EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 3: 654 - 668

DOI: https://doi.org/10.12082/dqxxkx.2023.220522

遥感科学与应用技术

基于时序遥感影像的西南山区地块尺度作物类型识别

  • 秦肖伟 , 1, 2 ,
  • 程博 1, 2 ,
  • 杨志平 3 ,
  • 李林 3 ,
  • 董文 , 2, * ,
  • 张新 2 ,
  • 杨树文 1, 4, 5 ,
  • 靳宗义 6 ,
  • 薛庆 1
展开
  • 1.兰州交通大学测绘与地理信息学院，兰州 730070
  • 2.中国科学院空天信息创新研究院，北京 100094
  • 3.重庆市农业信息中心，重庆 401121
  • 4.地理国情监测技术应用国家地方联合工程研究中心，兰州 730070
  • 5.甘肃省地理国情监测工程实验室，兰州 730070
  • 6.北京师范大学地理科学学部，北京 100875
* 董文（1983— ），女，湖北宜昌人，助理研究员，主要从事遥感地学时空分析及其精准应用研究。 E-mail:

秦肖伟（1997— ），女，山东聊城人，硕士生，主要从事遥感数据处理与应用研究。E-mail:

收稿日期: 2022-07-18

  修回日期: 2022-09-09

  网络出版日期: 2023-04-19

基金资助

国家重点研发计划项目(2021YFB3900501)

重庆市农业产业数字化地图项目(21C00346)

国家自然科学基金项目(72073125)

国家自然科学基金项目(42161069)

兰州交通大学优秀平台项目(201806)

收起

Identification of Parcel-Scale Crop Types in Southwestern Mountainous Area based on Time Series Remote Sensing Images

  • QIN Xiaowei , 1, 2 ,
  • CHENG Bo 1, 2 ,
  • YANG Zhiping 3 ,
  • LI Lin 3 ,
  • DONG Wen , 2, * ,
  • ZHANG Xin 2 ,
  • YANG Shuwen 1, 4, 5 ,
  • JIN Zongyi 6 ,
  • XUE Qing 1
Expand
  • 1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. Aerospace Information Research innovation Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 3. The Center of Agriculture Information of Chongqing, Chongqing 401121, China
  • 4. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 5. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
  • 6. Faculty of Geographic Sciences, Beijing Normal University, Beijing 100875, China
* DONG Wen, E-mail:

Received date: 2022-07-18

  Revised date: 2022-09-09

  Online published: 2023-04-19

Supported by

National Key Research and Development Program of China(2021YFB3900501)

Chongqing Agricultural Industry Digital Map Project(21C00346)

National Natural Science Foundation of China(72073125)

National Natural Science Foundation of China(42161069)

Excellent Platform Project of Lanzhou Jiaotong University(201806)

Fold

摘要

西南山区地块破碎且复杂，种植类型多样，且该地区多云多雨，可利用遥感数据有限，利用单一的光谱特征或植被指数难以实现作物的有效识别。物候特征能够反映作物的生长周期规律，可用于复杂地区作物的精细监测。本研究以重庆市潼南区为例，基于多时相中分辨率的Sentinel-2和Landsat8遥感影像，对地块尺度的NDVI、EVI等 6个植被指数进行时间序列构建并提取其物候特征，通过特征优选构建多维数据，利用随机森林分类模型对柠檬、油菜、水稻、玉米等作物进行识别。结合植被指数与物候特征进行作物分类，总体精度达94.52%，Kappa系数为0.90，柠檬、油菜、玉米、水稻的精度分别为89.88%、87.30%、84.98%和95.57%。研究表明，利用时序遥感数据的植被指数与物候特征能够有效进行地块尺度的作物识别，为复杂种植结构地区获取大范围作物分布制图提供参考。

关键词： 遥感; 时间序列; 地块尺度; 西南山区; 植被指数; 物候特征; 随机森林; 作物识别

本文引用格式

秦肖伟 , 程博 , 杨志平 , 李林 , 董文 , 张新 , 杨树文 , 靳宗义 , 薛庆 . 基于时序遥感影像的西南山区地块尺度作物类型识别[J]. 地球信息科学学报, 2023 , 25(3) : 654 -668 . DOI: 10.12082/dqxxkx.2023.220522

