基于無人機可見光遙感的棉花面積信息提取

李路曼，郭 鵬，張國順，周 倩，吳鎖智

(1.石河子大學理學院，新疆石河子 832003；2.石河子大學信息科學與技術學院，新疆石河子 832000)

0 引 言

【研究意義】在新疆農作物遙感監測與識別的過程中，小麥與玉米的識別和管理技術相對比較成熟，但對棉花識別模型和分區管理的精度還有進一步的提升空間[1]。棉花種植信息是管理指導棉花生產、優化布局、以及規范種植的重要依據[2]，是宏觀管理和決策的重要經濟信息。目前，獲取棉花種植信息的方法主要是遙感法[3]，是利用衛星遙感進行地物分類，但在實際應用中存在精度低、耗時長等缺點。隨著無人機遙感技術的快速發展，極大地拓寬了航空攝影的新領域[4]，它具有機動靈活、快速、經濟、精度高等特點，彌補了衛星遙感的缺點，為實現農作物種植信息的快速提取提供了可能。因此，研究利用無人機可見光遙感影像來獲取棉花種植信息具有重要的實際意義，不僅為該區域精準農業提供基礎數據，也為估產與災害監測提供技術方法。【前人研究進展】棉花種植信息提取的研究領域中多集中于監督分類和非監督分類。趙丹等[5]以北京市大興區為例，采用定性遙感和定量遙感相結合的手段，對農田質量信息進行了提取。李敏等[6]以山東夏津縣為例，通過研究棉花與其它作物的物候歷，分析棉田光譜特征，選擇多年相似時相的多光譜遙感影像，獲取研究區內棉花種植面積和分布信息。尤惠等[7]通過分析研究區棉花不同生育期的光譜特征和歸一化植被指數(NDVI)時序變化特征，對分類后的影像進行閾值分割、掩膜處理，利用決策樹算法提取了漢江平原2012年、2014年棉花種植面積，取得了很好的效果。【本研究切入點】這些研究在本質上都是建立在統計模式下的基于影像單個像素的分類，難以建立對象網絡拓撲關系和目標的特征空間，雖然能在不同程度上對分類精度有所改善，卻無法從根本上解決高分辨率遙感影像的高速與準確的信息提取問題，并且在實際應用中存在效率低、耗時長的缺點[8]。研究基于面向對象的無人機遙感影像提取方法，實現對棉花種植信息的快速提取。【擬解決的關鍵問題】在其他學者研究的基礎之上，以新疆建設兵團第八師135團為例，利用eCognition8.9軟件平臺，確定最優分割尺度，對無人機遙感試驗獲取的可見光影像進行分割；其次優化分類特征，構建特征空間；最后運用面向對象的最鄰近分類法，對可見光影像進行棉花種植信息的提取。為區域棉花種植信息提取提供新思路。

1 材料與方法

1.1 材 料

研究區位于新疆兵團第八師135團，空間分布范圍為85°04′～85°21′E，44°38′～44°58′N，該地區地處準噶爾盆地南部，沙灣縣境內，區域內主要包括棉花、葡萄、玉米、林地、草地、建筑物等地物，干燥炎熱，氣候光照充足，水土光熱資源豐富。年平均氣溫6.4～7.3℃，無霜期161 d，日照時數2 828 h，非常適宜棉花的生長，是新疆重要的棉花生產基地[9]。圖1

圖1 研究區示意
Fig.1 Area of study area

于2017年8月31日采集無人機數據，獲取研究區的無人機可見光遙感影像。影像包含28 231×34 590個像元，空間分辨率為5.765 cm，面積約為3.25 km2。無人機獲取后的數據通過區域網空中三角測量法[10]消除誤差，利用Pix4D軟件完成輻射定標和影像拼接。由于數據量較大，且排除建筑物等其他因素的干擾，選取飛行區域南部部分區域作為感興趣區。圖像以.tif格式存儲了地物紅、綠、藍3種色彩的灰度值，每種色彩含8位字節的信息，數值范圍為0～255。感興趣區內地物以棉花為主，以及玉米、葡萄、林地、道路、草地共六種地物類型。圖1

