朱秀芳，李石波，肖國(guó)峰

?

基于無人機(jī)遙感影像的覆膜農(nóng)田面積及分布提取方法

朱秀芳1,2，李石波3，肖國(guó)峰2

（1. 北京師范大學(xué)北京市陸表遙感數(shù)據(jù)產(chǎn)品工程技術(shù)研究中心，北京 100875；2. 北京師范大學(xué)地理科學(xué)學(xué)部遙感科學(xué)與工程研究院，北京 100875； 3. 中國(guó)地質(zhì)大學(xué)土地科學(xué)技術(shù)學(xué)院，北京 100083）

針對(duì)基于無人機(jī)遙感的覆膜農(nóng)田識(shí)別研究甚少的現(xiàn)狀，該文以云南省昭通市魯?shù)榭h為研究區(qū)，獲取了研究區(qū)中地表類型復(fù)雜程度不同的2幅航空影像（復(fù)雜區(qū)影像和簡(jiǎn)單區(qū)影像）作為試驗(yàn)數(shù)據(jù)，利用灰度共生矩陣對(duì)原始航片影像進(jìn)行紋理特征提取并選擇紋理特征最佳提取參數(shù)；然后基于隨機(jī)森林算法進(jìn)行紋理特征重要性評(píng)價(jià)，優(yōu)選紋理特征，結(jié)合原始數(shù)據(jù)進(jìn)行最大似然初步分類；運(yùn)用眾數(shù)分析進(jìn)行分類后處理；最后結(jié)合圖像形態(tài)學(xué)算法與面積閾值分割法提取出了最終的覆膜農(nóng)田面積及分布。通過試驗(yàn)結(jié)果發(fā)現(xiàn)，依據(jù)該文提出的方法，復(fù)雜區(qū)和簡(jiǎn)單區(qū)覆膜農(nóng)田識(shí)別的總體精度、Kappa系數(shù)、產(chǎn)品精度、用戶精度和面積誤差分別達(dá)到了94.84%、0.89、92.48%、93.39%、0.38%和96.74%、0.93、97.39%、94.63%、1.95%。該文提出的融合監(jiān)督分類和圖像形態(tài)學(xué)算法的覆膜農(nóng)田提取方法可以簡(jiǎn)單、快速的將地膜連成塊，形成覆膜農(nóng)田對(duì)象，進(jìn)而通過面積閾值分割法獲取高精度的覆膜農(nóng)田分布信息。該方法可以為精準(zhǔn)覆膜農(nóng)田識(shí)別算法的發(fā)展提供參考。

無人機(jī)；算法；提?。桓材まr(nóng)田；紋理特征；最大似然分類；閾值分割

0 引 言

隨著農(nóng)業(yè)技術(shù)的發(fā)展，農(nóng)田覆膜技術(shù)因其能夠改善土壤理化性質(zhì)、促進(jìn)作物生長(zhǎng)等優(yōu)點(diǎn)得到了廣泛應(yīng)用[1]，然而大量地膜的使用勢(shì)必會(huì)給環(huán)境造成嚴(yán)重污染。覆膜農(nóng)田面積和空間分布的精準(zhǔn)獲取可為相關(guān)部門掌握農(nóng)田地膜覆蓋情況、優(yōu)化耕作制度、預(yù)防地膜污染等提供管理決策重要依據(jù)。因此地膜覆蓋農(nóng)田遙感監(jiān)測(cè)逐漸成為了農(nóng)業(yè)土地資源遙感的熱點(diǎn)方向[2]。

目前，基于衛(wèi)星遙感的覆膜農(nóng)田識(shí)別，從數(shù)據(jù)源的角度來說，包括基于可見光遙感影像、基于高光譜影像、基于雷達(dá)影像以及復(fù)合多源遙感數(shù)據(jù)提取的方法?；谥蟹直媛士梢姽膺b感影像的覆膜農(nóng)田識(shí)別一般圍繞光譜特征、指數(shù)特征以及紋理特征組合，使用最大似然、決策樹、支持向量機(jī)等方法對(duì)影像進(jìn)行分類，獲取覆膜農(nóng)田信息。例如，Picuno等基于Landsat5 和Landsat7 的影像利用平行六面體分類方法進(jìn)行了意大利南部瓊斯海附近的覆膜農(nóng)田分布提取[3]。Lanorte等基于Landsat8影像利用支持向量機(jī)分類方法進(jìn)行了意大利南部阿普利亞地區(qū)覆膜農(nóng)田的提取[4]。Hasituya等[5-6]在河北冀州和寧夏固原先后使用了單時(shí)相和多時(shí)相的Landsat8進(jìn)行覆膜農(nóng)田監(jiān)測(cè)，指出基于多時(shí)相數(shù)據(jù)監(jiān)測(cè)的精度更高。沙先麗[7]利用Landsat TM數(shù)據(jù)，以影像光譜特征、指數(shù)特征和紋理特征為基礎(chǔ)，構(gòu)建決策樹對(duì)新疆覆膜棉區(qū)進(jìn)行提取，分類總體精度達(dá)到90%以上。李佳雨等[8]基于資源三號(hào)和Landsat衛(wèi)星融合數(shù)據(jù)，采用面向?qū)ο箅S機(jī)森林分類方法對(duì)甘肅中部地區(qū)進(jìn)行了地膜提取，總體分類精度和Kappa系數(shù)分別達(dá)到了90.2%和0.877。高夢(mèng)婕等以GF2遙感影像為數(shù)據(jù)源，對(duì)比分析了隨機(jī)森林、CART決策樹、支持向量機(jī)3種分類器識(shí)別塑料大棚的精度，指出隨機(jī)森林法識(shí)別精度最高[9]。

基于低分辨率可見光影像的覆膜農(nóng)田識(shí)別主要使用的數(shù)據(jù)源是MODIS影像。例如，杭丹維利用MODIS影像，通過亞像元制圖的方法進(jìn)行了新疆維吾爾自治區(qū)天山南麓阿克蘇河流域南部的綠洲覆膜農(nóng)田的提取[10]。Lu等基于時(shí)序 MODIS NDVI 數(shù)據(jù)利用閾值法成功提取了新疆地膜覆蓋的棉花空間分布[11]。此外，Levin等通過對(duì)多種覆膜材料350～2 500 nm之間光譜輻射進(jìn)行測(cè)量和分析，指出白色和透明塑料膜在1 218、1 732和2 313 nm有強(qiáng)吸收特性，在此基礎(chǔ)上利用超光譜AISA-ES影像進(jìn)行地膜識(shí)別試驗(yàn)，進(jìn)一步發(fā)現(xiàn)波長(zhǎng)在1 732 nm附近識(shí)別效果最好，精度在90%以上[12]。張航[13]基于高光譜影像，采用支持向量機(jī)分類器對(duì)皮棉中地膜進(jìn)行識(shí)別，最終識(shí)別精度達(dá)到了97.71%。王?；厶接懥宿r(nóng)膜的偏振特征信息[14]。Hasituya等采用全極化Radarsat 2數(shù)據(jù)在河北冀州市和寧夏固原市開展覆膜農(nóng)田遙感識(shí)別研究，發(fā)現(xiàn)單純依賴?yán)走_(dá)數(shù)據(jù)識(shí)別精度達(dá)不到80%[15]。

