地塊尺度下基于多源衛(wèi)星遙感數(shù)據(jù)的糧食作物識別

谷 鶴，尚 坤，秦愛羚,3，肖晨超

地塊尺度下基于多源衛(wèi)星遙感數(shù)據(jù)的糧食作物識別

谷 鶴1,2，尚 坤1※，秦愛羚1,3，肖晨超1

（1. 自然資源部國土衛(wèi)星遙感應(yīng)用中心，北京 100048；2. 北京國測星繪信息技術(shù)有限公司，北京 100040；3. 中國地質(zhì)大學(xué)（北京）地球科學(xué)與資源學(xué)院，北京 100083）

開展糧食作物監(jiān)測對于國家糧食安全具有重要意義。在傳統(tǒng)像元尺度下，利用單一遙感數(shù)據(jù)進行糧食作物監(jiān)測，識別精度往往較低，提取的作物地塊破碎，難以滿足應(yīng)用需求。為此，該研究以山東省青島市黃島區(qū)為研究區(qū)，提出了一套地塊尺度下綜合多源衛(wèi)星遙感數(shù)據(jù)（包括高分辨率數(shù)據(jù)、多時相數(shù)據(jù)、高光譜數(shù)據(jù)）與土地利用調(diào)查矢量數(shù)據(jù)的糧食作物信息識別方法。首先，對高分辨率數(shù)據(jù)進行分割獲取耕地地塊矢量數(shù)據(jù)；其次，基于多源衛(wèi)星遙感數(shù)據(jù)提取地塊級時空譜特征；再次，利用樣本數(shù)據(jù)計算特征類間可分性，并進行特征優(yōu)選；最后，構(gòu)建基于二次多項式支持向量機的主要糧食作物（春玉米）識別方法。結(jié)果表明：1）該研究所提的方法可以有效進行糧食作物信息識別，基于地塊數(shù)統(tǒng)計的識別精度為89.7%；2）利用光譜特征、植被指數(shù)、紋理特征組合得到的識別結(jié)果精度最優(yōu)，基于像元數(shù)統(tǒng)計的精度為97.1%，與傳統(tǒng)方法相比提高了24.2個百分點，且提取的地塊信息更完整。該研究成果可支持糧食作物種植用地的調(diào)查與監(jiān)測，也可為耕地非糧化時空演變與分析提供新的思路。

遙感；作物；識別；均質(zhì)地塊；多源數(shù)據(jù)

0 引 言

民以食為天，中國是糧食消費大國，糧食的供給對于人民生活尤為重要[1]。2022年2月國務(wù)院辦公廳發(fā)布《關(guān)于做好2022年全面推進鄉(xiāng)村振興重點工作的意見》，明確提出穩(wěn)定全年糧食播種面積和產(chǎn)量。為切實保障糧食播種面積，獲取糧食作物分布信息對穩(wěn)定糧食生產(chǎn)具有重要意義[2]。山東省是農(nóng)業(yè)大省，耕地面積約占全國6%，對保障糧食安全起到重要作用。及時了解、準確掌握山東省農(nóng)情信息尤其是糧食作物種植信息及其空間分布狀況，對保障糧食安全至關(guān)重要[3]。

傳統(tǒng)的土地利用調(diào)查方法主要結(jié)合歷年耕地數(shù)據(jù)，對耕地的變化情況做出統(tǒng)計及分析，但此方法費時、費力，難以快速地實現(xiàn)大區(qū)域高精度調(diào)查。衛(wèi)星遙感影像可直觀反映耕地的分布及變化，并具有高分辨率、多時相等特點，可定期開展耕地內(nèi)目標作物種植情況監(jiān)測。目前利用衛(wèi)星遙感數(shù)據(jù)提取糧食作物種植信息的研究大致可分為3類：第一類，在傳統(tǒng)像元尺度上，以中低空間分辨率影像構(gòu)建時間序列數(shù)據(jù)，獲得植被指數(shù)時間序列曲線，提取作物物候、關(guān)鍵生長期特征，監(jiān)測作物空間分布信息。此類數(shù)據(jù)可表征的空間細節(jié)信息有限，相對而言，更適合大面積、規(guī)模化種植區(qū)域的作物識別。Ashourloo等[4]利用多時相Sentinel-2衛(wèi)星數(shù)據(jù)，構(gòu)建抽穗期內(nèi)小麥與大麥的敏感光譜特征，采用支持向量機（Support Vector Machine，SVM）與隨機森林（Random Forest，RF）分類器，生成糧食作物早晚季種植分布圖。王文靜等[5]基于多時相Landsat-8衛(wèi)星陸地成像儀（Operational Land Imager，OLI）數(shù)據(jù)，構(gòu)建植被指數(shù)時間序列曲線，選擇作物生長期內(nèi)最佳時相的反射率特征，采用SVM分類器實現(xiàn)棉花的提取。李暉等[6]基于多時相MODIS數(shù)據(jù)構(gòu)建植被指數(shù)時間序列數(shù)據(jù)集，提取作物生長周期內(nèi)的閾值，建立不同作物提取模型，得到省內(nèi)農(nóng)作物種植結(jié)構(gòu)空間分布圖。第二類，以地塊為監(jiān)測單元并以單一高分辨率數(shù)據(jù)為數(shù)據(jù)源，通過提取植被指數(shù)、紋理特征，獲得糧食作物信息。高分辨率數(shù)據(jù)通常具有更為豐富的空間紋理信息，但一定程度也會增加提取結(jié)果的破碎度，因此對于高分辨率數(shù)據(jù)通常采用以地塊為監(jiān)測單元的提取方法，以獲得更加完整、準確的地塊級信息。Pe?a-Barragán等[7]通過圖像分割得到耕地地塊數(shù)據(jù)，基于ASTER衛(wèi)星數(shù)據(jù)提取植被指數(shù)、紋理特征，構(gòu)建基于規(guī)則的決策樹模型，實現(xiàn)不同作物識別。Gu等[8]利用QuickBird衛(wèi)星高分辨率數(shù)據(jù)得到地塊邊界，基于多時相Landsat-5衛(wèi)星專題制圖儀（Thematic Mapper，TM）數(shù)據(jù)，提取光譜、紋理特征以及植被指數(shù)，通過比較不同分類器、不同尺度的提取結(jié)果，實現(xiàn)作物分布制圖。張鵬等[9]在地塊尺度下，基于WorldView-2衛(wèi)星影像數(shù)據(jù)提取光譜、形狀和紋理特征，構(gòu)建分類模型，實現(xiàn)復(fù)雜種植區(qū)作物精細分類。第三類，在地塊尺度下綜合利用多源數(shù)據(jù)，提取植被指數(shù)、光譜或紋理特征，開展作物分布制圖。綜合使用長時間序列數(shù)據(jù)、高空間分辨率數(shù)據(jù)，與單一數(shù)據(jù)源提取結(jié)果相比，可獲得更準確的提取結(jié)果。Xie等[10]基于高分一號（GF-1）衛(wèi)星全色多光譜相機（Panchromatic Multispectral Sensor，PMS）數(shù)據(jù)、寬幅相機（Wide Field View，WFV）數(shù)據(jù)，在均質(zhì)地塊下構(gòu)建平行六面體分類器，非均質(zhì)地塊下構(gòu)建基于規(guī)則的地塊信息提取方法，綜合得到冬小麥地塊分布情況。楊穎頻等[11]利用高分辨率數(shù)據(jù)得到耕地地塊數(shù)據(jù)，基于Landsat-8、Sentinel-2多源衛(wèi)星數(shù)據(jù)，提取光譜特征、時序植被指數(shù)，采取RF方法，獲得作物地塊分布信息。謝國雪等[12]利用高分辨率數(shù)據(jù)、土地利用調(diào)查數(shù)據(jù)獲得地塊邊界，基于GF-1、資源三號（ZY-3）、北京二號（BJ-2）、Sentinel-2多源衛(wèi)星影像數(shù)據(jù)集，提取光譜、紋理特征以及時序植被指數(shù)，構(gòu)建SVM分類器，實現(xiàn)柑橘地塊的提取。

