基于無人機遙感與面向對象法的田間渠系分布信息提取

韓文霆 張立元 張海鑫 師志強 苑夢嬋 王紫軍

(1.西北農林科技大學機械與電子工程學院， 陜西楊凌 712100；2.西北農林科技大學水土保持研究所， 陜西楊凌 712100)

基于無人機遙感與面向對象法的田間渠系分布信息提取

韓文霆1,2張立元1張海鑫1師志強1苑夢嬋1王紫軍1

(1.西北農林科技大學機械與電子工程學院， 陜西楊凌 712100；2.西北農林科技大學水土保持研究所， 陜西楊凌 712100)

針對目前農田灌排系統識別研究中遙感影像分辨率不足，難以提取田間毛渠且對無水或少水灌排溝渠識別不足等問題，以內蒙古河套灌區磴口縣壩塄村為研究區域，利用固定翼無人機搭載520～920 nm多光譜相機進行航拍試驗，采用基于面向對象法的特征組合分層分類的提取方法對獲取的高分辨率單幅多光譜影像數據進行解譯，采用分割閾值為65、合并閾值為90的遙感影像最佳分割參數。利用含水田間毛渠和無水、少水田間毛渠在光譜、幾何、空間關系等特征參量中表現出的與其它地物的特異性，建立不同分類層次的規則提取田間毛渠分布信息。提取結果表明，由于水體對近紅外波段光譜的強烈吸收，含水毛渠提取效果很好，精度達到97.8%；無水、少水田間毛渠提取精度為75.7%。無人機遙感技術和面向對象法的特征組合分層分類方法為灌區田間渠系識別提供了一種新途徑。

灌區渠系分布； 信息提取； 無人機遙感； 多光譜遙感圖像； 田間毛渠； 面向對象法

引言

農田灌溉渠系作為灌溉農業最主要的水利設施，通過干、支、斗、農、毛等多級灌溉渠系高效、合理地分配農業水資源，是現代灌溉農業賴以生存和發展的基礎[1-7]。隨著遙感技術的應用越來越廣泛[8-9]，農田灌溉渠系遙感監測已經成為灌溉信息化技術的重要內容和研究熱點。目前，農田灌排系統分布信息提取研究主要基于衛星遙感影像數據[10-16]，數據獲取受重訪周期限制且相應多光譜遙感影像分辨率沒有達到亞米級，難以提取渠頂寬度小于2 m的田間毛渠；所采用的光譜特征參量依賴于水體對近紅外波段的強烈吸收作用，進而對無水或少水灌排溝渠識別不足。無人機遙感系統憑借其運載便利、靈活性高、作業周期短、影像數據分辨率高等優勢，在各領域遙感監測中得到越來越多的應用[17-24]。高分辨率低空無人機遙感影像在表達地物幾何、紋理、拓撲關系等特征參量方面更加細致，增強了對地物類型的識別能力，使得農田灌溉渠系分布信息的提取更加快捷、細致[25-26]，使得田間毛渠分布信息的遙感監測成為可能。

農田灌溉渠系現有的提取方法主要為監督分類法與目視解譯的結合[15-16]、自組織分類[14]、支持向量機[10]及面向對象法[11-13]等。監督分類法與目視解譯結合的方法雖然識別精度較高，但自動化程度低；目前，自組織分類方法在試驗區域地表覆蓋情況簡單，地物異質情況不復雜的情況下效果較好；面向對象法通過影像分割較好地解決了噪聲問題并且可以充分利用渠系的幾何、光譜和空間關系等特征參量，在地表覆蓋情況復雜時也具有較高的識別精度，可以滿足灌溉渠系遙感監測快速、準確的工作要求[12,27]。許迪等[16]利用監督分類、NDVI指數對山東簸箕李灌區的灌排溝渠進行自動化探測，效果不甚理想，無法識別無水及少水溝渠、農毛渠等。郭云開等[14]采用自組織分類方法對土地復墾工程中的灌排溝渠干渠進行提取，根據目視解譯結果通過圖斑合并或修改的方式得到最終提取結果。吳健生等[12]采用面向對象分類的方法，基于渠系的有水特征、幾何特征對土地整理區農田灌排溝渠進行識別，識別精度為89.64%，但未對田間毛渠進行識別研究。喬賢哲等[13]采用面向對象分類的方法對農田灌排溝渠進行了提取，但對于行道樹遮擋或陰影區域、無水或少水溝渠識別不足。

