基于決策樹和面向對象的作物分布信息遙感提取

周靜平　李存軍，2　史磊剛　史　姝　胡海棠　淮賀舉

(1.北京農業(yè)信息技術研究中心， 北京 100097； 2.北京智慧農業(yè)物聯(lián)網產業(yè)技術創(chuàng)新戰(zhàn)略聯(lián)盟， 北京 100097；3.四川省第三測繪工程院， 成都 610500)

?

基于決策樹和面向對象的作物分布信息遙感提取

周靜平1李存軍1，2史磊剛1史姝3胡海棠1淮賀舉1

(1.北京農業(yè)信息技術研究中心， 北京 100097； 2.北京智慧農業(yè)物聯(lián)網產業(yè)技術創(chuàng)新戰(zhàn)略聯(lián)盟， 北京 100097；3.四川省第三測繪工程院， 成都 610500)

利用我國2012年4—11月覆蓋主要農作物全生育期的23幅中分辨率HJ-1A/1B衛(wèi)星時序影像，采用決策樹和面向對象相結合的分類方法提取黑龍江省雙河農場主要農作物分布信息，并與傳統(tǒng)決策樹分類方法進行對比。通過影像預處理構建時序HJ星影像集，先利用面向對象方法提取道路，為作物提取排除田間道路及附屬地物干擾；再結合作物物候歷分析不同地物光譜和時序特征，篩選出7個特征指數(shù)和14個敏感時相，建立決策樹分類模型，提取出玉米和水稻。研究表明，多特征指數(shù)輔助作物分類十分有效，尤其是歸一化水指數(shù)NDWI對水稻提取非常有效；較之傳統(tǒng)決策樹分類，決策樹和面向對象相結合的分類方法能有效剔除田間道路及附屬林帶溝渠對作物分類的干擾，總體分類精度從89.22%提升至95.18%，該方法可為其他地區(qū)利用中分辨率遙感影像低成本高精度提取作物分布信息提供借鑒。

遙感; 作物分布； 信息提?。?決策樹; 面向對象

引言

農作物空間分布信息是研究農業(yè)生產和發(fā)展的基礎信息，通過遙感監(jiān)測及時準確地獲取農作物分布信息、掌握農作物種植面積，對于確保我國農業(yè)的可持續(xù)發(fā)展和糧食安全具有重要意義。但我國農田間普遍分布著林網林帶及道路溝渠，雖然對于提升農田質量有重要的促進作用，但在中低分辨率遙感影像上，這些田間道路及附屬地物與農田交錯分布，農田邊界區(qū)域極易存在混合像元，嚴重影響著農作物高精度遙感分類。

目前，農作物遙感監(jiān)測精度提高主要通過改善影像的時間分辨率、空間分辨率和光譜分辨率來實現(xiàn)[1-3]。由于高空間分辨率和高光譜分辨率影像價格昂貴、不易獲取，且不同作物的光譜比較相似，加上有地被植物干擾，僅依靠單一影像進行分類，精度十分受限。高時間分辨率影像盡管在空間和光譜上不夠精細，但重訪周期短、數(shù)據成本低，利用多時相影像即可對不同作物生長時間差異和物候特征進行精細刻畫，特別是MODIS、HJ-1A/1B等國內外高時間分辨率影像可免費獲得，這也為其在作物遙感監(jiān)測上的廣泛應用提供了便利[4-6]。時序遙感影像不僅具有單一時相影像的光譜信息，還具有豐富的時間序列信息，在作物分布信息提取中具有重要意義。目前已有很多學者利用多時相數(shù)據進行遙感監(jiān)測[7-15]。這些研究大多是根據作物生育期內某些時相植被指數(shù)的時序特征通過單一遙感算法進行作物分類的，采用多種遙感分類方法優(yōu)勢互補及常用植被指數(shù)外其他多特征指數(shù)綜合應用的研究還較少，且未充分考慮田間林網林帶及道路溝渠對農田邊界提取的影響。因此，有必要利用農作物多特征指數(shù)的時序特征，結合決策樹和面向對象的分類方法，開展田間道路及附屬林帶監(jiān)測和作物分布信息提取研究。

