時空協同的地塊尺度作物分布遙感提取

楊穎頻，吳志峰,2，駱劍承，黃啟廳，張冬韻，吳田軍，孫營偉，曹 崢，董 文，劉 巍

時空協同的地塊尺度作物分布遙感提取

楊穎頻1，吳志峰1,2※，駱劍承3,4，黃啟廳5，張冬韻3,4，吳田軍6，孫營偉7，曹 崢1，董 文3，劉 巍3,4

（1. 廣州大學地理科學與遙感學院，廣州 510006； 2. 南方海洋科學與工程廣東省實驗室（廣州），廣州 511458； 3. 中國科學院空天信息創新研究院，北京 100094； 4. 中國科學院大學，北京 100049； 5. 廣西農業科學院農業科技信息研究所，南寧 530007； 6. 長安大學理學院，西安 710064；7. 中國農業科學院農業資源與農業區劃研究所，北京 100081）

地塊尺度作物分布信息清晰直觀地反映了農田位置、空間形態等空間細節和種植類型信息，對精準農業管理、種植補貼發放和農業資源調查等具有重要價值。雖然遙感時空協同思路為地塊尺度作物分布提取提供了解決方案，但在農田地塊提取和時序特征構建方面尚存在不足。該研究基于遙感時空協同的思路，以Google Earth高空間分辨率影像為底圖，利用擅于學習影像視覺特征的D-LinkNet深度學習模型，快速、精準提取農田地塊形態；以地塊為觀測單元，利用Landsat8和Sentinel-2多源遙感的“碎片化”無云數據構建地塊時序數據集，基于加權Double-Logistic函數重建地塊歸一化植被指數（Normalized Difference Vegetation Index，NDVI）時序曲線；提取地塊物候特征和多時相光譜特征，經過特征優選和隨機森林分類模型構建，開展地塊尺度作物分布制圖。以廣西扶綏縣為研究區開展試驗，共提取地塊43.7萬個，邊界準確率為84.54%，相較于常規基于多尺度分割的地塊提取，基于D-LinkNet的地塊提取方法直接排除了非農田地物的干擾，地塊形態與現實情況符合度更高；地塊NDVI時間序列重建結果能夠較好地捕捉作物開始生長、旺盛期、成熟收獲期的動態變化趨勢；分類特征重要性評價結果顯示，紅邊特征、與時間相關的物候特征在分類中發揮重要作用，當聯合物候特征和光譜特征時分類效果最佳；根據特征重要性分析不同特征數量情況下的分類精度，當特征數量大于40維時，作物分類精度和Kappa系數保持穩定，總體分類精度維持在88%左右；對扶綏縣地塊尺度作物分布進行制圖，提取甘蔗地塊277 421個、水稻地塊33 747個、香蕉地塊4 973個、柑橘地塊102 055個，分別占農田地塊總數的63.48%、7.72%、1.14%、23.35%，種植面積占比分別為69.78%、7.12%、1.71%、18.06%。該研究在理論上構建了遙感時空協同的地塊尺度作物分類模型，為大范圍、地塊尺度作物分布遙感提取提供了實用化方案。

作物；遙感；分布提取；時空協同；地塊尺度；時間序列；物候特征

0 引 言

農作物空間分布是作物長勢評估、產量估算和災害風險評估的信息基礎，對農業種植結構調整、農業政策制定、糧食安全保障具有重要價值[1-3]。近年來，國家部門和商業領域對地塊尺度作物分布信息需求日益迫切，例如農業農村部開展全國輪作休耕核查工作[4]，財政部門精準發放糧食種植補貼，農業保險領域探索“按圖承?！?、“按圖理賠”新模式，精準農業領域發展無人機植保[5]。

遙感技術因覆蓋范圍大、探測周期短、成本低等優勢，已被廣泛應用于大范圍的種植類型識別和種植面積統計[6-8]。20世紀70年代以來，國內外實施了一系列大面積作物清查試驗和重大農作物遙感監測項目，實現了對水稻、玉米、小麥、大豆、棉花等作物的大范圍、快速監測，產生了巨大經濟與社會效益[9-11]。低分辨率的NOAA/AVHRR、MODIS和中等分辨率Landsat系列、HJ衛星數據在其中發揮了重要作用。中低分辨率遙感的光譜波段較為豐富，重訪周期較短，可對作物生長過程進行高頻次動態觀測，因此，通過多時相組合或時間序列分析方法提取中低分辨率遙感的時序特征可實現作物分類[12-16]，該類方法獲得了廣泛應用。但是，基于中低分辨率遙感數據的作物分布提取模型通常基于單個像元的光譜特征對像元所屬作物類型進行分類，分類模型未考慮同一地塊內鄰近像元的關聯關系，也未考慮遙感像元與實際地物之間的對應關系[8]，受限于空間分辨率的大小，中分辨率遙感數據的混合像元問題在地塊邊界尤為突出，給分類結果驗證、種植面積核算帶來很大不確定性，導致中分辨率像元尺度的作物分布制圖產品難以滿足精準農業等應用需求[17-19]。

