耦合NDVI與紋理時序特征的地塊作物遙感分類

DOI：10.3969/j.issn.2095-1191.2025.01.003

摘要：【目的】充分挖掘遙感影像的時間和空間信息，準確識別地塊作物類型，為作物類型空間分布制圖、產(chǎn)量估計及農(nóng)業(yè)生產(chǎn)決策等提供可靠的數(shù)據(jù)支持。【方法】以Google Earth影像為參考，獲得美國加利福尼亞州金斯縣完整的地塊邊界，利用多時相Sentinel-2影像構建地塊歸一化植被指數(shù)（NDVI）時間序列和時間—紋理二維表征圖作為分類特征，NDVI時間序列捕捉作物生長的物候變化，時間—紋理二維表征圖捕捉空間特征隨時間的動態(tài)變化，進而使用卷積神經(jīng)網(wǎng)絡（CNN）+長短時記憶網(wǎng)絡（LSTM）雙流架構來聯(lián)合時間和空間特征實現(xiàn)農(nóng)田作物的準確識別?！窘Y果】與僅使用NDVI時序的傳統(tǒng)方法相比，納入紋理時序后的方法明顯提高分類精度，隨機森林的分類精度由0.89提升至0.93，支持向量機的分類精度由0.88提升至0.93，表明加入空間特征的紋理時序能有效提升作物分類能力；而使用CNN+LSTM雙流架構分類模型進行地塊作物分類的總體精度達0.95，特別是葡萄和冬小麥的分類精度提升效果明顯，F(xiàn)1分別提升至0.90和0.92，表明相較于傳統(tǒng)的分類器，使用CNN+LSTM雙流架構可實現(xiàn)更精準的地塊作物識別。【建議】在種植結構復雜、農(nóng)作物生長習性相近的地區(qū)進行地塊作物遙感分類時，考慮將紋理時序特征納入分類體系，并使用CNN+LSTM雙流架構分別捕捉作物生長的時間和空間特征。這種綜合應用時間和空間信息的方法，能提升地塊作物分類的準確度。

關鍵詞：作物分布；地塊尺度；歸一化植被指數(shù)（NDVI）；時間序列；空間紋理特征；CNN+LSTM雙流架構

中圖分類號：S127文獻標志碼：A文章編號：2095-1191（2025）01-0029-12

Land parcel crop remote sensing classification via coupleing with time series features of NDVI and texture

SHI Jie-ning1，WU Tian-jun2*，HUANG Qi-ting3，LUO Jian-cheng4，5，REN Ying-chao5，6，XU Xin-yu1

（1School of Sciences，Chang’an University，Xi’an，Shaanxi 710064，China；2School of Land Engineering，Chang’anUniversity，Xi’an，Shaanxi 710064，China；3Agricultural Science and Technology Information Research Institute，Guangxi Academy of Agricultural Sciences，Nanning，Guangxi 530007，China；4State Key Laboratory of RemoteSensing Science，Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100101，China；5College of Resources and Environment，University of Chinese Academy of Sciences，Beijing 100049，China；6National Engineering Research Center for Geomatics，Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China）

Abstract：【Objective】To fully explore the temporal and spatial information of remote sensing images，accurately identified crop types on land parcels，which could provide reliable data support for crop type spatial distribution mapping，yield estimation and agricultural production decision-making，etc.【Method】Using Google Earth images as a reference，obtained the complete boundary of the study area of Kings County，California，United States，and used multi-temporal Sentinel-2 images to construct NDVI time series and time-texture two-dimensional representation maps as classification features.The NDVI time series captured the phenological changes of crop growth，while the time-texture two-dimensionalrepresentation maps captured the dynamic changes of spatial features over time.Then，convolutional neural network（CNN）+long short-term memory（LSTM）dual-stream architecture was used to combine temporal and spatial features to achieve accurate recognition of crops.【Result】The experimental results showed that compared with traditional methodsthat only used NDVI time series，the method incorporating texture time series greatly improved classification accuracy.The classification accuracy of the random forest increased from 0.89 to 0.93，and the classification accuracy of the sup-port vector machine increased from 0.88 to 0.93.This indicated that the texture time series with spatial features effectivelyimproved crop classification ability.The overall accuracy of using the CNN+LSTM dual-stream architecture classification model for land parcel crop classification reached 0.95，in particular，the classification accuracy of grape and winter wheatimproved greatly，F(xiàn)1 increased to 0.90 and 0.92 respectively.This demonstrated that，compared to traditional classifiers，the CNN+LSTM dual-stream architecture achieved more accurate land parcel crop recognition.【Suggestion】When con-ducting remote sensing classification of land parcels crops in areas with complex planting structures and similar crop growth habits，it is considered to incorporate texture time series features into the classification system and use a CNN+LSTM dual stream architecture to capture the temporal and spatial characteristics of crop growth separately.This method of integrating temporal and spatial information can improve the accuracy of crop classification on land parcels.

