无人机遥感影像面向对象分类方法估算市域水稻面积

吴金胜，刘红利，张锦水※

（1. 北京师范大学地表过程与资源生态国家重点实验室，北京 100875；2. 北京师范大学地理科学学部遥感科学与工程研究院，北京 100875；3. 国家统计局山东调查总队，济南 250001）

0 引 言

中国是世界上最大的稻米生产国和消费国[1]，及时、准确地掌握水稻种植面积，对保证国家粮食安全具有重要的意义[2]。传统以村级逐级上报的水稻种植面积调查方式，存在人为主观干扰、效率低、工作量大等不足，无法满足现实农业生产管理需求[1,3]。遥感与抽样相结合的调查方式已经发展成为大规模农作物种植面积业务调查的主流技术[4-5]。如美国的“大面积农作物估产试验”和农田数据层计划、欧盟的MARS（monitoring agricultural with remote sensing）和 LUCAS（land use/cover area frame survey）计划[6-10]，中国农情快速调查系统、国家统计局的农业统计遥感系统等[11-12]。

遥感与抽样结合的方法能够通过遥感数据建立不重、不漏的抽样框，抽选样本外业调查，校正区域遥感识别面积。其中，突破地面样方快速采集是实施农作物种植面积遥感抽样调查的关键。传统样方调查手段多以皮尺丈量[13]、PDA实地测量为主[14-15]，但是这些方法人力投入大、效率低，限制遥感抽样调查技术在实际中的应用。无人机技术是利用无线电遥控和自备程序飞行的无人驾驶技术[16-17]，操作机动灵活，能够及时获取高分辨影像（优于0.5 m），在农业领域得到广泛的应用[18-19]。其中，区域作物种植面积估算已经得到了初步的成效。Shen等[20]将无人机技术结合中分辨率卫星遥感影像，通过空间抽样方法对农作物种植面积进行估算，精度达到95%以上。Breckenridge[21]将地面实测数据对比无人机快速调查与抽样调查的结果，发现无人机在影像获取速度和机动性等方面具有明显优势。李宜展等[22]利用卫星影像数据初步识别出的水稻分布结合耕地构建抽样框，无人机获取高分辨率影像提供样方水稻面积，推断区域晚稻种植面积，首次探讨并验证了无人机样方能够准确、高效地获取目标作物面积，有力地支撑业务化调查需要。无人机遥感技术作为崭新的调查手段在农业资源调查中得到成功应用，应用前景也越来越广泛。

当前，利用无人机高分辨率影像结合抽样方法推断区域作物种植面积，仍是将无人机影像作为底图进行屏幕目视解译来提取水稻的分布，这样的方法耗时，投入工作量大。高效地提取无人机样方水稻空间分布是支撑遥感抽样区域面积估算的关键。本文以2014年浙江省平湖市为研究，利用面向对象分类方法对无人机影像进行水稻自动化识别，作为样方数据与卫星遥感全覆盖空间分布分类结果结合，进行单季晚稻种植区域面积估算。然后，与人工目视解译识别方法获取的水稻样方数据推断的区域水稻面积估算的结果进行精度、效率对比分析，探讨无人机自动化面向对象分类方法对水稻面积估算的影响，分析自动化识别方法替代人工解译样方的可行性，提高无人机遥感技术在水稻种植面积遥感估算研究中的应用能力。

1 研究区与数据

1.1 研究区概况

本文选择浙江省北部的平湖市作为研究区，该地区处于长江三角洲，杭嘉平原北部，覆盖范围 30°35′N～30°52′N、120°57′E～121°16′E。全县陆域面积 537 km2，海域面积1 086 km2，属于江南古陆外缘杭州湾凹陷，为冲积平原地貌，境内地势平坦，平均海拔为2.8 m，水源充沛，气候适宜，素有“鱼米之乡”之称，是浙江省的农业大县，熟制为一年两熟，主要种植单季晚稻，种植地块较为规整，种植结构相对单一。

