歐陽玲，毛德華，王宗明，李慧穎，滿衛(wèi)東,5，賈明明，劉明月,5，張 淼，劉煥軍

（1. 赤峰學院資源與環(huán)境科學學院，赤峰 024000；2. 中國科學院東北地理與農業(yè)生態(tài)研究所中國科學院濕地生態(tài)與環(huán)境重點實驗室，長春 130102；3. 吉林大學地球科學學院，長春 130000；4. 中國科學院遙感與數(shù)字地球研究所，北京 100049；5. 中國科學院大學，北京 100049）

·農業(yè)信息與電氣技術·

基于GF-1與Landsat8 OLI影像的作物種植結構與產量分析

歐陽玲1,2,5，毛德華2※，王宗明2，李慧穎3，滿衛(wèi)東2,5，賈明明2，劉明月2,5，張 淼4，劉煥軍2

（1. 赤峰學院資源與環(huán)境科學學院，赤峰 024000；2. 中國科學院東北地理與農業(yè)生態(tài)研究所中國科學院濕地生態(tài)與環(huán)境重點實驗室，長春 130102；3. 吉林大學地球科學學院，長春 130000；4. 中國科學院遙感與數(shù)字地球研究所，北京 100049；5. 中國科學院大學，北京 100049）

作物種植結構監(jiān)測和估產是精準農業(yè)遙感的重點領域，其研究對于指導作物種植結構和制定農業(yè)政策具有重要意義。該文以黑龍江省北安市為研究區(qū)，以2015年的Landsat8 OLI和多時相GF-1為遙感數(shù)據源，基于物候信息和光譜特征確定的農作物識別關鍵時期和特征參數(shù)，構建面向對象的決策樹分類模型，開展作物種植結構監(jiān)測研究；綜合植被光譜指數(shù)和地面采樣數(shù)據，采用逐步回歸方法建立產量遙感估算模型。結果表明：多源與多時相的遙感數(shù)據可以反映不同農作物的季相特征，應用本文所構建的決策樹分類模型，作物分類效果較好，總體精度達87.54%，Kappa系數(shù)為0.8115；2015年，北安市的主要作物類型為大豆、玉米、水稻和小麥，面積分別為2204、1955、122和19 km2，其中大豆的種植面積最大，占作物種植面積的51.24%?；贜DVI、EVI和GNDVI構建的多元回歸模型為北安市大豆和玉米產量估算最優(yōu)模型（R2=0.823 7，均方根誤差 135.45 g/m2，精度80.55%）；北安市玉米高產區(qū)集中分布在西部，大豆的高產區(qū)主要分布在東部；2015年北安市玉米和大豆的單產分別為8 659、2 846 kg/hm2，總產量分別為16.93×108、6.27×108kg。利用作物關鍵物候期的多源多時相遙感數(shù)據能夠精確高效地提取作物種植結構，構建的產量估算多元回歸模型，為精準農業(yè)科學發(fā)展提供參考。

遙感；作物；提?。欢嘣?多時相影像；面向對象；種植結構；作物產量

0 引 言

農作物種植結構是農作物空間格局的重要組成部分，包括區(qū)域作物類型、面積、布局等多項農業(yè)信息的綜合，即主要農作物類型和其空間分布[1]。準確高效的獲取作物種植結構和主要作物產量信息可為農業(yè)精準管理提供重要的參考依據。為確保國家的糧食安全、調控和指導種植業(yè)結構、提高農業(yè)生產管理、推進政策性農業(yè)保險等均具有十分重要的意義[2]。

隨著空間技術的不斷發(fā)展，各種遙感數(shù)據源廣泛應用于農作物種植結構提取、農作物產量估算等方面。國內外學者在作物種植結構提取方面開展了大量的研究，如楊閆君等[3-7]基于GF-1影像，對作物分類、農作物種植面積提取方法、遙感抽樣調查方法等進行研究；Chen等[8-11]主要基于多時相Landsat8 OLI影像、雷達及Modis等遙感數(shù)據源對作物種植結構進行提取。目前多數(shù)研究都是基于單一遙感數(shù)據源、單一時相遙感影像、利用像元分類方法提取農作物種植結構[12]，并未考慮農作物的季相差異，使分類結果難以滿足精度要求。在作物遙感估產方面的研究，如歐文浩等[13-15]利用HJ-1為遙感影像數(shù)據源對水稻、玉米、大豆和冬小麥進行遙感估產最佳時相選擇和定量反演進行研究；趙靜等[16]聯(lián)合HJ-1和Landsat8 OLI數(shù)據構建多傳感器觀測數(shù)據集，對葉面積指數(shù)進行反演；Song等[17-20]以 Landsat TM/ETM+/OLI為主要數(shù)據源，對小麥、大豆、水稻等作物的產量進行遙感估算。農作物產量估算的研究也多是基于同一光譜植被指數(shù)對不同作物類型產量的擬合。當前，對于探討多種光譜植被指數(shù)對作物產量的敏感性研究而建立遙感估產模型尚不多見。因此，基于多時相較高空間分辨率與多源遙感影像相結合，進行作物種植結構空間分布信息提取，比較不同光譜植被指數(shù)對作物的敏感性，選擇多種植被指數(shù)進行大豆和玉米遙感估產的工作十分必要。

多源遙感影像結合的主要方式為不同種類的較高空間分辨率數(shù)據與多光譜分辨率數(shù)據進行耦合。利用較高空間分辨率數(shù)據等提高地面解譯精度，多光譜分辨率數(shù)據則用于對不同作物種類加以區(qū)分。多源遙感數(shù)據在耦合過程中能夠起到取長補短的作用。本文采用面向對象的分類方法構建決策樹分類模型，充分利用GF-1衛(wèi)星影像的較高空間分辨率和Landsat8 OLI多光譜影像數(shù)據，以多時相影像為遙感數(shù)據源，提取北安市主要農作物種植結構，以遙感影像分類結果作為遙感估產數(shù)據源，采用逐步回歸方法建立農作物產量遙感估算模型，以期為研究區(qū)政府及農業(yè)部門及時了解農作物種植結構及產量豐欠的變化趨勢，制定和調整農作物種植結構宏觀調控政策提供科學依據。

2 數(shù)據與方法

2.1 研究區(qū)概況

北安市位于黑龍江省北部，介于126°16′E～127°53′E和47°35′N～48°33′N之間，隸屬于黑龍江省黑河市，東與綏棱遜克縣接壤，西與拜泉、克東縣毗鄰，北與五大連池市交界，南隔通肯河與海倫市相望，總土地面積為7131 km2（圖1）。