Abstract

The distribution of crop planting structure can directly reflect the form and location of farmland, which is of great significance for the development of precision agriculture and inventory of agricultural resources. In the southwestern mountainous area in China, the farmland parcel is small and fragmented, with complex planting types, and thus the image visual characteristics are fuzzy and diverse. Due to the complexity of climate and terrain surface, it is difficult to identify crop types in this area. The arrival of the era of high-resolution remote sensing has promoted the rapid development of object-oriented crop extraction methods. Classification based on object segmentation combing spectral, contextual, and other features can effectively overcome the shortcomings of pixel-based classification methods and better serve the field farming management and land ownership management. Therefore, this study uses high-resolution remote sensing images to extract farmland parcels. Taking parcels as the spatial constraints, six time-series vegetation indices including NDVI, EVI, RVI, DVI, GNDVI, and SAVI, are constructed at the scale of parcels based on multi-temporal medium-resolution Sentinel-2 and Landsat8 OLI remote sensing images. Their phenological characteristics are also extracted using these remote sensing images. The multi-dimensional data are constructed through the importance evaluation of classification features, and the random forest classification model is used to identify crop types (i.e., lemon, rape, rice, corn, and other crops) combined with field sampling data. By comparing the classification accuracy using vegetation indices or phenological characteristics alone and that combining vegetation indices and phenological characteristics together, we found that the classification accuracy combining vegetation indices and phenological characteristics is the highest. The overall accuracy is 94.52%, and the Kappa coefficient is 0.90. The accuracy of lemon, rape, corn, rice, and others is 89.88%, 87.30%, 84.98%, 95.57%, and 98.05%, respectively. There are 90 348 lemon parcels, 30 173 rape parcels, 271 606 corn parcels, 146 113 rice parcels, and 16 406 other parcels, accounting for 10.96%, 36.40%, 32.94%, 17.72%, and 1.99% of the total farmland in Tongnan area, respectively. The planting area accounted for 14.82%, 18.44%, 35.37%, 29.92% and 1.45%, respectively. Our results indicate that the vegetation indices and phenological characteristics extracted from time-series remote sensing data can be used for crop identification at the parcel scale, which provides reference for obtaining large-scale crop mapping in the region with complex planting structures.

Key words： remote sensing; time series; parcel scale; southwestern mountainous; vegetation index; phenological characteristics; random forest; crop identification

1 引言

农作物类型识别是开展作物生长监测的重要基础，能够为农业产业结构调整、粮食政策制定等提供数据支撑，对保障国家粮食安全具有重要意义[1]。近年来，随着智慧农业的发展，对农作物类型识别的空间分辨率、时效性和产品精度等方面提出新的需求[2]。而遥感技术因覆盖范围大、重返周期短、成本低等优势被广泛应用于大范围的作物类型识别等研究中[3-4]，为智慧农业的实践提供了丰富的信息支撑[5]。
中低分辨率的MODIS、Landsat、HJ卫星数据因光谱波段丰富、重访周期短等特点被广泛应用于大区域的大宗作物识别[6-7]、构建时序数据或者特征集开展作物分类[8⇓⇓-11]等，取得了一定成效。其中，物候特征作为反映作物生长规律的特征，被诸多学者应用于作物识别与分类[12-13]。NDVI、EVI等植被指数的时序差异被验证与作物物候相吻合[14]，针对特定作物的物候特征如冬小麦特有的冬前峰值（PBW）[15]等被用于作物分类。但中低分辨率像元尺度的作物分类模型，由于混合像元、影像与地理空间不匹配等问题给分类结果及其验证带来很大不确定性，难以满足精准农业应用需求。尤其是在地块细小破碎、种植结构复杂、影像视觉特征模糊多样的我国西南山区，由于气候和地表的复杂性使得此区域的作物识别存在一定困难[1]。
高分辨率遥感时代的到来推进了面向对象的作物提取方法的迅速发展，在地物对象分割的基础上结合光谱、纹理等特征进行分类，能够有效避免基于像元分类方法的不足，更好地服务于田间耕作管理、农业生产调度和土地权属管理等应用[16-17]。但高分辨率卫星重访周期较长，难以获取区分作物的最佳时相或多时相影像，不适用于种植结构复杂、熟制多元的地区[18-19]。针对此问题，研究人员开展了综合中高分辨率遥感影像优势的作物类型识别研究，并且这一思路能够有效提高作物识别精度，分类结果在空间形态上更符合实际情况，也得到了诸多学者的证实[20-21]。其中，基于高分辨率遥感影像提取农田地块边界，再利用多时相的中分数据，如Landsat ETM+等的光谱特征进行作物提取的研究较多[22-23]，部分区域总体精度可达90%以上。这类方法在进行特定作物类型识别中具有一定优势，但对于我国西南山区这类多熟制的复杂山区来说，存在作物生长关键期数据难以获取的问题，具有一定局限性。由此，一些面向时间序列的深度学习方法被引入，利用时序数据提取作物的物候特征开展复杂山区的作物识别。例如，Jiao等[24]利用Google影像与Sentinel-2时序影像，采用LSTM算法对复杂山区地块尺度的果树进行分类，分类精度可达93%。杨颖频等[20]重建NDVI时序提取物候特征，组合多时相光谱特征，构建了基于时空协同的地块尺度作物分类模型。但是，现有的研究主要利用NDVI等相对单一的特征构建时序进行分类，对于种植结构复杂的地区，容易存在相似生长周期作物的混分。
综上所述，针对我国西南山区地块破碎、种植结构复杂、数据难获取等问题，本文提出利用高分辨率遥感影像提取农田地块，以地块为空间约束，综合基于时序中分辨率遥感影像提取的多时相植被指数和多类型物候特征开展西南山区地块尺度的作物识别方法。首先，基于GF-2影像根据耕地的边缘和纹理特征提取农田地块；其次，利用中分辨率Sentinel-2和Landsat8时序数据，选择Savitzky-Golay滤波构建地块尺度的NDVI、EVI、SAVI等6个植被指数的时序曲线，分别提取其物候特征；然后，基于样本数据对多时相植被指数与物候特征进行分类特征重要性评价；最后，采用随机森林方法开展作物识别，实现复杂条件下潼南区地块尺度的作物精细识别，为西南山区的作物分类提供参考。

