基于無人機遙感技術的玉米種植信息提取方法研究

韓文霆 李 廣 苑夢嬋 張立元 師志強

(1.西北農林科技大學機械與電子工程學院， 陜西楊凌 712100；2.西北農林科技大學水土保持研究所， 陜西楊凌 712100)

基于無人機遙感技術的玉米種植信息提取方法研究

韓文霆1,2李 廣1苑夢嬋1張立元1師志強1

(1.西北農林科技大學機械與電子工程學院， 陜西楊凌 712100；2.西北農林科技大學水土保持研究所， 陜西楊凌 712100)

使用無人機遙感試驗獲取的可見光圖像研究拔節期玉米種植信息提取方法。首先確定感興趣區地物種類，包括：玉米、小麥、向日葵、樹苗和裸地；然后分別統計計算5類地物的27項紋理特征，比較各類地物特征的種內變異系數和與玉米的相對差異系數，選出適宜提取玉米種植信息的特征。經過分析發現，僅用一個特征參數難以準確提取玉米種植信息，需要各特征組合分層分類提取玉米信息。最后確定綠色均值、藍色協同性和紋理低通植被指數TLVI為玉米種植信息提取特征。經過對初步提取結果的分析，發現分類后的小麥地和樹苗地中仍殘留有與玉米區特征相同的斑塊，玉米地中有與非玉米區特征相同的斑塊，結合兩種斑塊各自形狀面積分布的獨特性，分別實現殘留斑塊去除和玉米地錯分斑塊保留，完成玉米種植信息提取。選取與感興趣區影像同時期不同區域的兩幅影像進行方法驗證，結果表明：該方法對玉米種植信息提取有較好效果，面積提取誤差在20%以內，對用無人機可見光遙感影像進行玉米種植信息提取具有一定的適用性。

遙感； 無人機； 可見光圖像； 紋理低通植被指數； 種植信息提取； 玉米

引言

我國玉米種植面積達0.2億hm2，已成為糧食、飼料、工業原料和出口商品等多用途作物，玉米產量不僅關系到中國糧食安全，還影響玉米產業的經濟效益[1-3]。準確獲取玉米種植面積及其空間分布，對實現玉米田間精準化管理，優化玉米種植空間格局，獲取玉米最大產出比有著重要意義[4-5]。目前，獲取作物種植信息的方法主要有人工法和遙感法[6]。人工法靠人工統計玉米種植信息，費時費力，效率低下。遙感法是根據遙感影像中玉米與其它非玉米地塊在各個特征變量的差異，獲取玉米種植信息的方法[7]。常用的遙感分類法是利用衛星遙感技術進行種植分類，該方法存在成本高、作業周期長等缺點。

無人機遙感技術具有數據獲取平臺易建、成本低、體積和質量小、操作簡便、靈活性高、作業周期短等特點，可實現對田間每一操作單元地物種植信息快速精準獲取，在精準農業信息獲取方面大有用處[8-13]。如SUZUKI等[14]成功研制了可搭載可見光和近紅外相機的無人機系統，能夠自動獲取大面積的多光譜圖和提取圖中植被指數；TORRES-SANCHEZ等[15]利用高分辨率無人機遙感圖像采用面向對象法，實現了非草本作物的田間雜草識別；GARCIA-RUIZ等[16]使用無人機遙感影像對植被黃龍病進行監測；MITCH等[17]使用無人機低空拍攝可見光影像，基于植被的光譜和紋理信息對影像中的植被進行分類。

考慮到無人機搭載傳感器的適用性和成本等原因，對僅含可見光波段無人機遙感影像的使用更廣泛[18-24]。因此本文針對僅含可見光波段的無人機影像，開展玉米種植信息提取方法研究，以期獲取一種能夠快速有效提取玉米種植信息的方法，擴大無人機遙感的應用范圍，促進無人機遙感的定量應用。

1 數據來源

1.1 研究區域概況

內蒙古自治區巴彥淖爾市磴口縣補隆淖爾鎮壩楞村(107.04°E、40.41°N)地處河套灌區內，屬溫帶大陸性季風氣候。冬季寒冷漫長，春季短暫，夏季炎熱少雨，日照充足，熱量豐富、晝夜溫差大。作物種植制度為一年一熟，種植的農作物主要是春小麥、春玉米、向日葵。一般4月10日左右完成春小麥播種，同年8月10日左右收獲完畢；4月27日左右完成春玉米播種，同年9月7日左右收獲；6月10日左右完成向日葵播種，同年10月10日左右收獲。

