楊亞男 康洋 樊曉 常亞棟 張瀚文 張宏鳴

摘要： 梯田具有蓄水固沙的作用，是旱作農(nóng)業(yè)區(qū)重點(diǎn)建設(shè)的高產(chǎn)穩(wěn)產(chǎn)農(nóng)田設(shè)施，為糧食增產(chǎn)、農(nóng)民增收提供了有力保障。因僅基于影像數(shù)據(jù)采用邊緣提取方法進(jìn)行梯田區(qū)域分割效果不理想，及時(shí)準(zhǔn)確地掌握梯田信息較為困難。無人機(jī)遙感技術(shù)的不斷發(fā)展為高精度梯田地形信息的獲取提供了新方法。本研究以甘肅省榆中縣為例，首先從數(shù)字高程模型DEM數(shù)據(jù)中提取坡度，將正射影像與坡度數(shù)據(jù)融合，并通過基于Canny算子的粗邊緣提取方法和基于多尺度分割的精細(xì)邊緣提取方法，對比分析坡度對無人機(jī)遙感梯田影像邊緣提取的影響。試驗(yàn)結(jié)果表明，正射影像和坡度融合的提取效果均優(yōu)于單一的正射影像數(shù)據(jù)提取效果，粗邊緣提取方法中正射影像和坡度融合的數(shù)據(jù)源精度平均提高了23.97%，精細(xì)邊緣提取方法中正射影像和坡度融合的數(shù)據(jù)源精度平均提高了17.84%。研究表明，在無人機(jī)遙感梯田影像邊緣提取中加入一定的地形特征，可以取得更好的邊緣提取效果。

關(guān)鍵詞： 無人機(jī)影像;梯田;邊緣提取;坡度;區(qū)域分割

中圖分類號： TN957.52 文獻(xiàn)標(biāo)志碼： A 文章編號： 201908-SA005

引文格式：楊亞男， 康 ?洋， 樊 ?曉， 常亞棟， 張瀚文， 張宏鳴. 基于地形特征的無人機(jī)遙感梯田影像邊緣提取方法[J]. 智慧農(nóng)業(yè)， 2019，1（4）： 50-61.

1 引言

梯田是在坡耕地上沿等高線修筑的階臺(tái)式或波浪式斷面農(nóng)田，通過減緩坡度，減輕土壤侵蝕來提高土地作物產(chǎn)量[1]。修建梯田極大地提高了坡耕地的農(nóng)業(yè)生產(chǎn)能力[2]，其蓄水的功能[3]對旱作農(nóng)業(yè)發(fā)展及生態(tài)環(huán)境十分必要[4，5]。多年來，在中央強(qiáng)農(nóng)惠農(nóng)政策的指引和支持下，中國北方黃土丘陵區(qū)大力推進(jìn)以坡改梯為重點(diǎn)的高產(chǎn)穩(wěn)產(chǎn)農(nóng)田建設(shè)，提高了旱作區(qū)農(nóng)業(yè)綜合生產(chǎn)能力[6]，但由于前期修筑質(zhì)量不佳以及管理養(yǎng)護(hù)不善，梯田設(shè)施面臨破壞的危險(xiǎn)[7]。梯田邊緣真實(shí)地反映梯田的形狀、位置、輪廓等信息，及時(shí)準(zhǔn)確地掌握梯田邊緣信息為預(yù)防和修護(hù)加固梯田提供重要的依據(jù)，同時(shí)對于梯田區(qū)域的種植面積、種植范圍的統(tǒng)計(jì)，以及對梯田和旱作區(qū)農(nóng)業(yè)建設(shè)的發(fā)展具有重要的意義[8]。

