協(xié)同多源國產(chǎn)高分影像和面向?qū)ο蠓椒ǖ哪戏睫r(nóng)作物遙感識別

王佳玥，蔡志文，王文靜，魏浩東，王聰，李澤萱，李秀妮，胡瓊

協(xié)同多源國產(chǎn)高分影像和面向?qū)ο蠓椒ǖ哪戏睫r(nóng)作物遙感識別

王佳玥1，蔡志文2，王文靜1，魏浩東3，王聰1，李澤萱1，李秀妮1，胡瓊1

1華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，武漢 430079；2華中農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院/華中農(nóng)業(yè)大學(xué)宏觀農(nóng)業(yè)研究院，武漢 430070；3華中農(nóng)業(yè)大學(xué)植物科學(xué)技術(shù)學(xué)院/華中農(nóng)業(yè)大學(xué)宏觀農(nóng)業(yè)研究院，武漢 430070

【目的】中國南方地區(qū)云雨頻繁且農(nóng)業(yè)景觀破碎，是我國農(nóng)作物遙感監(jiān)測最具挑戰(zhàn)的區(qū)域之一。我國自主研發(fā)的高分系列衛(wèi)星具有高時空分辨率和高質(zhì)量成像的特點。本研究挖掘多源高分系列衛(wèi)星的時間和空間雙重優(yōu)勢，實現(xiàn)多云雨及景觀異質(zhì)區(qū)作物精細化識別。【方法】基于國產(chǎn)高空間分辨率高分二號（GF-2）影像表征農(nóng)田空間幾何特征，協(xié)同中空間分辨率高分一號（GF-1）和高分六號（GF-6）加密影像觀測時間序列，充分表征農(nóng)作物光譜季相節(jié)律。通過構(gòu)建光譜-時相-空間三維分類特征，基于隨機森林進行農(nóng)作物分類并計算不同特征的重要性。同時，設(shè)置不同影像組合和不同分類單元下的多種分類場景，進一步分析不同高分數(shù)據(jù)協(xié)同利用在農(nóng)作物識別上的表現(xiàn)差異。【結(jié)果】基于GF-1、GF-2和GF-6影像和面向?qū)ο蟮霓r(nóng)作物分類在湖北省潛江市研究區(qū)的總體精度為95.49%，Kappa系數(shù)為0.94；在棗陽市的總體精度為93.78%，Kappa系數(shù)為0.92。協(xié)同GF-2和GF-6進行農(nóng)作物分類精度優(yōu)于協(xié)同GF-2和GF-1。此外，基于GF-2進行面向?qū)ο蟮霓r(nóng)作物分類效果優(yōu)于面向像元，其中潛江總體精度提升了1.4%，棗陽提升了1.32%。相比GF-1和GF-2對應(yīng)的光譜和空間特征，GF-6光譜波段對農(nóng)作物遙感識別的貢獻度最大，累計重要性得分占全部光譜波段的82%（潛江）、77%（棗陽）。其中GF-6新增的紅邊Ⅰ波段（B5）、紅邊Ⅱ波段（B6）、紫波段（B7）和黃波段（B8）4個光譜波段對作物識別的貢獻度分別為47%（潛江）和33%（棗陽）?！窘Y(jié)論】協(xié)同發(fā)揮不同國產(chǎn)高分數(shù)據(jù)各自光譜-時間-空間優(yōu)勢，不僅緩解了農(nóng)業(yè)景觀破碎導(dǎo)致的“混合像元”問題，同時一定程度上降低了多云多雨氣候?qū)r(nóng)作物識別影響的不確定性，為我國南方地區(qū)農(nóng)作物精準識別提供了巨大潛能。

國產(chǎn)高分數(shù)據(jù)；面向?qū)ο?；隨機森林；遙感識別；作物分類

0 引言

【研究意義】農(nóng)作物空間分布信息是農(nóng)業(yè)生產(chǎn)管理、農(nóng)作物產(chǎn)量估算以及農(nóng)業(yè)土地結(jié)構(gòu)調(diào)整等的重要基礎(chǔ)數(shù)據(jù)[1-4]。傳統(tǒng)實地調(diào)研方法的周期長、成本高，其獲取的農(nóng)作物種植面積信息存在較高的不確定性和時間滯后性[5]。及時、準確地掌握農(nóng)作物空間分布信息對于調(diào)整農(nóng)作物種植結(jié)構(gòu)、制定農(nóng)業(yè)生產(chǎn)布局方案、推進水土資源高效利用以及保障國家糧食安全等具有重要意義?！厩叭搜芯窟M展】遙感技術(shù)因探測周期短、成本低、覆蓋范圍廣等優(yōu)勢，成為區(qū)域尺度農(nóng)作物空間分布制圖最主流的手段[6-10]。農(nóng)作物光譜易受農(nóng)作物類型、土壤背景、耕作活動等影響，尤其在地塊破碎、多云多雨、種植結(jié)構(gòu)多樣的南方地區(qū)，農(nóng)作物類內(nèi)光譜變異性大，為其遙感監(jiān)測帶來了嚴峻挑戰(zhàn)[11]。以MODIS為代表的低空間分辨率遙感衛(wèi)星具有高重訪時頻的特點，能充分捕獲農(nóng)作物關(guān)鍵物候特征，但較粗的空間分辨率導(dǎo)致混合像元問題[12-14]。以Landsat和Sentinel為代表的中空間分辨率影像是目前應(yīng)用最廣泛的遙感數(shù)據(jù)之一，其適宜的空間分辨率和光譜波段，提高了區(qū)域農(nóng)作物識別精度，但相對較長的重返周期使其難以表征農(nóng)作物生長過程動態(tài)信息[15-18]。尤其在中國南方地區(qū)，頻繁的云雨天氣往往導(dǎo)致優(yōu)質(zhì)的中高分辨率影像數(shù)量受限[19-22]，僅依靠單一遙感數(shù)據(jù)難以獲取密集的對地觀測頻率，也就難以辨別物候特征相近的多類農(nóng)作物[23-24]。因此，一方面如何提高遙感影像的時間觀測密度來提升農(nóng)作物物候特征捕獲能力，以突破云雨天氣導(dǎo)致的時間分辨率不足；另一方面，如何兼顧“高空間分辨率”優(yōu)點，來緩解農(nóng)業(yè)景觀異質(zhì)性帶來的混合像元問題，是當前我國南方地區(qū)農(nóng)作物遙感制圖面臨的雙重挑戰(zhàn)[25-26]。近年來，隨著我國高分辨率對地觀測系統(tǒng)重大專項的實施，成功發(fā)射了多顆國產(chǎn)高分系列衛(wèi)星[27-28]（例如GF-1、GF-2和GF-6等衛(wèi)星）。高分系列衛(wèi)星兼有高空間和時間分辨率的雙重優(yōu)勢，不僅能刻畫農(nóng)作物細致的空間信息，且能充分表達農(nóng)作物季相節(jié)律特征，為多云多雨、農(nóng)業(yè)景觀破碎地區(qū)的農(nóng)作物精細識別提供了巨大潛力[29-31]。例如，何真等[32]研究表明協(xié)同國產(chǎn)GF-1和GF-6衛(wèi)星影像能捕獲艾草的關(guān)鍵物候特征從而提高作物識別精度。鄭利娟[27]協(xié)同GF-1和GF-6影像挖掘適用于作物分類的特征，研究了基于高空間分辨率影像的作物分類特征優(yōu)化方法。以上研究表明多源衛(wèi)星協(xié)同，特別是國產(chǎn)高分系列衛(wèi)星的協(xié)同有效提高了對農(nóng)作物的監(jiān)測能力，為云雨頻繁的復(fù)雜區(qū)域農(nóng)作物精細識別提供了巨大潛力[33-36]?！颈狙芯壳腥朦c】現(xiàn)有研究大多集中于協(xié)同多源中高分辨率數(shù)據(jù)，利用其充足的時相信息進行作物分類，忽視了高空間分辨率數(shù)據(jù)所蘊藏的豐富空間細節(jié)特征[37-40]。此外，基于國產(chǎn)高分影像農(nóng)作物分類制圖大多停留于像元尺度上，未考慮到相鄰像元之間的關(guān)聯(lián)效應(yīng)，而高分辨率影像為解析像元之間精細的拓撲關(guān)系提供了有效數(shù)據(jù)支撐[41-42]。因此，如何充分挖掘多源多時相高分衛(wèi)星在光譜、時空分辨率上的優(yōu)勢，實現(xiàn)多云雨和耕地破碎地區(qū)的農(nóng)作物精細化識別成為農(nóng)業(yè)監(jiān)測領(lǐng)域的關(guān)鍵問題?！緮M解決的關(guān)鍵問題】本研究以國產(chǎn)高分系列衛(wèi)星中的高分一號（GF-1）、高分二號（GF-2）和高分六號（GF-6）為遙感數(shù)據(jù)源，針對中國南方糧食主產(chǎn)區(qū)之一的湖北省，選取2個典型農(nóng)耕地區(qū)為研究區(qū)域，探索多源國產(chǎn)高分數(shù)據(jù)在農(nóng)作物制圖中的應(yīng)用潛力。發(fā)揮GF-2高空間分辨率優(yōu)勢，基于GF-2進行面向?qū)ο蠓诸?，緩解混合像元問題；協(xié)同GF-1和GF-6，加密遙感影像時間密度，充分表征農(nóng)作物物候特征，降低云雨天氣對農(nóng)作物識別的影響。研究方法和結(jié)果為湖北省農(nóng)業(yè)生產(chǎn)管理、作物種植結(jié)構(gòu)調(diào)整和農(nóng)業(yè)可持續(xù)發(fā)展提供重要技術(shù)支撐和信息參考。