分析比較上述3類利用衛(wèi)星遙感數(shù)據(jù)提取糧食作物信息的研究，在傳統(tǒng)像元尺度下的識別，始終存在光譜混合問題，影響農(nóng)作物識別精度[13]，不適用于山東省農(nóng)用地占地面積較大的特點[14]；僅利用低分辨率數(shù)據(jù)提取糧食作物，單個像元內(nèi)通常包含多個地塊的混合信息，難以對各地塊的作物種植情況進行準確識別；而高分辨率數(shù)據(jù)雖然空間分辨率高，但由于光譜信息有限，難以對處于相同生長期的糧食作物和非糧作物進行有效識別。

為此，本文利用高分辨率數(shù)據(jù)進行均質(zhì)地塊單元提取，基于多源衛(wèi)星遙感數(shù)據(jù)計算地塊級時空譜特征，通過計算和比較類間可分性實現(xiàn)特征優(yōu)選，選擇二次多項式支持向量機作為分類器，對全部地塊進行識別并進行精度評價，比較不同特征組合下的識別精度，最終確定一套適合山東省糧食作物遙感監(jiān)測的技術(shù)方法。

1 研究區(qū)和試驗數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于山東省青島市黃島區(qū)，119°30′E～120°11′E，35°35′N～36°08′N，如圖1所示。該地區(qū)地處山東半島西南隅，屬丘陵區(qū)，境內(nèi)山嶺起伏，地勢西高東低，平均海拔39 m。該區(qū)耕地面積占總面積約35%，糧食作物包含玉米、小麥、水稻，非糧作物包含花生與油料作物[15]。該區(qū)玉米種植范圍較廣，種植結(jié)構(gòu)復(fù)雜，包括春玉米單作、夏玉米與其他作物輪作[16]。本文主要數(shù)據(jù)源資源一號02D衛(wèi)星影像獲取時間為2020年7月7日，此時春玉米處于抽雄期，夏玉米尚未進入拔節(jié)期[17]，冬小麥已完成收割[18]。由于玉米和小麥主要種植在旱地，水稻種植在水田[19]，根據(jù)土地利用調(diào)查數(shù)據(jù)，該區(qū)沒有水田分布。因此，本研究以春玉米為例進行糧食作物的識別。

圖1 研究區(qū)位置

1.2 數(shù)據(jù)及預(yù)處理

本研究的主要數(shù)據(jù)源包括資源一號02D衛(wèi)星（ZY1-02D）可見近紅外相機（Visible Near-Infrared Camera，VNIC）數(shù)據(jù)和高光譜相機（Advanced hyperspectral imager，AHSI）數(shù)據(jù)、Landsat-8 OLI數(shù)據(jù)、土地利用調(diào)查矢量數(shù)據(jù)。

1.2.1 資源一號02D數(shù)據(jù)

ZY1-02D發(fā)射于2019年9月12日，搭載VNIC和AHSI，衛(wèi)星回歸周期為55 d，重訪周期為3 d，具有較寬的掃描能力[20]。本研究使用2020年7月7日的VNIC數(shù)據(jù)與AHSI數(shù)據(jù)。VNIC數(shù)據(jù)包含1個全色波段和8個多光譜波段，全色、多光譜波段空間分辨率分別為2.5、10 m，幅寬115 km，相比于傳統(tǒng)多光譜相機，ZY1-02D衛(wèi)星增加了海岸、黃邊和紅邊波段，具有豐富的光譜信息[21]。預(yù)處理包含幾何精校正、圖像融合、輻射定標、快速大氣校正等步驟，預(yù)處理后得到研究區(qū)空間分辨率為2.5 m融合影像。

AHSI數(shù)據(jù)空間分辨率為30 m，幅寬60 km，光譜范圍覆蓋從可見光到短波紅外（400～2 500 nm），在近紅外譜段有76個波段，光譜分辨率為10 nm，在短波紅外譜段有90個波段，光譜分辨率為20 nm[22]。高光譜數(shù)據(jù)的預(yù)處理包含輻射定標、FLAASH（Fast line-of-sight atmospheric analysis of hypercubes）大氣校正、幾何精校正等步驟。春玉米與非糧作物在高光譜數(shù)據(jù)中的反射率光譜曲線如圖2所示，兩類作物在紅光波段和近紅外波段的光譜反射率具有顯著差異，利用不同波段反射率差值，可區(qū)分作物信息。

