【论文笔记】：综述--作物遥感分类研究进展

【论文笔记】：综述–作物遥感分类研究进展

摘要：

农作物精细分类是农业资源与环境监测的重要环节，提取不同作物种植信息能够为我国农业生产提供基础数据支撑。本文旨在梳理作物遥感分类关键技术的发展脉络，重点评述了分类特征、尺度问题以及分类方法3个方面的情况，最后讨论和展望了今后作物遥感分类研究的发展方向，希望提供现阶段作物遥感分类研究进展，为作物遥感研究方法的创新和改善提供理论支撑，为后续农业遥感应用提供参考。
关键词: 作物分类; 特征提取; 尺度效应; 分类方法

一、分类特征

从单一特征趋向多特征并用，–这是有效解决农作物异物同谱问题的方法。
作遥感分类提取的三大理论基础分别为光谱特征、空间特征和时相特征。
（1）光谱特征
光谱特征是区分作物类型的物理基础。依赖于作物的典型植被光谱特征。–基于全谱段和优选特征的光谱特征中，含有红外波段的光谱特征在区分不同作物上有较大贡献。
（2）高分辨率卫星数据难以兼顾空间分辨率和光谱分辨率，因此，可以在提高空间分辨率的基础上新增光谱波段以达到光谱信息的收集需求，如ＲapidEye，高分六号。

（3）植被指数
植被指数能够预示和有效增强植被波谱特征，但 区域性强，模型泛化能力差。

1.1 基于像元：
基于像元分类仅考虑像元个体而忽略了相邻像素之间的空间关联性（空间特征）。

不同作物呈现不同的空间纹理信息，详细刻画了不同作物的表面几何特征; 其次，由于同种作物内
部具有均一性，边界异质性能有效区分作物边界，达到分类目的。

在学习作物分类特征时需要更加关注类间分离性和类内聚合性，提取出自适应能力和可分性更强的空－谱特征。
1.2 基于时相特征并结合光谱和空间特征能够实现较高的分类精度，但其对于混作情况复杂、地块破碎的作物识别具有局限性，特别是光谱特征相近的作物容易识别特征不足、区分力度不够的问题。而多时相特征能够较好地解决不同作物在特定生育期内光谱的相似问题以及更好地找到同种作物在不同时间段的可区分光谱特征，即考虑“异物同谱，同物异谱”的问题。对于作物分类来说，时相特征集中体现在不同作物的物候特性研究中，相同时相内不同的物候特征才是有效区分不同作物类型的关键。

1.3 目前，作物遥感分类特征多侧重于研究光谱、空间和时相特征对于分类精度的影响，而较少关注作物本身的生理生化参数和结构特征以及外部环境参量。

1.4 多类特征组合构建特征集参与分类主要有两种方式:
一类是研究不同特征对分类精度的贡献率大小，探讨新增特征及个数对于识别精度的影响，而作物分类多特征综合增加了分类维数，需要进一步考虑降维问题。

另一类则是通过降维技术和重要性评估手段剔除冗余特征，实现特征优选，提高分类效率。

二、像元可识别尺度

（1）无人机遥感
（2）微波遥感
微波传感器对作物的几何特性和土壤的水分信息十分敏感，并且在作物不同生长阶段呈现不同
的散射系数，而水稻在移栽期的淹水环境与其他地类区分明显，因此，微波数据常被用来进行水稻提取。
（3）融合主被动技术手段的各自优势，实现目标作物三维－光谱信息的一体化获取。

（4）目前，国内外关于作物提取的研究中，主要关注不同分类方法和策略的比较，而国外更多看重不同数据源的选取和协同使用。

三、分类方法

监督分类和非监督分类。

在构建监督分类模型时，一方面要注重训练样本的数量和质量; 另一方面还需要注意充分融合多特征，增加判别的互补性信息。
监督分类：SVM,RF,ANN等。
遥感分类技术一方面侧重分类算法自身的改进，如参量优化、多分类算法融合; 另一方面，则体现在分类体系和方案的优化。

四、总结

要想实现作物早期预判就需要提取早期识别特征，或者借助历史年份时间序列数据。构建训练样本用于当前年份作物的早期预测。
（1）探索多源信息复合、多尺度数据融合、多视角方法结合的遥感机制。
（2）注重作物遥感分类新特征的挖掘和综合应用。从作物本身的物理特性出发，将叶绿素、色素、冠层结构、水分等信息纳入分类特征集，更多关注分类特征的机理性研究和多特征综合应用。
（3) 深入作物分类新理论和新算法的研究。不局限于分类器的简单比较，从特定作物分类问题出发，研究分类工具的适宜性，提升分类效率和学习速度。