李路曼，郭 鵬，張國順，周 倩，吳鎖智

(1.石河子大學(xué)理學(xué)院，新疆石河子 832003；2.石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院，新疆石河子 832000)

0 引 言

【研究意義】在新疆農(nóng)作物遙感監(jiān)測(cè)與識(shí)別的過程中，小麥與玉米的識(shí)別和管理技術(shù)相對(duì)比較成熟，但對(duì)棉花識(shí)別模型和分區(qū)管理的精度還有進(jìn)一步的提升空間[1]。棉花種植信息是管理指導(dǎo)棉花生產(chǎn)、優(yōu)化布局、以及規(guī)范種植的重要依據(jù)[2]，是宏觀管理和決策的重要經(jīng)濟(jì)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(wèi)星遙感進(jìn)行地物分類，但在實(shí)際應(yīng)用中存在精度低、耗時(shí)長等缺點(diǎn)。隨著無人機(jī)遙感技術(shù)的快速發(fā)展，極大地拓寬了航空攝影的新領(lǐng)域[4]，它具有機(jī)動(dòng)靈活、快速、經(jīng)濟(jì)、精度高等特點(diǎn)，彌補(bǔ)了衛(wèi)星遙感的缺點(diǎn)，為實(shí)現(xiàn)農(nóng)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(jī)可見光遙感影像來獲取棉花種植信息具有重要的實(shí)際意義，不僅為該區(qū)域精準(zhǔn)農(nóng)業(yè)提供基礎(chǔ)數(shù)據(jù)，也為估產(chǎn)與災(zāi)害監(jiān)測(cè)提供技術(shù)方法?！厩叭搜芯窟M(jìn)展】棉花種植信息提取的研究領(lǐng)域中多集中于監(jiān)督分類和非監(jiān)督分類。趙丹等[5]以北京市大興區(qū)為例，采用定性遙感和定量遙感相結(jié)合的手段，對(duì)農(nóng)田質(zhì)量信息進(jìn)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(shí)相的多光譜遙感影像，獲取研究區(qū)內(nèi)棉花種植面積和分布信息。尤惠等[7]通過分析研究區(qū)棉花不同生育期的光譜特征和歸一化植被指數(shù)(NDVI)時(shí)序變化特征，對(duì)分類后的影像進(jìn)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?！颈狙芯壳腥朦c(diǎn)】這些研究在本質(zhì)上都是建立在統(tǒng)計(jì)模式下的基于影像單個(gè)像素的分類，難以建立對(duì)象網(wǎng)絡(luò)拓?fù)潢P(guān)系和目標(biāo)的特征空間，雖然能在不同程度上對(duì)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(zhǔn)確的信息提取問題，并且在實(shí)際應(yīng)用中存在效率低、耗時(shí)長的缺點(diǎn)[8]。研究基于面向?qū)ο蟮臒o人機(jī)遙感影像提取方法，實(shí)現(xiàn)對(duì)棉花種植信息的快速提取?！緮M解決的關(guān)鍵問題】在其他學(xué)者研究的基礎(chǔ)之上，以新疆建設(shè)兵團(tuán)第八師135團(tuán)為例，利用eCognition8.9軟件平臺(tái)，確定最優(yōu)分割尺度，對(duì)無人機(jī)遙感試驗(yàn)獲取的可見光影像進(jìn)行分割；其次優(yōu)化分類特征，構(gòu)建特征空間；最后運(yùn)用面向?qū)ο蟮淖钹徑诸惙?，?duì)可見光影像進(jìn)行棉花種植信息的提取。為區(qū)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(qū)位于新疆兵團(tuán)第八師135團(tuán)，空間分布范圍為85°04′～85°21′E，44°38′～44°58′N，該地區(qū)地處準(zhǔn)噶爾盆地南部，沙灣縣境內(nèi)，區(qū)域內(nèi)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(shí)數(shù)2 828 h，非常適宜棉花的生長，是新疆重要的棉花生產(chǎn)基地[9]。圖1

圖1 研究區(qū)示意
Fig.1 Area of study area

于2017年8月31日采集無人機(jī)數(shù)據(jù)，獲取研究區(qū)的無人機(jī)可見光遙感影像。影像包含28 231×34 590個(gè)像元，空間分辨率為5.765 cm，面積約為3.25 km2。無人機(jī)獲取后的數(shù)據(jù)通過區(qū)域網(wǎng)空中三角測(cè)量法[10]消除誤差，利用Pix4D軟件完成輻射定標(biāo)和影像拼接。由于數(shù)據(jù)量較大，且排除建筑物等其他因素的干擾，選取飛行區(qū)域南部部分區(qū)域作為感興趣區(qū)。圖像以.tif格式存儲(chǔ)了地物紅、綠、藍(lán)3種色彩的灰度值，每種色彩含8位字節(jié)的信息，數(shù)值范圍為0～255。感興趣區(qū)內(nèi)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?qū)ο蟮姆诸惙椒ㄊ且环N新的分類方法，它以對(duì)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(yùn)用面向?qū)ο蟮姆诸惙椒?，借助eCognition 8.9軟件提取無人機(jī)可見光遙感影像棉花種植信息。

