趙子娟 劉東 杭中橋

摘要：作物遙感識別是作物面積提取、長勢監(jiān)測、估產(chǎn)和時空分布研究的前提和基礎。遙感識別作物方法多樣，優(yōu)勢各異，應用性不同。本文系統(tǒng)梳理了基于光譜特征識別作物、基于紋理特征識別作物、基于物候特征識別作物及其他作物遙感識別的方法，歸納總結了每類方法的原理、優(yōu)缺點和適用范圍，指出了需進一步研究和解決的問題，并對今后的發(fā)展方向進行了展望，以期為作物遙感識別方法的應用及作物遙感研究提供參考與支撐。

關鍵詞：遙感;作物;識別;方法;分類;現(xiàn)狀;展望

中圖分類號： S127 ?文獻標志碼： A

文章編號：1002-1302（2019）16-0045-07

收稿日期：2018-05-08

基金項目：國家自然科學基金（編號：41671525、41101553）;北京市自然科學基金（編號：8152030）;國家重點研發(fā)計劃（編號：2016YFC0503500）。

作者簡介：趙子娟（1993—），女，河北霸州人，碩士研究生，主要從事農(nóng)業(yè)遙感作物分類及空間格局演變研究。

通信作者：劉 東，博士，講師，主要從事資源開發(fā)與區(qū)域發(fā)展研究。

大宗作物的面積、產(chǎn)量等數(shù)據(jù)是糧食生產(chǎn)的重要指標，是國家制定糧食政策和國民經(jīng)濟發(fā)展計劃的重要依據(jù)。起初獲取作物種植面積、產(chǎn)量等信息主要依靠農(nóng)學方法進行抽樣，采用農(nóng)學模式和氣象模式，但這些模式計算繁雜，并且野外工作量大、成本高，人為因素影響較大，準確率難以提高[1]。遙感技術是新型對地觀測技術，具有覆蓋面積大、重訪周期短、多時空分辨率等優(yōu)勢，成為獲取作物空間信息的重要手段，并廣泛應用于農(nóng)業(yè)研究[2]。作物識別和分類是作物面積提取、長勢監(jiān)測、災害風險預判、估產(chǎn)以及時空分布研究的前提[3]，是現(xiàn)代智慧農(nóng)業(yè)進行精細化動態(tài)管理的基礎。20世紀60年代，美國Purdue大學率先進行玉米種植面積遙感監(jiān)測，開創(chuàng)了作物遙感監(jiān)測的先河。隨后，歐盟國家相繼建立作物估產(chǎn)系統(tǒng)，為制定歐盟統(tǒng)一農(nóng)業(yè)政策奠定了基礎[4]。我國農(nóng)業(yè)遙感研究及應用起步相對較晚，1979年由遙感應用學家陳述彭先生最早倡導。20世紀80年代中期至90年代，先后建立小麥、玉米、水稻動態(tài)監(jiān)測及估產(chǎn)業(yè)務系統(tǒng)[5-6]。縱觀作物遙感監(jiān)測發(fā)展進程（圖1），作物遙感監(jiān)測范圍從單一國家擴大到全球，從小麥單一作物發(fā)展到小麥、水稻和玉米等多種作物遙感估產(chǎn)研究。

我國是人口大國，糧食安全問題歷來是國內(nèi)外關注的焦點[7]。家庭聯(lián)產(chǎn)承包責任制決定了我國農(nóng)村作物種植結構分布的分散性、地域復雜性和管理的多樣性。發(fā)揮遙感技術在農(nóng)業(yè)生產(chǎn)中的優(yōu)勢，對我國加強作物生產(chǎn)管理，制定科學合理的糧食政策、保障糧食安全更具現(xiàn)實性和緊迫性。隨著遙感技術的飛速發(fā)展，?基于遙感數(shù)據(jù)的作物識別方法與手段不斷成熟，不同方法的原理不同，優(yōu)勢各異，應用領域也各有側重。本文重點分析了基于光譜特征識別作物、基于紋理特征識別作物、基于物候特征識別作物及其他遙感識別作物的方法，歸納總結了每類方法的原理、優(yōu)缺點和適用范圍，指出了需進一步提高和解決的問題，并對今后發(fā)展方向進行了展望，以期為作物遙感識別方法的應用及作物遙感研究提供參考與支撐。

1 作物遙感識別方法

1.1 基于光譜特征的作物遙感識別方法

植被的光譜反射或發(fā)射特性由其生物化學特性和植被冠層形態(tài)結構特征決定，并與植被的發(fā)育階段、健康狀況以及植被生境條件密切相關。作物光譜特征以亮度（DN）值形式體現(xiàn)，不同的作物在相同波段圖像上的亮度值一般不同，不同作物在多個波段圖像上呈現(xiàn)的亮度值規(guī)律也不完全相同。因此，利用作物特有的光譜反射特征，可以將作物與其他地物區(qū)分開[8]。這一光譜反射特性為利用衛(wèi)星影像進行農(nóng)業(yè)遙感奠定了理論基礎。

