羅貞寶，陸妍如，高知靈，陽(yáng)國(guó)發(fā)，賀 琰，毛輝輝*

基于GF-1/2影像數(shù)據(jù)的煙草種植區(qū)信息遙感監(jiān)測(cè)

羅貞寶1，陸妍如2，高知靈1，陽(yáng)國(guó)發(fā)1，賀 琰2，毛輝輝2*

（1.貴州省煙草公司畢節(jié)市公司，貴州 畢節(jié) 551700；2.中國(guó)科學(xué)院大學(xué)資源與環(huán)境學(xué)院，北京 100049）

為解決我國(guó)南方山區(qū)自然煙田地塊較小、空間分布破碎且與其他農(nóng)作物混雜，遙感調(diào)查精度低、受多云雨天影響大的難題，利用我國(guó)高分遙感衛(wèi)星，開展多源、多時(shí)相遙感數(shù)據(jù)與面向?qū)ο蠓诸愊嘟Y(jié)合的煙草種植區(qū)提取方法，以畢節(jié)市七星關(guān)區(qū)大河鄉(xiāng)為試驗(yàn)區(qū)，構(gòu)建面向?qū)ο蠓诸愡^(guò)程，并同基于像元的最大似然（ML）、神經(jīng)網(wǎng)絡(luò)（NN）和支持向量機(jī)（SVM）等方法進(jìn)行對(duì)比。結(jié)果表明，面向?qū)ο蠓椒ň茸顑?yōu)，其次為ML、SVM以及NN，Kappa系數(shù)分別為0.948、0.936、0.930和0.905；此外，面向?qū)ο蠓椒ㄌ崛〉臒熖锏貕K形狀相對(duì)完整，有效避免了“椒鹽現(xiàn)象”，視覺效果明顯優(yōu)于基于像元方式。面向?qū)ο蟮姆诸惙椒ńY(jié)合高分遙感星座可以準(zhǔn)確地提取我國(guó)南方煙草種植區(qū)分布信息，從而有助于煙草的宏觀管理、調(diào)控與決策。

煙田；高分遙感影像；高時(shí)空分辨率；物候特征；面向?qū)ο蠓诸?/p>

貴州是我國(guó)烤煙生產(chǎn)第二大省，畢節(jié)地區(qū)占貴州省煙葉常年產(chǎn)量的25%左右，是全國(guó)烤煙主產(chǎn)區(qū)之一[1-3]。煙草作為一種特殊的經(jīng)濟(jì)作物，其種植區(qū)信息的獲取對(duì)于煙草的宏觀管理、調(diào)控與決策具有重要意義。傳統(tǒng)上依靠人工采取手持GPS進(jìn)行地面調(diào)查，費(fèi)時(shí)費(fèi)力，且難以快速、準(zhǔn)確地獲取大范圍的煙草種植區(qū)空間分布信息，進(jìn)而影響到后續(xù)煙草種植區(qū)面積及產(chǎn)量的估算。

遙感技術(shù)具有宏觀、動(dòng)態(tài)、綜合的特性，是快速獲取大范圍、多時(shí)相、空間連續(xù)農(nóng)作物類型的有效技術(shù)手段，在典型農(nóng)作物類型的分類中得到了廣泛而深入的應(yīng)用[4-7]。近年來(lái)，基于遙感技術(shù)的煙草種植區(qū)信息監(jiān)測(cè)也有了快速發(fā)展，從使用的遙感數(shù)據(jù)源來(lái)看，主要包括兩大類：其一是中分辨率遙感衛(wèi)星數(shù)據(jù)[8]，張陽(yáng)等[9]以湖南省茶陵縣為研究區(qū)，基于Sentinel-2A數(shù)據(jù)，采用決策樹分類方法提取烤煙種植區(qū)，分類精度達(dá)到90.29%，證明了Sentinel-2遙感數(shù)據(jù)用于烤煙種植區(qū)的應(yīng)用潛力；KHAN等[10]建立了考慮煙草物候特征的基于多時(shí)相Sentinel-2組合和植被指數(shù)數(shù)據(jù)，采用機(jī)器學(xué)習(xí)分類算法的煙草分類方法，精度達(dá)到95.81%，表明使用多時(shí)相遙感數(shù)據(jù)和機(jī)器學(xué)習(xí)算法可以提高煙草識(shí)別精度；劉明芹等[11]基于資源三號(hào)遙感影像數(shù)據(jù)，采用面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行煙草面積估算，分類精度達(dá)到94.63%，證明了面向?qū)ο蠓诸惙椒ǖ膶?shí)用性；薛宇飛等[12]基于Sentinel-2遙感影像數(shù)據(jù)，使用面向?qū)ο蟮姆诸惙椒?，并與RF算法對(duì)比，結(jié)果表明，面向?qū)ο蟮姆诸惙椒ň雀?。其二是無(wú)人機(jī)遙感數(shù)據(jù)，F(xiàn)AN等[13]提出了一種基于無(wú)人機(jī)遙感影像的深度神經(jīng)網(wǎng)絡(luò)煙草識(shí)別算法，總體精度達(dá)到了93.7%，表明了使用無(wú)人機(jī)影像的優(yōu)勢(shì)；ZHU等[14]以云南省下轄的一個(gè)縣為研究區(qū)，基于無(wú)人機(jī)遙感影像數(shù)據(jù)，提出了一種組合監(jiān)督分類和圖像形態(tài)學(xué)方法的煙草識(shí)別方法，總體精度達(dá)到95.93%，闡述了選擇合適時(shí)相遙感影像對(duì)于煙田地塊提取的重要作用。

