• 2025年4月14日 星期一
  • 首页 | 主办单位 | 期刊简介 | 编委会 | 作者指南 | 刊物订阅 | 下载中心 | 联系我们 | English | 期刊界
网刊加载中。。。

使用Chrome浏览器效果最佳，继续浏览，你可能不会看到最佳的展示效果，

确定继续浏览么?

复制成功，请在其他浏览器进行阅读

中国南方山区油菜识别的遥感影像选择策略研究

——以云南罗平县为例

  • 汤艺成 1
  • 郑文武 1,2,3 ✉
  • 张锦水 4,5
1. 衡阳师范学院地理与旅游学院,湖南衡阳 421002； 2. 衡阳师范学院传统村镇文化数字化保护与创意利用技术国家地方联合工程实验室,湖南衡阳 421002； 3. 衡阳师范学院湖南省人居环境学研究基地,湖南衡阳 421002； 4. 北京师范大学地理科学学部,北京 100875； 5. 北京师范大学遥感科学国家重点实验室,北京 100875

中图分类号： S127

最近更新：2024-09-18

DOI：10.7621/cjarrp.1005-9121.20240715

  • 全文
  • 图表
  • 参考文献
  • 作者
  • 出版信息
EN 引
目录contents

摘要

目的

油菜的精确识别对我国油菜估产和食用油供应至关重要。在多云多雨、地块破碎的南方山区，遥感影像数据源的选择直接影响油菜种植信息提取的精确度。为了进行业务化油菜精确测量，需要明确当前各类遥感数据在油菜识别中的适用性，探究各类遥感特征在油菜识别过程的精度贡献，以总结不同场景下南方山区油菜提取的影像选择策略。

方法

文章利用GF-2 PMS、GF-6 PMS、Sentinel-2光学影像数据和Sentinel-1雷达数据，结合支持向量机分类算法对云南省罗平县研究区内的山区油菜进行识别提取和精度分析。在油菜的关键时间窗口（油菜开花期）和非关键时间窗口分别设计方案从空间分辨率特征、时间特征和时序雷达特征探究油菜的识别精度贡献，分析影响精度的原因。

结果

（1）油菜破碎区对空间分辨率的降低更加敏感，在分辨率优于16 m的情况下才能有效识别油菜。（2）从时间特征来看，单时相关键时间窗口光学影像（制图精度99.69%，用户精度96.24%）>时间序列光学影像（制图精度98.59%，用户精度93.61%）>单时相非关键时间窗口光学影像（制图精度91.90%，用户精度87.99%）。（3）在雷达特征上，时间序列VV+VH极化特征雷达影像优于任一单极化、单时相雷达特征影像，能够在云雨天气替代光学影像达到理想的分类效果（制图精度95.60%，用户精度92.04%）。

结论

研究结果能够针对复杂的影像数据获取情况提供合适的使用策略，可为南方山区业务化油菜测量和影像方案选择提供一定的参考。

0 引言

油菜是中国种植面积最大油料作物，约占全国油料作物产量的50%左右。准确、快速识别油菜种植区域、监测种植面积是我国油菜生产稳定发展的必要前提，也是确保粮食植物油供应稳定的关键[

1,2]。遥感技术因其具有快速、覆盖范围广等优势已成为大范围农作物分布提取的重要技术手段，同时也为油菜种植提取提供重要技术支撑[3-6]。

随着遥感技术的发展，数据源与日俱增，基于不同遥感数据源的油菜识别研究也相继出现[

7]。空间分辨率是评价传感器性能和遥感信息的重要指标之一，以MODIS为代表的低空间分辨率遥感卫星有着大宽幅和高时间分辨率的特点，能够充分捕获农作物关键物候特征，在大尺度的油菜研究具有不可比拟的优势[8,9]。中空间分辨率遥感影像（Landsat、GF-6 WFV、GF-1 WFV、Sentinel-2等）以适宜的分辨率和光谱波段成为目前应用最为广泛的数据之一[10,11]。油菜的花期较长，该阶段的光学影像往往能够依据油菜花独特的光谱特征将之与其他地物区分，如GF-6 WFV传感器新增的黄、红边等波段特征，极大地丰富了遥感影像中的植被冠层光谱信息，能够准确识别开花期油菜[12]；Sentinel-2的红边波段对植被的敏感性也使其能够在山区油菜的识别中得到较高精度，并且相关研究还证明了Sentinel-2数据在种植结构复杂、地块破碎的小尺度区域比GF-1 WFV更具有优势[13-16]。一般而言，进行油菜种植面积分布提取往往依靠一期或者多期光学影像数据[17]，但在中国南方地区，湿度和地形因素导致了云雨天气较多，关键时相的光学遥感影像获取极为困难。而合成孔径雷达(Synthetic Aperture Radar, SAR)遥感数据具有全天候全天时、不受气象日照影响的特点和一定的穿透能力，因此被广泛应用于农作物的识别[18-20]。当前已有学者综合Sentinel-2光学影像和多时相Sentinel-1雷达影像应用于南方山区油菜的识别，结果证明了多时相多极化特征雷达数据可以较好的替代光学影像用于地块破碎山区油菜种植信息的提取[21]。

总体来看，油菜遥感识别主要探讨了采用光学和雷达遥感特征的识别能力[

22,23]，由于中国南方云雨天气、地块破碎的特征，在进行油菜测量时遥感影像的选择策略没有准确的结论，在这种地区利用遥感数据进行业务化油菜测量需要回答3个问题：（1）什么样的分辨率影像在地块破碎地区能够准确识别油菜？（2）在缺少光学影像情况下，雷达数据在油菜识别中的能力？（3）关键时间窗口和非关键时间窗口的遥感影像对油菜识别的能力？针对以上问题，文章选择云南省曲靖市罗平县，利用GF-2 PMS、GF-6 PMS、Sentinel-2以及Sentinel-1卫星遥感数据在油菜的关键时间窗口 (油菜开花期)和非关键时间窗口的识别精度，从空间分辨率、时序雷达特征和时间特征三个方面对比分析不同窗口期油菜识别精度的定量贡献，提出南方山区油菜识别遥感影像选择策略。

