《Remote Sensing》:Hierarchical Extraction and Multi-Feature Optimization of Complex Crop Planting Structures in the Hetao Irrigation District Based on Multi-Source Remote Sensing Data
Shan Yu,
Rong Li,
Wala Du,
Lide Su,
Buqi Na and
Liangliang Yu
编辑推荐:
准确提取作物种植结构对作物面积与产量估算具有重要意义,但河套灌区复杂且碎片化的种植模式及重叠的物候期阻碍了可靠的作物识别。本研究提出了一种将植被掩膜与多源特征优化相集成的工作流程。首先,利用双时相Sentinel-2影像(5月和8月),通过对归一化植被指数(N
准确提取作物种植结构对作物面积与产量估算具有重要意义,但河套灌区复杂且碎片化的种植模式及重叠的物候期阻碍了可靠的作物识别。本研究提出了一种将植被掩膜与多源特征优化相集成的工作流程。首先,利用双时相Sentinel-2影像(5月和8月),通过对归一化植被指数(NDVI)应用Otsu阈值分割,结合像素级最大值融合,生成植被感兴趣区(ROI)掩膜,以减少物候驱动型遗漏和背景干扰。其次,在植被掩膜内,将Sentinel-2光谱、植被指数和纹理特征与Sentinel-1合成孔径雷达(SAR)后向散射和SAR纹理特征相结合,构建多源特征集。采用随机森林(RF)特征重要性排序筛选有效特征子集,并在相同训练/验证设置下比较了四种分类器(RF、支持向量机(SVM)、极端梯度提升(XGBoost)和卷积神经网络(CNN))。植被提取的总体精度(OA)达到91%(Kappa = 0.80)。仅使用Sentinel-2特征时,经CNN优化的子集取得了最佳性能(总体精度 = 95%,Kappa = 0.93)。添加Sentinel-1 SAR纹理特征后提供了额外改进(总体精度 = 96%,Kappa = 0.94),尤其对碎片化地块中易混淆类别更为明显。最终制图得出的种植面积比例与统计年鉴数据一致(百分比误差:玉米3.45%、向日葵2.66%、小麦0.11%、番茄0.92%)。该工作流程为复杂灌区的作物结构监测提供了实践支持。
**一、研究背景与意义**
作物种植结构(Crop Planting Structure)指特定区域或农业系统中各类作物的组成及其比例。快速准确获取作物种植结构的时空变化信息,对于监测作物长势、优化种植布局、估算产量及粮食资源管理至关重要。传统作物信息统计方法主要依赖地面调查,但成本高昂、易受主观因素影响,难以满足现代农业快速监测的需求。遥感技术能够高效获取大尺度农田信息,并基于光谱特征分析作物生长状况,成为重要的技术手段。高分辨率影像可精确识别田块边界,时序数据可追踪物候发育规律,多源数据融合能有效克服单一信息源的识别局限。
河套灌区(Hetao Irrigation District, HID)位于中国西北,是国家重要的商品粮基地和现代农业示范区,其农业生产对区域乃至国家粮食安全具有重要意义。该区域独特的灌溉农业模式形成了高度集约且复杂的种植结构,多种主要经济作物往往具有相似的物候期,导致关键生育期光谱特征高度相似。这种复杂性对基于遥感数据的精细作物识别构成重大挑战,传统单特征或单分类器方法难以达到理想精度。因此,发展适应河套灌区特点的作物识别方法具有迫切的实践需求和应用价值。
现有研究大多聚焦不同区域、数据集或作物类型的通用应用,对复杂种植结构区域(如河套灌区)给分类方法提出的特殊要求缺乏深入探索。此外,如何有效融合和优化多源特征以最大化信息利用、减少冗余,也是提高复杂区域分类精度的关键环节。本研究针对上述背景,以河套灌区为典型复杂种植区,提出并验证了一种融合分层提取与多特征优化的作物种植结构提取方法,发表于《Remote Sensing》期刊。
**二、主要技术方法**
本研究以2022年河套灌区为研究区,构建了一套基于Google Earth Engine(GEE)云平台和Google Colab的完整工作流。在样本获取方面,研究人员于2022年6月至8月使用DJI M300 RTK无人机航测并结合地面调查,共采集1070个多边形样本,随机按7:3分为训练集和验证集,训练与验证按多边形级别而非像素级别划分。
数据源方面,Sentinel-2数据选取2022年5月26日至29日和8月8日至9月9日两个时段的影像,经去云、镶嵌等预处理;Sentinel-1 SAR数据选取与Sentinel-2匹配时相的影像,经过轨道校正、热噪声去除、辐射定标、地形校正、Refined Lee滤波等预处理,提取VV和VH后向散射系数及SAR纹理特征。