中分辨率遙感數(shù)據(jù)對(duì)于煙草種植區(qū)較為連續(xù)、煙草地塊較大的地區(qū)效果較好，但對(duì)于貴州這樣地形復(fù)雜，多丘陵、山地分布，煙草種植區(qū)較為分散破碎且煙田地塊較小的研究區(qū)，應(yīng)用較為受限。無(wú)人機(jī)遙感數(shù)據(jù)分辨率往往能夠達(dá)到毫米級(jí)，以其巨大的空間分辨率優(yōu)勢(shì)可以獲取煙草種植區(qū)的精細(xì)分布信息[13-15]，具有高空間分辨率、使用靈活方便等優(yōu)點(diǎn)[16]，但其數(shù)據(jù)獲取較為困難，成本較高，且只能進(jìn)行小范圍的遙感監(jiān)測(cè)，無(wú)法獲取大面積的遙感數(shù)據(jù)進(jìn)而大范圍推廣使用。同時(shí)，受限于其成本，往往無(wú)法獲取多時(shí)相的遙感數(shù)據(jù)，從而無(wú)法充分利用煙草的物候特征?，F(xiàn)階段，基于高空間分辨率衛(wèi)星遙感數(shù)據(jù)進(jìn)行煙草種植區(qū)監(jiān)測(cè)的研究還相對(duì)不足，高分遙感星座高時(shí)空分辨率的優(yōu)勢(shì)可以極大地降低多云雨天氣的影響，并克服煙草種植區(qū)破碎化以及煙田地塊小等困難，這對(duì)于貴州地區(qū)煙草遙感監(jiān)測(cè)具有極大的實(shí)際應(yīng)用和推廣價(jià)值，基于高分遙感星座進(jìn)行煙草種植區(qū)遙感監(jiān)測(cè)具有極大的應(yīng)用潛力，然而截至目前，相關(guān)的研究未見報(bào)道。

本文通過(guò)借鑒前人的研究，以我國(guó)南方貴州省畢節(jié)市七星關(guān)區(qū)大河鄉(xiāng)為研究區(qū)，針對(duì)貴州地區(qū)多云雨天氣，且煙草種植區(qū)較為分散破碎、煙田地塊小等問題，綜合考慮當(dāng)?shù)責(zé)煵莸奈锖蛱卣鳎浞滞诰蚋叻诌b感星座影像數(shù)據(jù)的應(yīng)用潛力，利用我國(guó)高分遙感星座高時(shí)空分辨率的優(yōu)勢(shì)，基于多源多時(shí)相GF-1/2衛(wèi)星遙感數(shù)據(jù)，采用面向?qū)ο蟮姆诸惙椒?，進(jìn)行煙草種植區(qū)提取研究，從而為貴州畢節(jié)市煙草種植區(qū)信息大面積、快速、準(zhǔn)確提取及面積和產(chǎn)量遙感估算提供技術(shù)支撐和決策參考。

1 材料與方法

1.1 研究區(qū)概況

畢節(jié)市位于貴州省西北部，處在滇東高原向黔中山原丘陵過(guò)渡的傾斜地帶，最高海拔2900 m，最低海拔457 m，垂直差異顯著，土壤以黃壤和黃棕壤為主，屬于北亞熱帶季風(fēng)濕潤(rùn)氣候，季風(fēng)氣候比較明顯，降雨量較為充沛，年平均溫度在10～15 ℃之間，年均降水量在849～1399 mm之間，70%左右的降水量集中在5—9月。顯著的立體氣候條件，能夠生產(chǎn)不同香型的煙葉，可以滿足卷煙工業(yè)對(duì)不同質(zhì)量風(fēng)格煙葉的需求。全市5個(gè)區(qū)縣屬于全國(guó)烤煙基地縣，主要種植的農(nóng)作物有玉米、高粱、煙草以及少量的水稻。本研究區(qū)位于畢節(jié)市七星關(guān)區(qū)大河鄉(xiāng)，地理范圍（104°53′～104°59′，27°15′～27°20′），研究區(qū)位置如圖1所示。