Key words：crop distribution；land parcel scale；normalized difference vegetation index（NDVI）；time series；spa-tial texture features；CNN+LSTM dual-stream architecture

Foundation items：National Key Research and Development Program of China（2021YFB3900905）；Hebei Central Government Guiding Local Science and Technology Development Project（236Z0104G）

0引言

【研究意義】作物類型空間分布地圖是掌握農(nóng)業(yè)種植結構、了解作物生長狀況和預測作物產(chǎn)量的基礎（蒙繼華等，2011；陳仲新等，2016）?；趥鹘y(tǒng)人工調查的方法費時耗力，不適合大范圍內推廣（謝國雪等，2021）。近年來，隨著精準農(nóng)業(yè)概念的推廣與技術的發(fā)展，關于作物類型識別精確性和時效性的需求顯著增加（吳田軍等，2022）。遙感因其能提供廣闊的覆蓋范圍、短周期的監(jiān)測以及較低的時間與金錢成本，已成為作物空間分布制圖的重要支撐（劉哲等，2018；趙龍才等，2023）。作物在其生長周期的不同階段呈現(xiàn)出獨特的植株形態(tài)、葉綠素濃度、空間差異等特征，因此在遙感影像上展示出不同的光譜波段反射率和紋理特征，耦合遙感影像的時空特征將更好地表達地面狀況，提供更準確的地面種植信息?！厩叭搜芯窟M展】當前利用遙感信息提取作物種植類型已取得一定的進展，大多數(shù)作物制圖多在像元和對象尺度上進行分類。杜保佳等（2019）基于典型時相的多光譜數(shù)據(jù)和歸一化植被指數(shù)（Normali-zed difference vegetation index，NDVI）時間序列構建面向對象的決策樹（Decision tree，DT）分類模型，進行作物類型遙感識別；祁向前等（2022）利用Senti-nel-2影像計算NDVI，使用DT分類方法進行像素級的作物分布制圖；孫博學等（2023）以Sentinel-1和Sentinel-2影像為數(shù)據(jù)源，提取多時相光譜反射和微波后向散射特征變量，基于面向對象的隨機森林（Random forest，RF）對吉林省扶余市水稻、玉米和大豆自動分類；趙孟辰和阿里木江·卡斯木（2023）基于Sentinel-2影像數(shù)據(jù)，分別采用RF、支持向量機（Support vector machine，SVM）和DT分類方法對河北省沽源縣的8類主要種植農(nóng)作物分布情況進行遙感分類；Tariq等（2023）以像素為分類單位，利用Landsat-8和Sentinel-2影像的光譜特征，采用DT模型繪制巴基斯坦古杰蘭瓦拉地區(qū)農(nóng)田分布圖。然而像元尺度忽視了單個像元與鄰近像元的關系，且受同物異譜和異物同譜的干擾，常導致分類結果出現(xiàn)雜亂無章的“椒鹽現(xiàn)象”（趙春江，2014；張雨果等，2016）。雖然基于對象的分類方法在一定程度上緩解了上述問題，但仍存在分類結果與地理實體不一致的問題，無法完全滿足實際應用的需求（韓衍欣和蒙繼華，2019）。農(nóng)田地塊（以下簡稱地塊）提供了一個新的視角，作為農(nóng)業(yè)種植最基本的單元，同一地塊內通常會種植生長習性相似的作物，內部特征較均勻，以地塊邊界為界限進行分類，能有效克服傳統(tǒng)方法的限制（谷鶴等，2022）。當前，在地塊尺度上進行作物類型識別主要依靠構建植被指數(shù)的時間序列，或對這些時間序列進行重構，從而精確提取反映作物生長周期的物候信息來執(zhí)行分類任務（周亞男等，2024）。楊穎頻等（2021）以地塊為觀測單元，基于加權Double-Logistic函數(shù)重建NDVI時序曲線，提取地塊物候特征和多時相光譜特征，經(jīng)特征優(yōu)選后利用RF進行作物識別；張乾坤等（2022）通過構建地塊的波譜和時相二維特征圖，利用卷積神經(jīng)網(wǎng)絡（Convo-lutional neural network，CNN）進行地塊作物識別；秦肖偉等（2023）對地塊上NDVI、增強植被指數(shù)（Enhanced vegetation index，EVI）等6個植被指數(shù)進行時間序列構建并提取其物候特征，利用RF進行地塊作物識別；吳迪等（2023）基于Sentinel-2遙感影像，利用作物的物候信息和NDVI時序特征構建DT模型進行破碎化地塊灌溉區(qū)作物識別，總體精度達0.82；Jiao等（2023）基于Sentinel-2影像計算NDVI和EVI，構建不規(guī)則時間序列，采用CNN模型進行山區(qū)園藝地塊作物制圖?！颈狙芯壳腥朦c】雖然使用植被指數(shù)時間序列或作物物候信息在地塊作物分類方面取得了較好的效果，但是單純使用植被指數(shù)時間序列的地塊作物分類方法需要作物有良好的光譜特征；就NDVI而言，具有相似生長周期的不同作物可能會展現(xiàn)出相似的NDVI時間序列模式。對于種植結構復雜，農(nóng)作物生長習性相近的地區(qū)，需要更多的特征來支持地塊上的作物精準識別?！緮M解決的關鍵問題】以美國加利福尼亞州金斯縣（Kings）為研究區(qū)，將紋理時序納入分類的特征體系，選擇Google Earth和Sentinel-2影像為數(shù)據(jù)源，提取地塊NDVI時間序列和時間—紋理二維表征圖作為分類特征，既利用長短時記憶網(wǎng)絡（Long short-term memory，LSTM）捕捉地塊上NDVI時序的特征，又利用CNN捕捉地塊上紋理時序的特征，并使用CNN+LSTM雙流架構模型聯(lián)合NDVI和紋理時序進行地塊作物識別，充分挖掘遙感影像的時空信息，提高種植結構多樣化、農(nóng)作物生長周期相近的地區(qū)地塊作物識別精度，為農(nóng)業(yè)發(fā)展和管理提供強有力的技術支持。

1材料與方法

1.1研究區(qū)概況

選取美國加利福尼亞州金斯縣（35°45′N～36°30′N，119°47′W～120°35′W）為研究區(qū)（圖1），該縣覆蓋面積約為3599km2?？h內地勢平坦，田塊規(guī)整，作物規(guī)模種植，機械化程度高，且在未利用土地中有大片可開墾的規(guī)則荒地，適合農(nóng)作物的種植與生長。得益于良好的土壤、氣候和灌溉條件，金斯縣成為多種農(nóng)作物種植和農(nóng)業(yè)生產(chǎn)興旺的地區(qū)。試驗區(qū)種植結構模式穩(wěn)定，主要作物包括棉花、冬小麥、雙季冬小麥、玉米、西紅柿、紫苜蓿、紅花等，葡萄、杏樹、核桃、開心果等果樹也廣泛種植。

