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)測與識別的過程中，小麥與玉米的識別和管理技術(shù)相對比較成熟，但對棉花識別模型和分區(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，但在實際應(yīng)用中存在精度低、耗時長等缺點。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)動靈活、快速、經(jīng)濟(jì)、精度高等特點，彌補了衛(wèi)星遙感的缺點，為實現(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)時序變化特征，對分類后的影像進(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】這些研究在本質(zhì)上都是建立在統(tǒng)計模式下的基于影像單個像素的分類，難以建立對象網(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，并且在實際應(yīng)用中存在效率低、耗時長的缺點[8]。研究基于面向?qū)ο蟮臒o人機(jī)遙感影像提取方法，實現(xiàn)對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，確定最優(yōu)分割尺度，對無人機(jī)遙感試驗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；最后運用面向?qū)ο蟮淖钹徑诸惙ǎ瑢梢姽庥跋襁M(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，將影像分割成多個對象基元或影像對象，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象進(jìn)行分類。影像對象O與樣本對象S之間的距離計算公式如下[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)

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

(3)

其中，a表示實測面積，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，它是一個用來連續(xù)地合并像元或現(xiàn)有的影像對象的優(yōu)化過程，通過合并相鄰的像元或小的分割對象，在保證對象與對象之間平均異質(zhì)性最大，對象內(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象所允許的最大異質(zhì)度，值越大則生成的影像對象的尺寸越大，反之則越??；根據(jù)地物類型的特征，通過“試誤法”(嘗試-錯誤法)[14]，判斷分割后的對象既能有效的區(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三個波段，而第三波段又因為發(fā)生瑞利散射丟失信息，因此，將四個波段權(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。綜合考慮分割對象的邊緣平滑程度和對象的緊致程度，對比多次分割實驗結(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：以影像中任意一個像元為中心開始分割，第一次分割時以單個像元為一個最小的多邊形對象參與異質(zhì)性值的計算；第一次分割完成后，以生成的多邊形對象為基礎(chǔ)進(jìn)行第二次分割，同樣計算異質(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象，這些影像對象包含很多用于區(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，并在影像對象中均勻的選擇若干個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項特征來構(gòu)建特征空間?；诟鱾€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)致的計算量急劇增大、分類精度降低、分類特征冗余等問題。通過計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)，計算每個影像單元對于所有類的隸屬度，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相鄰像元組成的對象作為處理單元，從較高層次對遙感影像進(jìn)行分類，有效地結(jié)合了基于地物特點和影像特征之間的對應(yīng)關(guān)系而建立的規(guī)則，更加真實可靠，提高了分類精度，整個過程由計算機(jī)自動完成。

2.2 棉花種植信息提取及精度評價

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)果對比圖中可以看出，基于對象的分類方法主要以多像元構(gòu)建的對象為基本分類單元，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。為了評價該方法的分類精度，利用目視解譯[17]和面向?qū)ο蠓诸惙▽o人機(jī)可見光影像進(jìn)行棉花種植信息進(jìn)行了對比，目視解譯分類結(jié)果通過ArcGIS10.3軟件平臺矢量化完成。以目視解譯結(jié)果為基準(zhǔn)，作為實測值來檢驗基于面向?qū)ο筇崛〗Y(jié)果的精度，統(tǒng)計了棉花的估算面積，并與目視解譯后得到的實測面積進(jìn)行了對比分析，計算誤差系數(shù)。

對比目視解譯提取結(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測值，對基于面向?qū)ο筇崛〗Y(jié)果進(jìn)行精度計算，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

作物類型實測面積(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、長勢監(jiān)測、病蟲害監(jiān)測、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，從而影響長勢監(jiān)測、病蟲害監(jiān)測和作物估產(chǎn)的精度。同時，受到空間分辨率和時間分辨率的限制，常規(guī)遙感手段有時不能完全滿足農(nóng)業(yè)生產(chǎn)的需要，這對現(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。如果能利用可見光相機(jī)數(shù)據(jù)對區(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)的長勢監(jiān)測等精準(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)建對象，充分利用對象的形狀、大小、位置、紋理以及與周圍地物的空間關(guān)系等特征，通過建立對象特征知識庫和分類規(guī)則體系來提取分類信息，對于棉花種植區(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，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算相關(guān)植被指數(shù)[19]。無人機(jī)起降方便，不受時間和空間的限制，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，但對于更大尺度的作物分類還需要進(jìn)一步驗證。

4 結(jié) 論

4.1 面向?qū)ο蟮姆诸惙椒ㄒ詫ο鬄榛静僮鲉卧?，對對象進(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, 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監(jiān)測方法研究[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價[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. 基于多時相中分辨率時間過程特征的江漢平原棉花種植面積變化監(jiān)測[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)氣候變化及對農(nóng)業(yè)的影響[J]. 中國農(nóng)學(xué)通報, 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)架航線對無人機(jī)影像區(qū)域網(wǎng)平差精度影響分析[J]. 測繪科學(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)自動化識別[J]. 農(nóng)業(yè)工程學(xué)報, 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[J]. 測繪科學(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別模型[J]. 農(nóng)業(yè)工程學(xué)報, 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，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，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)