融合多尺度特征的冬小麥空間分布提取方法

陳芳芳，宋姿睿，張景涵，王夢楠，吳門新，張承明,3，李 峰，柳平增,5,6，楊 娜

·研究速報·

融合多尺度特征的冬小麥空間分布提取方法

陳芳芳1，宋姿睿1，張景涵1，王夢楠1，吳門新2，張承明1,3※，李 峰4，柳平增1,5,6，楊 娜7

（1. 山東農業大學信息科學與工程學院，泰安 271018；2. 國家氣象中心，北京 100081；3. 山東省數字農業工程技術研究中心，泰安 271018；4. 山東省氣候中心，濟南 250031；5. 山東農業大學農業大數據研究中心，泰安 271018；6. 農業農村部黃淮海智慧農業技術重點實驗室，泰安 271018；7. 航天宏圖信息技術股份有限公司，北京 100093）

獲取到高質量的特征是從遙感影像中提取高精度的農作物空間分布的關鍵，該研究針對利用哨兵2A（Sentinel-2A）影像提取高精度的冬小麥空間分布開展研究。針對影像中存在的數據空間尺度不一致的問題，以生成式對抗網絡為基礎建立了降尺度模型REDS（Red Edge Down Scale），用于將B5、B6、B7、B11 4個通道的空間分辨率從20 m降為10 m；然后利用卷積神經網絡構建了逐像素分割模型REVINet（Red Edge and Vegetation Index Feature Network），REVINet以10m分辨率的B2、B3、B4、B5、B6、B7、B8、B11，以及提取出的增強植被指數、歸一化植被指數和歸一化差值紅邊指數組合作為輸入，進行逐像素分類。選擇ERFNet、U-Net和RefineNet作為對比模型同REVINet開展對比試驗，試驗結果表明，該研究提出的方法在召回率（92.15%）、查準率（93.74%）、準確率（93.09%）和F1分數（92.94%）上均優于對比方法，表明了該研究在從Sentinel-2A中提取冬小麥空間分布方面具有明顯的優勢。

卷積神經網絡；降尺度；Sentinel-2A；冬小麥空間分布；EVI；NDVI；NDRE1；紅邊波段

0 引 言

目前，中等分辨遙感影像已經成為提取大范圍農作物空間分布的主要數據源[1]，但由于中等分辨率遙感影像上農作物的特征不明顯，特征提取難度較大，如何合理組織數據并設計一種有效的特征提取方法，以提取出高質量的特征，是從中等分辨率遙感影像中準確提取農作物空間分布的關鍵。

在遙感影像中，不同作物在可見光波段范圍內，表現出的特征比較相近，但在紅邊波段上卻存在明顯的差異[2]，綜合使用可見光波段和紅邊波段等數據，能夠有效提高結果精度[3]。由于Sentinel-2A圖像中紅邊波段與可見光波段分辨率不同，通常需要對紅邊波段進行降尺度處理。傳統的降尺度方法包含基于重建、基于學習和基于插值等，其中基于插值的方法較為常用[4]，結果圖像的邊緣容易出現模糊現象[5]。與傳統方法相比，基于深度學習的降尺度方法具有明顯優勢[6]，較典型的方法包括SRCNN（Super-Resolution Convolutional Neural Network）[7]，GANs（Generative Adversarial Networks）[8]等。

在特征提取方面，研究者曾提出多種技術和方法，傳統的包括決策樹[9]、隨機森林[10]、支持向量機[11]等特征提取方法，但這些方法僅考慮了像元自身的信息，獲取到的特征區分度往往不夠理想。卷積神經網絡（Convolutional Neural Network，CNN）[12-13]以圖像塊為單位進行特征提取，能夠綜合考慮像元自身的信息以及像元間的空間關系，所提取出的特征具有更高的類內一致性和更高的類間區分度。以卷積神經網絡為基礎，人們成功地從高分辨率遙感影像中提取了水稻、枸杞、小麥[14]等多種農作物信息，但由于中等分辨率遙感影像上細節信息明顯變少，利用卷積神經網絡提取出高質量特征的難度依然很大，需要根據中等分辨率遙感影像的特點，合理組織輸入并設計模型結構。

