EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 7: 1121 - 1131

DOI: https://doi.org/10.12082/dqxxkx.2019.180421

Orginal Article

Winter Wheat and Rapeseed Classification during Key Growth Period by Integrating Multi-Source Remote Sensing Data

  • WANG Linjiang , 1, 2 ,
  • WU Bingfang , 1, 2, * ,
  • ZHANG Miao 1 ,
  • XING Qiang 1
Expand
  • 1. State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
*Corresponding author: WU Bingfang, E-mail:

Received date: 2018-08-29

  Request revised date: 2019-03-26

  Online published: 2019-07-25

Supported by

National Key Research and Development Program of China, No.2016YFD0300608

Science and Technology Service Network Initiative, No.KFJ-STS-ZDTP-009

National Natural Science Foundation of China, No.41561144013, 41701496, 41601463, 41701403

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

As the cutting-edge technology of modern information technology, remote sensing has the advantages of large coverage, short detection period, strong current situation, and low cost, which makes it possible to quickly and accurately extract large-scale crop planting information. Accurate crop type identification and spatial distribution information can provide basic and necessary information for subsequent crop monitoring applications. Identification of crop spatial distribution by remote sensing is the frontier and a hotspot of multidisciplinary research in geography, ecology, and agronomy. Multi-source remote sensing data plays an important role. Combining the characteristics of winter wheat and rapeseed during their planting and growing stages, this study took Hefei City in Anhui Province as the study area, and used multi-source remote sensing imagery such as ZY-3, Sentinel-2, and GF-1, with elevation and slope data as auxiliary information. Utilizing the object-oriented classification method with multi-scale segmentation, nearest neighbor method, and threshold method as the main steps, the spatial distribution information of winter wheat and rapeseed planting in Hefei City was extracted. Ground truth data from the GVG agricultural sampling system and Google Earth high-resolution imagery were combined to verify the accuracy of the classification results. By confusion matrix analysis, the overall accuracy and the kappa Coefficient were calculated, the values of which were 94.43% and 0.914, respectively. The results show that, to a large extent, the proposed method can effectively distinguish the planting areas of winter wheat and rapeseed in the mixed planting regions and the combination of those various strategies can be applied to the crop classification in other regions with similar characteristics and at even larger scales. Future research can explore the feasibility of using multi-source remote sensing data to map winter wheat and rapeseed for remote sensing monitoring, and can establish a suitable technical system.

Key words： Key growth period; multi-source remote sensing data; winter wheat; rapeseed; object-oriented classification; Hefei

Cite this article

WANG Linjiang , WU Bingfang , ZHANG Miao , XING Qiang . Winter Wheat and Rapeseed Classification during Key Growth Period by Integrating Multi-Source Remote Sensing Data[J]. Journal of Geo-information Science, 2019 , 21(7) : 1121 -1131 . DOI: 10.12082/dqxxkx.2019.180421

1 引言

农作物的空间分布是土地利用在农业生产实践中的具体表现形式,同时也是对自然资源的高效利用和田间科学管理的直接结果[1,2]。在气候变暖和耕地占用的大背景下,我国农业的发展正经历深入的种植结构调整。冬小麦和油菜作为我国重要的冬季作物,其种植范围每年都在发生变化,同时地方政府对作物种植面积的重视程度也逐年加大[3]。遥感作为一种能够进行空间探测的前沿技术,具有覆盖范围大、探测周期短、现势性强、数据综合可比性强和费用成本低等优点,近年来已迅速成为农作物空间分布信息获取的重要手段[4]。准确的作物类型识别及空间分布信息的获取可以为后续作物监测的相关应用提供基本且必要的信息[5]。利用遥感技术,可以及时、准确地识别冬小麦和油菜的空间分布,不仅有助于冬小麦油菜混种区的作物长势监测,更可以在产量估测和灾情评估等方面起到重要的作用,同时也为掌握粮食生产的宏观信息、指导生产和调控贸易等过程提供重要的决策依据[6,7]。因此,冬小麦和油菜空间分布情况的遥感识别是粮食安全保障的重要组成部分,具有重要的理论和实践意义[8]。
有关农作物的遥感分类识别,Mrinal等[9]利用高时空分辨率数据中提取时间特征,并结合多光谱数据,使用面向对象的分类方法,实现了较为精准的水稻识别,总体分类准确度和Kappa系数分别为84.37％和0.68。Yang等[10]利用由反射率波段合成的时间序列归一化差异植被指数（NDVI）,使用迭代自组织数据分析（ISODATA）和最大似然（MLC）的聚类算法用于识别冬小麦的种植区域,其整体分类准确度在78%和87%之间,具有大于0.57的kappa系数。王九中等[11]以河南省为研究区,以谷歌地球引擎（Google Earth Engine）云平台为支撑,采用NDVI重构增幅算法建立冬小麦大区域遥感快速制图模型,以较高精度实现了2015年和2002年的河南省冬小麦分布制图。Jia等[12]利用多时相Envisat高级合成孔径雷达（ASAR）和TerraSAR数据,同时结合其纹理特征的不同组合,使用支持向量机（SVM）分类器用于分类,并在华北平原实现了满意的分类精度（最佳总体准确率为91.83％）。而对于冬小麦和油菜空间分布的遥感识别,很多学者也已经做出了探索。许文波等[13]利用LANDSAT进行区域冬小麦种植面积提取,且利用2002年TERRA/MODIS时间序列数据的混合像元线性分解模型进行河南省冬小麦种植面积的遥感监测。王启田等[14]利用陆地卫星TM数据,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。Pan等[15]提出了作物比例物候指数（CPPI）来表达MODIS时间序列植被指数（VI）和冬小麦作物种植面积之间的定量关系。 余宝等[16]基于2004年4月4日和5月6日2期EO-1 Hyperion影像,依据油菜盛花期到荚果期红边位置“蓝移”特征,区别于其它植被,实现了油菜种植区域的高光谱遥感提取。王立辉等[17]利用中巴地球资源卫星（CBERS-02B）遥感影像,选取线性光谱混合模型进行油菜种植面积的分解计算研究,并将结果与基于GVG（GPS、VIDEO、GIS）农情采样系统得到的结果进行了对比分析。而对于冬小麦油菜混种区作物信息的提取,也已经有部分学者进行了实践。Rémy等[18]研究了在不同频率（X,C和L波段）,极化（HH,VV,VH和HV）和入射角（24~53°）获得的多时相SAR数据对冬小麦和油菜生长季 的灵敏性,从而达到区分两种作物的目的。姬忠林等[19]运用决策树模型和面向对象分类方法,研究了GF-1卫星的宽视场（WFV）数据在冬小麦和油菜种植信息提取中的可行性。梁益同等[20]利用不同时期HJ–1A/B–CCD 影像,确定最佳时相及不同地物的色彩特征,采取最大似然分类法提取湖北省冬小麦和油菜分布信息。然而,以往的研究大都基于单一数据源,且对于冬小麦和油菜的物候信息关注不够。本研究以安徽省合肥市为研究区域,充分把握冬小麦和油菜种植及生长的特点,利用面向对象的分类方法,用于参与典型时相多源遥感影像数据的分类,并分析其对冬小麦和油菜分类识别的精度,以挖掘多源遥感数据在冬小麦和油菜识别方面的潜力,同时探索一种有效的冬小麦和油菜的分类方法。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

