基于无人机影像的农情遥感监测应用

第29卷第18期农业工程学报 V ol.29 No.18 136 2013年9月Transactions of the Chinese Society of Agricultural Engineering Sep. 2013

基于无人机影像的农情遥感监测应用

王利民，刘佳，杨玲波，陈仲新，王小龙，欧阳斌

（中国农业科学院农业资源与农业区划研究所，北京 100081）

摘要：该文以中国农业科学院（万庄）农业高新技术产业园及周边地区4.2×3.1 km的范围为研究区域，利用无人机搭载RICOH GXR A12型相机进行了航拍试验，主要测试了定位定向系统（positioning and orientation system，POS）数据辅助下光束法区域网平差方法平面定位及面积测量精度，以及无人机影像的作物面积识别精度。结果表明，在无控制点约束条件下，直接采用POS数据进行光束法区域网平差后，以中误差表示的平面定位精度为X 轴方向（东西方向）中误差为2.29 m，Y轴方向（南北方向）中误差为2.78 m，整体平面中误差3.61 m；采用3阶一般多项式模型进行几何精校正，X轴方向中误差为1.59 m，Y轴方向中误差为1.8965 m，整体平面中误差为

2.32 m，符合《数字航空摄影测量空中三角测量规范》中对1∶10 000平地的平面精度要求，能够满足农作物面积

遥感监测中作物面积调查定位精度的要求；采用监督分类和面向对象分类2种方法，对面积评价区域种植的春玉米、夏玉米、苜蓿和裸土4种地物类型进行分类，以差分GPS调查结果为评价标准，4种作物总体识别精度分别达到了88.2%（监督分类）和92.0%（面向对象分类），单独分类精度分别为88.9%、86.7%、93.0%、86.6%和90.35%、

92.61%、94.93%、93.30%。研究结果说明了无人机遥感影像获取小范围、样方式分布的作物影像方面具有广泛的

应用前景，推广后能够满足全国农作物地面样方对高空间分辨率影像的需求，可以部分替代现有人工GPS测量的作业方式。

关键词：遥感，影像处理，农业，监测，无人机

doi：10.3969/j.issn.1002-6819.2013.18.017

中图分类号：TP79;S252+.9 文献标志码：A 文章编号：1002-6819(2013)-18-0136-10

王利民，刘 佳，杨玲波，等. 基于无人机影像的农情遥感监测应用[J]. 农业工程学报，2013，29(18)：136－145.

Wang Limin, Liu Jia, Yang Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(18): 136－145. (in Chinese with English abstract)

0 引 言

农情遥感监测是以遥感技术为主对农业生产过程进行动态监测的过程，内容是对大宗农作物种植面积、长势、墒情与产量的发生与发展过程进行系统监测。其范围大、时效高和客观准确的优势是常规监测手段无法企及的[1]。农业生产变化快，需要指定时间范围内的影像，目前的星载高空间分辨率数据的重访时间长，无法保证短时间内获得指定区域数据，空间抽样技术就成为中分辨率遥感监测结果的有效补充。但采用高精度GPS实测地面样方的方法存在效率低、样方面积小的问题[2]。无人机遥感技术的出现和发展，为这一问题的解决提供了一种新思路。无人机具有成本低，操作简便，获取影像速度快，地面分辨率高等一系列优点，可以实

收稿日期：2013-06-07 修订日期：2013-08-23

基金项目：国家高技术研究发展计划(863计划)，典型应用领域全球定量遥感产品生产体系课题（2013AA12A302）。

作者简介：王利民（1968－），男，蒙古族，内蒙古宁城人，博士，主要从事农业遥感监测业务运行研究。北京中国农业科学研究院农业资源与农业区划研究所，100081。Email:wanglimin01@https://www.sodocs.net/doc/366936297.html,

现对某一重点研究区域大范围遥感影像的快速获取，结合农作物地面测量数据，能迅速而准确地完成该区域农情监测任务，并为更大范围农情采样估计提供便利[3]。

无人机（unmanned aerial vehicle，UAV），是一种通过无线遥控或规划航线飞行的无人驾驶飞机，它一般有动力系统、飞控系统、无线通讯遥控系统、有效载荷（武器、侦查设备）等部分组成[4]。目前的无人机的研究方向主要集中在飞行系统研制、影像处理方法与精度方面，行业应用虽也有一些报道，但主要集中在军事、地图测绘更新、地质勘探、自然灾害监测等领域，对于农情遥感监测领域则涉及较少[5-6]。中国测绘科学研究院研制了UAVRS-Ⅰ/Ⅱ型无人机，完成了“无人机海监遥感系统关键技术研究和验证试验”项目，并研究了无人机影像处理技术[7-8]。杨正银等对无人机航摄影像测绘地形图的精度进行了探讨，得出依据无人机影像制作的1∶2000地形图的平面和高程精度均满足《1∶500 1∶1000 1∶2000 地形图航空摄影测量内业规范》对1∶2000平地、丘陵的成图要求[9]。谢

?农业信息与电气技术?