隨著高分辨率遙感時代的到來，高空間分辨率遙感影像（SPOT-5、IKONOS、QuickBird、ZY-3、GF-2等）可反映地物更精細的空間結構、紋理、拓撲關系[5]，地塊位置、形態、邊界等精細空間特征得以體現[20-21]。地塊作為農業生產經營的最小單位，內部作物自然環境（地形、地貌、土壤、氣象）和農耕措施（播種、收獲、施肥、灌溉）一致，作物種植類型一致、長勢特征相近，光譜特征表現出較強的均一性。在高空間分辨率遙感的支持下，面向對象的作物提取方法迅速發展，即基于地塊內像元光譜均一性，利用圖像分割技術快速提取農田對象，再基于高分遙感數據提取農田對象的形態、紋理、光譜特征實現作物分類[20-21]。但是由于高空間分辨率遙感重訪周期較長、光譜波段設置較單一，通常難以獲取最佳分類時相，異物同譜現象易導致錯分，不適用于種植結構復雜、熟制結構多元的區域[5]。

由于遙感數據存在時空分辨率的矛盾性，基于多源遙感時空協同的作物分類方法得以發展，包括數據級融合方法和特征級協同方法。數據級融合方法以產生兼具較高時空分辨率數據為目標，對兩組分別在時間分辨率和空間分辨率上各具優勢的遙感數據進行融合，例如利用STARFM融合算法對MODIS和Landsat時間序列數據進行融合，獲得一套兼具16 d時間分辨率和30 m空間分辨率的時間序列數據集[14,22]；特征級協同方法不產生新的數據，從高分影像中提取農田地塊邊界，從中分影像中提取作物光譜特征，在統一的時空基準框架下，充分發揮兩種數據的各自優勢[23-24]。當前，基于時空協同思路的作物分類研究在以下方面還有待提高：1）在農田地塊提取上，大多數研究通過人工矢量化或圖像分割方法獲取農田地塊邊界，人工矢量化方式費時費力、成本極高，圖像分割方法基于高分影像上鄰近像元的同質性，自底向上聚合形成對象，但分割尺度難以把握，分割方法也未考慮影像所具有的形態信息、上下文語義信息等高層特征，使得分割結果往往難以與地理實體相互匹配[23-25]；2）在時序特征挖掘上，大多數研究基于多時相中分辨率遙感數據提取光譜指數構建分類特征[24-26]，鮮有研究在地塊尺度上利用物候特征開展作物分類識別，由于物候特征的提取對遙感數據的觀測頻次要求相對較高，以往基于物候特征的作物分類通常以MODIS或AVHRR為觀測數據[27-29]，受云雨天氣條件影響，中分辨率遙感時序重建及物候特征提取相對困難。

基于多源遙感時空協同作物分類的思路，本研究旨在突破大范圍農田地塊提取和地塊尺度時序特征挖掘的技術瓶頸，發展中高分辨率遙感協同的地塊尺度作物分布提取方法：1）農田地塊提?。夯贕oogle Earth高分影像上地物豐富的視覺特征，采用擅長學習影像視覺特征的深度學習模型對影像上的農田地塊進行提??；2）時序特征構建：以地塊為觀測單元，利用Sentinel-2和Landsat8多源遙感的“碎片化”無云數據構建NDVI時序數據集，并基于加權Double-Logistic函數重建地塊NDVI時序曲線，提取地塊內作物物候特征，計算地塊多時相光譜特征；3）作物分類：基于作物類型地面調查數據構建隨機森林分類模型，驗證并對比物候特征與光譜特征對地塊尺度作物分類的精度，開展研究區地塊尺度的作物分布遙感制圖。

1 研究區概況和數據源

1.1 研究區概況

選取廣西扶綏縣為研究區，扶綏地處北回歸線以南，介于東經107°31′～108°06′、北緯22°17′～22°57′之間，行政區域面積2 841 km2，是典型的喀斯特地貌區，屬亞熱帶季風氣候，夏季高溫多雨，日照充足，春季溫暖濕潤，秋季干燥少雨，年降雨天數約130～220 d，平均氣溫22.2 ℃。扶綏縣多云多雨，地形地貌復雜、地塊破碎度高、種植結構相對復雜，主要作物包括甘蔗、柑橘、香蕉和雙季稻。

1.2 多源遙感影像數據

高分辨率遙感影像來源為0.6 m分辨率的Google Earth 19級產品。下載2018—2019年的中分辨率遙感影像，包含15景Landsat8/OLI影像和30景Sentinel-2A/B影像，經大氣校正處理獲取地表反射率產品。影像的詳細信息如表1所示。

表1 中分遙感影像信息

注：S2A、S2B分別表示Sentinel-2A、Sentinel-2B，OLI8表示Landsat8/OLI。

Note: S2A, S2B represent Sentinel-2A, Sentinel-2B, and OLI8 represents Landsat8/OLI.

