基于無人機遙感影像監(jiān)測土地整治項目道路溝渠利用情況

顧錚鳴，金曉斌,2,3※，楊曉艷，趙慶利，蔣宇超，韓 博，單 薇，劉 晶，周寅康,2,3

?

基于無人機遙感影像監(jiān)測土地整治項目道路溝渠利用情況

顧錚鳴1，金曉斌1,2,3※，楊曉艷4，趙慶利4，蔣宇超1，韓 博1，單 薇1，劉 晶1，周寅康1,2,3

（1. 南京大學(xué)地理與海洋科學(xué)學(xué)院，南京 210023；2. 國土資源部海岸帶開發(fā)與保護重點實驗室，南京 210023；3. 江蘇省土地開發(fā)整理技術(shù)工程中心，南京 210023；4.國土資源部土地整治中心，北京 100035）

為客觀監(jiān)測和有效評價土地整治項目基礎(chǔ)設(shè)施建后利用情況，初步探討利用無人機航拍影像結(jié)合智能算法識別設(shè)施利用狀態(tài)的可能性，該文選取典型項目，利用多旋翼無人機航拍獲取高分辨率影像，提取田間道路和骨干溝渠影像網(wǎng)格切片，通過BoW模型構(gòu)建典型地物樣本特征庫基于樣本紋理特征進行分類，利用支持向量機模型對研究區(qū)骨干線狀基礎(chǔ)設(shè)施利用狀況進行識別，并依據(jù)目視解譯和實地勘察對識別結(jié)果進行了精度驗證。結(jié)果顯示無人機遙感方法可以初步識別研究區(qū)基礎(chǔ)設(shè)施建后利用情況；研究區(qū)田間道路病害和骨干溝渠淤塞情況識別總體分類精度達到80%和70%；田間道路分類誤差主要來自通行不暢與路面裂縫，骨干溝渠分類誤差主要來自輕度淤塞；提高影像精度情況下，田間道路利用狀況識別精度有所提升但不顯著，骨干溝渠通暢狀況識別精度無明顯變化，模型對寬度2 m以下溝渠識別結(jié)果精度較差。研究表明，基于無人機遙感對土地整治項目基礎(chǔ)設(shè)施利用情況進行自動分類識別具有可行性且效率較高，而監(jiān)測精度有待于后期進一步提升。

無人機；遙感；模型；土地整治；基礎(chǔ)設(shè)施

0 引 言

土地整治是當前中國提高土地利用效率和支持農(nóng)村發(fā)展的有效手段，對保護耕地資源、完善農(nóng)田基礎(chǔ)設(shè)施、改善農(nóng)業(yè)生產(chǎn)條件、增加農(nóng)民收入等都發(fā)揮了積極作用[1-3]。土地整治項目建設(shè)的基礎(chǔ)設(shè)施，直接服務(wù)于農(nóng)民的生產(chǎn)生活，是實現(xiàn)農(nóng)用地高產(chǎn)穩(wěn)產(chǎn)、旱澇保收的重要保障[4]。當前土地整治項目竣工驗收后主要采取整體移交方式，所建基礎(chǔ)設(shè)施一般交由基層政府進行管理，但由于缺乏專項資金支持，部分基礎(chǔ)設(shè)施由于管護責(zé)任不落實、管護措施不到位等原因，出現(xiàn)路面損壞、溝渠淤積等問題，一定程度上影響了整治效益的持續(xù)發(fā)揮[5]。因此，通過科學(xué)方法對土地整治項目基礎(chǔ)設(shè)施建后利用進行實時、動態(tài)監(jiān)測對提升土地整治項目建后管理水平，促進土地整治項目持續(xù)發(fā)揮等都具有重要意義。

隨著遙感監(jiān)測技術(shù)從大尺度到小尺度，從低精度向高精度的方向發(fā)展，土地整治遙感監(jiān)測技術(shù)逐漸成為土地整治監(jiān)測的重要組成部分[6-7]。有效的土地整治監(jiān)測不僅涉及建設(shè)任務(wù)和工程數(shù)量，還需了解工程質(zhì)量和實際利用情況，而現(xiàn)階段衛(wèi)星影像的分辨率及紋理特征尚難以實現(xiàn)這一目標[8]。因此，尋求一種可靠且高效的技術(shù)手段來提高基礎(chǔ)設(shè)施監(jiān)測的效率和精度是當前土地整治監(jiān)管中亟待解決的現(xiàn)實問題[9]。田間道路工程和灌溉排水工程作為土地整治工程中的重要線狀地物，目前對于整治工程線狀地物識別已有大量研究，其中地物分布信息提取主要基于遙感衛(wèi)星影像數(shù)據(jù)[10]，識別方法主要有監(jiān)督分類與目視解譯相結(jié)合[11]、自組織分類[12]、數(shù)字高程模型（digital elevation model，DEM）提取[13]及面向?qū)ο蠓ǖ萚14]。監(jiān)督分類法與目視解譯法識別精度高，但自動化程度較低；自組織分類法在地物異質(zhì)性比較復(fù)雜情況下表現(xiàn)較差[14]；DEM提取受數(shù)據(jù)源影響，識別精度有限[13]；面向?qū)ο蠓ㄐ枰獙⒂跋駝澐譃榘庾V、形狀、紋理特征的影像對象，對影像要求較高。從識別方法來看，除目視解譯外，已有研究方法對數(shù)據(jù)源的格式及精度有較高限制。

近年來，無人機遙感平臺具有運載便利、靈活性高、作業(yè)周期短，影像數(shù)據(jù)分辨率高等優(yōu)勢，可提供豐富的地物空間結(jié)構(gòu)和細節(jié)信息，在關(guān)鍵地物提取[15]、自然災(zāi)害監(jiān)測[16]、水土保持監(jiān)測[17]等方面取得了廣泛的應(yīng)用。無人機遙感技術(shù)在表達地物幾何紋理、拓撲關(guān)系等特征參量方面更為細致，增強了對地物的識別能力，使其對關(guān)鍵地物信息的提取更加快捷、完整[18]。在借助無人機進行土地整治項目監(jiān)測方面，已有研究多利用地物與背景之間的光譜與紋理差異實現(xiàn)分類，如整治區(qū)作物分類[19]，路網(wǎng)、溝渠提取[20]，作物產(chǎn)能評估等[21]。在地物提取與狀態(tài)識別方面，當前線狀對象遙感識別研究主要集中在如何提高研究對象的識別精度和效率，土地整治工程基礎(chǔ)設(shè)施監(jiān)測需要對目標地物自身狀態(tài)進行判別，已有研究對此關(guān)注較少。因此，需要尋求一種影像獲取簡便、精度適中、方法智能的監(jiān)測手段滿足土地整治建后利用監(jiān)測快速、準確的工作要求。