2 研究方法

研究的主要技术路线如图1所示，包括：① 农田地块提取；② 影像数据预处理；③ 地块植被指数计算；④ 特征时序构建与物候特征提取；⑤ 分类特征重要性评估与识别模型构建。
图1 基于时序遥感影像的地块尺度作物识别流程

Fig. 1 Parcel scale crop recognition flow chart based on time series remote sensing images

2.1 农田地块提取

地块提取基于GF-2遥感影像进行，首先利用耕地的边缘和纹理特征进行耕地形态类型分区，然后分别采用HED (Holistically-Nested Edge Detection)模型和D-LinkNet模型对规则耕地区和坡耕地区进行地块提取[25-26,21]，最后将各分区提取结果合并获取区域农田地块分布信息。

2.2 影像数据预处理

首先，根据云层覆盖情况进行数据筛选；获取的Sentinel-2为Level-1C数据，通过大气校正获取Level-2A地表反射率产品；选择成像质量较好的2020年4月26日的影像作为基准影像，对其他影像进行相对几何配准；再利用直方图匹配法进行相对辐射校正，消除不同时相影像间的辐射差异[27]；另外将空间分辨率统一为10 m。预处理后得到区域中分辨率时序数据集。

2.3 地块植被指数计算

植被指数(Vegetable Indices, VIs)作为地表植被特征的重要表征参数，在植被长势、生物量、植被覆盖变化监测等应用中具有重要意义[3]。本文基于前期文献分析，选取了常用于作物识别的6种植被指数（表1）：归一化植被指数（NDVI）、增强型植被指数（EVI）、比值植被指数（RVI）、差值植被指数（DVI）、绿色归一化差值植被指数（GNDVI）和土壤调节植被指数（SAVI）。对预处理后的中分遥感影像，以地块边界为空间约束，取边界范围内的像元平均值作为该地块的特征值，进行地块尺度的植被指数计算。
表1 植被指数

Tab. 1 Vegetation indices

简称 全称 计算公式 公式编号 文献
NDVI Normalized Difference Vegetation Index (RNir-RRed)/(RNir+RRed) （1） [28]
EVI Enhanced Vegetation Index 2.5(RNir-RRed)/ (RNir+6.0RRed-7.5RBlue+1) （2） [29]
RVI Ratio Vegetation Index RNir/RRed （3） [30]
DVI Difference Vegetation Index RNir-RRed （4） [31]
GNDVI Green Normalized Difference Vegetation Index (RNir-RGreen)/(RNir+RGreen) （5） [32]
SAVI Soil Adjusted Vegetation Index (1+0.5)(RNir-RRed)/(RNir+RRed+0.5) （6） [33]

注：RBlue、RGreen、RRed、RNir分别为Sentinel-2和Landsat8的蓝、绿、红和近红外波段反射率。

2.4 特征时序构建与物候特征提取

植被指数的时序曲线能够描述作物的生长变化趋势，植被指数会随时间变化有一个升高、达到峰值然后降低的过程，对应了作物从生长发育到成熟衰老的生理过程，并且在不同作物之间存在差异，因此通过物候差异可实现作物类型的识别[12,23]。本文以地块尺度的植被指数值为基础，基于TIMESAT软件对6个植被指数分别进行时序构建与物候特征提取，用于作物类型识别。
为了保证时序数据的连续性与完整性，需要通过滤波平滑时序数据中的异常点，获得相对符合作物实际生长规律的时序变化曲线[34]。Savizky-Glolay(S-G)滤波能够有效去除噪声，提高时序数据质量，同时能够保留作物生长周期内的关键节点信息[35-36]。基于构建的时序曲线可提取作物的物候特征（图2），包括生长季开始时间(Start Of Season, SOS)、结束时间(End Of Season, EOS)、长度(Length Of Season, LOS)、峰值对应时间(Time Of Maximum, TOM)、峰值(Maximum Value, MV)、振幅(Amplitude, Ampl)、最大生长速率（Maximum Growth Rate, MGR）、最大衰老速率(Maximum Aging Rate, MAR)、积分(Integral, Inte)、生长季开始值(Start Of Value, SOV)和结束值(End Of Value, EOV) 11个特征（表2）。经参考文献以及多次试验将参数设置如下：迭代次数为3，窗口大小为3，生长季振幅为0.2[37]。
图2 基于重建植被指数时序曲线的物候特征提取示意

Fig. 2 Schematic diagram of phenological characteristic extraction based on reconstructed temporal curve of Vegetation Index

表2 物候特征生理学含义

Tab. 2 Phenological characteristic physiological meaning

简称 生理学含义
SOS、SOV 作物返青或出苗期，开始进行光合作用
EOS、EOV 作物衰老或收获期，光合作用减弱或终止
TOM、MV 作物生长鼎盛期，光合作用等生理活动最旺盛
LOS 作物的生长周期长度
Ampl 作物长势变化
MGR 作物生长发育速率
MAR 作物成熟衰老速率
Inte 衡量光合作用能力的总体强度