1 研究区与数据

1.1　研究区概况

表1  研究区油菜作物物候期
月份910111212345
旬 下 上 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上
物候期 播种期 生长期 花薹期 开花期 成熟收获期

罗平县位于云南省曲靖市，地理坐标在东经103°57′～104°43′、北纬24°31′～25°25′，县境东西宽75 km，南北长99 km，全县面积3 018 km2其中山区面积约占78%。罗平县为云南省油菜主产区，主要耕地分布在罗平坝子，山间小盆地以及低坡度山区，研究区内地块破碎（位于6度以上坡度的耕地5.94万hm2（89.1万亩），占全部耕地的70.23%）、气候多云多雨（年平均降雨量1 743.9 mm），具有南方山区的典型特征。主要作物包括玉米、水稻、小麦、油菜等。罗平县油菜一般种植于冬季，最早九月下旬开始播种，四月底至五月油菜逐渐被收获，花期长达40 d。研究区位于罗平县的东南部，该地区平均高程为1 481.3 m，最高1 765 m，最低1 236 m，高程差为529 m，东北片为海拔最高的丘陵山区，是破碎农田的典型区。整体来看，研究区内地形丰富，存在一定规模的平坦农田和破碎农田（图1），分界线西北片为规模区其他为破碎区。研究区内包括1.53万hm2（23万亩）左右农田，平坦规模农田约0.67万hm2（10万亩），破碎地块农田约0.87万hm2（13万亩），其中农田面积小于3.3 hm2（50亩）的地块约230个，占总破碎地块数量的30%左右，最小的地块农田面积仅667 m2（1亩）左右。在种植结构上，该研究区为罗平县油菜的主产区，主要作物为油菜，同期作物仅种植了少量冬小麦，对实验的干扰较小。此外该研究区还采集了充足的室外样本，并且在云雨气候的条件下，依然具有完备的GF-2 PMS、GF-6 PMS、Sentinel-1和Sentinel-2等遥感数据，能够满足本实验中高分、中分及雷达数据需求。该研究区在地块破碎特点和种植结构上具有南方山区的典型性和代表性。

图1  研究区地理位置

表2  研究区冬小麦作物物候期
月份10111212345
旬 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上
物候期 播种期 生长期 拔节期 抽穗期 成熟收获期

1.2　遥感影像数据及预处理

研究区内油菜生长期间各类遥感数据的获取情况复杂，尤其是光学遥感影像受云雨天气的干扰较大。空间分辨率较高的高分影像仅能够获取单时相的局部无云区域，降低空间分辨率后的中分影像基本能够覆盖整个罗平县范围，油菜生长期内能够获取多时相的影像数据但是存在少量云雾的干扰。而雷达影像数据则不受云雨天气的干扰，不仅能够完整覆盖研究区范围还能够获取以12 d为周期的时间序列影像。该研究主要利用GF-2 PMS、GF-6 PMS以及Sentinel-2多光谱数据作为光学遥感影像数据源（表3），其中Sentinel-2数据为2A级产品，该产品经过了辐射定标、正射几何纠正、影像配准、反射率计算以及大气校正等预处理流程，成像时间分别为2021年9月28日、2022年3月2日和2022年4月26日，涵盖了油菜的播种期、开花期和收获期阶段，在研究中主要使用蓝、绿、红、红边、近红外8个波段，具体波段信息如表4。雷达遥感数据则主要采用Sentinel-1的干涉宽幅模式(interferometric wide swath, IW)双极化地距影像产品，极化方式为同极化(VV)和交叉极化(VH)，分辨率为10 m；成像时间分别为2021年12月24日以及2022年1月5日、1月17日、1月29日、2月10日、3月6日、3月18日、3月30日、4月11日、4月23日、5月17日等11个时间节点，基本涵盖了研究区油菜生长发育的主要过程。

表3  数据源信息
影像分辨率（m）成像时间（年-月-日）物候期
GF-2 PMS 0.8 2022-03-16 开花期
GF-6 PMS 2 2022-04-28 收获期
Sentinel-1 10 2021-12-24至2022-05-17 整个生长期
Sentine-2 10 2021-09-28、2022-03-02、2022-04-26 播种期、开花期、收获期
表4  Sentinel-2影像主要多光谱波段信息
编号B2B3B4B5B6B7B8B8AB11B12
波段 蓝色 绿色 红色 近红外 近红外 近红外 短波红外1 短波红外2
中心波长（μm） 0.490 0.560 0.665 0.705 0.740 0.783 0.842 0.865 1.610 2.190
空间分辨率（m） 10 10 10 20 20 20 10 20 20 20

利用SNAP(Sentinel Application Platform)对Sentinel-1数据进行预处理，主要的预处理过程包括精密轨道矫正、热噪声去除、辐射定标、相干斑滤波、地形矫正以及分贝化等，得到以dB为单位的地物后向散射系数定标结果。并利用ENVI5.6对光学影像做预处理，GF-2 PMS和GF-6 PMS均进行辐射定标、大气校正、正射校正、图像融合、几何校正，其中图像融合是将多光谱影像与全色影像融合，使得到光谱信息的同时提高影像的分辨率，最终分别得到空间分辨率为0.8 m和2 m的多光谱影像。

