地块尺度下基于多源卫星遥感数据的粮食作物识别

谷 鹤，尚 坤，秦爱羚,3，肖晨超

地块尺度下基于多源卫星遥感数据的粮食作物识别

谷 鹤1,2，尚 坤1※，秦爱羚1,3，肖晨超1

（1. 自然资源部国土卫星遥感应用中心，北京 100048；2. 北京国测星绘信息技术有限公司，北京 100040；3. 中国地质大学（北京）地球科学与资源学院，北京 100083）

开展粮食作物监测对于国家粮食安全具有重要意义。在传统像元尺度下，利用单一遥感数据进行粮食作物监测，识别精度往往较低，提取的作物地块破碎，难以满足应用需求。为此，该研究以山东省青岛市黄岛区为研究区，提出了一套地块尺度下综合多源卫星遥感数据（包括高分辨率数据、多时相数据、高光谱数据）与土地利用调查矢量数据的粮食作物信息识别方法。首先，对高分辨率数据进行分割获取耕地地块矢量数据；其次，基于多源卫星遥感数据提取地块级时空谱特征；再次，利用样本数据计算特征类间可分性，并进行特征优选；最后，构建基于二次多项式支持向量机的主要粮食作物（春玉米）识别方法。结果表明：1）该研究所提的方法可以有效进行粮食作物信息识别，基于地块数统计的识别精度为89.7%；2）利用光谱特征、植被指数、纹理特征组合得到的识别结果精度最优，基于像元数统计的精度为97.1%，与传统方法相比提高了24.2个百分点，且提取的地块信息更完整。该研究成果可支持粮食作物种植用地的调查与监测，也可为耕地非粮化时空演变与分析提供新的思路。

遥感；作物；识别；均质地块；多源数据

0 引 言

民以食为天，中国是粮食消费大国，粮食的供给对于人民生活尤为重要[1]。2022年2月国务院办公厅发布《关于做好2022年全面推进乡村振兴重点工作的意见》，明确提出稳定全年粮食播种面积和产量。为切实保障粮食播种面积，获取粮食作物分布信息对稳定粮食生产具有重要意义[2]。山东省是农业大省，耕地面积约占全国6%，对保障粮食安全起到重要作用。及时了解、准确掌握山东省农情信息尤其是粮食作物种植信息及其空间分布状况，对保障粮食安全至关重要[3]。

传统的土地利用调查方法主要结合历年耕地数据，对耕地的变化情况做出统计及分析，但此方法费时、费力，难以快速地实现大区域高精度调查。卫星遥感影像可直观反映耕地的分布及变化，并具有高分辨率、多时相等特点，可定期开展耕地内目标作物种植情况监测。目前利用卫星遥感数据提取粮食作物种植信息的研究大致可分为3类：第一类，在传统像元尺度上，以中低空间分辨率影像构建时间序列数据，获得植被指数时间序列曲线，提取作物物候、关键生长期特征，监测作物空间分布信息。此类数据可表征的空间细节信息有限，相对而言，更适合大面积、规模化种植区域的作物识别。Ashourloo等[4]利用多时相Sentinel-2卫星数据，构建抽穗期内小麦与大麦的敏感光谱特征，采用支持向量机（Support Vector Machine，SVM）与随机森林（Random Forest，RF）分类器，生成粮食作物早晚季种植分布图。王文静等[5]基于多时相Landsat-8卫星陆地成像仪（Operational Land Imager，OLI）数据，构建植被指数时间序列曲线，选择作物生长期内最佳时相的反射率特征，采用SVM分类器实现棉花的提取。李晖等[6]基于多时相MODIS数据构建植被指数时间序列数据集，提取作物生长周期内的阈值，建立不同作物提取模型，得到省内农作物种植结构空间分布图。第二类，以地块为监测单元并以单一高分辨率数据为数据源，通过提取植被指数、纹理特征，获得粮食作物信息。高分辨率数据通常具有更为丰富的空间纹理信息，但一定程度也会增加提取结果的破碎度，因此对于高分辨率数据通常采用以地块为监测单元的提取方法，以获得更加完整、准确的地块级信息。Peña-Barragán等[7]通过图像分割得到耕地地块数据，基于ASTER卫星数据提取植被指数、纹理特征，构建基于规则的决策树模型，实现不同作物识别。Gu等[8]利用QuickBird卫星高分辨率数据得到地块边界，基于多时相Landsat-5卫星专题制图仪（Thematic Mapper，TM）数据，提取光谱、纹理特征以及植被指数，通过比较不同分类器、不同尺度的提取结果，实现作物分布制图。张鹏等[9]在地块尺度下，基于WorldView-2卫星影像数据提取光谱、形状和纹理特征，构建分类模型，实现复杂种植区作物精细分类。第三类，在地块尺度下综合利用多源数据，提取植被指数、光谱或纹理特征，开展作物分布制图。综合使用长时间序列数据、高空间分辨率数据，与单一数据源提取结果相比，可获得更准确的提取结果。Xie等[10]基于高分一号（GF-1）卫星全色多光谱相机（Panchromatic Multispectral Sensor，PMS）数据、宽幅相机（Wide Field View，WFV）数据，在均质地块下构建平行六面体分类器，非均质地块下构建基于规则的地块信息提取方法，综合得到冬小麦地块分布情况。杨颖频等[11]利用高分辨率数据得到耕地地块数据，基于Landsat-8、Sentinel-2多源卫星数据，提取光谱特征、时序植被指数，采取RF方法，获得作物地块分布信息。谢国雪等[12]利用高分辨率数据、土地利用调查数据获得地块边界，基于GF-1、资源三号（ZY-3）、北京二号（BJ-2）、Sentinel-2多源卫星影像数据集，提取光谱、纹理特征以及时序植被指数，构建SVM分类器，实现柑橘地块的提取。