傳統(tǒng)的梯田信息獲取主要通過實(shí)地調(diào)查實(shí)現(xiàn)，但人工統(tǒng)計(jì)費(fèi)時(shí)費(fèi)力。隨著高分辨率影像處理技術(shù)的不斷發(fā)展，利用高分辨率遙感影像提取梯田邊緣成為可能[9，10]。與高分辨率衛(wèi)星遙感數(shù)據(jù)相比，利用無人機(jī)航攝系統(tǒng)[11]獲取高分辨率遙感影像具有運(yùn)行和維護(hù)成本低[12]、操作簡單靈活、獲取數(shù)據(jù)快速準(zhǔn)確等優(yōu)勢[13]。因此，無人機(jī)遙感成為地物信息提取等方面的主要信息獲取方式[14]，也是智慧農(nóng)業(yè)的主要技術(shù)之一[15]。

傳統(tǒng)的邊緣提取方法主要基于影像數(shù)據(jù)[16]。Eckert等[17]基于高分辨率衛(wèi)星梯田影像數(shù)據(jù)，采用面向?qū)ο蟮姆椒ㄟM(jìn)行識(shí)別與分類。首先對研究區(qū)的光譜特征、紋理特征以及形狀特征采用支持向量機(jī)（Support Vector Machine，SVM）方法構(gòu)建分類模型，進(jìn)而對梯田進(jìn)行大面積提取，最終的提取精度為81.25%，但是該方法不能有效提取梯田田坎間斷裂的田面，技術(shù)有待進(jìn)一步提升。劉麗霞等[18]提出改進(jìn)Canny邊緣檢測的遙感影像分割方法。選擇多光譜遙感影像為數(shù)據(jù)源，結(jié)合Canny算子采用引導(dǎo)濾波方法對圖像進(jìn)行平滑處理，解決了高斯濾波在進(jìn)行圖像平滑時(shí)邊緣模糊的問題，對“椒鹽現(xiàn)象”起到了較好的改善效果。但是該方法在分割時(shí)會(huì)將陰影部分錯(cuò)分為邊緣。Chang等[19]提出一種新的高分辨率合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）圖像邊緣檢測方法。采用基于面積像素差異的（Scanning Window Central，SWC）檢測方法，實(shí)現(xiàn)最佳邊緣檢測，并提出一種改進(jìn)的能量函數(shù)主動(dòng)控制方法來確定邊緣的位置。陶舒等[20]基于高分辨率遙感影像提出面向?qū)ο蟮亩喑叨确指钸吘壧崛×鞒?。首先將研究區(qū)的高分辨率遙感影像進(jìn)行第一層分割，提取潛在道路;第二層改變分割尺度，利用面積閾值等特征來進(jìn)行劃分。Zhang等[21]分別采用邊緣特征統(tǒng)計(jì)算法、模板匹配算法和傅里葉變換算法來進(jìn)行梯田的識(shí)別和提取。其中邊緣特征統(tǒng)計(jì)算法根據(jù)訓(xùn)練樣本區(qū)域來確定識(shí)別的窗口大小以及有效邊緣線條數(shù)的特征閾值，基于有效邊緣線條數(shù)作為模板對二值化圖像進(jìn)行分類并自動(dòng)進(jìn)行提取。模板匹配算法根據(jù)圖像的灰度特征建立識(shí)別模板，通過計(jì)算方差閾值對樣本進(jìn)行分類。傅里葉變換方法基于梯田紋理特征，通過計(jì)算譜線方向，確定特征閾值后對樣本進(jìn)行分類。但是以上方法都沒有進(jìn)一步探索地形數(shù)據(jù)如坡度融合影像對邊緣提取效果的影響。

本研究在前人研究的基礎(chǔ)上，利用無人機(jī)航空攝影獲取的高分辨率遙感梯田正射影像及地形數(shù)據(jù)，采用粗邊緣提取和精細(xì)邊緣提取兩種邊緣提取方法，對比僅正射影像、正射影像和坡度融合的兩種數(shù)據(jù)源提取效果。結(jié)果表明，坡度數(shù)據(jù)對提高梯田邊緣提取的精確度起到了積極的作用。本研究可以為無人機(jī)遙感影像邊緣提取提供地形特征多源數(shù)據(jù)有效性證明。