1 材料與方法

1.1 研究區(qū)概況

本文選取湖北省潛江市和棗陽市為研究區(qū)域（圖1），其主要作物物候歷如圖2所示。潛江市位于湖北省中部，地跨東經(jīng)112°29′—113°01′、北緯30°04′— 30°39′，地處江漢平原腹地，海拔為26—31 m，地勢平坦，降雨充沛，年降水量達1 188 mm，為農(nóng)業(yè)生產(chǎn)提供了充足的灌溉條件。潛江市耕地面積12萬hm2，占土地總面積的60%。其農(nóng)作物種植模式復(fù)雜，包括單季稻、雙季稻、蝦稻，以及油稻、麥稻輪作等。雖然潛江地處平原，但農(nóng)業(yè)景觀破碎度較高，農(nóng)田較小，大多數(shù)農(nóng)田的地塊面積小于1 hm2。

棗陽市位于湖北省西北部，地跨東經(jīng)112°30′— 113°00′，北緯31°40′—32°40′，雨量適中，年均降水分布不均，年際變化大，為500—1 000 mm。棗陽市土地總面積32.77萬hm2，其中耕地面積16.07萬hm2，占總面積的49%。棗陽地勢東高西低，由東北向西南傾斜，地形以丘陵崗地為主。境內(nèi)有大小河溪180多條，流域面積30多萬hm2。農(nóng)作物種植以水稻，玉米，以及冬小麥為主，且農(nóng)作物多以間作方式種植，導(dǎo)致棗陽農(nóng)田地塊破碎化程度較高。

圖1 研究區(qū)概況圖以及農(nóng)作物樣本空間分布

圖2 研究區(qū)農(nóng)作物物候歷與高分系列影像時相信息圖

1.2 國產(chǎn)高分衛(wèi)星影像獲取與預(yù)處理

本研究采用高分一號（GF-1）、高分二號（GF-2）和高分六號（GF-6）為遙感數(shù)據(jù)源。其中，GF-2采用空間分辨率為1 m的PMS傳感器數(shù)據(jù)以刻畫破碎的農(nóng)業(yè)景觀，GF-1和GF-6則使用空間分辨率為16 m的WFV數(shù)據(jù)。GF-1和GF-6在組網(wǎng)后重返觀測周期可達2 d，能充分地捕獲農(nóng)作物季相變化規(guī)律。GF-2 PMS、GF-1/6 WFV數(shù)據(jù)詳情如表1所示。

本研究從中國資源衛(wèi)星應(yīng)用中心陸地觀測衛(wèi)星數(shù)據(jù)服務(wù)平臺（https://data.cresda.cn/#/home）下載了覆蓋研究區(qū)域的高質(zhì)量無云的GF-1 WFV、GF-6 WFV影像以及GF-2 PMS影像。不同研究區(qū)高質(zhì)量高分影像獲取數(shù)量和時間如圖2所示。由于研究區(qū)具有多類越冬作物，因此，采用了當年11月到次年6月份的高分影像進行農(nóng)作物分類。同時，為了與實地樣本獲取時間對應(yīng)，下載了潛江地區(qū)2018年11月至2019年6月影像，棗陽地區(qū)2020年11月至2021年6月影像。首先基于ENVI 5.3軟件對GF-1、GF-2和GF-6原始影像進行了批量預(yù)處理，包括輻射定標、大氣校正、正射校正、裁剪和拼接，并通過融合GF-2影像的全色波段與多光譜波段，得到1 m分辨率的GF-2多光譜影像。然后以Google Earth影像為參考影像對高分影像進行地理配準，使用AROSICS軟件自動檢測并校正多時相高分影像之間的空間偏移[43]，最終確保誤差在1個像元以內(nèi)。

表1 GF-1、GF-2和GF-6衛(wèi)星傳感器參數(shù)

1.3 農(nóng)作物實地樣本

本研究于2019年5月前往潛江、2021年5月前往棗陽進行實地農(nóng)作物類型樣本采集。其中潛江市最終采集了730個農(nóng)作物樣本，包括早稻140個、蝦稻168個、小麥160個、油菜146個以及其他作物類別（包括蓮藕、大豆等）116個，其空間分布見圖1-b。此外，基于高分辨率Google Earth影像目視解譯得到非耕地樣本，包括水體61個、林地74個、人工地表84個。棗陽市共采集農(nóng)作物樣本481個（圖1-c），其中包括小麥190個、水稻（早稻）161個以及其他作物類型（包括花生、土豆等）130個。目視選取非耕地樣本水體108個、林地100個、人工地表94個。對于樣本數(shù)據(jù)集，本研究按照1﹕1的比例將其隨機劃分為訓(xùn)練集和驗證集，在保證模型訓(xùn)練效果的同時保留足夠的樣本以對預(yù)測結(jié)果進行精度評價。

1.4 研究方法

1.4.1 基于GF-2影像的多尺度影像分割 eCognition軟件中的多尺度影像分割算法是經(jīng)典的影像分割算法之一，其通過迭代聚合的策略，基于同質(zhì)性準則，將光譜特征相似的相鄰像元歸并為一類，在一定程度上能減少椒鹽噪聲的干擾，提升模型分類精度[44-46]。分割尺度參數(shù)（scale）、形狀因子（shape）和緊致度因子（compactness）是多尺度分割的3個重要參數(shù)[47]。形狀因子表示對象的幾何特征，緊致度因子代表對象邊緣的平滑程度。尺度參數(shù)定義影像對象層的均一性準則的最大標準差，會影響對象的平均大小和內(nèi)部均勻性，一般情況下，尺度參數(shù)值越大，對象層的輪廓就越大[48-49]。

本研究對融合后多光譜GF-2影像進行多尺度分割，借助ESP2（Estimation of Scale Parameter 2）工具確定潛在最優(yōu)分割參數(shù)，并結(jié)合目視判別效果來最終設(shè)定合適的分割尺度、形狀因子、緊致度因子、波段權(quán)重等參數(shù)。ESP2是一種自動計算最優(yōu)分割尺度的工具，根據(jù)局部方差（local variance，LV）及其變化率（rate of change，ROC）來評估分割效果[15]，相較于傳統(tǒng)主觀試錯方法能顯著提升主觀試錯效率，是當前面向?qū)ο蠓指钭畛Ｓ玫某叨葍?yōu)選工具之一[16, 50]。影像分割產(chǎn)生的對象，不僅一定程度上緩解了景觀破碎產(chǎn)生的椒鹽現(xiàn)象，同時其對應(yīng)的幾何結(jié)構(gòu)特征，為農(nóng)作物識別提供了重要信息。