圖1 北安市的地理位置及作物采樣點分布圖Fig.1 Location and crop sampling sites in Beian

該地區(qū)氣候屬于溫帶大陸性半干旱季風氣候，冬季寒冷，夏季炎熱多雨，春秋兩季多風少雨；年平均氣溫1～3 ℃，年降雨量在400～600 mm之間，主要集中于6－9月。北安市地處松嫩平原向興安山地過渡的中間地帶，東部山區(qū)屬于小興安嶺余脈，西部地區(qū)屬于平原，土壤肥沃，屬世界珍貴的三大黑土帶之一。東部山區(qū)森林廣袤，森林覆蓋率為36.35%，低洼處有沼澤濕地分布，中東部地區(qū)主要為耕地，主要農作物類型有大豆、玉米、水稻、小麥等，是農作物主產區(qū)，也是高油脂和高蛋白大豆的重要生產基地和綠色作物生產基地，2015年耕地面積為4 300 km2，占全市面積的60.25%。是黑龍江省糧食主產區(qū)。

2.2 數(shù)據獲取與處理

2.2.1 遙感影像獲取與處理

GF-1號衛(wèi)星是中國2013年4月26日發(fā)射的高分辨率對地觀測系統(tǒng)遙感衛(wèi)星。GF-1號衛(wèi)星配置了4臺16 m分辨率多光譜寬幅相機（WFV1-WFV4），每臺相機4個波段（450～890 nm），組合起來可以達到800 km的幅寬，重訪周期為4 d。2臺2 m分辨率全色8m分辨率多光譜相機（PMS）。GF-1號衛(wèi)星數(shù)據具有分辨率高、幅寬大和回返周期短的特點，可以廣泛應用于農業(yè)遙感、環(huán)境監(jiān)測等領域。本文選取了GF-1 WFV影像數(shù)據6景，可視性良好（數(shù)據來源，影像來自于衛(wèi)星應用中心）。

Landsat8 OLI影像來源于美國地質勘查局網站（USGS, http://glovis.usgs.gov/），本文選取同一區(qū)域的OLI遙感影像2景，應用其多光譜波段，即2～7波段，具體參數(shù)見表1。

表1 多源遙感影像數(shù)據Table 1 Multi-source remote sensing images

利用ENVI 5.1軟件對多時相的GF-1和OLI影像進行輻射定標，得出大氣上行輻射亮度值，并選取FLAASH模型進行大氣校正，將其轉換為地面真實反射率數(shù)據。通過研究區(qū)矢量邊界對多時相影像進行拼接和裁剪，得到研究區(qū)影像。投影選擇WGS_84_UTM_ZONE_52N 坐標系，保證不同傳感器與多時相影像投影相一致。幾何精校正以Landsat8 OLI數(shù)據為基準，選取控制點對GF-1數(shù)據進行精校正，糾正過程中均方根誤差控制在0.5像元以內，可以滿足多傳感器多時相遙感影像農作物分類所需的精度要求。

為了比較2種傳感器中相同地物光譜反射率的異同，本文隨機選取研究區(qū)中典型地物類型（大豆、玉米、水稻、小麥等）6 812個像元，分別對GF-1和OLI影像的藍、綠、紅和近紅外波段反射率進行回歸分析[21]，分析結果如圖2所示。兩類傳感器的波段線性回歸方程R2分別為0.78、0.74、0.72和0.68，說明2類傳感器對相同地物光譜反射率具有一致性，并且變化趨勢相同[22-23]，所以本文可以將GF-1和Landsat8 OLI數(shù)據聯(lián)合用于研究區(qū)作物種植結構的提取。

圖2 兩類傳感器對應波段光譜反射率回歸分析Fig.2 Regressive analysis between reflectance of band from two sensors

本研究參考國內外農作物產量反演的相關文獻[24-28]和作物自身光譜特性選擇光譜植被指數(shù)，結合研究區(qū)特點，選取OLI 4個波段和9種較強普適性的光譜植被指數(shù)作為構建遙感估產模型的入選自變量（表2）。

表2 植被指數(shù)的計算公式Table 2 Computational formulas of vegetation indices

2.2.2 野外采樣數(shù)據獲取與處理

農作物分類遙感解譯精度的野外驗證數(shù)據來源于2014－2015年4－10月的地面調查和Google Earth高空間分辨率遙感影像，共獲得2015年有效土地覆被類型樣點1 120個，其中253個采樣點參與地物感興趣區(qū)的建立，作為解譯標志點，867個采樣點作為農作物分類精度的驗證點，較為均勻地覆蓋整個研究區(qū)，其中，玉米332個、大豆368個、水稻25個、小麥28個和其他地物114個，其分布如圖3所示。

圖3 北安市作物分類野外驗證點Fig.3 Validation points for crop classification in Beian

根據北安市預設采樣點，2015年9月23日至9月28日對北安市玉米和大豆的收獲期進行產量樣本采集，因研究區(qū)水稻和小麥的種植面積相對較少，沒有對其進行采樣。具體方法為：每塊樣地設3個采樣點，共計75個采樣點（圖1）。采樣時，每塊樣地需進入田地50 m后設第一個采樣點，采樣點之間的間隔是50 m，每個玉米采樣點的范圍是3 m×5 m、大豆采樣點的范圍是3 m×3 m，采樣點范圍內隨機采取3株樣品，并查清本范圍內的植株總數(shù)量。每個采樣點位置均利用手持GPS定位獲取地理信息，記錄采樣點的經度、緯度、高程、植被類型等。樣品帶回實驗室的處理過程為：自然風干1 d后，放置于65 ℃溫度下烘干至恒質量，玉米烘干的時間為84 h，大豆的烘干時間為36 h，并以精度為0.02 g的電子秤稱重。

玉米單產測量每樣點每次隨機采樣3株，分別測量每株的結穗數(shù)、每穗籽粒數(shù)和百粒重。玉米單產（g/m2）=植株密度(株/m2)×單株結穗率×每穗平均籽粒數(shù)(粒)×百粒質量(g)/100。大豆單產測量每樣點每次隨機采樣3株，測量3株的總分支數(shù)、總莢數(shù)和總豆粒數(shù)。大豆單產（g/m2）=植株密度(株/m2)×每株有效分支數(shù)×每分支莢數(shù)×每莢實粒數(shù)×平均粒質量[14]。

