典型作物种植结构遥感提取

李鑫杨 卢赫宇

摘要 基于遥感的种植结构提取对农业资源调查、作物面积监测及产量估算、农作物灾害预警和灾后评估具有重要意义。本文根据高分一号和高分六号的数据，选用3个与农作物相关的植被指数（NDVI、EVI、RVI），3个纹理特征信息（DEM、坡度、坡向）以及融合后各个波段作为模型输入特征，研究基于高分辨率率影像数据的农作物分类。结果表明：西北部农作物主要为玉米，中部主要为谷子，东南部地区以玉米为主，其次为高粱和谷子;红边波段705和红边波段745均对农作物的识别和分类具有一定的作用。

关键词 遥感;农作物分类;种植结构;高分一/六号

中图分类号：P407 文献标识码：B 文章编号：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

農作物种植结构是土地利用在农业生产上的表现形式[1]。传统农作物的类型、种植面积以及大致范围信息的获取以统计上报和抽样调查为主，但统计方法存在缺乏空间分布、主观性强、误差大和费力耗时等问题。农作物种植结构遥感提取主要基于不同类型农作物在遥感数据上呈现的光谱、时间和空间特征的差异，并且农作物光谱特性的时空效应存在遥感全过程[2]。遥感技术作为新型对地观测技术，因具有宏观性、综合性和动态性的特点，成为获取区域农作物布局和组成的重要途径[3]。快速、准确、客观地获取作物种植信息、科学地评估作物空间分布，对保障粮食生产安全具有重要意义，有助于合理优化种植结构、提升粮食生产效率和产量。

1 数据与方法

目前，国内外农作物种植结构提取使用的遥感影像包括以MODIS为代表的低分辨率影像、以Landsat TM/ETM+为代表的中等分辨率影像、以Sentinel、GF和QuickBird为主的高分辨率影像。其中，使用中国国产的高分卫星进行种植结构分类的研究较少。基于高分一号和六号卫星的影像特征，通过挖掘适用于农作物分类的相关特征，研究基于高空间分辨率的多特征农作物分类、基时间序列的农作物分类和红边信息的农作物分类，以提高农作物遥感识别和分类的精度，为农业监测提供支持。具体流程（图1）。

（1）数据的预处理包括正射校正、图像融合、图像拉伸、投影转换以及时空匹配（将实地采样点数据与卫星影像按照经纬度实现时间相近像元级匹配，为建模前提供训练样本）;（2）选取样本，根据站点对应的卫星像元提取卫星多个波段的像元值，作为模型输入特征，并进行模型训练和参数优化，针对训练样本采用随机森林模型，通过格网搜索设置树的深度、树的个数等参数，最终得出最高精度下的模型参数，即最优参数;用训练好的模型进行农作物分类。

2 结果分析

本采样点主要通过GPS定位与人为采样获得，总共提供16种农作物类别，共101个样本点。其中，玉米种植结构采样点最多，共53个点，谷子共30个点，中草药共15个点，山葡萄共3个点。由于机器学习需要大量的训练样本进行建模，实际人工现场采样数量无法够满足这一基本需求。因此，在人工样本点的基础上，通过人工目视解译将样本点扩充至300个。

选用3个与农作物相关的植被指数（图2）、3个纹理特征信息（DEM、坡度和坡向）以及融合后各个波段作为模型输入特征。

对训练样本进行随机森林模型训练，最终对玉米、谷子、高粱、山葡萄和中草药进行分类识别。随机森林是一种集成算法（Ensemble Learning），它属于Bagging类型，通过组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能。其可以取得不错成绩主要归功于“随机”和“森林”，一个使它具有抗过拟合能力，一个使它变得更加精准。

通过将样本点输入到随机森林模型后得到最终的种植结构图（玉米、谷子、高粱、山葡萄、中草药）（图3）。

3 结论

从农作物分类结果可以看出，玉米是主要农作物，尤其在东南部的平原地区，以居民區为主。西北地区为山区，地势较高，农作物类别较多，但覆盖面积相对东南部明显较少，也说明山区适合种植的农作物相对较少。西北地区为玉米，中部地区主要为谷子，由于山葡萄样本不多，所以分类结果不多。东南平原地区以玉米为主，其次为高粱，最后为谷子。

高分六号卫星增加的两个红边波段能够提供丰富的光谱信息，为农作物分类提供更加有效的手段。结果表明，加入两个红边波段可以提高作物分类识别的精度。在研究中，加入两个红边波段后，有助于农作物分类，体现了红边波段在作物类型区分上的能力。红边波段705和红边波段745均对农作物识别和分类具有一定的提高作用。

参考文献

[1] 宋茜.基于GF-1/WFV和面向对象的农作物种植结构提取方法研究[D].北京：中国农业科学院，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.

责任编辑：黄艳飞