1.2 數據獲取

本研究數據于2015年6月27日在內蒙古自治區磴口縣補隆淖爾鎮壩楞村二社由固定翼無人機遙感試驗獲得。采用北京天宇創通科技有限公司生產的T-EZ(特易飛)固定翼無人機系統，采用彈射方式起飛，傘降方式降落,該機翼展達1.8 m，機身長達0.8 m，起飛質量4 kg；搭載Sony A5100非測繪數碼相機,設置相機快門速度1/1 250 s，感光度為200(根據天氣狀況設置)，全景對焦，與無人機飛控相連。6月27日，天氣晴好，地面風速小于4級，適于航拍。試驗設計飛行航高390 m，航線12條，總航線48 km，航向重疊度70%，旁向重疊度65%；航拍獲取區域及附近地區520幅圖片。

1.3 數據處理

航空影像通過Agisoft PhotoScan軟件進行影像快速拼接，整個工作流程由軟件自動完成。首先Agisoft PhotoScan利用POS數據通過尋找同名點的方法完成數據定向及點云提取，然后通過地面控制點GCP數據進行點云數據的幾何校正及地理信息配準，最終經過立體建模、賦予紋理，獲取符合《數字航空攝影測量空中三角測量規范》中對1∶10 000平地平面精度要求的圖像[25-26]。拼接結果真彩色圖像見圖1a。通過目視分析原始圖像和地面調查的數據，確定無人機遙感試驗獲取到了拔節期玉米、灌漿期小麥、幼苗期向日葵、樹苗和裸地的圖像。

感興趣區域真彩色圖像見圖1b。圖像空間分辨率為0.1 m，以JPG格式存儲；圖像存儲了地物紅、綠、藍3種色彩的灰度信息，每種色彩含8位字節信息，數值范圍0～255。

2 玉米種植信息提取方法

2.1 感興趣區域圖像中地物特征分析

通過對感興趣區域圖像的紋理特征分析，評選出能夠提取出玉米種植信息的特征參數，為最終提取玉米種植信息提供依據。

2.1.1 單特征統計分析與選取

圖1 感興趣區域選擇Fig.1 Region selection of interest

本研究使用的JPG圖像在光譜特征方面只能提供紅、綠、藍3個波段的灰度信息，不能提供其他光譜信息，如近紅外波段、熱紅外波段和短波紅外波段等灰度信息；但通過不同紋理濾波處理可得到圖像各方面的紋理特征。不同紋理濾波處理對圖像各紋理特征有增強的作用，對玉米種植信息提取有幫助。因此本研究分別對圖像進行二階概率統計濾波和卷積低通濾波[27]，得到紅、綠、藍3個波段各自的均值、方差、協同性、對比度、相異性、信息熵、二階矩、相關性、低通灰度等共27項紋理特征。數據處理軟件使用ENVI5.1，二階概率濾波的窗口設置為7×7，空間相關性矩陣X和Y的變換量分別為1和1；卷積低通濾波窗口設置為7×7。

通過對圖1b所示感興趣區域影像的觀察，可知感興趣區域包括相對較多的玉米地塊、小麥地塊、裸地地塊以及相對較少的向日葵地塊和樹苗地塊。為了使感興趣區域地物的紋理信息統計更具代表性，選取不同地物的樣區時，應該盡可能使各地物樣區均勻分布于整個感興趣區域。使用ENVI5.1軟件中的統計功能，在感興趣區中選擇玉米樣區40個，裸地樣區60個，小麥樣區24個，向日葵樣區12個，樹苗樣區7個作為樣本，統計27項紋理特征參數的均值、方差；根據均值和方差計算得到變異系數；根據玉米和非玉米地物的各項特征參數的均值計算得到與玉米的差異。其中變異系數和與玉米差異的計算，參照文獻[28]中倒伏玉米和正常玉米紋理特征的變異系數和相對差異的計算方法，計算結果見表1。

