無人機遙感影像面向對象分類方法估算市域水稻面積

吳金勝，劉紅利，張錦水※

（1. 北京師范大學地表過程與資源生態國家重點實驗室，北京 100875；2. 北京師范大學地理科學學部遙感科學與工程研究院，北京 100875；3. 國家統計局山東調查總隊，濟南 250001）

0 引 言

中國是世界上最大的稻米生產國和消費國[1]，及時、準確地掌握水稻種植面積，對保證國家糧食安全具有重要的意義[2]。傳統以村級逐級上報的水稻種植面積調查方式，存在人為主觀干擾、效率低、工作量大等不足，無法滿足現實農業生產管理需求[1,3]。遙感與抽樣相結合的調查方式已經發展成為大規模農作物種植面積業務調查的主流技術[4-5]。如美國的“大面積農作物估產試驗”和農田數據層計劃、歐盟的MARS（monitoring agricultural with remote sensing）和 LUCAS（land use/cover area frame survey）計劃[6-10]，中國農情快速調查系統、國家統計局的農業統計遙感系統等[11-12]。

遙感與抽樣結合的方法能夠通過遙感數據建立不重、不漏的抽樣框，抽選樣本外業調查，校正區域遙感識別面積。其中，突破地面樣方快速采集是實施農作物種植面積遙感抽樣調查的關鍵。傳統樣方調查手段多以皮尺丈量[13]、PDA實地測量為主[14-15]，但是這些方法人力投入大、效率低，限制遙感抽樣調查技術在實際中的應用。無人機技術是利用無線電遙控和自備程序飛行的無人駕駛技術[16-17]，操作機動靈活，能夠及時獲取高分辨影像（優于0.5 m），在農業領域得到廣泛的應用[18-19]。其中，區域作物種植面積估算已經得到了初步的成效。Shen等[20]將無人機技術結合中分辨率衛星遙感影像，通過空間抽樣方法對農作物種植面積進行估算，精度達到95%以上。Breckenridge[21]將地面實測數據對比無人機快速調查與抽樣調查的結果，發現無人機在影像獲取速度和機動性等方面具有明顯優勢。李宜展等[22]利用衛星影像數據初步識別出的水稻分布結合耕地構建抽樣框，無人機獲取高分辨率影像提供樣方水稻面積，推斷區域晚稻種植面積，首次探討并驗證了無人機樣方能夠準確、高效地獲取目標作物面積，有力地支撐業務化調查需要。無人機遙感技術作為嶄新的調查手段在農業資源調查中得到成功應用，應用前景也越來越廣泛。

當前，利用無人機高分辨率影像結合抽樣方法推斷區域作物種植面積，仍是將無人機影像作為底圖進行屏幕目視解譯來提取水稻的分布，這樣的方法耗時，投入工作量大。高效地提取無人機樣方水稻空間分布是支撐遙感抽樣區域面積估算的關鍵。本文以2014年浙江省平湖市為研究，利用面向對象分類方法對無人機影像進行水稻自動化識別，作為樣方數據與衛星遙感全覆蓋空間分布分類結果結合，進行單季晚稻種植區域面積估算。然后，與人工目視解譯識別方法獲取的水稻樣方數據推斷的區域水稻面積估算的結果進行精度、效率對比分析，探討無人機自動化面向對象分類方法對水稻面積估算的影響，分析自動化識別方法替代人工解譯樣方的可行性，提高無人機遙感技術在水稻種植面積遙感估算研究中的應用能力。

1 研究區與數據

1.1 研究區概況

本文選擇浙江省北部的平湖市作為研究區，該地區處于長江三角洲，杭嘉平原北部，覆蓋范圍 30°35′N～30°52′N、120°57′E～121°16′E。全縣陸域面積 537 km2，海域面積1 086 km2，屬于江南古陸外緣杭州灣凹陷，為沖積平原地貌，境內地勢平坦，平均海拔為2.8 m，水源充沛，氣候適宜，素有“魚米之鄉”之稱，是浙江省的農業大縣，熟制為一年兩熟，主要種植單季晚稻，種植地塊較為規整，種植結構相對單一。

