基于深度學(xué)習(xí)和多源遙感數(shù)據(jù)的玉米種植面積提取

呂偉 宋軒 楊歡

摘要：玉米作為我國(guó)主要糧食作物之一，及時(shí)準(zhǔn)確監(jiān)測(cè)其種植范圍及面積對(duì)農(nóng)業(yè)產(chǎn)能評(píng)估、保障糧食安全具有重要意義。以華北平原典型農(nóng)業(yè)區(qū)——原陽(yáng)縣為例，基于歐空局Sentinel-1 SAR和Sentinel-2 MSI遙感影像數(shù)據(jù)，在谷歌地球引擎云平臺(tái)的支持下通過(guò)提取雷達(dá)后向散射系數(shù)時(shí)序曲線以及歸一化植被指數(shù)（NDVI）時(shí)序曲線，搭建卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，并將時(shí)序數(shù)據(jù)輸入模型得到典型地物分類結(jié)果，提取了研究區(qū)玉米種植區(qū)域，利用野外調(diào)查數(shù)據(jù)進(jìn)行精度驗(yàn)證，并與隨機(jī)森林分類對(duì)種植區(qū)的提取結(jié)果進(jìn)行對(duì)比。結(jié)果表明，基于光學(xué)和SAR融合遙感影像數(shù)據(jù)的識(shí)別效果最佳，總體精度達(dá)到93.33%，κ系數(shù)為0.911；與隨機(jī)森林分類法相比，卷積神經(jīng)網(wǎng)絡(luò)分類的總體精度更高，分類效果更好。因此，采用卷積神經(jīng)網(wǎng)絡(luò)以及多源遙感數(shù)據(jù)的融合能夠?qū)崿F(xiàn)玉米種植面積的準(zhǔn)確監(jiān)測(cè)。

關(guān)鍵詞：深度學(xué)習(xí)；多源遙感；融合數(shù)據(jù)；卷積神經(jīng)網(wǎng)絡(luò)；種植識(shí)別；時(shí)序數(shù)據(jù)；玉米

中圖分類號(hào)：TP79；S127? 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2023）23-0171-07

玉米作為我國(guó)主要糧食作物之一，及時(shí)準(zhǔn)確監(jiān)測(cè)玉米的種植面積對(duì)掌握玉米產(chǎn)量、保障糧食安全以及經(jīng)濟(jì)和環(huán)境的可持續(xù)發(fā)展有至關(guān)重要的意義［1］。傳統(tǒng)玉米種植面積監(jiān)測(cè)主要通過(guò)問(wèn)卷調(diào)查和實(shí)地訪談統(tǒng)計(jì)信息并逐層上報(bào)，需要大量的人力物力［2］，且耗時(shí)較長(zhǎng)［3］。遙感分類法是基于1幅或多幅玉米種植影像進(jìn)行面積提取的方法［4］，衛(wèi)星遙感技術(shù)以其覆蓋面大、重訪周期短、多時(shí)空分辨率等優(yōu)勢(shì)，在植被面積監(jiān)測(cè)方面取得了巨大成就［5］。遙感分類法主要包括2種，一種選取作物光譜特征差異明顯的1期影像來(lái)實(shí)現(xiàn)分類，另一種是基于多期遙感影像，提取作物生育期內(nèi)光譜變化的時(shí)序特征進(jìn)行面積提取。后者精度更高，是目前作物精細(xì)分類的主要方式［6］，但是需要人工預(yù)處理并提取相關(guān)特征［7］，數(shù)據(jù)重建工作復(fù)雜，不利于快速與自動(dòng)化分類作物。近年來(lái)，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的突破性技術(shù)，廣泛應(yīng)用于圖像分類、目標(biāo)識(shí)別等領(lǐng)域。深度學(xué)習(xí)在特征表示方面具有特有的靈活性，基于原始輸入數(shù)據(jù)和輸入標(biāo)簽，使用卷積運(yùn)算自動(dòng)提取特征，實(shí)現(xiàn)模型端到端訓(xùn)練，不需要專家先驗(yàn)知識(shí)即可實(shí)現(xiàn)高精度、自動(dòng)化分類［8］。Kussul等基于多源多時(shí)序遙感數(shù)據(jù)對(duì)比分析后認(rèn)為，卷積神經(jīng)網(wǎng)絡(luò)（CNNs）要優(yōu)于隨機(jī)森林方法，各種作物的目標(biāo)分類精度均在85%以上［9］。Garnot等使用CNN、RNN、R-CNN對(duì)時(shí)序哨兵二號(hào)數(shù)據(jù)進(jìn)行分類，發(fā)現(xiàn)所有深度學(xué)習(xí)模型均優(yōu)于隨機(jī)森林模型，突出了深度學(xué)習(xí)模型在農(nóng)業(yè)地塊分類方面的潛力［10］。目前國(guó)內(nèi)外作物面積提取主要采用多光譜遙感影像，但是夏季作物生長(zhǎng)關(guān)鍵期云雨天氣頻繁［11］，難以獲得有效的多時(shí)相遙感數(shù)據(jù)［12］。相比之下，合成孔徑雷達(dá)能穿透云、霧，不受天氣影響，但雷達(dá)影像中存在很大的散斑噪聲［13］和幾何形變現(xiàn)象（如透視收縮、疊掩和陰影等）［14］，會(huì)影響地物識(shí)別的精度。如何將多光譜和雷達(dá)圖像進(jìn)行融合，從而提高作物種植面積提取精度顯得尤為重要。因此，本研究以華北平原典型玉米種植區(qū)的識(shí)別為例，基于Sentinel-1 SAR和Sentinel-2 MSI融合的時(shí)間序列遙感數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡(luò)算法（CNN），評(píng)估CNN在時(shí)間序列分類任務(wù)中的適用性，探索光學(xué)和雷達(dá)遙感融合數(shù)據(jù)在作物種植類型識(shí)別中的優(yōu)勢(shì)。

