基于GF-1/2影像数据的烟草种植区信息遥感监测

罗贞宝，陆妍如，高知灵，阳国发，贺 琰，毛辉辉*

基于GF-1/2影像数据的烟草种植区信息遥感监测

罗贞宝1，陆妍如2，高知灵1，阳国发1，贺 琰2，毛辉辉2*

（1.贵州省烟草公司毕节市公司，贵州 毕节 551700；2.中国科学院大学资源与环境学院，北京 100049）

为解决我国南方山区自然烟田地块较小、空间分布破碎且与其他农作物混杂，遥感调查精度低、受多云雨天影响大的难题，利用我国高分遥感卫星，开展多源、多时相遥感数据与面向对象分类相结合的烟草种植区提取方法，以毕节市七星关区大河乡为试验区，构建面向对象分类过程，并同基于像元的最大似然（ML）、神经网络（NN）和支持向量机（SVM）等方法进行对比。结果表明，面向对象方法精度最优，其次为ML、SVM以及NN，Kappa系数分别为0.948、0.936、0.930和0.905；此外，面向对象方法提取的烟田地块形状相对完整，有效避免了“椒盐现象”，视觉效果明显优于基于像元方式。面向对象的分类方法结合高分遥感星座可以准确地提取我国南方烟草种植区分布信息，从而有助于烟草的宏观管理、调控与决策。

烟田；高分遥感影像；高时空分辨率；物候特征；面向对象分类

贵州是我国烤烟生产第二大省，毕节地区占贵州省烟叶常年产量的25%左右，是全国烤烟主产区之一[1-3]。烟草作为一种特殊的经济作物，其种植区信息的获取对于烟草的宏观管理、调控与决策具有重要意义。传统上依靠人工采取手持GPS进行地面调查，费时费力，且难以快速、准确地获取大范围的烟草种植区空间分布信息，进而影响到后续烟草种植区面积及产量的估算。

遥感技术具有宏观、动态、综合的特性，是快速获取大范围、多时相、空间连续农作物类型的有效技术手段，在典型农作物类型的分类中得到了广泛而深入的应用[4-7]。近年来，基于遥感技术的烟草种植区信息监测也有了快速发展，从使用的遥感数据源来看，主要包括两大类：其一是中分辨率遥感卫星数据[8]，张阳等[9]以湖南省茶陵县为研究区，基于Sentinel-2A数据，采用决策树分类方法提取烤烟种植区，分类精度达到90.29%，证明了Sentinel-2遥感数据用于烤烟种植区的应用潜力；KHAN等[10]建立了考虑烟草物候特征的基于多时相Sentinel-2组合和植被指数数据，采用机器学习分类算法的烟草分类方法，精度达到95.81%，表明使用多时相遥感数据和机器学习算法可以提高烟草识别精度；刘明芹等[11]基于资源三号遥感影像数据，采用面向对象的分类方法进行烟草面积估算，分类精度达到94.63%，证明了面向对象分类方法的实用性；薛宇飞等[12]基于Sentinel-2遥感影像数据，使用面向对象的分类方法，并与RF算法对比，结果表明，面向对象的分类方法精度更高。其二是无人机遥感数据，FAN等[13]提出了一种基于无人机遥感影像的深度神经网络烟草识别算法，总体精度达到了93.7%，表明了使用无人机影像的优势；ZHU等[14]以云南省下辖的一个县为研究区，基于无人机遥感影像数据，提出了一种组合监督分类和图像形态学方法的烟草识别方法，总体精度达到95.93%，阐述了选择合适时相遥感影像对于烟田地块提取的重要作用。

中分辨率遥感数据对于烟草种植区较为连续、烟草地块较大的地区效果较好，但对于贵州这样地形复杂，多丘陵、山地分布，烟草种植区较为分散破碎且烟田地块较小的研究区，应用较为受限。无人机遥感数据分辨率往往能够达到毫米级，以其巨大的空间分辨率优势可以获取烟草种植区的精细分布信息[13-15]，具有高空间分辨率、使用灵活方便等优点[16]，但其数据获取较为困难，成本较高，且只能进行小范围的遥感监测，无法获取大面积的遥感数据进而大范围推广使用。同时，受限于其成本，往往无法获取多时相的遥感数据，从而无法充分利用烟草的物候特征。现阶段，基于高空间分辨率卫星遥感数据进行烟草种植区监测的研究还相对不足，高分遥感星座高时空分辨率的优势可以极大地降低多云雨天气的影响，并克服烟草种植区破碎化以及烟田地块小等困难，这对于贵州地区烟草遥感监测具有极大的实际应用和推广价值，基于高分遥感星座进行烟草种植区遥感监测具有极大的应用潜力，然而截至目前，相关的研究未见报道。

