协同多源国产高分影像和面向对象方法的南方农作物遥感识别

2023-08-15王佳玥蔡志文王文静魏浩东王聪李泽萱李秀妮胡琼

中国农业科学 2023年13期

王佳玥，蔡志文，王文静，魏浩东，王聪，李泽萱，李秀妮，胡琼

王佳玥1，蔡志文2，王文静1，魏浩东3，王聪1，李泽萱1，李秀妮1，胡琼1

1华中师范大学城市与环境科学学院，武汉 430079；2华中农业大学资源与环境学院/华中农业大学宏观农业研究院，武汉 430070；3华中农业大学植物科学技术学院/华中农业大学宏观农业研究院，武汉 430070

【目的】中国南方地区云雨频繁且农业景观破碎，是我国农作物遥感监测最具挑战的区域之一。我国自主研发的高分系列卫星具有高时空分辨率和高质量成像的特点。本研究挖掘多源高分系列卫星的时间和空间双重优势，实现多云雨及景观异质区作物精细化识别。【方法】基于国产高空间分辨率高分二号（GF-2）影像表征农田空间几何特征，协同中空间分辨率高分一号（GF-1）和高分六号（GF-6）加密影像观测时间序列，充分表征农作物光谱季相节律。通过构建光谱-时相-空间三维分类特征，基于随机森林进行农作物分类并计算不同特征的重要性。同时，设置不同影像组合和不同分类单元下的多种分类场景，进一步分析不同高分数据协同利用在农作物识别上的表现差异。【结果】基于GF-1、GF-2和GF-6影像和面向对象的农作物分类在湖北省潜江市研究区的总体精度为95.49%，Kappa系数为0.94；在枣阳市的总体精度为93.78%，Kappa系数为0.92。协同GF-2和GF-6进行农作物分类精度优于协同GF-2和GF-1。此外，基于GF-2进行面向对象的农作物分类效果优于面向像元，其中潜江总体精度提升了1.4%，枣阳提升了1.32%。相比GF-1和GF-2对应的光谱和空间特征，GF-6光谱波段对农作物遥感识别的贡献度最大，累计重要性得分占全部光谱波段的82%（潜江）、77%（枣阳）。其中GF-6新增的红边Ⅰ波段（B5）、红边Ⅱ波段（B6）、紫波段（B7）和黄波段（B8）4个光谱波段对作物识别的贡献度分别为47%（潜江）和33%（枣阳）。【结论】协同发挥不同国产高分数据各自光谱-时间-空间优势，不仅缓解了农业景观破碎导致的“混合像元”问题，同时一定程度上降低了多云多雨气候对农作物识别影响的不确定性，为我国南方地区农作物精准识别提供了巨大潜能。

国产高分数据；面向对象；随机森林；遥感识别；作物分类

0 引言

【研究意义】农作物空间分布信息是农业生产管理、农作物产量估算以及农业土地结构调整等的重要基础数据[1-4]。传统实地调研方法的周期长、成本高，其获取的农作物种植面积信息存在较高的不确定性和时间滞后性[5]。及时、准确地掌握农作物空间分布信息对于调整农作物种植结构、制定农业生产布局方案、推进水土资源高效利用以及保障国家粮食安全等具有重要意义。【前人研究进展】遥感技术因探测周期短、成本低、覆盖范围广等优势，成为区域尺度农作物空间分布制图最主流的手段[6-10]。农作物光谱易受农作物类型、土壤背景、耕作活动等影响，尤其在地块破碎、多云多雨、种植结构多样的南方地区，农作物类内光谱变异性大，为其遥感监测带来了严峻挑战[11]。以MODIS为代表的低空间分辨率遥感卫星具有高重访时频的特点，能充分捕获农作物关键物候特征，但较粗的空间分辨率导致混合像元问题[12-14]。以Landsat和Sentinel为代表的中空间分辨率影像是目前应用最广泛的遥感数据之一，其适宜的空间分辨率和光谱波段，提高了区域农作物识别精度，但相对较长的重返周期使其难以表征农作物生长过程动态信息[15-18]。尤其在中国南方地区，频繁的云雨天气往往导致优质的中高分辨率影像数量受限[19-22]，仅依靠单一遥感数据难以获取密集的对地观测频率，也就难以辨别物候特征相近的多类农作物[23-24]。因此，一方面如何提高遥感影像的时间观测密度来提升农作物物候特征捕获能力，以突破云雨天气导致的时间分辨率不足；另一方面，如何兼顾“高空间分辨率”优点，来缓解农业景观异质性带来的混合像元问题，是当前我国南方地区农作物遥感制图面临的双重挑战[25-26]。近年来，随着我国高分辨率对地观测系统重大专项的实施，成功发射了多颗国产高分系列卫星[27-28]（例如GF-1、GF-2和GF-6等卫星）。高分系列卫星兼有高空间和时间分辨率的双重优势，不仅能刻画农作物细致的空间信息，且能充分表达农作物季相节律特征，为多云多雨、农业景观破碎地区的农作物精细识别提供了巨大潜力[29-31]。例如，何真等[32]研究表明协同国产GF-1和GF-6卫星影像能捕获艾草的关键物候特征从而提高作物识别精度。郑利娟[27]协同GF-1和GF-6影像挖掘适用于作物分类的特征，研究了基于高空间分辨率影像的作物分类特征优化方法。以上研究表明多源卫星协同，特别是国产高分系列卫星的协同有效提高了对农作物的监测能力，为云雨频繁的复杂区域农作物精细识别提供了巨大潜力[33-36]。【本研究切入点】现有研究大多集中于协同多源中高分辨率数据，利用其充足的时相信息进行作物分类，忽视了高空间分辨率数据所蕴藏的丰富空间细节特征[37-40]。此外，基于国产高分影像农作物分类制图大多停留于像元尺度上，未考虑到相邻像元之间的关联效应，而高分辨率影像为解析像元之间精细的拓扑关系提供了有效数据支撑[41-42]。因此，如何充分挖掘多源多时相高分卫星在光谱、时空分辨率上的优势，实现多云雨和耕地破碎地区的农作物精细化识别成为农业监测领域的关键问题。【拟解决的关键问题】本研究以国产高分系列卫星中的高分一号（GF-1）、高分二号（GF-2）和高分六号（GF-6）为遥感数据源，针对中国南方粮食主产区之一的湖北省，选取2个典型农耕地区为研究区域，探索多源国产高分数据在农作物制图中的应用潜力。发挥GF-2高空间分辨率优势，基于GF-2进行面向对象分类，缓解混合像元问题；协同GF-1和GF-6，加密遥感影像时间密度，充分表征农作物物候特征，降低云雨天气对农作物识别的影响。研究方法和结果为湖北省农业生产管理、作物种植结构调整和农业可持续发展提供重要技术支撑和信息参考。