利用單一波段或多波段的光譜數(shù)據(jù)分析提取作物面積及分布信息，具有一定局限性，且分類精度較低。以高光譜特征參數(shù)、光譜變換數(shù)據(jù)、常用指數(shù)等為主要指標提取作物信息的方法，能夠有效提高作物遙感識別精度。高光譜特征參數(shù)包括光譜位置參數(shù)（SL）、光譜面積參數(shù)（SA）和植被指數(shù)參數(shù)（VI）等。光譜變換數(shù)據(jù)是對特定波長區(qū)間的原始光譜數(shù)據(jù)進行微分、對數(shù)、歸一化、倒數(shù)變換等處理得到，常見的有一階微分變換、對數(shù)變換、歸一化變換等。常用指數(shù)是由光譜數(shù)據(jù)經(jīng)過加減乘除等線性或非線性組合運算而來[2]，如NDVI、DVI等（表1）。各個參數(shù)和指數(shù)靈敏度不同，監(jiān)測識別作物的精度也不盡相同[9]。

1.1.1 目視解譯法

目視解譯法是指專業(yè)人員憑借光譜規(guī)律、地學規(guī)律和解譯經(jīng)驗直接觀察或者借助判讀儀器依據(jù)遙感圖像的亮度、色調、位置、時間、紋理和結構等特征獲取作物信息的過程[10]。目視解譯需要專業(yè)人員收集相關遙感信息、地形地貌信息和專業(yè)知識信息進行初步解譯，再結合野外調查數(shù)據(jù)進行詳細解譯，如此反復循環(huán)初步解譯、野外調查和詳細解譯過程，直到獲得滿意的解譯精度為止，最終完成專題制圖[11]。早期的作物遙感估產(chǎn)研究一般以目視解譯法為主，如NASA于1950年、1980年對美國作物種植面積、產(chǎn)量遙感估測。1983年我國對京津冀地區(qū)冬小麥遙感估產(chǎn)，都是采用目視解譯的方法。目視解譯的分類精度高，但要求工作人員經(jīng)驗豐富，工作量大、繁瑣且耗時，不適用于大區(qū)域的作物遙感識別分類研究。借助計算機自動分類可大大提高目視解譯速度，計算機自動分類、人機交互式解譯、外業(yè)調繪有機結合，建立遙感信息解譯模型，可減少遙感影像中“同譜異物”和“同物異譜”現(xiàn)象的影響，有效提高目視解譯的精度[12]。

1.1.2 監(jiān)督分類法

監(jiān)督分類法又稱訓練分類法，是用已知類別的樣本像元識別其他未知類別像元的過程。在目視解譯和野外調查的基礎上，對遙感影像上作物的類別屬性有了先驗知識，針對各類別選取一定數(shù)量的訓練樣本，計算機計算每種訓練樣本的相關信息，用選取樣本訓練判決函數(shù)，使判決函數(shù)滿足各種子類別分類的要求;用訓練好的判決函數(shù)對其他待分類數(shù)據(jù)進行分類，將每個像元和訓練樣本作比較，按不同的規(guī)則將其劃分到與其最相似的樣本類，以此完成遙感識別作物的整個過程。監(jiān)督分類是借助計算機自動分類完成作物遙感識別的起源，需借助地面樣方調查樣點分類識別作物。美國的LACIE計劃就是在獲取地面樣方的前提下，對遙感影像進行分層監(jiān)督分類[4]。謝登峰等以Landsat 8和 MODIS 為數(shù)據(jù)源，采用監(jiān)督分類識別秋糧作物，水稻和玉米的總體精度高達80%左右[13]。Azar等利用多時相Landsat8 OLI數(shù)據(jù)，采用監(jiān)督分類提取了意大利北部地區(qū)作物的種植面積，同樣得到較好的分類精度[14]。監(jiān)督分類應用于遙感識別作物精確度高，準確性好，與實際類別吻合性較好，但是工作量大，且必須有先驗知識時才能使用該類方法。

