魯新新，阿迪力·亞森，蔣青松

（塔里木大學(xué) 信息工程學(xué)院，新疆維吾爾自治區(qū) 阿拉爾 843300）

衛(wèi)星遙感技術(shù)具有快速、簡(jiǎn)便、宏觀、無(wú)損及客觀等優(yōu)點(diǎn)，經(jīng)過(guò)幾十年的快速發(fā)展，目前已經(jīng)廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)領(lǐng)域的各個(gè)環(huán)節(jié)。作物生長(zhǎng)狀況的及時(shí)獲得和解譯是開展現(xiàn)代精準(zhǔn)農(nóng)業(yè)的基礎(chǔ)，衛(wèi)星遙感技術(shù)于農(nóng)業(yè)作物信息的獲取有較為明顯的優(yōu)勢(shì)[1]。近年來(lái)中分辨率遙感衛(wèi)星如Landsat、Sentinel 以及中國(guó)高分衛(wèi)星等的免費(fèi)開放為國(guó)內(nèi)外農(nóng)業(yè)土地利用信息提取提供了前所未有的機(jī)遇，特別是遙感圖像分類算法方面取得了一系列重要研究進(jìn)展。

1 國(guó)內(nèi)外研究現(xiàn)狀

對(duì)于利用遙感圖像來(lái)對(duì)地面農(nóng)業(yè)地類進(jìn)行解譯，國(guó)內(nèi)許多學(xué)者已經(jīng)進(jìn)行了數(shù)十年的研究。分類方法日趨增多，大致可以分為監(jiān)督分類和非監(jiān)督分類，分類精度也愈來(lái)愈高。而作為遙感農(nóng)業(yè)分類研究的數(shù)據(jù)來(lái)源，遙感圖像的分辨精度也經(jīng)歷了從低分辨率（NOAA AVHRR 以及國(guó)產(chǎn)風(fēng)云氣象系列）到中高分辨率（Landsat系列等）再到高分辨率（高分系列等）。近些年來(lái)衛(wèi)星傳感器種類不斷增多、技術(shù)不斷迭代，如基于高光譜、多角度、微波、熱紅外遙感等更多種類且高質(zhì)量的遙感數(shù)據(jù)可以為我們所用[2]。早期的低分辨率遙感圖像主要運(yùn)用于大范圍的國(guó)土遙感檢測(cè)，中高分辨率遙感圖像出現(xiàn)以后，區(qū)域性的詳細(xì)地類監(jiān)測(cè)以及分類才得以迅速發(fā)展起來(lái)。李曉東、姜琦剛以鎮(zhèn)賚縣為試驗(yàn)區(qū)，設(shè)計(jì)了基于多時(shí)相遙感數(shù)據(jù)的農(nóng)田分類提取方案。該算法的總體分類精度為94%[3]；2016 年，2 位學(xué)者又在此地區(qū)利用 Landsat 8 遙感數(shù)據(jù)構(gòu)建多維分類特征數(shù)據(jù)集對(duì)試驗(yàn)區(qū)進(jìn)行土地覆被分類研究，提取了11 種土地利用類型。最終多維變量組合方案的總體分類精度為95.50%[4]；劉煥軍、孟令華等基于時(shí)間序列Landsat 5 和Landsat 7 系列遙感數(shù)據(jù)，結(jié)合實(shí)測(cè)作物產(chǎn)量數(shù)據(jù)，進(jìn)行了棉花產(chǎn)量遙感預(yù)測(cè)模型研究。研究表明基于Landsat 遙感數(shù)據(jù)的植被指數(shù)時(shí)序準(zhǔn)確反映了棉花整個(gè)生長(zhǎng)期的長(zhǎng)勢(shì)情況。其他針對(duì)中高分辨率遙感圖像以及相關(guān)處理指數(shù)的

研究仍然不在少數(shù)，其中特別是基于Landsat 系列遙感數(shù)據(jù)的研究十分豐富。另外，近些年來(lái)，由于深度學(xué)習(xí)的興起，將深度學(xué)習(xí)算法應(yīng)用于遙感數(shù)據(jù)分類提取的研究也日趨增多。以上學(xué)者基于各種遙感圖像數(shù)據(jù)進(jìn)行了多方向多方法的分類研究，且都取得了一定的研究成果。但長(zhǎng)期以來(lái)，雖然作物分類算法日益豐富，提取精度也隨著算法優(yōu)化而不斷提升。但這些研究多集中于不同算法的提取精度比較或者對(duì)單個(gè)算法的優(yōu)化上，對(duì)于其他維度，如作物不同生育期階段以及不同品種作物細(xì)分類的研究較少。