近幾年，無人機(jī)遙感憑借機(jī)動(dòng)性強(qiáng)、速度快和經(jīng)濟(jì)等特點(diǎn)已經(jīng)成為熱門研究課題[16]，無人機(jī)遙感逐漸從理論研究層面轉(zhuǎn)化到了實(shí)際應(yīng)用[17-21]。然而，基于無人機(jī)遙感的覆膜農(nóng)田識(shí)別研究甚少。孫鈺等[22]提出了一種基于深度學(xué)習(xí)的大棚及覆膜農(nóng)田無人機(jī)航拍監(jiān)測(cè)方法，對(duì)于測(cè)試區(qū)域的整體正確率達(dá)到了97%，但基于深度學(xué)習(xí)的地物覆蓋類型識(shí)別方法在使用前需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，導(dǎo)致了前期工作量增大。本文基于高分辨率的RGB航空影像，提出了一種融合監(jiān)督分類和圖像形態(tài)學(xué)算法的覆膜農(nóng)田提取方法，并以云南省昭通市魯?shù)榭h為研究區(qū)進(jìn)行了算法的應(yīng)用和驗(yàn)證，為小區(qū)域、精準(zhǔn)覆膜農(nóng)田識(shí)別算法的發(fā)展提供參考。

1 研究區(qū)及數(shù)據(jù)準(zhǔn)備

1.1 研究區(qū)概況

本文的研究區(qū)位于云南省昭通市下轄的魯?shù)榭h，是優(yōu)質(zhì)烤煙主產(chǎn)縣。年均氣溫12.1 ℃，年無霜期220 d，年均降水量900 mm。其中山區(qū)占總面積的87.9%。主要作物包括冬小麥、春玉米、夏玉米、中稻和烤煙。

1.2 數(shù)據(jù)獲取與預(yù)處理

試驗(yàn)數(shù)據(jù)為2018年5月4日進(jìn)行航拍獲取的無人機(jī)影像，航拍地點(diǎn)為云南省昭通市魯?shù)榭h大水塘村，覆蓋面積約為18.5 km2。所使用的無人機(jī)為DM-150經(jīng)典無人機(jī)，該機(jī)空機(jī)質(zhì)量10 kg，最大飛行速度為150 km/h，正常巡航速度為110 km/h，巡邏速度80 km/h，最大任務(wù)載荷為6 kg，續(xù)航時(shí)間為3 h，升限5 000 m，航程最大300 km。搭載的相機(jī)為索尼ILCE-7R，傳感器型號(hào)為Exmor CMOS，傳感器尺寸為35.9 mm×24 mm（35mm全畫幅），鏡頭型號(hào)為索尼 Sonnar T*FE 35 mm F2.8 ZA（SEL35F28Z），有效像素為3 640萬，影像尺寸7 360× 4 912，像元尺寸4.9m×4.9m，等效焦距為35 m。航拍時(shí)高度為1 285 m，旁向重疊率30%，航向重疊率70%，所獲得影像地面分辨率為0.15 m。影像處理的主要內(nèi)容是對(duì)無人機(jī)獲取的影像進(jìn)行后期的處理，包括數(shù)據(jù)質(zhì)量檢查、影像特征點(diǎn)提取、影像匹配、空中三角測(cè)量與區(qū)域網(wǎng)平差、生成數(shù)字高程模型（digital elevation model，DEM）、正射校正生成數(shù)字正射影像（digital orthophoto map，DOM）和影像拼接等。

研究區(qū)內(nèi)的地物類型主要包含植被、不透水層（建筑物與硬化道路）、裸地和地膜。覆膜的作物主要有烤煙和春玉米，所覆蓋的地膜有白色和黑色2種。白色的地膜容易和淺色的不透水層（如白色的房頂）混分，而黑色的地膜容易和深色的不透水層（如黑灰色的房頂）混分。裸地主要是暫時(shí)沒有播種的農(nóng)田，其中部分裸地中有往年的地膜殘留物，容易和當(dāng)年的地膜混分。為了測(cè)試本文所提出方法的適用性，特從研究區(qū)中選取了2幅影像進(jìn)行測(cè)試（圖1）。2幅影像中地物的復(fù)雜程度不同，為方便后文的稱述，本文簡(jiǎn)單的稱其為復(fù)雜區(qū)影像和簡(jiǎn)單區(qū)影像。復(fù)雜區(qū)影像中地物類型主要包括植被、不透水層（建筑物與硬化道路），地膜（以黑膜為主，間有少量白膜），裸地（大部分含有往年的地膜殘留）；簡(jiǎn)單區(qū)影像中的地物類型和復(fù)雜區(qū)一致，但是簡(jiǎn)單區(qū)的地膜只有黑膜，裸地中無殘膜。完整黑色地膜和完整白色地膜呈條狀，而殘膜在地塊中呈破碎狀，并且在地塊中密度較小。白色殘膜和黑色殘膜與完整白色地膜和完整黑色地膜灰度值（digital number，DN）特征相似，白膜DN值均高于黑膜DN值。

注：復(fù)雜區(qū)影像中地物類型包括植被、不透水層、地膜、裸地；簡(jiǎn)單區(qū)影像中地物類型和復(fù)雜區(qū)一致，但是簡(jiǎn)單區(qū)的地膜只有黑膜，裸地中無殘膜。