本文在充分吸收前人研究成果的基礎上，重點針對如何從Sentinel-2A數據中提取高精度的冬小麥空間分布開展研究。針對通道數據空間尺度不一致的問題，以GAN為基礎建立了一種降尺度模型REDS（Red Edge Down Scale），用于對B5、B6、B7、B11等波段進行降尺度處理；針對獲取高質量特征的問題，以CNN為基礎構建了一種逐像素分割模型REVINet（Red Edge and Vegetation Index Feature Network），用于提取特征并進行逐像素分類。以期為利用Sentinel-2A數據提取其他作物的空間分布提供借鑒。

1 研究區和數據

1.1 研究區概況

本文選擇中國的冬小麥主產區（山東、河北、河南、湖北、江蘇、安徽、山西、陜西、北京、天津）作為研究區，總面積共計133.76萬km2。研究區位于北緯29°05′～42°37'、東經105°29′～122°43′之間（圖1）。

圖1 冬小麥主產區

1.2 遙感數據及其預處理

本文以Sentinel-2A[15]作為主要數據源，收集了研究區2022年3—4月期間的238幅Sentinel-2A數據，這些數據覆蓋了整個研究區。利用航天宏圖信息技術股份有限公司自主研發的PIE（Pixel Information Expert-Basic）遙感圖像處理軟件對所有波段圖像進行輻射定標、大氣校正、正射校正等預處理步驟。

1.3 制作逐像素標記文件

3—4月份的Sentinel-2A圖像中，與冬小麥同期的作物主要是大蒜和冬油菜。根據地面調查資料和遙感影像進行對比，可以發現，冬小麥呈深綠色，大蒜呈淺綠色，冬油菜顏色介于兩者之間；三者的紋理具有明顯區別。根據以上特征，以PIE軟件為基礎進行目視解譯[16]，然后將原始圖像及對應的標注圖像裁剪為512×512像素尺寸，最終共得到6 210組圖像塊，以此為基礎組成訓練數據集和測試數據集，用于對本文模型進行訓練和測試。

2 研究方法

本研究的技術路線如圖2所示。

2.1 紅邊及短波紅外波段的降尺度

根據Sentinel-2A影像的特點，選擇RSFuseNet模型[17]為基礎，重點對其上采樣部分和損失函數進行了改進，形成了降尺度模型REDS（Red Edge Down Scale），用于對B5（Red edge 1）、B6（Red edge 2）、B7（Red edge 3）、B11（SWIR 1）波段進行降尺度處理，得到空間分辨率為10 m的數據。

圖2 冬小麥空間分布提取技術流程圖

2.1.1 模型結構

REDS模型的輸入包括低分辨率通道和高分辨率通道兩部分，低分辨率通道提供光譜信息，高分辨率通道提供紋理信息。REDS通過將從高分辨率通道提取出的空間結構信息注入到低分辨率通道中，達到對低分率通道降尺度的目的（圖3）。

REDS首先利用線性插值進行上采樣，然后利用1組1×1的卷積層對上采樣結果進行調整，用于提取低分辨率通道的光譜特征；從高分辨率通道中提取空間結構信息，并逐級對光譜信息和空間結構信息進行融合，生成結果圖像。

2.1.2 損失函數

損失函數計算公式如（1）所示，包括空間結構損失和光譜損失兩部分，

式中L代表空間結構損失，L代表光譜損失，、為權重。

空間結構損失計算方法如公式（2）所示，

式中代表降尺度后的數據，代表原始數據，代表像素數，代表紋理損失，的計算公式如（3）所示，

式中代表的均值，代表的均值，2為的方差，2為的方差，為和的協方差，1、2為經驗常量。

光譜損失計算方法如公式（4）所示，

式中l-為原始圖像插值上采樣得到的與h尺寸相同的圖像，m代表圖像塊的高度，w代表圖像的寬度。

2.2 提取植被指數

使用經過降尺度的數據提取植被指數。根據前人文獻[18-19]，提取增強植被指數（Enhanced Vegetation Index，EVI）、歸一化植被指數（Normalized Difference Vegetation Index，NDVI）和歸一化差值紅邊指數（Normalized Difference Red-Edge1，NDRE1）3個植被指數。

