随着中国农业普查和精准农业的发展，我国迫切需要实现农作物面积快速精准监测，而高分辨率图像可以提供丰富的地表信息[1,2,3,4,5]。例如，图像中地物的尺寸、形状及邻近地物之间的关系能够得到有效反映;不同地物的纹理特征更加丰富;同一地物内要素的各项细节信息得到表征，可用于精细农业规划、资源调查监测等各个领域。无人机遥感技术凭借灵活性强、周期短、成本低、操作简单等优点成为目前高分辨率遥感数据获取的重要手段[6,7,8,9]，是目前农业监测的研究热点和未来发展趋势。

农作物种植面积遥感监测已在农业和统计等部门得到了广泛的应用。中、低分辨率遥感数据用于全球、全国、全省等大区域范围的小麦、水稻、玉米等作物面积监测。近年来，随着高空间分辨率遥感数据获取成本的降低，已有许多高分遥感数据监测小麦、玉米、大豆等农作物种植面积的成功案例[10,11]。这些研究大多是针对单一作物大面积耕种的北方地区进行的试验研究[15,16]，而针对南方破碎地块的农作物种植面积的遥感监测却很少。我国南方地区具有耕地破碎、农作物种植品种多样且空间分布混杂等特点，使得利用中、低空间分辨率遥感技术精确监测各种作物面积十分困难。国家农业普查项目于2016年启动，全面利用高分遥感数据监测农作物面积。目前，无人机遥感测量农作物面积试点工作已在很多地方开展，但其仅将无人机航拍数据作为影像地图使用，结合PDA现场测绘与登记实现农作物面积测量，这种工作流程耗时、费工，效率较低，并未充分利用遥感自动分类技术提取农作物面积。

为充分发挥无人机遥感数据高分辨率的优势，提高农作物面积监测效率，本文以杭州市余杭区瓶窑镇为研究区域，挖掘无人机航拍数据的光谱信息、纹理信息、耕地形状信息，运用面向对象的多尺度分割方法融合特征提取与随机森林法，获取农作物空间分布及面积信息，为农作物种植面积的精确遥感监测探索一套可行的方法，以推进无人机遥感在农业方面的深入应用。

1、研究区概况与数据

1.1 研究区概况

本文以杭州市余杭区瓶窑镇局部区域作为研究区(如图1所示)，瓶窑为余杭区水稻机插高产示范区，研究区内农作物种植品种多样且空间分布混杂，主要包括水稻、玉米、大棚西瓜、蔬菜等。此外，研究区还有休耕地、水体、道路、建筑、树木等土地覆盖类型(见表1)。

图1试验区位置

1.2 研究数据

研究区影像为无人机遥感影像(R、G、B波段)，成像于2016年夏季，面积约164.8829万m2，几何校正误差控制在2cm，像元大小为0.2m×0.2m。

根据野外实地考察，在面向对象最优分割尺度的分割结果图上目视解译，每种地类随机选取一定数量的典型样本，形成训练样本集合。样本选择在ArcGIS软件操作完成，各类型样本数目见表1。

表1样本类型与数量

2、研究方法

本文将基于最优尺度分割结果结合目视判读选择训练样本，提取特征变量，建立随机森林预测模型，实施农作物种植品种分类，结合GIS技术提取空间分布信息，并与传统的最大似然法作比较。

2.1 图像分割

无人机遥感的高空间分辨率在提高目视效果的同时，增加了同类地物内部的纹理复杂程度，不利于分类，而面向图像分割则能克服这一问题。本文采用多尺度分割算法对影像分割后再分类。多尺度分割算法是一种自下而上，通过合并相邻的像素或小的分割对象，在保证对象与对象之间异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割的方法。分割效果的好坏成为决定遥感图像分类的关键因素之一，它对提取对象特征、目标分类都具有重要影响[17,18,19,20]。

