基于GF-1/2影像數據的煙草種植區信息遙感監測

羅貞寶，陸妍如，高知靈，陽國發，賀 琰，毛輝輝*

基于GF-1/2影像數據的煙草種植區信息遙感監測

羅貞寶1，陸妍如2，高知靈1，陽國發1，賀 琰2，毛輝輝2*

（1.貴州省煙草公司畢節市公司，貴州 畢節 551700；2.中國科學院大學資源與環境學院，北京 100049）

為解決我國南方山區自然煙田地塊較小、空間分布破碎且與其他農作物混雜，遙感調查精度低、受多云雨天影響大的難題，利用我國高分遙感衛星，開展多源、多時相遙感數據與面向對象分類相結合的煙草種植區提取方法，以畢節市七星關區大河鄉為試驗區，構建面向對象分類過程，并同基于像元的最大似然（ML）、神經網絡（NN）和支持向量機（SVM）等方法進行對比。結果表明，面向對象方法精度最優，其次為ML、SVM以及NN，Kappa系數分別為0.948、0.936、0.930和0.905；此外，面向對象方法提取的煙田地塊形狀相對完整，有效避免了“椒鹽現象”，視覺效果明顯優于基于像元方式。面向對象的分類方法結合高分遙感星座可以準確地提取我國南方煙草種植區分布信息，從而有助于煙草的宏觀管理、調控與決策。

煙田；高分遙感影像；高時空分辨率；物候特征；面向對象分類

貴州是我國烤煙生產第二大省，畢節地區占貴州省煙葉常年產量的25%左右，是全國烤煙主產區之一[1-3]。煙草作為一種特殊的經濟作物，其種植區信息的獲取對于煙草的宏觀管理、調控與決策具有重要意義。傳統上依靠人工采取手持GPS進行地面調查，費時費力，且難以快速、準確地獲取大范圍的煙草種植區空間分布信息，進而影響到后續煙草種植區面積及產量的估算。

遙感技術具有宏觀、動態、綜合的特性，是快速獲取大范圍、多時相、空間連續農作物類型的有效技術手段，在典型農作物類型的分類中得到了廣泛而深入的應用[4-7]。近年來，基于遙感技術的煙草種植區信息監測也有了快速發展，從使用的遙感數據源來看，主要包括兩大類：其一是中分辨率遙感衛星數據[8]，張陽等[9]以湖南省茶陵縣為研究區，基于Sentinel-2A數據，采用決策樹分類方法提取烤煙種植區，分類精度達到90.29%，證明了Sentinel-2遙感數據用于烤煙種植區的應用潛力；KHAN等[10]建立了考慮煙草物候特征的基于多時相Sentinel-2組合和植被指數數據，采用機器學習分類算法的煙草分類方法，精度達到95.81%，表明使用多時相遙感數據和機器學習算法可以提高煙草識別精度；劉明芹等[11]基于資源三號遙感影像數據，采用面向對象的分類方法進行煙草面積估算，分類精度達到94.63%，證明了面向對象分類方法的實用性；薛宇飛等[12]基于Sentinel-2遙感影像數據，使用面向對象的分類方法，并與RF算法對比，結果表明，面向對象的分類方法精度更高。其二是無人機遙感數據，FAN等[13]提出了一種基于無人機遙感影像的深度神經網絡煙草識別算法，總體精度達到了93.7%，表明了使用無人機影像的優勢；ZHU等[14]以云南省下轄的一個縣為研究區，基于無人機遙感影像數據，提出了一種組合監督分類和圖像形態學方法的煙草識別方法，總體精度達到95.93%，闡述了選擇合適時相遙感影像對于煙田地塊提取的重要作用。