本文利用2012年黑龍江省雙河農場HJ-1A/1B衛(wèi)星時序影像，根據遙感影像中不同農作物多特征指數(shù)的差異，采用決策樹和面向對象相結合的分類方法，在排除田間道路及附屬林帶溝渠干擾的基礎上進行主要農作物分布信息提取。

1　數(shù)據和方法

1.1研究區(qū)概況

研究區(qū)雙河農場位于黑龍江省齊齊哈爾市甘南縣中東部，阿倫河西岸，大興安嶺南坡與松嫩平原交界處(120°38′～120°57′E,47°41′～48°01′N)。雙河農場所處區(qū)域屬寒溫帶大陸季風氣候，四季分明；正常年均氣溫2.6℃，最高溫度39.2℃，最低溫度-35.4℃；日平均氣溫大于10℃有139 d，積溫2 562.9℃；年均降水量455.2 mm。雙河農場是規(guī)模化綠色生產基地，農場耕地約2萬hm2，地勢平坦、土地連片、田塊整齊、土壤肥沃、光照充足、水資源豐富。主要種植玉米和水稻，其他作物有大豆、雜糧(綠豆、黑豆、紅小豆等)及蔬菜等，農場內部林地零星分布，東部邊界區(qū)域遍布草地和葦?shù)貫┩浚⑶覔碛邢鄳慕ㄖ案綄僭O施，主要農作物玉米、水稻及其他作物的生育期在每年4—10月份。

1.2數(shù)據及預處理

1.2.1遙感數(shù)據

根據雙河農場玉米、水稻等主要農作物的生育期，選用2012年4月3日—11月9日覆蓋主要農作物全部生育期的HJ-1A/1B衛(wèi)星影像數(shù)據，共計23幅(表1)。影像的空間分辨率為30 m，時間分辨率為2 d，云量均少于3%，全部影像數(shù)據均源自中國資源衛(wèi)星應用中心網站。另外，還選用已經過校正的1幅研究區(qū)2000年6月28日的Landsat TM數(shù)據，用于對HJ-1A/1B衛(wèi)星影像數(shù)據進行幾何校正；選用雙河農場土地利用現(xiàn)狀圖、農場行政矢量邊界和實地調研資料等來輔助影像數(shù)據進行分類。

表1　HJ-1A/1B衛(wèi)星影像數(shù)據Tab.1　HJ-1A/1B satellite images data

1.2.2樣點數(shù)據

通過野外實地調研，發(fā)現(xiàn)地物主要有水稻、玉米、其他作物、林木、天然草地、建筑、道路、閑田、葦?shù)貫┩?類地物，調查了41個樣點和16個樣區(qū)的地物類型并記錄了GPS位置信息。由于田塊內作物長勢存在空間變異，以致同一地塊內相同作物的光譜曲線也會存在一定差別，為削弱相同作物的光譜差異、精確設定決策樹規(guī)則閾值及精度檢驗，在調研樣地內，以Google Earth高分辨率影像和雙河農場土地利用現(xiàn)狀圖為基準，按照樣點數(shù)量充足、主要地物多樣點和樣點均勻分布的原則，對樣點進行加密，最終樣點總數(shù)為3 545個(其中水稻988個，玉米931個，其他作物112個，林木179個，天然草地289個，建筑200個，道路423個，閑田238個，葦?shù)貫┩?85個)，如圖1所示。

圖1　雙河農場樣點分布圖Fig.1　Sampling point distribution map in Shuanghe Farm

1.2.3遙感數(shù)據預處理

對所獲HJ-1A/1B衛(wèi)星影像進行一系列預處理可提高影像質量，構建研究區(qū)時間序列影像集。預處理主要包括：①輻射校正。依據輻射亮度和行星反射率進行輻射校正，所用參數(shù)來自影像數(shù)據頭文件、中國資源衛(wèi)星應用中心及USGS網站[16-19]。②幾何校正。以研究區(qū)2000年6月28日的Landsat TM影像為基準，對HJ-1A/1B衛(wèi)星所有影像進行幾何校正，誤差控制在0.5個像元內，保證了23幅影像的良好匹配，在此基礎上構建了研究區(qū)2012年包含23個時相的HJ-1A/1B衛(wèi)星時間序列影像集。