1.2遙感影像數(shù)據(jù)收集與處理

采用覆蓋研究區(qū)的Google Earth高空間分辨率影像和Sentinel-2多光譜成像衛(wèi)星影像作為主要數(shù)據(jù)。其中Google Earth的影像具有米級高空間分辨率，能清楚地展示地面細節(jié)，為用戶提供豐富的地理信息，故選擇2018年的Google Earth 18級影像數(shù)據(jù)作為底圖，該影像可清晰地展示研究區(qū)地物信息，特別是地塊邊界能被清晰顯示。

Sentinel-2分為2A和2B兩顆衛(wèi)星，重訪周期為5 d，能實現(xiàn)對地面多頻次的觀測。Sentinel-2攜帶一枚多光譜成像儀，可覆蓋13個光譜波段（443～2190 nm），空間分辨率從10 m到60 m。從Google Earth Engine（GEE）平臺獲取研究區(qū)的Sentinel-2影像，為了減少云雨天氣對影像成像的影響，選擇月度合成影像作為研究區(qū)時序觀測影像，獲取2018年2—12月的11張月度合成Sentinel-2影像，輻射定標、大氣矯正等影像預處理在ENVI 5.3軟件上完成。

1.3地塊及作物種植類型采集

為了使研究更貼近實際情況，采用人工矢量化的方法提取地塊邊界形態(tài)數(shù)據(jù)。對照Google Earth影像，在ArcGIS 10.8軟件中進行地塊面樣本的勾畫，最終在試驗區(qū)通過人工矢量化獲得4229個地塊。

由美國農(nóng)業(yè)部及國家農(nóng)業(yè)統(tǒng)計局共同發(fā)布的農(nóng)田數(shù)據(jù)層（Cropland data layer，CDL）是一款極具準確性的作物類型分布產(chǎn)品，因能精確反映地面實況而廣泛應用于各類研究和分析中。本研究基于2018年的CDL數(shù)據(jù)精確標注地塊農(nóng)作物類型，以此作為參考信息。如圖2所示，研究區(qū)覆蓋了棉花、玉米、冬小麥、雙季冬小麥、紫苜蓿、西紅柿、紅花、葡萄、杏樹、核桃、開心果共11種類型的作物以及未使用的休耕地。整個研究區(qū)采用分層Bootstrap的方法，將樣本按1∶1比例劃分為訓練集和驗證集，用于模型訓練和精度驗證，具體各類別樣本的數(shù)量見表1。為了加強對模型可靠性的檢驗，對樣本數(shù)據(jù)進行10次劃分，產(chǎn)生的10組數(shù)據(jù)分別用于模型的訓練和精度驗證。

1.4技術路線

以地塊邊界為約束，將地塊作為基本計算單元，利用Sentinel-2影像構建地塊尺度上的NDVI時序和時間—紋理二維表征圖，基于所提出的CNN+LSTM雙流架構模型進行地塊作物分類。技術流程如圖3所示，關鍵步驟有三部分：（1）地塊NDVI時間序列特征提??；（2）地塊時間—紋理二維特征構建；（3）CNN+LSTM雙流架構分類模型構建。

1.4.1地塊NDVI時間序列特征提取NDVI是一種在遙感技術中用于識別作物和評估其生長狀況的重要工具。NDVI時間序列分析利用植被在不同生長階段對光的反射特性變化，通過NDVI時間序列特征，可觀察到作物生長過程中的關鍵時期，如萌發(fā)、快速生長、成熟和衰老。這一過程中，NDVI會經(jīng)歷從低值上升至峰值再降低的過程，此變化模式反映了作物覆蓋地面的程度和生長狀況。以地塊空間形態(tài)為約束，取地塊內所有像元NDVI的均值作為地塊NDVI特征。基于ArcGIS 10.8軟件分區(qū)統(tǒng)計工具計算研究區(qū)內各地塊的NDVI時間序列特征，NDVI計算公式如下：

NDVI=（RNir-RRed）/（RNir+RRed）（1）

式中，RRed和RNir分別表示Sentinel-2的紅、近紅波段反射率。

1.4.2地塊時間—紋理二維特征構建灰度共生矩陣（Grey-level co-occurrence matrix，GLCM）是一種在遙感影像處理中廣泛應用的紋理分析工具，依靠分析圖像中成對像素之間的空間關系，揭示這些像素的灰度級模式與結構。通過挖掘這些空間關系，GLCM能捕捉到圖像內復雜的紋理信息，從而為影像的特征提取和分析提供強有力的支持（承達瑜等，2024；張慧春等，2024）。GLCM可計算出一系列描述紋理的參數(shù)，如均值（Mean）、對比度（Con）、熵（Ent）和相關性（Corr）等，其中均值描述圖像紋理的平均灰度級。本研究選擇均值的二階統(tǒng)計量表示紋理特征，計算公式如下：

Mean=i×P（i，j）

式中，P（i，j）是GLCM中的元素，表示灰度級i和j同時出現(xiàn)的概率，N是圖像的灰度級數(shù)量。通過對Sentinel-2的多光譜影像進行堆疊，生成共11×13=143維光譜影像，選擇3×3的窗口，逐窗口計算11個月的143維光譜影像的GLCM。