1.4.2 基于GF-1、GF-2和GF-6影像的分類情景設(shè)計 本研究首先通過對高空間分辨率GF-2影像進行多尺度分割，提取了分割對象的范圍、方向、最大邊長值、最小邊長值共4個幾何形狀特征。其中，范圍表示分割對象的面積與其最小外接矩形面積的比值，可以反映分割對象的不規(guī)則程度，不規(guī)則程度越高，則該值越小。最大、最小邊長值則可以衡量對象的長寬比例，有利于將農(nóng)田與細長地物如道路，河流等相區(qū)分。其次，在對象尺度上統(tǒng)計波段反射率的均值。基于GF-1和GF-6數(shù)據(jù)分別構(gòu)建了8個光譜波段特征，其中藍、綠、紅以及近紅外4個光譜波段特征由GF-1和GF-6共同組成，而紅邊波段Ⅰ、紅邊波段Ⅱ、黃，以及紫波段由GF-6提供。最后，基于GF-2、GF-1和GF-6數(shù)據(jù)提取的空間和時序光譜特征進行研究區(qū)單季作物制圖（表2方案1）。具體地，針對潛江市，基于2018年11月至2019年6月GF-1與GF-6的時序影像以及GF-2影像共構(gòu)建了56個特征，其中包括單期GF-2影像提取的4個空間特征，3期GF-1影像形成的12個光譜特征（3個時相×4個光譜波段），5期GF-6影像形成的40個光譜特征（5個時相×8個光譜波段）。對于棗陽市，基于2020年11月至2021年6月GF-1、GF-6以及GF-2構(gòu)建了116個特征，其中包括GF-2數(shù)據(jù)的4個空間特征，8期GF-1影像形成的32個光譜特征（8個時相×4個光譜波段），10期GF-6影像形成的80個特征（10個時相×8個光譜波段）。

另外，為了充分評估協(xié)同高分數(shù)據(jù)進行農(nóng)作物遙感分類的潛力，本文設(shè)置了3個對照試驗，即利用不同數(shù)據(jù)組合和分類單元進行農(nóng)作物識別（表2中方案2—4）。方案2和方案3利用GF-1、GF-6分別與GF-2數(shù)據(jù)進行協(xié)同，通過對比試驗組（方案1），研究影像觀測時間頻率對分類結(jié)果的影響。方案4則是在像素單元上協(xié)同GF-1和GF-6影像構(gòu)建光譜-時相二維特征組合，通過對比方案1，探討不同分類單元（面向?qū)ο蠛兔嫦蛳裨Ψ诸惤Y(jié)果的影響。

1.4.3 隨機森林分類 本研究使用隨機森林分類器（Random Forest）[51]進行農(nóng)作物分類。與其他機器學(xué)習方法相比，隨機森林具有強抗噪能力、高維數(shù)據(jù)處理能力以及特征重要性排序能力[52]。在產(chǎn)生分類結(jié)果的同時，隨機森林也產(chǎn)生了各特征的重要性得分，進行特征重要性排序，顯示不同特征對分類結(jié)果的優(yōu)先級。本研究使用隨機森林的平均不純度減少（mean decrease impurity，MDI）指標表征每個特征的重要性，計算出每個特征平均減少的不純度，將其作為特征重要性得分[32]。將4組分類方案（表2）基于相同的訓(xùn)練樣本進行隨機森林分類，再采用相同的驗證樣本進行精度評價。最后，基于隨機森林的特征重要性得分，分析不同高分數(shù)據(jù)源的光譜、空間和時間特征對農(nóng)作物識別貢獻度。

表2 基于不同GF-1、GF-2和GF-6影像的分類情景設(shè)計

特征總數(shù)=單期GF-2空間特征（4個）+GF-1光譜特征（影像數(shù)量×4個光譜波段）+GF-6光譜特征（影像數(shù)量×8個光譜波段）

Total number of features = single-period GF-2 spatial features (4) + GF-1 spectral features (number of images × 4 spectral bands) + GF-6 spectral features (number of images × 8 spectral bands)

1.4.4 精度評價 本研究基于混淆矩陣[53]進一步計算制圖精度（producer’s accuracy，PA）、用戶精度（user’s accuracy，UA）、總體精度（overall accuracy，OA）、Kappa系數(shù)以及F1-score共5個精度指標來綜合表征農(nóng)作物分類效果[54]。OA和Kappa系數(shù)表征區(qū)域農(nóng)作物分類總體效果。F1-score[55]為PA和UA的調(diào)和平均值，用以評估單類作物的分類精度，其計算公式如下：

式中，UA代表用戶精度用以衡量農(nóng)作物的錯分誤差，PA代表制圖精度以評估農(nóng)作物漏分情況。

2 結(jié)果

2.1 基于GF-2影像的農(nóng)田分割結(jié)果

多尺度分割的分割參數(shù)直接影響了分割圖斑的大小、破碎程度。在eCognition軟件中，利用多尺度分割ESP2工具設(shè)置GF-2影像的各個波段權(quán)重均為1，固定形狀因子（shape）和緊致度因子（compactness）為0.5，測試不同分割尺度（scale）下的GF-2影像分割結(jié)果（圖3）。圖3中局部方差的變化率隨著分割尺度的增大而減小，潛江ROC曲線（rate of change）的局部峰值有115、135、150，棗陽ROC曲線的局部峰值有110、130、165，代表農(nóng)田分割潛在的最優(yōu)分割尺度。通過目視圖4分割對象與原始高分影像的匹配度，分別選擇潛江和棗陽的最佳分割尺度參數(shù)為135、130。由于潛江研究區(qū)位于江漢平原中心，地勢平坦，而棗陽地形以丘陵崗地為主，潛江地塊面積大于棗陽農(nóng)田地塊。此外，潛江稻蝦田種植面積占比大，為保障收益，稻蝦田面積相較于普通農(nóng)田更大，從而導(dǎo)致潛江最佳分割尺度大于棗陽。其次，在固定潛江（scale=135）、棗陽（scale=130）分割尺度情況下，分別測試不同形狀因子和緊致度因子下的分割結(jié)果，如圖5所示。當形狀因子和緊致度因子都為默認值0.5時，分割的圖斑破碎程度高，農(nóng)田內(nèi)部被分割為多個圖斑，出現(xiàn)過分割現(xiàn)象；當形狀因子為0.5，緊致度因子為0.8時，圖斑依舊破碎，緊致度因子的增加使得分割平滑度下降，農(nóng)田分割邊界不平整。增大形狀因子，可以改善農(nóng)田過分割現(xiàn)象；通過對比分析，當形狀因子設(shè)置為0.8時，分割對象邊界與農(nóng)田實際邊界一致性較高。改變緊致度因子，主要影響分割邊界的平滑程度，對農(nóng)田分割圖斑破碎度影響不大。例如，圖5緊致度因子增大為0.8時田塊仍呈現(xiàn)過分割。通過目視比對分析，當緊致度因子為0.5，可較好反映農(nóng)田邊界形狀?？傮w而言，當形狀因子為0.8，緊致度因子為0.5時，農(nóng)田內(nèi)部細碎化分割斑塊較少，分割形狀規(guī)則，農(nóng)田邊界清晰完整。因此，確定潛江和棗陽兩個區(qū)域影像形狀因子（shape）為0.8，緊致度因子（compactness）為0.5。

圖3 ESP2工具計算ROC曲線

圖4 不同分割尺度下的農(nóng)田分割結(jié)果（典型區(qū)域展示）

圖5 不同形狀因子和緊致度因子下的分割結(jié)果的典型區(qū)域展示

綜合局部區(qū)域的測試結(jié)果，確定eCognition多尺度分割參數(shù)的設(shè)置為：各波段權(quán)重均為1，潛江分割尺度135，棗陽分割尺度130，形狀因子0.8，緊致度因子0.5。利用該套參數(shù)進行研究區(qū)GF-2影像多尺度分割，基于分割結(jié)果的影像對象提取范圍、方向、最大邊長值、最小邊長值4個形狀特征，用作后續(xù)農(nóng)作物分類。