2 技術(shù)路線與研究方法

2.1 研究方案

本文旨在提取覆膜農(nóng)田，即當(dāng)季覆蓋了地膜的農(nóng)田。覆膜農(nóng)田的面積是地塊中地膜和裸地的面積的總和，而不僅僅是地膜的面積，而且不包含以往生長(zhǎng)季殘留的地膜。針對(duì)該研究目標(biāo)，本文設(shè)計(jì)了如圖2所示的技術(shù)路線，主要包括如下步驟：1）計(jì)算原始RGB航片影像灰度共生矩陣，得到了24個(gè)紋理特征；2）基于隨機(jī)森林算法進(jìn)行紋理特征重要性評(píng)價(jià)，優(yōu)選紋理特征，結(jié)合原始數(shù)據(jù)進(jìn)行最大似然分類，得到地膜的初步分類結(jié)果；3）運(yùn)用Majority分析進(jìn)行分類后處理，去掉殘膜等噪聲圖斑；4）通過圖像形態(tài)學(xué)算法將條狀地膜連成片，得到覆膜農(nóng)田，提取圖像上的圖斑對(duì)象，設(shè)定圖斑面積閾值提取出覆膜農(nóng)田空間分布；5）結(jié)合原始航片影像并進(jìn)行目視比對(duì)，進(jìn)行二次形態(tài)學(xué)算法處理，獲取最終的覆膜農(nóng)田空間分布；6）通過誤差矩陣和面積誤差對(duì)覆膜農(nóng)田識(shí)別結(jié)果進(jìn)行精度驗(yàn)證。

圖2 技術(shù)路線圖

2.2 特征生成

2.2.1 灰度共生矩陣紋理特征提取

灰度共生矩陣[23]是通過計(jì)算圖像灰度級(jí)之間條件概率密度函數(shù)來提取紋理特征的一種統(tǒng)計(jì)分析方法（下文簡(jiǎn)稱為GLCM）。本文選取了應(yīng)用較廣泛的均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩和相關(guān)度8種紋理測(cè)度進(jìn)行紋理特征分析，并分別從3×3、5×5、7×7、9×9、11×11、13×13、15×15共7個(gè)窗口，0、45°、90°、135°4個(gè)方向，1、2、3共3個(gè)步長(zhǎng)，合計(jì)84種不同參數(shù)組合對(duì)原始影像提取了84組不同的紋理特征，討論不同參數(shù)組合對(duì)分類結(jié)果的影響，選取最佳提取參數(shù)。最終基于紋理特征最佳提取參數(shù)對(duì)原始航片影像進(jìn)行紋理特征提取。由于原始航片數(shù)據(jù)有R、G、B 3種圖像灰度信息，因此每組紋理特征中包含24個(gè)波段信息。

2.2.2 最佳紋理組合選取

紋理特征生成之后需要對(duì)8種紋理特征進(jìn)行篩選，識(shí)別出對(duì)分類結(jié)果影響較大的紋理特征。本文利用隨機(jī)森林算法進(jìn)行紋理特征重要性評(píng)價(jià)，并逐一添加對(duì)分類結(jié)果影響大的特征進(jìn)行精度驗(yàn)證，選擇分類精度最高時(shí)對(duì)應(yīng)的波段組合作為最佳波段組合。隨機(jī)森林特征重要性評(píng)價(jià)的基本原理為基于已創(chuàng)建樣本庫(kù)進(jìn)行隨機(jī)森林決策樹的建立，每一棵決策樹對(duì)應(yīng)一個(gè)袋外數(shù)據(jù)誤差，然后隨機(jī)向袋外樣本數(shù)據(jù)中某一特征變量添加噪聲，并計(jì)算加入噪聲后對(duì)應(yīng)的袋外數(shù)據(jù)誤差。若某個(gè)特征變量加入噪聲后導(dǎo)致袋外的準(zhǔn)確率大大降低，則說明該特征變量對(duì)樣本分類結(jié)果影像較大，即該特征變量重要性較高。

2.3 最大似然分類與分類后處理

將基于隨機(jī)森林算法選取的波段組合結(jié)合原始航片影像進(jìn)行最大似然分類（地物類型包括：植被、不透水層，地膜和裸地）得到初步分類結(jié)果，然后進(jìn)行分類后處理（Majority分析），對(duì)分類結(jié)果中面積很小的斑塊進(jìn)行剔除或重分類。Majority分析先定義一個(gè)變換核尺寸，用變換核中占主要地位（像元素最多）的像元類別代替中心像元的類別。

2.4 基于圖像形態(tài)學(xué)算法和面積閾值分割法的覆膜農(nóng)田空間分布提取

采用圖像形態(tài)學(xué)算法（腐蝕、膨脹、開運(yùn)算和閉運(yùn)算）對(duì)初步分類結(jié)果進(jìn)行處理，將條狀地膜連成片，得到覆膜農(nóng)田對(duì)象，同時(shí)將偽地膜信息與覆膜農(nóng)田分離開來，然后基于面積閾值分割法將破碎狀殘膜與偽地膜信息剔除，獲取覆膜農(nóng)田空間分布。

2.5 二次形態(tài)學(xué)算法處理

由于提取覆膜農(nóng)田空間分布時(shí)采用了圖像形態(tài)學(xué)算法（腐蝕運(yùn)算和膨脹運(yùn)算），導(dǎo)致了提取出來的覆膜農(nóng)田大小與實(shí)際覆膜農(nóng)田面積大小并不一致，故本文采用二次形態(tài)學(xué)算法處理方法。二次形態(tài)學(xué)算法處理是指通過使用膨脹運(yùn)算或閉運(yùn)算將覆膜農(nóng)田形成完整塊狀對(duì)象，再使用腐蝕運(yùn)算結(jié)合目視比對(duì)原始影像的方法，將覆膜農(nóng)田恢復(fù)至實(shí)際覆膜農(nóng)田大小。

2.6 精度驗(yàn)證

參考已有文獻(xiàn)[24-25]，本文選取了總體精度、Kappa系數(shù)、產(chǎn)品精度、用戶精度和面積誤差5個(gè)指標(biāo)對(duì)識(shí)別的覆膜農(nóng)田進(jìn)行比較和分析。其中總體精度、Kappa系數(shù)反映了識(shí)別出的覆膜農(nóng)田空間分布位置的準(zhǔn)確度；產(chǎn)品精度反映了覆膜農(nóng)田漏分程度；用戶精度反映了覆膜農(nóng)田錯(cuò)分程度；面積誤差是指覆膜農(nóng)田提取面積與真實(shí)覆膜農(nóng)田面積差值的絕對(duì)值和真實(shí)覆膜農(nóng)田面積的比值，反映了最終提取的覆膜農(nóng)田面積相比真實(shí)覆膜農(nóng)田面積的誤差大小。精度驗(yàn)證的參考數(shù)據(jù)為人工目視數(shù)字化的覆膜農(nóng)田空間分布數(shù)據(jù)。