1.2 试验数据

本研究所使用的数据集包括：基础地理数据、农作物物候数据、遥感卫星数据、无人机数据以及野外调查数据（表1）。

表1 试验数据Table 1 Experimental data

1.3 数据预处理

1.3.1 遥感卫星数据预处理

对GF-1WFV和Landsat8 OLI影像进行FLAASH大气校正、几何精校正和影像裁剪与拼接预处理，生成标准遥感影像。根据平湖市单季晚稻物候历（表2）可知，Landsat8 OLI、GF-1 WFV影像分别对应水稻的种植育秧、分蘖拔节，水稻在 2期影像上呈现出水体和植被的光谱特性。因此，采用遥感分类后比较的检测法[23-24]，利用ENVI5.1支持向量机分类器分别对 2期影像进行识别提取出水体和植被，按照耕地范围内水体到植被的逻辑判断原则确定单季晚稻的分布结果，如图 1所示。最后，根据野外调查的400个采样点对分类结果进行精度评价，像元总体精度达到85.10%，满足贾斌等[25]提出的预分类精度与抽样估算精度之间关系。因此，本文水稻识别结果能够支撑进一步的水稻种植面积遥感估算。

1.3.2 无人机数据预处理

本研究采用 T10大黄蜂固定翼无人机系统采集高分无人机影像，共飞行7条样带，飞行面积4 000 hm2，如图2a所示。利用Pix4D软件进行处理获得数字正射影像，分辨率为 0.08 m。然后，根据野外数据分析无人机影像上呈现出的晚稻光谱、纹理信息，进行人工目视解译（图2b），统计得到样带内水稻面积为794.78 hm2。

表2 平湖市单季晚稻物候历Table 2 Phenological calendar of single late rice in Pinghu City

图1 单季晚稻遥感卫星影像分类结果图Fig.1 Satellite imagery classification result of single late rice

图2 无人机样带分布及单季晚稻人工目视解译结果Fig.2 Distribution of UAV transects and classification results of single late rice by manual visual interpretation

2 研究方法

卫星遥感结合无人机技术进行区域晚稻面积估算流程主要包含 4个部分：遥感卫星数据标准化处理与分类（辅助数据集）、无人机数据预处理与水稻提取（样方数据）、抽样方案设计和种植面积估算，见图3。

图3 面积估算流程图Fig.3 Workflow of area estimation

2.1 面向对象分类的晚稻提取

面向对象分类方法能够充分利用高分辨率影像的光谱、空间信息（形状、纹理、上下文等）进行地物的自动化识别，消除像元分类方法的“椒盐”现象，提高地物分类精度。面向对象分类方法主要包括 2个步骤：斑块分割、图斑分类。

2.1.1 斑块分割

影像斑块分割是将图像分割成若干个互不重叠图斑的过程，符合图斑内部均质、图斑间异质的原则。已有研究指出[26]，最优分割尺度是当图斑内光谱标准差达到峰值且标准差变化率开始下降时对应的尺度。本文分割尺度范围设置为50，100，150，200，250，300，考虑到水稻种植集中，连片性好，地形平坦等区域特征，形状因子设定为 0.1，光滑度与紧致度权重各为 0.5，计算每一个尺度的标准差及其变化率，最终确定分割尺度为200。图4为部分分割尺度的对比，分割尺度为250时，存在欠分割斑块（图4a）；分割尺度为150时，存在过分割现象（图4c）；分割尺度为200时，可以较准确地勾勒出地物的边界，欠分割斑块很好的被分割，也没有出现大量破碎现象（图4b）。

图4 多个分割尺度对比Fig.4 Comparison of multiple segmentation scales

2.1.2 基于最近邻方法的水稻分类

本研究通过建立不同特征规则，选用最邻近分类方法进行分类。首先，综合考虑光谱、形状、纹理 3个方面[27]的特征选择，初步选择出19个特征（见表3）。其中，11个表达地物光谱以及反演指标，包括：6个可见光波段植被指数[28-29]、亮度、贡献率（3个）、最大差异；2个表达地物形状特征：紧凑度、形状指数；6个表征各地物纹理信息特征：均值（3个）、标准差（3个）。基于分类样本和分类体系，对这些特征进行优化，计算各个特征维度在不同地物类型间的分离度，得到如图 5所示的最优特征维度。从图中可以看出，当分类特征为10个时，各地物间的分离度最高，超过该饱和维度时，地物间的分离度不再增加反而降低，且增加计算量。优化特征后参与分类的特征分别是1、2波段的贡献率和标准差，最大差异，形状指数，以及可见光波段差异植被指数，过绿指数，植被指数，可见光波段植被指数。