以地塊邊界為約束，地塊內部所有像元紋理特征的均值作為地塊的紋理特征，進而將所得到的143維紋理特征轉化為時間—紋理的二維表征圖（圖4），不僅包含時間維度上的變化，還蘊含空間維度上的紋理特征，以觀察和分析地表特征的時間序列變化，從而在遙感數(shù)據(jù)解析中揭示出更深層次的信息。

1.4.3 CNN+LSTM雙流架構分類模型構建CNN主要由卷積層、池化層、激活函數(shù)和全連接層組成。卷積層通過卷積核提取圖像的局部特征；池化層通過下采樣減少數(shù)據(jù)維度，從而降低計算復雜度并防止過擬合；激活函數(shù)引入非線性，使模型能學習復雜的模式；全連接層則綜合提取的特征用于最終的分類或回歸任務。在遙感領域，CNN被廣泛應用于土地覆蓋分類、目標檢測、變化檢測和生物量估算等任務，通過多視角遙感圖像結合形態(tài)、顏色等信息，實現(xiàn)高效的圖像分析和數(shù)據(jù)表征。

LSTM是一種遞歸神經(jīng)網(wǎng)絡（Recurrent neural network，RNN），專門設計用于處理和預測時間序列數(shù)據(jù)。LSTM通過引入輸入門、遺忘門和輸出門的門控機制，有效地克服了傳統(tǒng)RNN在處理長序列數(shù)據(jù)時遇到的梯度消失和梯度爆炸問題。這些門控機制允許LSTM選擇性地記住或忘記信息，使其能捕捉長時間依賴關系。LSTM在自然語言處理、時間序列預測及語音識別等領域有廣泛應用，展示其在處理復雜時間模式和長時間跨度信息方面的強大能力。

CNN因其通過應用卷積操作能有效識別時間序列中的局部時間依賴性，且能學習到從簡單到復雜的特征層次結構而被廣泛使用在圖像分類中。LSTM通過其能力來學習長期依賴關系，在處理序列數(shù)據(jù)方面有顯著優(yōu)勢。CNN+LSTM雙流架構是一種融合時間序列和空間紋理序列數(shù)據(jù)的方法，分為時間流和空間流兩部分：（1）時間流使用LSTM模型，專注于分析作物生長過程中NDVI的變化，追蹤一定時間內作物植被指數(shù)的變化趨勢；（2）空間流使用CNN模型，側重于分析時間—紋理二維表征圖中的空間信息，更深層次理解地塊內部的空間關系和紋理差異。將時間流和空間流提取的特征進行拼接與融合，形成的時空特征能更準確地反映作物綜合狀態(tài)，為分類模型提供豐富的輸入信息，有助于實現(xiàn)更高精度的作物分類。

CNN+LSTM雙流架構整體模型結構如圖5所示：（1）CNN接收時間—紋理二維表征圖，首先通過帶有2×2卷積核的卷積層，然后通過2×2最大池化層以提取關鍵特征并減少維度，隨后是一個3×3卷積核的卷積層，最終通過扁平化轉換為一維數(shù)組，以供全連接層使用；（2）LSTM接收NDVI時間序列，其中每個LSTM單元含64個通道，并采用40%的Dro-pout率以防止過擬合，LSTM層捕獲時間序列的依賴性，其輸出再通過一個全連接層進行特征表示；（3）CNN和LSTM的輸出最終合并，通過全連接層進行處理，之后傳遞至Softmax層，最終分類輸出作物類型。

本研究在具有Intel?CoreTM i9處理器并配備NVIDIA GeForce RTX 4070 Ti顯卡的計算機上進行，試驗在Python 3.8的環(huán)境中運行，使用Tensor-Flow 2.4.1和Keras 2.4.3作為主要的深度學習框架。試驗參數(shù)設置：批次大小為16，學習率為0.001，優(yōu)化器為Adam，訓練輪數(shù)為500。

1.5性能評價對比

1.5.1對比方法為了驗證地塊上聯(lián)合使用NDVI時序與紋理時序特征優(yōu)于僅使用NDVI時序進行作物識別，且體現(xiàn)CNN+LSTM雙流架構的優(yōu)越性，本研究采用RF和SVM作為對比方法。具體如下：利用RF和SVM分別對NDVI時序和NDVI、紋理時序進行分類，以此驗證加入紋理時序的作用；RF和SVM對NDVI、紋理時序進行分類，與CNN+LSTM雙流架構進行對比，以此驗證雙流架構的優(yōu)越性。

1.5.2評價指標構建驗證集樣本真實類別與預測類別的混淆矩陣，計算驗證集樣本的總體精度（OA）、準確率（P）、召回率（R）和F1，用于度量模型的效果。計算公式如下：

式中，TP、TN、FP和FN分別是混淆矩陣中真陽性、真陰性、假陽性和假陰性的樣本個數(shù)。OA表示所有樣本中被正確分類的比例，其值在0～1，OA越接近1，表明模型在所有類別上的整體表現(xiàn)越好；P衡量所有被預測為正類的樣本中實際為正類的比例；R衡量所有實際為正類的樣本中被正確預測為正類的比例；F1是P和R的調和平均數(shù)，其值在0～1，F(xiàn)1越大，表明模型在平衡P和R方面表現(xiàn)越好，即模型能較準確地識別正類樣本，且漏檢的正類樣本較少。

2結果與分析

2.1 NDVI時間序列構建

圖6展示研究區(qū)不同作物的NDVI曲線，其中雙季冬小麥由于其特殊的種植模式，NDVI曲線呈雙峰趨勢，2—4月是上一年種植的雙季冬小麥迅速生長時期，在5月進行收割，之后為了7—9月的生長而重新種植；紫苜蓿是一種多年生草本植物，受研究區(qū)氣候溫暖影響，紫苜蓿生長迅速，每年有組織進行多次收割；紅花通常在春季播種，播種后120～150 d成熟，通常在7—8月可進行收割；休耕地由于植被覆蓋少，NDVI在0.15上下浮動。