1.2 方 法

面向對象的分類方法是一種新的分類方法，它以對象基元為操作單元，能夠很好的利用地物的光譜信息和像素之間的空間特征[11]，因此，在用于影像分類過程中可以得到更好的效果。運用面向對象的分類方法，借助eCognition 8.9軟件提取無人機可見光遙感影像棉花種植信息。

根據同類地物同質性較高，異類地物異質性較高的標準，結合地物形狀、顏色、紋理、緊致度等特征信息，采用多尺度分割算法，將影像分割成多個對象基元或影像對象，構建樣本和特征空間，根據隸屬度算法，在特征空間中尋找最近的樣本對象進行分類。影像對象O與樣本對象S之間的距離計算公式如下[12]：

(1)

式中，d通過所有特征值的標準差而得到歸一化，基于距離d的多維指數隸屬度函數為：

Z(d)=ekd2.

(2)

為了評估分類結果的精度，研究統計棉花的種植面積，并計算得到誤差系數，誤差系數的計算方法如下：

(3)

其中，a表示實測面積，b表示估算面積。

2 結果與分析

2.1 影像分類

面向對象的分類方法是研究的關鍵技術過程，主要分為三個步驟：影像分割、建立最優特征空間和分類。圖2

圖2 技術流程
Fig.2 Technical process

2.1.1 多尺度影像分割

多尺度分割是一種自下而上的分割算法，它是一個用來連續地合并像元或現有的影像對象的優化過程，通過合并相鄰的像元或小的分割對象，在保證對象與對象之間平均異質性最大，對象內部像元之間同質性最大的前提下，基于區域合并技術實現的影像分割[13]。

分割步驟包括：①設置分割參數：Scale parameter參數是用來確定生成的影像對象所允許的最大異質度，值越大則生成的影像對象的尺寸越大，反之則越小；根據地物類型的特征，通過“試誤法”(嘗試-錯誤法)[14]，判斷分割后的對象既能有效的區分地物邊界，又能有較小的數據冗余，最終確定最優分割參數為100。Image Layer weights參數是用來設置參與分割的波段的權重；由于研究采用的無人機可見光遙感影像中無近紅外波段，只存在RGB三個波段，而第三波段又因為發生瑞利散射丟失信息，因此，將四個波段權重參數設置為2、2、1、0。Composition of homogeneity criterion參數是用來表示最小異質性、同質性，由顏色(光譜)和形狀組成，兩者權重之和為1，而形狀又由平滑度和緊致度來表示，兩者權重之和也為1。綜合考慮分割對象的邊緣平滑程度和對象的緊致程度，對比多次分割實驗結果，最終確定形狀和緊致度的比重參數設置為0.2∶0.5。②多尺度分割：以影像中任意一個像元為中心開始分割，第一次分割時以單個像元為一個最小的多邊形對象參與異質性值的計算；第一次分割完成后，以生成的多邊形對象為基礎進行第二次分割，同樣計算異質性值f，判斷f與預定的閾值之間的差異，若f小于閾值s，則繼續進行多次的分割，否則停止分割。

2.1.2 特征空間構建

多尺度分割將影像分割成若干影像對象，這些影像對象包含很多用于區分不同地物的特征信息[14]，包括光譜特征、形狀特征、結構特征、紋理特征等信息，將這些特征作為分類依據，參與分類過程。

首先定義分類樣本。根據研究區地物類型將樣本定義為棉花、玉米、葡萄、道路、林地、草地六種，分別賦予紅、黃、紫、藍、綠、青六種顏色，并在影像對象中均勻的選擇若干個具有代表性的分類樣本，作為分類單元。