2 研究區(qū)概況與數(shù)據(jù)預(yù)處理

2.1 研究區(qū)概況

中國黃土丘陵溝壑區(qū)水土流失嚴(yán)重，大量坡耕地嚴(yán)重制約了農(nóng)業(yè)的生產(chǎn)。為保護(hù)生態(tài)環(huán)境并改善人民生產(chǎn)生活條件，地方政府在各類坡面修建了梯田等人工工程設(shè)施[22]。甘肅省榆中縣政府自20世紀(jì)六七十年代起開始興修梯田，縣區(qū)內(nèi)梯田范圍清晰，面積6269.30km2[23]。

本研究選取甘肅省榆中地區(qū)的龍泉鄉(xiāng)旱梯田區(qū)，該區(qū)總面積84km2，地理坐標(biāo)N35°34'4″～N35°40'56″，E104°10'58″～E104°19'51″，平均海拔2160 m，地形以溝壑梁峁為主，研究區(qū)內(nèi)梯田邊緣清晰，具有一定的典型性[24]。

2.2 數(shù)據(jù)基礎(chǔ)及預(yù)處理

2.2.1 數(shù)據(jù)基礎(chǔ)

研究區(qū)影像采用安翔動(dòng)力AF1000型無人機(jī)于2016年3月拍攝，拍攝期間風(fēng)力小于4級，天氣晴朗且能見度高，全程總計(jì)耗時(shí)約24 h。搭載SONY A5100相機(jī)，單幅影像面積約340m×500 m，影像分辨率為0.05m。基于該精度要求，在樣本區(qū)內(nèi)的梯田邊緣、道路交叉口中心共布設(shè)83個(gè)地面控制點(diǎn)，使用實(shí)時(shí)動(dòng)態(tài)定位（Real-time Kinematic，RTK）進(jìn)行測量。

采集到的原始數(shù)據(jù)使用Agisoft PhotoScan軟件進(jìn)行處理，首先導(dǎo)入影像、POS數(shù)據(jù)及控制點(diǎn)數(shù)據(jù)，然后將全部區(qū)域分成25個(gè)測區(qū)塊進(jìn)行處理，每塊有5000幅左右圖像，逐一進(jìn)行點(diǎn)云提取和立體模型建立，最后合并，進(jìn)行紋理提取，獲得數(shù)字表面模型（Digital Surface Model，DSM）[25]。將點(diǎn)云數(shù)據(jù)分為地面點(diǎn)和非地面點(diǎn)兩類，非地面點(diǎn)作為噪聲進(jìn)行處理。濾波處理后得到剔除非地面點(diǎn)的DEM數(shù)據(jù)，該DEM數(shù)據(jù)分辨率為0.5 m[26]。依據(jù)無人機(jī)影像制作的1：500地形圖的平面和高程精度均滿足GB/T 7930-2008[27]對1：500平地、丘陵的成圖要求。

課題組從研究區(qū)域截取3塊梯田樣本區(qū)，其正射影像如圖2所示。樣本區(qū)1（圖2（a））田面分布交錯(cuò)，邊緣特征多樣，比較明顯。樣本區(qū)2（圖2（b））田面光譜復(fù)雜，邊緣規(guī)則但狹窄，樣本區(qū)內(nèi)包含少量道路。樣本區(qū)3（圖2（c））田面紋理復(fù)雜，邊緣不規(guī)則且彎曲度大，樣本區(qū)內(nèi)包含大量道路和少量丘陵。

2.2.2 數(shù)據(jù)預(yù)處理

如圖3紅色邊框區(qū)域所示，由于DEM數(shù)據(jù)在梯田邊緣處的變化遠(yuǎn)不如坡度數(shù)據(jù)明顯，本研究使用ArcGIS10.5軟件通過DEM數(shù)據(jù)計(jì)算，得到樣本區(qū)的坡度數(shù)據(jù)，并分別使用無人機(jī)正射影像、無人機(jī)正射影像和坡度融合這兩種數(shù)據(jù)對梯田邊緣進(jìn)行提取。

