基于多源高分衛星影像的果棉套種信息提取

王玉， 付梅臣， 王力， 王長耀

(1.中國地質大學(北京)土地科學技術學院，北京 100083； 2.中國科學院遙感與數字地球研究所遙感科學國家重點實驗室，北京 100101)

基于多源高分衛星影像的果棉套種信息提取

王玉1,2， 付梅臣1， 王力2， 王長耀2

(1.中國地質大學(北京)土地科學技術學院，北京 100083； 2.中國科學院遙感與數字地球研究所遙感科學國家重點實驗室，北京 100101)

棉花與果樹間作在新疆多地區普遍存在，了解套種情況有利于查明果棉產量以及與常規棉田產量結構差異。為此，提出了一種綜合使用多源高分遙感數據的果棉間作信息提取方法。首先，在優化分割尺度基礎上分析QuickBird衛星數據的光譜、形狀和紋理特征并建立規則集； 其次，使用面向對象的分類方法逐步剔除非農田信息形成地塊專題圖，基于專題圖選擇最佳紋理特征提取果樹分布并以地塊為單位統計套種比例； 最后，依據棉花物候特征對高分一號數據多時相分類得到棉花種植信息，結合套種比例結果，統計果棉套種面積及程度。精度檢驗結果表明： 該文提出的方法與傳統抽樣調查法相比能夠為大量地塊信息的采集節省人工成本和時間，果棉信息提取精度為89.16%，可以在統計調查工作中用于新疆果棉套種的自動化提取。

面向對象； 多尺度分割； 果棉套種； 紋理特征

0 引言

新疆維吾爾自治區果棉間作立體種植模式既保護了棉花在當地的產業優勢，又能兼顧農民增收和防風固沙的社會、生態效益[1]。近幾年，隨著新疆環塔里木林果業的發展，果棉間作種植模式迅速擴大，已成為新疆綠洲農業重要的新型種植模式[2-3]。國內外學者往往更關注于間作模式[4-5]高效增產的種植技術問題[6-7]，而針對果棉間作空間分布提取的研究較為少見。南疆環塔里木盆地果棉間作種植規模不斷擴大，了解該地區套種分布及比例既有助于查明果棉套種產量、了解與常規棉田相比產量結構差異，也有助于棉花遙感測產結果的準確獲取，為精準農業測產和農業產業結構調整政策提供依據。

隨著具有豐富空間結構和紋理信息的高空間分辨率遙感影像的不斷出現，面向對象的分類方法與傳統面向像元的分類方法相比精度明顯提高，應用也日趨廣泛。農業遙感應用方面，農田地塊、灌溉系統[8]等典型地類的自動化識別是當前研究的熱點。準確的農田地塊信息是套種提取的基礎。國內外許多學者利用面向對象的分類方法或數學形態學方法[9]對農田邊界提取研究進行了初探。張錦水、陳杰、朱超洪等[10-13]充分挖掘目標地物的光譜特征、紋理特征、形狀特征及語義特征實現了包括農田在內的多種地類信息的提取； Esch使用高分與多時相數據，采用決策樹分類提取基于像元的主要農作物及草地的分布信息[14]。國內外研究結果表明，雖然針對地塊中果棉套種程度識別的研究尚無先例，但在合理選擇高分與多時相遙感數據的基礎上能夠實現農田及內部典型地物的提取。

本文綜合使用多源高分數據，采用多時相分類與面向對象分類相結合的方法提取區域果棉套種信息，并對套種程度及分布規律進行了分析。

1 研究區概況與數據源

1.1 研究區概況

2009年以來，新疆喀什的棉花種植面積一直在增加，近幾年該地區棉花種植面積約占全區耕地總面積的40%。為提高農民收入，當地政府鼓勵農民實行紅棗套種棉花的種植結構，并已取得了良好的經濟和社會效益。本文選擇位于喀什中部莎車縣的4 km×4 km大小正方形區域作為研究區(圖1)，研究區內果棉間作情況普遍，具有區域代表性。

