張 影，趙小娟，王 迪※

（1. 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感重點(diǎn)實(shí)驗(yàn)室，北京100081；2. 青海省農(nóng)牧業(yè)遙感中心，西寧810008）

0 引言

我國是農(nóng)業(yè)大國，農(nóng)作物播種面積和產(chǎn)量信息是保障糧食安全、農(nóng)業(yè)供給側(cè)結(jié)構(gòu)性改革的重要依據(jù)［1-2］。及時(shí)、準(zhǔn)確地獲取農(nóng)作物種植面積及產(chǎn)量信息對(duì)優(yōu)化農(nóng)作物種植結(jié)構(gòu)、科學(xué)制定農(nóng)業(yè)政策、國家經(jīng)濟(jì)發(fā)展具有重要意義［3-4］。農(nóng)作物種植面積是影響農(nóng)作物產(chǎn)量的關(guān)鍵信息，而農(nóng)作物分類與識(shí)別則是獲取農(nóng)作物種植面積和產(chǎn)量信息的核心問題［5］。傳統(tǒng)獲取農(nóng)作物種植面積和產(chǎn)量信息的方法多以地面調(diào)查統(tǒng)計(jì)為主，該方法耗費(fèi)大量的人力、物力、財(cái)力且調(diào)查時(shí)間過長［6-7］。遙感技術(shù)作為一門快速發(fā)展的新興科學(xué)技術(shù)，憑借其精確、及時(shí)、宏觀等優(yōu)點(diǎn)已廣泛應(yīng)用于農(nóng)作物類型識(shí)別中［8］。國內(nèi)外學(xué)者開展了基于 MODIS［9］、Landsat/TM［10］、SPOT/HRV［11］、GF-1/WFV［12］等多光譜遙感影像進(jìn)行農(nóng)作物空間分布和面積提取的研究［13］。隨著傳感器的發(fā)展，多光譜影像的空間分辨率越來越高，但是光譜分辨率依然較低，在農(nóng)作物種植結(jié)構(gòu)復(fù)雜、地塊破碎地區(qū)分類精度不高，且難以實(shí)現(xiàn)對(duì)農(nóng)作物品種的分類研究［14］。而高光譜數(shù)據(jù)憑借光譜分辨率高，可以更為全面、細(xì)致地獲取地物光譜特征及其差異性等優(yōu)點(diǎn)，為農(nóng)作物類型識(shí)別提供新的技術(shù)手段［15］。高光譜遙感是指電磁波譜在可見光、近紅外、中紅外和熱紅外波段范圍內(nèi)，利用成像光譜儀獲得數(shù)十至數(shù)百個(gè)非常窄的波段信息，它們組成一條完整而連續(xù)的光譜曲線［16-17］。近年來，隨著成像光譜技術(shù)的發(fā)展，利用高光譜遙感進(jìn)行農(nóng)作物分類研究，獲取農(nóng)作物種植面積信息已經(jīng)成為農(nóng)業(yè)遙感的重要研究領(lǐng)域［18］。

文章總結(jié)了國內(nèi)外高光譜遙感農(nóng)作物分類研究進(jìn)展，分別從機(jī)載高光譜遙感農(nóng)作物分類、星載高光譜遙感農(nóng)作物分類、聯(lián)合多源遙感數(shù)據(jù)農(nóng)作物分類以及高光譜農(nóng)作物分類算法進(jìn)行總結(jié)，同時(shí)指出了高光譜遙感農(nóng)作物分類研究中存在的問題，并提出了未來的發(fā)展方向。