1.2 數(shù)據(jù)及其預(yù)處理

1.2.1 GF-1/2數(shù)據(jù) 具體使用的影像數(shù)據(jù)包括一景春季GF-2 PMS影像，成像時(shí)間為2020年4月15日，對(duì)應(yīng)于煙草的還苗期（覆膜）；以及一景夏季GF-1 PMS影像，成像時(shí)間為2020年7月29日，對(duì)應(yīng)于煙草成熟期。兩景遙感影像數(shù)據(jù)均進(jìn)行了正射校正、基于Google Earth底圖的幾何校正以及基于NNDiffuse Pan Sharpening的多光譜和全色數(shù)據(jù)融合等預(yù)處理，預(yù)處理過(guò)程均在ENVI 5.3.1軟件中進(jìn)行。GF-1/2衛(wèi)星參數(shù)見表1。

1.2.2 樣本數(shù)據(jù) 通過(guò)結(jié)合Google Earth以及GF-1/2高分辨率影像數(shù)據(jù)目視判別，獲取了363個(gè)樣本數(shù)據(jù)：水體（18個(gè)）、建筑物（63個(gè)）、道路（13個(gè)）、煙田（170個(gè)）、農(nóng)田（43個(gè)）、草地（7個(gè)）、林地（49個(gè)），不同土地利用類型樣本分布情況如圖1所示。

注：圖中遙感影像數(shù)據(jù)為GF-2標(biāo)準(zhǔn)假彩色合成數(shù)據(jù)（波段組成：432）。

表1 GF-1/2衛(wèi)星參數(shù)

1.3 研究方法

在考慮煙草物候特征的基礎(chǔ)上，利用多時(shí)相GF-1/2遙感影像數(shù)據(jù)，進(jìn)行多尺度分割，并選取合適的分類特征，構(gòu)建基于最鄰近分類器的面向?qū)ο蠓诸愡^(guò)程，進(jìn)行煙草種植區(qū)提取。

1.3.1 遙感影像時(shí)相選擇 物候特征是區(qū)分不同作物類型的重要依據(jù)，對(duì)于作物監(jiān)測(cè)研究起著至關(guān)重要的作用。貴州地區(qū)煙草與其他作物類型混雜，準(zhǔn)確地提取煙草種植區(qū)存在困難，基于此，本文考慮利用煙草與其他作物類型的物候差異，采用多時(shí)相影像數(shù)據(jù)提取煙草種植區(qū)。貴州畢節(jié)地區(qū)煙草在早期采用地膜覆蓋栽煙，可以起到增溫保濕的作用，這是區(qū)分煙草與其他作物類型的重要時(shí)間段。煙草覆膜時(shí)期的影像數(shù)據(jù)可以區(qū)分煙草與其他農(nóng)作物類型，煙草生長(zhǎng)旺盛階段的影像數(shù)據(jù)可以區(qū)分植被與非植被地物（如建筑物和道路）。煙草的生育時(shí)期如圖2所示，實(shí)地采集的煙草不同生育時(shí)期照片如圖3所示。

注：圖中高分遙感星座時(shí)間序列數(shù)據(jù)每個(gè)數(shù)據(jù)點(diǎn)上方數(shù)字代表該期影像云覆蓋量（%）；GF-1數(shù)據(jù)包括最早發(fā)射的GF-1 01衛(wèi)星以及后續(xù)發(fā)射的02、03、04星。

圖3 實(shí)地采集的煙草不同生育時(shí)期照片

1.3.2 多尺度影像分割 多尺度分割是進(jìn)行面向?qū)ο蠓诸惖闹匾襟E，它將整幅影像區(qū)域根據(jù)同質(zhì)性異質(zhì)性標(biāo)準(zhǔn)分割成若干個(gè)互不交疊的非空子區(qū)域的過(guò)程，每個(gè)子區(qū)域即為一個(gè)對(duì)象，每個(gè)對(duì)象內(nèi)部具有相同或相似的特征，如灰度、顏色、紋理、形狀等[15]。多尺度分割是通過(guò)用戶設(shè)定的分割尺度、形狀、緊致度等參數(shù)來(lái)實(shí)現(xiàn)，本文中，兩景GF-1/2影像數(shù)據(jù)同時(shí)參與進(jìn)行多尺度分割操作，具體分割參數(shù)設(shè)置見表2，其中分割尺度參數(shù)的選擇是經(jīng)過(guò)多次試驗(yàn)測(cè)試后確定，不同分割尺度下的分割效果如圖4所示，當(dāng)分割尺度為20時(shí)，分割對(duì)象過(guò)于破碎和密集，分割尺度為60時(shí)，多個(gè)煙田地塊被分割成為單個(gè)對(duì)象，分割對(duì)象過(guò)大，分割尺度為40時(shí)，分割效果較好。