2.2 協(xié)同GF-1、GF-6影像的農(nóng)作物光譜特征分析

本文基于時序GF-1和GF-6影像光譜波段繪制小麥、油菜、早稻、蝦稻4種作物紅波段（B3）和近紅外波段（B4）平均光譜反射率曲線（圖6）。在越冬期（DOY 17，1月17日）小麥和油菜已經(jīng)播種，處于生長初期階段，而早稻和蝦稻處于稻閑期，因此小麥和油菜近紅外反射率顯著高于早稻和蝦稻，紅波段反射率略低于早稻和蝦稻。蝦稻田在越冬期要保證一定灌溉量為小龍蝦繁育提供條件，因此其近紅外反射率低于此階段無須灌溉措施的早稻田。小麥和油菜在3月14日（DOY 73）處于生長旺盛期，近紅外反射率達到峰值，顯著高于仍處于稻閑期的早稻和蝦稻。此后，即4月7日（DOY 97）—5月8日（DOY 128），小麥和油菜逐漸趨于成熟，其近紅外反射率呈現(xiàn)下降趨勢，而紅波段反射率升高。早稻在此階段處于播種初期，稻田有一定的水量灌溉，近紅外反射率呈現(xiàn)下降趨勢，且仍低于小麥和油菜。蝦稻田仍處于深水覆蓋的小龍蝦養(yǎng)殖期，近紅外反射率仍顯著低于其他作物類型。

2.3 基于GF-1、GF-2和GF-6不同特征情景分類結(jié)果

表3、表4分別展示了不同高分數(shù)據(jù)協(xié)同組合下潛江和棗陽的農(nóng)作物精度評估結(jié)果。在潛江，協(xié)同多時相GF-1、GF-6和GF-2面向?qū)ο蠓诸悾ǚ桨?）的分類效果最好，精度最優(yōu)，總體精度為95.49%，Kappa系數(shù)0.94，均高于其他分類方案。相較于方案1（GF-2 （面向?qū)ο螅?GF-1+GF-6），方案2（GF-2（面向?qū)ο螅?GF-1）和方案3（GF-2（面向?qū)ο螅?GF-6）由于缺少了一部分時相信息，總體精度分別下降了5.37%和1.07%，Kappa系數(shù)分別下降了0.06和0.01。該結(jié)果表明協(xié)同多時相GF-1和GF-6影像加密時間序列能夠更好地表征作物的季節(jié)規(guī)律特性，提升農(nóng)作物分類精度。此外，對比方案2與方案3的分類精度評估結(jié)果可知，相比GF-1影像，GF-6影像光譜信息和獲取時相數(shù)量更為豐富，顯著提升了農(nóng)作物識別的精度，其總體精度相較于GF-1提升了4.3%，Kappa系數(shù)提升了0.05。對比方案4的像元尺度分類，方案1利用高分辨率GF-2影像面向?qū)ο蠓诸?，通過增加對象尺度的幾何形狀特征，分類總體精度提高了1.4%。

橫坐標為表示日期的儒略日（Day of Year, DOY），縱坐標為根據(jù)樣本計算的平均光譜反射率

表3 潛江不同GF數(shù)據(jù)源情景下作物分類結(jié)果

棗陽的4種分類方案評估結(jié)果與潛江相似，協(xié)同GF-1，GF-2，以及GF-6的方案1同樣取得了最優(yōu)分類效果，總體精度和Kappa系數(shù)分別達到93.78%和0.92，顯著高于方案2和方案3。此外，棗陽地區(qū)獲取的高質(zhì)量GF-1、GF-6數(shù)據(jù)數(shù)量顯著增加，因此方案2精度相比方案1和方案3，總體精度差距僅為2.43和1.62，Kappa系數(shù)差距僅為0.03和0.02。

表4 棗陽不同數(shù)據(jù)源協(xié)同利用下作物分類結(jié)果

從表3和表4可以看出，潛江和棗陽的各類作物方案1（試驗組）結(jié)果的F1-score均高于其他幾類方案（對照組）。這表明除了總體分類效果外，小麥、油菜、早稻、蝦稻4種作物的單類分類精度也是方案1最高。潛江分類結(jié)果中，早稻F1-score分別為0.98（方案1）、0.91（方案2）、0.96（方案3），油菜F1-score分別為0.97（方案1）、0.96（方案2）、0.96（方案3）。小麥的F1-score方案1（F1-score=0.97）與方案2（F1-score=0.92）、方案3（F1-score=0.95）分別相差0.05和0.02，蝦稻方案1與方案2、3分別相差0.04、0.01，其他作物的F1-score也是方案1最高（0.84）。棗陽3種作物的F1-score均是方案1最高，小麥為0.97、早稻為0.89、其他作物為0.82。方案1協(xié)同3種高分數(shù)據(jù)在2個地區(qū)均取得最高的分類精度，其他2種方案受影像時間信息不足的限制，難以充分捕獲農(nóng)作物關(guān)鍵物候特征，相較于方案1精度都有所下降；同時1 m分辨率的GF-2數(shù)據(jù)利用高空間分辨率優(yōu)勢，可獲取更精細的農(nóng)作物分類結(jié)果。

2.4 面向像元和面向?qū)ο蠓诸惤Y(jié)果比較

不同尺度（對象和像元）下協(xié)同GF-1、GF-2和GF-6進行隨機森林分類的農(nóng)作物空間分布結(jié)果如圖7和圖8所示。圖7展示了潛江協(xié)同高分數(shù)據(jù)的分類結(jié)果，其中圖7-a是未利用GF-2，僅利用GF-1和GF-6得到的像元尺度（方案4）分類結(jié)果，圖7-b是引入GF-2進行面向?qū)ο螅ǚ桨?）的分類結(jié)果。面向像元和面向?qū)ο螽a(chǎn)生的農(nóng)作物空間分布總體趨勢相近，表明2種方案均能較好地識別出大部分作物。圖7-a1和圖7-b1分別展示了面向像元與面向?qū)ο蠓诸惤Y(jié)果的空間細節(jié)，圖7-c為其對應(yīng)的GF-2影像。相比于面向像元分類，面向?qū)ο蠓诸惪沙浞掷肎F-2影像中的空間紋理細節(jié)，分類結(jié)果精細程度更高，能較明顯地勾勒出農(nóng)田的邊界信息，尤其是蝦稻田這類幾何空間特性較為獨特的農(nóng)田，提高制圖產(chǎn)品應(yīng)用價值。

圖8是棗陽研究區(qū)的分類結(jié)果。總體而言，面向?qū)ο蟮姆诸惤Y(jié)果空間分布與面向像元分類相近。棗陽市大面積種植小麥，其主要分布在研究區(qū)的西部和北部，南部地區(qū)零散種植早稻和其他作物，種植面積較小。圖8-c展示了棗陽市一個典型的小農(nóng)耕作景觀，圖8-a1和圖8-b1分別為其面向像元與面向?qū)ο蟮姆诸惤Y(jié)果。由結(jié)果可以發(fā)現(xiàn)，針對種植面積較大的小麥，2種方案分類結(jié)果相近；然而對于零散種植，面積較小的早稻等作物，面向?qū)ο蟮姆诸惤Y(jié)果與真實地塊結(jié)果一致性顯著高于面向像元分類。此外，面向像元結(jié)果將部分建筑用地錯分為農(nóng)作物用地，面向?qū)ο蠓诸悇t準確標識出其類別。