方法体系包括:(1)基于Otsu算法和双时相NDVI最大值融合的植被ROI自动生成策略;(2)RF特征重要性排序与XGBoost辅助验证的多特征优化;(3)RF、SVM、XGBoost和CNN四种分类器的对比实验;(4)空间独立验证(leave-one-irrigation-district-out策略)评估模型泛化能力。其中,CNN采用一维卷积神经网络结构,包含两个Conv1D层、全局平均池化、dropout层和两个全连接层。
**三、研究结果**
**植被提取与精度评估**:基于双时相Sentinel-2 NDVI数据,5月影像因小麦处于拔节期、番茄处于中
生育期而呈单峰分布,8月影像因玉米和向日葵进入旺盛生长期、小麦收获后裸地增加而呈双峰分布。
Otsu算法确定的最优阈值分别为0.22和0.33。通过像素级最大值融合,有效补偿了单一时相影像对早熟(小麦)和晚熟(玉米、向日葵)作物的遗漏,植被提取总体精度达91%,Kappa系数0.80,非植被类别生产者精度高达94%。
**光学特征分析与优化**:RF特征重要性排序显示,增强型植被指数NDVI2贡献最大,纹理特征B8_savg
(均值)排名靠前,蓝绿波段(B2、B3)和红边波段(B6)及短波红外波段(B11、B12)对叶绿素、水分
胁迫敏感。XGBoost排序与RF总体一致但最优特征数更多(31 vs. 23),表明最优特征子集部分依赖于分
类器。当特征数达23时,RF分类总体精度达峰值92%(Kappa = 0.89)。
**基于光学特征的作物分类精度比较**:四种分类器对比显示,CNN表现最优(总体精度95%,Kappa =
0.93),较XGBoost、RF和SVM分别高1%、3%和4%。各作物中,小麦最易识别(所有模型用户精度超97%);
番茄因分散种植、小块分布,CNN在平衡漏分和错分方面优势明显(生产者精度87%,用户精度89%);向日
葵因常种植于盐碱化土壤背景,集成学习和深度学习方法表现更优。五次重复运行验证表明CNN稳定性最佳
(总体精度 = 94.58% ± 0.43%,Kappa = 0.9231 ± 0.0059)。
**雷达-光学融合特征的作物分类**:引入Sentinel-1 SAR特征后,VH_savg(交叉极化均值纹理)在所有
特征中排名第二,显示了SAR纹理在捕获冠层结构信息方面的价值。最优特征子集扩展为25个(原23个光学特
征加VH_savg和VV_savg)。CNN在融合特征下达到总体精度96%、Kappa = 0.94,较光学特征单独使用提
升1个百分点,尤其在番茄和"其他"等易混淆、碎片化类别上改善明显。XGBoost表现紧随其后(总体精度
95%),与CNN差距较小。空间独立验证显示,leave-one-irrigation-district-out策略下平均总体精度为82.60%
(Kappa = 0.77),低于随机划分的96.14%,表明空间自相关性和区域异质性仍是挑战,但模型仍保持了可接
受的空间泛化能力。
**作物面积估算与空间分布**:最终制图显示玉米和向日葵为河套灌区主导作物,玉米主要分布在乌兰布和
灌域,向日葵集中于五原和义长灌域,小麦多见于解放闸和永济灌域,番茄呈散斑状分布于各子灌域。与
《巴彦淖尔统计年鉴2023》记载的2022年统计数据对比,玉米、向日葵、小麦、番茄的面积比例误差分别为
3.45%、2.66%、0.11%、0.92%,显示分类结果具有高度可靠性。
**四、讨论与结论**
讨论部分,研究人员系统分析了OTSU算法在植被分类中的作用:相比需要大量样本和计算资源的机器学习方法,OTSU结合NDVI指数的方法无需复杂训练数据,适合处理大尺度遥感影像。双时相最大值融合策略有效解决了单一时相因物候差异导致的植被低估或高估问题。特征选择方面,纹理特征在表征河套灌区农田空间异质性中具有不可替代的作用,SAR纹理(尤其VH_savg)对光学数据在分散番茄地块和异质非农业区分类中具有互补价值。分类器比较表明,CNN在复杂农业景观中的空间上下文建模优势使其适合高精度农业遥感应用,但CNN与XGBoost性能差距较小,应谨慎解读而非视为显著优势。云工作流(GEE+Colab)在计算效率和可扩展性方面展现出显著优势。
研究结论强调:(1)OTSU算法结合双时相Sentinel-2 NDVI最大值融合策略,有效解决了物候差异(早
熟小麦vs. 晚熟玉米/向日葵)导致的植被遗漏,实现了高精度植被提取(总体精度 = 91%,Kappa = 0.80);
(2)基于RF特征重要性分析筛选的最优光学特征组合下,CNN取得最优分类精度(总体精度 = 95%,Kappa
= 0.93);(3)加入Sentinel-1 SAR纹理特征后分类精度进一步提升(总体精度 = 96%,Kappa = 0.94),说明
SAR变量在研究条件下可提供互补结构信息,尤其对光学数据单独使用难以区分的类别具有改善作用;(4)分类
结果与统计年鉴数据对比显示,玉米、向日葵、小麦、番茄面积比例误差分别为3.45%、2.66%、0.11%和0.92%,
证明了该方法对复杂种植结构的高精度提取能力,成功实现了河套灌区复杂种植结构的有效识别。