第18期王利民等：基于无人机影像的农情遥感监测应用137

彩香等根据中药资源分布特点利用无人机进行抽样调查，结合航天遥感计算中药资源的总量，大大节省了成本，并使其结果具有统计学的可靠性[10]。台湾大学理学院空间信息研究中心利用无人机拍摄低空大比例尺图像，配合FORMOSAT2分类进行异常提取，解译桃园县非法废弃堆积物（固体垃圾等），用于环境污染监测和执法调查[11]。张园等利用无人机影像在临安市进行了森林资源二类调查试验，指出无人机遥感技术在森林精确区划调查、森林病虫害监测防治方面有良好应用前景[12]。胡晓曦、周晓敏等则对无人机影像测图定位精度进行了研究，表明依据无人机影像经过几何校正和拼接后得到的正射影像图具有很高的平面位置精度[13-14]。

本文以位于河北省廊坊市的中国农业科学院国际农业高新技术产业园（万庄）为依托，对无人机影像在农情监测方面的应用进行了初步研究，开展了无人机影像获取、地面数据的采集和正射影像图、农田区划图等的制作，利用野外检查点对这些成果的几何精度进行评价，表明无人机影像校正处理结果在几何精度上是满足农业应用需求的；依据校正后的影像，分别采用传统的监督分类方式和目前逐步流行的面向对象分类方式，进行了农作物分布的分类提取，与地面实测数据进行比较，表明无人机影像在农作物遥感监测方面的应用是切实可行且能达到较高的精度，并对无人机在农情监测方面的应用进行了初步的探讨。

1 研究区概况

廊坊市位于华北平原东北部，面积6 429 km2，其中常用耕地面积373.3 khm2，总人口410万，其中农业人口近300万。廊坊市地处中纬度地带(116.17-117.04E，38.42-39.59N)，属暖温带大陆性季风气候，光热资源充足，雨热同季，全市无霜期平均190 d，降水量年均为555 mm，日照时数年均2 660 h。该市位于华北冲积平原中下流地区，除北部有少量燕山余脉外，大部分地区土地平坦，土地肥沃、气候适宜，适于多种农作物生产。

本次航测区以廊坊的中国农业科学院农业高新技术产业园（万庄）为中心，测区面积大约为4.2 km×3.1 km，地形平坦，平均海拔25 m，是由中国农业科学院与廊坊市及广阳区合作共建，主要从事农业科研创新、成果转化、科技服务的现代农业科技园。主要作物有玉米、小麦、苜蓿、大豆、花卉等。测区条件交通条件便利、田地分块大而整齐，为遥感影像分类提供便利，同时对作物的地面生长情况监控充足，各种作物资料获取方便，为无人机影像农情监测应用研究提供了可靠的保障。

图1 廊坊基地位置示意图

Fig.1 Geographic sketch map of Langfang Base

2 研究方法

2.1 研究思路

无人机影像农情遥感监测研究的重点主要包括以下3个部分：无人机影像获取与定位原理、外业方案及地面数据采集、无人机作物识别方法研究。无人机影像获取与定位原理针对本次研究所使用的无人机情况，介绍包括相机检校、像控点布设及航线设计、无人机影像定位原理与方法等方面内容；外业方案及地面数据采集包括基站与控制点布设、获取地面农田地块区划、作物分类、作物生长状况信息等；无人机作物识别方法研究主要介绍通过精度评价的手段，利用监督分类方法和面向对象分类方法开展不同种类农作物面积识别精度与能力的研究，并通过精度比较对2类方法的准确程度进行定性评价与讨论。

2.2 无人机影像获取与定位原理

2.2.1 相机检校

本次研究采用Free Bird小型电动无人机，起飞质量 2.5 kg，巡航速度54 km/h，飞行高度50～2 500 m。系统操控简单，轻便灵活，易于推广。无人机上搭载了理光GXR A12数码相机，主要参数如表1所示。

由于航拍相机是非量测相机，相机存在较大的镜头畸变、像主点偏移等误差，因此相机参数的标定是非常关键的环节，其标定结果的精度及算法的

农业工程学报 2013年

138

稳定性直接影响相机工作产生结果的准确性。本文中相机检校工作在地面试验中完成，检校报告由厂家提供，主要的检校参数见表2。

表1 航拍相机主要参数 Table 1 Main parameters of camera

相机型号Camera model Richo GXR A12

镜头规格 Focal length 28 mm

传感器规格 CCD specifications

APS-C(23.6×15.7 mm)

像素数Pixel number 4 288×2 848 航拍测图精度Image scale

1∶2000

航拍分辨率Resolution 0.1 m （航高350 m ）

表2 相机检校参数

Table 2 Camera calibration parameters

主点x 0 Principal point x 0

2096.558[pixels] 主点y 0 Principal point y 0

1431.7249[pixels] 焦距f Focal length f 3333.2949[pixels] 径向畸变系数k 1

Radial distortion coefficient k 1

5.958e-009 径向畸变系数k 2

Radial distortion coefficient k 2

-5.173e-016 偏心畸变系数p 1 Decentering distortion

coefficient p 1 -2.342e-007

偏心畸变系数p 2 Decentering distortion

coefficient p 2

1.053e-007 CCD 非正方形比例系数α CCD non-square factor

α

-2.677e-004

CCD 非正交性畸变系数β CCD non-orthogonalcoefficient β

-4.483e-004 检校精度

Calibration accuracy

0.134760[pixels]