2.2.3 作物種植結構遙感提取

根據研究區(qū)作物種植結構特點將農作物分為玉米、大豆、小麥和水稻，其他農作物分布面積較少，本文忽略。在此基礎上，建立農作物類型遙感解譯標志，應用面向對象分類方法基于eCognition 8.64 軟件對GF-1和OLI遙感影像進行信息提取。主要過程包括對遙感影像進行分割、對象特征選取和農作物分類。

本文采用多尺度圖像分割方法，不同的分割尺度，生成的對象多邊形大小不同，尺度越大則多邊形越大，不同地物類別的提取需要選擇不同尺度[29]，對于高分辨率數(shù)據進行大尺度分割也不會損失像元信息，低分辨率數(shù)據進行小尺度分割也不能識別敏感信息[30]，最優(yōu)分割尺度的選擇一般通過訓練的方法獲取，因此，根據影像的分辨率及研究區(qū)地物本身特征，經過多次試驗選擇適宜分割尺度GF-1為50，記為Level 1，OLI為100，記為Level 2，形狀因子和緊密度分別為0.2和0.5，分割效果如圖4。

圖4 GF-1與OLI影像不同分割尺度分割效果對比Fig.4 Comparison of multi-scale segmentation results of different scales of GF-1 and Landsat OLI

根據經驗及用戶知識確定特征參量，對分割對象的光譜特征、紋理特征和形狀特征進行計算，選擇歸一化植被指數(shù)（Normalized difference vegetation index ,NDVI）、歸一化差值水體指數(shù)（Normalized difference water index, NDWI）、比值植被指數(shù)（Ratio vegetation index , RVI）、亮度（Brightness, BI）、矩形相似度（Rectangular Fit, RF）和紋理（Texture, T）等特征。NDVI是植被生長狀態(tài)最佳指示因子，對植被有較強的反映能力。NDWI可以突出水體信息，由于水體的反射從可見光到中紅外波段逐漸降低，到近紅外范圍內幾乎無反射，而植被一般在近紅外波段的反射率最強，因此NDWI可很好地區(qū)分水田和旱田。RVI在一定程度上可以克服飽和性的問題，隨生物量的增加而不斷增加，對生長旺盛的高植被覆蓋區(qū)具有很好的識別能力，適用于區(qū)分農田和林地、濕地。根據建筑用地的高反射亮度特性，可通過Brightness閾值的設定提取建筑用地。矩形相似度反映分割對象幾何形狀與規(guī)范矩形間的接近程度，用于農田的提取效果較好。紋理特征用于區(qū)分鄉(xiāng)村公路（建筑用地）和農田。

通過多時相GF-1和OLI影像得到上述特征信息，結合農作物的物候信息特征和光譜信息特征，確定不同地物類型的閾值范圍，通過不同的特征值建立決策樹（圖6），獲得研究區(qū)作物分類結果。

根據作物樣本實地考察總結出研究區(qū)不同農作物的關鍵物候期，如表3所示?；谵r作物物候特性和特征參數(shù)的選取構建決策樹，采用決策樹的形式組織分類規(guī)則集，逐層進行分類，提取農作物的種植結構。為了區(qū)分植被與非植被覆蓋區(qū)選擇2015-06-14的GF-1衛(wèi)星影像，此時的小麥生長比較茂盛，進入拔節(jié)期，與大豆、玉米和水稻的長勢（拔節(jié)期）差異較大，如圖5a所示，規(guī)則的紅色區(qū)域為小麥，灰色區(qū)域為水田、旱田等其他地物類型，可以通過NDVI的閾值區(qū)分為植被覆蓋區(qū)與非植被覆蓋區(qū)，植被覆蓋區(qū)主要植被類型為林地、濕地、小麥、草地等，其光譜特征很相似，非植被覆蓋區(qū)主要為建筑用地、大豆、玉米和水稻。因在不同的傳感器、不同季節(jié)和不同地域區(qū)分植被與非植被覆蓋區(qū)的NDVI閾值不同，本文選取植被覆蓋區(qū)的閾值為NDVI≥0.40。

表3 北安市農作物關鍵物候期Table 3 Phenological phases of crops in Bei’an

圖5 GF-1與Landsat8 OLI不同物候期影像圖（R/G/B:4/3/2）Fig.5 GF-1 and Landsat8 OLI images of different phonological period (R/G/B: 4/3/2)

為了區(qū)分林地、濕地和農田，選擇2015-05-20 GF-1衛(wèi)星影像（圖5b），根據物候信息，此時農作物只有小麥和水稻處于出苗期，農田呈暗灰色，粉紅色的區(qū)域為林地和濕地，通過RVI特征值能夠很好地區(qū)分林地、濕地和農田，設置參數(shù)RVI≥9.1，分出林地和濕地；9月份小麥收割后，光譜特征與6月份的影像差異很大，并且?guī)缀翁卣饔忻黠@的區(qū)別，本文選擇成像時間為09-03的GF-1衛(wèi)星影像，如圖5c所示，紅色區(qū)域為植被覆蓋區(qū)，幾何形狀明顯、邊界清晰的深灰色區(qū)域是小麥種植區(qū)，根據地物的光譜特征，建立規(guī)則集，選取閾值為0≤NDVI≤0.33和Rectangular Fit≥0.63提取小麥的分布。

非植被覆蓋區(qū)內，建筑用地與其他地物亮度差距最大，紋理特征明顯，利用2015-05-20日GF-1衛(wèi)星影像，通過亮度和紋理提取建筑用地，選取的閾值為BR≥92.35和Texture≥119.52；耕地類型分為水田和旱田，6月份水田里有水，與旱田的含水量差異很大，水稻由出苗期向拔節(jié)期過度，其NDVI值明顯低于旱田，選擇GF-1衛(wèi)星影像時間為6月14日，設定閾值為0.20≤NDVI＜0.48和0.04≤NDWI≤0.31提取出水田，農作物類型為水稻。為了區(qū)分旱田中的主要農作物玉米和大豆，選擇2015-09-20 OLI衛(wèi)星影像（圖5d），在9月份的時候玉米長勢最好，由抽穗期向成熟期過渡，其NDVI值明顯高于處于成熟期的大豆，如圖5d所示，幾何特征明顯的粉紅色地塊是玉米，淺綠色的是大豆種植區(qū)，玉米的閾值選取NDVI≥0.605，大豆的閾值選擇0.48≤NDVI≤0.605，分出玉米和大豆。