中分辨率遙感數據對于煙草種植區較為連續、煙草地塊較大的地區效果較好，但對于貴州這樣地形復雜，多丘陵、山地分布，煙草種植區較為分散破碎且煙田地塊較小的研究區，應用較為受限。無人機遙感數據分辨率往往能夠達到毫米級，以其巨大的空間分辨率優勢可以獲取煙草種植區的精細分布信息[13-15]，具有高空間分辨率、使用靈活方便等優點[16]，但其數據獲取較為困難，成本較高，且只能進行小范圍的遙感監測，無法獲取大面積的遙感數據進而大范圍推廣使用。同時，受限于其成本，往往無法獲取多時相的遙感數據，從而無法充分利用煙草的物候特征。現階段，基于高空間分辨率衛星遙感數據進行煙草種植區監測的研究還相對不足，高分遙感星座高時空分辨率的優勢可以極大地降低多云雨天氣的影響，并克服煙草種植區破碎化以及煙田地塊小等困難，這對于貴州地區煙草遙感監測具有極大的實際應用和推廣價值，基于高分遙感星座進行煙草種植區遙感監測具有極大的應用潛力，然而截至目前，相關的研究未見報道。

本文通過借鑒前人的研究，以我國南方貴州省畢節市七星關區大河鄉為研究區，針對貴州地區多云雨天氣，且煙草種植區較為分散破碎、煙田地塊小等問題，綜合考慮當地煙草的物候特征，充分挖掘高分遙感星座影像數據的應用潛力，利用我國高分遙感星座高時空分辨率的優勢，基于多源多時相GF-1/2衛星遙感數據，采用面向對象的分類方法，進行煙草種植區提取研究，從而為貴州畢節市煙草種植區信息大面積、快速、準確提取及面積和產量遙感估算提供技術支撐和決策參考。

1 材料與方法

1.1 研究區概況

畢節市位于貴州省西北部，處在滇東高原向黔中山原丘陵過渡的傾斜地帶，最高海拔2900 m，最低海拔457 m，垂直差異顯著，土壤以黃壤和黃棕壤為主，屬于北亞熱帶季風濕潤氣候，季風氣候比較明顯，降雨量較為充沛，年平均溫度在10～15 ℃之間，年均降水量在849～1399 mm之間，70%左右的降水量集中在5—9月。顯著的立體氣候條件，能夠生產不同香型的煙葉，可以滿足卷煙工業對不同質量風格煙葉的需求。全市5個區縣屬于全國烤煙基地縣，主要種植的農作物有玉米、高粱、煙草以及少量的水稻。本研究區位于畢節市七星關區大河鄉，地理范圍（104°53′～104°59′，27°15′～27°20′），研究區位置如圖1所示。

1.2 數據及其預處理

1.2.1 GF-1/2數據 具體使用的影像數據包括一景春季GF-2 PMS影像，成像時間為2020年4月15日，對應于煙草的還苗期（覆膜）；以及一景夏季GF-1 PMS影像，成像時間為2020年7月29日，對應于煙草成熟期。兩景遙感影像數據均進行了正射校正、基于Google Earth底圖的幾何校正以及基于NNDiffuse Pan Sharpening的多光譜和全色數據融合等預處理，預處理過程均在ENVI 5.3.1軟件中進行。GF-1/2衛星參數見表1。

1.2.2 樣本數據 通過結合Google Earth以及GF-1/2高分辨率影像數據目視判別，獲取了363個樣本數據：水體（18個）、建筑物（63個）、道路（13個）、煙田（170個）、農田（43個）、草地（7個）、林地（49個），不同土地利用類型樣本分布情況如圖1所示。

注：圖中遙感影像數據為GF-2標準假彩色合成數據（波段組成：432）。

表1 GF-1/2衛星參數

1.3 研究方法

在考慮煙草物候特征的基礎上，利用多時相GF-1/2遙感影像數據，進行多尺度分割，并選取合適的分類特征，構建基于最鄰近分類器的面向對象分類過程，進行煙草種植區提取。

