多種光譜指數聯合地形特征對復雜地形區主要糧食作物種植面積的遙感識別*

范 莉，王 妍，祝 好，張 繼

多種光譜指數聯合地形特征對復雜地形區主要糧食作物種植面積的遙感識別*

范 莉1,2，王 妍3**，祝 好1,2，張 繼1,2

（1.重慶市氣象科學研究所，重慶 401147；2.重慶市農業氣象與衛星遙感工程技術研究中心，重慶 401147；3.重慶市農業科學院，重慶 401329）

復雜地形地區農作物空間分布信息的精準監測對指導農業生產精細化管理、合理分配資源具有重要意義，而農作物分布零散、空間異質性高是精細分類的難點。本文旨在探索復雜地形條件下，多時相高分辨率衛星資料的多作物同步精細識別的方法，以期為重慶市域乃至西南低山丘陵復雜地區作物識別提供理論和現實依據。選取重慶市渝西地區為研究區，采用多尺度分割算法，將同種地物類型的田塊進行同質單元構建，從而避免基于像素分類過于零散的分類結果，實現高精度分類。再利用多時相Sentinel-2/MSI遙感影像有效挖掘主要糧食農作物生育期內物候規律和特征參數，構建NDVI、RVI和NDWI等光譜指數，對比地面樣本點不同作物類型不同生育期的遙感光譜信息差異，聯合地形特征以確定農作物識別的最優組合，從而建立面向對象的決策樹邏輯分類規則集提取主要糧食農作物種植區。結果表明：（1）采用多尺度分割方法使農作物識別在田塊基礎上進行，在30分割尺度下、緊湊度因子和形狀因子均為0.5時，植被邊緣分割最優；（2）結合農作物物候期發育特征，選用4月NDWI、6月RVI、NDVI和8月NDVI等光譜特征指數，聯合海拔高度、坡度等地形特征建立目標地物判別閾值，構建面向對象決策樹分類模型，總體精度達到90.8%，水稻、玉米、紅薯的分類精度分別為85.7%、83.3%和 80.7%，說明多種光譜指數聯合地形特征的作物種植面積識別方法達到較高的識別精度，具有實踐意義。

復雜地形；Sentinel-2；農作物；面向對象；決策樹

重慶市糧食作物種類有谷物類、豆類、薯類，以水稻、玉米和紅薯為主。據統計年鑒，近5a三者產量合計超過全市糧食總產量的三分之二，是重慶最主要的糧食作物，保障其生產安全是糧食安全的關鍵。及時、準確掌握重慶市主要糧食作物時空分布信息，是切實提高糧食作物綜合生產，促進農民持續增收和糧食種植產業可持續發展等的基礎性重要工作。作物種植結構包括作物種類和空間分布等信息，是農作物空間格局的重要組成部分。及時、準確地進行作物種植空間分布監測可以輔助作物管理?作物產量預估?作物災害的預警和作物種植計劃的制定,對保證糧食安全具有十分重要的意義[1?4]。

光學遙感成像范圍廣、光譜信息豐富、觀測成本低，可實現短時間重復觀測，近年來已經成為作物種植區域信息提取的重要手段[5?7]。目前大多數農作物遙感識別研究中，國內外學者多圍繞時序植被指數的農作物種植識別[8?18]、多源影像數據融合[19?20]、特征變量優選[21?24]、分類器選擇及參數優化[25?28]等關鍵技術，對農作物種植空間識別開展了大量深入而廣泛的研究?尤其是近年來衛星傳感器呈現出高時空、高光譜的發展特點，分類方法也在不斷改進，使得農作物種植識別取得長足的進展[20，29?31]，但大多農作物遙感提取研究主要針對平原地區的單一作物類型，較少學者將其研究區定位在地形復雜、作物種植種類繁多的地區。西南地區地形復雜，田塊零碎，作物種植分布呈現較強的空間異質性[32]，且碎片化程度和離散度較高，致使同一像元內不同地物類型存在明顯的光譜混合現象，作物種植精細識別存在較大挑戰。

鑒于此，本研究針對丘陵山地復雜地形區多種作物同時精細識別的目標，利用sentinel-2多時相影像，提出一種多種光譜指數聯合地形特征的主要糧食作物遙感識別方法，基于面向對象的分類思想構建決策樹分類模型，選取重慶市渝西地區水稻、玉米和紅薯為研究對象，開展多種作物種植分布信息高精度識別研究，以期為重慶市市域乃至西南低山丘陵復雜地區作物識別提供參考和依據。