本文通过借鉴前人的研究，以我国南方贵州省毕节市七星关区大河乡为研究区，针对贵州地区多云雨天气，且烟草种植区较为分散破碎、烟田地块小等问题，综合考虑当地烟草的物候特征，充分挖掘高分遥感星座影像数据的应用潜力，利用我国高分遥感星座高时空分辨率的优势，基于多源多时相GF-1/2卫星遥感数据，采用面向对象的分类方法，进行烟草种植区提取研究，从而为贵州毕节市烟草种植区信息大面积、快速、准确提取及面积和产量遥感估算提供技术支撑和决策参考。

1 材料与方法

1.1 研究区概况

毕节市位于贵州省西北部，处在滇东高原向黔中山原丘陵过渡的倾斜地带，最高海拔2900 m，最低海拔457 m，垂直差异显著，土壤以黄壤和黄棕壤为主，属于北亚热带季风湿润气候，季风气候比较明显，降雨量较为充沛，年平均温度在10～15 ℃之间，年均降水量在849～1399 mm之间，70%左右的降水量集中在5—9月。显著的立体气候条件，能够生产不同香型的烟叶，可以满足卷烟工业对不同质量风格烟叶的需求。全市5个区县属于全国烤烟基地县，主要种植的农作物有玉米、高粱、烟草以及少量的水稻。本研究区位于毕节市七星关区大河乡，地理范围（104°53′～104°59′，27°15′～27°20′），研究区位置如图1所示。

1.2 数据及其预处理

1.2.1 GF-1/2数据 具体使用的影像数据包括一景春季GF-2 PMS影像，成像时间为2020年4月15日，对应于烟草的还苗期（覆膜）；以及一景夏季GF-1 PMS影像，成像时间为2020年7月29日，对应于烟草成熟期。两景遥感影像数据均进行了正射校正、基于Google Earth底图的几何校正以及基于NNDiffuse Pan Sharpening的多光谱和全色数据融合等预处理，预处理过程均在ENVI 5.3.1软件中进行。GF-1/2卫星参数见表1。

1.2.2 样本数据 通过结合Google Earth以及GF-1/2高分辨率影像数据目视判别，获取了363个样本数据：水体（18个）、建筑物（63个）、道路（13个）、烟田（170个）、农田（43个）、草地（7个）、林地（49个），不同土地利用类型样本分布情况如图1所示。

注：图中遥感影像数据为GF-2标准假彩色合成数据（波段组成：432）。

表1 GF-1/2卫星参数

1.3 研究方法

在考虑烟草物候特征的基础上，利用多时相GF-1/2遥感影像数据，进行多尺度分割，并选取合适的分类特征，构建基于最邻近分类器的面向对象分类过程，进行烟草种植区提取。

1.3.1 遥感影像时相选择 物候特征是区分不同作物类型的重要依据，对于作物监测研究起着至关重要的作用。贵州地区烟草与其他作物类型混杂，准确地提取烟草种植区存在困难，基于此，本文考虑利用烟草与其他作物类型的物候差异，采用多时相影像数据提取烟草种植区。贵州毕节地区烟草在早期采用地膜覆盖栽烟，可以起到增温保湿的作用，这是区分烟草与其他作物类型的重要时间段。烟草覆膜时期的影像数据可以区分烟草与其他农作物类型，烟草生长旺盛阶段的影像数据可以区分植被与非植被地物（如建筑物和道路）。烟草的生育时期如图2所示，实地采集的烟草不同生育时期照片如图3所示。