其次，選擇能夠區分地物類型的分類特征，在使用面向對象的分類方法中，波段均值僅是特征空間中的一種特征，還可以利用波段的比率、標準差、最大差分、亮度等光譜特征[15]，以及形狀指數、長度、長寬比等形狀特征，甚至是比較復雜的一些紋理特征等。

根據需要提取的作物類型的特征，研究采用的作物類型特征主要來源于影像本身的光譜特征和對象切割后的形狀特征，并以此為分類特征的優化選擇提供依據。根據農田的特征，首先選擇了影像的原始波段，即B1(藍光波段)、B2(綠光波段)、B3(紅光波段)，同時考慮到農田形狀良好的區分能力，又選取了面積(Area)、厚度(Thickness)、形狀指數(Shape index)、長厚比(Length/Thickness)、長寬比(Length/Width)、長度(Length)、寬度(Width)共10項特征來構建特征空間。基于各個類別的樣本，以及初始特征集，找到類別之間區分的最大平均最小距離的特征組合，作為分類的最優特征集，從而避免分類過程中盲目使用多種特征所導致的計算量急劇增大、分類精度降低、分類特征冗余等問題。通過計算可以得到特征維度間的距離值，值越大表示分類樣本在該特征下的區分度也越大。圖1，表1

注：a.棉花；b.玉米；c.葡萄；d.林地；e.草地；f.道路

Note: a. Cotton; b. Corn; c. Grape; d. Tree; e. grass; f. Street

圖3 分類樣本
Fig.3 Samples of classification表1 分類特征距離
Table 1 Classification feature distance table

特征參數CharacteristicparameterDimension1Dimension2Dimension3Dimension4Dimension5特征B1B3B2B2B2形狀指數形狀指數形狀指數形狀指數B1B1B1B3B3寬度距離0.03340.23150.40140.44320.4891

圖4 分類特征隨維度距離變化
Fig.4 Classification features vary with the distance of the dimension

研究表明，隨著特征數的增加，樣本間的區分距離也隨之增加，表明使用B2、形狀指數、B1、B3和寬度5個特征作為最優特征進行分類，可以更好的區分不同作物類型。圖4

2.1.3 最鄰近分類

傳統的分類方法是給每一像元只賦予唯一類別的分類方法[16]，具有一定的局限性。研究運用模糊分類中的最鄰近分類法，它以模糊邏輯和模糊集合為基礎，采用隸屬度函數，計算每個影像單元對于所有類的隸屬度，根據隸屬度大小進行分類。該方法突破了傳統分類方法的限制，把含有更多語義信息的多個相鄰像元組成的對象作為處理單元，從較高層次對遙感影像進行分類，有效地結合了基于地物特點和影像特征之間的對應關系而建立的規則，更加真實可靠，提高了分類精度，整個過程由計算機自動完成。

2.2 棉花種植信息提取及精度評價

2.2.1 棉花種植信息提取

在eCognition 8.9軟件中使用最鄰近分類法，選取不同作物的典型樣本，利用各個類別屬性里增加的標準特征空間進行分類。從分類結果對比圖中可以看出，基于對象的分類方法主要以多像元構建的對象為基本分類單元，分類后的結果比較連續，同一地物類型中即使存在噪聲像元，也不影響最終的分類結果，所有作物連片出現，無椒鹽現象，十分接近地物的真實分布特征。圖5

注：a. 目視解譯分類結果；b. 面向對象分類結果

Note: a. Visual interpretation； b. Object oriented

圖5 提取結果對比
Fig.5 Comparison of extraction results

2.2.2 精度分析

將分類結果進行以.shp格式導出，將面積較小的圖斑進行合并后得到了棉花種植區的空間分布結果。為了評價該方法的分類精度，利用目視解譯[17]和面向對象分類法對無人機可見光影像進行棉花種植信息進行了對比，目視解譯分類結果通過ArcGIS10.3軟件平臺矢量化完成。以目視解譯結果為基準，作為實測值來檢驗基于面向對象提取結果的精度，統計了棉花的估算面積，并與目視解譯后得到的實測面積進行了對比分析，計算誤差系數。