1 資料與方法

1.1 研究區概況

重慶市位于青藏高原與長江中下游平原的過渡地帶，地跨105°11′?110°11′E、28°10′?32°13′N，境內山高谷深，溝壑縱橫，地形復雜。研究區位于重慶市西部（簡稱渝西地區，下同），區內平壩、丘陵和山地等多種地形地貌并存，海拔高差1219m，屬亞熱帶季風性濕潤氣候，水熱資源差異大，光溫水同季，年平均氣溫17.2～18.3℃，年平均降水量999～1134mm，降水多集中在5?9月。渝西地區獨特自然環境和氣候條件利于農作物生長，是重慶市主要的農業產區，糧食作物主要為水稻、玉米和紅薯，區內種植結構復雜，作物斑塊分布零散，多種作物物候期有重疊。

1.2 數據采集與處理

1.2.1 主要糧食作物物候期調查

基于實地調查和重慶市氣象局作物生育期觀測，確定了研究區主要糧食作物生長物候歷，結果見圖1。由圖可見，3類主要糧食作物依次從2月下旬開始播種，其中春玉米播種最早，依次為水稻和紅薯；3種主要農作物在經歷了出苗、移栽、拔節、開花、灌漿或薯塊膨大等生長階段后，于7月中下旬陸續進入成熟期。表中顯示，各類作物的生長階段在時間上有交叉，尤其是水稻與玉米生育期高度重疊，給準確識別帶來一定困難。

1.2.2 遙感數據處理

Sentinel-2攜帶寬幅高分辨率多光譜成像儀（MSI），覆蓋可見光、近紅外到短波紅外共13個光譜波段，空間分辨率10～60m，幅寬290km，根據農作物識別需求，選擇研究區4?11月云量小于10%的Sentinel-2/MSI衛星L2A級產品共6期，成像時間分別為4月17日、6月6日、7月23日、8月25日、10月31日和11月8日，通過歐洲航天局（ESA）網站（https：//scihub.copernicus.eu/）下載，該產品經過正射校正、幾何校正和大氣校正。在ENVI5.3軟件中選取空間分辨率為 10m的藍、綠、紅三個可見光波段和近紅外波段進行波段疊加、影像拼接及裁剪，得到包含4個波段的研究區影像圖，空間坐標系GCS-WGS-84。

數字高程模型（DEM）選用美國國家航空航天局（NASA）與國防部國家測繪局（NIMA）聯合測量的90m空間分辨率STRM DEM數據，通過中國科學院計算機網絡信息中心國際科學數據鏡像網站（http: //www.gscloud.cn）下載獲取。

1.2.3 地面樣本數據收集

2018年4?9月農作物生長季，先后多次對作物種植類型、物候和產量信息進行野外調研，同步利用Google Earth高分辨率影像基于目視解譯采用分層隨機抽樣法選取土地覆被類型樣點，共獲得地面樣本點930個，按照3:7的比例劃分281個樣本點作為訓練數據，649個樣本點作為糧食作物分類精度的驗證數據，較為均勻地覆蓋整個研究區（圖2）

1.3 多種光譜指數聯合地形特征識別方法

1.3.1 技術流程

（1）基于面向對象的思想，依據作物關鍵生育期選取多時相Sentinel-2遙感影像，進行多尺度影像分割獲得地塊尺度分類對象；（2）通過分析地塊級別光譜和地形特征以確定閾值，構建CART決策樹分類規則集，實現研究區主要糧食作物空間分布的高精度提取；（3）根據地面樣本數據驗證主要糧食作物種植面積提取精度。技術流程如圖3所示。由圖3可見，主要技術環節包括多時相選擇、多尺度影像分割、多種光譜特征指數和地形特征指數分析、決策樹規則制定與閾值確定等。

圖1 渝西地區主要糧食作物生長物候歷

Note: E is the first ten-day of a month, M is the middle ten-day of a month, L is the last ten-day of a month.TR is transplanting–regrowth, TJ is tillering–jointing, SF is spurting–flowering, GM is grouting–maturing, TS is transplanting–seven leaves, TT is tillering –tasseling, FS is flowering–spitting. The same as below.