1 研究區(qū)域和數(shù)據(jù)處理

1.1 研究區(qū)域概況

研究區(qū)選擇河南省新鄉(xiāng)市原陽(yáng)縣，該縣地處豫北平原，南臨黃河，位于34.55°～35.11°N、113.36°～114.15°E，東接封丘縣，西鄰武陟縣、獲嘉縣，背靠新鄉(xiāng)縣、延津縣，南與鄭州市隔河相望，總面積1 022 km2。地貌屬?zèng)_積平原，地勢(shì)西南高、東北低。溫帶大陸性季風(fēng)氣候，年均氣溫約為14.3 ℃，平均降水量為556? mm，全年無(wú)霜期227 d。

原陽(yáng)縣農(nóng)業(yè)發(fā)達(dá)，是華北平原主要農(nóng)作物種植區(qū)之一，以1年2熟的作物輪作模式為主，玉米為夏季主要作物之一，一般于6月中上旬播種，8月進(jìn)入生長(zhǎng)旺盛期，10月中下旬收獲，生育期為每年的6—10月（圖1）。

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

1.2.1 遙感影像數(shù)據(jù)

選取哨兵一號(hào)雷達(dá)影像（Sentinel-1 SAR ）和哨兵二號(hào)多光譜影像（Sentinel-2 MSI），數(shù)據(jù)訪問(wèn)、處理及模型構(gòu)建通過(guò)谷歌地球引擎（Google Earth Engine，GEE）云平臺(tái)進(jìn)行。哨兵系列影像具有重訪周期短、空間分辨率高、影像覆蓋范圍大、數(shù)據(jù)免費(fèi)等優(yōu)點(diǎn)，是現(xiàn)今較有優(yōu)勢(shì)的一種對(duì)地觀測(cè)數(shù)據(jù)。

1.2.1.1 Sentinel-1 SAR GRD數(shù)據(jù)

該數(shù)據(jù)通過(guò)GEE云平臺(tái)獲取，采用干涉測(cè)量寬幅模式（interferometric wide swath，IW）下的VH （垂直發(fā)射水平接收）極化方式和VV（垂直發(fā)射垂直接收）極化方式，利用Sentinel-1 Toolbox （S1TBX）工具進(jìn)行預(yù)處理，包括熱噪聲去除、輻射定標(biāo)、地形校正等，空間分辨率為 10 m，重訪周期為12 d。

1.2.1.2 Sentinel-2 MSI數(shù)據(jù)

Sentinel-2 MSI采用Level-1C產(chǎn)品，共13個(gè)波段，其中分辨率為10 m的波段有4個(gè)，分辨率為20 m的有6個(gè)，分辨率為60 m的有3個(gè)，光譜覆蓋范圍從可見(jiàn)光到近紅外、短波紅外波段［15］，時(shí)間分辨率 5 d，其自帶質(zhì)量評(píng)估（QA）波段識(shí)別云像元。本研究通過(guò)GEE云平臺(tái)篩選出作物生長(zhǎng)期云量少于25%的8幅影像。