1.3　其他数据

为了准确反映南方山区的地理特征和耕地情况，该研究所使用的数据还包括空间分辨率为30 m的罗平县DEM数据、相关基础地理数据、罗平县第三次全国国土调查主要数据公报以及2021年云南农业年鉴数据等，以获取罗平县主要耕地分布情况和相关作物物候信息。

2 研究方法

2.1　样本选择

该研究采取野外GPS调查和目视解译相结合的方法获取样本。根据2021年11月23日实地野外调查及2022年3月16日GF-2 PMS影像发现，研究区内主要种植作物为油菜，同期冬小麦作物种植面积较少，其他地物则主要包括建筑物、道路、林地以及少量其他作物、农业建设用地和未播种裸地。因考虑同期作物冬小麦对油菜提取的影响，首先将分类体系确定为油菜、冬小麦、居民地、林地、其他用地进行分类，分类结果发现研究区内冬小麦作物种植面积较小，仅40 hm2（600亩）左右，对油菜提取影响较小。因此后续实验将其归入其他用地中。最终将这分类体系确定为油菜、林地、其他用地、居民地4种地物类型。以2022年3月16日GF-2 PMS研究区影像和Google Earth影像为辅助数据，通过野外调查所获得的地物真实样点，以目视解译判读的方法扩展样本集。综合野外调查数据和高空间分辨率影像，最终获得油菜、林地、其他用地、居民地样本数目分别为260、140、100和260，共760个，在样本足够多的情况下采用分层随机抽样的方法对样本集进行划分，其中每类50%用于训练样本，另外的50%用于精度验证。最后生成混淆矩阵，通过生产者精度（Producer's Accuracy，PA)、用户精度（User's Accuracy，UA)以及PA与UA的调和平均数F1 Score来量化精度。

2.2　分类方法

分类方法是农作物识别提取研究的重要内容，有效地选择合适的分类方法是提高作物识别精度的关键。在当前农作物分类的相关研究中，主要使用包括最大似然法、决策树法、随机森林以及支持向量机分类法等，不同的分类方法往往适用于不同的场景，在分类精度上也存在一些差异。该研究为探讨不同场景下的南方山区油菜识别遥感影像选择策略，故选一种分类方法对油菜特征进行分析便足以达到研究目的。支持向量机分类算法能够较好地处理一些小样本、非线性等实际问题，在各种监督、非监督的分类方法中是基于多源遥感数据农作物识别最可靠的方法之一[

24-29]，已有研究通过支持向量机分类算法在农作物识别分类的相关研究中取得了较好的成果[30-32]，因此该文选用支持向量机方法。

2.3　实验设计

基于GF-2 PMS、GF-6 PMS、Sentinel-2光学影像数据以及Sentinel-1雷达影像数据，从空间分辨率、时间特征和时序雷达特征3个部分构建特征变量集。（1）在空间分辨率特征下，对GF-2 PMS和GF-6 PMS遥感影像进行栅格重采样，分别获取2 m、10 m、16 m和30 m分辨率的遥感影像；同时，分别选取小范围的规模区和破碎区，在排除光谱特征的影响下，探究两个时间窗口以及两种种植区的油菜对空间分辨率特征的敏感性。（2）多极化时序雷达特征是基于Sentinel-1雷达影像数据，提取单时相多极化方式的雷达特征与时间序列的单极化、多极化雷达特征，以对比单极化与多极化方式、单期影像与时间序列影像对油菜识别精度的定量贡献。（3）通过建立光谱特征组合（表5），提取关键时间窗口和非关键时间窗口单时相油菜提取最佳光谱特征，在此基础上分别对比不同窗口单时相时相和时间序列影像在时间差异特征上的精度区别，探究油菜提取遥感影像的最佳时间段。（4）选取同时种植油菜和冬小麦的子区域，探究存在同期作物的情况下，空间分辨率、影像时间以及光谱特征对油菜识别影响，以J-M距离对两者的可分离度进行定量评价。

表5  光谱特征组合方案
方案特征组合实验目的
1 B2、B3、B4 探究单时相最佳光谱组合，分析光谱特征对油菜识别的作用
2 B2、B3、B4、B8
3 B2、B3、B4、红边
4 B2、B3、B4、NDVI
5 B2、B3、B4、NDVI-RE
6 B2、B3、B4、B8、NDVI
7 B2、B3、B4、B8、NDVI、红边、NDVI-RE

表5中方案1~7是为了探究油菜提取的单时相最佳光谱组合，主要包括Sentinel-2遥感数据的红、绿、蓝波段组合光谱特征、红边波段光谱特征[

33]、近红外波段光谱特征、归一化植被指数(NDVI)、改进的归一化植被指数(NDVI-RE)，其中归一化植被指数(NDVI)以及改进的归一化植被指数(NDVI-RE)是通过B4（红波段）、B7（红边波段）、B8（近红外波段）提取。表6中方案1~5分别包括关键时间窗口单时相最佳光谱组合、非关键时间窗口单时相最佳光谱组合、时间序列NDVI、最佳单时相雷达特征以及时间序列雷达特征共同探究时间特征对油菜提取的分类精度影响。

表6  时间特征方案对比
方案特征组合实验目的
1 关键时间窗口单时相最佳光谱组合 探究时间特征精度差异，分析时间尺度的遥感特征对识别的作用
2 非关键时间窗口单时相最佳光谱组合
3 时间序列NDVI
4 最佳单时相雷达特征
5 时间序列雷达特征