最后，再根據光譜、形狀（耕地形狀規(guī)則）、結構等特征，結合野外調查數(shù)據，用人工解譯的方法進一步修改分類結果，最終得到研究區(qū)作物種植結構分類結果。

圖6 基于面向對象的分類決策樹Fig.6 Classification decision tree based on object-oriented method

2.2.4 作物產量建模與分析

以遙感影像分類結果作為遙感估產數(shù)據源，并結合種植面積較多的大豆和玉米生長收獲期產量實測數(shù)據，根據黑龍江省作物物候歷，玉米和大豆在9月中旬至下旬為乳熟期，本研究選取與產量關系更為密切的乳熟期作為關鍵生育期來構建估產模型[31]。采用9月20日OLI數(shù)據進行大豆和玉米植被指數(shù)反演，利用地理信息系統(tǒng)、植被指數(shù)與作物實測產量數(shù)據的相關分析和回歸分析法，建立農作物遙感估算模型。結合表2所列的植被指數(shù)，利用ENVI和ArcGIS軟件提取對應GPS定位采樣點周圍3×3個像元的不同植被指數(shù)的平均值，并對異常值進行剔除，對數(shù)據進行自然對數(shù)轉換后符合正態(tài)分布，達到建模要求。本文利用交叉驗證法評價模型的精度，從植被指數(shù)數(shù)據和采樣點實測產量數(shù)據所組成的樣本序列中隨機選擇建模點和驗證點（共75個采樣點）進行分組。交叉驗證法在采樣數(shù)據較少的情況下，能夠充分利用采樣數(shù)據和選擇精度較高的模型。交叉驗證法包括去一法交叉驗證和k折交叉驗證2種方法[32]，本文選擇3折交叉驗證法，驗證過程是：將植被指數(shù)數(shù)據平均分成3個子集，其中2個子集用于訓練，1個子集作為驗證集，利用擬合得到的模型對驗證集進行驗證，如上所述循環(huán)往復，直到采樣數(shù)據全部得到驗證。利用SPSS19.0對植被指數(shù)與作物實測產量數(shù)據進行相關分析和回歸分析，得到以各植被指數(shù)為自變量的農作物遙感估算多元回歸模型，并進行精度驗證。模型的選擇、穩(wěn)定性和預測精度的評價采用相關系數(shù)、決定系數(shù)（determination coefficient，R2）、均方根誤差（root mean square error, RMSE）和估算精度（Accuracy）對模型進行精度分析，對3次精度檢驗的R2、RMSE和Accuracy進行平均，來檢驗產量反演模型的擬合效果。計算公式如下

式中y為農作物產量實測值，yi為農作物產量預測值，n為樣點數(shù)。R2取值越接近于1，表明模型擬合程度越好。RMSE值越小，Accuracy值越大表明模型預測能力強，穩(wěn)定性好且精度高。研究過程中運用eCognition、ArcGIS、SPSS、ENVI等軟件完成面向對象分類及相關地學分析。

3 結果與分析

3.1 農作物種植結構

利用野外采集的驗證點與提取的分類信息建立混淆矩陣進行分析（表4），結果顯示，北安市農作物分類的總體精度為87.54%，Kappa系數(shù)達0.81，制圖精度均達80%以上，農作物提取結果較好，能滿足本研究的需要。

表4 農作物分類結果的混淆矩陣Table 4 Confusion matrix of crop classification results

通過以上步驟，獲得北安市農作物分類結果，見圖7。北安市農作物的種植面積為4 300 km2，其中，大豆的種植面積為2 204 km2，占農作物種植面積的51.24%，集中分布在北安市的東部，西部與玉米交替分布；玉米的種植面積為1 955 km2，占45.47%，主要分布在研究區(qū)的西部；水稻的種植面積為122 km2，占2.85%，主要分布在通肯河和烏裕爾河的兩側；小麥的種植面積最少，為19 km2，占0.44%，僅分布在中部地區(qū)。

圖7 北安市2015年農作物空間分布Fig.7 Distribution of different crop types in 2015 in Beian

3.2 作物產量反演模型構建與評價

3.2.1 不同光譜植被指數(shù)對農作物產量的敏感性分析

因研究區(qū)中水稻和小麥的種植面積僅占農作物種植面積的3.29%，所以沒有做產量估算。通過對不同光譜植被指數(shù)與農作物的實測產量進行相關分析，其中大豆樣本25個，玉米樣本25個，結果顯示：農作物的實測產量與同期的9種植被指數(shù)均顯著相關（P<0.05）（表5），但不同的植被指數(shù)與實測產量之間的相關程度不同，即不同的植被指數(shù)對實測產量變化表現(xiàn)出不同的敏感性。其中RVI、GNDVI、NDVI、OSAVI和EVI與農作物的實測產量間的相關系數(shù)均達0.85以上，P值均小于0.001，表明5種植被指數(shù)對農作物的產量敏感性較強，呈顯著相關[24]。9種植被指數(shù)敏感性由大到小依次為：NDVI＞GNDVI＞OSAVI＞EVI＞RVI＞NRI＞SAVI＞SIPI＞DVI，說明選擇合適的植被指數(shù)可用于農作物產量遙感模型地構建。本文通過擬合進一步分析相關性較高的5種植被指數(shù)GNDVI、RVI、NDVI、EVI、OSAVI與農作物實測產量之間的關系，如圖8所示，發(fā)現(xiàn)擬合的模型均達到較好的擬合效果，因此，選擇5種植被指數(shù)作為構建農作物產量反演模型的變量因子。

表5 不同植被指數(shù)與農作物產量的相關系數(shù)Table 5 Correlation coefficient between different vegetation indices and crop yields

圖8 植被指數(shù)與實際產量的擬合分析圖8 Fitting analysis of vegetation indices and crop yields

3.2.2 農作物產量估算模型構建及精度評價

不同的植被指數(shù)在作物生長不同周期具有不同的敏感度，如NDVI在植被高覆蓋區(qū)易飽和，作物成熟期監(jiān)測的靈敏度相對下降，而EVI則針對NDVI的缺點進行了改進，提高了對植被季節(jié)性變化的敏感度[33-34]，并成功地應用到作物的估產中[35]。為了克服不同植被指數(shù)的缺點，本文利用多種遙感指標，在相關性分析的基礎上，通過構建多元回歸模型對農作物產量進行估算。采用的多元線性回歸方法為逐步回歸，以此構建多種遙感指標的遙感估產綜合模型。