2 存在問(wèn)題與展望

2.1 存在的主要問(wèn)題

2.1.1 農(nóng)作物不同生育期階段面積提取精度對(duì)比研究較少

借助于Landsat 數(shù)據(jù)、高分系列和其他遙感衛(wèi)星，近幾十年在作物時(shí)空分布和面積監(jiān)測(cè)的方面取得了較大進(jìn)展。但某作物生育期內(nèi)各階段的提取精度對(duì)比的研究較少，如棉花就可以對(duì)比苗期、蕾期、花齡期、吐絮期的面積提取精度并研究其具體差異原因。

2.1.2 作物生育前期的面積提取精度較差

由于農(nóng)業(yè)作物生育期早期與其他作物缺乏較為明顯的分類特征，農(nóng)業(yè)地塊破碎、云雨天氣頻發(fā)等諸多難題也是影響分類的重要因素，致使利用Landsat 等遙感圖像進(jìn)行分類提取時(shí)提取效果不佳。

2.1.3 高分辨率遙感圖像優(yōu)勢(shì)利用不佳

近些年來(lái)，隨著我國(guó)高分系列遙感衛(wèi)星的使用，遙感圖像的分辨率已經(jīng)達(dá)到了米級(jí)，但目前主流的分類算法依然依靠像元來(lái)作為主要的分類依據(jù)，對(duì)于高分辨圖像的對(duì)象和紋理細(xì)節(jié)無(wú)法利用，使高分辨影像的優(yōu)勢(shì)無(wú)法發(fā)揮。

2.2 未來(lái)展望

2.2.1 多源遙感數(shù)據(jù)融合

目前各個(gè)遙感數(shù)據(jù)產(chǎn)品有各自的優(yōu)勢(shì)和缺陷，由此多源融合成為目前以及未來(lái)領(lǐng)域內(nèi)探索的方向之一。MODIS 系列遙感影像覆蓋面廣且間隔周期短，但其分辨率較低，可以融合Landsat 系列或更高分辨率的高分系列，以達(dá)到優(yōu)勢(shì)互補(bǔ)，滿足一些既需要高分辨率又對(duì)時(shí)間有要求的研究和應(yīng)用。

2.2.2 深度學(xué)習(xí)將在遙感圖像分類和面積提取方面發(fā)揮重要作用

就現(xiàn)在的面積提取算法而言，傳統(tǒng)的監(jiān)督和非監(jiān)督分類逐漸向深度學(xué)習(xí)算法（CNN 等）發(fā)展，尤其是基于卷積網(wǎng)絡(luò)的新興分類算法（FCN、SegNet 和DeepLab 等）的研究逐漸增多，雖然對(duì)于這些算法的分類精度目前尚不明朗，但近幾年該領(lǐng)域的研究十分活躍，相信未來(lái)該方向研究將更加深入。

2.2.3 植被指數(shù)的運(yùn)用

植被指數(shù)（NDVI 等）用來(lái)輔助分類和提取作物面積，因?yàn)楦鱾€(gè)地物類型的植被指數(shù)范圍不同，在使用提取算法做面積提取之后，用提取范圍進(jìn)行植被指數(shù)值范圍分析，剔除異常值以提高提取精度。

2.2.4 使用交叉學(xué)科知識(shí)來(lái)提高分類提取精度

鑒于農(nóng)業(yè)和地理學(xué)和生物學(xué)有一定的交叉，因此利用跨學(xué)科的專家知識(shí)方法也將被大量運(yùn)用于作物分類及面積提取領(lǐng)域。

3 結(jié)語(yǔ)

本文詳細(xì)闡述該領(lǐng)域國(guó)內(nèi)外研究發(fā)展歷程以及行業(yè)內(nèi)最新研究成果，并對(duì)相關(guān)研究作簡(jiǎn)要評(píng)述。并對(duì)領(lǐng)域內(nèi)的缺點(diǎn)如生育前期面積提取精度不佳、高分辨率遙感圖像優(yōu)勢(shì)利用較差等進(jìn)行了總結(jié)概述，而后對(duì)如多源遙感數(shù)據(jù)融合、植被指數(shù)的運(yùn)用等研究方向進(jìn)行展望。立足我國(guó)農(nóng)業(yè)遙感分類以及作物估產(chǎn)的強(qiáng)烈需求，本文對(duì)研究農(nóng)業(yè)遙感影像分類算法發(fā)展歷程以及相關(guān)科研人員掌握領(lǐng)域動(dòng)態(tài)有一定的參考意義。