2.3 進行逐像素分割

選擇ERFNet[20]為基礎模型，根據基礎數據的特點重新設計了特征融合部分，形成了REVINet模型（圖4），用于實現逐像素分割。

圖4 REVINet網絡結構圖

2.3.1 模型輸入

在訓練階段，模型的輸入為圖像塊對，每個圖像塊對包含1個數據塊和1個標記塊，尺寸均為512×512像素。在分割階段，圖像的輸入僅包含數據塊。

2.3.2 編碼器

編碼器由5個串聯的特征提取單元組成，能夠為每個像素提取5個級別語義特征信息。D1、D2、D3使用3×3型卷積核；Non-bottleneck-1D 1-5和Non-bottleneck-1D 6-13使用1×1型卷積核，這種結構設計的優勢在于充分考慮了哨兵2號遙感圖像的空間分辨率與地物覆蓋面積的比例關系對于卷積計算的影響，在保證能夠提取到足夠的語義特征的基礎上，避免了使用過深的卷積結構可能導致特征值出現噪聲較大的問題，有利于分類器進行逐像素分類計算。

2.3.3 解碼器

解碼器由U1、Non-bottleneck-1D 14-15、U2、Non-bottleneck-1D 16-17、U3等5個解碼單元和ResBlock 1個殘差單元構成。模型上采樣時采用了逐步恢復的策略，每次調整時行數和列數分別擴大1倍，最終將特征圖的行列數恢復到與原圖像一致。卷積層的作用是對上采樣后的特征值進行調整。分類器和損失函數依然采用模型原有結構。

2.4 試驗設計

為了驗證紅邊通道在識別農作物時的作用，設計了3種數據組織方案[21]，如表1所示，其中，REDS紅邊組合（方案1）使用REDS模型對紅邊及短波紅外波段進行降尺度，插值法紅邊組合（方案2）使用最近鄰域插值法[22]對紅邊及短波紅外波段進行降尺度。在前兩種組合方案中，所使用的紅邊通道和SWIR通道均為經過降尺度處理的數據。

表1 數據組織方案

注：B2～B11為藍、綠、紅波段，紅邊波段1、2、3，近紅外波段，短波紅外波段1；EVI、NDVI、NDRE1分別為增強植被指數、歸一化植被指數和歸一化差值紅邊指數。

Note: B2-B11 represent blue, green and red bands, red edge 1, 2 and 3, near infrared band, short-wave infrared band 1; EVI, NDVI and NDRE1 represent Enhanced Vegetation Index, Normalized Difference Vegetation Index and Normalized Difference Red-Edge1.

考慮到ERFNet、RefineNet和U-Net的模型結構與REVINet工作原理相似，選擇其作為對比模型，以便反映REVINet的性能。其中，ERFNet同REVINet一樣選擇使用多個Non-bottleneck-1D結構來提高模型精度，但其為一種端到端的編碼器—解碼器語義分割結構；RefineNet同REVINet一樣使用了參數固定的線性模型進行特征融合，但參數值不同；U-Net同REVINet一樣采用了多尺度特征融合技術，但其為一種U型網絡結構。

2.5 評價指標

用準確率（Accuracy）、查準率（Precision）、召回率（Recall）和 F1分數來評估結果的分類精度[23]，反映的是研究區各類地物的位置精度指標。用面積精度（Area accuracy）評估研究區內作物面積提取結果的精度，計算公式見文獻[24]。

3 結果與分析

3.1 REDS降尺度方法與插值法試驗結果

圖5給出了分別使用REDS模型和插值法對紅邊降尺度的結果。通過對比圖5可以直觀地看出，使用插值法處理后的圖像輪廓和紋理細節都較為模糊，從而在一定程度上影響提取結果的精度，而使用REDS方法得到的結果結構更為清晰。