本文利用eCognition软件处理与实现多尺度分割。分割参数包括尺度、形状、光谱，以及紧致度、平滑度的权重。确定合适的分割尺度、形状权重及紧致度权重，是面向对象图像分割非常重要的环节，若分割参数选择不当，就会出现地类混合在一起的情况，导致分类精度降低。本文研究区域以农作物为主，农作物的光谱特征在绿色作物信息提取中具有重要的作用，但是南方耕地各地块具有明显形状特征，因此综合考虑农作物的光谱特征及地物的形状特征，定义形状权重参数为0.5，即光谱权重为0.5。根据文献[21]的研究结论，平滑权重较高，分割后的对象边界较平滑;反之，若紧致度权重较高，则分割后对象形状较为紧密，且接近矩形。本文研究区耕地地块紧密分布，排列整齐，因而将紧致度权重设为0.6。文献[17]证明了平均全局评分最低的分割尺度，是加权方差与空间自相关的最低组合，可被定义为最优分割尺度。故本文分割尺度范围为[20,100]，以10为步长，对多尺度分割的9个结果分别导出每个对象的光谱均值，利用平均全局评分评价出最优分割尺度。

2.2 影像特征提取

遥感影像特征的提取能够充分利用图像的光谱与纹理信息，是提高图像分类精度的重要途径[22]。本文基于分割后的影像对象提取光谱、形状及纹理特征参数作为随机森林分类的变量。

光谱特征变量主要分为两部分，一是基础的光谱变量，即各个波段均值和标准差;二是由原始波段运算得到的植被指数。本文研究数据只有红(R)、绿(G)、蓝(B)波段，故在农作物监测分类中多基于上述波段构建特征变量，如可见光抗大气指数VARI，绿色植被可见光抗大气指数VARIgreen及差值植被指数EXG等(见表2)。其中，根据文献[23]的研究，基于R、G、B3个波段的绿色植被抗大气指数VARI能够突出农作物的绿色光谱特征，为农作物监测提供重要信息。

表2基于R、G、B3波段的植被指数

基于统计描述的灰度共生矩阵(GLCM)被证明在植被分类中发挥着重要作用[25,26]，本文利用灰度共生矩阵得到的同质性(GLCMHomogeneity)、灰度共生矩阵中值(GLCMMean)、灰度共生矩阵标准方差(GLCMStdDev)参数提取对象的纹理信息。耕地地块几何特征较规则，形状参数有利于识别农作物地块。本文选取边界指数(borderindex)、真圆度(roundness)、形状指数(shapeindex)、多边形最长边长度(lengthoflongestedge)、距离(Distance)、坐标(coordinate)等几何参数用作分类变量。

2.3 随机森林分类法

面向对象的随机森林分类的最小单元不再是单个像素，而是“同质”对象(图斑)。基于面向对象最优分割后的图像，对遥感影像的光谱、形状与纹理特征进行融合，进而运用随机森林分类器实现面向对象的地理要素自动分类[27]。

3、研究结果

3.1 图像分割结果

图2所示为3个不同分割尺度的结果，可以看出，同一区域分割尺度较低时，地块过于破碎，不利于分类，且直接影响运算速度;而随着分割尺度的增加，分割对象的数量越来越少，分割不够完整，存在一个碎片对象包含了多种地物的现象。因此，在多尺度分割中，最优分割结果能够相对兼顾研究区各种农作物地块的局部细节及空间几何分布特征。

图2最优分割尺度全局评分

图3所示为所有多尺度分割的平均全局评分，可知分割尺度为60的图像分割具有最低的平均全局评分0.815，且其在红波段、绿波段、蓝波段的平均全局评分也是最低的。这表明分割尺度为60时，对象内部同质性最大，对象间的差异性最大，因此本文将其定义为最优分割尺度。不同尺度的分割结果如图4所示。

图3多尺度分割的全局评分

图4研究区局部不同尺度的分割结果

3.2 分类结果

最大似然法对研究区分类的结果如图5(a)所示。本文将训练样本的光谱特征、纹理特征、几何特征等特征值作为变量，由数据挖掘工具Weka软件运行随机森林分类方法(如图5(b)所示)，建立分类预测模型，随机森林法树的数目为100棵，交叉验证10次，预测分类总体精度达到92.79%,Kappa系数为0.9184，模型可用于进行预测分类。将整个研究区分割对象的特征参数作为变量，输入预测模型，输出分类结果如图6所示。研究区属于水稻高产园区，面积比例最大的农作物为水稻，大棚西瓜和玉米次之，水稻和大棚西瓜多集中连片种植，玉米在该研究区仅有一块地块种植，菜园较分散，还有部分休闲耕地。

