協同多源國產高分影像和面向對象方法的南方農作物遙感識別

王佳玥，蔡志文，王文靜，魏浩東，王聰，李澤萱，李秀妮，胡瓊

協同多源國產高分影像和面向對象方法的南方農作物遙感識別

王佳玥1，蔡志文2，王文靜1，魏浩東3，王聰1，李澤萱1，李秀妮1，胡瓊1

1華中師范大學城市與環境科學學院，武漢 430079；2華中農業大學資源與環境學院/華中農業大學宏觀農業研究院，武漢 430070；3華中農業大學植物科學技術學院/華中農業大學宏觀農業研究院，武漢 430070

【目的】中國南方地區云雨頻繁且農業景觀破碎，是我國農作物遙感監測最具挑戰的區域之一。我國自主研發的高分系列衛星具有高時空分辨率和高質量成像的特點。本研究挖掘多源高分系列衛星的時間和空間雙重優勢，實現多云雨及景觀異質區作物精細化識別?！痉椒ā炕趪a高空間分辨率高分二號（GF-2）影像表征農田空間幾何特征，協同中空間分辨率高分一號（GF-1）和高分六號（GF-6）加密影像觀測時間序列，充分表征農作物光譜季相節律。通過構建光譜-時相-空間三維分類特征，基于隨機森林進行農作物分類并計算不同特征的重要性。同時，設置不同影像組合和不同分類單元下的多種分類場景，進一步分析不同高分數據協同利用在農作物識別上的表現差異?！窘Y果】基于GF-1、GF-2和GF-6影像和面向對象的農作物分類在湖北省潛江市研究區的總體精度為95.49%，Kappa系數為0.94；在棗陽市的總體精度為93.78%，Kappa系數為0.92。協同GF-2和GF-6進行農作物分類精度優于協同GF-2和GF-1。此外，基于GF-2進行面向對象的農作物分類效果優于面向像元，其中潛江總體精度提升了1.4%，棗陽提升了1.32%。相比GF-1和GF-2對應的光譜和空間特征，GF-6光譜波段對農作物遙感識別的貢獻度最大，累計重要性得分占全部光譜波段的82%（潛江）、77%（棗陽）。其中GF-6新增的紅邊Ⅰ波段（B5）、紅邊Ⅱ波段（B6）、紫波段（B7）和黃波段（B8）4個光譜波段對作物識別的貢獻度分別為47%（潛江）和33%（棗陽）?！窘Y論】協同發揮不同國產高分數據各自光譜-時間-空間優勢，不僅緩解了農業景觀破碎導致的“混合像元”問題，同時一定程度上降低了多云多雨氣候對農作物識別影響的不確定性，為我國南方地區農作物精準識別提供了巨大潛能。