3 研究結(jié)果

3.1 GLCM最佳參數(shù)選取

本文基于復(fù)雜區(qū)分別從不同窗口、方向、步長(zhǎng)對(duì)原始航片影像提取了84個(gè)不同的紋理特征組合。84種不同紋理特征組合分別結(jié)合原始航片影像進(jìn)行最大似然分類，并從總體精度、地膜用戶精度和地膜制圖精度進(jìn)行分析（圖3）。由圖3可知，地膜制圖精度在不同紋理特征提取參數(shù)下均能夠保持較高水平（90%以上），總體精度和地膜用戶精度隨著窗口大小的增加呈上升趨勢(shì)，總體精度約從80%上升至90%以上，地膜用戶精度約從40%上升至90%以上。為了同時(shí)兼顧地膜的分類精度和影像初步分類的總體精度，本文將總體精度、地膜用戶精度和地膜制圖精度之和最大對(duì)應(yīng)的紋理特征提取參數(shù)作為最佳提取參數(shù)，最終確定紋理特征最佳提取參數(shù)是：窗口大小為15×15，方向?yàn)?，步長(zhǎng)為2。由于本試驗(yàn)中簡(jiǎn)單區(qū)和復(fù)雜區(qū)紋理特征十分相似，因此同樣將窗口大小15×15，方向0，步長(zhǎng)2作為簡(jiǎn)單區(qū)紋理特征最佳提取參數(shù)。

3.2 最優(yōu)紋理特征組合

基于紋理特征最佳提取參數(shù)對(duì)簡(jiǎn)單區(qū)和復(fù)雜區(qū)進(jìn)行紋理特征提取后，利用隨機(jī)森林算法分別對(duì)2組紋理特征建立模型并進(jìn)行重要性評(píng)價(jià)，按照重要性排序并逐一添加重要性大的特征進(jìn)行精度驗(yàn)證。默認(rèn)參數(shù)下，復(fù)雜區(qū)和簡(jiǎn)單區(qū)2個(gè)模型的袋外分?jǐn)?shù)分別達(dá)到了0.979 4和0.973 3。由于默認(rèn)參數(shù)下，2個(gè)袋外分?jǐn)?shù)已經(jīng)較高，因此本文在默認(rèn)參數(shù)下建立隨機(jī)森林模型并對(duì)2組紋理特征進(jìn)行重要性評(píng)價(jià)（圖4a和圖4b）。從圖4中可以看出，復(fù)雜區(qū)和簡(jiǎn)單區(qū)重要性最高的前3個(gè)特征波段均為b17（藍(lán)色均值）、b1（紅色均值）和b9（綠色均值），3個(gè)波段重要性之和分別達(dá)到了0.527 0，0.536 6。逐一添加特征進(jìn)行精度驗(yàn)證的結(jié)果如圖5a和圖5b所示。由圖5可知，從結(jié)果中可以看出，復(fù)雜區(qū)和簡(jiǎn)單區(qū)地膜產(chǎn)品精度變化波動(dòng)較小并且精度均保持在90%以上。地膜用戶精度變化波動(dòng)較大，隨著特征數(shù)量的增加，復(fù)雜區(qū)和簡(jiǎn)單區(qū)地膜用戶精度顯著增加，復(fù)雜區(qū)特征數(shù)量為9時(shí)，簡(jiǎn)單區(qū)特征數(shù)量為6時(shí)，地膜用戶精度基本趨于平穩(wěn)，并且基本平穩(wěn)時(shí)地膜用戶精度均達(dá)到了90%以上。為了獲取地膜分類精度最高的初步分類結(jié)果，本文選取地膜用戶精度與地膜產(chǎn)品精度之和最大對(duì)應(yīng)的紋理特征組合最為最佳紋理特征組合。最終確定復(fù)雜區(qū)前21個(gè)特征為最佳特征組合，簡(jiǎn)單區(qū)前7個(gè)特征為最佳特征組合。

圖3不同紋理特征組合下的地膜識(shí)別精度

注：復(fù)雜區(qū)和簡(jiǎn)單區(qū)波段號(hào)b1至b24分別為紅色均值、紅色方差、紅色協(xié)同性、紅色對(duì)比度、紅色相異性、紅色信息熵、紅色二階矩、紅色相關(guān)度、綠色均值、綠色方差、綠色協(xié)同性、綠色對(duì)比度、綠色相異性、綠色信息熵、綠色二階矩、綠色相關(guān)度、藍(lán)色均值、藍(lán)色方差、藍(lán)色協(xié)同性、藍(lán)色對(duì)比度、藍(lán)色相異性、藍(lán)色信息熵、藍(lán)色二階矩、藍(lán)色相關(guān)度。

圖5 兩試驗(yàn)區(qū)逐一加入特征后精度驗(yàn)證結(jié)果

3.3 最大似然初分類結(jié)果

分別將復(fù)雜區(qū)和簡(jiǎn)單區(qū)優(yōu)選紋理特征與原始航片影像結(jié)合進(jìn)行最大似然分類，并進(jìn)行分類后處理——Majority分析，變換核尺寸為5×5，中心像元權(quán)重為1，結(jié)果如圖6a所示。初步分類后處理能夠?qū)⒋蟛糠值啬ぃò埬ぃ┨崛〕鰜?，并且剔除了面積較小的偽地膜斑塊。從結(jié)果中能看出，不管是復(fù)雜區(qū)還是簡(jiǎn)單區(qū)，不透水層（建筑物與硬化道路）易與地膜混淆，尤其是建筑物與硬化道路邊界。在復(fù)雜區(qū)中，大部分地膜能夠提取出來，但是錯(cuò)分像元仍然較多，不透水層（建筑物與硬化道路）與地膜混淆，被歸為一類,重新編碼為1，其他類型被重新編碼為0；在簡(jiǎn)單區(qū)中，同樣大部分地膜提取出來，有少量不透水層（建筑物與硬化道路）與地膜混淆，被歸為一類，重新編碼為1，其他類型被重新編碼為0。

3.4 基于圖像形態(tài)學(xué)算法和面積閾值分割法的覆膜農(nóng)田空間分布提取

對(duì)于2個(gè)試驗(yàn)區(qū)域，初步分類后的結(jié)果仍然有許多錯(cuò)分和漏分的地膜像元。為了能夠剔除大量錯(cuò)分像元，同時(shí)考慮正常地膜具有條狀特征，殘膜具有破碎狀特征，本文在初步分類的基礎(chǔ)上利用圖像形態(tài)學(xué)算法（包括膨脹和腐蝕）將條狀地膜連成覆膜農(nóng)田對(duì)象，然后采用面積閾值分割法剔除偽覆膜農(nóng)田對(duì)象和殘膜對(duì)象。