分析比较上述3类利用卫星遥感数据提取粮食作物信息的研究，在传统像元尺度下的识别，始终存在光谱混合问题，影响农作物识别精度[13]，不适用于山东省农用地占地面积较大的特点[14]；仅利用低分辨率数据提取粮食作物，单个像元内通常包含多个地块的混合信息，难以对各地块的作物种植情况进行准确识别；而高分辨率数据虽然空间分辨率高，但由于光谱信息有限，难以对处于相同生长期的粮食作物和非粮作物进行有效识别。

为此，本文利用高分辨率数据进行均质地块单元提取，基于多源卫星遥感数据计算地块级时空谱特征，通过计算和比较类间可分性实现特征优选，选择二次多项式支持向量机作为分类器，对全部地块进行识别并进行精度评价，比较不同特征组合下的识别精度，最终确定一套适合山东省粮食作物遥感监测的技术方法。

1 研究区和试验数据

1.1 研究区概况

研究区位于山东省青岛市黄岛区，119°30′E～120°11′E，35°35′N～36°08′N，如图1所示。该地区地处山东半岛西南隅，属丘陵区，境内山岭起伏，地势西高东低，平均海拔39 m。该区耕地面积占总面积约35%，粮食作物包含玉米、小麦、水稻，非粮作物包含花生与油料作物[15]。该区玉米种植范围较广，种植结构复杂，包括春玉米单作、夏玉米与其他作物轮作[16]。本文主要数据源资源一号02D卫星影像获取时间为2020年7月7日，此时春玉米处于抽雄期，夏玉米尚未进入拔节期[17]，冬小麦已完成收割[18]。由于玉米和小麦主要种植在旱地，水稻种植在水田[19]，根据土地利用调查数据，该区没有水田分布。因此，本研究以春玉米为例进行粮食作物的识别。

图1 研究区位置

1.2 数据及预处理

本研究的主要数据源包括资源一号02D卫星（ZY1-02D）可见近红外相机（Visible Near-Infrared Camera，VNIC）数据和高光谱相机（Advanced hyperspectral imager，AHSI）数据、Landsat-8 OLI数据、土地利用调查矢量数据。

1.2.1 资源一号02D数据

ZY1-02D发射于2019年9月12日，搭载VNIC和AHSI，卫星回归周期为55 d，重访周期为3 d，具有较宽的扫描能力[20]。本研究使用2020年7月7日的VNIC数据与AHSI数据。VNIC数据包含1个全色波段和8个多光谱波段，全色、多光谱波段空间分辨率分别为2.5、10 m，幅宽115 km，相比于传统多光谱相机，ZY1-02D卫星增加了海岸、黄边和红边波段，具有丰富的光谱信息[21]。预处理包含几何精校正、图像融合、辐射定标、快速大气校正等步骤，预处理后得到研究区空间分辨率为2.5 m融合影像。

AHSI数据空间分辨率为30 m，幅宽60 km，光谱范围覆盖从可见光到短波红外（400～2 500 nm），在近红外谱段有76个波段，光谱分辨率为10 nm，在短波红外谱段有90个波段，光谱分辨率为20 nm[22]。高光谱数据的预处理包含辐射定标、FLAASH（Fast line-of-sight atmospheric analysis of hypercubes）大气校正、几何精校正等步骤。春玉米与非粮作物在高光谱数据中的反射率光谱曲线如图2所示，两类作物在红光波段和近红外波段的光谱反射率具有显著差异，利用不同波段反射率差值，可区分作物信息。

1.2.2 时序植被指数数据

时序植被指数数据基于Landsat-8 OLI数据计算，OLI数据包含的全色、多光谱波段空间分辨率分别为15 m和30 m。根据作物物候期，选择了成像时间分别为2019年10月15日、2019年10月31日、2019年11月16日、2019年12月2日、2020年1月19日、2020年2月20日、2020年3月23日、2020年4月24日、2020年5月10日、2020年6月11日、2020年6月27日的11景数据。OLI数据预处理包含图像融合、相对大气校正、几何精校正等步骤。预处理后的反射率数据用于提取时间序列植被指数。