1.2.2 野外數(shù)據(jù)

為準(zhǔn)確獲取樣本信息，2020年7月利用GPS采集作物分布信息，同時(shí)利用Sentinel-1/2 數(shù)據(jù)選取其他地物典型像元作為樣本，并將所選樣本導(dǎo)入 Google Earth，調(diào)用同年份高分辨率影像，檢查樣本正確性。最終獲得的樣本信息見(jiàn)表1。以6 ∶[KG-*3]2 ∶[KG-*3]2的比例從中選擇720個(gè)樣本進(jìn)行訓(xùn)練，240個(gè)樣本用于驗(yàn)證分類精度，240個(gè)樣本用于測(cè)試模型準(zhǔn)確性。

2 研究方法和技術(shù)路線

2.1 技術(shù)路線

本研究技術(shù)路線見(jiàn)圖2。第一，數(shù)據(jù)集的構(gòu)建，利用GEE云計(jì)算平臺(tái)對(duì)Sentinel-1/2數(shù)據(jù)進(jìn)行預(yù)處理，并根據(jù)樣本坐標(biāo)點(diǎn)信息提取各種地物類型的不同遙感數(shù)據(jù)作物生長(zhǎng)期時(shí)序曲線。第二，對(duì)各類時(shí)序數(shù)據(jù)進(jìn)行組合，在GEE云平臺(tái)上基于不同組合數(shù)據(jù)集構(gòu)建單變量或多變量卷積神經(jīng)網(wǎng)絡(luò)，對(duì)數(shù)據(jù)進(jìn)行作物分類，對(duì)比試驗(yàn)采用隨機(jī)森林方法。第三，分析測(cè)試數(shù)據(jù)的分類結(jié)果，得到作物分類識(shí)別的最優(yōu)數(shù)據(jù)組合。

2.2 時(shí)間序列NDVI/后向散射曲線提取

2.2.1 GEE提取時(shí)序數(shù)據(jù)

歸一化植被指數(shù)（normalized difference vegetation index，NDVI）能較好地反映植被綠度變化，是植被生長(zhǎng)狀態(tài)及植被覆蓋度的最佳指示因子［16］，其結(jié)果在［-1，1］之間。計(jì)算公式為

NDVI=（ρNIR-ρR）/（ρNIR+ρR）。（1）

式中：NDVI表示歸一化植被指數(shù)；ρNIR表示近紅外波段反射率；ρR表示紅外波段反射率。

將樣本坐標(biāo)點(diǎn)處理成shp文件，上傳至GEE云平臺(tái)顯示標(biāo)注地圖，提取每一地物樣本數(shù)據(jù)集（以實(shí)地考察樣點(diǎn)為主）相應(yīng)的時(shí)序數(shù)據(jù)。并通過(guò)光學(xué)影像質(zhì)量標(biāo)識(shí)剔除因云雨天氣導(dǎo)致質(zhì)量不高的數(shù)據(jù)［17］，最終得到相應(yīng)的NDVI、VV后向散射系數(shù)、VH后向散射系數(shù)時(shí)序數(shù)據(jù)。

對(duì)不同時(shí)序數(shù)據(jù)進(jìn)行組合，共產(chǎn)生5組數(shù)據(jù)集：NDVI數(shù)據(jù)、交叉極化數(shù)據(jù)（VH數(shù)據(jù)）、單一極化數(shù)據(jù)（VV數(shù)據(jù)）、融合2類極化數(shù)據(jù)（VH+VV數(shù)據(jù)）、融合2類影像提取的NDVI和極化數(shù)據(jù)得到的融合數(shù)據(jù)（NDVI+VV+VH）。

2.2.2 Savitzky-Golay濾波平滑

由于云、氣溶膠、太陽(yáng)高度角等因素，原始遙感數(shù)據(jù)集存在很多噪聲，在此情況下提取的時(shí)序曲線，波動(dòng)性較大，不具有代表性。因此，需要對(duì)時(shí)間序列進(jìn)行去噪處理。Savitzky-Golay（S-G）濾波被廣泛應(yīng)用于數(shù)據(jù)流平滑去噪，可以在消除噪聲的同時(shí)確保信號(hào)的形狀、寬度不變，是遙感植被指數(shù)時(shí)間序列的主要濾波方法。它是一種時(shí)域低通濾波法，通過(guò)局部多項(xiàng)式回歸模型平滑時(shí)序數(shù)據(jù)，是移動(dòng)窗口的加權(quán)平均算法，通過(guò)將給定高階多項(xiàng)式的最小二乘法在滑動(dòng)窗口內(nèi)擬合得到加權(quán)系數(shù)。基本思想是：基于多項(xiàng)式在濾波窗口內(nèi)利用最小二乘法對(duì)數(shù)據(jù)進(jìn)行擬合［18］。