1.2 試驗數據

本研究所使用的數據集包括：基礎地理數據、農作物物候數據、遙感衛星數據、無人機數據以及野外調查數據（表1）。

表1 試驗數據Table 1 Experimental data

1.3 數據預處理

1.3.1 遙感衛星數據預處理

對GF-1WFV和Landsat8 OLI影像進行FLAASH大氣校正、幾何精校正和影像裁剪與拼接預處理，生成標準遙感影像。根據平湖市單季晚稻物候歷（表2）可知，Landsat8 OLI、GF-1 WFV影像分別對應水稻的種植育秧、分蘗拔節，水稻在 2期影像上呈現出水體和植被的光譜特性。因此，采用遙感分類后比較的檢測法[23-24]，利用ENVI5.1支持向量機分類器分別對 2期影像進行識別提取出水體和植被，按照耕地范圍內水體到植被的邏輯判斷原則確定單季晚稻的分布結果，如圖 1所示。最后，根據野外調查的400個采樣點對分類結果進行精度評價，像元總體精度達到85.10%，滿足賈斌等[25]提出的預分類精度與抽樣估算精度之間關系。因此，本文水稻識別結果能夠支撐進一步的水稻種植面積遙感估算。

1.3.2 無人機數據預處理

本研究采用 T10大黃蜂固定翼無人機系統采集高分無人機影像，共飛行7條樣帶，飛行面積4 000 hm2，如圖2a所示。利用Pix4D軟件進行處理獲得數字正射影像，分辨率為 0.08 m。然后，根據野外數據分析無人機影像上呈現出的晚稻光譜、紋理信息，進行人工目視解譯（圖2b），統計得到樣帶內水稻面積為794.78 hm2。

表2 平湖市單季晚稻物候歷Table 2 Phenological calendar of single late rice in Pinghu City

圖1 單季晚稻遙感衛星影像分類結果圖Fig.1 Satellite imagery classification result of single late rice

圖2 無人機樣帶分布及單季晚稻人工目視解譯結果Fig.2 Distribution of UAV transects and classification results of single late rice by manual visual interpretation

2 研究方法

衛星遙感結合無人機技術進行區域晚稻面積估算流程主要包含 4個部分：遙感衛星數據標準化處理與分類（輔助數據集）、無人機數據預處理與水稻提取（樣方數據）、抽樣方案設計和種植面積估算，見圖3。

圖3 面積估算流程圖Fig.3 Workflow of area estimation

2.1 面向對象分類的晚稻提取

面向對象分類方法能夠充分利用高分辨率影像的光譜、空間信息（形狀、紋理、上下文等）進行地物的自動化識別，消除像元分類方法的“椒鹽”現象，提高地物分類精度。面向對象分類方法主要包括 2個步驟：斑塊分割、圖斑分類。

2.1.1 斑塊分割

影像斑塊分割是將圖像分割成若干個互不重疊圖斑的過程，符合圖斑內部均質、圖斑間異質的原則。已有研究指出[26]，最優分割尺度是當圖斑內光譜標準差達到峰值且標準差變化率開始下降時對應的尺度。本文分割尺度范圍設置為50，100，150，200，250，300，考慮到水稻種植集中，連片性好，地形平坦等區域特征，形狀因子設定為 0.1，光滑度與緊致度權重各為 0.5，計算每一個尺度的標準差及其變化率，最終確定分割尺度為200。圖4為部分分割尺度的對比，分割尺度為250時，存在欠分割斑塊（圖4a）；分割尺度為150時，存在過分割現象（圖4c）；分割尺度為200時，可以較準確地勾勒出地物的邊界，欠分割斑塊很好的被分割，也沒有出現大量破碎現象（圖4b）。

圖4 多個分割尺度對比Fig.4 Comparison of multiple segmentation scales

2.1.2 基于最近鄰方法的水稻分類

本研究通過建立不同特征規則，選用最鄰近分類方法進行分類。首先，綜合考慮光譜、形狀、紋理 3個方面[27]的特征選擇，初步選擇出19個特征（見表3）。其中，11個表達地物光譜以及反演指標，包括：6個可見光波段植被指數[28-29]、亮度、貢獻率（3個）、最大差異；2個表達地物形狀特征：緊湊度、形狀指數；6個表征各地物紋理信息特征：均值（3個）、標準差（3個）。基于分類樣本和分類體系，對這些特征進行優化，計算各個特征維度在不同地物類型間的分離度，得到如圖 5所示的最優特征維度。從圖中可以看出，當分類特征為10個時，各地物間的分離度最高，超過該飽和維度時，地物間的分離度不再增加反而降低，且增加計算量。優化特征后參與分類的特征分別是1、2波段的貢獻率和標準差，最大差異，形狀指數，以及可見光波段差異植被指數，過綠指數，植被指數，可見光波段植被指數。