1.2.2 時序植被指數(shù)數(shù)據(jù)

時序植被指數(shù)數(shù)據(jù)基于Landsat-8 OLI數(shù)據(jù)計算，OLI數(shù)據(jù)包含的全色、多光譜波段空間分辨率分別為15 m和30 m。根據(jù)作物物候期，選擇了成像時間分別為2019年10月15日、2019年10月31日、2019年11月16日、2019年12月2日、2020年1月19日、2020年2月20日、2020年3月23日、2020年4月24日、2020年5月10日、2020年6月11日、2020年6月27日的11景數(shù)據(jù)。OLI數(shù)據(jù)預(yù)處理包含圖像融合、相對大氣校正、幾何精校正等步驟。預(yù)處理后的反射率數(shù)據(jù)用于提取時間序列植被指數(shù)。

1.2.3 矢量數(shù)據(jù)

本研究使用了土地利用調(diào)查數(shù)據(jù)中的耕地類，具體包括水田、旱地與水澆地。利用耕地矢量數(shù)據(jù)對全部影像進行掩膜，得到耕地區(qū)域多源衛(wèi)星遙感數(shù)據(jù)集。

圖2 春玉米與非糧作物反射率光譜曲線

2 研究方法

本研究流程如圖3所示，主要包括：1）數(shù)據(jù)預(yù)處理，并利用耕地矢量數(shù)據(jù)對多源數(shù)據(jù)集進行掩膜；2）耕地均質(zhì)地塊提取，對VNIC數(shù)據(jù)進行分割并計算圖像歸一化差值植被指數(shù)（Normalized Difference Vegetation Index，NDVI）與歸一化差值水體指數(shù)（Normalized Difference Water Index，NDWI），通過閾值判別，得到植被區(qū)域內(nèi)的均質(zhì)地塊邊界；3）訓(xùn)練樣本和驗證樣本選擇；4）特征構(gòu)建與優(yōu)選，從多源衛(wèi)星遙感數(shù)據(jù)集中提取光譜特征、植被指數(shù)、紋理特征，利用耕地均質(zhì)地塊數(shù)據(jù)統(tǒng)計時空譜特征集，并基于樣本數(shù)據(jù)計算特征類間可分性，對每組特征分別進行優(yōu)選，得到具有較高準確率的特征集；5） 模型訓(xùn)練與應(yīng)用，利用樣本數(shù)據(jù)訓(xùn)練二次多項式支持向量機分類器，并將模型應(yīng)用在全部地塊；6）精度評價與結(jié)果分析，計算結(jié)果內(nèi)春玉米斑塊數(shù)與像元數(shù)，與驗證樣本對比進行精度評價，以此分析最優(yōu)特征組合、不同類型特征組合對識別不同面積地塊的精度影響、本文方法與傳統(tǒng)方法識別結(jié)果的差異。

圖3 研究流程圖

2.1 耕地均質(zhì)地塊提取

采用分水嶺算法對耕地區(qū)域VNIC數(shù)據(jù)進行圖像分割[23]，并通過計算VNIC數(shù)據(jù)的NDVI與NDWI[24-25]，對耕地區(qū)域內(nèi)的非植被地塊進行掩膜，得到后續(xù)使用的地塊邊界矢量數(shù)據(jù)。

分水嶺算法是經(jīng)典的高分辨率影像分割算法之一[26]。該算法首先計算數(shù)據(jù)梯度圖并設(shè)置閾值等參數(shù)，從灰度值最小的像元開始，判斷鄰域像元到該點的距離，若小于閾值，則標記像元，否則在此處設(shè)置分水嶺[27]，由此得到地塊數(shù)據(jù)，再通過計算地塊間的歐式距離對相鄰地塊進行合并，最終得到均質(zhì)地塊數(shù)據(jù)。本文研究中具體參數(shù)設(shè)置如下：使用Sobel邊緣檢測方法計算梯度圖[28]，閾值為25；使用Full Lambda Schedule方法進行合并[29]，閾值為25；Kernel Size設(shè)置為7。

為去除非植被地塊，采用多指數(shù)分析方法識別植被，通過比較農(nóng)作物不同生長期NDVI、NDWI值的差異，分別設(shè)置0.35和20作為NDVI與NDWI的閾值用于提取植被地塊分布。研究區(qū)內(nèi)植被與非植被地塊的分布如圖 4a所示，疊加假彩色影像的局部放大圖如圖4b所示。

圖4 非植被地塊識別結(jié)果圖

2.2 樣本選擇

通過本底數(shù)據(jù)收集與資料查閱，確定了該區(qū)主要作物類別與空間分布。其中，糧食作物包括春玉米，非糧作物包括菜地等。在預(yù)處理后數(shù)據(jù)上通過人工選擇確定初始樣本，經(jīng)反復(fù)核查，最終得到313個地塊圖斑。其中，糧食作物有157個地塊，非糧作物有156個地塊。在糧食作物與非糧作物中分別隨機選取71和68個地塊作為訓(xùn)練樣本，總面積為522 977 m2。其余174個地塊作為驗證樣本，總面積為250 373 m2。地塊按面積大小大致分3類：小地塊（面積小于200 m2）、中等地塊（面積為200～900 m2）、大地塊（面積大于900 m2）。驗證樣本中不同面積地塊的數(shù)量如表1所示。

表1 驗證樣本數(shù)值統(tǒng)計

2.3 特征構(gòu)建與優(yōu)選

基于多源數(shù)據(jù)集計算光譜反射率及其變換、時間序列植被指數(shù)、灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）[30]，以提取反射率光譜、植被指數(shù)以及紋理特征。利用耕地均質(zhì)地塊數(shù)據(jù)統(tǒng)計特征的均值與方差。通過樣本地塊數(shù)據(jù)計算特征可分性，利用二次判別分析方法對特征進行優(yōu)選，得到每組特征類別內(nèi)較優(yōu)的特征集。