式中：Y表示原始數(shù)值；Y′表示擬合值；Ci表示第i個(gè)點(diǎn)的權(quán)重；N=2n+1表示濾波窗口的大小。

進(jìn)行數(shù)據(jù)清洗后，將每類地物所有樣本的時(shí)序數(shù)據(jù)在同一時(shí)間上分別求平均，通過(guò) S-G 濾波器對(duì)平均時(shí)序數(shù)據(jù)進(jìn)行濾波處理，得到較平滑的時(shí)序曲線［19］。為得到較好的平滑結(jié)果，經(jīng)多次試驗(yàn)后，濾波核左右各選取5點(diǎn)，設(shè)平滑多項(xiàng)式次數(shù)為 2，最終的標(biāo)準(zhǔn)時(shí)序曲線分別見(jiàn)圖3、圖4、圖5。

2.3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)方法中最成功的網(wǎng)絡(luò)架構(gòu)之一，是建立在傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)上的一種深度學(xué)習(xí)算法，也是第1個(gè)成功訓(xùn)練多層網(wǎng)絡(luò)的算法［20］。CNN具有局部連接、權(quán)值共享和池化層降采樣的特點(diǎn)，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，可以減少參數(shù)量、降低模型復(fù)雜度，并賦予模型對(duì)平移和形變的容忍性［21］。卷積層通過(guò)計(jì)算卷積核與覆蓋區(qū)域信號(hào)值的點(diǎn)擊來(lái)確定神經(jīng)元的輸出。

CNN一般由用于分層提取特征的卷積濾波層和用于計(jì)算輸出值的全連接層2個(gè)部分組成。網(wǎng)絡(luò)層數(shù)的選擇、卷積核的數(shù)量和大小、激活函數(shù)等，在CNN結(jié)構(gòu)設(shè)計(jì)中尤為重要。經(jīng)多次調(diào)參嘗試，本研究選擇4層Conv1D來(lái)提取特征值，每2層Conv1D后添加1層MaxPooling1D保留主要特征，減少計(jì)算量。每層卷積層使用修正線性單元ReLU函數(shù)作為激活函數(shù)來(lái)提高神經(jīng)網(wǎng)絡(luò)對(duì)模型的表達(dá)能力。池化層被固定為最大池化層，窗口大小為2。后面接1個(gè)全連接層、1個(gè)Dropout層、1個(gè)Dense層進(jìn)行Softmax分類。模型訓(xùn)練選擇Adam優(yōu)化器，損失函數(shù)采用交叉熵?fù)p失函數(shù)（CEloss），公式如下［22］。

式中：N表示每批訓(xùn)練樣本的數(shù)量；C表示所有類別的集合；I（n）c表示當(dāng)前批次第n個(gè)樣本獨(dú)熱標(biāo)簽類；P（n）c表示模型預(yù)測(cè)樣本n為c類的概率，ln P（n）c用來(lái)表示懲罰模型對(duì)錯(cuò)誤分類的樣本的預(yù)測(cè)。

Dropout是一種正則化技術(shù)，通過(guò)隨機(jī)失活一些神經(jīng)元，防止數(shù)據(jù)集較小時(shí)容易造成過(guò)擬合［23-24］，以提高神經(jīng)網(wǎng)絡(luò)的性能，設(shè)置為0.5。全連接層經(jīng)過(guò)Dropout層后，輸入Softmax層，最終輸出4種類別的概率結(jié)果。經(jīng)過(guò)濾波處理的5組不同特征組合的時(shí)序數(shù)據(jù)集均輸入該模型，模型架構(gòu)見(jiàn)圖6。

2.4 精度評(píng)價(jià)指標(biāo)

構(gòu)建混淆矩陣時(shí)選取用戶精度（user accuracy，UA）、生產(chǎn)者精度（producer accuracy，PA）、總體精度（overall accuracy，OA）、κ系數(shù)、F1分?jǐn)?shù)（F1-score，