表3 影像特征集合Table 3 Image features collection

圖5 最優特征維度Fig.5 Optimal feature dimension

2.2 區域種植面積推斷

2.2.1 抽樣方案設計

首先建立覆蓋平湖市全縣的300 m×300 m的規則格網，然后統計每個格網內單季晚稻識別結果，去掉面積為 0的格網，構建抽樣總體。以面積規模指標作為分層標志，根據吳建華等[30]提出的搜尋最優屆點Xh的操作流程，以15 125 m2為組距，確定了分層界限，按照內曼分配法得到各層樣本總量（表 4），分層結果及樣本空間分布，見圖6。

表4 各層樣本量及不同抽樣比的樣本數分配Table 4 Sample allocation of each layer and samples distribution for different sampling ratios

圖6 分層結果及無人機樣帶空間分布Fig.6 Stratification result and UAV transects space distribution

由于無人機樣本集合沒有覆蓋全縣，因此需要事先設定抽樣比，在層總體總量中計算各個抽樣比的抽樣樣本數，然后在樣方數據集范圍內進行隨機抽樣，設計為6個總體抽樣比（fi）分別為0.005，0.01，0.02，0.03，0.04，0.05，根據式（1）分配各層的樣本數（表4）。

式中nhi為第h層第i個抽樣比需抽取的樣本數；Nhi為第h層第i個抽樣比的總體總量。

2.2.2 單季晚稻種植面積推斷

本研究采用分層聯合比估計進行單季晚稻種植面積估算，精度評價指標為變異系數（coefficient of variance，CV）。公式（2）用于分層聯合比估計進行區域作物面積推算[31]。

式中為樣本均值估計方差；y為樣本總體均值；Wh為各層權重，Wh=Nh/N，Nh為第h層的單位總數；fi為第i個抽樣比；為第h層的樣本方差；yii為第h層第i個抽樣比的樣本值；yh為樣本均值；rh為第h層樣本的相關系數。

3 結果與分析

3.1 水稻識別結果對比分析

采用面向對象方法對 7條樣帶進行晚稻識別面積總和為757.58 hm2，與人工識別結果總量上相差5%，可見2種方法總量面積上具有很好的一致性。本研究以人工目視解譯結果為參考，采用混淆矩陣法對面向對象的晚稻識別結果進行精度評價。混淆矩陣中精度評價的指標為用戶精度、制圖精度、錯分誤差、漏分誤差以及總體分類精度和Kappa系數，精度評價結果見表5。

表5 各無人機樣帶面向對象分類精度Table 5 Accuracy of object-oriented classification results of single late paddy in each UAV transects

由表5可知，7條無人機飛行樣帶的總體精度均高于93%，Kappa系數大于0.88，基于面向對象分類晚稻識別結果與人工目視解譯結果空間上具有很好匹配性。分析原因是平湖市種植結構單一，地塊規整，合適的分割尺度使得影像對象能較好的與自然地塊邊界匹配，滿足對象內同質、對象間異質性的原則，保證了水稻的識別精度。圖7是以樣帶4為例，對比人工目視解譯和面向對象分類 2種方法提取晚稻的對比結果，從圖中可以看出面向對象的分類方法能夠有效的提取水稻分布，由于人工目視解譯未將大片水稻地塊中出現小于2 m的道路、溝渠、田埂等地物分離，面向對象方法把這些田埂也能夠分離出去，唯一不足就是自動化方法可能造成過分割，將規整的水稻地塊劃分成多個圖斑，而在分類中能夠將其分成水稻，保證水稻識別的精度，消除圖斑分割造成的不足。

圖7 樣帶4單季晚稻人工目視解譯與面向對象分類結果對比Fig.7 Comparison of manual visual interpretation and object-oriented classification results of single late rice in UAV transect 4

