基于無人機遙感影像的水稻種植信息提取

李 明，黃愉淇，李緒孟，彭冬星，謝景鑫

?

基于無人機遙感影像的水稻種植信息提取

李 明1,3，黃愉淇1，李緒孟2，彭冬星1，謝景鑫1

（1. 湖南農業(yè)大學工學院，長沙 410128； 2. 湖南農業(yè)大學理學院，長沙 410128； 3. 湖南星索爾航空科技有限公司，長沙 410100）

水稻是中國南方最主要的糧食作物，種植面積波動對國家糧食穩(wěn)定有很大影響。通過無人機遙感試驗獲取多幅有重疊區(qū)域的圖像，使用Agisoft photoscan軟件拼接重構試驗區(qū)的完整圖像，利用多尺度分割方法將試驗區(qū)域分割成若干對象，并基于統(tǒng)計方法提取對象的光譜特征、幾何特征和紋理特征；然后，建立識別水稻地塊的二分類Logistic回歸模型，特征指標為形狀指數、紅色均值、紅色標準偏差、最大化差異度量、灰度共生矩陣同質性和灰度共生矩陣非相似性。結果表明：模型辨識訓練樣本集的正確率為100%，辨識檢驗樣本的正確率為97%，模型應用于辨識驗證區(qū)域水稻田塊，總體正確率為98%。最后基于累計像素方法測算水稻田塊的面積，并與目視解譯測算的結果對比，面積誤差小于3.5%，研究方法識別水稻田塊效果好，面積測算準確率高。因此，該研究對利用無人機遙感影像普查水稻種植信息具有一定的適用性。

無人機；遙感；農作物；可見光；水稻；二分類

0 引 言

中國是擁有13億人口的大國，糧食問題是關系國計民生的大事，在國民經濟和社會發(fā)展中占有極其重要的地位[1]。隨著中國城鎮(zhèn)化、工業(yè)化的推進，耕地面積下降，并且種植作物呈多元化發(fā)展趨勢[2]。水稻是中國南方最主要的糧食作物[3]，及時掌握其種植信息，對維護國家的糧食穩(wěn)定及制定相關政策有著巨大意義。

遙感技術[4]，具備獲取信息豐富、多分辨率和多平臺、快速和覆蓋范圍廣的優(yōu)勢，被廣泛用于農情信息獲取[5-9]。隨著飛行技術的發(fā)展，具有機動靈活、作業(yè)選擇性強、作業(yè)周期短、時效性好、維護使用費低、安全性好的無人機平臺近年來逐漸趨于成熟[10-11]。隨著微型計算機、通訊設備等技術迅速發(fā)展，搭載遙感設備的無人機平臺成為近年獲取作物種植信息研究的熱點[12-13]。

前人利用無人機平臺獲取可見光圖像提取物種植信息的研究取得了一定的進展，就其方法而言，大致分為兩類：基于像元的提取方法和基于面向對象分類技術的提取方法。在基于像元提取方法的研究方面，汪小欽等[14]基于可見光無人機遙感的RGB圖像，利用植被在綠光波段的反射及在紅光和藍光波段的吸收特性，構建了植被指數VDVI（可見光波段差異植被指數）；李宗南等[15]基于小型電動無人機搭載彩色數碼相機獲取的彩色圖像，分別通過色彩特征和紋理特征區(qū)分正常、倒伏玉米，發(fā)現基于紅、綠、藍色均值紋理特征提取倒伏玉米面積的誤差?。豁n文霆等[16]基于固定翼無人機獲取RGB圖像，研究拔節(jié)期玉米種植信息提取方法，綠色均值、藍色協同性和紋理低通植被指數TLVI作為玉米種植信息提取特征，面積提取誤差總體可以控制在20%以內；Kyle等[17]基于DJI多旋翼無人機獲取的多幅RGB圖像，使用自適應余弦估計器和譜角映射器算法完成藻類識別；Carlos Poblete-Echeverría等[18]基于無人機遙感捕捉具有超高空間分辨率的圖像，比較-均值、人工神經網絡、隨機森林和光譜指數在VSP訓練的葡萄園中的冠層檢測性能。在基于面向對象分類技術的提取方法的研究方面，王利民等[19]基于無人機獲取RGB影像，利用光譜特征、幾何形狀特征、紋理特征，采用面向對象分類方法對苜蓿、春玉米、夏玉米和裸土進行分類；董梅等[20]基于無人機遙感影像技術，以面向對象的遙感影像分析方法提取煙草種植面積及其分布信息；魯恒等[21]基于無人機影像技術，提出利用遷移學習機制的耕地提取方法。

