李鑫楊 盧赫宇

摘要 基于遙感的種植結(jié)構(gòu)提取對(duì)農(nóng)業(yè)資源調(diào)查、作物面積監(jiān)測(cè)及產(chǎn)量估算、農(nóng)作物災(zāi)害預(yù)警和災(zāi)后評(píng)估具有重要意義。本文根據(jù)高分一號(hào)和高分六號(hào)的數(shù)據(jù)，選用3個(gè)與農(nóng)作物相關(guān)的植被指數(shù)（NDVI、EVI、RVI），3個(gè)紋理特征信息（DEM、坡度、坡向）以及融合后各個(gè)波段作為模型輸入特征，研究基于高分辨率率影像數(shù)據(jù)的農(nóng)作物分類。結(jié)果表明：西北部農(nóng)作物主要為玉米，中部主要為谷子，東南部地區(qū)以玉米為主，其次為高粱和谷子;紅邊波段705和紅邊波段745均對(duì)農(nóng)作物的識(shí)別和分類具有一定的作用。

關(guān)鍵詞 遙感;農(nóng)作物分類;種植結(jié)構(gòu);高分一/六號(hào)

中圖分類號(hào)：P407 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：2095–3305（2021）08–0142–02

Extraction of Typical Crop Structure Based on Remote Sensing

—A Case Study of Ningch-eng and Kalaqin County， Chifeng

LI Xin-yang et al （Weather Bureau of Chifeng， Chifeng， Inner mongolia 024000）

Abstract The extraction of planting structure based on remote sensing have great significance for agricultural resource investigation， crop area monitoring and yield estimation， crop disaster warning and post-disaster assessment. The article used the data of GF-1 and GF-6， chose 3 vegetation indices （NDVI， EVI， RVI） related to crops， 3 texture feature information （DEM， slope， aspect）， and bands after fusing are selected as models， researched the crop classification based on high-resolution image data. The results of crop distribution showed that corn was mainly distributed in the northwest， millet was mainly distributed in the middle， corn was mainly distributed in the southeast， followed by sorghum and millet; both red edge band 705 and red edge band 745 can improve crop recognition and classification.

Key words Remote Sensing; Crop Clas-sification; Planting Structure; GF-1/GF-6

農(nóng)作物種植結(jié)構(gòu)是土地利用在農(nóng)業(yè)生產(chǎn)上的表現(xiàn)形式[1]。傳統(tǒng)農(nóng)作物的類型、種植面積以及大致范圍信息的獲取以統(tǒng)計(jì)上報(bào)和抽樣調(diào)查為主，但統(tǒng)計(jì)方法存在缺乏空間分布、主觀性強(qiáng)、誤差大和費(fèi)力耗時(shí)等問(wèn)題。農(nóng)作物種植結(jié)構(gòu)遙感提取主要基于不同類型農(nóng)作物在遙感數(shù)據(jù)上呈現(xiàn)的光譜、時(shí)間和空間特征的差異，并且農(nóng)作物光譜特性的時(shí)空效應(yīng)存在遙感全過(guò)程[2]。遙感技術(shù)作為新型對(duì)地觀測(cè)技術(shù)，因具有宏觀性、綜合性和動(dòng)態(tài)性的特點(diǎn)，成為獲取區(qū)域農(nóng)作物布局和組成的重要途徑[3]?？焖?、準(zhǔn)確、客觀地獲取作物種植信息、科學(xué)地評(píng)估作物空間分布，對(duì)保障糧食生產(chǎn)安全具有重要意義，有助于合理優(yōu)化種植結(jié)構(gòu)、提升糧食生產(chǎn)效率和產(chǎn)量。

1 數(shù)據(jù)與方法

目前，國(guó)內(nèi)外農(nóng)作物種植結(jié)構(gòu)提取使用的遙感影像包括以MODIS為代表的低分辨率影像、以Landsat TM/ETM+為代表的中等分辨率影像、以Sentinel、GF和QuickBird為主的高分辨率影像。其中，使用中國(guó)國(guó)產(chǎn)的高分衛(wèi)星進(jìn)行種植結(jié)構(gòu)分類的研究較少。基于高分一號(hào)和六號(hào)衛(wèi)星的影像特征，通過(guò)挖掘適用于農(nóng)作物分類的相關(guān)特征，研究基于高空間分辨率的多特征農(nóng)作物分類、基時(shí)間序列的農(nóng)作物分類和紅邊信息的農(nóng)作物分類，以提高農(nóng)作物遙感識(shí)別和分類的精度，為農(nóng)業(yè)監(jiān)測(cè)提供支持。具體流程（圖1）。