3.2 區域水稻種植面積推斷的對比分析

按照表 4中不同抽樣比的樣本數，分別對人工目視解譯和面向對象分類方法構建樣方數據進行隨機抽樣，為減少抽樣誤差，各層各個抽樣比均隨機抽取50次，對50次的區域水稻種植面積估算結果求均值，計算標準差和變異系數 CV來分析區域晚稻種植面積估算的抽樣效率。根據式（2）～（4），得到6個抽樣比抽樣效率的估計結果（表6），以及6個抽樣比下50次隨機抽樣中變異系數CV的變化曲線圖（圖8）。表 6表明，人工目視解譯樣方數據估算的結果比用面向對象分類方法自動提取方法估算的結果稍好，但二者估算結果差異不大。6個抽樣比中面向對象分類與目視解譯估計精度的CV差分別是0.000 9、0.000 8、–0.000 4、0、0.000 35、0.000 3。隨著抽樣比增加，二者之間CV差異減小。在抽樣比為0.02和0.03時，面向對象分類方法構建的樣方數據估算結果的總體標準差比人工目視解譯樣方數據估算水稻面積結果的總體標準差小，變異系數也略小或近乎相等。這主要是區域面積推斷的時候不單是考慮具體地塊水稻的識別精度，而聯合比估計時，綜合區域面積的精度，在某些時候自動化方法可能會略優于人工解譯方法。當抽樣比提高到0.05時，二者變異系數都小于1%，說明2種樣方的識別方法均能夠達到穩定的區域面積估算精度。這是由于樣本量增加后，樣本對總體的代表性也隨之提高，2種樣方水稻識別方法之間的差異將不會對區域面積估算產生影響，二者是等效的，表明自動化識別提取出水稻樣方面積能夠滿足區域面積估算的需要。

表6 不同樣方識別方法估計區域晚稻種植面積結果的對比分析Table 6 Comparative analysis of results of estimating late rice planting area by different quadrats identification method

圖8 不同抽樣比50次隨機抽樣下CV變化曲線Fig.8 Variation curve of CV under different sampling ratio and random sampling of 50 times.

由圖8可知，隨著抽樣比增加，CV變化曲線波動趨于平緩。當抽樣比為0.005時，面向對象分類和人工目視解譯提取樣方數據估算區域面積的CV變化較大，二者估算的CV極差分別為0.001 6、0.00 1；當抽樣比增大到0.05時，面向對象分類和人工目視解譯構建樣方數據估算的CV變化很小，且 2種樣方數據估算的 CV極差分別為0.001 2、0.000 8。由此說明，隨著抽樣比增加，CV波動減小，2種樣方數據估算區域面積的CV差異也縮小，進一步說明采用面向對象分類法提取樣方水稻面積來推斷區域面積是可行的，效率跟人工目視解譯方法推斷的結果差異很小，可以替代人工目視解譯方法進行區域水稻種植面積推斷。

4 討 論

本文利用無人機獲取高分辨率樣方影像，充分利用高分辨率影像的光譜信息和空間信息（形狀、紋理、上下文等），進行自動化面向對象的樣方晚稻識別，能夠替代人工目視解譯得到準確的樣方水稻面積，支撐區域作物種植面積的需要，解決了傳統方法耗時長，投入工作量大，難以滿足快速面積調查應用需求的不足。隨著無人機技術以及全天候衛星遙感技術的發展，“衛星+無人機”組合的區域作物種植面積調查技術勢必成為主流，而自動化無人機樣方識別方法將會成為這一技術流程的關鍵環節。

本文依據作物物候特征，多時相遙感提取方法進行水稻遙感識別，通過分析晚稻與其他作物類型的物候差異。水稻的育秧期和分蘗拔節期在遙感影像上分別呈現為水體和植被光譜。通過育秧期影像呈現的水體光譜信息與生長旺盛期呈現的植被特征進行分類，進行邏輯“與”運算提取出水稻的空間分布，識別精度達到 85%以上，這種同于分類后比較法[32-33]能夠有效、準確地提取出水稻的空間分布，達到了 85%以上，要高于或持平于已有水稻識別結果[24]。這種方法方便易行，得到的識別精度能夠滿足優于60%預分類的遙感抽樣要求[25]。

