基于多源異構數據的糧食作物種植面積提取

李國庭，王德強，趙德良，李濼，劉昊，王元美，何孟橋

(山東省地質測繪院，山東 濟南 250002)

0 引言

隨著ZY-3、02C、GF-1和GF-2等國產衛星的成功發射及其影像數據的免費應用，大大降低了大范圍農情遙感監測的數據成本，并提高了農情監測的時效性[1-11]。

近年來，隨著高空間分辨率遙感數據的方便獲取，已有許多高分遙感影像數據監測小麥、玉米、大豆等農作物種植面積的成功案例[2-5]。但是單獨利用高分遙感影像對農作物進行識別和分類存在很大的不足。傳統的遙感信息分類和提取，主要體現在：目前的方法適合于單一作物大面積耕種的平原地區，不適合山區破碎地塊；對農作物種類識別，光譜或影像相近的，識別的差錯率較大；判讀出來的圖斑邊界與實地不符，精度較差，不能精確的測算糧食種植面積和種類。

因此，本文提出一種基于空地一體的多源異構數據融合的糧食作物識別技術，創新性地將國產高分辨率衛星影像數據和多源測繪地理信息數據進行融合，建立一種快速提取糧食作物的種類和面積的技術流程。

1 研究現狀

1.1 國內外研究情況

目前國內外對作物面積遙感提取方法中，常見的方法包括目視解譯及其各種監督分類法，還引入了面向對象提取和多時相分析等新方法。遙感監督分類法是在一定數量樣本的基礎上自動提取農作物種植面積。此外，隨著高時間分辨率衛星數據產品的出現，多時相分析方法獲得了廣泛的應用。該方法的主要原理是利用不同類型作物生長的物候特征，與同時期遙感影像信息的時相變化規律比對從而識別不同農作物類型。數據融合的技術關鍵在于選擇適當的融合算法，最大限度地利用多源遙感數據中的有用信息[7]。在中國南方地區，農作物類型多樣、種植結構復雜等問題普遍存在，MODIS影像受低空間分辨率的限制會產生大量混合像元問題[11]。無法滿足農田景觀破碎地區的作物制圖精度需求，因此亟需補充具有中高空間分辨率的長時序遙感影像源來提高作物提取的準確性[12]。目前基于，高分遙感影像對農作物提取區域主要是單一作物(如水稻、小麥等)的平原地區，且對糧食作物種類識別差錯率較大，圖斑邊界與實地不符，不能精確的測算糧食作物種植面積和種類。

1.2 我國遙感發展情況

遙感是一種遠距離探測和識別技術，它可以準確及時地獲取農業資源和農業生產信息，是傳統農業向信息農業過渡的主要技術方法[1]。糧食作為最基本的生活物資，供求關系的變化直接關系人類生命安全，維系著國計民生。中國作為世界人口大國，必須始終把握維護國家糧食安全的主動權。

我國的衛星遙感事業在2012年后突飛猛進，陸續發射了多種衛星，包含了光學衛星、雷達衛星、高光譜衛星，衛星遙感技術已經處于世界先進行列。GF-6衛星的成功發射，標志著我國高分專項打造的高空間分辨率、高時間分辨率、高光譜分辨率的對地觀測能力顯著增強，最有應用特色的高光譜能力已形成。GF-6是中國首顆多光譜攜帶紅邊波段的農業遙感衛星[13]。吉林一號利用遙感數據的可見光、近紅外和短波紅外波段，輔以土地利用現狀數據、地面調查數據、農業歷史統計數據，通過分析各類農作物在不同物候期的光譜特征、紋理特征，快速進行農作物種植結構識別[8]。

2 技術方法

2.1 研究區概況

莒縣地處魯東南地區，位于日照市西部，面積1821km2，管轄20個鄉鎮(街道)和1處省級經濟開發區，人口110萬。縣域南北長75.6km，東西寬37.4km，總面積1821km2。莒縣總體地勢北高南低，地形復雜多樣，四周環山，中間丘陵、平原、洼地相接。

2.2 分類方法

2.2.1 數據分析

遙感圖像處理采用美國ENVI5.1遙感圖像處理與分析平臺,包括波段組合、圖像融合、幾何校正、多功能增強等環境地質信息提取[14]。GF-1衛星的WFV傳感器16m分辨率的影像已在農業領域廣泛應用[15]。將遙感影像加載到影像處理軟件中，根據遙感影像上的紋理、色調，參照遙感解譯標志判讀圖斑種植類型，大體勾繪出種植邊界。作業完成后檢查人員對糧食作物分類和種植面積提取情況進行檢核。研究人員對勾繪圖斑進行外業檢查，依據GNSS設備現場測量，成圖后進行對比，發現邊界精度較差，中誤差高達5m，導致面積測算不準確，通過統計分析得出，平均準確率僅為78.30%(圖1，表1)。

圖1 常規方法影像解譯情況

表1 糧食作物面積提取準確率統計情況

利用矢量的多尺度分割未能把草地與耕地較好地分離開，影響信息提取的準確性，圖斑采集范圍也不準確。以遙感影像為基礎，結合第三次國土調查、基礎性地理省情監測、數字城市、農村土地承包經營權確權登記頒證等項目成果數據，通過多源異構地理信息數據融合的方式，提高了特征提取的準確度。用最新測算三調坡度數據，精確計算糧食作物地塊面積。第三次國土調查坡度數據是以高精度數字高程模型(DEM)數據制作坡度圖，進而計算田坎系數，用數據處理軟件對形成的地塊數據進行坡度賦值，精確計算每個地塊的測量面積和扣除面積，分割效果見圖2，坡度見圖3。