表1統計了地物各項特征的變異系數以及與玉米的差異系數，其中，變異系數反映地物種內各項特征值的離散程度，離散程度越小說明該特征就越有可能成為該地物區別于其他地物的獨有特征；與玉米的相對差異系數反映非玉米地物與玉米之間該特征的差異性，差異系數越大越容易區分玉米與非玉米地物。通過分析發現，各項特征的變異系數和與玉米的差異系數有很大不同：在玉米區，特征變異系數最小為17.26%，最大為168%；裸地區，特征變異系數最小為12.74%，最大為251.58%；向日葵區，特征變異系數最小為9.2%，最大為195.83%；小麥區，特征變異系數最小為5.26%，最大為133.33%；樹苗區，特征變異系數最小為16.46%，最大為178.26%。玉米和裸地各項特征的相對差異系數最小值為25%，最大為137.85%；玉米和向日葵各項特征的相對差異系數最小值為3.85%，最大為111.74%；玉米和小麥各項特征的相對差異系數最小值為5.8%，最大為209.52%；玉米與樹苗各項特征的相對差異系數最小值為4%，最大為30.12%。獲取的27項特征參數，部分特征弱化了圖像中玉米與其他地物之間的差異，因此，并不是所有的新特征都能增強玉米與其他地物之間的差異。

不同地物在某一特征的數值范圍內可能存在重疊區，能提取玉米種植信息的特征在玉米和非玉米地物之間不存在重疊區或存在很小重疊區。根據表1中各地物的變異系數和與玉米差異系數的計算過程得知，這兩個參數能夠反映各地物在不同特征數值范圍內重疊區的大小，能夠提取玉米種植信息的特征需要具有較小的變異系數和較大的與玉米相對差異系數。因此，本研究對玉米種植信息提取特征選取原則為:具有較小的變異系數和較大的與玉米相對差異系數。具體過程：首先根據玉米和裸地的27項特征變異系數值排序，分別選取兩地物變異系數小的10項特征并進行對比，確定兩地物變異系數都小的特征，接著再根據裸地與玉米的相對差異系數進行排序，選取相對差異大的特征，最后得到6項可以區分玉米和裸地的特征。接下來以同樣的方式選取可以區分玉米與向日葵、玉米與小麥、玉米與樹苗的特征，最后得到2項可區分玉米和向日葵的特征，3項可區分玉米和小麥的特征，沒有得到可以區分玉米與樹苗的特征。

對單個特征的變異系數和與玉米相對差異系數排序評選，得到6項可以區分玉米和裸地的特征：紅色均值、綠色均值、藍色均值、低通紅色灰度、低通綠色灰度、低通藍色灰度；2項區分玉米和向日葵的特征：綠色均值和低通綠色灰度；3項區分玉米和小麥的特征：紅色協同性、綠色協同性、藍色協同性；綠色均值和低通綠色灰度都能區分圖中的玉米和裸地、玉米和向日葵，分析兩特征在玉米、裸地、向日葵的變異系數和相對差異系數，綠色均值在三地物的變異系數(17.26%，13.28%，9.2%)略小于低通綠色灰度的(17.86%，13.32%，9.37%)；與玉米相對差異系數方面，綠色均值的(89.92%，41.78%)略大于低通綠色灰度的(87.59%，40.66%)；因此綠色均值可以作為區分玉米和裸地、向日葵的特征。紅色協同性、綠色協同性、藍色協同性都可以區分玉米與小麥，對比玉米和小麥在三特征的變異系數，藍色協同性(30.91%，13.79%)、綠色協同性(30.36%，13.64%)、紅色協同性(30.36%，13.79%)的差異不大；與玉米相對差異系數方面，藍色協同性的58.18%大于綠色協同性的57.14%和紅色協同性的55.36%，因此可選藍色協同性作為區分玉米和小麥的特征。

表1 幾種地物變異系數和與玉米差異系數Tab.1 Variation coefficient of ground objects and their relative difference coefficient with maize %

2.1.2 模型特征的構建

通過變異系數和與玉米相對差異系數排序評選，得到了可以區分玉米和裸地、玉米和向日葵、玉米和小麥的特征，但沒得到可區分玉米和樹苗的特征。經過分析發現區分玉米和裸地、玉米和向日葵、玉米和小麥的特征都是單個的，而非幾個特征組合的模型。對植被指數的研究得知，多個圖像特征組合有增強圖像的作用，對分類及作物種植信息提取有幫助。基于圖像多特征組合的這一特點，本研究擬采用多個特征組合的方式，構建一個可以區分玉米和樹苗的特征。組合圖像特征進行地物分類，不但要考慮特征與地物間的關系，還要考慮到組合特征之間的關系，為了更清楚反映多特征組合實現分類的這兩層關系，需要構建以特征值為坐標，以作物類別為表示量的散點圖。以低通濾波紅色灰度值為橫坐標，以低通濾波藍色灰度值為縱坐標，構建樹苗和玉米的散點圖，見圖2。