1 材料与方法

1.1 研究区概况

本文选取湖北省潜江市和枣阳市为研究区域（图1），其主要作物物候历如图2所示。潜江市位于湖北省中部，地跨东经112°29′—113°01′、北纬30°04′— 30°39′，地处江汉平原腹地，海拔为26—31 m，地势平坦，降雨充沛，年降水量达1 188 mm，为农业生产提供了充足的灌溉条件。潜江市耕地面积12万hm2，占土地总面积的60%。其农作物种植模式复杂，包括单季稻、双季稻、虾稻，以及油稻、麦稻轮作等。虽然潜江地处平原，但农业景观破碎度较高，农田较小，大多数农田的地块面积小于1 hm2。

枣阳市位于湖北省西北部，地跨东经112°30′— 113°00′，北纬31°40′—32°40′，雨量适中，年均降水分布不均，年际变化大，为500—1 000 mm。枣阳市土地总面积32.77万hm2，其中耕地面积16.07万hm2，占总面积的49%。枣阳地势东高西低，由东北向西南倾斜，地形以丘陵岗地为主。境内有大小河溪180多条，流域面积30多万hm2。农作物种植以水稻，玉米，以及冬小麦为主，且农作物多以间作方式种植，导致枣阳农田地块破碎化程度较高。

图1 研究区概况图以及农作物样本空间分布

图2 研究区农作物物候历与高分系列影像时相信息图

1.2 国产高分卫星影像获取与预处理

本研究采用高分一号（GF-1）、高分二号（GF-2）和高分六号（GF-6）为遥感数据源。其中，GF-2采用空间分辨率为1 m的PMS传感器数据以刻画破碎的农业景观，GF-1和GF-6则使用空间分辨率为16 m的WFV数据。GF-1和GF-6在组网后重返观测周期可达2 d，能充分地捕获农作物季相变化规律。GF-2 PMS、GF-1/6 WFV数据详情如表1所示。

本研究从中国资源卫星应用中心陆地观测卫星数据服务平台（https://data.cresda.cn/#/home）下载了覆盖研究区域的高质量无云的GF-1 WFV、GF-6 WFV影像以及GF-2 PMS影像。不同研究区高质量高分影像获取数量和时间如图2所示。由于研究区具有多类越冬作物，因此，采用了当年11月到次年6月份的高分影像进行农作物分类。同时，为了与实地样本获取时间对应，下载了潜江地区2018年11月至2019年6月影像，枣阳地区2020年11月至2021年6月影像。首先基于ENVI 5.3软件对GF-1、GF-2和GF-6原始影像进行了批量预处理，包括辐射定标、大气校正、正射校正、裁剪和拼接，并通过融合GF-2影像的全色波段与多光谱波段，得到1 m分辨率的GF-2多光谱影像。然后以Google Earth影像为参考影像对高分影像进行地理配准，使用AROSICS软件自动检测并校正多时相高分影像之间的空间偏移[43]，最终确保误差在1个像元以内。

表1 GF-1、GF-2和GF-6卫星传感器参数

1.3 农作物实地样本

本研究于2019年5月前往潜江、2021年5月前往枣阳进行实地农作物类型样本采集。其中潜江市最终采集了730个农作物样本，包括早稻140个、虾稻168个、小麦160个、油菜146个以及其他作物类别（包括莲藕、大豆等）116个，其空间分布见图1-b。此外，基于高分辨率Google Earth影像目视解译得到非耕地样本，包括水体61个、林地74个、人工地表84个。枣阳市共采集农作物样本481个（图1-c），其中包括小麦190个、水稻（早稻）161个以及其他作物类型（包括花生、土豆等）130个。目视选取非耕地样本水体108个、林地100个、人工地表94个。对于样本数据集，本研究按照1﹕1的比例将其随机划分为训练集和验证集，在保证模型训练效果的同时保留足够的样本以对预测结果进行精度评价。

1.4 研究方法

1.4.1 基于GF-2影像的多尺度影像分割 eCognition软件中的多尺度影像分割算法是经典的影像分割算法之一，其通过迭代聚合的策略，基于同质性准则，将光谱特征相似的相邻像元归并为一类，在一定程度上能减少椒盐噪声的干扰，提升模型分类精度[44-46]。分割尺度参数（scale）、形状因子（shape）和紧致度因子（compactness）是多尺度分割的3个重要参数[47]。形状因子表示对象的几何特征，紧致度因子代表对象边缘的平滑程度。尺度参数定义影像对象层的均一性准则的最大标准差，会影响对象的平均大小和内部均匀性，一般情况下，尺度参数值越大，对象层的轮廓就越大[48-49]。

本研究对融合后多光谱GF-2影像进行多尺度分割，借助ESP2（Estimation of Scale Parameter 2）工具确定潜在最优分割参数，并结合目视判别效果来最终设定合适的分割尺度、形状因子、紧致度因子、波段权重等参数。ESP2是一种自动计算最优分割尺度的工具，根据局部方差（local variance，LV）及其变化率（rate of change，ROC）来评估分割效果[15]，相较于传统主观试错方法能显著提升主观试错效率，是当前面向对象分割最常用的尺度优选工具之一[16, 50]。影像分割产生的对象，不仅一定程度上缓解了景观破碎产生的椒盐现象，同时其对应的几何结构特征，为农作物识别提供了重要信息。

1.4.2 基于GF-1、GF-2和GF-6影像的分类情景设计本研究首先通过对高空间分辨率GF-2影像进行多尺度分割，提取了分割对象的范围、方向、最大边长值、最小边长值共4个几何形状特征。其中，范围表示分割对象的面积与其最小外接矩形面积的比值，可以反映分割对象的不规则程度，不规则程度越高，则该值越小。最大、最小边长值则可以衡量对象的长宽比例，有利于将农田与细长地物如道路，河流等相区分。其次，在对象尺度上统计波段反射率的均值。基于GF-1和GF-6数据分别构建了8个光谱波段特征，其中蓝、绿、红以及近红外4个光谱波段特征由GF-1和GF-6共同组成，而红边波段Ⅰ、红边波段Ⅱ、黄，以及紫波段由GF-6提供。最后，基于GF-2、GF-1和GF-6数据提取的空间和时序光谱特征进行研究区单季作物制图（表2方案1）。具体地，针对潜江市，基于2018年11月至2019年6月GF-1与GF-6的时序影像以及GF-2影像共构建了56个特征，其中包括单期GF-2影像提取的4个空间特征，3期GF-1影像形成的12个光谱特征（3个时相×4个光谱波段），5期GF-6影像形成的40个光谱特征（5个时相×8个光谱波段）。对于枣阳市，基于2020年11月至2021年6月GF-1、GF-6以及GF-2构建了116个特征，其中包括GF-2数据的4个空间特征，8期GF-1影像形成的32个光谱特征（8个时相×4个光谱波段），10期GF-6影像形成的80个特征（10个时相×8个光谱波段）。