國產高分數據；面向對象；隨機森林；遙感識別；作物分類

0 引言

【研究意義】農作物空間分布信息是農業生產管理、農作物產量估算以及農業土地結構調整等的重要基礎數據[1-4]。傳統實地調研方法的周期長、成本高，其獲取的農作物種植面積信息存在較高的不確定性和時間滯后性[5]。及時、準確地掌握農作物空間分布信息對于調整農作物種植結構、制定農業生產布局方案、推進水土資源高效利用以及保障國家糧食安全等具有重要意義?！厩叭搜芯窟M展】遙感技術因探測周期短、成本低、覆蓋范圍廣等優勢，成為區域尺度農作物空間分布制圖最主流的手段[6-10]。農作物光譜易受農作物類型、土壤背景、耕作活動等影響，尤其在地塊破碎、多云多雨、種植結構多樣的南方地區，農作物類內光譜變異性大，為其遙感監測帶來了嚴峻挑戰[11]。以MODIS為代表的低空間分辨率遙感衛星具有高重訪時頻的特點，能充分捕獲農作物關鍵物候特征，但較粗的空間分辨率導致混合像元問題[12-14]。以Landsat和Sentinel為代表的中空間分辨率影像是目前應用最廣泛的遙感數據之一，其適宜的空間分辨率和光譜波段，提高了區域農作物識別精度，但相對較長的重返周期使其難以表征農作物生長過程動態信息[15-18]。尤其在中國南方地區，頻繁的云雨天氣往往導致優質的中高分辨率影像數量受限[19-22]，僅依靠單一遙感數據難以獲取密集的對地觀測頻率，也就難以辨別物候特征相近的多類農作物[23-24]。因此，一方面如何提高遙感影像的時間觀測密度來提升農作物物候特征捕獲能力，以突破云雨天氣導致的時間分辨率不足；另一方面，如何兼顧“高空間分辨率”優點，來緩解農業景觀異質性帶來的混合像元問題，是當前我國南方地區農作物遙感制圖面臨的雙重挑戰[25-26]。近年來，隨著我國高分辨率對地觀測系統重大專項的實施，成功發射了多顆國產高分系列衛星[27-28]（例如GF-1、GF-2和GF-6等衛星）。高分系列衛星兼有高空間和時間分辨率的雙重優勢，不僅能刻畫農作物細致的空間信息，且能充分表達農作物季相節律特征，為多云多雨、農業景觀破碎地區的農作物精細識別提供了巨大潛力[29-31]。例如，何真等[32]研究表明協同國產GF-1和GF-6衛星影像能捕獲艾草的關鍵物候特征從而提高作物識別精度。鄭利娟[27]協同GF-1和GF-6影像挖掘適用于作物分類的特征，研究了基于高空間分辨率影像的作物分類特征優化方法。以上研究表明多源衛星協同，特別是國產高分系列衛星的協同有效提高了對農作物的監測能力，為云雨頻繁的復雜區域農作物精細識別提供了巨大潛力[33-36]。【本研究切入點】現有研究大多集中于協同多源中高分辨率數據，利用其充足的時相信息進行作物分類，忽視了高空間分辨率數據所蘊藏的豐富空間細節特征[37-40]。此外，基于國產高分影像農作物分類制圖大多停留于像元尺度上，未考慮到相鄰像元之間的關聯效應，而高分辨率影像為解析像元之間精細的拓撲關系提供了有效數據支撐[41-42]。因此，如何充分挖掘多源多時相高分衛星在光譜、時空分辨率上的優勢，實現多云雨和耕地破碎地區的農作物精細化識別成為農業監測領域的關鍵問題?！緮M解決的關鍵問題】本研究以國產高分系列衛星中的高分一號（GF-1）、高分二號（GF-2）和高分六號（GF-6）為遙感數據源，針對中國南方糧食主產區之一的湖北省，選取2個典型農耕地區為研究區域，探索多源國產高分數據在農作物制圖中的應用潛力。發揮GF-2高空間分辨率優勢，基于GF-2進行面向對象分類，緩解混合像元問題；協同GF-1和GF-6，加密遙感影像時間密度，充分表征農作物物候特征，降低云雨天氣對農作物識別的影響。研究方法和結果為湖北省農業生產管理、作物種植結構調整和農業可持續發展提供重要技術支撐和信息參考。

1 材料與方法

1.1 研究區概況

本文選取湖北省潛江市和棗陽市為研究區域（圖1），其主要作物物候歷如圖2所示。潛江市位于湖北省中部，地跨東經112°29′—113°01′、北緯30°04′— 30°39′，地處江漢平原腹地，海拔為26—31 m，地勢平坦，降雨充沛，年降水量達1 188 mm，為農業生產提供了充足的灌溉條件。潛江市耕地面積12萬hm2，占土地總面積的60%。其農作物種植模式復雜，包括單季稻、雙季稻、蝦稻，以及油稻、麥稻輪作等。雖然潛江地處平原，但農業景觀破碎度較高，農田較小，大多數農田的地塊面積小于1 hm2。

棗陽市位于湖北省西北部，地跨東經112°30′— 113°00′，北緯31°40′—32°40′，雨量適中，年均降水分布不均，年際變化大，為500—1 000 mm。棗陽市土地總面積32.77萬hm2，其中耕地面積16.07萬hm2，占總面積的49%。棗陽地勢東高西低，由東北向西南傾斜，地形以丘陵崗地為主。境內有大小河溪180多條，流域面積30多萬hm2。農作物種植以水稻，玉米，以及冬小麥為主，且農作物多以間作方式種植，導致棗陽農田地塊破碎化程度較高。

圖1 研究區概況圖以及農作物樣本空間分布

圖2 研究區農作物物候歷與高分系列影像時相信息圖

1.2 國產高分衛星影像獲取與預處理

本研究采用高分一號（GF-1）、高分二號（GF-2）和高分六號（GF-6）為遙感數據源。其中，GF-2采用空間分辨率為1 m的PMS傳感器數據以刻畫破碎的農業景觀，GF-1和GF-6則使用空間分辨率為16 m的WFV數據。GF-1和GF-6在組網后重返觀測周期可達2 d，能充分地捕獲農作物季相變化規律。GF-2 PMS、GF-1/6 WFV數據詳情如表1所示。

本研究從中國資源衛星應用中心陸地觀測衛星數據服務平臺（https://data.cresda.cn/#/home）下載了覆蓋研究區域的高質量無云的GF-1 WFV、GF-6 WFV影像以及GF-2 PMS影像。不同研究區高質量高分影像獲取數量和時間如圖2所示。由于研究區具有多類越冬作物，因此，采用了當年11月到次年6月份的高分影像進行農作物分類。同時，為了與實地樣本獲取時間對應，下載了潛江地區2018年11月至2019年6月影像，棗陽地區2020年11月至2021年6月影像。首先基于ENVI 5.3軟件對GF-1、GF-2和GF-6原始影像進行了批量預處理，包括輻射定標、大氣校正、正射校正、裁剪和拼接，并通過融合GF-2影像的全色波段與多光譜波段，得到1 m分辨率的GF-2多光譜影像。然后以Google Earth影像為參考影像對高分影像進行地理配準，使用AROSICS軟件自動檢測并校正多時相高分影像之間的空間偏移[43]，最終確保誤差在1個像元以內。