水稻是中國南方最主要的糧食作物，然而，目前國內還沒有利用無人機平臺獲取水稻種植信息的研究，為此，本文研究將一種基于無人機搭載可見光遙感設備獲取的數字影像研究提取水稻種植信息的方法，為水稻種植信息普查提供方法補充。

1 數據來源

1.1 研究區(qū)概況

研究區(qū)域分為試驗區(qū)和驗證區(qū)，分別位于湖南省中部新化縣土坪村和湖南省長沙市省農業(yè)科學院水稻研究所水稻試驗展示基地，地處中緯度地帶（110°45′－111°41′E，27°31′－28°14′N）和(111°53′－114°15′E，27°51′－28°41′N)，屬亞熱帶季風性濕潤氣候，氣候溫和，降水充沛，雨熱同期，四季分明[22]，土地平坦且肥沃，熱量資源豐富，光照充足，適合水稻的種植生產，早稻的生長期為3月到7月[23]。測區(qū)條件交通條件便利、田塊多且地勢相對平整，為遙感影像分類提取提供便利，同時對作物的地面生長情況監(jiān)控充足，各種作物資料獲取方便，為無人機遙感影像的農情監(jiān)測應用研究提供了可靠的保障。試驗區(qū)測區(qū)面積大約為6 km×2 km；驗證區(qū)測區(qū)面積大約為0.8 km×0.6 km。

1.2 數據獲取

研究的數據來源于2017年6月在試驗區(qū)和2017年7月在驗證區(qū)進行的無人機遙感試驗。無人機平臺采用星索爾航空科技有限公司的六旋翼無人機，最大飛行速度為6 m/s，軸距1 300 mm，起重限額10 kg，最大續(xù)航時間50 min。其搭載的相機影像傳感器為CMOS，鏡頭搭載的為FOV94，對焦點無窮遠，單幅照片最大像素4 000× 3 000 pixel。試驗區(qū)設計飛行航高120 m，航線20條，航線總長30 km，航拍獲取了試驗田地及附近地區(qū)374張航片。驗證區(qū)設計飛行航高60 m，航線10條，航線總長8 km，航拍獲取了試驗田地及附近地區(qū)140張航片。

1.3 數據處理

航空影像通過Agisoft PhotoScan軟件進行影像拼接，整個工作流程由軟件自動完成。試驗區(qū)和驗證區(qū)正射影像圖如圖1所示。

圖1 試驗區(qū)和驗證區(qū)正射影像圖

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、生成紋理，獲取符合《數字航空攝影測量空中三角測量規(guī)范》中對1:1000 0平地平面精度要求的圖像[24]。由軟件導出正射影像圖，以JPEG圖像格式儲存。圖像的空間分辨率為0.04和0.02 m，圖像位深度為24，色彩空間為sRGB；該圖像存儲了地物紅、綠、藍3種色彩的灰度值，每種色彩含8位字節(jié)的信息，數值范圍為0～255。

