覃澤林　謝國雪　李宇翔　蘭宗寶　蘇秋群　謝福倩　張家玫　張秀龍

摘要：【目的】基于多時相的高分一號（GF-1）影像，利用面向地塊對象分類法提取廣西崇左市江州區(qū)大宗農(nóng)作物種植面積，為南方多云雨丘陵地區(qū)提取作物信息提供參考。【方法】以2 m分辨率的GF-1影像為數(shù)據(jù)源，采用人機(jī)交互的方式準(zhǔn)確識別地表覆蓋的地塊信息，基于對多時相GF-1影像進(jìn)行云影檢測，并處理生成影像的光譜、歸一化植被指數(shù)（NDVI）、亮度等特征，采用面向地塊對象的分類方法提取甘蔗、水稻和香蕉的作物信息?！窘Y(jié)果】根據(jù)混淆矩陣評價分類的結(jié)果可知，提取大宗農(nóng)作物的總體精度為90.08%，Kappa系數(shù)達(dá)0.85，滿足農(nóng)業(yè)成果應(yīng)用的精度要求?！窘Y(jié)論】利用有效影像數(shù)據(jù)，結(jié)合地塊數(shù)據(jù)完成作物信息提取，該技術(shù)方法能夠準(zhǔn)確提取丘陵地區(qū)大宗農(nóng)作物信息，為解決南方多云雨丘陵地區(qū)提取作物信息難題提供了有效途徑。

關(guān)鍵詞： 多時相；高分一號（GF-1）；丘陵；大宗農(nóng)作物；信息提取

中圖分類號： S127 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-1191（2017）01-0181-08

Abstract：【Objective】Based on multi-temporal GF-1 image， this paper extracted the planting area of staple crops in Jiangzhou， Chongzuo， Guangxi by using object-oriented classification， and provided reference for crop information extraction in southern hilly region. 【Method】Based on GF-1 image with 2 m resolution， human-computer interaction was conducted to accurately identify parcels information under land coverage. Cloud shadow detection was conducted based on multi-temporal GF-1 image. Features of the generated image such as spectrum， normalized differential vegetation index （NDVI） and brightness were processed. Crop information of sugarcane， rice and banana were extracted using object-oriented classification method. 【Result】According to the result of confusion matrix evaluation classification， the overall accuracy of staple crops extraction was 90.08%， and Kappa coefficient was 0.85， which met the accuracy requirements for application of agricultural achievements. 【Conclusion】This paper uses the effective image data and combines parcel data to complete the extraction of crop information. This technical method can accurately extract crop information in hilly regions， and lay a foundation for solving the problem of extracting crop information in rainy hilly region in the south.