表1 GF-1、GF-2和GF-6衛星傳感器參數

1.3 農作物實地樣本

本研究于2019年5月前往潛江、2021年5月前往棗陽進行實地農作物類型樣本采集。其中潛江市最終采集了730個農作物樣本，包括早稻140個、蝦稻168個、小麥160個、油菜146個以及其他作物類別（包括蓮藕、大豆等）116個，其空間分布見圖1-b。此外，基于高分辨率Google Earth影像目視解譯得到非耕地樣本，包括水體61個、林地74個、人工地表84個。棗陽市共采集農作物樣本481個（圖1-c），其中包括小麥190個、水稻（早稻）161個以及其他作物類型（包括花生、土豆等）130個。目視選取非耕地樣本水體108個、林地100個、人工地表94個。對于樣本數據集，本研究按照1﹕1的比例將其隨機劃分為訓練集和驗證集，在保證模型訓練效果的同時保留足夠的樣本以對預測結果進行精度評價。

1.4 研究方法

1.4.1 基于GF-2影像的多尺度影像分割 eCognition軟件中的多尺度影像分割算法是經典的影像分割算法之一，其通過迭代聚合的策略，基于同質性準則，將光譜特征相似的相鄰像元歸并為一類，在一定程度上能減少椒鹽噪聲的干擾，提升模型分類精度[44-46]。分割尺度參數（scale）、形狀因子（shape）和緊致度因子（compactness）是多尺度分割的3個重要參數[47]。形狀因子表示對象的幾何特征，緊致度因子代表對象邊緣的平滑程度。尺度參數定義影像對象層的均一性準則的最大標準差，會影響對象的平均大小和內部均勻性，一般情況下，尺度參數值越大，對象層的輪廓就越大[48-49]。

本研究對融合后多光譜GF-2影像進行多尺度分割，借助ESP2（Estimation of Scale Parameter 2）工具確定潛在最優分割參數，并結合目視判別效果來最終設定合適的分割尺度、形狀因子、緊致度因子、波段權重等參數。ESP2是一種自動計算最優分割尺度的工具，根據局部方差（local variance，LV）及其變化率（rate of change，ROC）來評估分割效果[15]，相較于傳統主觀試錯方法能顯著提升主觀試錯效率，是當前面向對象分割最常用的尺度優選工具之一[16, 50]。影像分割產生的對象，不僅一定程度上緩解了景觀破碎產生的椒鹽現象，同時其對應的幾何結構特征，為農作物識別提供了重要信息。

1.4.2 基于GF-1、GF-2和GF-6影像的分類情景設計 本研究首先通過對高空間分辨率GF-2影像進行多尺度分割，提取了分割對象的范圍、方向、最大邊長值、最小邊長值共4個幾何形狀特征。其中，范圍表示分割對象的面積與其最小外接矩形面積的比值，可以反映分割對象的不規則程度，不規則程度越高，則該值越小。最大、最小邊長值則可以衡量對象的長寬比例，有利于將農田與細長地物如道路，河流等相區分。其次，在對象尺度上統計波段反射率的均值。基于GF-1和GF-6數據分別構建了8個光譜波段特征，其中藍、綠、紅以及近紅外4個光譜波段特征由GF-1和GF-6共同組成，而紅邊波段Ⅰ、紅邊波段Ⅱ、黃，以及紫波段由GF-6提供。最后，基于GF-2、GF-1和GF-6數據提取的空間和時序光譜特征進行研究區單季作物制圖（表2方案1）。具體地，針對潛江市，基于2018年11月至2019年6月GF-1與GF-6的時序影像以及GF-2影像共構建了56個特征，其中包括單期GF-2影像提取的4個空間特征，3期GF-1影像形成的12個光譜特征（3個時相×4個光譜波段），5期GF-6影像形成的40個光譜特征（5個時相×8個光譜波段）。對于棗陽市，基于2020年11月至2021年6月GF-1、GF-6以及GF-2構建了116個特征，其中包括GF-2數據的4個空間特征，8期GF-1影像形成的32個光譜特征（8個時相×4個光譜波段），10期GF-6影像形成的80個特征（10個時相×8個光譜波段）。