另外，为了充分评估协同高分数据进行农作物遥感分类的潜力，本文设置了3个对照试验，即利用不同数据组合和分类单元进行农作物识别（表2中方案2—4）。方案2和方案3利用GF-1、GF-6分别与GF-2数据进行协同，通过对比试验组（方案1），研究影像观测时间频率对分类结果的影响。方案4则是在像素单元上协同GF-1和GF-6影像构建光谱-时相二维特征组合，通过对比方案1，探讨不同分类单元（面向对象和面向像元）对分类结果的影响。

1.4.3 随机森林分类本研究使用随机森林分类器（Random Forest）[51]进行农作物分类。与其他机器学习方法相比，随机森林具有强抗噪能力、高维数据处理能力以及特征重要性排序能力[52]。在产生分类结果的同时，随机森林也产生了各特征的重要性得分，进行特征重要性排序，显示不同特征对分类结果的优先级。本研究使用随机森林的平均不纯度减少（mean decrease impurity，MDI）指标表征每个特征的重要性，计算出每个特征平均减少的不纯度，将其作为特征重要性得分[32]。将4组分类方案（表2）基于相同的训练样本进行随机森林分类，再采用相同的验证样本进行精度评价。最后，基于随机森林的特征重要性得分，分析不同高分数据源的光谱、空间和时间特征对农作物识别贡献度。

表2 基于不同GF-1、GF-2和GF-6影像的分类情景设计

特征总数=单期GF-2空间特征（4个）+GF-1光谱特征（影像数量×4个光谱波段）+GF-6光谱特征（影像数量×8个光谱波段）

Total number of features = single-period GF-2 spatial features (4) + GF-1 spectral features (number of images × 4 spectral bands) + GF-6 spectral features (number of images × 8 spectral bands)

1.4.4 精度评价本研究基于混淆矩阵[53]进一步计算制图精度（producer’s accuracy，PA）、用户精度（user’s accuracy，UA）、总体精度（overall accuracy，OA）、Kappa系数以及F1-score共5个精度指标来综合表征农作物分类效果[54]。OA和Kappa系数表征区域农作物分类总体效果。F1-score[55]为PA和UA的调和平均值，用以评估单类作物的分类精度，其计算公式如下：

式中，UA代表用户精度用以衡量农作物的错分误差，PA代表制图精度以评估农作物漏分情况。

2 结果

2.1 基于GF-2影像的农田分割结果

多尺度分割的分割参数直接影响了分割图斑的大小、破碎程度。在eCognition软件中，利用多尺度分割ESP2工具设置GF-2影像的各个波段权重均为1，固定形状因子（shape）和紧致度因子（compactness）为0.5，测试不同分割尺度（scale）下的GF-2影像分割结果（图3）。图3中局部方差的变化率随着分割尺度的增大而减小，潜江ROC曲线（rate of change）的局部峰值有115、135、150，枣阳ROC曲线的局部峰值有110、130、165，代表农田分割潜在的最优分割尺度。通过目视图4分割对象与原始高分影像的匹配度，分别选择潜江和枣阳的最佳分割尺度参数为135、130。由于潜江研究区位于江汉平原中心，地势平坦，而枣阳地形以丘陵岗地为主，潜江地块面积大于枣阳农田地块。此外，潜江稻虾田种植面积占比大，为保障收益，稻虾田面积相较于普通农田更大，从而导致潜江最佳分割尺度大于枣阳。其次，在固定潜江（scale=135）、枣阳（scale=130）分割尺度情况下，分别测试不同形状因子和紧致度因子下的分割结果，如图5所示。当形状因子和紧致度因子都为默认值0.5时，分割的图斑破碎程度高，农田内部被分割为多个图斑，出现过分割现象；当形状因子为0.5，紧致度因子为0.8时，图斑依旧破碎，紧致度因子的增加使得分割平滑度下降，农田分割边界不平整。增大形状因子，可以改善农田过分割现象；通过对比分析，当形状因子设置为0.8时，分割对象边界与农田实际边界一致性较高。改变紧致度因子，主要影响分割边界的平滑程度，对农田分割图斑破碎度影响不大。例如，图5紧致度因子增大为0.8时田块仍呈现过分割。通过目视比对分析，当紧致度因子为0.5，可较好反映农田边界形状。总体而言，当形状因子为0.8，紧致度因子为0.5时，农田内部细碎化分割斑块较少，分割形状规则，农田边界清晰完整。因此，确定潜江和枣阳两个区域影像形状因子（shape）为0.8，紧致度因子（compactness）为0.5。

图3 ESP2工具计算ROC曲线

图4 不同分割尺度下的农田分割结果（典型区域展示）

图5 不同形状因子和紧致度因子下的分割结果的典型区域展示

综合局部区域的测试结果，确定eCognition多尺度分割参数的设置为：各波段权重均为1，潜江分割尺度135，枣阳分割尺度130，形状因子0.8，紧致度因子0.5。利用该套参数进行研究区GF-2影像多尺度分割，基于分割结果的影像对象提取范围、方向、最大边长值、最小边长值4个形状特征，用作后续农作物分类。

2.2 协同GF-1、GF-6影像的农作物光谱特征分析

本文基于时序GF-1和GF-6影像光谱波段绘制小麦、油菜、早稻、虾稻4种作物红波段（B3）和近红外波段（B4）平均光谱反射率曲线（图6）。在越冬期（DOY 17，1月17日）小麦和油菜已经播种，处于生长初期阶段，而早稻和虾稻处于稻闲期，因此小麦和油菜近红外反射率显著高于早稻和虾稻，红波段反射率略低于早稻和虾稻。虾稻田在越冬期要保证一定灌溉量为小龙虾繁育提供条件，因此其近红外反射率低于此阶段无须灌溉措施的早稻田。小麦和油菜在3月14日（DOY 73）处于生长旺盛期，近红外反射率达到峰值，显著高于仍处于稻闲期的早稻和虾稻。此后，即4月7日（DOY 97）—5月8日（DOY 128），小麦和油菜逐渐趋于成熟，其近红外反射率呈现下降趋势，而红波段反射率升高。早稻在此阶段处于播种初期，稻田有一定的水量灌溉，近红外反射率呈现下降趋势，且仍低于小麦和油菜。虾稻田仍处于深水覆盖的小龙虾养殖期，近红外反射率仍显著低于其他作物类型。