1.2.3 矢量数据

本研究使用了土地利用调查数据中的耕地类，具体包括水田、旱地与水浇地。利用耕地矢量数据对全部影像进行掩膜，得到耕地区域多源卫星遥感数据集。

图2 春玉米与非粮作物反射率光谱曲线

2 研究方法

本研究流程如图3所示，主要包括：1）数据预处理，并利用耕地矢量数据对多源数据集进行掩膜；2）耕地均质地块提取，对VNIC数据进行分割并计算图像归一化差值植被指数（Normalized Difference Vegetation Index，NDVI）与归一化差值水体指数（Normalized Difference Water Index，NDWI），通过阈值判别，得到植被区域内的均质地块边界；3）训练样本和验证样本选择；4）特征构建与优选，从多源卫星遥感数据集中提取光谱特征、植被指数、纹理特征，利用耕地均质地块数据统计时空谱特征集，并基于样本数据计算特征类间可分性，对每组特征分别进行优选，得到具有较高准确率的特征集；5） 模型训练与应用，利用样本数据训练二次多项式支持向量机分类器，并将模型应用在全部地块；6）精度评价与结果分析，计算结果内春玉米斑块数与像元数，与验证样本对比进行精度评价，以此分析最优特征组合、不同类型特征组合对识别不同面积地块的精度影响、本文方法与传统方法识别结果的差异。

图3 研究流程图

2.1 耕地均质地块提取

采用分水岭算法对耕地区域VNIC数据进行图像分割[23]，并通过计算VNIC数据的NDVI与NDWI[24-25]，对耕地区域内的非植被地块进行掩膜，得到后续使用的地块边界矢量数据。

分水岭算法是经典的高分辨率影像分割算法之一[26]。该算法首先计算数据梯度图并设置阈值等参数，从灰度值最小的像元开始，判断邻域像元到该点的距离，若小于阈值，则标记像元，否则在此处设置分水岭[27]，由此得到地块数据，再通过计算地块间的欧式距离对相邻地块进行合并，最终得到均质地块数据。本文研究中具体参数设置如下：使用Sobel边缘检测方法计算梯度图[28]，阈值为25；使用Full Lambda Schedule方法进行合并[29]，阈值为25；Kernel Size设置为7。

为去除非植被地块，采用多指数分析方法识别植被，通过比较农作物不同生长期NDVI、NDWI值的差异，分别设置0.35和20作为NDVI与NDWI的阈值用于提取植被地块分布。研究区内植被与非植被地块的分布如图 4a所示，叠加假彩色影像的局部放大图如图4b所示。

图4 非植被地块识别结果图

2.2 样本选择

通过本底数据收集与资料查阅，确定了该区主要作物类别与空间分布。其中，粮食作物包括春玉米，非粮作物包括菜地等。在预处理后数据上通过人工选择确定初始样本，经反复核查，最终得到313个地块图斑。其中，粮食作物有157个地块，非粮作物有156个地块。在粮食作物与非粮作物中分别随机选取71和68个地块作为训练样本，总面积为522 977 m2。其余174个地块作为验证样本，总面积为250 373 m2。地块按面积大小大致分3类：小地块（面积小于200 m2）、中等地块（面积为200～900 m2）、大地块（面积大于900 m2）。验证样本中不同面积地块的数量如表1所示。

表1 验证样本数值统计

2.3 特征构建与优选

基于多源数据集计算光谱反射率及其变换、时间序列植被指数、灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）[30]，以提取反射率光谱、植被指数以及纹理特征。利用耕地均质地块数据统计特征的均值与方差。通过样本地块数据计算特征可分性，利用二次判别分析方法对特征进行优选，得到每组特征类别内较优的特征集。

在计算特征时，首先，利用GLCM方法提取VNIC数据的纹理特征，并基于VNIC数据计算反射率和植被指数；其次，构建春玉米NDVI时间序列曲线，根据其时序曲线获取关键物候期，基于OLI数据计算了后时相与前时相NDVI的差值，同时计算了不同时期土壤调节植被指数（Soil-Adjusted Vegetation Index，SAVI）的差值[31]；再次，基于AHSI数据计算反射率、植被指数、分段主成分变换信息；最后，合并特征以构建时空谱特征集，并将其分为光谱、植被指数与纹理3组特征类别。

为消除特征冗余对识别方法带来的影响，本文采用独立样本T检验评价类间可分性[32]，对光谱、植被指数与纹理3组特征分别进行优选。利用样本地块数据计算各个特征的类间可分性，按类间可分性对特征进行排序，筛选出可分性较高的特征，通过比较不同分类器，选择基于对角协方差矩阵的二次判别分析方法逐步添加特征进行分类[33-34]，得到精度随特征变化的曲线。当精度达到峰值并开始下降时，保留位于峰值前的特征，去掉位于峰值后的特征。以高光谱数据植被指数为例，随特征加入的精度变化如图5所示，横坐标表示按特征可分性排序的植被指数，当仅加入水波段指数（Water Band Index，WBI）进行分类时，精度为84.5%，随着特征数量的增加，精度总体呈波动下降趋势。因此，选择WBI作为该特征类别优化后的特征集。

