无人机影像的面向对象水稻种植面积快速提取

王晋

摘要：目前来看，对于我国的水稻生产种植工作来说，无人机影像的应用成为关键，其所能起到的效果也比较出色。因此，本文将从无人机影像进行水稻种植面积快速提取的重要性入手，全面展开无人机影像的面向对象水稻种植面积快速提取的探究。

关键词：无人机影像;水稻种植;种植面积;种植技术;面积测量

一、引言

在当前而论，无人机影像在面积的快速提取工作中，也就被认为是最核心的内容，其所能起到的效果也比较出色，因此，在水稻种植工作中被广泛的利用，而其具体的应用办法，本文展开了如下内容的探究：

二、无人机影像进行水稻种植面积快速提取的重要性

1.更好的了解水稻的种植情况

无人机影像的应用，从第一个方面来看，就是可以很好的了解水稻的种植情况。传统的水稻种植中，都是人工了解其生长的情况，而目前无人机影像的融入，也就可以实现机械化的监控，效果更加的出色，也解放了人力资源。

2.更好的了解水稻的种植面积

无人机影像同时也能更好的进行种植面积的快速提取，主要是通过参照物的对比，就可以实现面积的快速计算，相对于传统的办法而言，效果更好，而且计算的速度也更快。

三、无人机影像的面向对象水稻种植面积快速提取方法

我国的农业发展已经非常的迅速，基本上可以实现农业的科技化生产技术全面应用，在水稻的种植过程中，为了更好的了解水稻的情况和进行水稻种植面积的快速提取，已经开始应用了无人机影像，通过此技术，可以很好的了解水稻的情况，在水稻的种植过程中，实现全面的监督，保证了水稻种植的效果。当然，无人机影像本身的技术难度也比较大，在实际的计算过程中，还需要考虑到技术的相关内容，所以从本质上来说，目前需要了解的是无人机影像的相关技术如何使用。而其具体的使用办法如下所述：

1.面向对象影像分割

随着科学技术的进步，我国的农业发展也更加的迅速，其中主要的内容就是出现了更加新颖的监控方法，其原本通过人工的看守，已经变成了科技化的影像监控，可以很好的了解农作物的情况，以及相关的种植面积等等，从而有效的进行农作物的全面管理，是目前为止，我国农业生产现代化建设中的核心内容。尤其是在水稻的生产种植过程中，需要充分的考虑到如何进行水稻种植面积的快速提取，从而判断水稻的产量是否达标，水稻本身是否满足了既定的需求。这样才能更好的了解水稻的情况。面向对象影像分割就是把影像按照一定独特性质的分成若干个特定的区域的技术和过程，被分割出的区域即影像对象。对于一种地物来说，分割后生成的多边形内各种特性既要在内部具有一致性和均匀性，又要能够很好的表现出该地物的独特性质，使其能够很好的与相邻类别地物区分开来，影像分割的边界不能太模糊，也不能太破碎。样区内水稻种植相对比较集中，连片性好，可以选择较大的分割尺度。在易康（eCognition）软件中进行100、200、300、400、500、600 不同尺度的分割。对比不同尺度下的影像分割效果，分割尺度为300时可以较准确地勾勒出地物的边界，既没有出现尺度为100、200时的大量破碎现象，也没有出现尺度为400、500、600時的欠分割对象。基于局部方差（Local Variance， LV）思想，Dragut等开发了一种计算尺度工具（Estimation of ScaleParameter， ESP）来获得定量化的最佳分割尺度。本文以10为分割尺度步长，通过计算200～400内不同尺度下影像对象同质性的局部方差来评价分割效果，并将 LV 的变化率值 ROC-LV（Rates of changeof LV）来作为对象分割最佳尺度参数。横坐标为分割尺度，纵坐标分别为局部方差和变化率，当分割尺度为300时ROC-LV出现峰值并值最大，最终确定选取分割尺度为300，紧致度设置为 0.5，形状因子设置为0.1，对实验影像数据进行分割。分割后共生成140个对象，最小面积2.39 m2，最大面积3162.79 m2，平均每个对象面积225.61 m2。

2.影像监督分类

水稻是我国最常见的作物之一，人们食用的大米就是水稻加工而成，所以，对于我国的人民而言，水稻也是最重要的作物。而水稻本身在种植的过程中，很容易出现一系列的问题，如倒伏等，这种情况下，往往就需要观察水稻的实际情况，做好水稻的监控。目前来看，水稻的监控和面积的快速提取工作，已经基本上告别了对人力资源的以来，当前的无人机影像已经可以很好的解决相应的管问题，提升了速度的同时，也降低了人力资源的成本，所以在目前来看，被广泛的采用，所能获得的效果也比较出色。面向对象分类的能够综合利用无人机影像分割对象的光谱鲜明、形状和纹理清晰等特征对影像分类，其基本分类方法分有基于规则分类和监督分类2种。基于规则分类方法简单，对于一些特征明显的地物类别能够取得较好的效果，但是对于一些特征相似的地物类别区分效果则较差。但是自然地物光谱特征复杂，存在同谱异物和同物异谱的情况，不存在一种规则（集）能够适应所有无人机影像，制定合适规则及选取阈值的需要根据使用的影像多次调整才能加以做出，使得基于规则分类不通普适适用于所有情况。监督分类常用的有最邻近算法、支持向量机和随机森林法。监督分类方法主要靠判别函数判断未知事物的特征和有限样本的的特征来决定待分样本所属的类别，较规则分类方法对于类间特征交叉或重叠较多的待分影像来说也可以适用。因此，本文选择利用监督分类对实验区影像进行地物分类。

对样地影像完成分割后目视解译，建立水稻、树木、莲藕、菜地、裸地、道路、沟渠共7个地物类别的体系。对分割生成的对象配置最邻近特征空间，选择 24 个样本进行训练，占分割对象的 17%。水稻、树木、莲藕、菜地、裸地、道路、沟渠样本个数分别为8、3、2、2、4、3、2。因为分类精度与分类特征数量并不是成正比关系，冗余分类特征会造成计算量的增加，分类效率的降低，甚至是分类精度的降低，所以基于各个类别样本的特性，比较选定类各对象的RGB光谱、形状、纹理中的15个特征作为初始特征集，在易康软件中运用Feature Space Optimization工具找出可以在不同类的样本之间产生最大平均最小距离的特征组合，随着特征维数的增加，刚开始样本之间的区分距离的变化明显增大，但是特征维数大于6后区分距离变化较小，特征维数大于 10 区分距离甚至出现了下降的现象。

四、结语

综上所述，无人机影像在水稻种植过程中的面积快速提取效果非常好，所以被广泛的应用，针对此类情况，本文也就提出了上述内容，详细的阐述了无人机影像的应用技术内容，确保其更好的发挥实际的效果，满足既定工作需求。

参考文献

[1]吴方明，张淼，吴炳方.无人机影像的面向对象水稻种植面积快速提取[J].地球信息科学学报，2019，21（05）：789-798.

[2]田明璐，班松涛，袁涛，籍延宝，马超，李琳一.基于低空无人机多光谱遥感的水稻倒伏监测研究[J].上海农业学报，2018，34（06）：88-93.

[3]吴金胜，刘红利，张锦水.无人机遥感影像面向对象分类方法估算市域水稻面积[J].农业工程学报，2018，34（01）：70-77.

[4]李宜展，朱秀芳，张锦水，潘耀忠，李慕义.与抽样相结合的县级作物遥感面积估算应用实例[J].遥感技术与应用，2015，30（05）：891-898.