本文對5個備選植被指數(shù)作為變量進行逐步回歸分析，最后確定3個自變量構成回歸模型：

式中Y為農作物產量預測值，kg，x1為EVI的值，x2為NDVI的值，x3為GNDVI的值。

研究發(fā)現(xiàn)，引入的變量越多模型精度并不一定最好，在逐步回歸模型中，一般隨著模型中變量的增加，R2會不斷增加，但調整后的R2則不受變量個數(shù)的影響，該模型在3個變量的時候修正后的R2達到最高為0.811，說明模型的擬合度最優(yōu)。

根據交叉驗證的方法對模型進行精度驗證，通過決定系數(shù)、預測誤差（均方根誤差）和預測精度（估算精度）進行精度評價。結果顯示，基于NDVI、EVI和GNDVI植被指數(shù)對農作物實測產量的敏感程度，構建多元回歸模型達到較高的估算精度，實測值與估算值對比結果為：決定系數(shù)達0.823 7、預測誤差為135.45 g/m2、預測精度達80.55%。估算產量與實測產量之間具有很高的擬合度（圖9），模型可應用于北安市農作物產量的遙感定量估算。

圖9 農作物估算與實測產量擬合精度驗證Fig.9 Fitting accuracy validation of crop estimated and measured yields

3.3 農作物產量遙感估算及分布格局

基于上述構建的多元回歸遙感估產模型，利用2015-09-20 OLI影像，結合農作物分類矢量數(shù)據，對北安市農作物產量進行估算，達到大豆與玉米產量統(tǒng)計結果，北安市2015年玉米總產量為16.93×108kg，單位面積產量為8 659 kg/hm2，區(qū)域內最大值與最小值的變幅為11 351 kg/hm2，大豆總產量為6.27×108kg，單位面積產量為2 846 kg/hm2，變幅為2432kg/hm2。該結果與收獲期外業(yè)調查及當?shù)剞r技部門提供的分布情況一致[36-37]，進一步說明利用遙感反演模型估測區(qū)域大豆與玉米的產量是可靠的。北安市大豆和玉米的產量空間分布如圖10，可以發(fā)現(xiàn)，研究區(qū)玉米的高產區(qū)主要集中在北安市的西部，大豆的高產區(qū)主要分布在東部地區(qū)。

圖10 大豆和玉米產量空間分布Fig.10 Spatial distribution of soybean yields and maize yields

4 討 論

Landsat8 OLI影像與GF-1影像是近幾年新出現(xiàn)的高質量較高分辨率衛(wèi)星遙感影像，作為新型遙感數(shù)據源在各行各業(yè)中應用較為廣泛，為區(qū)域性作物種植結構和遙感估產提供了便捷的數(shù)據平臺。由于秋糧作物生長季節(jié)云雨天氣偏多，受影像獲取能力和空間分辨率的限制，Landsat8 OLI數(shù)據不足以較精確地區(qū)分小尺度的作物種類，GF-1影像波段較少，可利用的影像光譜信息受限。根據作物的物候特征、作物生長季遙感影像的質量等情況，基于某一種遙感數(shù)據源所獲取多時相的影像質量難以保證。所以本文綜合運用多時相多源遙感數(shù)據，根據作物生長的關鍵物候期和特征參數(shù)，構建面向對象的決策樹分類模型，以不同時空和光譜分辨率的影像為基礎提取研究區(qū)農作物種植結構信息，成功地分離出主要作物的種植結構，能夠更加精準的展現(xiàn)地物的光譜信息，豐富了物候信息，為作物種植結構的準確提取及產量預測提供了可能。

這種較高空間分辨率數(shù)據融合多光譜分辨率數(shù)據的面向對象決策樹分類方法在作物分類中有巨大的應用潛力。但本研究仍存在不足，多源多時相遙感數(shù)據的前提是精確的物候關鍵期和特征參量，但是，由于人類活動和環(huán)境的變化，同一作物的物候具有時空差異，因此不能完全精準地提取不同作物，如果能獲取更多的高時空分辨率遙感數(shù)據以捕獲農作物動態(tài)的物候節(jié)律特征，會提高分類精度；由于2種影像空間分辨率不同，進行多尺度分割過程中如何確定最優(yōu)尺度，最大程度地保留空間信息還有待研究；多源遙感影像具有不同的光譜特征，特征參量的選擇過程中可能會導致某些關鍵光譜信息的遺漏，在未來的研究中可以嘗試采用自主學習能力強的分類方算法，如隨機森林、支持向量機等，突破有效特征參量不足的限制。

本研究利用作物成熟期的多光譜影像，采用逐步回歸建立產量與植被指數(shù)之間的回歸模型，并根據預測的實際單產進行不同等級的空間分布，可以分區(qū)域統(tǒng)計大豆和玉米的產量及所占的比重，能夠為區(qū)域的作物布局和生產提供及時可靠的產量信息。但本研究仍存在不足，在建模思路上僅選擇作物乳熟期的光譜數(shù)據用于估產，不一定能獲得最好的預測結果，應與抽穗期、開花期等數(shù)據的預測結果進行比較建立遙感估測模型，精度才更加可靠，擴大模型的應用范圍，滿足精準農業(yè)的需求。

北安市作物種植結構的提取和作物產量遙感估產為國家和地方政府制定農業(yè)及區(qū)域發(fā)展相關政策提供科學依據。2015年11月《農業(yè)部關于“鐮刀彎”地區(qū)玉米結構調整的指導意見》指出東北冷涼區(qū)減少玉米種植面積，發(fā)揮東北地區(qū)種植大豆的傳統(tǒng)優(yōu)勢。2016年4月《全國種植業(yè)結構調整規(guī)劃（2016－2020年）》提出目前糧食總量問題不大，最大的問題是結構性問題，中國大豆缺口很大，玉米增產超過了需求增長，東北地區(qū)是玉米結構調整的重點地區(qū)，調減玉米面積，擴種大豆。2016年4月《關于促進大豆生產發(fā)展的指導意見》提出力爭到2020年大豆面積達到9.33×106hm2，“鐮刀彎”地區(qū)調減非優(yōu)勢區(qū)玉米種植，推行玉米與大豆輪作，強化大豆政策扶持等。通過本研究提出的方法，實現(xiàn)作物種植結構高精度提取和產量估測，該方法可以推廣到其他地區(qū)。