協(xié)同GF-1、6影像與GF-2獲取的農(nóng)田空間信息進行分類（方案1），最終獲得1 m空間分辨率的農(nóng)作物識別結(jié)果（圖7-b1和圖8-b1），與協(xié)同GF-1、6像元尺度（方案4）得到的16 m空間分辨率結(jié)果（圖7-a1和圖8-a1）進行局部細節(jié)對比?？梢钥闯觯瑵摻蜅楆?個地區(qū)面向?qū)ο蟮姆诸惤Y(jié)果對于面積較小、破碎度高的農(nóng)田刻畫效果更好，能很好地識別出不同作物、不同農(nóng)田的邊界信息，與實際的農(nóng)作物空間分布格局相似度高?；谙裨姆诸愂艿皆加跋窨臻g分辨率的限制，難以準確刻畫面積較小的農(nóng)作物邊界信息，存在明顯的錯分和漏分。結(jié)果表明，面向?qū)ο筠r(nóng)作物分類能充分表征農(nóng)田形狀和邊界信息，獲取精細的農(nóng)作物分類結(jié)果，更適合農(nóng)田破碎地區(qū)的作物識別，有利于農(nóng)業(yè)精準管理。

a和a1為基于像元的分類結(jié)果，b和b1為基于對象的分類結(jié)果，c為局部典型區(qū)域4月5日的GF-2影像；其中a1和b1分別為展示的典型區(qū)域的像元和對象尺度上的隨機森林分類結(jié)果

2.5 特征重要性分析

圖9和圖10分別展示了不同時期GF-1、GF-6影像的光譜波段特征重要性和累計重要性得分。其中，2個研究區(qū)幾何特征重要性得分占比較低（低于10%）。從圖中可以發(fā)現(xiàn)，對于潛江區(qū)域，GF-6影像對作物識別的貢獻度占所有光譜波段的82%，其中GF-6新增的紅邊Ⅰ波段（B5）、紅邊Ⅱ波段（B6）、紫波段（B7）和黃波段（B8）4個光譜波段對作物識別的貢獻度占所有光譜波段的47%。3月14日（DOY73）和4月7日（DOY97）的油菜處于開花期而小麥仍處于成長期，兩者光譜表現(xiàn)出明顯差異，因此，這兩個時期對于農(nóng)作物識別較為關(guān)鍵，其累計波段特征重要性高。此外，GF-6的黃波段（B8）敏銳捕捉到這兩個時間油菜黃色的花葉光譜信息，為區(qū)分油菜與小麥、水稻等其他農(nóng)作物提供了關(guān)鍵特征，貢獻度占所有波段的12%?？傮w而言，GF-6影像因獨特的光譜波段（如黃波段、紅邊波段等）為作物分類提供了新的信息增量，成為潛江地區(qū)作物識別的重要數(shù)據(jù)。

在棗陽特征重要性排序中，3月25日（DOY84）為小麥成長期、油菜開花期，此階段的近紅外波段（B4）是作物識別的最重要特征，這主要因為近紅外波段對植被信息較敏感，且此時處于油菜開花期易于區(qū)分不同作物類型。GF-6光譜波段特征累計重要性得分占77%，GF-1波段特征累計重要性得分占23%。其中GF-6新增的紅邊Ⅰ波段（B5）、紅邊Ⅱ波段（B6）、紫波段（B7）和黃波段（B8）4個光譜波段對作物識別的貢獻度占所有光譜波段的33%，再次證明了GF-6影像的作物識別潛力。從時相信息看，分類的關(guān)鍵特征主要集中于DOY52—DOY129（2月下旬—5月上旬），即小麥的成長期、油菜的成長和開花期以及早稻的播種期、成長期。在此階段，不同農(nóng)作物的光譜差異較大，有利于隨機森林模型對其進行區(qū)分。針對研究區(qū)云雨天氣較頻繁等問題，GF-1和GF-6影像協(xié)同加密影像時序信息，能提升作物分類效果。

a和a1為基于像元的分類結(jié)果，b和b1為基于對象的分類結(jié)果，c為局部典型區(qū)域3月15日的GF-2影像；其中a1和b1分別為展示的典型區(qū)域的像元和對象尺度上的隨機森林分類結(jié)果

根據(jù)特征重要性得分結(jié)果，分別選取2個區(qū)域排序前20名的特征，再次進行隨機森林分類。其中，潛江地區(qū)總體精度（OA）為94.64%，棗陽地區(qū)總體精度（OA）為93.24%，與表3和表4試驗組基于所有特征分類的結(jié)果相近（潛江：OA=95.49%，棗陽：OA=93.78%）。該試驗結(jié)果表明最優(yōu)特征對農(nóng)作物識別發(fā)揮了主導(dǎo)作用，進一步表明了特征排序結(jié)果的可靠性。

3 討論

3.1 多源高分數(shù)據(jù)協(xié)同的優(yōu)勢分析

本文旨在探索協(xié)同國產(chǎn)高分系列衛(wèi)星影像在多云多雨及種植模式復(fù)雜的南方地區(qū)進行農(nóng)作物分類的潛能。一方面，發(fā)揮GF-2衛(wèi)星高空間分辨率優(yōu)勢（空間分辨率優(yōu)于1 m），緩解因農(nóng)業(yè)景觀破碎、地形復(fù)雜等產(chǎn)生的混合像元問題，從而提高農(nóng)作物識別精度。另一方面，協(xié)同多時相多光譜GF-1、GF-6衛(wèi)星，加密遙感影像時間密度，能充分表征農(nóng)作物物候特征，從而降低云雨天氣對農(nóng)作物識別的影響；同時，為了解決高空間分辨率GF-2影像分類過程產(chǎn)生的“椒鹽現(xiàn)象”，研究采用了面向?qū)ο蟮姆诸惙椒?。通過對比面向?qū)ο蠛拖裨诸惤Y(jié)果，進一步發(fā)現(xiàn)面向?qū)ο蠓诸惛芡癸@農(nóng)田真實物理邊界，識別精度優(yōu)于面向像元，更適宜種植結(jié)構(gòu)復(fù)雜地區(qū)的農(nóng)作物分類。該研究有力證明了我國自主研發(fā)的高分衛(wèi)星影像在農(nóng)業(yè)監(jiān)測領(lǐng)域的巨大應(yīng)用潛力，同時為我國南方地區(qū)農(nóng)作物遙感制圖提供了有效的解決方案。此外，本研究提供的高分數(shù)據(jù)協(xié)同思路不僅適用于農(nóng)作物分類，也適用于其他土地利用類型分類，尤其是景觀破碎地區(qū)的地物類型（例如：城市建筑）。

灰色格為背景值，表示DOY對應(yīng)影像為GF-1，僅有藍、綠、紅、近紅外4個光譜波段。橫坐標為表示日期的儒略日（DOY），縱坐標為高分影像光譜波段，圖例表示特征重要性得分的隨機森林評價指標——平均不純度減少（MDI）

橫坐標為表示日期的儒略日（DOY），縱坐標的為表示特征重要性得分的隨機森林評價指標——平均不純度減少（MDI）

3.2 潛在的提升方向

由于地形、氣候以及農(nóng)業(yè)種植模式等具有明顯區(qū)域差異性，利用eCognition選取的最優(yōu)分割尺度泛化能力較弱。同時，多尺度分割盡管一定程度解決了椒鹽現(xiàn)象，但產(chǎn)生的“對象”與真實的農(nóng)田“地塊”仍具有差異，制約了高分影像在大區(qū)域農(nóng)作物分類的應(yīng)用前景。因此，在后續(xù)研究中，可以考慮選取新的分割算法進行GF-2影像分割來獲取邊界清晰的地塊信息，實現(xiàn)地塊尺度的作物識別。此外，隨機森林雖然是當前應(yīng)用最廣的分類器之一，但面對農(nóng)作物嚴重的“同物異譜、同譜異物”情況，其學(xué)習能力和效率仍不足，導(dǎo)致農(nóng)作物識別精度受限。因此，未來研究可以發(fā)展合適的深度學(xué)習模型，以數(shù)據(jù)驅(qū)動的方式主動學(xué)習和挖掘不同農(nóng)作物典型特征，進一步提升復(fù)雜種植區(qū)下的農(nóng)作物分類精度。最后，該研究僅比較了不同高分數(shù)據(jù)組合情景的農(nóng)作物識別差異，未跟國際主流的中高分辨率衛(wèi)星（例如：Landsat和Sentinel-2）進行比較。后續(xù)針對更復(fù)雜尤其是云雨更頻繁的研究區(qū)域，不僅考慮與這些主流衛(wèi)星數(shù)據(jù)進行比較分析，同時也進行協(xié)同利用，進一步突破復(fù)雜地區(qū)農(nóng)作物遙感制圖的精度，以及推廣我國國產(chǎn)高分數(shù)據(jù)的潛在應(yīng)用價值。