注：图中高分遥感星座时间序列数据每个数据点上方数字代表该期影像云覆盖量（%）；GF-1数据包括最早发射的GF-1 01卫星以及后续发射的02、03、04星。

图3 实地采集的烟草不同生育时期照片

1.3.2 多尺度影像分割 多尺度分割是进行面向对象分类的重要步骤，它将整幅影像区域根据同质性异质性标准分割成若干个互不交叠的非空子区域的过程，每个子区域即为一个对象，每个对象内部具有相同或相似的特征，如灰度、颜色、纹理、形状等[15]。多尺度分割是通过用户设定的分割尺度、形状、紧致度等参数来实现，本文中，两景GF-1/2影像数据同时参与进行多尺度分割操作，具体分割参数设置见表2，其中分割尺度参数的选择是经过多次试验测试后确定，不同分割尺度下的分割效果如图4所示，当分割尺度为20时，分割对象过于破碎和密集，分割尺度为60时，多个烟田地块被分割成为单个对象，分割对象过大，分割尺度为40时，分割效果较好。

1.3.3 分类特征选取 归一化差值植被指数（NDVI）是使用最为广泛的植被指数之一，其对绿色植被表现敏感，该指数通常被用来进行区域和全球的植被状态研究[17]，因而NDVI可以用来当作区分植被与非植被的关键指示因子，形状特征可以用来区分建筑物与道路。最终，本文选取的分类特征如表3所示。

1.3.4 多时相遥感影像分类 本文面向对象的分类过程采用最邻近分类方法。最邻近分类器需要对每一类都定义样本空间和特征空间，其原理简单，首先分类器需要每个类的典型代表样本，在这些样本的基础上，算法在每个图像对象的特征空间中寻找最接近的样本图像对象，如果图像对象最近的样本对象属于某个类，则该图像对象将被赋值给它，使用公式（1）计算距离[18]：

表2 多尺度分割参数设置

图4 不同分割尺度下的分割效果

表3 分类特征的选取

研究表明，多时相遥感数据相比单时相遥感数据，可以显著提高农作物类型分类精度[19-21]。根据研究区地物的构成，本文将研究区主要分为水体、建筑物、道路、烟田、农田、草地及林地7类，共选取13个特征因子（GF-1/2影像数据各自的红、绿、蓝、近红外波段以及归一化差值植被指数共10个特征因子，以及亮度、长/宽、形状指数共3个特征因子），研究区土地利用类型在不同时相遥感影像的典型样本见表4。

表4 GF-1/2标准假彩色合成影像上各土地利用类型典型样本

2 结 果

2.1 单时相与多时相烟草种植区提取结果对比

本文基于高分遥感星座数据，采用面向对象分类的方法，进行了烟草种植区提取研究，面向对象的分类过程在易康8.9版本软件中进行，研究区内烟草种植区提取结果如图5所示。从图中可以看出，研究区内烟田地块分布较为破碎化，大部分烟田分布于研究区内西南条带、东北角以及西北角，烟田自然地块较小。图5中，单时相的分类结果与多时相分类结果相比，存在大量的错分现象，主要是部分建筑物错分为烟田。烟田覆膜时期，覆膜的烟田与部分建筑物的光谱特征相似，造成单时相影像错分，而在多时相分类结果中，由于增加了烟株大田成熟期的影像，在单时相中错分的地区（建筑物等非植被）可以被剔除，从而准确地提取出研究区内的烟草种植区。

注：图中遥感影像数据为GF-2标准假彩色合成数据（波段组成：432）。下同。

2.2 不同分类方法烟草种植区提取结果对比

2.2.1 不同分类方法分类精度对比 为验证本文采用分类方法的有效性，将采用面向对象分类方法（OB）与基于像元的最大似然（ML）、神经网络（NN）和支持向量机（SVM）算法得到的分类结果进行比较分析，使用ENVI 5.3进行基于像元的分类过程，分类结果对比如图6所示。从图6可见，面向对象的分类方法烟草地块提取结果更为完整（见图6蓝色方框），有效降低了“椒盐噪声”的影响，视觉效果上明显优于基于像元的方法，这表明面向对象的分类方法在高分辨率影像烟草种植区提取中优于基于像元的分类方法，具有更好的分类效果。从表5中可以看出，面向对象的分类方法分类精度优于基于像元的分类方法，总体精度达到96.01%，Kappa系数为0.948。其中，基于像元的分类方法中，ML、SVM、NN分类精度依次降低。

图6 基于像元分类与面向对象分类结果对比

2.2.2 不同分类方法烟草种植区面积提取精度 为了进一步验证各分类方法烟田的实际分类效果，本文进一步对比了不同分类方法烟草种植区面积提取精度。通过烟技员野外调查获取到4个样本区烟田面积数据（图5红色小方框样本区1-4）实际为29.25 hm2，统计4种分类方法对4个样本烟田的提取面积，并与实际面积求差，结果如表6所示。从表6中可见，4种分类方法获得的烟田面积与实际烟田面积相对误差均在10%以内，其中面向对象方法（OB）相对误差最小，仅为1.33%，支持向量机方法（SVM）略微高估，最大似然方法（ML）存在高估的现象，神经网络方法（NN）存在低估的现象。