多尺度分割是面向對象分類的基礎。本研究區為地形平坦的平原區，設置為同一個分割尺度[34]。該分割參數設置仍然存在主觀性，考慮到區域地形、地貌、地理要素的復雜性，本文得到的最優分割尺度難以形成一套各種區域特征都適合的分割尺度。因此，根據圖像表現出的地表特征進行自適應性的自動分割算法有待進一步發展。

最后，本文進行了南方平原區簡單地形條件、單一種植作物下的應用，對于條件復雜地區和其他作物的應用需要進一步研究。

5 結 論

本文以浙江省平湖市為研究區，以 GF-1 WFV和Landsat8 OLI遙感影像識別的單季晚稻為輔助數據集，面向對象最鄰近分類方法和人工目視解譯方法對 7條樣帶進行單季晚稻提取構建樣方數據，采用分層抽樣技術進行抽樣，利用聯合比估計進行區域水稻種植面積估算，比較分析了無人機樣方面向對象分類與人工目視解譯對區域面積推斷精度的影響，所得結果滿足預期效果。

首先，對于高分辨率影像，充分利用其光譜和空間信息，基于面向對象分類方法是較好的選擇，在進行面向對象分類時，多尺度影像分割是最關鍵的步驟。本文基于易康軟件進行面向對象分類，選取的分割尺度經過反復試驗得到，最終各個樣帶的總體分類精度均大于93%，Kappa系數均在0.88以上，自動化分類方法能夠得到較高的識別精度。

其次，通過區域作物估算對比分析發現，面向對象分類方法對無人機影像進行水稻識別，構建平湖市單季晚稻的樣方數據，能夠替代人工目視解譯樣方準確推斷區域作物種植面積，有效提高了無人機影像在遙感面積估算中的應用效率。

[1] 李志鵬，劉珍環，李正國，等. 水稻空間分布遙感提取研究進展與展望[J]. 中國農業資源與區劃，2014(6)：9－18.Li Zhipeng, Liu Zhenhuan, Li Zhengguo, et al. Progress and prospect of application of remote sensing to rice spatial distribution [J]. Chinese Journal of Agricultural Resources and Regional Planning, 2014(6): 9－18. (in Chinese with English abstract)

[2] 陳水森，柳欽火，陳良富，等. 糧食作物播種面積遙感監測研究進展[J]. 農業工程學報，2005，21(6)：166－171.Chen Shuisen, Liu Qinhuo, Chen Liangfu, et al. Review of research advances in remote sensing monitoring of grain crop area [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(6): 166－171. (in Chinese with English abstract)

[3] 魏新彩. 基于 HJ衛星影像的水稻種植面積遙感信息提取方法研究[D]. 武漢：湖北大學，2013.Wei Xincai. Extraction of Paddy Rice Planting Area Based on Environmental Satellite Image [D]. Wuhan: Hubei University, 2013. (in Chinese with English abstract)

[4] 錢永蘭，楊邦杰，焦險峰. 基于遙感抽樣的國家尺度農作物面積統計方法評估[J]. 農業工程學報，2007，23(11)：180－187.Qian Yonglan, Yang Bangjie, Jiao Xianfeng. Accuracy assessment on the crop area estimating method based on RS sampling at national scale [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(11): 180－187. (in Chinese with English abstract)

[5] 孫佩軍，張錦水，潘耀忠，等. 基于無人機樣方事后分層的作物面積估算[J]. 中國農業資源與區劃，2016，37(2)：1－10.Sun Peijun, Zhang Jinshui, Pan Yaozhong, et al. Study on the post - stratification method for crop area estimation based on unmanned aerial vehicle images [J]. Chinese Journal of Agricultural Resources and Regional Planning, 2016, 37(2):1－10. (in Chinese with English abstract)

[6] 申克建，何浩，蒙紅衛，等. 農作物面積空間抽樣調查研究進展[J]. 中國農業資源與區劃，2012，33(4)：11－16.Shen Kejian, He Hao, Meng Hongwei, et al. Review on spatial sampling survey in crop area estimation [J]. Chinese Journal of Agricultural Resources and Regional Planning,2012, 33(4): 11－16. (in Chinese with English abstract)

[7] Tsiligirides T A. Remote sensing as a tool for agricultural statistics: A case study of area frame sampling methodology in Hellas [J]. Computers & Electronics in Agriculture, 1998,20(1): 45－77.