圖1 研究區位置

1.2 數據源及其預處理

本文使用的遙感數據主要為QuickBird數據和國產高分一號(GF-1)衛星數據。

1)QuickBird數據獲取時間為2014年10月3日。該時期農普物候歷顯示主要農作物NDVI值均較高，便于提取地塊與果樹信息。實驗前先運用Pan-sharp變換[15-16]將空間分辨率分別為2.44 m和0.61 m的多光譜數據與全色數據進行融合。融合后的數據有利于影像判讀和光譜、形狀、紋理特征規則集的構建。

2)GF-1數據獲取時間分別為2014年5月、8月和9月。本文使用了空間分辨率8 m多光譜影像以及2 m全色波段影像，首先在ENVI平臺下分別對2種分辨率影像進行正射校正，采用Gram-Schmidt 數據融合方法將多光譜與全色數據進行融合，用以提取棉花種植信息，并與QuickBird數據幾何配準。為滿足面積統計的準確性，本文所用遙感數據源均調整為WGS-84坐標系、Albers雙標準緯線圓錐等積投影以控制投影帶來的面積形變。

此外，本文還使用了2014年喀什地區65個野外調查地塊數據，該數據分布在3個300 m×300 m格網中，為目視判讀及目標信息提取提供了訓練樣本。

2 研究方法

如何分割與分類是面向對象的分類技術需要解決的關鍵問題[17]。本文在優化分割尺度基礎上，通過分析光譜、形狀、紋理、語義等特征，逐步剔除非目標對象得到農田地塊專題圖，經2次分割分類得到地塊內果樹分布，統計獲得各地塊套種比例。圖2為果棉套種信息提取的總體技術流程。

圖2 果棉套種信息提取總體技術流程

2.1 圖像分割

多尺度分割算法已經被證實是最成功的面向對象分類分割算法之一。由于傳統人機交互反復實驗法尋找最優分割尺度費時費力，Liu等[18]提出了歐氏距離指標ED2用以自動提取最優分割尺度，該方法在小尺度測試結果較為理想，對大尺度分割并不敏感。Witharana等[19]通過模擬不同分割參數對分類的影響后指出，盡管傳統的人機交互實驗法可能需要耗費大量時間和人力，但仍是判定最優分割參數最直接有效的方法。

將QuickBird影像數據導入eCognition平臺分割，目標對象為自然地塊，通過對比21種不同參數設置下的分割結果與理想分割尺度的相似性，依次確定尺度、形狀因子和緊致度因子為最優參數。結果表明，在尺度因子220、形狀權重0.7、緊致度權重0.6條件下，分割單元內部紋理均勻，而且與相鄰地塊有明顯獨立的紋理特征，故用以作為地塊最優分割參數。同理，得到果樹提取最優參數(表1)。

表1 多尺度分割參數

2.2 面向對象的果樹信息提取

2.2.1 農田地塊專題圖生成

在等級1分割尺度下，道路、村落、道旁林地對農田提取精度有較大影響。因此，本文通過分析目標對象與其他地物的光譜特征、形狀特征、紋理特征和語義特征信息，明確特征信息與地物之間的對應關系，建立規則集(表2)，采用逐步剔除非目標地類的方法獲得有種植結構的農田地塊專題圖。首先，利用歸一化植被指數(normalized difference vegetable index,NDVI)將QuickBird影像分為植被和非植被。植被可細分為農田和林地; 非植被可細分為道路和其他地類，其他地類包括居民住宅、沙漠、無植被覆蓋農田等。

表2 地塊專題圖分類規則集

村落周邊的林地、道路信息在植被或非植被地類中均有分布。根據林地與農田的光譜亮度差異，設置亮度(Brightness)閾值為260剔除林地信息； 選擇密度(Density)值為1.3與長寬比(Width/Lenth)值為5，共同構成道路提取條件。由于農田面積較大，將小于2 500 像元的小圖斑移除，最終得到農田地塊專題圖(圖3)。