在計算特征時，首先，利用GLCM方法提取VNIC數(shù)據(jù)的紋理特征，并基于VNIC數(shù)據(jù)計算反射率和植被指數(shù)；其次，構(gòu)建春玉米NDVI時間序列曲線，根據(jù)其時序曲線獲取關(guān)鍵物候期，基于OLI數(shù)據(jù)計算了后時相與前時相NDVI的差值，同時計算了不同時期土壤調(diào)節(jié)植被指數(shù)（Soil-Adjusted Vegetation Index，SAVI）的差值[31]；再次，基于AHSI數(shù)據(jù)計算反射率、植被指數(shù)、分段主成分變換信息；最后，合并特征以構(gòu)建時空譜特征集，并將其分為光譜、植被指數(shù)與紋理3組特征類別。

為消除特征冗余對識別方法帶來的影響，本文采用獨立樣本T檢驗評價類間可分性[32]，對光譜、植被指數(shù)與紋理3組特征分別進行優(yōu)選。利用樣本地塊數(shù)據(jù)計算各個特征的類間可分性，按類間可分性對特征進行排序，篩選出可分性較高的特征，通過比較不同分類器，選擇基于對角協(xié)方差矩陣的二次判別分析方法逐步添加特征進行分類[33-34]，得到精度隨特征變化的曲線。當精度達到峰值并開始下降時，保留位于峰值前的特征，去掉位于峰值后的特征。以高光譜數(shù)據(jù)植被指數(shù)為例，隨特征加入的精度變化如圖5所示，橫坐標表示按特征可分性排序的植被指數(shù)，當僅加入水波段指數(shù)（Water Band Index，WBI）進行分類時，精度為84.5%，隨著特征數(shù)量的增加，精度總體呈波動下降趨勢。因此，選擇WBI作為該特征類別優(yōu)化后的特征集。

注：WBI、ARVI、MReNDVI、ARI2、RGRI、CRI1、SRI、SIPI、MReSRI、ARI1、REPI、PRI、ReNDVI、MSI、CRI2、VREI1、CAI分別表示水波段指數(shù)、大氣阻抗植被指數(shù)、改進紅邊歸一化植被指數(shù)、花青素反射率指數(shù)2、紅綠比值指數(shù)、類胡蘿卜素反射指數(shù)1、比值植被指數(shù)、結(jié)構(gòu)不敏感色素指數(shù)、改進紅邊比值植被指數(shù)、花青素反射率指數(shù)1、紅邊位置指數(shù)、光化學(xué)植被指數(shù)、紅邊歸一化植被指數(shù)、水分脅迫指數(shù)、類胡蘿卜素反射指數(shù)2、Vogelmann紅邊指數(shù)1、纖維素吸收指數(shù)。下同。

綜合3組特征，確定每個類別優(yōu)化后的特征集。最終共保留56個特征用于模型構(gòu)建與分析，具體信息如表2所示。

表2 優(yōu)化后的特征集

注：R表示波長處的反射率；PCA_-表示對波段至波段進行主成分變換后的第一主成分信息；NDVI2-t1表示2時相與1時相NDVI的差值；EVI表示增強植被指數(shù)；R_Hom、R_Con、R_Ent、R_ASM、R_Cor、R_Dis分別表示波長處基于灰度共生矩陣計算的同質(zhì)性、對比度、熵、角二階矩、相關(guān)性、相異性。

Note: Rrepresents the reflectance at λ wavelength; PCA_a-b represents the first principal component information of bands between bandandafter principal component transformation; NDVI2-t1represents the difference between2 NDVI and1 NDVI; EVI represents the enhanced vegetation index; R_Hom, R_Con, R_Ent, R_ASM, R_Cor, R_Dis represents the GLCM homogeneity, GLCM contrast, GLCM entropy, GLCM angular second moment, GLCM correlation, GLCM dissimilarity atwavelength, respectively.

2.4 地塊作物識別

在地塊作物識別中，本文選擇SVM作為分類器，核函數(shù)選擇二次多項式[35]?；谟?xùn)練樣本得到識別模型，然后在整個研究區(qū)的植被地塊中應(yīng)用，得到糧食作物與非糧作物的識別結(jié)果。為提高模型的識別精度，避免過度擬合，在進行參數(shù)確定時，采用五折交叉驗證的方法確定模型參數(shù)。同時，為對比結(jié)果，本文也在傳統(tǒng)像元尺度下進行了相同處理，得到相應(yīng)的識別結(jié)果。

2.5 精度評價

在精度評價與分析中，主要利用驗證樣本，通過基于斑塊數(shù)統(tǒng)計的識別精度和基于像元數(shù)統(tǒng)計的識別精度這兩方面指標，對結(jié)果進行評價?；诎邏K數(shù)統(tǒng)計的識別精度表示識別結(jié)果中春玉米地塊數(shù)量與驗證樣本中春玉米地塊數(shù)量之比，基于像元數(shù)統(tǒng)計的識別精度表示識別結(jié)果中春玉米像元數(shù)量與驗證樣本中春玉米像元數(shù)量之比。

3 結(jié)果與分析

3.1 最優(yōu)特征組合分析

在地塊尺度下分別利用7種特征組合進行春玉米識別，得到不同特征組合下的春玉米識別精度，如表3所示。從表中可以看出，組合7利用包含光譜、植被指數(shù)與紋理等全部的56個特征獲得了最高的識別精度，基于斑塊數(shù)與像元數(shù)計算的精度分別為89.7%和97.1%。組合3的識別精度最低，與組合7相比，僅少了HR_VI特征，但基于斑塊數(shù)與像元數(shù)計算的精度分別下降了21.9個百分點和13.8個百分點，可見高分辨率數(shù)據(jù)植被指數(shù)能夠顯著提升識別精度。在其余特征組合中，識別精度由高到低依次為組合5、組合1、組合4、組合6、組合2，與組合7相比，分別缺少了HS_VI、HR_SF、MT_VI、HR_TF、HS_SF特征，而基于斑塊數(shù)的識別精度分別下降了3.5個百分點、5.2個百分點、6.4個百分點、8.7個百分點、9.8個百分點。由此可見，組合7為最優(yōu)特征組合，且組合中的各類特征對精度提升均有不同程度的貢獻。