合肥市位于安徽省中部（30°57′ N-32°32 ′N,116°41′ E-117°58′ E）,地处中国华东地区、长江三角洲西端,总面积11 445.1 km2,境内地貌主要有丘陵、低山和低洼平原3种,其中以丘陵为主,江淮分水岭自西向东横贯全境（图1）。气候方面,四季分明,温度和雨量适中,属亚热带季风性湿润气候。农业方面,合肥市境内适宜种植的粮食作物主要有水稻、小麦、大麦、仁麦、荞麦、油菜和山芋等[21]。其中,冬小麦和油菜是安徽省合肥市最普遍的两种越冬作物,二者的生育期较为相似且存在混杂种植的现象,2种作物的物候期如表1[22]。
Fig. 1 Location and Elevation of Hefei City

图1 合肥市位置及高程示意图

Tab. 1 Phenology of winter wheat and rapeseed in the study area

表1 合肥市冬小麦和油菜物候历[22]

2.2 数据来源与处理

2.2.1 遥感影像数据
本研究使用了由中国资源卫星应用中心①(http://218.247.138.119:7777/DSSPlatform/productSearch.html。)提供的7景ZY-3影像、1景GF-1（WFV）影像和由欧空局②(https://scihub.copernicus.eu/dhus/#/home。)提供的10景Sentinel-2影像,共三种遥感影像数据,本研究用到3种传感器相应波段的主要参数对比如表2所示[23,24,25]。影像云覆盖情况均小于10%,时间范围覆盖2017年2月下旬至2017年4月中旬（表3）,主要涵盖冬小麦的拔节期和抽穗开花期以及油菜的现蕾抽薹期和开花结荚期,选取影像时按照空间分辨率与云覆盖小优先的原则,选取的所有遥感影像实现了合肥市市界的全覆盖（图2）。对所选的遥感影像,使用ERDAS软件进行自动几何校正,误差控制在一个Sentinel-2影像的像元以内,以保证像元能够对应较为精确的地理位置;ZY-3和GF-1影像使用ENVI软件进行了大气校正,Sentinel-2影像使用SNAP软件进行了大气校正。对所有遥感影像,以近红外、红、绿3个波段分别对应红、绿、蓝3个通道进行标准假彩色合成。
Tab. 2 Main sensor parameters of the three sources of remote sensing imagery

表2 3种遥感影像主要传感器参数[23,24,25]

波段号 波长范围/μm 空间分辨率/m 幅宽/km 轨道高度/km 重放周期/d
ZY3-02 1 0.450~0.520 5.8 51 505 3
2 0.520~0.590
3 0.630~0.690
4 0.770~0.890
Sentinel2-MSI 2 0.430~0.550 10 290 786 10
3 0.515~0.605
4 0.623~0.702
8 0.765~0.920
GF1-WFV 1 0.450~0.520 16 800 645 2
2 0.520~0.590
3 0.630~0.690
4 0.770~0.890
Tab. 3 Acquisition time of the three sources of remote sensing imagery

表3 3种遥感影像的获取时间

获取时间(数量)
ZY3-02 2月16日(2景)、2月26日(1景)、3月8日(2景)、4月16日(2景)
Sentinel2-MSI 3月26日(5景)、4月2日(3景)、4月15日(2景)、4月22日(1景)
GF1-WFV 4月18日(1景)
Fig. 2 Coverage of the three sources of remote sensing imagery from late Faburary to middle April

