基于多源异构数据的粮食作物种植面积提取

李国庭，王德强，赵德良，李泺，刘昊，王元美，何孟桥

(山东省地质测绘院，山东 济南 250002)

0 引言

随着ZY-3、02C、GF-1和GF-2等国产卫星的成功发射及其影像数据的免费应用，大大降低了大范围农情遥感监测的数据成本，并提高了农情监测的时效性[1-11]。

近年来，随着高空间分辨率遥感数据的方便获取，已有许多高分遥感影像数据监测小麦、玉米、大豆等农作物种植面积的成功案例[2-5]。但是单独利用高分遥感影像对农作物进行识别和分类存在很大的不足。传统的遥感信息分类和提取，主要体现在：目前的方法适合于单一作物大面积耕种的平原地区，不适合山区破碎地块；对农作物种类识别，光谱或影像相近的，识别的差错率较大；判读出来的图斑边界与实地不符，精度较差，不能精确的测算粮食种植面积和种类。

因此，本文提出一种基于空地一体的多源异构数据融合的粮食作物识别技术，创新性地将国产高分辨率卫星影像数据和多源测绘地理信息数据进行融合，建立一种快速提取粮食作物的种类和面积的技术流程。

1 研究现状

1.1 国内外研究情况

目前国内外对作物面积遥感提取方法中，常见的方法包括目视解译及其各种监督分类法，还引入了面向对象提取和多时相分析等新方法。遥感监督分类法是在一定数量样本的基础上自动提取农作物种植面积。此外，随着高时间分辨率卫星数据产品的出现，多时相分析方法获得了广泛的应用。该方法的主要原理是利用不同类型作物生长的物候特征，与同时期遥感影像信息的时相变化规律比对从而识别不同农作物类型。数据融合的技术关键在于选择适当的融合算法，最大限度地利用多源遥感数据中的有用信息[7]。在中国南方地区，农作物类型多样、种植结构复杂等问题普遍存在，MODIS影像受低空间分辨率的限制会产生大量混合像元问题[11]。无法满足农田景观破碎地区的作物制图精度需求，因此亟需补充具有中高空间分辨率的长时序遥感影像源来提高作物提取的准确性[12]。目前基于，高分遥感影像对农作物提取区域主要是单一作物(如水稻、小麦等)的平原地区，且对粮食作物种类识别差错率较大，图斑边界与实地不符，不能精确的测算粮食作物种植面积和种类。

1.2 我国遥感发展情况

遥感是一种远距离探测和识别技术，它可以准确及时地获取农业资源和农业生产信息，是传统农业向信息农业过渡的主要技术方法[1]。粮食作为最基本的生活物资，供求关系的变化直接关系人类生命安全，维系着国计民生。中国作为世界人口大国，必须始终把握维护国家粮食安全的主动权。

我国的卫星遥感事业在2012年后突飞猛进，陆续发射了多种卫星，包含了光学卫星、雷达卫星、高光谱卫星，卫星遥感技术已经处于世界先进行列。GF-6卫星的成功发射，标志着我国高分专项打造的高空间分辨率、高时间分辨率、高光谱分辨率的对地观测能力显著增强，最有应用特色的高光谱能力已形成。GF-6是中国首颗多光谱携带红边波段的农业遥感卫星[13]。吉林一号利用遥感数据的可见光、近红外和短波红外波段，辅以土地利用现状数据、地面调查数据、农业历史统计数据，通过分析各类农作物在不同物候期的光谱特征、纹理特征，快速进行农作物种植结构识别[8]。

2 技术方法

2.1 研究区概况

莒县地处鲁东南地区，位于日照市西部，面积1821km2，管辖20个乡镇(街道)和1处省级经济开发区，人口110万。县域南北长75.6km，东西宽37.4km，总面积1821km2。莒县总体地势北高南低，地形复杂多样，四周环山，中间丘陵、平原、洼地相接。

2.2 分类方法

2.2.1 数据分析

遥感图像处理采用美国ENVI5.1遥感图像处理与分析平台,包括波段组合、图像融合、几何校正、多功能增强等环境地质信息提取[14]。GF-1卫星的WFV传感器16m分辨率的影像已在农业领域广泛应用[15]。将遥感影像加载到影像处理软件中，根据遥感影像上的纹理、色调，参照遥感解译标志判读图斑种植类型，大体勾绘出种植边界。作业完成后检查人员对粮食作物分类和种植面积提取情况进行检核。研究人员对勾绘图斑进行外业检查，依据GNSS设备现场测量，成图后进行对比，发现边界精度较差，中误差高达5m，导致面积测算不准确，通过统计分析得出，平均准确率仅为78.30%(图1，表1)。

图1 常规方法影像解译情况

表1 粮食作物面积提取准确率统计情况

利用矢量的多尺度分割未能把草地与耕地较好地分离开，影响信息提取的准确性，图斑采集范围也不准确。以遥感影像为基础，结合第三次国土调查、基础性地理省情监测、数字城市、农村土地承包经营权确权登记颁证等项目成果数据，通过多源异构地理信息数据融合的方式，提高了特征提取的准确度。用最新测算三调坡度数据，精确计算粮食作物地块面积。第三次国土调查坡度数据是以高精度数字高程模型(DEM)数据制作坡度图，进而计算田坎系数，用数据处理软件对形成的地块数据进行坡度赋值，精确计算每个地块的测量面积和扣除面积，分割效果见图2，坡度见图3。