3 结果与分析

3.1　空间分辨率对分类精度的影响

在油菜生长阶段的关键时间窗口和非关键时间窗口，不同空间分辨率的遥感影像提取精度如表7所示。整体来看，空间分辨率越高油菜的提取精度越大，最高精度为关键时间窗口空间分辨率为0.8 m的GF2 PMS影像，油菜的制图精度99.99%，用户精度99.73%。通过重采样分别降低影像分辨率至2 m、10 m、16 m和30 m，过程产生的混合像元导致分类精度均存在一定程度的降低，其中空间分辨率从16 m降至30 m时油菜识别精度降低幅度最大，制图精度下降了6.21%，用户精度下降了8.85 %，F1 Score降低0.076。非关键时间窗口与关键时间窗口规律一致，油菜识别精度随着空间分辨率的降低而降低，相比于关键时间窗口由降低分辨率而导致的用户精度损失量在2 m降至10 m和10 m降至16 m分别增加了1.31%和2.97%。研究区中包括油菜种植规模区和破碎区（图2），对应的油菜提取结果如表8和图3所示。从油菜生长区域来看，两种种植区在空间分辨率高于16 m时均具有较好的分类精度，但当空间分辨率降至30 m时，规模区F1 Score降低0.091，破碎区F1 Score降低0.295，两种区域的油菜识别精度均出现了较大程度的降低，其中破碎区更为明显。由于破碎区农田地块面积较小、分布较为分散，导致在低空间分辨率遥感影像中混合像元相较于规模区更多，对空间分辨率特征的敏感性也就更强。无论在关键时间窗口还是非关键时间窗口，降低空间分辨率都会导致油菜提取精度降低；并且，破碎区油菜受空间分辨率的影响更大。表9为关键时间窗口下空间分辨率对油菜分离度的影响，从结果来看，在空间分辨率优于10 m时，油菜和冬小麦有着较好的分离度，J-M距离为1.847，对比表7、8的实验结果，空间分辨率的降低会对存在同期作物的油菜区域造成更大影响，需要达到一定的分辨率才能够准确识别油菜。

表7  空间分辨率精度信息
影像时间（年-月-日）

分辨率

（m）

制图精度/%用户精度/%F1 Score
GF-2 PMS 2022-03-16 0.8 99.99 99.73 0.999
2 99.98 99.64 0.998
10 99.70 98.74 0.992
16 97.95 97.62 0.978
30 91.74 88.77 0.902
GF-6 PMS 2022-04-28 2 96.16 91.98 0.940
10 96.13 89.77 0.928
16 93.86 85.68 0.896
30 89.06 76.44 0.823

图2  不同空间分辨率影像局部对比

表8  规模区和破碎区精度信息
区域分辨率（m）制图精度（%）用户精度（%）F1 Score
规模区 2 99.99 94.31 0.971
10 98.12 91.30 0.946
16 94.83 89.23 0.919
30 84.71 80.95 0.828
破碎区 2 99.18 98.64 0.989
10 97.87 97.87 0.979
16 95.74 93.33 0.945
30 56.52 76.47 0.650

图3  不同空间分辨率局部区域油菜提取结果

表9  空间分辨率分离度对比
影像

时间

（年-月-日）

分辨率（m）J-M距离
冬小麦林地其他用地居民地
GF-2 WFV 2022-03-16 0.8 1.949 1.966 1.999 1.999
2 1.948 1.964 1.999 1.999
10 1.847 1.937 1.999 1.999
16 1.565 1.894 1.998 1.993
30 1.174 1.793 1.953 1.948

3.2　多极化时序雷达特征对分类精度影响

由于南方山区云雾的干扰，只选用油菜生长区域的光学影像达到油菜精确提取的目的相对困难，而结合雷达数据就能够很好地解决这问题。4种地物类型在VV和VH极化方式下的后向散射系数曲线如图4所示，油菜相较与其他地物类型，随时间变化特征明显。在VV和VH的极化方式下，后向散射系数均从油菜的开花期开始上升，在绿熟期达到峰值，因为后向散射强度与地物含水量有关，含水量越大，后向散射越强。油菜包含了叶片、花、茎秆以及角果等复杂结构，从花薹期至开花期油菜进入生长旺盛阶段，随着茎秆、叶片等器官水分积累增加，冠层散射作用更加明显；绿荚期油菜呈现以茎秆和角果为主的垂直冠层结构，伴随着叶片退化水分转移至角果，VV极化及VH极化均出现峰值，角果成熟过程中，冠层脱水较为明显，含水量快速下降，两种极化特征均开始下降。

图4  VV和VH极化方式后向散射系数时间序列曲线

从Aschbacher 等研究来看，在地块破碎、种植结构复杂的区域，单时相、单极化方式在很大程度上降低了农作物雷达识别精度[

34]。因此，该研究通过油菜生长期内的时间序列雷达影像，对比了单时相、单极化方式和时间序列、多极化方式之间的精度差异（表10、11）。在一般情况下，当制图精度和用户精度都大于85%分类是可靠的[35]，由表10可见，任一时期的单时相雷达影像均不满足山区油菜提取的精度要求，但在表11中时间序列的多极化雷达影像能够达到较好的精度，可以替代光学影像用于南方山区油菜种植面积提取。因为相对于单时相而言，结合多个时相雷达数据参与分类，不但能够有效运用时相特征，还能够将每一期的雷达影像阴影区域相互补充，减少阴影区域面积以提高地物的分类精度。