（1）數(shù)據(jù)的預(yù)處理包括正射校正、圖像融合、圖像拉伸、投影轉(zhuǎn)換以及時(shí)空匹配（將實(shí)地采樣點(diǎn)數(shù)據(jù)與衛(wèi)星影像按照經(jīng)緯度實(shí)現(xiàn)時(shí)間相近像元級(jí)匹配，為建模前提供訓(xùn)練樣本）;（2）選取樣本，根據(jù)站點(diǎn)對(duì)應(yīng)的衛(wèi)星像元提取衛(wèi)星多個(gè)波段的像元值，作為模型輸入特征，并進(jìn)行模型訓(xùn)練和參數(shù)優(yōu)化，針對(duì)訓(xùn)練樣本采用隨機(jī)森林模型，通過(guò)格網(wǎng)搜索設(shè)置樹(shù)的深度、樹(shù)的個(gè)數(shù)等參數(shù)，最終得出最高精度下的模型參數(shù)，即最優(yōu)參數(shù);用訓(xùn)練好的模型進(jìn)行農(nóng)作物分類。

2 結(jié)果分析

本采樣點(diǎn)主要通過(guò)GPS定位與人為采樣獲得，總共提供16種農(nóng)作物類別，共101個(gè)樣本點(diǎn)。其中，玉米種植結(jié)構(gòu)采樣點(diǎn)最多，共53個(gè)點(diǎn)，谷子共30個(gè)點(diǎn)，中草藥共15個(gè)點(diǎn)，山葡萄共3個(gè)點(diǎn)。由于機(jī)器學(xué)習(xí)需要大量的訓(xùn)練樣本進(jìn)行建模，實(shí)際人工現(xiàn)場(chǎng)采樣數(shù)量無(wú)法夠滿足這一基本需求。因此，在人工樣本點(diǎn)的基礎(chǔ)上，通過(guò)人工目視解譯將樣本點(diǎn)擴(kuò)充至300個(gè)。

選用3個(gè)與農(nóng)作物相關(guān)的植被指數(shù)（圖2）、3個(gè)紋理特征信息（DEM、坡度和坡向）以及融合后各個(gè)波段作為模型輸入特征。

對(duì)訓(xùn)練樣本進(jìn)行隨機(jī)森林模型訓(xùn)練，最終對(duì)玉米、谷子、高粱、山葡萄和中草藥進(jìn)行分類識(shí)別。隨機(jī)森林是一種集成算法（Ensemble Learning），它屬于Bagging類型，通過(guò)組合多個(gè)弱分類器，最終結(jié)果通過(guò)投票或取均值，使得整體模型的結(jié)果具有較高的精確度和泛化性能。其可以取得不錯(cuò)成績(jī)主要?dú)w功于“隨機(jī)”和“森林”，一個(gè)使它具有抗過(guò)擬合能力，一個(gè)使它變得更加精準(zhǔn)。

通過(guò)將樣本點(diǎn)輸入到隨機(jī)森林模型后得到最終的種植結(jié)構(gòu)圖（玉米、谷子、高粱、山葡萄、中草藥）（圖3）。

3 結(jié)論

從農(nóng)作物分類結(jié)果可以看出，玉米是主要農(nóng)作物，尤其在東南部的平原地區(qū)，以居民區(qū)為主。西北地區(qū)為山區(qū)，地勢(shì)較高，農(nóng)作物類別較多，但覆蓋面積相對(duì)東南部明顯較少，也說(shuō)明山區(qū)適合種植的農(nóng)作物相對(duì)較少。西北地區(qū)為玉米，中部地區(qū)主要為谷子，由于山葡萄樣本不多，所以分類結(jié)果不多。東南平原地區(qū)以玉米為主，其次為高粱，最后為谷子。

高分六號(hào)衛(wèi)星增加的兩個(gè)紅邊波段能夠提供豐富的光譜信息，為農(nóng)作物分類提供更加有效的手段。結(jié)果表明，加入兩個(gè)紅邊波段可以提高作物分類識(shí)別的精度。在研究中，加入兩個(gè)紅邊波段后，有助于農(nóng)作物分類，體現(xiàn)了紅邊波段在作物類型區(qū)分上的能力。紅邊波段705和紅邊波段745均對(duì)農(nóng)作物識(shí)別和分類具有一定的提高作用。

參考文獻(xiàn)

[1] 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(guó)農(nóng)業(yè)科學(xué)院，2016.

[2] José M. Pe?a-Barragán，Moffatt K.Ngugi， Richard E. Plant，etal. Object-based crop identification using multiple vegetation indices， textural features and crop phenology[J].Remote Sensing of Environment， 2011（6）：1301-1316.

[3] J. Christopher Brown，Jude H. Kast-en，Alexandre Camargo Coutinho，等. Classifying multiyear agricultural land use data from Mato Grosso using time-series MODIS vegetation index data[J].Remote Sensing of Environment， 2013（130）：39-50.

責(zé)任編輯：黃艷飛