作物遙感識別方法研究現(xiàn)狀及展望

趙子娟 劉東 杭中橋

摘要：作物遙感識別是作物面積提取、長勢監(jiān)測、估產(chǎn)和時(shí)空分布研究的前提和基礎(chǔ)。遙感識別作物方法多樣，優(yōu)勢各異，應(yīng)用性不同。本文系統(tǒng)梳理了基于光譜特征識別作物、基于紋理特征識別作物、基于物候特征識別作物及其他作物遙感識別的方法，歸納總結(jié)了每類方法的原理、優(yōu)缺點(diǎn)和適用范圍，指出了需進(jìn)一步研究和解決的問題，并對今后的發(fā)展方向進(jìn)行了展望，以期為作物遙感識別方法的應(yīng)用及作物遙感研究提供參考與支撐。

關(guān)鍵詞：遙感;作物;識別;方法;分類;現(xiàn)狀;展望

中圖分類號： S127 ?文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2019）16-0045-07

收稿日期：2018-05-08

基金項(xiàng)目：國家自然科學(xué)基金（編號：41671525、41101553）;北京市自然科學(xué)基金（編號：8152030）;國家重點(diǎn)研發(fā)計(jì)劃（編號：2016YFC0503500）。

作者簡介：趙子娟（1993—），女，河北霸州人，碩士研究生，主要從事農(nóng)業(yè)遙感作物分類及空間格局演變研究。

通信作者：劉 東，博士，講師，主要從事資源開發(fā)與區(qū)域發(fā)展研究。

大宗作物的面積、產(chǎn)量等數(shù)據(jù)是糧食生產(chǎn)的重要指標(biāo)，是國家制定糧食政策和國民經(jīng)濟(jì)發(fā)展計(jì)劃的重要依據(jù)。起初獲取作物種植面積、產(chǎn)量等信息主要依靠農(nóng)學(xué)方法進(jìn)行抽樣，采用農(nóng)學(xué)模式和氣象模式，但這些模式計(jì)算繁雜，并且野外工作量大、成本高，人為因素影響較大，準(zhǔn)確率難以提高[1]。遙感技術(shù)是新型對地觀測技術(shù)，具有覆蓋面積大、重訪周期短、多時(shí)空分辨率等優(yōu)勢，成為獲取作物空間信息的重要手段，并廣泛應(yīng)用于農(nóng)業(yè)研究[2]。作物識別和分類是作物面積提取、長勢監(jiān)測、災(zāi)害風(fēng)險(xiǎn)預(yù)判、估產(chǎn)以及時(shí)空分布研究的前提[3]，是現(xiàn)代智慧農(nóng)業(yè)進(jìn)行精細(xì)化動態(tài)管理的基礎(chǔ)。20世紀(jì)60年代，美國Purdue大學(xué)率先進(jìn)行玉米種植面積遙感監(jiān)測，開創(chuàng)了作物遙感監(jiān)測的先河。隨后，歐盟國家相繼建立作物估產(chǎn)系統(tǒng)，為制定歐盟統(tǒng)一農(nóng)業(yè)政策奠定了基礎(chǔ)[4]。我國農(nóng)業(yè)遙感研究及應(yīng)用起步相對較晚，1979年由遙感應(yīng)用學(xué)家陳述彭先生最早倡導(dǎo)。20世紀(jì)80年代中期至90年代，先后建立小麥、玉米、水稻動態(tài)監(jiān)測及估產(chǎn)業(yè)務(wù)系統(tǒng)[5-6]?？v觀作物遙感監(jiān)測發(fā)展進(jìn)程（圖1），作物遙感監(jiān)測范圍從單一國家擴(kuò)大到全球，從小麥單一作物發(fā)展到小麥、水稻和玉米等多種作物遙感估產(chǎn)研究。

我國是人口大國，糧食安全問題歷來是國內(nèi)外關(guān)注的焦點(diǎn)[7]。家庭聯(lián)產(chǎn)承包責(zé)任制決定了我國農(nóng)村作物種植結(jié)構(gòu)分布的分散性、地域復(fù)雜性和管理的多樣性。發(fā)揮遙感技術(shù)在農(nóng)業(yè)生產(chǎn)中的優(yōu)勢，對我國加強(qiáng)作物生產(chǎn)管理，制定科學(xué)合理的糧食政策、保障糧食安全更具現(xiàn)實(shí)性和緊迫性。隨著遙感技術(shù)的飛速發(fā)展，?基于遙感數(shù)據(jù)的作物識別方法與手段不斷成熟，不同方法的原理不同，優(yōu)勢各異，應(yīng)用領(lǐng)域也各有側(cè)重。本文重點(diǎn)分析了基于光譜特征識別作物、基于紋理特征識別作物、基于物候特征識別作物及其他遙感識別作物的方法，歸納總結(jié)了每類方法的原理、優(yōu)缺點(diǎn)和適用范圍，指出了需進(jìn)一步提高和解決的問題，并對今后發(fā)展方向進(jìn)行了展望，以期為作物遙感識別方法的應(yīng)用及作物遙感研究提供參考與支撐。