4 結(jié)論

本文以湖北省潛江市和棗陽市為研究區(qū)，研究協(xié)同多源多時相國產(chǎn)GF-1、GF-2和GF-6影像在多云多雨、種植結(jié)構(gòu)復(fù)雜的南方地區(qū)開展作物遙感識別的潛力。首先利用GF-2影像進行多尺度分割獲取農(nóng)田的空間信息數(shù)據(jù)，其次協(xié)同長時序GF-1和GF-6影像，構(gòu)建光譜-時相-空間三維特征組合，利用隨機森林分類實現(xiàn)了對象尺度的作物制圖并計算不同特征在作物分類中的貢獻。通過對比分析不同影像組合和分類尺度的精度差異，進一步分析協(xié)同國產(chǎn)高分數(shù)據(jù)在作物識別的優(yōu)勢與提升潛力。主要研究結(jié)論如下：

（1）協(xié)同GF-1、GF-2和GF-6影像和面向?qū)ο蟮霓r(nóng)作物分類效果最好，在潛江市總體精度為95.49%，棗陽市總體精度為93.78%。通過發(fā)揮不同高分數(shù)據(jù)源各自光譜-空間-時間優(yōu)勢，不僅緩解了景觀破碎導(dǎo)致的“混合像元”問題，還在一定程度上降低了多云多雨氣候?qū)r(nóng)作物識別影響的不確定性。

（2）相比GF-1和GF-2對應(yīng)的光譜和空間特征，GF-6光譜波段對農(nóng)作物遙感識別的貢獻度最大，GF-6光譜波段特征累計重要性得分占所有光譜波段的82%（潛江）、77%（棗陽）。其中GF-6新增的紅邊Ⅰ波段（B5）、紅邊Ⅱ波段（B6）、紫波段（B7）和黃波段（B8）4個光譜波段對作物識別的貢獻度分別為47%（潛江）、33%（棗陽）。因此，盡管GF-6和GF-1衛(wèi)星均有相似的重返周期，由于GF-6影像可獲取的數(shù)量多且光譜波段性能更好，協(xié)同GF-6與GF-2產(chǎn)生的農(nóng)作物識別精度優(yōu)于協(xié)同GF-1和GF-2影像。

（3）選取排名前20重要特征進行隨機森林分類，潛江地區(qū)總體精度為94.64%，棗陽地區(qū)總體精度為93.24%，與試驗組基于所有特征分類的結(jié)果潛江（OA=95.49%）、棗陽（OA=93.78%）相近。優(yōu)選特征對農(nóng)作物識別發(fā)揮了主導(dǎo)作用，可在一定程度上降低數(shù)據(jù)源的時相數(shù)量需求。

（4）基于GF-2影像進行面向?qū)ο蟮霓r(nóng)作物識別能充分利用影像高空間分辨率優(yōu)勢，較好刻畫農(nóng)作物空間特征，結(jié)合多尺度分割方法，產(chǎn)生的面向?qū)ο蠓诸惤Y(jié)果顯著優(yōu)于面向像元。

（5）該研究證實了協(xié)同多源國產(chǎn)高分數(shù)據(jù)進行農(nóng)業(yè)遙感監(jiān)測尤其在我國南方地區(qū)的巨大潛能。研究方法和結(jié)果為區(qū)域尺度農(nóng)業(yè)生產(chǎn)管理、作物種植結(jié)構(gòu)調(diào)整和農(nóng)業(yè)可持續(xù)發(fā)展提供理論基礎(chǔ)和技術(shù)支撐。

[1] 唐華俊, 吳文斌, 楊鵬, 周清波, 陳仲新. 農(nóng)作物空間格局遙感監(jiān)測研究進展. 中國農(nóng)業(yè)科學(xué), 2010, 43(14): 2879-2888.

TANG H J, WU W B, YANG P, ZHOU Q B, CHEN Z X. Recent progresses in monitoring crop spatial patterns by using remote sensing technologies. Scientia Agricultura Sinica, 2010, 43(14): 2879-2888. (in Chinese)

[2] 宋茜, 胡瓊, 陸苗, 余強毅, 楊鵬, 史云, 段玉林, 吳文斌. 農(nóng)作物空間分布遙感制圖發(fā)展方向探討. 中國農(nóng)業(yè)資源與區(qū)劃, 2020, 41(6): 57-65.

SONG Q, HU Q, LU M, YU Q Y, YANG P, SHI Y, DUAN Y L, WU W B. Prospect of crop mapping. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(6): 57-65. (in Chinese)

[3] 唐華俊. 農(nóng)業(yè)遙感研究進展與展望. 農(nóng)學(xué)學(xué)報, 2018, 8(1): 167-171.

TANG H J. Progress and prospect of agricultural remote sensing research. Journal of Agriculture, 2018, 8(1): 167-171. (in Chinese)

[4] HU Q, WU W B, SONG Q, LU M, CHEN D, YU Q Y, TANG H J. How do temporal and spectral features matter in crop classification in Heilongjiang province, China? Journal of Integrative Agriculture, 2017, 16(2): 324-336.

[5] LIU Y F, XIAO D Q, YANG W T. An algorithm for early rice area mapping from satellite remote sensing data in southwestern Guangdong in China based on feature optimization and random Forest. Ecological Informatics, 2022, 72: 101853.

[6] 胡瓊, 吳文斌, 宋茜, 余強毅, 楊鵬, 唐華俊. 農(nóng)作物種植結(jié)構(gòu)遙感提取研究進展. 中國農(nóng)業(yè)科學(xué), 2015, 48(10): 1900-1914.

HU Q, WU W B, SONG Q, YU Q Y, YANG P, TANG H J. Recent progresses in research of crop patterns mapping by using remote sensing. Scientia Agricultura Sinica, 2015, 48(10): 1900-1914. (in Chinese)

[7] HU Q, SULLA-MENASHE D, XU B D, YIN H, TANG H J, YANG P, WU W B. A phenology-based spectral and temporal feature selection method for crop mapping from satellite time series. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 218-229.

[8] OZDARICI-OK A, OK A, SCHINDLER K. Mapping of agricultural crops from single high-resolution multispectral images—Data-driven smoothingparcel-based smoothing. Remote Sensing, 2015, 7(5): 5611-5638.

[9] LI M Y, ZHANG R, LUO H X, GU S W, QIN Z L. Crop mapping in the Sanjiang plain using an improved object-oriented method based on google earth engine and combined growth period attributes. Remote Sensing, 2022, 14(2): 273.

[10] BLICKENSD?RFER L, SCHWIEDER M, PFLUGMACHER D, NENDEL C, ERASMI S, HOSTERT P. Mapping of crop types and crop sequences with combined time series of Sentinel-1, Sentinel-2 and Landsat 8 data for Germany. Remote Sensing of Environment, 2022, 269: 112831.

[11] 周珂, 柳樂, 張儼娜, 苗茹, 楊陽. GEE支持下的河南省冬小麥面積提取及長勢監(jiān)測. 中國農(nóng)業(yè)科學(xué), 2021, 54(11): 2302-2318.

ZHOU K, LIU L, ZHANG Y N, MIAO R, YANG Y. Area extraction and growth monitoring of winter wheat in Henan province supported by google earth engine. Scientia Agricultura Sinica, 2021, 54(11): 2302-2318. (in Chinese)

[12] HU Q, MA Y X, XU B D, SONG Q, TANG H J, WU W B. Estimating sub-pixel soybean fraction from time-series MODIS data using an optimized geographically weighted regression model. Remote Sensing, 2018, 10(4): 491.