2.3 基于GF-1、GF-2和GF-6不同特征情景分类结果

表3、表4分别展示了不同高分数据协同组合下潜江和枣阳的农作物精度评估结果。在潜江，协同多时相GF-1、GF-6和GF-2面向对象分类（方案1）的分类效果最好，精度最优，总体精度为95.49%，Kappa系数0.94，均高于其他分类方案。相较于方案1（GF-2 （面向对象）&GF-1+GF-6），方案2（GF-2（面向对象）&GF-1）和方案3（GF-2（面向对象）&GF-6）由于缺少了一部分时相信息，总体精度分别下降了5.37%和1.07%，Kappa系数分别下降了0.06和0.01。该结果表明协同多时相GF-1和GF-6影像加密时间序列能够更好地表征作物的季节规律特性，提升农作物分类精度。此外，对比方案2与方案3的分类精度评估结果可知，相比GF-1影像，GF-6影像光谱信息和获取时相数量更为丰富，显著提升了农作物识别的精度，其总体精度相较于GF-1提升了4.3%，Kappa系数提升了0.05。对比方案4的像元尺度分类，方案1利用高分辨率GF-2影像面向对象分类，通过增加对象尺度的几何形状特征，分类总体精度提高了1.4%。

横坐标为表示日期的儒略日（Day of Year, DOY），纵坐标为根据样本计算的平均光谱反射率

表3 潜江不同GF数据源情景下作物分类结果

枣阳的4种分类方案评估结果与潜江相似，协同GF-1，GF-2，以及GF-6的方案1同样取得了最优分类效果，总体精度和Kappa系数分别达到93.78%和0.92，显著高于方案2和方案3。此外，枣阳地区获取的高质量GF-1、GF-6数据数量显著增加，因此方案2精度相比方案1和方案3，总体精度差距仅为2.43和1.62，Kappa系数差距仅为0.03和0.02。

表4 枣阳不同数据源协同利用下作物分类结果

从表3和表4可以看出，潜江和枣阳的各类作物方案1（试验组）结果的F1-score均高于其他几类方案（对照组）。这表明除了总体分类效果外，小麦、油菜、早稻、虾稻4种作物的单类分类精度也是方案1最高。潜江分类结果中，早稻F1-score分别为0.98（方案1）、0.91（方案2）、0.96（方案3），油菜F1-score分别为0.97（方案1）、0.96（方案2）、0.96（方案3）。小麦的F1-score方案1（F1-score=0.97）与方案2（F1-score=0.92）、方案3（F1-score=0.95）分别相差0.05和0.02，虾稻方案1与方案2、3分别相差0.04、0.01，其他作物的F1-score也是方案1最高（0.84）。枣阳3种作物的F1-score均是方案1最高，小麦为0.97、早稻为0.89、其他作物为0.82。方案1协同3种高分数据在2个地区均取得最高的分类精度，其他2种方案受影像时间信息不足的限制，难以充分捕获农作物关键物候特征，相较于方案1精度都有所下降；同时1 m分辨率的GF-2数据利用高空间分辨率优势，可获取更精细的农作物分类结果。

2.4 面向像元和面向对象分类结果比较

不同尺度（对象和像元）下协同GF-1、GF-2和GF-6进行随机森林分类的农作物空间分布结果如图7和图8所示。图7展示了潜江协同高分数据的分类结果，其中图7-a是未利用GF-2，仅利用GF-1和GF-6得到的像元尺度（方案4）分类结果，图7-b是引入GF-2进行面向对象（方案1）的分类结果。面向像元和面向对象产生的农作物空间分布总体趋势相近，表明2种方案均能较好地识别出大部分作物。图7-a1和图7-b1分别展示了面向像元与面向对象分类结果的空间细节，图7-c为其对应的GF-2影像。相比于面向像元分类，面向对象分类可充分利用GF-2影像中的空间纹理细节，分类结果精细程度更高，能较明显地勾勒出农田的边界信息，尤其是虾稻田这类几何空间特性较为独特的农田，提高制图产品应用价值。

图8是枣阳研究区的分类结果。总体而言，面向对象的分类结果空间分布与面向像元分类相近。枣阳市大面积种植小麦，其主要分布在研究区的西部和北部，南部地区零散种植早稻和其他作物，种植面积较小。图8-c展示了枣阳市一个典型的小农耕作景观，图8-a1和图8-b1分别为其面向像元与面向对象的分类结果。由结果可以发现，针对种植面积较大的小麦，2种方案分类结果相近；然而对于零散种植，面积较小的早稻等作物，面向对象的分类结果与真实地块结果一致性显著高于面向像元分类。此外，面向像元结果将部分建筑用地错分为农作物用地，面向对象分类则准确标识出其类别。

协同GF-1、6影像与GF-2获取的农田空间信息进行分类（方案1），最终获得1 m空间分辨率的农作物识别结果（图7-b1和图8-b1），与协同GF-1、6像元尺度（方案4）得到的16 m空间分辨率结果（图7-a1和图8-a1）进行局部细节对比。可以看出，潜江和枣阳2个地区面向对象的分类结果对于面积较小、破碎度高的农田刻画效果更好，能很好地识别出不同作物、不同农田的边界信息，与实际的农作物空间分布格局相似度高。基于像元的分类受到原始影像空间分辨率的限制，难以准确刻画面积较小的农作物边界信息，存在明显的错分和漏分。结果表明，面向对象农作物分类能充分表征农田形状和边界信息，获取精细的农作物分类结果，更适合农田破碎地区的作物识别，有利于农业精准管理。

a和a1为基于像元的分类结果，b和b1为基于对象的分类结果，c为局部典型区域4月5日的GF-2影像；其中a1和b1分别为展示的典型区域的像元和对象尺度上的随机森林分类结果