根據(jù)同類地物同質(zhì)性較高，異類地物異質(zhì)性較高的標(biāo)準(zhǔn)，結(jié)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(gè)對(duì)象基元或影像對(duì)象，構(gòu)建樣本和特征空間，根據(jù)隸屬度算法，在特征空間中尋找最近的樣本對(duì)象進(jìn)行分類。影像對(duì)象O與樣本對(duì)象S之間的距離計(jì)算公式如下[12]：

(1)

式中，d通過所有特征值的標(biāo)準(zhǔn)差而得到歸一化，基于距離d的多維指數(shù)隸屬度函數(shù)為：

Z(d)=ekd2.

(2)

為了評(píng)估分類結(jié)果的精度，研究統(tǒng)計(jì)棉花的種植面積，并計(jì)算得到誤差系數(shù)，誤差系數(shù)的計(jì)算方法如下：

(3)

其中，a表示實(shí)測(cè)面積，b表示估算面積。

2 結(jié)果與分析

2.1 影像分類

面向?qū)ο蟮姆诸惙椒ㄊ茄芯康年P(guān)鍵技術(shù)過程，主要分為三個(gè)步驟：影像分割、建立最優(yōu)特征空間和分類。圖2

圖2 技術(shù)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(gè)用來連續(xù)地合并像元或現(xiàn)有的影像對(duì)象的優(yōu)化過程，通過合并相鄰的像元或小的分割對(duì)象，在保證對(duì)象與對(duì)象之間平均異質(zhì)性最大，對(duì)象內(nèi)部像元之間同質(zhì)性最大的前提下，基于區(qū)域合并技術(shù)實(shí)現(xiàn)的影像分割[13]。

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

2.1.2 特征空間構(gòu)建

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

首先定義分類樣本。根據(jù)研究區(qū)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(lán)、綠、青六種顏色，并在影像對(duì)象中均勻的選擇若干個(gè)具有代表性的分類樣本，作為分類單元。

其次，選擇能夠區(qū)分地物類型的分類特征，在使用面向?qū)ο蟮姆诸惙椒ㄖ?，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(biāo)準(zhǔn)差、最大差分、亮度等光譜特征[15]，以及形狀指數(shù)、長度、長寬比等形狀特征，甚至是比較復(fù)雜的一些紋理特征等。

根據(jù)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(duì)象切割后的形狀特征，并以此為分類特征的優(yōu)化選擇提供依據(jù)。根據(jù)農(nóng)田的特征，首先選擇了影像的原始波段，即B1(藍(lán)光波段)、B2(綠光波段)、B3(紅光波段)，同時(shí)考慮到農(nóng)田形狀良好的區(qū)分能力，又選取了面積(Area)、厚度(Thickness)、形狀指數(shù)(Shape index)、長厚比(Length/Thickness)、長寬比(Length/Width)、長度(Length)、寬度(Width)共10項(xiàng)特征來構(gòu)建特征空間?；诟鱾€(gè)類別的樣本，以及初始特征集，找到類別之間區(qū)分的最大平均最小距離的特征組合，作為分類的最優(yōu)特征集，從而避免分類過程中盲目使用多種特征所導(dǎo)致的計(jì)算量急劇增大、分類精度降低、分類特征冗余等問題。通過計(jì)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(qū)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(shù)CharacteristicparameterDimension1Dimension2Dimension3Dimension4Dimension5特征B1B3B2B2B2形狀指數(shù)形狀指數(shù)形狀指數(shù)形狀指數(shù)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(shù)的增加，樣本間的區(qū)分距離也隨之增加，表明使用B2、形狀指數(shù)、B1、B3和寬度5個(gè)特征作為最優(yōu)特征進(jìn)行分類，可以更好的區(qū)分不同作物類型。圖4

2.1.3 最鄰近分類

傳統(tǒng)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(yùn)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(chǔ)，采用隸屬度函數(shù)，計(jì)算每個(gè)影像單元對(duì)于所有類的隸屬度，根據(jù)隸屬度大小進(jìn)行分類。該方法突破了傳統(tǒng)分類方法的限制，把含有更多語義信息的多個(gè)相鄰像元組成的對(duì)象作為處理單元，從較高層次對(duì)遙感影像進(jìn)行分類，有效地結(jié)合了基于地物特點(diǎn)和影像特征之間的對(duì)應(yīng)關(guān)系而建立的規(guī)則，更加真實(shí)可靠，提高了分類精度，整個(gè)過程由計(jì)算機(jī)自動(dòng)完成。