Lλ=GDN+B

(1)

式中Lλ——輻射亮度

DN——影像的像元灰度

G——增益B——偏置

(2)

式中ρ——行星反射率

D——日地距離

Eλ——大氣層外太陽光譜輻照度

θ——太陽天頂角

1.3指數(shù)選擇與計算

植被指數(shù)是利用遙感影像不同波段數(shù)據組合而成的能夠反映植物生長狀況的指數(shù)[20]。物理原理是依據植物葉片組織在藍光和紅光波段有強烈的吸收特性，在綠光尤其是近紅外波段有強烈的反射特性[21]。植被指數(shù)隨植物生物量的增加而迅速增大，已被廣泛地應用于地物識別和植被信息提取中。為了使不同農作物能夠有效被區(qū)分，采用NDVI(Normalized difference vegetation index)、DVI(Difference vegetation index)、EVI(Enhanced vegetation index)和RVI(Ratio vegetation index)4種植被指數(shù)。

水稻是雙河農場的主要農作物之一，并且是唯一的水生作物，根據其水生特點，還選用了歸一化水指數(shù)NDWI(Normalized difference water index)。通過計算，構建出雙河農場2012年23個時相的HJ-1A/1B衛(wèi)星5個指數(shù)時間序列影像集，用于作物分類。各指數(shù)計算公式分別為

(3)

VDVI=ρNIR-ρR

(4)

(5)

(6)

(7)

式中VNDVI——歸一化植被指數(shù)

VDVI——差值植被指數(shù)

VEVI——增強型植被指數(shù)

VRVI——比值植被指數(shù)

VNDWI——歸一化水指數(shù)

ρNIR——近紅外波段反射率

ρR——紅波段反射率

ρG——綠波段反射率

ρB——藍波段反射率

L——土壤調節(jié)系數(shù)，取1

1.4分類方法

圖2　雙河農場2012年7月16日綠波段影像及道路分布圖Fig.2　Green band image on July 16, 2012 and road map in Shuanghe Farm

針對研究區(qū)不同地物的空間和物候特征，采用面向對象分類方法對田間道路及附屬林帶進行監(jiān)測，在排除田間道路及附屬林帶溝渠干擾的基礎上，利用決策樹分類方法對研究區(qū)進行主要農作物分布信息提取。

面向對象分類方法是以影像分割后的同質區(qū)域為分析目標，充分利用空間信息(如地物大小、形狀、紋理、拓撲關系等)并結合光譜信息進行影像分類。由于雙河農場道路多為田間小路，道路與田塊毗鄰，路邊還種植樹木，且有供水排澇溝渠，田間道路區(qū)域存在混合像元現(xiàn)象，利用基于像素的分類方法較難將道路及其附屬林帶溝渠與相鄰田塊分離；但是研究區(qū)土地連片，田塊整齊，道路紋理特征明顯，比較適合使用面向對象分類方法進行道路提取，為后續(xù)作物信息提取排除田間道路及附屬林帶溝渠干擾。

決策樹分類主要基于遙感影像等空間數(shù)據，通過對其進行邏輯推理、數(shù)理統(tǒng)計、綜合分析和歸納總結，采用自頂而下的遞歸方式，形成分類規(guī)則進行分類。決策樹分類非常適合對無次序、無規(guī)則的多種空間數(shù)據通過尋找內部暗藏規(guī)律進行分類。本研究需對包含23個時相的時序影像集及9個指數(shù)時序影像集進行空間綜合分析，從中篩選合適的特征參數(shù)和敏感時相；且不同作物生長具有明顯的物候特征，在不同特征參數(shù)的敏感時期存在一定差異，通過合適的分類規(guī)則和閾值設定，容易進行作物區(qū)分，故采用決策樹分類方法。