图2 合肥市2017年2月下旬至2017年4月中旬遥感影像覆盖情况

2.2.2 辅助数据
本研究所用的辅助数据主要有行政边界数据、高程数据和坡度数据。行政边界数据来自全国地理信息资源目录服务系统③(http://www.webmap.cn/commres.do?method=result25W。)的1:250 000基础地理信息数据。高程数据使用地理空间数据云④(http://www.gscloud.cn/sources。)提供的STRM_90m_DEM影像,下载后利用合肥市的市界使用ArcMap软件进行裁剪,并将像元重采样至10 m。坡度数据是由经裁剪后的DEM数据,使用ArcMap软件进行投影并进行坡度计算而得到的。
2.2.3 地面观测数据
本研究使用的地面观测数据来源于2017年4月由GVG农情采样系统采集而得的地面实测数据和从Google高清影像上采集的样点数据。GVG集成了GPS、Video和GIS三大模块,主要用于野外农作物采样的信息快速采集、定位和处理分析,简称为GVG农情采样系统[26]。在野外采集时,以汽车为主要的工作平台,以各级公路为采样线进行动态采样。数据采集后,由PC端配套应用程序进行目视解译,在各个采样点处赋以不同的农作物类型,并进行结果导出,再使用ArcMap软件进行属性选择,导出纯冬小麦和纯油菜的样点。在此基础上,将纯冬小麦和纯油菜点叠加到2017年4月的Google Earth高清影像上,平移至路旁的地块中（图3）,并选择样点周边具有相似光谱特性的像元进行冬小麦和油菜样点的补充选取,同时采集其它植被的样点数据。本研究共使用398个冬小麦样点、630个油菜样点和408个其它植被样点（图4）;本研究按类随机抽取50%的样点用作训练分类,另50%的样点用作精度验证。
Fig. 3 Translocation of the GVG sampling points

图3 GVG样点的平移

Fig. 4 Distribution of the ground sampling points of winter wheat and rapeseed in Hefei

图4 2017年4月合肥市冬小麦、油菜和其他植被的地面样点分布

2.3 研究方法

多源遥感数据的使用,主要考虑影像质量、影像幅宽、空间分辨率以及几何精度4个因素。ZY-3和Sentinel-2的影像质量较好、空间分辨率较高、几何精度较好,但ZY-3的影像幅宽较小,难以实现高效覆盖研究区域;而Sentinel-2和GF-1的影像幅宽较大,综合考虑以上因素以及云量因素,本研究优先使用Sentinel-2和ZY-3数据,备选使用GF-1数据。不同空间分辨率的分类结果,统一进行像元重采样至10 m。
对于研究方法,本研究使用面向对象分类的方法。首先,将坡度信息作为辅助信息,进行批量多尺度分割。对于分割后的影像,主要使用最邻近分类法进行分类。核查结果时,若有误分或漏分的情况,利用对象属性,选择相关指标、确定有效阈值,使用阈值法进行分类后处理。最后,将监测结果图斑进行合并与导出（图5）。本研究中方法实现的软件为Ecognition 9.3。
Fig. 5 Methodological flowchart for remote sensing classification of winter wheat and rapeseed