2.2 棉花種植信息提取及精度評(píng)價(jià)

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(gè)類別屬性里增加的標(biāo)準(zhǔn)特征空間進(jìn)行分類。從分類結(jié)果對(duì)比圖中可以看出，基于對(duì)象的分類方法主要以多像元構(gòu)建的對(duì)象為基本分類單元，分類后的結(jié)果比較連續(xù)，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(jié)果，所有作物連片出現(xiàn)，無椒鹽現(xiàn)象，十分接近地物的真實(shí)分布特征。圖5

注：a. 目視解譯分類結(jié)果；b. 面向?qū)ο蠓诸惤Y(jié)果

Note: a. Visual interpretation； b. Object oriented

圖5 提取結(jié)果對(duì)比
Fig.5 Comparison of extraction results

2.2.2 精度分析

將分類結(jié)果進(jìn)行以.shp格式導(dǎo)出，將面積較小的圖斑進(jìn)行合并后得到了棉花種植區(qū)的空間分布結(jié)果。為了評(píng)價(jià)該方法的分類精度，利用目視解譯[17]和面向?qū)ο蠓诸惙▽?duì)無人機(jī)可見光影像進(jìn)行棉花種植信息進(jìn)行了對(duì)比，目視解譯分類結(jié)果通過ArcGIS10.3軟件平臺(tái)矢量化完成。以目視解譯結(jié)果為基準(zhǔn)，作為實(shí)測(cè)值來檢驗(yàn)基于面向?qū)ο筇崛〗Y(jié)果的精度，統(tǒng)計(jì)了棉花的估算面積，并與目視解譯后得到的實(shí)測(cè)面積進(jìn)行了對(duì)比分析，計(jì)算誤差系數(shù)。

對(duì)比目視解譯提取結(jié)果圖和基于面向?qū)ο筇崛〗Y(jié)果圖，可以看出，基于面向?qū)ο筇崛〉拿藁ǚ植嘉恢煤湍恳暯庾g提取的棉花分布位置基本相同，說明基于面向?qū)ο蠓诸惙椒軌蚓_地定位棉花種植區(qū)分布。分別統(tǒng)計(jì)兩種分類結(jié)果中棉花的面積，假設(shè)以目視解譯提取的棉花種植信息作為實(shí)測(cè)值，對(duì)基于面向?qū)ο筇崛〗Y(jié)果進(jìn)行精度計(jì)算，結(jié)果表明，目視解譯提取的棉花種植面積為0.35 km2，面向?qū)ο筇崛〉拿藁ǚN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(shù)為5.71%，表明分類精度較高。表2

表2 分類結(jié)果與誤差
Table 2 Classification results and errors

作物類型實(shí)測(cè)面積(km2)估算面積(km2)誤差系數(shù)(%)棉花0.350.335.71

3 討 論

3.1 近些年遙感技術(shù)在農(nóng)業(yè)的各個(gè)領(lǐng)域都應(yīng)用廣泛且效果明顯，比如農(nóng)業(yè)資源調(diào)查、長勢(shì)監(jiān)測(cè)、病蟲害監(jiān)測(cè)、作物估產(chǎn)等方面，遙感技術(shù)已成為促進(jìn)農(nóng)業(yè)生產(chǎn)可持續(xù)發(fā)展的有利工具。而作物種植類型識(shí)別則是農(nóng)業(yè)遙感應(yīng)用的基礎(chǔ)和前提，沒有準(zhǔn)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(nóng)業(yè)遙感技術(shù)應(yīng)用受到極大的限制，從而影響長勢(shì)監(jiān)測(cè)、病蟲害監(jiān)測(cè)和作物估產(chǎn)的精度。同時(shí)，受到空間分辨率和時(shí)間分辨率的限制，常規(guī)遙感手段有時(shí)不能完全滿足農(nóng)業(yè)生產(chǎn)的需要，這對(duì)現(xiàn)有的農(nóng)業(yè)遙感技術(shù)人員提出了新的挑戰(zhàn)。隨著無人機(jī)技術(shù)的進(jìn)步和小型機(jī)載傳感器的發(fā)展，為作物識(shí)別精度的提高提供了新的技術(shù)手段。無人機(jī)搭載可見光相機(jī)具有數(shù)據(jù)采集速度快、精度高、易操作、成本低的特點(diǎn)。如果能利用可見光相機(jī)數(shù)據(jù)對(duì)區(qū)域中的作物種植信息進(jìn)行提取，將有效的降低農(nóng)業(yè)資源調(diào)查的成本，縮短數(shù)據(jù)獲取的周期，為后續(xù)的長勢(shì)監(jiān)測(cè)等精準(zhǔn)農(nóng)業(yè)環(huán)節(jié)提供基礎(chǔ)數(shù)據(jù)。