[13] SONG X P, HUANG W L, HANSEN M C, POTAPOV P. An evaluation of Landsat, Sentinel-2, Sentinel-1 and MODIS data for crop type mapping. Science of Remote Sensing, 2021, 3: 100018.

[14] SKAKUN S, FRANCH B, VERMOTE E, ROGER J C, BECKER-RESHEF I, JUSTICE C, KUSSUL N. Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model. Remote Sensing of Environment, 2017, 195: 244-258.

[15] WEI H D, HU Q, CAI Z W, YANG J Y, SONG Q, YIN G F, XU B D. An object- and topology-based analysis (OTBA) method for mapping rice-crayfish fields in South China. Remote Sensing, 2021, 13(22): 4666.

[16] BELGIU M, CSILLIK O. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis. Remote Sensing of Environment, 2018, 204: 509-523.

[17] LIU L, XIAO X M, QIN Y W, WANG J, XU X L, HU Y M, QIAO Z. Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine. Remote Sensing of Environment, 2020, 239: 111624.

[18] HAO P Y, TANG H J, CHEN Z X, YU L, WU M Q. High resolution crop intensity mapping using harmonized Landsat-8 and Sentinel-2 data. Journal of Integrative Agriculture, 2019, 18(12): 2883-2897.

[19] HU Q, YIN H, FRIEDL M A, YOU L Z, LI Z L, TANG H J, WU W B. Integrating coarse-resolution images and agricultural statistics to generate sub-pixel crop type maps and reconciled area estimates. Remote Sensing of Environment, 2021, 258: 112365.

[20] 楊靖雅, 胡瓊, 魏浩東, 蔡志文, 張馨予, 宋茜, 徐保東. 基于Sentinel-1/2數(shù)據(jù)的中國南方單雙季稻識別結(jié)果一致性分析. 中國農(nóng)業(yè)科學(xué), 2022, 55(16): 3093-3109.

YANG J Y, HU Q, WEI H D, CAI Z W, ZHANG X Y, SONG Q, XU B D. Consistency analysis of classification results for single and double cropping rice in Southern China based on sentinel-1/2 imagery. Scientia Agricultura Sinica, 2022, 55(16): 3093-3109. (in Chinese)

[21] TAO W C, XIE Z X, ZHANG Y, LI J Y, XUAN F, HUANG J X, LI X C, SU W, YIN D Q. Corn residue covered area mapping with a deep learning method using Chinese GF-1 B/D high resolution remote sensing images. Remote Sensing, 2021, 13(15): 2903.

[22] XIA T, HE Z, CAI Z W, WANG C, WANG W J, WANG J Y, HU Q, SONG Q. Exploring the potential of Chinese GF-6 images for crop mapping in regions with complex agricultural landscapes. International Journal of Applied Earth Observation and Geoinformation, 2022, 107: 102702.

[23] FAN J L, ZHANG X Y, ZHAO C L, QIN Z H, DE VROEY M, DEFOURNY P. Evaluation of crop type classification with different high resolution satellite data sources. Remote Sensing, 2021, 13(5): 911.

[24] WANG L J, WANG J Y, LIU Z Z, ZHU J, QIN F. Evaluation of a deep-learning model for multispectral remote sensing of land use and crop classification. The Crop Journal, 2022, 10(5): 1435-1451.

[25] WU M Q, HUANG W J, NIU Z, WANG Y, WANG C Y, LI W, HAO P Y, YU B. Fine crop mapping by combining high spectral and high spatial resolution remote sensing data in complex heterogeneous areas. Computers and Electronics in Agriculture, 2017, 139: 1-9.

[26] WU M Q, ZHANG X Y, HUANG W J, NIU Z, WANG C Y, LI W, HAO P Y. Reconstruction of daily 30 m data from HJ CCD, GF-1 WFV, landsat, and MODIS data for crop monitoring. Remote Sensing, 2015, 7(12): 16293-16314.

[27] 鄭利娟. 基于高分一/六號衛(wèi)星影像特征的農(nóng)作物分類研究[D]. 北京: 中國科學(xué)院大學(xué), 2017.

ZHENG L J. Crop classification using multi-features of Chinese Gaofen-1/6 satellite remote sensing images[D]. Beijing: University of Chinese Academy of Sciences, 2017. (in Chinese)

[28] 童旭東. 中國高分辨率對地觀測系統(tǒng)重大專項建設(shè)進展. 遙感學(xué)報, 2016, 20(5): 775-780.

TONG X D. Development of China high-resolution earth observation system. Journal of Remote Sensing, 2016, 20(5): 775-780. (in Chinese)

[29] 蔡志文, 何真, 王文靜, 楊靖雅, 魏浩東, 王聰, 徐保東. 基于多源國產(chǎn)高分衛(wèi)星時空信息的米級分辨率耕地提取. 遙感學(xué)報, 2022, 26(7): 1368-1382.

CAI Z W, HE Z, WANG W J, YANG J Y, WEI H D, WANG C, XU B D. Mapping cropland at metric resolution using the spatiotemporal information from multi-source GF satellite data. National Remote Sensing Bulletin, 2022, 26(7): 1368-1382. (in Chinese)

[30] 季富華, 劉佳, 王利民. 農(nóng)作物類型遙感識別算法及國產(chǎn)高分衛(wèi)星應(yīng)用示例. 中國農(nóng)業(yè)資源與區(qū)劃, 2021, 42(7): 254-268.

JI F H, LIU J, WANG L M. Summary of remote sensing algorithm in crop type identification and its application based on Gaofen satellites. Chinese Journal of Agricultural Resources and Regional Planning, 2021, 42(7): 254-268. (in Chinese)

[31] SONG Q, ZHOU Q B, WU W B, HU Q, LU M, LIU S B. Mapping regional cropping patterns by using GF-1 WFV sensor data. Journal of Integrative Agriculture, 2017, 16(2): 337-347.

[32] 何真, 胡潔, 蔡志文, 王文靜, 胡瓊. 協(xié)同多時相國產(chǎn)GF-1和GF-6衛(wèi)星影像的艾草遙感識別. 農(nóng)業(yè)工程學(xué)報, 2022, 38(1): 186-195.

HE Z, HU J, CAI Z W, WANG W J, HU Q. Remote sensing identification forintegrating multi-temporal GF-1 and GF-6 images. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(1): 186-195. (in Chinese)

[33] JIANG X Q, FANG S H, HUANG X A, LIU Y H, GUO L L. Rice mapping and growth monitoring based on time series GF-6 images and red-edge bands. Remote Sensing, 2021, 13(4): 579.

[34] KANG Y P, MENG Q Y, LIU M, ZOU Y F, WANG X M. Crop classification based on red edge features analysis of GF-6 WFV data. Sensors, 2021, 21(13): 4328.

[35] KANG Y P, HU X L, MENG Q Y, ZOU Y F, ZHANG L L, LIU M A, ZHAO M F. Land cover and crop classification based on red edge indices features of GF-6 WFV time series data. Remote Sensing, 2021, 13(22): 4522.

[36] YANG L B, WANG L M, ABUBAKAR G A, HUANG J F. High-resolution rice mapping based on SNIC segmentation and multi-source remote sensing images. Remote Sensing, 2021, 13(6): 1148.

[37] CAI Z W, HU Q, ZHANG X Y, YANG J Y, WEI H D, HE Z, SONG Q, WANG C, YIN G F, XU B D. An adaptive image segmentation method with automatic selection of optimal scale for extracting cropland parcels in smallholder farming systems. Remote Sensing, 2022, 14(13): 3067.

[38] XU L, MING D P, ZHOU W, BAO H Q, CHEN Y Y, LING X A. Farmland extraction from high spatial resolution remote sensing images based on stratified scale pre-estimation. Remote Sensing, 2019, 11(2): 108.

[39] SONG Q, HU Q, ZHOU Q B, HOVIS C, XIANG M T, TANG H J, WU W B. In-season crop mapping with GF-1/WFV data by combining object-based image analysis and random forest. Remote Sensing, 2017, 9(11): 1184.