針對土地整治基礎(chǔ)設(shè)施遙感監(jiān)測難以自動識別監(jiān)測地物細部利用狀態(tài)等問題，從數(shù)據(jù)獲取的便利性和識別手段通用性出發(fā)，本研究擬利用通用無人機平臺獲取項目區(qū)影像，通過BoW（bag of words，詞袋）模型對土地整治項目區(qū)內(nèi)典型地物特征紋理信息構(gòu)建特征識別庫，利用智能識別算法對主要基礎(chǔ)設(shè)施使用狀況進行分類識別，進而討論不同空間分辨率影像以及不同等級工程設(shè)施的分類效果，以期對土地整治項目區(qū)內(nèi)基礎(chǔ)設(shè)施建后利用狀況實現(xiàn)有效識別，為土地管理部門和業(yè)務(wù)單位對土地整治監(jiān)測監(jiān)管提供技術(shù)支持和數(shù)據(jù)支撐。

1 研究方法

本研究對土地整治項目基礎(chǔ)設(shè)施使用狀態(tài)的識別包括數(shù)據(jù)預(yù)處理、地物提取、特征分類和精度評價4個部分。首先使用大疆無人機平臺航拍影像并拼接；其次使用ArcGIS10.2進行關(guān)鍵地物提??；然后基于BoW詞袋模型進行圖像特征分類，并將樣本特征庫導(dǎo)入支持向量機（support vector machine，SVM）分類器進行訓(xùn)練；最后對分類結(jié)果進行精度評價?？傮w研究框架如圖1所示。

圖1 研究總體技術(shù)框架

判斷地物特征的關(guān)鍵在于圖像特征描述。雖然人工目視解譯能夠較為準確地對影像信息進行抽象，但存在工作量大、效率低、主觀性強等缺陷。本研究基于影像的局部紋理特征，采用BoW模型進行特征抽象。BoW最早用于文檔識別與分類，近年來被廣泛應(yīng)用于圖像目標分類與場景分類[22]，其優(yōu)點在于既可保存圖像的局部特征，也能有效壓縮圖像描述。該模型首先獲取影像的特征向量，通過聚類算法建立視覺詞匯表，然后將圖像解析為視覺單詞，最后利用得到的影像視覺單詞直方圖來訓(xùn)練分類器[23]。BoW圖像表達一般包含三部分內(nèi)容，即特征提取、視覺詞典構(gòu)造和分類器訓(xùn)練。特征提取主要是為了表示圖像，從給定的圖像中提取全局或局部特征；視覺詞典構(gòu)造主要對提取的圖像特征進行聚類，以聚類中心作為視覺單詞，將所有聚類中心進行集合，從而構(gòu)造視覺詞典；分類器訓(xùn)練用于全部圖像的分類與識別。本研究在特征提取階段采用加速魯棒性算法（speeded-up robust features, SURF）；在視覺詞典構(gòu)造階段使用-means聚類算法；在圖像分類中使用SVM分類器。

1.1 圖像特征提取

圖像特征分為全局特征和局部特征，由于全局特征無法描述圖像局部紋理，本研究基于圖像局部紋理特征對典型地物進行特征提取[25]?？紤]到研究區(qū)影像由于圖像拼接所導(dǎo)致的潛在形變及日照影響，使用SURF算法對圖像特征進行識別。該方法通過對原影像求積分，使用Harr小波求導(dǎo)代替高斯濾波，并采用Hessian矩陣增加特征點的健壯性[24]。通過該方法，圖像在發(fā)生旋轉(zhuǎn)、縮放和光照變化等情況下都具有較好的穩(wěn)定性。具體實現(xiàn)過程如下：

1）原始影像處理：將原影像的灰度值累加得到積分影像，提高獲取特征點的速度。

2）檢測極值點：通過高斯卷積對影像進行平滑處理，再進行差分運算，對于非連續(xù)的影響空間點()和尺度參數(shù)，Hessian矩陣可寫為

式中D()為高斯濾波二級導(dǎo)數(shù)()同圖像卷積的結(jié)果，()是高斯-拉普拉斯變換算子中的高斯擴展函數(shù)，D()、D()、D()的含義與D()類似。

3）確定主方向：為保證SURF特征的旋轉(zhuǎn)不變性，以特征點為圓心，在一定區(qū)域內(nèi)對π/6扇形區(qū)域內(nèi)所有點在水平和垂直方向的Haar小波響應(yīng)值進行累加，最大的Harr響應(yīng)累加值即為該特征點對應(yīng)的主方向。

4）特征點匹配：首先將一幅影像中的一個特征點作為目標點，在另一幅影像中讓每個特征點與之進行匹配，當某個特征點與目標點的特征向量之間距離小于某個閾值時則判斷此點為同名特征點。本研究使用歐氏距離法，公式如下

式中X1X2為影像中特征點與目標點，統(tǒng)計另外一幅影像中所有特征點與目標點的距離，獲得最短的2個距離Dist 1和Dist 2，計算它們之間比率

如果比率小于設(shè)定的閾值，則判斷該兩點為同名點。

1.2 視覺詞典構(gòu)造

圖像視覺詞典即對圖像局部特征進行聚類的構(gòu)造過程。聚類得到的聚類中心即為視覺單詞，所有視覺單詞的集合構(gòu)成圖像的視覺詞典，并對后續(xù)圖像產(chǎn)生影響[25]。從易于實現(xiàn)的角度，本研究選擇-means聚類算法。其表達式如下

式中為聚類中心數(shù)，C為聚類中心，=1,…,，x為聚類對象。

-means聚類主要步驟分為以下4步：①隨機給出個聚類中心作為待聚類點的聚類中心；②計算待聚類點與每個聚類中心的距離，然后將待聚類點劃入與其距離最近的聚類；③計算每個聚類中心內(nèi)全部點的坐標平均值，并將該平均值作為新的聚類中心；④重復(fù)步驟②與③，直到結(jié)果收斂。