2　結果分析

2.1道路及附屬林帶溝渠遙感提取

研究區(qū)道路多為田間小路，寬度在10 m以內，路邊大多種植行道樹，且路邊溝渠多生長雜草，像元分辨率為30 m，所以邊界農田、田邊道路、行道樹及溝渠分布在一個像元內，存在嚴重的混合像元現(xiàn)象，以致僅依靠波譜時相特征較難區(qū)分，因此田間道路及附屬提取的精確與否直接影響到邊界地塊內農作物提取精度。由于雙河農場種植規(guī)模較大、地塊規(guī)整、道路及附屬林帶溝渠(以下簡稱：道路)幾何特征明顯，從2012年7月16日的綠波段影像(圖2a)中能明顯看出道路的大致分布，因此，采用面向對象的分類方法，使用Trimble eCognition Developer 64軟件，對2012年7月16日綠波段影像，根據影像像素值、要素長寬比、紋理參數(shù)等，進行道路提取，形成了道路分布圖(圖2b)。隨后，利用道路分布圖，對各特征波段影像進行掩膜處理，為后續(xù)田間農作物信息的提取排除了田間道路及附屬林帶溝渠干擾。

2.2地物特征參數(shù)和敏感時相選取

根據所選樣點，隨機抽取2/3的樣點，對研究區(qū)2012年23個時相的HJ-1A/1B衛(wèi)星時間序列影像集及5個指數(shù)時間序列影像集進行信息提取，得到了9類地物在ρB(藍波段反射率)、ρG(綠波段反射率)、ρR(紅波段反射率)、ρNIR(近紅外波段反射率)及NDVI、DVI、EVI、RVI、NDWI共9個特征指數(shù)的像元值。通過對各地物計算各特征參數(shù)像元均值，并繪制曲線圖，結果如圖3所示。

從圖3中可看出：由于本文影像分辨率為30 m，道路、建筑等地物的特征指數(shù)隨時間變化本應該穩(wěn)定在一個常值，卻因為混合像元的存在而發(fā)生了浮動，但整體趨勢與植被仍有較大差異。藍波段對于地物區(qū)分不明顯，故舍棄。紅、綠、近紅外波段對于地物區(qū)分不十分顯著，但可用于輔助分類。近紅外波段及4個植被指數(shù)整體趨勢均較一致，其中近紅外波段和EVI趨勢最為接近，均是在5月底開始，由于植被莖葉等營養(yǎng)器官開始快速生長，近紅外波段出現(xiàn)高反射，紅光波段出現(xiàn)高吸收，因此各植被指數(shù)開始迅速升高；到7月底，由于植被的營養(yǎng)器官發(fā)育趨于完善，葉面積等達到最大，各植被指數(shù)在此時到達峰值；此后植被繼續(xù)生長，但營養(yǎng)器官維持在相對穩(wěn)定的狀態(tài)，各植被指數(shù)也在高位維持平穩(wěn)；從8月底開始，各植被開始趨于成熟，營養(yǎng)器官開始逐步退化，各植被指數(shù)也開始降低；直到10月份，各農作物開始收獲，林木、草地等葉片枯黃掉落，各植被指數(shù)達到最低；故舍棄EVI，選取近紅外波段用于分類。從圖3可見，NDVI對于植被和非植被區(qū)分非常明顯；DVI對于草地區(qū)分明顯；RVI對于農作物區(qū)分明顯；NDWI對于水稻區(qū)分十分有利；9月20日以后各農作物生長器官逐漸成熟，陸續(xù)開始收割，各波段及植被指數(shù)均處于低值，這些時相影像對分類作用不大，故舍棄；4月3日—9月20日期間各參數(shù)曲線差異顯著利于分類，其中部分相鄰時相的參數(shù)曲線趨勢一致，通過調試選擇顯著差異的時相用于分類。