1 基于單一高光譜影像的農(nóng)作物分類

1.1 機(jī)載高光譜遙感的農(nóng)作物分類研究

高光譜遙感用于農(nóng)作物分類研究初期，大多使用單一的機(jī)載高光譜影像作為數(shù)據(jù)源，包括美國的AVIRIS、德國的ROSIS、加拿大的CASI、中國的PHI等。機(jī)載高光譜農(nóng)作物分類研究中使用的數(shù)據(jù)源、研究對(duì)象等參見表1［19-28］。如張豐［19］等在2002年根據(jù)PHI高光譜圖像上水稻生長期的光譜特征，采用混合決策樹分類方法對(duì)江蘇省常州市金壇良種場(chǎng)的水稻品種進(jìn)行了精細(xì)分類，總體分類精度達(dá)到94.9%。劉亮［20］等以北京順義區(qū)為研究區(qū)，使用成像光譜數(shù)據(jù)和實(shí)測(cè)地物光譜數(shù)據(jù)，通過逐級(jí)分層分類方法進(jìn)行農(nóng)作物分類研究，該方法首先通過NDVI指數(shù)將研究區(qū)分為植被區(qū)和非植被區(qū)，然后在不同層次上的圖像分類使用不同的分類方法，各種農(nóng)作物的分類精度均為95%以上。Melgani［22］等利用兩種不同的支持向量機(jī)：無核變換的線性支持向量機(jī)和基于高斯徑向基核函數(shù)（SVM-RBF）的非線性支持向量機(jī)，以AVIRIS數(shù)據(jù)為數(shù)據(jù)源，對(duì)玉米、大豆等農(nóng)作物進(jìn)行分類識(shí)別，分類精度分別為87.1%和93.42%。Tarabalka［23］等將SVM和馬爾科夫隨機(jī)場(chǎng)（MRF）結(jié)合對(duì)AVIRIS數(shù)據(jù)上的小麥、大豆、燕麥、玉米等農(nóng)作物進(jìn)行精細(xì)分類，該方法首先應(yīng)用概率支持向量機(jī)對(duì)AVIRIS數(shù)據(jù)進(jìn)行像素級(jí)分類，然后通過馬爾科夫隨機(jī)場(chǎng)正則化，利用空間上下文信息來精煉第一步得到的分類結(jié)果，分類精度為92.05%。余銘［28］等以AVIRIS高光譜數(shù)據(jù)為數(shù)據(jù)源，對(duì)美國加利福尼亞州南部薩利納斯山谷的西蘭花、玉米等農(nóng)作物采用條件隨機(jī)場(chǎng)進(jìn)行分類研究。該方法利用支持向量機(jī)（SVM）分類器計(jì)算各類地物的概率，并定義為條件隨機(jī)場(chǎng)的一元?jiǎng)莺瘮?shù)以融合空間特征信息；將空間平滑項(xiàng)和局部類別標(biāo)簽成本項(xiàng)加入到二元?jiǎng)莺瘮?shù)中，以考慮空間背景信息，并保留各類別中的詳細(xì)信息，多數(shù)農(nóng)作物分類精度為94%以上，總體分類精度為90.4%。機(jī)載高光譜遙感農(nóng)作物分類的研究對(duì)象多為水稻、玉米、大豆等大宗糧食作物，其中還涉及對(duì)小麥品種、水稻品種的精細(xì)分類，而對(duì)一些經(jīng)濟(jì)作物的研究較少。雖然機(jī)載高光譜影像覆蓋的面積較小，進(jìn)行大面積的農(nóng)作物分類研究比較困難，但是其空間分辨率較高，在高光譜農(nóng)作物分類研究中仍占有重要地位。

表1 2002—2018年基于機(jī)載高光譜數(shù)據(jù)的農(nóng)作物分類進(jìn)展Table 1 Advances in crop classification based on aerial hyperspectral data from 2002 to 2018

