4.3.2.1 种植物遥感识别模型建设方案
（1）设计思路
遥感技术是一种集数据获取、处理、分析和定量表达于一体的综合对地观测技术。遥感技术由传统的载人飞机发展到如今的无人机，遥感系统与中高轨道卫星搭配的复合系统遥感技术的精细度也在不断提升。国家大力推进遥感等新技术、新方法的应用，特别是要结合高分辨率对地观测专项，依托水利卫星应用项目，开展水文水资源、水旱灾害、水环境、大中型工程建设运行等监测的试点和业务系统建设，逐步形成天空地一体化的综合立体水利信息采集体系。遥感信息技术的研究与应用对我国农作科技和生产管理产生深刻广泛的影响，很大程度上推动了传统农业向信息农业的转变。特别是以遥感为主的“3S”技术与作物模型在农作物生长、管理以及灾害监测等方面的应用，显著地提高了区域农业生产的动态预测性和管理决策的科学水平，取得了较好的经济、社会和生态效益。
综合运用卫星遥感、地理信息系统、云计算、人工智能、移动互联等新一代信息技术，围绕任务灌区（灌区总面积28.5万亩，设计灌溉面积12.85万亩，实际灌溉面积10.6万亩）种植作物精准监测需求，开展灌区多源遥感影像生产、农田地块提取、作物种植类型识别等精准农业数据生产工作，并结合GIS技术，将多源遥感影像、农业监测数据、专题分析数据等通过地图直观展现，形成全覆盖、高精准的灌区种植结构“一张图”，实现灌区农业产业结构的常态化监测及评价，为相关部门决策提供数据支撑。
农作物的反射光谱特性是农作物种植结构遥感提取的基本物理基础。和其他绿色植被一样，农作物在可见光的蓝光和红光波段有2个吸收带，其反射率较低；在2个吸收带之间的可见光绿光波段有一个明显的反射峰；至1.1μm近红外波段范围内，反射率达到高峰，形成植被的独有特征；在中红外波段（1.3—2.5μm）因绿色植物含水量的影响，吸收率大增，反射率大大下降，在水吸收带形成低谷。农作物的这些光谱特征常常会因为农作物类型、生长季、长势状况以及田间管理等不同而有所差别，因此，科学合理地利用农作物光谱特征差异，是实现不同农作物遥感提取的关键。
农作物的时相特性是农作物遥感识别的特定理论基础。农业土地系统往往是由一种或多种农作物通过连作、轮作、间种与套种等种植模式组合形成的种植结构。受“同物异谱和异物同谱”现象、混合像元效应等影响，农作物遥感识别比自然植被（林地和草地）遥感提取更为复杂，单纯依靠光谱特征难以取得理想效果。由于组成农作物种植结构的不同作物具有特定的生长规律和物候特征，不同生长时期的同一农作物其光谱特征不同，同一生长期的不同农作物的光谱也有差异。因此，充分利用农作物的典型季相节律特征是区分作物不同类别、作物与其他绿色植被的关键理论依据。
由于相同作物在不同生长时期、不同作物在相同生长时期的光谱特征和空间特征有较大的差异。利用遥感影像对农作物种植结构进行识别时，要根据遥感区域的光谱差异，确定作物的识别特征及翻译标志。
（2）实施方案
①卫星遥感影像的简介及数据收集
目前国内外的遥感数据种类丰富，选择合适的遥感数据需要考虑多个方面，如数据质量、数据空间分辨率及云层覆盖率、数据价格等，要最大程度降低研究成本。
Sentinel系列卫星隶属于“哥白尼”计划，是欧洲新一代对地观测卫星的核心内容，其主要目的是实现对环境和安全的实时监测。Sentinel系列设计由两颗卫星的星座组成，能够最大限度满足影像大范围覆盖及快速重访的要求。本研究中的Sentinel-1雷达影像和Sentinel-2光学影像，空间分辨率较高，且可以从欧洲航天局（European Space Agency，ESA）官网获取，该数据在农情监测应用研究方面具有较大价值。
Sentinel-1雷达卫星具有全天时、全天候雷达成像系统。它是欧洲委员会（European Commission，EC）和欧洲航天局于2014年4月针对哥白尼全球对地观测项目研制发射的首颗卫星，经过半年试运营后，开始逐步走向应用。其基于C波段成像系统采用4种成像模式来观测，具有双极化、短重访周期、快速产品生产的能力。Sentinel-1雷达卫星在近极地太阳同步轨道上运行，轨道高度约700km，重访周期为12d。为获取较好的干涉产品，Sentinel-1雷达卫星采用了严格的轨道控制技术。沿既定轨道运行时，卫星位置必须足够精确。在试运营结束后，它在既定轨道路径内运行，从而确保空间基线足够小，相干性增高，干涉分析可以有效开展。Sentinel-1的主要参数如表4-8所示。