3 試驗(yàn)方法

本研究將正射影像、正射影像和坡度融合的兩種數(shù)據(jù)源，依次使用基于Canny算子的邊緣提取方法[24]進(jìn)行粗邊緣提取和基于多尺度分割方法[26]進(jìn)行精細(xì)邊緣提取，最終分別對比兩種方法正射影像、正射影像和坡度融合的兩種數(shù)據(jù)源的邊緣提取效果。

3.1 粗邊緣提取方法

首先對正射影像進(jìn)行灰度處理和平滑處理，處理后的影像作為數(shù)據(jù)源1，將數(shù)據(jù)源1與該樣本區(qū)對應(yīng)的坡度數(shù)據(jù)融合作為數(shù)據(jù)源2。最后分別對數(shù)據(jù)源1和數(shù)據(jù)源2使用Canny檢測算子進(jìn)行邊緣檢測，兩種數(shù)據(jù)源檢測得到的邊緣分別疊加連接到原始的正射影像圖中并進(jìn)行精度驗(yàn)證和對比。方法流程圖如圖4所示。

3.1.1 影像灰度處理及平滑處理

無人機(jī)正射梯田影像中，田面上紋理復(fù)雜并存在大量點(diǎn)狀干擾，為降低正射影像中田面復(fù)雜的細(xì)節(jié)干擾，同時(shí)不使田面的邊緣結(jié)構(gòu)模糊，本研究使用粗邊緣提取方法將圖像進(jìn)行灰度轉(zhuǎn)換和平滑處理。

正射影像轉(zhuǎn)換灰度圖像方法見公式（1）：

3.2 精細(xì)邊緣提取方法

精細(xì)邊緣提取方法流程如圖5所示。首先將樣本區(qū)的正射影像數(shù)據(jù)進(jìn)行直方圖均衡化處理作為本方法數(shù)據(jù)源3，然后將坡度數(shù)據(jù)與數(shù)據(jù)源3融合作為本方法的數(shù)據(jù)源4，最后分別將數(shù)據(jù)源3和數(shù)據(jù)源4依次進(jìn)行多尺度分割、邊緣增強(qiáng)處理和精度驗(yàn)證。

3.2.1 直方圖均衡化

為獲得更好的邊緣檢測效果，首先使用限制對比度自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）方法[30]進(jìn)行數(shù)據(jù)增強(qiáng)。CLAHE同普通的自適應(yīng)直方圖均衡不同之處主要是其對比度限幅。在CLAHE中，對于每個(gè)小區(qū)域都必須使用對比度限幅，主要是用來克服其他直方圖均衡化方法的過度放大噪音的問題。

3.2.2 多尺度分割

首先基于Microsoft Visual Studio C++ 2013平臺(tái)開發(fā)的SmartSIAT工具[31，32]進(jìn)行面向?qū)ο蠓治龅淖顑?yōu)尺度分析，利用SmartSIAT工具計(jì)算該數(shù)據(jù)的最優(yōu)分割尺度后，應(yīng)用eCognition Developer9.0軟件平臺(tái)中的Multiresolution Segmentation工具，每層權(quán)重設(shè)置為1，尺度設(shè)置為SmartSIAT工具計(jì)算出來的最優(yōu)尺度，進(jìn)行像素級分割標(biāo)記。

3.3 精度評價(jià)方法

基于目視解譯制作粗邊緣提取和精細(xì)邊緣提取的真值圖，把4個(gè)數(shù)據(jù)源測試結(jié)果圖按像素點(diǎn)與真值圖一一對照進(jìn)行精度統(tǒng)計(jì)，并計(jì)算邊緣檢測總體精度（Overall Accuracy，OA）[33]和用戶精度（User’s Accuracy，UA），精度計(jì)算公式如下：

其中，TR為結(jié)果圖中與真值圖標(biāo)記結(jié)果相同的像素點(diǎn);TF為結(jié)果圖中與真值圖標(biāo)記不同的像素點(diǎn)，EdTR為標(biāo)記結(jié)果邊緣的點(diǎn)。