經(jīng)過試驗(yàn)，復(fù)雜區(qū)進(jìn)行膨脹運(yùn)算（變換核尺寸5×5、濾波重復(fù)次數(shù)1），能夠得到最佳覆膜農(nóng)田提取效果；簡(jiǎn)單區(qū)進(jìn)行膨脹運(yùn)算（變換核尺寸3×3、濾波重復(fù)次數(shù)3）能夠得到最佳覆膜農(nóng)田提取效果（圖6b）。最佳農(nóng)田提取效果指的是通過腐蝕和膨脹運(yùn)算盡可能地將大部分地膜信息保留，打通地膜與非地膜圖斑間縫隙的同時(shí)，去除噪聲圖斑并將地膜連結(jié)成覆膜農(nóng)田對(duì)象。接著對(duì)形態(tài)學(xué)算法處理后的影像進(jìn)行基于面積閾值的覆膜農(nóng)田提取，剔除偽地膜圖斑和殘膜圖斑，圖斑面積在閾值之上的認(rèn)定為覆膜農(nóng)田，復(fù)雜區(qū)和簡(jiǎn)單區(qū)的面積閾值分別設(shè)定為35和500 m2，覆膜農(nóng)田提取結(jié)果如圖6c所示。

經(jīng)過上述處理后提取的覆膜農(nóng)田與實(shí)際覆膜農(nóng)田大小不一致，結(jié)合原始航片影像比對(duì)的方法，進(jìn)行二次形態(tài)學(xué)算法處理，使最終提取結(jié)果與原始航片影像中塊狀覆膜農(nóng)田大小保持一致。經(jīng)過目視比對(duì)和參數(shù)調(diào)整，復(fù)雜區(qū)采用閉運(yùn)算（變換核尺寸為9×9、濾波重復(fù)次數(shù)為1）能得到最佳匹配效果；簡(jiǎn)單區(qū)先采用膨脹運(yùn)算（變換核尺寸為5×5、濾波重復(fù)次數(shù)為1），再采用腐蝕運(yùn)算（變換核尺寸為3×3、濾波重復(fù)次數(shù)為1）能得到最佳匹配效果。兩試驗(yàn)區(qū)最終提取結(jié)果如圖6d所示。

圖6 基于圖像形態(tài)學(xué)算法和面積閾值分割法的數(shù)據(jù)處理結(jié)果

Fig.6. Data processing results based on image morphology and area threshold segmentation

3.5 精度驗(yàn)證

3.5.1 位置精度分析

表1是復(fù)雜區(qū)和簡(jiǎn)單區(qū)利用混淆矩陣計(jì)算得到的總體像元精度、Kappa系數(shù)和覆膜農(nóng)田的產(chǎn)品精度與用戶精度。從表1可以看出，復(fù)雜區(qū)總體像元精度、覆膜農(nóng)田的用戶精度和產(chǎn)品精度均達(dá)到92%以上；簡(jiǎn)單區(qū)總體像元精度和覆膜農(nóng)田的產(chǎn)品精度、用戶精度則均在94%以上。復(fù)雜區(qū)Kappa系數(shù)為0.89；簡(jiǎn)單區(qū)Kappa系數(shù)為0.93?？v向觀察表1可以看到，無論是總體像元精度、Kappa系數(shù)還是覆膜農(nóng)田的產(chǎn)品精度、用戶精度，簡(jiǎn)單區(qū)均高于復(fù)雜區(qū)。這可能由于復(fù)雜區(qū)中除了不透水層（建筑物與硬化道路）、植被、正常地膜以外，還有大量包含殘膜的裸地，給基于面積閾值法提取覆膜農(nóng)田帶來了干擾。另外，由于復(fù)雜區(qū)地膜信息包括黑膜和少量白膜，白膜與不透水層更易混淆，一定程度上影響了分類結(jié)果。簡(jiǎn)單區(qū)中各種地物分布比較均勻、完整，沒有易于淺色不透水層混淆的白膜和大量殘膜信息的干擾。

表1 兩試驗(yàn)區(qū)覆膜農(nóng)田精度指標(biāo)統(tǒng)計(jì)

3.5.2 面積誤差分析

表2是復(fù)雜區(qū)和簡(jiǎn)單區(qū)2個(gè)試驗(yàn)區(qū)覆膜農(nóng)田面積誤差統(tǒng)計(jì)結(jié)果。從表2可以看出，簡(jiǎn)單區(qū)覆膜農(nóng)田像元約為復(fù)雜區(qū)覆膜農(nóng)田像元總數(shù)的2倍，復(fù)雜區(qū)和簡(jiǎn)單區(qū)覆膜農(nóng)田真實(shí)像元數(shù)分別為178 644和374 639，覆膜農(nóng)田提取像元數(shù)分別為177 970和367 349。由于航拍影像分辨率為0.15 m，故復(fù)雜區(qū)和簡(jiǎn)單區(qū)覆膜農(nóng)田真實(shí)面積分別為4 019.49 和8 429.377 5 m2，復(fù)雜區(qū)和簡(jiǎn)單區(qū)覆膜農(nóng)田提取面積分別為4 004.325和8 265.352 5 m2。簡(jiǎn)單區(qū)面積誤差為1.95%，復(fù)雜區(qū)面積誤差為0.38%，復(fù)雜區(qū)面積精度高于簡(jiǎn)單區(qū)面積精度。就像元位置精度來分析，復(fù)雜區(qū)產(chǎn)品精度、用戶精度和總體像元精度均低于簡(jiǎn)單區(qū)（表1）。用戶精度對(duì)應(yīng)錯(cuò)分誤差，產(chǎn)品精度對(duì)應(yīng)漏分誤差，就整個(gè)研究區(qū)來說錯(cuò)入錯(cuò)出會(huì)相互抵消，用戶精度和產(chǎn)品精度接近時(shí)的地物的總量精度高于用戶精度和產(chǎn)品精度差異大的地物的總量精度。本研究中復(fù)雜區(qū)覆膜農(nóng)田產(chǎn)品精度與覆膜農(nóng)田用戶精度之差的絕對(duì)值小于簡(jiǎn)單區(qū)覆膜農(nóng)田產(chǎn)品精度與覆膜農(nóng)田用戶精度之差的絕對(duì)值，錯(cuò)漏相抵，使得復(fù)雜區(qū)面積精度優(yōu)于簡(jiǎn)單區(qū)面積精度。

表2 兩試驗(yàn)區(qū)覆膜農(nóng)田面積誤差統(tǒng)計(jì)