根據(jù)缺少不同類型特征對精度的影響程度，對特征重要性進行排序，由大到小依次為：HR_VI、HS_SF、HR_TF、MT_VI、HR_SF、HS_VI。對比組合3、組合4、組合5與組合7可以看出；對于植被指數(shù)，與MT_VI和HS_VI相比，基于VNIC數(shù)據(jù)計算的HR_VI特征對于精度的影響最為顯著；對比組合1、組合2與組合7可以看出，對于光譜特征，與HR_SF相比，基于AHSI數(shù)據(jù)計算的HS_SF特征對于精度的影響最為顯著。對比不同的數(shù)據(jù)源，可以發(fā)現(xiàn)對于VNIC數(shù)據(jù)，植被指數(shù)對于精度的貢獻高于光譜特征和紋理特征；對于AHSI數(shù)據(jù)，光譜特征對于精度的貢獻高于植被指數(shù)?？梢姡谶M行糧食作物的識別中，需要優(yōu)先保證高分辨率數(shù)據(jù)和高光譜數(shù)據(jù)，同時，可以通過計算植被指數(shù)、光譜反射率增加特征波段提高識別精度。

表3 基于不同特征集的識別精度

注：√表示選擇該特征集；HR_SF、HS_SF、HR_VI、MT_VI、HS_VI、HR_TF分別表示高分辨率數(shù)據(jù)光譜特征、高光譜數(shù)據(jù)光譜特征、高分辨率數(shù)據(jù)植被指數(shù)、多時相數(shù)據(jù)植被指數(shù)、高光譜數(shù)據(jù)植被指數(shù)、高分辨率數(shù)據(jù)紋理特征。

Note: The √ indicates that the feature set is selected; HR_SF, HS_SF, HR_VI, MT_VI, HS_VI, HR_TF represents spectral features of high-resolution data, spectral features of hyperspectral data, vegetation indices of high-resolution data, vegetation indices of multi-temporal data, vegetation indices of hyperspectral data, texture features of high-resolution data, respectively.

另外，本文對比不同特征組合對識別不同面積春玉米地塊精度的影響，如表3所示。從表中可以看出，組合7在較小面積、中等面積、較大面積地塊上均獲得了最高的識別精度，基于斑塊數(shù)計算的精度分別為75.0%、86.7%、92.9%。在較小面積地塊的識別上，組合3的識別精度最低，與組合7相比，缺少HR_VI特征，基于斑塊數(shù)計算的識別精度下降了50個百分點，可見高分辨率數(shù)據(jù)植被指數(shù)在較小面積地塊的識別中能夠顯著提升精度。在減少HS_SF、MT_VI、HS_VI、HR_TF、HR_SF特征后，與組合7相比，組合2、組合4、組合5、組合6、組合1精度分別下降了17.9、14.3、14.3、14.3、3.6個百分點，可見高光譜數(shù)據(jù)光譜特征對于小面積地塊的精度提升具有重要作用；多時相數(shù)據(jù)植被指數(shù)、高光譜數(shù)據(jù)植被指數(shù)、高分辨率數(shù)據(jù)紋理特征對小面積地塊的精度貢獻基本相同；高分辨率數(shù)據(jù)光譜特征對小面積地塊的識別精度影響非常小。

在中等面積地塊的識別上，與組合7相比，組合3和組合6分別減少HR_VI、HR_TF特征，識別精度均最低，下降了23.4個百分點，可見高分辨率數(shù)據(jù)植被指數(shù)、高分辨率數(shù)據(jù)紋理特征都對中等面積地塊的識別精度有顯著提升。在其余特征組合中，識別精度由高到低依次為組合5、組合4、組合1、組合2，分別減少了HS_VI、MT_VI、HR_SF、HS_SF特征，基于斑塊數(shù)計算的識別精度分別下降了6.7個百分點、13.4個百分點、16.7個百分點、20個百分點，可見高光譜數(shù)據(jù)光譜特征對中等面積地塊的精度提升起到重要作用；高分辨率數(shù)據(jù)光譜特征、多時相數(shù)據(jù)植被指數(shù)對中等面積地塊的精度影響較大；高光譜數(shù)據(jù)植被指數(shù)對中等面積地塊的精度提升作用小。

在較大面積地塊的識別上，組合2的識別精度最低，與組合7相比，缺少HS_SF特征，基于斑塊數(shù)計算的精度下降了21.5個百分點，可見高光譜數(shù)據(jù)光譜特征對大面積地塊的精度影響最為顯著。在其他特征組合中，組合5的識別精度與組合7相同，均為92.9%，可見高光譜數(shù)據(jù)植被指數(shù)對大面積地塊的識別精度影響非常小。在減少HR_SF、HR_VI、MT_VI、HR_TF特征后，與組合7相比，組合1、組合3、組合4、組合6精度分別下降了17.9個百分點、14.3個百分點、10.8個百分點、10.8個百分點，可見高分辨率數(shù)據(jù)光譜特征對大面積地塊的精度提升起到重要作用；高分辨率數(shù)據(jù)植被指數(shù)對大面積地塊的精度影響較大；多時相數(shù)據(jù)植被指數(shù)、高分辨率數(shù)據(jù)紋理特征對大面積地塊的精度提升較小。

3.2 與傳統(tǒng)像元尺度方法結(jié)果的比較

本文利用最優(yōu)特征組合7，利用本文所提方法和傳統(tǒng)像元尺度方法分別進行糧食作物識別，并基于像元數(shù)進行精度評價。傳統(tǒng)方法的識別精度為72.9%，本文所提方法的識別精度為97.1%，傳統(tǒng)方法的識別精度降低24.2個百分點，不同方法識別結(jié)果對比如圖6所示。根據(jù)糧食作物與非糧作物輪作區(qū)以及耕地集中分布區(qū)，選擇A、B、C三個區(qū)域進行對比。對比圖6a、圖6b，可以看出傳統(tǒng)方法存在椒鹽狀噪聲，本文方法的結(jié)果更平滑。對比圖6c～6e，可以看出圖6c與圖 6d結(jié)果較一致，對于帶狀種植的作物，圖6c的識別結(jié)果優(yōu)于圖6e。對比圖6f～6h，可以看出圖 6f與圖6g結(jié)果較一致，對于較大面積作物地塊，圖6f的識別結(jié)果優(yōu)于圖6h。對比圖6i～6k，圖 6i和圖6j結(jié)果較一致，對于中等面積作物地塊，圖6i的識別結(jié)果優(yōu)于圖6k。