圖2 玉米、樹苗散點圖Fig.2 Scatter diagram of maize and sapling

通過對圖2的分析，發現玉米和樹苗的散點在以低通濾波紅色灰度值為橫坐標、低通濾波藍色灰度值為縱坐標的二維坐標系里的分布存在明顯的分界線。樹苗的散點基本位于分界線的左上側，玉米的散點基本位于分界線的右下側，因此，可以確定散點圖中的分界線就是可以區分玉米與樹苗的特征。接下來，找出分界線附近分布的樹苗和玉米散點，根據散點分布坐標值進行一次線性擬合，可得到分界線的函數表達式即為區分玉米與小麥的特征。分界函數線性擬合見圖3。通過對邊界附近散點進行線性擬合得到邊界函數

y=0.785 1x+4.736 6

(1)

式中x——低通濾波后圖像紅色波段灰度y——低通濾波后圖像藍色波段灰度

因此，根據邊界函數表達式參考植物植被指數的構建方式可以構建區分玉米和樹苗的紋理低通植被指數

TLVI=B2-0.785 1B1-4.736 6

(2)

式中B1——低通濾波后圖像紅色波段灰度B2——低通濾波后圖像藍色波段灰度

圖3 玉米、樹苗區分特征的構建Fig.3 Features to distinguish maize and sapling

2.1.3 特征選擇結果

綜合2.1.1節和2.1.2節的研究結果，可以確定感興趣區域玉米種植信息提取特征：綠色均值區分區域內玉米和裸地、向日葵的特征；藍色協同性區分區域內玉米和小麥的特征；紋理低通植被指數TLVI區分感興趣區域內玉米和樹苗的特征。感興趣區域共5類地物，3項特征分離出4類非玉米地物，可實現感興趣區域玉米種植信息提取。

2.2 玉米種植信息提取

根據玉米種植信息提取特征選擇的結果，本研究采用特征組合分層分類法實現玉米種植信息提取。具體操作流程見圖4。

圖4 玉米種植信息提取流程圖Fig.4 Flow chart of maize planting information extraction

由圖4可知特征組合分層分類法的具體操作為：根據得到的3個特征，把玉米種植信息提取過程分為3層，第1層根據綠色均值閾值分離出感興趣區域裸地和向日葵的信息，第2層根據藍色協同性閾值分離出感興趣區域小麥的信息，第3層根據TLVI閾值分離出感興趣區域樹苗信息；最后將每層操作結果以掩膜的形式進行疊加得到玉米種植信息提取初步結果。由于玉米和其他非玉米地物在各自特征范圍內有小部分重合，用閾值分離非玉米地物時，有小部分非玉米地物信息被保留下來在圖中形成小斑塊，需要對其進行排除；同樣由于玉米和其他非玉米地物在各自特征范圍內有小部分重合，用閾值分離非玉米地物時，會把玉米地中小部分玉米信息分離出去，而造成提取的玉米地塊中有非玉米特征的小斑塊，需要提取這部分斑塊并保留成玉米的特征，完成玉米種植信息最終提取。

2.2.1 特征閾值確定

特征的閾值是通過地物特征統計差異表和特征的像元直方圖進行確定。玉米和幾類非玉米地物的特征值統計差異見表2，幾類特征值的像元直方圖見圖5。

表2 玉米與非玉米地物特征像元分布差異
Tab.2 Difference of mean of green and pixel value between maize, bare land and sunflower

各類地物綠色均值藍色協同性均值標準差均值標準差玉米14.071.420.590.11向日葵21.441.22裸地29.413.52小麥0.880.09樹苗

根據表2可確定各特征閾值大致范圍：綠色均值閾值大致為16～20；藍色協同性閾值大致為0.7～0.8。確定特征閾值的大致范圍后，可根據特征的像元直方圖在大致范圍內的波谷點像元值進一步確定閾值。

根據表2和圖5確定各特征閾值：綠色均值閾值為18，即綠色均值大于18的像素點為裸地或者向日葵，應當分離，保留綠色均值小于18的像素點；藍色協同性閾值為0.72，即藍色協同性值大于0.72的像素點為小麥，應當分離，保留藍色協同性小于0.72的像素點。TLVI是根據玉米和樹苗的散點分界線得到的，因此可以確定TLVI的閾值為零，即TLVI值大于零的像素點為樹苗，應當分離，保留TLVI值小于零的像素點。

