徐录/明冬萍：基于GF-6遥感红边指数及循环神经网络的地块级主粮作物类型识别【COMPAG, 2023】

2023-07-11     发布：信息工程学院    点击：174次

利用遥感手段进行耕地地块尺度的作物类型精准识别对于农作物面积与产量的早期估算具有重要意义。然而由于光学卫星的光谱与空间的分辨能力无法兼顾，目前研究中通常融合其他数据或特征（如SAR或利用序列数据的时相特征）进行识别。为缓解这一局限，已有多颗中分辨率光学遥感卫星扩充了观测波段，特别增设了反映作物特有光谱的红边波段，但利用红边波段进行作物类型识别的潜力尚未充分发挥。

针对上述问题，我校信息工程学院博士研究生徐录在导师明冬萍教授和周成虎院士的指导下，构建了用于区分不同作物类型的GF-6红边植被指数，并使用其时间序列数据，结合面向对象影像分析的思想，进行作物类型识别研究。面向对象影像分析特别适合进行对象尺度（即耕地地块尺度）的处理与分析，且与传统的基于像元的作物分类相比明显减少了预测过程的数据量与计算量，在实际应用中更具优势。论文首先根据作物实测的反射光谱特征与光学影像特征空间中的作物分布特征，分别构建了两种新型的红边植被指数，即比值型红边植被指数ReG_RVI与归一化差值型红边植被指数ReG_NDVI，以增强玉米、水稻、大豆等不同作物间的区分能力。随后，将已知作物类型的样本点，作为训练数据，利用时间序列影像生成红边植被指数时间序列数据。在分割后的影像对象或已有耕地地块的数据内生成多个随机点，作为待预测点，同样生成红边植被指数时间序列数据。利用训练数据训练循环神经网络得到分类模型，对待预测点进行分类预测。最后，在分割的影像对象或耕地地块内，应用最大值投票思想，获得耕地地块尺度的作物类型识别结果并制图。

论文选择中国东北部的松嫩平原和美国爱荷华州西北部为主要研究区，采用高分六号WFV数据为主要数据源进行了实验。结果表明使用论文方法识别作物的总体精度均在90%以上，证明了论文所提红边植被指数的有效性以及方法的可行性。论文所提出的两种红边植被指数在作物生长季的不同时期对不同作物的区分能力有所差异，比值型红边植被指数ReG_RVI在作物生长季早期已表现出明显的区分能力，而归一化差值型红边植被指数ReG_NDVI则需要在作物生长季后期才能对不同的作物有明显的区分优势。在不同年份的迁移实验中证明了论文所提比值型红边植被指数具有一定的时间可迁移性与模型预测的稳定性。在不同传感器数据的迁移实验中，论文使用基于哨兵二号数据构建的作物类型识别数据集TimeSen2Crop，也可在一定程度上证明论文所提红边植被指数进行作物类型识别的有效性。

论文的相关研究可为地块尺度大面积的作物类型精准识别与制图等实际应用提供行之有效的解决方案。

图1 论文总体技术路线

图2 作物样本在特征空间中的分布

(a) 基于ReG_RVI的作物类型识别结果. (b) 基于ReG_NDVI的作物类型识别结果.

图3 作物类型识别结果

上述成果发表在农业信息化领域国际权威期刊《Computers and Electronics in Agriculture》：Lu Xu, Dongping Ming, Liang Zhang, et al. Parcel level staple crop type identification based on newly defined red-edge vegetation indices and ORNN[J]. Computers and Electronics in Agriculture, 2023, 211, 108012.(IF=8.3，JCR一区，中科院一区TOP)

全文链接：https://doi.org/10.1016/j.compag.2023.108012