基于无人机可见光遥感的棉花面积信息提取

李路曼，郭 鹏，张国顺，周 倩，吴锁智

(1.石河子大学理学院，新疆石河子 832003；2.石河子大学信息科学与技术学院，新疆石河子 832000)

0 引 言

【研究意义】在新疆农作物遥感监测与识别的过程中，小麦与玉米的识别和管理技术相对比较成熟，但对棉花识别模型和分区管理的精度还有进一步的提升空间[1]。棉花种植信息是管理指导棉花生产、优化布局、以及规范种植的重要依据[2]，是宏观管理和决策的重要经济信息。目前，获取棉花种植信息的方法主要是遥感法[3]，是利用卫星遥感进行地物分类，但在实际应用中存在精度低、耗时长等缺点。随着无人机遥感技术的快速发展，极大地拓宽了航空摄影的新领域[4]，它具有机动灵活、快速、经济、精度高等特点，弥补了卫星遥感的缺点，为实现农作物种植信息的快速提取提供了可能。因此，研究利用无人机可见光遥感影像来获取棉花种植信息具有重要的实际意义，不仅为该区域精准农业提供基础数据，也为估产与灾害监测提供技术方法。【前人研究进展】棉花种植信息提取的研究领域中多集中于监督分类和非监督分类。赵丹等[5]以北京市大兴区为例，采用定性遥感和定量遥感相结合的手段，对农田质量信息进行了提取。李敏等[6]以山东夏津县为例，通过研究棉花与其它作物的物候历，分析棉田光谱特征，选择多年相似时相的多光谱遥感影像，获取研究区内棉花种植面积和分布信息。尤惠等[7]通过分析研究区棉花不同生育期的光谱特征和归一化植被指数(NDVI)时序变化特征，对分类后的影像进行阈值分割、掩膜处理，利用决策树算法提取了汉江平原2012年、2014年棉花种植面积，取得了很好的效果。【本研究切入点】这些研究在本质上都是建立在统计模式下的基于影像单个像素的分类，难以建立对象网络拓扑关系和目标的特征空间，虽然能在不同程度上对分类精度有所改善，却无法从根本上解决高分辨率遥感影像的高速与准确的信息提取问题，并且在实际应用中存在效率低、耗时长的缺点[8]。研究基于面向对象的无人机遥感影像提取方法，实现对棉花种植信息的快速提取。【拟解决的关键问题】在其他学者研究的基础之上，以新疆建设兵团第八师135团为例，利用eCognition8.9软件平台，确定最优分割尺度，对无人机遥感试验获取的可见光影像进行分割；其次优化分类特征，构建特征空间；最后运用面向对象的最邻近分类法，对可见光影像进行棉花种植信息的提取。为区域棉花种植信息提取提供新思路。

1 材料与方法

1.1 材 料

研究区位于新疆兵团第八师135团，空间分布范围为85°04′～85°21′E，44°38′～44°58′N，该地区地处准噶尔盆地南部，沙湾县境内，区域内主要包括棉花、葡萄、玉米、林地、草地、建筑物等地物，干燥炎热，气候光照充足，水土光热资源丰富。年平均气温6.4～7.3℃，无霜期161 d，日照时数2 828 h，非常适宜棉花的生长，是新疆重要的棉花生产基地[9]。图1

图1 研究区示意
Fig.1 Area of study area

于2017年8月31日采集无人机数据，获取研究区的无人机可见光遥感影像。影像包含28 231×34 590个像元，空间分辨率为5.765 cm，面积约为3.25 km2。无人机获取后的数据通过区域网空中三角测量法[10]消除误差，利用Pix4D软件完成辐射定标和影像拼接。由于数据量较大，且排除建筑物等其他因素的干扰，选取飞行区域南部部分区域作为感兴趣区。图像以.tif格式存储了地物红、绿、蓝3种色彩的灰度值，每种色彩含8位字节的信息，数值范围为0～255。感兴趣区内地物以棉花为主，以及玉米、葡萄、林地、道路、草地共六种地物类型。图1

1.2 方 法

面向对象的分类方法是一种新的分类方法，它以对象基元为操作单元，能够很好的利用地物的光谱信息和像素之间的空间特征[11]，因此，在用于影像分类过程中可以得到更好的效果。运用面向对象的分类方法，借助eCognition 8.9软件提取无人机可见光遥感影像棉花种植信息。

根据同类地物同质性较高，异类地物异质性较高的标准，结合地物形状、颜色、纹理、紧致度等特征信息，采用多尺度分割算法，将影像分割成多个对象基元或影像对象，构建样本和特征空间，根据隶属度算法，在特征空间中寻找最近的样本对象进行分类。影像对象O与样本对象S之间的距离计算公式如下[12]：

(1)

式中，d通过所有特征值的标准差而得到归一化，基于距离d的多维指数隶属度函数为：

Z(d)=ekd2.

