基于无人机RGB影像的玉米种植信息高精度提取方法

支俊俊，董 娅，鲁李灿，施金辉，骆文慧，周 悦，耿 涛，夏敬霞，贾 蔡

•农业航空工程•

基于无人机RGB影像的玉米种植信息高精度提取方法

支俊俊1,2，董 娅3，鲁李灿4，施金辉1，骆文慧1，周 悦1，耿 涛1，夏敬霞1，贾 蔡1※

（1. 安徽师范大学地理与旅游学院，芜湖 241002；2. 江淮流域地表过程与区域响应安徽省重点实验室，芜湖 241002；3. 浙江农林大学环境与资源学院，杭州 311300；4. 安徽省太湖县自然资源和规划局，安庆 246400）

为探究易获取且成本低的超高分辨率无人机（Unmanned Aerial Vehicle，UAV）航拍“红-绿-蓝”（Red-Green-Blue，RGB）彩色影像提取作物种植信息的方法，该研究选取植被指数、“色度-色饱和度-亮度”（Hue-Saturation-Intensity，HSI）色彩特征和纹理特征等3种特征，通过比较贝叶斯（Bayes）、K最邻近分类（K-Nearest Neighbor，KNN）、支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree，DT）和随机森林（Random Forest，RF）共5种监督分类算法及不同特征组合的分类效果，以实现玉米种植信息的高精度提取。结果表明，使用单一种类特征或使用全部3种特征均不能获得最优的分类精度；将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度（5种算法平均值）比仅使用植被指数获得的总体分类精度分别提高了4.2%和8.3%；在所有特征组合中，HSI色彩特征和纹理特征组合为最优选择，基于该特征空间的RF算法获得了最高的分类精度，总精度为86.2%，Kappa系数为0.793；基于RF算法进行降维并不能显著提高或降低分类精度（SVM除外），但所保留的特征因子可给出符合实际背景和意义的解释，并可提高分类结果的稳定性。研究结果可为基于无人机RGB影像的作物种植信息高精度提取提供方法参考。

模型；遥感；无人机；玉米；植被指数；纹理特征；机器学习

0 引 言

玉米（L.）作为一种重要的粮食作物，其精确、及时的空间分布信息对于制定农产品进出口计划、指导和调控农业种植结构、推进政策性农业保险，以及确保国家粮食安全等都具有重要的现实意义[1-2]。利用卫星遥感影像监测和提取农作物信息是解决较大区域尺度上农业空间布局问题的常用方法[3]。但是在较小地域尺度上（如田块或农场），卫星遥感影像往往存在着空间分辨率较低、时间滞后以及易受云层覆盖影响等缺陷，难以适用[4]。

近年来，无人机遥感的兴起，使得高精度获取小区域作物种植信息技术迈向一个新台阶，其已在作物长势监测、作物估产、作物灾害评估、农业生产管理决策等领域得到了广泛的应用，并且与卫星遥感技术相互补充[5-7]。然而，当前有关利用无人机遥感提取作物种植信息的研究多集中于多光谱、高光谱影像的分类领域，该类无人机及其搭载的多光谱或高光谱相机设备普遍较为昂贵，限制了其在实际生产中的应用。近几年来，低成本、易获取的无人机“红-绿-蓝”（Red-Green-Blue，RGB）彩色影像越来越多地应用于作物分类识别领域。与多光谱或高光谱影像所通常使用的对植被信息较敏感的近红外波段和红边波段计算植被指数不同，无人机RGB影像应用的一大难点在于其仅包含红、绿、蓝3个波段，因此需要尽可能挖掘影像中各种可用的特征信息。