a. 本研究識別結(jié)果a. Identification result using this methodb. 傳統(tǒng)像元尺度識別結(jié)果b. Identification result using traditional pixel-scale method

c. 區(qū)域A本研究識別結(jié)果c. Identification result of site A using this methodd. 區(qū)域A地表真實圖像d. Ground truth image of site Ae. 區(qū)域A傳統(tǒng)像元尺度識別結(jié)果e. Identification result of site A using traditional pixel-scale method

f. 區(qū)域B本研究識別結(jié)果f. Identification result of site B using this methodg. 區(qū)域B地表真實圖像g. Ground truth image of site Bh. 區(qū)域B傳統(tǒng)像元尺度識別結(jié)果h. Identification result of site B using traditional pixel-scale method

i. 區(qū)域C本研究識別結(jié)果i. Identification result of site C using this methodj. 區(qū)域C地表真實圖像j. Ground truth image of site Ck. 區(qū)域C傳統(tǒng)像元尺度識別結(jié)果k. Identification result of site C using traditional pixel-scale method

4 結(jié) 論

本研究針對傳統(tǒng)方法下利用單一遙感數(shù)據(jù)源進行糧食作物監(jiān)測，識別精度較低，結(jié)果難以滿足應(yīng)用需求的問題，提出了一套在地塊尺度下綜合多源衛(wèi)星遙感數(shù)據(jù)（包括高分辨率數(shù)據(jù)、多時相數(shù)據(jù)、高光譜數(shù)據(jù)）與土地利用調(diào)查矢量數(shù)據(jù)的糧食作物信息識別方法，分析不同特征組合下的識別精度，并對本文所提方法與傳統(tǒng)像元尺度方法的結(jié)果進行了對比，得到了如下結(jié)論：

1）本文方法可以有效識別糧食作物的種植情況，利用光譜、植被指數(shù)、紋理特征組合得到的識別結(jié)果精度最優(yōu)，基于斑塊數(shù)、像元數(shù)統(tǒng)計的識別精度分別達到89.7%、97.1%，與傳統(tǒng)方法相比，本文方法的精度提高約24.2個百分點，且提取的地塊信息較完整；

2）在不同特征類型中，對識別精度貢獻較高的分別有：高分辨率數(shù)據(jù)植被指數(shù)、高光譜數(shù)據(jù)光譜特征、高分辨率數(shù)據(jù)紋理特征，對識別精度貢獻較低的分別有：多時相數(shù)據(jù)植被指數(shù)、高分辨率數(shù)據(jù)光譜特征、高光譜數(shù)據(jù)植被指數(shù)。在較小面積地塊的識別中，高分辨率數(shù)據(jù)植被指數(shù)對識別精度的提升最為顯著；在中等面積地塊的識別中，高分辨率數(shù)據(jù)植被指數(shù)、高分辨率數(shù)據(jù)紋理特征對識別精度的提升貢獻較大；在較大面積地塊的識別中，高光譜數(shù)據(jù)光譜特征對識別精度的提升起到重要作用。

本文所提方法可實現(xiàn)糧食作物信息識別，為地塊尺度作物信息提取提供研究思路，為合理利用耕地、完善糧食安全保障體系提供技術(shù)支持。

[1] 張慧中，宋文，張文信，等. 山東省耕地“非糧化”空間分異特征及其影響因素分析[J]. 中國土地科學(xué)，2021，35(10)：94-103.

Zhang Huizhong, Song Wen, Zhang Wenxin, et al. Analysis of spatial differentiation characteristics and influencing factors of non-grain cultivated land in Shandong province[J]. China Land Science, 2021, 35(10): 94-103. (in Chinese with English abstract)

[2] 陳浮，劉俊娜，常媛媛，等. 中國耕地非糧化空間格局分異及驅(qū)動機制[J]. 中國土地科學(xué)，2021，35(9)：33-43.

Chen Fu, Liu Junna, Chang Yuanyuan, et al. Spatial pattern differentiation of non-grain cultivated land and its driving factors in China[J]. China Land Science, 2021, 35(9): 33-43. (in Chinese with English abstract)

[3] 王沖. 山東省耕地非糧化時空特征及影響因素研究[D]. 青島：青島科技大學(xué)，2016.

Wang Chong. Spatial Temporal Characteristics and Influencing Factors of Non Grain Cropland in Shandong Province[D]. Qingdao: Qingdao University of Science & Technology, 2016. (in Chinese with English abstract)

[4] Ashourloo D, Nematollahi H, Huete A, et al. A new phenology-based method for mapping wheat and barley using time-series of Sentinel-2 images[J]. Remote Sensing of Environment, 2022, 280: 113206.

[5] 王文靜，張霞，趙銀娣，等. 綜合多特征的Landsat8時序遙感圖像棉花分類方法[J]. 遙感學(xué)報，2017，21(1)：115-124.

Wang Wenjing, Zhang Xia, Zhao Yindi, et al. Cotton extraction method of integrated multi-features based on multi-temporal Landsat 8 images[J]. Journal of Remote Sensing, 2017, 21(1): 115-124. (in Chinese with English abstract)

[6] 李暉，陳雨琪，張紫滟，等. 基于長時間序列MODIS影像的黑龍江省主要農(nóng)作物種植結(jié)構(gòu)變化研究[J]. 杭州師范大學(xué)學(xué)報（自然科學(xué)版），2021，20(6)：658-665.

Li Hui, Chen Yuqi, Zhang Ziyan, et al. Planting structure changes of the main crops in Heilongjiang Province based on long time series MODIS images[J]. Journal of Hangzhou Normal University(Natural Science Edition), 2021, 20(6): 658-665. (in Chinese with English abstract)

[7] Pe?a-Barragán J M, Ngugi M K, Plant R E, et al. Object-based crop identification using multiple vegetation indices, textural features and crop phenology[J]. Remote Sensing of Environment, 2011, 115(6): 1301-1316.