1 作物遙感識別方法

1.1 基于光譜特征的作物遙感識別方法

植被的光譜反射或發(fā)射特性由其生物化學(xué)特性和植被冠層形態(tài)結(jié)構(gòu)特征決定，并與植被的發(fā)育階段、健康狀況以及植被生境條件密切相關(guān)。作物光譜特征以亮度（DN）值形式體現(xiàn)，不同的作物在相同波段圖像上的亮度值一般不同，不同作物在多個(gè)波段圖像上呈現(xiàn)的亮度值規(guī)律也不完全相同。因此，利用作物特有的光譜反射特征，可以將作物與其他地物區(qū)分開[8]。這一光譜反射特性為利用衛(wèi)星影像進(jìn)行農(nóng)業(yè)遙感奠定了理論基礎(chǔ)。

利用單一波段或多波段的光譜數(shù)據(jù)分析提取作物面積及分布信息，具有一定局限性，且分類精度較低。以高光譜特征參數(shù)、光譜變換數(shù)據(jù)、常用指數(shù)等為主要指標(biāo)提取作物信息的方法，能夠有效提高作物遙感識別精度。高光譜特征參數(shù)包括光譜位置參數(shù)（SL）、光譜面積參數(shù)（SA）和植被指數(shù)參數(shù)（VI）等。光譜變換數(shù)據(jù)是對特定波長區(qū)間的原始光譜數(shù)據(jù)進(jìn)行微分、對數(shù)、歸一化、倒數(shù)變換等處理得到，常見的有一階微分變換、對數(shù)變換、歸一化變換等。常用指數(shù)是由光譜數(shù)據(jù)經(jīng)過加減乘除等線性或非線性組合運(yùn)算而來[2]，如NDVI、DVI等（表1）。各個(gè)參數(shù)和指數(shù)靈敏度不同，監(jiān)測識別作物的精度也不盡相同[9]。

1.1.1 目視解譯法

目視解譯法是指專業(yè)人員憑借光譜規(guī)律、地學(xué)規(guī)律和解譯經(jīng)驗(yàn)直接觀察或者借助判讀儀器依據(jù)遙感圖像的亮度、色調(diào)、位置、時(shí)間、紋理和結(jié)構(gòu)等特征獲取作物信息的過程[10]。目視解譯需要專業(yè)人員收集相關(guān)遙感信息、地形地貌信息和專業(yè)知識信息進(jìn)行初步解譯，再結(jié)合野外調(diào)查數(shù)據(jù)進(jìn)行詳細(xì)解譯，如此反復(fù)循環(huán)初步解譯、野外調(diào)查和詳細(xì)解譯過程，直到獲得滿意的解譯精度為止，最終完成專題制圖[11]。早期的作物遙感估產(chǎn)研究一般以目視解譯法為主，如NASA于1950年、1980年對美國作物種植面積、產(chǎn)量遙感估測。1983年我國對京津冀地區(qū)冬小麥遙感估產(chǎn)，都是采用目視解譯的方法。目視解譯的分類精度高，但要求工作人員經(jīng)驗(yàn)豐富，工作量大、繁瑣且耗時(shí)，不適用于大區(qū)域的作物遙感識別分類研究。借助計(jì)算機(jī)自動分類可大大提高目視解譯速度，計(jì)算機(jī)自動分類、人機(jī)交互式解譯、外業(yè)調(diào)繪有機(jī)結(jié)合，建立遙感信息解譯模型，可減少遙感影像中“同譜異物”和“同物異譜”現(xiàn)象的影響，有效提高目視解譯的精度[12]。

1.1.2 監(jiān)督分類法

監(jiān)督分類法又稱訓(xùn)練分類法，是用已知類別的樣本像元識別其他未知類別像元的過程。在目視解譯和野外調(diào)查的基礎(chǔ)上，對遙感影像上作物的類別屬性有了先驗(yàn)知識，針對各類別選取一定數(shù)量的訓(xùn)練樣本，計(jì)算機(jī)計(jì)算每種訓(xùn)練樣本的相關(guān)信息，用選取樣本訓(xùn)練判決函數(shù)，使判決函數(shù)滿足各種子類別分類的要求;用訓(xùn)練好的判決函數(shù)對其他待分類數(shù)據(jù)進(jìn)行分類，將每個(gè)像元和訓(xùn)練樣本作比較，按不同的規(guī)則將其劃分到與其最相似的樣本類，以此完成遙感識別作物的整個(gè)過程。監(jiān)督分類是借助計(jì)算機(jī)自動分類完成作物遙感識別的起源，需借助地面樣方調(diào)查樣點(diǎn)分類識別作物。美國的LACIE計(jì)劃就是在獲取地面樣方的前提下，對遙感影像進(jìn)行分層監(jiān)督分類[4]。謝登峰等以Landsat 8和 MODIS 為數(shù)據(jù)源，采用監(jiān)督分類識別秋糧作物，水稻和玉米的總體精度高達(dá)80%左右[13]。Azar等利用多時(shí)相Landsat8 OLI數(shù)據(jù)，采用監(jiān)督分類提取了意大利北部地區(qū)作物的種植面積，同樣得到較好的分類精度[14]。監(jiān)督分類應(yīng)用于遙感識別作物精確度高，準(zhǔn)確性好，與實(shí)際類別吻合性較好，但是工作量大，且必須有先驗(yàn)知識時(shí)才能使用該類方法。