1.1.3 非監(jiān)督分類法

非監(jiān)督分類法也稱“聚類分析”或“點群分類”，是在多光譜圖像中搜尋、定義自然相似光譜集群的過程。它與監(jiān)督分類不同，非監(jiān)督分類不必獲取先驗知識，僅依靠遙感影像上作物的光譜（或紋理）信息特征提取，統(tǒng)計各種類特征的差別來達到分類的目的，最后對分類結果的實際屬性進行確認。經(jīng)典的非監(jiān)督分類方法有ISODATA算法、K均值分類法（K-Means）等。許亮等利用高分一號遙感影像，運用非監(jiān)督分類，結合目視解譯，提取湖北省洪湖市冬小麥、油菜種植區(qū)，再針對種植區(qū)進行二次非監(jiān)督分類，結果表明二次非監(jiān)督分類有效提高了解譯精度[15]。Karila等利用EO、SPOT遙感影像數(shù)據(jù)，采用非監(jiān)督分類提取越南三角洲作物種植面積[16]。非監(jiān)督分類應用于遙感識別作物工作量小，易于實現(xiàn)。但作物分類效果與實際類別相差較大，準確性差。在沒有類別先驗知識的情況下可以使用該類方法。

值得一提的是，由于大區(qū)域農(nóng)業(yè)遙感數(shù)據(jù)量大、作物種類復雜，“同譜異物”和“同物異譜”的現(xiàn)象嚴重，單一分類方法往往不能滿足分類精度的要求。在實際研究中，往往將監(jiān)督分類和非監(jiān)督分類結合來提高作物的解譯精度。趙麗花等利用多時相H-J衛(wèi)星影像，選取冬小麥關鍵生育期影像，采用監(jiān)督分類與非監(jiān)督分類相結合的方法提取江蘇省泰州市姜堰區(qū)冬小麥的種植面積。結果表明，監(jiān)督分類與非監(jiān)督分類相結合進行作物種植面積提取，不僅能夠提高分類精度，且工作效率高、空間匹配性較好[17]。

1.1.4 神經(jīng)網(wǎng)絡法

神經(jīng)網(wǎng)絡法是以模擬人腦的神經(jīng)系統(tǒng)功能和結構為基礎，建立數(shù)學分析處理系統(tǒng)，以此用于作物的遙感識別[18]。人工神經(jīng)網(wǎng)絡技術在遙感圖像分類處理中的應用，主要有單一的BP神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡、多層感知機、學習向量分層-2網(wǎng)絡、Kohonen自組織特征分類器、Hybrid學習向量分層網(wǎng)絡等多種分類器[19]。Chen等利用多時相MODIS數(shù)據(jù)，構建神經(jīng)網(wǎng)絡模型提取湖北省監(jiān)利縣指示洪澇災害的農(nóng)作物種植結構[20]。Pandey等利用作物參數(shù)作為輸入?yún)⒘?，田間產(chǎn)量作為輸出數(shù)據(jù)集，用于訓練和測試神經(jīng)網(wǎng)絡，以此估算馬鈴薯種植面積[21]，都獲得了較高的識別精度。人工神經(jīng)網(wǎng)絡通過模擬人腦神經(jīng)系統(tǒng)和結構應用于遙感影像分類，具有一定的智能推理能力，可提高分類效率和分類精度，但構建模型較為復雜。

1.1.5 模糊數(shù)學法

模糊數(shù)學法是利用隸屬度函數(shù)的相關規(guī)則，將語言變量轉化成模糊集合，通過模糊集合的運算來描述、表達語言變量之間的相互關系，是一種不確定性推理的有效方法[22]。趙天杰等構建了基于正態(tài)模糊分布函數(shù)的模糊神經(jīng)網(wǎng)絡模型，結合雙頻多極化SAR數(shù)據(jù)和多光譜數(shù)據(jù)對作物類型進行識別，結果發(fā)現(xiàn)結合模糊分類技術的作物分類精度明顯提高[23]。Musande等利用遙感影像數(shù)據(jù)，對馬哈拉施特邦省奧蘭加巴縣的棉花進行模糊分類，也獲得較好的分類精度[24]。模糊理論與分類模型結合，使影像分類方法不斷完善，分類精度不斷提高，但往往低效、耗時。

1.1.6 決策樹法

決策樹法是通過對訓練樣本進行歸納學習，生成決策規(guī)則，然后利用決策規(guī)則對數(shù)據(jù)進行分類的一種數(shù)學方法[25]。這種方法應用較多，如程良曉等[26]、Dong等[27]利用多時相HJ-CCD、MODIS NDVI數(shù)據(jù)，借助作物物候信息，采用決策樹分類法提取了張掖市、北京市農(nóng)作物種植結構。田野等利用多時相HJ-CCD影像數(shù)據(jù)，分別采用決策樹法和監(jiān)督分類法對新疆奎屯市農(nóng)7師125團棉花作物進行解譯，結果表明兩者都能得到較好精度，但決策樹法更優(yōu)[28]。決策樹分類通過決策學習獲得分類規(guī)則，并借助GIS數(shù)據(jù)庫中的地學知識輔助分類，可大大提高分類精度[29]。同時，決策樹樣本屬于嚴格“非參”，不需分類樣本滿足服從正態(tài)分布，因此對分類數(shù)據(jù)的要求較低。決策樹方法適用于作物空間分布格局復雜、作物種類多的研究區(qū)。

