农业遥感应用篇之-“农作物类型识别及面积估算”

及时获取作物种植面积是研究粮食区域平衡，预测农业综合生产力和人口承载力的基础。遥感技术已经成为提取作物种植面积的重要手段，而前提是识别作物农作物种植面积监测是遥感估产的关键技术之一。

农作物种植面积的遥感提取是在收集分析不同农作物光谱特征的基础，通过遥感影像记录的地表信息，识别农作物的类，统计农作物的种植面积。农作物的识别主要是利用绿色植物独特的波谱反射特征，将植被(农作物)与其它地物区分开。而不同农作物类型的识别，主要依据两点：一是农作物在近红外波段的反射主要受叶子内部构造的控制，不同类型农作物的叶子内部构造有一定的差别；二是不同区域、不同类型作物间物候历的差异，可利用遥感影像信息的时相变化规律进行不同农作物类型的识别。因此遥感影像分析方法的发展推动农作物种植面积的遥感提取方法的研究。

目前，常用的农作物种植面积遥感提取方法大体分为三类，即基于光谱特征的农作物遥感识别方法、基于作物物候特征的农作物遥感识别方法和基于多源数据融合的农作物遥感识别方法。

1. 基于光谱特征的农作物遥感识别方法

基于光谱特征的农作物遥感识别方法主要包括目视解译、基于图像统计分类的监督分类和非监督分类法以及以句法结构分类法为主的各种集成分类方法（包括神经网络法、模糊数学法、决策树法和基于混合像元分解的方法等）。但由于受卫星影像分辨率限制，导致分类过程中“同物异谱”和“同谱异物”现象难以避免，所以单纯基于地物光谱特性进行复杂种植结构作物分类较难获得理想效果。

图1 6种监督分类方法分类结果图

（来源：孙坤, 鲁铁定. 监督分类方法在遥感影像分类处理中的比较[J]. 江西科学, 2017, 35(3):367-371.）

2. 基于作物物候特征的农作物遥感识别方法

对基于物候特征的作物遥感识别方法而言，由于作物具有季相节律性和物候变化规律性的特点，利用时间序列遥感数据的时相变化规律可以实现不同农作物类型的识别。该方法通过分析时序数据中作物关键物候期特征进行作物类型识别，可避免利用单一时相影像数据进行作物空间分布提取时因“异物同谱”等原因导致的错分、漏分等现象。

关键物候期可以使作物与其他植被具有较大的可区分性，可作为作物类型识别的重要依据，从而使作物类型识别更有效。该方法通过分析时间序列数据中作物生长的关键物候期的特征值提取作物；利用当地的作物物候历信息，选择适当时相的遥感影像，使作物类型识别更有针对性，避免了遥感数据选取的盲目性。

图2 冀州市不同农作物NDVI变化规律

图3 冀州市冬小麦空间分布图

（来源：郝震, 赵红莉, 蒋云钟. 基于改进的NDVI密度分割方法的冬小麦面积信息提取[J]. 南水北调与水利科技, 2017, 15(3):67-72.）

3. 基于多源数据融合的农作物遥感识别方法

基于多信息源数据的农作物遥感识别方法可以充分利用多种数据信息的特色，实现优势互补，弥补单一遥感数据和分类方法的缺陷，大大提高作物遥感识别精度。多信息源数据结合既包括多源遥感影像的结合，也包括遥感影像与非遥感数据源的结合。

多源遥感影像的结合可以得到更多的信息，减少理解的模糊性。引入非遥感影像数据源，如在分类过程中引入地形（如高程、坡度和坡向信息等）、土壤、作物轮作和分布环境信息，可大大提高农作物种植面积的提取精度。

图4 基于交叉信息熵模拟东北地区水稻种植面积空间分布

（来源：唐鹏钦, 杨鹏, 陈仲新,等. 利用交叉信息熵模拟东北地区水稻种植面积空间分布[J]. 农业工程学报, 2013, 29(17):96-104.）

农作物种植面积的提取是遥感估产的基础工作之一。遥感数据源和分类方法的选取将直接影响到种植面积提取和遥感估产的精度。多源数据和多种分类方法的综合应用 ,将会提高农作物种植面积提取的精度。进行大面积农作物的种植面积，不仅需要大量的遥感数据，还需要发展相应的面积抽样技术，以及进行系统运行化的研究，才能保证农作物种植面积提取的精度。