通過調試，最終選取了7個地物特征參數(shù)：NDWI、NDVI、RVI、DVI、ρNIR、ρR、ρG，14個敏感時相：2012年4月3日、2012年4月9日、2012年4月29日、2012年5月2日、2012年5月11日、2012年5月17日、2012年7月7日、2012年7月16日、2012年7月23日、2012年7月31日、2012年8月6日、2012年8月12日、2012年8月26日、2012年9月20日。根據研究區(qū)地物光譜特征和時相特征，依據光譜值差異最大、時相間差異最大的原則，當單地物差異明顯時進行單地物提取，多地物差異明顯時采取先多地物然后逐個提取的方法，通過不同時相影像數(shù)據的單加、多加、單減、多減、混合加減等手段，形成決策樹分類規(guī)則，進行地物分類，具體參數(shù)閾值如圖4所示。

圖3　雙河農場地物的9種特征指數(shù)時序變化曲線Fig.3　Time series curve of nine characteristic indexes in Shuanghe Farm

圖4　雙河農場地物分類流程圖Fig.4　Flow chart of terrain classification in Shuanghe Farm

2.3主要農作物分布結果

根據選取的地物特征參數(shù)和敏感時相，經過多次分析調試，確定出各地物分類閾值，形成雙河農場決策樹分類規(guī)則。利用道路分布圖對各特征波段影像進行掩膜處理后的影像，依據決策樹分類規(guī)則，通過ENVI軟件對研究區(qū)進行決策樹分類。最后，對主要農作物分布和道路分布進行疊加，將農場地物分成了玉米、水稻、其他作物、林木、天然草地、道路、建閑葦(建筑、閑田、葦?shù)貫┩?7類，最終形成雙河農場主要農作物分布圖。地物分類流程見圖4(流程表中上一步影像是下一步參數(shù)的數(shù)據源，參數(shù)采用縮寫形式，下標代表時相，例如：N0502表示5月2日的NDVI值，G0409表示4月9日的ρG影像值，N0716+0723表示7月16日和7月23日的NDVI值之和)，主要農作物提取結果見圖5a。此外，為對比驗證，單獨采用決策樹分類方法，對上述所篩選影像根據所確定的特征參數(shù)和參數(shù)閾值進行作物分類，主要農作物提取結果見圖5b。

圖5　雙河農場主要農作物分布圖Fig.5　Major crops map in Shuanghe Farm

對比圖5a和圖5b可以看出，采用單純決策樹分類方法的道路提取結果較差，不少道路被誤分進玉米和其他作物，決策樹和面向對象相結合的分類方法的道路提取結果較好，誤分現(xiàn)象明顯改觀，地塊邊界凸顯，作物分類結果較好。從圖5a中可以看出，玉米和水稻是雙河農場種植的主要農作物，成片分布，且種植地塊十分規(guī)整；其他作物(包括大豆、綠豆、黑豆、紅小豆等雜糧)也有分布，這與實地調研結果吻合。

2.4精度評估

通過計算混淆矩陣的方法對分類結果進行精度分析。根據所選全部樣點，將地物的最終分類結果與樣點屬性進行比對分析(表2)。

從表2可以看出，決策樹和面向對象相結合的分類方法明顯優(yōu)于單純的決策樹分類方法，利用決策樹和面向對象相結合進行作物提取的總精度達95.18%，Kappa系數(shù)為0.939 6，而單純利用決策樹進行作物提取的分類總精度只有89.22%，Kappa系數(shù)為0.8643。道路樣點共423個，單純決策樹分類結果中有115個被誤分為其他作物，177個被誤分為玉米，6個被誤分為水稻，總計有298個道路樣點因混合像元被誤分為農作物；決策樹和面向對象相結合的分類結果較之大幅改善，僅有36個被誤分為玉米，19個被誤分為其他作物，1個被誤分為水稻。從用戶精度來看，玉米精度從81.1%提升至93.49%，水稻精度也從98.78%提升至99.29%。值得一提的是，NDWI能夠對地物水分特征進行良好反映，利用該指數(shù)可以有效地將水稻與其他旱地作物進行區(qū)分，因此，水稻提取精度較高，制圖精度為98.99%、用戶精度為99.29%。