4 結(jié)果分析

4.1 粗邊緣提取方法

以樣本區(qū)1為例，灰度轉(zhuǎn)換和平滑處理的效果圖如圖6示。

三個(gè)樣本區(qū)的提取結(jié)果如圖7所示，其中第一列為樣本區(qū)1、2、3的粗邊緣提取真值圖，第2列為基于正射影像的數(shù)據(jù)源1粗邊緣提取結(jié)果圖，第3列為基于正射影像和坡度融合的數(shù)據(jù)源2粗邊緣提取結(jié)果圖?？梢?，數(shù)據(jù)源2在粗邊緣提取方法中邊緣檢測效果得到了明顯的提高，大幅度減少了梯田田面錯(cuò)分為梯田邊緣的現(xiàn)象，取得了更準(zhǔn)確的分割結(jié)果。在三個(gè)樣本區(qū)中，僅基于正射影像的數(shù)據(jù)源1將部分不平整的田面也提取為梯田邊緣，融合坡度數(shù)據(jù)后的數(shù)據(jù)源2明顯減少了這種誤差，取得了更精確的提取結(jié)果。具體的精度值如表2所示，樣區(qū)1基于數(shù)據(jù)源2的OA精度相比基于數(shù)據(jù)源1提高31.3%，UA精度提高28.21%;樣區(qū)2基于數(shù)據(jù)源2的OA精度相比基于數(shù)據(jù)源1提高19.13%，UA精度提高15.56%;樣區(qū)3基于數(shù)據(jù)源2的OA精度相比基于數(shù)據(jù)源1提高21.66%，UA精度提高18.27%。

4.2 精細(xì)邊緣提取方法結(jié)果

以樣本區(qū)1為例，在SmartSIAT工具中將形狀因子設(shè)置為0.5，建立相應(yīng)的尺度集，根據(jù)尺度分析圖（圖8）得出最佳分割尺度為0.91。

三個(gè)樣本區(qū)的邊緣提取效果如圖9，其中第1列為樣本區(qū)1、2、3的精細(xì)邊緣提取真值圖，第2列為基于正射影像的數(shù)據(jù)源3精細(xì)邊緣提取結(jié)果圖，第3列為基于正射影像和坡度融合的數(shù)據(jù)源4精細(xì)邊緣提取結(jié)果圖。由結(jié)果圖對比可以看出，正射影像和坡度融合的數(shù)據(jù)源4在精細(xì)邊緣提取方法中取得了更好的提取效果。在三個(gè)樣本區(qū)中，僅基于正射影像的數(shù)據(jù)源3都受到了梯田田面紋理的嚴(yán)重干擾，提取的邊緣崎嶇不平滑且不夠準(zhǔn)確，融合坡度數(shù)據(jù)后的數(shù)據(jù)源4明顯降低了這種干擾，提取的邊緣結(jié)果更平滑準(zhǔn)確。具體的精度值如表3所示，樣區(qū)1，樣區(qū)2，樣區(qū)3的數(shù)據(jù)源4相比數(shù)據(jù)源3在OA精度和UA精度兩個(gè)方面都有所提升。樣區(qū)1基于數(shù)據(jù)源4的OA精度相比基于數(shù)據(jù)源3提高14.33%，UA精度提高12.84%;樣區(qū)2基于數(shù)據(jù)源4的OA精度相比基于數(shù)據(jù)源3提高19.24%，UA精度提高14.44%;樣區(qū)3基于數(shù)據(jù)源4的OA精度相比基于數(shù)據(jù)源3提高19.96%，UA精度提高29.74%。