图5 冬小麦和油菜遥感分类技术路线

2.3.1 多尺度分割
影像分割是将整个遥感影像区域,根据一定的同质性和异质性的标准,分割成若干互不交叠的非空子区域的过程[27]。分割后,所有的子区域都被称为“对象”（Object）,其内部都是相连的,且内部的栅格像元都具有相同或相似的特性（灰度值、颜色、形状和纹理等）。
地理现象或地理实体都有其特定的空间尺度,因此每一专题信息的提取都有其适宜的操作尺度[14]。多尺度分割指的是,利用不同的分割尺度,生成不同尺度对应的影像分割层,使得具有一定空间分辨率的遥感影像,可以由拥有不同尺度下的数据层次信息,从而构成了一个与地表地理实体具有相似层次结构的网络[28]。这样一来,就实现了影像中原始像元的信息在分割而成的不同空间尺度之间的传递,以适应某些特定应用的需求。简而言之,多尺度分割是一种优化处理的操作,对给定数量的影像对象,将平均差异性最小化并最大化它所代表的均一性。
多尺度分割过程中,主要涉及以下3个参数[29]：① 各波段的权重,即影像的各个波段在分割过程中的重要性度量; ② 尺度参数,主要影响影像对象的结果,即它可以决定所能允许的影像对象间的最大差异性。通过修改尺度参数的值,就可以区分不同影像对象的大小,该值也是决定像元停止合并的条件; ③ 均一性标准组合参数,即用来反映影像对象间的最小化差异性,主要以色彩、光滑度和紧致度3个标准为主。一般而言,色彩参数是最重要的;同时,某种程度的形状一致性往往能提升提取对象的质量,并且空间对象的紧致度与影像对象的形状也是密不可分。形状参数的值改变着色彩和形状相对分割准则的关系,通过改变形状参数,同时也就定义了色彩参数（色彩参数=1-形状参数）。紧致度参数则用于优化与紧致性相关的影像对象,即用于区分那些非紧密的,且光谱对比度相对较弱的影像对象。
由于研究区域田块较为破碎,且油菜的分布较为分散,综合考虑对象均质性和信息提取的完整性,选择影像分割参数为：分割尺度20,形状指数0.1、紧致度0.5。
2.3.2 分类方法
多尺度分割后,首先识别影像对象中的植被区域。区分植被和非植被,最常用的就是归一化植被指数（NDVI）（式（1））：
NDVI = NIR - R NIR + R （1）
式中：NIR和R分别指影像的近红外和红波段的反射率值。将NDVI作为对象自定义算数特征进行添加,阈值由NDVI特征图层结合影像中田块的分布情况具体确定。本研究选取NDVI值0.2为区分植被与非植被的阈值。
其次,使用最邻近法进行影像分类,计算待分类对象到各样本的对象特征空间距离d,判断影像对象的特征和哪一类已知影像对象的特征最接近,即判断影像对象属于哪一类[30],d计算公式如式（2）[31]：
d = ∑ f v f s - v f o σ f 2 （2）
式中：d为样本o和对象s之间的距离; σ f 为对象s的特征f的标准差; v f s 为对象s的特征f的特征值; v f o 为样本o的特征f的特征值。最邻近法可以充分利用各个对象特征之间的关系,减少在使用单一的对象特征时发生的“同物异谱,异物同谱”的现象,进而提升分类的精度。其具体实现步骤如下：① 需要确定分类体系,本研究结合野外调查结果和对影像的目视判读情况,将研究区的植被类型分为3类：冬小麦、油菜和其他植被。② 将分类用样点转化到对应的图像对象,选取图像对象作为分类样本,并进行可分性评估;若不符合条件,则对已选择的样本进行编辑。然后,进行特征空间的构建,即选取参与分类的对象特征。在传统的基于像素分类时,通常直接使用每个波段相关的信息参与分类,而在面向对象分类时它们是作为分割对象内像素的波段均值这一种特征;此外,还可以利用波段的比率、标准差、亮度等光谱特征,形状指数、似圆度、长宽比等形状特征等。本研究选择的各个波段的均值和NDVI指数构建特征空间,参与分类。值得注意的是,构建特征空间后,需要将其应用到所有的类别中。③ 在“植被”层执行分类。
本研究使用阈值法进行分类后处理（图6）。阈值法,首先选择类别敏感的波段或指数,再确定相关波段或指数的最佳阈值,最后基于阈值识别不同类别的地物[32]。如何客观合理地确定冬小麦和油菜特征提取的阈值是阈值法的关键。对分类结果进行核查时,若部分区域的冬小麦油菜和其他植被没有区分开,则利用冬小麦油菜亮度均比其他植被大的特点,寻求最优阈值,进一步进行区分;若部分区域的冬小麦和油菜没有区分开,则利用油菜花期时冬小麦与油菜亮度上的差异,采用亮度阈值动态更新与效果预览的方法,进行二次分类;若冬小麦和丘陵地区的林地、杂草等难以区分,则在采用NDVI阈值、近红外波段和蓝光波段等光谱信息的基础上,进一步使用坡度信息作为辅助信息,寻求最优坡度阈值,以辅助分类,剔除其他植被的影响;若丘陵地区的油菜有漏分的情况,则在坡度阈值之上的区域,再利用油菜的亮度特点加以阈值限制,进行补充分类。
Fig. 6 Post-processing of the remote sensing classification result using the threshold method

图6 利用阈值法进行遥感分类后处理

2.3.3 精度验证
本研究基于地面观测数据进行精度验证,以混淆矩阵、总体分类精度和Kappa系数3种方式进行精度验证。
混淆矩阵是一个k×k的矩阵（k为类别数）,是最常用的一种遥感图像分类和信息提取的精度估计方法,它可以简单地总结分类信息并评估专题图的整体和不同类别精度,也是计算Kappa系数基础[33]。矩阵中对角线上元素为被正确分类的样本数目,非对角线上的元素为被混分的样本数,“行”为分类后的土地覆盖类别的检验点数,“列”为参考资料的检验点数。
总体分类精度是指分类后类别与真实类别一致的检验点的个数与所有检验点个数的比值,其计算公式如式（3）所示。
OA = ∑ i = 1 k x ii N × 100 % （3）
式中：OA（Overall Accuracy）表示总体分类精度; x ii 表示分类结果中第i类与地面观测数据第i类相一致的组成部分;N表示地面观测据的总数。Kappa系数是由混淆矩阵间的相互运算得到的,用于检验分类结果的一致性,其计算公式如式（4）所示。
K a = N ∑ i = 1 k x ii - ∑ i = 1 k x i _ row x i _ col N 2 - ∑ i = 1 k x i _ row x i _ col （4）
式中： K a 为Kappa系数,其中xi_row和xi_col分别为混淆矩阵的第i行和第i列的元素之和,分别表示真实情况为第i种类型的验证点总数和被分成了第i种类型的验证点总数。

3 结果与讨论

3.1 研究结果

3.1.1 光谱特征对比分析
选取一景处理后的2017年3月26日晴天少云的一景Sentinel-2影像,选择蓝、绿、红和近红外波段（分别对应波段号1到4）,结合地面观测样点,对冬小麦、油菜和其它植被的光谱特性进行分析。
在3月下旬,合肥市大部分地区的油菜处于开花期,油菜花呈黄色;而冬小麦则主要处于拔节期,呈绿色。从3月下旬的典型地物光谱图（图7）可以看出,在第2波段（0.515~0.605 μm）,油菜的反射率接近15%,空闲地约为12% ,而冬小麦的反射率则在10%左右,冬小麦与油菜的反射率差异较为明显;对于第4波段（0.765~0.920 μm）,油菜反射率高达30% ,而冬小麦和其它植被的反射率仅为25%左右,明显低于油菜的反射率;在第3波段（0.623~0.702 μm）,冬小麦、油菜和其他植被的反射率分别约为7%、14%和12%,也存在着一定的差异;而对于第1波段（0.430~0.550 μm）,冬小麦、油菜和其它植被的反射率均在13%左右,三者之间的反射率差异不明显。因此,本研究利用第4（近红外）、3（红）、2（绿）波段进行组合,以标准假彩色提取冬小麦和油菜信息。由图7可知,对应标准假彩色影像,冬小麦由于第2和3波段反射率较低且第4波段反射率高,所以在图像上表现为鲜红色,而油菜第2、3和4波段的反射率均高于其他地物,所以在图像上表现为粉色。冬小麦、油菜和其它植被的典型解译标志示意如图8所示（影像为Sentinel-2,波段组合为4（近红外）、3（红）、2（绿））。
Fig. 7 Spectral characteristics of typical features of winter wheat and rapeseed in late March