圖2 研究區內調查樣本點分布

1.3.2 多尺度影像分割

面向對象法區別像元影像分類僅考慮譜信息的局限性，它以分類對象為基本處理單元，既考慮對象的光譜值，還利用對象形狀、紋理和空間拓撲信息作為輔助分類信息，將影像分割成具有相似特征同質影像區域，作為后續作物分類的對象。采用多尺度分割對影像中同質對象進行圖像分割。多尺度影像分割既能自動生成遙感影像的影像對象，又能將這些影像對象按等級結構聯接起來[33]，分割尺度大小會影響分割對象的大小和分類結果精細程度[34?35]，分割參數設置包括形狀因子和緊湊度因子。

在eCognition8.9中使用process tree模塊設置進程為分割，通過insert child插入子進程，設置子進程的算法為多尺度分割，即multi segmentation，再調整分割尺度及參數。通過多次試驗調整分割尺度，結合先驗知識目視解譯，找到最優尺度參數，獲得地塊尺度的分類對象。

1.3.3 光譜特征構建

利用高分辨率衛星影像中農作物不同波段的響應特征識別地形復雜地區農作物，是提高識別精度的重要方法，參考國內外農作物種植結構遙感提取的相關文獻[36?37]，根據經驗及用戶知識選擇歸一化植被指數（Normalized difference vegetation index，NDVI）、比值植被指數（Ratio vegetation index，RVI）、歸一化差值水體指數（Normalized difference water index，NDWI）等特征值作為光譜特征變量。NDVI是目前應用最廣泛的植被指數[15]，對植被有較強的反映能力，作物類型不同，NDVI的光譜差異明顯。因研究區植被覆蓋度普遍較高，RVI在一定程度上可以克服飽和性的問題，對高覆蓋植被區域更為敏感，與生物量的相關性最好，適用于區分農作物和林地。NDWI可以突出水體信息，適合對水稻與其他旱地作物進行區分。其計算式分別為

圖3 技術流程圖

式中，ρnir為近紅外波段的反射率；ρred為紅波段的反射率；ρgreen為綠波段的反射率。

1.3.4 地形特征構建

地形特征是地形復雜地區作物分類的重要指標，渝西地區地形地貌多樣，水稻一般生長在地勢平坦區域，玉米、紅薯除在平壩地區種植外，中高海拔地區也有種植，因此，地形特征加入農作物識別能夠進一步提高分類精度。選用DEM數據進行地形分析，在ArcGIS10.8軟件中計算海拔高度(elevation)和坡度(slope)特征，并將其作為獨立波段參與特征構建。

1.4 分類方法與精度評價

選用CART（classification and regression trees）決策樹算法快速提取出三種主要糧食作物種植分布。CART算法采用二分遞歸進行劃分，分支節點上進行布爾運算，判斷條件為真的劃為左分支，條件為假的劃為右分支，最終形成二叉決策樹。

精度評價基于野外調查數據和Google Earth影像展開，使用混淆矩陣精度評價方法計算用戶精度、制圖精度、總體精度和Kappa系數[38]。制圖精度表示整個研究區內正確分為某類的總像元數與該類實際參考總像元數的比值；用戶精度表示正確分到某類的總像元數與整個研究區分到該類總像元數的比值，二者從錯分和漏分像元的角度來評價分類結果的精度。總體精度表示正確分類像元數占參與分類總像元數比例；Kappa系數可以表示分類結果與實際數據一致性。

2 結果與分析

2.1 最優尺度遙感影像分割結果

對Sentinel-2影像典型時相（4月17日、6月6日、8月25三幅影像）的多光譜數據進行多尺度分割，參數包括分割尺度、形狀因子和緊湊度因子。結合研究區實際情況，訓練調整不同分割尺度效果，三種典型尺度的分割結果見圖4。由圖可見，分割尺度為50時（圖4a），圖中分割對象過大，不利于將農作物與林地等地物區分開；分割尺度為10時（圖4c），圖中分割對象過于細致，斑塊零散；分割尺度為30時（圖4b），可以得到較好的尺度效果，因此，取最適宜分割尺度為30。

其次，調整形狀因子和緊湊度因子，經過多次調整和試驗，對分割效果進行目視判讀，在分割尺度為30的影像對象層中，設置緊湊度因子為0.5、形狀因子0.3（圖5a）和緊湊度因子0.5、形狀因子0.5時（圖5b），發現圖4b邊界更加細致，植被邊緣分割較為理想，也能體現林間帶。因此，將分割尺度30、形狀因子0.5和緊湊度因子0.5作為最優尺度參數，分割結果作為下一步特征提取的地塊對象。