圖5 REDS降尺度方法與插值法的對比試驗結果

3.2 不同方案的對比分析

圖6給出了對比模型利用不同方案生成的結果。從圖6c中可以看出，REVINet的所有結果均比較理想，U-Net的結果中漏識現象較多，ERFNet和RefineNet的結果比較接近，但精度與REVINet有一定差距。從圖6d中可以看出，REVINet的結果中冬小麥區域的輪廓邊緣更為平滑且錯分情況較少，U-Net的結果中錯分現象較多，ERFNet和RefineNet的結果比較接近，但在不同類別的邊界區域識別錯誤增加。從圖6e中可以看出，REVINet提取的冬小麥結果較為理想，U-Net的結果中粘連地塊邊緣提取不清晰，ERFNet和RefineNet的結果中對小尺度圖斑的提取有所改善，但仍存在漏分的情況。

圖6 3個方案的對比試驗結果

3.3 REVINet模型精度驗證

表2給出了對比模型的評價指標。從表2可以看出，在3個方案中，REVINet的各項指標均達到了最高，優于對比模型，同時方案2對應的各項指標均差于方案1，方案3對應的各項指標均差于方案1和方案2。

表2 3個方案的試驗結果精度評價

圖7給出了使用本文方法提取的中國冬小麥主產省在2022年3—4月內的冬小麥空間分布情況。從圖7可以看出，中國冬小麥主要分布在長城以南地區，與2021年國家統計部門公布的面積值進行對比[25]，計算出面積精度（表3），可以看出本文方法所提取結果的面積精度相對較高，符合度較好，從宏觀的角度驗證了REVINet模型的精度和有效性。

圖7 研究區的冬小麥空間分布

表3 研究區冬小麥的種植面積

4 結 論

本文以中國冬小麥主產省為研究區，研究的時間尺度為2022年3—4月。針對如何利用Sentinel-2A遙感影像提取高精度的冬小麥空間分布開展研究，提出了一種基于生成式對抗網絡的降尺度方法和基于卷積神經網絡的逐像素分割方法，重點解決了數據降尺度問題和提取精度問題。研究結果表明，本文提出的方法在召回率、查準率、準確率和F1分數分別達到了92.15%、93.74%、93.09%、92.94%，均優于對比方法，所提取的各主產省的冬小麥面積的精度多數均為90%以上，與國家統計部門公布的數據相符。

在下一步的研究中，將考慮加入非監督訓練方法，降低模型對標記工作的要求，以便將模型應用于生產實踐。

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

[2] 孫敏軒，劉明，孫強強，等. 利用光譜混合分解模型分析GF-6新增波段對土地利用/覆被的響應[J]. 農業工程學報，2020，36(3)：244-253.

Sun Minxuan, Liu Ming, Sun Qiangqiang, et al. Response of new bands in GF-6 to land use/cover based on linear spectral mixture analysis model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(3): 244-253. (in Chinese with English abstract)

[3] 張東彥，楊玉瑩，黃林生，等. 結合Sentinel-2影像和特征優選模型提取大豆種植區[J]. 農業工程學報，2021，37(9)：110-119.

Zhang Dongyan, Yang Yuying, Huang Linsheng, et al. Extraction of soybean planting areas combining Sentinel-2 images and optimized feature model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(9): 110-119. (in Chinese with English abstract)

[4] 張曉陽，李廣澤，彭暢，等. 基于深度卷積網絡的紅外遙感圖像超分辨率重建[J]. 黑龍江大學自然科學學報，2018，35(4)：473-477.

Zhang Xiaoyang, Li Guangze, Peng Chang, et al. Super-resolution reconstruction of infrared remote sensing image based on deep convolution network[J]. Journal of Natural Science of Heilongjiang University, 2018, 35(4): 473-477. (in Chinese with English abstract)

[5] 姚鈺桐，譚荃戈，姬廣凱. 基于SRGAN網絡的低分辨率圖像重建方法[J]. 電子技術與軟件工程，2022(2)：165-168.