注：WBI、ARVI、MReNDVI、ARI2、RGRI、CRI1、SRI、SIPI、MReSRI、ARI1、REPI、PRI、ReNDVI、MSI、CRI2、VREI1、CAI分别表示水波段指数、大气阻抗植被指数、改进红边归一化植被指数、花青素反射率指数2、红绿比值指数、类胡萝卜素反射指数1、比值植被指数、结构不敏感色素指数、改进红边比值植被指数、花青素反射率指数1、红边位置指数、光化学植被指数、红边归一化植被指数、水分胁迫指数、类胡萝卜素反射指数2、Vogelmann红边指数1、纤维素吸收指数。下同。

综合3组特征，确定每个类别优化后的特征集。最终共保留56个特征用于模型构建与分析，具体信息如表2所示。

表2 优化后的特征集

注：R表示波长处的反射率；PCA_-表示对波段至波段进行主成分变换后的第一主成分信息；NDVI2-t1表示2时相与1时相NDVI的差值；EVI表示增强植被指数；R_Hom、R_Con、R_Ent、R_ASM、R_Cor、R_Dis分别表示波长处基于灰度共生矩阵计算的同质性、对比度、熵、角二阶矩、相关性、相异性。

Note: Rrepresents the reflectance at λ wavelength; PCA_a-b represents the first principal component information of bands between bandandafter principal component transformation; NDVI2-t1represents the difference between2 NDVI and1 NDVI; EVI represents the enhanced vegetation index; R_Hom, R_Con, R_Ent, R_ASM, R_Cor, R_Dis represents the GLCM homogeneity, GLCM contrast, GLCM entropy, GLCM angular second moment, GLCM correlation, GLCM dissimilarity atwavelength, respectively.

2.4 地块作物识别

在地块作物识别中，本文选择SVM作为分类器，核函数选择二次多项式[35]。基于训练样本得到识别模型，然后在整个研究区的植被地块中应用，得到粮食作物与非粮作物的识别结果。为提高模型的识别精度，避免过度拟合，在进行参数确定时，采用五折交叉验证的方法确定模型参数。同时，为对比结果，本文也在传统像元尺度下进行了相同处理，得到相应的识别结果。

2.5 精度评价

在精度评价与分析中，主要利用验证样本，通过基于斑块数统计的识别精度和基于像元数统计的识别精度这两方面指标，对结果进行评价。基于斑块数统计的识别精度表示识别结果中春玉米地块数量与验证样本中春玉米地块数量之比，基于像元数统计的识别精度表示识别结果中春玉米像元数量与验证样本中春玉米像元数量之比。

3 结果与分析

3.1 最优特征组合分析

在地块尺度下分别利用7种特征组合进行春玉米识别，得到不同特征组合下的春玉米识别精度，如表3所示。从表中可以看出，组合7利用包含光谱、植被指数与纹理等全部的56个特征获得了最高的识别精度，基于斑块数与像元数计算的精度分别为89.7%和97.1%。组合3的识别精度最低，与组合7相比，仅少了HR_VI特征，但基于斑块数与像元数计算的精度分别下降了21.9个百分点和13.8个百分点，可见高分辨率数据植被指数能够显著提升识别精度。在其余特征组合中，识别精度由高到低依次为组合5、组合1、组合4、组合6、组合2，与组合7相比，分别缺少了HS_VI、HR_SF、MT_VI、HR_TF、HS_SF特征，而基于斑块数的识别精度分别下降了3.5个百分点、5.2个百分点、6.4个百分点、8.7个百分点、9.8个百分点。由此可见，组合7为最优特征组合，且组合中的各类特征对精度提升均有不同程度的贡献。

根据缺少不同类型特征对精度的影响程度，对特征重要性进行排序，由大到小依次为：HR_VI、HS_SF、HR_TF、MT_VI、HR_SF、HS_VI。对比组合3、组合4、组合5与组合7可以看出；对于植被指数，与MT_VI和HS_VI相比，基于VNIC数据计算的HR_VI特征对于精度的影响最为显著；对比组合1、组合2与组合7可以看出，对于光谱特征，与HR_SF相比，基于AHSI数据计算的HS_SF特征对于精度的影响最为显著。对比不同的数据源，可以发现对于VNIC数据，植被指数对于精度的贡献高于光谱特征和纹理特征；对于AHSI数据，光谱特征对于精度的贡献高于植被指数。可见，在进行粮食作物的识别中，需要优先保证高分辨率数据和高光谱数据，同时，可以通过计算植被指数、光谱反射率增加特征波段提高识别精度。

表3 基于不同特征集的识别精度

注：√表示选择该特征集；HR_SF、HS_SF、HR_VI、MT_VI、HS_VI、HR_TF分别表示高分辨率数据光谱特征、高光谱数据光谱特征、高分辨率数据植被指数、多时相数据植被指数、高光谱数据植被指数、高分辨率数据纹理特征。

Note: The √ indicates that the feature set is selected; HR_SF, HS_SF, HR_VI, MT_VI, HS_VI, HR_TF represents spectral features of high-resolution data, spectral features of hyperspectral data, vegetation indices of high-resolution data, vegetation indices of multi-temporal data, vegetation indices of hyperspectral data, texture features of high-resolution data, respectively.