1.1.7 混合像元分解法

利用中低分辨率影像數(shù)據(jù)識別作物，需考慮由于空間分辨率較低而導致的混合像元存在的問題。混合像元分解能夠在一定程度上提高作物種植面積估算的精度，使遙感識別作物種植面積更接近于實際。混合像元分解法通過構建模型進行作物遙感識別分類研究，主要模型有線性光譜混合模型、非線性光譜混合模型、元胞自動機模型等。Wang等利用多時相MODIS數(shù)據(jù)，利用線性光譜混合模型提取江蘇省冬小麥種植面積，分類結果與利用監(jiān)督分類取得的結果高度一致[30]。王連喜等利用MODIS數(shù)據(jù)提取分析作物關鍵物候參量，定義決策樹規(guī)則提取江蘇省冬小麥種植面積，并進一步利用光譜混合線性模型弱化混合象元對分類結果的影響，結果表明2種方法的耦合可有效提高作物分類精度[31]。混合像元分解法旨在解決混合像元的存在對分類精度產(chǎn)生的影響，適用于中低分辨率影像的作物分類。但混合像元分解是基于各類別數(shù)量比例所估算的“數(shù)量精度”，無法獲取作物位置的有效精度[32]。因此混合像元分解法常與其他方法結合應用于作物遙感識別。

1.2 基于紋理特征的作物遙感識別方法

隨著遙感數(shù)據(jù)空間分辨率的不斷提高，地物細節(jié)特征不斷突出，同類地物表現(xiàn)出更為復雜的光譜特征，混合像元減少，純像元增多，不同類別地物在空間上的混合愈加繁雜。因此，一定區(qū)域內(nèi)相鄰像元之間的紋理信息在高分辨率遙感影像分類中具有重要的應用價值。不同種植方式和耕作制度下，農(nóng)作物在高分辨率遙感影像上反映出的紋理特征差異，有利于光譜相近作物的區(qū)分。紋理特征是細小物體在遙感影像上大量重復出現(xiàn)所形成的規(guī)律和特征，它是大量個體的大小、形狀、陰影和色彩的綜合反映，描述了像元亮度的空間變化特征。傳統(tǒng)的紋理特征提取方法主要有灰色共生矩陣、空間自相關性、小波多頻道、多方向特征等，但目前農(nóng)作物分類應用最為廣泛的為灰度共生矩陣（GLCM）。

GLCM的基本原理是計算局域范圍內(nèi)像元灰度級共同出現(xiàn)的頻率，不同空間關系和紋理會產(chǎn)生不同的共生矩陣，以此來區(qū)分不同的紋理和結構性。常用的統(tǒng)計測度有均值、方差、熵、角二矩陣、同質性、對比、不相似性、相關性等。劉哲等利用多時相Landsat8 OLI和GeoEye-1數(shù)據(jù)，結合GLCM紋理特征提取玉米種植面積，與單一多時相分類方法相比，這種方法解譯精度略高[33]。劉吉凱等利用GF-1WFV數(shù)據(jù)，基于GLCM方法提取紋理信息，輔以光譜特征和植被指數(shù)參數(shù)構建決策樹模型，得到較高精度的甘蔗種植面積，為作物識別提供新的思路[34]。Li等基于GLCM和Gabor濾波器提取作物紋理信息，利用改進的支持向量機和BP神經(jīng)網(wǎng)絡分類器識別作物類型，有效提高了作物分類精度[35]。

除GLCM外，近年來許多新的基于紋理識別農(nóng)作物的方法不斷涌現(xiàn)。如Zhang等利用多時相GF-WFV和 GF-2PAN 數(shù)據(jù)，采用基于Sobel邊緣檢測和Hough變換紋理分析識別制種玉米，得到玉米識別精度高達90%[36]。黃秋燕等利用高分辨率遙感影像，基于TV-Gabor模型提取農(nóng)田紋理信息，也取得了較好的分類效果[37]?；跈C器學習與智能化分類器（如神經(jīng)網(wǎng)絡、支持向量機等）分類能夠提高農(nóng)作物分類精度，但不能解決光譜相似性目標的識別問題，仍易導致椒鹽效應。紋理特征分析方法能有效降低椒鹽現(xiàn)象，解決光譜相似性目標的識別問題，但易受遙感影像空間分辨率的影響，不具有普適性。