1.3.1 遙感影像時相選擇 物候特征是區分不同作物類型的重要依據，對于作物監測研究起著至關重要的作用。貴州地區煙草與其他作物類型混雜，準確地提取煙草種植區存在困難，基于此，本文考慮利用煙草與其他作物類型的物候差異，采用多時相影像數據提取煙草種植區。貴州畢節地區煙草在早期采用地膜覆蓋栽煙，可以起到增溫保濕的作用，這是區分煙草與其他作物類型的重要時間段。煙草覆膜時期的影像數據可以區分煙草與其他農作物類型，煙草生長旺盛階段的影像數據可以區分植被與非植被地物（如建筑物和道路）。煙草的生育時期如圖2所示，實地采集的煙草不同生育時期照片如圖3所示。

注：圖中高分遙感星座時間序列數據每個數據點上方數字代表該期影像云覆蓋量（%）；GF-1數據包括最早發射的GF-1 01衛星以及后續發射的02、03、04星。

圖3 實地采集的煙草不同生育時期照片

1.3.2 多尺度影像分割 多尺度分割是進行面向對象分類的重要步驟，它將整幅影像區域根據同質性異質性標準分割成若干個互不交疊的非空子區域的過程，每個子區域即為一個對象，每個對象內部具有相同或相似的特征，如灰度、顏色、紋理、形狀等[15]。多尺度分割是通過用戶設定的分割尺度、形狀、緊致度等參數來實現，本文中，兩景GF-1/2影像數據同時參與進行多尺度分割操作，具體分割參數設置見表2，其中分割尺度參數的選擇是經過多次試驗測試后確定，不同分割尺度下的分割效果如圖4所示，當分割尺度為20時，分割對象過于破碎和密集，分割尺度為60時，多個煙田地塊被分割成為單個對象，分割對象過大，分割尺度為40時，分割效果較好。

1.3.3 分類特征選取 歸一化差值植被指數（NDVI）是使用最為廣泛的植被指數之一，其對綠色植被表現敏感，該指數通常被用來進行區域和全球的植被狀態研究[17]，因而NDVI可以用來當作區分植被與非植被的關鍵指示因子，形狀特征可以用來區分建筑物與道路。最終，本文選取的分類特征如表3所示。

1.3.4 多時相遙感影像分類 本文面向對象的分類過程采用最鄰近分類方法。最鄰近分類器需要對每一類都定義樣本空間和特征空間，其原理簡單，首先分類器需要每個類的典型代表樣本，在這些樣本的基礎上，算法在每個圖像對象的特征空間中尋找最接近的樣本圖像對象，如果圖像對象最近的樣本對象屬于某個類，則該圖像對象將被賦值給它，使用公式（1）計算距離[18]：

表2 多尺度分割參數設置

圖4 不同分割尺度下的分割效果

表3 分類特征的選取

研究表明，多時相遙感數據相比單時相遙感數據，可以顯著提高農作物類型分類精度[19-21]。根據研究區地物的構成，本文將研究區主要分為水體、建筑物、道路、煙田、農田、草地及林地7類，共選取13個特征因子（GF-1/2影像數據各自的紅、綠、藍、近紅外波段以及歸一化差值植被指數共10個特征因子，以及亮度、長/寬、形狀指數共3個特征因子），研究區土地利用類型在不同時相遙感影像的典型樣本見表4。

表4 GF-1/2標準假彩色合成影像上各土地利用類型典型樣本

2 結 果

2.1 單時相與多時相煙草種植區提取結果對比

本文基于高分遙感星座數據，采用面向對象分類的方法，進行了煙草種植區提取研究，面向對象的分類過程在易康8.9版本軟件中進行，研究區內煙草種植區提取結果如圖5所示。從圖中可以看出，研究區內煙田地塊分布較為破碎化，大部分煙田分布于研究區內西南條帶、東北角以及西北角，煙田自然地塊較小。圖5中，單時相的分類結果與多時相分類結果相比，存在大量的錯分現象，主要是部分建筑物錯分為煙田。煙田覆膜時期，覆膜的煙田與部分建筑物的光譜特征相似，造成單時相影像錯分，而在多時相分類結果中，由于增加了煙株大田成熟期的影像，在單時相中錯分的地區（建筑物等非植被）可以被剔除，從而準確地提取出研究區內的煙草種植區。