表4-8 Sentinel-1主要参数
Sentinel-2运行在高度为786km、倾角为98.5°的太阳同步轨道上。卫星设计寿命为7年。Sentinel-2采用天体平台-L（AstroBus-L），该平台为欧洲空间标准化合作组织（ECSS）标准模块化平台。Sentinel-2光学卫星采用三轴姿态控制，无地面控制点图像定位精度20m，星敏感器直接安装在相机上，可获得更优的精度和稳定性。Sentinel-2光学卫星的地面重访周期为5天，其安装的多光谱成像仪有13个通道，从可见光到近红外至短波红外，可见光至近红外空间分辨率为10m、红边和短波红外波段空间分辨率为20m。Sentinel-2的主要参数如表4-9所示。
表4-9 Sentinel-2主要参数
Landsat为美国航空航天局（NASA）陆地卫星计划，由NASA和美国地质调查局（USGS）共同管理，其主要任务是对地下矿藏、海洋资源和地下水资源的探测，并监测和协助农业、林业和水利资源的合理利用，可用来研究自然植物的生长过程，预报农作物收成，考察和预报各类自然灾害和环境污染等。自1972年7月23日成功发射第一颗陆地卫星（Landsat-1）以来，目前为止已累计发射系列卫星8颗。Landsat-8卫星发射于2013年2月11日，重访周期为16天，对地球表面进行拍摄，拍摄影像可在USGS官网（https：//earthexplorer.gov/）上免费下载。Landsat-8卫星搭载陆地成像仪（OLI）。OLI幅宽185km×185km，包括9个波段，除涵盖Landsat-7所载ETM+传感器的所有波段外，新增海岸波段（Band 1）和卷云波段（Band 7）两个波段，分别用于海岸带、沿海地区的观测和云检测技术的实现，还对近红外波段（Band 5）和全色波段（Band 8）两个波段进行了调整，对Band 5排除了波长0.825μm处的水汽吸收，减少了图像解译时的干扰，对Band 8缩短了波长范围，可更好地对植被区和无植被区进行识别。
②遥感图像预处理
本项目所用的Sentinel-1雷达数据和Sentinel-2光学数据需要分别进行数据预处理，继而进行数据匹配。对Sentinel-1雷达数据的预处理包括辐射校正、地形矫正、滤波处理几何地形校正。而从欧洲航天局官网获取的Sentinel-2光学数据已经经过辐射校正等处理，只需进行大气校正即可。
在应用Landsat-8遥感影像前，将遥感影像记录的DN值转化为研究所需要的物理量，并消除大气层、云层对遥感影像的影响。不同的遥感影像需要不同的预处理操作，大致包含几何校正、辐射定标、大气校正、图像裁剪等操作。
③灌区野外实地调查
通过实地调查与目视解译，绘制区域真实类别矢量图，验证多源遥感数据作物识别精度。(https://www.daowen.com)
地面调查可借助免费软件ODK（Open Data Kit）进行。ODK是开放式数据工具包，使用户能够捕获各种格式的信息并立即将其数字化，从而免除了纸质问卷调查和数据输入的过程。它需要准备一份数字编程的问卷，有助于密切监测收集过程，并在调查后立即以准备分析的格式收集数据。该软件消除了纸面调查的需要，并大大减少了调查时间和数据输入所需的时间。智能手机和类似设备都配备了支持ODK软件的设备。一旦回到网络覆盖，填妥的表格可以发送到服务器进行下载分析。调查内容主要包括作物类型、作物种植时间等。主要通过实地走访，用ODK软件进行定位，并记录相应的地面实际情况。
④基于多源遥感数据的灌区作物识别