1.3.3 分類特征選取 歸一化差值植被指數(shù)（NDVI）是使用最為廣泛的植被指數(shù)之一，其對(duì)綠色植被表現(xiàn)敏感，該指數(shù)通常被用來(lái)進(jìn)行區(qū)域和全球的植被狀態(tài)研究[17]，因而NDVI可以用來(lái)當(dāng)作區(qū)分植被與非植被的關(guān)鍵指示因子，形狀特征可以用來(lái)區(qū)分建筑物與道路。最終，本文選取的分類特征如表3所示。

1.3.4 多時(shí)相遙感影像分類 本文面向?qū)ο蟮姆诸愡^(guò)程采用最鄰近分類方法。最鄰近分類器需要對(duì)每一類都定義樣本空間和特征空間，其原理簡(jiǎn)單，首先分類器需要每個(gè)類的典型代表樣本，在這些樣本的基礎(chǔ)上，算法在每個(gè)圖像對(duì)象的特征空間中尋找最接近的樣本圖像對(duì)象，如果圖像對(duì)象最近的樣本對(duì)象屬于某個(gè)類，則該圖像對(duì)象將被賦值給它，使用公式（1）計(jì)算距離[18]：

表2 多尺度分割參數(shù)設(shè)置

圖4 不同分割尺度下的分割效果

表3 分類特征的選取

研究表明，多時(shí)相遙感數(shù)據(jù)相比單時(shí)相遙感數(shù)據(jù)，可以顯著提高農(nóng)作物類型分類精度[19-21]。根據(jù)研究區(qū)地物的構(gòu)成，本文將研究區(qū)主要分為水體、建筑物、道路、煙田、農(nóng)田、草地及林地7類，共選取13個(gè)特征因子（GF-1/2影像數(shù)據(jù)各自的紅、綠、藍(lán)、近紅外波段以及歸一化差值植被指數(shù)共10個(gè)特征因子，以及亮度、長(zhǎng)/寬、形狀指數(shù)共3個(gè)特征因子），研究區(qū)土地利用類型在不同時(shí)相遙感影像的典型樣本見表4。

表4 GF-1/2標(biāo)準(zhǔn)假彩色合成影像上各土地利用類型典型樣本

2 結(jié) 果

2.1 單時(shí)相與多時(shí)相煙草種植區(qū)提取結(jié)果對(duì)比

本文基于高分遙感星座數(shù)據(jù)，采用面向?qū)ο蠓诸惖姆椒?，進(jìn)行了煙草種植區(qū)提取研究，面向?qū)ο蟮姆诸愡^(guò)程在易康8.9版本軟件中進(jìn)行，研究區(qū)內(nèi)煙草種植區(qū)提取結(jié)果如圖5所示。從圖中可以看出，研究區(qū)內(nèi)煙田地塊分布較為破碎化，大部分煙田分布于研究區(qū)內(nèi)西南條帶、東北角以及西北角，煙田自然地塊較小。圖5中，單時(shí)相的分類結(jié)果與多時(shí)相分類結(jié)果相比，存在大量的錯(cuò)分現(xiàn)象，主要是部分建筑物錯(cuò)分為煙田。煙田覆膜時(shí)期，覆膜的煙田與部分建筑物的光譜特征相似，造成單時(shí)相影像錯(cuò)分，而在多時(shí)相分類結(jié)果中，由于增加了煙株大田成熟期的影像，在單時(shí)相中錯(cuò)分的地區(qū)（建筑物等非植被）可以被剔除，從而準(zhǔn)確地提取出研究區(qū)內(nèi)的煙草種植區(qū)。