注：圖中遙感影像數據為GF-2標準假彩色合成數據（波段組成：432）。下同。

2.2 不同分類方法煙草種植區提取結果對比

2.2.1 不同分類方法分類精度對比 為驗證本文采用分類方法的有效性，將采用面向對象分類方法（OB）與基于像元的最大似然（ML）、神經網絡（NN）和支持向量機（SVM）算法得到的分類結果進行比較分析，使用ENVI 5.3進行基于像元的分類過程，分類結果對比如圖6所示。從圖6可見，面向對象的分類方法煙草地塊提取結果更為完整（見圖6藍色方框），有效降低了“椒鹽噪聲”的影響，視覺效果上明顯優于基于像元的方法，這表明面向對象的分類方法在高分辨率影像煙草種植區提取中優于基于像元的分類方法，具有更好的分類效果。從表5中可以看出，面向對象的分類方法分類精度優于基于像元的分類方法，總體精度達到96.01%，Kappa系數為0.948。其中，基于像元的分類方法中，ML、SVM、NN分類精度依次降低。

圖6 基于像元分類與面向對象分類結果對比

2.2.2 不同分類方法煙草種植區面積提取精度 為了進一步驗證各分類方法煙田的實際分類效果，本文進一步對比了不同分類方法煙草種植區面積提取精度。通過煙技員野外調查獲取到4個樣本區煙田面積數據（圖5紅色小方框樣本區1-4）實際為29.25 hm2，統計4種分類方法對4個樣本煙田的提取面積，并與實際面積求差，結果如表6所示。從表6中可見，4種分類方法獲得的煙田面積與實際煙田面積相對誤差均在10%以內，其中面向對象方法（OB）相對誤差最小，僅為1.33%，支持向量機方法（SVM）略微高估，最大似然方法（ML）存在高估的現象，神經網絡方法（NN）存在低估的現象。

表5 面向對象的分類方法與基于像元分類方法煙草種植區提取精度對比

表6 不同分類方法煙草種植區面積提取精度對比

3 討 論

（1）貴州多云雨天氣，使得光學遙感衛星數據難以發揮出其優勢，基于單顆衛星往往無法獲取高質量、多時相的遙感影像數據。高分遙感星座高時空分辨率的優勢，可以極大地降低貴州地區多云雨天氣的影響。本文通過中國資源衛星應用中心網站（http://www.cresda.com/CN/）查詢并統計了研究區內2020年煙草生育期內GF-1/2 PMS數據的覆蓋情況（圖2），從中可以看出，云量30%以內的影像數據，GF-1有3景，處于煙草的成熟期，GF-2有2景，處于煙草的移栽期和還苗期，多顆衛星數據靈活選擇，可以有效降低多云雨天氣對于貴州地區的遙感監測的影響，此外，GF-1/2衛星還可與GF-6衛星聯合組網觀測，進一步提高研究區高質量高分遙感數據的可得性。

（2）本文采用GF-1/2 PMS多時相的遙感數據，影像空間分辨率達到了2 m，采用面向對象與基于像元的分類方法進行了對比分析，本文中面向對象分類方法總體分類精度為96.01%。薛宇飛等[12]采用Sentinel-2遙感影像數據，影像空間分辨率10～20 m（分不同的波段），其基于面向對象方法煙草提取的總體精度為94.38%，相比而言，本文的煙草提取精度更高。此外，本文中使用了多時相的遙感數據，數據的空間分辨率更高，達到了米級，較薛宇飛等[12]僅使用單時相的遙感數據且未充分利用煙草物候信息的研究方法，分析結果更加精準。