1.2 星載高光譜遙感的農(nóng)作物分類研究

20世紀(jì)90年代末，高光譜遙感進(jìn)入航天遙感階段，各個(gè)國家開始研究發(fā)射載有成像光譜儀的衛(wèi)星。美國發(fā)射了Terra、Hyperion等高光譜衛(wèi)星，日本發(fā)射了ADEOS-1和ADEOS-2高光譜衛(wèi)星，我國于2008年發(fā)射了搭有超光譜成像儀（HSI）的環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星A星（HJ-1A）［29-30］。隨著1999年美國AM-1衛(wèi)星發(fā)射，星載高光譜數(shù)據(jù)開始應(yīng)用于各個(gè)領(lǐng)域，其中在農(nóng)作物分類中常見的星載高光譜影像包括美國的Hyperion數(shù)據(jù)、中國的HJ-1A數(shù)據(jù)［31］。星載高光譜農(nóng)作物分類研究中使用的數(shù)據(jù)源、研究對(duì)象等參見表2［32-40］。Galva~o［32］等利用EO-1衛(wèi)星上獲取的高光譜數(shù)據(jù)，通過逐步回歸分析法建立判別模型，對(duì)巴西東南部地區(qū)的5種甘蔗品種進(jìn)行識(shí)別分類，分類精度為87.5%。李丹［33］等利用Hyperion數(shù)據(jù)，采取線性光譜混合模型和支持向量機(jī)方法提取廣州市北部的荔枝種植面積，研究結(jié)果表明線性光譜混合像元分解和支持向量機(jī)結(jié)合的方法充分利用了Hyperion影像的高光譜特點(diǎn)，可以對(duì)地物類型繁多、地塊破碎、訓(xùn)練樣本獲取不易的研究區(qū)進(jìn)行農(nóng)作物面積提取研究，其中荔枝的提取精度為85.3%。Bhojaraja［36］等采用光譜角匹配（SAM）分類方法在Hyperion高光譜數(shù)據(jù)上對(duì)印度卡納塔卡地區(qū)的檳榔面積進(jìn)行提取，精度為73.68%。為了提高分類精度，有學(xué)者在SAM的基礎(chǔ)上引入新的技術(shù)進(jìn)行新分類方法研究，如楊可明［37］等將諧波分析（HA）技術(shù)引入到SAM中，提出一種基于諧波分析的光譜角制圖（HA-SAM）高光譜影像分類算法。該方法先利用HA技術(shù)將Hyperion影像的光譜曲線進(jìn)行分解，提取低次諧波中的光譜能量特征，然后采用SAM方法進(jìn)行分類，研究結(jié)果表明當(dāng)分解次數(shù)為30次時(shí)，分類精度最高，且該方法的分類精度比直接使用SAM的分類精度提高了10.1%。星載高光譜數(shù)據(jù)已經(jīng)走向?qū)嶋H應(yīng)用，研究對(duì)象除了玉米、大豆等，還包括果園。由于星載高光譜影像的空間分辨率較低，導(dǎo)致在有些農(nóng)作物分類實(shí)際應(yīng)用中，星載高光譜影像的分類精度往往比機(jī)載高光譜影像分類精度低。因此通過提高星載高光譜影像的空間分辨率來提高農(nóng)作物分類精度將是高光譜農(nóng)作物分類研究中的重點(diǎn)。

表2 2005—2019年基于星載高光譜數(shù)據(jù)的農(nóng)作物分類進(jìn)展Table 2 Advances in crop classification based on spaceflight hyperspectral data from 2005 to 2019