另外，為了充分評估協同高分數據進行農作物遙感分類的潛力，本文設置了3個對照試驗，即利用不同數據組合和分類單元進行農作物識別（表2中方案2—4）。方案2和方案3利用GF-1、GF-6分別與GF-2數據進行協同，通過對比試驗組（方案1），研究影像觀測時間頻率對分類結果的影響。方案4則是在像素單元上協同GF-1和GF-6影像構建光譜-時相二維特征組合，通過對比方案1，探討不同分類單元（面向對象和面向像元）對分類結果的影響。

1.4.3 隨機森林分類 本研究使用隨機森林分類器（Random Forest）[51]進行農作物分類。與其他機器學習方法相比，隨機森林具有強抗噪能力、高維數據處理能力以及特征重要性排序能力[52]。在產生分類結果的同時，隨機森林也產生了各特征的重要性得分，進行特征重要性排序，顯示不同特征對分類結果的優先級。本研究使用隨機森林的平均不純度減少（mean decrease impurity，MDI）指標表征每個特征的重要性，計算出每個特征平均減少的不純度，將其作為特征重要性得分[32]。將4組分類方案（表2）基于相同的訓練樣本進行隨機森林分類，再采用相同的驗證樣本進行精度評價。最后，基于隨機森林的特征重要性得分，分析不同高分數據源的光譜、空間和時間特征對農作物識別貢獻度。

表2 基于不同GF-1、GF-2和GF-6影像的分類情景設計

特征總數=單期GF-2空間特征（4個）+GF-1光譜特征（影像數量×4個光譜波段）+GF-6光譜特征（影像數量×8個光譜波段）

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 精度評價 本研究基于混淆矩陣[53]進一步計算制圖精度（producer’s accuracy，PA）、用戶精度（user’s accuracy，UA）、總體精度（overall accuracy，OA）、Kappa系數以及F1-score共5個精度指標來綜合表征農作物分類效果[54]。OA和Kappa系數表征區域農作物分類總體效果。F1-score[55]為PA和UA的調和平均值，用以評估單類作物的分類精度，其計算公式如下：

式中，UA代表用戶精度用以衡量農作物的錯分誤差，PA代表制圖精度以評估農作物漏分情況。

2 結果

2.1 基于GF-2影像的農田分割結果

多尺度分割的分割參數直接影響了分割圖斑的大小、破碎程度。在eCognition軟件中，利用多尺度分割ESP2工具設置GF-2影像的各個波段權重均為1，固定形狀因子（shape）和緊致度因子（compactness）為0.5，測試不同分割尺度（scale）下的GF-2影像分割結果（圖3）。圖3中局部方差的變化率隨著分割尺度的增大而減小，潛江ROC曲線（rate of change）的局部峰值有115、135、150，棗陽ROC曲線的局部峰值有110、130、165，代表農田分割潛在的最優分割尺度。通過目視圖4分割對象與原始高分影像的匹配度，分別選擇潛江和棗陽的最佳分割尺度參數為135、130。由于潛江研究區位于江漢平原中心，地勢平坦，而棗陽地形以丘陵崗地為主，潛江地塊面積大于棗陽農田地塊。此外，潛江稻蝦田種植面積占比大，為保障收益，稻蝦田面積相較于普通農田更大，從而導致潛江最佳分割尺度大于棗陽。其次，在固定潛江（scale=135）、棗陽（scale=130）分割尺度情況下，分別測試不同形狀因子和緊致度因子下的分割結果，如圖5所示。當形狀因子和緊致度因子都為默認值0.5時，分割的圖斑破碎程度高，農田內部被分割為多個圖斑，出現過分割現象；當形狀因子為0.5，緊致度因子為0.8時，圖斑依舊破碎，緊致度因子的增加使得分割平滑度下降，農田分割邊界不平整。增大形狀因子，可以改善農田過分割現象；通過對比分析，當形狀因子設置為0.8時，分割對象邊界與農田實際邊界一致性較高。改變緊致度因子，主要影響分割邊界的平滑程度，對農田分割圖斑破碎度影響不大。例如，圖5緊致度因子增大為0.8時田塊仍呈現過分割。通過目視比對分析，當緊致度因子為0.5，可較好反映農田邊界形狀?？傮w而言，當形狀因子為0.8，緊致度因子為0.5時，農田內部細碎化分割斑塊較少，分割形狀規則，農田邊界清晰完整。因此，確定潛江和棗陽兩個區域影像形狀因子（shape）為0.8，緊致度因子（compactness）為0.5。

圖3 ESP2工具計算ROC曲線

圖4 不同分割尺度下的農田分割結果（典型區域展示）

圖5 不同形狀因子和緊致度因子下的分割結果的典型區域展示

綜合局部區域的測試結果，確定eCognition多尺度分割參數的設置為：各波段權重均為1，潛江分割尺度135，棗陽分割尺度130，形狀因子0.8，緊致度因子0.5。利用該套參數進行研究區GF-2影像多尺度分割，基于分割結果的影像對象提取范圍、方向、最大邊長值、最小邊長值4個形狀特征，用作后續農作物分類。