[8] Gu X H, Pan Y Z, He X, et al. Measurement of sown area of winter wheat based on per-field classification and remote sensing imagery[J]. Journal of Remote Sensing, 2010, 14(4): 789-805.

[9] 張鵬，胡守庚. 地塊尺度的復(fù)雜種植區(qū)作物遙感精細分類[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(20)：125-134.

Zhang Peng, Hu Shougeng. Fine crop classification by remote sensing in complex planting areas based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 125-134. (in Chinese with English abstract)

[10] Xie H, Wu Q, Zhang T, et al. A new algorithm for extracting winter wheat planting area based on ownership parcel vector data and medium-resolution remote sensing images[J]. Journal of Mathematics, 2021, 2021: 1-16. .

[11] 楊穎頻，吳志峰，駱劍承，等. 時空協(xié)同的地塊尺度作物分布遙感提取[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(7)：166-174.

Yang Yingpin, Wu Zhifeng, Luo Jiancheng, et al. Parcel-based crop distribution extraction using the spatiotemporal collaboration of remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(7): 166-174. (in Chinese with English abstract)

[12] 謝國雪，黃啟廳，楊紹鍔，等. 基于中高分影像的丘陵區(qū)柑橘種植地塊提取[J]. 南方農(nóng)業(yè)學(xué)報，2021，52(12)：3454-3462.

Xie Guoxue, Huang Qiting, Yang Shaoe, et al. Extraction of citrus planting plots based on medium-high different images[J]. Journal of Southern Agriculture, 2021, 52(12): 3454-3462. (in Chinese with English abstract)

[13] 韓衍欣，蒙繼華. 面向地塊的農(nóng)作物遙感分類研究進展[J]. 國土資源遙感，2019，31(2)：1-9.

Han Yanxin, Meng Jihua. A review of per-field crop classification using remote sensing[J]. Remote Sensing for Land and Resources, 2019, 31(2): 1-9. (in Chinese with English abstract)

[14] 馮媛. 基于生態(tài)系統(tǒng)服務(wù)價值的山東省耕地生態(tài)補償標準量化研究[D]. 青島：青島科技大學(xué)，2018.

Feng Yuan. The Research on Land Ecological Compensation Standard of Shandong Province Based on Ecosystem Service Value[D]. Qingdao: Qingdao University of Science & Technology, 2018. (in Chinese with English abstract)

[15] 青島西海岸新區(qū)統(tǒng)計局，2020年青島西海岸新區(qū)統(tǒng)計年鑒[R/OL]. (2020-10-28)[2022-05-05]. http://www.xihaian.gov. cn/zwgk/bmgk/qtjj/gkml/zdgz/tjnj/202012/t20201209_2769726. shtml

[16] Luo Y, Zhang Z, Li Z, et al. Identifying the spatiotemporal changes of annual harvesting areas for three staple crops in China by integrating multi-data sources[J]. Environmental Research Letters, 2020, 15(7): 074003.

[17] 王鵬新，荀蘭，李俐，等. 基于時間序列葉面積指數(shù)稀疏表示的作物種植區(qū)域提取[J]. 遙感學(xué)報，2019，23(5)：959-970.

Wang Pengxin, Xun Lan, Li Li, et al. Extraction of planting areas of main crops based on sparse representation of time-series leaf area index[J]. Journal of Remote Sensing, 2019, 23(5): 959-970. (in Chinese with English abstract)

[18] 李正國，楊鵬，周清波，等. 基于時序植被指數(shù)的華北地區(qū)作物物候期/種植制度的時空格局特征[J]. 生態(tài)學(xué)報，2009，29(11)：6216-6226.

Li Zhengguo, Yang Peng, Zhou Qingbo, et al. Research on spatiotemporal pattern of crop phenological characteristics and cropping system in North China based on NDVI time series data[J]. Acta Ecologica Sinica, 2009, 29(11): 6216-6226. (in Chinese with English abstract)

[19] 張雅芳，郭英，沈彥俊，等. 華北平原種植結(jié)構(gòu)變化對農(nóng)業(yè)需水的影響[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報（中英文），2020，28(1)：8-16.

Zhang Yafang, Guo Ying, Shen Yanjun, et al. Impact of planting structure changes on agriculture water requirement in North China Plain[J]. Chinese Journal of Eco-Agriculture, 2020, 28(1): 8-16. (in Chinese with English abstract)

[20] 張宏宇，韓波，王嘯虎，等. 資源一號02D衛(wèi)星總體設(shè)計與技術(shù)特點[J]. 航天器工程，2020，29(6)：10-18.

Zhang Hongyu, Han Bo, Wang Xiaohu, et al. System design and technique characteristic of ZY-1-02D satellite[J]. Spacecraft Engineering, 2020, 29(6): 10-18. (in Chinese with English abstract)

[21] 李毅夫，王琫瑜，高志海，等. 資源一號02D衛(wèi)星影像防護林信息提取方法[J]. 航天器工程，2020，29(6)：174-179.

Li Yifu, Wang Bengyu, Gao Zhihai, et al. Shelter forest information extraction method of ZY-1-02D satellite remote sensing images[J]. Spacecraft Engineering, 2020, 29(6): 174-179. (in Chinese with English abstract)

[22] 劉銀年，孫德新，韓波，等. 資源一號02D衛(wèi)星可見短波紅外高光譜相機研制[J]. 航天器工程，2020，29(6)：85-92.

Liu Yinnian, Sun Dexin, Han Bo, et al. Development of advanced visible and short-wave infrared hyperspectral imager onboard ZY1-02D satellite[J]. Spacecraft Engineering, 2020, 29(6): 85-92. (in Chinese with English abstract)

[23] Roerdink J B T M, Meijster A. The watershed transform: definitions, algorithms, and parallelization strategies[J]. Fundamenta informaticae, 2001, 41(1/2): 187-228.

[24] Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the great plains with Erts[C]//Third ERTS Symposium, 1973, 8, 1.

[25] Jackson T J, Chen D, Cosh M, et al. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans[J]. Remote Sensing of Environment, 2004, 92(4): 475-482.