2.5 作物识别方法

随机森林(Random Forests, RF)是一种以决策树为基础的集成分类器[38-39]。相比于其他分类算法，随机森林具有更好的稳定性和适用性，且分类精度较高，在作物分类等诸多领域得到广泛应 用[40-41]。研究基于多时相植被指数与多物候特征利用随机森林开展分类。样本的70%的用于训练，30%用于验证。树的数量为100，其他参数默认。由于试验区主要是两熟制，因此依据主要作物生长周期，分2个时间段分别开展分类。

3 研究区与数据源

3.1 研究区

潼南区位于重庆西北部，介于105°31′41″E—106°00′20″E、29°47′33″N—30°26′28″N之间，面积1583 km2（图3）。潼南区地处四川盆地中部，为盆地浅丘地貌。属亚热带湿润季风气候，雨热同期，年均气温17.9 ℃，年均降水量990 mm，平均日照时数1228.4 h，适宜多种作物生长。潼南区种植结构复杂，主要作物包括柠檬、油菜、水稻、玉米等。其中，油菜、柠檬种植面积和产量重庆市第一。
图3 研究区地理位置与样点分布

Fig. 3 Geographical location and sample distribution of the study area

3.2 数据源

GF-2遥感影像（0.8 m分辨率）由重庆市农业产业数字化地图项目提供，被用于农田地块提取。Landsat8 OLI的地表反射率数据可以从美国地质勘探局网站(https://earthexplorer.usgs.gov/)下载。Landsat8全色波段和多光谱波段的空间分辨率分别为15 m和30 m。欧空局哥白尼数据开放访问中心网站（https://scihub.caopernicus.eu/）可获取 Sentinel-2A/B 遥感数据，其中红绿蓝和近红外4个波段空间分辨率为10 m。本研究获取2020年和2021年低云量中分遥感影像各11幅，共计22幅，详细信息如 表3所示。考虑试验区主要是2季轮作（主要作物物候信息见表4），分别于2021年11月、2022年3月和5月开展了3次作物类型实地调研，并根据GF-2影像进行样本扩充，共获取5210个样本点。其中，柠檬、油菜、玉米、水稻、其他样本分别为1164、1231、1223、1302、243个。
表3 实验数据详细信息

Tab. 3 Details of experimental data

序号 成像日期 整体云量/% 卫星
1* 2020-01-12 7.72 Sentinel-2A
2 2020-02-16 0.26 Sentinel-2B
3 2020-03-12 3.09 Sentinel-2A
4 2020-03-17 1.29 Sentinel-2B
5* 2020-04-26 17.65 Sentinel-2B
6 2020-05-02 0.64 Landsat8
7* 2020-05-18 7.37 Landsat8
8 2020-06-25 0.68 Sentinel-2B
9 2020-08-06 32.44 Landsat8
10* 2020-09-07 3.42 Landsat8
11 2020-10-23 36.32 Sentinel-2B
12 2021-01-13 2.01 Landsat8
13 2021-02-10 0.79 Sentinel-2B
14* 2021-03-27 0 Sentinel-2A
15 2021-05-01 63.12 Sentinel-2B
16 2021-05-16 25.30 Sentinel-2A
17 2021-06-22 35.16 Landsat8
18 2021-07-30 38.02 Sentinel-2B
19* 2021-08-04 0.12 Sentinel-2A
20 2021-08-24 11.44 Sentinel-2A
21 2021-09-26 36.31 Landsat8
22* 2021-10-03 2.61 Sentinel-2A

注：序号中*代表参与分类的时相数据。

表4 潼南区作物生长发育进程

Tab. 4 Crop growth and development process in Tongnan district

4 结果与分析

4.1 农田地块提取结果

利用GF-2遥感影像基于深度学习提取的潼南区农田地块共524 473个（图4）。在空间分布上，河流附近地块密集，海拔较高处地块稀少。河流周围500 m内共有87 561个地块，占总地块面积的21.30%；海拔350 m以上仅有21 374个地块，面积上占6.98%。规则耕地区大多连续分布，地块面积较大且较为整齐，而坡耕地区地块分散且存在较多细小破碎地块，面积大多小于400 m2，二者在面积、形态上差别较大。从地块提取的细节图中可以看出，地块边界明显，与实际地物符合度较高，内部结构相对稳定，总体提取效果良好，以此为基准提取作物能够有效改善边界混合像元引起的错分、漏分现象。
图4 农田地块提取结果

Fig. 4 Farmland parcel extraction results

4.2 特征时序重建与物候特征提取结果

基于S-G滤波方法对地块尺度的植被指数进行时序重建，结果如图5所示。可以看到同类作物的不同植被指数变化趋势一致，不同作物的时序曲线各有特点。以NDVI为例，柠檬（图5(a)）全年NDVI值比较稳定，在0.65上下稍有波动，9—11月为结果期，有所降低。油菜（图5(b)）NDVI在苗期增长缓慢，蕾薹期增长到峰值，开花期大量开花并形成角果，NDVI有所降低，收割后降到最低。玉米（图5(c)）生长前期NDVI增长迅速，最高可达0.7，成熟后开始降低，收割后最低。水稻（图5(d)）6月NDVI达到峰值，最高在0.5左右。根据构建的EVI时序曲线提取的物候特征如图6所示。
图5 主要作物植被指数时间序列曲线构建结果