2.2 協同GF-1、GF-6影像的農作物光譜特征分析

本文基于時序GF-1和GF-6影像光譜波段繪制小麥、油菜、早稻、蝦稻4種作物紅波段（B3）和近紅外波段（B4）平均光譜反射率曲線（圖6）。在越冬期（DOY 17，1月17日）小麥和油菜已經播種，處于生長初期階段，而早稻和蝦稻處于稻閑期，因此小麥和油菜近紅外反射率顯著高于早稻和蝦稻，紅波段反射率略低于早稻和蝦稻。蝦稻田在越冬期要保證一定灌溉量為小龍蝦繁育提供條件，因此其近紅外反射率低于此階段無須灌溉措施的早稻田。小麥和油菜在3月14日（DOY 73）處于生長旺盛期，近紅外反射率達到峰值，顯著高于仍處于稻閑期的早稻和蝦稻。此后，即4月7日（DOY 97）—5月8日（DOY 128），小麥和油菜逐漸趨于成熟，其近紅外反射率呈現下降趨勢，而紅波段反射率升高。早稻在此階段處于播種初期，稻田有一定的水量灌溉，近紅外反射率呈現下降趨勢，且仍低于小麥和油菜。蝦稻田仍處于深水覆蓋的小龍蝦養殖期，近紅外反射率仍顯著低于其他作物類型。

2.3 基于GF-1、GF-2和GF-6不同特征情景分類結果

表3、表4分別展示了不同高分數據協同組合下潛江和棗陽的農作物精度評估結果。在潛江，協同多時相GF-1、GF-6和GF-2面向對象分類（方案1）的分類效果最好，精度最優，總體精度為95.49%，Kappa系數0.94，均高于其他分類方案。相較于方案1（GF-2 （面向對象）&GF-1+GF-6），方案2（GF-2（面向對象）&GF-1）和方案3（GF-2（面向對象）&GF-6）由于缺少了一部分時相信息，總體精度分別下降了5.37%和1.07%，Kappa系數分別下降了0.06和0.01。該結果表明協同多時相GF-1和GF-6影像加密時間序列能夠更好地表征作物的季節規律特性，提升農作物分類精度。此外，對比方案2與方案3的分類精度評估結果可知，相比GF-1影像，GF-6影像光譜信息和獲取時相數量更為豐富，顯著提升了農作物識別的精度，其總體精度相較于GF-1提升了4.3%，Kappa系數提升了0.05。對比方案4的像元尺度分類，方案1利用高分辨率GF-2影像面向對象分類，通過增加對象尺度的幾何形狀特征，分類總體精度提高了1.4%。

橫坐標為表示日期的儒略日（Day of Year, DOY），縱坐標為根據樣本計算的平均光譜反射率

表3 潛江不同GF數據源情景下作物分類結果

棗陽的4種分類方案評估結果與潛江相似，協同GF-1，GF-2，以及GF-6的方案1同樣取得了最優分類效果，總體精度和Kappa系數分別達到93.78%和0.92，顯著高于方案2和方案3。此外，棗陽地區獲取的高質量GF-1、GF-6數據數量顯著增加，因此方案2精度相比方案1和方案3，總體精度差距僅為2.43和1.62，Kappa系數差距僅為0.03和0.02。

表4 棗陽不同數據源協同利用下作物分類結果

從表3和表4可以看出，潛江和棗陽的各類作物方案1（試驗組）結果的F1-score均高于其他幾類方案（對照組）。這表明除了總體分類效果外，小麥、油菜、早稻、蝦稻4種作物的單類分類精度也是方案1最高。潛江分類結果中，早稻F1-score分別為0.98（方案1）、0.91（方案2）、0.96（方案3），油菜F1-score分別為0.97（方案1）、0.96（方案2）、0.96（方案3）。小麥的F1-score方案1（F1-score=0.97）與方案2（F1-score=0.92）、方案3（F1-score=0.95）分別相差0.05和0.02，蝦稻方案1與方案2、3分別相差0.04、0.01，其他作物的F1-score也是方案1最高（0.84）。棗陽3種作物的F1-score均是方案1最高，小麥為0.97、早稻為0.89、其他作物為0.82。方案1協同3種高分數據在2個地區均取得最高的分類精度，其他2種方案受影像時間信息不足的限制，難以充分捕獲農作物關鍵物候特征，相較于方案1精度都有所下降；同時1 m分辨率的GF-2數據利用高空間分辨率優勢，可獲取更精細的農作物分類結果。