1.3 SVM圖像分類

在提取圖像的視覺特征的基礎(chǔ)上，采用SVM分類器進行樣本分類。SVM屬于監(jiān)督型機器學(xué)習(xí)算法，在小樣本、非線性情況下，具有更快的學(xué)習(xí)速度和精度，廣泛應(yīng)用于高分遙感影像分類中[26-27]。SVM的核心思想是通過在原空間或經(jīng)過投影后的高維空間中構(gòu)造最優(yōu)分類超平面，在保證分類的情況下，使得兩類的分類空白區(qū)域最大，通過引入核映射方法將低維空間中的非線性問題轉(zhuǎn)化為高維空間的線性可分問題[28-29]。應(yīng)用二次規(guī)劃方法求解最優(yōu)決策函數(shù)為

式中a為Lagrange乘子，y為類別標簽，為分類閾值，(x,)為核函數(shù)。

SVM的分類精度主要取決于核函數(shù)與參數(shù)選取，常見核函數(shù)有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)、神經(jīng)網(wǎng)絡(luò)核函數(shù)等。本研究使用LibSVM軟件包進行SVM分類，基于徑向基核函數(shù)（radial basis function, RBF）采用網(wǎng)格劃分法尋找最優(yōu)參數(shù)（懲罰系數(shù)與核函數(shù)半徑），進而進行分類。

2 實證分析

2.1 研究區(qū)及數(shù)據(jù)源

2.1.1 研究區(qū)概況

本研究選取湖南省常德市鼎城區(qū)某高標準農(nóng)田建設(shè)項目作為研究案例。該項目位于鼎城區(qū)東北部，地處120°00￠562E～120°05￠232E，29°09￠052N～29°15￠012N，項目區(qū)位置見圖2。項目區(qū)屬中亞熱帶向北亞熱帶過渡的季風(fēng)濕潤氣候，日照充足，冬冷夏熱，四季分明；多年均氣溫16.8 ℃，年降水量1 340 mm，全年無霜期約281 d；項目區(qū)地勢開闊平坦，樹木遮蔽少，平均高程25 m，地面坡度小于2°。項目區(qū)農(nóng)業(yè)生產(chǎn)以糧食作物為主，主要種植雙季水稻。

圖2 常德市鼎城區(qū)研究區(qū)概況

項目建設(shè)規(guī)模2 867.66 hm2，總投資8 541.78萬元，實施期為2011—2013年。項目共涉及12個行政村，實現(xiàn)新增耕地217.45 hm2，共完成土地平整工程309.80 hm2，開挖土方31.18萬m3；新修、整修灌溉渠道、排水溝及灌排兩用渠道264.23 km，管涵4 548座，蓄水池180座，新修泵站180座，機耕橋60座，輸電線路1.41 km；整修、新修田間道297.44 km，生產(chǎn)路173.81 km。通過項目實施，完善了項目區(qū)內(nèi)的灌排設(shè)施，提升了基礎(chǔ)設(shè)施配套水平，完善了田間道路系統(tǒng)，促進農(nóng)業(yè)生產(chǎn)由傳統(tǒng)種植方式向多產(chǎn)業(yè)融合發(fā)展。

2.1.2 數(shù)據(jù)源

本研究使用的數(shù)據(jù)包括項目竣工驗收資料和無人機航拍影像?？⒐を炇召Y料包括項目竣工驗收報告、工程平面布置圖（1∶2 000）和項目竣工驗收圖（1∶2 000）。影像數(shù)據(jù)由無人機航拍獲取獲得，拍攝時間為2017年11月29日正午時分，無云，微風(fēng)三級左右。采用的拍攝系統(tǒng)為大疆精靈4小型無人機平臺，搭載其自帶相機，影像傳感器為12.8 mmCMOS，有效像素2 000萬，24 mm光圈鏡頭。

無人機飛行相關(guān)參數(shù)見表1。研究區(qū)內(nèi)大部分為耕地，具有顯著特征的地物較少，為保證影像匹配精度，在航線規(guī)劃中增加了重疊度，航向重疊不低于75%，側(cè)向重疊不低于80%。由于航拍片為單幅(面積約為0.1 hm2)形式的柵格圖片，故需對圖幅進行拼接和預(yù)處理。使用Pix4D Mapper數(shù)字攝影測量軟件進行空中三角加密，生成攝影測量點云及正射影像，使用TerraScan中的不規(guī)則三角網(wǎng)加密濾波方法進行點云濾波。在ENVI5.3中對影像進行正射校正，經(jīng)配準后得到研究區(qū)影像。為保障影像精度以及對地物辨識的有效性作進一步驗證，對重點研究區(qū)域進行了補充拍攝和傾斜拍攝，以進一步探討不同影像空間分辨率與線狀工程寬度對分類結(jié)果的影響。

圖3為研究區(qū)飛行航線與影像范圍，其中航線1是為了獲取研究區(qū)總體情況，所得到的影像空間分辨率為0.2 m，拍攝面積為25 hm2；航線2a沿研究區(qū)主要田間道路溝渠進行高精度拍攝，所獲取的影像空間分辨率為0.1 m，拍攝面積為15 hm2；航線2b進行傾斜拍攝以獲取關(guān)鍵地物細部紋理特征，所獲取的影像空間分辨率為0.1 m，拍攝面積為15 hm2。遙感影像的投影參數(shù)為UTM（Zone 49）/WGS84。

表1 無人機飛行航線詳細參數(shù)

注：航線1飛高300 m,航線2a飛高150 m，航線2b飛高150 m.

Note: Route 1: Flight height at 300 m; Route 2a: Flight height at 150 m; Route 2b:Flight height at 150 m.