1.3 基于物候特征的作物遙感識別方法

由于作物的生長發(fā)育表現(xiàn)出明顯的季相規(guī)律，整個物候過程（播種、出苗、抽雄、成熟、收獲）的不同階段，其內(nèi)部生化成分和外部形態(tài)特征均會發(fā)生一系列變化，每個物候期表現(xiàn)出不同反射率。利用這一特征，可以通過多光譜遙感信息獲得作物及其變化信息，分析植被指數(shù)時間序列變化特點，進而有效識別作物。借助物候特征進行作物遙感分類，重點在于獲得作物生長季范圍，確定作物發(fā)育階段的物候參量。主要的作物物候參量有生長季始期（a）、生長季末期（b）、生長季長度（c）、生長季幅度（d）、生長峰值（e）、 NDVI左右導數(shù)（f、g）（圖2）。生長發(fā)育過程中作物物候參量與其生長季光合作用過程密切相關，由于作物特有的波譜特征，使其表現(xiàn)出明顯的生長周期光譜曲線，即NDVI時間序列曲線。NDVI時間序列曲線是以時間為坐標軸的NDVI數(shù)據(jù)曲線，它描述了作物一個生長季的NDVI變化特征。借助時間濾波軟件對原始NDVI變化曲線進行去噪平滑處理，可得到NDVI在作物生長周期內(nèi)“升高—到達頂峰—降低”的過程，這種動態(tài)變化曲線表現(xiàn)了作物發(fā)育全過程[38]（圖2）。不同區(qū)域、不同類型作物間的物候信息存在差異，NDVI時間變化曲線不同，因此可利用NDVI的時相變化規(guī)律進行作物類型的識別，這是多時相分析方法的重要理論基礎。

多時相分析法，是利用遙感影像數(shù)據(jù)獲取NDVI或EVI時序數(shù)據(jù)，生成作物的NDVI/EVI時間系列變化曲線，經(jīng)過平滑、去噪處理，結合作物的農(nóng)事歷，確定作物關鍵物候節(jié)點提取作物種植信息的方法。隨著高時間分辨率衛(wèi)星數(shù)據(jù)產(chǎn)品的出現(xiàn)，多時相分析方法獲得了廣泛應用。如Li等利用MODIS數(shù)據(jù)，重構EVI時序曲線，結合作物關鍵物候參數(shù)，提取了不同地區(qū)的農(nóng)作物種植面積[39]。劉吉凱等利用多時相Landsat TM影像，通過分析作物的光譜特征和NDVI時序信息，構建決策樹模型提取作物種植結構。結果表明，與單一時相數(shù)據(jù)相比，多時相高分辨率的決策樹分類效果更好[40]。除陸地衛(wèi)星影像數(shù)據(jù)外，氣象衛(wèi)星數(shù)據(jù)也不斷應用于農(nóng)業(yè)遙感中。如張煥雪等利用多時相HJ衛(wèi)星數(shù)據(jù)，采用S-G濾波法重構NDVI時間序列曲線，提取黑龍江紅星農(nóng)場的作物種植信息[41]。多時相分析方法有效結合了作物的物候信息，可彌補單一影像數(shù)據(jù)的缺陷，但滿足條件的遙感影像往往是中低分辨率影像（大多為MODIS數(shù)據(jù)），因此導致作物遙感識別精度不高，因此該方法主要適用于大空間尺度及季相節(jié)律明顯的作物分類研究。

1.4 其他遙感識別作物的方法

除以上介紹的方法外，近年來一些綜合性的方法不斷運用于作物遙感識別研究，如生態(tài)分類、面向對象法、隨機森林算法、支持向量機（SVM）及人工智能（AI）應用等（表2）。

生態(tài)分類法，是根據(jù)研究區(qū)域的自然環(huán)境和社會經(jīng)濟情況進行地理分區(qū)，對各分區(qū)區(qū)域進行影像分類處理，再將各分區(qū)影像進行復合處理的過程。生態(tài)分類方法，融地學、生態(tài)學、農(nóng)學和社會經(jīng)濟知識于計算機遙感圖像分類中，能有效解決由于僅從光譜信息進行作物分類所具有的欠缺，減弱同譜異物和同物異譜現(xiàn)象對分類結果的影響。張健康等利用多時相衛(wèi)星數(shù)據(jù)，基于生態(tài)分類法提取黑龍港作物分布信息。結果表明，生態(tài)分類法可提高解譯精度，且能較好地反映區(qū)域作物分布情況[42]。生態(tài)分類法結合了地學、生態(tài)學、農(nóng)學等其他學科知識，所需數(shù)據(jù)資料較大，適用于對研究區(qū)有較深入了解的情況。