表3 影像特征集合Table 3 Image features collection

图5 最优特征维度Fig.5 Optimal feature dimension

2.2 区域种植面积推断

2.2.1 抽样方案设计

首先建立覆盖平湖市全县的300 m×300 m的规则格网，然后统计每个格网内单季晚稻识别结果，去掉面积为 0的格网，构建抽样总体。以面积规模指标作为分层标志，根据吴建华等[30]提出的搜寻最优届点Xh的操作流程，以15 125 m2为组距，确定了分层界限，按照内曼分配法得到各层样本总量（表 4），分层结果及样本空间分布，见图6。

表4 各层样本量及不同抽样比的样本数分配Table 4 Sample allocation of each layer and samples distribution for different sampling ratios

图6 分层结果及无人机样带空间分布Fig.6 Stratification result and UAV transects space distribution

由于无人机样本集合没有覆盖全县，因此需要事先设定抽样比，在层总体总量中计算各个抽样比的抽样样本数，然后在样方数据集范围内进行随机抽样，设计为6个总体抽样比（fi）分别为0.005，0.01，0.02，0.03，0.04，0.05，根据式（1）分配各层的样本数（表4）。

式中nhi为第h层第i个抽样比需抽取的样本数；Nhi为第h层第i个抽样比的总体总量。

2.2.2 单季晚稻种植面积推断

本研究采用分层联合比估计进行单季晚稻种植面积估算，精度评价指标为变异系数（coefficient of variance，CV）。公式（2）用于分层联合比估计进行区域作物面积推算[31]。

式中为样本均值估计方差；y为样本总体均值；Wh为各层权重，Wh=Nh/N，Nh为第h层的单位总数；fi为第i个抽样比；为第h层的样本方差；yii为第h层第i个抽样比的样本值；yh为样本均值；rh为第h层样本的相关系数。

3 结果与分析

3.1 水稻识别结果对比分析

采用面向对象方法对 7条样带进行晚稻识别面积总和为757.58 hm2，与人工识别结果总量上相差5%，可见2种方法总量面积上具有很好的一致性。本研究以人工目视解译结果为参考，采用混淆矩阵法对面向对象的晚稻识别结果进行精度评价。混淆矩阵中精度评价的指标为用户精度、制图精度、错分误差、漏分误差以及总体分类精度和Kappa系数，精度评价结果见表5。

表5 各无人机样带面向对象分类精度Table 5 Accuracy of object-oriented classification results of single late paddy in each UAV transects

由表5可知，7条无人机飞行样带的总体精度均高于93%，Kappa系数大于0.88，基于面向对象分类晚稻识别结果与人工目视解译结果空间上具有很好匹配性。分析原因是平湖市种植结构单一，地块规整，合适的分割尺度使得影像对象能较好的与自然地块边界匹配，满足对象内同质、对象间异质性的原则，保证了水稻的识别精度。图7是以样带4为例，对比人工目视解译和面向对象分类 2种方法提取晚稻的对比结果，从图中可以看出面向对象的分类方法能够有效的提取水稻分布，由于人工目视解译未将大片水稻地块中出现小于2 m的道路、沟渠、田埂等地物分离，面向对象方法把这些田埂也能够分离出去，唯一不足就是自动化方法可能造成过分割，将规整的水稻地块划分成多个图斑，而在分类中能够将其分成水稻，保证水稻识别的精度，消除图斑分割造成的不足。

图7 样带4单季晚稻人工目视解译与面向对象分类结果对比Fig.7 Comparison of manual visual interpretation and object-oriented classification results of single late rice in UAV transect 4