1.3 作物種植類型采樣數據

2019年11月25日—27日開展了農業種植結構調研，共獲取了1 134個地塊的類型樣本，包括甘蔗樣本435個、雙季稻樣本164個、柑橘樣本156個、香蕉樣本155個、桉樹樣本171個。

甘蔗3月開始生長，12月成熟收割，收割期可持續至次年1－2月份。柑橘為常綠多年生木本果樹，生命周期較長。香蕉2－3月種植，11－12月收獲，成熟的果樹慢慢枯死，根部長出新芽，天氣狀況和收成早晚均會影響香蕉樹的生長情況。桉樹為廣西重要的人工林樹種，密蔭喬木，生長迅速、適應性強，從高分影像上難以區分人工桉樹林地塊和耕地地塊，因此也被列入下文討論。研究區高溫高熱多雨，水稻可實現“一年兩熟”，早稻生長季從3月初至7月中旬，晚稻生長季從7月中下旬持續至11月末。

2 研究方法

本研究的技術路線如圖1所示，包括：1）農田地塊提?。?）基于中分時序數據集的地塊物候特征提取；3）地塊多時相光譜特征計算；4）分類特征分析及分類模型構建。

2.1 農田地塊提取

基于Google Earth高分影像，采用D-LinkNet深度學習模型提取農田地塊。模型訓練環境及參數設置如下：訓練環境為Tensorflow1.3，CUDA版本為8.0，顯卡為1080Ti，內存64 G；初始學習率設置為0.000 1，隨機裁剪大小設置為448，共訓練3 000 epoch，批大小設置為8，其余參數默認。

在高分影像上隨機選取具有代表性的子區域作為訓練樣本，共84個，每個樣本大小1 000×1 000像素，提取農田地塊邊界矢量并轉換為訓練標簽；利用D-LinkNet深度學習模型[25,30]，構建地塊邊界預測模型；并預測高分影像上的農田地塊邊界，進行柵格轉矢量、線狀要素構面等后處理操作。由于高分影像成像時間為2017年，少部分耕地邊界發生變化，因此基于2019年Sentinel-2植被覆蓋度較低的冬季晴空影像對這部分的耕地地塊進行人工修補。分析地塊提取結果與Sentinel-2、Landsat8數據在幾何上的套合情況，若存在偏差需做一定的編輯和調整。

通過兩個指標來評價地塊提取精度：邊界準確率（Edge Accuracy，EA）：對邊界標注樣本和模型提取的邊界各設2 m寬度的緩沖區，緩沖區部分重疊度越高，認為邊界提取越準確，計算重疊部分與樣本緩沖區的面積比例；制圖精度（Producer Accuracy，PA）：將標注的邊界樣本構建面狀地塊，記為真實地物類型（農田），若模型將對應像素提取為農田，認為提取結果準確，計算模型正確提取出的農田占真實農田面積的比例。

2.2 基于中分時序的地塊物候特征提取

利用Landsat8和Sentinel-2構建地塊NDVI時序曲線，并提取物候特征。在作物生長周期內NDVI隨時間變化而升高、到達頂峰和降低的變化過程對應了作物從生長發育到成熟衰老的生理過程?；谧魑镂锖蛱卣鞯牟町惪蓪崿F作物類型識別[31]。

以地塊為單元，基于Landsat8和Sentinel-2碎片化無云數據構建地塊NDVI時序曲線（圖2）。采用加權Double-Logistic函數擬合方法[32]重建地塊NDVI時序曲線，減少多源傳感器輻射特征的差異，同時減少太陽、大氣等因素帶來的輻射噪聲。最后，基于重建的時序曲線提取13個物候特征（圖3）。

2.3 地塊多時相光譜特征計算

從中分遙感時序數據集中挑選成像質量較高的數據：8景Sentinel-2數據（成像時間為2018年3月22日、2018年10月3日、2018年11月27日、2018年12月17日、2019年3月12日、2019年7月20日、2019年9月23日、2019年12月7日），和2景Landsat8數據（成像時間為2019年05月18日、2019年11月10日）。計算光譜特征：歸一化植被指數（Normalized Difference Vegetation Index，NDVI）、增強型植被指數（Enhanced Vegetation Index，EVI）、陸表水指數（Land Surface Water Index，LSWI）、綠度歸一化植被指數（Green Normalized Difference Index，GNDVI）、土壤調節植被指數（Soil Adjusted Vegetation Index，SAVI），如表3，并對Sentinel-2影像計算與紅邊相關的植被指數，包括歸一化指數（Normalized Difference Index，NDI45）、紅邊拐點指數（Red-Edge Inflection Point Index，REIP）、Sentinel-2紅邊位置指數（Sentinel-2 Red-Edge Position Index，S2REP）、倒紅邊葉綠素指數（Inverted Red-Edge Chlorophyll Index，IRECI）、色素簡單比指數（Pigment Specific Simple Ratio，PSSRa）。以地塊邊界為空間約束，將地塊內像元光譜特征平均值作為地塊光譜特征，多時相光譜特征共計90維。