基于遥感影像进行地物分类所通常采用的特征可归纳为植被指数、色彩特征和纹理特征等3大类[8-9]。目前，学者已提出了面向RGB影像的多种植被指数，并将其应用于作物种类识别及农学参数反演等相关研究中。Randjelovic等[10]利用基于无人机RGB影像提取的归一化绿红差异指数和过绿红植被指数等8种植被指数提取大豆种植密度信息，模型验证相关系数为0.87。高林等[11]利用基于无人机RGB影像的绿红植被指数等4种植被指数提取冬小麦叶面积指数，该研究证明了将无人机RGB影像应用于冬小麦叶面积指数反演具有可行性。为了提高基于无人机RGB影像的模型性能，陈晨等[12-14]在使用RGB影像植被指数的基础上，进一步从颜色、纹理、空间位置等方面挖掘RGB影像中的有价值信息。然而，在遥感影像分类实际应用中，为了获得较高的分类精度，研究者经常使用大量的特征因子，造成算法复杂、处理过程较困难、分类效率较低等问题。为解决该问题，学者往往在进行分类前使用主成分分析法进行特征降维，通过减少冗余信息来提高分类效率。但是每个主成分因子可能空有信息量而无实际含义，难以给出符合实际背景和意义的解释。因此，在基于无人机RGB影像的农作物分类识别研究中，需要提高农作物分类的精度，并科学有效地选取具有实际意义的特征因子。

综上，本研究基于易获取且成本低的无人机航拍高分辨率RGB影像，针对其影像中通常存在的阴影、裸地等干扰信息影响分类精度以及当前研究中存在的特征因子选取存在主观性等问题，从植被指数、色彩和纹理等方面选取分类特征，利用机器学习等算法进行分类，量化特征因子选取方法对分类精度的影响，以期为无人机遥感监测农作物提供参考。

1 材料与方法

1.1 研究区域概况

研究区位于非洲东南部马拉维（9°48′S～17°30′S，32°40′E～35°55′E）中部的一个玉米试验农场（图1）。马拉维境内地形起伏较大，北部多山，中部主要为高原，南部主要为低地。作为一个热带草原气候国家，马拉维水资源丰富，水域面积2.4万km2，约占全国土地总面积的1/5，有众多的河流和湖泊，其中较为重要的河流和湖泊分别是希雷河与马拉维湖（非洲第三大湖）。年均气温在20 ℃左右，大部分地区年平均降雨量介于760～1 015 mm，约90%的降水集中在11—4月，为该地区的农业发展提供了基本条件。农业对于推动马拉维的经济发展起着至关重要的作用，其1/3以上的国内生产总值来自于农业。耕地面积占马拉维土地总面积的38%，玉米是主要粮食作物之一。

本研究试验田的土壤为黏壤土。试验田划分为3列（图1），共有27个试验小区，每个试验小区有6排单作玉米。试验田总面积约为770 m2，平均每个试验小区面积为28.5 m2。

1.2 影像数据来源

航拍影像采集时间为2018年2月20日10:00—14:00。采用农业固定翼无人机（eBee Ag，SenseFly公司，瑞士），搭载多光谱相机（Sequoia，派诺特公司，法国），无人机平台具体参数如表1所示。利用e-Motion无人机飞行与数据管理软件进行航线规划，使用Airinov辐射板校准相机，使用拓普康 HIPER SR全球定位系统基站接收机测量地面控制点。使用PhotoScan摄影测量软件对航测数据进行镶嵌、地理参照设置、几何校正等处理，并进行数据质量评价[15]，通过构建高等级密集点云（将“质量”参数设置为“极高”）、构建精细网格（将“多边形计数”参数设置为“高”以获得更精细的曲面）、生成纹理（有助于精确标记）等处理获得质量较高的原始图像。本研究采用分辨率为1.8 cm/像素的RGB正射影像。

表1 无人机平台主要参数

1.3 研究方法

本研究从植被指数、色彩和纹理3个方面构建分类特征。首先利用面向对象的遥感信息分类与提取软件eCognition9.0提取影像的植被指数和纹理特征，并进行色彩空间变换，将RGB图像转化为“色度-色饱和度-亮度”（Hue-Saturation-Intensity，HSI）图像，进行色彩增强。其次，在植被指数、HSI色彩变换特征和纹理3种特征的基础上建立3类特征空间。然后，在地理信息系统软件ArcMap10.3中建立训练样本，将样本导入eCognition9.0软件，并分别采用K最近邻（K-Nearest Neighbor，KNN）算法、支持向量机（Support Vector Machine，SVM）算法、贝叶斯（Bayes）算法、随机森林（Random Forest，RF）算法、决策树（Decision Tree，DT）算法共5种机器学习算法构建模型进行影像分类，最后通过比较不同特征空间及不同分类算法对分类精度的影响，最终得出利用无人机RGB影像提取玉米种植信息的高精度分类算法和最优特征因子组合。