注：圖中遙感影像數(shù)據(jù)為GF-2標(biāo)準(zhǔn)假彩色合成數(shù)據(jù)（波段組成：432）。下同。

2.2 不同分類方法煙草種植區(qū)提取結(jié)果對(duì)比

2.2.1 不同分類方法分類精度對(duì)比 為驗(yàn)證本文采用分類方法的有效性，將采用面向?qū)ο蠓诸惙椒ǎ∣B）與基于像元的最大似然（ML）、神經(jīng)網(wǎng)絡(luò)（NN）和支持向量機(jī)（SVM）算法得到的分類結(jié)果進(jìn)行比較分析，使用ENVI 5.3進(jìn)行基于像元的分類過(guò)程，分類結(jié)果對(duì)比如圖6所示。從圖6可見，面向?qū)ο蟮姆诸惙椒煵莸貕K提取結(jié)果更為完整（見圖6藍(lán)色方框），有效降低了“椒鹽噪聲”的影響，視覺效果上明顯優(yōu)于基于像元的方法，這表明面向?qū)ο蟮姆诸惙椒ㄔ诟叻直媛视跋駸煵莘N植區(qū)提取中優(yōu)于基于像元的分類方法，具有更好的分類效果。從表5中可以看出，面向?qū)ο蟮姆诸惙椒ǚ诸惥葍?yōu)于基于像元的分類方法，總體精度達(dá)到96.01%，Kappa系數(shù)為0.948。其中，基于像元的分類方法中，ML、SVM、NN分類精度依次降低。

圖6 基于像元分類與面向?qū)ο蠓诸惤Y(jié)果對(duì)比

2.2.2 不同分類方法煙草種植區(qū)面積提取精度 為了進(jìn)一步驗(yàn)證各分類方法煙田的實(shí)際分類效果，本文進(jìn)一步對(duì)比了不同分類方法煙草種植區(qū)面積提取精度。通過(guò)煙技員野外調(diào)查獲取到4個(gè)樣本區(qū)煙田面積數(shù)據(jù)（圖5紅色小方框樣本區(qū)1-4）實(shí)際為29.25 hm2，統(tǒng)計(jì)4種分類方法對(duì)4個(gè)樣本煙田的提取面積，并與實(shí)際面積求差，結(jié)果如表6所示。從表6中可見，4種分類方法獲得的煙田面積與實(shí)際煙田面積相對(duì)誤差均在10%以內(nèi)，其中面向?qū)ο蠓椒ǎ∣B）相對(duì)誤差最小，僅為1.33%，支持向量機(jī)方法（SVM）略微高估，最大似然方法（ML）存在高估的現(xiàn)象，神經(jīng)網(wǎng)絡(luò)方法（NN）存在低估的現(xiàn)象。

表5 面向?qū)ο蟮姆诸惙椒ㄅc基于像元分類方法煙草種植區(qū)提取精度對(duì)比

表6 不同分類方法煙草種植區(qū)面積提取精度對(duì)比

3 討 論

（1）貴州多云雨天氣，使得光學(xué)遙感衛(wèi)星數(shù)據(jù)難以發(fā)揮出其優(yōu)勢(shì)，基于單顆衛(wèi)星往往無(wú)法獲取高質(zhì)量、多時(shí)相的遙感影像數(shù)據(jù)。高分遙感星座高時(shí)空分辨率的優(yōu)勢(shì)，可以極大地降低貴州地區(qū)多云雨天氣的影響。本文通過(guò)中國(guó)資源衛(wèi)星應(yīng)用中心網(wǎng)站（http://www.cresda.com/CN/）查詢并統(tǒng)計(jì)了研究區(qū)內(nèi)2020年煙草生育期內(nèi)GF-1/2 PMS數(shù)據(jù)的覆蓋情況（圖2），從中可以看出，云量30%以內(nèi)的影像數(shù)據(jù)，GF-1有3景，處于煙草的成熟期，GF-2有2景，處于煙草的移栽期和還苗期，多顆衛(wèi)星數(shù)據(jù)靈活選擇，可以有效降低多云雨天氣對(duì)于貴州地區(qū)的遙感監(jiān)測(cè)的影響，此外，GF-1/2衛(wèi)星還可與GF-6衛(wèi)星聯(lián)合組網(wǎng)觀測(cè)，進(jìn)一步提高研究區(qū)高質(zhì)量高分遙感數(shù)據(jù)的可得性。

（2）本文采用GF-1/2 PMS多時(shí)相的遙感數(shù)據(jù)，影像空間分辨率達(dá)到了2 m，采用面向?qū)ο笈c基于像元的分類方法進(jìn)行了對(duì)比分析，本文中面向?qū)ο蠓诸惙椒傮w分類精度為96.01%。薛宇飛等[12]采用Sentinel-2遙感影像數(shù)據(jù)，影像空間分辨率10～20 m（分不同的波段），其基于面向?qū)ο蠓椒煵萏崛〉目傮w精度為94.38%，相比而言，本文的煙草提取精度更高。此外，本文中使用了多時(shí)相的遙感數(shù)據(jù)，數(shù)據(jù)的空間分辨率更高，達(dá)到了米級(jí)，較薛宇飛等[12]僅使用單時(shí)相的遙感數(shù)據(jù)且未充分利用煙草物候信息的研究方法，分析結(jié)果更加精準(zhǔn)。