表5 面向对象的分类方法与基于像元分类方法烟草种植区提取精度对比

表6 不同分类方法烟草种植区面积提取精度对比

3 讨 论

（1）贵州多云雨天气，使得光学遥感卫星数据难以发挥出其优势，基于单颗卫星往往无法获取高质量、多时相的遥感影像数据。高分遥感星座高时空分辨率的优势，可以极大地降低贵州地区多云雨天气的影响。本文通过中国资源卫星应用中心网站（http://www.cresda.com/CN/）查询并统计了研究区内2020年烟草生育期内GF-1/2 PMS数据的覆盖情况（图2），从中可以看出，云量30%以内的影像数据，GF-1有3景，处于烟草的成熟期，GF-2有2景，处于烟草的移栽期和还苗期，多颗卫星数据灵活选择，可以有效降低多云雨天气对于贵州地区的遥感监测的影响，此外，GF-1/2卫星还可与GF-6卫星联合组网观测，进一步提高研究区高质量高分遥感数据的可得性。

（2）本文采用GF-1/2 PMS多时相的遥感数据，影像空间分辨率达到了2 m，采用面向对象与基于像元的分类方法进行了对比分析，本文中面向对象分类方法总体分类精度为96.01%。薛宇飞等[12]采用Sentinel-2遥感影像数据，影像空间分辨率10～20 m（分不同的波段），其基于面向对象方法烟草提取的总体精度为94.38%，相比而言，本文的烟草提取精度更高。此外，本文中使用了多时相的遥感数据，数据的空间分辨率更高，达到了米级，较薛宇飞等[12]仅使用单时相的遥感数据且未充分利用烟草物候信息的研究方法，分析结果更加精准。

（3）本文基于高分遥感数据，采用面向对象的分类方法，准确地提取了烟草种植区信息，首次验证了联合高分遥感星座影像数据应用于我国南方地区烟草种植区提取的适用性。但是本文的研究仍然存在一些局限性。首先，光学遥感卫星数据对于贵州地区多云雨天气应用较为受限，对此，可以考虑利用微波遥感数据全天候观测的优势，在后续研究中，进一步考虑联合光学与微波高分遥感星座组网观测（如联合GF-1/2/6以及GF-3卫星）进行贵州地区烟草种植区遥感监测研究；其次，薄云对于光学影像数据会造成较大的干扰，本文未考虑到使用相关的薄云处理算法进行处理，在后续的研究过程中，需要测试研究现阶段主流的薄云处理算法对于高分系列影像数据的适用性，从而选择合适的算法进行薄云的处理工作，消除或减弱薄云的影响；最后，从研究方法上看，近年来深度学习在遥感研究领域得到了广泛而深入的应用[22-23]，深度学习在处理海量、高维的遥感数据上具有优势，将深度学习算法应用于烟草种植区的遥感监测中具有极大的应用价值。现阶段，深度学习算法应用于高分遥感星座影像数据进行烟草种植区遥感监测的研究尚未见诸报道，在后续的研究过程中，需要进一步深入研究和探讨。

4 结 论

结果表明，以毕节市七星关区大河乡烟草还苗期（覆膜）和成熟期的GF-1/2影像数据为数据源，基于面向对象的分类方法，采用光谱、形状、NDVI植被指数为分类特征，使用最邻近分类算法对研究区内的主要地物类型进行了分类，准确提取了研究区内烟草种植区，并对比了单时相与多时相分类结果，以及面向对象与基于像元（ML，NN，SVM）的分类方法。结果表明，多时相的分类结果明显改善了单时相分类中的错分现象，面向对象的分类方法总体精度达到96.01%，Kappa系数为0.948，优于基于像元的分类方法，适用于我国南方贵州地区烟草种植区信息提取，可以满足我国南方贵州地区烟草种植区信息提取的迫切需求。

[1] 龙丽琴，朱贵川，祝朝东，等. 毕节烟叶品牌可持续发展策略研究[J]. 中国烟草科学，2009，30（2）：26-30.