1.3.1 特征处理

首先，提取无人机RGB影像所通常采用的5种植被指数，包括过绿指数（Excess Green Index，EXI）[16]、可见光波段差异植被指数[17]、归一化绿红差异指数（Normalized Green-Red Difference Index，NGRDI）[18]、红绿比值指数[19]、植被色彩验证指数[20]；其次，使用SPSS软件对5种植被指数进行相关性分析，以皮尔逊相关系数绝对值大于等于0.8且达到显著（≤0.05）作为标准[21]对存在高度相关性的植被指数进行剔除；最后，保留EXI和NGRDI两个不存在高度相关性的植被指数用于特征空间构建及影像分类，其计算如式（1）和式（2）所示。

EXI = 2--（1）

NGRDI=(-)/(+)（2）

式中、、分别指RGB影像中的红光（630～680 nm）、绿光（525～600 nm）、蓝光（450～515 nm）波段的反射率或像元值。

利用eCognition9.0软件将RGB图像转化为HSI图像，计算玉米、阴影和裸地等3类样本（共800个样点，其中玉米286个样点，阴影257个样点，裸地257个样点）的HSI特征值（表2）。

表2 地物类型的HSI色彩特征值

基于eCongtion9.0软件，采用灰度共生矩阵方法[22]提取RGB影像的纹理特征。首先，提取玉米、裸地、阴影等3类地物的8项纹理特征值（均值、标准差、协同性、对比度、相异性、熵、二阶矩、相关性）；然后使用SPSS软件对8项纹理特征值进行相关性分析，对存在高度相关性的纹理特征进行剔除[21]；最终保留均值、对比度、相异性、二阶矩和相关性5项不存在高度相关性的纹理特征用于特征空间构建及影像分类。

1.3.2 特征空间构建

基于植被指数、HSI色彩和纹理3种特征构建3类特征空间（包含8个子类）。第一类使用3种特征中的某一特征，得到3个子类；第二类是将3种特征进行两两组合或使用全部3种特征，得到4个子类；第三类是在使用全部3种特征的基础上再利用基于随机森林模型的逐步特征因子筛选方法[22]进行特征降维分析，以筛选出最佳因子组合。具体做法为：1）利用ArcMap10.3在研究区范围内生成随机点，用随机点提取每一个特征的属性值；2）采用开源R Studio软件（R语言版本4.0.2，https://www.r-project.org/）的随机森林randomForest软件包（版本4.6-14）计算各因子的相对重要性，由大到小依次为均值、NGRDI、EXI、、、二阶矩、相异性、对比度、相关性；3）逐次剔除RF算法中重要性最小的因子，构建新的随机森林模型并重新计算模型性能和每个步骤所保留的各因子相对重要性，使用袋外（Out-Of-Bag，OOB）误差比较各模型的分类精度[23]，OOB误差即分类错误率，数值越小代表分类精度越高，以OOB误差达到最小时的因子作为最佳因子；4）根据逐步筛选过程结果（图2），将OOB误差最小的随机森林模型所使用的因子（NGRDI、EXI、、、和均值）作为最佳因子组合，组成第三类特征空间。

注：箱形图代表运行100次随机森林模型得出的结果，主要包含6个数据节点，从上到下依次是最大值、上四分位数、中位数（以实线表示）或平均值（以虚线表示）、下四分位数、最小值和异常值。

1.3.3 分类算法

将ArcMap10.3中生成的随机点作为训练样本，利用eCognition9.0将矢量文件转换为样本，然后分别在3类特征空间下利用各分类算法对样本进行训练和分类。在eCognition9.0软件中根据前人研究经验[24-25]对本研究所采用的5种分类算法（Bayes、KNN、SVM、DT、RF）进行参数设置：KNN算法的邻近值数量设为15；SVM算法的函数选择径向基函数；其余算法的参数均为默认值。