2 聯(lián)合多源遙感數(shù)據(jù)的農(nóng)作物分類研究

高光譜遙感成像屬于光學(xué)遙感成像的范疇，因此高光譜影像會(huì)受到云雨天氣的影響，而雷達(dá)成像穿透力強(qiáng)、不受云雨天氣的影響并且激光雷達(dá)測(cè)量（LiDAR）能夠快速獲取地面三維坐標(biāo)，生成數(shù)字高程模型（DEM），將其與高光譜遙感結(jié)合起來，可以發(fā)揮各自的優(yōu)勢(shì)，提高農(nóng)作物分類精度［41］。聯(lián)合多源遙感數(shù)據(jù)農(nóng)作物分類研究中使用的數(shù)據(jù)源、研究對(duì)象等參見表3［42-47］。如Liu［43］等利用基于對(duì)象的圖像分析（OBIA）范式，結(jié)合CASI高光譜數(shù)據(jù)和LiDAR數(shù)據(jù)對(duì)玉米、胡椒、土豆等農(nóng)作物進(jìn)行了精細(xì)分類，分類精度為90.33%。為了解決由于星載高光譜數(shù)據(jù)源較少、空間分辨率較低而使一些地形復(fù)雜、地塊破碎地區(qū)分類效果達(dá)不到要求的問題，一些學(xué)者將高光譜數(shù)據(jù)和高空間分辨率、高時(shí)間分辨率的多光譜影像相結(jié)合進(jìn)行農(nóng)作物分類，以提高農(nóng)作物分類精度。如史飛飛［44］等以HJ-1A HSI高光譜數(shù)據(jù)提取的7個(gè)光譜特征變量和高分一號(hào)（GF-1）高空間分辨率遙感數(shù)據(jù)提取的NDVI時(shí)間序列為多源數(shù)據(jù)，對(duì)青海省西寧市的農(nóng)作物采用分類決策回歸樹（CART）和SVM方法進(jìn)行分類，研究結(jié)果表明，采用多源遙感數(shù)據(jù)的總體分類精度高于單一數(shù)據(jù)源的分類精度，農(nóng)作物總體分類精度分別為88.2%和84.5%。楊思睿［47］等將航拍HSI影像和LiDAR數(shù)據(jù)生成的數(shù)字表面模型（DSM）作為初始影像，對(duì)從初始影像中提取的空間特征、光譜特征以及高程信息進(jìn)行融合，借助稀疏多項(xiàng)式邏輯回歸分類器（SMLR）進(jìn)行黑河流域的小麥、青稞等農(nóng)作物分類，分類精度可達(dá)94.5%。高光譜、雷達(dá)和多光譜數(shù)據(jù)各有優(yōu)缺點(diǎn)，利用多源遙感數(shù)據(jù)進(jìn)行農(nóng)作物分類研究，可以充分利用各種遙感影像的優(yōu)點(diǎn)，彌補(bǔ)其不足，提高農(nóng)作物遙感分類和識(shí)別精度。因此，利用多源遙感數(shù)據(jù)融合和深層次挖掘進(jìn)行農(nóng)作物的分類和識(shí)別值得進(jìn)一步研究。

表3 2014—2018年基于多源遙感數(shù)據(jù)的農(nóng)作物分類進(jìn)展Table 3 Advances in crop classification based on multi-source remote sensing data from 2014 to 2018

3 農(nóng)作物高光譜分類算法

合適的分類方法可以準(zhǔn)確地識(shí)別農(nóng)作物。設(shè)計(jì)合適的高光譜遙感農(nóng)作物分類方法是國內(nèi)外學(xué)者研究的重點(diǎn)。該文根據(jù)采用的分類信息特征將高光譜遙感農(nóng)作物分類方法分為基于地物光譜信息分類、基于多維特征分類、基于數(shù)據(jù)降維分類以及多分類器集成分類［48-49］。

3.1 基于地物光譜信息分類

常用的基于統(tǒng)計(jì)特征農(nóng)作物分類方法存在計(jì)算量較大的問題，且分類精度有時(shí)會(huì)受到訓(xùn)練樣本數(shù)量的影響，因此國內(nèi)外學(xué)者在圖像的光譜特征上進(jìn)行了農(nóng)作物分類研究，即基于光譜信息分類［50］?；诠庾V信息的高光譜遙感農(nóng)作物分類主要是通過分析農(nóng)作物間微小的光譜差異，結(jié)合適合的光譜匹配技術(shù)來實(shí)現(xiàn)農(nóng)作物分類［51］。常用方法有光譜角匹配法、光譜信息散度、計(jì)算未知光譜和已知光譜距離并進(jìn)行最小距離匹配等［52-53］。Rao［54］以高光譜數(shù)據(jù)在冠層尺度和像素尺度建立的2個(gè)光譜庫為參考，對(duì)印度安得拉邦地區(qū)的水稻、甘蔗、辣椒和棉花等作物進(jìn)行光譜角分類，參考冠層尺度建立光譜庫的總體分類精度為86.5%，參考像素尺度建立光譜庫的總體分類精度為88.8%。