（3）本文基于高分遙感數(shù)據(jù)，采用面向?qū)ο蟮姆诸惙椒ǎ瑴?zhǔn)確地提取了煙草種植區(qū)信息，首次驗(yàn)證了聯(lián)合高分遙感星座影像數(shù)據(jù)應(yīng)用于我國(guó)南方地區(qū)煙草種植區(qū)提取的適用性。但是本文的研究仍然存在一些局限性。首先，光學(xué)遙感衛(wèi)星數(shù)據(jù)對(duì)于貴州地區(qū)多云雨天氣應(yīng)用較為受限，對(duì)此，可以考慮利用微波遙感數(shù)據(jù)全天候觀測(cè)的優(yōu)勢(shì)，在后續(xù)研究中，進(jìn)一步考慮聯(lián)合光學(xué)與微波高分遙感星座組網(wǎng)觀測(cè)（如聯(lián)合GF-1/2/6以及GF-3衛(wèi)星）進(jìn)行貴州地區(qū)煙草種植區(qū)遙感監(jiān)測(cè)研究；其次，薄云對(duì)于光學(xué)影像數(shù)據(jù)會(huì)造成較大的干擾，本文未考慮到使用相關(guān)的薄云處理算法進(jìn)行處理，在后續(xù)的研究過(guò)程中，需要測(cè)試研究現(xiàn)階段主流的薄云處理算法對(duì)于高分系列影像數(shù)據(jù)的適用性，從而選擇合適的算法進(jìn)行薄云的處理工作，消除或減弱薄云的影響；最后，從研究方法上看，近年來(lái)深度學(xué)習(xí)在遙感研究領(lǐng)域得到了廣泛而深入的應(yīng)用[22-23]，深度學(xué)習(xí)在處理海量、高維的遙感數(shù)據(jù)上具有優(yōu)勢(shì)，將深度學(xué)習(xí)算法應(yīng)用于煙草種植區(qū)的遙感監(jiān)測(cè)中具有極大的應(yīng)用價(jià)值?，F(xiàn)階段，深度學(xué)習(xí)算法應(yīng)用于高分遙感星座影像數(shù)據(jù)進(jìn)行煙草種植區(qū)遙感監(jiān)測(cè)的研究尚未見諸報(bào)道，在后續(xù)的研究過(guò)程中，需要進(jìn)一步深入研究和探討。

4 結(jié) 論

結(jié)果表明，以畢節(jié)市七星關(guān)區(qū)大河鄉(xiāng)煙草還苗期（覆膜）和成熟期的GF-1/2影像數(shù)據(jù)為數(shù)據(jù)源，基于面向?qū)ο蟮姆诸惙椒?，采用光譜、形狀、NDVI植被指數(shù)為分類特征，使用最鄰近分類算法對(duì)研究區(qū)內(nèi)的主要地物類型進(jìn)行了分類，準(zhǔn)確提取了研究區(qū)內(nèi)煙草種植區(qū)，并對(duì)比了單時(shí)相與多時(shí)相分類結(jié)果，以及面向?qū)ο笈c基于像元（ML，NN，SVM）的分類方法。結(jié)果表明，多時(shí)相的分類結(jié)果明顯改善了單時(shí)相分類中的錯(cuò)分現(xiàn)象，面向?qū)ο蟮姆诸惙椒傮w精度達(dá)到96.01%，Kappa系數(shù)為0.948，優(yōu)于基于像元的分類方法，適用于我國(guó)南方貴州地區(qū)煙草種植區(qū)信息提取，可以滿足我國(guó)南方貴州地區(qū)煙草種植區(qū)信息提取的迫切需求。

[1] 龍麗琴，朱貴川，祝朝東，等. 畢節(jié)煙葉品牌可持續(xù)發(fā)展策略研究[J]. 中國(guó)煙草科學(xué)，2009，30（2）：26-30.

LONG L Q, ZHU G C, ZHU C D, et al. Sustainable development strategy of leaf tobacco brand in Bijie[J]. Chinese Tobacco Science, 2009, 30(2): 26-30.

