近日，南京农大农学院智慧农业创新团队在国际著名遥感期刊《ISPRS Journal of Photogrammetry and Remote Sensing》发表了题为“Automated in-season mapping of winter wheat in China with training data generation and model transfer”的研究论文，该研究首次提出了一种基于多源卫星遥感数据和专家知识（冬季作物主要类型和相应物候日历）的国家尺度冬小麦训练数据自动化生成方法，攻克了大范围冬小麦遥感识别缺乏训练数据的难题；通过模型迁移明确了冬小麦关键生育时期的识别精度，首次实现了高精度高分辨率全国冬小麦识别与遥感制图的自动化，研制了全球第一套10米分辨率中国冬小麦遥感分类产品，为大范围冬小麦遥感产品的业务化生产和发布奠定了基础，对于我国以及全球粮食安全监测预警具有重要价值。

作物类型遥感分类产品能够提供准确的作物空间分布和种植面积信息，是区域尺度作物生长监测和生产力预测的基础底图，对于粮食安全风险评估至关重要。目前，美国、加拿大等发达国家每年定期发布当年作物分类产品，用于评估国内粮食生产和国际粮食贸易情况。与此同时，中国等广大发展中国家也在积极探索基于遥感大数据的作物制图方法，然而由于田块破碎、种植方式复杂等因素，这些方法普遍存在精度不高、效率低、普适性差等问题，大尺度、高精度的作物分类产品仍然匮乏。现有基于遥感技术的作物分类产品生产多使用机器学习方法，这些方法严重依赖地面真实数据，以训练机器学习分类器并构建作物分类模型。一般而言，地面真实数据的获取需要野外逐点调查，时间、人力、物力成本高且效率低。因此，开发一套训练数据自动化提取方法，对于大范围作物分类产品的自动化生产至关重要。此外，现有大多数作物分类产品的公开发布时间存在严重滞后性，难以满足当季作物生产精确管理的需求。

该研究综合分析了我国冬季主要地物类型及其光谱变化规律（图1），首先构建了一个冬季作物指数（winter crop index, WCI），用于增强冬季作物信号并抑制其他地物信息。通过进一步分析冬季作物和其他地物的WCI差异，提出一种格网化（1° × 1°）的自适应阈值分割算法，自动化提取冬季作物像素（图2）。此外，为了克服冬季作物关键物候期光学卫星影像缺失和主要作物光谱相似的问题，该研究进一步探索了基于合成孔径雷达（synthetic aperture radar, SAR）的冬小麦和冬油菜区分策略。结果表明，基于油菜开花期的VH极化能够最有效地区分冬小麦和冬油菜像素（图3）。通过对提取的冬小麦和其他地物像素进一步提纯和过滤，分别在2020和2021年获得约19万个训练样本。该研究基于遥感云计算平台，调用约14万景Sentinel-1（SAR卫星）和Sentinel-2（光学卫星）影像，通过耦合自动化提取的训练样本和随机森林分类模型，首次实现了大范围冬小麦遥感分类过程的自动化，制作了世界上第一套10米分辨率中国冬小麦分类产品（ChinaWheat10）（图4 A和B）。独立验证表明该产品的平均分类精度为94%，遥感估测种植面积与省级尺度统计数据的相关性极高（R2> 0.96）。与其他冬小麦分类产品相比，ChinaWheat10分类精度高5%以上，而且空间分辨率更高，空间细节更加明确，麦田识别完整度更高（图5）。

图1. 冬季作物指数构建示意图。（图中用冬小麦代表冬季作物物候期）

图2. 基于冬季作物指数和自适应阈值分割的冬季作物像素提取。（A）、（B）和（C）分别为2020年冬小麦生长旺盛期的Sentinel-2标准假彩色合成影像、冬季作物指数以及提取的冬季作物像素，（D）、（E）和（F）分别为2021年相应内容

图3. 冬小麦和冬油菜不同遥感特征的时序变化曲线。（A）和（B）分别为基于光学卫星Sentinel-2归一化植被指数（NDVI）和归一化黄度指数（NDYI）的时序变化曲线，（C）和（D）分别为基于SAR卫星Sentinel-1 VV和VH极化的时序变化曲线。（图中虚线为平均值，对应阴影区域为标准差，黄色背景为油菜开花期时间范围）

图4. 中国冬小麦主产区10米空间分辨率冬小麦分类产品。（A）和（B）分别为基于自动化生成训练数据的2020和2021年冬小麦分类结果，（C）和（D）分别为基于模型迁移的2021和2022年冬小麦分类结果

图5.ChinaWheat10（第二列）和其他冬小麦分类产品（第三、四、五列）的分类细节对比。第一、二、三、四行分别代表建筑、林地、冬小麦、冬小麦和冬油菜混合区域，各产品中的绿色部分为识别出的冬小麦像素

为了克服冬小麦分类产品发布不及时的问题，该研究进一步探索了基于模型年际迁移的冬小麦分类方法。基于历史年份分类模型，成功实现了2021和2022年冬小麦的精确识别（图4 C和D），总体分类精度同样可以达到94%以上。此外，模型迁移和时序分析结果表明：在越冬期后，冬小麦分类精度可稳定在80%以上，拔节期精度可达到85%，抽穗期可达到最高识别精度（90%以上）（图6）。该研究首次提出了一种基于多源卫星遥感数据和专家知识（冬季作物主要类型和相应物候日历）的国家尺度冬小麦训练数据自动化生成方法，攻克了大范围冬小麦遥感识别缺乏训练数据的难题；通过模型迁移明确了冬小麦关键生育时期的识别精度，首次实现了高精度高分辨率全国冬小麦识别与遥感制图的自动化，研制了全球第一套10米分辨率中国冬小麦遥感分类产品，为大范围冬小麦遥感产品的业务化生产和发布奠定了基础，对于我国以及全球粮食安全监测预警具有重要价值。

图6. 基于不同分类特征和模型迁移的冬小麦分类精度变化趋势。（A）和（C）分别为2021年冬小麦总体分类精度和F1得分，（B）和（D）分别为2022年对应结果（图例中S2、S1和T分别代表Sentinel-2、Sentinel-1和时相特征）

该研究由南京农业大学国家信息农业工程技术中心完成，南京农业大学农学院博士研究生杨高翔为论文第一作者，朱艳教授和程涛教授为共同通讯作者。农学院曹卫星教授、姚霞教授参与了研究工作。该工作得到了国家自然科学基金创新研究群体、中央高校基本科研业务费、江苏省农业科技自主创新资金等项目资助。

论文链接：

http://doi.org/10.1016/j.isprsjprs.2023.07.004

本研究生成的全国冬小麦分类产品（ChinaWheat10）：

https://doi.org/10.5281/zenodo.8119065

转自：“iPlants”微信公众号

如有侵权，请联系本站删除！