表10  单时相雷达特征精度信息
影像特征

时间

（年-月-日）

制图精度（%）用户精度（%）F1 Score
Sentinel-1 VV+VH 2021-12-24 77.85 46.83 0.585
2022-01-05 84.27 52.20 0.645
2022-01-17 79.76 51.25 0.624
2022-01-29 85.60 48.84 0.622
2022-02-10 88.55 52.04 0.656
2022-03-06 85.14 56.29 0.678
2022-03-18 84.15 54.31 0.660
2022-03-30 88.49 58.22 0.702
2022-04-11 90.51 57.79 0.705
2022-04-23 83.00 51.43 0.635
2022-05-17 78.54 49.26 0.605
表11  时间序列雷达特征精度信息
影像时间（年-月-日）特征制图精度（%）用户精度（%）F1 Score
Sentinel-1 2021-12-24至2022-05-17 VV+VH 95.60 92.04 0.938
VV 85.89 71.95 0.783
VH 95.32 88.35 0.917

从表11来看，基于时间序列特征的VV+VH多极化雷达影像精度最高，油菜的制图精度和用户精度均大于90%。VV+VH的特征组合比VV单极化特征在制图精度提高10.31%，用户精度提高20.09%，F1 Score提高0.155，比VH单极化特征在制图精度提高0.28%，用户精度提高3.69%，F1 Score提高0.021。因为在VV和VH的极化方式下油菜有着不同的散射机制，VV+VH的组合结合了VV和VH极化的地物散射信息，比起单极化方式提供了更加丰富的油菜雷达波散射信息，大大提高了油菜的识别精度[

36]。除此之外，VH极化方式相较于VV也具有较好的提取效果。交叉极化（HV和VH）的回波强度要比同极化（VV和HH）低很多，目标地物的回波越强后向散射值就越大，但雷达发射的极化波往往会在地物表面发生反射、散射或折射，渗透力较强的同极化VV的极化波会穿透油菜冠层，回波中附带了土壤、茎秆的散射信息，而渗透力较弱的交叉极化VH对体散射较敏感，回波中包含大量油菜冠层散射和反射信息，这也解释了图4中VH极化油菜后向散射系数与其他地物差距更明显，分类精度更高[37,38]。

从油菜提取结果来看，VV+VH的极化方式最佳VH次之，相比之下VV极化雷达数据在进行地块破碎地区油菜种植提取具有一定的局限性。利用雷达影像数据进行油菜的识别时，单极化、单时相雷达数据在油菜提取精度上不及时间序列多极化雷达数据；并且从表10也可以发现油菜的用户精度要远低于制图精度，这是由于研究区油菜种植区域较大且样本丰富，而单时相雷达影像的油菜后向散射特征并不明显，分类过程中极易产生错分情况导致用户精度偏低。

3.3　时间特征对分类精度的影响

图5  多极化时序雷达特征油菜提取结果

油菜生长花期较长且光谱特征明显，所以在进行油菜的识别提取研究中，多数学者选择该时期遥感影像；但对于南方山区而言，云雨天气往往造成油菜开花期光学影像获取困难，并且当前基于多源遥感影像的时间特征对分类精度的影响尚不明确，想要获取适合南方山区的油菜提取影像选择策略，需对比油菜关键时间窗口、非关键时间窗口以及时间序列影像识别精度的差异。首先在油菜的关键时间窗口和非关键时间窗口，分别计算了单时相7个特征组合方案的分类精度（表12、13），以探究两个时期单时相最佳光谱特征组合，实验结果表明：两个时期方案2均为最优方案，关键时间窗口制图精度为99.69%，用户精度为96.24%；非关键时间窗口制图精度为91.90%，用户精度为87.99%。

表12  关键时间窗口光谱组合精度信息
方案特征集制图精度（%）用户精度（%）F1 Score
1 B2、B3、B4 99.37 93.28 0.962
2 B2、B3、B4、B8 99.69 96.24 0.979
3 B2、B3、B4、红边 99.50 95.83 0.976
4 B2、B3、B4、NDVI 99.43 95.53 0.974
5 B2、B3、B4、NDVI-RE 99.18 96.10 0.976
6 B2、B3、B4、B8、NDVI 99.59 94.41 0.969
7 B2、B3、B4、B8、NDVI、红边、NDVI-RE 99.34 94.40 0.968
表13  非关键时间窗口光谱组合精度信息
方案特征集制图精度（%）用户精度（%）F1 Score
1 B2、B3、B4 89.31 81.13 0.850
2 B2、B3、B4、B8 91.90 87.99 0.899
3 B2、B3、B4、红边 91.41 86.19 0.887
4 B2、B3、B4、NDVI 89.56 84.69 0.871
5 B2、B3、B4、NDVI-RE 89.37 83.29 0.862
6 B2、B3、B4、B8、NDVI 91.53 87.37 0.894
7 B2、B3、B4、B8、NDVI、红边、NDVI-RE 91.23 84.77 0.879

在获得单时相最佳光谱组合后，与时间序列NDVI、最佳单时相雷达特征和时间序列雷达特征进行对比以探究时间特征对油菜提取精度的影响（表14）。可以发现，非关键时间窗口的精度要低于关键时间窗口，表明油菜的开花期是其区别于其他地物的重要物候期，这也解释了当前众多学者几乎都选择开花期的油菜进行研究的原因。时间序列特征精度要优于非关键时间窗口但低于关键时间窗口，由于时间序列的影像中既包括了油菜花期也存在播种期和收获期等，非关键时间窗口期的油菜容易与其他地物混淆从而产生大量错分漏分的情况（图6）；时间序列复杂的遥感特征在油菜提取过程中不免受到非关键时间窗口影像特征的干扰，相较于单时相关键时间窗口影像精度会有所降低。

表14  时间特征精度对比
方案特征组合制图精度（%）用户精度（%）F1 Score
1 关键时间窗口单时相最佳光谱组合 99.69 96.24 0.979
2 非关键时间窗口单时相最佳光谱组合 91.90 87.99 0.899
3 时间序列NDVI 98.59 93.61 0.960
4 时间序列雷达特征 95.60 92.04 0.938