Yao Yutong, Tan Quange, Ji Guangkai. Low resolution image reconstruction method based on SRGAN network[J]. Electronic Technology & Software Engineering, 2022(2): 165-168. (in Chinese with English abstract)

[6] Shao Z, Cai J, Fu P, et al. Deep learning-based fusion of Landsat-8 and Sentinel-2 images for a harmonized surface reflectance product[J]. Remote Sensing of Environment, 2019, 235: 111425.

[7] 楊云，張海宇，朱宇，等. 類別信息生成式對抗網絡的單圖超分辨重建[J]. 中國圖象圖形學報，2018，23(12)：1777-1788.

Yang Yun, Zhang Haiyu, Zhu Yu, et al. Class-information generative adversarial network for single image super-resolution[J]. Journal of Image and Graphics, 2018, 23(12): 1777-1788. (in Chinese with English abstract)

[8] 韓巧玲，周希博，宋潤澤，等. 基于序列信息的土壤CT圖像超分辨率重建[J]. 農業工程學報，2021，37(17)：90-96.

Han Qiaoling, Zhou Xibo, Song Runze, et al. Super-resolution reconstruction of soil CT images using sequence information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 90-96. (in Chinese with English abstract)

[9] 孫亞楠，李仙岳，史海濱，等. 基于特征優選決策樹模型的河套灌區土地利用分類[J]. 農業工程學報，2021，37(13)：242-251.

Sun Yanan, Li Xianyue, Shi Haibin, et al. Classification of land use in Hetao Irrigation District of Inner Mongolia using feature optimal decision trees[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(13): 242-251. (in Chinese with English abstract)

[10] 趙紅偉，陳仲新，姜浩，等. 基于Sentinel-1A影像和一維CNN的中國南方生長季早期作物種類識別[J]. 農業工程學報，2020，36(3)：169-177.

Zhao Hongwei, Chen Zhongxin, Jiang Hao, et al. Early growing stage crop species identification in southern China based on sentinel-1A time series imagery and one-dimensional CNN[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(3): 169-177. (in Chinese with English abstract)

[11] Wu X, Zuo W, Lin L, et al. F-SVM: Combination of feature transformation and SVM learning via convex relaxation[J]. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(11): 5185-5199.

[12] 解毅，張永清，荀蘭，等. 基于多源遙感數據融合和LSTM算法的作物分類研究[J]. 農業工程學報，2019，35(15)：129-137.

Xie Yi, Zhang Yongqing, Xun Lan, et al. Crop classification based on multi-source remote sensing data fusion and LSTM algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 129-137. (in Chinese with English abstract)

[13] Zhang C, Sargent I, Pan X, et al. Joint deep learning for land cover and land use classification[J]. Remote Sensing of Environment, 2019, 221: 173-187.

[14] Zhang C, Han Y, Li F, et al. A New CNN-Bayesian Model for Extracting Improved Winter Wheat Spatial Distribution from GF-2 imagery[J]. Remote Sensing, 2019, 11(6): 619.

[15] 王匯涵，張澤，康孝巖，等. 基于Sentinel-2A的棉花種植面積提取及產量預測[J]. 農業工程學報，2022，38(9)：205-214.

Wang Huihan, Zhang Ze, Kang Xiaoyan, et al. Cotton planting area extraction and yield prediction based on Sentinel-2A[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 205-214. (in Chinese with English abstract)

[16] 李方杰，任建強，吳尚蓉，等. NDVI時序相似性對冬小麥種植面積總量控制的制圖精度影響[J]. 農業工程學報，2021，37(9)：127-139.

Li Fangjie, Ren Jianqiang, Wu Shangrong, et al. Effects of NDVI time series similarity on the mapping accuracy controlled by the total planting area of winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(9): 127-139. (in Chinese with English abstract)

[17] 孔愛玲，張承明，李峰，等. 基于知識引導的遙感影像融合方法[J]. 自然資源遙感，2022，34(2)：47-55.