图5最大似然分类与随机森林分类对比

图6基于随机森林模型的分类结果

3.3 精度评价

本文采用分层随机抽样的方法对分类结果精度进行评价，以结果图每类作为一层，每层创建随机点30个，共计390个，通过目视解译随机点得到混淆矩阵与精度评价结果(见表3)。面向对象最优分割结合随机森林分类总体精度达到88.46%,Kappa系数为0.8803。就农作物分类而言，玉米的制图精度最高，达到100%，分类结果最好;水稻、蔬菜次之(蔬菜包括毛豆、秋葵、豇豆等作物);制图精度较差的为西瓜和树木。

表3基于最优尺度分割和随机森林模型分类结果的混淆矩阵和精度评价

在ENVI软件中利用传统的最大似然法分类所得总体精度为67.7747%,Kappa系数为0.6405，精度较低。从图6可以看出，最大似然分类结果椒盐现象较严重，而结合了面向对象的随机森林分类方法基本没有椒盐现象。

3.4 农作物种植面积监测

利用ArcMap10.2软件，结合目视判读，对随机森林分类结果中的农作物地块(水稻、蔬菜、西瓜、玉米、休耕地)进行修正并矢量化(如图7所示)，获取各类型农作物精确面积，与随机森林分类结果进行比较，评价农作物面积监测精度，见表4。

根据表4可知，各地类面积误差都较小，其中面积误差最大的作物为蔬菜，也只有1.11%，其余都小于1%。

表4瓶窑镇局部区域分类面积与实际面积对比

图7实际农作物地块矢量图

4、讨论

4.1 基于面向对象分割对分类结果的影响

无人机遥感图像分辨率较高，目视判读效果很好，但同时也增加了同类地物内部的异质性。运用传统的基于像元分类的最大似然法分类结果不佳，椒盐现象严重[28]。而利用面向对象分割则解决了该问题。本文将面向对象分割的结果用于随机森林分类，取得了很好的分类效果。对于高分辨率的无人机遥感图像，最优尺度的图像分割是保障高精度分类的基础。

4.2 随机森林模型对分类结果的影响

本文所用无人机影像只有3个通道，波段较少，是植被分类的不利因素。为了弥补这种缺陷，本文引入了植被指数，并充分利用高分辨率遥感影像纹理特征与几何特征信息丰富的优势，基于最优分割对象单元，融合多种特征数据，有效地保障了随机森林预测模型的建立，并在地块破碎、作物类型混杂的情况下取得了较高的分类精度。这说明基于面向对象分割，结合了特征参数融合的随机森林法适用于无人机高分辨率影像的南方农作物分类。

西瓜制图精度较低，主要是由于西瓜多培植于大棚内，而灰白色大棚与高速公路光谱特征相似，分类时导致两者易混淆，难以区分。因此，应加强其形状与纹理特征的比例或数量，大棚与高速公路具有较大的形状与纹理的差异。而遥感影像图中的树木由于涵盖各类型树种，混杂分布，纹理特征复杂多样，导致制图精度最低。这可能是由于选取的训练样本没有充分代表各类树种的特征，可以考虑选取足够的典型标志样本。

5、结论

由于南方耕地具有地块破碎、农作物种植品种多且空间分布混杂程度高的特点，利用传统遥感方法高精度获取农作物品种难度较大。本文利用无人机航拍数据，基于面向对象的多尺度分割方法与随机森林法相结合对农作物分类。结果表明:

(1)本文运用面向对象的图像分割方法对航拍数据进行多尺度分割，并基于平均全局评分法定量评价最优分割尺度为60，充分考虑了多尺度分割对象的对象内部的同质性和对象间的异质性，克服了主观评价最优尺度的缺点。

(2)特征数据融合充分利用高分辨率遥感数据的光谱信息、纹理信息、地物几何信息等特征信息，对提高分类精度十分有利。

(3)将面向对象分割结果与特征信息融合后，运用随机森林法的农作物分类精度达到88.46%，且克服了传统分类方法中图斑凌乱、地物混杂的缺点。

(4)无人机遥感监测农作物面积精度高。水稻是本文研究区的主要农作物，结合最优分割尺度与随机森林方法后得出的种植面积精度最高，误差仅为0.33%，因此，该方法能够高效准确地对南方农作物种植面积进行监测。

本文方法对利用无人机航拍高分辨率遥感影像实现农作物分类快速精准监测，以及大范围的无人机农作物遥感监测具有借鉴意义。

参考文献：

[3]陆登槐.遥感技术在农业工程中的应用[M].北京:清华大学出版社,1997.