Key words： multi-temporal； GF-1； hill； staple crop； information extraction

0 引言

【研究意義】遙感技術(shù)作為一門實用技術(shù)備受政府、企業(yè)及廣大學(xué)者的青睞，目前已在農(nóng)業(yè)、林業(yè)、環(huán)保、國土等領(lǐng)域得到有效利用，其中，農(nóng)業(yè)是遙感技術(shù)應(yīng)用成效最好、使用最廣泛的領(lǐng)域之一（趙春江，2014）。遙感技術(shù)在農(nóng)作物種植面積監(jiān)測、產(chǎn)量評估、病蟲害監(jiān)測、長勢監(jiān)測、自然災(zāi)害監(jiān)測等方面具有重要作用。農(nóng)業(yè)遙感技術(shù)的發(fā)展使得快速、準(zhǔn)確監(jiān)測大范圍農(nóng)作物種植面積得以實現(xiàn)，對于農(nóng)業(yè)的生產(chǎn)與布局調(diào)整具有重大意義?！厩叭搜芯窟M(jìn)展】國內(nèi)外學(xué)者已利用遙感技術(shù)對農(nóng)作物信息提取進(jìn)行了大量研究。提取大范圍區(qū)域作物種植面積多采用TM/ETM+（張健康等，2012）、MODIS（Ozdogan，2010；Vintrou et al.，2012）、CBERS-04（胡顯偉和汪彪，2016）等中低分辨率影像數(shù)據(jù)。同時，多種衛(wèi)星影像數(shù)據(jù)綜合使用的方式較常用，如張健康等（2012）通過多時相的TM/ETM+及MODIS EVI影像數(shù)據(jù)，結(jié)合基于生態(tài)分類法的監(jiān)督分類及決策樹分類法成功提取了河北省黑龍港地區(qū)冬小麥等作物種植信息。為了更準(zhǔn)確提取作物種植信息，現(xiàn)已逐漸由利用單一時相影像向利用多時相影像的模式轉(zhuǎn)變。多時相影像能夠有效監(jiān)測不同作物生長情況，更利于作物的區(qū)分，大宗作物信息提取對象主要以玉米、冬小麥為主。Verbeiren等（2008）基于多時相的SPOT影像，提取了比利時玉米和冬小麥的種植信息；侯亮等（2015）利用多時相的TM影像，采用基于NDVI分類和監(jiān)督分類法獲得了河北省環(huán)渤海區(qū)域的玉米作物空間分布圖。隨著我國遙感技術(shù)的不斷發(fā)展，國產(chǎn)影像憑借獲取速度快、影像種類多、高分辨影像價格低、中分辨率影像免費(fèi)的優(yōu)勢，逐漸占領(lǐng)國內(nèi)市場，廣大學(xué)者利用國產(chǎn)影像提取作物信息研究日益增多。玉蘇普江·艾麥提等（2014）以HJ星為數(shù)據(jù)源，采用分類回歸樹分析的決策法對新疆維吾爾自治區(qū)西部的庫車、沙雅和新和3縣的棉花種植面積進(jìn)行了提??；郭燕等（2015）通過高分一號（GF-1）影像及Landsat-8等數(shù)據(jù)對河南省許昌市鄢陵縣的玉米種植面積進(jìn)行了識別和提??；李峰等（2015）利用HJ-1CCD影像提取了山東省冬小麥種植面積；林子晶等（2016）應(yīng)用HJ星和GF-1影像數(shù)據(jù)提取了江蘇省南通市如皋市的水稻種植面積?！颈狙芯壳腥朦c(diǎn)】鑒于我國南方地區(qū)氣候條件復(fù)雜，衛(wèi)星影像大部分被云影覆蓋，難以獲得作物生長關(guān)鍵期所對應(yīng)的無云影像數(shù)據(jù)；另外，由于該地區(qū)受地形起伏大、地塊破碎、種植結(jié)構(gòu)復(fù)雜等因素制約，嚴(yán)重阻礙了作物信息監(jiān)測。目前，針對南方丘陵地區(qū)作物信息提取的相關(guān)研究報道較少?！緮M解決的關(guān)鍵問題】以廣西崇左市江州區(qū)為研究對象，利用有效的多時相GF-1影像，基于光譜、紋理、歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）、亮度等特征，采用面向地塊對象的分類提取甘蔗、水稻和香蕉等大宗農(nóng)作物的種植面積，為解決南方多云雨丘陵地區(qū)提取作物信息難題提供參考。

1 數(shù)據(jù)來源與研究方法

1. 1 研究區(qū)域概況

崇左市江州區(qū)地處廣西西南部，位于東經(jīng)107°6′23″～107°47′33″、北緯22°9′34″～22°54′18″，地勢南北高、中東部低，屬南亞熱帶季風(fēng)氣候區(qū)，年均氣溫22.3 ℃，極端最高氣溫41.0 ℃，最低氣溫-1.9 ℃，日照時數(shù)1634.4 h，年均降雨量約1150 mm，無霜期364 d，氣溫較高，光照充足，雨量充沛但分布不均，土壤多呈弱酸性。自然資源十分豐富，主要作物有甘蔗、水稻、香蕉、木薯、玉米、花生、龍眼和荔枝等，主要野生植物有龍血樹、金銀花和金茶花等，主要動物有白頭葉猴、穿山甲和沉香魚等。

1. 2 數(shù)據(jù)來源

本研究使用的數(shù)據(jù)主要包括：①2016年5月17日的高分辨率GF-1影像；②2016年2、4～10月共8個時相的GF-1影像，分辨率為16 m；③0.5 m分辨率的谷歌地球影像；④30 m分辨率的數(shù)據(jù)高程模型（DEM）；⑤廣西崇左市江州區(qū)行政邊界矢量數(shù)據(jù)。