圖5 各特征統計直方圖Fig.5 Histograms of each feature

2.2.2 殘留斑塊去除及錯分斑塊保留

初步提取的玉米地錯分小斑塊、非玉米地殘留小斑塊如圖6所示。由圖6a和圖6b可知初步提取的玉米地塊面積大，形狀復雜，殘留斑塊面積小，形狀簡單,可根據兩者的這一差異對殘留斑塊進行分離。具體方法：首先，在ENVI5.1中將玉米地塊和殘留小斑塊，以像元值范圍為條件生成一個感興趣特征區域；然后，將感興趣特征區域轉換成面狀矢量數據并求出每個面狀矢量數據的面積；最后，分析殘留小斑塊和提取玉米地塊的面積大小，可以得出，提取的玉米地塊面積較大，殘留小斑塊面積普遍較小，可以通過面積大小對小斑塊進行排除，而完成殘留小斑塊的去除。再由圖6a得知玉米地中錯分斑塊面積小且相互獨立封閉于玉米地塊內部，可根據錯分斑塊這一特征與操作后非玉米地塊實現分離。具體方法：首先，在ENVI5.1中將非玉米地塊和錯分斑塊，以像元值范圍為條件生成一個感興趣特征區域；然后，將感興趣特征區域轉換成面狀矢量數據并求出每個面狀矢量數據的面積；最后，分析提取的錯分小斑塊和非玉米地塊的面積大小，可以得出，提取的非玉米地塊面積較大，錯分小斑塊面積普遍較小，因此可以通過面積大小對錯分小斑塊進行保留，并與初步提取玉米地塊疊加得到玉米種植面積提取的最終結果。

圖6 玉米種植信息提取局部結果Fig.6 Partial extraction results of maize planting information extraction

3 玉米種植信息提取結果與驗證

3.1 玉米種植信息提取結果與分析

分別使用目視解譯和基于特征組合分層分類法提取玉米種植信息；以目視解譯提取的玉米種植信息作為實測值檢驗特征組合分層分類法的精度。目視解譯玉米種植信息提取法，根據地面調查數據和JPG圖像中玉米的特征勾畫出圖中所有玉米的分布與面積。感興趣區域內玉米的長勢存在梯度性，有的地塊已完全被玉米覆蓋，有的地塊基本看不到玉米特征，有的地塊一半被玉米覆蓋一半看不出玉米的特征。針對感興趣區域玉米生長的現狀，需要結合調查數據和圖像所呈現的玉米客觀狀態對感興趣區域進行目視解譯。玉米種植信息的目視解譯、特征組合分層分類初步提取結果和最終提取結果見圖7。

圖7 感興趣區域提取結果Fig.7 Extraction results of interest region

對比圖7a、圖7b和圖7c發現提取出的玉米在感興趣區域分布位置基本相同，說明基于特征組合分層分類提取玉米的方法能夠較準確定位感興趣區域玉米種植地塊的分布。分別統計目視解譯、特征組合分層分類初步提取結果和最終提取結果的玉米種植面積，并以目視解譯結果為實測值對初步提取和最終提取結果進行精度評價。

目視解譯獲取感興趣區域玉米的種植面積為76 855 m2，沒有小斑塊保留初步提取玉米地塊面積為60 895 m2，特征參數組合最終提取玉米地塊面積為70 859 m2。以目視解譯數據作為標準對特征參數組合玉米種植信息提取方法進行評價，得到玉米最終提取誤差為8%，玉米初步提取誤差為21%。由此可見，玉米地小斑塊保留方法能夠顯著降低玉米地面積提取誤差。

3.2 方法驗證

上述研究結果表明，針對JPG可見光圖像的玉米種植信息提取，采用特征組合分層分類法能達到一定的精度。為了驗證該方法的適用性與可靠性，本文隨機選擇感興趣區域外的兩個區影像作為驗證數據，用與感興趣區域同樣的方法進行玉米種植信息提取及精度評價。兩驗證區域的目視解譯結果以及基于特征組合分層分類提取最終結果如圖8、9所示。