Fig. 5 Construction results of Vegetation Index time series curve of major crops

图6 基于时序EVI提取的2021年潼南区作物物候特征分布

Fig. 6 Distribution of crop phenological characteristic in Tongnan in 2021 extracted based on sequential EVI

4.3 分类特征重要性评估

除物候特征外，同时结合试验区影像质量选取了7个时相的植被指数作为分类特征参与分类（具体参见表3）。由此，构建了由6种植被指数、每种7个时相和11个物候特征构成的总计108维特征集。利用随机森林的基尼指数(Gini index)进行特征重要性评估[42-43]，评估结果如图7所示。物候特征中EOV、EOS、SOS、SOV以及TOM对作物分类起重要作用；多时相植被指数中，春季对作物分类影响较大；结合物候特征与植被指数重要性评价结果，发现DVI、EVI、GNDVI对作物分类贡献较大。
图7 分类特征重要性评价

Fig. 7 Importance evaluation of classification features

4.4 分类特征与制图单元对分类精度的影响

本文利用不同分类特征和制图单元分别进行了作物分类，对比了其对分类精度的影响（表5）。结果表明：结合植被指数与物候特征的地块尺度总体分类精度最高，可以达到94.52%，其中，柠檬、油菜、玉米、水稻、其他的精度分别为89.88%、87.30%、84.98%、95.57%和98.05%。高于仅利用植被指数或物候特征的分类精度，证实了物候特征对于作物分类的重要性。同时基于地块的分类与基于像元的相比，总体精度高出2.42%，Kappa系数高出0.40，各类作物精度分别高出3.14%、4.32%、5.44%、1.93%和1.50%，验证了地块的空间约束对于西南山区分类精度提升的重要作用。
表5 不同分类特征与制图单元分类精度对比

Tab. 5 Comparison of classification accuracy between different classification features and mapping units（%）

分类特征 植被指数 物候特征 植被指数+物候特征
地块 像元 地块 像元 地块 像元
OA 93.44 91.88 93.76 88.88 94.52 92.10
Kappa 0.89 0.86 0.89 0.81 0.90 0.86
柠檬 86.71 85.42 87.66 79.10 89.88 86.74
油菜 85.18 83.99 87.29 77.52 87.30 82.98
玉米 82.16 78.15 80.38 72.20 84.98 79.53
水稻 95.85 93.84 92.44 91.70 95.57 93.64
其他 97.75 96.56 98.11 95.43 98.05 96.55
同时，基于地块尺度的作物类型制图结果与基于像元的相比（图8），一方面有效降低了“椒盐”和“锯齿”现象，空间分布与实际情况更加相符；另一方面，基于地块的制图排除了非农田地块的干扰，结果可以有效验证并直接应用于农业生产管理。
图8 基于地块与基于像元作物分类结果对比

Fig. 8 Comparison of crop classification results based on parcels and pixels

4.5 研究区作物类型分布制图

根据特征重要性评价结果，选择前20维特征参与分类，获得潼南区作物类型空间分布图（图9）。柠檬大多呈片状分布、西南部面积较大；油菜主要分布在西北部，多以零星地块分散在村落附近，个别地区面积较大；玉米在北部分布较多，大部分地块小而分散；水稻地块大多连续分布，整体呈现为条状，且分布较广。轮作作物以油菜-玉米为主，能够实现粮油兼丰。
图9 潼南区作物类型空间分布

Fig. 9 Spatial distribution of crop types in Tongnan

5 讨论

5.1 分类方法对比

本文利用GF-2遥感影像的高空间分辨率，结合西南山区耕地的形态特征，分别集成不同的深度学习模型提取规则耕地、梯田等地块边界，与常规的利用一种模型进行地块分割或提取的方法相比，对西南山区的耕地提取更加精细、全面，漏提现象极大减少，是后续作物分类的基础。而在利用时序中分遥感影像方面，本文充分考虑西南山区数据获取难和种植类型复杂多样的特点，通过综合多类型、多时相植被特征和基于重建的特征曲线提取的物候特征，从有限的数据中挖掘更多可用信息，提升分类精度。在分类模型选择方面，和LSTM等深度学习方法相比，本文选择的RF方法已经被验证具有更好的适应性和稳定性，避免样本数量不足和时序信息缺失导致的模型训练不收敛[40-41]。从分类结果角度，与基于像元的分类模型相比，本文以地块为基本单元进行分类，更符合农田地块的实际情况，能够从影像空间映射到地理空间，与地理实体相对应，同时避免了“椒盐现象”的产生，提高作物分类精度。