1. 3 研究方法

1. 3. 1 影像預(yù)處理 以0.5 m分辨率的谷歌地球影像為參考，在ERDAS 2014中采用區(qū)域網(wǎng)平差校正得到全色波段正射影像，進(jìn)而以該數(shù)據(jù)為參考影像，利用自動糾正模型校正多光譜影像，后期經(jīng)過影像融合、鑲嵌、裁剪處理，分別得到2和16 m分辨率的正射影像。區(qū)域網(wǎng)平差方法能有效避免相鄰影像糾正后接邊處出現(xiàn)偏移的現(xiàn)象，且自動糾正模型能夠消除影像融合產(chǎn)生重影的情況。影像校正過程按照平原地區(qū)偏移在一個像元以內(nèi)、控制點(diǎn)殘差值小于0.5、山地區(qū)域偏移不能大于兩個像元、控制點(diǎn)殘差值小于1.0、總體中誤差值小于1.0的要求執(zhí)行；若影像精度檢驗發(fā)現(xiàn)不滿足精度要求，則重新校正。為充分利用有效影像數(shù)據(jù)，使用監(jiān)督分類方法對具有云影覆蓋的中分辨率影像進(jìn)行云影檢測（黃啟廳等，2016），并去除云影遮蓋區(qū)域。影像云量覆蓋統(tǒng)計情況如表1所示。

1. 3. 2 外業(yè)調(diào)查 本研究利用全球定位系統(tǒng)（Global positioning system，GPS）、遙感（Remote sensing，RS）和地理信息系統(tǒng)（Geographic information system，GIS）3種技術(shù)結(jié)合的方式進(jìn)行外業(yè)調(diào)查。采集作物解譯標(biāo)志，并拍攝實地照片，為作物的提取與成果精度驗證提供準(zhǔn)確參考數(shù)據(jù)。采集的作物解譯標(biāo)志包括甘蔗、水稻、香蕉、玉米和木薯等。

1. 3. 3 樣本庫建立 通常不同的作物在同一張影像上表現(xiàn)出不同的影像特征，為正確識別不同的作物，根據(jù)野外采集的解譯標(biāo)志，綜合GF-1影像和谷歌地球影像，分別選取甘蔗、水稻和香蕉表現(xiàn)的不同特征建立樣本庫（表2），為后期地塊識別與作物分類提供有效特征參考。

1. 3. 4 歸一化植被指數(shù)（NDVI） 不同植被具有不同的光譜特征，利用NDVI時間序列數(shù)據(jù)是提取植被物候特征的有效方法之一（平躍鵬和臧淑英，2016）。根據(jù)公式（1）計算NDVI：

NDVI= （1）

式中，ρNIR、ρR分別表示近紅外波段反射率和紅波段反射率。結(jié)合樣本庫特征在影像無云區(qū)域，分別選取甘蔗、水稻和香蕉為樣本點(diǎn)，計算并統(tǒng)計其不同時期的NDVI得到作物初始數(shù)據(jù)，運(yùn)用Savitzky-Golay（S-G濾波）進(jìn)行平滑去噪，建立不同作物的NDVI時間序列。經(jīng)該方法處理的NDVI時間序列曲線能有效反映作物在不同時期的生長情況（程良曉等，2016），得出多種作物的NDVI時間序列曲線（圖1）。NDVI時間序列曲線的上升和波峰反映了作物的生長期及成熟期，曲線的差異值即為區(qū)分不同作物的有效值。研究區(qū)種植的甘蔗和香蕉屬于一年種植一季作物，水稻屬于一年種植兩季作物，因此NDVI時間序列對于提取這些作物極其重要。由圖1可知，4、6和7月的作物NDVI差異較大，曲線未出現(xiàn)相交情況，因此該時段是提取作物的關(guān)鍵時期；甘蔗與香蕉的NDVI值雖然不存在相交情況，但兩者生長曲線極為相似，互相干擾因素較大，其中，除了8月兩者的NDVI極為接近外，其他時期香蕉的NDVI比甘蔗的稍大，7和8月分別為香蕉和甘蔗生長最茂盛時期，NDVI的差異即為提取兩者的突破口，兩者可同時提?。凰驹?月處于成熟期，NDVI出現(xiàn)明顯的下降趨勢，對于提取該作物極為有利。綜上，根據(jù)NDVI時間序列曲線及影像云量統(tǒng)計情況，并結(jié)合作物生長的周期，確定提取甘蔗和香蕉作物影像時期均為4、6、7、9和10月，提取水稻作物的選取影像時期為4～7月。