1.3.4 精度评价指标

基于eCognition9.0软件，采用基于对象样本（共500个样点，其中玉米180个样点，阴影160个样点，裸地160个样点）的混淆矩阵方法[26]进行分类精度评价。该方法可充分考虑影像尺度分割结果中各对象的数量和面积等信息，减少基于像元的混淆矩阵方法中验证样本选取可能存在的不均衡性造成的影响（精度评价结果偏高或偏低）。本研究选择总体分类精度（Overall Accuracy，OA，%）和Kappa系数作为主要评价指标，生产者精度（Producer’s Accuracy，PA，%）和用户精度（User’s Accuracy，UA，%）作为辅助指标来对分类结果进行精度评价，各指标计算如式（3）～式（6）所示。

式中为总像元个数，X为混淆矩阵第行第列上像元数量，X、X分别为混淆矩阵各行、各列元素之和，为总的分类类别数。其中，总精度是指分类结果中能够被正确地分类的样本与全部样本的比值；Kappa系数（介于0～1之间）表示的是整个样本的分类效果，是集合误差矩阵的整体信息得出的精度，0～0.2为极差一致性，0.2～0.4为普通一致性，0.4～0.6为中等一致性，0.6～0.8为较佳一致性，0.8～1.0则为极佳一致性[27]。

2 结果与分析

2.1 基于不同特征空间的分类结果

使用5种分类算法基于不同特征空间的分类结果如表3所示。在使用单一特征时，分类精度最高的是基于纹理特征的RF算法分类结果，其总精度为84.4%，Kappa系数为0.766。对于所有算法而言，使用植被指数获得的分类精度普遍较低，其原因在于RGB影像不含对植被信息较敏感的近红外波段和红边波段，基于RGB波段计算的植被指数对影像分类结果的贡献有限。使用单一特征时，SVM算法获得的总体分类精度均低于65.0%，Kappa系数均低于0.500，2个指标均为最低，可见SVM算法不适用于采用单一特征进行分类，原因在于SVM算法主要基于松弛变量和核函数技术来处理样本数据线性不可分的情况，更适用于高维分类[28]。

表3 不同特征空间下不同算法的分类总体精度和Kappa系数

与使用单一特征的分类结果相比，使用两两特征组合进行分类时，将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度（5种算法平均值）比仅使用植被指数分别提高了4.2%和8.3%。此结果表明，对于RGB影像而言，不适宜单纯采用植被指数进行分类，将植被指数与HSI色彩特征或与纹理特征等组合使用可获得更高的分类精度。在将两两特征进行组合时，分类精度最高的是基于HSI色彩特征和纹理特征组合的RF算法分类结果，总体分类精度为86.2%，Kappa系数为0.793。在HSI色彩特征和纹理特征组合特征空间下有两类算法的总精度达到82.0%，Kappa系数达到0.730，在所有分类特征的结果中，该组合特征空间下使用5种算法获得的总精度和Kappa系数均没有出现极低值的情况，同时最佳分类结果也是由该特征空间下的RF算法获得，表明该特征空间下既可获得较高的分类精度，又可保证分类结果的稳定性。

相比于采用单一特征和两两特征组合，Bayes算法在采用全部特征组合进行分类时获得最佳的分类精度，总精度为84.0%，Kappa系数为0.759，同时也是该分类特征下5种方法中最优。对于KNN、SVM、DT和RF算法，采用全部特征组合获得的分类精度并非最高。此结果表明，分类特征并非越多越好，分类特征之间可能会存在信息冗余对分类精度产生负面影响，从而降低分类精度。

为检验降低冗余信息对分类精度和效率的影响，对全部特征进行特征降维分析。由表3可知，与采用全部特征进行分类的结果相比，SVM算法采用降维特征获得的分类总精度提升了约20%。其原因在于尽管SVM算法更适用于高维分类，但高维特征中存在的干扰信息可能会降低分类精度。本研究结果表明，消除高维特征中的干扰信息可显著提升SVM算法的分类精度，与Naboureh等的研究结果一致[29]。采用除SVM外的4种分类算法进行特征降维获得的分类精度与采用全部特征组合获得的分类精度基本一致，其总精度偏差均在2.0%以内，Kappa系数偏差均在0.030以内。此结果表明，尽管特征降维并不能显著提高或降低Bayes、KNN、DT和RF算法的分类精度，但降维后保留的特征因子可以直接给出符合实际背景和意义的解释，同时也可以提高分类效率，并且该特征空间下所有算法的分类结果较稳定。