2.2地塊作物分類結果

基于NDVI與紋理時序特征的CNN+LSTM雙流架構分類模型生成結果如圖7所示。觀察到棉花以最大的種植面積在中部占據(jù)主導地位，形成了一個集中的種植區(qū)域；開心果和葡萄的分布則顯得更加分散，散布在整個研究區(qū)，無明顯的集中趨勢；在研究區(qū)的東北方向，核桃、杏樹、紫苜蓿、玉米、雙季冬小麥等作物的種植較集中，表明該區(qū)域有利于這些作物的生長；冬小麥、紅花、西紅柿零散分布于研究區(qū)中心，與棉花交錯種植；此外，受地形條件的不利因素影響，還有大量休耕地分布于山脈兩側。

2.3分類精度對比分析結果

為了說明地塊上使用NDVI與紋理時序進行地塊作物分類及CNN+LSTM雙流架構效果，利用劃分的10組數(shù)據(jù)分別進行模型構建與驗證，并取預測精度的平均值作為模型優(yōu)劣的評價標準。此外，將該方法僅使用NDVI時序，以及RF和SVM模型處理NDVI與紋理時序的平均精度進行對比，結果如表2所示。從整體上看，地塊作物識別能力在加入紋理時序后有所提升，RF方法的OA提升0.04，P、R和F1均提升0.05；SVM方法的OA由0.88提升至0.93，P、R和F1分別提升0.03、0.07和0.04。表明在地塊尺度上加入紋理時序能更好地進行作物識別，究其原因是因為通過發(fā)掘地塊紋理信息，更多地表達了地塊空間特征時序變化，提升了模型的識別精度。此外，構建的CNN+LSTM雙流架構方法能更好地處理NDVI與紋理時序，相較于RF和SVM，取得更好的分類結果，其中，OA達0.95，P、R和F1均達0.94，各個指標均優(yōu)于RF和SVM，更適合在地塊尺度上利用NDVI與紋理時序進行作物識別。

2.4加入紋理時序特征的影響

為了更好地說明加入紋理時序特征對于不同作物分類結果的影響，通過圖8展示分類結果的混淆矩陣。由圖8-A可知，僅使用NDVI時序特征、利用RF進行地塊作物識別時，紫苜蓿常被錯分為杏樹、葡萄等，葡萄常被錯分為紫苜蓿、杏樹等作物；加入紋理時序特征后，除杏樹和棉花外，其他作物的識別結果均有所改善，特別是紫苜蓿和葡萄的錯分率極大減少，紫苜蓿正確識別的樣本數(shù)量由125個增至136個；葡萄正確識別的樣本數(shù)量由46個增至61個（圖8-B）。由圖8-C可知，僅使用NDVI時序特征、利用SVM進行地塊作物識別時，開心果常被識別為休耕地和核桃，紫苜蓿、杏樹、葡萄等作物也常常被錯誤分類；加入紋理時序特征后，除休耕地、棉花、紅花和雙季冬小麥外，其他作物被正確分類的數(shù)量均有所增加，特別是對開心果的改善效果最明顯，正確分類的樣本數(shù)量由103個增至158個，葡萄、紫苜蓿、核桃、玉米等被正確識別的樣本數(shù)量也有明顯增加（圖8-D）。加入紋理時序特征后，無論是RF還是SVM，分類效果均有所提升，杏樹、核桃、開心果被錯誤識別為休耕地可能是因為這些果樹處于幼苗期。

2.5 CNN+LSTM雙流架構分類模型的優(yōu)越性

為了進一步展示CNN+LSTM雙流架構分類模型對于地塊作物識別的優(yōu)越性，選擇F1作為各種作物類別分類結果的評判依據(jù)，與RF和SVM分類結果進行對比，結果如圖9所示。利用RF、SVM、CNN+LSTM雙流架構進行作物類別分類的F1均在0.77以上；除棉花、玉米、雙季冬小麥和紅花外，使用CNN+LSTM雙流架構對其他作物進行分類的結果精度有所提升，其中對于葡萄、冬小麥、開心果等作物的提升效果明顯，特別是葡萄的F1提升至0.90，冬小麥的F1提升至0.92。由于棉花獨特的生長習性，分類效果與模型的選擇關系不大。玉米的分類效果差，可能是因為該作物無論是生長習性還是空間紋理特征均無法與其他作物有明顯的區(qū)別。

3討論

本研究深入挖掘遙感影像的時間和空間信息，通過CNN精確捕捉作物生長過程中紋理特征隨時間變化的改變，LSTM追蹤一段時間內作物植被指數(shù)的變化趨勢，利用CNN+LSTM雙流架構將空間和時間特征進行有效的拼接與融合，形成能更全面反映地面狀況的時空特征。時空特征的融合優(yōu)化了分類模型的輸入，極大地提升了對地面種植結構信息的識別精度，為精準農(nóng)業(yè)提供強有力的技術支撐。白燕英等（2019）基于Landsat8影像的NDVI時間序列曲線提取內蒙古土默特右旗平原區(qū)的作物種植結構，分類總體精度為0.83；魏鵬飛等（2019）利用6景多時相GF-1/WFV衛(wèi)星遙感影像數(shù)據(jù)構造NDVI、EVI等植被指數(shù)時序，對安徽省潁上縣進行遙感作物分類，總體精度達0.90；賈博中等（2021）利用中分辨率成像光譜儀（MODIS）-EVI時間序列提取內蒙古沿黃平原區(qū)農(nóng)業(yè)種植信息，精度為0.78。與上述前人單純使用植被指數(shù)時間序列相比，本研究將紋理時序納入分類特征體系，提取美國加利福尼亞州金斯縣地塊上的作物類型，識別精度更高，總體精度達0.95。除加入紋理時序作為分類特征外，本研究利用高分辨率遙感影像提取地塊，以地塊為基本的分類單元，構建地塊上反映作物生長狀況的NDVI時序和紋理時序，進行地塊尺度上的作物識別，克服了面向像元易出現(xiàn)“椒鹽現(xiàn)象”和面向對象易與地理實體不符的缺點，更貼近實際情況，為之后一系列農(nóng)業(yè)活動打下堅實基礎。此外，本研究選用的分類器也不同，RF、DT、SVM等機器學習被設計用于處理靜態(tài)數(shù)據(jù)，其中每個樣本均被視為獨立的，忽略了樣本之間可能存在的時間相關性，因此無法捕捉時序間的依賴關系。CNN+LSTM雙流架構分類模型有效結合了CNN與LSTM的優(yōu)勢，通過CNN模型能探測并分析空間特征隨時間的變化，LSTM部分則專注于捕捉植被指數(shù)時間序列中的動態(tài)變化，CNN+LSTM雙流架構使得模型不僅能理解每一時刻的空間信息，還能把握時間上的連續(xù)性，從而深入分析作物生長的時序關系和更深層次的生長特征。