1.1.3 非監(jiān)督分類法

非監(jiān)督分類法也稱“聚類分析”或“點(diǎn)群分類”，是在多光譜圖像中搜尋、定義自然相似光譜集群的過程。它與監(jiān)督分類不同，非監(jiān)督分類不必獲取先驗(yàn)知識，僅依靠遙感影像上作物的光譜（或紋理）信息特征提取，統(tǒng)計(jì)各種類特征的差別來達(dá)到分類的目的，最后對分類結(jié)果的實(shí)際屬性進(jìn)行確認(rèn)。經(jīng)典的非監(jiān)督分類方法有ISODATA算法、K均值分類法（K-Means）等。許亮等利用高分一號遙感影像，運(yùn)用非監(jiān)督分類，結(jié)合目視解譯，提取湖北省洪湖市冬小麥、油菜種植區(qū)，再針對種植區(qū)進(jìn)行二次非監(jiān)督分類，結(jié)果表明二次非監(jiān)督分類有效提高了解譯精度[15]。Karila等利用EO、SPOT遙感影像數(shù)據(jù)，采用非監(jiān)督分類提取越南三角洲作物種植面積[16]。非監(jiān)督分類應(yīng)用于遙感識別作物工作量小，易于實(shí)現(xiàn)。但作物分類效果與實(shí)際類別相差較大，準(zhǔn)確性差。在沒有類別先驗(yàn)知識的情況下可以使用該類方法。

值得一提的是，由于大區(qū)域農(nóng)業(yè)遙感數(shù)據(jù)量大、作物種類復(fù)雜，“同譜異物”和“同物異譜”的現(xiàn)象嚴(yán)重，單一分類方法往往不能滿足分類精度的要求。在實(shí)際研究中，往往將監(jiān)督分類和非監(jiān)督分類結(jié)合來提高作物的解譯精度。趙麗花等利用多時(shí)相H-J衛(wèi)星影像，選取冬小麥關(guān)鍵生育期影像，采用監(jiān)督分類與非監(jiān)督分類相結(jié)合的方法提取江蘇省泰州市姜堰區(qū)冬小麥的種植面積。結(jié)果表明，監(jiān)督分類與非監(jiān)督分類相結(jié)合進(jìn)行作物種植面積提取，不僅能夠提高分類精度，且工作效率高、空間匹配性較好[17]。

1.1.4 神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)法是以模擬人腦的神經(jīng)系統(tǒng)功能和結(jié)構(gòu)為基礎(chǔ)，建立數(shù)學(xué)分析處理系統(tǒng)，以此用于作物的遙感識別[18]。人工神經(jīng)網(wǎng)絡(luò)技術(shù)在遙感圖像分類處理中的應(yīng)用，主要有單一的BP神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、多層感知機(jī)、學(xué)習(xí)向量分層-2網(wǎng)絡(luò)、Kohonen自組織特征分類器、Hybrid學(xué)習(xí)向量分層網(wǎng)絡(luò)等多種分類器[19]。Chen等利用多時(shí)相MODIS數(shù)據(jù)，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型提取湖北省監(jiān)利縣指示洪澇災(zāi)害的農(nóng)作物種植結(jié)構(gòu)[20]。Pandey等利用作物參數(shù)作為輸入?yún)⒘?，田間產(chǎn)量作為輸出數(shù)據(jù)集，用于訓(xùn)練和測試神經(jīng)網(wǎng)絡(luò)，以此估算馬鈴薯種植面積[21]，都獲得了較高的識別精度。人工神經(jīng)網(wǎng)絡(luò)通過模擬人腦神經(jīng)系統(tǒng)和結(jié)構(gòu)應(yīng)用于遙感影像分類，具有一定的智能推理能力，可提高分類效率和分類精度，但構(gòu)建模型較為復(fù)雜。

1.1.5 模糊數(shù)學(xué)法

模糊數(shù)學(xué)法是利用隸屬度函數(shù)的相關(guān)規(guī)則，將語言變量轉(zhuǎn)化成模糊集合，通過模糊集合的運(yùn)算來描述、表達(dá)語言變量之間的相互關(guān)系，是一種不確定性推理的有效方法[22]。趙天杰等構(gòu)建了基于正態(tài)模糊分布函數(shù)的模糊神經(jīng)網(wǎng)絡(luò)模型，結(jié)合雙頻多極化SAR數(shù)據(jù)和多光譜數(shù)據(jù)對作物類型進(jìn)行識別，結(jié)果發(fā)現(xiàn)結(jié)合模糊分類技術(shù)的作物分類精度明顯提高[23]。Musande等利用遙感影像數(shù)據(jù)，對馬哈拉施特邦省奧蘭加巴縣的棉花進(jìn)行模糊分類，也獲得較好的分類精度[24]。模糊理論與分類模型結(jié)合，使影像分類方法不斷完善，分類精度不斷提高，但往往低效、耗時(shí)。