注：Max、on、end分別為生長周期內NDVI擬合曲線峰值點、峰值點左側最低點、右側最低點所對應的時間，d；Max、on、end分別為Max、on、end對應的NDVI值；GA為NDVI擬合曲線的80%振幅；DT為生長季長度，d；GR和SR分別為最大生長和衰老速率（GRMax和SRMax，d-1）對應的時間，d。通過對 NDVI 擬合曲線從on到end時間范圍進行積分可獲取另一物候特征IntegratedVI，d。

Note:Max,on,endare the days when the fitted NDVI curve reaches the peak point, the lowest points left and right to the peak point, respectively, d;Max,on,endare the NDVI values corresponding toMax,on, andend, respectively; GA is 80% of the amplitude of the fitted NDVI curve; DT is duration of growth cycle;GRandSRare the time corresponding to the max increasing and decreasing rate (GRMaxand SRMax, d-1), respectively. Additional phenological feature IntegratedVI is obtained by the integration of the fitted curve fromontoend, d.

圖3 基于重建NDVI時序曲線的物候特征提取方法

Fig.3 Phenological feature extraction based on the reconstructed NDVI time series curve

表3 光譜特征列表

注：Blue、Green、Red、Nir、Swir1分別為Sentinel-2和Landsat8的藍、綠、紅、近紅外、短波紅外波段反射率；RE1、RE2、RE3分別為Sentinel-2 B5、B6、B7紅邊波段反射率。

Note:Blue,Green,Red,Nir,Swir1represent reflectivity of blue, green, red, near infrared and shortwave infrared bands of Sentinel-2 and Landsat8 respectively;RE1,RE2,RE3represent reflectivity of Sentinel-2 red-edge bands B5, B6, B7 respectively.

2.4 作物分類模型構建

基于物候特征和多時相光譜特征進行作物分類，考慮到算法的簡易性和模型訓練效率，采取了隨機森林分類方法，并采用平均精準率減少（Mean Decrease Accuracy，MDA）[33]來衡量特征的重要性。隨機森林模型通過Matlab 2016b中TreeBagger函數實現，參數化方案如下：將60%樣本用于訓練，40%用于驗證，生成單棵決策樹時樣本數量的采樣比例為80%，參數個數采樣比例為特征總數的平方根，即10維特征，其他輸入參數均為默認。

3 結果與分析

3.1 農田地塊提取結果

利用深度學習提取研究區農田地塊，共計43.7萬個（圖4）。選取了13塊1 000×1 000像素大小的區域作為驗證集，對其耕地類型進行人工標注，計算邊界提取精度EA為84.54%，PA為83.06%。

從地塊提取結果的細節圖（圖5）可以看出，地塊輪廓與標注情況符合度較高，部分細小地塊存在漏提的情況，總體而言整體提取結果較好。

3.2 地塊NDVI時間序列曲線重建結果

基于加權Double-Logistic函數的作物NDVI時序曲線重建結果如圖6所示。圖6a甘蔗生長周期從2018年3月22日至2019年3月12日，覆蓋了幼苗期、分蘗期、伸長期和成熟期，幼苗期出苗長葉，NDVI增長緩慢；分蘗期和伸長期的莖數增加、株高增長、葉面積增多，NDVI增長至飽和；隨后發育成熟、蔗糖積累，黃葉比例增加導致NDVI下降，砍收后最低。圖6b水稻NDVI時序曲線2019年存在2個波峰，波峰數值為0.8左右，晚稻NDVI時序重建結果顯示，NDVI在短時間內快速上升，不到兩個月即可增長至峰值，隨后快速下降，生長季長度為3～4個月。圖6c香蕉NDVI于3月中旬增長，5月增長速度最快，生長最旺盛，7月下旬達到飽和值約0.9，并持續至年底。經NDVI時序曲線重建，平滑曲線能捕捉香蕉樹出苗期、生長旺盛期和成熟收獲期的動態變化趨勢。圖6d柑橘NDVI時序曲線在觀測時間段內較平穩，數值在0.6左右浮動，兩年內無顯著的上下起伏。桉樹林具有較高的郁閉度，圖6e顯示桉樹NDVI全年保持較高水平，沒有明顯的上下起伏，NDVI數值在0.8左右。

3.3 分類特征重要性評價

采用MDA指標對103維分類特征進行重要性評價。對分類特征性評價結果如圖7，前8個觀測時相的特征來自Sentinel-2，后兩個觀測時相來自Landsat8數據。

1）不同時相重要性：夏季和秋季是該研究區作物分類的關鍵時相，而春季和冬季影像對作物分類作用較??；

2）不同特征重要性：按照MDA指標所有特征排序，LSWI、GNDVI、REIP、S2REP對作物分類貢獻很大，相對而言NDVI對分類重要性一般；

3）Sentinel-2紅邊波段的作用：5個紅邊特征的MDA指標整體較高，紅邊波段有利于作物分類；

無機化學中化學鍵的理解對于學生來說也是比較困難的，此時教師可以引入牛頓的萬有引力進行講解，分子內的化學鍵實質就是原子間的相互吸引力，而原子因為這種吸引力而結合變成分子。而牛頓的萬有引力就是指宇宙中萬事萬物之間都有引力，蘋果掉地上，我們站在地球上，都是因為引力，此時可以引出，分子就是因為原子間存在著引力而結合在一起。這樣就方便學生領會化學鍵的概念。

