基于超像素分割的田块尺度轮作模式多源遥感监测方法研究

Field scale monitoring of crop rotation patterns is crucial for yield assessment, Precision Agriculture and Sustainable Development of Agriculture. Due to the high degree of land fragmentation in China, especially in the southern regions, and cloudy weather, rich crop types, and complex cropping patterns, the current monitoring methods using low or medium spatial resolution remote sensing cannot meet the requirements, meanwhile the information extracting methods using high spatial resolution information is heavily dependent on human intervention, in addition, the methods to integrate heterogeneous multi-source data need to be improved. By integrates multi-source remote sensing including high, medium and low spatial resolution information as the basis, this study is to explore the algorithms for automatic extraction of farmland from high spatial resolution images based on the Super-Pixel Segmentation; explore the time weight variation and reconstruction method of medium/low spatial resolution remote sensing data for the crop classification; and try to combine multi-source remote sensing information with historical crop rotation cases, to establish the crop rotation monitoring method through the Case-Based Reasoning model. The project aims to further promote multi-source remote sensing applications, in particular the theory and method of information extraction of high spatial resolution remote sensing images based on Super-Pixel Segmentation, and further promote the development of Precision Agriculture.

田块尺度的作物轮作模式监测对于作物估产、精准农业与农业可持续发展具有重要意义。由于我国土地破碎程度高，特别是南方地区，且多云多雨、作物类型多、种植模式复杂，当前以中低空间分辨率遥感为主的监测方法难以满足需求，而高空间分辨率信息提取较多依赖人为干预，且存在多源异构数据难以整合的困难。本研究以综合高、中、低空间分辨率的多源遥感信息为基础，探索基于超像素分割的高空间分辨率田块自动提取算法；探索作物类型识别中，中低空间分辨率遥感数据的时间权重变化规律及重构方法；尝试多源遥感信息与历史轮作模式案例的结合方法，建立基于案例推理的轮作模式监测模型。项目旨在进一步推动多源遥感应用，特别是基于超像素分割的高空间分辨率信息提取的理论与方法，促进精准农业的深入发展。

田块尺度、植株尺度的农情监测是高分辨率对地观测时代农业应用的发展方向，轮作模式是农作物特有的一种时间维知识，利用遥感监测轮作模式，对于农业信息化、种植结构优化等具有重要意义。本项目的主要研究内容包括和结果分4个部分：1）田块自动提取：对于多边形农田，采用Sentinel-2 NDVI数据，开发了基于分水岭分割的多尺度农田分割合并算法；对于圆形的中心支轴喷灌农田，开发了基于Fast R-CNN深度学习的提取方法，结果准确率89%以上、召回率93%以上；2）植株自动提取：针对木瓜等种植相对离散的果树，利用无人机图像，开发了基于尺度空间技术的植株提取算法，并用GPU对算法进行了并行化，结果精度能够达到0.95以上，GPU相对CPU的加速比为28-44倍；3）观测时序权重分析：针对湛江市遂溪县、雷州市的5种主要作物，通过Sentinel-1A雷达时序数据，对比了2种集成学习算法、3种深度学习算法的作物识别方法，分析了随观测随时间的权重变化。结果显示对于各种算法整体春季观测最为重要，而作物成熟期、秋季之后的观测对精度提升意义不明显；4）轮作提取和预测：针对南达科他州Spink县2008-2018年的CDL序列进行时序分析，取数量排名前50的序列归并得到35种轮作模式。利用XGBoost算法建立轮作预测模型，并同结合当年Sentinel-2 NDVI序列的方法进行了对比，结果显示单纯依赖CDL轮作知识的模型，预测精度kappa系数为0.63，而仅增加一次观测即可将精度提高至0.69，在获取8月观测后，精度达到0.82，此后提升变缓慢；到年底达到大约0.85，说明结合轮作知识和遥感观测，比单独依赖一种方法能够对精度和及时性取得较好的平衡。项目有助于推动基于高时空分辨率的新型光学遥感、雷达遥感数据下，基于田块、轮作知识的农业信息提取算法提升。成果可以为农作物的种植类型、种植面积动态监测、农情信息预警等应用，提供技术支撑，提升种植业生产管理信息化水平。