(2)

为了评估分类结果的精度，研究统计棉花的种植面积，并计算得到误差系数，误差系数的计算方法如下：

(3)

其中，a表示实测面积，b表示估算面积。

2 结果与分析

2.1 影像分类

面向对象的分类方法是研究的关键技术过程，主要分为三个步骤：影像分割、建立最优特征空间和分类。图2

图2 技术流程
Fig.2 Technical process

2.1.1 多尺度影像分割

多尺度分割是一种自下而上的分割算法，它是一个用来连续地合并像元或现有的影像对象的优化过程，通过合并相邻的像元或小的分割对象，在保证对象与对象之间平均异质性最大，对象内部像元之间同质性最大的前提下，基于区域合并技术实现的影像分割[13]。

分割步骤包括：①设置分割参数：Scale parameter参数是用来确定生成的影像对象所允许的最大异质度，值越大则生成的影像对象的尺寸越大，反之则越小；根据地物类型的特征，通过“试误法”(尝试-错误法)[14]，判断分割后的对象既能有效的区分地物边界，又能有较小的数据冗余，最终确定最优分割参数为100。Image Layer weights参数是用来设置参与分割的波段的权重；由于研究采用的无人机可见光遥感影像中无近红外波段，只存在RGB三个波段，而第三波段又因为发生瑞利散射丢失信息，因此，将四个波段权重参数设置为2、2、1、0。Composition of homogeneity criterion参数是用来表示最小异质性、同质性，由颜色(光谱)和形状组成，两者权重之和为1，而形状又由平滑度和紧致度来表示，两者权重之和也为1。综合考虑分割对象的边缘平滑程度和对象的紧致程度，对比多次分割实验结果，最终确定形状和紧致度的比重参数设置为0.2∶0.5。②多尺度分割：以影像中任意一个像元为中心开始分割，第一次分割时以单个像元为一个最小的多边形对象参与异质性值的计算；第一次分割完成后，以生成的多边形对象为基础进行第二次分割，同样计算异质性值f，判断f与预定的阈值之间的差异，若f小于阈值s，则继续进行多次的分割，否则停止分割。

2.1.2 特征空间构建

多尺度分割将影像分割成若干影像对象，这些影像对象包含很多用于区分不同地物的特征信息[14]，包括光谱特征、形状特征、结构特征、纹理特征等信息，将这些特征作为分类依据，参与分类过程。

首先定义分类样本。根据研究区地物类型将样本定义为棉花、玉米、葡萄、道路、林地、草地六种，分别赋予红、黄、紫、蓝、绿、青六种颜色，并在影像对象中均匀的选择若干个具有代表性的分类样本，作为分类单元。

其次，选择能够区分地物类型的分类特征，在使用面向对象的分类方法中，波段均值仅是特征空间中的一种特征，还可以利用波段的比率、标准差、最大差分、亮度等光谱特征[15]，以及形状指数、长度、长宽比等形状特征，甚至是比较复杂的一些纹理特征等。

根据需要提取的作物类型的特征，研究采用的作物类型特征主要来源于影像本身的光谱特征和对象切割后的形状特征，并以此为分类特征的优化选择提供依据。根据农田的特征，首先选择了影像的原始波段，即B1(蓝光波段)、B2(绿光波段)、B3(红光波段)，同时考虑到农田形状良好的区分能力，又选取了面积(Area)、厚度(Thickness)、形状指数(Shape index)、长厚比(Length/Thickness)、长宽比(Length/Width)、长度(Length)、宽度(Width)共10项特征来构建特征空间。基于各个类别的样本，以及初始特征集，找到类别之间区分的最大平均最小距离的特征组合，作为分类的最优特征集，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。通过计算可以得到特征维度间的距离值，值越大表示分类样本在该特征下的区分度也越大。图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

图3 分类样本
Fig.3 Samples of classification表1 分类特征距离
Table 1 Classification feature distance table