對比目視解譯提取結果圖和基于面向對象提取結果圖，可以看出，基于面向對象提取的棉花分布位置和目視解譯提取的棉花分布位置基本相同，說明基于面向對象分類方法能夠精確地定位棉花種植區分布。分別統計兩種分類結果中棉花的面積，假設以目視解譯提取的棉花種植信息作為實測值，對基于面向對象提取結果進行精度計算，結果表明，目視解譯提取的棉花種植面積為0.35 km2，面向對象提取的棉花種植面積為0.33 km2，二者相差0.02 km2，分類精度約為94.29%，誤差系數為5.71%，表明分類精度較高。表2

表2 分類結果與誤差
Table 2 Classification results and errors

作物類型實測面積(km2)估算面積(km2)誤差系數(%)棉花0.350.335.71

3 討 論

3.1 近些年遙感技術在農業的各個領域都應用廣泛且效果明顯，比如農業資源調查、長勢監測、病蟲害監測、作物估產等方面，遙感技術已成為促進農業生產可持續發展的有利工具。而作物種植類型識別則是農業遙感應用的基礎和前提，沒有準確的作物種植信息(作物種植類型、分布范圍、地塊邊界等)將使農業遙感技術應用受到極大的限制，從而影響長勢監測、病蟲害監測和作物估產的精度。同時，受到空間分辨率和時間分辨率的限制，常規遙感手段有時不能完全滿足農業生產的需要，這對現有的農業遙感技術人員提出了新的挑戰。隨著無人機技術的進步和小型機載傳感器的發展，為作物識別精度的提高提供了新的技術手段。無人機搭載可見光相機具有數據采集速度快、精度高、易操作、成本低的特點。如果能利用可見光相機數據對區域中的作物種植信息進行提取，將有效的降低農業資源調查的成本，縮短數據獲取的周期，為后續的長勢監測等精準農業環節提供基礎數據。

3.2 面向對象的分類方法可以在影像光譜特征的基礎上構建對象，充分利用對象的形狀、大小、位置、紋理以及與周圍地物的空間關系等特征，通過建立對象特征知識庫和分類規則體系來提取分類信息，對于棉花種植區域分類精度較高，是一種有效的作物分類方法[18]。但該方法需要選擇合適的樣本以及特征空間，人為因素明顯，分類過程比較復雜。同時，無人機可見光相機數據也不同于衛星遙感影像，只有紅、綠、藍3種顏色的灰度特征，無法通過近紅外波段計算相關植被指數[19]。無人機起降方便，不受時間和空間的限制，在新疆農田信息調查中是一種極佳的補充手段。利用無人機搭載可見光相機獲取的影像可以用于區域作物的信息提取，但對于更大尺度的作物分類還需要進一步驗證。

4 結 論

4.1 面向對象的分類方法以對象為基本操作單元，對對象進行分析，結合紋理、顏色、形狀等特征信息，構建特征空間，運用到分類器中，相比傳統的基于像素分類更接近于目視解譯的效果。

4.2 影像通過多尺度分割技術和特征空間構建技術，借助eCognition軟件自動獲取最優的不同尺度影像信息提取特征，有效的結合了人的認知機理，避免了“椒鹽現象”的產生，極大地提高了影像分類精度。

4.3 選取了B2、形狀指數、B1、B3和寬度5個特征作為最優特征進行分類，結果表明，研究篩選出的分類特征可以有效的提升分類精度。

4.4 基于面向對象的分類精度為94.29%，誤差系數為5.71%，證明該方法在作物分類的過程中具有極高的分類精度，是一種行之有效的分類方法，且無人機可見光遙感影像數據獲取成本低、分辨率高，為棉花種植信息提取提供了新思路。

參考文獻(References)

[1] 李敏, 趙庚星, 蔡明慶. 縣域棉花信息遙感提取與棉田精確化管理分區研究[J]. 自然資源學報, 2012, 27(11): 1 972-1 980.