图6  时间特征油菜提取结果

通过选取关键时间窗口和非关键时间窗口时段，计算油菜与其他地物类型的分离度如表15所示，油菜在关键时间窗口下与冬小麦的分离度较高，J-M距离为1.948，主要由于油菜在开花期特有的光谱特征，是区别于其他作物和植物的关键因素[

12]，在非关键时间窗口内由于油菜成熟后逐渐被收获，在光谱特征上与裸地相似，因此油菜与其他用地的分离度有所降低。在光谱特征的对比下（表16），方案7油菜与冬小麦的分离度最高（J-M距离为1.826），由于在油菜的关键时间窗口，二者的光谱特征有着较大的差异[39]，从而保证有较好的分类精度。

表15  影像时间分离度对比
时间（年-月-日）J-M距离
冬小麦林地其他用地居民地
关键时间窗口（2022-03-16） 1.948 1.965 1.999 1.999
非关键时间窗口（2022-04-28） 1.889 1.977 1.446 1.858
表16  光谱特征分离度对比
方案特征集J-M距离
冬小麦林地其他用地居民地
1 B2、B3、B4 1.377 1.992 1.955 1.992
2 B2、B3、B4、B8 1.404 1.999 1.996 1.999
3 B2、B3、B4、红边 1.602 1.999 1.999 1.999
4 B2、B3、B4、NDVI 1.397 1.998 1.991 1.999
5 B2、B3、B4、NDVI-RE 1.399 1.998 1.994 1.999
6 B2、B3、B4、B8、NDVI 1.538 1.999 1.999 1.999
7 B2、B3、B4、B8、NDVI、红边、NDVI-RE 1.826 1.999 1.999 1.999

3.4　影像选择策略

罗平县主要种植作物包括油菜、玉米、水稻等，主要物候期及该研究数据获取时间信息如图7所示。其中玉米、马铃薯和水稻的物候期与油菜不一致，且在4月28日的GF-6 PMS以及4月26日的Sentinel-2影像内，这几种作物刚完成播种，光谱信息呈现为裸地，不会影响油菜的识别工作。而冬小麦则与油菜为同期作物，但是在油菜的关键时间窗口，冬小麦正处于拔节期与盛花期油菜有着较大的光谱特征差异；冬小麦的绿、红、近红外波段的地表反射率均要低于油菜，并且在假彩色影像上冬小麦呈现鲜红色而油菜表现为粉色[

39]。该研究所使用的GF-2 PMS单时相光学影像处于油菜的开花期内，该阶段油菜具有明显的分类特征，所以该研究中该类影像分类精度最高。反观收获期的GF-6 PMS影像，油菜多数已至黄熟阶段且逐渐被收获，该时期的油菜与其他作物存在相似性，虽然能够在一定程度上进行区分，但对油菜分类的贡献是有限的。包含播种期、开花期和收获期的Sentinel-2时间序列影像，具有多个阶段油菜生长信息，识别中往往涉及了多个时期的油菜特征，非关键时间窗口的相似性地物特征干扰和数据质量一致性等问题会导致识别精度不及单时相开花期影像。时间序列的Sentinel-1雷达影像包含了整个生长期至收获期阶段的油菜后向散射特征，但由于雷达与光学影像的成像原理和特征差异，导致识别效果低于开花期和时间序列的光学影像。

图7  作物物候及数据信息

该研究从空间分辨率、时间特征和雷达极化特征分析，针对我国南方云雨天气频发、地块破碎地区，制定出油菜识别的不同遥感影像和特征组合策略。油菜的开花期为油菜识别的最佳时间段，若存在满足区域和时间要求的单时相无云中、高分辨率光学影像则优先使用该影像进行油菜提取，结合红、绿、蓝、近红外光谱特征能够达到较高的分类精度。若无满足要求的油菜关键时间窗口影像，则利用单时相非关键时间窗口中、高分辨率光学影像，也能够提取一定范围的收获期油菜，但是分类精度远远不及关键时间窗口的结果。尽管单时相关键时间窗口影像方案在油菜的分类精度上较为出众，但是在多云多雨南方山区，油菜开花期的单时相高质量（无云雾干扰）光学影像往往只能获取较小的区域，若要进行大范围的油菜识别提取则需要借助其他遥感影像。基于多时相的中分光学影像时间序列NDVI特征，能够在云雾干扰较小的情况下进行大范围的油菜提取；而在光学影像均难以达到使用要求的情况下，充分利用多极化方式的时间序列雷达影像也能够基本实现大范围油菜提取工作，具体影像选择策略如表17。该影像选择策略适用于各种光学、雷达影像的获取情况，保证油菜种植面积的业务化测量。

表17  完备/不完备光学影像南方山区油菜提取影像选择策略
方案影像选择分辨率（m）特征选择适用场景不足之处实验精度（%）
1 单期关键时间窗口光学影像 优于16 红、绿、蓝、近红外光谱特征 开花期油菜高精度提取，存在较多同期作物时需优于10 m空间分辨率 获取无云大范围南方山区光学影像相对困难

制图精度99.69

用户精度96.24

2 时间序列光学影像 优于16 时间序列NDVI特征 云量干扰较小的情况下，大范围油菜提取 多时相大范围的南方山区高质量光学影像获取相对困难

制图精度98.59

用户精度93.61

3 时间序列雷达影像 10 多极化时间序列雷达特征 光学影像获取困难情况下，大范围油菜提取 油菜提取精度不及光学影像

制图精度95.60

用户精度92.04

4 单期非关键时间窗口光学影像 优于16 红、绿、蓝、近红外光谱特征 时间序列光学影像缺失情况下，非开花期油菜提取 提取精度不及方案2

制图精度91.90

用户精度87.99

4 结论与讨论

该研究基于GF-2 PMS、GF-6 PMS、Sentinel-2以及时间序列Sentinel-1卫星遥感数据，通过栅格重采样、特征组合等方式在油菜生长的关键时间窗口和非关键时间窗口，从空间分辨率、时间序列雷达特征以及时间特征三方面探究了南方山区油菜识别精度的定量贡献，并提出了适合南方山区油菜识别的影像选择策略，结论与讨论如下。