2 基于面向對象分類法的水稻種植面積提取方法

研究使用的JPEG圖像只具有紅、綠、藍3色的灰度信息，僅僅使用基于單個像元的光譜信息對地物進行分離，造成分類精度不高，而且分類結果易呈現“椒鹽”現象，對遙感影像的應用帶來不利影響[25]。通過面向對象分類方法，不再僅僅依靠單一像素的光譜信息，而是針對影像對象單元集合，充分利用光譜信息、幾何特征、紋理特征和上下文等屬性信息，遙感影像信息的提取得到明顯的改善，對分類及面積提取的精度得到提高[26-27]。因此研究首先對JPEG圖像進行對象分割，然后針對影像的對象分割單元提取多空間特征值進行處理分析與統(tǒng)計，建立多特征對象的分類體系。數據處理軟件使用eCognition Developer 9，分割算法采用圖像多尺度分割，分類算法采用指定類分類。

2.1 圖像的分割參數的選擇

多尺度分割是較為常用的分割算法，分割尺度、光滑度和緊密度等參數的選擇直接決定影像對象的大小以及信息提取的精度。利用eCognition軟件，結合影像數據實際地物特征，通過多次試驗，最終選取具體的影像分割參數。試驗區(qū)的尺度參數Scale=480，形狀因子Shape=0.1，緊湊度因子Compact=0.1。分割后共880個對象，其中水稻地塊173塊，其他地塊707塊。驗證區(qū)的尺度參數Scale=1 500，形狀因子Shape=0.1，緊湊度因子Compact=0.3，分割后得到共240個分割對象，水稻地塊17塊，其他地塊223塊。目視檢驗表明分割效果較好，圖2為試驗區(qū)與驗證區(qū)多尺度分割結果。

圖2 試驗區(qū)和驗證區(qū)多尺度分割

2.2 試驗區(qū)特征統(tǒng)計分析

使用eCognition Developer 9統(tǒng)計對象特征值。試驗區(qū)域影像中173個水稻田塊、707個其他地塊的亮度、紅色均值、綠色均值、藍色均值、最大化差異度量、紅色標準偏差等32項特征參數的最大值和最小值見表1。分析表1發(fā)現，兩類對象的所有特征值都有交集，使用單一特征辨別水稻地塊是不可行的，因此將利用多個特征組合對水稻地塊進行區(qū)分。

表1 水稻地塊與其他地塊的特征值

2.3 辨識模型構建與檢驗

2.3.1 二分類Logistic回歸模型

在統(tǒng)計分析上，Logistic回歸應用非常廣泛。其中Binary logistic回歸分析因變量為0和1。為試驗方便，把水稻地塊標記為1，水稻地塊以外的其他地塊標記為0。采用Logistic模型，將因變量的范圍鎖定在[0,1]范圍內，記發(fā)生的條件概率為，把的某個函數()假設為變量的函數形式，進行l(wèi)ogit變換。

Logistic線性回歸模型[28-29]為

將式（2）對求解得到

式中0，1，2，…，α為回歸系數；1，2，3，…，X為線性回歸自變量。

2.3.2 二分類Logistic辨識模型的構建

將試驗區(qū)的對象分成兩份，隨機選取水稻地塊87塊和其他地塊354塊作為訓練樣本，用于二分類Logistic回歸模型的構建。使用SPSS的條件向前逐步法構建二分類Logistic回歸模型，在處理過程中，所有變量依據比分檢驗的概率大小依次進入方程，并依據條件參數似然比進行檢驗剔除變量?；貧w系數α見表2，訓練樣本的分類結果見表3。

表2 模型參數估計結果

表3表明：正確分類水稻地塊數為87，正確分類其他地塊數為354，正確率均為100%。具體的二分類Logistic回歸模型為

式中1，2，3，4，5，6分別代表對象的形狀指數、紅色均值、紅色標準偏差和最大化差異度量、灰度共生矩陣對比度和灰度共生矩陣非相似性的值。

2.3.3 對象分類的Holdout檢驗

Holdout檢驗是將隨機剔除掉的樣本進行檢驗[30]。利用全部對象檢驗構建的二分類Logistic回歸模型和對象分類特征。檢驗結果表明：構建的二分類Logistic回歸模型辨識檢驗樣本的正確率為100%，見表3，基于二分類Logistic分類算法水稻的提取結果見圖3。

表3 基于二分類Logistic分類算法的試驗區(qū)分類結果

注： 1表示水稻地塊，0表示非水稻地塊。余同

Note: 1 is defined as rice area, 0 is defined as other area. The same as below.

