面向对象的河套灌区遥感作物分类算法研究

Hetao irrigation zone is a very important agricultural base in Inner Mongolia, thus extracting crop type distribution in this area by remote sensing is very meaningful. Traditional crop classification by remote sensing is accomplished through using vegetation index (VI) extracted from time-series data, which tends to be affected by remote sensing data acquisition, and it can hardly produce reliable accuracy before a crop growth cycle ends. This project utilizes object-based image analysis (OBIA), aiming to obtain reliable accuracy before the end of a crop cycle. This study consists of four parts: (1) developing segmentation algorithm for high resolution remote sensing images suitable for the study area, this is a fundamental step in OBIA, but it is an important prerequisite to achieve good classification performance; (2) establishing feature analysis method for crop fields, this step is based on image segmentation to fully employ field-level information, so that key features for crop classification can be selected in a more effective way; (3) combining OBIA and machine learning classification approaches to identify crop types for each field; (4) conducting temporal analysis and improving the proposed algorithm, enabling the method to derive reliable classification accuracy by only using the data captured in early and/or middle period of a crop cycle. Achieving accurate crop type distribution before the end of a crop growth cycle provides practical benefits for many operational problems, such as irrigation management, pest monitoring and yield prediction.

河套灌区是内蒙古重要的农业基地，因此利用遥感获取其作物种类分布具有重要意义。传统的遥感作物分类方法是利用植被指数时序数据进行的，该方法易受遥感数据获取的影响，且难以在生长周期结束前给出可靠的精度。本项目利用面向对象图像分析（OBIA）技术，发展一套适用于河套灌区的作物分类算法，旨在生长周期结束之前得到可靠的精度。研究内容包含四部分：①发展适用于研究区域的高分遥感图像分割算法，这是OBIA的基础步骤，但也是提高分类精度的重要前提；②建立农田地块特征分析方法，在图像分割的基础上，充分利用农田地块级别的信息，以更有效地选取适用于作物分类的关键特征；③结合OBIA与机器学习分类算法，对农田地块进行作物识别；④开展时相分析，改进算法，使算法仅利用生长初期和/或中期的数据得到可靠的精度。在生长周期结束前准确获取作物种类分布，对灌溉管理、虫害监测、产量预估等实际问题具有重要的应用价值。

内蒙古河套灌区是当地重要的商品粮生产基地，获取该地区的主要作物类型分布对农业生产管理具有重要意义。在基于遥感影像进行农作物识别的方法研究中，传统的策略大多是利用遥感时序数据进行的。然而，受云无遮挡以及高分辨率影像的空间覆盖率较小等因素，在作物生长周期内获取完整时间序列的遥感数据是极其困难的。鉴于此，本项目发展了一套基于面向对象影像分析（object-based image analysis，OBIA）的河套灌区遥感作物分类算法，旨在利用对象级影像特征和有限时序的遥感影像，得到精度足够高的作物分类结果。.本项目主要进行了三方面的研究，包括影像分割、特征分析、作物分类。在影像分割方面，取得的主要成果包括：①发展了一种可变尺度的多尺度遥感影像分割算法，能将不同大小、不同光谱与纹理特征的农田斑块提取出来，为本项目农田遥感影像分割提供更为精确的分割手段。②提出了一种利用机器学习代替尺度阈值的区域合并策略，从而进一步提升农田遥感影像分割的自动化与精确度。.在特征分析方面，取得的主要成果包括：①将主成分分析算法用于过分割所得斑块特征量的选择和变换，以提升本项目研究区高分遥感影像的分类精度。②利用随机森林算法的特征重要性估算策略与遥感影像的时序特征，提升了河套灌区内农田植被与非农田植被的分类精度。.在作物分类方面，取得的主要成果包括：①利用二元随机森林算法与影像斑块特征，发展了一套基于对象级遥感影像分类的主动学习算法，分析了不同对象级特征类型对河套灌区遥感影像分类效果的影响。②针对面向对象影像分类中的样本选择问题，利用随机森林算法的特征重要性估计功能，构建了基于特征量加权欧氏距离的样本创建方法；在该方法的验证实验中，利用河套灌区单一时相的遥感数据，得到90.52%的作物分类总精度。.以上成果说明项目申请时的研究目标均已达到，为河套灌区高分辨率遥感影像的作物分类提供有力的技术支持。