时空协同的地块尺度作物分布遥感提取

杨颖频，吴志峰,2，骆剑承，黄启厅，张冬韵，吴田军，孙营伟，曹 峥，董 文，刘 巍

时空协同的地块尺度作物分布遥感提取

杨颖频1，吴志峰1,2※，骆剑承3,4，黄启厅5，张冬韵3,4，吴田军6，孙营伟7，曹 峥1，董 文3，刘 巍3,4

（1. 广州大学地理科学与遥感学院，广州 510006； 2. 南方海洋科学与工程广东省实验室（广州），广州 511458； 3. 中国科学院空天信息创新研究院，北京 100094； 4. 中国科学院大学，北京 100049； 5. 广西农业科学院农业科技信息研究所，南宁 530007； 6. 长安大学理学院，西安 710064；7. 中国农业科学院农业资源与农业区划研究所，北京 100081）

地块尺度作物分布信息清晰直观地反映了农田位置、空间形态等空间细节和种植类型信息，对精准农业管理、种植补贴发放和农业资源调查等具有重要价值。虽然遥感时空协同思路为地块尺度作物分布提取提供了解决方案，但在农田地块提取和时序特征构建方面尚存在不足。该研究基于遥感时空协同的思路，以Google Earth高空间分辨率影像为底图，利用擅于学习影像视觉特征的D-LinkNet深度学习模型，快速、精准提取农田地块形态；以地块为观测单元，利用Landsat8和Sentinel-2多源遥感的“碎片化”无云数据构建地块时序数据集，基于加权Double-Logistic函数重建地块归一化植被指数（Normalized Difference Vegetation Index，NDVI）时序曲线；提取地块物候特征和多时相光谱特征，经过特征优选和随机森林分类模型构建，开展地块尺度作物分布制图。以广西扶绥县为研究区开展试验，共提取地块43.7万个，边界准确率为84.54%，相较于常规基于多尺度分割的地块提取，基于D-LinkNet的地块提取方法直接排除了非农田地物的干扰，地块形态与现实情况符合度更高；地块NDVI时间序列重建结果能够较好地捕捉作物开始生长、旺盛期、成熟收获期的动态变化趋势；分类特征重要性评价结果显示，红边特征、与时间相关的物候特征在分类中发挥重要作用，当联合物候特征和光谱特征时分类效果最佳；根据特征重要性分析不同特征数量情况下的分类精度，当特征数量大于40维时，作物分类精度和Kappa系数保持稳定，总体分类精度维持在88%左右；对扶绥县地块尺度作物分布进行制图，提取甘蔗地块277 421个、水稻地块33 747个、香蕉地块4 973个、柑橘地块102 055个，分别占农田地块总数的63.48%、7.72%、1.14%、23.35%，种植面积占比分别为69.78%、7.12%、1.71%、18.06%。该研究在理论上构建了遥感时空协同的地块尺度作物分类模型，为大范围、地块尺度作物分布遥感提取提供了实用化方案。

作物；遥感；分布提取；时空协同；地块尺度；时间序列；物候特征

0 引 言

农作物空间分布是作物长势评估、产量估算和灾害风险评估的信息基础，对农业种植结构调整、农业政策制定、粮食安全保障具有重要价值[1-3]。近年来，国家部门和商业领域对地块尺度作物分布信息需求日益迫切，例如农业农村部开展全国轮作休耕核查工作[4]，财政部门精准发放粮食种植补贴，农业保险领域探索“按图承保”、“按图理赔”新模式，精准农业领域发展无人机植保[5]。

遥感技术因覆盖范围大、探测周期短、成本低等优势，已被广泛应用于大范围的种植类型识别和种植面积统计[6-8]。20世纪70年代以来，国内外实施了一系列大面积作物清查试验和重大农作物遥感监测项目，实现了对水稻、玉米、小麦、大豆、棉花等作物的大范围、快速监测，产生了巨大经济与社会效益[9-11]。低分辨率的NOAA/AVHRR、MODIS和中等分辨率Landsat系列、HJ卫星数据在其中发挥了重要作用。中低分辨率遥感的光谱波段较为丰富，重访周期较短，可对作物生长过程进行高频次动态观测，因此，通过多时相组合或时间序列分析方法提取中低分辨率遥感的时序特征可实现作物分类[12-16]，该类方法获得了广泛应用。但是，基于中低分辨率遥感数据的作物分布提取模型通常基于单个像元的光谱特征对像元所属作物类型进行分类，分类模型未考虑同一地块内邻近像元的关联关系，也未考虑遥感像元与实际地物之间的对应关系[8]，受限于空间分辨率的大小，中分辨率遥感数据的混合像元问题在地块边界尤为突出，给分类结果验证、种植面积核算带来很大不确定性，导致中分辨率像元尺度的作物分布制图产品难以满足精准农业等应用需求[17-19]。