2.2 主要糧食作物特征指數識別

對影像進行多尺度分割后，分別在地塊尺度上聯合光譜特征和地形特征描述對象，建立地塊與農作物之間的關系和判別規則。

圖4 Sentinel-2影像不同尺度分割效果

圖5 不同形狀因子分割效果

由于葉綠素的吸收作用，植被在可見光區域內的反射率偏低，近紅外波段卻保持著較高的反射率，分析4?11月6個時相訓練樣本的NDVI值，研究不同地物的光譜變化規律發現，與其他地物的光譜平均值相比，農作物與林地的光譜曲線相似，易于與建筑物、裸地及水體等地物進行區分（圖6）。紅波段和近紅波段相差較大，由農作物和林地的紅波段?近紅波段光譜特征空間分析可見，農作物紅光波段反射率在5%～8%，林地集中在紅光波段，反射率3%～5%（圖7）。因此，可對紅光、近紅外波段組合并歸一化處理，利用綠色植被的反射和吸收特性，結合作物關鍵物候期影像構建植被指數來識別農作物。

圖6 典型地物NDVI時間序列曲線

渝西地區地形復雜、作物類型多樣且生育期有重疊，在高分辨率遙感影像中，農作物類型提取所面臨的干擾因素較多，因此，結合作物物候歷，選擇典型時相紅光、近紅外波段，組合構建作物不同生育期特征指數，增強農作物與林地的光譜差異。6月初，植被進入旺長期，NDVI值迅速拉升，與建筑、裸地、水體等非植被覆蓋區形成鮮明對比，首先選擇2018?06?06的Sentinel-2衛星影像區分植被與非植被覆蓋區（圖8b），采用NDVI來獲取渝西地區植被分布狀況，通過多次調整和試驗，發現以NDVI≥0.46作為閾值可以較準確地提取研究區中的植被信息。根據物候信息，6月初水稻生長進入孕穗期，玉米為抽雄吐絲期、紅薯處于移栽期，真彩色影像上規則的灰綠區域為耕地，深綠色區域為林地，通過RVI特征值能夠很好地區分林地和耕地，選擇2018?06?06的Sentinel-2衛星影像，設置參數RVI≥4.8，區分出茂密度高的林地；耕地類型分為水田和旱地，4月水稻處于移栽期，水田水量充足，與旱地和河流塘庫等NDWI取值差異大，選擇2018?04?17的Sentinel-2衛星影像進行NDWI判識（圖8a）。水稻對種植環境要求較高，海拔越高水稻種植的適宜性越低，渝西地區海拔超過600m且坡度大于15°的地區基本屬于不適宜種植水稻的區域，在光譜指數判識的基礎上，聯合地形特征，設定閾值為?0.39≤NDWI≤0、海拔＜600、坡度＜15°提取出水田，農作物類型為水稻。8月中下旬渝西地區玉米已收獲完畢，NDVI值迅速下降，而紅薯處于薯塊形成期，地上部分長勢旺盛，葉綠素含量上升，NDVI值升高，選擇2018?08?25的Sentinel-2衛星影像，設置閾值NDVI＜0.6，顏色黃褐色的為玉米地，生長旺盛且邊界清晰的深綠色區域為紅薯和其他蔬菜地（圖8c）。

圖7 農作物和林地在紅光波段?近紅外波段的光譜特征

圖8 Sentinel-2/MSI不同物候期影像圖（RGB:432）

注：紅色框代表同一地塊水稻不同生育期在真彩影像上的變化。

Note: The red boxes represent the variation of different fertility stages of rice in the same plot on the true color image.

2.3 主要糧食作物分類結果與精度評價

2.3.1 分類決策樹

在多尺度分割的基礎上，結合農作物的物候信息特征，開展地面選取樣點在多時相影像上的特征值計算，確定不同作物類型的光譜特征指數和地形特征值指數閾值范圍，建立面向對象的決策樹模型（圖9），提取主要糧食作物的種植分布。

2.3.2 分類結果

利用多時相Sentinel-2衛星資料，采用面向對象的決策樹方法對2018年渝西地區糧食作物識別結果表現為，水稻、玉米、紅薯為研究區的主要農作物，呈鑲嵌結構廣泛分布于研究區（圖10）。其中水稻種植面積最大，約20.7萬hm2，在各區縣均有大量分布；紅薯種植面積其次，約9.3萬hm2，主要分布在合川、潼南、銅梁等區縣；玉米面積約7.3萬hm2，在合川、潼南、銅梁有大量種植。從圖中還可以看出，水稻主要種植在研究區中狹長分布的、地形較平緩的地區，林地集中分布于研究區地勢相對較高的中部山脈及偏西區域，其他區域有零散分布。山腳下林地周邊略有坡度的耕地有少量水稻種植，較多種植了玉米和紅薯，這也與農作物本身的物候特性相關。將遙感監測的作物種植面積與當年統計年鑒對比，顯示遙感監測的3種作物面積與統計數據非常接近，總面積較統計年鑒數值偏少2.9%。