LONG L Q, ZHU G C, ZHU C D, et al. Sustainable development strategy of leaf tobacco brand in Bijie[J]. Chinese Tobacco Science, 2009, 30(2): 26-30.

[2] 武圣江，赵会纳，王松峰，等. 贵州特色烤烟农艺性状与光合特性研究[J]. 中国烟草科学，2014，35（1）：113-116，122.

WU S J, ZHAO H N, WANG S F, et al. Agronomic attributes and photosynthetic characteristics of flue-cured tobacco with Guizhou characteristics[J]. Chinese Tobacco Science, 2014, 35(1): 113-116, 122.

[3] 周义和，刘相甫，黄晓东，等. 论烤烟种植布局调整[J]. 中国烟草学报，2016，22（2）：124-131.

ZHOU Y H, LIU X F, HUANG X D, et al. On restructuring layout of flue-cured tobacco planting[J]. Acta Tabacaria Sinica, 2016, 22(2): 124-131.

[4] 解毅，张永清，荀兰，等. 基于多源遥感数据融合和LSTM算法的作物分类研究[J]. 农业工程学报，2019，35（15）：129-137.

XIE Y, ZHANG Y Q, XUN L, et al. Crop classification based on multi-source remote sensing data fusion and LSTM algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(15): 129-137.

[5] 吴静，吕玉娜，李纯斌，等. 基于多时相Sentinel-2A的县域农作物分类[J]. 农业机械学报，2019，50（9）：194-200.

WU J, LYU Y N, LI C B, et al. Fine classification of county crops based on multi-temporal images of sentinel-2A[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(9): 194-200.

[6] 梁继，郑镇炜，夏诗婷，等. 高分六号红边特征的农作物识别与评估[J]. 遥感学报，2020，24（10）：1168-1179.

LIANG J, ZHENG Z W, XIA S T, et al. Crop recognition and evaluation using red edge features of GF-6 satellite[J]. Journal of Remote Sensing, 2020, 24(10): 1168-1179.

[7] 邱鹏勋，汪小钦，茶明星，等. 基于TWDTW的时间序列GF-1 WFV农作物分类[J]. 中国农业科学，2019，52（17）：2951-2961.

QIU P X, WANG X Q, CHA M X, et al. Crop identification based on TWDTW method and time series GF-1 WFV[J]. Scientia Agricultura Sinica, 2019, 52(17): 2951-2961.

[8] MEI X, CUI W H, ZHANG X X, et al. Monitoring of tobacco planted acreage based on multiple remote sensing sources[C]//2006 IEEE International Symposium on Geoscience and Remote Sensing. IEEE, 2006: 668-670.

[9] 张阳，屠乃美，陈舜尧，等. 基于Sentinel-2A数据的县域烤烟种植面积提取分析[J]. 烟草科技，2020，53（11）：15-22.

ZHANG Y, TU N M, CHEN S Y, et al. Extraction of flue-cured tobacco planting area on county scale based on Sentinel-2A data[J]. Tobacco Science & Technology, 2020, 53(11): 15-22.

[10] KHAN W, MINALLAH N, KHAN I U, et al. On the performance of temporal stacking and vegetation indices for detection and estimation of tobacco crop[J]. IEEE Access, 2020, 8: 103020-103033.

[11] 刘明芹，李新举，杨永花，等. 基于资源三号卫星遥感影像的山区套种烟草面积估测[J]. 安徽农业科学，2016，44（3）：291-293，297.

LIU M Q, LI X J, YANG Y H, et al. Estimation of the intercropped tobacco area in mountainous area based on ZY-3 remote sensing images[J]. Journal of Anhui Agricultural Sciences, 2016, 44(3): 291-293, 297.

[12] 薛宇飞，张军，张萍，等. 基于Sentinel-2遥感影像的烟草种植信息精准提取[J]. 中国烟草科学，2022，43（1）：96-106.

XUE Y F, ZHANG J, ZHANG P, et al. Object-oriented accurate extraction of tobacco information based on sentinel-2 remote sensing images[J]. Chinese Tobacco Science, 2022, 43(1): 96-106.

[13] FAN Z, LU J, GONG M, et al. Automatic tobacco plant detection in UAV images via deep neural networks[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(3): 876-887.

[14] ZHU X, XIAO G, WEN P, et al. Mapping tobacco fields using UAV RGB images[J]. Sensors, 2019, 19(8): 1791.