另外，本文对比不同特征组合对识别不同面积春玉米地块精度的影响，如表3所示。从表中可以看出，组合7在较小面积、中等面积、较大面积地块上均获得了最高的识别精度，基于斑块数计算的精度分别为75.0%、86.7%、92.9%。在较小面积地块的识别上，组合3的识别精度最低，与组合7相比，缺少HR_VI特征，基于斑块数计算的识别精度下降了50个百分点，可见高分辨率数据植被指数在较小面积地块的识别中能够显著提升精度。在减少HS_SF、MT_VI、HS_VI、HR_TF、HR_SF特征后，与组合7相比，组合2、组合4、组合5、组合6、组合1精度分别下降了17.9、14.3、14.3、14.3、3.6个百分点，可见高光谱数据光谱特征对于小面积地块的精度提升具有重要作用；多时相数据植被指数、高光谱数据植被指数、高分辨率数据纹理特征对小面积地块的精度贡献基本相同；高分辨率数据光谱特征对小面积地块的识别精度影响非常小。

在中等面积地块的识别上，与组合7相比，组合3和组合6分别减少HR_VI、HR_TF特征，识别精度均最低，下降了23.4个百分点，可见高分辨率数据植被指数、高分辨率数据纹理特征都对中等面积地块的识别精度有显著提升。在其余特征组合中，识别精度由高到低依次为组合5、组合4、组合1、组合2，分别减少了HS_VI、MT_VI、HR_SF、HS_SF特征，基于斑块数计算的识别精度分别下降了6.7个百分点、13.4个百分点、16.7个百分点、20个百分点，可见高光谱数据光谱特征对中等面积地块的精度提升起到重要作用；高分辨率数据光谱特征、多时相数据植被指数对中等面积地块的精度影响较大；高光谱数据植被指数对中等面积地块的精度提升作用小。

在较大面积地块的识别上，组合2的识别精度最低，与组合7相比，缺少HS_SF特征，基于斑块数计算的精度下降了21.5个百分点，可见高光谱数据光谱特征对大面积地块的精度影响最为显著。在其他特征组合中，组合5的识别精度与组合7相同，均为92.9%，可见高光谱数据植被指数对大面积地块的识别精度影响非常小。在减少HR_SF、HR_VI、MT_VI、HR_TF特征后，与组合7相比，组合1、组合3、组合4、组合6精度分别下降了17.9个百分点、14.3个百分点、10.8个百分点、10.8个百分点，可见高分辨率数据光谱特征对大面积地块的精度提升起到重要作用；高分辨率数据植被指数对大面积地块的精度影响较大；多时相数据植被指数、高分辨率数据纹理特征对大面积地块的精度提升较小。

3.2 与传统像元尺度方法结果的比较

本文利用最优特征组合7，利用本文所提方法和传统像元尺度方法分别进行粮食作物识别，并基于像元数进行精度评价。传统方法的识别精度为72.9%，本文所提方法的识别精度为97.1%，传统方法的识别精度降低24.2个百分点，不同方法识别结果对比如图6所示。根据粮食作物与非粮作物轮作区以及耕地集中分布区，选择A、B、C三个区域进行对比。对比图6a、图6b，可以看出传统方法存在椒盐状噪声，本文方法的结果更平滑。对比图6c～6e，可以看出图6c与图 6d结果较一致，对于带状种植的作物，图6c的识别结果优于图6e。对比图6f～6h，可以看出图 6f与图6g结果较一致，对于较大面积作物地块，图6f的识别结果优于图6h。对比图6i～6k，图 6i和图6j结果较一致，对于中等面积作物地块，图6i的识别结果优于图6k。

a. 本研究识别结果a. Identification result using this methodb. 传统像元尺度识别结果b. Identification result using traditional pixel-scale method

c. 区域A本研究识别结果c. Identification result of site A using this methodd. 区域A地表真实图像d. Ground truth image of site Ae. 区域A传统像元尺度识别结果e. Identification result of site A using traditional pixel-scale method

f. 区域B本研究识别结果f. Identification result of site B using this methodg. 区域B地表真实图像g. Ground truth image of site Bh. 区域B传统像元尺度识别结果h. Identification result of site B using traditional pixel-scale method

i. 区域C本研究识别结果i. Identification result of site C using this methodj. 区域C地表真实图像j. Ground truth image of site Ck. 区域C传统像元尺度识别结果k. Identification result of site C using traditional pixel-scale method

4 结 论

本研究针对传统方法下利用单一遥感数据源进行粮食作物监测，识别精度较低，结果难以满足应用需求的问题，提出了一套在地块尺度下综合多源卫星遥感数据（包括高分辨率数据、多时相数据、高光谱数据）与土地利用调查矢量数据的粮食作物信息识别方法，分析不同特征组合下的识别精度，并对本文所提方法与传统像元尺度方法的结果进行了对比，得到了如下结论：