本项目主要利用Sentinel系列、Landsat系列数据，采用多源遥感信息融合方法提取典型区种植结构：针对不同典型区作物特征，在各类作物的常用指标基础上，针对不同地物和作物分析筛选特征性指标，融合面向像元和面向对象两大类方法的优点，根据指标和分类方法的适用性，构建分层分类方法，充分利用多源信息指标和多分类方法提升分类精度。
在面向像元的分类方法中，对多时相雷达数据进行预处理及最佳时相假彩色合成，分析后向散射系数变化趋势，主要用于水体、水田与旱地的识别和区分；使用高分辨率的光谱数据，分析归一化植被指数，可对光谱特征区分度较大的旱地作物进行进一步分类。
在面向对象的分类方法中，加入不同作物的纹理信息，通过灰度分布关系对地物进行识别以提高分类精度；加入邻近时间的遥感影像计算得到的NDVI等分类指标，对Sentinel分类结果中可能受云影响的个别地物进行分析，可通过多指标的时相变化特征分析进一步提高结果精度。
A.基于单时相Sentinel多源遥感对灌区进行作物识别
以Sentinel-1雷达卫星和Sentinel-2光学卫星数据作为数据源，利用单时相多源遥感数据对灌区地块进行分类，分析分类结果，找出最佳时相及受云层影响时相，然后在确定最佳时相和有云时相的基础上，建立最小距离法、最大似然法、支持向量机和BP神经网络4种监督分类模型，通过比较各种监督分类方法下的结果，确定单时相多源遥感数据在作物识别方面的优势。
B.使用Landsat-8影响构建NDVI时间序列
通过S-G滤波算法和Hants滤波消除大气等因素的影响，使用支持向量机算法和随机森林分类算法进行作物类别的识别，对分类结果进行分析与评价，探究不同分类算法在本灌区的实用性，并以生育期为划分依据，提取灌区主要种植作物分布信息。选用支持向量机算法和随机森林分类算法前，均需要一定的先验样本对分类器进行训练，样本数据的准确与否对分类结果会产生较大影响，因此，将通过以下步骤进行样本训练和验证样本的选取：对研究区的作物类别进行实地调研，记录不同样点的经纬度坐标；结合Google Earth软件上的高分辨率模型扩大样点范围，并基于Envi软件构建不同作物土地利用类型的感兴趣区；为保证样本选取的准确性，再次进行实地调研，确保所构建兴趣区像元的纯净度。将选取的样本按2∶1的比例，随机分为训练样本和验证样本。
⑤模型精度的评价
使用分类精度和不确定性评价分类结果。对于分类精度，本文采用基于混淆矩阵的总体分类精度（Overall Accuracy，OA）、用户精度（Users'Accuracy，UA）、制图精度（Producers'Accuracy，PA）和kappa系数。
总体分类精度：表述的是对每一个随机样本，其分类结果与检验数据类型相一致的概率。即被正确分类的像元总和除以所有检验像元总和，计算公式如下：
用户精度：表述的是从分类结果中任取一个随机样本，其所具有的类与地面实际类型一致的条件概率。通常是指正确分到K类的像元总数（对角线值）与分类器将整个影像的像元分为K类的像元总数的比值。错分误差=100%-用户精度，即用户精度越高，错分误差越低。用户精度计算公式如下：
制图精度：表述的是对于检验数据中的任意一个随机样本，分类图上同一地点的分类结果与其相一致的条件概率。通常是指正确分到K类的像元总数（对角线值）与K类参考数据总数的比值。漏分误差=100%-制图精度，即制图精度越高，漏分误差越低。制图精度计算公式如下：
对于分类不确定性，本项目使用随机森林输出的每个像素的概率分布结果[P1（x），…，Pk（x），…，Pk（x），k=1，2，…，K]计算α二次熵，作为分类的不确定性，公式如下：
式中，H（p（x））为序列p（x），p1（x），…，pk（x）的α二次熵，α是一个介于0和1之间的数值，本文中的α被定义为0.5，H（p（x））数值越小，说明分类的不确定性越高。将α二次熵作为分类不确定性的优点是这种计算方法使用了分类概率序列的全部信息。最后，计算正确分类像元与错误分类像元不确定性的比例，公式如下：
式中，Average（UncerC）是所有正确分类像元的分类不确定性平均值，Average（UncerU）是错误分类像元的不确定性平均值。所以，较低的分类不确定性比例说明分类结果更可靠。