2.5 特征重要性分析

图9和图10分别展示了不同时期GF-1、GF-6影像的光谱波段特征重要性和累计重要性得分。其中，2个研究区几何特征重要性得分占比较低（低于10%）。从图中可以发现，对于潜江区域，GF-6影像对作物识别的贡献度占所有光谱波段的82%，其中GF-6新增的红边Ⅰ波段（B5）、红边Ⅱ波段（B6）、紫波段（B7）和黄波段（B8）4个光谱波段对作物识别的贡献度占所有光谱波段的47%。3月14日（DOY73）和4月7日（DOY97）的油菜处于开花期而小麦仍处于成长期，两者光谱表现出明显差异，因此，这两个时期对于农作物识别较为关键，其累计波段特征重要性高。此外，GF-6的黄波段（B8）敏锐捕捉到这两个时间油菜黄色的花叶光谱信息，为区分油菜与小麦、水稻等其他农作物提供了关键特征，贡献度占所有波段的12%。总体而言，GF-6影像因独特的光谱波段（如黄波段、红边波段等）为作物分类提供了新的信息增量，成为潜江地区作物识别的重要数据。

在枣阳特征重要性排序中，3月25日（DOY84）为小麦成长期、油菜开花期，此阶段的近红外波段（B4）是作物识别的最重要特征，这主要因为近红外波段对植被信息较敏感，且此时处于油菜开花期易于区分不同作物类型。GF-6光谱波段特征累计重要性得分占77%，GF-1波段特征累计重要性得分占23%。其中GF-6新增的红边Ⅰ波段（B5）、红边Ⅱ波段（B6）、紫波段（B7）和黄波段（B8）4个光谱波段对作物识别的贡献度占所有光谱波段的33%，再次证明了GF-6影像的作物识别潜力。从时相信息看，分类的关键特征主要集中于DOY52—DOY129（2月下旬—5月上旬），即小麦的成长期、油菜的成长和开花期以及早稻的播种期、成长期。在此阶段，不同农作物的光谱差异较大，有利于随机森林模型对其进行区分。针对研究区云雨天气较频繁等问题，GF-1和GF-6影像协同加密影像时序信息，能提升作物分类效果。

a和a1为基于像元的分类结果，b和b1为基于对象的分类结果，c为局部典型区域3月15日的GF-2影像；其中a1和b1分别为展示的典型区域的像元和对象尺度上的随机森林分类结果

根据特征重要性得分结果，分别选取2个区域排序前20名的特征，再次进行随机森林分类。其中，潜江地区总体精度（OA）为94.64%，枣阳地区总体精度（OA）为93.24%，与表3和表4试验组基于所有特征分类的结果相近（潜江：OA=95.49%，枣阳：OA=93.78%）。该试验结果表明最优特征对农作物识别发挥了主导作用，进一步表明了特征排序结果的可靠性。

3 讨论

3.1 多源高分数据协同的优势分析

本文旨在探索协同国产高分系列卫星影像在多云多雨及种植模式复杂的南方地区进行农作物分类的潜能。一方面，发挥GF-2卫星高空间分辨率优势（空间分辨率优于1 m），缓解因农业景观破碎、地形复杂等产生的混合像元问题，从而提高农作物识别精度。另一方面，协同多时相多光谱GF-1、GF-6卫星，加密遥感影像时间密度，能充分表征农作物物候特征，从而降低云雨天气对农作物识别的影响；同时，为了解决高空间分辨率GF-2影像分类过程产生的“椒盐现象”，研究采用了面向对象的分类方法。通过对比面向对象和像元分类结果，进一步发现面向对象分类更能凸显农田真实物理边界，识别精度优于面向像元，更适宜种植结构复杂地区的农作物分类。该研究有力证明了我国自主研发的高分卫星影像在农业监测领域的巨大应用潜力，同时为我国南方地区农作物遥感制图提供了有效的解决方案。此外，本研究提供的高分数据协同思路不仅适用于农作物分类，也适用于其他土地利用类型分类，尤其是景观破碎地区的地物类型（例如：城市建筑）。

灰色格为背景值，表示DOY对应影像为GF-1，仅有蓝、绿、红、近红外4个光谱波段。横坐标为表示日期的儒略日（DOY），纵坐标为高分影像光谱波段，图例表示特征重要性得分的随机森林评价指标——平均不纯度减少（MDI）

横坐标为表示日期的儒略日（DOY），纵坐标的为表示特征重要性得分的随机森林评价指标——平均不纯度减少（MDI）

3.2 潜在的提升方向

由于地形、气候以及农业种植模式等具有明显区域差异性，利用eCognition选取的最优分割尺度泛化能力较弱。同时，多尺度分割尽管一定程度解决了椒盐现象，但产生的“对象”与真实的农田“地块”仍具有差异，制约了高分影像在大区域农作物分类的应用前景。因此，在后续研究中，可以考虑选取新的分割算法进行GF-2影像分割来获取边界清晰的地块信息，实现地块尺度的作物识别。此外，随机森林虽然是当前应用最广的分类器之一，但面对农作物严重的“同物异谱、同谱异物”情况，其学习能力和效率仍不足，导致农作物识别精度受限。因此，未来研究可以发展合适的深度学习模型，以数据驱动的方式主动学习和挖掘不同农作物典型特征，进一步提升复杂种植区下的农作物分类精度。最后，该研究仅比较了不同高分数据组合情景的农作物识别差异，未跟国际主流的中高分辨率卫星（例如：Landsat和Sentinel-2）进行比较。后续针对更复杂尤其是云雨更频繁的研究区域，不仅考虑与这些主流卫星数据进行比较分析，同时也进行协同利用，进一步突破复杂地区农作物遥感制图的精度，以及推广我国国产高分数据的潜在应用价值。

4 结论

本文以湖北省潜江市和枣阳市为研究区，研究协同多源多时相国产GF-1、GF-2和GF-6影像在多云多雨、种植结构复杂的南方地区开展作物遥感识别的潜力。首先利用GF-2影像进行多尺度分割获取农田的空间信息数据，其次协同长时序GF-1和GF-6影像，构建光谱-时相-空间三维特征组合，利用随机森林分类实现了对象尺度的作物制图并计算不同特征在作物分类中的贡献。通过对比分析不同影像组合和分类尺度的精度差异，进一步分析协同国产高分数据在作物识别的优势与提升潜力。主要研究结论如下：

（1）协同GF-1、GF-2和GF-6影像和面向对象的农作物分类效果最好，在潜江市总体精度为95.49%，枣阳市总体精度为93.78%。通过发挥不同高分数据源各自光谱-空间-时间优势，不仅缓解了景观破碎导致的“混合像元”问题，还在一定程度上降低了多云多雨气候对农作物识别影响的不确定性。