2.2 分类算法的选择

在8个子特征空间中，有5个子特征空间（植被指数、HSI色彩特征、HSI色彩特征与植被指数组合、全部特征组合、特征降维）最高分类精度是由Bayes算法获得的，并且该算法在8个子特征空间下获得的分类精度变异性较小（总精度范围为77.4%～84.0%，Kappa系数范围为0.660～0.759），表明Bayes算法性能稳定，分类精度对所采用的特征因子并不敏感。这与本研究中使用的数据规模及特征因子数量均较小且已将相关性较高的特征因子剔除有关，在此情况下基于最小误差率理论的Bayes算法往往可以获得稳定、较好的分类效果及分类效率[30]。因此，从均衡分类精度和分类稳定性的角度而言，Bayes算法是较为理想的分类算法之一。但是，分类总体精度最高的结果是由采用HSI色彩特征和纹理特征组合的RF算法获得，该算法在8个子特征空间下获得的总精度为74.2%～86.2%，Kappa系数为0.612～0.793，表明尽管RF算法在分类稳定性方面不如Bayes算法，但可以通过选取合适的特征因子获得理想的分类精度。因此，从获取更高分类精度的角度考虑，RF算法是比Bayes算法更优的选择。

2.3 基于最优分类特征和算法组合下的分类结果

基于HSI色彩特征和纹理特征组合的RF算法获得了最高的分类精度，其混淆矩阵如表4所示。裸地的160个验证样本中仅有4个被错分为玉米，并且没有样本被错分为阴影，裸地的用户精度和生产者精度分别达到了94.0%和97.5%。说明该方法可以将裸地与玉米及阴影较好地区分，为玉米枝叶尚未完全生长出来时田间有较多裸地尚未被枝叶覆盖的玉米生长早期阶段提供了较好的分类方法。而在玉米的180个验证样本中，有34个被分为阴影，其用户精度为84.5%，生产者精度为75.6%，这是由于阴影和玉米两者的光谱特征较为相似，区分难度相对较大，同时1.8 cm/像素分辨率的影像中在区分玉米叶片和阴影时存在较多混合像元。

表4 基于HSI与纹理特征组合的混淆矩阵和分类精度结果

为了对比不同算法的分类效果，绘制了HSI色彩特征和纹理特征组合下各个算法的分类效果图以及基于全部特征获得最高精度的分类效果图（图3）。与HSI色彩特征和纹理特征组合下的其他分类算法相比，RF算法可以更精确地将玉米、阴影和裸地区分开，特别是准确地将裸地和玉米进行了区分，并且位于田块边缘地带的裸地较少被错分为阴影或玉米，田块内部的阴影可以被更加细致地区分。

3 结 论

本研究通过充分挖掘无人机RGB影像中的植被指数、色彩和纹理特征信息，获得了较高的分类精度，明确了基于无人机RGB影像的特征因子对玉米种植信息提取精度的影响。结论如下：

1）使用单一种类特征难以获得最优的分类精度，而基于特征组合的分类方法通常能获得更高的分类精度。

2）采用全部特征组合获得的分类精度并非最高，分类特征之间可能会存在信息冗余对分类精度产生负面影响，从而降低分类精度。

3）基于随机森林模型的逐步特征因子筛选方法进行特征降维并不能显著提高或降低分类精度（支持向量机（Support Vector Machine，SVM）算法除外），但降维后保留的特征因子可给出符合实际背景和意义的解释，并可在提高分类效率的同时保证分类结果的稳定性。

4）在所有特征组合中，基于“色度-色饱和度-亮度”（Hue-Saturation-Intensity，HSI）色彩特征和纹理特征组合的随机森林（Random Forest，RF）算法获得了最高的分类精度，其总精度为86.2%，Kappa系数为0.793。RF算法在分类稳定性方面不如贝叶斯（Bayes）算法，但可以通过选取合适的特征因子从而获得理想的分类精度。

影像中存在的混合像元对玉米和阴影的区分造成了较大影响，因此需要进一步探究在小区域尺度上（如田块或农场）用于分类的RGB影像的最适宜分辨率。本研究使用的是单一时相航拍影像，玉米在出苗后不同生长发育阶段的叶面积指数变化极大，会直接影响RGB影像中阴影和裸地的数量、空间分布以及特征因子的选取，因此需要深入研究这些因素对玉米不同关键生育时期进行分类的影响机制，并从空间位置（特别是地形起伏较大地区）和长时间序列等角度进一步挖掘RGB影像中的有效信息。

[1] Su W, Zhang C, Yang J Y, et al. Analysis of wavelet packet and statistical textures for object-oriented classification of forest-agriculture ecotones using SPOT 5 imagery[J]. International Journal of Remote Sensing, 2012, 33(11): 3557-3579.