图7 3月下旬冬小麦、油菜和其他植被典型地物的光谱特征

Fig. 8 Diagram of typical interpretation symbols for winter wheat, rapeseed and other vegetation in false-color composite remote sensing imagery in late March

图8 3月下旬假彩色合成遥感影像冬小麦、油菜和其他植被典型解译标志示意图

3.1.2 分类结果
将分类结果与县级行政区的边界进行叠加（图9）,从2种作物种植的空间分布来看,冬小麦主要分布在长丰县中北部、肥西县中部、庐江县北部和东部,油菜主要分布在巢湖市中北部、肥西县东南部以及肥东县的东部地区等。就各县（市、区）而言,冬小麦种植面积由小到大次为瑶海区、蜀山区、庐阳区、包河区、巢湖市、肥东县、庐江县、长丰县、肥西县,油菜种植面积由小到大依次为长丰县、巢湖市、肥东县、肥西县、庐江县、包河区、瑶海区、蜀山区、庐阳区。
Fig. 9 Spatial distribution of winter wheat and rapeseed in Hefei City

图9 合肥市冬小麦和油菜空间分布

3.1.3 精度验证
为了检验研究区冬小麦和油菜的分类精度,本研究使用199个冬小麦样本点、315个油菜样本点和204个其它植被样本点,结合实际的分类结果,进行精度验证。得到分类结果的混淆矩阵,并根据混淆矩阵数据计算出总体精度为94.43%,Kappa系数为0.914（表4）。
Tab. 4 Confusion matrix and classification accuracy

表4 混淆矩阵和精度

地面类型 像元数/个 使用者
精度/%
冬小麦 油菜 其他植被
冬小麦 179 6 2 95.72
油菜 13 300 3 95.72
其他植被 7 9 199 92.56
生产者精度/% 89.95 95.24 97.55
总体精度/% 94.43
kappa系数 0.914

3.2 讨论

本研究使用多源遥感影像数据进行分类,综合考虑遥感影像的空间分辨率、时相、幅宽、云量和几何精度等因素,最大限度的使得在研究区域范围内,可以使用效果最佳的遥感影像进行分类,并取得了精度与可信度均较高的分类结果。在今后的研究中将更多的尝试结合不同的国产高分数据进行分类。
本研究中分类误差的来源主要从以下3个方面进行分析：① 地形影响：研究区境内丘陵地带较多,很多油菜种植在山坡上,若遥感影像的时相未选取油菜的开花期,很容易与山上的其它植被所混淆。② 地块破碎程度：研究区境内的地块大都呈破碎且零星分布的趋势,在进行多尺度分割的时候,从田块尺度来看,分割出的影像对象对于大田的表达较为冗余,而对于破碎的小田块则混入了其它地类的信息。③ 混合像元效应：研究区境内部分地区冬小麦油菜的插花种植和丘陵地带油菜的零星分布,均使得在像元尺度上很难对种植区的边界信息进行准确的表达。在今后的研究中将在结合坡度信息的基础上,结合多光谱甚至高光谱数据,继续深入探索分析冬小麦和油菜的光谱特性;对于大田分布较多的区域,进一步探索多尺度分割的参数,使得分割得到的影像对象能够简洁表示地块信息;对于地块破碎程度较高的区域,尝试使用空间分辨率更高的遥感数据源进行分类,以尽可能地消除混合像元效应,并在一次多尺度分割的基础上,进行多次多尺度分割,以寻求地块信息的最佳表达。
本研究主要使用油菜开花期以及附近时相的遥感影像进行分类,且分类效果良好。但由于光学遥感影像数据本身受云量的限制较大,难以保证可以获取涵盖油菜开花期最佳时相及附近时相,且覆盖整个研究区域的数据。在今后的研究中,在使用多源光学遥感数据的基础上,将尝试使用多时相光学遥感影像构建时间序列数据,以弥补可能存在的单时相数据完整性问题,并进一步探索使用非光学遥感影像数据（如SAR、Lidar数据等）进行分类。
本研究的研究区为合肥市,其空间范围内作物的生育期差异较小。但在范围更大区域的尺度上,由于不同的气候特点或当地作物种植时间的差异,会造成冬小麦与油菜的生育期产生一定的偏移,它们对应的光谱曲线特征以及在遥感影像上显示出的色彩也会产生一定的差异。在今后探索更大区域的作物分布过程中,应探索冬小麦和油菜分区域提取的方法。
本研究中,单景影像的分类结果与相邻影像的分类结果存在一定的接边问题。在今后的研究中,应该进一步探讨分类结果街边出的拓扑检查和拼接处理等相关过程的方法。