[2] 武圣江，趙會(huì)納，王松峰，等. 貴州特色烤煙農(nóng)藝性狀與光合特性研究[J]. 中國(guó)煙草科學(xué)，2014，35（1）：113-116，122.

WU S J, ZHAO H N, WANG S F, et al. Agronomic attributes and photosynthetic characteristics of flue-cured tobacco with Guizhou characteristics[J]. Chinese Tobacco Science, 2014, 35(1): 113-116, 122.

[3] 周義和，劉相甫，黃曉東，等. 論烤煙種植布局調(diào)整[J]. 中國(guó)煙草學(xué)報(bào)，2016，22（2）：124-131.

ZHOU Y H, LIU X F, HUANG X D, et al. On restructuring layout of flue-cured tobacco planting[J]. Acta Tabacaria Sinica, 2016, 22(2): 124-131.

[4] 解毅，張永清，荀蘭，等. 基于多源遙感數(shù)據(jù)融合和LSTM算法的作物分類研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（15）：129-137.

XIE Y, ZHANG Y Q, XUN L, et al. Crop classification based on multi-source remote sensing data fusion and LSTM algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(15): 129-137.

[5] 吳靜，呂玉娜，李純斌，等. 基于多時(shí)相Sentinel-2A的縣域農(nóng)作物分類[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（9）：194-200.

WU J, LYU Y N, LI C B, et al. Fine classification of county crops based on multi-temporal images of sentinel-2A[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(9): 194-200.

[6] 梁繼，鄭鎮(zhèn)煒，夏詩(shī)婷，等. 高分六號(hào)紅邊特征的農(nóng)作物識(shí)別與評(píng)估[J]. 遙感學(xué)報(bào)，2020，24（10）：1168-1179.

LIANG J, ZHENG Z W, XIA S T, et al. Crop recognition and evaluation using red edge features of GF-6 satellite[J]. Journal of Remote Sensing, 2020, 24(10): 1168-1179.

[7] 邱鵬勛，汪小欽，茶明星，等. 基于TWDTW的時(shí)間序列GF-1 WFV農(nóng)作物分類[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2019，52（17）：2951-2961.

QIU P X, WANG X Q, CHA M X, et al. Crop identification based on TWDTW method and time series GF-1 WFV[J]. Scientia Agricultura Sinica, 2019, 52(17): 2951-2961.

[8] MEI X, CUI W H, ZHANG X X, et al. Monitoring of tobacco planted acreage based on multiple remote sensing sources[C]//2006 IEEE International Symposium on Geoscience and Remote Sensing. IEEE, 2006: 668-670.

[9] 張陽(yáng)，屠乃美，陳舜堯，等. 基于Sentinel-2A數(shù)據(jù)的縣域烤煙種植面積提取分析[J]. 煙草科技，2020，53（11）：15-22.

ZHANG Y, TU N M, CHEN S Y, et al. Extraction of flue-cured tobacco planting area on county scale based on Sentinel-2A data[J]. Tobacco Science & Technology, 2020, 53(11): 15-22.

[10] KHAN W, MINALLAH N, KHAN I U, et al. On the performance of temporal stacking and vegetation indices for detection and estimation of tobacco crop[J]. IEEE Access, 2020, 8: 103020-103033.

[11] 劉明芹，李新舉，楊永花，等. 基于資源三號(hào)衛(wèi)星遙感影像的山區(qū)套種煙草面積估測(cè)[J]. 安徽農(nóng)業(yè)科學(xué)，2016，44（3）：291-293，297.

LIU M Q, LI X J, YANG Y H, et al. Estimation of the intercropped tobacco area in mountainous area based on ZY-3 remote sensing images[J]. Journal of Anhui Agricultural Sciences, 2016, 44(3): 291-293, 297.

[12] 薛宇飛，張軍，張萍，等. 基于Sentinel-2遙感影像的煙草種植信息精準(zhǔn)提取[J]. 中國(guó)煙草科學(xué)，2022，43（1）：96-106.

XUE Y F, ZHANG J, ZHANG P, et al. Object-oriented accurate extraction of tobacco information based on sentinel-2 remote sensing images[J]. Chinese Tobacco Science, 2022, 43(1): 96-106.

[13] FAN Z, LU J, GONG M, et al. Automatic tobacco plant detection in UAV images via deep neural networks[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(3): 876-887.

[14] ZHU X, XIAO G, WEN P, et al. Mapping tobacco fields using UAV RGB images[J]. Sensors, 2019, 19(8): 1791.

[15] 董梅，蘇建東，劉廣玉，等. 面向?qū)ο蟮臒o(wú)人機(jī)遙感影像煙草種植面提取和監(jiān)測(cè)[J]. 測(cè)繪科學(xué)，2014，39（9）：87-90.