2.2.2 像控点布设及航线设计

无人机航空摄影所携带的往往是普通数码相机，航高低、单幅影像覆盖面积小、重叠度大、基线长度短，要进行高精度测图，则布设控制点数目将大大增加。本次试验所用无人机由POS 系统提供相机曝光时刻的高精度外方位元素，方便进行IMU/DGPS （惯性测量装置/差分全球定位系统，Inertial Measurement Unit/Differential Global Positioning System ）辅助空三测量，理论上只需要有一个基站，而不需任何地面控制点（GCPs ）即可实现整个测区的航空摄影测量，校正之后的影像能保证一定的绝对定位精度和很高的相对定位精度[15]。然而在实际应用中，如果要获得更高的绝对定位精度，则布设一定数量的地面控制点还是需要的，同时这些点还可用来检测影像几何定位精度，保证校正影像符合农业监测应用需求[16]。

控制点布设要求GPS 信号遮挡少、目标易于识别且固定不动、分布均匀[17]。本次试验共布设控制点103个，主要分布在道路交叉口中心，使用RTK 进行测量，可用于空三运算和精度检测。

本次试验设计航高375 m 左右，共设计了10条东西向航线，每条航线长约4 km ，航向重叠度达到80%，旁向重叠度达60%，大部分地面点被5张及以上的像片所包含，共设定了690个曝光点，单幅影像覆盖面积约为341 m ×514 m ，影像地面分辨率约为0.12 m ，完整覆盖了整个研究区域。

a. 区域网平差控制点分布图

b. 航线及曝光点位置分布图 a. Distribution of GCPs b. Distribution of GCPs

c. 像片重叠度 c. Overlapping score

注：a 图中的小圆圈为控制点。Note: The small circles in fig a were the control point.

图2 像控点及航线设计 Fig.2 Design of GCPs and routes

第18期王利民等：基于无人机影像的农情遥感监测应用139

2.2.3 无人机影像定位原理与方法

无人机拍摄获取的影像为中心投影，要进行实际的应用必须对影像进行正射校正并最终拼接成图，获得整个测区的正射影像图（digital orthophoto map，DOM）。

与传统的卫星传感器、机载传感器相比较，姿态稳定度相对较差是无人机影像的主要特点，这也是影响其定位精度的主要因素。目前商用软件的一般做法是POS辅助光束法空三。在本文中，无人机影像定位的主要步骤是首先依据相机检校文件确定相机的检校参数，同时结合GPS/INS （globalposition system/inertial navigation system，全球定位系统/惯性导航系统)提供的相机成像时刻的外方位线元素和外方位角元素，进行无控制点条件下的POS辅助空中三角测量。POS辅助空中三角测量也称为“集成传感器定向法”（integrated sensor orientation，ISO），它是通过对POS系统观测数据进行严格的联合数据后处理（动态卡尔曼滤波）直接测定航摄仪的空间位置和姿态,并将其与像点坐标观测值进行联合平差,以整体确定地面目标点的3维空间坐标和6个影像外方位元素,实现少量或无地面控制点的摄影测量区域网平差。它与传统的区域网光束法平差最大的不同是引入POS系统测量的GPS位置数据和INS测得的姿态角度信息作为平差条件，建立相应的误差方程，依据最小二乘法原理解算法方程，得到包括摄站位置、姿态、地面点坐标、相机内方位元素、偏心角、偏心距等一系列值[18]。对地面点进行空三加密之后，得到数字高程模型（digital elevation model，DEM），之后进行影像数字微分纠正，即可得到正射影像图[13]。从这一过程可以看出，空三解算的精度直接影响到最后成图的质量，若空三解算精度低，则会导致最后的DOM精度降低，甚至无法拼接成图。课题组在通过对目前常用的几种空三处理软件的处理效果的精度和速度进行对比之后，认为完全基于影像、自动空三计算原始影像的真实位置和参数，参数优化、区域网平差和自动校准影像等技术是实现大数据量简单、快速、精确处理的关键。目前的成熟的商用软件总体上都可以满足精度要求，但在使用的方便程度上各有利弊，需要使用者根据各自情况有针对性的使用。

由于航片拍摄时刻记录的GPS位置是具有一定定位误差的，因此在没有地面控制点对这一误差进行控制的情况下，由空三结果得到的正射影像图还存在一定的系统误差。为了提高定位精度并与整个测区卫星遥感数据处理标准影像相统一，后期采用了3阶一般多项式进行影像的配准精校正，可以采用基准点校正，也可以采用基准影像进行校正。基准影像采用具有高空间分辨率的Worldview影像。配准之后，通过无人机获得的影像和卫星遥感影像就能较好的统一起来，方便进行其他处理。2.3 外业方案及地面数据采集