2.4 面向像元和面向對象分類結果比較

不同尺度（對象和像元）下協同GF-1、GF-2和GF-6進行隨機森林分類的農作物空間分布結果如圖7和圖8所示。圖7展示了潛江協同高分數據的分類結果，其中圖7-a是未利用GF-2，僅利用GF-1和GF-6得到的像元尺度（方案4）分類結果，圖7-b是引入GF-2進行面向對象（方案1）的分類結果。面向像元和面向對象產生的農作物空間分布總體趨勢相近，表明2種方案均能較好地識別出大部分作物。圖7-a1和圖7-b1分別展示了面向像元與面向對象分類結果的空間細節，圖7-c為其對應的GF-2影像。相比于面向像元分類，面向對象分類可充分利用GF-2影像中的空間紋理細節，分類結果精細程度更高，能較明顯地勾勒出農田的邊界信息，尤其是蝦稻田這類幾何空間特性較為獨特的農田，提高制圖產品應用價值。

圖8是棗陽研究區的分類結果。總體而言，面向對象的分類結果空間分布與面向像元分類相近。棗陽市大面積種植小麥，其主要分布在研究區的西部和北部，南部地區零散種植早稻和其他作物，種植面積較小。圖8-c展示了棗陽市一個典型的小農耕作景觀，圖8-a1和圖8-b1分別為其面向像元與面向對象的分類結果。由結果可以發現，針對種植面積較大的小麥，2種方案分類結果相近；然而對于零散種植，面積較小的早稻等作物，面向對象的分類結果與真實地塊結果一致性顯著高于面向像元分類。此外，面向像元結果將部分建筑用地錯分為農作物用地，面向對象分類則準確標識出其類別。

協同GF-1、6影像與GF-2獲取的農田空間信息進行分類（方案1），最終獲得1 m空間分辨率的農作物識別結果（圖7-b1和圖8-b1），與協同GF-1、6像元尺度（方案4）得到的16 m空間分辨率結果（圖7-a1和圖8-a1）進行局部細節對比?？梢钥闯?，潛江和棗陽2個地區面向對象的分類結果對于面積較小、破碎度高的農田刻畫效果更好，能很好地識別出不同作物、不同農田的邊界信息，與實際的農作物空間分布格局相似度高?；谙裨姆诸愂艿皆加跋窨臻g分辨率的限制，難以準確刻畫面積較小的農作物邊界信息，存在明顯的錯分和漏分。結果表明，面向對象農作物分類能充分表征農田形狀和邊界信息，獲取精細的農作物分類結果，更適合農田破碎地區的作物識別，有利于農業精準管理。

a和a1為基于像元的分類結果，b和b1為基于對象的分類結果，c為局部典型區域4月5日的GF-2影像；其中a1和b1分別為展示的典型區域的像元和對象尺度上的隨機森林分類結果

2.5 特征重要性分析

圖9和圖10分別展示了不同時期GF-1、GF-6影像的光譜波段特征重要性和累計重要性得分。其中，2個研究區幾何特征重要性得分占比較低（低于10%）。從圖中可以發現，對于潛江區域，GF-6影像對作物識別的貢獻度占所有光譜波段的82%，其中GF-6新增的紅邊Ⅰ波段（B5）、紅邊Ⅱ波段（B6）、紫波段（B7）和黃波段（B8）4個光譜波段對作物識別的貢獻度占所有光譜波段的47%。3月14日（DOY73）和4月7日（DOY97）的油菜處于開花期而小麥仍處于成長期，兩者光譜表現出明顯差異，因此，這兩個時期對于農作物識別較為關鍵，其累計波段特征重要性高。此外，GF-6的黃波段（B8）敏銳捕捉到這兩個時間油菜黃色的花葉光譜信息，為區分油菜與小麥、水稻等其他農作物提供了關鍵特征，貢獻度占所有波段的12%?？傮w而言，GF-6影像因獨特的光譜波段（如黃波段、紅邊波段等）為作物分類提供了新的信息增量，成為潛江地區作物識別的重要數據。

在棗陽特征重要性排序中，3月25日（DOY84）為小麥成長期、油菜開花期，此階段的近紅外波段（B4）是作物識別的最重要特征，這主要因為近紅外波段對植被信息較敏感，且此時處于油菜開花期易于區分不同作物類型。GF-6光譜波段特征累計重要性得分占77%，GF-1波段特征累計重要性得分占23%。其中GF-6新增的紅邊Ⅰ波段（B5）、紅邊Ⅱ波段（B6）、紫波段（B7）和黃波段（B8）4個光譜波段對作物識別的貢獻度占所有光譜波段的33%，再次證明了GF-6影像的作物識別潛力。從時相信息看，分類的關鍵特征主要集中于DOY52—DOY129（2月下旬—5月上旬），即小麥的成長期、油菜的成長和開花期以及早稻的播種期、成長期。在此階段，不同農作物的光譜差異較大，有利于隨機森林模型對其進行區分。針對研究區云雨天氣較頻繁等問題，GF-1和GF-6影像協同加密影像時序信息，能提升作物分類效果。

a和a1為基于像元的分類結果，b和b1為基于對象的分類結果，c為局部典型區域3月15日的GF-2影像；其中a1和b1分別為展示的典型區域的像元和對象尺度上的隨機森林分類結果