[4]陈正宜.农业土地资源研究中的遥感图像综合分析———以天然渠､文岩渠地区为例[J].遥感信息,1986(4):14-16.

[5]许迪,李益农,蔡林根,等.卫星遥感影像在农田灌排系统识别中的应用研究[J].农业工程学报,2004,20(2):36-39.

[8]滕连泽,罗勇,张洪吉,等.无人机遥感在农业监测中的应用研究综述[J].科技资讯,2018,16(23):122-124.

[9]常潇月,常庆瑞,王晓凡,等.基于无人机高光谱影像玉米叶绿素含量估算[J].干旱地区农业研究,2019,37(1):66-73.

[12]朱长明,骆剑承,沈占锋,等.基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取[J].农业工程学报,2011,27(9):94-99.

[13]刘克宝,刘述彬,陆忠军,等.利用高空间分辨率遥感数据的农作物种植结构提取[J].中国农业资源与区划,2014,35(1):21-26.

[14]郭燕,武喜红,程永政,等.用高分一号数据提取玉米面积及精度分析[J].遥感信息,2015,30(6):31-36.

[15]乌云德吉,乌兰吐雅,于利峰,等.基于GF-1WFV数据的河套灌区春小麦长势遥感分析———以临河区为例[J].北方农业学报,2018,46(2):123-128.

[16]林芬,赵庚星,常春艳,等.基于相邻轨道图像的冬小麦面积提取及长势分析[J].农业资源与环境学报,2016,33(4):384-389.

[18]刘毅,杜培军,郑辉,等.基于随机森林的国产小卫星遥感影像分类研究[J].测绘科学,2012,37(4):194-196.

[19]吴晗,林晓龙,李曦嵘,等.面向农业应用的无人机遥感影像地块边界提取[J].计算机应用,2019,39(1):298-304.

[20]阚晓云,孙景振,王红伟.无人机影像分割尺度及地物分类研究[J].科技广场,2013(11):12-16.

[21]张明媚,姚国红.面向对象的高分辨率遥感影像信息提取技术[J].地理空间信息,2013,11(1):89-91.

[22]陈丽萍,孙玉军.基于不同决策树的面向对象林区遥感影像分类比较[J].应用生态学报,2018,29(12):3995-4003.

[24]贾坤,姚云军,魏香琴,等.植被覆盖度遥感估算研究进展[J].地球科学进展,2013,28(7):774-782.

[27]李方方,刘正军,徐强强,等.面向对象随机森林方法在湿地植被分类的应用[J].遥感信息.2018,33(1):111-116.

[29]孟杰,李春林.基于随机森林模型的分类数据缺失值插补[J].统计与信息论坛,2014(9):86-90.

[30]穆亚南,丁丽霞,李楠,等.基于面向对象和随机森林模型的杭州湾滨海湿地植被信息提取[J].浙江农林大学学报,2018,35(6):105-114.

[31]龙怡霖,蔡骋.基于遥感的随机森林农田水肥等级分级算法[J].计算机应用与软件,2016,33(8):260-263,268.

[32]程立真,朱西存,高璐璐,等.基于随机森林模型的苹果叶片磷素含量高光谱估测[J].果树学报,2016,33(10):1219-1229.

[33]夏永泉,王兵,支俊,等.基于随机森林方法的小麦叶片病害识别研究[J].图学学报,2018,39(1):57-62.

任泽茜,丁丽霞,刘丽娟,谢锦莹,敖伊颍,张继艳,何嘉莹.利用无人机遥感监测农作物种植面积[J].测绘通报,2020(07):76-81.

基金:国家自然科学基金(31870619).