4.3 精度分析

對粗邊緣提取樣本區(qū)精度（如表2所示），精細(xì)邊緣提取樣本區(qū)精度（如表3所示）進(jìn)行分析，在粗邊緣提取方法中，正射影像和坡度融合的數(shù)據(jù)源2比正射影像數(shù)據(jù)源1在OA精度評價(jià)中平均提高了23.97%，在UA精度評價(jià)中平均提高了20.68%。在精細(xì)邊緣提取方法中，正射影像和坡度融合的數(shù)據(jù)源4比正射影像數(shù)據(jù)源3在OA精度評價(jià)中平均提高了17.84%，在UA精度評中平均提高了19.0%。兩種梯田邊緣提取方法中，正射影像和坡度融合后的梯田邊緣提取效果都比正射影像有所提高。表明坡度數(shù)據(jù)的加入有效地提升了梯田邊緣提取的效果。

5 討論與結(jié)論

本研究通過無人機(jī)正射影像、正射影像與坡度融合的兩種數(shù)據(jù)源，依次使用粗邊緣提取方法和精細(xì)邊緣提取方法進(jìn)行梯田邊緣的提取。結(jié)果表明，在兩種方法的梯田邊緣分割效果中，正射影像與坡度融合的數(shù)據(jù)都明顯優(yōu)于單一的影像數(shù)據(jù)，從而證明了坡度數(shù)據(jù)的加入有助于無人機(jī)遙感影像邊緣提取取得更準(zhǔn)確的結(jié)果。

地形特征的加入有助于梯田區(qū)域的有效分割，高精度的遙感影像數(shù)據(jù)更加提升了分割效果。本研究結(jié)論適用于無人機(jī)梯田遙感影像的分割及基于分割進(jìn)行的檢測工作。但本研究僅探索了梯田影像的分割，對于農(nóng)田、河堤等其他的土地類型分割尚未做研究，僅可作為坡耕地類型土地的分割參考。

本研究仍有許多可以改進(jìn)之處：①只對比了坡度數(shù)據(jù)對梯田遙感影像邊緣提取的影響，尚未探索更多其地形因子對邊緣提取效果的影響;②可以考慮設(shè)計(jì)一種模型按權(quán)重將不同地形數(shù)據(jù)結(jié)合對梯田遙感影像邊緣進(jìn)行提取。

參考文獻(xiàn)

[ 1 ] 張宏鳴， 楊勤科， 王猛， 等. 梯田區(qū)侵蝕地形因子隨DEM分辨率變化的特征分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2017， 48（10）： 172-179.

Zhang H， Yang Q， Wang M， et al. Analysis of DEM resolution on erosional terrain characteristics of terrace area[J]. Transactions of the CSAM， 2017， 48（10）： 172-179.

[ 2 ] Fukamachi K. Sustainability of terraced paddy fields in traditional satoyama landscapes of Japan[J]. Journal of Environmental Management， 2016， 11（61）： 1-7.

[ 3 ] Kang L， Bao H， Liu L， et al. Analysis and confirm of the indexes of water storage and sediment trapping on the terrace of different type regions at the loess plateau[J]. Science of Soil and Water Conservation， 2005， 3（2）： 51-56.

[4] 繆建群， 王志強(qiáng)， 馬艷芹， 等. 崇義客家梯田生態(tài)系統(tǒng)可持續(xù)發(fā)展綜合評價(jià)[J]. 生態(tài)學(xué)報(bào)， 2018， 38（17）： 6326-6336.

Miu J， Wang Z， Ma Y， et al. Comprehensive evaluation of sustainable development of the Hakka Terrace Ecosystem of Chongyi[J]. Acta Ecologica Sinica， 2018， 38（17）： 6326-6336.

[5] Strehmel A， Jewett A， Schuldt R， et al. Field data-based ?implementation of land management and terraces on the catchment scale for an eco-hydrological modelling approach in the Three Gorges Region， China[J]. Agricultural Water Management， 2015， 10（07）： 175-192.

[6] 徐勇， 黨麗娟， 湯青， 等. 黃土丘陵區(qū)坡改梯生態(tài)經(jīng)濟(jì)耦合效應(yīng)[J]. 生態(tài)學(xué)報(bào)， 2015， 35（4）： 1258-1266.