1. 3. 5 建立分類規(guī)則 本研究根據(jù)影像質(zhì)量與南方丘陵地區(qū)作物生長及種植情況，基于不同影像特征，編寫不同作物的分類規(guī)則，即以2016年5月17日2 m分辨率的GF-1影像為數(shù)據(jù)源，基于農(nóng)作物地塊數(shù)據(jù)進(jìn)行棋盤分割生成地塊對象，再根據(jù)分類規(guī)則提取甘蔗、水稻和香蕉的影像，首先提取水稻的影像，再同時提取其余兩種作物的影像，具體分類規(guī)則如表3所示。面向地塊對象分類方法提取大宗農(nóng)作物需經(jīng)過3個步驟。第1步主要提取水稻，雖然5月不是提取作物影像的最佳時期，但2 m分辨率影像上水稻紋理信息極為突出，其為提取水稻的關(guān)鍵影像，因此將該影像與4、6和7月影像綜合使用提取水稻；水稻分布多呈片狀，其特征與其他作物的區(qū)別較為明顯，初次分類僅分為水稻和其他作物，最鄰近分類法對于提取水稻更具有優(yōu)勢。第2步是在第1步分類后得到的其他作物對象中提取甘蔗和香蕉，主要利用4、6、7、9和10月共5個時相影像光譜、亮度、NDVI特征進(jìn)行分類，非甘蔗和香蕉歸類為其他作物，分類過程中由于多期有效影像數(shù)量過少，少量甘蔗和香蕉歸類為其他作物，因此需選取無云覆蓋影像完成提取工作。第3步分類工作主要選取無云覆蓋影像繼續(xù)完成甘蔗和香蕉的提取，以4和10月無云覆蓋影像為數(shù)據(jù)源，基于光譜、亮度和NDVI特征，利用支持向量機(jī)完成提取工作。本研究根據(jù)作物的特征選取不同時期影像，利用不同的特征編寫對應(yīng)的分類規(guī)則，有效提高了分類精度。

2 結(jié)果與分析

2. 1 影像處理成果

經(jīng)過影像預(yù)處理后得到準(zhǔn)確的地位位置，利用云影檢測矢量數(shù)據(jù)建立掩膜剔除云影覆蓋區(qū)域，無云影覆蓋區(qū)域則參與影像分類，每一個有效像元得到充分利用。如圖2-A所示，影像原始數(shù)據(jù)無任何坐標(biāo)信息，因此需經(jīng)過影像預(yù)處理得到有效的影像數(shù)據(jù)，處理的影像成果分為無云覆蓋影像和有云覆蓋影像；無云覆蓋影像可直接用于影像分類，其效果如圖2-B所示；有云覆蓋影像需要進(jìn)行云影檢測及剔除云影覆蓋區(qū)域（圖2-C）；經(jīng)過云影剔除影像效果如圖2-D所示，雖然被云影覆蓋區(qū)域剔除后出現(xiàn)影像不完整現(xiàn)象，但保留的區(qū)域仍可用于影像分類，減少了云影覆蓋區(qū)域?qū)ψ魑锓诸惖母蓴_，充分利用有效數(shù)據(jù)，該處理方式是解決南方多云雨地區(qū)影像缺失較好的方法之一。

2. 2 作物解譯標(biāo)志

本研究通過外業(yè)調(diào)查采集到作物解譯標(biāo)志并拍攝實地照片，通過將不同作物在影像上反映特征與實地特征對比的方式加深技術(shù)人員對不同作物的認(rèn)識，進(jìn)而根據(jù)不同的特征進(jìn)行作物分類。外業(yè)調(diào)查共采集的解譯標(biāo)志點(diǎn)共5614個，其中，甘蔗4729個、水稻152個、香蕉142個、玉米129個、木薯129個及其他作物333個。采集的部分解譯標(biāo)志如圖3所示。