（2）相比GF-1和GF-2对应的光谱和空间特征，GF-6光谱波段对农作物遥感识别的贡献度最大，GF-6光谱波段特征累计重要性得分占所有光谱波段的82%（潜江）、77%（枣阳）。其中GF-6新增的红边Ⅰ波段（B5）、红边Ⅱ波段（B6）、紫波段（B7）和黄波段（B8）4个光谱波段对作物识别的贡献度分别为47%（潜江）、33%（枣阳）。因此，尽管GF-6和GF-1卫星均有相似的重返周期，由于GF-6影像可获取的数量多且光谱波段性能更好，协同GF-6与GF-2产生的农作物识别精度优于协同GF-1和GF-2影像。

（3）选取排名前20重要特征进行随机森林分类，潜江地区总体精度为94.64%，枣阳地区总体精度为93.24%，与试验组基于所有特征分类的结果潜江（OA=95.49%）、枣阳（OA=93.78%）相近。优选特征对农作物识别发挥了主导作用，可在一定程度上降低数据源的时相数量需求。

（4）基于GF-2影像进行面向对象的农作物识别能充分利用影像高空间分辨率优势，较好刻画农作物空间特征，结合多尺度分割方法，产生的面向对象分类结果显著优于面向像元。

（5）该研究证实了协同多源国产高分数据进行农业遥感监测尤其在我国南方地区的巨大潜能。研究方法和结果为区域尺度农业生产管理、作物种植结构调整和农业可持续发展提供理论基础和技术支撑。

[1] 唐华俊, 吴文斌, 杨鹏, 周清波, 陈仲新. 农作物空间格局遥感监测研究进展. 中国农业科学, 2010, 43(14): 2879-2888.

TANG H J, WU W B, YANG P, ZHOU Q B, CHEN Z X. Recent progresses in monitoring crop spatial patterns by using remote sensing technologies. Scientia Agricultura Sinica, 2010, 43(14): 2879-2888. (in Chinese)

[2] 宋茜, 胡琼, 陆苗, 余强毅, 杨鹏, 史云, 段玉林, 吴文斌. 农作物空间分布遥感制图发展方向探讨. 中国农业资源与区划, 2020, 41(6): 57-65.

SONG Q, HU Q, LU M, YU Q Y, YANG P, SHI Y, DUAN Y L, WU W B. Prospect of crop mapping. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(6): 57-65. (in Chinese)

[3] 唐华俊. 农业遥感研究进展与展望. 农学学报, 2018, 8(1): 167-171.

TANG H J. Progress and prospect of agricultural remote sensing research. Journal of Agriculture, 2018, 8(1): 167-171. (in Chinese)

[4] HU Q, WU W B, SONG Q, LU M, CHEN D, YU Q Y, TANG H J. How do temporal and spectral features matter in crop classification in Heilongjiang province, China? Journal of Integrative Agriculture, 2017, 16(2): 324-336.

[5] LIU Y F, XIAO D Q, YANG W T. An algorithm for early rice area mapping from satellite remote sensing data in southwestern Guangdong in China based on feature optimization and random Forest. Ecological Informatics, 2022, 72: 101853.

[6] 胡琼, 吴文斌, 宋茜, 余强毅, 杨鹏, 唐华俊. 农作物种植结构遥感提取研究进展. 中国农业科学, 2015, 48(10): 1900-1914.

HU Q, WU W B, SONG Q, YU Q Y, YANG P, TANG H J. Recent progresses in research of crop patterns mapping by using remote sensing. Scientia Agricultura Sinica, 2015, 48(10): 1900-1914. (in Chinese)

[7] HU Q, SULLA-MENASHE D, XU B D, YIN H, TANG H J, YANG P, WU W B. A phenology-based spectral and temporal feature selection method for crop mapping from satellite time series. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 218-229.

[8] OZDARICI-OK A, OK A, SCHINDLER K. Mapping of agricultural crops from single high-resolution multispectral images—Data-driven smoothingparcel-based smoothing. Remote Sensing, 2015, 7(5): 5611-5638.

[9] LI M Y, ZHANG R, LUO H X, GU S W, QIN Z L. Crop mapping in the Sanjiang plain using an improved object-oriented method based on google earth engine and combined growth period attributes. Remote Sensing, 2022, 14(2): 273.

[10] BLICKENSDÖRFER L, SCHWIEDER M, PFLUGMACHER D, NENDEL C, ERASMI S, HOSTERT P. Mapping of crop types and crop sequences with combined time series of Sentinel-1, Sentinel-2 and Landsat 8 data for Germany. Remote Sensing of Environment, 2022, 269: 112831.

[11] 周珂, 柳乐, 张俨娜, 苗茹, 杨阳. GEE支持下的河南省冬小麦面积提取及长势监测. 中国农业科学, 2021, 54(11): 2302-2318.

ZHOU K, LIU L, ZHANG Y N, MIAO R, YANG Y. Area extraction and growth monitoring of winter wheat in Henan province supported by google earth engine. Scientia Agricultura Sinica, 2021, 54(11): 2302-2318. (in Chinese)

[12] HU Q, MA Y X, XU B D, SONG Q, TANG H J, WU W B. Estimating sub-pixel soybean fraction from time-series MODIS data using an optimized geographically weighted regression model. Remote Sensing, 2018, 10(4): 491.

[13] SONG X P, HUANG W L, HANSEN M C, POTAPOV P. An evaluation of Landsat, Sentinel-2, Sentinel-1 and MODIS data for crop type mapping. Science of Remote Sensing, 2021, 3: 100018.

[14] SKAKUN S, FRANCH B, VERMOTE E, ROGER J C, BECKER-RESHEF I, JUSTICE C, KUSSUL N. Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model. Remote Sensing of Environment, 2017, 195: 244-258.

[15] WEI H D, HU Q, CAI Z W, YANG J Y, SONG Q, YIN G F, XU B D. An object- and topology-based analysis (OTBA) method for mapping rice-crayfish fields in South China. Remote Sensing, 2021, 13(22): 4666.

[16] BELGIU M, CSILLIK O. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis. Remote Sensing of Environment, 2018, 204: 509-523.

[17] LIU L, XIAO X M, QIN Y W, WANG J, XU X L, HU Y M, QIAO Z. Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine. Remote Sensing of Environment, 2020, 239: 111624.

[18] HAO P Y, TANG H J, CHEN Z X, YU L, WU M Q. High resolution crop intensity mapping using harmonized Landsat-8 and Sentinel-2 data. Journal of Integrative Agriculture, 2019, 18(12): 2883-2897.

[19] HU Q, YIN H, FRIEDL M A, YOU L Z, LI Z L, TANG H J, WU W B. Integrating coarse-resolution images and agricultural statistics to generate sub-pixel crop type maps and reconciled area estimates. Remote Sensing of Environment, 2021, 258: 112365.