圖3 研究區(qū)飛行航線與影像范圍

2.2 典型要素提取

根據(jù)《高標準農(nóng)田建設(shè)通則》，土地整治工程包括土地平整等面狀工程，灌排溝渠、田間道路、防護林網(wǎng)等線性工程，以及機耕橋、泵站、閘門等點狀工程[30]。受航拍影像光譜及紋理特征的影響，線狀工程由于具有灰度均一、排列有序、紋理特征明顯等特點，其利用狀況在遙感影像上易于識別。當線狀工程出現(xiàn)的損壞或出現(xiàn)堆積物，會引起地表粗糙度和反射率發(fā)生變化，從而改變影像中的灰度均一性及紋理結(jié)構(gòu)。同時，單個像元對應(yīng)的地面面積越小，地物輪廓特征也越清晰?？紤]到本研究航拍照片精度（0.1～0.2 m），目視解譯能識別的損壞一般大于10個像元，因此初步選擇識別的整治工程線狀地物寬度大于2 m。

本研究選擇一級田間道（路面寬度3 m，混凝土路面）、斗渠（底寬1.0 m、上口寬2.0 m、深度1.0 m、邊坡比1∶0.5，混凝土板襯砌）和斗溝（底寬1.6 m、上口寬3 m、深度1.4 m、邊坡比1∶0.5，混凝土板襯砌）作為監(jiān)測對象，在ArcGIS10.2下對道路、溝渠中線設(shè)置緩沖區(qū)，沿緩沖區(qū)對影像進行裁剪，利用“Create Fishnet”工具生成相應(yīng)的矢量網(wǎng)格并編號，在Matlab 2017根據(jù)網(wǎng)格大小進行影像切片，切片名稱與生成的道路、溝渠網(wǎng)格編號一致，所得到的影像庫即為待判斷的樣本總體。研究區(qū)田間道路、溝渠提取情況如圖4所示。由圖4可知，研究區(qū)田間道路和骨干溝渠呈相間分布。

圖4 研究區(qū)田間道路、溝渠提取

2.3 要素特征分類

項目竣工驗收后，由于未建立明確的管護制度，也缺乏相應(yīng)的管護資金，部分道路陸續(xù)出現(xiàn)破損、開裂、坑洼等損壞，溝渠也部分出現(xiàn)破損、淤塞等問題。圖5為研究區(qū)道路病害和溝渠淤塞情況在航拍影像中的對應(yīng)，根據(jù)項目區(qū)實際，將項目區(qū)田間道路分為完好、裂縫、通行不暢和坑洼4種類型。將路面完好影響特征描述為路面光潔，亮度較高，無陰影或斑塊，如圖5a所示；路面裂縫特征為路面上有條帶狀不規(guī)則陰影，如圖5b所示；通行不暢特征為道路兩側(cè)不規(guī)則紋理特征過多，顏色發(fā)暗，如圖5c所示；道路坑洼特征為路面上存在團狀或絮狀斑塊，紋理不特定，如圖5d所示。將溝渠（去除渠/溝上構(gòu)筑物）分為通暢溝渠、輕度淤塞和重度淤塞3種類型，如圖5e、5f、5g所示，其中通暢溝渠影像特征為灌水溝渠渠道較暗，呈深綠色，兩側(cè)護坡特征明顯；輕度淤塞特征為灌水溝渠內(nèi)或兩側(cè)植被過多，但尚未完全覆蓋水面；重度淤塞特征為灌水溝渠內(nèi)或兩側(cè)植被完全覆蓋水面。根據(jù)影像像元和紋理特征，構(gòu)建溝渠樣本特征庫?？紤]到分類精度，切片覆蓋范圍為3 m′3 m。先驗判定的影像切片即訓(xùn)練樣本，占全部影像切片的20%，剩余影像切片作為測試樣本用于地物狀態(tài)識別。

a. 路面完好 a. Perfect pavementb. 路面裂縫 b. Fractured pavement c. 通行不暢 c. Obstructed pavementd. 道路坑洼 d. Potholed pavement e. 通暢溝渠 e.Clear canalf.溝渠輕度淤塞 f. Canal mild silted up g.溝渠重度淤塞 g. Canal severe silted up

3 結(jié)果與分析

本研究隨機選擇80%的訓(xùn)練樣本用來構(gòu)建視覺詞典以指導(dǎo)分類，20%的訓(xùn)練樣本未參與分類，用于輸出分類結(jié)果后的精度驗證。為提高聚類精度，分別隨機選用樣本庫中500、600、700、800、1 000張圖片，尋求提取特征最有效的同時構(gòu)建的視覺詞典越小，結(jié)果表明，在詞袋數(shù)為800的時候特征聚類效果最佳。運行模型得到項目區(qū)田間道路和溝渠利用狀態(tài)的分類結(jié)果，經(jīng)過隨機選擇訓(xùn)練樣本重復(fù)運行20次之后，比較分類結(jié)果與先驗訓(xùn)練樣本之間的吻合度，選擇吻合度最高的識別結(jié)果作為最終結(jié)果輸出。

3.1 分類結(jié)果

道路使用狀態(tài)的分類結(jié)果如圖6a所示。分類道路總長3 060 m（航線1），其中，完好道路2 424 m，占分類道路總長度的79.2%；有裂縫道路177 m，占比5.8%；通行不暢道路198 m，占比6.5%；坑洼道路330 m，占比10.8%。結(jié)果顯示，研究區(qū)田間道路建成后，面臨的主要問題是通行不暢和道路坑洼。在空間分布上，路面裂縫主要發(fā)生在與項目區(qū)外道路聯(lián)通或村莊通往田塊的道路上；通行不暢主要分布在靠近下田坡道的部分，主要表現(xiàn)為路面泥土或雜物過多；坑洼道路主要分布在道路交叉口或與便橋、涵洞的交匯處。

圖6 研究區(qū)田間道路溝渠狀態(tài)識別結(jié)果

溝渠淤塞狀態(tài)的分類結(jié)果如圖6c所示。分類溝渠總長1 779 m（航線1），其中，通暢溝渠1 303 m，占分類溝渠總長的73.2%；輕度淤塞溝渠333 m，占比18.7%；重度淤塞溝渠143 m，占比8.0%。結(jié)果顯示，項目區(qū)溝渠通暢情況總體良好，但存在輕度淤塞問題。在空間分布上，淤塞部分主要集中在水流較慢的溝渠末端部分以及涵洞附近。

3.2 精度驗證

以目視解譯結(jié)合實地勘察所得實際結(jié)果作為實測值（圖6b，圖6d）對結(jié)果精度進行檢驗，統(tǒng)計田間道路、溝渠SVM分類與實測值的誤差。誤分結(jié)果如表2、表3所示。