[15] 董梅，苏建东，刘广玉，等. 面向对象的无人机遥感影像烟草种植面提取和监测[J]. 测绘科学，2014，39（9）：87-90.

DONG M, SU J D, LIU G Y, et al. Extraction of tobacco planting areas from UAV remote sensing imagery by object-oriented classification method[J]. Science of Surveying and Mapping, 2014, 39(9): 87-90.

[16] 吕小艳，竞霞，薛琳，等. 遥感技术在烟草长势监测及估产中的应用进展[J]. 中国农学通报，2020，36（25）：137-141.

LYU X Y, JING X, XUE L, et al. Remote sensing technology applied in growth monitoring and yield estimation of tobacco: a review[J]. Chinese Agricultural Science Bulletin, 2020, 36(25): 137-141.

[17] 田庆久，闵祥军. 植被指数研究进展[J]. 地球科学进展，1998，13（4）：327-333.

TIAN Q J, MIN X J. Advances in study on vegetation indices[J]. Advances in Earth Science, 1998, 13(4): 327-333.

[18] TRIMBLE Germany GmbH. About classification[EB/OL]. (2019-12-06)[2022-07-20]. https://docs.ecognition.com/v9.5.0/eCognition_documentation/ User%20Guide%20Developer/6%20About%20Classification.htm.

[19] VUOLO F, NEUWIRTH M, IMMITZER M, et al. How much does multi-temporal Sentinel-2 data improve crop type classification?[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 72: 122-130.

[20] GÓMEZ C, WHITE J C, WULDER M A. Optical remotely sensed time series data for land cover classification: a review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116: 55-72.

[21] MA L, SCHMITT M, ZHU X. Uncertainty analysis of object-based land-cover classification using sentinel-2 time-series data[J]. Remote Sensing, 2020, 12(22): 3798.

[22] ZHANG L, ZHANG L, DU B. Deep learning for remote sensing data: a technical tutorial on the state of the art[J]. IEEE Geoscience and Remote Sensing Magazine, 2016, 4(2): 22-40.

[23] MA L, LIU Y, ZHANG X, et al. Deep learning in remote sensing applications: a meta-analysis and review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 152: 166-177.

Remote Sensing Monitoring of Tobacco Growing Areas Based on GF-1/2 Image Data

LUO Zhenbao1, LU Yanru2, GAO Zhiling1, YANG Guofa1, HE Yan2, MAO Huihui2*

(1. Bijie City Tobacco Company of Guizhou Province, Bijie, Guizhou 551700, China; 2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China)

Tobacco lands in the southern mountainous areas of China are mostly characterized with small patches and fragmentedly mixed with other croplands. The local cloudy and rainy weather also hinders capturing land cover by optical remote sensing and thereafter affects remote sensing investigation. To solve the above issues of tobacco land recognization, we proposed a tobacco growing area extraction approach by utilizing the nature of multiple scale object-based classification method and taking full advantage of the Gaofen multi-source and multi-temporal remote sensing imagery. The tobacco land recognization experiment was conducted in Dahe town, Qixingguan District, Bijie, and the object-based classification was compared with the pixel-based maximum likelihood (ML), neural network (NN), and support vector machine (SVM). The results showed that the accuracy of the object-based method was the best, followed by ML, SVM, and NN, with the Kappa coefficients of 0.948, 0.936, 0.930, and 0.905 respectively. In addition, the shape of tobacco patches extracted by the object-based method were relatively complete, which effectively avoided the "salt and pepper phenomenon", and the visual effect was significantly better than that of the pixel-based method. The object-based classification method combined with Gaofen remote sensing constellation can accurately extract the distribution of tobacco planting areas in southern China, which is helpful to the macro-management, regulation, and decision-making.

tobacco land; gaofen remote sensing images; high spatio-temporal resolution; phenological characteristics; object-based classification

10.13496/j.issn.1007-5119.2022.04.012

S572

A

1007-5119（2022）04-0087-09

贵州省烟草公司毕节市公司项目{毕烟技[2021]18号}；数码汇博技术开发（委托）项目（2020110020004741）；中国科学院大学科教结合协同育人专项（117900M002）

罗贞宝（1979-），男，硕士，农艺师，主要从事烟叶生产工作。E-mail：30734200@qq.com。*通信作者，E-mail：maohuihui16@mails.ucas.ac.cn

2021-11-01

2022-08-16