4）物候特征的重要性：與時間相關的物候特征DT、on和SR對分類起重要作用，但與NDVI值相關的物候特征on、end和Max對分類作用很小。

以上結果綜合表明，選擇分類時相優先于選擇分類特征，Sentinel-2紅邊特征、與時間相關的物候特征在分類中起重要作用。

注：MDA為平均精準率減少。

Note: MDA is mean decrease accuracy.

圖7 分類特征重要性評價

Fig.7 Importance evaluation for classification features

3.4 分類特征選擇及其對精度的影響分析

基于特征重要性排序結果，探討特征數量對分類精度的影響。設計了21組試驗，第1組僅采用最重要的5維特征，并以5為間隔，按照重要性順序逐步增加用于分類的特征數量，分類精度如圖8。

總體上，當特征數量從5維增加至20維時，作物的分類精度呈現上升趨勢，尤其是從5維增加至10維時，桉樹、香蕉和柑橘的分類精度明顯上升；當特征數量介于20維至40維之間時，總體分類精度較平緩，除柑橘外，其他作物類型的分類精度相對穩定；當特征數量大于40維時，作物分類精度和Kappa系數存在小幅度波動，但整體上呈現平穩趨勢，甘蔗分類精度大于95%，總體分類精度維持在88%左右。

為對比不同特征的分類精度，分別進行100次重復試驗，統計各作物分類精度（圖9）。

當僅使用物候特征進行分類（圖9a）時，平均總體分類精度79.73%，甘蔗、水稻、香蕉、桉樹分類精度分別為90.35%、98.60%、77.29%、88.15%，柑橘分類精度僅為64.18%，表明僅使用物候特征時，能較好地識別出甘蔗、水稻和桉樹類型。

當僅利用多時相光譜特征分類（圖9b），分類精度如下：平均總體分類精度85.15%，甘蔗94.8%，水稻96.07%，柑橘76.6%，香蕉86.45%，桉樹96.45%。表明多時相光譜特征能較好地區分甘蔗、水稻、香蕉和桉樹。水稻識別精度較僅利用物候特征時有所降低，其他作物類型的分類精度有較大幅度的提升。

當聯合多時相光譜特征和物候特征分類（圖9c），分類精度如下：平均總體分類精度85.68%，甘蔗95.11%，水稻98.38%，柑橘77.88%，香蕉86.05%，桉樹96%。相較于僅利用光譜特征時，物候特征對水稻分類精度提升最明顯，其他作物精度與僅利用光譜特征時相當。

3.5 研究區地塊尺度作物分布遙感制圖

基于3.4小節分析結果，優選前40維重要的分類特征開展研究區地塊尺度的作物分布制圖（圖10）。在空間分布特征上，西北部山區耕地數量少，分布零散，南部耕地數量多，分布密集。甘蔗密集分布在整個研究區范圍內，呈片狀分布，大多數在地勢平坦地帶，少部分在緩坡上；桉樹人工林地塊主要分布在研究區的南部；柑橘地塊分布在整個研究區范圍內；香蕉主要分布在研究區北部，南部分布零星；水稻地塊小而零散，距離居民地較近。

統計結果顯示（表4），甘蔗地塊數量占63.48%，種植面積占總耕地面積的69.78%；柑橘種植面積占比18.06%；糧食作物水稻的種植面積僅占7.12%。

3.6 與基于常規方法的作物分布提取結果比較

將本文方法與常規基于遙感時空協同思路的作物分布提取方法進行對比，在常規方法中，通過多尺度分割方式獲取地塊，并計算多時相光譜指數作為地塊時序特征，兩種方法的作物分布提取結果如圖11所示。

表4 研究區作物地塊數及種植面積統計

在農田地塊提取方面，本文采用D-LinkNet深度模型的地塊提取結果直接排除了非農田地物的干擾，地塊形態與現實情況符合度更高（圖11b）；常規方法采用多尺度分割方法提取農田地塊，將整張影像分割成碎片化的斑塊，將非農田區域也納入分割范圍，對作物分布提取結果造成干擾（圖11d）。

在時序特征構建方面，本文方法結合了多時相光譜特征和物候特征進行地塊作物分類，常規方法僅采用多時相光譜特征進行作物分類。將桉樹類型剔除后，作物分布提取結果如圖11c、圖11e所示，在作物類型識別結果方面兩者大體上相似。