5.2 分类结果的不确定性分析

由于西南山区农业种植环境的复杂性和种植模式的多样性，给作物分类带了了很大的挑战，分类过程中会引入一些误差导致分类结果的不确定性，具体包括以下几个方面。
（1）农田地块提取部分仍有一定的提升空间，由于影像的空间分辨率和质量问题，存在地块漏提，进而导致在作物识别时会出现漏分现象。对于漏提的农田地块可以通过人工检查进行补充完善。
（2）作物采样过程中，由于地形等自然环境的影响，部分地区可达条件较差，实地采样的样本点分布不够均匀，同时部分细小地块存在混合种植现象，对作物识别精度造成一定影响，后续研究中将进一步优化样本分布。
（3）生长期相近的作物易出现错分情况，由于种植时间的差异,不同作物可能具有相似的植被指数生长曲线，后续有必要结合纹理、形态等特征来进一步提高作物的分类精度。

5.3 问题与展望

本文虽然通过综合中高分辨率影像的多类特征来提升西南山区作物分类的精度，取得一定的效果，但还存在一些有待深入研究的地方。首先，本文主要使用了光学遥感影像，而西南山区多云雨的特点导致部分光学影像成像质量差，后续可以进一步利用SAR数据不受天气影响的特点，开展光学和SAR融合进行作物识别。另外，Sentinel-2的红边波段对于绿色植被较为敏感，但本文未对红边波段进行专题研究，基于目标作物在不同时相对红边波段的响应也有待深入研究。后续，本文仍需进一步验证该方法的适用性，在西南山区更大范围和其他典型试验区开展验证实验。

6 结论

本研究针对西南山区存在的地块破碎、数据难以获取的问题，提出了结合作物物候特征与植被指数开展地块尺度的作物识别方法，通过对比基于地块与像元，以及不同特征应用的分类结果，得到以下结论：
（1）利用高分辨率遥感影像提取农田地块，以地块为空间约束，融合基于时序中分辨遥感影像的多时相植被指数和多类型物候特征，一方面可以充分利用中高分辨率遥感数据的优势，挖掘可用信息，另一方面通过精细地块的约束，降低混合地块的影响。有效提升在复杂地区的作物分类精度。
（2）在复杂种植结构地区的分类中由于“同物异谱、异物同谱”现象更加突出，在光谱特征的基础上，加入物候特征能够提升作物分类精度，证实了物候特征在作物分类中的重要作用。
（3）以地块为基本单元开展分类，与基于像元的制图相比，能够排除非农田地块的干扰且空间形态与实际情况更加相符，在提升作物识别精度的同时，对于田间耕作管理、农业生产调度等应用实践具有积极意义。
本研究结合中高分辨率遥感影像开展了西南山区地块尺度的作物类型识别探索，并在潼南区开展了实验和验证，对复杂山区作物识别提供了参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
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 Z X, Ren J Q, Tang H J, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5):748-767.] DOI:10.11834/jrs.20166214

DOI

[2]
刘哲, 刘帝佑, 朱德海, 等. 作物遥感精细识别与自动制图研究进展与展望[J]. 农业机械学报, 2018, 49(12):1-12.

[Liu Z, Liu D Y, Zhu D H, et al. Review on crop type fine identification and automatic mapping using remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(12):1-12.] DOI:10.6041/j.issn.1000-1298.2018.12.001

DOI

[3]
张喜旺, 刘剑锋, 秦奋, 等. 作物类型遥感识别研究进展[J]. 中国农学通报, 2014, 30(33):278-285.

DOI

[Zhang X W, Liu J F, Qin F, et al. A review of remote sensing application in crop type discrimination[J]. Chinese Agricultural Science Bulletin, 2014, 30(33):278-285.] DOI: 10.11924/j.issn.1000-6850.2014-0380

DOI

[4]
Weiss M, Jacob F, Duveiller G. Remote sensing for agricultural applications: A meta-review[J]. Remote Sensing of Environment, 2020, 236:111402. DOI:10.1016/j.rse.019.111402

DOI

[5]
史舟, 梁宗正, 杨媛媛, 等. 农业遥感研究现状与展望[J]. 农业机械学报, 2015, 46(2):247-260.

[Shi Z, Liang Z Z, Yang Y Y, et al. Research status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2):247-260.] DOI:10.6041/j.issn.1000-1298.2015.02.037

DOI

[6]
张荣群, 王盛安, 高万林, 等. 基于时序植被指数的县域作物遥感分类方法研究[J]. 农业机械学报, 2015, 46(S1):246-252.

[Zhang R Q, Wang S A, Gao W L, et al. Remote-sensing classification method of County-level agricultural crops using time-series NDVI[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(S1):246-252.] DOI:10.6041/j.issn.1000-1298.2015.S0.040

DOI

[7]
Sibanda M, Murwira A. The use of multi-temporal MODIS images with ground data to distinguish cotton from maize and sorghum fields in smallholder agricultural landscapes of Southern Africa[J]. International Journal of Remote Sensing, 2012, 33(16):4841-4855. DOI:10.1080/01431161.2011.635715.33

DOI

[8]
屠星月, 赵冬玲. 多时相遥感影像农作物识别方法的分析[J]. 测绘通报, 2012(S1):380-383.