本研究以地塊邊界為約束，基于NDVI與紋理時序實現(xiàn)了更高精度的地塊作物遙感分類，今后研究還可在以下方面進一步提升：第一，本研究通過人工矢量化的方式獲得地塊邊界信息，耗時費力，目前存在許多影像分割算法，如何利用深度學習技術提取地塊邊界，獲得與實際效果一致的地塊邊界將作為考慮的問題；第二，本研究通過地塊內像素的均值構建地塊分類特征，在較大的地塊上通?？梢园鄠€中分辨率遙感影像的像元，而對面積小且破碎的地塊形態(tài)如何更好地構建分類特征將是下一步考慮的重點；第三，光學遙感影像可用數(shù)量有限，如何利用受云雨影響小、具有全天成像能力的雷達數(shù)據(jù)進行地塊特征表示，將光學影像與雷達數(shù)據(jù)進行融合，突破有效影像不足的問題，更好地表達地塊作物的分類特征是有待深化的環(huán)節(jié)。

4建議

4.1耦合時間和空間特征進行地塊作物遙感分類

作物生長是一個動態(tài)的緩慢變化過程，其植株形態(tài)、體內含水量、葉綠素含量等性質均隨著作物的生長而改變，由此表現(xiàn)為不同的光譜波段反射率。除光譜特征外，作物在其生長周期的不同階段還呈現(xiàn)出獨特的空間細節(jié)與紋理差異，這些差異根植于作物的外觀屬性，例如葉片的方向性和植株的體積大小，賦予了每個生長階段的作物獨有的空間紋理特性。建議將紋理時序納入分類的特征體系，解決依賴植被指數(shù)時序難以區(qū)分生長習性相近作物的問題，提高作物識別能力，尤其在作物種植密集或相似作物頻繁交錯的區(qū)域表現(xiàn)出更好的區(qū)分度。

4.2利用CNN+LSTM雙流架構進行地塊作物遙感分類

CNN+LSTM雙流架構結合了CNN的強大空間特征提取能力和LSTM的時間序列分析優(yōu)勢，特別適合處理同時包含時間和空間數(shù)據(jù)的復雜情景，如地塊作物分類。CNN通過其卷積層有效捕捉作物的空間紋理差異，LSTM則分析作物生長的NDVI時間序列，識別關鍵生長階段。這種時空特征的融合不僅能提高作物識別的精度和可靠性，還通過LSTM的門控機制減少過擬合風險，使模型具有更好的適應性和穩(wěn)定性。因此，CNN+LSTM雙流架構是處理遙感圖像分析、環(huán)境監(jiān)測等時空數(shù)據(jù)解析的理想選擇，能顯著提升分類精度并適應多變的環(huán)境條件。

參考文獻（References）：

白燕英，高聚林，張寶林.2019.基于Landsat8影像時間序列NDVI的作物種植結構提取［J］.干旱區(qū)地理，42（4）：893-901.［Bai Y Y，Gao J L，Zhang B L.2019.Extraction of crop planting structure based on time-series NDVI of Landsat8 images［J］.Arid Land Geography，42（4）：893-901.］doi：10.12118/j.issn.1000-6060.2019.04.21.

陳仲新，任建強，唐華俊，史云，冷佩，劉佳，王利民，吳文斌，姚艷敏，哈斯圖亞.2016.農(nóng)業(yè)遙感研究應用進展與展望［J］.遙感學報，20（5）：748-767.［Chen Z X，Ren J Q，Tang H J，Shi Y，Leng P，Liu J，Wang L M，Wu W B，Yao Y M，Hasiyuya.2016.Progress and perspectives on agri-cultural remote sensing research and applications in China［J］.Journal of Remote Sensing，20（5）：748-767.］doi：10.11834/jrs.20166214.

承達瑜，何偉德，付春曉，趙偉，王建東，趙安周.2024.融合無人機光譜信息與紋理特征的冬小麥綜合長勢監(jiān)測［J/OL］.農(nóng)業(yè)機械學報.https：//link.cnki.net/urlid/11.1964.S.20240619.0911.005.［Cheng D Y，He W D，F(xiàn)u C X，

Zhao W，Wang J D，Zhao A Z.2024.Comprehensive growth monitoring of winter wheat by integrating drone spectral information and texture features［J/OL］.Transac-tions of the Chinese Society for Agricultural Machinery.https：//link.cnki.net/urlid/11.1964.S.20240619.0911.005.］

杜保佳，張晶，王宗明，毛德華，張淼，吳炳方.2019.應用Sen-tinel-2ANDVI時間序列和面向對象決策樹方法的農(nóng)作物分類［J］.地球信息科學學報，21（5）：740-751.［Du B J，Zhang J，Wang Z M，Mao D H，Zhang M，Wu B F.2019.Crop mapping based on Sentinel-2A NDVI time series using object-oriented classification and decision tree model［J］.Journal of Geo-information Science，21（5）：740-751.］doi：10.12082/dqxxkx.2019.180412.