外业工作主要包括基站布设、控制点布设和测量、农田地块GPS测量、农作物种植及生长情况调查、无人机航拍作业等。

控制点测量、无人机航拍作业、农田地块测量等涉及GPS测量的作业都需要基站数据进行差分，在本研究中这些基站均布设在同一点上，以增加数据的相关性，减少误差。

无人机航拍时间为2012年9月13日，风力小于4级，天气晴朗，能见度高，飞行采用自动起飞/规划航线飞行/自动降落模式，全程耗时约1 h。

农田分布区划GPS测量使用载波相位测量原理，由操作人员携带GPS接收机，沿着不同的农田地块边缘移动，获取农田地块边界GPS数据。得到这些数据之后，再结合基站GPS数据进行差分处理，定位精度将由原始数据的几米提高到厘米级的精度，相比无人机航拍定位精度，可认为是真实准确的。

在对不同的农田地块区划进行GPS测量的时候，同时记录这些地块内作物的种类、植被指数、生长状况等作物信息，为后续利用无人机影像进行作物农情监测提供地面实测数据支持，并用以进行精度评价。

2.4 无人机作物识别方法

本文分别采用2种分类方法对研究区的作物面积进行识别。一种是基于最大似然法的监督分类。最大似然分类法（maximum likelihood classification，MLC）有严密的数学理论基础，它综合应用了每个类别在各波段中的均值，方差以及各波段之间的协方差，有较好的统计特性，一直被认为是较先进的分类方法[19]。在传统的遥感图像分类中，最大似然法的应用比较广泛。该方法通过对训练样本的统计和计算，得到各个类别的均值和方差等参数，从而确定一个分类函数，然后将待分类图像中的每一个像元代入各分类函数，计算出最大似然概率。将概率最大的类别作为被该像元的归属类别，从而达到分类的效果[20]。

另一种是面向对象的分类方法，它采用一种影像多尺度分割的法则，运用模糊数学方法获得每个影像对象的属性信息，以影像对象为信息提取的基本单元，实现类别信息自动提取的目的。面向对象影像分析有2个独立的模块：对象生成与信息提取。对象生成是采用分割技术生成属性值不同的影像

农业工程学报 2013年

140

对象的过程，成功的影像分割是面向对象的影像分析的必要前提。影像信息提取是基于模糊逻辑的分类系统，并不是将每个对象简单地分到某一类，而是给出每个对象隶属于某一类的概率，根据地物特征以及空间信息建立模糊逻辑的知识库，进行信息提取[21]。

3 无人机影像处理与应用

3.1 数据处理及产品制作

目前，无人机航拍影像处理软件主要有ERDAS/LPS 、SocetSet 、Inpfo 、Pix4UAV 等，在对各个软件的处理效果及速度进行比对之后，本文选择Pix4UAV 软件进行无人机遥感影像处理，未加特殊说明，所有投影方式为UTM N50，椭球模型为WGS84，主要过程及结果如下：

1）首先准备航拍相机的检校参数文件，该文件可由厂商提供，也可自行进行相机检校试验计算初始检校参数。

2）对航拍获取的影像进行筛选，保证参与校正拼接影像的质量和拼接的效果、速度。需要筛选掉的包括姿态角过大影像（俯仰角和侧滚角大于3°）、航线拐角处曝光影像、重叠度过大或过小的影像、成像效果不好的影像。

3）将筛选后的航拍影像及其对应的POS 数据、相机检校文件输入Pix4UAV ，接下来的步骤主要就是软件内部处理过程。软件首先从输入的影像中自动提取相当数量的连接点，这些连接点结合POS 数据，参与空三计算，得到每一张航拍影像的准确外方位元素和加密点的坐标。然后进行点云加密，

Pix4UAV 高级算法计算影像每一个像元的高程值，生成三维点云，以提高DEM 和DOM 的分辨率和准确性。得到DEM 之后，进行数字微分纠正，将原始影像拼接校正成正射影像。需要注意的是，软件自动生成的DOM 在如建筑物等地物处可能存在扭曲现象，对于这些地方，使用软件自带的镶嵌编辑工具进行编辑，即保证DOM 的位置精度，也保证DOM 在目视效果上的准确。

4）处理结束后，查看Pix4UAV 输出的精度报告文件并浏览校正拼接后的DOM 成果，检查拼接校正的精度是否达到应用要求，平差精度达到0.284pixels 。

5）输出的结果包括测区的数字高程模型（DEM ）和正射影像图（DOM ）。对DOM ，依据WorldView 卫星影像采用了3阶一般多项式进行影像的配准校正，校正系统误差并保证DOM 与整个测区的卫星遥感数据处理标准影像相统一。