3.2 基于多維特征分類

基于光譜信息分類沒有考慮高光譜數(shù)據(jù)的空間信息特征，導(dǎo)致分類結(jié)果可能出現(xiàn)“椒鹽現(xiàn)象”。因此，有學(xué)者將空間特征和光譜信息相結(jié)合應(yīng)用于高光譜圖像農(nóng)作物分類中，該方法也是當(dāng)前高光譜影像農(nóng)作物分類研究的熱點(diǎn)之一［55-57］。如Chen［58］等通過最小噪聲分離變換（MNF）提取圖像的光譜特征并和提取的空間信息（形態(tài)特征、紋理特征等）形成光譜—空間融合特征向量，采用SSF-CRF分類方法對(duì)油菜、白菜等農(nóng)作物進(jìn)行分類，結(jié)果表明，在小樣本訓(xùn)練條件下，該方法的分類精度優(yōu)于傳統(tǒng)分類器，且分類精度達(dá)到了97.9%。Li［59］等提出了一種基于多特征融合策略的高光譜影像分類方法，在AVIRIS影像中對(duì)玉米、大豆等進(jìn)行了精細(xì)分類，該方法首先利用光譜空間特征學(xué)習(xí)（SSFL）提取光譜空間特征，其次應(yīng)用局部二進(jìn)制模式（LBP）提取圖像的紋理特征，將紋理特征與光譜空間特征融合，通過基于核極端學(xué)習(xí)機(jī)（KELM）的方法對(duì)高光譜圖像進(jìn)行農(nóng)作物分類，分類精度達(dá)到90%以上。

3.3 基于數(shù)據(jù)降維分類

高光譜影像有幾十甚至上百個(gè)波段，利用高光譜數(shù)據(jù)開展農(nóng)作物分類時(shí)，若所有波段均參與分類，會(huì)帶來計(jì)算量過大的問題。基于數(shù)據(jù)降維農(nóng)作物分類方法就是先對(duì)獲取的高光譜影像進(jìn)行波段選擇或特征提取，然后根據(jù)一定的規(guī)則選擇降維后的分量作為分類依據(jù)［16，49］。

波段選擇是指從原始波段數(shù)據(jù)中選擇出若干個(gè)波段，組合成一個(gè)新的子集用于分類，其特點(diǎn)是保留了原始波段的物理信息［60］。國內(nèi)外學(xué)者對(duì)高光譜影像波段選擇方法進(jìn)行了大量的研究，早期較為成熟的波段選擇方法主要有2種：（1）基于信息量的方法，即所選擇的波段或波段組合的信息量最大［61］，主要包括協(xié)方差矩陣特征值法、最佳指數(shù)因子法（OIF）、自適應(yīng)波段選擇法（ABS）等，如劉春紅［62］等采用ABS方法計(jì)算了波段間的指數(shù)，根據(jù)指數(shù)的大小，選擇了去掉噪聲后180個(gè)波段中的50個(gè)波段，這50個(gè)波段主要集中在“綠峰”、“紅谷”、“紅邊”區(qū)域，并分別在原始數(shù)據(jù)和波段選擇后的AVIRIS數(shù)據(jù)上，對(duì)玉米、大豆等農(nóng)作物進(jìn)行貝葉斯監(jiān)督分類，結(jié)果表明降維后數(shù)據(jù)計(jì)算量極大地減少了，分類精度比原始數(shù)據(jù)的分類精度提高了3.7%；（2）基于類間可分性的波段選擇方法，即通過計(jì)算已知訓(xùn)練樣本間的最大統(tǒng)計(jì)距離來獲得最優(yōu)波段組合［61］，包括離散度、J-M距離、光譜角度、光譜相關(guān)系數(shù)等。隨著波段選擇方法的深入研究，張悅［63］等將K-means聚類和ABS方法結(jié)合進(jìn)行高光譜數(shù)據(jù)波段選擇，選取了AVIRIS數(shù)據(jù)中的18個(gè)波段，采用支持向量機(jī)對(duì)實(shí)驗(yàn)區(qū)內(nèi)玉米、草地等進(jìn)行分類，結(jié)果表明，該研究提出的方法分類效果優(yōu)于ABS方法，分類精度為83.64%。Bajcsy［64］等根據(jù)是否需要訓(xùn)練樣本將波段選擇方法分為監(jiān)督波段選擇和非監(jiān)督波段選擇，非監(jiān)督波段選擇不需要訓(xùn)練樣本，只需要根據(jù)特定的算法即可獲得最優(yōu)波段組合，監(jiān)督波段選擇方法有基于類間可分性波段選擇方法等，非監(jiān)督波段選擇方法包括層次聚類方法、K-means聚類方法等。