4 結 論

地塊尺度作物分布信息對于精準農業管理、農業補貼發放、按圖承保理賠等具有重要應用價值，受限于空間分辨率的大小，傳統中低分辨率的作物分布遙感制圖產品無法滿足應用需求。基于遙感時空協同思路，本研究實現了地塊尺度的作物分布提?。?/p>

1）以Google Earth高分辨率影像為數據源，利用深度學習模型快速、精準地提取農田地塊形態信息，比常規基于圖像分割的農田地塊提取結果在空間形態上更貼合實際情況；

2）通過Landsat8和Sentinel-2多源中分遙感碎片化無云數據構建地塊時序數據集，基于加權 Double-Logistic函數重建地塊NDVI時序曲線，實現了地塊尺度作物物候特征的提取，計算地塊多時相光譜特征；

3）分析物候特征和光譜特征對分類精度的影響，證實了地塊尺度物候特征對于作物分類的重要作用，結果表明聯合光譜特征和物候特征能達到最佳分類效果；

4）利用分類樣本構建隨機森林作物分類模型，實現了研究區地塊尺度的作物分布遙感制圖。

本研究在理論上構建了遙感時空協同的地塊尺度作物分類模型；同時為大范圍、地塊尺度作物分布遙感提取提供了實用化的技術方案。

未來還有以下方面可以深入研究：本研究利用中分辨率影像構建地塊時序特征，對于面積不足中分辨率遙感像元大小的破碎、細小地塊，如何構建地塊時序特征并識別作物類型；多云多雨氣候條件影響了光學成像質量，制約了對地塊時序特征的提取，如何協同微波遙感數據提取更豐富的分類特征，并進一步提高分類精度。

[1] 蒙繼華，吳炳方，杜鑫，等. 遙感在精準農業中的應用進展及展望[J]. 國土資源遙感，2011，23(3)：1-7.

Meng Jihua, Wu Bingfang, Du Xin, et al. Application progress and prospect of remote sensing in precision agriculture[J]. Remote Sensing for Land & Resources, 2011, 23(3): 1-7. (in Chinese with English abstract)

[2] 趙春江. 農業遙感研究與應用進展[J]. 農業機械學報，2014，45(12)：277-293.

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

[3] 唐華俊，吳文斌，楊鵬，等. 農作物空間格局遙感監測研究進展[J]. 中國農業科學，2010，43(14)：2879-2888.

Tang Huajun, Wu Wenbing, 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)

[4] 劉海啟. 以精準農業驅動農業現代化加速現代農業數字化轉型[J]. 中國農業資源與區劃，2019，40(1)：1-6，73.

Liu Haiqi. Accelerating the digital transformation of modern agriculture by driving the agricultural modernization with precision agriculture[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2019, 40(1):1-6, 73. (in Chinese with English abstract)

[5] 駱劍承，吳田軍，吳志峰，等. 遙感大數據智能計算[M]. 北京：科學出版社，2020.

[6] 史舟，梁宗正，楊媛媛，等. 農業遙感研究現狀與展望[J]. 農業機械學報，2015，46(2)：247-260.

Shi Zhou, Liang Zongzheng, Yang Yuanyuan, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247-260. (in Chinese with English abstract)

[7] Weiss M, Jacob F, Duveiller G. Remote sensing for agricultural applications: A meta-review[J]. Remote Sensing of Environment, 2020, 236: 111402.

[8] 宋茜，胡瓊，陸苗，等. 農作物空間分布遙感制圖發展方向探討[J]. 中國農業資源與區劃，2020，41(6)：57-65.

Song Qian, Hu Qiong, Lu Miao, et al. Prospect of crop mapping[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(6): 57-65. (in Chinese with English abstract)

[9] 陳水森，柳欽火，陳良富，等. 糧食作物播種面積遙感監測研究進展[J]. 農業工程學報，2005，21(6)：166-171.

Cheng Shuisen, Liu Qinhuo, Chen Liangfu, et al. Review of research advances in remote sensing monitoring of grain crop area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(6): 166-171. (in Chinese with English abstract)

[10] 吳文斌，胡瓊，陸苗，等. 農業土地系統遙感制圖[M]. 北京：科學出版社，2020.

[11] 黃敬峰，王人潮，蔣亨顯，等. 基于GIS的浙江省水稻遙感估產最佳時相選擇[J]. 應用生態學報，2002，13(3)：290-294.

Huang Jingfeng, Wang Renchao, Jiang Hengxian, et al. Selection of the best time phase for rice yield estimation based on GIS in Zhejiang Province[J]. Journal of Applied Ecology, 2002, 13(3): 290-294. (in Chinese with English abstract)

[12] Sibanda M, Murwira A. The use of multi-temporal MODIS images with ground data to distinguish cotton from maize and sorghum fields in smallholder agricultural landscapes of Southern Africa[J]. International Journal of Remote Sensing, 2012, 33(16): 4841-4855.

[13] 蔡學良，崔遠來. 基于異源多時相遙感數據提取灌區作物種植結構[J]. 農業工程學報，2009, 25(8)：124-130.