LI Min, ZHAO Geng-xing, CAI Ming-qing. (2012). Extraction of Cotton Information Using Remote Sensing and Precision Management Zoning at County Scale [J].JournalofNaturalResources, 27(11): 1,972-1,980. (in Chinese)

[2] 黃青, 王利民, 滕飛. 利用MODIS -NDVI 數據提取新疆棉花播種面積信息及長勢監測方法研究[J]. 干旱地區農業研究, 2011, 29(2): 214-217.

HUANG Qing, WANG Li-min, TENG Fei. (2011). MODIS-NDVI-based monitoring of cotton planting areas and growth condition in Xinjiang [J].AgriculturalResearchintheAridRegions, 29(2): 214-217. (in Chinese)

[3] 田野, 張清, 李希燦, 等. 基于多時相影像的棉花種植信息提取方法研究[J]. 干旱區研究, 2017, 34(2): 423-430.

TIAN Ye, ZHANG Qing, LI Xi-can, et al. (2017). Extraction Method of Cotton Plantation Information Based on Multi-Temporal Images [J].ResearchintheAridAreas, 34(2): 423-430. (in Chinese)

[4] 楊進生, 郭穎平, 蓋利亞, 等. 無人直升機遙感在華北平原地裂縫監測中的應用[J]. 遙感信息, 2015, 30(1): 66-70.

QANG Jin-sheng, GUO Ying-ping, GAI Li-ya, et al. (2015). Application of Unmanned Helicopter Remote Sensing in Monitoring Ground Fissure in North China Plain[J].RemoteSensingInformation, 30(1): 66-70. (in Chinese)

[5] 趙丹曹. 基于多光譜影像的縣域農田質量信息提取與快速評價[D]. 北京: 中國地質大學碩士論文, 2015.

ZHAO Dan-cao. (2015).ExtractionandAssessmentofFarmlandInformationbasedonMultispectralImagesofCountyArea[D]. Master Dissertation. China University of Geosciences, Beijing. (in Chinese)

[6] 李敏. 基于RS和GIS的縣域棉花信息提取幾分區管理研究-以山東省夏津縣為例[D]. 泰安: 山東農業大學碩士論文, 2012.

LIN Min. (2012).CottonInformationExtractionandManagementZoningBasedonRSandGISatCountyScale--ACaseStudyinXiajinCounty,ShandongProvince[D]. Master Dissertation. Shandong Agricultural University, Taian. (in Chinese)

[7] 尤惠, 高華東, 蘇榮瑞, 等. 基于多時相中分辨率時間過程特征的江漢平原棉花種植面積變化監測[J]. 地球信息科學, 2016, 18(8): 1 142-1 149.

YOU Hui, GAO Hua-dong, SU Rong-rui. et al. (2016). Monitoring the Changes of Cotton Plantation Area Based on the Multi-temporal Middle Resolution Features of Temporal Process in Jianghan Plain [J].Geo-InformationScience, 18(8): 1,142-1,149. (in Chinese)

[8] 翟立君. 衛星MPLS網絡關鍵技術研究[M]．北京: 清華大學出版社, 2001.

ZHAI Li-jun. (2001).ResearchontheKeyTechnologiesinSatelliteMPLSNetworks[M]. Beijing: Tsinghua University Press. (in Chinese)

[9] 杜紅, 杜峰, 李紅英, 等. 新疆農八師墾區氣候變化及對農業的影響[J]. 中國農學通報, 2012, 28(20): 290-294.

DU Hong, DU Feng, LI Hong-ying, et al. (2012). Climate Change and Its Effect on Agriculturalin Xinjiang Nong Ba Shi Reclamation Area [J].ChineseAgriculturalScienceBulletin, 28(20): 290-294. (in Chinese)

[10] 秦修功, 陳曦, 楊遼. 構架航線對無人機影像區域網平差精度影響分析[J]. 測繪科學, 2017, 42(1): 151-163.