1）本文方法可以有效识别粮食作物的种植情况，利用光谱、植被指数、纹理特征组合得到的识别结果精度最优，基于斑块数、像元数统计的识别精度分别达到89.7%、97.1%，与传统方法相比，本文方法的精度提高约24.2个百分点，且提取的地块信息较完整；

2）在不同特征类型中，对识别精度贡献较高的分别有：高分辨率数据植被指数、高光谱数据光谱特征、高分辨率数据纹理特征，对识别精度贡献较低的分别有：多时相数据植被指数、高分辨率数据光谱特征、高光谱数据植被指数。在较小面积地块的识别中，高分辨率数据植被指数对识别精度的提升最为显著；在中等面积地块的识别中，高分辨率数据植被指数、高分辨率数据纹理特征对识别精度的提升贡献较大；在较大面积地块的识别中，高光谱数据光谱特征对识别精度的提升起到重要作用。

本文所提方法可实现粮食作物信息识别，为地块尺度作物信息提取提供研究思路，为合理利用耕地、完善粮食安全保障体系提供技术支持。

[1] 张慧中，宋文，张文信，等. 山东省耕地“非粮化”空间分异特征及其影响因素分析[J]. 中国土地科学，2021，35(10)：94-103.

Zhang Huizhong, Song Wen, Zhang Wenxin, et al. Analysis of spatial differentiation characteristics and influencing factors of non-grain cultivated land in Shandong province[J]. China Land Science, 2021, 35(10): 94-103. (in Chinese with English abstract)

[2] 陈浮，刘俊娜，常媛媛，等. 中国耕地非粮化空间格局分异及驱动机制[J]. 中国土地科学，2021，35(9)：33-43.

Chen Fu, Liu Junna, Chang Yuanyuan, et al. Spatial pattern differentiation of non-grain cultivated land and its driving factors in China[J]. China Land Science, 2021, 35(9): 33-43. (in Chinese with English abstract)

[3] 王冲. 山东省耕地非粮化时空特征及影响因素研究[D]. 青岛：青岛科技大学，2016.

Wang Chong. Spatial Temporal Characteristics and Influencing Factors of Non Grain Cropland in Shandong Province[D]. Qingdao: Qingdao University of Science & Technology, 2016. (in Chinese with English abstract)

[4] Ashourloo D, Nematollahi H, Huete A, et al. A new phenology-based method for mapping wheat and barley using time-series of Sentinel-2 images[J]. Remote Sensing of Environment, 2022, 280: 113206.

[5] 王文静，张霞，赵银娣，等. 综合多特征的Landsat8时序遥感图像棉花分类方法[J]. 遥感学报，2017，21(1)：115-124.

Wang Wenjing, Zhang Xia, Zhao Yindi, et al. Cotton extraction method of integrated multi-features based on multi-temporal Landsat 8 images[J]. Journal of Remote Sensing, 2017, 21(1): 115-124. (in Chinese with English abstract)

[6] 李晖，陈雨琪，张紫滟，等. 基于长时间序列MODIS影像的黑龙江省主要农作物种植结构变化研究[J]. 杭州师范大学学报（自然科学版），2021，20(6)：658-665.

Li Hui, Chen Yuqi, Zhang Ziyan, et al. Planting structure changes of the main crops in Heilongjiang Province based on long time series MODIS images[J]. Journal of Hangzhou Normal University(Natural Science Edition), 2021, 20(6): 658-665. (in Chinese with English abstract)

[7] Peña-Barragán J M, Ngugi M K, Plant R E, et al. Object-based crop identification using multiple vegetation indices, textural features and crop phenology[J]. Remote Sensing of Environment, 2011, 115(6): 1301-1316.

[8] Gu X H, Pan Y Z, He X, et al. Measurement of sown area of winter wheat based on per-field classification and remote sensing imagery[J]. Journal of Remote Sensing, 2010, 14(4): 789-805.

[9] 张鹏，胡守庚. 地块尺度的复杂种植区作物遥感精细分类[J]. 农业工程学报，2019，35(20)：125-134.

Zhang Peng, Hu Shougeng. Fine crop classification by remote sensing in complex planting areas based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 125-134. (in Chinese with English abstract)

[10] Xie H, Wu Q, Zhang T, et al. A new algorithm for extracting winter wheat planting area based on ownership parcel vector data and medium-resolution remote sensing images[J]. Journal of Mathematics, 2021, 2021: 1-16. .

[11] 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.

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)

[12] 谢国雪，黄启厅，杨绍锷，等. 基于中高分影像的丘陵区柑橘种植地块提取[J]. 南方农业学报，2021，52(12)：3454-3462.

Xie Guoxue, Huang Qiting, Yang Shaoe, et al. Extraction of citrus planting plots based on medium-high different images[J]. Journal of Southern Agriculture, 2021, 52(12): 3454-3462. (in Chinese with English abstract)

[13] 韩衍欣，蒙继华. 面向地块的农作物遥感分类研究进展[J]. 国土资源遥感，2019，31(2)：1-9.