表2 田間道路分類結(jié)果誤分率統(tǒng)計

由表2、表3可知，總體來看，研究區(qū)自動解譯與目視解譯的結(jié)果在整體分布趨勢上較為一致，兩者之間也存在著不一致的情況。其中較為明顯的是道路SVM分類中道路完好的比例小于實際勘察中道路完好的比例，道路坑洼的比例高于實際踏勘中坑洼的比例；溝渠SVM分類中輕度淤塞的比例高于實際勘察中的比例，重度淤塞的比例小于實際踏勘中的比例。在道路分類中，通行不暢的誤分率最高，為21.29%，其中，9.81%誤分為道路坑洼，5.87%誤分為路面完好，5.61%誤分為路面裂縫。主要是在設(shè)定特征分類規(guī)則時，將其設(shè)定為道路兩側(cè)不規(guī)則紋理特征過多，導(dǎo)致通行不暢的分類與道路坑洼的光譜、紋理特征比較接近造成的。光譜與紋理特征的相似性同樣導(dǎo)致了路面裂縫與道路坑洼的誤分率較高，均超過了10%。在溝渠分類中，輕度淤塞的誤分率最高，為29.26%，15.62%誤分為重度淤塞，13.64%誤分為輕度淤塞；其次是重度淤塞，誤分率28.7%，其中21.11%誤分為輕度淤塞，7.59%誤分為通暢溝渠。

表3 溝渠淤塞分類結(jié)果誤分率統(tǒng)計

根據(jù)實測結(jié)果，通過混淆矩陣計算所提取的道路、溝渠總體精度和交叉驗證精度，結(jié)果見表4。

表4 田間道路與溝渠分類結(jié)果精度 Table 4 Accuracy of classification results of field roads and canals

由表4可知，在飛行高度300 m條件下（航線1），路面寬3 m的項目區(qū)田間道路利用狀態(tài)的總體分類精度在80%左右，交叉驗證精度在76%以上；上口寬2 m以上的溝渠淤塞情況的總體分類精度在70%以上，交叉驗證精度在70%左右，對田間道路利用狀態(tài)的判斷的準確性優(yōu)于對溝渠的判斷。這些問題的出現(xiàn)可能與兩者所依據(jù)原理不同造成，本研究中SVM分類主要從每個像元的圖像特征出發(fā)，針對各像元分析其與訓(xùn)練樣本之間的關(guān)系，從而對圖像進行類型劃分。實地勘察類似目視解譯，更多是結(jié)合地表覆蓋與紋理特征進行評價，不可避免的摻雜了研究者的主觀判斷。

為驗證不同空間分辨率、整治工程等級對分類結(jié)果的影響，進一步對空間分辨率為0.1 m的研究區(qū)影像（航線2a獲?。┖? m及以下寬度的田間道路、溝渠（航線2b獲?。├脿顩r進行分類識別?；谕瑯臃椒ㄟM行要素特征分類，導(dǎo)入模型得到分類結(jié)果并結(jié)合實地勘察數(shù)據(jù)進行精度驗證。結(jié)果顯示，在空間分辨率提升的情況下（航線2a），田間道路（道路1、道路6）利用狀況分類精度有所提升但不顯著，溝渠通暢狀況（溝渠1、溝渠4）分類精度無明顯變化；而模型對寬度在2 m及以下道路、溝渠（道路9、溝渠7、8）利用狀態(tài)識別結(jié)果較差（航線2b）。

4 討 論

根據(jù)研究區(qū)田間道路和骨干溝渠特征分析和識別結(jié)果，通過通用無人機平臺自帶的彩色數(shù)碼相機可用于土地整治基礎(chǔ)設(shè)施建后利用監(jiān)測。與高分衛(wèi)星遙感相比，無人機平臺成本低且受天氣影響較小，且不受訪問周期的限制，具有實時性的優(yōu)點；本研究使用的小型電動無人機在使用過程中無需跑道或起落架，在大田地物調(diào)查中尤具優(yōu)勢，具有較高的適用性；同時，無人機航拍影像通過構(gòu)建智能算法結(jié)合先驗樣本進行田間道路、溝渠狀態(tài)識別，與實地勘察及目視解譯相比，在監(jiān)測成本和效率上具有優(yōu)勢。

由于遙感影像自身具有高度的復(fù)雜性和隨機性，土地整治工程線狀地物由于其光譜及紋理特征各異而顯現(xiàn)出不同的特征。本研究針對土地整治項目區(qū)建設(shè)形成的骨干線性工程，在獲取項目區(qū)無人機航拍影像的基礎(chǔ)上，分析了基于遙感影像局部紋理特征結(jié)合監(jiān)督分類方法識別整治項目基礎(chǔ)設(shè)施利用狀況的可行性，并進行了精度檢驗。該研究方法對于無人機遙感在土地整治監(jiān)測中的應(yīng)用具有一定的參考價值，但本研究中無人機航拍數(shù)據(jù)源較為單一，僅針對一景的可見光影像，缺乏多數(shù)據(jù)源的融合，而且目前分類僅能識別出某一影像單元內(nèi)的使用狀態(tài)，并將結(jié)果作定性輸出，缺乏對基礎(chǔ)設(shè)施使用狀況的定量判斷，還存在一些待改進之處。本研究依據(jù)BoW模型構(gòu)建的SVM分類方法，在田間道路利用狀態(tài)的總體整體識別精度達到80%以上，但溝渠淤塞狀態(tài)的總體識別精度僅為70%左右，分類精度仍有較大提升空間。

分析誤差產(chǎn)生原因，主要包括以下幾個方面：1）由于訓(xùn)練樣本是研究者人為選取，會存在經(jīng)驗、知識限制和盲區(qū)，從而造成所選擇分類樣本代表性可能尚不充分；2）由于影像本身造成的“異物同譜”現(xiàn)象，如在骨干溝渠分類中，水面與水面上植被光譜特征過于相似，同時溝渠水面上漂浮的其他雜物也可能干擾模型判別。針對以上誤差來源，研究認為，在識別方法上，未來可以引入深度學(xué)習(xí)算法對訓(xùn)練樣本紋理特征進行深度挖掘；在影像識別上，可以通過使用更高分辨率的相機和降低飛行高度，結(jié)合影像光譜信息，進一步提升分類精度。