根據特征重要性得分結果，分別選取2個區域排序前20名的特征，再次進行隨機森林分類。其中，潛江地區總體精度（OA）為94.64%，棗陽地區總體精度（OA）為93.24%，與表3和表4試驗組基于所有特征分類的結果相近（潛江：OA=95.49%，棗陽：OA=93.78%）。該試驗結果表明最優特征對農作物識別發揮了主導作用，進一步表明了特征排序結果的可靠性。

3 討論

3.1 多源高分數據協同的優勢分析

本文旨在探索協同國產高分系列衛星影像在多云多雨及種植模式復雜的南方地區進行農作物分類的潛能。一方面，發揮GF-2衛星高空間分辨率優勢（空間分辨率優于1 m），緩解因農業景觀破碎、地形復雜等產生的混合像元問題，從而提高農作物識別精度。另一方面，協同多時相多光譜GF-1、GF-6衛星，加密遙感影像時間密度，能充分表征農作物物候特征，從而降低云雨天氣對農作物識別的影響；同時，為了解決高空間分辨率GF-2影像分類過程產生的“椒鹽現象”，研究采用了面向對象的分類方法。通過對比面向對象和像元分類結果，進一步發現面向對象分類更能凸顯農田真實物理邊界，識別精度優于面向像元，更適宜種植結構復雜地區的農作物分類。該研究有力證明了我國自主研發的高分衛星影像在農業監測領域的巨大應用潛力，同時為我國南方地區農作物遙感制圖提供了有效的解決方案。此外，本研究提供的高分數據協同思路不僅適用于農作物分類，也適用于其他土地利用類型分類，尤其是景觀破碎地區的地物類型（例如：城市建筑）。

灰色格為背景值，表示DOY對應影像為GF-1，僅有藍、綠、紅、近紅外4個光譜波段。橫坐標為表示日期的儒略日（DOY），縱坐標為高分影像光譜波段，圖例表示特征重要性得分的隨機森林評價指標——平均不純度減少（MDI）

橫坐標為表示日期的儒略日（DOY），縱坐標的為表示特征重要性得分的隨機森林評價指標——平均不純度減少（MDI）

3.2 潛在的提升方向

由于地形、氣候以及農業種植模式等具有明顯區域差異性，利用eCognition選取的最優分割尺度泛化能力較弱。同時，多尺度分割盡管一定程度解決了椒鹽現象，但產生的“對象”與真實的農田“地塊”仍具有差異，制約了高分影像在大區域農作物分類的應用前景。因此，在后續研究中，可以考慮選取新的分割算法進行GF-2影像分割來獲取邊界清晰的地塊信息，實現地塊尺度的作物識別。此外，隨機森林雖然是當前應用最廣的分類器之一，但面對農作物嚴重的“同物異譜、同譜異物”情況，其學習能力和效率仍不足，導致農作物識別精度受限。因此，未來研究可以發展合適的深度學習模型，以數據驅動的方式主動學習和挖掘不同農作物典型特征，進一步提升復雜種植區下的農作物分類精度。最后，該研究僅比較了不同高分數據組合情景的農作物識別差異，未跟國際主流的中高分辨率衛星（例如：Landsat和Sentinel-2）進行比較。后續針對更復雜尤其是云雨更頻繁的研究區域，不僅考慮與這些主流衛星數據進行比較分析，同時也進行協同利用，進一步突破復雜地區農作物遙感制圖的精度，以及推廣我國國產高分數據的潛在應用價值。

4 結論

本文以湖北省潛江市和棗陽市為研究區，研究協同多源多時相國產GF-1、GF-2和GF-6影像在多云多雨、種植結構復雜的南方地區開展作物遙感識別的潛力。首先利用GF-2影像進行多尺度分割獲取農田的空間信息數據，其次協同長時序GF-1和GF-6影像，構建光譜-時相-空間三維特征組合，利用隨機森林分類實現了對象尺度的作物制圖并計算不同特征在作物分類中的貢獻。通過對比分析不同影像組合和分類尺度的精度差異，進一步分析協同國產高分數據在作物識別的優勢與提升潛力。主要研究結論如下：

（1）協同GF-1、GF-2和GF-6影像和面向對象的農作物分類效果最好，在潛江市總體精度為95.49%，棗陽市總體精度為93.78%。通過發揮不同高分數據源各自光譜-空間-時間優勢，不僅緩解了景觀破碎導致的“混合像元”問題，還在一定程度上降低了多云多雨氣候對農作物識別影響的不確定性。