4 结论

本研究利用多源遥感影像数据,以高程、坡度等数据为辅助信息,基于面向对象的分类思想,使用最邻近分类法和阈值法相结合的方法,提取了合肥市的冬小麦和油菜的空间分布信息,并结合地面观测数据进行结果检验,主要得到以下结论：
（1）由于冬小麦和油菜的生育期在2月下旬到4月中旬初极为相似,故本研究选择3月下旬作为关键时间点,利用该时相油菜处在开花期时冬小麦与其在光谱信息上的差异进行分类,且分类效果较好。
（2）最邻近分类的方法,基于监督分类的思想,可以全面且直观地对先验知识和经验进行表达;其中,样本选择的过程以冬小麦和油菜在对应时相的光谱特征为依据,使分类方法有据可依,从而使得分类具有较高的精度。
（3）使用阈值法对分类结果进行后处理,是分类过程的细致化和具体化的体现,可以有效消除部分由研究区内部不同地区的地形、种植方式等差异所造成的误差,从而提高了分类的精度。
（4）本研究较为成功且精准地提取了合肥市的冬小麦油菜的空间分布信息,在分区域建立分类规则体系的前提下,这种多策略结合的分类技术体系,可以适用于其他区域,甚至是更加大尺度条件下的作物分类。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
宋茜,周清波,吴文斌,等.农作物遥感识别中的多源数据融合研究进展[J].中国农业科学,2015,48(6):1122-1135.

[ Song Q, Zhou Q B, Wu W B, et al.Recent progresses in research of integrating multi-source remote sensing data for crop mapping[J]. Scientia Agricultura Sinica, 2015,48(6):1122-1135. ]

[2]
Ozdogan M.The spatial distribution of crop types from MODIS data: Temporal unmixing using independent component analysis[J]. Remote Sensing of Environment, 2010,114(6):1190-1204.

DOI

[3]
唐华俊,吴文斌,杨鹏,等.农作物空间格局遥感监测研究进展[J].中国农业科学,2010,43(14):2879-2888.<P><FONT face=Verdana>遥感技术因其高时效、宽范围和低成本等优点正被广泛应用于对地观测活动中,为大区域尺度掌握农作物空间格局提供了新的科学技术手段。本文系统总结了近10年来国内外农作物空间格局遥感监测在理论、方法、实践应用等方面取得的新进展,指出了亟待解决的问题,并对今后的发展方向进行了展望。研究认为,农作物种植面积遥感监测主要根据遥感传感器记录的不同农作物光谱特征的差异,进行不同农作物种植面积的识别,方法主要包括：基于光谱特征、基于作物物候特征和基于多源数据的农作物遥感识别方法。遥感技术应用于农作物复种模式监测主要根据时间序列植被指数描述的作物季节活动过程,利用不同的拟合方法得到作物生长曲线,实现作物复种模式有效监测。农作物种植方式遥感监测是更高层次的遥感应用,主要利用时间序列遥感数据,根据作物植被指数的变化规律区分不同作物生育周期,判断不同复种模式下作物的种植顺序和方式。在未来相当长的一段时间内,建立农作物空间格局遥感监测的理论和技术体系、发展和改进遥感影像分类方法、优化时间序列遥感数据平滑技术和提高信息提取的自动化与流程化将是农作物空间格局遥感监测需要重点解决的几个关键问题。<BR></FONT></P>

[ Tang H J, Wu W B, Yang P, et al.Recent progresses in monitoring crop spatial patterns by using remote sensing technologies[J]. Scientia Agricultura Sinica, 2010,43(14):2879-2888. ]

[4]
Brown J C, Kastens J H, Coutinho A C, et al. Classifying multiyear agricultural land use data from Mato Grosso using time-series MODIS vegetation index data[J]. Remote Sensing of Environment, 2013,130(4)3:9-50.

[5]
Zhang X, Zhang M, Zheng Y, et al.Crop mapping using PROBA-V time series data at the Yucheng and Hongxing Farm in China[J]. Remote Sensing, 2016,8(11):915.

DOI

[6]
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.介绍了遥感监测粮食作物播种面积的理论和现实意义,回顾了国内外基于常规方法、线状框架采样、面积框架采样、光谱混合模型(spectral mixture model , SMA)等方法进行植被制图和进行粮食作物识别研究的现状和存在的问题, 并对基于波谱库的农作物播种面积监测提出了建议。

[ Chen S S, Liu Q H, Chen L F, et al.Review of research advances in remote sensing monitoring of grain crop area[J]. Transactions of the Chinese Society of Agricultural Engineering, 2005,21(6):166-171. ]

[7]
Sun H, Xu A, Lin H, et al.Winter wheat mapping using temporal signatures of MODIS vegetation index data[J]. International Journal of Remote Sensing, 2012,33(16):5026-5042.

DOI

[8]
Brown M E.Remote sensing technology and land use analysis in food security assessment[J]. Journal of Land Use Science, 2016,11(6):623-641.

DOI

[9]
Singha M, Wu B, Zhang M.Object-based paddy rice mapping using HJ-1A/B data and temporal features extracted from time series MODIS NDVI data[J]. Sensors, 2016,17(1):10.

DOI

[10]
Zheng Y, Zhang M, Zhang X, et al.Mapping winter wheat biomass and yield using time series data blended from PROBA-V 100- and 300-m S1 products[J]. Remote Sensing, 2016,8(10):824.

DOI

[11]
王九中,田海峰,邬明权等.河南省冬小麦快速遥感制图[J].地球信息科学学报,2017,19(6):846-853.

[ Wang J Z, Tian H F, Wu M Q, et al.Rapid mapping of winter wheat in Henan province[J]. Journal of Geo-information Science, 2017,19(6):846-853. ]

[12]
Kun Jia, Qiangzi Li, Yichen Tian, et al.Crop classification using multi-configuration SAR data in the North China Plain[J]. International Journal of Remote Sensing, 2012,33(1):170-183.