5 結(jié) 論

本研究針對土地整治項目區(qū)建設(shè)形成的骨干線性工程，在獲取項目區(qū)無人機航拍影像的基礎(chǔ)上，分析了基于遙感影像局部紋理特征結(jié)合監(jiān)督分類方法識別整治項目基礎(chǔ)設(shè)施利用狀況的可行性，并進行了精度檢驗。結(jié)果表明：

1）在晴朗無云，地勢平坦條件下，利用可見光無人機遙感方法獲取的影像精度在10～20 cm左右時可以初步分辨土地整治項目骨干設(shè)施的利用狀態(tài)。以小型無人機航拍影像為數(shù)據(jù)源，提取可見光波段下的影像紋理特征信息，通過SURF特征匹配、-means聚類等算法，可實現(xiàn)對土地整治工程中具備一定寬度條件的線狀地物使用狀態(tài)的判別，并對其使用狀態(tài)進行空間定位。

2）采用實地勘察及目視解譯手段對基于紋理特征和SVM分類的田間道路、骨干溝渠使用狀態(tài)判別結(jié)果進行評估，對比分析分類結(jié)果與實際結(jié)果的一致性。田間道路狀態(tài)的總體分類精度在80%，骨干溝渠使用狀態(tài)的總體分類精度在70%左右，對田間道路使用狀態(tài)的判斷的準確性優(yōu)于對溝渠的判斷。

3）通過比較SVM分類結(jié)果與實地勘察結(jié)果之間的一致性，結(jié)果顯示研究區(qū)田間道路分類誤差主要來自通行不暢與路面裂縫，骨干溝渠分類誤差主要來自輕度淤塞。

4）比較不同精度下影像田間道路、骨干溝渠狀態(tài)識別對分類精度的影響，發(fā)現(xiàn)空間分辨率提升情況下，田間道路利用狀況分類精度有所提升但不顯著，骨干溝渠通暢狀況分類精度無明顯變化，模型對寬度2 m以下溝渠分類精度較差?？紤]到整治項目的工程類型和工程等級，可進行有效監(jiān)測的主要是線性類型，一般寬度不宜小于2 m。

[1] 劉彥隨，朱琳，李玉恒. 轉(zhuǎn)型期農(nóng)村土地整治的基礎(chǔ)理論與模式探析[J]. 地理科學(xué)進展，2012，31(6)：777－782. Liu Yansui, Zhu Lin, Li Yuheng. The essential theories and models of rural land consolidation in the transitional period of China[J]. Progress in Geography, 2012, 31(6): 777－782. (in Chinese with English abstract)

[2] 項曉敏，金曉斌，王溫鑫，等. 供給側(cè)結(jié)構(gòu)性改革視角下的土地整治制度創(chuàng)新初探[J]. 中國土地科學(xué)，2017，31(4)：12－21. Xiang Xiaomin, Jin Xiaobin, Wang Wenxin, et al. Institutional innovations of land consolidation from the perspective of supply-side structural reform[J]. China Land Science, 2017, 31(4): 12－21. (in Chinese with English abstract)

[3] 王玉瑩，金曉斌，范業(yè)婷，等. 農(nóng)村土地整治對促進農(nóng)業(yè)現(xiàn)代化水平的影響分析[J]. 中國土地科學(xué)，2017，31(8)：69－76. Wang Yuying, Jin Xiaobin, Fan Yeting, et al. The impact of rural land consolidation program on promoting the level of agricultural modernization[J]. China Land Science, 2017, 31(8): 69－76. (in Chinese with English abstract)

[4] 楊緒紅，金曉斌，郭貝貝，等. 2006－2012年中國土地整治項目投資時空分析[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(8)：227－235，294. Yang Xuhong, Jin Xiaobin, Guo Beibei, et al. Spatio- temporal differentiation of land consolidation investment in China form 2006 to 2012[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(8): 227－235, 294. (in Chinese with English abstract)

[5] 唐秀美，潘瑜春，劉玉，等. 基于全過程的土地整治項目實施問題、成因及對策研究[J]. 中國土地科學(xué)，2018，32(3)：35－42. Tang Xiumei, Pan Yuchun, Liu Yu, et al. Study on the problems, causes and countermeasures of land consolidation projects based on the whole process[J]. China Land Science, 2018, 32(3): 35－42. (in Chinese with English abstract)

[6] 張兵，崔系民，趙彥博，等. 基于High-1衛(wèi)星影像的土地整治遙感監(jiān)測方法研究與實踐[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(20)：225－233. Zhang Bing, Cui Ximin, Zhao Yanbo, et al. Method and application of remote sensing monitoring in land consolidation based on High-1 satellite image[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(20): 225－233. (in Chinese with English abstract)

[7] 羅開盛，李仁東，常變?nèi)兀? 面向?qū)ο蟮暮笔⊥恋馗脖蛔兓b感快速監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2013，29(24)：260－267. Luo Kaisheng, Li Rendong, Chang Bianrong, et al. Dynamic monitoring land-cover change in Hubei province using object-oriented technology and remote sensing imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(24): 260－267. (in Chinese with English abstract)

[8] 徐秀云，陳向，劉寶梅. 微型無人機助力土地整治項目監(jiān)管[J]. 測繪通報，2017(3)：86－90.Xu Xiuyun, Chen Xiang, Liu Baomei. Using micro-UAVs for the land consolidation and rehabilitation projects supervision[J]. Bulletin of Surveying and Mapping, 2017(3): 86－90. (in Chinese with English abstract)

[9] 孟憲素，李少帥. 遙感技術(shù)在土地整理復(fù)墾開發(fā)項目監(jiān)管工作中的應(yīng)用實踐[J]. 資源與產(chǎn)業(yè)，2009，11(2)：66－70. Meng Xiansu, Li Shaoshuai. Application of RS in supervision over land consolidation and rehabilitation[J]. Resources & Industries, 2009, 11(2): 66－70. (in Chinese with English abstract)

[10] 吳健生，劉建政，黃秀蘭，等. 基于面向?qū)ο蠓诸惖耐恋卣韰^(qū)農(nóng)田灌排系統(tǒng)自動化識別[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(8)：25－31. Wu Jiansheng, Liu Jianzheng, Huang Xiulan, et al. Automatic identification of irrigation and drainage system in landreclamation area based on object-oriented classification[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(8): 25－31. (in Chinese with English abstract)