QIN Xiu-gong, CHEN Xi, YANG Liao. (2017). Impact analysis of flight on accuracy of block adjustment for UAV aerial images [J].ScienceofSurveyingandMapping, 42(1): 151-163. (in Chinese)

[11] 劉家福, 劉吉平, 姜海玲. eCognition數字圖像處理方法[M]. 北京: 科學出版社, 2017: 57-58.

LIU Jia-fu, LIU Ji-ping, JIANG Hai-ling. (2017).eCognitionDigitalimageprocessingmethod[M]. Beijing: Science Press, 57-58. (in Chinese)

[12] 江華. 基于eCognition的地理國情普查道路信息提取[D]. 上海: 華東理工大學碩士論文, 2015.

JIANG Hua. (2015).RoadInformationExtractionforNationalGeographicalConditionsCensusBasedoneCognition[D]. Master Dissertation. East China Institute of Technology, Shanghai. (in Chinese)

[13] 吳健生, 劉建政, 黃秀蘭. 基于面向對象分類的土地整理區農田灌排系統自動化識別[J]. 農業工程學報, 2012, 28(8): 25-31.

WU Jian-sheng, LIU Jian-zheng, HUANG Xiu-lan. (2012). Automatic identification of irrigation and drainage system in land reclamation area based on object-oriented classification [J].TransactionsoftheCSAE, 28(8): 25-31. (in Chinese)

[14] 董梅, 蘇建東, 劉廣玉, 等. 面向對象的無人機遙感影像煙草種植面積提取與監測[J]. 測繪科學, 2014, 39(9): 88-90.

DONG Mei, SU Jian-dong, LIU Guang-yu, et al. (2014). Extraction of tobacco planting area from UAV remote sensing image by object-oriented classification method [J].ScienceofSurveyingandMapping, 39(9): 88-90. (in Chinese)

[15] 曹衛彬, 楊邦杰, 宋金鵬. TM影像中基于光譜特征的棉花識別模型[J]. 農業工程學報, 2004, 20(4): 113-116.

CAO Wei-bin, YANG Bang-jie, SONG Jin-peng. (2004) Spectral information based model for cotton identification on Landsat TM Image.TransactionsoftheCSAE, 20(4): 113-116. (in Chinese)

[16] 叢瑜, 苗紅正. 基于面向對象技術的農田分類方法[J]. 地理空間信息, 2016, 14(10): 89-92.

CONG Yu, MIAO Hong-zheng. (2016). Farmland Classification Method Based on Object-oriented Technology [J].GeospatialInformation, 14(10): 89-92. (in Chinese)

[17] 玉蘇甫·買買提, 吐爾遜·艾山, 買合皮熱提·吾拉木. 新疆渭 - 庫綠洲棉花種植面積遙感監測研究[J]. 農業現代化研究, 2014, 35(2): 241-243.

Yusup Mamat, Tursun Hasan, Magpirat Gulam. (2014). Remote Sensing of Cotton Plantation Areas Monitoring in Delta Oasis of Ugan-Kucha River, Xinjiang [J].AgriculturalModernizationResearch, 35(2): 241-243.(in Chinese)

[18] 齊義娜. 面向對象的高分辨率遙感影像信息提取與尺度效應分析[M]. 吉林: 東北師范大學, 2009: 12-13.

QI Yi-na. (2009).Featureextractionandscaleeffectanalysisofhigh-resolutionimageusingobject-orientedapproach[M]. Jilin: Northeast Normal University, 12-13. (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)：152-158.

WANG Xiao-qin, WANG Miao-miao, WANG Shao-qiang, et al. (2015). Extraction of vegetation information from visible unmanned aerial vehicle images [J].TransactionsoftheCSAE, 31(5): 152-158. (in Chinese)