典型作物種植結構遙感提取

李鑫楊 盧赫宇

摘要 基于遙感的種植結構提取對農業(yè)資源調查、作物面積監(jiān)測及產量估算、農作物災害預警和災后評估具有重要意義。本文根據高分一號和高分六號的數據，選用3個與農作物相關的植被指數（NDVI、EVI、RVI），3個紋理特征信息（DEM、坡度、坡向）以及融合后各個波段作為模型輸入特征，研究基于高分辨率率影像數據的農作物分類。結果表明：西北部農作物主要為玉米，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均對農作物的識別和分類具有一定的作用。

關鍵詞 遙感;農作物分類;種植結構;高分一/六號

中圖分類號：P407 文獻標識碼：B 文章編號：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

農作物種植結構是土地利用在農業(yè)生產上的表現形式[1]。傳統(tǒng)農作物的類型、種植面積以及大致范圍信息的獲取以統(tǒng)計上報和抽樣調查為主，但統(tǒng)計方法存在缺乏空間分布、主觀性強、誤差大和費力耗時等問題。農作物種植結構遙感提取主要基于不同類型農作物在遙感數據上呈現的光譜、時間和空間特征的差異，并且農作物光譜特性的時空效應存在遙感全過程[2]。遙感技術作為新型對地觀測技術，因具有宏觀性、綜合性和動態(tài)性的特點，成為獲取區(qū)域農作物布局和組成的重要途徑[3]。快速、準確、客觀地獲取作物種植信息、科學地評估作物空間分布，對保障糧食生產安全具有重要意義，有助于合理優(yōu)化種植結構、提升糧食生產效率和產量。

1 數據與方法

目前，國內外農作物種植結構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，使用中國國產的高分衛(wèi)星進行種植結構分類的研究較少。基于高分一號和六號衛(wèi)星的影像特征，通過挖掘適用于農作物分類的相關特征，研究基于高空間分辨率的多特征農作物分類、基時間序列的農作物分類和紅邊信息的農作物分類，以提高農作物遙感識別和分類的精度，為農業(yè)監(jiān)測提供支持。具體流程（圖1）。

（1）數據的預處理包括正射校正、圖像融合、圖像拉伸、投影轉換以及時空匹配（將實地采樣點數據與衛(wèi)星影像按照經緯度實現時間相近像元級匹配，為建模前提供訓練樣本）;（2）選取樣本，根據站點對應的衛(wèi)星像元提取衛(wèi)星多個波段的像元值，作為模型輸入特征，并進行模型訓練和參數優(yōu)化，針對訓練樣本采用隨機森林模型，通過格網搜索設置樹的深度、樹的個數等參數，最終得出最高精度下的模型參數，即最優(yōu)參數;用訓練好的模型進行農作物分類。

2 結果分析

本采樣點主要通過GPS定位與人為采樣獲得，總共提供16種農作物類別，共101個樣本點。其中，玉米種植結構采樣點最多，共53個點，谷子共30個點，中草藥共15個點，山葡萄共3個點。由于機器學習需要大量的訓練樣本進行建模，實際人工現場采樣數量無法夠滿足這一基本需求。因此，在人工樣本點的基礎上，通過人工目視解譯將樣本點擴充至300個。

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

對訓練樣本進行隨機森林模型訓練，最終對玉米、谷子、高粱、山葡萄和中草藥進行分類識別。隨機森林是一種集成算法（Ensemble Learning），它屬于Bagging類型，通過組合多個弱分類器，最終結果通過投票或取均值，使得整體模型的結果具有較高的精確度和泛化性能。其可以取得不錯成績主要歸功于“隨機”和“森林”，一個使它具有抗過擬合能力，一個使它變得更加精準。

通過將樣本點輸入到隨機森林模型后得到最終的種植結構圖（玉米、谷子、高粱、山葡萄、中草藥）（圖3）。

3 結論

從農作物分類結果可以看出，玉米是主要農作物，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)，地勢較高，農作物類別較多，但覆蓋面積相對東南部明顯較少，也說明山區(qū)適合種植的農作物相對較少。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。

高分六號衛(wèi)星增加的兩個紅邊波段能夠提供豐富的光譜信息，為農作物分類提供更加有效的手段。結果表明，加入兩個紅邊波段可以提高作物分類識別的精度。在研究中，加入兩個紅邊波段后，有助于農作物分類，體現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均對農作物識別和分類具有一定的提高作用。

參考文獻

[1] 宋茜.基于GF-1/WFV和面向對象的農作物種植結構提取方法研究[D].北京：中國農業(yè)科學院，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.

責任編輯：黃艷飛