随着高分辨率遥感时代的到来，高空间分辨率遥感影像（SPOT-5、IKONOS、QuickBird、ZY-3、GF-2等）可反映地物更精细的空间结构、纹理、拓扑关系[5]，地块位置、形态、边界等精细空间特征得以体现[20-21]。地块作为农业生产经营的最小单位，内部作物自然环境（地形、地貌、土壤、气象）和农耕措施（播种、收获、施肥、灌溉）一致，作物种植类型一致、长势特征相近，光谱特征表现出较强的均一性。在高空间分辨率遥感的支持下，面向对象的作物提取方法迅速发展，即基于地块内像元光谱均一性，利用图像分割技术快速提取农田对象，再基于高分遥感数据提取农田对象的形态、纹理、光谱特征实现作物分类[20-21]。但是由于高空间分辨率遥感重访周期较长、光谱波段设置较单一，通常难以获取最佳分类时相，异物同谱现象易导致错分，不适用于种植结构复杂、熟制结构多元的区域[5]。

由于遥感数据存在时空分辨率的矛盾性，基于多源遥感时空协同的作物分类方法得以发展，包括数据级融合方法和特征级协同方法。数据级融合方法以产生兼具较高时空分辨率数据为目标，对两组分别在时间分辨率和空间分辨率上各具优势的遥感数据进行融合，例如利用STARFM融合算法对MODIS和Landsat时间序列数据进行融合，获得一套兼具16 d时间分辨率和30 m空间分辨率的时间序列数据集[14,22]；特征级协同方法不产生新的数据，从高分影像中提取农田地块边界，从中分影像中提取作物光谱特征，在统一的时空基准框架下，充分发挥两种数据的各自优势[23-24]。当前，基于时空协同思路的作物分类研究在以下方面还有待提高：1）在农田地块提取上，大多数研究通过人工矢量化或图像分割方法获取农田地块边界，人工矢量化方式费时费力、成本极高，图像分割方法基于高分影像上邻近像元的同质性，自底向上聚合形成对象，但分割尺度难以把握，分割方法也未考虑影像所具有的形态信息、上下文语义信息等高层特征，使得分割结果往往难以与地理实体相互匹配[23-25]；2）在时序特征挖掘上，大多数研究基于多时相中分辨率遥感数据提取光谱指数构建分类特征[24-26]，鲜有研究在地块尺度上利用物候特征开展作物分类识别，由于物候特征的提取对遥感数据的观测频次要求相对较高，以往基于物候特征的作物分类通常以MODIS或AVHRR为观测数据[27-29]，受云雨天气条件影响，中分辨率遥感时序重建及物候特征提取相对困难。

基于多源遥感时空协同作物分类的思路，本研究旨在突破大范围农田地块提取和地块尺度时序特征挖掘的技术瓶颈，发展中高分辨率遥感协同的地块尺度作物分布提取方法：1）农田地块提取：基于Google Earth高分影像上地物丰富的视觉特征，采用擅长学习影像视觉特征的深度学习模型对影像上的农田地块进行提取；2）时序特征构建：以地块为观测单元，利用Sentinel-2和Landsat8多源遥感的“碎片化”无云数据构建NDVI时序数据集，并基于加权Double-Logistic函数重建地块NDVI时序曲线，提取地块内作物物候特征，计算地块多时相光谱特征；3）作物分类：基于作物类型地面调查数据构建随机森林分类模型，验证并对比物候特征与光谱特征对地块尺度作物分类的精度，开展研究区地块尺度的作物分布遥感制图。

1 研究区概况和数据源

1.1 研究区概况

选取广西扶绥县为研究区，扶绥地处北回归线以南，介于东经107°31′～108°06′、北纬22°17′～22°57′之间，行政区域面积2 841 km2，是典型的喀斯特地貌区，属亚热带季风气候，夏季高温多雨，日照充足，春季温暖湿润，秋季干燥少雨，年降雨天数约130～220 d，平均气温22.2 ℃。扶绥县多云多雨，地形地貌复杂、地块破碎度高、种植结构相对复杂，主要作物包括甘蔗、柑橘、香蕉和双季稻。