1.1.6 決策樹法

決策樹法是通過對訓(xùn)練樣本進(jìn)行歸納學(xué)習(xí)，生成決策規(guī)則，然后利用決策規(guī)則對數(shù)據(jù)進(jìn)行分類的一種數(shù)學(xué)方法[25]。這種方法應(yīng)用較多，如程良曉等[26]、Dong等[27]利用多時(shí)相HJ-CCD、MODIS NDVI數(shù)據(jù)，借助作物物候信息，采用決策樹分類法提取了張掖市、北京市農(nóng)作物種植結(jié)構(gòu)。田野等利用多時(shí)相HJ-CCD影像數(shù)據(jù)，分別采用決策樹法和監(jiān)督分類法對新疆奎屯市農(nóng)7師125團(tuán)棉花作物進(jìn)行解譯，結(jié)果表明兩者都能得到較好精度，但決策樹法更優(yōu)[28]。決策樹分類通過決策學(xué)習(xí)獲得分類規(guī)則，并借助GIS數(shù)據(jù)庫中的地學(xué)知識輔助分類，可大大提高分類精度[29]。同時(shí)，決策樹樣本屬于嚴(yán)格“非參”，不需分類樣本滿足服從正態(tài)分布，因此對分類數(shù)據(jù)的要求較低。決策樹方法適用于作物空間分布格局復(fù)雜、作物種類多的研究區(qū)。

1.1.7 混合像元分解法

利用中低分辨率影像數(shù)據(jù)識別作物，需考慮由于空間分辨率較低而導(dǎo)致的混合像元存在的問題。混合像元分解能夠在一定程度上提高作物種植面積估算的精度，使遙感識別作物種植面積更接近于實(shí)際?；旌舷裨纸夥ㄍㄟ^構(gòu)建模型進(jìn)行作物遙感識別分類研究，主要模型有線性光譜混合模型、非線性光譜混合模型、元胞自動機(jī)模型等。Wang等利用多時(shí)相MODIS數(shù)據(jù)，利用線性光譜混合模型提取江蘇省冬小麥種植面積，分類結(jié)果與利用監(jiān)督分類取得的結(jié)果高度一致[30]。王連喜等利用MODIS數(shù)據(jù)提取分析作物關(guān)鍵物候參量，定義決策樹規(guī)則提取江蘇省冬小麥種植面積，并進(jìn)一步利用光譜混合線性模型弱化混合象元對分類結(jié)果的影響，結(jié)果表明2種方法的耦合可有效提高作物分類精度[31]?；旌舷裨纸夥ㄖ荚诮鉀Q混合像元的存在對分類精度產(chǎn)生的影響，適用于中低分辨率影像的作物分類。但混合像元分解是基于各類別數(shù)量比例所估算的“數(shù)量精度”，無法獲取作物位置的有效精度[32]。因此混合像元分解法常與其他方法結(jié)合應(yīng)用于作物遙感識別。

1.2 基于紋理特征的作物遙感識別方法

隨著遙感數(shù)據(jù)空間分辨率的不斷提高，地物細(xì)節(jié)特征不斷突出，同類地物表現(xiàn)出更為復(fù)雜的光譜特征，混合像元減少，純像元增多，不同類別地物在空間上的混合愈加繁雜。因此，一定區(qū)域內(nèi)相鄰像元之間的紋理信息在高分辨率遙感影像分類中具有重要的應(yīng)用價(jià)值。不同種植方式和耕作制度下，農(nóng)作物在高分辨率遙感影像上反映出的紋理特征差異，有利于光譜相近作物的區(qū)分。紋理特征是細(xì)小物體在遙感影像上大量重復(fù)出現(xiàn)所形成的規(guī)律和特征，它是大量個(gè)體的大小、形狀、陰影和色彩的綜合反映，描述了像元亮度的空間變化特征。傳統(tǒng)的紋理特征提取方法主要有灰色共生矩陣、空間自相關(guān)性、小波多頻道、多方向特征等，但目前農(nóng)作物分類應(yīng)用最為廣泛的為灰度共生矩陣（GLCM）。

GLCM的基本原理是計(jì)算局域范圍內(nèi)像元灰度級共同出現(xiàn)的頻率，不同空間關(guān)系和紋理會產(chǎn)生不同的共生矩陣，以此來區(qū)分不同的紋理和結(jié)構(gòu)性。常用的統(tǒng)計(jì)測度有均值、方差、熵、角二矩陣、同質(zhì)性、對比、不相似性、相關(guān)性等。劉哲等利用多時(shí)相Landsat8 OLI和GeoEye-1數(shù)據(jù)，結(jié)合GLCM紋理特征提取玉米種植面積，與單一多時(shí)相分類方法相比，這種方法解譯精度略高[33]。劉吉?jiǎng)P等利用GF-1WFV數(shù)據(jù)，基于GLCM方法提取紋理信息，輔以光譜特征和植被指數(shù)參數(shù)構(gòu)建決策樹模型，得到較高精度的甘蔗種植面積，為作物識別提供新的思路[34]。Li等基于GLCM和Gabor濾波器提取作物紋理信息，利用改進(jìn)的支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)分類器識別作物類型，有效提高了作物分類精度[35]。

除GLCM外，近年來許多新的基于紋理識別農(nóng)作物的方法不斷涌現(xiàn)。如Zhang等利用多時(shí)相GF-WFV和 GF-2PAN 數(shù)據(jù)，采用基于Sobel邊緣檢測和Hough變換紋理分析識別制種玉米，得到玉米識別精度高達(dá)90%[36]。黃秋燕等利用高分辨率遙感影像，基于TV-Gabor模型提取農(nóng)田紋理信息，也取得了較好的分類效果[37]?；跈C(jī)器學(xué)習(xí)與智能化分類器（如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等）分類能夠提高農(nóng)作物分類精度，但不能解決光譜相似性目標(biāo)的識別問題，仍易導(dǎo)致椒鹽效應(yīng)。紋理特征分析方法能有效降低椒鹽現(xiàn)象，解決光譜相似性目標(biāo)的識別問題，但易受遙感影像空間分辨率的影響，不具有普適性。