面向對象法，是一種快速有效提取作物種植面積的方法，它突破以往基于像元影像分析法僅以光譜信息或植被指數(shù)為分類因子的局限性，綜合考慮作物的光譜特征、統(tǒng)計特征、相鄰與拓撲關系等因素，將像元合并成具有相似特征同質對象，在對象層面上提取屬性特征，建立模糊判別規(guī)則，對同質性對象進行類別判別[43]。由于光譜變異（椒鹽噪聲）以及“同物異譜、異物同譜”等問題的存在，多個像元表達同一作物易出現(xiàn)錯分漏分現(xiàn)象。以同質對象對單元提取作物信息，優(yōu)化光譜規(guī)律，使分類規(guī)則更符合實際作物特征。鄧媛媛等以QuickBird為數(shù)據(jù)源，采用面向對象法提取武漢江夏區(qū)作物種植面積與布局。研究表明面向對象法能夠有效避免“椒鹽”噪聲的產(chǎn)生，提高作物分類精度[44]。劉明月等利用MODIS和Landsat8 OLI影像數(shù)據(jù)，充分結合作物物候與光譜特征，對北安市農(nóng)作物進行面向對象提取，發(fā)現(xiàn)該方法獲得的分類精度較高且具有普適性[45]。Pea等基于對象分割圖像獲取光譜和紋理特征，并對決策樹、邏輯回歸、支持向量機和神經(jīng)網(wǎng)絡等方法單一或組合分類器進行分層分類，發(fā)現(xiàn)面向對象的分層分類可極大提高作物識別的準確性[46]。

近年來，隨機森林法和SVM法也相繼出現(xiàn)在作物遙感識別研究中，并取得了較好的效果。如王娜等利用高分數(shù)據(jù)，采用隨機森林和單變量特征相結合的方法提取江蘇省泗洪縣作物，發(fā)現(xiàn)2種方法結合能有效提高作物分類精度[47]。Sonobe等利用TerraSAR-X數(shù)據(jù)，對比不同方法提取北海道作物的解譯精度，結果表明SVM最佳[48]。

隨著人工智能的發(fā)展，國內(nèi)外將最新的AI方法，如深度學習，作為機器學習的新興領域應用于農(nóng)業(yè)領域，并受到越來越多的關注。卷積神經(jīng)網(wǎng)絡（CNNs）是建立在傳統(tǒng)人工神經(jīng)網(wǎng)絡上的一種深度學習算法，也是第一個成功訓練多層網(wǎng)絡的學習算法[49]。張加楠等提出基于RGB和HIS關系閾值法優(yōu)化的卷積神經(jīng)網(wǎng)絡的作物圖像分割提取覆蓋方法，有效解決了光照、遮擋、陰影等影像，且分類精度較高，但分類效率較低[50]。梁萬杰等建立卷積神經(jīng)網(wǎng)絡模型識別水稻二化螟蟲害，結果表明模型可有效提取圖像特征，對水稻二化螟蟲識別具有很好的抗干擾性和魯棒性[51]。Lavreniuk利用Landsat8和Sentinel-1A多時間序列遙感影像，基于卷積神經(jīng)網(wǎng)絡模型對烏克蘭基輔地區(qū)夏季作物進行分類研究，獲得了較高的分類精度[52]。人工智能的潛力巨大，應用前景廣闊，但目前人工智能技術還不夠完善，尚不能廣泛應用于農(nóng)業(yè)生產(chǎn)領域。

2 問題和展望

近年來，作物遙感識別已成為生態(tài)學、地理學等學科的研究前沿和熱點。經(jīng)過多年的發(fā)展，作物遙感識別技術手段日益成熟，識別方法多樣化，極大推動了作物遙感識別及農(nóng)業(yè)遙感研究。但就目前作物遙感識別方法而言，仍有一些不足，在以下方面需進一步深入與提高：

（1）建立分區(qū)域作物遙感識別方法的技術體系、規(guī)范與流程，提高作物遙感識別方法的普適性和應用性。

農(nóng)業(yè)遙感技術應用最大的挑戰(zhàn)是農(nóng)業(yè)生產(chǎn)的分散性和時空變異性。我國地域遼闊，作物種植制度復雜多樣，遙感影像的選取易受制于研究區(qū)域尺度和輪作制度。不同區(qū)域、不同類型作物的遙感識別所采取的方法技術體系、規(guī)范及流程不同，一定程度上影響著作物分類識別精度及研究結果間的可比較性。在全球尺度研究中，作物種植類型、種植制度更為復雜，如何在不同地區(qū)應用適宜的遙感識別技術，獲得較為精確、可比較的結果，成為國家及全球尺度作物識別研究中面臨的挑戰(zhàn)。因此有必要建立分區(qū)域作物遙感識別技術體系、規(guī)范與流程，以提高不同地區(qū)、不同種植制度下的遙感識別精度和可比性。不同作物遙感識別方法的原理、技術流程及適用范圍不同，具體研究中應根據(jù)研究區(qū)的空間尺度、時間尺度予以選擇。應加大不同區(qū)域間不同方法的比較分析研究，便于弄清不同方法的區(qū)域適用性，以提高作物遙感識別方法的普適性與應用性。