特征提取是指依據(jù)嚴(yán)格的數(shù)學(xué)理論，基于變換并按照一定的準(zhǔn)則，將高光譜數(shù)據(jù)由高維空間映射到低維空間的方法［65］。特征提取在一定程度上雖然降低了數(shù)據(jù)維數(shù)，但是同時(shí)也改變了原始數(shù)據(jù)的信息，甚至?xí)?dǎo)致原始波段信息的丟失［66-67］。經(jīng)典的特征提取方法有主成分分析［68-69］（PCA）、最小噪聲分離變換［70］、線性判別分析［71］（LDA）等。此外，國內(nèi)外學(xué)者還采用其他高光譜數(shù)據(jù)特征提取方法開展了農(nóng)作物分類識(shí)別研究。Jia［72］等采用離散小波變換從AVIRIS數(shù)據(jù)中進(jìn)行特征提取，應(yīng)用AP聚類算法從獲取的特征中選取最具代表性的特征，再采用最近鄰（KNN）分類法對(duì)實(shí)驗(yàn)區(qū)內(nèi)的小麥、玉米等進(jìn)行分類，結(jié)果表明當(dāng)特征提取個(gè)數(shù)為13個(gè)時(shí)，分類精度最高為89%。夏道平［73］等采用改進(jìn)分散矩陣特征提取方法，基于支持向量機(jī)對(duì)實(shí)驗(yàn)區(qū)內(nèi)玉米、小麥等進(jìn)行分類識(shí)別，并將該方法和常規(guī)特征提取方法的分類效果進(jìn)行比較，研究表明，采用改進(jìn)分散矩陣特征提取方法的分類效果最好，分類精度為90.1%。