1.3 基于物候特征的作物遙感識別方法

由于作物的生長發(fā)育表現(xiàn)出明顯的季相規(guī)律，整個(gè)物候過程（播種、出苗、抽雄、成熟、收獲）的不同階段，其內(nèi)部生化成分和外部形態(tài)特征均會發(fā)生一系列變化，每個(gè)物候期表現(xiàn)出不同反射率。利用這一特征，可以通過多光譜遙感信息獲得作物及其變化信息，分析植被指數(shù)時(shí)間序列變化特點(diǎn)，進(jìn)而有效識別作物。借助物候特征進(jìn)行作物遙感分類，重點(diǎn)在于獲得作物生長季范圍，確定作物發(fā)育階段的物候參量。主要的作物物候參量有生長季始期（a）、生長季末期（b）、生長季長度（c）、生長季幅度（d）、生長峰值（e）、 NDVI左右導(dǎo)數(shù)（f、g）（圖2）。生長發(fā)育過程中作物物候參量與其生長季光合作用過程密切相關(guān)，由于作物特有的波譜特征，使其表現(xiàn)出明顯的生長周期光譜曲線，即NDVI時(shí)間序列曲線。NDVI時(shí)間序列曲線是以時(shí)間為坐標(biāo)軸的NDVI數(shù)據(jù)曲線，它描述了作物一個(gè)生長季的NDVI變化特征。借助時(shí)間濾波軟件對原始NDVI變化曲線進(jìn)行去噪平滑處理，可得到NDVI在作物生長周期內(nèi)“升高—到達(dá)頂峰—降低”的過程，這種動態(tài)變化曲線表現(xiàn)了作物發(fā)育全過程[38]（圖2）。不同區(qū)域、不同類型作物間的物候信息存在差異，NDVI時(shí)間變化曲線不同，因此可利用NDVI的時(shí)相變化規(guī)律進(jìn)行作物類型的識別，這是多時(shí)相分析方法的重要理論基礎(chǔ)。

多時(shí)相分析法，是利用遙感影像數(shù)據(jù)獲取NDVI或EVI時(shí)序數(shù)據(jù)，生成作物的NDVI/EVI時(shí)間系列變化曲線，經(jīng)過平滑、去噪處理，結(jié)合作物的農(nóng)事歷，確定作物關(guān)鍵物候節(jié)點(diǎn)提取作物種植信息的方法。隨著高時(shí)間分辨率衛(wèi)星數(shù)據(jù)產(chǎn)品的出現(xiàn)，多時(shí)相分析方法獲得了廣泛應(yīng)用。如Li等利用MODIS數(shù)據(jù)，重構(gòu)EVI時(shí)序曲線，結(jié)合作物關(guān)鍵物候參數(shù)，提取了不同地區(qū)的農(nóng)作物種植面積[39]。劉吉?jiǎng)P等利用多時(shí)相Landsat TM影像，通過分析作物的光譜特征和NDVI時(shí)序信息，構(gòu)建決策樹模型提取作物種植結(jié)構(gòu)。結(jié)果表明，與單一時(shí)相數(shù)據(jù)相比，多時(shí)相高分辨率的決策樹分類效果更好[40]。除陸地衛(wèi)星影像數(shù)據(jù)外，氣象衛(wèi)星數(shù)據(jù)也不斷應(yīng)用于農(nóng)業(yè)遙感中。如張煥雪等利用多時(shí)相HJ衛(wèi)星數(shù)據(jù)，采用S-G濾波法重構(gòu)NDVI時(shí)間序列曲線，提取黑龍江紅星農(nóng)場的作物種植信息[41]。多時(shí)相分析方法有效結(jié)合了作物的物候信息，可彌補(bǔ)單一影像數(shù)據(jù)的缺陷，但滿足條件的遙感影像往往是中低分辨率影像（大多為MODIS數(shù)據(jù)），因此導(dǎo)致作物遙感識別精度不高，因此該方法主要適用于大空間尺度及季相節(jié)律明顯的作物分類研究。

1.4 其他遙感識別作物的方法

除以上介紹的方法外，近年來一些綜合性的方法不斷運(yùn)用于作物遙感識別研究，如生態(tài)分類、面向?qū)ο蠓ā㈦S機(jī)森林算法、支持向量機(jī)（SVM）及人工智能（AI）應(yīng)用等（表2）。

生態(tài)分類法，是根據(jù)研究區(qū)域的自然環(huán)境和社會經(jīng)濟(jì)情況進(jìn)行地理分區(qū)，對各分區(qū)區(qū)域進(jìn)行影像分類處理，再將各分區(qū)影像進(jìn)行復(fù)合處理的過程。生態(tài)分類方法，融地學(xué)、生態(tài)學(xué)、農(nóng)學(xué)和社會經(jīng)濟(jì)知識于計(jì)算機(jī)遙感圖像分類中，能有效解決由于僅從光譜信息進(jìn)行作物分類所具有的欠缺，減弱同譜異物和同物異譜現(xiàn)象對分類結(jié)果的影響。張健康等利用多時(shí)相衛(wèi)星數(shù)據(jù)，基于生態(tài)分類法提取黑龍港作物分布信息。結(jié)果表明，生態(tài)分類法可提高解譯精度，且能較好地反映區(qū)域作物分布情況[42]。生態(tài)分類法結(jié)合了地學(xué)、生態(tài)學(xué)、農(nóng)學(xué)等其他學(xué)科知識，所需數(shù)據(jù)資料較大，適用于對研究區(qū)有較深入了解的情況。