2. 3 分類結(jié)果

2. 3. 1 地塊信息準(zhǔn)確識別 南方丘陵地區(qū)普遍存在地塊破碎、種植結(jié)構(gòu)復(fù)雜等現(xiàn)象，提取這些區(qū)域的農(nóng)作物信息難度較大。為保證提取作物地塊信息的完整性和分類精度，以分辨率為2 m的GF-1影像為數(shù)據(jù)源，根據(jù)影像上地塊清晰的邊界，采用人機(jī)交互的方式對地塊信息進(jìn)行識別，即大范圍的林地、建設(shè)用地、其他規(guī)整地塊采用多尺度分割方法完成地塊識別，對于無規(guī)則地塊則通過人工繪制提取，結(jié)合高分辨率的谷歌地球影像對地塊種植信息進(jìn)行區(qū)分，劃分的地類包括農(nóng)作物、果園、林地、草地、水域、建設(shè)用地、道路、設(shè)施農(nóng)業(yè)用地及其他用地，通過重分類方法能夠?qū)崿F(xiàn)批量化屬性錄入。地塊繪制的總數(shù)為445956個，識別的效果如圖4所示。雖然該項工作花費(fèi)大量的時間，但保證了丘陵區(qū)域地塊的完整性，有效縮小了后期作物信息提取的研究范圍（農(nóng)作物包括甘蔗、玉米和水稻等），同時識別的地塊信息可應(yīng)用于其他領(lǐng)域研究。

2. 3. 2 大宗農(nóng)作物信息提取 以多時相GF-1影像為數(shù)據(jù)源，利用面向地塊對象分類方法提取甘蔗、水稻和香蕉作物信息。主要應(yīng)用eCognition 9.0平臺完成作物信息的提取，通過樣本轉(zhuǎn)換算法將解譯標(biāo)志點(diǎn)生成樣本，根據(jù)提取的作物類型選取不同分辨率及不同時期的影像，基于光譜、紋理、亮度、NDVI等特征，編寫不同作物對應(yīng)的分類規(guī)則完成信息提取，提取的甘蔗、水稻和香蕉的作物信息成果如圖5所示。

2. 4 提取成果精度分析

為了客觀檢驗分類成果的精度，基于Kappa系數(shù)法在ENVI 5.2平臺完成精度驗證。Kappa系數(shù)通過建立混淆矩陣進(jìn)行驗算，充分考慮對角線上正確分類的像素及非對角線上錯分或漏分的像素，評價結(jié)果更具客觀性（魏本贊等，2016）。評價過程中，以235個采集解譯點(diǎn)重疊的矢量圖斑為實測值，把所有的分類結(jié)果與實測值進(jìn)行比較，評價生成混淆矩陣和精度結(jié)果以及Kappa系數(shù)等級劃分情況（王志波，2012）（表4和5）。如表5所示，將Kappa系數(shù)等級進(jìn)行劃分，值越高說明分類成果質(zhì)量越好，反之質(zhì)量越差，其中，Kappa系數(shù)≥0.8說明分類成果質(zhì)量已達(dá)到極好級別。如表4所示，大宗作物信息提取總精度為90.08%，Kappa系數(shù)為0.85，說明分類成果質(zhì)量極好，滿足使用精度要求。甘蔗的生產(chǎn)精度較高，但其用戶精度比水稻和香蕉的用戶精度稍低，主要原因在于甘蔗種植面積較大，其種植區(qū)域臨近水稻作物，甚至部分水源不足的水田改種甘蔗作物；同時，甘蔗與香蕉特征極為相似，異物同譜的現(xiàn)象明顯，因此甘蔗錯分為水稻和香蕉較多。水稻的影像特征與香蕉影像特征差異較大，兩者種植區(qū)域相鄰較少，水稻整體上錯分為香蕉稍少，精度比香蕉精度高，同理，香蕉錯分為甘蔗比錯分為水稻明顯?？傮w上3種作物信息分類質(zhì)量極好，錯分的情況不影響成果使用。

2. 5 大宗作物成果分析

根據(jù)鄉(xiāng)鎮(zhèn)行政邊界對提取的甘蔗、水稻和香蕉種植信息進(jìn)行統(tǒng)計。由表6可知，2016年研究區(qū)域內(nèi)甘蔗、水稻和香蕉的種植面積分別為73411.68、5141.20和6191.24 ha，地塊數(shù)量總計278164個。綜合圖5-A和表6可知，江州區(qū)甘蔗種植面積較大、區(qū)域較廣，且連片種植面積較大，主要分布于馱盧鎮(zhèn)、左州鎮(zhèn)、太平街道、新和鎮(zhèn)、江州鎮(zhèn)和瀨湍鎮(zhèn)等區(qū)域；水稻分布較為零散，種植區(qū)域不集中，多呈條狀，主要種植于左州鎮(zhèn)、那隆鎮(zhèn)、馱盧鎮(zhèn)、江州鎮(zhèn)和羅白鄉(xiāng)；香蕉種植面積較少，但連片種植較多，多位于地勢平坦、交通便利區(qū)域，主要分布于那隆鎮(zhèn)、馱盧鎮(zhèn)、羅白鄉(xiāng)和左州鎮(zhèn)等區(qū)域。