Kong Ailing, Zhang Chengming, Li Feng, et al. Knowledge-based remote sensing image fusion method[J]. Remote Sensing for Natural Resources, 2022, 34(2): 47-55. (in Chinese with English abstract)

[18] 張悅琦，李榮平，穆西晗，等. 基于多時相GF-6遙感影像的水稻種植面積提取[J]. 農業工程學報，2021，37(17)：189-196.

Zhang Yueqi, Li Rongping, Mu Xihan, et al. Extraction of paddy rice planting areas based on multi-temporal GF-6 remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 189-196. (in Chinese with English abstract)

[19] Jiang X, Fang S, Huang X, et al. Rice mapping and growth monitoring based on time series GF-6 images and red-edge bands[J]. Remote Sensing, 2021, 13(4): 579.

[20] 譚鐳，孫懷江. SKASNet：用于語義分割的輕量級卷積神經網絡[J]. 計算機工程，2020，46(9)：261-267.

Tan Lei, Sun Huaijiang. SKASNet: Lightweight convolutional neural network for semantic segmentation[J]. Computer Engineering, 2020, 46(9): 261-267. (in Chinese with English abstract)

[21] 黃建文，李增元，陳爾學，等. 高分六號寬幅多光譜數據人工林類型分類[J]. 遙感學報，2021，25(2)：539-548.

Huang Jianwen, Li Zengyuan, Chen Erxue, et al. Classification of plantation types based on WFV multispectral imagery of the GF-6 satellite[J]. National Remote Sensing Bulletin, 2021, 25(2): 539-548. (in Chinese with English abstract)

[22] 劉穎，朱麗，林慶帆，等. 圖像超分辨率技術的回顧與展望[J]. 計算機科學與探索，2020，14(2)：181-199.

Liu Ying, Zhu Li, Lin Qingfan, et al. Review and prospect of image super-resolution technology[J]. Journal of Frontiers of Computer Science and Technology, 2020, 14(2): 181-199. (in Chinese with English abstract)

[23] 湯涌，項錚，蔣騰平. 基于三維激光點云的復雜道路場景桿狀交通設施語義分類[J]. 熱帶地理，2020，40(5)：893-902.

Tang Yong, Xiang Zheng, Jiang Tengping. Semantic classification of Pole-Like traffic facilities in complex road scenes based on LiDAR point cloud[J]. Tropical Geography, 2020, 40(5): 893-902. (in Chinese with English abstract)

[24] 錢麗沙，姜浩，陳水森，等. 基于時空濾波Sentinel-1時序數據的田塊尺度嶺南作物分布提取[J]. 農業工程學報，2022，38(5)：158-166.

Qian Lisha, Jiang Hao, Chen Shuisen, et al. Extracting field-scale crop distribution in Lingnan using spatiotemporal filtering of Sentinel-1 time-series data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(5): 158-166. (in Chinese with English abstract)

[25] 牛乾坤，劉瀏，黃冠華，等. 基于GEE和機器學習的河套灌區復雜種植結構識別[J]. 農業工程學報，2022，38(6)：165-174.

Niu Qiankun, Liu Liu, Huang Guanhua, et al. Extraction of complex crop structure in the Hetao Irrigation District of Inner Mongolia using GEE and machine learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(6): 165-174. (in Chinese with English abstract)

Extraction method for the spatial distribution of winter wheat using multi-scale features

Chen Fangfang1, Song Zirui1, Zhang Jinghan1, Wang Mengnan1, Wu Menxin2, Zhang Chengming1,3※, Li Feng4, Liu Pingzeng1,5,6, Yang Na7

(1.,,271018,; 2.,100081,; 3.,271018,; 4.,250031,; 5.,271018,; 6.,,271018,; 7..,,100093,)