DONG M, SU J D, LIU G Y, et al. Extraction of tobacco planting areas from UAV remote sensing imagery by object-oriented classification method[J]. Science of Surveying and Mapping, 2014, 39(9): 87-90.

[16] 呂小艷，競(jìng)霞，薛琳，等. 遙感技術(shù)在煙草長(zhǎng)勢(shì)監(jiān)測(cè)及估產(chǎn)中的應(yīng)用進(jìn)展[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2020，36（25）：137-141.

LYU X Y, JING X, XUE L, et al. Remote sensing technology applied in growth monitoring and yield estimation of tobacco: a review[J]. Chinese Agricultural Science Bulletin, 2020, 36(25): 137-141.

[17] 田慶久，閔祥軍. 植被指數(shù)研究進(jìn)展[J]. 地球科學(xué)進(jìn)展，1998，13（4）：327-333.

TIAN Q J, MIN X J. Advances in study on vegetation indices[J]. Advances in Earth Science, 1998, 13(4): 327-333.

[18] TRIMBLE Germany GmbH. About classification[EB/OL]. (2019-12-06)[2022-07-20]. https://docs.ecognition.com/v9.5.0/eCognition_documentation/ User%20Guide%20Developer/6%20About%20Classification.htm.

[19] VUOLO F, NEUWIRTH M, IMMITZER M, et al. How much does multi-temporal Sentinel-2 data improve crop type classification?[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 72: 122-130.

[20] GóMEZ C, WHITE J C, WULDER M A. Optical remotely sensed time series data for land cover classification: a review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116: 55-72.

[21] MA L, SCHMITT M, ZHU X. Uncertainty analysis of object-based land-cover classification using sentinel-2 time-series data[J]. Remote Sensing, 2020, 12(22): 3798.

[22] ZHANG L, ZHANG L, DU B. Deep learning for remote sensing data: a technical tutorial on the state of the art[J]. IEEE Geoscience and Remote Sensing Magazine, 2016, 4(2): 22-40.

[23] MA L, LIU Y, ZHANG X, et al. Deep learning in remote sensing applications: a meta-analysis and review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 152: 166-177.

Remote Sensing Monitoring of Tobacco Growing Areas Based on GF-1/2 Image Data

LUO Zhenbao1, LU Yanru2, GAO Zhiling1, YANG Guofa1, HE Yan2, MAO Huihui2*

(1. Bijie City Tobacco Company of Guizhou Province, Bijie, Guizhou 551700, China; 2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China)

Tobacco lands in the southern mountainous areas of China are mostly characterized with small patches and fragmentedly mixed with other croplands. The local cloudy and rainy weather also hinders capturing land cover by optical remote sensing and thereafter affects remote sensing investigation. To solve the above issues of tobacco land recognization, we proposed a tobacco growing area extraction approach by utilizing the nature of multiple scale object-based classification method and taking full advantage of the Gaofen multi-source and multi-temporal remote sensing imagery. The tobacco land recognization experiment was conducted in Dahe town, Qixingguan District, Bijie, and the object-based classification was compared with the pixel-based maximum likelihood (ML), neural network (NN), and support vector machine (SVM). The results showed that the accuracy of the object-based method was the best, followed by ML, SVM, and NN, with the Kappa coefficients of 0.948, 0.936, 0.930, and 0.905 respectively. In addition, the shape of tobacco patches extracted by the object-based method were relatively complete, which effectively avoided the "salt and pepper phenomenon", and the visual effect was significantly better than that of the pixel-based method. The object-based classification method combined with Gaofen remote sensing constellation can accurately extract the distribution of tobacco planting areas in southern China, which is helpful to the macro-management, regulation, and decision-making.

tobacco land; gaofen remote sensing images; high spatio-temporal resolution; phenological characteristics; object-based classification

10.13496/j.issn.1007-5119.2022.04.012

S572

A

1007-5119（2022）04-0087-09

貴州省煙草公司畢節(jié)市公司項(xiàng)目{畢煙技[2021]18號(hào)}；數(shù)碼匯博技術(shù)開發(fā)（委托）項(xiàng)目（2020110020004741）；中國(guó)科學(xué)院大學(xué)科教結(jié)合協(xié)同育人專項(xiàng)（117900M002）

羅貞寶（1979-），男，碩士，農(nóng)藝師，主要從事煙葉生產(chǎn)工作。E-mail：30734200@qq.com。*通信作者，E-mail：maohuihui16@mails.ucas.ac.cn

2021-11-01

2022-08-16