（2）提高作物遙感識別方法的計算機自動化和系統(tǒng)化程度，改善工作效率。

作物遙感識別已從小范圍向大范圍轉變，大區(qū)域作物分類與識別，工作量大、繁瑣耗時，容易造成操作錯誤和數(shù)據(jù)管理的混亂。隨著遙感技術的不斷發(fā)展，人機交互式分類方法成為以人工智能為特點的自動分類方法。光譜特征、物候特征、紋理特征、鄰域信息等分類信息不斷融入到作物遙感分類與識別研究，但目前識別的自動化和系統(tǒng)化程度不高。提高作物類型識別的自動化和系統(tǒng)化，可減少人為因素的干擾和主觀性，有效改善作物遙感識別的工作效率和精度，這一點對大區(qū)域作物遙感監(jiān)測和整體監(jiān)測研究更具重要性。

（3）優(yōu)化作物遙感識別方法技術，耦合作物生長模型，提高作物遙感識別精度。

中低分辨率的多時相遙感數(shù)據(jù)分析方法仍是當今作物遙感識別的主要方法。時間序列遙感數(shù)據(jù)的噪聲去除和平滑技術是解譯過程重要的環(huán)節(jié)，方法、參數(shù)選取的不同直接影響遙感數(shù)據(jù)的質量與識別結果。因此需進一步優(yōu)化時間序列遙感數(shù)據(jù)噪聲去除和平滑技術，以保證獲取高質量的多時相遙感數(shù)據(jù)。同時，受時間分辨率、空間分辨率的影響，遙感技術很難反映作物生長的全過程，更多反映的是靜態(tài)瞬間，無法實現(xiàn)作物的連續(xù)動態(tài)監(jiān)測。作物生長模型是對作物生長發(fā)育過程的數(shù)學描述，是一種面向過程、機理性的動態(tài)模型。作者認為，隨著遙感技術和作物模型的迅速發(fā)展，將遙感與作物生長模型耦合，動靜結合，可有效彌補兩者存在的不足，是提高識別精度的重要突破口。

參考文獻：

[1]許文波，田亦陳. 作物種植面積遙感提取方法的研究進展[J]. 云南農(nóng)業(yè)大學學報.2005，1（20）：95-98.

[2]高宏宇，張楠楠. 基于影像光譜特征的作物識別方法探討[J]. 黑龍江科技信息，2012（17）：11.

[3]Wardlow B D，Egbert S L. Large-area crop mapping using time-series MODIS 250 m NDVI data：an assessment for the U.S. Central Great Plains [J]. Remote Sensing of Environment.2008，112：1096-1116.

[4]承繼承. 精確農(nóng)業(yè)技術與應用[M]. 北京：科學出版社，2004.

[5]陳述彭，趙英時. 遙感地學分析[M]. 北京：測繪出版社，1990.

[6]熊利亞. 中國作物遙感動態(tài)監(jiān)測與估產(chǎn)集成系統(tǒng)[M]. 北京：中國科學技術出版社，1996.

[7]劉 東，封志明，楊艷昭，等. 中國糧食生產(chǎn)發(fā)展特征及土地資源承載力空間格局現(xiàn)狀[J]. 農(nóng)業(yè)工程學報，2011，27（7）：1-6.

[8]周成虎，駱劍承. 遙感影像地學理解與分析[M]. 北京：科學出版社，1984.

[9]舒 田，岳延濱，李莉婕，等. 基于高光譜遙感的農(nóng)作物識別[J]. 江蘇農(nóng)業(yè)學報，2016，32（6）：1310-1314.

[10]濮靜娟. 遙感圖像目視解譯原理與方法[M]. 北京：中國科學技術出版社，1992.

[11]馬靄乃. 遙感目視解譯的基本理論與方法[J]. 遙感信息，1987（3）：26-29.

[12]王 猛，姚慧敏，隋學艷，等. 一種基于地理信息服務平臺的小麥種植面積變化監(jiān)測方法研究[J]. 安徽農(nóng)業(yè)科學，2013，41（8）：3728-3730.

[13]謝登峰，張錦水，潘耀忠，等. Landsat8和MODIS融合構建高時空分辨率數(shù)據(jù)識別秋糧作物[J]. 遙感學報，2015，19（5）：791-805.