Cai Xueliang, Cui Yuanlai. Crop planting structure extraction in irrigated areas from multi-sensor and multi-temporal remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(8): 124-130. (in Chinese with English abstract)

[14] Zhu L, Radeloff V C, Ives A R. Improving the mapping of crop types in the Midwestern US by fusing Landsat and MODIS satellite data[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 58: 1-11.

[15] Hu Q, Yin H, Friedl A, et al. Integrating coarse-resolution images and agricultural statistics to generate sub-pixel crop type maps and reconciled area estimates[J]. Remote Sensing of Environment, 2021, 258: 112365.

[16] Liu X, Zhai H, Shen Y, et al. Large-scale crop mapping from multisource remote sensing images in google earth engine[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 414-427.

[17] Jia K, Wu B, Li Q. Crop classification using HJ satellite multispectral data in the North China Plain[J]. Journal of Applied Remote Sensing, 2013, 7(1): 073576.

[18] 王久玲，黃進良，王立輝，等. 面向對象的多時相HJ星影像甘蔗識別方法[J]. 農業工程學報，2014，30(11)：145-151.

Wang Jiuling, Huang Jinliang, Wang Lihui, et al. Identification of sugarcane based on object-oriented analysis using time-series HJ CCD data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(11): 145-151. (in Chinese with English abstract)

[19] 許青云，楊貴軍，龍慧靈，等. 基于MODIS NDVI多年時序數據的農作物種植識別[J]. 農業工程學報，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)

[20] Turker M, Ozdarici A. Field-based crop classification using SPOT4, SPOT5, IKONOS and QuickBird imagery for agricultural areas: A comparison study[J]. International Journal of Remote Sensing, 2011, 32(24): 9735-9768.

[21] Sun Y, Luo J, Xia L, et al. Geo-parcel-based crop classification in VHR images via hierarchical perception[J]. International Journal of Remote Sensing, 2020, 41(4): 1603-1624.

[22] Singha M, Wu B, Zhang M. Object-based paddy rice mapping using HJ-1A/B data and temporal features extracted from time series MODIS NDVI data[J]. Sensors, 2016, 17(1): 10.

[23] Conrad C，Fritsch S，Zeidler J， et al． Per-field irrigated crop classification in arid central asia using SPOT and ASTER data[J]. Remote Sensing，2010，2(4): 1035-1056.

[24] 鄧劉洋，沈占鋒，柯映明，等. 基于地塊尺度多時相遙感影像的冬小麥種植面積提取[J]. 農業工程學報，2018，34(21)：157-164.

Deng Liuyang, Shen Zhanfeng, Ke Yingming, et al. Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 157-164. (in Chinese with English abstract)

[25] 劉巍，吳志峰，駱劍承，等. 深度學習支持下的丘陵山區耕地高分辨率遙感信息分區分層提取方法[J]. 測繪學報，2020，50(1)：105-116.

Liu Wei, Wu Zhifeng, Luo Jiancheng, et al. A divided and stratified extraction method of high-resolution remote sensing information for cropland in hilly and mountainous areas based on deep learning[J]. Acta Geodaetica et Cartographica Sinica, 2020, 50(1): 105-116. (in Chinese with English abstract)

[26] Kussul N, Lemoine G, Gallego J, et al. Parcel based classification for agricultural mapping and monitoring using multi-temporal satellite image sequences[C] //Geoscience and Remote Sensing Symposium. Milan, Italy: IEEE, 2015: 165-168.

[27] 陳健，劉云慧，宇振榮. 基于時序MODIS-EVI數據的冬小麥種植信息提取[J]. 中國農學通報，2011，27(1)：446-450.

Chen Jian, Liu Yunhui, Yu Zhenrong. Planting information extraction of winter wheat based on the time-series MODIS-EVI[J]. Chinese Agricultural Science Bulletin. 2011, 27(1): 446-450. (in Chinese with English abstract)

[28] Zhang X, Zhang Q. Monitoring interannual variation in global crop yield using long-term AVHRR and MODIS observations[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 191-205.

[29] 王連喜，徐勝男，李琪，等. 基于決策樹和混合像元分解的江蘇省冬小麥種植面積提取[J]. 農業工程學報，2016，32(5)：182-187.

Wang Lianxi, Xu Shengnan, Li Qi, et al. Extraction of winter wheat planted area in Jiangsu province using decision tree and mixed-pixel methods[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(5): 182-187. (in Chinese with English abstract)

[30] Zhou L, Zhang C, Ming W. D-LinkNet: LinkNet with Pretrained encoder and dilated convolution for high resolution satellite imagery road extraction[C] //2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Salt Lake City, UT, USA: IEEE Computer Society, 2018.

[31] Reed B C, Brown J F, Vanderzee D, et al. Measuring phenological variability from satellite imagery[J]. Journal of Vegetation Science, 1994, 5(5): 703-714.

[32] Yang Y, Luo J, Huang Q, et al. Weighted double-logistic function fitting method for reconstructing the high-quality Sentinel-2 NDVI time series data set[J]. Remote Sensing, 2019, 11(20): 2342.