2.3.3 精度評價

研究基于野外調查數據和Google Earth影像獲取了均勻分布的649個驗證樣本，包括235個水稻樣本，189個玉米樣本，83個紅薯樣本，林地樣本132個，以及10個其他地類（建筑用地、河流、裸地、云影響區等）樣本，使用混淆矩陣精度評價方法對分類結果進行評價。計算分類結果的總體精度為90.8%，Kappa系數為86.3%。利用作物關鍵生育期時相的影像分類得到的水稻、玉米、紅薯的用戶分類精度分別為85.7%、83.3%和 80.7%（表1），分類結果與地類實際空間分布基本一致。玉米田塊中有被錯分成紅薯、水稻和林地，一部分水稻田塊被錯分成玉米，紅薯種植多為套種，田塊中有局部斑塊錯分成玉米和林地，說明在多光譜數據中，水稻、玉米、紅薯和林地的光譜較為相似，局部田塊的分類效果較差。對分類結果進行精度評價，將符合精度要求的分類結果輸出，獲取目標作物識別結果。

圖9 面向對象的分類決策樹

注：“0417”、“0606”、“0825”分別指4月17日、6月6日、8月25日Sentien1-2/MSI影像。NDVI、RVI和NDWI分別為歸一化植被指數、比值植被指數和歸一化差值水體指數。

Note: "0417", "0606" and "0825" represent the Sentien1-2/ MSI images of 17th April, 6th June and 25th August, respectively. NDVI, RVI and NDWI represent normalized difference vegetation index, ratio vegetation index and normalized difference water index, respectively.

分類結果驗證了基于覆蓋作物完整生育期的高分辨率衛星數據，采用多種光譜指數聯合地形特征的方法進行地形復雜地區農作物種植分布識別的可行性。該方法可克服地物波譜特征相似的問題，使研究區的分類決策條件更細化、詳盡，在一定程度上提高了作物的分類精度，說明Sentinel-2多光譜數據在大區域尺度農作物識別上有較廣泛的應用價值。

圖10 重慶市渝西地區2018年糧食作物分類結果

3 結論與討論

3.1 結論

（1）從重慶市大宗作物以田塊為基本管理單元的客觀事實出發，采用面向對象的方法使具有相似形狀、光譜特征的像素在空間上集聚，在30的分割尺度下，形狀因子和緊湊度因子均為0.5時，同質單元構建效果更好，后續作物識別在田塊多尺度分割的基礎上分層進行，避免了分類結果出現“椒鹽”現象。

（2）在田塊尺度上，結合主要糧食作物生育期，分析田塊級別光譜特征和地形特征并確定閾值，通過決策樹規則集的制定，完成了渝西地區主要糧食作物的智能識別。水稻、玉米、紅薯為呈鑲嵌結構廣泛分布于研究區，分類總體精度達90.8%，Kappa系數為86.3%，水稻、玉米、紅薯的用戶精度分別為 85.7%、83.3%和 80.7%，說明在地形復雜地區，采用多光譜指數聯合地形特征的識別模型進行多作物識別可以獲得較高的分類精度。

3.2 討論

國內外學者對農作物種植空間識別開展了大量研究，但研究多針對地勢平坦地區，識別作物種類單一，針對地形復雜、作物種類繁多的地區的研究并不多見。因而，本文針對目前農作物遙感識別中存在的問題，提出一種多種光譜指數聯合地形特征的主要糧食作物遙感識別方法，該方法針對復雜地形條件下，作物種植分散且斑塊尺度小，多種作物生育期存在重疊的情況提出，識別總體精度達到了90.8%，驗證了利用多時相高分辨率衛星資料在地形復雜地區對大宗作物識別技術的可行性，可為其他地形復雜作物分類提供較好的理論與實踐支撐。

本研究僅采用三種光譜特征指數和兩種地形指數組合建立識別模型，后續工作將對其進一步優化完善。一是特征變量的優選和組合研究上；二是協同光學和微波遙感影像技術，挖掘作物生長周期內的多特征信息，綜合考慮多云霧復雜地形下研究區作物“光譜?后向散射?空間結構?紋理”特征對于中小尺度斑塊水稻精細識別的貢獻，構建多特征協同優化策略的精細識別方法。

表1 糧食作物分類結果的混淆矩陣（樣本數）

[1] Lexander P,Rounsevell M D A,Dislich C,et al.Drivers for global agricultural land use change:the nexus of diet,population,yield and bioenergy[J].Global Environmental Change-Human and Policy Dimensions, 2015,35:138-147.

[2] Chen Z,Zhou Q,Liu J,et al.CHARMS:China agricultural remote sensing monitoring system[J].Ieee International Geoscience and Remote Sensing Symposium,2011:3530- 3533.