1.2 多源遥感影像数据

高分辨率遥感影像来源为0.6 m分辨率的Google Earth 19级产品。下载2018—2019年的中分辨率遥感影像，包含15景Landsat8/OLI影像和30景Sentinel-2A/B影像，经大气校正处理获取地表反射率产品。影像的详细信息如表1所示。

表1 中分遥感影像信息

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

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

1.3 作物种植类型采样数据

2019年11月25日—27日开展了农业种植结构调研，共获取了1 134个地块的类型样本，包括甘蔗样本435个、双季稻样本164个、柑橘样本156个、香蕉样本155个、桉树样本171个。

甘蔗3月开始生长，12月成熟收割，收割期可持续至次年1－2月份。柑橘为常绿多年生木本果树，生命周期较长。香蕉2－3月种植，11－12月收获，成熟的果树慢慢枯死，根部长出新芽，天气状况和收成早晚均会影响香蕉树的生长情况。桉树为广西重要的人工林树种，密荫乔木，生长迅速、适应性强，从高分影像上难以区分人工桉树林地块和耕地地块，因此也被列入下文讨论。研究区高温高热多雨，水稻可实现“一年两熟”，早稻生长季从3月初至7月中旬，晚稻生长季从7月中下旬持续至11月末。

2 研究方法

本研究的技术路线如图1所示，包括：1）农田地块提取；2）基于中分时序数据集的地块物候特征提取；3）地块多时相光谱特征计算；4）分类特征分析及分类模型构建。

2.1 农田地块提取

基于Google Earth高分影像，采用D-LinkNet深度学习模型提取农田地块。模型训练环境及参数设置如下：训练环境为Tensorflow1.3，CUDA版本为8.0，显卡为1080Ti，内存64 G；初始学习率设置为0.000 1，随机裁剪大小设置为448，共训练3 000 epoch，批大小设置为8，其余参数默认。

在高分影像上随机选取具有代表性的子区域作为训练样本，共84个，每个样本大小1 000×1 000像素，提取农田地块边界矢量并转换为训练标签；利用D-LinkNet深度学习模型[25,30]，构建地块边界预测模型；并预测高分影像上的农田地块边界，进行栅格转矢量、线状要素构面等后处理操作。由于高分影像成像时间为2017年，少部分耕地边界发生变化，因此基于2019年Sentinel-2植被覆盖度较低的冬季晴空影像对这部分的耕地地块进行人工修补。分析地块提取结果与Sentinel-2、Landsat8数据在几何上的套合情况，若存在偏差需做一定的编辑和调整。

通过两个指标来评价地块提取精度：边界准确率（Edge Accuracy，EA）：对边界标注样本和模型提取的边界各设2 m宽度的缓冲区，缓冲区部分重叠度越高，认为边界提取越准确，计算重叠部分与样本缓冲区的面积比例；制图精度（Producer Accuracy，PA）：将标注的边界样本构建面状地块，记为真实地物类型（农田），若模型将对应像素提取为农田，认为提取结果准确，计算模型正确提取出的农田占真实农田面积的比例。

2.2 基于中分时序的地块物候特征提取

利用Landsat8和Sentinel-2构建地块NDVI时序曲线，并提取物候特征。在作物生长周期内NDVI随时间变化而升高、到达顶峰和降低的变化过程对应了作物从生长发育到成熟衰老的生理过程。基于作物物候特征的差异可实现作物类型识别[31]。

以地块为单元，基于Landsat8和Sentinel-2碎片化无云数据构建地块NDVI时序曲线（图2）。采用加权Double-Logistic函数拟合方法[32]重建地块NDVI时序曲线，减少多源传感器辐射特征的差异，同时减少太阳、大气等因素带来的辐射噪声。最后，基于重建的时序曲线提取13个物候特征（图3）。

2.3 地块多时相光谱特征计算

从中分遥感时序数据集中挑选成像质量较高的数据：8景Sentinel-2数据（成像时间为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数据（成像时间为2019年05月18日、2019年11月10日）。计算光谱特征：归一化植被指数（Normalized Difference Vegetation Index，NDVI）、增强型植被指数（Enhanced Vegetation Index，EVI）、陆表水指数（Land Surface Water Index，LSWI）、绿度归一化植被指数（Green Normalized Difference Index，GNDVI）、土壤调节植被指数（Soil Adjusted Vegetation Index，SAVI），如表3，并对Sentinel-2影像计算与红边相关的植被指数，包括归一化指数（Normalized Difference Index，NDI45）、红边拐点指数（Red-Edge Inflection Point Index，REIP）、Sentinel-2红边位置指数（Sentinel-2 Red-Edge Position Index，S2REP）、倒红边叶绿素指数（Inverted Red-Edge Chlorophyll Index，IRECI）、色素简单比指数（Pigment Specific Simple Ratio，PSSRa）。以地块边界为空间约束，将地块内像元光谱特征平均值作为地块光谱特征，多时相光谱特征共计90维。

