出了快速、自动化获取土地利用/覆盖图的策略流程。本文选取了广东省珠海市海岸带地区作为实验区,利用多层次遥感分类方法进行地物识别分类。结果表明,其目视效果以及总体精度、Kappa系数,均优于传统方法和单一分割尺度下的影像分类方法。

DOI

[ 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. ]

[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.The spatial resolution of imaging sensors has increased dramatically in recent years, and so too have the challenges associated with extracting meaningful information from their data products. Object-based image analysis (OBIA) is gaining rapid popularity in remote sensing science as a means of bridging very high spatial resolution (VHSR) imagery and GIS. Multiscalar image segmentation is a fundamental step in OBIA, yet there is currently no tool available to objectively guide the selection of appropriate scales for segmentation. We present a technique for estimating the scale parameter in image segmentation of remotely sensed data with Definiens Developer庐. The degree of heterogeneity within an image-object is controlled by a subjective measure called the 鈥榮cale parameter鈥, as implemented in the mentioned software. We propose a tool, called estimation of scale parameter (ESP), that builds on the idea of local variance (LV) of object heterogeneity within a scene. The ESP tool iteratively generates image-objects at multiple scale levels in a bottom-up approach and calculates the LV for each scale. Variation in heterogeneity is explored by evaluating LV plotted against the corresponding scale. The thresholds in rates of change of LV (ROC-LV) indicate the scale levels at which the image can be segmented in the most appropriate manner, relative to the data properties at the scene level. Our tests on different types of imagery indicated fast processing times and accurate results. The simple yet robust ESP tool enables fast and objective parametrization when performing image segmentation and holds great potential for OBIA applications.

DOI

[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. ]

Options
文章导航

/

〈 〉