針對上述農田灌排渠系識別研究中遙感影像分辨率低，難以提取田間毛渠且對無水或少水灌排渠系識別不足等相關問題，本文利用無人機遙感技術和基于面向對象法的特征組合分層分類的提取方法，結合田間毛渠與各地物在光譜、幾何、空間關系等特征參量上的特異性，構建規則進行田間毛渠的提取方法研究。

1 材料與方法

1.1 研究區域概況及渠系分布

無人機航拍飛行試驗于2015年6月27日在內蒙古自治區河套灌區磴口縣壩塄村進行，地理范圍為東經107°1′41″～107°3′44″，北緯40°24′4″～40°25′48″，多云天氣。試驗區從沈烏干渠引水通過分干渠、支渠、斗渠、毛渠等的分布進行農田澆灌，主要種植作物為玉米、向日葵、小麥，灌溉面積約為688 hm2。通過實地考察確定了研究區內渠系的類型和分布，利用卷尺對實驗區灌渠內主要灌溉渠的空間結構進行了實地測量，確定了部分干渠、支渠、斗渠、毛渠的結構參數，統計結果見表1。由實地測量結果可以看出，研究區內的干渠、支渠在寬度和深度上都明顯大于田間斗、毛渠；田間斗、毛渠多為人工挖鑿，結構參數上沒有統一的標準，其渠頂寬度一般小于2 m，為田間渠系分布信息提取方法研究重點。

表1 研究區渠系結構參數

Tab.1 Canal structural parameters of study area

m

1.2 基于無人機遙感系統影像數據的獲取

試驗采用北京天宇創通科技有限公司生產的T-EZ(特易飛)固定翼無人機，搭載ADC Micro多光譜相機作為遙感數據采集平臺，如圖1所示。無人機及機載傳感器主要參數見表2和表3。航拍飛行相對航高為495 m，共獲取高分辨率多光譜遙感影像359幅，地面分辨率為0.19 m，波段范圍為520～920 nm，單幅圖像覆蓋面積約為11.11 hm2，圖像主體部分為灌溉渠系、作物植被等。本文主要利用單幅多光譜遙感影像進行田間毛渠的提取方法研究。

圖1 無人機及機載傳感器Fig.1 Unmanned aerial vehicle and airborne sensor表2 無人機主要參數Tab.2 Main parameters of UAV

參數數值翼展/m1.6起飛質量/kg4有效載荷/g500續航時間/min80～90通訊半徑/km10巡航速度/(km·h-1)70最大平飛速度/(km·h-1)120

表3 ADC Micro多光譜相機主要參數Tab.3 Main parameters of ADC Micro

2 面向對象的田間渠系分布信息提取方法

采用面向對象法的特征組合分層分類方法提取田間渠系分布信息。該方法以影像對象為最小分類單元，充分利用影像中地物的特征，在較高層次上對遙感影像進行分類[28-29]。影像對象是指影像分割后若干“同質”像素的集合，具有豐富的語義信息，彌補了傳統的基于像元的分類方法存在的語義信息缺陷，使得分類結果更加精確[30]。其技術流程如圖2所示，關鍵步驟包括影像分割、特征選取、建立規則及分類。

圖2 面向對象特征提取流程圖Fig.2 Flow chart of object-oriented feature extraction

2.1 田間渠系無人機遙感影像分割方法及分割參數確定

面向對象田間渠系信息提取的關鍵是影像分割，影像分割的目的是把圖像分成若干個有意義的連續區域，使得每個區域有著均勻一致的光譜、紋理、形狀性質且區域間互不重疊，分割結果的質量直接影響后續信息識別提取的精度[31-32]。在高分辨率無人機遙感影像中，渠系表現為具有一定長度及寬度的面狀地物，與周邊地物的差異較為明顯，適合應用邊緣檢測分割方法。然而，由于邊緣檢測分割方法較差的抗噪性及高分辨率遙感影像中豐富的細節信息，使得單純的邊緣檢測方法不會取得較好的效果[33]，因此本研究采用將邊緣檢測與合并算法相結合的方法實現遙感影像的多尺度分割。在ENVI軟件平臺上利用面向對象特征提取模塊(feature extraction)實現了上述方法。目前，圖像分割的評價方法主要有目視解譯、定量評價和間接評價，其中目視解譯方法應用最廣[34-36]。目視解譯是主觀的、定性的，通過人為判斷分割結果的好壞，沒有定量化的判別標準；但是由于信息提取精度與分割質量有很大的相關性，所以目前提取精度可以作為影像分割結果的一個評價指標[37]。本文采用目視解譯的方法對影像分割結果進行初步評判，通過田間毛渠的提取精度反映通過目視解譯方法得出的分割參數是否為該分辨率下的無人機遙感影像田間毛渠信息提取最佳分割參數。