（3）本文基于高分遙感數據，采用面向對象的分類方法，準確地提取了煙草種植區信息，首次驗證了聯合高分遙感星座影像數據應用于我國南方地區煙草種植區提取的適用性。但是本文的研究仍然存在一些局限性。首先，光學遙感衛星數據對于貴州地區多云雨天氣應用較為受限，對此，可以考慮利用微波遙感數據全天候觀測的優勢，在后續研究中，進一步考慮聯合光學與微波高分遙感星座組網觀測（如聯合GF-1/2/6以及GF-3衛星）進行貴州地區煙草種植區遙感監測研究；其次，薄云對于光學影像數據會造成較大的干擾，本文未考慮到使用相關的薄云處理算法進行處理，在后續的研究過程中，需要測試研究現階段主流的薄云處理算法對于高分系列影像數據的適用性，從而選擇合適的算法進行薄云的處理工作，消除或減弱薄云的影響；最后，從研究方法上看，近年來深度學習在遙感研究領域得到了廣泛而深入的應用[22-23]，深度學習在處理海量、高維的遙感數據上具有優勢，將深度學習算法應用于煙草種植區的遙感監測中具有極大的應用價值。現階段，深度學習算法應用于高分遙感星座影像數據進行煙草種植區遙感監測的研究尚未見諸報道，在后續的研究過程中，需要進一步深入研究和探討。

4 結 論

結果表明，以畢節市七星關區大河鄉煙草還苗期（覆膜）和成熟期的GF-1/2影像數據為數據源，基于面向對象的分類方法，采用光譜、形狀、NDVI植被指數為分類特征，使用最鄰近分類算法對研究區內的主要地物類型進行了分類，準確提取了研究區內煙草種植區，并對比了單時相與多時相分類結果，以及面向對象與基于像元（ML，NN，SVM）的分類方法。結果表明，多時相的分類結果明顯改善了單時相分類中的錯分現象，面向對象的分類方法總體精度達到96.01%，Kappa系數為0.948，優于基于像元的分類方法，適用于我國南方貴州地區煙草種植區信息提取，可以滿足我國南方貴州地區煙草種植區信息提取的迫切需求。

[1] 龍麗琴，朱貴川，祝朝東，等. 畢節煙葉品牌可持續發展策略研究[J]. 中國煙草科學，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，趙會納，王松峰，等. 貴州特色烤煙農藝性狀與光合特性研究[J]. 中國煙草科學，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] 周義和，劉相甫，黃曉東，等. 論烤煙種植布局調整[J]. 中國煙草學報，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，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 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] 吳靜，呂玉娜，李純斌，等. 基于多時相Sentinel-2A的縣域農作物分類[J]. 農業機械學報，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] 梁繼，鄭鎮煒，夏詩婷，等. 高分六號紅邊特征的農作物識別與評估[J]. 遙感學報，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] 邱鵬勛，汪小欽，茶明星，等. 基于TWDTW的時間序列GF-1 WFV農作物分類[J]. 中國農業科學，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] 張陽，屠乃美，陳舜堯，等. 基于Sentinel-2A數據的縣域烤煙種植面積提取分析[J]. 煙草科技，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] 劉明芹，李新舉，楊永花，等. 基于資源三號衛星遙感影像的山區套種煙草面積估測[J]. 安徽農業科學，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] 薛宇飛，張軍，張萍，等. 基于Sentinel-2遙感影像的煙草種植信息精準提取[J]. 中國煙草科學，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，蘇建東，劉廣玉，等. 面向對象的無人機遙感影像煙草種植面提取和監測[J]. 測繪科學，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] 呂小艷，競霞，薛琳，等. 遙感技術在煙草長勢監測及估產中的應用進展[J]. 中國農學通報，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] 田慶久，閔祥軍. 植被指數研究進展[J]. 地球科學進展，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

貴州省煙草公司畢節市公司項目{畢煙技[2021]18號}；數碼匯博技術開發（委托）項目（2020110020004741）；中國科學院大學科教結合協同育人專項（117900M002）

羅貞寶（1979-），男，碩士，農藝師，主要從事煙葉生產工作。E-mail：30734200@qq.com。*通信作者，E-mail：maohuihui16@mails.ucas.ac.cn

2021-11-01

2022-08-16