[Tu X Y, Zhao D L. Analysis of crop recognition methods from multi-temporal remote sensing images[J]. Bulletin of Surveying and Mapping, 2012(S1):380-383.] DOI:CNKI:SUN:CHTB.0.2012-S1-124

DOI

[9]
雷光斌, 李爱农, 边金虎, 等. 基于阈值法的山区森林常绿、落叶特征遥感自动识别方法——以贡嘎山地区为例[J]. 生态学报, 2014, 34(24):7210-7221.

[Lei G B, Li A N, Bian J H, et al. An practical method for automatically identifying the evergreen and deciduous characteristic of forests at mountainous areas: a case study in Mt.Gongga region[J]. Acta Ecologica Sinica, 2014, 34(24):7210-7221.] DOI:10.5846/stxb201310112440

DOI

[10]
Jia K, Wu B, Li Q. Crop classification using HJ satellite multispectral data in the North China Plain[J]. Journal of Applied Remote Sensing, 2013, 7(1):073576. DOI:10.1117/1.JRS.7.073576

DOI

[11]
Liu X K, Zhai H, Shen Y L, et al. Large-scale crop mapping from multisource remote sensing images in google earth engine[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13:414-427. DOI:10.1109/JSTARS.2019.2963539

DOI

[12]
Reed B C, Brown J F, VanderZee D, et al. Measuring phenological variability from satellite imagery[J]. Journal of Vegetation Science, 1994, 5(5):703-714. DOI:10.2307/3235884

DOI

[13]
Kordi F, Yousefi H. Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images[J]. Remote Sensing Applications: Society and Environment, 2022, 27:100812. DOI:10.1016/j.rsase.2022.100812

DOI

[14]
Wardlow B D, Egbert S L, Kastens J H. Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U.S. Central Great Plains[J]. Remote Sensing of Environment, 2007, 108(3):290-310. DOI:10.1016/j.rse.2006.11.021

DOI

[15]
Tao J B, Wu W B, Zhou Y, et al. Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data[J]. Journal of Integrative Agriculture, 2017, 16(2):348-359. DOI:10.1016/S2095-3119(15)61304-1

DOI

[16]
Ok A O, Akar O, Gungor O. Evaluation of random forest method for agricultural crop classification[J]. European Journal of Remote Sensing, 2012, 45(1):421-432. DOI:10.5721/EuJRS20124535

DOI

[17]
杜保佳, 张晶, 王宗明, 等. 应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类[J]. 地球信息科学学报, 2019, 21(5):740-751.

DOI

[Du B J, Zhang J, Wang Z M, et al. Crop mapping based on Sentinel-2A NDVI time series using object-oriented classification and decision tree model[J]. Journal of Geo-information Science, 2019, 21(5):740-751.] DOI:10.12082/dqxxkx.2019.180412

DOI

[18]
宋茜, 胡琼, 陆苗, 等. 农作物空间分布遥感制图发展方向探讨[J]. 中国农业资源与区划, 2020, 41(6):57-65.

[Song Q, Hu Q, Lu M, et al. Prospect of crop mapping[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(6):57-65.] DOI:10.7621/cjarrp.1005-9121.20200607

DOI

[19]
Turker M, Ozdarici A. Field-based crop classification using SPOT4, SPOT5, IKONOS and QuickBird imagery for agricultural areas: A comparison study[J]. International Journal of Remote Sensing, 2011, 32(24):9735-9768. DOI:10.1080/01431161.2011.576710

DOI

[20]
杨颖频, 吴志峰, 骆剑承, 等. 时空协同的地块尺度作物分布遥感提取[J]. 农业工程学报, 2021, 37(7):166-174.

[Yang Y P, Wu Z F, Luo J C, et al. Parcel-based crop distribution extraction using the spatiotemporal collaboration of remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(7):166-174.] DOI: 10.11975/j.issn.1002-6819.2021.07.020

DOI

[21]
邓刘洋, 沈占锋, 柯映明, 等. 基于地块尺度多时相遥感影像的冬小麦种植面积提取[J]. 农业工程学报, 2018, 34(21):157-164.

[Deng L Y, Shen Z F, Ke Y M, et al. Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(21):157-164.] DOI:10.11975/j.issn.1002-6819.2018.21.019

DOI

[22]
Conrad C, Fritsch S, Zeidler J, et al. Per-field irrigated crop classification in arid central Asia using SPOT and ASTER data[J]. Remote Sensing, 2010, 2(4):1035-1056. DOI:10.3390/rs2041035

DOI

[23]
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.

[Zhu C M, Luo J C, Shen Z F, et al. Winter wheat planting area extraction using multi-temporal remote sensing data based on field parcel characteristic[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(9):94-99.] DOI:10.3969/j.issn.1002-6819.2011.09.018

DOI

[24]
Jiao S H, Hu D X, Shen Z F, et al. Parcel-level mapping of horticultural crop orchards in complex mountain areas using VHR and time-series images[J]. Remote Sensing, 2022, 14(9): 2015. DOI:10.3390/rs14092015

DOI

[25]
刘巍, 吴志峰, 骆剑承, 等. 深度学习支持下的丘陵山区耕地高分辨率遥感信息分区分层提取方法[J]. 测绘学报, 2021, 50(1):105-116.