別稱平衡F分?jǐn)?shù)）5個(gè)評(píng)價(jià)指標(biāo)。其中，OA用于描述驗(yàn)證樣本與分類結(jié)果一致的概率；PA表示地面的某類別被正確分類的概率；UA表示正確分類某類別的概率，主要用來(lái)評(píng)價(jià)分類結(jié)果的可信度；F1分?jǐn)?shù)指標(biāo)為綜合考慮PA和UA的調(diào)和值［24］；κ系數(shù)用于描述混淆矩陣的一致性，表征分類結(jié)果的可信度，當(dāng)κ>80%時(shí)，表示分類精度最高；當(dāng) 40%<κ<80%時(shí)，表示分類精度中等；當(dāng)κ<40%時(shí)，表示分類精度最差［25］。

3 結(jié)果與分析

整體而言，采用1D-CNN分類方法的各種組合數(shù)據(jù)集均獲得較好的分類效果，總體分類精度均高于85%，κ系數(shù)高于80%，所有試驗(yàn)結(jié)果中，NDVI數(shù)據(jù)與SAR極化數(shù)據(jù)融合分類效果最好。分類結(jié)果分別見(jiàn)表2、表3。隨機(jī)森林分類效果較差，其總體分類精度及κ系數(shù)結(jié)果見(jiàn)表3。

3.1 基于時(shí)序NDVI數(shù)據(jù)的典型地物分類

由表3可知，基于時(shí)序NDVI數(shù)據(jù)的典型地物分類總精度為92.08%，κ系數(shù)為0.894，高于SAR極化數(shù)據(jù)分類精度。從單個(gè)類別的分類效果看，采用NDVI數(shù)據(jù)分類在水稻、玉米、建筑等3類地物的提取中有較好的分類效果，僅低于NDVI數(shù)據(jù)和極化數(shù)據(jù)融合的分類效果，其中玉米提取的F1分?jǐn)?shù)為87.3%，但在水體提取上效果最差。

3.2 基于時(shí)序SAR后向散射數(shù)據(jù)的典型地物分類

首先比較2種極化方式分類結(jié)果，發(fā)現(xiàn)VV極化數(shù)據(jù)分類效果最差，基于時(shí)序VV極化數(shù)據(jù)的識(shí)別總精度為86.25%，κ系數(shù)0.817；VH極化數(shù)據(jù)分類效果較好，優(yōu)于VV極化效果，識(shí)別總精度為89.17%， κ系數(shù)0.856； 與單一VH極化數(shù)據(jù)相比，VH+VV的組合數(shù)據(jù)分類效果更好，總精度為91.21%，κ系數(shù)為0.883，相比于單獨(dú)利用VH或VV極化數(shù)據(jù)，VH+VV的組合分類總精度分別提高4.96、2.04百分點(diǎn)，κ系數(shù)分別提高0.066、0.027。從單個(gè)類別的分類效果來(lái)看，后向散射系數(shù)對(duì)水體的分類效果較好，因?yàn)樗w與其他地物后向散射系數(shù)差異明顯，單獨(dú)使用VV極化數(shù)據(jù)和單獨(dú)使用VH極化數(shù)據(jù)，對(duì)水體分類的F1分?jǐn)?shù)均能達(dá)到99%以上，但是對(duì)玉米這類旱地作物分類效果較差，尤其是VV極化數(shù)據(jù)，對(duì)玉米分類的F1分?jǐn)?shù)僅能達(dá)到76.34%，但VH極化數(shù)據(jù)對(duì)玉米分類的F1分?jǐn)?shù)能達(dá)到86.21%，說(shuō)明在提取玉米面積時(shí)，雷達(dá)圖像具有可分性。

3.3 基于融合時(shí)序NDVI和SAR后向散射數(shù)據(jù)的典型地物分類

由表3可知，融合數(shù)據(jù)分類總精度為93.33%，κ系數(shù)為0.911。相比NDVI數(shù)據(jù)總精度提高1.25百分點(diǎn)，κ系數(shù)提高約0.017；相對(duì)于單一極化數(shù)據(jù)，融合數(shù)據(jù)總精度分別提高7.08、4.86百分點(diǎn)，κ系數(shù)分別提高0.094、0.055；相對(duì)于VV+VH組合數(shù)據(jù)，融合數(shù)據(jù)總精度提高了2.12百分點(diǎn)，κ系數(shù)提高0.028。融合數(shù)據(jù)的玉米提取的F1分?jǐn)?shù)為88.71%，較其他數(shù)據(jù)方案均有明顯提升。綜上，融合2類遙感影像提取出的數(shù)據(jù)用于作物分類效果更佳，對(duì)玉米提取精度的提高有明顯效果。