[2] 陈仲新，任建强，唐华俊，等. 农业遥感研究应用进展与展望[J]. 遥感学报，2016，20(5)：748-767.

Chen Zhongxin, Ren Jianqiang, Tang Huajun, et al. Progress and prospective 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] Bastiaanssen W G M, Molden D J, Makin I W. Remote sensing for irrigated agriculture: Examples from research and possible applications[J]. Agricultural Water Management, 2000, 46(2): 137-155.

[4] 陈晓凯，李粉玲，王玉娜，等. 无人机高光谱遥感估算冬小麦叶面积指数[J]. 农业工程学报，2020，36(22)：40-49.

Chen Xiaokai, Li Fenling, Wang Yuna, et al. Estimation of winter wheat leaf area index based on UAV hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 40-49. (in Chinese with English abstract)

[5] 王晶晶，史云，刘含海. 无人机载框幅式高光谱影像的波段配准研究[J]. 中国农业资源与区划，2017，38(9)：63-71.

Wang Jingjing, Shi Yun, Liu Hanhai. Study on band registration of UAV borne frame hyperspectral images[J]. Journal of China Agricultural Resources and Regional Planning, 2017, 38(9): 63-71. (in Chinese with English abstract)

[6] 刘斌，史云，吴文斌，等. 基于无人机遥感可见光影像的农作物分类[J]. 中国农业资源与区划，2019，40(8)：55-63.

Liu Bin, Shi Yun, Wu Wenbin, et al. Crop classification based on UAV remote sensing image[J]. Journal of China Agricultural Resources and Regional Planning, 2019, 40(8): 55-63. (in Chinese with English abstract)

[7] Susana D P, Rodríguez-Gonzálvez P, Hernández-López D, et al. Vicarious radiometric calibration of a multispectral camera on board an unmanned aerial system[J]. Remote Sensing, 2014, 6(3): 1918-1937.

[8] 戴建国，张国顺，郭鹏，等. 基于无人机遥感可见光影像的北疆主要农作物分类方法[J]. 农业工程学报，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)

[9] Myint S W, Cober P, Brazel A, et al. Per-pixels vs object-based classification of urban land covers extraction using high spatial resolution imagery[J]. Remote Sensing of Environment, 2011, 115(5): 1145-1161.

[10] Randjelovic P, Djordjevic V, Milić S, et al. Prediction of soybean plant density using a machine learning model and vegetation indices extracted from RGB images taken with a UAV[J]. Agronomy, 2020, 10(8): 1108.

[11] 高林，杨贵军，李红军，等. 基于无人机数码影像的冬小麦叶面积指数探测研究[J]. 中国生态农业学报，2016，24(9)：1254-1264.

Gao Lin, Yang Guijun, Li Hongjun, et al. Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]. Chinese Journal of Eco-Agriculture, 2016, 24(9): 1254-1264. (in Chinese with English abstract)

[12] 陈晨. 基于无人机图像的小麦生物量与产量的估测研究[D]. 扬州：扬州大学，2019.

Chen Chen. Estimation of Wheat Biomass and Yield Based on UAV Images[D]. Yangzhou: Yangzhou University, 2019. (in Chinese with English abstract)

[13] 刘斌，史云，吴文斌，等. 基于无人机遥感可见光影像的农作物分类[J]. 中国农业资源与区划，2019，40(8)：55-63.

Liu Bin, Shi Yun, Wu Wenbin, et al. Crop classification based on UAV remote sensing images[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2019, 40(8): 55-63. (in Chinese with English abstract)

[14] Senthilnath J, Dokania A, Kandukuri M, et al. Detection of tomatoes using spectral-spatial methods in remotely sensed RGB images captured by UAV[J]. Biosystems Engineering, 2016, 146: 16-32.