面向對象特征提取模塊具有分割結果實時預覽功能，因此可以通過實時預覽分割效果選擇一個適當的分割閾值，盡可能好地分割出邊緣特征。如果選擇小尺度進行影像分割，則分割后的遙感影像小圖斑較多，而小圖斑在一定程度上會增大渠系提取難度，并在對其去除時會造成對渠系小段的誤去除從而降低提取精度；如果選擇的分割尺度太大，則遙感影像分割不完全。綜合不同分割尺度的分割效果，預覽對比分析后，本研究在遙感影像分割時初步選用3種分割尺度。由圖3可知，相比于圖3b，圖3a分割出小圖斑較多；而分割尺度為70時分割后的遙感影像分割不完全，如圖3c中左下方就明顯存在分割不完全的現象。因此，本文在遙感影像分割時選擇的分割尺度為65。

分割尺度為65時的遙感影像分割結果中仍存在同一特征對象被分割及特征對象的錯分現象?？梢酝ㄟ^合并算法在一定程度上解決這些問題。綜合不同合并尺度分割效果預覽，初步對比分析后，本研究在遙感影像分割時初步選用圖4所示3種合并尺度。由圖4可知，相比于合并尺度90，合并尺度為85時的圖像分割結果中仍存在較多錯分小圖斑，而合并尺度為95時的圖像分割結果中會造成小圖斑的過合并，即造成渠系與周圍光譜特征特異性小的地物合并。因此，本文在遙感影像分割時選擇的合并尺度為90。

圖3 不同分割尺度的效果對比Fig.3 Comparison of segment effect with different sizes

圖4 不同合并尺度的效果對比Fig.4 Comparison of merging effect with different sizes

通過以上對比試驗分析，初步判斷(65，90)的分割尺度和合并尺度最適合該分辨率下的無人機多光譜遙感影像的田間毛渠信息提取。

2.2 田間渠系無人機遙感影像特征選取及規則建立

影像分割將影像劃分成若干影像對象，包含許多可以用于分類的特征參量：光譜特征、幾何特征、空間關系等。特征分析是面向對象分類提取成功的先決條件，由于“維數災難”的存在，需要以最少的特征數量實現地物信息的提取[38-39]。目前，能夠指導特征選取的解析方法幾乎不存在，多數情況是憑借經驗的引導選擇幾個可能有用的特征，然后采用試錯法進行規則建立[40-41]。光譜特征是影像中最直觀的信息，不同地物的表面特性和化學組成不盡相同，光譜曲線也是不同的，其代表著地物反射的電磁波能量與波長的關系，包含了大量的辨別信息且田間毛渠在圖5a中表現出的光譜值與部分耕地的特異性較大，因此可以作為一個特征來提取田間毛渠信息。然而對于高分辨率遙感影像來說，其自身擁有的波段數較少，光譜信息是比較有限的，因此只利用光譜特征來分析解譯是不足的。鑒于在高分辨率無人機遙感影像中田間毛渠具有空間形狀呈線狀分布的特點，因此可以選擇幾何特征和空間關系來進一步提取田間毛渠信息。綜上分析，本研究綜合利用影像對象的光譜特征、幾何特征和空間關系來提取田間毛渠信息。由于多光譜圖像上存在多級渠系且含水情況不同，所以采用通過在不同分類層次建立相應的規則進行田間毛渠的分層提取，每個層次都由若干規則組成，通過屬性表達式定義各層田間毛渠的特征參數并利用模糊化函數設定特征參數的閾值實現渠的提取，然后將不同層次提取的渠進行組合實現田間毛渠的提取。本試驗圖像中包含田間有水毛渠和田間無水、少水毛渠，所以通過有水毛渠和無水、少水毛渠這兩個分類層次建立相應的規則實現田間毛渠的提取。

利用ENVI中的Raster Color Slices將分割后遙感影像的光譜量化值范圍[18.6，246.3]用不同的顏色劃分區間，如圖5a所示。通過反復試驗對田間毛渠光譜區間進行調整，最終確定有水毛渠光譜量化值區間為[25，50]，如圖5b所示；無水、少水毛渠光譜量化值區間為[50，90]，如圖5c所示。

圖5 田間毛渠光譜范圍Fig.5 Spectral range of sublateral canal

圖6 田間無水、少水毛渠提取規則Fig.6 Extraction rules of anhydrous and little water sublateral canal