圖3 農田地塊專題圖

2.2.2 農田地塊中的果樹信息提取

在農田地塊圖層內執行多尺度分割，確定最優分割參數(表1中等級2)。農田地塊間由于套種程度差異呈現不同的紋理結構，故本文依據紋理特征提取樹冠對象。

常見紋理特征灰度共生矩陣(grey level co-occurrence matrix,GLCM)包括對比度、能量(角二矩陣)、均一性、熵、相關性、均值、方差、相異性(Dissimilarity)8個紋理特征[19]。其中，對比度為表征紋理清晰程度、紋理強弱的特征值； 能量(角二矩陣)在灰度分布均勻程度和紋理粗細方面有很好的表達； 均一性(逆差距)可以將紋理的規則程度分為不同等級； 熵值可用來表征紋理的復雜程度和圖像信息量； 相關性是紋理在行或者列方向上的相似程度、灰度線性關系的度量； 均值特征值由平均灰度值計算而得，反映整體色調的明暗深淺； 方差顯示紋理變化快慢周期性大小； 相異性(Dissimilarity)則可以很好地區分紋理清晰程度不同的地塊。在eCognition平臺中計算8個紋理特征值加載至原QuickBird影像，結果顯示： 相異性(Dissimilarity)特征值是大型喬木的最佳指標，而均值特征值可以識別地塊果樹尺度的樹冠，設置GLCM均值≤3作為果樹提取的閾值。針對提取結果，由于果樹樹冠對象面積較小，設置面積特征值(Area)<100像元可將紋理相似的草地信息剔除。

2.3 基于多時相GF-1數據的棉花提取

物候特征是區分不同作物的重要依據[21]。因此，通過分析南疆農業普查數據中的棉花物候特征，選擇多時相提取的方法對GF-1數據采用最大似然法進行監督分類。

新疆地域寬廣，南疆與北疆農作物生育期差別較大，總體而言，北疆棉花生育期比南疆晚10～30 d左右。數據顯示，南疆棉花4月上旬開始陸續播種，4月下旬出苗，5月上旬至中旬為苗期，5月下旬至6月上旬為蕾期，6月下旬開花，7月上旬進入開花盛期，8月中下旬進入花鈴期，9月上旬吐絮期，約10月上旬停止生長，數據與相關研究物候描述保持一致[22-23]。本文GF-1數據的獲取時間(5月、8月、9月)都是區分棉花與菜地、棉花與玉米的關鍵期。在ENVI軟件環境下計算3個時相NDVI值并疊加，使用農田地塊專題圖層掩模后的NDVI疊加圖層作為棉花提取基礎數據。

選擇棉花、菜地、春玉米等10種地類的野外樣本純像元用作監督分類的訓練樣本。樣本的可分性結果顯示，棉花與其他9種地類的可分指數均大于1.8，可以進行最大似然監督分類。

3 結果與分析

3.1 農田地塊專題圖分析

農田地塊的提取結果中，除道路、住宅、各種林地信息被完全剔除外，地表土壤裸露的地塊也得到過濾。專題圖中僅保留了有作物種植狀態的地塊3 144個，面積6.05 km2，占總研究區總面積的37.5%，由于分割參數的優化，地塊單元內部紋理均勻，而且與相鄰地塊有明顯獨立的紋理特征。通過將地塊專題圖與人工矢量化格網疊加(圖4)可知，專題圖邊界與人工矢量化邊界雖存在不夠平滑鋸齒狀地塊邊界，但總體吻合度高，對不同作物地塊均有較明確細致的劃分，使用該方法提取有作物農田地塊克服了傳統的手動屏幕數字化地塊邊界耗費大量人力和時間成本的缺點。

圖4 野外實測格網矢量與農田地塊疊加圖

提取的農田斑塊整體連通性較高，斑塊形狀和面積變異較低，形狀較為規則，規模大小變化不劇烈。道路與溝渠等廊道景觀在空間分布上較為均勻，居民點布局較為集中。

3.2 各地類套種信息提取結果分析

根據地塊與樹冠2個類別的語義關系計算果樹在地塊中的面積比例，得到果樹和其他作物(包括棉花、大豆、玉米等等)的地塊套種比例專題圖，簡稱果樹套種專題圖。統計每個地塊中果樹種植面積比例屬性可知，果樹面積比例在5%以下的地塊沒有果樹或者僅有零星果樹分布，為非套種結構地塊； 果樹面積比例大于25%地塊為錯分的小面積林地等其他地類，不屬于套種地類。因此，依據套種比例屬性[0,5%)(非套種地塊)，[5%,10%)，[10%,15%)，[15%,20%)，[20%,25%]進行分類。由于果樹套種專題圖中不僅包含了棉花套種情況，還包括了蔬菜、玉米等其他套種情況，需要使用多時相法提取棉花種植信息并對果樹套種專題圖進行疊加過濾，用以剔除非棉花套種面積。