3.4 CNN在玉米面積提取中的表現(xiàn)

整體而言，利用CNN對(duì)5類組合數(shù)據(jù)進(jìn)行地物分類，均得到較好的分類效果，總體分類精度均高于85%，高于隨機(jī)森林分類方法，κ系數(shù)均高于80%，說(shuō)明使用卷積神經(jīng)網(wǎng)絡(luò)能夠有效地應(yīng)用于典型地物識(shí)別。各數(shù)據(jù)組合方案中，除單一VV極化數(shù)據(jù)外，玉米提取F1分?jǐn)?shù)均在85%以上，說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)能有效區(qū)分玉米，能達(dá)到玉米識(shí)別精度要求。不同數(shù)據(jù)集整體分類結(jié)果較接近，但NDVI數(shù)據(jù)分類結(jié)果有一定的錯(cuò)分現(xiàn)象，含有后向散射系數(shù)數(shù)據(jù)的分類結(jié)果椒鹽現(xiàn)象較明顯，這是因?yàn)槔走_(dá)影像存在斑點(diǎn)噪聲，單個(gè)像元受噪聲影響較大，影響了時(shí)序曲線的構(gòu)建。結(jié)合NDVI時(shí)序數(shù)據(jù)以及后向散射系數(shù)數(shù)據(jù)的分類精度更高，椒鹽現(xiàn)象及錯(cuò)分現(xiàn)象都得到明顯改善，減少了將建筑錯(cuò)分為玉米的現(xiàn)象，有利于玉米的遙感提取與制圖。

3.5 玉米面積提取

綜上，本研究采用卷積神經(jīng)網(wǎng)絡(luò)和多源遙感時(shí)序數(shù)據(jù)，獲取原陽(yáng)縣的玉米種植面積及分布（圖7），可見(jiàn)玉米為原陽(yáng)縣主要夏季農(nóng)作物，主要分布于除太平鎮(zhèn)和葛埠口鄉(xiāng)以外的大部分地區(qū)。《2021年新鄉(xiāng)統(tǒng)計(jì)年鑒》記錄原陽(yáng)縣2020年的玉米種植面積為477.2 km2，分類結(jié)果中玉米種植面積為 446.1 km2，提取玉米面積與統(tǒng)計(jì)數(shù)據(jù)的一致性為93.5%。

4 結(jié)論與討論

4.1 結(jié)論

本研究基于Sentinel-1/2數(shù)據(jù)，采用5種組合數(shù)據(jù)方案，結(jié)合GEE云平臺(tái)以及1D CNN分類器，以華北平原典型農(nóng)作物種植區(qū)為例，通過(guò)多光譜和雷達(dá)影像的數(shù)據(jù)融合，基于深度學(xué)習(xí)對(duì)玉米種植面積進(jìn)行識(shí)別與提取，主要結(jié)論如下：（1）不同數(shù)據(jù)組合方式對(duì)分類識(shí)別結(jié)果存在差異，融合數(shù)據(jù)效果最好，總精度為93.33%，κ系數(shù)為0.911。SAR極化數(shù)據(jù)識(shí)別總精度均在85%以上，VV+VH的組合識(shí)別總精度最高，為91.21%，κ系數(shù)為0.883；NDVI數(shù)據(jù)分類精度高于SAR極化數(shù)據(jù)，總精度為92.08%，κ系數(shù)為0.894。（2）針對(duì)玉米提取，除VV極化數(shù)據(jù)效果較差，另外4種方案的F1分?jǐn)?shù)均能達(dá)到85%以上。（3）采用卷積神經(jīng)網(wǎng)絡(luò)，總體精度均在85%以上，κ系數(shù)均在0.8以上，分類效果均高于隨機(jī)森林的分類效果。