5 結 論

本文利用多源多時相遙感影像，基于面向對象決策樹分類方法實現(xiàn)了作物分布信息的精確提??；利用Landsat8 OLI遙感影像和野外實測數(shù)據，通過植被指數(shù)與產量的密切相關，采用逐步回歸方法構建大豆和玉米產量遙感估算模型并進行遙感反演。主要結論如下：

1）多源多時相遙感數(shù)據和面向對象分類方法提取研究區(qū)作物種植結構分布信息，結合作物的物候信息，基于歸一化差值水體指數(shù)、比值植被指數(shù)、亮度、矩形相似度和紋理等特征參量構建的決策樹，可實現(xiàn)作物種植結構的高精度提取。

2）基于OLI多光譜數(shù)據源計算的5種植被指數(shù)與大豆和玉米實測產量之間的相關系數(shù)均達0.85以上，呈顯著相關，但不同植被指數(shù)對產量的敏感程度不同?；贜DVI、EVI、和GNDVI植被指數(shù)構建的遙感估算多元回歸模型具有較穩(wěn)定、較高的預測能力，表明利用多種植被指數(shù)對大豆和玉米的產量進行遙感反演可以達到較為理想的效果。

3）作物遙感估產和反演的空間分布格局表明，北安市大豆和玉米的總產量分別為6.27×108和16.93× 108kg，單產分別為2 846和8 659 kg/hm2。大豆和玉米的平均產量存在明顯的空間差異，研究區(qū)玉米的高產區(qū)主要集中在北安市的西部，大豆的高產區(qū)主要分布在東部地區(qū)。

以上結果說明，根據作物的關鍵物候期，基于多源多時相遙感影像數(shù)據，采用面向對象的決策樹分類方法提取作物種植結構信息，能夠有效提高分類精度，本研究提出的方法可以擴展到其他地區(qū)應用；利用多種植被指數(shù)構建的多元回歸模型開展的作物估產與研究區(qū)生產實際相符合，為加強多種遙感指標的遙感估產綜合模型研究和提高區(qū)域性作物遙感估產精度提供參考。

[1] 唐華俊，吳文斌，楊鵬，等. 農作物空間格局遙感監(jiān)測研究進展[J]. 中國農業(yè)科學，2010，43(14)：2879－2888. Tang Huajun, Wu Wenbin, Yang Peng, et al. Recent progresses in monitoring crop spatial patterns by using remote sensing technologies[J]. Scientia Agricultura Sinica, 2010, 43(14): 2879－2888. (in Chinese with English abstract)

[2] 許青云，楊貴軍，龍慧靈，等. 基于MODIS NDVI多年時序數(shù)據的農作物種植識別[J]. 農業(yè)工程學報，2014，30(11)：134－144. Xu Qingyun, Yang Guijun, Long Huiling, et al. Crop information identification based on MODIS NDVI time-series data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(11): 134－144. (in Chinese with English abstract)

[3] 楊閆君，占玉林，田慶久，等. 基于GF-1/WFVNDVI時間序列數(shù)據的作物分類[J]. 農業(yè)工程學報，2015，31(24)：155－161. Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 155－161. (in Chinese with English abstract)

[4] Hao P, Wang L, Niu Z. Potential of multitemporal Gaofen-1 panchromatic/multispectral images for crop classification: case study in Xinjiang Uygur Autonomous Region, China[J]. Journal of Applied Remote Sensing, 2015, 9(1): 1－33.

[5] 王利民，劉佳，楊福剛，等. 基于GF-1衛(wèi)星遙感的冬小麥面積早期識別[J]. 農業(yè)工程學報，2015，31(11)：194－201. Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(11): 194－201. (in Chinese with English abstract)

[6] 游炯，裴志遠，王飛，等. 基于改進多元紋理信息模型和GF-1影像的縣域冬小麥面積提取[J]. 農業(yè)工程學報，2016，32(13)：131－139. You Jiong, Pei Zhiyuan, Wang Fei, et al. Area extraction of winter wheat at county scale based on modified multivariate texture and GF-1 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 131－139. (in Chinese with English abstract)

[7] 劉國棟，鄔明權，牛錚，等. 基于GF-1衛(wèi)星數(shù)據的農作物種植面積遙感抽樣調查方法[J]. 農業(yè)工程學報，2015，31(5)：160－166. Liu Guodong, Wu Mingquan, Niu Zheng, et al. Investigation method for crop area using remote sensing sampling based on GF-1 satellite data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 160－166. (in Chinese with English abstract)

[8] Chen S, Li D, Huang S, et al. Establishment of remote sensing monitoring method and standard on winter planting crops: A case study in Leizhou Peninsula of south China[C]//Earth Observation and Remote Sensing Applications (EORSA), 2016 4th International Workshop on, IEEE, 2016: 447－451.

[9] Pena M A, Brenning A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley, Chile[J]. Remote Sensing of Environment, 2015, 171: 234－244.

[10] 謝登峰，張錦水，潘耀忠，等. Landsat 8和MODIS融合構建高時空分辨率數(shù)據識別秋糧作物[J]. 遙感學報，2015，5：791－805. Xie Dengfeng, Zhang Jinshui, Pan Yaozhong, et al. Fusion of MODIS and Landsat 8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution[J]. Journal of Remote Sensing, 2015, 5: 791－805. (in Chinese with English abstract)

[11] Skakun S, Kussul N, Shelestov A Y, et al. Efficiency assessment of multitemporal C-Band radarsat-2 intensity and landsat-8 surface reflectance satellite imagery for crop classification in ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2015, PP(3): 1－8.