在地物分類過程中，其他作物的制圖精度為86.61%，用戶精度為56.73%，精度較低。這主要是由于其他作物種類較多，共同特征信息較難提取，與閑田等地物可分離度較差，因此有不少閑田、葦?shù)貫┩康缺徽`分為其他作物。盡管如此，天然草地、林木、建閑葦和道路的分類精度仍均在85%以上，在分類過程中，被有效地剔除出主要農作物，保證了信息提取的精度。主要農作物玉米和水稻的分類精度均在93%以上，可以滿足雙河農場生產管理者掌握主要農作物種植情況和合理調整農場種植結構的生產發(fā)展的需要。因此，利用決策樹和面向對象相結合的分類方法能有效去除田間道路及附屬林帶溝渠對作物提取的影響，作物提取精度較高，比較適合用于雙河農場主要農作物分布信息的提取。

表2　雙河農場地物分類精度Tab.2　Terrain classification accuracy in Shuanghe Farm

3　結論

(1)決策樹和面向對象相結合的分類方法能有效去除田間道路及附屬林帶溝渠對作物提取的影響，比較適合雙河農場及其他大農場類區(qū)域的高精度作物分布信息提取。雙河農場規(guī)模較大、田塊規(guī)整，地物幾何紋理特性較為凸顯，采用面向對象分類方法先提取出田間道路及附屬林帶溝渠，排除此干擾后對地物進行決策樹分類，作物提取精度較高。

(2)采用NDVI、NDWI、RVI、DVI、ρNIR、ρR、ρG多特征指數(shù)輔助分類十分有效，尤其是NDWI對水稻的分類提取很有幫助。

(3)本文地物分類精度總體較好，其中其他作物的用戶精度較低，這是因為研究區(qū)其他作物種類較多，各種作物種植面積較小，與葦?shù)貫┩康鹊匚镙^易混淆；道路提取時，主干道提取效果較好，田間小徑提取效果較差，這是因為本文所用的HJ-1A/1B星影像空間分辨率為30 m，對于路面太過狹窄的小徑不便提取。

1郝衛(wèi)平，梅旭榮，蔡學良，等. 基于多時相遙感影像的東北三省作物分布信息提取[J]. 農業(yè)工程學報，2011，27(1)：201-207.

HAO Weiping, MEI Xurong, CAI Xueliang, et al. Crop planting extraction based on multi-temporal remote sensing data in northeast China[J]. Transactions of the CSAE, 2011, 27(1): 201-207. (in Chinese)

2許文波，田亦陳. 作物種植面積遙感提取方法的研究進展[J]. 云南農業(yè)大學學報，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)

3徐新剛，李強子，周萬村，等. 應用高分辨率遙感影像提取作物種植面積[J]. 遙感技術與應用，2008，23(1)：17-23.

XU Xin’gang, LI Qiangzi, ZHOU Wancun, et al. Classification application of quickbird imagery to obtain crop planting area[J]. Remote Sensing Technology and Application, 2008, 23(1): 17-23. (in Chinese)

4余旭初，馮伍法，楊國鵬，等. 高光譜影像分析與應用[M]. 北京：科學出版社，2013.

5賈樹海，楊亮，王瀟雪. 基于多時相遙感影像的花生種植面積提取——以彰武縣北部為例[J]. 國土與自然資源研究，2014(1)：68-70.

JIA Shuhai, YANG Liang, WANG Xiaoxue. The area extraction of peanut in sandy soils based on multi-temporal remote sensing images—taking north of Zhangwu county as an example[J]. Territory & Natural Resources Study, 2014(1): 68-70. (in Chinese)

6李瑞平. 高光譜林業(yè)遙感分類研究進展[J]. 安徽農業(yè)科學，2014，42(9)：2801-2805.

LI Ruiping. Research progress analysis of hyperspectral remote sensing classification in forestry[J]. Journal of Anhui Agricultural Sciences, 2014, 42(9): 2801-2805. (in Chinese)

7DEFRIES R, HANSEN M, TOWNSHEND J R G, et al. A new global 1km data set of percentage tree cover derived from remote sensing[J]. Global Change Biology, 2000, 6(2): 247-254.