[8] 許文波，田亦陳. 作物種植面積遙感提取方法的研究進展[J]. 云南農業大學學報，2005，20(1)：94－98.Xu Wenbo, Tian Yichen. Overview of extraction of crop area from remote sensing [J]. Journal of Yunnan Agricultural University, 2005, 20(1): 94－98. (in Chinese with English abstract)

[9] 趙庚星，余松烈. 冬小麥遙感估產研究進展[J]. 山東農業大學學報自然科學版，2001，32(1)：107－111.Zhao Gengxing, Yu Songlie. Advance of winter wheat yield estimation by remote sensing [J]. Journal of Shandong Agricultural University: Natural Science, 2001, 32(1): 107－111. (in Chinese with English abstract)

[10] 劉海啟. 歐盟 MARS計劃簡介與我國農業遙感應用思路[J]. 中國農業資源與區劃，1999，20(3)：55－57.Liu Haiqi. The introduction of mars plan of European commission and Chinese agriculture remote sensing application [J]. Chinese Journal of Agricultural Resources and Regional Planning, 1999, 20(3): 55－57. (in Chinese with English abstract)

[11] 吳炳方，蒙繼華，李強子. 國外農情遙感監測系統現狀與啟示[J]. 地球科學進展，2010，25(10)：1003－1012.Wu Bingfang, Meng Jihua, Li Qiangzi. Review of overseas crop monitoring system with remote sensing [J]. Advances in Earth Science, 2010, 25(10): 1003－1012. (in Chinese with English abstract)

[12] 吳炳方. 中國農情遙感速報系統[J]. 遙感學報，2004，8(6)：481－497.Wu Bingfang. China crop watch system with remote sensing[J]. Journal of Remote Sensing, 2004, 8(6): 481－497. (in Chinese with English abstract)

[13] 施潮. 關于大面積農作物產量抽樣實測的做法[J]. 湖北農業科學學報，1965(2)：55－61.Shi Chao. The practice of sampling large area crop yields [J].Journal of Hubei Agricultural Science, 1965(2): 55－61. (in Chinese with English abstract)

[14] Keita Naman, Statistician Senior, Ammar George Mu. Issues and guidelines for the emerging use of GPS and PDAs in agricultural statistics in developing countries[C] //The Fifth International Conference on Agricultural Statistics (ICAS V),Kampala, Uganda. 2010.

[15] 李恩寶，洪洲，宋偉東. 基于PDA的土地利用變更調查系統設計與實現[J]. 測繪工程，2007，16(2)：61－64.Li Enbao, Hong Zhou, Song Weidong. Design and realization of land use alteration investigation system based on PDA [J].Engineering of Surveying and Mapping, 2007, 16(2): 61－64.(in Chinese with English abstract)

[16] 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 Chinese Society of Agricultural Engineering (Transactions of the CSAE),2013, 29(18): 136－145. (in Chinese with English abstract)

[17] Herwitz S R, Johnson L F, Dunagan S E, et al. Imaging from an unmanned aerial vehicle: Agricultural surveillance and decision support [J]. Computers & Electronics in Agriculture,2004, 44(1): 49－61.

[18] Lelong C C D, Burger P, Jubelin G, et al. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots[J]. Sensors, 2008, 8(5): 3557－3585.

[19] Senthilnath J, Dokania A, Kandukuri M, et al. Detection of tomatoes using spectral-spatial methods in remotely sensed RGB images captured by UAV[J]. Biosystems Engineering,2016(146):16－32.

[20] Shen Kejian, Li Weifang, Pei Zhiyuan, et al. Crop area estimation from UAV transect and MSR image data using spatial sampling method [J]. Procedia Environmental Sciences, 2015(26): 95－100.

[21] Breckenridge R P. Improving rangeland monitoring and assessment: integrating remote sensing, GIS, and unmanned aerial vehicle systems [J]. Dissertation Abstracts International,2007, 68 (6): 3655.