注：綠色圖塊為提取的水稻地塊。余同

2.4 基于二分類Logistic分類算法提取水稻地塊的驗證

為進一步檢驗方法的可行性，從驗證區(qū)的240個對象中隨機選取總對象的約1/2，即水稻地塊8塊，其他地塊101塊，作為訓練樣本，其余為檢驗樣本，訓練樣本用于構建二分類Logistic回歸模型，重新確定式（4）中形狀指數、紅色均值、紅色標準偏差和最大化差異度量、灰度共生矩陣對比度和灰度共生矩陣非相似性特征6個變量的系數，然后利用重新構建的二分類Logistic回歸模型辨識檢驗樣本。

結果表明，訓練樣本正確分類水稻地塊數為8，正確率為100%，正確分類其他地塊數為101，正確率為100%，總體正確率為100%；驗證樣本正確分類水稻地塊數為8，正確率為89%，正確分類其他地塊數為122，正確率為100%，總體正確率為99%（表4）。基于二分類分類算法驗證區(qū)域提取結果見圖4。通過觀察該區(qū)域觀察值為1而預測值為0的地塊，發(fā)現產生誤判的原因是該田塊在該時期生長還未封行，光譜信息上與其他的水稻地塊差異大。

表4 基于二分類Logistic分類算法的驗證區(qū)分類結果

圖4 基于二分類Logistic分類算法驗證區(qū)域提取結果

3 水稻種植面積提取精度驗證

使用目視解譯獲得水稻種植面積的實測值，根據地面調查數據和觀察試驗區(qū)域圖像中水稻的特征，以田埂為邊界，用鋼筆工具勾畫出試驗區(qū)域和驗證區(qū)域圖像所有水稻地塊，水稻種植面積的目視解譯提取結果見圖5，綠色為水稻地塊。

圖5 目視解譯提取結果

對比圖3和圖5a、圖4和圖5b發(fā)現提取出的水稻地塊在試驗區(qū)域圖像中分布位置基本相同，說明基于二分類Logistic回歸模型的分類算法能夠較準確定位水稻種植地塊的分布?；诶塾嬒袼攸c方法分別統(tǒng)計目視解譯和基于二分類類分類算法方法提取結果的水稻地塊的面積，并以目視解譯結果為基于二分類Logistic算法進行精度評價，精度表見表5，試驗區(qū)與驗證區(qū)的誤差分別為0.20%和3.5%。

表5 水稻地塊提取面積精度

4 討 論

本文試驗區(qū)和驗證區(qū)地物主要包括水稻、樹體、草地、裸地、水體和建筑。紅色均值是區(qū)分植被覆蓋對象（水稻、草地、樹體）與非植被覆蓋對象（裸地、水體、建筑）顏色信息；紅色標準偏差和最大化差異度量刻畫水稻和草地的顏色變化差異，水稻地塊的顏色相對均勻，雜草地缺乏管理，長勢不均，顏色變化相對較大；水稻地塊和樹體顏色變化都較小，但是樹體的邊界較破碎，其形狀指數較大，形狀指數能有效區(qū)分顏色均值接近且變化較小的水稻地塊和樹體；紋理特征體現地物表面緩慢變化或者周期性變化的結構組織排列屬性[31]，水稻、樹體、草地、裸地、水體和建筑均存在一定差異，是從地物中區(qū)分水稻地塊的補充屬性。機理分析上看6個特征指標區(qū)分試驗區(qū)和驗證區(qū)地物是合理的。

6個特征指標基于試驗區(qū)確定，同時適合于不同地域，不同生長期的驗證區(qū)水稻地塊的辨識，驗證區(qū)的辨識正確率99%。試驗結果表明，紅色均值、紅色標準偏差和最大化差異度量，形狀指數，灰度共生矩陣對比度和灰度共生矩陣非相似性六個特征指標能有效辨識水稻地塊。