8JAKUBAUSKAS M E, LEGATES D R, KASTENS J H. Crop identification using harmonic analysis of time-series AVHRR NDVI data[J]. Computers and Electronics in Agriculture, 2002, 37(1): 127-139.

9BARRETT B, NITZE I, GREEN S, et al. Assessment of multi-temporal, multi-sensor radar and ancillary spatial data for grasslands monitoring in Ireland using machine learning approaches[J]. Remote Sensing of Environment, 2014, 152: 109-124.

10ZHENG B, MYINT S W, THENKABAIL P S, et al. A support vector machine to identify irrigated crop types using time-series Landsat NDVI data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34: 103-112.

11馬麗，徐新剛，賈建華，等. 利用多時相TM影像進行作物分類方法[J]. 農業(yè)工程學報，2008，24(增刊2)：191-195.

MA Li, XU Xin’gang, JIA Jianhua, et al. Crop classification method using multi-temporal TM images[J]. Transactions of the CSAE, 2008, 24(Supp.2): 191-195. (in Chinese)

12張榮群，王盛安，高萬林，等. 基于時序植被指數(shù)的縣域作物遙感分類方法研究[J]. 農業(yè)機械學報，2015，46(增刊)：246-252.

ZHANG Rongqun, WANG Sheng’an, GAO Wanlin, 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(Supp.): 246-252. (in Chinese)

13李志鵬，李正國，劉珍環(huán)，等. 基于中分辨TM數(shù)據的水稻提取方法對比研究[J].中國農業(yè)資源與區(qū)劃，2014，35(1)：27-33.

LI Zhipeng, LI Zhengguo, LIU Zhenhuan, et al. Contrasting two classification methods in mapping paddy rice using the mid-resolution TM images[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2014, 35(1): 27-33. (in Chinese)

14李鑫川，徐新剛，王紀華，等. 基于時間序列環(huán)境衛(wèi)星影像的作物分類識別[J].農業(yè)工程學報，2013，29(2)：169-176.

LI Xinchuan, XU Xin’gang, WANG Jihua, et al. Crop classification recognition based on time-series images from HJ satelite[J]. Transactions of the CSAE, 2013, 29(2): 169-176. (in Chinese)

15王久玲，黃進良，王立輝，等. 面向對象的多時相HJ星影像甘蔗識別方法[J].農業(yè)工程學報，2014，30(11)：145-151.

WANG Jiuling, HUANG Jinliang, WANG Lihui, et al. Identification of sugarcane based on object-oriented analysis using time-series HJ CCD data[J]. Transactions of the CSAE, 2014, 30(11): 145-151. (in Chinese)

16池宏康，周廣勝，許振柱，等. 表觀反射率及其在植被遙感中的應用[J]. 植物生態(tài)學報，2005，29(1)：74-80.

CHI Hongkang, ZHOU Guangsheng, XU Zhenzhu, et al. Apparent reflectance and its applications in vegetation remote sensing[J]. Acta Phytoecologica Sinica, 2005, 29(1): 74-80. (in Chinese)

17韋玉春，黃家柱. Landsat5圖像的增益、偏置取值及其對行星反射率計算分析[J]. 地球信息科學，2006，8(1)：110-113.

WEI Yuchun, HUANG Jiazhu. The gains/biases values and their effects on the calculation results of planetary reflectance in Landsat5 image[J]. Geo-Information Science, 2006, 8(1): 110-113. (in Chinese)18李莘莘，陳良富，陶金花，等. 基于HJ-1-CCD數(shù)據的地表反射率反演與驗證[J]. 光譜學與光譜分析，2011，31(2)：516-520.

LI Shenshen, CHEN Liangfu, TAO Jinhua, et al. Retrieval and validation of the surface reflectance using HJ-1-CCD data[J]. Spectroscopy and Spectral Analysis, 2011, 31(2): 516-520. (in Chinese)

19張周威，余濤，孟慶巖，等. HJ-1A/B衛(wèi)星數(shù)據幾何校正與輻射校正順序研究[J]. 武漢理工大學學報：交通科學與工程版，2013，37(4)：680-684.