[33] Janitza S, Tutz G, Boulesteix A L. Random forest for ordinal responses: Prediction and variable selection[J]. Computational Statistics and Data Analysis, 2016, 96: 57-73.

Parcel-based crop distribution extraction using the spatiotemporal collaboration of remote sensing data

Yang Yingpin1, Wu Zhifeng1,2※, Luo Jiancheng3,4, Huang Qiting5, Zhang Dongyun3,4, Wu Tianjun6, Sun Yingwei7, Cao Zheng1, Dong Wen3, Liu Wei3,4

(1.510006; 2.(),511458; 3.100094; 4.100049; 5.530007; 6.710064; 7.100081)

Parcel-based crop distribution is paramount to quantify changes in ecological systems and improve management strategies in precision agriculture. Specifically, the obtained location and boundary of farmland together with crop types can contribute to the specific payment of planting subsidies and resource survey. Multi-source high-spatial and temporal resolution satellite images can provide an effective way to realize parcel-based crop mapping. However, some deficiencies still remain inthe extraction of farmland parcels and construction of spatiotemporal features. In this present study, a novel model was constructed to implement a parcel-based classification of crops by collaborating satellite data with high-spatial and temporal resolution. Four steps were included in a parcel-based crop mapping: 1) A D-LinkNet deep learning model was selected to extract the parcels from the 0.6m high-spatial-resolution Google Earth images; 2) Time series data set was constructed for each parcel using multi-source observations from Landsat 8 and Sentinel-2 satellite, where the tiles with high cloud cover were removed from the images; 3) A weighted Double-Logistic fitting was utilized to reconstruct the parcel-based Normalized Difference Vegetation Index (NDVI) time series for the extraction of phenological parameters, such as the duration of the growth cycle, the time of growth starting and ending,and spectral indexes were calculated from Landsat8 and Sentinel-2 multi-spectral data; 4) A Mean Decrease Accuracy (MDA) indicator was used to estimate the feature importance. A field experiment was also conducted to collect the data of crop types for the training of random forest classification model in a parcel-based crop mapping. The Fusui County in Guangxi Zhuang Autonomous Region of China was taken as the study area. There was a relatively complex planting structure in the study area.It was cloudy and rainy with the rainfall days of about 130-220 d, as well as the diverse and complex topography. The dominated crops included sugarcane, paddy rice, banana, and orange. The results showed that the farmland parcels were well extracted by the D-LinkNet deep learning model, with an edge accuracy of 84.54% and a produce accuracy of 83.06%, compared with the conventional multi-scale segmentation. Phenological features were extracted from the reconstructed NDVI time series of the parcels. The NDVI of sugarcane and paddy rice first increased and then decreased significantly. The growth season of sugarcanes started from March to the following March. In addition, the growth season of paddy rice lasted for about 3-4 months, in which there was the most intense change in the NDVI time series. There was a relatively steady state in the reconstructed NDVI time series of evergreen eucalyptus and orange in the whole year. The eucalyptus with high vegetation cover showed high NDVI values during the observation period. The MDA indicator demonstrated that the images captured in summer and autumn were better for the crop classification in the study area. A best performance of classification was achieved to combine the phenological and spectral features. The overall accuracy reached 88%, and the accuracy of sugarcane reached over 95% in the study areas. The crop mapping indicated that sugarcane was spatially distributed around the whole study area, including plain and mountainous areas. The planting area of sugarcane accounted for nearly 70%, orange for 18.06%, and paddy rice for 7.12% of farmland. Furthermore, the paddy rice was mostly distributed near the settlement places. Consequently, the study successfully extractedphenological features by using Landsat8 and Sentinel-2 multi-source observations, and verified the importance of phenological features in the parcel-based crop mapping. The finding can provide a series of practical schemes to acquire parcel-based cropdistribution.

crops; remote sensing; distribution extraction; spatiotemporal collaboration; parcel-scale; time series; phenological features

2020-12-09

2021-03-26

國家重點研發計劃課題（2018YFB2100702）；國家自然科學基金（41631179，U1901219）；南方海洋科學與工程廣東省實驗室（廣州）人才團隊引進重大專項（GML2019ZD0301）

楊穎頻，博士，研究方向為農業遙感。Email：yangyp@radi.ac.cn

吳志峰，教授，研究方向為陸地生態遙感、自然資源監測與評估。Email：gzuwzf@163.com

10.11975/j.issn.1002-6819.2021.07.020

S126

A

1002-6819(2021)-07-0166-09

楊穎頻，吳志峰，駱劍承，等. 時空協同的地塊尺度作物分布遙感提取[J]. 農業工程學報，2021，37(7)：166-174. doi：10.11975/j.issn.1002-6819.2021.07.020 http://www.tcsae.org

Yang Yingpin, Wu Zhifeng, Luo Jiancheng, et al. Parcel-based crop distribution extraction using the spatiotemporal collaboration of remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(7): 166-174. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.07.020 http://www.tcsae.org