對于田間有水毛渠來說，由于水體對近紅外波段的強烈吸收作用，造成其光譜量化值較低且與影像中的其它地物特異性大。因此，僅利用其光譜量化值就可以對田間有水毛渠有較好的提取效果，如圖5b所示。但圖中仍存在少量非渠系小圖斑，多為耕地殘留，具有面積小、在空間上與渠系垂直分布等特性。因此，可以利用其與田間有水毛渠在面積及空間關系上的特異性進行進一步的去除。經過反復試驗，最終確定田間毛渠的具體提取規則為光譜量化值在[25，50]之間，面積大于350，其主方向與試驗區渠系分布有關。

對于田間無水、少水毛渠來說，其光譜量化值與部分耕地處于同一區間，如圖5c所示，因此不能僅依賴光譜量化值提取田間無水、少水毛渠。高分辨率無人機遙感影像中渠系表現為具有一定長度及寬度的細長面狀地物，在分割后遙感影像中毛渠影像對象與同光譜量化值的其它地物影像對象的幾何特征特異性較大，如圖6a所示。因此，首先利用其在矩形度上的特異性進一步剔除非渠系地物，經過反復試驗，最終確定田間無水、少水毛渠的矩形度區間為[0.40，0.73]，進一步提取結果如圖6b所示。在圖6b中可以明顯看出，田間無水、少水毛渠影像對象相比于其它地物面積較小，因此利用其在面積上的特異性進一步剔除非渠系地物，經過反復試驗，最終確定田間無水、少水毛渠面積區間為[20，1 000]，進一步提取結果如圖6c所示。在圖6c中可以明顯看出，提取結果中還殘留一定數量的小圖斑，考慮到小圖斑形狀各異且多為作物殘留與渠系在空間分布上垂直，所以進步一利用延伸率、緊密度及主方向建立規則提取田間無水、少水毛渠信息，經過反復試驗，最終確定相應延伸率應大于1.5，緊密度應小于0.2，針對試驗區域1主方向為[15°，45°]，相應提取結果如圖6所示。綜上分析，田間無水、少水毛渠具體提取規則為光譜量化值在[50，90]之間，矩形度在[0.40，0.73]之間，面積在[20，1 000]之間，延伸率大于1.5，緊密度小于0.2，主方向與試驗區渠系分布有關。

2.3 田間渠系錯提小圖斑去除方法

圖7 試驗區1Fig.7 Test area 1

利用無人機遙感技術與面向對象法分層分類的田間毛渠分布信息提取方法得到的田間毛渠分布信息初步提取結果中，還存在占總提取像元數50.1%的錯提小圖斑，錯提小圖斑的存在是分類提取過程中不可避免的，需要將其剔除。根據數據獲取的實際情況可以采取3種措施改進：①修改分類規則，重新提取，進一步減少漏提、錯提。②增加其它的輔助數據，如數字高程模型 (DEM)。③人工參與，判讀人員對錯提進行修改。

由于雜草、行道樹、泥沙、道路、耕地等的影響是不可避免的，因此重新修改提取規則只會使提取變得更復雜，而且并不一定能夠提高提取的精度。又由于田間毛渠的渠深小于1 m且獲取的DEM數據在垂直方向上的絕對誤差為1.5 m左右，用其作為輔助數據不會取得較好的效果。因此，研究最終采用人工判讀的方式將錯提小圖斑進行剔除，并將不同層次的提取結果與原圖進行疊加。

2.4 提取精度定義

根據道路等線狀地物提取的精度分析結果[42-43]，將農田灌排系統單條溝渠的識別精度定義為

(1)

總的平均提取精度計算公式為

(2)