ZHANG Zhouwei, YU Tao, MENG Qingyan, et al. Research on radiometric and geometric correction order of HJ-1A/B satellite data[J]. Journal of Wuhan University of Technology： Transportation Science & Engineering, 2013, 37(4): 680-684. (in Chinese)

20田慶久，閔祥軍. 植被指數(shù)研究進展[J]. 地球科學進展，1998，13(4)：327-333.

TIAN Qingjiu, MIN Xiangjun. Advances in study on vegetation indices[J]. Advance in Earth Sciences, 1998,13(4): 327-333. (in Chinese)

21王正興，劉闖，HUETE Alfredo.植被指數(shù)研究進展：從AVHRR-NDVI到MODIS-EVI[J].生態(tài)學報，2003，23(5)：979-987.

WANG Zhengxing, LIU Chuang, HUETE Alfredo. From AVHRR-NDVI to MODIS-EVI: advances in vegetation index research[J]. Acta Ecologica Sinica, 2003, 23(5): 979-987. (in Chinese)

Crops Distribution Information Extracted by Remote Sensing Based on Decision Tree and Object-oriented Method

Zhou Jingping1Li Cunjun1,2Shi Leigang1Shi Shu3Hu Haitang1Huai Heju1

(1.BeijingResearchCenterforInformationTechnologyinAgriculture,Beijing100097,China2.BeijingTechnologyInnovationStrategicAllianceforIntelligenceInternetofThingsIndustryinAgriculture,Beijing100097,China3.TheThirdSurveyingandMappingEngineeringInstituteofSichuan,Chengdu610500，China)

Accurately acquiring crops distribution information is of great significance for agricultural production management and yield estimation, but the roads, forest belts and ditches in the farmland seriously affect the accuracy of crops classification and extraction. Chinese small satellite constellation of small satellites for environment and disaster monitoring and forecasting (HJ-1A/1B satellite) is a good data source for crops classification, because it is free for researchers and has a higher spatial resolution of 30 m and a higher time resolution of two days. In this paper, Shuanghe farm in Heilongjiang province of China was the research area, 23 time-series HJ-1A/1B images which cover the growth period of the major crops from April 3th to November 9th, 2012, were used to monitor the roads and forest belts in the farm, extract spatial distribution of the major crops based on decision tree and object-oriented method, and the classification result was compared to traditional decision tree. The time-series image set and the time-series characteristic index set such as NDVI, DVI, RVI, EVI and NDWI were built after the original image data pretreatment. Firstly, the road in the farm was extracted with object-oriented classification based on elements of length-width ratio and other parameters, then the time-series set was masked by the road in order to rule out the interference of roads, forest belts and ditches for the extraction of crops information. Secondly, seven effective characteristic parameters and 14 sensitive time phases were chosen by using the object spectrum, time phase and time series characteristics. The thresholds of characteristic parameters were determined, and the decision tree classification model of major crops was established. Finally, the major crops in Shuanghe farm such as corn and rice were extracted. The result showed that using many characteristic indices to classify crops was very effective, and especially NDWI was very helpful for rice extraction. The method of decision tree and object-oriented classification was better than the traditional decision tree for extracting the spatial distribution of major crops in Shuanghe farm, it could effectively eliminate the interference of roads, forest belts and ditches in the farm for crops classification, and the total accuracy was increased from 89.22% to 95.18%. The integration of decision tree and object-oriented classification can provide reference for crops distribution information extraction in other agricultural areas with low cost and high precision.

remote sensing; crops distribution; information extraction; decision tree; object-oriented

10.6041/j.issn.1000-1298.2016.09.043

2016-05-17

2016-06-27

國家自然科學基金項目(41171281)

周靜平(1987—)，女，研究實習員，主要從事“3S”技術農業(yè)應用研究，E-mail： zhoujp@nercita.org.cn

李存軍(1975—)，男，副研究員，主要從事農業(yè)遙感應用研究，E-mail： licj@nercita.org.cn

S127

A

1000-1298(2016)09-0318-09