Han Yanxin, Meng Jihua. A review of per-field crop classification using remote sensing[J]. Remote Sensing for Land and Resources, 2019, 31(2): 1-9. (in Chinese with English abstract)

[14] 冯媛. 基于生态系统服务价值的山东省耕地生态补偿标准量化研究[D]. 青岛：青岛科技大学，2018.

Feng Yuan. The Research on Land Ecological Compensation Standard of Shandong Province Based on Ecosystem Service Value[D]. Qingdao: Qingdao University of Science & Technology, 2018. (in Chinese with English abstract)

[15] 青岛西海岸新区统计局，2020年青岛西海岸新区统计年鉴[R/OL]. (2020-10-28)[2022-05-05]. http://www.xihaian.gov. cn/zwgk/bmgk/qtjj/gkml/zdgz/tjnj/202012/t20201209_2769726. shtml

[16] Luo Y, Zhang Z, Li Z, et al. Identifying the spatiotemporal changes of annual harvesting areas for three staple crops in China by integrating multi-data sources[J]. Environmental Research Letters, 2020, 15(7): 074003.

[17] 王鹏新，荀兰，李俐，等. 基于时间序列叶面积指数稀疏表示的作物种植区域提取[J]. 遥感学报，2019，23(5)：959-970.

Wang Pengxin, Xun Lan, Li Li, et al. Extraction of planting areas of main crops based on sparse representation of time-series leaf area index[J]. Journal of Remote Sensing, 2019, 23(5): 959-970. (in Chinese with English abstract)

[18] 李正国，杨鹏，周清波，等. 基于时序植被指数的华北地区作物物候期/种植制度的时空格局特征[J]. 生态学报，2009，29(11)：6216-6226.

Li Zhengguo, Yang Peng, Zhou Qingbo, et al. Research on spatiotemporal pattern of crop phenological characteristics and cropping system in North China based on NDVI time series data[J]. Acta Ecologica Sinica, 2009, 29(11): 6216-6226. (in Chinese with English abstract)

[19] 张雅芳，郭英，沈彦俊，等. 华北平原种植结构变化对农业需水的影响[J]. 中国生态农业学报（中英文），2020，28(1)：8-16.

Zhang Yafang, Guo Ying, Shen Yanjun, et al. Impact of planting structure changes on agriculture water requirement in North China Plain[J]. Chinese Journal of Eco-Agriculture, 2020, 28(1): 8-16. (in Chinese with English abstract)

[20] 张宏宇，韩波，王啸虎，等. 资源一号02D卫星总体设计与技术特点[J]. 航天器工程，2020，29(6)：10-18.

Zhang Hongyu, Han Bo, Wang Xiaohu, et al. System design and technique characteristic of ZY-1-02D satellite[J]. Spacecraft Engineering, 2020, 29(6): 10-18. (in Chinese with English abstract)

[21] 李毅夫，王琫瑜，高志海，等. 资源一号02D卫星影像防护林信息提取方法[J]. 航天器工程，2020，29(6)：174-179.

Li Yifu, Wang Bengyu, Gao Zhihai, et al. Shelter forest information extraction method of ZY-1-02D satellite remote sensing images[J]. Spacecraft Engineering, 2020, 29(6): 174-179. (in Chinese with English abstract)

[22] 刘银年，孙德新，韩波，等. 资源一号02D卫星可见短波红外高光谱相机研制[J]. 航天器工程，2020，29(6)：85-92.

Liu Yinnian, Sun Dexin, Han Bo, et al. Development of advanced visible and short-wave infrared hyperspectral imager onboard ZY1-02D satellite[J]. Spacecraft Engineering, 2020, 29(6): 85-92. (in Chinese with English abstract)

[23] Roerdink J B T M, Meijster A. The watershed transform: definitions, algorithms, and parallelization strategies[J]. Fundamenta informaticae, 2001, 41(1/2): 187-228.

[24] Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the great plains with Erts[C]//Third ERTS Symposium, 1973, 8, 1.

[25] Jackson T J, Chen D, Cosh M, et al. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans[J]. Remote Sensing of Environment, 2004, 92(4): 475-482.

[26] 肖鹏峰，冯学智，赵书河，等. 基于相位一致的高分辨率遥感图像分割方法[J]. 测绘学报，2007，36(2)：146-151.

Xiao Pengfeng, Feng Xuezhi, Zhao Shuhe, et al. Segmentation of high-resolution remotely sensed imagery based on phase congruency[J]. Acta Geodaetica et Cartographica sinica, 2007, 36(2): 146-151. (in Chinese with English abstract)

[27] 林卉，刘培，夏俊士，等. 基于分水岭变换的遥感影像面向对象多尺度分割算法研究[J]. 测绘通报，2011(10)：17-19.

Lin Hui, Liu Pei, Xia Junshi, et al. Research on object-oriented multi-scale segmentation algorithm based on watershed transformation[J]. Bulletin of Surveying and Mapping, 2011(10): 17-19. (in Chinese with English abstract)

[28] Gao W, Zhang X, Yang L, et al. An improved Sobel edge detection[C]//2010 3rd International Conference on Computer Science and Information Technology. IEEE, 2010, 5: 67-71.