[11] 許迪，李益農(nóng)，蔡林根，等. 衛(wèi)星遙感影像在農(nóng)田灌排系統(tǒng)識別中的應(yīng)用研究[J]. 農(nóng)業(yè)工程學(xué)報，2004，20(2)：36－39. Xu Di, Li Yinong, Cai Lingen, et al. Applied study of satellite image in identification of irrigation and drainage system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(2): 36－39. (in Chinese with English abstract)

[12] 郭云開，陳正陽，彭悅，等. 土地復(fù)墾工程的遙感評價[J]. 遙感技術(shù)與應(yīng)用，2008，23(3)：249－254.Guo Yunkai, Chen Zhengyang, Peng Yue, et al. Evaluation of land reclamation based on RS[J]. Remote Sensing Technology and Application, 2008, 23(3): 249－254. (in Chinese with English abstract)

[13] 張宏鳴，任強，韓文霆，等. 基于SVM的灌區(qū)無人機影像渠系提取[J]. 農(nóng)業(yè)機械學(xué)報，2018，49(2)：141－148.Zhang hongming, Ren Qiang, Han Wenting, et al. Extraction of irrigation networks of UAV orthophotos based on SVM classification method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2): 141－148. (in Chinese with English abstract)

[14] 韓文霆，張立元，張海鑫，等. 基于無人機遙感與面向?qū)ο蠓ǖ奶镩g渠系分布信息提取[J]. 農(nóng)業(yè)機械學(xué)報，2017，48(3)：205－214. Han Wenting, Zhang Liyuan, Zhang Haixin, et al. Extraction method of sublateral canal distribution information based on UAV remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 205－214. (in Chinese with English abstract)

[15] 韓文霆，李廣，苑夢嬋，等. 基于無人機遙感技術(shù)的玉米種植信息提取方法研究[J]. 農(nóng)業(yè)機械學(xué)報，2017，48(1)：139－147. Han Wenting, Li Guang, Yuan Mengchan, et al. Extraction method of maize planting information based on UAV remote sensing technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 139－147. (in Chinese with English abstract)

[16] 陳天博，胡卓瑋，魏錸，等. 無人機遙感數(shù)據(jù)處理與滑坡信息提取[J]. 地球信息科學(xué)學(xué)報，2017，19(5)：692－701.Chen Tianbo, Hu Zhuowei, Wei Lai, et al. Data processing and landslide information extraction based on UAV remote sensing[J]. Journal of Geo-Information Science, 2017, 19(5): 692－701. (in Chinese with English abstract)

[17] 張雅文，許文盛，沈盛彧，等. 無人機遙感技術(shù)在生產(chǎn)建設(shè)項目水土保持監(jiān)測中的應(yīng)用：方法構(gòu)建[J]. 中國水土保持科學(xué)，2017，15(1)：134－140. Zhang Yawen, Xu Wensheng, Shen Shengyu, et al. Application of UAV remote sensing technology in monitoring of soil and water conservation for construction projects: The establishment of a method[J]. Science of Soil and Water Conservation, 2017, 15(1): 134－140. (in Chinese with English abstract)

[18] 王旭東，段福州，屈新原，等. 面向?qū)ο蠛蚐VM結(jié)合的無人機數(shù)據(jù)建筑物提取[J]. 國土資源遙感，2017，29(1)：97－103. Wang Xudong, Duan Fuzhou, Qu Xinyuan, et al. Building extraction based on UAV imagery data with the synergistic use of objected-based method and SVM classifier[J]. Remote Sensing for Land & Resources, 2017, 29(1): 97－103. (in Chinese with English abstract)

[19] 牛亞曉，張立元，韓文霆，等. 基于無人機遙感與植被指數(shù)的冬小麥覆蓋度提取方法[J]. 農(nóng)業(yè)機械學(xué)報，2018，49(4)：212－221. Niu Yaxiao, Zhang Liyuan, Han Wenting, et al. Fractional vegetation cover extraction method of winter wheat based on UAV remote sensing and vegetation index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 212－221. (in Chinese with English abstract)

[20] 張超，王志浩，楊建宇，等. 基于Canny算子的農(nóng)田線狀工程地物自動提取方法[J]. 農(nóng)業(yè)機械學(xué)報，2015，46(2)：270－275. Zhang Chao, Wang Zhihao, Yang Jianyu, et al. Farmland linear project feature auto-extraction method based on Canny algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 270－275. (in Chinese with English abstract)

[21] 趙曉慶，楊貴軍，劉建剛，等. 基于無人機載高光譜去空間尺度優(yōu)化的大豆育種產(chǎn)量估算[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(1)：110－116. Zhao Xiaoqing, Yang Guijun, Liu Jiangang, et al. Estimation of soybean breeding yield based on optimization of spatial scale of UAV hyperspectral image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(1): 110－116. (in Chinese with English abstract)

[22] Heras L P, Ramos Terrades O, Llados J, et al. Use case visual Bag-of-Words techniques for camera based identity document classification[C]//Document Analysis and Recognition (ICDAR), 2015 13th International Conference on. IEEE, 2015: 721－725.

[23] 孫山，基于BoW模型的圖像分類方法研究[D]. 合肥：安徽大學(xué)，2016. Sun Shan. Research of Image Classification Method Based on BoW Model[D].Hefei: Anhui University, 2016. (in Chinese with English abstract)

[24] 李培鵬. 基于空間詞袋模型的圖像分類[D]. 長春：吉林大學(xué)，2014. Li Peipeng. Image Classification Based on Bag-of-words With Spatial Information[D]. Changchun: Jilin University, 2014. (in Chinese with English abstract)

[25] 胡同喜，牛雪峰，譚洋，等. 基于SURF算法的無人機遙感影像拼接技術(shù)[J]. 測繪通報，2015(1)：55－58.Hu Tongxi, Niu Xuefeng, Tan Yang, et al. Unmanned aerial vehicle images mosaic based on SURF algorithm[J]. Bulletin of Surveying and Mapping, 2015(1): 55－58. (in Chinese with English abstract)

[26] 陳洋波，張濤，竇鵬，等. 基于SVM的東莞市土地利用/覆被自動分類誤差來源與后處理[J]. 遙感技術(shù)與應(yīng)用, 2017，32(5)：893－903. Chen Yangbo, Zhang Tao, Dou Peng, et al. Error sources and post processing method for land use/cover change estimation of Dongguan City based on Landsat remote sensing imagery with SVM[J]. Remote Sensing Technology and Application, 2017, 32(5): 893－903. (in Chinese with English abstract)