3.3 果棉套種結果分析

使用多時相分類法對GF-1數據以及同時相TM數據分別進行棉花種植信息提取。研究區內主要作物有棉花、春玉米、夏玉米、菜地、西瓜等。菜地、西瓜以及道路等信息在地塊專題圖構建中由于地表土壤裸露程度較高，NDVI值較低已被剔除。由于8 m空間分辨率的 GF-1數據比25 m空間分辨率的TM更具優勢，GF-1棉花樣本3季度NDVI曲線與TM數據相比，一致性更強。樣本光譜一致性分析結果顯示，各種典型作物可分性較好。對比2種數據棉花信息提取結果(圖5)顯示： GF-1數據棉花提取結果為3.34 km2，椒鹽現象不明顯，棉花地塊整體度較高，與野外樣本中的作物種類及邊界匹配更準確； TM數據提取的棉花整體分布與GF-1數據一致，但提取面積大大減少，僅為1.06 m2，與野外樣本匹配較差。

(a) GF-1棉花提取結果

(b) TM棉花提取結果

結合QuickBird數據的套種比例結果和GF-1棉花地塊結果，獲得果棉套種比例及分布(圖6)。

圖6 果棉套種比例分布圖

對不同套種比例下棉花套種面積進行統計,結果見表3。

表3 研究區內不同套種比例下的面積統計

將果樹與農作物套種面積比例為[0%,5%)的地塊定義為簡單種植結構(非套種)地塊，研究區內簡單種植結構地塊面積共計3.01 km2，其中果-棉套種地塊個數為1 615個，面積2.03 km2。表3數據顯示： 各類果樹套種面積為3.04 km2，約占總農田面積6.05 km2的50%； 棉花與果樹套種面積為1.16 km2，約占總農田地塊面積的19.17%，約占果樹總套種面積的38.16%。數據說明，研究區內套種種植結構面積與簡單種植結構面積比約為1: 1。在套種地塊中，約有38.20%的套種地塊為果樹棉花套種地塊。54.31%果棉套種地塊為[5%,10%)的小套種比例地塊，僅有12.07%地塊為大比例果棉套種[20%,25%)地塊。約50%的農民在選擇果棉套種模式時，對小比例果棉套種[5%,10%)的種植結構更為青睞。研究區的中部以及東北部棉花分布聚集程度高，套種情況也更加普遍。

3.4 精度驗證

為了客觀評價不同中等空間分辨率數據多時相分類法的分類精度，參考相關文獻、現有野外樣本地塊作物屬性資料，以及高分遙感數據目視解譯結果，統計得到分類精度，如表4所示。可以看出，TM數據的分類結果存在大量混合像元，GF-1數據識別總體精度達到89.16%，高于TM數據識別的總體精度。對比不同作物的分類結果可知，夏玉米與棉花由于NDVI值變化方向一致易形成錯分。本研究表明，使用多時相分類方法進行精細作物識別時，既要考慮獲取物候信息的時間分辨率，又要兼顧獲取地塊信息的空間分辨率，GF-1數據與TM數據相比優勢顯著，對不同作物種類識別的總體精度達到90%左右。本文中TM數據提取棉花信息結果受野外樣本量較少的影響，精度僅為64%，結合郝鵬宇等[23]的研究結果證實，使用野外樣本充足的時序曲線匹配法對TM棉花的提取精度亦可達到89%。使用面向對象的多層多尺度分類法提取農田地塊信息總體精度達到90.24%，其中小面積林地為主要誤差來源。

表4 分類精度報告

4 結論

本文以新疆喀什中部莎車縣地區作為研究區提取果棉套種信息。首先基于QuickBird數據，使用面向對象的分類方法創建農田地塊專題圖，然后在專題圖層上選擇最佳紋理特征提取果樹分布及各種地類套種比例，結合GF-1數據多時相棉花分類結果，統計得到果棉不同套種比例面積及分布，并進行了精度檢驗。結果表明：