[14]Azar R，Villa P，Stroppiana D，et al. Assessing in-season crop classification performance using satellite data：a test case in Northern Italy[J]. European Journal of Remote Sensing，2016，49：361-380.

[15]許 亮，汪權方，陳志杰，等. 一種快速區(qū)分易混農(nóng)作物的遙感解譯方法[J]. 地理空間信息，2017，15（1）：59-62

[16]Karila K，Nevalainen O，Krooks A，et al. Monitoring changes in rice cultivated area from SAR and optical satellite images in Ben Tre and Tra Vinh provinces in Mekong Delta，Vietnam[J]. Remote Sensing，2014，6（5）：4090-4108.

[17]趙麗花，李衛(wèi)國，杜培軍. ?基于多時相HJ衛(wèi)星的冬小麥面積提取[J]. 遙感信息，2011（2）：41-45.

[18]黃德雙. 神經(jīng)網(wǎng)絡模式識別系統(tǒng)理論[M]. 北京：電子工業(yè)出版社，1996.

[19]修麗娜，劉湘南. 人工神經(jīng)網(wǎng)絡遙感分類方法研究現(xiàn)狀及發(fā)展趨勢探析[J]. 遙感技術與應用，2003（5）：339-345.

[20]Chen Y，Zhang X，Wang X，et al. Extraction of crop planting structure in seasons prone to water logging using Landsat8 OLI and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering，2014，30（21）：165-173.

[21]Pandey A，Mishra A. Application of artificial neural networks in yield prediction of potato crop[J]. Russian Agricultural Sciences，2017，43（3）：266-272.

[22]王 威. 基于模糊數(shù)學的遙感圖像分類研究[D]. 桂林：桂林理工大學，2012.

[23]趙天杰，李新武，張立新，等. 雙頻多極化SAR數(shù)據(jù)與多光譜數(shù)據(jù)融合的作物識別[J]. 地球信息科學學報，2009，11（1）：84-90.

[24]Musande V，Kumar A，Kale K. Cotton crop discrimination using fuzzy classification approach[J]. Journal of the Indian Society of Remote Sensing，2012，40（4）：589-597.

[25]姜麗華，楊曉蓉. 基于決策樹分類技術的遙感影像分類方法研究[J]. 農(nóng)業(yè)網(wǎng)絡信息，2009，22（10）：34-36.

[26]程良曉，江 濤，談明洪，等. 基于NDVI時間序列影像的張掖市農(nóng)作物種植結構提取[J]. 地理信息世界，2016，23（4）：37-44.

[27]Dong S W，Sun D F，Li H. Crop decision tree classification extraction based on MODIS NDVI in Beijing[J]. Advanced Materials Research，2014，9：787-790.

[28]田野，張清，李希燦，等. 基于多時相影像的棉花種植信息提取方法研究[J]. 干旱區(qū)研究，2017，34（2）：423-430.

[29]Friedl M A，Brodley C E，Strahler A H. Maximizing land cover classification accuracies produced by decision trees at continental to global scales [J]. IEEE Transactions on Geoscience and Remote Sensing，1999，37（2）：969-977.

[30]Wang L，Xu S，Qi L，et al. Extraction of winter wheat planted area in Jiangsu province using decision tree and mixed-pixel methods[J]. Transactions of the Chinese Society of Agricultural Engineering，2016，32（5）：182-187.

[31]王連喜，徐勝男，李 琪，等. 基于決策樹和混合像元分解的江蘇省冬小麥種植面積提取[J]. 農(nóng)業(yè)工程學報，2016，32（5）：182-187.

[32]張順謙，楊秀蓉. 神經(jīng)網(wǎng)絡和分形紋理在夜間云霧分離中的應用[J]. 遙感學報，2006，10（4）：497-501.

[33]劉 哲，李智曉，張延寬，等. 基于時序EVI決策樹分類與高分紋理的制種玉米識別[J]. 農(nóng)業(yè)機械學報，2015，46（10）：321-327.

[34]劉吉凱，鐘仕全，徐 雅，等. 基于多時相GF-1WFV數(shù)據(jù)的南方丘陵地區(qū)甘蔗種植面積提取[J]. 廣東農(nóng)業(yè)科學，2014，41（18）：149-154.

[35]Li D，Yang F，Wang X. Study on ensemble crop information extraction of remote sensing images based on SVM and BPNN[J]. Journal of the Indian Society of Remote Sensing，2016：1-9.

[36]Zhang C，Jin H，Liu Z，et al. Seed maize identification based on texture analysis of GF remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering，2016，32（21）：183-188.

[37]黃秋燕，肖鵬峰，馮學智，等. 一種基于TV-Gabor模型的高分辨率遙感圖像農(nóng)田信息提取方法[J]. 遙感信息，2014，29（2）：77-82.