[12] 胡瓊，吳文斌，宋茜，等. 農作物種植結構遙感提取研究進展[J]. 中國農業(yè)科學，2015(10)：1900－1914. Hu Qiong, Wu Wenbin, Song Qian, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015(10): 1900－1914. (in Chinese with English abstract)

[13] 歐文浩，蘇偉，薛文振，等. 基于HJ-1衛(wèi)星影像的三大農作物估產最佳時相選擇[J]. 農業(yè)工程學報，2010，26(11)：176－182. Ou Wenhao, Su Wei, Xue Wenzhen, et al. Selection of optimum phase for yield estimation of three major crops based on HJ-1 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(11): 176－182. (in Chinese with English abstract)

[14] 譚昌偉，楊昕，羅明，等. 以HJ-CCD影像為基礎的冬小麥孕穗期關鍵苗情參數(shù)遙感定量反演[J]. 中國農業(yè)科學，2015（13）：2518－2527. Tan Changwei, Yang Xin, Luo Ming, et al. Quantitative inversion of key seedling condition parameters in winter wheat at booting stage using remote sensing based on HJ-CCD Images[J]. Scientia Agricultura Sinica, 2015（13）: 2518－2527. (in Chinese with English abstract)

[15] 譚昌偉，羅明，楊昕，等. 運用PLS算法由HJ-1A/1B遙感影像估測區(qū)域冬小麥理論產量[J]. 中國農業(yè)科學，2015(20)：4033－4041. Tan Changwei, Luo Ming, Yang Xin, et al. Remote sensing estimation of winter wheat theoretical yield on regional scale using partial least squares regression algorithm based on HJ-1A/1B images[J]. Scientia Agricultura Sinica, 2015(20): 4033－4041. (in Chinese with English abstract)

[16] 趙靜，李靜，柳欽火，等. 聯(lián)合HJ-1/CCD和Landsat 8/OLI數(shù)據反演黑河中游葉面積指數(shù)[J]. 遙感學報，2015，5：733－749. Zhao Jing, Li Jing, Liu Qinhuo, et al. Leaf area index inversion combining with HJ-1 /CCD and Landsat 8 /OLI data in the middle reach of the Heihe River basin[J]. Journal of Remote Sensing, 2015, 5: 733－749. (in Chinese with English abstract)

[17] Song R, Cheng T, Yao X, et al. Evaluation of Landsat 8 time series image stacks for predicitng yield and yield components of winter wheat[C]//Geoscience and Remote Sensing Symposium (IGARSS), 2016 IEEE International. IEEE, 2016: 6300－6303.

[18] Song X P. Soybean area and yield estimation using modis and landsat data in the conterminous united states[C]//AGU Fall Meeting. Agu, 2015.

[19] Rudorff B F T, Batista G T. Wheat yield estimation at the farm level using Landsat TM and agrometeorological data[J]. Title Remote Sensing, 1991, 12(12): 2477－2484.

[20] Siyal A A, Dempewolf J, Becker-Reshef I. Rice yield estimation using Landsat ETM+ Data[J]. Journal of Applied Remote Sensing, 2015, 9(1): 095986.

[21] Zhong B, Zhang Y, Du T, et al. Cross-Calibration of HJ-1/CCD Over a Desert Site Using Landsat ETM $+ $ Imagery and ASTER GDEM Product[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11): 7247－7263.

[22] 賈玉秋，李冰，程永政，等. 基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較[J]. 農業(yè)工程學報，2015，31(9)：173－179. Jia Yuqiu, Li Bing, Cheng Yongzheng, et al. Comparison between GF-1 images and Landsat-8 images in monitoring maize LAI[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 173－179. (in Chinese with English abstract)

[23] 宋軍偉，張友靜，李鑫川，等. 基于GF-1與Landsat-8影像的土地覆蓋分類比較[J]. 地理科學進展，2016(2)：255－263. Song Junwei, Zhang Youjing, Li Xinchuan, et al. Comparison between GF-1 and Landsat-8 images in land cover classification[J]. Progress in Geography, 2016(2): 255－263. (in Chinese with English abstract)

[24] Mao D H, Wang Z M, Li L, et al. Spatiotemporal dynamics of grassland aboveground net primary productivity and its association with climatic pattern and changes in Northern China[J]. Ecological Indicators, 2014, 41(6): 40－48.

[25] 任建強，陳仲新，周清波，等. MODIS植被指數(shù)的美國玉米單產遙感估測[J]. 遙感學報，2015，19（4）：568－577. Ren Jianqiang, Chen Zhongxin, Zhou Qingbo, et al. MODIS vegetation index data used for estimating corn yield in USA[J]. Journal of Remote Sensing, 2015, 19（4）: 568－577. (in Chinese with English abstract)

[26] Lu D, Chen Q, Wang G, et al. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems[J]. International Journal of Digital Earth, 2014, 9(13): 1－43.

[27] Zhang G, Ganguly S, Nemani R R, et al. Estimation of forest aboveground biomass in California using canopy height and leaf area index estimated from satellite data[J]. Remote Sensing of Environment, 2014, 151(8): 44－56.

[28] Rondeaux G, Steven M, Baret F. Optimization of soil adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95－107.

[29] Costa H, Foody G M, Boyd D S. Using mixed objects in the training of object-based image classifications[J]. Remote Sensing of Environment, 2017, 190: 188－197.

[30] 黃慧萍, 吳炳方. 地物大小、對象尺度、影像分辨率的關系分析[J]. 遙感技術與應用，2006(3)：243－248. Huang Huiping, Wu Bingfang. Analysis to the relationship of feature size, objects scales, image resolution[J]. Remote Sensing Technology and Application, 2006(3): 243－248. (in Chinese with English abstract)

[31] 顧曉鶴，何馨，郭偉，等. 基于MODIS與TM時序插補的省域尺度玉米遙感估產[J]. 農業(yè)工程學報，2010，26(增刊2)：53－58. Gu Xiaohe, He Xin, Guo Wei, et al. Maize yield estimation at province scale by interpolation of TM and MODIS time-series images[J]. Transactions of the Chinese Society ofAgricultural Engineering (Transactions of the CSAE), 2010, 26(S2): 53－58. (in Chinese with English abstract)

[32] 任哲，陳懷亮，王連喜，等. 利用交叉驗證的小麥LAI反演模型研究[J]. 國土資源遙感，2015(4)：34－40. Ren Zhe, Chen Huailiang, Wang Lianxi, et al. Research on inversion model of wheat LAI using cross-validation[J]. Remote sensing for land & Resources, 2015(4): 34－40. (in Chinese with English abstract)

[33] 董玉紅，劉世梁，安南南，等. 基于景觀指數(shù)和空間自相關的吉林大安市景觀格局動態(tài)研究[J]. 自然資源學報，2015(11)：1860－1871. Dong Yuhong, Liu Shiliang, An Nannan, et al. Landscape pattern in da’an city of jilin province based on landscape indices and local spatial autocorrelation analysis[J]. 2015(11): 1860－1871. (in Chinese with English abstract)

[34] 馮艾琳，何洪林，劉利民，等. 基于多源數(shù)據的禹城農田生態(tài)系統(tǒng)冬小麥生育期識別方法比較研究[J]. 遙感技術與應用，2016(5)：958－965. Feng Ailin, He Honglin, Liu Limin, et al. A comparison of multiple phenology data sources for estimating the main phonological phases of winter wheat in Yucheng station[J]. Remote Sensing Technology and Application, 2016(5): 958－965. (in Chinese with English abstract)

[35] Dong J, Xiao X, Wagle P, et al. Comparison of four EVI-based models for estimating gross primary production of maize and soybean croplands and tallgrass prairie under severe drought[J]. Remote Sensing of Environment, 2015, 162: 154－168.