[27] 張錦水，何春陽，潘耀忠，等. 基于SVM的多源信息復(fù)合的高空間分辨率遙感數(shù)據(jù)分類研究[J]. 遙感學(xué)報，2006，10(1)：49－57. Zhang Jinshui, He Chunyang, Pan Yaozhong, et al. The high spatial resolution RS image classification based on SVM method with the multi-source data[J]. Journal of Remote Sensing, 2006, 10(1): 49－57. (in Chinese with English abstract)

[28] 歐陽玲. 基于遙感和SVM模型的松嫩平原南部耕地質(zhì)量評價[D]. 北京：中國科學(xué)院大學(xué)，2017. Ouyang Ling. Cultivated Land Quality Evaluation Based on Remote Sensing and SVM Model of South Songnei Plain[D]. Beijing: University of Academy of Science, 2017. (in Chinese with English abstract)

[29] 范業(yè)婷，金曉斌，項曉敏，等. 農(nóng)用地整治對產(chǎn)能影響的特征預(yù)測及評估：方法與實證[J]. 地理研究，2016，35(10)：1935－1947. Fan Yeting, Jin Xiaobin, Xiang Xiaomin, et al. Prediction and evaluation of characteristic of agricultural productivity change influenced by farmland consolidation: Method and case study[J]. Geographical Research, 2016, 35(10): 1935－1947. (in Chinese with English abstract)

[30] 國家質(zhì)量監(jiān)督檢驗檢疫. GB/T 30600-2014，高標準農(nóng)田建設(shè)通則[S]. 北京：中國國家標準化管理委員會，2014.

Monitoring roads and canals utilization condition for land consolidation project based on UAV remote sensing image

Gu Zhengming1, Jin Xiaobin1,2,3※, Yang Xiaoyan4, Zhao Qingli4, Jiang Yuchao1, Han Bo1, Shan Wei1, Liu Jing1, Zhou Yinkang1,2,3

(1.210023,; 2.210023,; 3.210023,; 4.100035,))

The infrastructure in land consolidation projects provide important guarantee for harvest and natural calamities resistance to farmers directly, it is fundamental for rural social and economic development. However, some facilities in land consolidation projects cause problems such as fractured pavement or canal silted up after construction, which can bring negative effects to agricultural production. So it is important to find an effective and reliable technical method to monitor and evaluate the effects of land consolidation projects. Unmanned aerial vehicle (UAV) remote sensing is widely used in feature recognition, roads and canals collection and crop productivity evaluation during recent years, but it is rarely used to evaluate the quality of the infrastructure of land consolidation. To objectively monitor and effectively evaluate the post-construction utilization of the infrastructure in land consolidation projects, this paper selected typical land consolidation projects, used the multi-rotor UAV for aerial photography test to obtain high-resolution aerial images, and put forward the complete technical method and operational procedures for monitoring and evaluation of land consolidation infrastructure. Route 1 covered the whole study area. Route 2a mainly took pictures on main field roads and canals for precision shooting, and route 2b focused on roads and canals due to their width were less than 2 m. After image processing, this paper gained image grids of field roads and canals which were wider than 2 m, then selected BoW (bag of words) model to build a sample feature database of surface features, including the pavement diseases and canal silted up such as fractured pavement, obstructed pavement, potholed pavement, canal mild silted up and canal severe silted up. The BoW model included speeded-up robust features (SURF) algorithm for image characteristic representation, and image visual dictionary for local feature clustering. Finally this paper used SVM (support vector machine) to classify the images. The results showed that: UAV remote sensing could monitor and locate the condition of infrastructure post-construction utilization under sunny and cloudless days. Using the method introduced in this paper and combined with the visual interpretation and field survey, the total accuracy rate of field roads reached 80%, and the total classification accuracy rate of canals was about 70%. The cross accuracy rate of field roads and canals was about 70%. The main problem of infrastructure post-construction utilization in the study area was the road obstruction and mild silted up of the canals caused by delayed management and maintenance. After monitoring, this paper analyzed the causes of the differences of monitoring ratio between field roads and canals, and especially explained the causes of the lower monitoring ratio of canals in details. They were as follows: first, the training samples may not match the actual objects in the maps, which caused the extracted information of blocked canals incomplete; second, the spectral information of vegetation and canal water shared the same characteristic in the visible-band image, which might interference the model. This paper also used higher resolution image and linear infrastructure under 2 m to validate the reliability of the model. Route 2a was used to validate the classification accuracy due to the image resolution was higher. Route 2b was used to validate the classification accuracy due to the linear infrastructure width was under 2 m. We found that the overall accuracy of linear infrastructure increased insignificantly while the image resolution higher, meanwhile the overall accuracy of linear infrastructure decreased remarkably when the road and canal width was less than 2 m. During the process of UAV remote sensing for monitoring linear infrastructure post-construction utilization such as field roads and canals of land consolidation projects, we can use the high-resolution image efficiently in sunny and cloudless condition, and at the same time there is still much room for improvement.

unmanned aerial vehicle; remote sensing; models; land consolidation; infrastructure

顧錚鳴，金曉斌，楊曉艷，趙慶利，蔣宇超，韓 博，單 薇，劉 晶，周寅康. 基于無人機遙感影像監(jiān)測土地整治項目道路溝渠利用情況[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(23)：85－93 doi：10.11975/j.issn.1002-6819.2018.23.010 http://www.tcsae.org

Gu Zhengming, Jin Xiaobin, Yang Xiaoyan, Zhao Qingli, Jiang Yuchao, Han Bo, Shan Wei, Liu Jing, Zhou Yinkang. Monitoring roads and canals utilization condition for land consolidation project based on UAV remote sensing image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(23): 85－93. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.23.010 http://www.tcsae.org

2018-06-08

2018-09-19

國家科技支撐計劃項目（2015BAD06B02）

顧錚鳴，博士生，主要從事土地利用與規(guī)劃研究。 Email：dg1627006@smail.nju.edu.cn

金曉斌，教授，博士，博士生導(dǎo)師，主要從事土地利用與國土整治研究。Email：jinxb@nju.edu.cn

10.11975/j.issn.1002-6819.2018.23.010

P23; S28

A

1002-6819(2018)-23-0085-09