[3] United-Nations.World population prospects:2015 revision [R].Department of Economic and Social Affairs,2015.

[4] Wu B.Global crop monitoring:a satellite-based hierarchical approach[J].Remote Sensing,2015(7):3907-3933.

[5] Nasrallah A,Baghdadi N,Mhawej M,et al.A novel approach for mapping wheat areas using high resolution Sentinel-2 Images[J].Sensors,2018,18(7): 2089-2103.

[6] Pe?a-Barragán J M,Ngugi M K,Plant R E,et al.Object- based crop identification using multiple vegetation indices,textural features and crop phenology[J].Remote Sensing of Environment,2011,115(6):1301-1316.

[7] Skakun S,Vermote E,Franch B,et al.Winter wheat yield assessment from Landsat 8 and Sentinel-2 data: incorporating surface reflectance,through phenological fitting,into regression yield models[J].Remote Sensing, 2019,11(15):1768-1784.

[8] 許青云,楊貴軍,龍慧靈,等.基于MODIS NDVI多年時序數據的農作物種植識別[J].農業工程學報,2014,30(11): 134-144.

Xu Q Y,Yang G J,Long H L,et al.Crop information identification based on MODIS NDVI time-series data[J]. Transactions of the Chinese Society of Agricultural Engineering,2014,30(11): 134-144.(in Chinese)

[9] 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.(in Chinese)

[10] Jia K,Liang S,Zhang N,et al.Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,93: 49-55.

[11] 孫姝娟,李民錄,王萍,等.基于GF-1/WFV EVI時間序列數據的水稻種植面積提取[J].福建農業學報,2018,33(6): 575-580.

Sun S J,Li M L,Wang P,et al.Information gathering on rice planting area using GF-1/WFV EVI time series technology [J].Fujian Journal of Agricultural Sciences,2018,33(6):575- 580.(in Chinese)

[12] 甄曉菊,張雪紅,吳國明,等.基于Sentinel-2A NDVI時間序列數據的冬小麥識別[J].江蘇農業科學,2019,47(16):239- 245.

Zhen X J,Zhang X H,Wu G M,et al.Identification of winter wheat based on sentinel-2A NDVI times series data[J]. Jiangsu Agricultural Sciences,2019,47(16):239-245.(in Chinese)

[13] Damien A,Milton J,Margareth S P M,et al. Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso,Brazil[J].International Journal of Remote Sensing,2011,32(22):1-25

[14] Chen Y,Lu D,Moran E,et al.Mapping croplands,cropping patterns,and crop types using MODIS time-series data [J].International Journal of Applied Earth Observation and Geoinformation,2018,69:133-147.

[15] 楊閆君,占玉林,田慶久,等.基于GF-1/WFV NDVI時間序列數據的作物分類[J].農業工程學報,2015,31(24): 155-161.

Yang Y J,Zhan Y L,Tian Q J,et al.Crop classification based on GF-1/WFV NDVI time series[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(24): 155-161.(in Chinese)

[16] 尤慧,蘇榮瑞,肖瑋鈺,等.基于MODIS EVI時序數據的江漢平原油菜種植分布信息提取[J].國土資源遙感,2018,30 (1):173-179.

You H,Su R R,Xiao W Y,et al.Extraction of rape planting distribution information in Jianghan plain based on MODIS EVI time series data[J].Remote Sensing for Land & Resources,2018,30(1):173-179.(in Chinese)

[17] 郭建茂,施俊怡.基于HJ-CCD時序數據提取鎮江市水稻種植分布[J].中國農業氣象,2014,35(2):228-234.

Guo J M,Shi J Y.Mapping rice paddy distribution in Zhenjiang city based on Multi-temporal HJ-CCD Imagery [J].Chinese Journal of Agrometeorolog,2014,35(2):228-234. (in Chinese)

[18] 王雪婷,張莎,鄧帆,等.基于作物空間物候差異提取黃淮海夏玉米種植面積[J].中國農業氣象,2019,40(10):647-659.

Wang X T,Zhang S,Deng F,et al.Mapping the cultivation areas of summer maize using spatial variations of crop phenology over Huanghuaihai plain[J].Chinese Journal of Agrometeorology,2019,40(10):647-659.(in Chinese)

[19] 吳峰云.基于GF-1和MODIS數據融合的鄱陽湖區域水稻空間分布提取[D].武漢:華中農業大學,2017.