图2 矢量参与分割效果图

1—一级；2—二级；3—三级；4—四级；5—五级图3 坡度图

2.2.2 分类方法

以遥感影像纹理、低空无人机拍照、部分区域三维建模相结合的方式建立大量解译样本，有助于内业更好识别地物，更直观、便捷的作业。使用遥感影像解译软件，依靠大量解译样本对影像进行自动化处理，最后再人工干预处理，节省大量人力、物力，极大提高工作效率。步骤主要为：①建立遥感影像解译样本，根据影像纹理和色泽判断粮食作物范围。②针对地块破碎程度大、作物种类多的复杂区域，使用无人机航飞，生成实景三维模型，一是可增加复杂区域样本，二是方便作业人员了解现场情况，三是可为客户提供可视化成果。③根据在县农业局收集的历年粮食作物种植类型和面积分布资料，并实地调研，设计全县不同作物类型样本采样点位置和数量，用无人机超低空摄影，拍摄高清晰航空照片，建立大量不同类型高清解译样本。④将样本数据汇总，利用遥感影像解译软件，使用人工干预和软件自动化解析相结合的方式，基于大量解译样本对该区域影像进行深度学习，节省大量人力、物力，极大提高工作效率。

3 结果与分析

3.1 研究结果

通过多源影像和多种地理信息数据融合的方式，分析粮食作物种植类别，准确确定粮食作物种植边界，解决了高分遥感影像在确定粮食作物类别不准确，边界精度低的问题，现阶段创新了粮食作物识别及面积量算关键技术和方法。

3.2 精度评价

粮食作物的面积提取精度评价是指根据实测的数据与分类提取结果，以便确定分类过程的准确程度的方法。组织研究人员进行检查，对基于多源地理信息融合方法处理后的粮食作物地块(水稻、蔬菜、西瓜、玉米、休耕地)进行验证，采用GNSS设备，经过批量抽样检查，结合AutoCAD、ArcMap10．2等软件，进行了面积统计误差计算。本研究采用总体精度评价，根据外业平面测量的面积数据进而使用坡度数据(图3)，精确计算每个地块的测量面积和扣除面积，最终结果显示各地类面积误差都较小，全部都小于1%，统计情况见表2。

表2 分类面积与实际面积统计情况

4 讨论

目前国内外对粮食作物面积遥感提取方法除了常规的目视解译及其监督分类法外，还引入了面向对象提取和多时相分析等新方法[7]。传统提取方法主要依靠人工，采用目视解译的方法。不仅能效低，而且精度取决于作业员的经验值和倾向性[16]。遥感监督分类法，是计算机自动提取农作物种植面积经常使用的一种手段。高时间分辨率卫星影像数据产品的出现，对于多时相的分析方法，在业界获得了广泛的应用。遥感监督分类方法的主要原理是根据不同类型作物生长的物候特征，与同时期高分遥感影像信息的时相变化规律，进行不同农作物类型的识别。基于高分遥感影像对农作物提取区域大都为单一作物(如水稻、小麦等)的平原地区，且对粮食作物种类识别差错率较大，图斑边界与实地不符，不能精确地测算粮食作物种植面积和种类[2]。

遥感技术具有快速、实时、信息量大等优点[17]。利用遥感技术可以快速的、大范围、全面的获取地表信息[18]。本研究充分发挥多源异构数据的优势，提出了利用多时段、多源地理信息数据融合的方式，进行粮食作物种类识别，有效地弥补了遥感影像在粮食作物识别方面的缺点，极大地提高了粮食作物种类识别和调查面积的准确率。对于指导国家宏观方面的农业生产、制定农业政策、规范农业管理等各方面具有重要的现实意义。传统的粮食作物种植结构统计方法大多是实地调查，存在主观性强，持续时间长，耗费人力、物力、财力等问题，此次研究实现了粮食作物面积快速精准监测，为政府决策提供扎实的数据支撑。

5 结论

本研究以日照市莒县为研究区域，融合该区域多源数据信息，利用深度学习等方法，基于多时相、多源异构数据进行分析研究，进行了该区域不同农作物种植面积提取。

(1)以国产“高分六号”和“吉林一号”遥感影像为基础，叠加国土调查、省情监测等航空正射影像，结合第三次国土调查、省情监测、农村土地承包经营权数据库矢量成果，准确确定粮食作物种植边界，对精度进行了评价，结果表明该种方法可以显著提高农作物分类精度，多源数据融合后的研究区农作物分类精度误差仅为0.37%。

(2)利用遥感影像纹理、低空无人机拍照、部分区域三维建模相结合方式，创新样本解译方法，使用遥感解译软件，对多时相、多类别的影像进行深度学习，优化了粮食作物种类识别和种植面积量算技术，提高了作为种类识别准确性的种植面积量算精确性。