[29] Robinson D J, Redding N J, Crisp D J. Implementation of a fast algorithm for segmenting SAR imagery[R]. Electronics Research Lab Salisbury(Australia), 2002.

[30] Haralick R M, Shanmugam K, Dinstein I H. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973(6): 610-621.

[31] Huete A R. A soil-adjusted vegetation index(SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295-309.

[32] Liu H, Motoda H. Feature Selection for Knowledge Discovery and Data Mining[M]. Boston: Kluwer Academic publishers, 1998.

[33] Krzanowski W. Principles of Multivariate Analysis[M]. Oxford: Oxford University Press, 2000.

[34] Seber G A F. Multivariate Observations[M]. New York: Wiley, 2009.

[35] Cristianini N, Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods[M]. Cambridge: Cambridge University Press, 2000.

Identification of grain crop using multi-source satellite remote sensing data at field parcel scale

Gu He1,2, Shang Kun1※, Qin Ailing1,3, Xiao Chenchao1

(1.,,100048,; 2...,100040,; 3.,,100083,)

Grain crops are of great significance to the national food security in the world in recent years. Among them, the single remote sensing data source can usually be used to monitor the distribution of grain crops at the pixel scale. However, the monitoring data of grain crop can be constantly contaminated with the serious pepper noise. The current accuracy cannot fully meet the harsh requirements of cropland management in smart agriculture. In this study, a modified strategy was proposed to identify the grain crop information at the field parcel scale using the multi-source satellite data (including high-resolution data (HR), multi-temporal data (MT), and hyperspectral data (HS)), and vector data of land-use type. A study area was selected as the 13 km×12 km complex planting region in the Huangdao District of Qingdao City, Shandong Province, China. The data sources were collected from the ZY1-02D Visible Near-Infrared Camera (VNIC), Advanced Hyperspectral Imager (AHSI), and Landsat-8 Operational Land Imager (OLI). The experiment was performed on the following steps. Firstly, the vector data was used to obtain the cultivated and non-cultivated land boundaries, where the non-cultivated land was masked in the study area. Secondly, the watershed algorithm was utilized to segment the HR for theboundaries of homogeneous crop field parcels. Thirdly, the Normalized Difference Vegetation Index (NDVI) and Normalized Difference Water Index (NDWI) were calculated to determine the thresholds of vegetated field parcels. After that, the spatiotemporal spectrum feature datasets were constructed at the field parcel scale using multi-source satellite remote sensing data, including the spectral features (SFs), Vegetation Indices (VIs), and Texture Features (TFs). Then, an independent sample t-test method was adopted to calculate the separability between the grain crops and non-grain crops within different feature types. The optimal subset of features within each feature type was determined to train the classifier with the diagonal covariance matrix as the discriminant analysis. Seven sets of features were constructed by different combinations of the optimal subset of each feature type. A Quadratic Polynomial Support Vector Machine (QSVM) identification was then carried out to evaluate the accuracy of the system. Subsequently, the contribution of each feature type to the accuracy was analyzed under the different field parcel sizes. Moreover, the optimal feature set was achieved to compare the identification accuracy. Finally, the better accuracy was determined at the field parcel scale and the traditional pixel scale under the optimal feature set. The results showed that: 1) The proposed strategy performed better to acquire the grain crop distribution of cultivated land, with an identification accuracy of 89.7% using the number of field parcels. 2) The maximum identification accuracy of 97.1% was achieved at the field parcel scale using the number of pixels, in terms of the optimal feature set with the SFs, VIs, and TFs. The accuracy was improved by about 24.2 percent points, compared with the traditional pixel scale, and the identification crop field parcels were more complete. 3) The HR_VI and HS_SF can be expected to significantly improve the identification accuracy of small and large field parcels, respectively. In medium-sized field parcels, both HR_VI and HR_TF were contributed to the high identification accuracy of grain crops.The finding can also provide a strong reference to efficiently utilize the cultivated land.

remote sensing; crops; identification; homogeneous field parcel; multi-source data

10.11975/j.issn.1002-6819.2022.16.004

TP79；S127

A

1002-6819(2022)-16-0033-09

谷鹤，尚坤，秦爱羚，等. 地块尺度下基于多源卫星遥感数据的粮食作物识别[J]. 农业工程学报，2022，38(16)：33-41.doi：10.11975/j.issn.1002-6819.2022.16.004 http://www.tcsae.org

Gu He, Shang Kun, Qin Ailing, et al. Identification of grain crop using multi-source satellite remote sensing data at field parcel scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(16): 33-41. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.16.004 http://www.tcsae.org

2022-05-24

2022-07-08

国家自然科学基金项目（42001317）；国家重点研发计划项目（2021YFD1500102）

谷鹤，研究方向为高光谱卫星目标识别与分类。Email：guhe0661@qq.com

尚坤，博士，高级工程师，研究方向为高光谱卫星耕地利用与土壤参量反演技术。Email：shangkun0213@126.com