谷鶴，尚坤，秦愛羚，肖晨超.2022.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)工程學報，38（16）：33-41.［Gu H，Shang K，Qin AL，Xiao C C.2022.Identifi-cation of grain crop using multi-source satellite remote sensing data at field parcel scale［J］.Transactions of the Chinese Society of Agricultural Engineering，38（16）：33-41.］doi：10.11975/j.issn.1002-6819.2022.16.004.

韓衍欣，蒙繼華.2019.面向地塊的農(nóng)作物遙感分類研究進展［J］.國土資源遙感，31（2）：1-9.［HanYX，Meng J H.2019.A review of per-field crop classification using remote sen-sing［J］.Remote Sensing for Land and Resources，31（2）：1-9.］doi：10.6046/gtzyyg.2019.02.01.

賈博中，白燕英，魏占民，閆東，張志胤.2021.基于MODIS-EVI的內蒙古沿黃平原區(qū)作物種植結構分析［J］.灌溉排水學報，40（4）：114-120.［Jia B Z，Bai YY，Wei Z M，Yan D，Zhang Z Y.2021.Using MODIS-EVI to identify crop-ping structure in plains along the Yellow River in Inner Mongolia［J］.Journal of Irrigation and Drainage，40（4）：114-120.］doi：10.13522/j.cnki.ggps.2020459.

劉哲，劉帝佑，朱德海，張琳，昝糈莉，童亮.2018.作物遙感精細識別與自動制圖研究進展與展望［J］.農(nóng)業(yè)機械學報，49（12）：1-12.［Liu Z，Liu D Y，Zhu D H，Zhang L，Zan X L，Tong L.2018.Review on crop type fine identification and automatic mapping using remote sensing［J］.Transac-tions of the Chinese Society for Agricultural Machinery，49（12）：1-12.］doi：10.6041/j.issn.1000-1298.2018.12.001.

蒙繼華，吳炳方，杜鑫，張飛飛，張淼，董泰峰.2011.遙感在精準農(nóng)業(yè)中的應用進展及展望［J］.國土資源遙感，（3）：1-7.［Meng J H，Wu B F，Du X，Zhang F F，Zhang M，Dong T F.2011.A review and outlook of applying remote sen-sing to precision agriculture［J］.Remote Sensing for Natu-ral Resources，（3）：1-7.］

祁向前，孫德浩，賈連星.2022.哨兵2號多時相植被指數(shù)作物分類及監(jiān)測［J］.測繪工程，31（6）：47-53.［Qi X Q，Sun D H，Jia L X.2022.Crop classification and monitoring of sentinel 2 multi temporal vegetation index［J］.Enginee-ring of Surveying and Mapping，31（6）：47-53.］doi：10.19349/j.cnki.issn 1006-7949.2022.06.008.

秦肖偉，程博，楊志平，李林，董文，張新，楊樹文，靳宗義，薛慶.2023.基于時序遙感影像的西南山區(qū)地塊尺度作物類型識別［J］.地球信息科學學報，25（3）：654-668.［Qin X W，Cheng B，Yang Z P，Li L，Dong W，Zhang X，Yang S W，Jin Z Y，Xue Q.2023.Identification of parcel-scale crop types in southwestern mountainous area based on

time series remote sensing images［J］.Journal of Geo-information Science，25（3）：654-668.］doi：10.12082/dqx xkx.2023.220522.

孫博學，吳永強，張靜宜，馬玥.2023.基于面向對象隨機森林算法的主被動遙感協(xié)同實現(xiàn)農(nóng)作物自動識別［J］.科技風，（21）：7-9.［Sun B X，Wu Y Q，Zhang J Y，Ma Y.2023.Automatic identification of crops based on object-oriented random forest algorithm implemented by active and pas-sive remote sensing collaboration［J］.Ke Ji Feng，（21）：7-9.］doi：10.19392/j.cnki.1671-7341.202321003.

魏鵬飛，徐新剛，楊貴軍，李中元，王建雯，陳幗.2019.基于多時相影像植被指數(shù)變化特征的作物遙感分類［J］.中國農(nóng)業(yè)科技導報，21（2）：54-61.［Wei P F，Xu X G，Yang G J，Li Z Y，Wang J W，Chen G.2019.Remote sensing classifi-cation of crops based on the change characteristics of multi-phase vegetation index［J］.China Agricultural Scien-ce and Technology Bulletin，21（2）：54-61.］doi：10.13304/j.nykjdb.2018.0063.

吳迪，楊鵬，周黎勇，李芳松，李凌鋒，張旭東.2023.基于Sen-tinel-2破碎化地塊灌區(qū)作物種植結構的提?。跩］.灌溉排水學報，42（4）：74-80.［Wu D，Yang P，Zhou LY，Li F S，Li L F，Zhang X D.2023.Using Sentinel-2 sensing ima-gery to estimate planting structure in fragmented irrigated lands［J］.Journal of Irrigation and Drainage，42（4）：74-80.］doi：10.13522/j.cnki.ggps.2022368.