注：Max、on、end分别为生长周期内NDVI拟合曲线峰值点、峰值点左侧最低点、右侧最低点所对应的时间，d；Max、on、end分别为Max、on、end对应的NDVI值；GA为NDVI拟合曲线的80%振幅；DT为生长季长度，d；GR和SR分别为最大生长和衰老速率（GRMax和SRMax，d-1）对应的时间，d。通过对 NDVI 拟合曲线从on到end时间范围进行积分可获取另一物候特征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.

图3 基于重建NDVI时序曲线的物候特征提取方法

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

表3 光谱特征列表

注：Blue、Green、Red、Nir、Swir1分别为Sentinel-2和Landsat8的蓝、绿、红、近红外、短波红外波段反射率；RE1、RE2、RE3分别为Sentinel-2 B5、B6、B7红边波段反射率。

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 作物分类模型构建

基于物候特征和多时相光谱特征进行作物分类，考虑到算法的简易性和模型训练效率，采取了随机森林分类方法，并采用平均精准率减少（Mean Decrease Accuracy，MDA）[33]来衡量特征的重要性。随机森林模型通过Matlab 2016b中TreeBagger函数实现，参数化方案如下：将60%样本用于训练，40%用于验证，生成单棵决策树时样本数量的采样比例为80%，参数个数采样比例为特征总数的平方根，即10维特征，其他输入参数均为默认。

3 结果与分析

3.1 农田地块提取结果

利用深度学习提取研究区农田地块，共计43.7万个（图4）。选取了13块1 000×1 000像素大小的区域作为验证集，对其耕地类型进行人工标注，计算边界提取精度EA为84.54%，PA为83.06%。

从地块提取结果的细节图（图5）可以看出，地块轮廓与标注情况符合度较高，部分细小地块存在漏提的情况，总体而言整体提取结果较好。

3.2 地块NDVI时间序列曲线重建结果

基于加权Double-Logistic函数的作物NDVI时序曲线重建结果如图6所示。图6a甘蔗生长周期从2018年3月22日至2019年3月12日，覆盖了幼苗期、分蘖期、伸长期和成熟期，幼苗期出苗长叶，NDVI增长缓慢；分蘖期和伸长期的茎数增加、株高增长、叶面积增多，NDVI增长至饱和；随后发育成熟、蔗糖积累，黄叶比例增加导致NDVI下降，砍收后最低。图6b水稻NDVI时序曲线2019年存在2个波峰，波峰数值为0.8左右，晚稻NDVI时序重建结果显示，NDVI在短时间内快速上升，不到两个月即可增长至峰值，随后快速下降，生长季长度为3～4个月。图6c香蕉NDVI于3月中旬增长，5月增长速度最快，生长最旺盛，7月下旬达到饱和值约0.9，并持续至年底。经NDVI时序曲线重建，平滑曲线能捕捉香蕉树出苗期、生长旺盛期和成熟收获期的动态变化趋势。图6d柑橘NDVI时序曲线在观测时间段内较平稳，数值在0.6左右浮动，两年内无显著的上下起伏。桉树林具有较高的郁闭度，图6e显示桉树NDVI全年保持较高水平，没有明显的上下起伏，NDVI数值在0.8左右。

3.3 分类特征重要性评价

采用MDA指标对103维分类特征进行重要性评价。对分类特征性评价结果如图7，前8个观测时相的特征来自Sentinel-2，后两个观测时相来自Landsat8数据。

1）不同时相重要性：夏季和秋季是该研究区作物分类的关键时相，而春季和冬季影像对作物分类作用较小；

2）不同特征重要性：按照MDA指标所有特征排序，LSWI、GNDVI、REIP、S2REP对作物分类贡献很大，相对而言NDVI对分类重要性一般；

3）Sentinel-2红边波段的作用：5个红边特征的MDA指标整体较高，红边波段有利于作物分类；

无机化学中化学键的理解对于学生来说也是比较困难的，此时教师可以引入牛顿的万有引力进行讲解，分子内的化学键实质就是原子间的相互吸引力，而原子因为这种吸引力而结合变成分子。而牛顿的万有引力就是指宇宙中万事万物之间都有引力，苹果掉地上，我们站在地球上，都是因为引力，此时可以引出，分子就是因为原子间存在着引力而结合在一起。这样就方便学生领会化学键的概念。

4）物候特征的重要性：与时间相关的物候特征DT、on和SR对分类起重要作用，但与NDVI值相关的物候特征on、end和Max对分类作用很小。

以上结果综合表明，选择分类时相优先于选择分类特征，Sentinel-2红边特征、与时间相关的物候特征在分类中起重要作用。

注：MDA为平均精准率减少。

Note: MDA is mean decrease accuracy.