5 結 論

1）基于對象的32項特征統(tǒng)計，運用二分類Logistic回歸模型確定了水稻地塊提取的6個特征指標，其中，光譜特征3個指標，紅色均值、紅色標準偏差和最大化差異度量，即對象所有像素紅色圖層的均值、標準差和三種光譜均值的最大的差異，其作用是區(qū)分水稻地塊對象與其他對象的顏色信息。形狀特征1個指標，形狀指數，表示對象邊界的光滑度，對象邊界越破碎，其形狀指數越大。紋理特征2個指標，灰度共生矩陣對比度和灰度共生矩陣非相似性，均表示對象局部灰度變化總量，灰度差別越大則對比度的值越大，對比度越高，非相似性度也越大。

2）基于二分類Logistic模型進行地塊分類，有效提取了辨識水稻地塊的光譜特征、形狀特征和紋理特征，能夠較準確的辨識水稻地塊，辨識正確率高，采用累計像素點方法測量試驗區(qū)與檢驗區(qū)的面積，以目視解譯的面積作為精度評價，誤差率分別為0.20%和3.5%。表明利用本文方法對水稻種植情況普查具有一定參考價值。

3）利用本方法辨識水稻田塊受水稻生育期的影響，進一步分析發(fā)現驗證區(qū)，與其他水稻田塊比較，錯誤分類的水稻田塊水稻生育期差異明顯，該田塊水稻明顯未封行。因此，不同時期調進行多次調查是進一步提高本方法辨識水稻地塊正確率的有效途徑。

[1] 章秀福，王丹，方福平，等. 中國糧食安全和水稻生產[J]. 農業(yè)現代化研究，2005，26(2)：85－88. Zhang Xiufu, Wang Dan, Fang Fuping, et al. Food safety and rice production in China[J]. Research of Agricultural Modernization, 2005, 26(2): 85－88. (in Chinese with English abstract)

[2] 李景奇. 中國農業(yè)的現狀和前景展望[J]. 中國農業(yè)信息，2013，17(1)：56－58.

[3] 唐華俊. 新形式下中國糧食自給戰(zhàn)略[J]. 農業(yè)經濟問題，2014(2)：4－10.

[4] 史舟，梁宗正，楊媛媛，等. 農業(yè)遙感研究現狀與展望[J]. 農業(yè)機械學報，2015，46(2)：247－258. Shi Zhou, Liang Zongzheng, Yang Yuanyuan, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247－258. (in Chinese with English abstract)

[5] 李明，趙俊霞，胡芬. 國家航空航天遙感影像獲取現狀及發(fā)展[J]. 測繪通報，2015(10)：12－15. Li Ming, Zhao Junxia, Hu Fen. Status and development for acquisition of national aerospace remote sensing imageries[J]. Bulletin of Surveying and Mapping, 2015(10): 12－15. (in Chinese with English abstract)

[6] 宋曉宇，王仁紅，楊貴軍，等. 高分辨率遙感影像中冬小麥長勢空間異質性特征分析[J]. 農業(yè)工程學報，2014，30(37)：192－199. Song Xiaoyu, Wang Renhong, Yang Guijun, et al. Winter wheat growth spatial variability character analysis based on remote sensing image with high resolution[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(17): 192－199. (in Chinese with English abstract)

[7] Lamb D W. The use of qualitative airborne multispectral imaging for managing agricultural crops: A case study in south-eastern Australia[J]. Australian Journal of Experimental Agriculture, 2000(40): 725－738.

[8] Xiang Haitao, Tian Lei. Development of a low-cost agricultural remote sensing system based on an autonomous unmanned aerial vehicle (UAV)[J]. Biosystems Engineering, 2011(108): 174－190.