3.2 区域水稻种植面积推断的对比分析

按照表 4中不同抽样比的样本数，分别对人工目视解译和面向对象分类方法构建样方数据进行随机抽样，为减少抽样误差，各层各个抽样比均随机抽取50次，对50次的区域水稻种植面积估算结果求均值，计算标准差和变异系数 CV来分析区域晚稻种植面积估算的抽样效率。根据式（2）～（4），得到6个抽样比抽样效率的估计结果（表6），以及6个抽样比下50次随机抽样中变异系数CV的变化曲线图（图8）。表 6表明，人工目视解译样方数据估算的结果比用面向对象分类方法自动提取方法估算的结果稍好，但二者估算结果差异不大。6个抽样比中面向对象分类与目视解译估计精度的CV差分别是0.000 9、0.000 8、–0.000 4、0、0.000 35、0.000 3。随着抽样比增加，二者之间CV差异减小。在抽样比为0.02和0.03时，面向对象分类方法构建的样方数据估算结果的总体标准差比人工目视解译样方数据估算水稻面积结果的总体标准差小，变异系数也略小或近乎相等。这主要是区域面积推断的时候不单是考虑具体地块水稻的识别精度，而联合比估计时，综合区域面积的精度，在某些时候自动化方法可能会略优于人工解译方法。当抽样比提高到0.05时，二者变异系数都小于1%，说明2种样方的识别方法均能够达到稳定的区域面积估算精度。这是由于样本量增加后，样本对总体的代表性也随之提高，2种样方水稻识别方法之间的差异将不会对区域面积估算产生影响，二者是等效的，表明自动化识别提取出水稻样方面积能够满足区域面积估算的需要。

表6 不同样方识别方法估计区域晚稻种植面积结果的对比分析Table 6 Comparative analysis of results of estimating late rice planting area by different quadrats identification method

图8 不同抽样比50次随机抽样下CV变化曲线Fig.8 Variation curve of CV under different sampling ratio and random sampling of 50 times.

由图8可知，随着抽样比增加，CV变化曲线波动趋于平缓。当抽样比为0.005时，面向对象分类和人工目视解译提取样方数据估算区域面积的CV变化较大，二者估算的CV极差分别为0.001 6、0.00 1；当抽样比增大到0.05时，面向对象分类和人工目视解译构建样方数据估算的CV变化很小，且 2种样方数据估算的 CV极差分别为0.001 2、0.000 8。由此说明，随着抽样比增加，CV波动减小，2种样方数据估算区域面积的CV差异也缩小，进一步说明采用面向对象分类法提取样方水稻面积来推断区域面积是可行的，效率跟人工目视解译方法推断的结果差异很小，可以替代人工目视解译方法进行区域水稻种植面积推断。

4 讨 论

本文利用无人机获取高分辨率样方影像，充分利用高分辨率影像的光谱信息和空间信息（形状、纹理、上下文等），进行自动化面向对象的样方晚稻识别，能够替代人工目视解译得到准确的样方水稻面积，支撑区域作物种植面积的需要，解决了传统方法耗时长，投入工作量大，难以满足快速面积调查应用需求的不足。随着无人机技术以及全天候卫星遥感技术的发展，“卫星+无人机”组合的区域作物种植面积调查技术势必成为主流，而自动化无人机样方识别方法将会成为这一技术流程的关键环节。

本文依据作物物候特征，多时相遥感提取方法进行水稻遥感识别，通过分析晚稻与其他作物类型的物候差异。水稻的育秧期和分蘖拔节期在遥感影像上分别呈现为水体和植被光谱。通过育秧期影像呈现的水体光谱信息与生长旺盛期呈现的植被特征进行分类，进行逻辑“与”运算提取出水稻的空间分布，识别精度达到 85%以上，这种同于分类后比较法[32-33]能够有效、准确地提取出水稻的空间分布，达到了 85%以上，要高于或持平于已有水稻识别结果[24]。这种方法方便易行，得到的识别精度能够满足优于60%预分类的遥感抽样要求[25]。