4 討 論

本文針對(duì)無人機(jī)遙感影像的特點(diǎn)，充分結(jié)合了圖像光譜信息和紋理特征以及圖像形態(tài)學(xué)算法和面向?qū)ο筇卣魈崛》椒?，提出了一種基于無人機(jī)航片影像快速提取覆膜農(nóng)田的方法和流程。該方法在無人機(jī)農(nóng)業(yè)遙感應(yīng)用中有一定的參考價(jià)值。分析本文提取覆膜農(nóng)田的方法流程和結(jié)果，總結(jié)了以下幾個(gè)影響覆膜農(nóng)田識(shí)別精度的因素：

1）GLCM不同參數(shù)提取紋理特征對(duì)地膜識(shí)別精度的影響。不同的紋理窗口、方向和步長(zhǎng)共組成84種不同提取紋理特征的方案。從本文3.1節(jié)統(tǒng)計(jì)結(jié)果可以看出，不同的組合方案對(duì)地膜的識(shí)別精度差異較大，地膜用戶精度最低為38.75%，最高能達(dá)到95%以上。因此，在進(jìn)行紋理特征提取時(shí)要考慮提取參數(shù)的選擇對(duì)識(shí)別精度的影響。

2）紋理特征優(yōu)選對(duì)識(shí)別精度的影響。本文首先基于隨機(jī)森林算法對(duì)紋理特征進(jìn)行重要性評(píng)價(jià)，然后逐一加入重要性高的特征進(jìn)行精度驗(yàn)證，選取精度最高對(duì)應(yīng)的特征數(shù)作為最優(yōu)特征組合。紋理特征篩選能夠減少數(shù)據(jù)維度，提高處理效率，并且能夠提高分類精度。但并不是紋理特征加的越多越好，已有研究表明加入不恰當(dāng)?shù)募y理特征不但不能提高分類精度反而可能降低分類精度[26]，分類前進(jìn)行特征優(yōu)選工作是非常有必要的。

3）“同譜異物”像元混分問題。本文研究的2個(gè)試驗(yàn)區(qū)中，地膜信息包括黑膜和白膜。黑膜易與不透水層中黑色建筑物混分；白膜易與白色建筑物或硬化道路混分。“同譜異物”很大程度上影響覆膜農(nóng)田的最終提取結(jié)果。本文通過面積閾值的方式有效減輕了不透水層的干擾，可以為相關(guān)研究提供借鑒。

4）殘膜的存在會(huì)影響覆膜農(nóng)田空間分布最終提取的精度。初步分類后處理得到的影像中地膜包含了當(dāng)季的條狀地膜和往季的破碎狀殘膜，如果研究區(qū)內(nèi)包含了大量殘膜，并且條狀地膜之間的裸土間隔大于殘膜與條狀地膜間隔的話，通過進(jìn)行圖像形態(tài)學(xué)算法處理會(huì)導(dǎo)致殘膜與條狀地膜共同形成覆膜農(nóng)田斑塊，影響最終覆膜農(nóng)田提取精度。

另外，本文還存在一些待改進(jìn)之處。本文基于隨機(jī)森林算法對(duì)特征進(jìn)行重要性評(píng)價(jià)，優(yōu)選紋理特征并結(jié)合原始航片影像得到的初步分類結(jié)果中覆膜農(nóng)田與不透水層混淆仍然存在錯(cuò)分和漏分，導(dǎo)致最終覆膜農(nóng)田提取結(jié)果精度下降。未來可以考慮通過增加色彩空間轉(zhuǎn)換和基于RGB航片影像顏色指數(shù)（例如過綠指數(shù)或植被指數(shù)）等特征來提高初步分類精度。另外，本文首次使用圖像形態(tài)學(xué)算法處理初步分類結(jié)果，使地膜連結(jié)成覆膜農(nóng)田，并將非地膜信息與地膜信息分離的過程中，沒有形成一套規(guī)則的算法參數(shù)設(shè)置方案，導(dǎo)致數(shù)據(jù)處理效率減低。作者考慮將在后續(xù)的研究中把地膜與非地膜信息間距和地膜間距考慮在內(nèi)，通過優(yōu)化算法參數(shù)設(shè)置方案來提高數(shù)據(jù)處理效率。

5 結(jié) 論

本文通過討論紋理特征提取窗口、方向和步長(zhǎng)選擇紋理特征最佳提取參數(shù)，使用最佳參數(shù)提取影像紋理特征，利用隨機(jī)森林對(duì)特征變量進(jìn)行重要性評(píng)估，選取重要性高的波段，進(jìn)行最大似然初分類，并充分結(jié)合圖像形態(tài)學(xué)算法和基于面積閾值的面向?qū)ο筇崛》椒ǎ@得了基于無人機(jī)RGB影像的云南省昭通市魯?shù)榭h兩試驗(yàn)區(qū)覆膜農(nóng)田分布，得到的結(jié)論主要如下：

1）選擇紋理特征最佳提取參數(shù)能夠大幅度提高影像分類精度。分析結(jié)果顯示在無人機(jī)高分辨率影像基礎(chǔ)上，窗口的大小相比于步長(zhǎng)和方向?qū)Ψ诸惥鹊挠绊懜?，隨著窗口增大，分類精度逐漸提高并趨于平穩(wěn)。在實(shí)際應(yīng)用中建議提取大窗口下的紋理特征進(jìn)行覆膜農(nóng)田提取。

2）基于灰度共生矩陣對(duì)無人機(jī)可見光影像進(jìn)行紋理特征提取，并基于隨機(jī)森林算法進(jìn)行特征變量重要性評(píng)價(jià)，選擇重要性高的紋理特征組合參與分類，在提高分類精度的同時(shí)，也縮減了建立模型時(shí)的特征數(shù)，提高了數(shù)據(jù)處理效率。另外，目前特征重要性評(píng)價(jià)方法有很多種，用隨機(jī)森林算法進(jìn)行特征重要性評(píng)價(jià)并優(yōu)選紋理特征，對(duì)于影像分類比較有針對(duì)性。本文研究顯示就均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩和相關(guān)度八種紋理測(cè)度中均值對(duì)提取地膜的貢獻(xiàn)最大，復(fù)雜區(qū)和簡(jiǎn)單區(qū)重要性最高的前3個(gè)特征波段均為藍(lán)色均值、紅色均值和綠色均值。

3）覆膜農(nóng)田中的地膜呈條狀，圖像形態(tài)學(xué)算法與面向?qū)ο筇卣魈崛∠嘟Y(jié)合對(duì)于覆膜農(nóng)田提取有很大適用性，它可以簡(jiǎn)單、快速的將條狀地膜連成片，得到覆膜農(nóng)田，不需要過多考慮地膜與地膜間裸土的影響，進(jìn)而通過面積閾值分割法獲取覆膜農(nóng)田分布信息。通過試驗(yàn)結(jié)果發(fā)現(xiàn)，依據(jù)該文提出的方法，復(fù)雜區(qū)和簡(jiǎn)單區(qū)覆膜農(nóng)田識(shí)別的總體精度、Kappa系數(shù)、產(chǎn)品精度、用戶精度和面積誤差分別達(dá)到了94.84%、0.89、92.48%、93.39%、0.38%和96.74%、0.93、97.39%、94.63%、1.95%。

[1] 哈斯圖亞. 基于多源數(shù)據(jù)的地膜覆蓋農(nóng)田遙感識(shí)別研究[D]. 北京:中國(guó)農(nóng)業(yè)科學(xué)院，2017.