[9] 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(yè)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 Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(18): 1－12. (in Chinese with English abstract)

[10] 白由路，金繼運，楊俐蘋，等. 低空遙感技術及其在精準農業(yè)中的應用[J].土壤肥料，2004(1)：3－6. Bai Youlu, Jin Jiyun, Yang Liping, Technology of low altitude remote sensing and its applications in precision agriculture[J]. Soil and Fertilizer Sciences in China, 2004(1): 3－6. (in Chinese with English abstract)

[11] 高奮生. 低空無人機遙感的應用及發(fā)[J].農業(yè)網絡信息，2014(12)：75－78. Gao Fensheng, Application and progress on low-altitude unmanned aerial vehicle remote sensing[J]. Agriculture Network Information, 2014(12): 75－78. (in Chinese with English abstract)

[12] 楊邦杰，裴志遠，周清波. 我國農情遙感監(jiān)測關鍵技術研究進展[J]. 農業(yè)工程學報，2002，18(3)：191－194. Yang Bangjie, Pei Zhiyuan, Zhou Qingbo, et al. Key technologies of crop monitoring using remote sensing at a national scale progress and problems[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(3): 191－194. (in Chinese with English abstract)

[13] Rango A, Laliberte A, Herrick J E, et al. Unmanned aerial vehicle-based remote sensing for rangeland assessment,, monitoring, and management[J]. Journal of Applied Remote Sensing, 2009, 3(1): 335－342.

[14] 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(yè)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)

[15] 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(yè)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 Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(19): 207－213. (in Chinese with English abstract)

[16] 韓文霆，李廣，苑夢嬋，等. 基于無人機遙感技術的玉米種植信息提取方法研究[J]. 農業(yè)機械學報，2017，48(1)：140－147. Han Wenting, Li Guang, Yuan Mengchan, et al. Extraction method of maize planting information based on UAV remote sensing techonology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 140－147. (in Chinese with English abstract)

[17] Kyle F F, Steven C C. Remote sensing of submerged aquatic vegetation in a shallow non-turbid river using an unmanned aerial vehicle[J]. Remote Sensing, 2014, 6(12): 12815－12836.

[18] Carlos Poblete-Echeverría, Guillermo Federico Olmedo, Ben Ingram, et al. Detection and segmentation of vine canopy in ultra-high spatial resolution RGB imagery obtained from unmanned aerial vehicle (UAV):A case study in a commercial vineyard[J]. Remote Sensing, 2017, 9(268): 14.

[19] 王利民，劉佳，楊玲波，等. 基于無人機影像的農情遙感監(jiān)測應用[J]. 農業(yè)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)

[20] 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提取和監(jiān)測[J]. 測繪科學，2014，39(9)：87－90. Dong Mei, Su Jiandong, Liu Guangyu, et al. Extraction of tobacco planting areas from UAV remote sensing imagery by object-oriented classification method[J]. Science of Surveying and Mapping, 2014, 39(9): 87－90. (in Chinese with English abstract)

[21] 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]. 農業(yè)機械學報，2015，46(12)：274－279，284. Lu Heng, Fu Xiao, He Yinan, et a. Cultivated land information extraction from high resolution UAV images based on transfer learning[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(12): 274－279, 284. (in Chinese with English abstract)

[22] 劉朝陽，劉黎明，彭 倩. 南方雙季稻區(qū)農戶水稻種植模式的決策行為分析：基于湖南省長沙縣農戶調查的實證研究[J]. 資源科學，2012，34(12)：2234－2241. Liu Zhaoyang, Liu Liming, Peng Qian. Analysis of rice cropping decision-making in a double-cropping rice area of southern china[J]. Resources Science, 2012, 34(12): 2234－2241. (in Chinese with English abstract)

[23] 廖中華，周玉梅，劉振之. 新化縣水稻“壓單擴雙”瓶頸及發(fā)展對策[J]. 湖南農業(yè)科學，2016(7)：100－102. Liao Zhonghua, Zhou Yumei, Liu Zhenzhi. Bottleneck and development countermeasures of rice “reduce single and expand double” in xinhua county[J]. Hunan Agricultural Science, 2016(7): 100－102. (in Chinese with English abstract)

[24] 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 with English abstract)