Wu F Y.Rice extraction based on fused data of GF-1 and MODIS in Poyang lake area[D].Wuhan:Huazhong Agricultural University,2017.(in Chinese)

[20] 楊思睿,薛朝輝,張玲,等.高光譜與Li DAR數據融合研究:以黑河中游張掖綠洲農業區精細作物分類為例[J].國土資源遙感,2018,30(4):33-40.

Yang S R,Xue Z H,Zhang L,et al.Fusion of hyperspectral and Li DAR data:a case study for refined crop classification in agricultural region of Zhangye Oasis in the middle reaches of Heihe river[J].Remote Sensing for Land and Resources,2018,30(4):33-40.(in Chinese)

[21] 劉哲,李智曉,張延寬,等.基于時序EVI決策樹分類與高分紋理的制種玉米識別[J].農業機械學報,2015,46(10): 321-327.

Liu Z,Li Z X,Zhang Y K,et al.Seed maize identification based on time-series EVI decision tree classificationand high resolution remote sensing texture analysis[J]. Transactions of the Chinese Society for Agricultural Machinery,2015,46(10):321-327.(in Chinese)

[22] 王娜,李強子,杜鑫,等.單變量特征選擇的蘇北地區主要農作物遙感識別[J].遙感學報,2017,21(4):519-530.

Wang N,Li Q Z,Du X,et al.Identification of main crops based on the univariate feature selection in Subei[J].Journal of Remote Sensing,2017,21(4):519-530.(in Chinese)

[23] 賈坤,李強子.農作物遙感分類特征變量選擇研究現狀與展望[J].資源科學, 2013,35(12):2507-2516.

Jia K,Li Q Z.Review of features selection in crop classification using remote sensing data[J].Resources Science,2013, 35(12):2507-2516.(in Chinese)

[24] Wang L H,Ma H,Li J L,et al.An automated extraction of small- and middle-sized rice fields under complex terrain based on SAR time series:a case study of Chongqing[J]. Computers and Electronics in Agriculture,2022, 200,107232.

[25] Johnson B A.High-resolution urban land-cover classification using a competitive multi-scaleobject-based approach[J]. Remote Sensing Letters,2013,4(2):131-140.

[26] Heumann B W.An nobject-based classification of mangroves using a hybrid decision tree Support vector machine approach[J].Remote Sensing,2011,3(11):2440-2460.

[27] 陳杰,鄧敏,肖鵬峰,等.結合支持向量機與粒度計算的高分辨率遙感影像面向對象分類[J].測繪學報,2011, 40(2):135-141.

Chen J,Deng M,Xiao P F,et al.Object -oriented classification of high resolution imagery combining support vector machine with granular computing[J].Acta Geodaetica et Cartographica Sinica,2011,40(2):135-141.(in Chinese)

[28] Ma H,Wang L H,Sun W W,et al.A new rice identification algorithm under complex terrain combining multi- characteristic parameters and homogeneous objects based on time series dual-polarization synthetic aperture radar[J]. Frontiers in Ecology and Evolution,2023,11. https://doi. org/10.3389/fevo.2023.1093454.

[29] 王崠,吳見.農作物種類高光譜遙感識別研究[J].地理與地理信息科學,2015,31(2):29-33.

Wang D,Wu J.Study on crop variety identification by hyperspectral remote sensing[J].Geography and Geo- information Science,2015,31(2):29-33.(in Chinese)

[30] 史飛飛,高小紅,楊靈玉,等.基于HJ-1A高光譜遙感數據的湟水流域典型農作物分類研究[J].遙感技術與應用,2017,32(2):206-217.

Shi F F,Gao X H,Yang L Y,et al.Research on typical crop classification based on HJ-1A hyperspectral data in the Huangshui river basin[J].Remote Sensing Technology and Application,2017,32 (2):206 -217.(in Chinese)

[31] 余銘,魏立飛,尹峰.基于條件隨機場的高光譜遙感影像農作物精細分類[J].中國農業信息,2018,30(3):74-82.

Yu M,Wei L F,Yin F,et al.Hyperspectral remote sensing image crop fine classification based on conditional random field[J].China Agricultural Informatics,2018,30(3):74-82. (in Chinese)

[32] 陳燕麗,莫偉華,莫建飛,等.基于面向對象分類的南方水稻種植面積提取方法[J].遙感技術與應用,2011,26(2): 163-168.

Chen Y L,Mo W H,Mo J F,et al.Object-oriented classification for the extraction of rice planting area in south[J].Remote sensing Technology and Application,2011, 26(2):163-168.(in Chinese)

[33] 王久玲,黃進良,王立輝,等.面向對象的多時相 HJ 星影像甘蔗識別方法[J].農業工程學報,2014,30(11):145-151.