4.2 討論

本研究充分利用GEE云平臺(tái)強(qiáng)大的計(jì)算能力，通過(guò)建立研究區(qū)遙感地物分類模型，分析采用CNN算法使用Sentinel-1/2數(shù)據(jù)對(duì)華北平原玉米種植面積進(jìn)行提取的效果。從方法上看，采用卷積神經(jīng)網(wǎng)絡(luò)，使用光學(xué)遙感數(shù)據(jù)或SAR后向散射系數(shù)數(shù)據(jù)，均能有效提取玉米種植面積，相較于隨機(jī)森林算法而言，卷積神經(jīng)網(wǎng)絡(luò)能更好地提取作物時(shí)序信息，5種數(shù)據(jù)組合分類效果均高于隨機(jī)森林的分類效果，總體分類精度均高于85%，κ系數(shù)均高于80%，說(shuō)明使用卷積神經(jīng)網(wǎng)絡(luò)能夠有效地應(yīng)用于典型地物識(shí)別。玉米提取的F1分?jǐn)?shù)除采用VV數(shù)據(jù)的分類方式外，均能達(dá)到85%以上，說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)能有效提取玉米種植面積，滿足精細(xì)農(nóng)業(yè)種植面積提取的需求，證明卷積神經(jīng)網(wǎng)絡(luò)在作物分類等應(yīng)用中具有巨大的潛力。從數(shù)據(jù)上看，光學(xué)遙感數(shù)據(jù)分類效果比SAR后向散射系數(shù)數(shù)據(jù)分類效果更好。光學(xué)遙感數(shù)據(jù)對(duì)作物提取更有效，水體的后向散射系數(shù)與其他地物后向散射系數(shù)差異明顯，故雷達(dá)影像數(shù)據(jù)對(duì)水體的提取效果更好。另外，在光學(xué)數(shù)據(jù)缺失的情況下，采用雷達(dá)后向散射時(shí)序數(shù)據(jù)也能達(dá)到較好的識(shí)別精度，對(duì)玉米的提取效果滿足精細(xì)農(nóng)業(yè)種植面積提取的需求，說(shuō)明雷達(dá)影像在玉米面積提取上具備可分性。融合數(shù)據(jù)分類精度較單一數(shù)據(jù)分類精度更高，NDVI數(shù)據(jù)分類結(jié)果有一定的錯(cuò)分現(xiàn)象，含有后向散射系數(shù)數(shù)據(jù)的分類結(jié)果椒鹽現(xiàn)象較明顯，這是因?yàn)槔走_(dá)影像存在斑點(diǎn)噪聲，單個(gè)像元受噪聲影響較大，會(huì)影響時(shí)序曲線的構(gòu)建。但是，SAR數(shù)據(jù)的地物后向散射特征不同于光學(xué)影像，其穿透性不僅能獲取植被的表面信息，對(duì)植被的莖、枝、葉等信息也有一定的反應(yīng)，結(jié)合光學(xué)影像的光譜特性，能增加作物種植區(qū)的識(shí)別精度。結(jié)合NDVI時(shí)序數(shù)據(jù)以及后向散射系數(shù)數(shù)據(jù)椒鹽現(xiàn)象及錯(cuò)分現(xiàn)象都得到明顯的改善，降低將建筑錯(cuò)分為玉米的現(xiàn)象，有利于玉米的遙感提取與制圖。綜上，數(shù)據(jù)融合在一定程度上可以提高作物可分性，對(duì)提高作物分類精度有一定的效果。

參考文獻(xiàn)：

［1］李 俐，孔慶玲，王鵬新，等. 基于時(shí)間序列Sentinel-1A數(shù)據(jù)的玉米種植面積監(jiān)測(cè)研究［J］. 資源科學(xué)，2018，40（8）：1608-1621.

［2］Sonobe R，Yamaya Y，Tani H，et al. Assessing the suitability of data from Sentinel-1A and 2A for crop classification［J］. GIScience & Remote Sensing，2017，54（6）：918-938.

［4］潘 力，夏浩銘，王瑞萌，等. 基于Google Earth Engine的淮河流域越冬作物種植面積制圖［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（18）：211-218.

［4］魏鵬飛，徐新剛，楊貴軍，等. 基于多時(shí)相影像植被指數(shù)變化特征的作物遙感分類［J］. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2019，21（2）：54-61.

［5］黃啟廳，曾志康，謝國(guó)雪，等. 基于高時(shí)空分辨率遙感數(shù)據(jù)協(xié)同的作物種植結(jié)構(gòu)調(diào)查［J］. 南方農(nóng)業(yè)學(xué)報(bào)，2017，48（3）：552-560.