图3 测区数字高程模型

Fig.3

Digital elevation model of study area

图4 测区正射影像图

Fig.4 Digital orthophotomap of study area

第18期王利民等：基于无人机影像的农情遥感监测应用141

6）依据正射影像图，制作数字线划图（digital

line graphic，DLG），对主要道路、建筑和农田进

行矢量化。图3给出了测区DEM，图4给出了测

区DOM，图5给出了测区DLG。其中，图4中黄

线区域为测区中心区域，红线区域为具有作物地块

测量数据的作物面积识别精度评价区域，本文中的

面积精度评价是在这一区域进行的。

图5 测区中心区域digital line graphic

Fig.5 Digital line graph of main study area

3.2 定位及量算精度评价

进行无控制点条件下的POS辅助光束法区域

网平差之后，利用103个野外检查点对校正精度进

行评价，以中误差表示的平面定位精度为X轴方向

（东西方向）中误差为2.2877 m，Y轴方向（南北方

向）中误差为2.7821 m，整体平面中误差3.6018 m；

由于在无控制点条件空三情况下，地面定位精度会

受到无人机本身GPS系统误差等的影响，因此，为

降低误差并将无人机测区影像与大范围卫星影像

坐标系相统一，采用3阶一般多项式模型进行几何

精校正后，X轴方向（东西方向）中误差为1.5871 m，

Y轴方向（南北方向）中误差为1.8965 m，整体平

面中误差为2.32m，符合国家测绘与地理信息局提

出的《数字航空摄影测量空中三角测量规范》中对

1:10000平地的平面位置中误差不大于3.5 m的要

求，能够满足农作物面积遥感监测中作物面积调查

定位精度的要求

在数字线划图产品中，选择多块田地，测算其

面积，结果与使用地面GPS手段测得的田地面积进

行比对，结果如表3所示。

表3 农田面积计算精度

Table 3 Farmland area calculation accuracy

地块编号

No.

航测面积

Measured area/m2

实测面积

Actual area/m2

精度

Accuracy/%

1 20 623.4 20 824.6 99.03

2 3 979.6 4 015.1 99.12

3 2 879.3 2 950.

4 97.59

4 396.4 414.2 95.70

5 362.2 375.9 96.36

6 357.8 374.

7 95.49 平均值Mean 2

8 598.7 28 954.

9 98.77

可见，使用无人机航拍影像进行面积监测的精度基本能达到95.0%以上，且当田块面积越大，统计精度越高，这也说明无人机航拍影像在大面积农田面积监测中的精度是可以保证的。

3.3 无人机影像作物识别能力

位于航测中心区域的是一块长期监测地块（图4中的红色区域），南北250 m，东西300 m，分布有苜蓿、春玉米和夏玉米几种作物，以及收割完的春玉米、大豆、花生（视为裸土）。这一区域作物种植结构复杂，并具有GPS测量的作物面积与类型数据，选择这一区域作为面积识别精度评价区域，图6是面积评价区域的无人机影像，分别采用监督分类方法和面向对象的分类方法对上述几种地物类型进行识别。

3.3.1 监督分类

采用ENVI软件，首先在影像上对每种地物类型分别选择3～5块用于分类的训练样本（图6）。训练样本的选择是监督分类的关键，需要对要分类的图像所在的区域有所了解，或进行过初步的野外调查。最终选择的训练样本应能准确的代表整个区域内每个类别的光谱特征差异。因此，同一类别训练样本必须是均质的，不能包含其他类别，也不能是和其他类别之间的边界或混合像元。

图6分类样区训练样本选择

Fig.6 Training samples of main study area

采用最大似然法的监督分类，用上一步选择的训练样本对整幅影像进行分类，结果如图7b所示：可以看到，除了小部分区域存在混淆的现象

（如春玉米中混杂裸土，夏玉米中夹杂有苜蓿），分类效果大体上是较为良好的。为了进一步定量考察分类结果的精度，利用GPS地面测量结果（图7a）对其进行验证，将测量结果地面真值，计算二者之间的混淆矩阵，如表4中给出了不同作物类型

农业工程学报 2013年

142

的总体精度。从表中可见，4种类型的地物分类精度均在85%以上，尤其是苜蓿，精度达93%。

表4 不同分类方法作物面积分类精度

Table 4 Accuracy of the different classification result

分类精度/%

分类方法 Method 苜蓿 Alfalfa

裸土 Bare soil

春玉米 Spring corn 夏玉米 Summer corn

监督分类 Supervised classification 93.01 86.64 88.85 86.67

面向对象 Object-oriented classification

94.93 93.30 90.3 92.61

3.3.2 面向对象分类

采用易康（eCognition ）软件对无人机影像进行面向对象的分类。该软件最基本的过程就是图像分割，在给定的尺度下进行与知识无关的原始影像对象的提取。面向对象是易康的主要特征，因此，第一步就是要提取影像对象原型，这样可以生成用于后面分类的原料。

这里采用多尺度分割的方法。该方法考虑了地表实体或过程的多层次，克服数据源的固定尺度，采用多尺度影像对象层次的网络结果来揭示地表特征。图像分割的效果将直接影响分类结果的质量。

图7 2种分类方式结果

Fig.7 Classification results of study area

影像分割时尺度的选择很重要，它直接决定影像对象的大小以及信息提取的精度。对于一种确定的地物类型，最优分割尺度值是分割后的多边形既能将这种地物的边界显示得十分清楚，又能最好地表示出这种地物，既不能太破碎，又不能边界模糊。