[40] ZHANG L, LIU Z, REN T W, LIU D Y, MA Z, TONG L A, ZHANG C, ZHOU T Y, ZHANG X D, LI S M. Identification of seed maize fields with high spatial resolution and multiple spectral remote sensing using random forest classifier. Remote Sensing, 2020, 12(3): 362.

[41] 張超, 金虹杉, 劉哲, 李智曉, 寧明宇, 孫海艷. 基于GF遙感數(shù)據(jù)紋理分析識別制種玉米. 農(nóng)業(yè)工程學(xué)報, 2016, 32(21): 183-188.

ZHANG C, JIN H S, LIU Z, LI Z X, NING M Y, SUN H Y. Seed maize identification based on texture analysis of GF remote sensing data. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(21): 183-188. (in Chinese)

[42] LUO H X, LI M F, DAI S P, LI H L, LI Y P, HU Y Y, ZHENG Q A, YU X A, FANG J H. Combinations of feature selection and machine learning algorithms for object-oriented betel palms and mango plantations classification based on Gaofen-2 imagery. Remote Sensing, 2022, 14(7): 1757.

[43] SCHEFFLER D, HOLLSTEIN A, DIEDRICH H, SEGL K, HOSTERT P. AROSICS: An automated and robust open-source image co-registration software for multi-sensor satellite data. Remote Sensing, 2017, 9(7): 676.

[44] 宋茜. 基于GF-1/WFV和面向?qū)ο蟮霓r(nóng)作物種植結(jié)構(gòu)提取方法研究[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2016.

SONG Q. Object-based image analysis with machine learning algorithms for cropping pattern mapping using GF-1/WFV imagery[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016. (in Chinese)

[45] 蘇偉, 李京, 陳云浩, 張錦水, 胡德勇, 劉翠敏. 基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯俊择R來西亞吉隆坡市城市中心區(qū)為例. 遙感學(xué)報, 2007, 11(4): 521-530.

SU W, LI J, CHEN Y H, ZHANG J S, HU D Y, LIU C M. Object-oriented urban land-cover classification of multi-scale image segmentation method—— a case study in Kuala Lumpur city center Malaysia. Journal of Remote Sensing, 2007, 11(4): 521-530. (in Chinese)

[46] 佃袁勇, 方圣輝, 姚崇懷. 多尺度分割的高分辨率遙感影像變化檢測. 遙感學(xué)報, 2016, 20(1): 129-137.

DIAN Y Y, FANG S H, YAO C H. Change detection for high- resolution images using multilevel segment method. Journal of Remote Sensing, 2016, 20(1): 129-137. (in Chinese)

[47] YANG L B, MANSARAY L, HUANG J F, WANG L M. Optimal segmentation scale parameter, feature subset and classification algorithm for geographic object-based crop recognition using multisource satellite imagery. Remote Sensing, 2019, 11(5): 514.

[48] SHEN Y, CHEN J Y, XIAO L, PAN D L. Optimizing multiscale segmentation with local spectral heterogeneity measure for high resolution remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 157: 13-25.

[49] 馬燕妮, 明冬萍, 楊海平. 面向?qū)ο笥跋穸喑叨确指钭畲螽愘|(zhì)性參數(shù)估計. 遙感學(xué)報, 2017, 21(4): 566-578.

MA Y N, MING D P, YANG H P. Scale estimation of object-oriented image analysis based on spectral-spatial statistics. Journal of Remote Sensing, 2017, 21(4): 566-578. (in Chinese)

[50] DR?GU? L, CSILLIK O, EISANK C, TIEDE D. Automated parameterisation for multi-scale image segmentation on multiple layers. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 88: 119-127.

[51] BREIMAN L. Random forests. Machine Learning, 2001, 45(1): 5-32.

[52] DOS SANTOS LUCIANO A C, PICOLI M C A, ROCHA J V, DUFT D G, LAMPARELLI R A C, LEAL M R L V, LE MAIRE G. A generalized space-timeclassification scheme to map sugarcane areas at regional scale, using Landsat images time-series and the random forest algorithm. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 127-136.

[53] HU Q, WU W B, SONG Q, YU Q Y, LU M, YANG P, TANG H J, LONG Y Q. Extending the pairwise separability index for multicrop identification using time-series MODIS images. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(11): 6349-6361.

[54] CONGALTON R G. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 1991, 37(1): 35-46.

[55] ZURQANI H A, POST C J, MIKHAILOVA E A, COPE M P, ALLEN J S, LYTLE B A. Evaluating the integrity of forested riparian buffers over a large area using LiDAR data and Google Earth Engine. Scientific Reports, 2020, 10: 14096.

Integrating multi-Source Gaofen images and object-Based methods for crop type identification in south China

WANG JiaYue1, CAI ZhiWen2, WANG WenJing1, WEI HaoDong3, WANG Cong1, LI ZeXuan1, LI XiuNi1, HU Qiong1

1College of Urban and Environmental Sciences, Central China Normal University, Wuhan 430079;2College of Resources and Environment/Macro Agriculture Research Institute, Huazhong Agricultural University, Wuhan 430070;3College of Plant Science and Technology/Macro Agriculture Research Institute, Huazhong Agricultural University, Wuhan 430070

【Objective】 Due to frequent cloudy and rainy weather, it is challenging to map crop types over south China with fragmented agricultural landscapes. The Gaofen (GF) series satellites developed by China have high spatial-temporal resolution and good image quality. This study exploited the spatial and temporal advantages of multi-source GF images for fine crop classification in heterogeneous agricultural areas with frequent clouds and rain. 【Method】This study characterized the spatial geometry of agricultural fields based on GF-2 data with high spatial resolution, and cooperated with the encrypted observations from GF-1 and GF-6 time series to fully characterize the spectral seasonal variations of crops. By constructing three-dimensional classification features of spectrum-time-space, the crop classification based on random forest classifier were conducted, and the importance scores of different features were calculated. Furthermore, several classification scenarios were set based on different satellite combinations and different classification units, for further analyzing the performances of integrating different GF datasets on crop type mapping.【Result】The overall accuracy of synergistic GF-1, GF-2 and GF-6 by object-oriented crop classification was 95.49% with Kappa of 0.94 in Qianjiang city; the overall accuracy in Zaoyang city was 93.78% with Kappa of 0.92. The accuracy of crop classification by integrating GF-2 and GF-6 was higher than that by GF-2 and GF-1. In addition, the object-oriented crop classification based on GF-2 outperformed the pixel-oriented one, in which the overall accuracy improved by 1.4% and 1.32% in Qianjiang and Zaoyang, respectively. Compared with the spectral and spatial features of GF-1 and GF-2, the GF-6 spectral bands had the largest contribution to crop type identification, and the cumulative importance score accounted for 82% (Qianjiang) and 77% (Zaoyang) of all spectral bands. Among them, the four new spectral bands of GF-6, namely, red-edge I band (B5), red-edge Ⅱ band (B6), purple band (B7) and yellow band (B8), accounted for 47% (Qianjiang) and 33% (Zaoyang) of all spectral bands for crop type identification. 【Conclusion】Integrating multi-source GF images by taking advantages of their spectral, spatial and temporal features could not only alleviate the "mixed pixel" problem caused by the fragmented agricultural landscape, but also reduce the uncertainty of crop type identification in cloudy and rainy areas, providing great potential for accurate crop mapping in south China.

GF data; object-oriented; random forest; remote sensing identification; crop classification

10.3864/j.issn.0578-1752.2023.13.004

2022-12-04；

2022-02-06

湖北省自然科學(xué)基金面上項目（2022CFB377）、國家自然科學(xué)基金面上項目（42271399）、中國科協(xié)青年人才托舉工程項目（2020QNRC001）、中央高校基本科研業(yè)務(wù)費資助（CCNU22QN018，CCNU22JC013）

王佳玥，E-mail：wangjiayue@mails.ccnu.edu.cn。通信作者王聰，E-mail：wangcong@ccnu.edu.cn。通信作者胡瓊，E-mail：huqiong@ccnu.edu.cn

（責任編輯 楊鑫浩，李莉）