［6］羅 明，陸 洲，徐飛飛，等. 基于快速設(shè)定決策閾值的大范圍作物種植分布的遙感監(jiān)測(cè)研究［J］. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2019，40（6）：27-33.

［7］王庚澤，靳海亮，顧曉鶴，等. 基于改進(jìn)分離閾值特征優(yōu)選的秋季作物遙感分類［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（2）：199-210.

［8］Zou Q，Ni L H，Zhang T，et al. Deep learning based feature selection for remote sensing scene classification［J］. IEEE Geoscience and Remote Sensing Letters，2015，12（11）：2321-2325.

［9］Kussul N，Lavreniuk M，Skakun S，et al. Deep learning classification of land cover and crop types using remote sensing data［J］. IEEE Geoscience and Remote Sensing Letters，2017，14（5）：778-782.

［10］Garnot V S F，Landrieu L，Giordano S，et al. Time-space tradeoff in deep learning models for crop classification on satellite multi-spectral image time series［C］//2019 IEEE International Geoscience and Remote Sensing Symposium.Yokohama，2019：6247-6250.

［11］朱鳳敏，吳 迪，楊佳琪. 基于Sentinel-1B SAR數(shù)據(jù)的農(nóng)作物分類方法研究［J］. 測(cè)繪與空間地理信息，2020，43（5）：105-108.

［12］謝新喬，楊繼周，鄧邵文，等. 多時(shí)相Sentinel-1影像反演玉溪典型煙區(qū)烤煙種植分布的方法［J］. 農(nóng)業(yè)資源與環(huán)境學(xué)報(bào)，2023，40（1）：188-195.

［13］Ndikumana E，Minh D H T，Baghdadi N，et al. Deep recurrent neural network for agricultural classification using multitemporal SAR sentinel-1 for Camargue，F(xiàn)rance［J］. Remote Sensing，2018，10（8）：1217.

［14］郭 交，朱 琳，靳 標(biāo). 基于Sentinel-1和Sentinel-2數(shù)據(jù)融合的農(nóng)作物分類［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（4）：192-198. [HJ2mm]

［15］成科揚(yáng)，榮 蘭，蔣森林，等. 基于深度學(xué)習(xí)的遙感圖像超分辨率重建方法綜述［J］. 鄭州大學(xué)學(xué)報(bào)（工學(xué)版），2022，43（5）：8-16.

［16］姜伊蘭，陳保旺，黃玉芳，等. 基于Google Earth Engine和NDVI時(shí)序差異指數(shù)的作物種植區(qū)提取［J］. 地球信息科學(xué)學(xué)報(bào)，2021，23（5）：938-947.

［17］張 淼，吳炳方，于名召，等. 未種植耕地動(dòng)態(tài)變化遙感識(shí)別——以阿根廷為例［J］. 遙感學(xué)報(bào)，2015，19（4）：550-559.

［18］楊澤航，王 文，鮑健雄. 融合多源遙感數(shù)據(jù)的黑河中游地區(qū)生長(zhǎng)季早期作物識(shí)別［J］. 地球信息科學(xué)學(xué)報(bào)，2022，24（5）：996-1008.

［19］陳思寧，趙艷霞，申雙和. 基于波譜分析技術(shù)的遙感作物分類方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（5）：154-160.

［20］趙子娟，劉 東，杭中橋. 作物遙感識(shí)別方法研究現(xiàn)狀及展望［J］. 江蘇農(nóng)業(yè)科學(xué)，2019，47（16）：45-51.

［21］羅榮輝，袁 航，鐘發(fā)海，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的道路擁堵識(shí)別研究［J］. 鄭州大學(xué)學(xué)報(bào)（工學(xué)版），2019，40（2）：18-22.

［22］Kampffmeyer M，Salberg A B，Jenssen R. Semantic segmentation of small objects and modeling of uncertainty in urban remote sensing images using deep convolutional neural networks［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition Workshops.Las Vegas，2016：680-688.

［23］屈 煬，袁占良，趙文智，等. 基于多時(shí)序特征和卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物分類［J］. 遙感技術(shù)與應(yīng)用，2021，36（2）：304-313.

［24］Zhong L H，Hu L N，Zhou H. Deep learning based multi-temporal crop classification［J］. Remote Sensing of Environment，2019，221：430-443.

［25］王小慧，姜雨林，傅漫琪，等. 海河低平原典型縣種植制度與農(nóng)田景觀格局變化遙感監(jiān)測(cè)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（1）：297-304.