圖8 驗證區域1Fig.8 Verification region 1

圖9 驗證區域2Fig.9 Verification region 2

對比研究兩驗證區的目視解譯結果和基于特征組合分層分類提取結果，可以發現基于特征組合分層分類法提取玉米分布位置和目視解譯提取玉米分布位置基本相同，說明基于特征參數組合玉米種植信息提取方法能夠較精確定位玉米地分布。分別統計兩驗證區目視解譯、特征組合分層分類最終提取結果的玉米種植面積。并以目視解譯結果為實測值對最終提取結果進行精度評價。

驗證區域1和驗證區域2玉米地塊目視解譯面積分別為12 978.93 m2和5 768.47 m2，基于特征組合分層分類法提取面積分別為10 868.04 m2和4 961.95 m2，提取誤差分別為16.26%和13.98%。兩驗證區玉米地塊面積的提取誤差總體在20%以內，面積提取誤差較小。因此基于以上試驗及驗證結果，認為特征組合分層分類結合殘留小斑塊去除和錯分小斑塊保留方法基本適用于無人機可見光遙感圖像玉米種植信息提取，操作較簡單，提取誤差較小。

4 結論

(1)通過比較各地物在不同特征下的變異系數和與玉米相對差異系數確定了玉米種植信息提取的兩個單特征：綠色均值和藍色協同性；利用地物在不同波段組合坐標系下的散點分布特征構建了玉米種植信息提取模型特征TLVI；以兩個單特征和一個模型特征相組合分層分類方式實現玉米種植信息的初步提取。

(2)圖像特征組合分層分類提取玉米種植信息的方法，綜合利用了不同地物在不同特征下與玉米的差異性，通過設定閾值對圖中的非玉米地物進行逐一分離，能夠較準確的定位玉米地塊大致分布。

(3)根據初步提取結果中非玉米地殘留斑塊與提取的玉米地塊在面積大小方面的差異，對殘留斑塊進行去除，實現玉米種植信息提取的后續處理；根據玉米地中被錯誤分離斑塊獨立封閉且面積小的特征，實現錯分玉米斑塊與非玉米地塊間的分離，保留錯分斑塊并與初步提取的玉米地塊疊加完成玉米種植信息最終提取。該方法簡單有效，降低了玉米種植面積提取誤差。

(4)圖像特征組合分層分類結合殘留小斑塊去除和錯分小斑塊保留的方法，除了能較精確定位玉米地塊的分布，還可以較準確提取出玉米種植地塊的面積，面積提取誤差總體可以控制在20%以內。表明該方法在僅有可見光波段的無人機影像中，對玉米種植信息提取具有參考價值。

1 郭偉, 趙春江, 顧曉鶴, 等. 鄉鎮尺度的玉米種植面積遙感監測[J]. 農業工程學報, 2011, 27(9): 69-74. GUO Wei, ZHAO Chunjiang, GU Xiaohe, et al. Remote sensing monitoring of maize planting area at town level[J]. Transactions of the CSAE, 2011, 27(9): 69-74. (in Chinese)

2 郭慶海. 中國玉米主產區的演變與發展[J]. 玉米科學, 2010, 18(1): 139-145. GUO Qinghai. The development and evolution of the major maize producing areas in China[J]. Journal of Maize Sciences, 2010, 18(1): 139-145. (in Chinese)

3 黃青, 唐華俊, 周清波, 等. 東北地區主要作物種植結構遙感提取及長勢監測[J]. 農業工程學報, 2010, 26(9): 218-223. HUANG Qing, TANG Huajun, ZHOU Qingbo, et al. Remote-sensing based monitoring of planting structure and growth condition of major crops in Northeast China[J]. Transactions of the CSAE, 2010, 26(9): 218-223. (in Chinese)

4 ZHANG J, FENG L, YAO F. Improved maize cultivated area estimation over a large scale combining MODIS-EVI time series data and crop phenological information[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2014, 94: 102-113.

5 LV T, LIU C. Study on extraction of crop information using time-series MODIS data in the Chao Phraya Basin of Thailand[J]. Advances in Space Research, 2010, 45(6): 775-784.

6 張榮群, 王盛安, 高萬林, 等. 農作物種植格局對遙感分類精度的影響[J/OL]. 農業機械學報, 2016, 47(10): 318-324. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20161040&flag=1.DOI:10.6041/j.issn.1000-1298. 2016.10.040. ZHANG Rongqun, WANG Sheng’an, GAO Wanlin, et al. Effects of crop planting structure on remote sensing classification accuracy[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(10):318-324. (in Chinese)

7 LIU M W, OZDOGAN M, ZHU X J. Crop type classification by simultaneous use of satellite images of different resolutions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(6): 3637-3649.