[25] 張俊，于慶國，侯家槐. 面向對象的高分辨率影像分類與信息提取[J]. 遙感技術與應用，2010，25(1)：112－117. Zhang Jun, Yu Qingguo, Hou Jiahuai. Object-oriented classification and information extraction based on high spatial resolution remote sensing image[J].Remote Sensing Technology and Application, 2010, 25(1): 112－117. (in Chinese with English abstract)

[26] 羅開盛，李仁東，常變蓉. 利用面向對象分類技術的大尺度土地覆被調查方法[J]. 中國科學院大學學報，2013，30(6)：770－777. Luo Kaisheng, Li Rendong, Chang Bianrong. Land-cover survey method using object-oriented technology and HJ-CCD image on large scale[J]. Journal of University of Chinese Academy of Sciences, 2013, 30(6): 770－777. (in Chinese with English abstract)

[27] 郭琳，裴志遠，吳全，等. 面向對象的土地利用/覆蓋遙感分類方法與流程應用[J]. 農業(yè)工程學報，2010，26(7)：194－198. Guo Lin, Pei Zhiyuan, Wu Quan, et al. Application of method and process of object-oriented land use-cover classification using remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2010, 26(7): 194－198. (in Chinese with English abstract)

[28] 杜謙，范文，李凱，等.二元Logistic回歸和信息量模型在地質災害分區(qū)中的應用[J]. 災害學，2017，32(2)：220－226. Du Qian, Fan Wen, Li Kai, et al. Geohazard susceptibility assessment by using binary logical regression and Information value model[J]. Journal of Catastrophology, 2017, 32(2): 220－226. (in Chinese with English abstract)

[29] 萬婷，蒲春玲，劉志有.農戶耕地利用影響因素二元Logistic回歸模型分析：以新疆阿瓦提縣為例[J]. 新疆農業(yè)科學，2012，49(7)：1366－1370. Wan Ting, Pu Chunling, Liu Zhiyou. Analysis of influence factors of farmers’ cultivated land use by binary logistic regression mode: A case study of a wat county in Xingjiang[J]. Xinjiang Agricultural Sciences, 2012, 49(7): 1366－1370. (in Chinese with English abstract)

[30] 蔣斌，賈克斌. 一種用于表情識別的局部判別分量分析算法[J]. 電子學報，2014，42(1)：155－159. Jiang Bin, Jia Kebin. A local discriminative component analysis algorithm for facial expression recognition[J]. Acta Electronica Sinica, 2014, 42(1): 155－159. (in Chinese with English abstract)

[31] 謝嘉麗，李永樹，李何超，等. 利用灰度共生矩陣紋理特征識別空心村損毀建筑物的方法[J]. 測繪通報，2017(12)：90－93. Xie Jiali, Li Yongshu, Li Hechao, et al. Recognition of damage buildings in hollow village based on texture feature of gray level co-ocurrence matrix[J]. Bulletin of Surveying and Mapping, 2017(12): 90－93. (in Chinese with English abstract)

Extraction of rice planting information based on remote sensing image from UAV

Li Ming1,3, Huang Yuqi1, Li Xumeng2, Peng Dongxing1, Xie Jingxin1

(1,,410128,; 2.,410128,; 3.,410100,)