（1）在油菜提取研究中，首先需要考虑合适的空间分辨率遥感影像，分辨率优于16 m的光学影像能够在地块破碎地区有效识别油菜。满足空间分辨率的前提下，各时间窗口影像识别能力：单时相关键时间窗口影像（制图精度99.69%，用户精度96.24%，F1 Score 0.979）>时间序列中分光学影像（制图精度98.59%，用户精度93.61%，F1 Score 0.960）>单时相非关键时间窗口光学影像（制图精度91.90%，用户精度87.99%，F1 Score 0.899），而以上光学影像均可能由于南方山区的云雨天气而难以作为高质量数据源，单极化、单时相雷达特征又难以满足南方山区油菜提取的精度要求，利用时间序列VV+VH极化特征雷达影像能够替代光学影像达到理想的分类效果（制图精度95.60%，用户精度92.04%，F1 Score 0.938）。若油菜种植区域存在大量同期作物，那么油菜的关键时间窗口影像为识别的最佳时期，并且在空间分辨率优于10 m的多光谱特征下，能够与同期作物达到较好的分离度。

（2）南方山区油菜提取影像选择策略：优先使用开花期单时相无云中、高分辨率光学影像进行油菜提取。其次单独使用单时相非关键时间窗口中、高分辨率光学影像也能够提取一定范围的油菜，但分类精度相较于其他方案较低。基于多时相的中分光学影像时间序列NDVI特征和多极化方式的时间序列雷达影像能够实现大范围油菜提取。

（3）该研究尚存在一些不足之处：在设计空间分辨率实验过程中，排除了多幅遥感影像带来的光谱特征误差，但未能完全消除重采样本身因混合像元等问题产生的误差，这可能会对分类结果和分类精度产生一定影响。并且在南方地区，油菜生长期内往往存在冬小麦等其他同期作物，这些作物的光谱特征会干扰油菜的准确识别，在精度上会存在一些差异，但是并不影响影像策略的选择。此外，南方山区受云雨天气的影响，各类遥感数据可使用情况也是研究的一个“痛点”，较小范围的高分影像，较大范围的中分影像以及全覆盖的雷达影像。在进行大尺度油菜提取研究时，需要将三者融合使用，既要保证研究范围内数据的完整性又需要确保分类结果的精确性。下一步需要充分利用多源遥感数据优势，准确分析存在其他同期作物类型的油菜种植区域情况，对于种植结构复杂的大尺度南方山区油菜提取进行更深入的研究。

参考文献

1

刘成, 冯中朝, 肖唐华, 等. 我国油菜产业发展现状、潜力及对策. 中国油料作物学报, 2019, 41(4): 485-489. [百度学术] 

2

王汉中. 以新需求为导向的油菜产业发展战略. 中国油料作物学报, 2018, 40(5): 613-617. [百度学术] 

3

Wu Y, Wu P, Wu Y, et al. Remote Sensing crop recognition by coupling phenological features and off-center Bayesian deep learning. Remote Sensing, 2023, 15(3): 674. [百度学术] 

4

李诗涛, 张王菲, 赵丽仙, 等. 基于时序PolSAR影像与决策树模型的油菜物候期识别. 浙江农业学报, 2021, 33(11): 2116-2127. [百度学术] 

5

王利军, 郭燕, 贺佳, 等. 基于地块单元的冬小麦遥感估产方法研究. 中国农业资源与区划, 2021, 42(7): 243-253. [百度学术] 

6

贺鹏, 王婧姝, 曹晨斌, 等. 基于多源遥感数据融合的运城盆地夏玉米估产研究. 中国农业资源与区划, 2023, 44(3): 213-221. [百度学术] 

7

李丹丹, 刘佳, 周清波, 等. 尺度变化对油菜种植面积遥感监测精度的影响. 中国农业资源与区划, 2014, 35(6): 85-92. [百度学术] 

8

杨欢, 邓帆, 张佳华, 等. 基于MODIS EVI的江汉平原油菜和冬小麦种植信息提取研究. 国土资源遥感, 2020, 32(3): 208-215. [百度学术] 

9

王松林, 张佳华, 刘学锋. 基于MODIS多时相的江苏启东市油菜种植面积提取. 遥感技术与应用, 2015, 30(5): 946-951. [百度学术] 

10

李杰, 刘陈立, 汪红, 等. 基于多源遥感数据的罗平油菜种植面积提取方法研究. 西南林业大学学报(自然科学), 2018, 38(4): 133-138. [百度学术] 

11

Li D, Liu J, Zhou Q, et al. Study on information extraction of rape acreage based on TM remote sensing image. International Geoscience and Remote Sensing Symposium. IEEE, 2011: 3323-3326. [百度学术] 

12

姜楠, 张雪红, 汶建龙, 等. 基于高分六号宽幅影像的油菜种植分布区域提取方法. 地球信息科学学报, 2021, 23(12): 2275-2291. [百度学术] 

13

韩涛, 潘剑君, 罗川, 等. 多时相Sentinel-2A与SPOT-7影像在油菜识别中的差异. 南京农业大学学报, 2018, 41(4): 691-700. [百度学术] 