面向?qū)ο蠓ǎ且环N快速有效提取作物種植面積的方法，它突破以往基于像元影像分析法僅以光譜信息或植被指數(shù)為分類因子的局限性，綜合考慮作物的光譜特征、統(tǒng)計(jì)特征、相鄰與拓?fù)潢P(guān)系等因素，將像元合并成具有相似特征同質(zhì)對象，在對象層面上提取屬性特征，建立模糊判別規(guī)則，對同質(zhì)性對象進(jìn)行類別判別[43]。由于光譜變異（椒鹽噪聲）以及“同物異譜、異物同譜”等問題的存在，多個(gè)像元表達(dá)同一作物易出現(xiàn)錯(cuò)分漏分現(xiàn)象。以同質(zhì)對象對單元提取作物信息，優(yōu)化光譜規(guī)律，使分類規(guī)則更符合實(shí)際作物特征。鄧媛媛等以QuickBird為數(shù)據(jù)源，采用面向?qū)ο蠓ㄌ崛∥錆h江夏區(qū)作物種植面積與布局。研究表明面向?qū)ο蠓軌蛴行П苊狻敖符}”噪聲的產(chǎn)生，提高作物分類精度[44]。劉明月等利用MODIS和Landsat8 OLI影像數(shù)據(jù)，充分結(jié)合作物物候與光譜特征，對北安市農(nóng)作物進(jìn)行面向?qū)ο筇崛?，發(fā)現(xiàn)該方法獲得的分類精度較高且具有普適性[45]。Pea等基于對象分割圖像獲取光譜和紋理特征，并對決策樹、邏輯回歸、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等方法單一或組合分類器進(jìn)行分層分類，發(fā)現(xiàn)面向?qū)ο蟮姆謱臃诸惪蓸O大提高作物識別的準(zhǔn)確性[46]。

近年來，隨機(jī)森林法和SVM法也相繼出現(xiàn)在作物遙感識別研究中，并取得了較好的效果。如王娜等利用高分?jǐn)?shù)據(jù)，采用隨機(jī)森林和單變量特征相結(jié)合的方法提取江蘇省泗洪縣作物，發(fā)現(xiàn)2種方法結(jié)合能有效提高作物分類精度[47]。Sonobe等利用TerraSAR-X數(shù)據(jù)，對比不同方法提取北海道作物的解譯精度，結(jié)果表明SVM最佳[48]。

隨著人工智能的發(fā)展，國內(nèi)外將最新的AI方法，如深度學(xué)習(xí)，作為機(jī)器學(xué)習(xí)的新興領(lǐng)域應(yīng)用于農(nóng)業(yè)領(lǐng)域，并受到越來越多的關(guān)注。卷積神經(jīng)網(wǎng)絡(luò)（CNNs）是建立在傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)上的一種深度學(xué)習(xí)算法，也是第一個(gè)成功訓(xùn)練多層網(wǎng)絡(luò)的學(xué)習(xí)算法[49]。張加楠等提出基于RGB和HIS關(guān)系閾值法優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)的作物圖像分割提取覆蓋方法，有效解決了光照、遮擋、陰影等影像，且分類精度較高，但分類效率較低[50]。梁萬杰等建立卷積神經(jīng)網(wǎng)絡(luò)模型識別水稻二化螟蟲害，結(jié)果表明模型可有效提取圖像特征，對水稻二化螟蟲識別具有很好的抗干擾性和魯棒性[51]。Lavreniuk利用Landsat8和Sentinel-1A多時(shí)間序列遙感影像，基于卷積神經(jīng)網(wǎng)絡(luò)模型對烏克蘭基輔地區(qū)夏季作物進(jìn)行分類研究，獲得了較高的分類精度[52]。人工智能的潛力巨大，應(yīng)用前景廣闊，但目前人工智能技術(shù)還不夠完善，尚不能廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)領(lǐng)域。

2 問題和展望

近年來，作物遙感識別已成為生態(tài)學(xué)、地理學(xué)等學(xué)科的研究前沿和熱點(diǎn)。經(jīng)過多年的發(fā)展，作物遙感識別技術(shù)手段日益成熟，識別方法多樣化，極大推動了作物遙感識別及農(nóng)業(yè)遙感研究。但就目前作物遙感識別方法而言，仍有一些不足，在以下方面需進(jìn)一步深入與提高：