Xu Y， Dang L， Tang Q， et al. Ecological-economic coupling effects of transforming slope farmland to terraces in the hilly-gully region of loess plateau[J]. Acta Ecologica Sinica， 2015， 35（4）： 1258-1266.

[7] Wang H， Wang Y. Factors influencing indigenous rice protection in the Yuanyang terraced rice fields of China[J]. Journal of Resources and Ecology， 2017， 8（3）： 287-295.

[8] Veeck G， Li Z， Gao L. Terrace construction and productivity on loessal soils in Zhongyang County， Shanxi Province， PRC[J]. Annals of the Association of American Geographers， 1995， 85（3）： 450-467.

[9] Thomas C， Ranchin T， Wald L， et al. Synthesis of multispectral images to high spatial resolution： A critical review of fusion methods based on remote sensing physics[J]. IEEE Transactions on Geoscience and Remote Sensing， 2008， 46（5）： 1301-1312.

[10] Zhou Q， Yu Q， Liu J， et al. Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring[J]. Journal of Integrative Agriculture， 2017， 16（2）： 242-251.

[11] 紀(jì)景純， 趙原， 鄒曉娟， 等. 無人機(jī)遙感在農(nóng)田信息監(jiān)測中的應(yīng)用進(jìn)展[J]. 土壤學(xué)報(bào)， 2019， 56（4）： 774-784.

Ji J， Zhao Y， Zou X， et al. Advancement in application of UAV remote sensing to monitoring of farmlands[J]. Acta Pedologica Sinica， 2019， 56（4）： 774-784.

[12] Fang H， Chen H， Jiang H， et al. Research on method of farmland obstacle boundary extraction in UAV remote sensing images[J]. Sensors， 2019（19）： 4431-4444.

[13] 汪小欽， 王苗苗， 王紹強(qiáng)， 等. 基于可見光波段無人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（5）： 152-159.

Wang X， Wang M， Wang S， et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transaction of the CSAE， 2015， 31（5）： 152-159.

[14] 蘭玉彬， 鄧小玲， 曾國亮. 無人機(jī)農(nóng)業(yè)遙感在農(nóng)作物病蟲草害診斷應(yīng)用研究進(jìn)展[J]. 智慧農(nóng)業(yè)， 2019， 1（2）： 1-19.

Lan Y， Deng X， Zeng G. Advances in diagnosis of crop diseases， pests and weeds by UAV remote sensing[J]. Smart Agriculture， 2019， 1（2）： 1-19.

[15] 趙春江. 智慧農(nóng)業(yè)發(fā)展現(xiàn)狀及戰(zhàn)略目標(biāo)研究[J].智慧農(nóng)業(yè)， 2019， 1（1）： 1-7.

Zhao C. State-of-the-art and recommended developmental strategic objectives of smart agriculture[J]. Smart Agriculture， 2019， 1（1）： 1-7.

[16] 季虎， 孫即詳， 邵曉芳， 等. 圖像邊緣提取方法及展望[J]. 計(jì)算機(jī)工程與應(yīng)用， 2004， 40（14）： 70-73.

Ji H， Sun J， Shao X， et al. The algorithm for image edge detection and prospect[J]. Computer Engineering and Applications， 2004， 40（14）： 70-73.

[17] Eckert S， Tesfay Ghebremicael S， Hurni H， et al. Identification and classification of structural soil conservation measures based on very high resolution stereo satellite data[J]. Journal of Environmental Management. 2017， 193： 592-606.

[18] 劉麗霞， 李寶文， 王陽萍， 等. 改進(jìn)Canny邊緣檢測的遙感影像分割[J]. 計(jì)算機(jī)工程與應(yīng)用， 2019， 55（12）： 54-58.

Liu L， Li B， Wang Y， et al. Remote sensing image segmentation based on improved Canny edge detection[J]. Computer Engineering and Applications， 2019， 55（12）： 54-58.

[19] Chang Y， Zhou Z， Chang W， et al. New edge detection method for high-resolution SAR images[J]. Journal of Systems Engineering and Electronics，2006，17（2）： 316-320.