3.2 面向?qū)ο蟮姆诸惙椒梢栽谟跋窆庾V特征的基礎(chǔ)上構(gòu)建對(duì)象，充分利用對(duì)象的形狀、大小、位置、紋理以及與周圍地物的空間關(guān)系等特征，通過建立對(duì)象特征知識(shí)庫和分類規(guī)則體系來提取分類信息，對(duì)于棉花種植區(qū)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(fù)雜。同時(shí)，無人機(jī)可見光相機(jī)數(shù)據(jù)也不同于衛(wèi)星遙感影像，只有紅、綠、藍(lán)3種顏色的灰度特征，無法通過近紅外波段計(jì)算相關(guān)植被指數(shù)[19]。無人機(jī)起降方便，不受時(shí)間和空間的限制，在新疆農(nóng)田信息調(diào)查中是一種極佳的補(bǔ)充手段。利用無人機(jī)搭載可見光相機(jī)獲取的影像可以用于區(qū)域作物的信息提取，但對(duì)于更大尺度的作物分類還需要進(jìn)一步驗(yàn)證。

4 結(jié) 論

4.1 面向?qū)ο蟮姆诸惙椒ㄒ詫?duì)象為基本操作單元，對(duì)對(duì)象進(jìn)行分析，結(jié)合紋理、顏色、形狀等特征信息，構(gòu)建特征空間，運(yùn)用到分類器中，相比傳統(tǒng)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(shù)和特征空間構(gòu)建技術(shù)，借助eCognition軟件自動(dòng)獲取最優(yōu)的不同尺度影像信息提取特征，有效的結(jié)合了人的認(rèn)知機(jī)理，避免了“椒鹽現(xiàn)象”的產(chǎn)生，極大地提高了影像分類精度。

4.3 選取了B2、形狀指數(shù)、B1、B3和寬度5個(gè)特征作為最優(yōu)特征進(jìn)行分類，結(jié)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?qū)ο蟮姆诸惥葹?4.29%，誤差系數(shù)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(jī)可見光遙感影像數(shù)據(jù)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(xiàn)(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(qū)研究[J]. 自然資源學(xué)報(bào), 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(shù)據(jù)提取新疆棉花播種面積信息及長勢(shì)監(jiān)測(cè)方法研究[J]. 干旱地區(qū)農(nóng)業(yè)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(shí)相影像的棉花種植信息提取方法研究[J]. 干旱區(qū)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(jìn)生, 郭穎平, 蓋利亞, 等. 無人直升機(jī)遙感在華北平原地裂縫監(jiān)測(cè)中的應(yīng)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(nóng)田質(zhì)量信息提取與快速評(píng)價(jià)[D]. 北京: 中國地質(zhì)大學(xué)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(qū)管理研究-以山東省夏津縣為例[D]. 泰安: 山東農(nóng)業(yè)大學(xué)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(shí)相中分辨率時(shí)間過程特征的江漢平原棉花種植面積變化監(jiān)測(cè)[J]. 地球信息科學(xué), 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(wèi)星MPLS網(wǎng)絡(luò)關(guān)鍵技術(shù)研究[M]．北京: 清華大學(xué)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(nóng)八師墾區(qū)氣候變化及對(duì)農(nóng)業(yè)的影響[J]. 中國農(nóng)學(xué)通報(bào), 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(gòu)架航線對(duì)無人機(jī)影像區(qū)域網(wǎng)平差精度影響分析[J]. 測(cè)繪科學(xué), 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(shù)字圖像處理方法[M]. 北京: 科學(xué)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(xué)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?qū)ο蠓诸惖耐恋卣韰^(qū)農(nóng)田灌排系統(tǒng)自動(dòng)化識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 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?qū)ο蟮臒o人機(jī)遙感影像煙草種植面積提取與監(jiān)測(cè)[J]. 測(cè)繪科學(xué), 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(wèi)彬, 楊邦杰, 宋金鵬. TM影像中基于光譜特征的棉花識(shí)別模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 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?qū)ο蠹夹g(shù)的農(nóng)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(jiān)測(cè)研究[J]. 農(nóng)業(yè)現(xiàn)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?qū)ο蟮母叻直媛蔬b感影像信息提取與尺度效應(yīng)分析[M]. 吉林: 東北師范大學(xué), 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(qiáng)，等. 基于可見光波段無人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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)