（1）建立分區(qū)域作物遙感識別方法的技術(shù)體系、規(guī)范與流程，提高作物遙感識別方法的普適性和應(yīng)用性。

農(nóng)業(yè)遙感技術(shù)應(yīng)用最大的挑戰(zhàn)是農(nóng)業(yè)生產(chǎn)的分散性和時(shí)空變異性。我國地域遼闊，作物種植制度復(fù)雜多樣，遙感影像的選取易受制于研究區(qū)域尺度和輪作制度。不同區(qū)域、不同類型作物的遙感識別所采取的方法技術(shù)體系、規(guī)范及流程不同，一定程度上影響著作物分類識別精度及研究結(jié)果間的可比較性。在全球尺度研究中，作物種植類型、種植制度更為復(fù)雜，如何在不同地區(qū)應(yīng)用適宜的遙感識別技術(shù)，獲得較為精確、可比較的結(jié)果，成為國家及全球尺度作物識別研究中面臨的挑戰(zhàn)。因此有必要建立分區(qū)域作物遙感識別技術(shù)體系、規(guī)范與流程，以提高不同地區(qū)、不同種植制度下的遙感識別精度和可比性。不同作物遙感識別方法的原理、技術(shù)流程及適用范圍不同，具體研究中應(yīng)根據(jù)研究區(qū)的空間尺度、時(shí)間尺度予以選擇。應(yīng)加大不同區(qū)域間不同方法的比較分析研究，便于弄清不同方法的區(qū)域適用性，以提高作物遙感識別方法的普適性與應(yīng)用性。

（2）提高作物遙感識別方法的計(jì)算機(jī)自動化和系統(tǒng)化程度，改善工作效率。

作物遙感識別已從小范圍向大范圍轉(zhuǎn)變，大區(qū)域作物分類與識別，工作量大、繁瑣耗時(shí)，容易造成操作錯(cuò)誤和數(shù)據(jù)管理的混亂。隨著遙感技術(shù)的不斷發(fā)展，人機(jī)交互式分類方法成為以人工智能為特點(diǎn)的自動分類方法。光譜特征、物候特征、紋理特征、鄰域信息等分類信息不斷融入到作物遙感分類與識別研究，但目前識別的自動化和系統(tǒng)化程度不高。提高作物類型識別的自動化和系統(tǒng)化，可減少人為因素的干擾和主觀性，有效改善作物遙感識別的工作效率和精度，這一點(diǎn)對大區(qū)域作物遙感監(jiān)測和整體監(jiān)測研究更具重要性。

（3）優(yōu)化作物遙感識別方法技術(shù)，耦合作物生長模型，提高作物遙感識別精度。

中低分辨率的多時(shí)相遙感數(shù)據(jù)分析方法仍是當(dāng)今作物遙感識別的主要方法。時(shí)間序列遙感數(shù)據(jù)的噪聲去除和平滑技術(shù)是解譯過程重要的環(huán)節(jié)，方法、參數(shù)選取的不同直接影響遙感數(shù)據(jù)的質(zhì)量與識別結(jié)果。因此需進(jìn)一步優(yōu)化時(shí)間序列遙感數(shù)據(jù)噪聲去除和平滑技術(shù)，以保證獲取高質(zhì)量的多時(shí)相遙感數(shù)據(jù)。同時(shí)，受時(shí)間分辨率、空間分辨率的影響，遙感技術(shù)很難反映作物生長的全過程，更多反映的是靜態(tài)瞬間，無法實(shí)現(xiàn)作物的連續(xù)動態(tài)監(jiān)測。作物生長模型是對作物生長發(fā)育過程的數(shù)學(xué)描述，是一種面向過程、機(jī)理性的動態(tài)模型。作者認(rèn)為，隨著遙感技術(shù)和作物模型的迅速發(fā)展，將遙感與作物生長模型耦合，動靜結(jié)合，可有效彌補(bǔ)兩者存在的不足，是提高識別精度的重要突破口。

參考文獻(xiàn)：

[1]許文波，田亦陳. 作物種植面積遙感提取方法的研究進(jìn)展[J]. 云南農(nóng)業(yè)大學(xué)學(xué)報(bào).2005，1（20）：95-98.

[2]高宏宇，張楠楠. 基于影像光譜特征的作物識別方法探討[J]. 黑龍江科技信息，2012（17）：11.

[3]Wardlow B D，Egbert S L. Large-area crop mapping using time-series MODIS 250 m NDVI data：an assessment for the U.S. Central Great Plains [J]. Remote Sensing of Environment.2008，112：1096-1116.

[4]承繼承. 精確農(nóng)業(yè)技術(shù)與應(yīng)用[M]. 北京：科學(xué)出版社，2004.

[5]陳述彭，趙英時(shí). 遙感地學(xué)分析[M]. 北京：測繪出版社，1990.

[6]熊利亞. 中國作物遙感動態(tài)監(jiān)測與估產(chǎn)集成系統(tǒng)[M]. 北京：中國科學(xué)技術(shù)出版社，1996.

[7]劉 東，封志明，楊艷昭，等. 中國糧食生產(chǎn)發(fā)展特征及土地資源承載力空間格局現(xiàn)狀[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（7）：1-6.

[8]周成虎，駱劍承. 遙感影像地學(xué)理解與分析[M]. 北京：科學(xué)出版社，1984.

[9]舒 田，岳延濱，李莉婕，等. 基于高光譜遙感的農(nóng)作物識別[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2016，32（6）：1310-1314.

[10]濮靜娟. 遙感圖像目視解譯原理與方法[M]. 北京：中國科學(xué)技術(shù)出版社，1992.

[11]馬靄乃. 遙感目視解譯的基本理論與方法[J]. 遙感信息，1987（3）：26-29.