An accurate extraction of the crop spatial distribution is of great significance for the decision-making on management measures in modern agriculture. Fortunately, the remote sensing images can be widely used as the important data sources for the spatial distribution of crops at present. It is a high demand to extract the high-quality features from the spatial distribution of crops using the remote sensing images. In this study, the Sentinel-2A images were selected to extract the high-precision spatial distribution of winter wheat, in order to avoid the data scale reduction and feature fusion. Firstly, the red edge resource was utilized to classify the important features of winter wheat. The visible light and red edge bands were also combined to effectively reduce the misclassification of pixels for the high accuracy. A downscale model Red Edge Down Scale (REDS) was then established to balance the spatial scale of the data in the Sentinel-2A images, due to the different band resolution between the red edge (20m) and the visible light (10m). The generative countermeasure network was constructed using the three red edge bands of B5, B6 and B7. More importantly, the spatial resolution of B11 shortwave infrared band was reduced from 20 to 10 m, in order to obtain the better consistence in the spatial resolution of visible light and red edge band. The edge blur of image was also prevented from the interpolation (nearest neighbor interpolation). Secondly, the inputs of REDS consisted of the low- and high-resolution channel, correspondingly to the spectral and texture information, respectively. The spatial structure information was then input from the high- into the low-resolution channel. As such, the improved model was achieved in the image data from the high-resolution red edge and short-wave infrared (SWIR) channel. Secondly, the original data was extracted, and then combined into the basic input data, including the three red edge bands after scaling down, the visible light band with a resolution of 10m, and three remote-sensing index products, namely Enhanced Vegetation Index (EVI), Normalized Difference Vegetation Index (NDVI), and Normalized Difference Red-Edge1 (NDRE1). Thirdly, the semantic feature extraction model was constructed as the Red Edge and Vegetation Index Feature Network (REVINet) using convolutional neural network. The coding and decoding units were constructed in the REVINet model using residual network. The linear model was used to fuse the multi-scale features for the output by the decoding units. SoftMax function was used as a classifier for the pixel-by-pixel classification. Finally, the segmentation, and the spatial distribution of winter wheat were generated to verify the REVINet model, compared with the ERFNet, U-Net, and RefineNet models. The experimental results show that the smoother contour edge was extracted from the planting area of winter wheat, particularly with the less misclassification. Meanwhile, the recall (92.15%), precision (93.74%), accuracy (93.09%), and F1 score (92.94%) were better than the rest models, indicating the ideal performance. The spatial distribution of the whole research area demonstrated that the winter wheat in China was mainly distributed in the south of the Great Wall in 2022. The relatively high accuracy of extracted areas was achieved with the better coincidence degree, compared with the standard released by the National Statistical Department in 2021. Therefore, the data organization and feature extraction can be expected to serve as the spatial distribution of winter wheat using the Sentinel-2A. The finding can also provide the technical reference for the Sentinel-2A data in the agricultural field.

convolutional neural network; downscaling; Sentinel-2A; spatial distribution of winter wheat; EVI; NDVI; NDRE1; red edge band

10.11975/j.issn.1002-6819.2022.24.029

TP751

A

1002-6819(2022)-24-0268-07

陳芳芳，宋姿睿，張景涵，等. 融合多尺度特征的冬小麥空間分布提取方法[J]. 農業工程學報，2022，38(24)：268-274.doi：10.11975/j.issn.1002-6819.2022.24.029 http://www.tcsae.org

Chen Fangfang, Song Zirui, Zhang Jinghan, et al. Extraction method for the spatial distribution of winter wheat using multi-scale features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(24): 268-274. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.24.029 http://www.tcsae.org

2022-09-27

2022-12-10

山東省自然科學基金項目（ZR2021MD097，ZR2020MF130）；中國氣象局旱區特色農業氣象災害監測預警與風險管理重點實驗室開放基金項目（CAMF-202001）；國家重點研發計劃項目（2018YFC1506500）；風云衛星應用先行計劃項目（FY-APP-2021.0305）

陳芳芳，研究方向為遙感信息提取。Email：2020110664@sdau.edu.cn

張承明，博士，教授，研究方向為遙感信息提取。Email：chming@sdau.edu.cn