[20] 陶舒， 周旭， 劉倩， 等. 面向?qū)ο蟮母叻直媛蔬b感影像數(shù)據(jù)的道路提取流程——地理國情普查數(shù)據(jù)的自動(dòng)提取[J]. 遙感信息， 2015， 30（6）： 76-80， 95.

Tao S， Zhou X， Liu Q， et al. Objects-oriented method of data extraction in national geographic census ： A case study of road[J]. Remote Sensing Information， 2015， 30（6）： 76-80， 95.

[21] Zhang Y， Shi M， Zhao X， et al. Methods for automatic identification and extraction of terraces from high spatial resolution satellite data （China-GF-1）[J]. International Soil and Water Conservation Research， 2017， 5（1）： 17-25.

[22] Liu S， Dong Y， Li D， et al. Effects of different terrace protection measures in a sloping land consolidation project targeting soil erosion at the slope scale[J]. Ecological Engineering， 2013（53）： 46-53.

[23] 王勇. 甘肅省梯田建設(shè)的三大豐碑[J]. 中國水土保持， 2015（10）： 21-22.

Wang Y. Three monuments of terrace construction in Gansu province[J]. Soil and Water Conservation in China， 2015（10）： 21-22.

[24] 張宏鳴， 胡勇， 楊勤科， 等. 基于影像與坡度數(shù)據(jù)融合的梯田田塊分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（04）： 249-256.

Zhang H， Hu Y， Yang Q， et al. Segmentation method of terraced fields based on image and gradient data[J]. Transactions of the CSAM， 2018， 49（04）： 249-256.

[25] 趙鵬， 張立朝， 祿豐年， 等. 利用LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行空間分析[J]. 測繪科學(xué)， 2014， 39（3）： 85-88.

Zhao P， Zhang L， Lu F， et al. Application of LiDAR point cloud data in spatial data analysis[J]. Science of Surveying and Mapping， 2014， 39（3）： 85-88.

[26] 薛牡丹， 張宏鳴， 楊江濤， 等. 無人機(jī)影像與地形指數(shù)結(jié)合的梯田信息提取[J]. 計(jì)算機(jī)應(yīng)用研究， 2019， 36（9）： 1-12.

Xue M， Zhang H， Yang J， et al. Extraction of terrace information based on UAV image and topographic index[J]. Application Research of Computers， 2019， 36（9）： 1-12.

[27] 馬聰麗. GB/T 7930-2008《1∶5001∶10001∶2000地形圖航空攝影測量內(nèi)業(yè)規(guī)范》修訂說明[J]. 測繪標(biāo)準(zhǔn)化， 2009， 25（1）： 1-2.

Ma C. On the revision of GB/T 7930-2008 specifications for aerophotogrammetric office operation 1： 5001 ： 10001 ： 2000 topographic maps[J]. Standardization of Surveying and Mapping， 2009， 25（1）： 1-2.

[28] Lopez-Molina C， de Baets B， Bustince H， et al. Multiscale edge detection based on Gaussian smoothing and edge tracking[J]. Knowledge-Based Systems， 2013（44）： 101-111.

[29] Shi G， Suo J. Remote sensing image edge-detection based on improved Canny operator[C]// 2016 8th IEEE International Conference on Communication Software and Networks （ICCSN）， 2016： 652-656.

[30] Canny J. A computation approach to edge detection[M]. IEEE transactions on pattern analysis and machine intelligence， 1986， 8（6）： 679-698.

[31] Hu Z， Li Q， Qian Z， et al. Unsupervised simplification of image hierarchies via evolution analysis in scale-sets framework[J]. IEEE Transactions on Image Processing， 2017， 26（5）： 2394-2407.

[32] Hu Z， Li Q， Qin Z， et al. A bilevel scale-sets model for hierarchical representation of large remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（12）： 1-12.

[33] Polak M， Zhang H， Pi M. An evaluation metric for image segmentation of multiple objects[J]. Image and Vision Computing， 2009， 27（8）： 1223-1227.