DOI

[13]
许文波,张国平,范锦龙,等.利用MODIS遥感数据监测冬小麦种植面积[J].农业工程学报,2007,23(12):144-149.冬小麦是中国最主要的粮食作物之一，利用遥感技术进行冬小麦种植面积监测是粮食安全的核心内容之一。美国1999年发射的TERRA卫星上携带的中分辨率成像光谱仪(MODIS)具有独特的光谱、时相和空间分辨率，为大范围的冬小麦种植面积监测提供了可靠的数据源。但中国耕地破碎，即使是250 m分辨率的MODIS数据，采用传统的信息提取方法依然无法取得高的精度。因此结合多源遥感数据和GIS数据，建立了基于TERRA/MODIS数据的冬小麦种植面积遥感监测体系结构。首先利用IKONOS米级高分辨率遥感影像提取试验样区的地块图，用以指导野外采样工作；其次，在采样工作基础上，利用LANDSAT进行区域冬小麦种植面积提取；最后利用2002年TERRA/MODIS时间序列数据的混合像元线性分解模型进行河南省冬小麦种植面积的遥感监测，监测结果与国家统计数据相比，相对误差为5.25%，精度能满足农情监测的需要。研究结果为中国冬小麦种植面积遥感监测提供了一种业务化工作方法。

[ Xu W B, Zhang G P, Fan J L, et al.Monitoring winter wheat planting area using MODIS remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2007,23(12):144-149. ]

[14]
王启田,林祥国,王志军,等.利用面向对象分类方法提取冬小麦种植面积的研究[J].测绘科学,2008,33(2):143-146.

[ Wang Q T, Lin X G, Wang Z J, et al.Extraction of winter wheat planting area using object-oriented classification method[J]. Journal of Surveying and Mapping, 2008,33(2):143-146. ]

[15]
Pan Y, Li L, Zhang J, et al.Winter wheat area estimation from MODIS-EVI time series data using the Crop Proportion Phenology Index[J]. Remote Sensing of Environment, 2012,119(3):232-242.

DOI

[16]
佘宝,黄敬峰,石晶晶,等.基于红边位置变化特征的油菜种植区域提取[J].农业工程学报,2013,29(15):145-152.油菜种植区域的准确提取是进行长势监测、估产和灾情评估的前提，遥感手段已成为作物种植区域提取与监测的高效方法，而高光谱遥感具有波段多、波谱分辨率高、信息丰富等特点，因而提供了一种新的技术手段。为了探究高光谱遥感在作物识别与提取中的优势，该文基于2004年4月4日和5月6日2期EO-1 Hyperion影像，依据油菜盛花期到荚果期红边位置"蓝移"特征，区别于其他植被，实现了油菜种植区域的高光谱遥感提取。采用随机点验证方法对提取结果进行验证，总体精度为92.6%，Kappa系数为0.803，漏分和错分误差均处在合理的范围之内。该方法充分利用了高光谱遥感手段可提取植被红边参数的优势，且算法对地物光谱差异性不敏感，为油菜种植区域遥感提取提供了一套全新的思路与解决方案。

[ She B, Huang J F, Shi J J, et al.Extracting oilseed rape growing regions based on variation characteristics of red edge position[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(15):145-152. ]

[17]
王立辉,黄进良,孙俊英.基于线性光谱混合模型的油菜种植面积遥感监测方法研究[J].遥感信息,2010(3):55-59.

[ Wang L H, Huang J L, Sun J Y.Study on remote sensing monitoring of rape acreage based on Linear Spectral Mixture model[J]. Remote Sensing Information, 2010(3):55-59. ]

[18]
Fieuzal R, Baup F, Maraissicre C.Monitoring wheat and rapeseed by using synchronous optical and radar satellite data—from temporal signatures to crop parameters estimation[J]. Advances in Remote Sensing, 2013,2(2):162-180.

DOI

[19]
姬忠林,张月平,李乔玄,等.基于GF-1影像的冬小麦和油菜种植信息提取[J].遥感技术与应用,2017,32(4):760-765.

[ Ji Z L, Zhang Y P, Li Q X, et al.Planting information extraction of winter wheat and rape based on GF-1 image[J]. Remote Sensing Technology and Application, 2017,32(4):760-765. ]

[20]
梁益同,万君.基于HJ-1A/B-CCD影像的湖北省冬小麦和油菜分布信息的提取方法[J].中国农业气象,2012,33(4):573-578.利用不同时期HJ-1A/B-CCD影像提取湖北省冬小麦和油菜分布信息。计算冬小麦、油菜不同生长期的NDVI曲线，通过野外调查和测量，获取冬小麦、油菜和其它典型地物的光谱特征。确定CCD影像提取冬小麦和油菜信息的最佳时相及不同地物在CCD影像上的色彩特征。采取最大似然分类法，对CCD影像进行分类，提取冬小麦、油菜分布信息。结果表明，HJ-1A/B-CCD影像提取精度达95.48%，可以用于提取冬小麦、油菜分布信息；对于湖北省而言，3月中、下旬（冬小麦拔节、油菜开花）是HJ卫星提取冬小麦、油菜信息的最佳时相；在最佳时相内，冬小麦和油菜具有不同的光谱特征和CCD影像色彩特点，且样本分布服从近似正态分布，可以用最大似然方法提取其信息。

DOI

[ Liang Y T, Wan J.Application of HJ-1A/B-CCD images in extracting the distribution of winter wheat and rape in Hubei province[J]. Chinese Journal of Agro-meteorology, 2012,33(4):573-578. ]

[21]
鲍恩财,田争光,刘伟伟等.主要农作物秸秆资源调查及能源化利用评价——以安徽省为例[J].中国农学通报,2014,30(29):222-228.