式中，Ti表示第i條毛渠提取出的像元個數，Fi表示第i條毛渠未提取出的像元個數，N為提取毛渠的個數。

3 結果與分析

3.1 田間渠系提取結果

圖8 試驗區2Fig.8 Test area 2

圖9 試驗區3Fig.9 Test area 3

基于面向對象法的特征組合分層分類提取方法的田間毛渠提取結果如圖7～9所示，圖中序號4為有水渠，其余為無水、少水渠。提取結果中的漏提主要由4方面的原因造成：

(1)隨著空間分辨率的增加，同一類別的類內光譜差異性將增大，不同類別的類間異質性將減小[44]。因此，田間渠系中存在與非渠系部分特異性小的區段。

(2)田間渠系中雜草、泥沙及邊沿行道樹等使得部分渠系在光譜特征上與部分作物、裸露耕地、道路的特異性較小。

(3)田間毛渠與道路在幾何特征上具有很大的相似性。

(4)云層對部分渠系的遮擋，使得受云層影響的渠系與其兩旁地物在光譜特征上特異性小。

3.2 提取精度評價及分析

按上述精度分析方法，以目視解譯結果為實測值，對采用基于面向對象法的特征組合分層分類方法提取的14條田間毛渠進行提取精度計算，結果如表4所示。

表4 田間毛渠提取精度Tab.4 Extraction accuracy of sublateral canal

影像中存在有水毛渠和無水、少水毛渠這兩類田間渠系，采用基于面向對象法的特征組合分層分類方法的總體提取精度為77.8%，對其進行如下分析：

(1)影像中的第4條田間渠系為有水渠，由于水體對近紅外波段光譜的強烈吸收，所以采用基于面向對象法的特征組合分層分類方法的提取效果很好，精度達到97.8%。渠的漏提是由影像中渠上的白斑造成的，如圖7a所示。實際上，白斑是渠中的閘門，由于影像不是正攝影像及無人機飛行速度快且ADC Micro多光譜相機快門時間長等原因造成閘門在影像中的拉長，最終造成渠的漏提。

(2)其余渠系為無水、少水田間毛渠，不能依賴于近紅外波段對其進行提取，采用基于面向對象法的特征組合分層分類方法的總體提取效果較好，提取精度達到75.7%。當受多云天氣等影響時，影像中渠系光譜將會跟耕地等地物的光譜混在一塊，造成光譜特征特異性很小，使得在去除耕地信息時造成不可避免的誤去除，進而造成提取精度較差，如試驗區域1中的第5條渠，其提取精度只有29.6%。當田間毛渠兩邊存在大量的行道樹及渠中存在大量雜草時，就不可避免地會造成利用光譜特征提取時對受行道樹、雜草影響部分渠的漏提，進而造成渠系斷裂嚴重且存在大量形狀各異的小圖斑，使得在進一步利用幾何特征去除耕地信息與其它小圖斑時，對渠系小圖斑產生大量誤去除，最終降低田間毛渠提取精度，如試驗區中的第2條、第6條、第10條及第14條，其提取精度為70%左右。在圖9c、9d中可以明顯看出第13條渠有一段泛白區段，其光譜特征與渠系光譜特征明顯不一致，因此造成漏提，使得提取精度較低，只有54.4%。

4 結論

(1)利用影像中田間毛渠與其它各地物在光譜特征、幾何特征及空間關系的特異性，可以構建不同類別田間渠系的相應提取規則。

(2)利用無人機遙感系統獲取高分辨率遙感影像時，多云天氣會造成云層對部分渠系的遮擋，進而造成受云層影響的渠系與其它地物在光譜特征上的特異性小，最終造成較差的提取精度。

(3)采用基于面向對象法的特征組合分層分類的方法提取田間毛渠時，田間毛渠兩邊行道樹及渠中雜草會造成提取結果的斷裂，進而降低提取精度。

(4)采用基于面向對象法的特征組合分層分類的提取方法及錯提小圖斑去除方法，綜合利用田間毛渠的光譜特征、幾何特征和空間關系，可以很好地提取田間有水毛渠，以及可以較好地提取田間無水、少水毛渠。

(5)采用無人機遙感技術和面向對象法的特征組合分層分類方法為灌區田間渠系識別提供了一種新途徑，對田間渠系分布信息提取具有一定的參考價值。

1 李夢潔. 陜南旬陽壩地區不同地類土壤養分空間變異特征研究[D]. 西安:陜西師范大學, 2014. LI Mengjie. Research on spatial variability of different class soil nutrients in southern Shaanxi Xunyang Dam Area[D]. Xi’an: Shaanxi Normal University,2014.(in Chinese)

2 畢凱. 無人機數碼遙感測繪系統集成及影像處理研究[D]. 北京：中國測繪科學研究院, 2009. BI Kai. Research on UAV digital remote sensing mapping systems integration and image processing[D]. Beijing: Chinese Academy of Surveying & Mapping, 2009.(in Chinese)

3 郭文強. 穩定分布噪聲下的盲信號處理方法及應用研究[D]. 大連：大連理工大學, 2007. GUO Wenqiang. Research on method and application of blind signal processing under the noise of stable distribution[D]. Dalian: Dalian University of Technology, 2007.(in Chinese)

4 HUANG Y, FIPPS G, MAAS S J, et al. Airborne remote sensing for detection of irrigation canal leakage[J]. Irrigation and Drainage, 2010, 59(5): 524-534.

5 GADALLA M, ZAFAR S. Analysis of a hydrogen fuel cell-PV power system for small UAV[J]. International Journal of Hydrogen Energy, 2016, 41(15): 6422-6432.