[Liu W, Wu Z F, Luo J C, et al. A divided and stratified extraction method of high-resolution remote sensing information for cropland in hilly and mountainous areas based on deep learning[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(1):105-116.] DOI:10.11947/j.AGCS.2021.20190448

DOI

[26]
吴志峰, 骆剑承, 孙营伟, 等. 时空协同的精准农业遥感研究[J]. 地球信息科学学报, 2020, 22(4):731-742.

DOI

[Wu Z F, Luo J C, Sun Y W, et al. Research on precision agricultural based on the spatial-temporal remote sensing collaboration[J]. Journal of Geo-Information Science, 2020, 22(4):731-742.] DOI:10.12082/dqxxkx.2020.190726

DOI

[27]
施海霞, 韦玉春, 徐晗泽宇, 等. 高分遥感图像相对辐射校正中的伪不变地物自动提取和优化选择[J]. 地球信息科学学报, 2021, 23(5):903-917.

DOI

[Shi H X, Wei Y C, Xu H Z Y, et al. Automatic extraction and optimal selection of the pseudo invariant features for the relative radiometric normalization in high-resolution remote sensing imagery[J]. Journal of Geo-Information Science, 2021, 23(5):903-917.] DOI:10.12082/dqxxkx.2021.200266

DOI

[28]
Rouse J Jr, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[J]. NASA Goddard Space Flight Center 3d ERTS-1 Symp, 1974, 1:309-317

[29]
Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2):195-213. DOI:10.1016/S0034-4257(02)00096-2

DOI

[30]
Jordan C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4):663-666. DOI:10.2307/1936256

DOI

[31]
Richardson A, Wiegand C. Distinguishing vegetation from soil background information[J]. Photogrammetric Engineering and Remote Sensing, 1977, 43(12):1541-1552. DOI:10.1109/TGE.1977.294499

DOI

[32]
Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3):289-298. DOI:10.1016/S0034-4257(96)00072-7

DOI

[33]
Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3):295-309. DOI:10.1016/0034-4257(88)90106-X

DOI

[34]
屈炀, 袁占良, 赵文智, 等. 基于多时序特征和卷积神经网络的农作物分类[J]. 遥感技术与应用, 2021, 36(2):304-313.

[Qu Y, Yuan Z L, Zhao W Z, et al. Crop classification based on multi-temporal features and convolutional neural network[J]. Remote Sensing Technology and Application, 2021, 36(2):304-313.] DOI:10.11873/j.issn.10040323.2021.2.0304

DOI

[35]
张锦水, 赵光政, 洪友堂, 等. 基于像元物候曲线匹配的生长季内河北省冬小麦空间分布识别[J]. 农业工程学报, 2020, 36(23):193-200.

[Zhang J S, Zhao G Z, Hong Y T, et al. Spatial extraction of winter wheat in Hebei in growing season using pixel-wise phenological curve[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(23):193-200.] DOI:10.11975/j.issn.1002-6819.2020.23.022

DOI

[36]
边金虎, 李爱农, 宋孟强, 等. MODIS植被指数时间序列Savitzky-Golay滤波算法重构[J]. 遥感学报, 2010, 14(4):725-741.

[Bian J H, Li A N, Song M Q, et al. Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter[J]. Journal of Remote Sensing, 2010, 14(4):725-741.] DOI:10.3724/SP.J.1011.2010.01138

DOI

[37]
Jönsson P, Eklundh L. TIMESAT 3.3 with seasonal trend decomposition and parallel processing software manual[R]. Sweden: Lund and Malmö University, 2017.

[38]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1):5-32. DOI:10.1023/A:1010933404324.

DOI

[39]
雷震. 随机森林及其在遥感影像处理中应用研究[D]. 上海: 上海交通大学, 2012.

[Lei Z. Random forest and its application in remote sensing[D]. Shanghai: Shanghai Jiao Tong University, 2012.] DOI:CNKI:CDMD:1.1012.016718

DOI

[40]
方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述[J]. 统计与信息论坛, 2011, 26(3):32-38.

[Fang K N, Wu J B, Zhu J P, et al. A review of technologies on random forests[J]. Statistics ＆ Information Forum, 2011, 26(3):32-38.] DOI:10.3969/j.issn.1007-3116.2011.03.006

DOI

[41]
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.

[Liu Y, Du P J, Zheng H, et al. Classification of China small satellite remote sensing image based on random forests[J]. Science of Surveying and Mapping, 2012, 37(4):194-196.] DOI:10.16251/j.cnki.1009-2307.2012.04.027

DOI

[42]
张鹏, 胡守庚. 地块尺度的复杂种植区作物遥感精细分类[J]. 农业工程学报, 2019, 35(20):125-134.

[Zhang P, Hu S G. Fine crop classification by remote sensing in complex planting areas based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(20):125-134.] DOI:10.11975/j.issn.1002-6819.2019.20.016

DOI

[43]
贾坤, 李强子. 农作物遥感分类特征变量选择研究现状与展望[J]. 资源科学, 2013, 35(12):2507-2516.

[Jia K, Li Q Z. Review of features selection in crop classification using remote sensing data[J]. Resources Science, 2013, 35(12):2507-2516.] DOI:CNKI:SUN:ZRZY.0.2013-12-023

DOI

Options
文章导航

/

〈 〉