[20] 杨靖雅, 胡琼, 魏浩东, 蔡志文, 张馨予, 宋茜, 徐保东. 基于Sentinel-1/2数据的中国南方单双季稻识别结果一致性分析. 中国农业科学, 2022, 55(16): 3093-3109.

YANG J Y, HU Q, WEI H D, CAI Z W, ZHANG X Y, SONG Q, XU B D. Consistency analysis of classification results for single and double cropping rice in Southern China based on sentinel-1/2 imagery. Scientia Agricultura Sinica, 2022, 55(16): 3093-3109. (in Chinese)

[21] TAO W C, XIE Z X, ZHANG Y, LI J Y, XUAN F, HUANG J X, LI X C, SU W, YIN D Q. Corn residue covered area mapping with a deep learning method using Chinese GF-1 B/D high resolution remote sensing images. Remote Sensing, 2021, 13(15): 2903.

[22] XIA T, HE Z, CAI Z W, WANG C, WANG W J, WANG J Y, HU Q, SONG Q. Exploring the potential of Chinese GF-6 images for crop mapping in regions with complex agricultural landscapes. International Journal of Applied Earth Observation and Geoinformation, 2022, 107: 102702.

[23] FAN J L, ZHANG X Y, ZHAO C L, QIN Z H, DE VROEY M, DEFOURNY P. Evaluation of crop type classification with different high resolution satellite data sources. Remote Sensing, 2021, 13(5): 911.

[24] WANG L J, WANG J Y, LIU Z Z, ZHU J, QIN F. Evaluation of a deep-learning model for multispectral remote sensing of land use and crop classification. The Crop Journal, 2022, 10(5): 1435-1451.

[25] WU M Q, HUANG W J, NIU Z, WANG Y, WANG C Y, LI W, HAO P Y, YU B. Fine crop mapping by combining high spectral and high spatial resolution remote sensing data in complex heterogeneous areas. Computers and Electronics in Agriculture, 2017, 139: 1-9.

[26] WU M Q, ZHANG X Y, HUANG W J, NIU Z, WANG C Y, LI W, HAO P Y. Reconstruction of daily 30 m data from HJ CCD, GF-1 WFV, landsat, and MODIS data for crop monitoring. Remote Sensing, 2015, 7(12): 16293-16314.

[27] 郑利娟. 基于高分一/六号卫星影像特征的农作物分类研究[D]. 北京: 中国科学院大学, 2017.

ZHENG L J. Crop classification using multi-features of Chinese Gaofen-1/6 satellite remote sensing images[D]. Beijing: University of Chinese Academy of Sciences, 2017. (in Chinese)

[28] 童旭东. 中国高分辨率对地观测系统重大专项建设进展. 遥感学报, 2016, 20(5): 775-780.

TONG X D. Development of China high-resolution earth observation system. Journal of Remote Sensing, 2016, 20(5): 775-780. (in Chinese)

[29] 蔡志文, 何真, 王文静, 杨靖雅, 魏浩东, 王聪, 徐保东. 基于多源国产高分卫星时空信息的米级分辨率耕地提取. 遥感学报, 2022, 26(7): 1368-1382.

CAI Z W, HE Z, WANG W J, YANG J Y, WEI H D, WANG C, XU B D. Mapping cropland at metric resolution using the spatiotemporal information from multi-source GF satellite data. National Remote Sensing Bulletin, 2022, 26(7): 1368-1382. (in Chinese)

[30] 季富华, 刘佳, 王利民. 农作物类型遥感识别算法及国产高分卫星应用示例. 中国农业资源与区划, 2021, 42(7): 254-268.

JI F H, LIU J, WANG L M. Summary of remote sensing algorithm in crop type identification and its application based on Gaofen satellites. Chinese Journal of Agricultural Resources and Regional Planning, 2021, 42(7): 254-268. (in Chinese)

[31] SONG Q, ZHOU Q B, WU W B, HU Q, LU M, LIU S B. Mapping regional cropping patterns by using GF-1 WFV sensor data. Journal of Integrative Agriculture, 2017, 16(2): 337-347.

[32] 何真, 胡洁, 蔡志文, 王文静, 胡琼. 协同多时相国产GF-1和GF-6卫星影像的艾草遥感识别. 农业工程学报, 2022, 38(1): 186-195.

HE Z, HU J, CAI Z W, WANG W J, HU Q. Remote sensing identification forintegrating multi-temporal GF-1 and GF-6 images. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(1): 186-195. (in Chinese)

[33] JIANG X Q, FANG S H, HUANG X A, LIU Y H, GUO L L. Rice mapping and growth monitoring based on time series GF-6 images and red-edge bands. Remote Sensing, 2021, 13(4): 579.

[34] KANG Y P, MENG Q Y, LIU M, ZOU Y F, WANG X M. Crop classification based on red edge features analysis of GF-6 WFV data. Sensors, 2021, 21(13): 4328.

[35] KANG Y P, HU X L, MENG Q Y, ZOU Y F, ZHANG L L, LIU M A, ZHAO M F. Land cover and crop classification based on red edge indices features of GF-6 WFV time series data. Remote Sensing, 2021, 13(22): 4522.

[36] YANG L B, WANG L M, ABUBAKAR G A, HUANG J F. High-resolution rice mapping based on SNIC segmentation and multi-source remote sensing images. Remote Sensing, 2021, 13(6): 1148.

[37] CAI Z W, HU Q, ZHANG X Y, YANG J Y, WEI H D, HE Z, SONG Q, WANG C, YIN G F, XU B D. An adaptive image segmentation method with automatic selection of optimal scale for extracting cropland parcels in smallholder farming systems. Remote Sensing, 2022, 14(13): 3067.

[38] XU L, MING D P, ZHOU W, BAO H Q, CHEN Y Y, LING X A. Farmland extraction from high spatial resolution remote sensing images based on stratified scale pre-estimation. Remote Sensing, 2019, 11(2): 108.

[39] SONG Q, HU Q, ZHOU Q B, HOVIS C, XIANG M T, TANG H J, WU W B. In-season crop mapping with GF-1/WFV data by combining object-based image analysis and random forest. Remote Sensing, 2017, 9(11): 1184.

[40] ZHANG L, LIU Z, REN T W, LIU D Y, MA Z, TONG L A, ZHANG C, ZHOU T Y, ZHANG X D, LI S M. Identification of seed maize fields with high spatial resolution and multiple spectral remote sensing using random forest classifier. Remote Sensing, 2020, 12(3): 362.

[41] 张超, 金虹杉, 刘哲, 李智晓, 宁明宇, 孙海艳. 基于GF遥感数据纹理分析识别制种玉米. 农业工程学报, 2016, 32(21): 183-188.