“2016年江州區(qū)第四屆人民代表大會第一次會議政府工作報告”指出，持續(xù)推進(jìn)甘蔗“雙?！惫こ蹋_保江州區(qū)甘蔗種植面積保持在73333 ha以上。本研究利用遙感技術(shù)提取的甘蔗種植面積與該數(shù)據(jù)相近，驗證了江州區(qū)2016年甘蔗種植面積達(dá)到預(yù)期目標(biāo)?！冻缱笫薪輩^(qū)“十三五”農(nóng)業(yè)發(fā)展規(guī)劃》指出江州區(qū)2014～ 2019年“雙高”基地建設(shè)總?cè)蝿?wù)為40000 ha，截至2016年該區(qū)已建成“雙高”基地面積共13037.21 ha，其中，羅白鄉(xiāng)、馱盧鎮(zhèn)、新和鎮(zhèn)和左州鎮(zhèn)的“雙高”基地建設(shè)面積較多，分別占“雙高”基地總面積的19.23%、18.57%、14.42%和14.23%，根據(jù)表6統(tǒng)計結(jié)果及“雙高”基地分布現(xiàn)狀，建議新增“雙高”基地可往馱盧鎮(zhèn)、左州鎮(zhèn)、新和鎮(zhèn)、太平鎮(zhèn)、瀨湍鎮(zhèn)、江州鎮(zhèn)和羅白鄉(xiāng)建設(shè)。

本研究發(fā)現(xiàn)小范圍水田區(qū)域存在改種蔬菜和果蔗現(xiàn)象，同時，農(nóng)戶繼續(xù)種植甘蔗的趨勢有所下降，部分過往種植甘蔗的耕地已改種香蕉、火龍果、柑橘等，尤其是大范圍耕地改種香蕉現(xiàn)象最為明顯，為保持甘蔗種植面積及產(chǎn)量的穩(wěn)定性，建議有關(guān)部門一方面增加農(nóng)業(yè)補(bǔ)貼，促進(jìn)蔗農(nóng)種植甘蔗的積極性，引入甘蔗優(yōu)良品種，加強(qiáng)水利灌溉設(shè)施建設(shè)，以提高甘蔗產(chǎn)量；另一方面要正確引導(dǎo)農(nóng)戶種植水果品種和面積，避免盲目種植引起供大于求的現(xiàn)象，積極引導(dǎo)農(nóng)戶種植高新品種水果，并提供相關(guān)的技術(shù)指導(dǎo)，以不斷提高農(nóng)戶經(jīng)濟(jì)收入。

3 討論

本研究利用多時相GF-1影像技術(shù)方法提取了崇左市江州區(qū)甘蔗、水稻和香蕉的種植信息，與劉吉凱等（2014）利用多時相GF-1 WFV數(shù)據(jù)、多種特征變量結(jié)合決策樹方法提取的江州區(qū)甘蔗種植面積成果進(jìn)行比較，對比結(jié)果如下：

（1）本研究與劉吉凱等（2014）研究的問題與解決的方法大體一致，主要解決南方丘陵地區(qū)提取作物信息難題，研究區(qū)域均為崇左市江州區(qū)，且均提倡利用多時期的GF-1影像為數(shù)據(jù)源。但后者僅選用16 m分辨率的GF-1 3個時期的影像數(shù)據(jù)；而本研究采用2 m和16 m分辨率的GF-1共8個時期影像，經(jīng)過云影檢測建立掩膜剔除云影覆蓋區(qū)域，無云影部分均參與影像分類，通過這樣處理不僅做到充分利用有效的每個像元，且持續(xù)性多時期影像能夠準(zhǔn)確反映作物生長情況，有助于提高分類精度。