多尺度分割是面向对象分类的基础。本研究区为地形平坦的平原区，设置为同一个分割尺度[34]。该分割参数设置仍然存在主观性，考虑到区域地形、地貌、地理要素的复杂性，本文得到的最优分割尺度难以形成一套各种区域特征都适合的分割尺度。因此，根据图像表现出的地表特征进行自适应性的自动分割算法有待进一步发展。

最后，本文进行了南方平原区简单地形条件、单一种植作物下的应用，对于条件复杂地区和其他作物的应用需要进一步研究。

5 结 论

本文以浙江省平湖市为研究区，以 GF-1 WFV和Landsat8 OLI遥感影像识别的单季晚稻为辅助数据集，面向对象最邻近分类方法和人工目视解译方法对 7条样带进行单季晚稻提取构建样方数据，采用分层抽样技术进行抽样，利用联合比估计进行区域水稻种植面积估算，比较分析了无人机样方面向对象分类与人工目视解译对区域面积推断精度的影响，所得结果满足预期效果。

首先，对于高分辨率影像，充分利用其光谱和空间信息，基于面向对象分类方法是较好的选择，在进行面向对象分类时，多尺度影像分割是最关键的步骤。本文基于易康软件进行面向对象分类，选取的分割尺度经过反复试验得到，最终各个样带的总体分类精度均大于93%，Kappa系数均在0.88以上，自动化分类方法能够得到较高的识别精度。

其次，通过区域作物估算对比分析发现，面向对象分类方法对无人机影像进行水稻识别，构建平湖市单季晚稻的样方数据，能够替代人工目视解译样方准确推断区域作物种植面积，有效提高了无人机影像在遥感面积估算中的应用效率。

[1] 李志鹏，刘珍环，李正国，等. 水稻空间分布遥感提取研究进展与展望[J]. 中国农业资源与区划，2014(6)：9－18.Li Zhipeng, Liu Zhenhuan, Li Zhengguo, et al. Progress and prospect of application of remote sensing to rice spatial distribution [J]. Chinese Journal of Agricultural Resources and Regional Planning, 2014(6): 9－18. (in Chinese with English abstract)

[2] 陈水森，柳钦火，陈良富，等. 粮食作物播种面积遥感监测研究进展[J]. 农业工程学报，2005，21(6)：166－171.Chen Shuisen, Liu Qinhuo, Chen Liangfu, et al. Review of research advances in remote sensing monitoring of grain crop area [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(6): 166－171. (in Chinese with English abstract)

[3] 魏新彩. 基于 HJ卫星影像的水稻种植面积遥感信息提取方法研究[D]. 武汉：湖北大学，2013.Wei Xincai. Extraction of Paddy Rice Planting Area Based on Environmental Satellite Image [D]. Wuhan: Hubei University, 2013. (in Chinese with English abstract)

[4] 钱永兰，杨邦杰，焦险峰. 基于遥感抽样的国家尺度农作物面积统计方法评估[J]. 农业工程学报，2007，23(11)：180－187.Qian Yonglan, Yang Bangjie, Jiao Xianfeng. Accuracy assessment on the crop area estimating method based on RS sampling at national scale [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(11): 180－187. (in Chinese with English abstract)

[5] 孙佩军，张锦水，潘耀忠，等. 基于无人机样方事后分层的作物面积估算[J]. 中国农业资源与区划，2016，37(2)：1－10.Sun Peijun, Zhang Jinshui, Pan Yaozhong, et al. Study on the post - stratification method for crop area estimation based on unmanned aerial vehicle images [J]. Chinese Journal of Agricultural Resources and Regional Planning, 2016, 37(2):1－10. (in Chinese with English abstract)

[6] 申克建，何浩，蒙红卫，等. 农作物面积空间抽样调查研究进展[J]. 中国农业资源与区划，2012，33(4)：11－16.Shen Kejian, He Hao, Meng Hongwei, et al. Review on spatial sampling survey in crop area estimation [J]. Chinese Journal of Agricultural Resources and Regional Planning,2012, 33(4): 11－16. (in Chinese with English abstract)

[7] Tsiligirides T A. Remote sensing as a tool for agricultural statistics: A case study of area frame sampling methodology in Hellas [J]. Computers & Electronics in Agriculture, 1998,20(1): 45－77.