6 胡曉利，盧玲，馬明國，等. 黑河中游張掖綠洲灌溉渠系的數字化制圖與結構分析[J]. 遙感技術與應用, 2008,23(2): 208-213. HU Xiaoli, LU Ling , MA Mingguo, et al. The irrigation channel system mapping and its structure analysis for the zhangye oasis in the middle heihe river basin[J]. Remote Sensing Technology and Application, 2008, 23(2): 208-213.(in Chinese)

7 胡寧科，李新. 居延綠洲古遺址的遙感識別與分析[J]. 遙感技術與應用， 2013,28(5): 890-897. HU Ningke, LI Xin. Identification and analysis of archeological remnant using remote sensing data in Juyan oasis of northwestern China[J]. Remote Sensing Technology and Application, 2013, 28(5): 890-897.(in Chinese)

8 李德仁，王艷軍，邵振峰. 新地理信息時代的信息化測繪[J]. 武漢大學學報:信息科學版,2012,37(1): 1-6. LI Deren, WANG Yanjun, SHAO Zhenfeng. Geo-informatization of new geographic information era[J]. Geomatics and Information Science of Wuhan University,2012, 37(1): 1-6.(in Chinese)

9 李德仁，龔健雅，邵振峰. 從數字地球到智慧地球[J]. 武漢大學學報:信息科學版, 2010,35(2): 127-132. LI Deren, GONG Jiangya, SHAO Zhenfeng. From digital earth to smart earth[J]. Geomatics and Information Science of Wuhan University, 2010, 35(2): 127-132.(in Chinese)

10 易珍言，趙紅莉，蔣云鐘，等. 遙感技術在河套灌區灌溉管理中的應用研究[J]. 南水北調與水利科技, 2014,12(5): 166-169. YI Zhenyan, ZHAO Hongli, JIANG Yunzhong, et al. Application and research of remote sensing in irrigation management of hetao district[J]. South to North Water Transfers and Water Science & Technology, 2014,12(5): 166-169.(in Chinese)

11 顧振偉，張超，楊建宇，等. 基于高分辨率遙感影像的灌排溝渠提取方法[J]. 農業工程, 2014,4(3): 64-67. GU Zhenwei, ZHANG Chao, YANG Jianyu, et al. Method of extracting irrigation and drainage ditches based on high remote sensing image[J]. Agricultural Engineering, 2014,4(3): 64-67.(in Chinese)

12 吳健生，劉建政，黃秀蘭，等. 基于面向對象分類的土地整理區農田灌排系統自動化識別[J]. 農業工程學報, 2012,28(8): 25-31. WU Jiansheng, LIU Jianzheng, HUANG Xiulan, et al. Automatic identification of irrigation and drainage system in land reclamation area based on object-oriented classification[J]. Transactions of the CSAE, 2012, 28(8): 25-31.(in Chinese)

13 喬賢哲，張超，楊建宇，等. 高分辨率遙感影像中農田灌溉設施的提取[J].測繪通報, 2012(增刊1): 372-374. QIAO Xianzhe, ZHANG Chao, YANG Jianyu, et al. Extraction of high resolution remote sensing images of irrigation facilities[J]. Bulletin of Surveying and Mapping, 2012(Supp.1): 372-374.(in Chinese)

14 郭云開，陳正陽，彭悅，等. 土地復墾工程的遙感評價[J].遙感技術與應用,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)

15 馮秀麗，王珂，施擁軍，等. 基于遙感的土地整理研究[J].科技通報, 2006,22(2): 258-262. FENG Xiuli, WANG Ke, SHI Yongjun, et al. Land consolidation study based on RS[J]. Bulletin of Science and Technology, 2006, 22(2): 258-262.(in Chinese)

16 許迪，李益農，蔡林根，等. 衛星遙感影像在農田灌排系統識別中的應用研究[J]. 農業工程學報, 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 CSAE, 2004,20(2): 36-39.(in Chinese)

17 汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J].農業工程學報, 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 CSAE, 2015, 31(5): 152-159.(in Chinese)

18 吳瑋，秦其明，范一大. 基于無人機可見光遙感影像的救災帳篷信息提取[J]. 地理與地理信息科學, 2015,31(2): 20-23. WU Wei, QIN Qiming, FAN Yida. Information extraction of disaster relief tents in uav visible light remotely sensed image[J]. Geography and Geo-information Science, 2015, 31(2): 20-23.(in Chinese)

19 董梅，蘇建東，劉廣玉，等. 面向對象的無人機遙感影像煙草種植面提取和監測[J]. 測繪科學, 2014,39(9): 87-90. DONG Mei, SU Jiandong, LIU Guangyu, et al. Extraction of tobacco planting areas from UAV remote sensing imagery by object-oriented classification method[J]. Science of Surveying and Mapping, 2014, 39(9): 87-90.(in Chinese)