特征参数CharacteristicparameterDimension1Dimension2Dimension3Dimension4Dimension5特征B1B3B2B2B2形状指数形状指数形状指数形状指数B1B1B1B3B3宽度距离0.03340.23150.40140.44320.4891

图4 分类特征随维度距离变化
Fig.4 Classification features vary with the distance of the dimension

研究表明，随着特征数的增加，样本间的区分距离也随之增加，表明使用B2、形状指数、B1、B3和宽度5个特征作为最优特征进行分类，可以更好的区分不同作物类型。图4

2.1.3 最邻近分类

传统的分类方法是给每一像元只赋予唯一类别的分类方法[16]，具有一定的局限性。研究运用模糊分类中的最邻近分类法，它以模糊逻辑和模糊集合为基础，采用隶属度函数，计算每个影像单元对于所有类的隶属度，根据隶属度大小进行分类。该方法突破了传统分类方法的限制，把含有更多语义信息的多个相邻像元组成的对象作为处理单元，从较高层次对遥感影像进行分类，有效地结合了基于地物特点和影像特征之间的对应关系而建立的规则，更加真实可靠，提高了分类精度，整个过程由计算机自动完成。

2.2 棉花种植信息提取及精度评价

2.2.1 棉花种植信息提取

在eCognition 8.9软件中使用最邻近分类法，选取不同作物的典型样本，利用各个类别属性里增加的标准特征空间进行分类。从分类结果对比图中可以看出，基于对象的分类方法主要以多像元构建的对象为基本分类单元，分类后的结果比较连续，同一地物类型中即使存在噪声像元，也不影响最终的分类结果，所有作物连片出现，无椒盐现象，十分接近地物的真实分布特征。图5

注：a. 目视解译分类结果；b. 面向对象分类结果

Note: a. Visual interpretation； b. Object oriented

图5 提取结果对比
Fig.5 Comparison of extraction results

2.2.2 精度分析

将分类结果进行以.shp格式导出，将面积较小的图斑进行合并后得到了棉花种植区的空间分布结果。为了评价该方法的分类精度，利用目视解译[17]和面向对象分类法对无人机可见光影像进行棉花种植信息进行了对比，目视解译分类结果通过ArcGIS10.3软件平台矢量化完成。以目视解译结果为基准，作为实测值来检验基于面向对象提取结果的精度，统计了棉花的估算面积，并与目视解译后得到的实测面积进行了对比分析，计算误差系数。

对比目视解译提取结果图和基于面向对象提取结果图，可以看出，基于面向对象提取的棉花分布位置和目视解译提取的棉花分布位置基本相同，说明基于面向对象分类方法能够精确地定位棉花种植区分布。分别统计两种分类结果中棉花的面积，假设以目视解译提取的棉花种植信息作为实测值，对基于面向对象提取结果进行精度计算，结果表明，目视解译提取的棉花种植面积为0.35 km2，面向对象提取的棉花种植面积为0.33 km2，二者相差0.02 km2，分类精度约为94.29%，误差系数为5.71%，表明分类精度较高。表2

表2 分类结果与误差
Table 2 Classification results and errors

作物类型实测面积(km2)估算面积(km2)误差系数(%)棉花0.350.335.71

3 讨 论

3.1 近些年遥感技术在农业的各个领域都应用广泛且效果明显，比如农业资源调查、长势监测、病虫害监测、作物估产等方面，遥感技术已成为促进农业生产可持续发展的有利工具。而作物种植类型识别则是农业遥感应用的基础和前提，没有准确的作物种植信息(作物种植类型、分布范围、地块边界等)将使农业遥感技术应用受到极大的限制，从而影响长势监测、病虫害监测和作物估产的精度。同时，受到空间分辨率和时间分辨率的限制，常规遥感手段有时不能完全满足农业生产的需要，这对现有的农业遥感技术人员提出了新的挑战。随着无人机技术的进步和小型机载传感器的发展，为作物识别精度的提高提供了新的技术手段。无人机搭载可见光相机具有数据采集速度快、精度高、易操作、成本低的特点。如果能利用可见光相机数据对区域中的作物种植信息进行提取，将有效的降低农业资源调查的成本，缩短数据获取的周期，为后续的长势监测等精准农业环节提供基础数据。