[8] 许文波，田亦陈. 作物种植面积遥感提取方法的研究进展[J]. 云南农业大学学报，2005，20(1)：94－98.Xu Wenbo, Tian Yichen. Overview of extraction of crop area from remote sensing [J]. Journal of Yunnan Agricultural University, 2005, 20(1): 94－98. (in Chinese with English abstract)

[9] 赵庚星，余松烈. 冬小麦遥感估产研究进展[J]. 山东农业大学学报自然科学版，2001，32(1)：107－111.Zhao Gengxing, Yu Songlie. Advance of winter wheat yield estimation by remote sensing [J]. Journal of Shandong Agricultural University: Natural Science, 2001, 32(1): 107－111. (in Chinese with English abstract)

[10] 刘海启. 欧盟 MARS计划简介与我国农业遥感应用思路[J]. 中国农业资源与区划，1999，20(3)：55－57.Liu Haiqi. The introduction of mars plan of European commission and Chinese agriculture remote sensing application [J]. Chinese Journal of Agricultural Resources and Regional Planning, 1999, 20(3): 55－57. (in Chinese with English abstract)

[11] 吴炳方，蒙继华，李强子. 国外农情遥感监测系统现状与启示[J]. 地球科学进展，2010，25(10)：1003－1012.Wu Bingfang, Meng Jihua, Li Qiangzi. Review of overseas crop monitoring system with remote sensing [J]. Advances in Earth Science, 2010, 25(10): 1003－1012. (in Chinese with English abstract)

[12] 吴炳方. 中国农情遥感速报系统[J]. 遥感学报，2004，8(6)：481－497.Wu Bingfang. China crop watch system with remote sensing[J]. Journal of Remote Sensing, 2004, 8(6): 481－497. (in Chinese with English abstract)

[13] 施潮. 关于大面积农作物产量抽样实测的做法[J]. 湖北农业科学学报，1965(2)：55－61.Shi Chao. The practice of sampling large area crop yields [J].Journal of Hubei Agricultural Science, 1965(2): 55－61. (in Chinese with English abstract)

[14] Keita Naman, Statistician Senior, Ammar George Mu. Issues and guidelines for the emerging use of GPS and PDAs in agricultural statistics in developing countries[C] //The Fifth International Conference on Agricultural Statistics (ICAS V),Kampala, Uganda. 2010.

[15] 李恩宝，洪洲，宋伟东. 基于PDA的土地利用变更调查系统设计与实现[J]. 测绘工程，2007，16(2)：61－64.Li Enbao, Hong Zhou, Song Weidong. Design and realization of land use alteration investigation system based on PDA [J].Engineering of Surveying and Mapping, 2007, 16(2): 61－64.(in Chinese with English abstract)

[16] 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)

[17] Herwitz S R, Johnson L F, Dunagan S E, et al. Imaging from an unmanned aerial vehicle: Agricultural surveillance and decision support [J]. Computers & Electronics in Agriculture,2004, 44(1): 49－61.

[18] Lelong C C D, Burger P, Jubelin G, et al. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots[J]. Sensors, 2008, 8(5): 3557－3585.

[19] 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.

[20] Shen Kejian, Li Weifang, Pei Zhiyuan, et al. Crop area estimation from UAV transect and MSR image data using spatial sampling method [J]. Procedia Environmental Sciences, 2015(26): 95－100.

[21] Breckenridge R P. Improving rangeland monitoring and assessment: integrating remote sensing, GIS, and unmanned aerial vehicle systems [J]. Dissertation Abstracts International,2007, 68 (6): 3655.