圖2 矢量參與分割效果圖

1—一級；2—二級；3—三級；4—四級；5—五級圖3 坡度圖

2.2.2 分類方法

以遙感影像紋理、低空無人機拍照、部分區域三維建模相結合的方式建立大量解譯樣本，有助于內業更好識別地物，更直觀、便捷的作業。使用遙感影像解譯軟件，依靠大量解譯樣本對影像進行自動化處理，最后再人工干預處理，節省大量人力、物力，極大提高工作效率。步驟主要為：①建立遙感影像解譯樣本，根據影像紋理和色澤判斷糧食作物范圍。②針對地塊破碎程度大、作物種類多的復雜區域，使用無人機航飛，生成實景三維模型，一是可增加復雜區域樣本，二是方便作業人員了解現場情況，三是可為客戶提供可視化成果。③根據在縣農業局收集的歷年糧食作物種植類型和面積分布資料，并實地調研，設計全縣不同作物類型樣本采樣點位置和數量，用無人機超低空攝影，拍攝高清晰航空照片，建立大量不同類型高清解譯樣本。④將樣本數據匯總，利用遙感影像解譯軟件，使用人工干預和軟件自動化解析相結合的方式，基于大量解譯樣本對該區域影像進行深度學習，節省大量人力、物力，極大提高工作效率。

3 結果與分析

3.1 研究結果

通過多源影像和多種地理信息數據融合的方式，分析糧食作物種植類別，準確確定糧食作物種植邊界，解決了高分遙感影像在確定糧食作物類別不準確，邊界精度低的問題，現階段創新了糧食作物識別及面積量算關鍵技術和方法。

3.2 精度評價

糧食作物的面積提取精度評價是指根據實測的數據與分類提取結果，以便確定分類過程的準確程度的方法。組織研究人員進行檢查，對基于多源地理信息融合方法處理后的糧食作物地塊(水稻、蔬菜、西瓜、玉米、休耕地)進行驗證，采用GNSS設備，經過批量抽樣檢查，結合AutoCAD、ArcMap10．2等軟件，進行了面積統計誤差計算。本研究采用總體精度評價，根據外業平面測量的面積數據進而使用坡度數據(圖3)，精確計算每個地塊的測量面積和扣除面積，最終結果顯示各地類面積誤差都較小，全部都小于1%，統計情況見表2。

表2 分類面積與實際面積統計情況

4 討論

目前國內外對糧食作物面積遙感提取方法除了常規的目視解譯及其監督分類法外，還引入了面向對象提取和多時相分析等新方法[7]。傳統提取方法主要依靠人工，采用目視解譯的方法。不僅能效低，而且精度取決于作業員的經驗值和傾向性[16]。遙感監督分類法，是計算機自動提取農作物種植面積經常使用的一種手段。高時間分辨率衛星影像數據產品的出現，對于多時相的分析方法，在業界獲得了廣泛的應用。遙感監督分類方法的主要原理是根據不同類型作物生長的物候特征，與同時期高分遙感影像信息的時相變化規律，進行不同農作物類型的識別。基于高分遙感影像對農作物提取區域大都為單一作物(如水稻、小麥等)的平原地區，且對糧食作物種類識別差錯率較大，圖斑邊界與實地不符，不能精確地測算糧食作物種植面積和種類[2]。

遙感技術具有快速、實時、信息量大等優點[17]。利用遙感技術可以快速的、大范圍、全面的獲取地表信息[18]。本研究充分發揮多源異構數據的優勢，提出了利用多時段、多源地理信息數據融合的方式，進行糧食作物種類識別，有效地彌補了遙感影像在糧食作物識別方面的缺點，極大地提高了糧食作物種類識別和調查面積的準確率。對于指導國家宏觀方面的農業生產、制定農業政策、規范農業管理等各方面具有重要的現實意義。傳統的糧食作物種植結構統計方法大多是實地調查，存在主觀性強，持續時間長，耗費人力、物力、財力等問題，此次研究實現了糧食作物面積快速精準監測，為政府決策提供扎實的數據支撐。

5 結論

本研究以日照市莒縣為研究區域，融合該區域多源數據信息，利用深度學習等方法，基于多時相、多源異構數據進行分析研究，進行了該區域不同農作物種植面積提取。

(1)以國產“高分六號”和“吉林一號”遙感影像為基礎，疊加國土調查、省情監測等航空正射影像，結合第三次國土調查、省情監測、農村土地承包經營權數據庫矢量成果，準確確定糧食作物種植邊界，對精度進行了評價，結果表明該種方法可以顯著提高農作物分類精度，多源數據融合后的研究區農作物分類精度誤差僅為0.37%。

(2)利用遙感影像紋理、低空無人機拍照、部分區域三維建模相結合方式，創新樣本解譯方法，使用遙感解譯軟件，對多時相、多類別的影像進行深度學習，優化了糧食作物種類識別和種植面積量算技術，提高了作為種類識別準確性的種植面積量算精確性。