[36] 陸欣春，韓曉增，鄒文秀，等. 減量化施肥對大豆和玉米產量及效益影響[J]. 土壤與作物，2016(4)：240－247. Lu Xinchun, Han Xiaozeng, Zou Wenxiu, et al. Effects of reduced fertilization on yield and economic benefit in soybean and maize[J]. Soils and Crops, 2016(4): 240－247. (in Chinese with English abstract)

[37] 任傳軍，韓松濤. 高產創(chuàng)建活動對北安管理局玉米產量及效益的影響[J]. 現(xiàn)代化農業(yè)，2015(2)：13－14.

Analysis crops planting structure and yield based on GF-1 and Landsat8 OLI images

Ouyang Ling1,2,5, Mao Dehua2※, Wang Zongming2, Li Huiying3, Man Weidong2,5, Jia Mingming2, Liu Mingyue2,5, Zhang Miao4,Liu Huanjun2
(1. School of Resource and Environmental Sciences, Chifeng University, Chifeng 024000, China; 2. Northeast Institute of Geography and Agroecology, Key Laboratory of Wetland Ecology and Environment, Chinese Academy of Sciences, Changchun 130102, China; 3. College of Earth Science, Jilin University, Changchun 130000, China; 4. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100049, China; 5. University of Chinese Academy of Sciences, Beijing 100049, China)

Crop classification and yield estimation are key research in remote sensing-based precision agriculture, which have important significance in making agricultural policies. To improve the accuracy of classification based on single-source and single-season images, multi-temporal, multi-source and high spatial resolution image data were used to extract information of crops. Multi-source remote sensing data can play an important role in the coupling process. Multi-spectral data are used to distinguish between different crop species. Based on Landsat8 OLI (operational land imager) and GF-1 images, crop structure was mapped and yield was estimated for Beian County, Heilongjiang Province. According to phonology information and spectral characteristics, the critical period of crop identification and the characteristic parameters were determined, and the model of object-oriented decision-tree classification was built and crop structure was explored. Meanwhile, compositing multi-spectral images of crop maturation period and yield crop data, vegetation indexes were selected. Using correlation analysis, stepwise regression analysis and one-way ANOVA (analysis of variance), the correlation was explored and the model was built between yields of maize and soybeans and vegetation indices, which included NDVI (normalized differential vegetation index), EVI (enhanced vegetation index), GNDVI (green normalized difference vegetation index), OSAVI (optimal soil adjusted vegetation index), RVI (ratio vegetation index), SIPI (structure intensive pigment index), SAVI (soil adjusted vegetation index), NRI (nitrogen reflectance index) and DVI (difference vegetation index). Results show that the multi-source and multi-temporal remote sensing data can be used to show seasonal characteristics of different crops. Characteristic parameters of crops (including NDVI, NDWI, RVI, brightness, rectangular fit and texture) can be used to identify crop characteristics in landsat8 OLI and GF-1 images. After verified by ground investigation, the results of classification were accurate. The overall accuracy and Kappa coefficient were 87.54% and 0.811 5, respectively. The soybean had the largest area (2 204 km2) and the areas of maize, rice and wheat were 1 955, 122 and 19 km2, respectively. The high-yield maize was concentrated in the western area and the high-yield soybean was distributed in the east of study area. Correlation coefficients between crop yields and vegetation indices were more than 0.85 (P<0.001), which indicated that vegetation indices (including NDVI, EVI, GNDVI, OSAV and RVI) were closely related with the production of maize and soybean. Meanwhile, the sensibility of each vegetation index was different (NDVI>GNDVI>OSAVI>EVI>RVI>NRI>SAVI>SIPI>DVI). After cross validation for the yield-estimation model, the NDVI, EVI and GNDVI model can be used to estimate accurately the yield of maize and soybean, and the yield estimation was significantly correlated to the actual production (R2=0.823 7, RMSE=135.45 g/m2, accuracy was 80.55%) based on regression analysis which indicated these vegetation indices can be used for crop yields estimation with the yield-estimation model. Total yields of maize and soybean were estimated to be 16.93×108and 6.27×108kg, with per unit area yields of 8 659 and 2 846 kg/hm2, respectively. Crop planting structure can be mapped accurately and efficiently using crop key phonological phase, multi-source and multi-temporal remote sensing data. The results provide the reference for the study on remote sensing indicators and the scientific and technological support for the development of precision agriculture science.

remote sensing; crops; extraction；multi-source/temporal images; object-oriented image; plant structure; crop yields

10.11975/j.issn.1002-6819.2017.11.019

TP79

A

1002-6819(2017)-11-0147-10

歐陽玲，毛德華，王宗明，李慧穎，滿衛(wèi)東，賈明明，劉明月，張 淼，劉煥軍. 基于GF-1與Landsat8 OLI影像的作物種植結構與產量分析[J]. 農業(yè)工程學報，2017，33(11)：147－156.

10.11975/j.issn.1002-6819.2017.11.019 http://www.tcsae.org

Ouyang Ling, Mao Dehua, Wang Zongming, Li Huiying, Man Weidong, Jia Mingming, Liu Mingyue, Zhang Miao, Liu Huanjun. Analysis crops planting structure and yield based on GF-1 and Landsat8 OLI images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(11): 147－156. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.11.019 http://www.tcsae.org

2016-12-29

2017-04-05

中國科學院野外站聯(lián)盟項目（KFJ-SW-YW026），國家重點研發(fā)計劃子課題（2016YFC0500201-03）

歐陽玲，女（蒙古族），內蒙古自治區(qū)赤峰市人，副教授，博士生，主要從事資源環(huán)境遙感方面研究。長春 中國科學院東北地理與農業(yè)生態(tài)研究所，130102。Email：lingouyang@iga.ac.cn

※通信作者：毛德華，男，山東沂水人，副研究員，主要從事生態(tài)遙感研究。長春 中國科學院東北地理與農業(yè)生態(tài)研究所，130102。

Email：maodehua@iga.ac.cn