14

韩涛, 潘剑君, 张培育, 等. Sentinel-2A与Landsat-8影像在油菜识别中的差异性研究. 遥感技术与应用, 2018, 33(5): 890-899. [百度学术] 

15

姬忠林, 张月平, 李乔玄, 等. 基于GF-1影像的冬小麦和油菜种植信息提取. 遥感技术与应用, 2017, 32(4): 760-765. [百度学术] 

16

李杰, 张军, 李宇宸. Sentinel-2A与GF-1数据在油菜种植提取中的差异性分析及提取方法对比研究. 云南大学学报(自然科学版), 2019, 41(4): 678-688. [百度学术] 

17

王凯, 张佳华. 基于MODIS数据的湖北省油菜种植分布信息提取. 国土资源遥感, 2015, 27(3): 65-70. [百度学术] 

18

何彬彬, 廖展芒, 殷长明, 等. 多云雾山丘地区遥感定量化理论及应用进展. 电子科技大学学报, 2016, 45(4): 533-550. [百度学术] 

19

向海燕, 罗红霞, 刘光鹏, 等. 基于Sentinel-1A极化SAR数据与面向对象方法的山区地表覆被分类. 自然资源学报, 2017, 32(12): 2136-2148. [百度学术] 

20

Zhang R, Tang X, You S, et al. A novel feature-level fusion framework using optical and SAR remote sensing images for land use/land cover (LULC) classification in cloudy mountainous area. Applied Sciences, 2020, 10(8): 2928. [百度学术] 

21

王克晓, 周蕊, 欧毅, 等. 基于光学与雷达遥感的山地油菜分布提取研究. 西南大学学报(自然科学版), 2021, 43(6): 139-146. [百度学术] 

22

王东, 方圣辉, 王政. 基于光谱特征和颜色特征的油菜提取研究. 农业机械学报, 2018, 49(3): 158-165. [百度学术] 

23

李中元, 吴炳方, 张淼, 等. 利用物候差异与面向对象决策树提取油菜种植面积. 地球信息科学学报, 2019, 21(5): 720-730. [百度学术] 

24

何灵敏, 沈掌泉, 孔繁胜, 等. SVM在多源遥感图像分类中的应用研究. 中国图象图形学报, 2007, 130(4): 648-654. [百度学术] 

25

骆剑承, 周成虎, 梁怡, 等. 支撑向量机及其遥感影像空间特征提取和分类的应用研究. 遥感学报, 2002(1): 50-55. [百度学术] 

26

Li K, Brisco B, Yun S, et al. Polarimetric decomposition with RADARSAT-2 for rice mapping and monitoring. Canadian Journal of Remote Sensing, 2012, 38(2): 169-179. [百度学术] 

27

黄衍, 查伟雄. 随机森林与支持向量机分类性能比较. 软件, 2012, 33(6): 107-110. [百度学术] 

28

Thanh Noi P, Kappas M. Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery. Sensors, 2017, 18(1): 18. [百度学术] 

29

López-Serrano P M, López-Sánchez C A, Álvarez-González J G, et al. A comparison of machine learning techniques applied to Landsat-5 TM spectral data for biomass estimation. Canadian Journal of Remote Sensing, 2016, 42(6): 690-705. [百度学术] 

30

赵丽仙, 张王菲, 李云, 等. 基于高分三号卫星数据与Η/Α/分解特征参数的农作物分类研究. 浙江农业学报, 2022, 34(11): 2491-2503. [百度学术] 

31

梁继, 郑镇炜, 夏诗婷, 等. 高分六号红边特征的农作物识别与评估. 遥感学报, 2020, 24(10): 1168-1179. [百度学术] 

32

史飞飞, 高小红, 杨灵玉, 等. 基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究. 遥感技术与应用, 2017, 32(2): 206-217. [百度学术] 

33

张影, 王珍, 孙政, 等. Sentinel-2红边波段在水稻识别中作用研究——以浙江省德清县为例. 中国农业资源与区划, 2021, 42(12): 144-153. [百度学术] 

34

Aschbacher J, Pongsrihadulchai A, Karnchanasutham S, et al. Assessment of ERS-1 SAR data for rice crop mapping and monitoring. Quantitative Remote Sensing for Science and Applications. IEEE, 1995, 3: 2183-2185. [百度学术] 

35

Skakun S, Kussul N, Shelestov A Y, et al. Efficiency assessment of multitemporal C-band Radarsat-2 intensity and Landsat-8 surface reflectance satellite imagery for crop classification in Ukraine. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 9(8): 3712-3719. [百度学术] 

36

周涛, 潘剑君, 韩涛, 等. 基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取. 农业工程学报, 2017, 33(10): 215-221. [百度学术] 

37

向海燕, 罗红霞, 刘光鹏, 等. 基于Sentinel-1A极化SAR数据与面向对象方法的山区地表覆被分类. 自然资源学报, 2017, 32(12): 2136-2148. [百度学术] 

38

张王菲, 文哲, 张亚红, 等. Stokes参数在油菜长势监测中的可行性分析. 武汉大学学报(信息科学版), 2020, 45(2): 242-249. [百度学术] 

39

王林江, 吴炳方, 张淼, 等. 关键生育期冬小麦和油菜遥感分类方法. 地球信息科学学报, 2019, 21(7): 1121-1131. [百度学术] 

版权所有：  您是本站第    位访问者
主管单位：中华人民共和国农业农村部 主办单位：中国农业科学院农业资源与农业区划研究所
中国农业绿色发展研究会 地址：北京市海淀区中关村南大街12号
电话：010-82109628、82109647 电子邮件：quhuabjb@caas.cn
技术支持：北京勤云科技发展有限公司  京ICP备11039015号