图7 分类特征重要性评价

Fig.7 Importance evaluation for classification features

3.4 分类特征选择及其对精度的影响分析

基于特征重要性排序结果，探讨特征数量对分类精度的影响。设计了21组试验，第1组仅采用最重要的5维特征，并以5为间隔，按照重要性顺序逐步增加用于分类的特征数量，分类精度如图8。

总体上，当特征数量从5维增加至20维时，作物的分类精度呈现上升趋势，尤其是从5维增加至10维时，桉树、香蕉和柑橘的分类精度明显上升；当特征数量介于20维至40维之间时，总体分类精度较平缓，除柑橘外，其他作物类型的分类精度相对稳定；当特征数量大于40维时，作物分类精度和Kappa系数存在小幅度波动，但整体上呈现平稳趋势，甘蔗分类精度大于95%，总体分类精度维持在88%左右。

为对比不同特征的分类精度，分别进行100次重复试验，统计各作物分类精度（图9）。

当仅使用物候特征进行分类（图9a）时，平均总体分类精度79.73%，甘蔗、水稻、香蕉、桉树分类精度分别为90.35%、98.60%、77.29%、88.15%，柑橘分类精度仅为64.18%，表明仅使用物候特征时，能较好地识别出甘蔗、水稻和桉树类型。

当仅利用多时相光谱特征分类（图9b），分类精度如下：平均总体分类精度85.15%，甘蔗94.8%，水稻96.07%，柑橘76.6%，香蕉86.45%，桉树96.45%。表明多时相光谱特征能较好地区分甘蔗、水稻、香蕉和桉树。水稻识别精度较仅利用物候特征时有所降低，其他作物类型的分类精度有较大幅度的提升。

当联合多时相光谱特征和物候特征分类（图9c），分类精度如下：平均总体分类精度85.68%，甘蔗95.11%，水稻98.38%，柑橘77.88%，香蕉86.05%，桉树96%。相较于仅利用光谱特征时，物候特征对水稻分类精度提升最明显，其他作物精度与仅利用光谱特征时相当。

3.5 研究区地块尺度作物分布遥感制图

基于3.4小节分析结果，优选前40维重要的分类特征开展研究区地块尺度的作物分布制图（图10）。在空间分布特征上，西北部山区耕地数量少，分布零散，南部耕地数量多，分布密集。甘蔗密集分布在整个研究区范围内，呈片状分布，大多数在地势平坦地带，少部分在缓坡上；桉树人工林地块主要分布在研究区的南部；柑橘地块分布在整个研究区范围内；香蕉主要分布在研究区北部，南部分布零星；水稻地块小而零散，距离居民地较近。

统计结果显示（表4），甘蔗地块数量占63.48%，种植面积占总耕地面积的69.78%；柑橘种植面积占比18.06%；粮食作物水稻的种植面积仅占7.12%。

3.6 与基于常规方法的作物分布提取结果比较

将本文方法与常规基于遥感时空协同思路的作物分布提取方法进行对比，在常规方法中，通过多尺度分割方式获取地块，并计算多时相光谱指数作为地块时序特征，两种方法的作物分布提取结果如图11所示。

表4 研究区作物地块数及种植面积统计

在农田地块提取方面，本文采用D-LinkNet深度模型的地块提取结果直接排除了非农田地物的干扰，地块形态与现实情况符合度更高（图11b）；常规方法采用多尺度分割方法提取农田地块，将整张影像分割成碎片化的斑块，将非农田区域也纳入分割范围，对作物分布提取结果造成干扰（图11d）。

在时序特征构建方面，本文方法结合了多时相光谱特征和物候特征进行地块作物分类，常规方法仅采用多时相光谱特征进行作物分类。将桉树类型剔除后，作物分布提取结果如图11c、图11e所示，在作物类型识别结果方面两者大体上相似。