（2）相比GF-1和GF-2對應的光譜和空間特征，GF-6光譜波段對農作物遙感識別的貢獻度最大，GF-6光譜波段特征累計重要性得分占所有光譜波段的82%（潛江）、77%（棗陽）。其中GF-6新增的紅邊Ⅰ波段（B5）、紅邊Ⅱ波段（B6）、紫波段（B7）和黃波段（B8）4個光譜波段對作物識別的貢獻度分別為47%（潛江）、33%（棗陽）。因此，盡管GF-6和GF-1衛星均有相似的重返周期，由于GF-6影像可獲取的數量多且光譜波段性能更好，協同GF-6與GF-2產生的農作物識別精度優于協同GF-1和GF-2影像。

（3）選取排名前20重要特征進行隨機森林分類，潛江地區總體精度為94.64%，棗陽地區總體精度為93.24%，與試驗組基于所有特征分類的結果潛江（OA=95.49%）、棗陽（OA=93.78%）相近。優選特征對農作物識別發揮了主導作用，可在一定程度上降低數據源的時相數量需求。

（4）基于GF-2影像進行面向對象的農作物識別能充分利用影像高空間分辨率優勢，較好刻畫農作物空間特征，結合多尺度分割方法，產生的面向對象分類結果顯著優于面向像元。

（5）該研究證實了協同多源國產高分數據進行農業遙感監測尤其在我國南方地區的巨大潛能。研究方法和結果為區域尺度農業生產管理、作物種植結構調整和農業可持續發展提供理論基礎和技術支撐。

[1] 唐華俊, 吳文斌, 楊鵬, 周清波, 陳仲新. 農作物空間格局遙感監測研究進展. 中國農業科學, 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, 胡瓊, 陸苗, 余強毅, 楊鵬, 史云, 段玉林, 吳文斌. 農作物空間分布遙感制圖發展方向探討. 中國農業資源與區劃, 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] 唐華俊. 農業遙感研究進展與展望. 農學學報, 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] 胡瓊, 吳文斌, 宋茜, 余強毅, 楊鵬, 唐華俊. 農作物種植結構遙感提取研究進展. 中國農業科學, 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] BLICKENSD?RFER 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, 柳樂, 張儼娜, 苗茹, 楊陽. GEE支持下的河南省冬小麥面積提取及長勢監測. 中國農業科學, 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] 楊靖雅, 胡瓊, 魏浩東, 蔡志文, 張馨予, 宋茜, 徐保東. 基于Sentinel-1/2數據的中國南方單雙季稻識別結果一致性分析. 中國農業科學, 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] 鄭利娟. 基于高分一/六號衛星影像特征的農作物分類研究[D]. 北京: 中國科學院大學, 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] 童旭東. 中國高分辨率對地觀測系統重大專項建設進展. 遙感學報, 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, 王文靜, 楊靖雅, 魏浩東, 王聰, 徐保東. 基于多源國產高分衛星時空信息的米級分辨率耕地提取. 遙感學報, 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] 季富華, 劉佳, 王利民. 農作物類型遙感識別算法及國產高分衛星應用示例. 中國農業資源與區劃, 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, 胡潔, 蔡志文, 王文靜, 胡瓊. 協同多時相國產GF-1和GF-6衛星影像的艾草遙感識別. 農業工程學報, 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] 張超, 金虹杉, 劉哲, 李智曉, 寧明宇, 孫海艷. 基于GF遙感數據紋理分析識別制種玉米. 農業工程學報, 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和面向對象的農作物種植結構提取方法研究[D]. 北京: 中國農業科學院, 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] 蘇偉, 李京, 陳云浩, 張錦水, 胡德勇, 劉翠敏. 基于多尺度影像分割的面向對象城市土地覆被分類研究——以馬來西亞吉隆坡市城市中心區為例. 遙感學報, 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, 方圣輝, 姚崇懷. 多尺度分割的高分辨率遙感影像變化檢測. 遙感學報, 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] 馬燕妮, 明冬萍, 楊海平. 面向對象影像多尺度分割最大異質性參數估計. 遙感學報, 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] DR?GU? 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

10.3864/j.issn.0578-1752.2023.13.004

2022-12-04；

2022-02-06

湖北省自然科學基金面上項目（2022CFB377）、國家自然科學基金面上項目（42271399）、中國科協青年人才托舉工程項目（2020QNRC001）、中央高校基本科研業務費資助（CCNU22QN018，CCNU22JC013）

王佳玥，E-mail：wangjiayue@mails.ccnu.edu.cn。通信作者王聰，E-mail：wangcong@ccnu.edu.cn。通信作者胡瓊，E-mail：huqiong@ccnu.edu.cn

（責任編輯 楊鑫浩，李莉）