[ Bao E C, Tian Z G, Liu W W, et al.Main crop straw resources investigation and energy utilization evaluation—taking Anhui province as an example[J]. Chinese Agricultural Science Bulletin, 2014,30(29):222-228. ]

[22]
申科.主要作物物候历[EB/OL]., 2016-2-16.

[ Shen K, Major crop phenology[EB/OL]. , 2016-2-16. ]

[23]
中国资源卫星应用中心.高分一号[EB/OL]., 2014-10-15.

[ CRESDA, Gaofen-1 satellite[EB/OL]. , 2014-10-15. ]

[24]
中国资源卫星应用中心.资源三号[EB/OL]., 2014-10-15.

[ CRESDA. Ziyuan-3 satellite[EB/OL]. , 2014-10-15. ]

[25]
Suhet.Sentinel-2 User Handbook[EB/OL].,2013-9-1.

[26]
吴炳方,田亦陈,李强子. GVG农情采样系统及其应用[J].遥感学报,2004,8(6):570-580.介绍了通过对GPS、VIDEO摄像头、GIS的综合集成 ,用于野外农作物采样的信息快速采集、定位和处理分析系统 ,简称为GVG农情采样系统。系统包括影像采集卡、视频摄像头、GPS接收卡、GPS天线和工控计算机 ,在野外采集时采用汽车为主要工作平台 ,以各级公路为样线进行动态采样。系统工作时实时采集GPS信号 ,捕捉视频影像 ,同时根据GPS位置自动获得GIS属性信息 ,并自动记录在后台数据库。野外工作结束后 ,系统提供的功能允许操作人员对每条记录的照片中各类农作物所占比例进行赋值 ,统计单元内各种作物的分类成数 ,包括采样线、县级、农业区划级和省级单元。GVG系统的自动数据采集方式和GIS支持下的图像分析和统计方法提高了数据的采集和室内数据分析的效率 ,同时保证了采样的精度 ,经过不同地区的精度检验 ,作为“中国农情遥感监测系统”的重要组成部分 ,在全国范围内对大宗农作物分类成数的监测精度达到 95 %以上。

DOI

[ Wu B F, Tian Y C, Li Q Z.GVG, a crop type proportion sampling instrument[J]. Journal of Remote Sensing, 2004,8(6):570-580. ]

[27]
Witharana C, Civco D L.Optimizing multi-resolution segmentation scale using empirical methods: Exploring the sensitivity of the supervised discrepancy measure Euclidean distance 2 (ED2)[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2014,87(1):108-121.

[28]
佃袁勇,方圣辉,姚崇怀.多尺度分割的高分辨率遥感影像变化检测[J].遥感学报,2016,20(1):129-137.

[ Yan Y Y, Fang S H, Yao C H.Change detection for high-resolution images using multilevel segment method[J]. Journal of Remote Sensing, 2016,20(1):129-137. ]

[29]
吴剑. 基于面向对象技术的遥感震害信息提取与评价方法研究[D].武汉:武汉大学,2010

[ Wu J.The research of earthquake information extraction and assessment based on object-oriented technology with remotely-sensed data[D]. Wuhan: Wuhan University, 2010. ]

[30]
杨飞,刘丽峰,王学成.基于面向对象方法和SPOT5的丘陵山区林地分类研究[J].林业资源管理,2014(5):92-99.

[ Yang F, Liu L F, Wang X C.Study on forest classification based on object-oriented method and SPOT5 images in hilly mountain area[J]. Forest Resources Management, 2014(5):92-99. ]

[31]
胡琰. 基于OBIA方法的土地利用遥感变化检测研究[D].西安:长安大学,2017.

[ Hu W.Study on land use remote sensing detection based on OBIA method[D]. Xi'an: Chang'an University, 2017. ]

[32]
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.森林的常绿、落叶特征是土地覆被产品的重要属性.由于山区地形复杂,地表遥感辐射信号地形效应明显,导致山区森林常绿、落叶特征遥感自动识别一直是难点.提出了一种基于阈值法的山区森林常绿、落叶特征遥感自动识别简单实用方法.该方法利用多源、多时相遥感影像,选择归一化植被指数(NDVI)为指标,通过统计参考样本的NDVI在生长季和非生长季的差异,自动找出区分常绿、落叶特征的阈值,基于判别规则识别山区森林常绿、落叶特征.以贡嘎山地区为例,分别以多时相Landsat TM影像(简称TM)、多时相环境减灾卫星影像(简称HJ)为单源数据,多时相的HJ、TM组合影像为多源数据,验证该方法的有效性.实验结果表明,该方法能够有效识别山区森林常绿、落叶特征,总体精度达到93.87%,Kappa系数为0.87.该方法适用于山区大面积森林常绿、落叶特征遥感自动提取,已被成功应用于"生态十年"专项西南地区土地覆被数据的生产.

DOI

[ Lei G B, Li A N, Bian J H, et al.A 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. ]

[33]
Yi L, Zhang G.Object-oriented remote sensing imagery classification accuracy assessment based on confusion matrix[C]// International Conference on Geoinformatics. IEEE, 2012:1-8.

Options
Outlines

/

〈 〉