8 趙春江. 農業遙感研究與應用進展[J/OL]. 農業機械學報,2014,45(12):277-293.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20141241&flag=1.DOI:10.6041/j.issn.1000-1298. 2014.12.041. ZHAO Chunjiang. Advances of research and application in remote sensing for agriculture[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12):277-293. (in Chinese)

9 李瑾, 馮獻, 郭美榮. 我國農業信息化發展的形勢與對策[J]. 華南農業大學學報:社會科學版, 2015,14(4): 9-19. LI Jin, FENG Xian, GUO Meirong. Analysis and countermeasures for the development of agricultural informatization in China[J]. Journal of South China Agricultural University:Social Science Edition, 2015,14(4): 9-19. (in Chinese)

10 王博. 我國農業信息技術發展存在的問題及發展方向[J]. 農業科技與裝備, 2015(11): 67-68. WANG Bo. Problems existing in the development of agricultural information technology and its trend in China[J]. Agricultural Science & Technology and Equipment, 2015(11): 67-68. (in Chinese)

11 史舟,梁宗正,楊媛媛,等. 農業遙感研究現狀與展望[J/OL]. 農業機械學報, 2015, 46(2): 247-260. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150237&flag=1.DOI:10.6041/j.issn.1000-1298.2015.02.037. SHI Zhou, LIANG Zongzheng, YANG Yuanyuan, et al. Status and prospect of agricultural remote sensing[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247-260. (in Chinese)

12 汪沛, 羅錫文, 周志艷, 等. 基于微小型無人機的遙感信息獲取關鍵技術綜述[J]. 農業工程學報, 2014, 30(18): 1-12. WANG Pei, LUO Xiwen, ZHOU Zhiyan, et al. Key technology for remote sensing information acquisition based on micro UAV[J]. Transactions of the CSAE, 2014, 30(18): 1-12. (in Chinese)

13 薛新宇, 蘭玉彬. 美國農業航空技術現狀和發展趨勢分析[J/OL]. 農業機械學報, 2013, 44(5): 194-201. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130534&flag=1.DOI:10.6041/j.issn.1000-1298.2013.05.034. XUE Xinyu, LAN Yubin. Agricultural aviation applications in USA[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(5): 194-201. (in Chinese)

14 SUZUKI T, AMANO Y, TAKIGUCHI J, et al. Development of low-cost and flexible vegetation monitoring system using small unmanned aerial vehicle[C]∥Proceedings of 2009 ICCAS-SICE, 2009:4808-4812.

15 TORRES-SANCHEZ J, PENA J M, DE CASTRO A I, et al. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV[J]. Computers and Electronics in Agriculture, 2014, 103: 104-113.

16 GARCIA-RUIZ F, SANKARAN S, MAJA J M, et al. Comparison of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees[J]. Computers & Electronics in Agriculture, 2013, 91: 106-115.

17 MITCH B, ALISTAIR R, FABIO R, et al. Airborne vision-based mapping and classification of large farmland environments[J]. Journal of Field Robotics, 2010, 27(5): 632-655.

18 李德仁, 李明. 無人機遙感系統的研究進展與應用前景[J]. 武漢大學學報:信息科學版, 2014, 39(5): 505-513. LI Deren, LI Ming. Research advance and application prospect of unmanned aerial vehicle remote sensing system[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5): 505-513. (in Chinese)

19 汪小欽, 王苗苗, 王紹強,等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業工程學報, 2015, 31(5): 152-157. WANG Xiaoqin, WANG Miaomiao, WANG Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the CSAE, 2015, 31(5): 152-157. (in Chinese)

20 魯恒, 付蕭, 賀一楠, 等. 基于遷移學習的無人機影像耕地信息提取方法[J/OL]. 農業機械學報, 2015, 46(12): 274-279,284. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20151237&flag=1.DOI: 10.6041/j.issn.1000-1298. 2015.12.037. LU Heng, FU Xiao, HE Yi’nan, et al. Cultivated land information extraction from high resolution UAV images based on transfer learning[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(12):274-279,284. (in Chinese)

21 楊偉鋒, 洪津, 喬延利, 等. 無人機載偏振CCD相機光機系統設計[J]. 光學技術, 2008, 34(3): 469-472. YANG Weifeng, HONG Jin, QIAO Yanli, et al. Optical-mechanical system design of unmanned aerial vehicle polarization CCD camera[J]. Optical Technique, 2008, 34(3): 469-472. (in Chinese)