Hasituya. Mapping Plastic-mulched Farmland with Multi-Source Remote Sensing Data[D]. Beijing：Chinese Academy of Agricultural Sciences, 2017. (in Chinese with English abstract)

[2] 陳仲新，任建強(qiáng)，唐華俊，等. 農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望[J]. 遙感學(xué)報(bào)，2016，20(5)：748－767.

Chen Zhongxin, Ren Jianqiang, Tang Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016，20(5): 748－767. (in Chinese with English abstract)

[3] Picuno P, Tortora A, Capobianco R L. Analysis of plasticulture landscapes in Southern Italy through remote sensing and solid modelling techniques[J]. Landscape and Urban Planning, 2011, 100(1/2): 1－56.

[4] Lanorte A, Santis F D, Gabriele Nolè, et al. Agricultural plastic waste spatial estimation by Landsat 8 satellite images[J]. Computers & Electronics in Agriculture, 2017, 141: 35－45.

[5] Hasituya, Chen Z, Wang L, et al. Monitoring plastic-mulched farmland by landsat-8 OLI imagery using spectral and textural features[J]. Remote Sensing, 2016, 8(4): 353.

[6] Hasituya, Chen Z. Mapping plastic-mulched farmland with multi-temporal Landsat-8 data[J]. Remote Sensing, 2017, 9(6): 557.

[7] 沙先麗. 地膜農(nóng)田遙感信息提取及覆膜地表溫度反演[D]. 杭州：浙江大學(xué)，2012.

Sha Xianli. Extraction of Plastic-Mulched Landcover Information and on Retrieval of Mulched Land Surface Temperature[D]. Hangzhou: Zhejiang University, 2012. (in Chinese with English abstract)

[8] 李佳雨，王華斌，王光輝，等. 多源衛(wèi)星數(shù)據(jù)的農(nóng)用地膜信息提取[J]. 測(cè)繪通報(bào)，2018(7)：78－82.

Li Jiayu, Wang Huabin, Wang Guanghui, et al. Plastic-mulched farmland extraction with multi-source satellite data[J]. Bulletin of Surveying and Mapping, 2018(7): 78－82. (in Chinese with English abstract)

[9] 高夢(mèng)婕，姜群鷗，趙一陽(yáng)，等. 基于GF-2遙感影像的塑料大棚提取方法對(duì)比[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，23(8)：125－134.

Gao Mengjie, Jiang Qunou, Zhao Yiyang, et al. Comparison of plastic greenhouse extraction method based on GF-2 remote-sensing imagery[J]. Journal of China Agricultural University, 2018, 23(8): 125－134. (in Chinese with English abstract)

[10] 杭丹維. 南疆覆膜農(nóng)田亞像元制圖及熱環(huán)境效應(yīng)定量測(cè)算[D]. 杭州：浙江大學(xué)，2016.

Hang Danwei. Mapping Subpixel of Plastic Mulched Landcover and Measuring the Heat Effect Mulching: A Case of Study Southern Xinjiang[D]. Hangzhou: Zhejiang University, 2016. (in Chinese with English abstract)

[11] Lu L, Hang D, Di L. Threshold model for detecting transparent plastic-mulched landcover using moderate- resolution imaging spectroradiometer time series data: A case study in southern Xinjiang, China[J]. Journal of Applied Remote Sensing, 2015, 9(1): 097094.

[12] Levin N, Lugassi R, Ramon U, et al. Remote sensing as a tool for monitoring plasticulture in agricultural landscapes[J]. International Journal of Remote Sensing, 2007, 28(1): 183－202.

[13] 張航. 基于高光譜成像技術(shù)的皮棉中地膜識(shí)別方法研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2016.

Zhang Hang. Identification of Plastic Films in Ginned Cotton based on Hyperspectral Imaging Technique[D]. Beijing: China Agricultural University, 2016. (in Chinese with English abstract)

[14] 王?；? 農(nóng)膜的偏振反射特征研究[D]. 長(zhǎng)春：東北師范大學(xué)，2007.

Wang Haihui. Study on the Polarized Reflectance Characteristics of Agricultural Thin Membrane[D]. Changchun: Northeast Normal University, 2007. (in Chinese with English abstract)

[15] Hasituya, Zhongxin C, Fei L, et al. Mapping plastic-mulched farmland with C-Band full polarization SAR remote sensing data[J]. Remote Sensing, 2017, 9(12): 1264.

[16] Xiang H, Tian L. Development of a low-cost agricultural remote sensing system based on an autonomous unmanned aerial vehicle (UAV)[J]. Biosystems Engineering, 2011, 108(2): 174－190.

[17] 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)：152－159.

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)

[18] 李明，黃愉淇，李緒孟，等. 基于無人機(jī)遙感影像的水稻種植信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(4)：108－114.

Li Ming, Huang Yuqi, Li Xumeng, et al. 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)

[19] 楊文攀，李長(zhǎng)春，楊浩，等. 基于無人機(jī)熱紅外與數(shù)碼影像的玉米冠層溫度監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(17)：68－75.

Yang Wenpan, Li Changchun, Yang Hao, et al. Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2018,34(17):68－75.

[20] 戴建國(guó)，張國(guó)順，郭鵬，等. 基于無人機(jī)遙感可見光影像的北疆主要農(nóng)作物分類方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(18)：122－129.

Dai Jianguo, Zhang Guoshun, Guo Peng, et al. Classification method of main crops in northern Xinjiang based on UAV visible waveband images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(18): 122－129. (in Chinese with English abstract)

[21] 于東海，馮仲科. 基于無人機(jī)傾斜航空影像的樹冠體積測(cè)算方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(1)：90－97.

Yu Donghai, Feng Zhongke. Tree crown volume measurement method based on oblique aerial images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 90－97. (in Chinese with English abstract)

[22] 孫鈺，韓京冶，陳志泊，等. 基于深度學(xué)習(xí)的大棚及地膜農(nóng)田無人機(jī)航拍監(jiān)測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(2)：133－140.