1)使用面向對象分類方法創建農田地塊專題矢量圖與手動屏幕數字化相比，耗費時間少，操作過程不需人工干預，穩定性高； 地塊提取結果雖存在不夠平滑的鋸齒狀邊界，但與人工矢量化格網總體吻合度高，精度達到90.24%，可以為地塊單元的相關統計、研究提供參考。

2)使用GF-1數據提取的棉花種植面積約為3.34 km2，總體精度為89.16%； 果棉套種面積約為1.16 km2，其中小比例[5%,10%)果棉套種面積0.63 km2，占果棉全部套種的54.3%。結果說明，研究區約一半以上的農民對果棉套種的種植模式認可并采用，而小比例的套種結構更受到這部分農民的青睞。

3)使用多時相數據進行作物提取，GF-1數據時空分辨率較高，比TM更具優勢，對野外樣本需求量較低。

隨著農業產業結構的不斷優化，不同區域果棉套種普及程度各有差異，本文為新疆套種程度的動態監測提供了方法依據。另外，中等空間分辨率TM數據的作物光譜受不同果棉套種程度影響有所差異，探明TM光譜對套種比例的響應規律是下一步研究的重點。

[1] 林濤,田立文,崔建平,等.南疆果棉間作系統棉花優質高效種植存在的技術問題及對策[C]//中國棉花學會2010年年會論文集.延吉:中國棉花學會,2010:101-103. Lin T,Tian L W,Cui J P,et al.Study on the technical problems and countermeasures of cotton quality and efficient cultivation in fruit cotton intercropping system from southern Xinjiang[C]//The Paper Collection of 2010 China Cotton Association Academic Conference.Yanji:The Chinese Society of Cotton,2010:101-103.

[2] 郭仁松,徐海江,劉正興,等.適宜新疆棗棉間作種植模式棉花品種篩選研究[J].棉花科學,2013,35(4):16-21. Guo R S,Xu H J,Liu Z X,et al.Screening cotton varieties of jujube-cotton intercropping planting mode in Xinjiang[J].Cotton Sciences,2013,35(4):16-21.

[3] 夏嬋娟,史彥江.棗棉間作的生態效應對棉花產量的影響[J].西安工程大學學報,2012,26(2):161-167. Xia C J,Shi Y J.Development effect on crop ecology and yield in jujube-cotton intercropping[J].Journal of Xi'an Polytechnic University,2012,26(2):161-167.

[4] 趙英,張斌,王明珠.農林復合系統中物種間水肥光競爭機理分析與評價[J].生態學報,2006,26(6):1792-1801. Zhao Y,Zhang B,Wang M Z.Assessment of competition for water,fertilizer and light between components in the alley cropping system[J].Acta Ecologica Sinica,2006,26(6):1792-1801.

[5] 宋鋒惠,吳正保,史彥江.棗棉間作對棉花產量和光環境的影響[J].新疆農業科學,2011,48(9):1624-1628. Song F H,Wu Z B,Shi Y J.The effect of jujube-cotton intercropping system on the cotton yield and light environment[J].Xinjiang Agricultural Sciences,2011,48(9):1624-1628.

[6] Zhang D S,Zhang L Z,Liu J G,et al.Plant density affects light interception and yield in cotton grown as companion crop in young jujube plantations[J].Field Crops Research,2014,169:132-139.

[7] Mao L L,Zhang L Z,Zhao X H,et al.Crop growth, light utilization and yield of relay intercropped cotton as affected by plant density and a plant growth regulator[J].Field Crops Research,2014,155:67-76.

[8] 吳健生,劉建政,黃秀蘭,等.基于面向對象分類的土地整理區農田灌排系統自動化識別[J].農業工程學報,2012,28(8):25-31. Wu J S,Liu J Z,Huang X L,et al.Automatic identification of irrigation and drainage system in land reclamation area based on object-oriented classification[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(8):25-31.

[9] 張艷玲,馮鳳英,閆浩文.高分辨率影像農田信息提取方法[J].地理空間信息,2010,8(1):78-80. Zhang Y L,Feng F Y,Yan H W.Method for extracting farmland information from high resolution satellite image[J].Geospatial Information,2010,8(1):78-80.