4 结 论

地块尺度作物分布信息对于精准农业管理、农业补贴发放、按图承保理赔等具有重要应用价值，受限于空间分辨率的大小，传统中低分辨率的作物分布遥感制图产品无法满足应用需求。基于遥感时空协同思路，本研究实现了地块尺度的作物分布提取：

1）以Google Earth高分辨率影像为数据源，利用深度学习模型快速、精准地提取农田地块形态信息，比常规基于图像分割的农田地块提取结果在空间形态上更贴合实际情况；

2）通过Landsat8和Sentinel-2多源中分遥感碎片化无云数据构建地块时序数据集，基于加权 Double-Logistic函数重建地块NDVI时序曲线，实现了地块尺度作物物候特征的提取，计算地块多时相光谱特征；

3）分析物候特征和光谱特征对分类精度的影响，证实了地块尺度物候特征对于作物分类的重要作用，结果表明联合光谱特征和物候特征能达到最佳分类效果；

4）利用分类样本构建随机森林作物分类模型，实现了研究区地块尺度的作物分布遥感制图。

本研究在理论上构建了遥感时空协同的地块尺度作物分类模型；同时为大范围、地块尺度作物分布遥感提取提供了实用化的技术方案。

未来还有以下方面可以深入研究：本研究利用中分辨率影像构建地块时序特征，对于面积不足中分辨率遥感像元大小的破碎、细小地块，如何构建地块时序特征并识别作物类型；多云多雨气候条件影响了光学成像质量，制约了对地块时序特征的提取，如何协同微波遥感数据提取更丰富的分类特征，并进一步提高分类精度。

[1] 蒙继华，吴炳方，杜鑫，等. 遥感在精准农业中的应用进展及展望[J]. 国土资源遥感，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] 赵春江. 农业遥感研究与应用进展[J]. 农业机械学报，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] 唐华俊，吴文斌，杨鹏，等. 农作物空间格局遥感监测研究进展[J]. 中国农业科学，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] 刘海启. 以精准农业驱动农业现代化加速现代农业数字化转型[J]. 中国农业资源与区划，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] 骆剑承，吴田军，吴志峰，等. 遥感大数据智能计算[M]. 北京：科学出版社，2020.

[6] 史舟，梁宗正，杨媛媛，等. 农业遥感研究现状与展望[J]. 农业机械学报，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，胡琼，陆苗，等. 农作物空间分布遥感制图发展方向探讨[J]. 中国农业资源与区划，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] 陈水森，柳钦火，陈良富，等. 粮食作物播种面积遥感监测研究进展[J]. 农业工程学报，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] 吴文斌，胡琼，陆苗，等. 农业土地系统遥感制图[M]. 北京：科学出版社，2020.

[11] 黄敬峰，王人潮，蒋亨显，等. 基于GIS的浙江省水稻遥感估产最佳时相选择[J]. 应用生态学报，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] 蔡学良，崔远来. 基于异源多时相遥感数据提取灌区作物种植结构[J]. 农业工程学报，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，黄进良，王立辉，等. 面向对象的多时相HJ星影像甘蔗识别方法[J]. 农业工程学报，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] 许青云，杨贵军，龙慧灵，等. 基于MODIS NDVI多年时序数据的农作物种植识别[J]. 农业工程学报，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] 邓刘洋，沈占锋，柯映明，等. 基于地块尺度多时相遥感影像的冬小麦种植面积提取[J]. 农业工程学报，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] 刘巍，吴志峰，骆剑承，等. 深度学习支持下的丘陵山区耕地高分辨率遥感信息分区分层提取方法[J]. 测绘学报，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] 陈健，刘云慧，宇振荣. 基于时序MODIS-EVI数据的冬小麦种植信息提取[J]. 中国农学通报，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] 王连喜，徐胜男，李琪，等. 基于决策树和混合像元分解的江苏省冬小麦种植面积提取[J]. 农业工程学报，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

国家重点研发计划课题（2018YFB2100702）；国家自然科学基金（41631179，U1901219）；南方海洋科学与工程广东省实验室（广州）人才团队引进重大专项（GML2019ZD0301）

杨颖频，博士，研究方向为农业遥感。Email：yangyp@radi.ac.cn

吴志峰，教授，研究方向为陆地生态遥感、自然资源监测与评估。Email：gzuwzf@163.com

10.11975/j.issn.1002-6819.2021.07.020

S126

A

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

杨颖频，吴志峰，骆剑承，等. 时空协同的地块尺度作物分布遥感提取[J]. 农业工程学报，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