吳田軍，駱劍承，趙馨，李曼嘉，張新，董文，郜麗靜，王玲玉，楊穎頻，趙偉.2022.精準地理應用驅動的高分遙感協(xié)同計算研究［J］.武漢大學學報（信息科學版），47（8）：1220-1235.［Wu T J，Luo J C，Zhao X，Li M J，Zhang X，Dong W，Gao L J，Wang LY，Yang Y P，Zhao W.2022.Collabo-rative computing of high-resolution remote sensing driven by fine-accurate geographic applications［J］.Geomatics and Information Science of Wuhan University，47（8）：1220-1235.］doi：10.13203/j.whugis20220335.

謝國雪，黃啟廳，楊紹鍔，覃澤林，劉麗輝，鄧鐵軍.2021.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)學報，52（12）：3454-3462.［Xie G X，Huang Q T，Yang S E，Qin Z L，Liu L H，Deng T J.2021.Extraction of citrus planting plots based on medium-high different images［J］.Journal of Southern Agriculture，52（12）：3454-3462.］doi：10.3969/j.issn.2095-1191.2021.12.030.

楊穎頻，吳志峰，駱劍承，黃啟廳，張冬韻，吳田軍，孫營偉，曹崢，董文，劉巍.2021.時空協(xié)同的地塊尺度作物分布遙感提取［J］.農(nóng)業(yè)工程學報，37（7）：166-174.［Yang Y P，Wu Z F，Luo J C，Huang Q T，Zhang D Y，Wu T J，Sun Y W，Cao Z，Dong W，Liu W.2021.Parcel-based crop distri-bution extraction using the spatiotemporal collaboration of remote sensing data［J］.Transactions of the Chinese Socie-ty of Agricultural Engineering，37（7）：166-174.］doi：10.11975/j.issn.1002-6819.2021.07.020.

張慧春，田啟飛，邊黎明，GEYufeng.2024.基于多視角圖像形態(tài)顏色紋理特征融合的生物量獲取［J/OL］.農(nóng)業(yè)機械學報.https：//link.cnki.net/urlid/11.1964.S.20240618.1749.002.［Zhang H C，Tian Q F，Bian L M，Ge Y F.2024.Plants biomass acquisition based on morphological，color and tex-ture features of multi-view visible images［J/OL］.Transac-tions of the Chinese Society for Agricultural Machinery.https：//link.cnki.net/urlid/11.1964.S.20240618.1749.002.］

張乾坤，蒙繼華，任超.2022.構建地塊二維表征及CNN模型的作物遙感分類［J］.遙感學報，26（7）：1437-1449.［Zhang Q K，Meng J H，Ren C.2022.Crop classification based ontwo-dimensional representation and CNN model fromremote sensing［J］.National Remote Sensing Bulletin，26（7）：1437-1449.］doi：10.11834/jrs.20219432.

張雨果，王飛，孫文義，安淳淳.2016.基于面向對象的SPOT衛(wèi)星影像梯田信息提取研究［J］.水土保持研究，23（6）：345-351.［Zhang Y G，Wang F，Sun W Y，An C C.2016.Terrace information extraction from SPOT remote sensing image based on object-oriented classification method［J］.Research of Soil and Water Conservation，23（6）：345-351.］doi：10.13869/j.cnki.rswc.2016.06.047.

趙春江.2014.農(nóng)業(yè)遙感研究與應用進展［J］.農(nóng)業(yè)機械學報，45（12）：227-293.［Zhao C J.2014.Advances of research and application in remote sensing for agriculture［J］.Transac-tions of the Chinese Society for Agricultural Machinery，45（12）：227-293.］doi：10.6041/j.issn.1000-1298.2014.12.041.

趙龍才，李粉玲，常慶瑞.2023.農(nóng)作物遙感識別與單產(chǎn)估算研究綜述［J］.農(nóng)業(yè)機械學報，54（2）：1-19.［Zhao L C，Li F L，Chang Q R.2023.Review on crop type identification and yield forecasting using remote sensing［J］.Transac-tions of the Chinese Society for Agricultural Machinery，54（2）：1-19.］doi：10.6041/j.issn.1000-1298.2023.02.001.

趙孟辰，阿里木江·卡斯木.2023.基于Sentinel-2遙感影像的農(nóng)作物分類與適宜性評價［J］.西南大學學報（自然科學版），45（11）：176-185.［Zhao M C，Alimujiang·Kasmu.2023.Crop classification and suitability evaluation based on Sentinel-2 remote sensing image［J］.Journal of South-west University（Natural Science Edition），45（11）：176-185.］doi：10.13718/j.cnki.xdzk.2023.11.017.

周亞男，何金珂，馮莉，陳躍紅，吳田軍，張新，駱劍承.2024.深度時空卷積網(wǎng)絡支持的地塊尺度作物種植類型分類［J/OL］.武漢大學學報（信息科學版）.https：//kns.cnki.net/kcms/detail/42.1676.TN.20230508.1456.001.html.［Zhou Y N，He J K，F(xiàn)eng L，Chen Y H，Wu T J，Zhang X，Luo J C.2024.Parcel-scale crop type classification using tile-slice-based spatial-temporal convolutional networks［J/OL］.Geomatics and Information Science of Wuhan University.https：//kns.cnki.net/kcms/detail/42.1676.TN.20230508.1456.001.html.］

Jiao S H，Shen Z F，Kou W Q，Wang H Y，Li J L，Jiao Z H，Lei Y T.2023.Parcel-level mapping of horticultural crops in mountain areas using irregular time series and VHR images taking Qixia，China as an example［J］.Remote Sensing，15（1）：175.doi：10.3390/rs 15010175.

Tariq A，Yan J，Gagnon A，Khan M R，Mumtaz F.2023.Map-ping of cropland，cropping patterns and crop types by com-bining optical remote sensing images with decision tree classifier and random forest［J］.Geo-Spatial Information Science，26（3）：302-320.doi：10.1080/10095020.2022.21 00287.

（責任編輯：王暉，羅麗）