The rice is the main crop in China. Based on the advantages of flexibility, high accuracy and short working cycle of the unmanned aerial vehicle (UAV), in this paper, we aim to establish a method for the investigation of rice planting area by UAV remote sensing image. The six-rotor UAV's camera image sensor is CMOS with FOV94. The focus is on infinity. The maximum single pixel is 4 000×3 000 pixels. The experimental region and verification region mainly included rice, tree, grassland, bare land, water body and buildings and so on. At first, the multiple images with overlapped region were obtained by UAV. The complete images of the experimental region and the verification region were obtained by Agisoft photoscan software. The image spatial resolution of the experimental region was 0.04 m and the verification region was 0.02 m. The multiresolution segmentation algorithm of eCognition Developer 9 software was used to segment the complete image of the experimental region and the verification region to obtain several objects and calculate the spectral, geometric, and texture features of each object. Using multiresolution segmentation algorithm to segment the image, the scale parameter of experimental region: scale=480, shape=0.1, compact=0.1, and the total number of objects after the segmentation were 880. The scale parameter of experimental region: scale=1 500, shape=0.1, compact=0.3, a total of 240 split object after segmentation. Subjects in the experimental region and the verification region were divided into training samples and verification samples. Training samples in the experimental region were used to extract characteristic indexes for identifying rice, binary logistic model training samples for identifying rice, and establishment and verification of characteristic indexes. The sample was used to test the race recognition model. The characteristics indexes of race identified in this study were shape index, red mean, red standard deviation Max.diff (maximum difference), GLCM contrast (gray-level co-occurrence matrix contrast) and GLCM dissimilarity(gray-level co-occurrence matrix contrast dissimilarity). The red mean was the index for distinguishing vegetation cover (rice, grassland, tree) and non-vegetation covered objects (bare land, water body, building); red standard deviation and Max.diff (maximum difference) value depicted the color change of rice and grassland; and the color of rice was relatively uniform, with uneven growth and relatively large changes in color. The color of rice and tree changes was small, but the border of the tree was fragmented, the shape index was larger, and the shape index can effectively distinguish between the color mean and the change of rice and tree body. The texture features reflected the slowly-changing or periodically changing structure and arrangement properties of the land surface. Rice, tree, grassland, bare land, water body, and building all had certain differences. It was reasonable to distinguish the six characteristic indexes from the test area and the verification area based on the mechanism analysis, including shape index, red mean, red standard deviation, Max.diff (maximum difference). Based on GLCM contrast (gray-level co-occurrence matrix contrast) and GLCM dissimilarity (gray-level co-occurrence matrix contrast dissimilarity), six characteristic indexes Logistic model of discriminating two classifications of rice land lots, experimental region’s identification of training sample set the correct rate was 100%, the correct rate of validation sample set was 97%, and the overall correct rate was 98%. When the correct rate of training sample set was 100%, the correct rate of validation sample set was 99%, the overall correct rate was 99% on the verification region. Based on the image pixel method, the area of rice was measured and the area error was less than 3.5% compared with the result of visual interpretation. This method had a good effect in identifying paddy fields and high accuracy in area estimation. Therefore, this study had some applicability to the use of UAV visible light remote sensing imagery to survey rice planting information, and had certain reference value for rice census. The results showed that the growth period of paddy rice in the wrongly classified rice lags behind and had not been closed yet. Therefore, this method identified the influence of paddy field growth period on paddy fields and carries out multiple surveys at different times to further improve the method of identifying paddy rice plots the effective way to correct rate.

unmanned aerial vehicle; remote sensing; crops; visible; rice; multi-feature

2017-10-28

2018-01-10

湖南省創(chuàng)新平臺與人才計劃（2017RS3061）；長沙市高新技術產業(yè)發(fā)展專項重點項目（K1508073-11）；湖南省技術創(chuàng)新引導計劃（2016GK4123）；基于無人機數據采集平臺水稻水肥精準管理關鍵技術的研究與示范（2017NK2382）

李 明，博士后，教授，博士生導師，主要從事精準農業(yè)及機器人研究。Email：liming@hunau.net。中國農業(yè)工程學會會員：李明（E041200580S）。

10.11975/j.issn.1002-6819.2018.04.013

S127

A

1002-6819(2018)-04-0108-07

李 明，黃愉淇，李緒孟，彭冬星，謝景鑫. 基于無人機遙感影像的水稻種植信息提取[J]. 農業(yè)工程學報，2018，34(4)：108－114.doi：10.11975/j.issn.1002-6819.2018.04.013 http://www.tcsae.org

Li Ming, Huang Yuqi, Li Xumeng, Peng Dongxing, Xie Jingxin. Extraction of rice planting information based on remote sensing image from UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 108－114. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.04.013 http://www.tcsae.org