（2）劉吉凱等（2014）利用研究區(qū)耕地數(shù)據(jù)建立掩膜，較好地縮小了研究范圍，進(jìn)而對影像進(jìn)行分割，建立決策樹提取甘蔗作物信息。本研究使用的技術(shù)方法與其有所不同，即采用面向地塊對象分類方法提取作物信息，首先在高分辨影像上準(zhǔn)確識別農(nóng)作物、水體、道路等地塊信息，然后基于農(nóng)作物地塊信息采用棋盤分割生成地塊對象，最后建立分類規(guī)則完成提取。雖然提取地塊信息耗時較長，但保證了地塊的完整性，并提高了數(shù)據(jù)重復(fù)利用率；同時，本研究提取了甘蔗、水稻和香蕉的作物信息，工作量和難度較前者大，但提取過程中能夠根據(jù)提取作物類型建立相應(yīng)的分類規(guī)則，做到專物專則。

（3）劉吉凱等（2014）利用NDVI、NDWI特征將甘蔗作物與其他作物信息進(jìn)行區(qū)分。本研究僅利用單一NDVI特征，相較而言未能充分利用有效的影像特征；另外，本研究提取成果精度雖然滿足使用精度要求，但相比之下分類成果精度稍低。今后的研究有待進(jìn)一步增加影像自定義特征，提高分類精度。

4 結(jié)論

以多時相的GF-1影像為數(shù)據(jù)源，基于光譜、紋理、亮度、NDVI特征的面向地塊對象分類方法，能夠準(zhǔn)確提取南方丘陵地區(qū)大宗農(nóng)作物信息，研究的技術(shù)方法具有較好的應(yīng)用性和推廣性，為解決南方多云雨丘陵地區(qū)提取作物信息難題提供了有效途徑。

參考文獻(xiàn)：

程良曉，江濤，談明洪，肖興媛. 2016. 基于NDVI時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， 23（4）： 37-44.

Cheng L X， Jiang T， Tan M H， Xiao X Y. 2016. Crop structure extraction of Zhangye city based on time-series images[J]. Geomatics World， 23（4）： 37-44.

郭燕，武喜紅，程永政，王來剛，劉婷. 2015. 用高分一號數(shù)據(jù)提取玉米面積及精度分析[J]. 遙感信息， 30（6）： 31-36.

Guo Y， Wu X H， Cheng Y Z， Wang L G， Liu T. 2015. Maize recognition and accuracy evaluation based on high resolution remote sensing（GF-1） data[J]. Remote Sensing Information， 30（6）： 31-36.

侯亮，許皓月，呂軍海，劉素英. 2015. 基于多時相遙感影像的作物提取研究[J]. 農(nóng)業(yè)圖書情報學(xué)刊， 27（3）： 5-7.

Hou L， Xu H Y， Lü J H， Liu S Y. 2015. The research of crops extraction based on multi-temporal remote sensing image[J]. Journal of Library and Information Sciences in Agriculture， 27（3）： 5-7.

胡顯偉，汪彪. 2016. 基于多時相資源一號04星多光譜影像的土地利用分類——以海南西北部地區(qū)為例[J]. 南方農(nóng)業(yè)學(xué)報， 47（10）： 1807-1813.

Hu X W， Wang B. 2016. Land utilization classification based on CBERS-04 multi-spectral images——A case study in northwest Hainan， China[J]. Journal of Southern Agriculture， 47（10）： 1807-1813.

黃啟廳，覃澤林，曾志康. 2016. 多星數(shù)據(jù)協(xié)同的地塊尺度作物分類與面積估算方法研究[J]. 地球信息科學(xué)學(xué)報， 18（5）： 708-717.

Huang Q T， Qin Z L， Zeng Z K. 2016. Study on the crop classification and planting area estimation at land parcel scale using multi-sources satellite data[J]. Journal of Geo-Information Science， 18（5）： 708-717.

李峰，趙紅，趙玉金，商林，曹張馳. 2015. 基于HJ-1 CCD影像的冬小麥種植面積提取研究[J]. 山東農(nóng)業(yè)科學(xué)， 47（5）： 109-114.

Li F， Zhao H， Zhao Y J， Shang L， Cao Z C. 2015. Study on winter wheat planting area extraction based on HJ-1 CCD images[J]. Shandong Agricultural Sciences， 47（5）： 109-114.