经过试验，最终确定了以下分割参数：尺度因

子为50，形状因子为0.9，紧凑度因子为0.9，分割模式为Normal 。

确定苜蓿、春玉米、夏玉米和裸土4种类别，并选择用于分类的特征空间，包括：红、绿、蓝

第18期王利民等：基于无人机影像的农情遥感监测应用143

DN值3个光谱特征；面积、紧凑度、密度3个几何形状特征；同质性1个纹理特征。

选择与监督分类同一区域的地块作为分类对现，执行面向对象的分类任务，结果如图7c所示。

由于面向对象的分类方法不是以像素，而是以分割后的影像对象为分类单元，因此相比监督分类而言，其分类结果一般都是大片相连，在很大程度上减少了混杂不清的现象。同样用地面测量的结果对其精度进行验证，计算混淆矩阵如表4所示，总体精度达到92%以上。从这可以看出，对于无人机影像，由于其有非常高的地面分辨率，采用常规的基于像素的监督分类方法，往往会造成作物分类结果碎片化（椒盐现象）、分类精度不高的缺陷，分类结果不易矢量化，与地理数据库难以有效整合；而面向对象分类将地面分为一个个具有特定属性的“对象”，综合考虑“对象”的光谱、纹理、拓扑关系等，其分类结果更加符合实际情况和应用需求，具有更高的精度，是高分辨率遥感影像作物分类提取的理想方法。

4 讨论与结论

无人机影像在农情遥感监测领域的应用具有巨大的优势和广阔的前景，它相比卫星影像具有更高的地面空间分辨率，并能带来卫星遥感所不具有的农作物精细纹理等额外的遥感信息，可以很好地应用于精细农业遥感监测领域；同时，无人机影像还能很方便地应用于统计某一地区作物的种植结构、作物长势等信息，为大范围农作物种植及长势、产量等信息的计算提供依据；它还能提供地面农作物样方数据，克服传统GPS地面样方调查效率低、范围小的缺点，并为缺失卫星影像区域的作物信息空间抽样提供信息。本文从无人机影像获取与处理方法、几何校正精度、面积量算精度、监督分类和面向对象分类方法对无人机影像农作物分类的精度等方面进行了研究，探讨了无人机影像在农情监测方面的可行性和精度。

1）无人机影像几何校正方面，采用无控制点条件下的POS辅助空三方法，经过影像筛选、相机参数检校输入、自动空三与加密点计算等步骤，得到测区DEM和DOM，并采用Worldview影像进行配准精校正，最后成果平面位置总体精度达到2.32 m，满足农情遥感监测对影像定位精度的需求，依据DOM制作的线划图上进行面积监测，能达到98.8.0%的精度，减少了进行农作物农情定量分析中由于面积不准确而造成的误差。

2）无人机影像在农情监测中的应用方面，依据无人机影像进行了农作物分类提取方面的研究，采用监督分类方法分类总体精度为87%，而采用面向对象分类方法分类精度达到92%以上，且其分类效果明显优于监督分类，没有监督分类中经常出现的椒盐现象。在调查效率方面，目前农作物面积地面调查一般采用采用差分GPS进行测量，1个人力平均4 h可完成1个25 hm2样方的测量与数据处理；本次航拍用时2 h，获得试验区1 302 hm2影像，后期数据处理时间12 h，单位面积数据获取效率较人工GPS测量方法提高了的15倍。可见，无人机获取效率方面仍有很大的挖掘潜力。在调查成果方面，GPS测量方法只能获得样方内土地覆盖的矢量图，采用无人机航拍，还能够同时获得地面同期真实影像，方便调查结果的检验与成果展示。

由于基于无人机影像的农情遥感监测起步较晚，需要进一步进行的研究和工作还有很多，包括更高精度的正射影像图的制作和获取、更多类型的影像获取（包括红外、多光谱和高光谱、SAR等），更多农业方面应用的研究（植被指数、长势评估、产量预测、灾情监测等），这些都是下一步工作的重点。

[参 考 文 献]

[1] 周清波. 国内外农情遥感现状与发展趋势[J]. 中国农

业资源与区划，2004，25(5)：9－14.

Zhou Qingbo. Status and tendency for developmentin

remote sensing of agriculture situation[J]. Journal of China agricultural resources and regional planning, 2004,

25(5): 9－14. (in Chinese with English abstract)

[2] 李琳一，袁涛，陈旭. 农业抽样调查中统计理论和抽

样方法选取研究[J]. 上海农业学报，2011，27(4)：5－

8.

Li Linyi, Yuan Tao, Chen Xu. Statisticaltheories of agricultural sampling survey and selection of sampling

methods[J]. Acta Agriculturae Shanghai, 2011, 27(4): 5

－8. (in Chinese with English abstract)

[3] 王玉鹏. 无人机低空遥感影像的应用研究[D]. 焦作：

河南理工大学，2011.