[22] 李宜展，朱秀芳，張錦水，等. 與抽樣相結合的縣級作物遙感面積估算應用實例[J]. 遙感技術與應用，2015，30(5)：891－898.Li Yizhan, Zhu Xiufang, Zhang Jinshui, et al. A case study for area estimation of crop in county level based on remote sensing data and sampling technology [J]. Remote Sensing Technology and Application, 2015, 30(5): 891－898. (in Chinese with English abstract)

[23] 韓立建，潘耀忠，賈斌，等. 基于多時相IRS-P6衛星AWiFS影像的水稻種植面積提取方法[J]. 農業工程學報，2007，23(5)：137－143.Han Lijian, Pan Yaozhong, Jia Bin, et al. Acquisition of paddy rice coverage based on multi-temporal IRS-P6 satellite a WiFS RS-data [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007,23(5): 137－143. (in Chinese with English abstract)

[24] 劉吉凱，鐘仕全，梁文海. 基于多時相Landsat8 OLI影像的作物種植結構提取[J]. 遙感技術與應用，2015，30(4)：775－783.Liu Jikai, Zhong Shiquan, Liang Wenhai. Extraction on crops planting structure based on multi-temporal Landsat8 OLI images [J]. Remote Sensing Technology and Application,2015, 30(4): 775－783. (in Chinese with English abstract)

[25] 賈斌，朱文泉，潘耀忠，等. 遙感影像預分類精度對地物面積空間抽樣估算的敏感性分析[J]. 遙感學報，2008，12(6)：972－979.Jia Bin, Zhu Wenquan, Pan Yaozhong, et al. Sensitivity analysis of pre-classification accuracy based on remote sensing image to ground area estimation from spatial sampling [J]. Journal of Remote Sensing, 2008, 12(6): 972－979. (in Chinese with English abstract)

[26] 李秦，高錫章，張濤，等. 最優分割尺度下的多層次遙感地物分類實驗分析[J]. 地球信息科學學報，2011，13(3)：409－417.Li Qin, Gao Xizhang, Zhang Tao, 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. (in Chinese with English abstract)

[27] 張俊，于慶國，朱曉東，等. 面向對象的高分辨率影像特征選擇研究[J]. 測繪科學，2011，36(3)：141－143.Zhang Jun, Yu Qingguo, Zhu Xiaodong, et al.Object-oriented features space optimization of high spatial resolution remote sensing image [J]. Science of Surveying and Mapping, 2011, 36(3): 141－143. (in Chinese with English abstract)

[28] Li Wang, Niu Zheng, Chen Hanyue, et al. Remote estimation of canopy height and aboveground biomass of maize using high-resolution stereo images from a low-cost unmanned aerial vehicle system[J]. Ecological Indicators, 2016(67): 637－648.

[29] 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)：152－159.Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al.Extraction of vegetation information from visible unmanned aerial vehicle images [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2015, 31(5): 152－159. (in Chinese with English abstract)

[30] 吳建華，張穎. "累積平方根法"最優解嚴格的數學證明及應用[J]. 濟南大學學報，2006，20(3)：267－270.Wu Jianhua, Zhang Ying. Exact demonstration of the optimal solution of accumulative square root method and its application [J]. Journal of Jinan University, 2006, 20(3): 267－270. (in Chinese with English abstract)

[31] 杜子芳. 抽樣技術及其應用[M]. 清華大學出版社，2005.Du Zifang. Sampling Technology and Its Application [M].Tsinghua University Press, 2005. (in Chinese with English abstract)

[32] 張健康，程彥培，張發旺，等. 基于多時相遙感影像的作物種植信息提取[J]. 農業工程學報，2012，28(2)：134－141.Zhang Jiankang, Cheng Yanpei, Zhang Fawang, et al. Crops planting information extraction based on multi-temporal remote sensing images [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2012, 28(2): 134－141. (in Chinese with English abstract)

[33] 劉國棟，鄔明權，牛錚，等. 基于 GF-1衛星數據的農作物種植面積遙感抽樣調查方法[J]. 農業工程學報，2015，31(5)：160－166.Liu Guodong, Wu Mingquan, Niu Zheng, et al. Investigation method for crop area using remote sensing sampling based on GF-1 satellite data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015,31(5): 160－166. (in Chinese with English abstract)

[34] 陳燕麗，莫偉華，莫建飛，等. 基于面向對象分類的南方水稻種植面積提取方法[J]. 遙感技術與應用，2011，26(2)：163－168.Chen Yanli, Mo Weihua, Mo Jianfei, et al. Object-oriented classification for the extraction of rice planting area in south[J]. Remote Sensing Technology and Application, 2011,26(2): 163－168. (in Chinese with English abstract)