[10]朱超洪,劉勇.基于影像認知和地學理解的面向對象分類研究[J].遙感技術與應用,2012,27(4):536-541. Zhu C H,Liu Y.A study on object-oriented remote sensing image classification based on image cognition and geographical understanding[J].Remote Sensing Technology and Application,2012,27(4):536-541.

[11]陳杰,陳鐵橋,梅小明,等.基于最優尺度選擇的高分辨率遙感影像丘陵農田提取[J].農業工程學報,2014,30(5):99-106. Chen J,Chen T Q,Mei X M,et al.Hilly farmland extraction from high resolution remote sensing imagery based on optimal scale selection[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(5):99-106.

[12]張錦水,潘耀忠,韓立建,等.光譜與紋理信息復合的土地利用/覆蓋變化動態監測研究[J].遙感學報,2007,11(4):500-510. Zhang J S,Pan Y Z,Han L J,et al.Land use/cover change detection with multi-source data[J].Journal of Remote Sensing,2007,11(4):500-510.

[13]胡潭高,朱文泉,陽小瓊,等.高分辨率遙感圖像耕地地塊提取方法研究[J].光譜學與光譜分析,2009,29(10):2703-2707. Hu T G,Zhu W Q,Yang X Q,et al.Farmland parcel extraction based on high resolution remote sensing image[J].Spectroscopy and Spectral Analysis,2009,29(10):2703-2707.

[14]Esch T,Metz A,Marconcini M,et al.Combined use of multi-seasonal high and medium resolution satellite imagery for parcel-related mapping of cropland and grassland[J].International Journal of Applied Earth Observation and Geoinformation,2014,28:230-237.

[15]譚永生,沈掌泉,賈春燕,等.QuickBird全色與多光譜影像融合方法比較研究[J].科技通報,2008,24(4):498-503. Tan Y S,Shen Z Q,Jia C Y,et al.Study on fusion algorithms of QuickBird PAN and multi spectral images[J].Bulletin of Science and Technology,2008,24(4):498-503.

[16]鄔明權,牛錚,王長耀.多源遙感數據時空融合模型應用分析[J].地球信息科學,2014,16(5):776-783. Wu M Q,Niu Z,Wang C Y.Assessing the accuracy of spatial and temporal image fusion model of complex area in south China[J].Journal of Geo-Information Science,2014,16(5):776-783.

[17]曹寶,秦其明,馬海建,等.面向對象方法在SPOT5遙感圖像分類中的應用——以北京市海淀區為例[J].地理與地理信息科學,2006,22(2):46-49,54. Cao B,Qin Q M,Ma H J,et al.Application of object-oriented approach to SPOT5 image classification:A case study in Haidian District,Beijing City[J].Geography and Geo-Information Science,2006,22(2):46-49,54.

[18]Liu Y,Bian L,Meng Y H,et al.Discrepancy measures for selecting optimal combination of parameter values in object-based image analysis[J].ISPRS Journal of Photogrammetry and Remote Sensing,2012,68:144-156.

[19]Witharana C,Civco D L.Optimizing multi-resolution segmentation scale using empirical methods:Exploring the sensitivity of the supervised discrepancy measure Euclidean distance 2(ED2)[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,87:108-121.

[20]白文路.多光譜遙感影像的紋理特征研究[D].哈爾濱:哈爾濱工業大學,2010. Bai W L.Texture Feature Research of Multi-Spectral Remote Sensing Image[D].Harbin:Harbin Institute of Technology,2010.

[21]潘耀忠,李樂,張錦水,等.基于典型物候特征的MODIS-EVI時間序列數據農作物種植面積提取方法——小區域冬小麥實驗研究[J].遙感學報,2011,15(3):578-594. Pan Y Z,Li L,Zhang J S,et al.Crop area estimation based on MODIS-EVI time series according to distinct characteristics of key phenology phases:A case study of winter wheat area estimation in small-scale area[J].Journal of Remote Sensing,2011,15(3):578-594.