[15] 王玉娜，李粉玲，王伟东，等. 基于无人机高光谱的冬小麦氮素营养监测[J]. 农业工程学报，2020，36(22)：31-39.

Wang Yuna, Li Fenling, Wang Weidong, et al. Monitoring of winter wheat nitrogen nutrition based on UAV hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 31-39. (in Chinese with English abstract)

[16] Torres-Sánchez J, Peña 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.

[17] 韩文霆，郭聪聪，张立元，等. 基于无人机遥感的灌区土地利用与覆被分类方法[J]. 农业机械学报，2016，47(11)：270-277.

Han Wenting, Guo Congcong, Zhang Liyuan, et al. Classification method of land cover and irrigated farm land use based on UAV remote sensing in irrigation[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 270-277. (in Chinese with English abstract)

[18] Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[19] 汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，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)

[20] Meyer G E, Neto J C. Verification of color vegetation indices for automated crop imaging applications[J]. Computers and Electronics in Agriculture, 2008, 63(2): 282-293.

[21] Zhi J J, Zhang G L, Yang F, et al. Predicting mattic epipedons in the northeastern Qinghai-Tibetan Plateau using Random Forest[J]. Geoderma Regional, 2017, 10: 1-10.

[22] 郑淑丹，郑江华，石明辉，等. 基于分形和灰度共生矩阵纹理特征的种植型药用植物遥感分类[J]. 遥感学报，2014，18(4)：868-886.

Zheng Shudan, Zheng Jianghua, Shi Minghui, et al. Classification of cultivated Chinese medicinal plants based on fractal theory and gray level co-occurrence matrix textures[J]. Journal of Remote Sensing, 2014, 18(4): 868-886. (in Chinese with English abstract)

[23] Breiman L. Random forests[J]. Machine Learning, 2001, 45: 5-32.

[24] 李娜，包妮沙，吴立新，等. 面向对象矿区复垦植被分类最优分割尺度研究[J]. 测绘科学，2016，41(4)：66-71.

Li Na, Bao Nisha, Wu Lixin, et al. Study of optimal segmentation scale in object-based classification for rehabilitated vegetation in coal mining site[J]. Science of Surveying and Mapping, 2016, 41(4): 66-71. (in Chinese with English abstract)

[25] 陈蕊，张继超. 基于eCognition的遥感图像面向对象分类方法研究[J]. 测绘与空间地理信息，2020，43(2)：91-95.

Chen Rui, Zhang Jichao. Study on object-oriented classification method of remote sensing image based on eCognition[J]. Geomatics & Spatial Information Technology, 2020, 43(2): 91-95. (in Chinese with English abstract)

[26] Schöpfer E, Lang S, Albrecht F. Object-Fate Analysis-Spatial Relationships for The Assessment of Object Transition and Correspondence[M]. Berlin: Springer, 2008.

[27] 杨凯歌，冯学智，肖鹏峰，等. 优化子空间SVM集成的高光谱图像分类[J]. 遥感学报，2016，20(3)：409-419.

Yang Kaige, Feng Xuezhi, Xiao Pengfeng, et al. Hyperspectral image classification based on optimized subspace SVM ensemble[J]. Journal of Remote Sensing, 2016, 20(3): 409-419. (in Chinese with English abstract)

[28] 邓曾，李丹，柯樱海，等. 基于改进SVM算法的高分辨率遥感影像分类[J]. 国土资源遥感，2016，28(3)：12-18.

Deng Zeng, Li Dan, Ke Yinghai, et al. An improved SVM algorithm for high spatial resolution remote sensing image classification[J]. Remote Sensing for Land & Resources, 2016, 28(3): 12-18. (in Chinese with English abstract)

[29] Naboureh A, Naboureh H, Azadbakht M, et al. RUESVMs: an ensemble method to handle the class imbalance problem in land cover mapping using Google Earth Engine[J]. Remote Sensing, 2020, 12: 3484.

[30] 赖继文，唐健林. 面向对象的遥感影像变化检测方法[J]. 测绘科学，2017，42(8)：111-115.