Wang Yupeng. Study on the Applications of Low-altitude

Remote Sensing Images[D]. Jiaozuo: Henan Polytechnic

University, 2011. (in Chinese with English abstract)

[4] 邹湘伏，何清华，贺继林. 无人机发展现状及相关技

术[J]. 飞航导弹，2006(10)：9－14.

Zou Xiangfu, He Qinghua, He Jilin. Current development

and related technologies of UAV[J]. Aerodynamic Missile Journal, 2006(10): 9－14. (in Chinese with English abstract)

[5] 何洪良. 无人机在气象情报侦察中的应用[J]. 无线电

工程，1997，27(2)：36－38.

He Hongliang. Application of UAV in meteorological

information reconnaissance[J]. Radio Engineering, 1997,

27(2): 36－38. (in Chinese with English abstract).

农业工程学报 2013年144

[6] 王青山. 简述无人机在遥感技术中的应用[J]. 测绘与

空间地理信息，2010，33(3)：100－104.

Wang Qingshan. UAV applications in remote sensing

technology[J]. Geomatics and Spatial Information Technology, 2010, 33(3): 100－104. (in Chinese with

English abstract)

[7] 李紫薇，曹红杰，刘煜彤，等. 无人机海监测绘遥感

系统的应用前景[J]．遥感信息，1998(4)：32－33.

Li Ziwei, Cao Hongjie, Liu Yutong, et al. Application

prospect of UAV surveying and mapping remote sensing

system for marine surveillance[J]. Remote Sensing Information, 1998(4): 32－33. (in Chinese with English

abstract)

[8] 崔红霞，林宗坚，孙杰. 无人机遥感监测系统研究[J].

测绘通报，2005(5)：11－14.

Cui Hongxia, Lin Zong, Sun Jie. Research on UAV

remote sensing system[J]. Bulletin of Surveying and

Mapping, 2005(5): 11－14. (in Chinese with English

abstract)

[9] 杨正银，桂木政，李跃宇. 无人机航摄影像测绘地形

图的精度探讨[J]. 测绘，2012，35(4)：174－196.

Yang Zhengyin, Gui Muzheng, Li Yueyu. Precision

research of drawing the topographic map based on UAV

images[J]. Surveying and Mapping of Sichuan, 2012,

35(4): 174－196. (in Chinese with English abstract) [10] 谢彩香，陈士琳，林宗坚，等. 无人机遥感技术应用

于药用植物资源调查研究[J]. 中国现代中药，2007，

9(6)：4－6.

Xie Caixiang, Chen Shilin, Lin Zongjian, et al. Study on

the application of UAV remote sensing technology on the

survey of resource of medicinal plants[J]. Modern Chinese Medicine, 2007, 9(6): 4－6. (in Chinese with

English abstract)

[11] 金伟，葛宏立，杜华强，等. 无人机遥感发展与应用

概况[J]. 遥感信息，2009(1)：88－92.

Jin Wei, Ge Hongli, Du Huaqiang, et al. A Review on

unmanned aerial vehicle remote sensing and its application[J]. Remote Sensing Information, 2009(1): 88

－92. (in Chinese with English abstract)

[12] 张园，陶萍，梁世祥，等. 无人机遥感在森林资源调

查中的应用[J]. 西南林业大学学报，2011，31(3)：49

－53.

Zhang Yuan, Tao Ping, Liang Shixiang, et al. Research

on application of UAV RS techniquesin forest inventories[J]. Journal of Southwest Forestry University,

2011, 31(3): 49－53. (in Chinese with English abstract) [13] 胡晓曦，李永树，李和超，等. 无人机低空数码航测

与高分辨率卫星遥感测图精度试验分析[J]. 测绘工

程，2010，19(4)：68－74.

Hu Xiaoxi, Li Yongshu, Li Hechao, et al. The comparative

analysis about spatial information access technologies

based on light UAV low-altitude digital aero photo

grammetry and high-resolution satellite remote sensing[J].

Engineering of Surveying and Mapping, 2010, 19(4): 68

－74. (in Chinese with English abstract)

[14] 周晓敏，赵力彬，张新利. 低空无人机影像处理技术

与方法探讨[J]. 测绘与空间地理信息，2012，35(2)：

182－184.

Zhou Xiaomin, Zhao Libin, Zhang Xinli. Discussion on

technique and method of low level UAV image processing[J]. Geomatics and Spatial Information Technology, 2012, 35(2): 182－184. (in Chinese with

English abstract)

[15] 李学友. IMU/DGPS辅助航空摄影测量原理、方法与实

践[D]. 郑州：解放军信息工程大学，2005.2-10

Li Xueyou. IMU/DGPS-supported Photogrammetry Theory, Approaches and Practice[D]. Zhengzhou: The

PLA Information Engineering University, 2005.2-10. (in

Chinese with English abstract)

[16] 袁修孝. GPS辅助空中三角测量原理及应用[M]. 北

京：测绘出版社，2001：32－42.