[22]趙良斌,曹衛斌,唐春華,等.新疆棉花遙感識別最佳時相的選擇[J].新疆農業科學,2008,45(4):618-622. Zhao L B,Cao W B,Tang C H,et al.Selection of the optimum temporal for cotton remote sensing identification in Xinjiang[J].Xinjiang Agricultural Sciences,2008,45(4):618-622.

[23]郝鵬宇,牛錚,王力,等.基于歷史時序植被指數庫的多源數據作物面積自動提取方法[J].農業工程學報,2012,28(23):123-131. Hao P Y,Niu Z,Wang L,et al.Multi-source automatic crop pattern mapping based on historical vegetation index profiles[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(23):123-131.

[24]Gallego F J,Kussul N,Skakun S,et al.Efficiency assessment of using satellite data for crop area estimation in Ukraine[J].International Journal of Applied Earth Observation and Geoinformation,2014,29:22-30.

[25]Kowalik W,Dabrowska-Zielinska K,Meroni M,et al.Yield estimation using SPOT-VEGETATION products:A case study of wheat in European countries[J].International Journal of Applied Earth Observation and Geoinformation,2014,32:228-239.

(責任編輯： 邢宇)

Tree-cotton intercropping land extraction based on multi-source high resolution satellite imagery

WANG Yu1,2, FU Meichen1, WANG Li2, WANG Changyao2

(1.LandUseandTechnologyDepartment,ChinaUniversityofGeosciences(Beijing),Beijing100083,China; 2.TheStateKeyLaboratoryofRemoteSensingScience,InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100101,China)

The intercropping system of tree-cotton is widespread in Xinjiang because it may increase yield and revenue especially during the early years of tree plantations. The statistics of the intercropped area is a key element for yield estimation. A method which can extract the tree-cotton intercropped ratio from planting area themetic map is proposed in this paper. The VHR (very high resolution) QuickBird imagery and multispectral high spatial resolution (GF-1) data were combined for extracting the intercropped ratio using the object-oriented approach and multi-seasonal classification approach respectively. Farmland extraction is a critical step to produce the intercropped information. Since multi-resolution segmentation (MRS) has been proved to be one of the most successful image segmentation algorithms, the trial-and-error process has been used to determine the three main optimal segmentation parameters (scale, shape, compactness) to identify farmland and tree canopy hierarchically. The new rule sets which consider optimal，shape and semantic features have been implemented to compile the farmland thematic map. Then, the GLCM-based texture feature has been proposed to distinguish the tree canopy when the image is segmented again. Intercropping ratio in each crop segmentation unit is calculated by stacking the farmland themetic layer and the tree canopy layer together. Since then, multi-seasonal classification approach has been used to extract the tree-cotton intercropping ratio from the intercropping ratio map. In addition, this work presents two varying images composed of GF-1 and Landsat8. By analyzing the phenologycal calendar, optimum temporal periods for cotton and other major crops are initially determined. Cotton planting areas are extracted by field samples supported supervised classification. The GF-1 accuracy achieves 89.16% which is by far better than TM results. Finally, tree-cotton interplanting area and ratio are extracted based on tree-crop intercropping map and cotton planting map.

object-oriented； multi-resolution segmentation(MRS)； tree-cotton intercropping； texture feature

10.6046/gtzyyg.2017.02.22

王玉,付梅臣,王力，等.基于多源高分衛星影像的果棉套種信息提取[J].國土資源遙感,2017,29(2)：152-159.(Wang Y,Fu M C,Wang L，et al.Tree-cotton intercropping land extraction based on multi-source high resolution satellite imagery[J].Remote Sensing for Land and Resources,2017,29(2)：152-159.)

2015-10-22；

2015-11-16

國家自然科學基金“基于高分辨率逐日模擬遙感數據的農作物物候參數精確提取研究”(編號： 41371358)和國家高技術研究發展計劃(“863”計劃)“先進環境監測技術設備——星-機-地生態環境質量遙感監測系統集成與示范”(編號： 2014AA06A511)共同資助。

王玉(1988-)，女，博士生，主要研究方向為土地利用與資源遙感。Email： wangyu881220@sina.com。

付梅臣(1966-)，男，教授，博士生導師，主要研究方向為土地利用與不動產評估。Email： fumeichen@163.com。

TP 751

A

1001-070X(2017)02-0152-08