基于高光谱遥感的小麦地块面向对象提取

在精准农业实践中，地块边界是最基础的种植数据，它提供了所有作物数据和真实世界的链接，为地块级长势统计和分析提供了准确的地理边界，也为地块面积的变化分析、作物在各物候期的长时序监测提供了基础。

受制于各地区不同的农业生产模式和种植历史，“地块”的定义和概念也存在差异，从不同尺度进行观测的结果也不完全一致，本文中的地块提取基于10米分辨率卫星遥感影像，因此地块定义为由乡道或村道等铺装道路分割的相对独立的种植单元。

小麦地块图像提取方法

中科西光航天团队使用了2023年临潼区小麦拔节期的最大值合成影像，通过面向对象分类技术提取了2023-2024季度的小麦地块。
面向对象分类通过先分割后分类的方法，将地物划分为独立的对象，并在对象的基础上进行分类。能够尽量避免传统面向像素分类的椒盐效应，同时增加分类的可解释性。输出为地块矢量，能够直接进行形状、面积计算和统计，便于后续分析。

▲图1  面向对象分类结果

小麦图像结果分析

根据文献和当地地物特征，将类别划分为五类：小麦、城区/人造物、裸土、沙地/高反射物体、水体。其中水体和城区的分类结果也都比较理想。部分公路与裸土有混淆，部分屋顶的反射率较高，影响了分类结果。因此将高反射物体与沙地合并，增加了分类结果可靠性。

能够直观展示城区范围以及未利用土地。并能够逐年计算相应地物的面积，分析城镇和各土地利用类型的发展和变化趋势。

▲图2 面向对象随机森林分类器精度评估

中科西光航天-农业地块长势分析

在该案例中通过目视解译标注了五类地物的共计409个样本，其中80%用作训练，20%验证，图2为分类器精度评估，对于农田、裸土和水体有较好的分类效果。对于城镇/人造物分类精度相对较差，可能由于地物分布复杂，以及受制于卫星影像分辨率。

▲图3 临潼相桥街道局部小麦提取

上图展示了局部区域的提取结果，整体效果较好，漏提和误提均较少，但靠近主干道和城区的农田与道路有些混淆。部分地块较为细小，与机耕道、村道等混合。

▲图4  临潼山地小麦提取

 图示为使用相同的分类模型对临潼区南部山地小麦地块的提取结果，可见结果较好，说明通过图像分割能够较好地获取纹理信息，对于不同地形、不同形状的小麦地块均有较好提取结果。

▲图5  临潼区各街道小麦种植面积分布图

图示为临潼区各街道小麦种植面积分布图，颜色越深代表小麦种植面积越大。

可见大部分小麦地块集中在临潼北部地区，其中相桥街道种植面积最大，为66602亩。南部地区为山地，有少量山地小麦种植。

▲  表1 临潼区各街道种植面积统计表

▲图6  临潼区各街道小麦地块数量分布图

 图示为临潼区各街道小麦种植面积分布图，颜色越深代表小麦地块数量越多。

可见大部分小麦地块集中在临潼北部地区，其中相桥街道地块数量最多，为1950块。南部地区为山地，有少量山地小麦种植。

▲  表2 临潼区各街道小麦地块数量统计表

▲图7  临潼区各街道小麦拔节期长势距平值分布图

 在地块提取的基础上，针对每个地块能够按指定的时间范围，分析逐年长势与近几年长势的差异。

如图示，红色越深代表该地块与近五年相比，今年长势越差，绿色越深代表该地块与近五年相比，今年长势越好。

通过距平值分析，能够分析每个地块在每年的表现，筛选出产量稳定且表现良好的地块和产量波动大、表现较差的地块，帮助管理者进行大范围的地块种植规划。