ZHANG C, JIN H S, LIU Z, LI Z X, NING M Y, SUN H Y. Seed maize identification based on texture analysis of GF remote sensing data. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(21): 183-188. (in Chinese)

[42] LUO H X, LI M F, DAI S P, LI H L, LI Y P, HU Y Y, ZHENG Q A, YU X A, FANG J H. Combinations of feature selection and machine learning algorithms for object-oriented betel palms and mango plantations classification based on Gaofen-2 imagery. Remote Sensing, 2022, 14(7): 1757.

[43] SCHEFFLER D, HOLLSTEIN A, DIEDRICH H, SEGL K, HOSTERT P. AROSICS: An automated and robust open-source image co-registration software for multi-sensor satellite data. Remote Sensing, 2017, 9(7): 676.

[44] 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.

SONG Q. Object-based image analysis with machine learning algorithms for cropping pattern mapping using GF-1/WFV imagery[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016. (in Chinese)

[45] 苏伟, 李京, 陈云浩, 张锦水, 胡德勇, 刘翠敏. 基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例. 遥感学报, 2007, 11(4): 521-530.

SU W, LI J, CHEN Y H, ZHANG J S, HU D Y, LIU C M. Object-oriented urban land-cover classification of multi-scale image segmentation method—— a case study in Kuala Lumpur city center Malaysia. Journal of Remote Sensing, 2007, 11(4): 521-530. (in Chinese)

[46] 佃袁勇, 方圣辉, 姚崇怀. 多尺度分割的高分辨率遥感影像变化检测. 遥感学报, 2016, 20(1): 129-137.

DIAN Y Y, FANG S H, YAO C H. Change detection for high- resolution images using multilevel segment method. Journal of Remote Sensing, 2016, 20(1): 129-137. (in Chinese)

[47] YANG L B, MANSARAY L, HUANG J F, WANG L M. Optimal segmentation scale parameter, feature subset and classification algorithm for geographic object-based crop recognition using multisource satellite imagery. Remote Sensing, 2019, 11(5): 514.

[48] SHEN Y, CHEN J Y, XIAO L, PAN D L. Optimizing multiscale segmentation with local spectral heterogeneity measure for high resolution remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 157: 13-25.

[49] 马燕妮, 明冬萍, 杨海平. 面向对象影像多尺度分割最大异质性参数估计. 遥感学报, 2017, 21(4): 566-578.

MA Y N, MING D P, YANG H P. Scale estimation of object-oriented image analysis based on spectral-spatial statistics. Journal of Remote Sensing, 2017, 21(4): 566-578. (in Chinese)

[50] DRĂGUŢ L, CSILLIK O, EISANK C, TIEDE D. Automated parameterisation for multi-scale image segmentation on multiple layers. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 88: 119-127.

[51] BREIMAN L. Random forests. Machine Learning, 2001, 45(1): 5-32.

[52] DOS SANTOS LUCIANO A C, PICOLI M C A, ROCHA J V, DUFT D G, LAMPARELLI R A C, LEAL M R L V, LE MAIRE G. A generalized space-timeclassification scheme to map sugarcane areas at regional scale, using Landsat images time-series and the random forest algorithm. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 127-136.

[53] HU Q, WU W B, SONG Q, YU Q Y, LU M, YANG P, TANG H J, LONG Y Q. Extending the pairwise separability index for multicrop identification using time-series MODIS images. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(11): 6349-6361.

[54] CONGALTON R G. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 1991, 37(1): 35-46.

[55] ZURQANI H A, POST C J, MIKHAILOVA E A, COPE M P, ALLEN J S, LYTLE B A. Evaluating the integrity of forested riparian buffers over a large area using LiDAR data and Google Earth Engine. Scientific Reports, 2020, 10: 14096.

Integrating multi-Source Gaofen images and object-Based methods for crop type identification in south China

WANG JiaYue1, CAI ZhiWen2, WANG WenJing1, WEI HaoDong3, WANG Cong1, LI ZeXuan1, LI XiuNi1, HU Qiong1

1College of Urban and Environmental Sciences, Central China Normal University, Wuhan 430079;2College of Resources and Environment/Macro Agriculture Research Institute, Huazhong Agricultural University, Wuhan 430070;3College of Plant Science and Technology/Macro Agriculture Research Institute, Huazhong Agricultural University, Wuhan 430070

【Objective】 Due to frequent cloudy and rainy weather, it is challenging to map crop types over south China with fragmented agricultural landscapes. The Gaofen (GF) series satellites developed by China have high spatial-temporal resolution and good image quality. This study exploited the spatial and temporal advantages of multi-source GF images for fine crop classification in heterogeneous agricultural areas with frequent clouds and rain. 【Method】This study characterized the spatial geometry of agricultural fields based on GF-2 data with high spatial resolution, and cooperated with the encrypted observations from GF-1 and GF-6 time series to fully characterize the spectral seasonal variations of crops. By constructing three-dimensional classification features of spectrum-time-space, the crop classification based on random forest classifier were conducted, and the importance scores of different features were calculated. Furthermore, several classification scenarios were set based on different satellite combinations and different classification units, for further analyzing the performances of integrating different GF datasets on crop type mapping.【Result】The overall accuracy of synergistic GF-1, GF-2 and GF-6 by object-oriented crop classification was 95.49% with Kappa of 0.94 in Qianjiang city; the overall accuracy in Zaoyang city was 93.78% with Kappa of 0.92. The accuracy of crop classification by integrating GF-2 and GF-6 was higher than that by GF-2 and GF-1. In addition, the object-oriented crop classification based on GF-2 outperformed the pixel-oriented one, in which the overall accuracy improved by 1.4% and 1.32% in Qianjiang and Zaoyang, respectively. Compared with the spectral and spatial features of GF-1 and GF-2, the GF-6 spectral bands had the largest contribution to crop type identification, and the cumulative importance score accounted for 82% (Qianjiang) and 77% (Zaoyang) of all spectral bands. Among them, the four new spectral bands of GF-6, namely, red-edge I band (B5), red-edge Ⅱ band (B6), purple band (B7) and yellow band (B8), accounted for 47% (Qianjiang) and 33% (Zaoyang) of all spectral bands for crop type identification. 【Conclusion】Integrating multi-source GF images by taking advantages of their spectral, spatial and temporal features could not only alleviate the "mixed pixel" problem caused by the fragmented agricultural landscape, but also reduce the uncertainty of crop type identification in cloudy and rainy areas, providing great potential for accurate crop mapping in south China.

GF data; object-oriented; random forest; remote sensing identification; crop classification