3.2 面向对象的分类方法可以在影像光谱特征的基础上构建对象，充分利用对象的形状、大小、位置、纹理以及与周围地物的空间关系等特征，通过建立对象特征知识库和分类规则体系来提取分类信息，对于棉花种植区域分类精度较高，是一种有效的作物分类方法[18]。但该方法需要选择合适的样本以及特征空间，人为因素明显，分类过程比较复杂。同时，无人机可见光相机数据也不同于卫星遥感影像，只有红、绿、蓝3种颜色的灰度特征，无法通过近红外波段计算相关植被指数[19]。无人机起降方便，不受时间和空间的限制，在新疆农田信息调查中是一种极佳的补充手段。利用无人机搭载可见光相机获取的影像可以用于区域作物的信息提取，但对于更大尺度的作物分类还需要进一步验证。

4 结 论

4.1 面向对象的分类方法以对象为基本操作单元，对对象进行分析，结合纹理、颜色、形状等特征信息，构建特征空间，运用到分类器中，相比传统的基于像素分类更接近于目视解译的效果。

4.2 影像通过多尺度分割技术和特征空间构建技术，借助eCognition软件自动获取最优的不同尺度影像信息提取特征，有效的结合了人的认知机理，避免了“椒盐现象”的产生，极大地提高了影像分类精度。

4.3 选取了B2、形状指数、B1、B3和宽度5个特征作为最优特征进行分类，结果表明，研究筛选出的分类特征可以有效的提升分类精度。

4.4 基于面向对象的分类精度为94.29%，误差系数为5.71%，证明该方法在作物分类的过程中具有极高的分类精度，是一种行之有效的分类方法，且无人机可见光遥感影像数据获取成本低、分辨率高，为棉花种植信息提取提供了新思路。

参考文献(References)

[1] 李敏, 赵庚星, 蔡明庆. 县域棉花信息遥感提取与棉田精确化管理分区研究[J]. 自然资源学报, 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] 黄青, 王利民, 滕飞. 利用MODIS -NDVI 数据提取新疆棉花播种面积信息及长势监测方法研究[J]. 干旱地区农业研究, 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, 张清, 李希灿, 等. 基于多时相影像的棉花种植信息提取方法研究[J]. 干旱区研究, 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] 杨进生, 郭颖平, 盖利亚, 等. 无人直升机遥感在华北平原地裂缝监测中的应用[J]. 遥感信息, 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] 赵丹曹. 基于多光谱影像的县域农田质量信息提取与快速评价[D]. 北京: 中国地质大学硕士论文, 2015.

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

[6] 李敏. 基于RS和GIS的县域棉花信息提取几分区管理研究-以山东省夏津县为例[D]. 泰安: 山东农业大学硕士论文, 2012.

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

[7] 尤惠, 高华东, 苏荣瑞, 等. 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, 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. 卫星MPLS网络关键技术研究[M]．北京: 清华大学出版社, 2001.

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

[9] 杜红, 杜峰, 李红英, 等. 新疆农八师垦区气候变化及对农业的影响[J]. 中国农学通报, 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, 陈曦, 杨辽. 构架航线对无人机影像区域网平差精度影响分析[J]. 测绘科学, 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] 刘家福, 刘吉平, 姜海玲. eCognition数字图像处理方法[M]. 北京: 科学出版社, 2017: 57-58.

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

[12] 江华. 基于eCognition的地理国情普查道路信息提取[D]. 上海: 华东理工大学硕士论文, 2015.

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

[13] 吴健生, 刘建政, 黄秀兰. 基于面向对象分类的土地整理区农田灌排系统自动化识别[J]. 农业工程学报, 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, 苏建东, 刘广玉, 等. 面向对象的无人机遥感影像烟草种植面积提取与监测[J]. 测绘科学, 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] 曹卫彬, 杨邦杰, 宋金鹏. TM影像中基于光谱特征的棉花识别模型[J]. 农业工程学报, 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] 丛瑜, 苗红正. 基于面向对象技术的农田分类方法[J]. 地理空间信息, 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] 玉苏甫·买买提, 吐尔逊·艾山, 买合皮热提·吾拉木. 新疆渭 - 库绿洲棉花种植面积遥感监测研究[J]. 农业现代化研究, 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] 齐义娜. 面向对象的高分辨率遥感影像信息提取与尺度效应分析[M]. 吉林: 东北师范大学, 2009: 12-13.

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

[19] 汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，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)