22 袁利平, 陳宗基. 一種新型多無人機系統體系結構的設計[J]. 系統仿真學報, 2008, 20(22): 6137-6141. YUAN Liping, CHEN Zongji. Design of new architecture for multi-UAV systems[J]. Journal of System Simulation, 2008,20(22): 6137-6141. (in Chinese)

23 李冰, 劉镕源, 劉素紅, 等. 基于低空無人機遙感的冬小麥覆蓋度變化監測[J]. 農業工程學報, 2012, 28(13): 160-165. LI Bing, LIU Rongyuan, LIU Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the CSAE, 2012, 28(13): 160-165. (in Chinese)

24 王利民, 劉佳, 楊玲波, 等. 基于無人機影像的農情遙感監測應用[J]. 農業工程學報, 2013, 29(18): 136-145. WANG Limin, LIU Jia, YANG Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the CSAE, 2013, 29(18): 136-145. (in Chinese)

25 劉峰, 劉素紅, 向陽. 園地植被覆蓋度的無人機遙感監測研究[J/OL]. 農業機械學報, 2014,45(11):250-257. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20141139&flag=1.DOI:10.6041/j.issn.1000-1298. 2014.11.039. LIU Feng, LIU Suhong, XIANG Yang. Study on monitoring fractional vegetation cover of garden plots by unmanned aerial vehicles[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(11):250-257. (in Chinese)

26 張小宏,趙生良,陳豐田. Agisoft photoscan在無人機航空攝影影像數據處理中的應用[J]. 價值工程, 2013(20): 230-231. ZHANG Xiaohong, ZHAO Shengliang, CHEN Fengtian. The application of Agisoft photoscan in UAV aerial photographic image data processing[J]. Value Engineering, 2013(20): 230-231. (in Chinese)

27 HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural features for image classification[J]. IEEE Transactions on Systems Man & Cybernetics,1973,SMC-3(6): 610-621.

28 李宗南, 陳仲新, 王利民, 等. 基于小型無人機遙感的玉米倒伏面積提取[J]. 農業工程學報, 2014, 30(19): 207-213. LI Zongnan, CHEN Zhongxin, WANG Limin, et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle[J]. Transactions of the CSAE, 2014, 30(19): 207-213. (in Chinese)

Extraction Method of Maize Planting Information Based on UAV Remote Sensing Techonology

HAN Wenting1,2LI Guang1YUAN Mengchan1ZHANG Liyuan1SHI Zhiqiang1

(1.CollegeofMechanicalandElectronicEngineering,NorthwestA&FUniversity,Yangling,Shaanxi712100,China2.InstituteofSoilandWaterConservation,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

A method of information extraction for maize at jointing stage was described by using the high-resolution visible images, which were obtained by the unmanned aerial vehicle (UAV) remote sensing system. The 27 texture features of five ground objects were calculated separately, including maize, wheat, sunflower, sapling and bare land in the region of interest obtained by using co-occurrence measures and convolutions low pass. Comparing the variation coefficient of five ground objects and the relative difference with maize, the mean of green, homogeneity of blue and texture low pass vegetation index (TLVI) were chosen as the feature to obtain planting information of maize. In order to distinguish the maize land and sapling land, the TLVI was built by using scatter diagram in which theX-axis was the low-pass red band and theY-axis was the low-pass blue band of maize land and sapling land. In the preliminary result, it was found that there were patches which had the same feature with maize land in wheat land and sapling land and patches of other kinds in the maize land. By analyzing the uniqueness of shape and area of two kinds of patches, the other patches were removed and the patches of maize land were retained. In order to verify the applicability and the reliability of the method, two different images which were in the same period with the region of interest were chosen to process by using the same method. The results indicated that the method could extract planting information of maize through using the high-resolution visible images obtained by the UAV remote sensing system and the area extraction error was less than 20%.

remote sensing; unmanned aerial vehicle; visible image; texture low pass vegetation index; planting information extraction; maize

10.6041/j.issn.1000-1298.2017.01.018

2016-04-24

2016-06-02

國家國際科技合作項目(2014DFG72150)和楊凌示范區工業項目(2015GY-03)

韓文霆(1972—)，男，研究員，博士生導師，主要從事農業無人機遙感與精準灌溉技術研究，E-mail： hanwt2000@126.com

S2； TP75

A

1000-1298(2017)01-0139-09