[12]王 猛，姚慧敏，隋學(xué)艷，等. 一種基于地理信息服務(wù)平臺的小麥種植面積變化監(jiān)測方法研究[J]. 安徽農(nóng)業(yè)科學(xué)，2013，41（8）：3728-3730.

[13]謝登峰，張錦水，潘耀忠，等. Landsat8和MODIS融合構(gòu)建高時(shí)空分辨率數(shù)據(jù)識別秋糧作物[J]. 遙感學(xué)報(bào)，2015，19（5）：791-805.

[14]Azar R，Villa P，Stroppiana D，et al. Assessing in-season crop classification performance using satellite data：a test case in Northern Italy[J]. European Journal of Remote Sensing，2016，49：361-380.

[15]許 亮，汪權(quán)方，陳志杰，等. 一種快速區(qū)分易混農(nóng)作物的遙感解譯方法[J]. 地理空間信息，2017，15（1）：59-62

[16]Karila K，Nevalainen O，Krooks A，et al. Monitoring changes in rice cultivated area from SAR and optical satellite images in Ben Tre and Tra Vinh provinces in Mekong Delta，Vietnam[J]. Remote Sensing，2014，6（5）：4090-4108.

[17]趙麗花，李衛(wèi)國，杜培軍. ?基于多時(shí)相HJ衛(wèi)星的冬小麥面積提取[J]. 遙感信息，2011（2）：41-45.

[18]黃德雙. 神經(jīng)網(wǎng)絡(luò)模式識別系統(tǒng)理論[M]. 北京：電子工業(yè)出版社，1996.

[19]修麗娜，劉湘南. 人工神經(jīng)網(wǎng)絡(luò)遙感分類方法研究現(xiàn)狀及發(fā)展趨勢探析[J]. 遙感技術(shù)與應(yīng)用，2003（5）：339-345.

[20]Chen Y，Zhang X，Wang X，et al. Extraction of crop planting structure in seasons prone to water logging using Landsat8 OLI and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering，2014，30（21）：165-173.

[21]Pandey A，Mishra A. Application of artificial neural networks in yield prediction of potato crop[J]. Russian Agricultural Sciences，2017，43（3）：266-272.

[22]王 威. 基于模糊數(shù)學(xué)的遙感圖像分類研究[D]. 桂林：桂林理工大學(xué)，2012.

[23]趙天杰，李新武，張立新，等. 雙頻多極化SAR數(shù)據(jù)與多光譜數(shù)據(jù)融合的作物識別[J]. 地球信息科學(xué)學(xué)報(bào)，2009，11（1）：84-90.

[24]Musande V，Kumar A，Kale K. Cotton crop discrimination using fuzzy classification approach[J]. Journal of the Indian Society of Remote Sensing，2012，40（4）：589-597.

[25]姜麗華，楊曉蓉. 基于決策樹分類技術(shù)的遙感影像分類方法研究[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2009，22（10）：34-36.

[26]程良曉，江 濤，談明洪，等. 基于NDVI時(shí)間序列影像的張掖市農(nóng)作物種植結(jié)構(gòu)提取[J]. 地理信息世界，2016，23（4）：37-44.

[27]Dong S W，Sun D F，Li H. Crop decision tree classification extraction based on MODIS NDVI in Beijing[J]. Advanced Materials Research，2014，9：787-790.

[28]田野，張清，李希燦，等. 基于多時(shí)相影像的棉花種植信息提取方法研究[J]. 干旱區(qū)研究，2017，34（2）：423-430.

[29]Friedl M A，Brodley C E，Strahler A H. Maximizing land cover classification accuracies produced by decision trees at continental to global scales [J]. IEEE Transactions on Geoscience and Remote Sensing，1999，37（2）：969-977.

[30]Wang L，Xu S，Qi L，et al. Extraction of winter wheat planted area in Jiangsu province using decision tree and mixed-pixel methods[J]. Transactions of the Chinese Society of Agricultural Engineering，2016，32（5）：182-187.

[31]王連喜，徐勝男，李 琪，等. 基于決策樹和混合像元分解的江蘇省冬小麥種植面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（5）：182-187.

[32]張順謙，楊秀蓉. 神經(jīng)網(wǎng)絡(luò)和分形紋理在夜間云霧分離中的應(yīng)用[J]. 遙感學(xué)報(bào)，2006，10（4）：497-501.

[33]劉 哲，李智曉，張延寬，等. 基于時(shí)序EVI決策樹分類與高分紋理的制種玉米識別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（10）：321-327.

[34]劉吉?jiǎng)P，鐘仕全，徐 雅，等. 基于多時(shí)相GF-1WFV數(shù)據(jù)的南方丘陵地區(qū)甘蔗種植面積提取[J]. 廣東農(nóng)業(yè)科學(xué)，2014，41（18）：149-154.

[35]Li D，Yang F，Wang X. Study on ensemble crop information extraction of remote sensing images based on SVM and BPNN[J]. Journal of the Indian Society of Remote Sensing，2016：1-9.

[36]Zhang C，Jin H，Liu Z，et al. Seed maize identification based on texture analysis of GF remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering，2016，32（21）：183-188.

[37]黃秋燕，肖鵬峰，馮學(xué)智，等. 一種基于TV-Gabor模型的高分辨率遙感圖像農(nóng)田信息提取方法[J]. 遙感信息，2014，29（2）：77-82.