林子晶，李衛(wèi)國，申雙和，馬劍鳳. 2016. HJ星和GF1號數(shù)據(jù)在水稻種植面積提取中的應(yīng)用[J]. 江蘇農(nóng)業(yè)學(xué)報， 32（1）： 111-117.

Lin Z J， Li W G， Shen S H， Ma J F. 2016. Application of HJ and GF1 image data to extract rice planting area[J]. Jiangsu Journal of Agricultural Sciences， 32（1）： 111-117.

劉吉凱，鐘仕全，徐雅，陳燕麗. 2014. 基于多時相GF-1 WFV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)，（18）： 149-154.

Liu J K， Zhong S Q， Xu Y， Chen Y L. 2014. Sugarcane extraction in the southern hills using multi-temporal GF-1 WFV data[J]. Guangdong Agricultural Sciences，（18）： 149-154.

平躍鵬，臧淑英. 2016. 基于MODIS時間序列及物候特征的農(nóng)作物分類[J]. 自然資源學(xué)報， 31（3）： 503-513.

Ping Y P， Zang S Y. 2016. Crop identification based on MODIS NDVI time-series data and phenological characteristics[J]. Journal of Natural Resources， 31（3）： 503-513.

魏本贊，田言亮，盧輝雄，牛海威，董雙發(fā)，張建永. 2016. 面向?qū)ο笥跋穹诸惻c提取法在農(nóng)作物遙感解譯中的應(yīng)用[J].安徽農(nóng)業(yè)科學(xué)， 44（6）： 313-315.

Wei B Z， Tian Y L， Lu H X， Niu H W， Dong S F， Zhang J Y. 2016. Application of object-oriented classification and extraction method in remote sensing interpretation of crop[J]. Journal of Anhui Agriculture Science， 44（6）： 313-315.

王志波. 2012. 基于面向?qū)ο蠓椒ǖ耐恋厣郴b感信息提取技術(shù)研究——以渾善達(dá)克沙地為例[D]. 北京：中國林業(yè)科學(xué)研究院.

Wang Z B. 2012. Extraction of sandy land information based on object-oriented method from remote sensing data——Taking the Otindag sandy lands an example[D]. Beijing： Chinese Academy of Forestry.

玉蘇普江·艾麥提，玉蘇甫·買買提，阿里木江·卡斯木. 2014.基于分類回歸樹分析的棉花種植面積提取——以庫、新、沙三縣為例[J]. 干旱地區(qū)農(nóng)業(yè)研究， 32（5）： 188-191.

Aimaiti Y， Maimaiti Y， Kasimu A. 2014. Cotton planted areas extraction based on the CART analysis——Taking three counties（Kuqa， Xinha and Shaya） as examples[J]. Agricultural Research in the Arid Areas， 32（5）： 188-191.

張健康，程彥培，張發(fā)旺，岳德鵬，郭曉曉，董華，王計平，唐宏方. 2012. 基于多時相遙感影像的作物種植信息提取[J]. 農(nóng)業(yè)工程學(xué)報， 28（2）： 134-141.

Zhang J K， Cheng Y P， Zhang F W， Yue D P， Guo X X， Dong H， Wang J P， Tang H F. 2012. Crops planting information extraction based on multi-temporal remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering， 28（2）： 134-141.

趙春江. 2014. 農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報， 45（12）： 277-293.

Zhao C J. 2014. Advances of research and application in remote sensing for agriculture[J]. Transactions of the Chinese Society for Agricultural Machinery， 45（12）： 277-293.

Ozdogan M. 2010. The spatial distribution of crop types from MODIS data： Temporal unmixing using independent component analysis[J]. Remote Sensing of Environment， 114（6）： 1190-1204.

Verbeiren S， Eerens H， Piccard I， Bauwens I， Orshoven J V. 2008. Sub-pixel classification of SPOT-VEGETATION time series for the assessment of regional crop areas in Belgium[J]. International Journal of Applied Earth Observation and Geoinformation， 10（4）： 486-497.

Vintrou E， Desbrosse A， Bégué A， Traoré S， Baron C， Lo Seen D. 2012. Crop area mapping in West Africa using landscape stratification of MODIS time series and comparison with existing global land products[J]. International Journal of Applied Earth Observation and Geoinformation， 14（1）： 83-93.

（責(zé)任編輯 鄧慧靈）