Lai Jiwen, Tang Jianlin. Object-based change detection method of remote sensing images[J]. Science of Surveying and Mapping, 2017, 42(8): 111-115. (in Chinese with English abstract)

High-precision extraction method for maize planting information based on UAV RGB images

Zhi Junjun1,2, Dong Ya3, Lu Lican4, Shi Jinhui1, Luo Wenhui1, Zhou Yue1, Geng Tao1, Xia Jingxia1, Jia Cai1※

(1.,,241002,;2.-,241002,; 3.,,311300,; 4.,,246400,)

Ultra-high-resolution aerial images obtained from Unmanned Aerial Vehicles (UAVs) have widely been used to extract crop planting information in recent years. However, some high-resolution multispectral or hyperspectral images were usually costly and time-consuming for data processing. Therefore, it is very necessary to effectively use easily accessible and low-cost high-resolution RGB images, particularly to eliminate the common noises (e.g., shadows and bare land) for a better extraction accuracy of crop planting. In this study, a high-precision extraction method was proposed to obtain the maize planting information using 1.8 cm resolution UAV aerial orthophotos (i.e., RGB images). The experimental maize farm was located in Southeast Africa, where images were taken at noon during the maize growing season. The classification features were also selected from the aspects of the spectrum, color space, and image texture. Then, five types of classification were selected to extract maize planting information, including Bayes, K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Decision Tree (DT), and Random Forest (RF)algorithms). Firstly, an object-oriented interpreting platform (eCognition9.0 software) was selected to calculate the space transform of Hue, Saturation, and Intensity (HSI) color, eight types of RGB texture, and five vegetation indices, including the normalized green-red difference index, red-green ratio index, vegetation color verification index, visible-band difference vegetation index, and excess green vegetation index. Then, three types of feature space were constructed: 1) The first feature space was composed of three sub-feature spaces, i.e., vegetation indices, HSI color space features, and RGB image texture features; 2) The second feature space was composed of four sub-feature spaces, where three types of features were combined (i.e., vegetation indices, HSI color space, and RGB image texture) in pairs or total; 3) The third feature space was composed of the most optimal factors, where the dimension reduction was performed on the combination of all three types of features using RF. Subsequently, the RGB images were classified into three land-use types, including maize, bare land, and shadow. Bayes, KNN, SVM, DT, and RFs models were finally selected for the supervised classification with error matrix. The results showed that the optimal classification accuracy was obtained using neither a single feature nor all three types of features in total. More importantly, a combination of features was usually achieved higher accuracy than that of a single feature. Specifically, the best choice was the combination of HSI color and RGB image texture features using the RF, particularly with the total highest accuracy of 86.2% and a Kappa coefficient of 0.793. Additionally, the dimension reduction of features using RF models was neither significantly improved nor reduced classification accuracy (except for the SVM). However, the factors retained from the feature dimension reduction were easily explained suitable for the actual background and meaning. Furthermore, both classification efficiency and stability were improved greatly during this time. The finding can provide a specific solution for the high-precision extraction of crop planting information using UAV RGB images.

models; remote sensing; unmanned aerial vehicle; maize; vegetation index; texture feature; machine learning

支俊俊，董娅，鲁李灿，等. 基于无人机RGB影像的玉米种植信息高精度提取方法[J]. 农业工程学报，2021，37(18)：48-54.doi：10.11975/j.issn.1002-6819.2021.18.006 http://www.tcsae.org

Zhi Junjun, Dong Ya, Lu Lican, et al. High-precision extraction method for maize planting information based on UAV RGB images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 48-54. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.18.006 http://www.tcsae.org

2020-09-21

2021-08-13

国家自然科学基金项目（41801154，41501229）；教育部人文社会科学研究青年基金项目（21YJCZH243）；安徽师范大学博士科研启动金项目（2018xjj45）；安徽师范大学大学生创新创业训练计划项目（202010370185，S202010370405，S202110370393）

支俊俊，博士，副教授，研究方向为农业遥感与信息技术。Email：zhijunjun@ahnu.edu.cn

贾蔡，博士，讲师，研究方向为数学地质、定量农业遥感。Email：jc1986@ahnu.edu.cn

10.11975/j.issn.1002-6819.2021.18.006

S127

A

1002-6819(2021)-18-0048-07