[26] 肖鵬峰，馮學(xué)智，趙書河，等. 基于相位一致的高分辨率遙感圖像分割方法[J]. 測繪學(xué)報，2007，36(2)：146-151.

Xiao Pengfeng, Feng Xuezhi, Zhao Shuhe, et al. Segmentation of high-resolution remotely sensed imagery based on phase congruency[J]. Acta Geodaetica et Cartographica sinica, 2007, 36(2): 146-151. (in Chinese with English abstract)

[27] 林卉，劉培，夏俊士，等. 基于分水嶺變換的遙感影像面向?qū)ο蠖喑叨确指钏惴ㄑ芯縖J]. 測繪通報，2011(10)：17-19.

Lin Hui, Liu Pei, Xia Junshi, et al. Research on object-oriented multi-scale segmentation algorithm based on watershed transformation[J]. Bulletin of Surveying and Mapping, 2011(10): 17-19. (in Chinese with English abstract)

[28] Gao W, Zhang X, Yang L, et al. An improved Sobel edge detection[C]//2010 3rd International Conference on Computer Science and Information Technology. IEEE, 2010, 5: 67-71.

[29] Robinson D J, Redding N J, Crisp D J. Implementation of a fast algorithm for segmenting SAR imagery[R]. Electronics Research Lab Salisbury(Australia), 2002.

[30] Haralick R M, Shanmugam K, Dinstein I H. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973(6): 610-621.

[31] Huete A R. A soil-adjusted vegetation index(SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295-309.

[32] Liu H, Motoda H. Feature Selection for Knowledge Discovery and Data Mining[M]. Boston: Kluwer Academic publishers, 1998.

[33] Krzanowski W. Principles of Multivariate Analysis[M]. Oxford: Oxford University Press, 2000.

[34] Seber G A F. Multivariate Observations[M]. New York: Wiley, 2009.

[35] Cristianini N, Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods[M]. Cambridge: Cambridge University Press, 2000.

Identification of grain crop using multi-source satellite remote sensing data at field parcel scale

Gu He1,2, Shang Kun1※, Qin Ailing1,3, Xiao Chenchao1

(1.,,100048,; 2...,100040,; 3.,,100083,)

Grain crops are of great significance to the national food security in the world in recent years. Among them, the single remote sensing data source can usually be used to monitor the distribution of grain crops at the pixel scale. However, the monitoring data of grain crop can be constantly contaminated with the serious pepper noise. The current accuracy cannot fully meet the harsh requirements of cropland management in smart agriculture. In this study, a modified strategy was proposed to identify the grain crop information at the field parcel scale using the multi-source satellite data (including high-resolution data (HR), multi-temporal data (MT), and hyperspectral data (HS)), and vector data of land-use type. A study area was selected as the 13 km×12 km complex planting region in the Huangdao District of Qingdao City, Shandong Province, China. The data sources were collected from the ZY1-02D Visible Near-Infrared Camera (VNIC), Advanced Hyperspectral Imager (AHSI), and Landsat-8 Operational Land Imager (OLI). The experiment was performed on the following steps. Firstly, the vector data was used to obtain the cultivated and non-cultivated land boundaries, where the non-cultivated land was masked in the study area. Secondly, the watershed algorithm was utilized to segment the HR for theboundaries of homogeneous crop field parcels. Thirdly, the Normalized Difference Vegetation Index (NDVI) and Normalized Difference Water Index (NDWI) were calculated to determine the thresholds of vegetated field parcels. After that, the spatiotemporal spectrum feature datasets were constructed at the field parcel scale using multi-source satellite remote sensing data, including the spectral features (SFs), Vegetation Indices (VIs), and Texture Features (TFs). Then, an independent sample t-test method was adopted to calculate the separability between the grain crops and non-grain crops within different feature types. The optimal subset of features within each feature type was determined to train the classifier with the diagonal covariance matrix as the discriminant analysis. Seven sets of features were constructed by different combinations of the optimal subset of each feature type. A Quadratic Polynomial Support Vector Machine (QSVM) identification was then carried out to evaluate the accuracy of the system. Subsequently, the contribution of each feature type to the accuracy was analyzed under the different field parcel sizes. Moreover, the optimal feature set was achieved to compare the identification accuracy. Finally, the better accuracy was determined at the field parcel scale and the traditional pixel scale under the optimal feature set. The results showed that: 1) The proposed strategy performed better to acquire the grain crop distribution of cultivated land, with an identification accuracy of 89.7% using the number of field parcels. 2) The maximum identification accuracy of 97.1% was achieved at the field parcel scale using the number of pixels, in terms of the optimal feature set with the SFs, VIs, and TFs. The accuracy was improved by about 24.2 percent points, compared with the traditional pixel scale, and the identification crop field parcels were more complete. 3) The HR_VI and HS_SF can be expected to significantly improve the identification accuracy of small and large field parcels, respectively. In medium-sized field parcels, both HR_VI and HR_TF were contributed to the high identification accuracy of grain crops.The finding can also provide a strong reference to efficiently utilize the cultivated land.

remote sensing; crops; identification; homogeneous field parcel; multi-source data

10.11975/j.issn.1002-6819.2022.16.004

TP79；S127

A

1002-6819(2022)-16-0033-09

谷鶴，尚坤，秦愛羚，等. 地塊尺度下基于多源衛(wèi)星遙感數(shù)據(jù)的糧食作物識別[J]. 農(nóng)業(yè)工程學(xué)報，2022，38(16)：33-41.doi：10.11975/j.issn.1002-6819.2022.16.004 http://www.tcsae.org

Gu He, Shang Kun, Qin Ailing, et al. Identification of grain crop using multi-source satellite remote sensing data at field parcel scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(16): 33-41. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.16.004 http://www.tcsae.org

2022-05-24

2022-07-08

國家自然科學(xué)基金項目（42001317）；國家重點研發(fā)計劃項目（2021YFD1500102）

谷鶴，研究方向為高光譜衛(wèi)星目標識別與分類。Email：guhe0661@qq.com

尚坤，博士，高級工程師，研究方向為高光譜衛(wèi)星耕地利用與土壤參量反演技術(shù)。Email：shangkun0213@126.com