20 劉峰，劉素紅，向陽. 園地植被覆蓋度的無人機遙感監測研究[J/OL]. 農業機械學報, 2014,45(11): 250-257.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20141139&flag=1.DOI：10.6041/j.issn.1000-1298.2014.11.039. LIU Feng, LIU Suhong, XIANG Yang. Study on monitoring fractional vegetation cover of garden plots by unmanned aerial vehicles[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(11): 250-257.(in Chinese)

21 TORRES-SANCHEZ J, PENA J M, DE CASTRO A I, et al. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV[J]. Computers and Electronics in Agriculture, 2014, 103: 104-113.

22 MESAS-CARRASCOSAY F J, NOTARIO-GARCIA M D, MERONO DE LARRIVA J E, et al. Validation of measurements of land plot area using UAV imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 270-279.

23 GOMEZ-CANDON D, DE CASTRO A I, LOPEZ-GRANADOS F. Assessing the accuracy of mosaics from unmanned aerial vehicle (UAV) imagery for precision agriculture purposes in wheat[J]. Precision Agriculture, 2014, 15(1): 44-56.

24 汪沛，羅錫文，周志艷，等. 基于微小型無人機的遙感信息獲取關鍵技術綜述[J].農業工程學報, 2014,30(18): 1-12. WANG Pei, LUO Xiwen, ZHOU Zhiyan, et al. Key technology for remote sensing information acquisition based on micro UAV[J]. Transactions of the CSAE, 2014, 30(18): 1-12.(in Chinese)

25 何少林,徐京華,張帥毅. 面向對象的多尺度無人機影像土地利用信息提取[J]. 國土資源遙感, 2013,25(2): 107-112. HE Shaolin, XU Jinghua, ZHANG Shuaiyi. Land use classification of object-oriented multi-scale by UAV image[J]. Remote Sensing for Land & Resources,2013, 25(2): 107-112.(in Chinese)

26 田新光，張繼賢，張永紅. 基于IKONOS影像的海岸帶土地覆蓋分類[J]. 遙感信息, 2007,93(5): 44-47. TIAN Xinguang, ZHANG Jixian , ZHANG Yonghong. Land use/land cover classification of coastal zone using object-oriented method based on IKONOS imagery[J]. Remote Sensing Information,2007,93(5): 44-47.(in Chinese)

27 胡進剛，張曉東，沈欣，等. 一種面向對象的高分辨率影像道路提取方法[J]. 遙感技術與應用,2006,21(3): 184-188. HU Jingang, ZHANG Xiaodong, SHEN Xin, et al. A method of road extraction in high-resolution remote sensing imagery based on object-oriented image analysis[J]. Remote Sensing Technology and Application, 2006, 21(3): 184-188.(in Chinese)

28 BENZ U C, HOFMANN P, WILLHAUCK G, et al. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3-4): 239-258.

29 BLASCHKE T, LANG S, LORUP E, et al. Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications[M]∥CREMERS A, GREVE K. Environmental Information for Planning, New York: Politics & the Public, 2000.

30 周成虎. 高分辨率遙感影像地學計算[M]. 北京: 科學出版社, 2009.

31 張建國，李憲文，吳延磊. 面向對象的冬小麥種植面積遙感估算研究[J].農業工程學報, 2008,24(5): 156-160. ZHANG Jianguo, LI Xianwen, WU Yanlei. Object oriented estimation of winter wheat planting area using remote sensing data[J]. Transactions of the CSAE, 2008, 24(5): 156-160.(in Chinese)

32 章毓晉. 圖像分割[M].北京: 科學出版社, 2001.

33 程臻. 面向對象的高分辨率遙感影像全要素分類研究[D]. 哈爾濱：哈爾濱工業大學, 2015. CHENG Zheng. Object-oriented total factor classification of high resolution remote sensing imagery[D]. Harbin: Harbin Institute of Technology,2015.(in Chinese)

34 YANG J, HE Y, CASPERSEN J, et al. A discrepancy measure for segmentation evaluation from the perspective of object recognition[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 101: 186-192.

35 ZHANG H, FRITTS J E, GOLDMAN S A. Image segmentation evaluation: a survey of unsupervised methods[J]. Computer Vision and Image Understanding, 2008, 110(2): 260-280.

36 ZHANG Y J. A review of recent evaluation methods for image segmentation[C]∥Sixth International Symposium on Signal Processing and Its Applications, 2001, 1: 148-151.