Yuan Xiuxiao. The Principle and Application of GPS

Assistant Aero Triangulation[M]. Beijing: Surveying and

Mapping Publishing House, 2001: 32-42. (in Chinese

with English abstract)

[17] 董明，李和军，王攀，等. POS技术在平原1:10 000DLG

生产中的外业控制点布设[J]. 测绘科学，2011(2)：227

－229.

Dong Ming, Li Hejun, Wang Pan, et al. POS technique in

the production of 1:10000 scale DLG on ground control

points distribution[J]. Science of Surveying and Mapping,

2011(2): 227－229.

[18] 袁修孝. POS辅助光束法区域网平差[J]. 测绘学报，

2008，37(3)：343－348.

Yuan Xiuxiao. POS-supported bundle block adjustment[J].

Acta Geodaetica et Cartographica Sinica, 2008, 37(3):

343－348. (in Chinese with English abstract)

[19] 吴学军. 城市TM遥感图像分类方法研究[D]. 桂林：

广西师范大学，2007.

Wu Xuejun. Study on the Classification Methods for

Urban TM Remote Sensing Images[D]. Guilin: Guangxi

Normal University, 2007. (in Chinese with English

abstract)

[20] 钱巧静，谢瑞. 面向对象的土地覆盖信息提取方法研

究[J]. 遥感技术与应用，2005，20(3)：338－342.

Qian Qiaojing, Xie Rui. Land cover extraction based on

object oriented analysis[J]. Remote Sensing Technology

and Application, 2005, 20(3): 338－342. (in Chinese with

English abstract)

[21] 陈秋晓，骆剑承，周成虎，等. 基于多特征的遥感影

像分类方法[J]. 遥感学报，2004，8(3)：239－245.

Chen Qiuxiao, Luo Jiancheng, Zhou Chenghu, et al.

Classification of remotely sensed imagery using multi-features based approach[J]. Journal of Remote

Sensing, 2004, 8(3): 239－245. (in Chinese with English

abstract)

第18期王利民等：基于无人机影像的农情遥感监测应用145 Applications of unmanned aerial vehicle images on agricultural

remote sensing monitoring

Wang Limin, Liu Jia, Yang Lingbo, Chen Zhongxin, Wang Xiaolong, Ouyang Bin (Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China)

Abstract: By taking Agricultural High-tech Industrial Park of Chinese Academy of Agricultural Sciences (Wan Zhuang) and its peripheral regions with a total area of 4.2 × 3.1 km as the study area, this paper carried out an aerial photogrammetry experiment by using the RICOH GXR A12 camera carried on an unmanned aerial vehicle (UAV), and the experiment mainly tested the precisions of planar positioning under a POS (positioning and orientation system) supported bundle block adjustment method and of area measurement, as well as the precision of the crop area identification of an UAV orthophoto map obtained from an aerial triangulation correction. We use an unmanned aerial vehicle (UAV) to obtain 690 images which covered the whole study area. After a series of processes such as image screen, POS-supported aerial triangulation correction, digital elevation model making, image fusion, and digital differential rectification, we have obtained the ortho-photo map of the whole study area. Since the deployment of high precision ground control point wastes time and energy, POS-supported aerial triangulation employs a non-control point model. Therefore, its absolute positioning precision may be affected by the error of the GPS carried on an UAV. In order to eliminate this error, the project team used a high precision wordview image to rectify the ortho-photo map. In this way, we could improve the image positioning precision, and meanwhile unify the study sample areas with the overall larger scope image coordinate system, so as to provide high precision samples for large-scale agriculture remote sensing statistics and monitoring. The result shows that, under the condition of no control point and after direct POS data bundle block adjustment, the mean square error of plane positioning precision of the X axis direction is 2.29 m, Y direction is 2.78 m, and overall plane error is 3.61 m. If a three order general polynomial model is adopted to conduct a geometric precision correction, then the mean square error of the X axis direction is 1.59 m, the Y direction is 1.8965 m, and the mean square error of the overall plane is 2.32 m. The above figures conform to the 1:10 000 ground plane precision requirements specified in the ‘Standard for Aerotriangulation of Digital Aerophotogrammetry’ and can meet the positioning precision requirements of a crop area survey in remote sensing monitoring. After obtaining the ortho-photo map, the four ground objects in the area evaluation areas of spring corn, summer corn, alfalfa, and bare soil were classified by employing two methods of supervised classification and object-oriented classification. By taking the differential GPS survey results as the evaluation criteria, the overall precisions of the four crops reached 88.2% (supervised classification) and 92.0% (object-oriented classification) respectively. The separate classification precisions of the two classification methods of the four ground objects were 88.9%, 86.7%, 93.0%, 86.6%, and 90.35%, as well as 90.35%, 92.61%, 94.93%, and 93.30% respectively. The result showed that remote sensing images of unmanned aerial vehicle (UAV), by acquiring small scale and quadrat sampled crop images, have a prospect of wide application. After promotion, it can meet the demands of nationwide crop ground sampling on high spatial resolution images, and can partially replace the operation model of GPS measurement. Key words: remote sensing, image processing, agriculture, monitoring, unmanned aerial vehicle (UAV)

（责任编辑：刘丽英）