Wang J L,Huang J L,Wang L H,et al.Identification of sugarcane based on object-oriented analysis using time- series HJ CCD data[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(11):145-151.(in Chinese)

[34] Smith A.Image segmentation scale parameter optimization and land cover classification using the random forest Algorithm[J].Journal of Spatial Science,2010,55(1):69-79.

[35] Gibril M B A,Shafri H Z M,Hamedianfar A.New semi-automated mapping of asbestos cement roofs using rule-based object-based image analysis and Taguchi optimization technique from WorldView-2 images[J]. International Journal of Remote Sensing,2017,38(2):467- 491.

[36] 李穎,劉榮花,鄭東東.基于多源數據和決策樹估算夏玉米種植面積[J].中國農業氣象,2014,35(3):344-348.

Li Y,Liu R H,Zheng D D.Summer maize planting area estimation based on multi-source data and decision tree[J].Chinese Journal of Agrometeorology,2014,35(3): 344-348.(in Chinese)

[37] 蔡大鑫,劉少軍,陳匯林,等.基于植被長勢的香蕉區域估產信息擴散模型[J].中國農業氣象,2020,41(9):587-596.

Cai D X,Liu S J,Chen H L,et al.Information diffusion model of banana yield estimation based on vegetation growth[J].Chinese Journal of Agrometeorology, 2020,41 (9):587-596.(in Chinese)

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

Remote Sensing for the Planting Area of Major Grain Crops in Complex Terrain Regions by Integrating Multiple Spectral Indices with Topographic Features

FAN Li1,2, WANG Yan3, ZHU Hao1,2,ZHANG Ji1,2

(1.Chongqing Institute of Meteorological Sciences, Chongqing 401147, China; 2. Chongqing Engineering Research Center of Agrometeorology and Satellite Remote Sensing, Chongqing 401147; 3.Chongqing Academy of Agricultural Sciences, Chongqing 401329)

Accurate monitoring of crop spatial distribution in topographically complex areas is of great significance for guiding agricultural management production and reasonable allocation of resources. However, scattered crop distribution and high spatial heterogeneity pose challenges for precise classification. The objective of this study was to explore a method for simultaneous precise identification of multiple crops with multi-temporal high-resolution satellite data under complex terrain conditions, thus further providing a theoretical and practical basis for crop identification in Chongqing city area and the complex low hills area in southwest China. The western Chongqing was selected as the study area. First, a multi-scale segmentation algorithm was adopted to construct homogeneous units from fields of the same feature type. This approach helped to achieve high accuracy classification by avoiding overly fragmented classification results based on pixel classification. Secondly, the multi-temporal Sentinel-2/MSI remote sensing images were used to explore the weathering patterns and characteristic parameters during the fertility period of major food crops. The spectral indices, such as NDVI, RVI and NDWI, were constructed to compare the differences in remote sensing spectral information of different crop types at various fertility periods based on ground sample points. Such information was then combined with the topographic features to determine the optimal combination for crop identification. Finally, an object-oriented decision tree logical classification rule set was established to extract major grain crop growing areas. The results showed that, (1) the multi-scale segmentation method was an effective approach that can make crop identification on a field basis. In addition, the vegetation edge segmentation was optimal at a segmentation scale of 30 and a compactness and shape factor of 0.5. (2) The target feature discrimination threshold was established by combining the spectral feature indices of NDWI in April, RVI in June, NDVI in August and NDVI in August with the topographic features such as altitude and slope. The overall accuracy of the classification reached 90.8%, being 85.7%, 83.3% and 80.7%, for paddy rice, maize, and sweet potato, respectively. This paper showed that the crop planting area identification method based on multiple spectral indices combined with topographic features can achieve high recognition accuracy and has practical significance.

Complex terrain；Sentinel-2；Crops；Object-oriented；Decision trees

10.3969/j.issn.1000-6362.2023.09.008

范莉,王妍,祝好,等.多種光譜指數聯合地形特征對復雜地形區主要糧食作物種植面積的遙感識別[J].中國農業氣象,2023,44(9):845-856

2022?12?05

重慶市自然科學基金面上項目（CSTB2022NSCQ-MSX0588）；重慶市氣象部門業務技術攻關項目（YWJSGG- 202315）；重慶市氣象部門智慧氣象技術創新團隊項目（ZHCXTD-202022）；重慶市技術創新與應用示范專項社會民生類重點項目（cstc2019jscx-gksbX0138）

王妍，副研究員，研究方向為農業資源分析、土資源信息管理和農業信息技術等，E-mail：271840221@qq.com

范莉，E-mail：fanli_0223@163.com