37 LI P, GUO J, SONG B, et al. A multilevel hierarchical image segmentation method for urban impervious surface mapping using very high resolution imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(1): 103-116.

38 張秀英，馮學智，江洪. 面向對象分類的特征空間優化[J]. 遙感學報, 2009,13(4): 664-669. ZHANG Xiuying，FENG Xuezhi，JIANG Hong. Feature space optimization of object-oriented classification[J]. Journal of Remote Sensing, 2009,13(4): 664-669.(in Chinese)

39 申真. 基于面向對象的高分辨率遙感影像道路提取研究[D].南昌:江西理工大學, 2012. SHEN Zhen. Road extraction from high-resolution remote sensing images based on object-oriented[D]. Nanchang: Jiangxi University of Science and Technology, 2012.(in Chinese)

40 鄭毅，武法東，劉艷芳. 一種面向對象分類的特征分析方法[J].地理與地理信息科學, 2010,26(2): 19-22. ZHENG Yi，WU Fadong，LIU Yanfang. A feature analysis approach for object-oriented classification[J]. Geography and Geo-information Science, 2010,26(2): 19-22.(in Chinese)

41 王浩宇. 面向對象高分辨率遙感影像城區道路及車輛信息提取研究[D]. 北京:北京交通大學, 2015. WANG Haoyu. Study on urban road and vehicle information extraction from high spatial resolution remote sensing image based on object oriented: a case study[D]. Beijing: Beijing Jiaotong University, 2015.(in Chinese)

42 曾靜靜，盧秀山，王健，等. 基于LIDAR回波信息的道路提取[J]. 測繪科學, 2011,36(2): 142-143. ZENG Jingjing, LU Xiushan, WANG Jian, et al. Road extraction based on the echo information of LIDAR[J]. Science of Surveying and Mapping, 2011, 36(2): 142-143.(in Chinese)

43 張中，鮑遠律，屈靜. 彩色公路地圖的道路自動提取[J]. 計算機輔助設計與圖形學學報, 2006,18(1): 21-26. ZHANG Zhong, BAO Yuanlv, QU Jing. Automatic road extraction from color road map[J]. Journal of Computer-Aided Design & Computer Graphics, 2006, 18(1): 21-26.(in Chinese)

44 ZHONG Y, ZHAO B, ZHANG L. Multiagent object-based classifier for high spatial resolution imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(2): 841-857.

Extraction Method of Sublateral Canal Distribution Information Based on UAV Remote Sensing

HAN Wenting1,2ZHANG Liyuan1ZHANG Haixin1SHI Zhiqiang1YUAN Mengchan1WANG Zijun1

(1.CollegeofMechanicalandElectronicEngineering,NorthwestA&FUniversity,Yangling,Shaanxi712100,China2.InstituteofSoilandWaterConservation,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

In order to solve the problem that difficult to extract distribution information of sublateral canal without water or with less water caused by low resolution of remote sensing image, a hierarchical classification method of feature combination was proposed, which was based on object-oriented classification method. Bangleng village in Hetao Irrigation District was chosen as the study region, and multi-spectral images were obtained by using fixed-wing unmanned aerial vehicle (UAV) which carried multi-spectrum camera (520～920 nm). After a lot of experiments, finally, the segmentation threshold value of 65 and the combined threshold value of 90 were chosen as the best remote sensing image segmentation parameters, then can interpret the obtained high resolution multi-spectral image data. By comparing the spectrum, geometry, spatial relationships between sublateral canal and the other surface features, different levels of classification rules were established to extract sublateral canal distribution information. And 14 sublateral canals in the study region were extracted. The results showed that due to the strong absorption in near infrared spectrum of water, the extraction accuracy of sublateral canal with water was 97.8%; the extraction accuracy of sublateral canal with less water or no water was 75.7%. Using UAV remote sensing techniques and combination of features object-oriented hierarchical classification method provided a new way to identify sublateral canal in irrigation area. And future research should focus on eliminating the effect of trees, weeds and gate, as well as extracting canal which in both sides had surface features with close spectrum.

distribution of canal system in irrigation districts; information extraction; UAV remote sensing; multispectral remote sensing image; sublateral canal; object oriented method

10.6041/j.issn.1000-1298.2017.03.026

2016-07-01

2016-09-12

科技部國際合作項目(2014DFG72150)和楊凌示范區工業項目(2015GY-03)

韓文霆(1972—)，男，研究員，博士生導師，主要從事無人機遙感與精準灌溉技術研究，E-mail： hanwt2000@126.com

S127; TP79

A

1000-1298(2017)03-0205-10