[22] 李宜展，朱秀芳，张锦水，等. 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(5)：891－898.Li Yizhan, Zhu Xiufang, Zhang Jinshui, et al. A case study for area estimation of crop in county level based on remote sensing data and sampling technology [J]. Remote Sensing Technology and Application, 2015, 30(5): 891－898. (in Chinese with English abstract)

[23] 韩立建，潘耀忠，贾斌，等. 基于多时相IRS-P6卫星AWiFS影像的水稻种植面积提取方法[J]. 农业工程学报，2007，23(5)：137－143.Han Lijian, Pan Yaozhong, Jia Bin, et al. Acquisition of paddy rice coverage based on multi-temporal IRS-P6 satellite a WiFS RS-data [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007,23(5): 137－143. (in Chinese with English abstract)

[24] 刘吉凯，钟仕全，梁文海. 基于多时相Landsat8 OLI影像的作物种植结构提取[J]. 遥感技术与应用，2015，30(4)：775－783.Liu Jikai, Zhong Shiquan, Liang Wenhai. Extraction on crops planting structure based on multi-temporal Landsat8 OLI images [J]. Remote Sensing Technology and Application,2015, 30(4): 775－783. (in Chinese with English abstract)

[25] 贾斌，朱文泉，潘耀忠，等. 遥感影像预分类精度对地物面积空间抽样估算的敏感性分析[J]. 遥感学报，2008，12(6)：972－979.Jia Bin, Zhu Wenquan, Pan Yaozhong, et al. Sensitivity analysis of pre-classification accuracy based on remote sensing image to ground area estimation from spatial sampling [J]. Journal of Remote Sensing, 2008, 12(6): 972－979. (in Chinese with English abstract)

[26] 李秦，高锡章，张涛，等. 最优分割尺度下的多层次遥感地物分类实验分析[J]. 地球信息科学学报，2011，13(3)：409－417.Li Qin, Gao Xizhang, Zhang Tao, et al. Optimal segmentation scale selection and evaluation for multi-layer image recognition and classification [J]. Journal of Geo-information Science, 2011, 13(3): 409－417. (in Chinese with English abstract)

[27] 张俊，于庆国，朱晓东，等. 面向对象的高分辨率影像特征选择研究[J]. 测绘科学，2011，36(3)：141－143.Zhang Jun, Yu Qingguo, Zhu Xiaodong, et al.Object-oriented features space optimization of high spatial resolution remote sensing image [J]. Science of Surveying and Mapping, 2011, 36(3): 141－143. (in Chinese with English abstract)

[28] Li Wang, Niu Zheng, Chen Hanyue, et al. Remote estimation of canopy height and aboveground biomass of maize using high-resolution stereo images from a low-cost unmanned aerial vehicle system[J]. Ecological Indicators, 2016(67): 637－648.

[29] 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)

[30] 吴建华，张颖. "累积平方根法"最优解严格的数学证明及应用[J]. 济南大学学报，2006，20(3)：267－270.Wu Jianhua, Zhang Ying. Exact demonstration of the optimal solution of accumulative square root method and its application [J]. Journal of Jinan University, 2006, 20(3): 267－270. (in Chinese with English abstract)

[31] 杜子芳. 抽样技术及其应用[M]. 清华大学出版社，2005.Du Zifang. Sampling Technology and Its Application [M].Tsinghua University Press, 2005. (in Chinese with English abstract)

[32] 张健康，程彦培，张发旺，等. 基于多时相遥感影像的作物种植信息提取[J]. 农业工程学报，2012，28(2)：134－141.Zhang Jiankang, Cheng Yanpei, Zhang Fawang, et al. Crops planting information extraction based on multi-temporal remote sensing images [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2012, 28(2): 134－141. (in Chinese with English abstract)

[33] 刘国栋，邬明权，牛铮，等. 基于 GF-1卫星数据的农作物种植面积遥感抽样调查方法[J]. 农业工程学报，2015，31(5)：160－166.Liu Guodong, Wu Mingquan, Niu Zheng, et al. Investigation method for crop area using remote sensing sampling based on GF-1 satellite data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015,31(5): 160－166. (in Chinese with English abstract)

[34] 陈燕丽，莫伟华，莫建飞，等. 基于面向对象分类的南方水稻种植面积提取方法[J]. 遥感技术与应用，2011，26(2)：163－168.Chen Yanli, Mo Weihua, Mo Jianfei, et al. Object-oriented classification for the extraction of rice planting area in south[J]. Remote Sensing Technology and Application, 2011,26(2): 163－168. (in Chinese with English abstract)