Sun Jue, Han Jingye, Chen Zhibo, et al. Monitoring method for UAV image of greenhouse and plastic-mulched landcover based on deep learning[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2): 133－140. (in Chinese with English abstract)

[23] Haralick R M. Statistical and structural approaches to texture[J]. Proceeding of the IEEE, 1979, 67(5): 786－804.

[24] 朱秀芳，潘耀忠，張錦水，等. 訓(xùn)練樣本對(duì)TM尺度小麥種植面積測(cè)量精度影響研究(Ⅰ)：訓(xùn)練樣本與分類方法間分類精度響應(yīng)關(guān)系研究[J]. 遙感學(xué)報(bào)，2007，11(6)：826－837.

Zhu Xiufang, Pan Yaozhong, Zhang Jinshui, et al. The effects of training samples on the wheat planting area measure accuracy in TM scale (I): The accuracy Response of different classifiers to training samples[J]. Journal of Remote Sensing, 2007, 11(6): 826－837. (in Chinese with English abstract)

[25] 朱秀芳，潘耀忠，王雙，等. 訓(xùn)練樣本對(duì)TM尺度小麥種植面積測(cè)量精度影響研究(Ⅱ)：樣本質(zhì)量對(duì)小麥測(cè)量精度的影響分析[J]. 測(cè)繪科學(xué)，2009，34(5)：132－135.

Zhu Xiufang, Pan Yaozhong, Wang Shuang, et al. The effects of training samples on the wheat planting area surveying accuracy in TM scale (II): The accuracy response of different classifiers to samples quality[J]. Science of Surveying and Mapping, 2009, 34(5): 132－135. (in Chinese with English abstract)

[26] 朱秀芳，賈斌，潘耀忠，等. 不同特征信息對(duì)TM尺度冬小麥面積測(cè)量精度影響研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23(9)：122－129.

Zhu Xiufang, Jia Bin, Pan Yaozhong, et al. Effects of various feature information on the accuracy of winter wheat planting area measurement[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(9): 122－129. (in Chinese with English abstract)

Method on extraction of area and distribution of plastic-mulched farmland based on UAV images

Zhu Xiufang1,2, Li Shibo3, Xiao Guofeng2

(1.100875,; 2.100875,; 3.,100083,)

Identification of plastic-mulched farmland using UAV image is quite few. This paper proposes a method of combining with texture features, image morphology algorithm and threshold segmentation algorithm to extract plastic-mulched farmland using UAV Red-Green-Blue (RGB) images. In order to test the performance of this method, this paper took Ludian County of Zhaotong City, Yunnan Province as the research area, and obtained 2 images in the research area as experimental data. The complexity of land cover type in the 2 images was different. In complex area, the main land cover types included vegetation, impervious layer (building and road), plastic-mulched farmland (mainly black plastic mulch with a small amount of white plastic mulch), and bare soil (containing the plastic residues of a previous year). In simple area, the land cover types were similar with those in complex area; however, all plastic-mulched farmland was covered by black plastic mulch and there were no plastic residues in bare soil. Firstly, we calculated the gray level co-occurrence matrix of 2 images in different window sizes (3×3, 5×5, 7×7, 9×9, 11×11, 13×13, 15×15), directions (0, 45°, 90° and 135°) and steps (1, 2 and 3) and extracted 8 texture features from each band of RGB images including mean, variance, synergy, contrast, dissimilarity, information entropy, second moment and correlation. Secondly, we combined the original RGB image with different texture features to make maximum likelihood classification and determined the best extraction parameters of the texture features by comparing the overall pixel accuracy, user accuracy and product accuracy of the plastic mulch in complex area. The best extraction parameters of texture features were the window size of 15×15, the direction of 0, and the step of 2, which were also used to extract texture features of the image in simple area. Thirdly, we selected the optimal texture combination based on importance evaluation of texture features using Random Forest Algorithm and combined them with original UAV RGB image to make maximum likelihood and get preliminary classification maps in both complex area and simple area. Fourthly, we recoded the preliminary classification maps into binary maps (1 refers to plastic mulch and 0 refers to the other land cover types) and made majority filtering to remove noises (such as the plastic residues of a previous year). Then, we used image morphology algorithms to convert the strip plastic mulch into the plastic-mulched farmland and set area threshold to extract plastic-mulched farmland distribution. The area thresholds were 35 m2in complex area and 500 m2in simple area. Finally, taking the digitized mulched farmland as references (ground truth data), the accuracy of the recognition results of mulched farmland was assessed by error matrix and area error. The results showed that the texture features extracted by the optimal parameters could greatly improve the classification accuracy. The image morphology algorithm and the threshold segmentation method could effectively extract the block-shaped plastic-mulched farmland. The overall accuracy, Kappa coefficient, product accuracy, user accuracy and area error were 94.84%, 0.89, 92.48%, 93.39%, 0.38% in complex area, and 96.74%, 0.93, 97.39%, 94.63%, 1.95% in simple area, respectively. Compared with step and direction, the size of window had greater influence on plastic mulch classification accuracy. Among 8 texture features, mean contributed most to extracting plastic mulch. The method of extracting plastic-mulched farmland based on the fusion of supervised classification and image morphology algorithm proposed in this paper can provide reference for the development of identification algorithm about plastic-mulched farmland.

unmanned aerial vehicle; algorithms; extraction; plastic-mulched farmland; textural features; maximum likelihood classification; threshold segmentation

朱秀芳，李石波，肖國(guó)峰. 基于無人機(jī)遙感影像的覆膜農(nóng)田面積及分布提取方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(4)：106－113. doi：10.11975/j.issn.1002-6819.2019.04.013 http://www.tcsae.org

Zhu Xiufang, Li Shibo, Xiao Guofeng. Method on extraction of area and distribution of plastic-mulched farmland based on UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 106－113. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.04.013 http://www.tcsae.org

2018-10-11

2019-02-14

北京市陸表遙感數(shù)據(jù)產(chǎn)品工程技術(shù)研究中心資助項(xiàng)目；國(guó)家“高分辨率對(duì)地觀測(cè)系統(tǒng)”重大專項(xiàng)資助項(xiàng)目。

朱秀芳，副教授，博士生導(dǎo)師，主要從事遙感應(yīng)用相關(guān)研究。 Email：zhuxiufang@bnu.edu.cn

10.11975/j.issn.1002-6819.2019.04.013

TP7

A

1002-6819(2019)-04-0106-08