3.4 多分類器集成分類

高光譜圖像存在數(shù)據(jù)量大、數(shù)據(jù)維度高的問題，有時(shí)采用單一的分類器對(duì)高光譜圖像進(jìn)行分類時(shí)會(huì)受到各種條件的限制，分類精度難以達(dá)到滿意效果［74］。隨著集成學(xué)習(xí)引入遙感領(lǐng)域，在高光譜圖像分類中出現(xiàn)一種新的分類方法即多分類器集成系統(tǒng)，該方法可以將多個(gè)單分類器的結(jié)果進(jìn)行綜合后得到較滿意的分類結(jié)果［75］。多分類器集成系統(tǒng)的構(gòu)成包括系統(tǒng)結(jié)構(gòu)確定、基分類器選擇和組合策略選擇等3個(gè)部分，其中最主要的部分為基分類器的選擇［76］，共有3種構(gòu)造方式。第一種基分類器構(gòu)造方式是基于不同樣本的，即在相同的訓(xùn)練集中，采用不同的抽樣方法得到輸入的訓(xùn)練樣本，經(jīng)典算法有adaboost算法和bagging算法［77］。Kumar［78］等利用adaboost和bagging算法和基于SVM的多分類器模型結(jié)合，在AVIRIS高光譜數(shù)據(jù)上對(duì)卷心菜、包菜等進(jìn)行分類識(shí)別，分類精度達(dá)到了96.8%。第二種基分類器構(gòu)造方式是基于不同特征集構(gòu)造基分類器，該方式表達(dá)的是同一訓(xùn)練集的不同特征［49］。Ceamanos［79］等提出了一種基于支持向量機(jī)的分類器集合對(duì)AVIRIS數(shù)據(jù)的玉米、大豆、小麥等進(jìn)行精細(xì)分類，該方法首先將波段劃分成若干組，對(duì)每一組利用SVM進(jìn)行分類，然后所有的輸出采用額外的支持向量機(jī)分類器進(jìn)行最終決策融合，該方法分類精度達(dá)到了90.8%。第三種基分類器構(gòu)造方式是基于不同數(shù)量的分類器構(gòu)造，典型算法有動(dòng)態(tài)分類器選擇［80］、基于光譜和空間信息的動(dòng)態(tài)分類器選擇［81］等。蘇紅軍［82］等提出一種由支持向量機(jī)等5個(gè)基分類器構(gòu)建的多分類器動(dòng)態(tài)集成算法，應(yīng)用于AVIRIS高光譜影像上對(duì)玉米、大豆等農(nóng)作物進(jìn)行分類識(shí)別，結(jié)果表明多分類器動(dòng)態(tài)集成算法可以保持較高的分類精度（優(yōu)于90%），但是由于該算法主要利用的是鄰近像元的空間信息，導(dǎo)致了算法的運(yùn)行時(shí)間較長。表4對(duì)高光譜農(nóng)作物分類方法進(jìn)行了總結(jié)。

表4 2008—2017年高光譜遙感農(nóng)作物分類方法進(jìn)展Table 4 Advances in crop classification by hyperspectral remote sensing from 2008 to 2017

4 結(jié)論與展望

農(nóng)作物高光譜遙感分類研究在數(shù)據(jù)源的使用方面，由單一的高光譜影像向多源遙感影像發(fā)展；研究對(duì)象由機(jī)載高光譜數(shù)據(jù)的大豆、玉米等大宗糧食作物到星載高光譜數(shù)據(jù)中的果園；在高光譜遙感農(nóng)作物分類算法研究方面，由最初的基于統(tǒng)計(jì)特征分類和基于光譜信息分類過渡到基于光譜—空間特征分類和分類器集成系統(tǒng)，高光譜遙感農(nóng)作物分類已經(jīng)取得了一定的成果，但仍存在不足，需要進(jìn)一步研究。

（1）星載高光譜影像數(shù)據(jù)源較少，而機(jī)載高光譜影像的研究范圍較小，在進(jìn)行大面積農(nóng)作物分類和面積提取方面，數(shù)據(jù)源受到了限制。

（2）星載高光譜影像光譜分辨率高，可以識(shí)別作物間微小的差異，但是空間分辨率較低，在有些實(shí)際應(yīng)用中分類精度較低。因此需要研究將高空間分辨率的多光譜影像與高光譜影像融合，提高高光譜影像的空間分辨率，以便提高高光譜遙感農(nóng)作物分類精度。

（3）高光譜數(shù)據(jù)具有維數(shù)高、數(shù)據(jù)冗余量大、波段間相關(guān)性強(qiáng)、數(shù)據(jù)處理工作量大等問題，找到一種能夠加快高光譜數(shù)據(jù)處理速度的降維方法和分類器，以提高高光譜數(shù)據(jù)處理速度和分類精度，是今后高光譜數(shù)據(jù)的研究重點(diǎn)之一。

（4）擴(kuò)大高光譜遙感農(nóng)作物監(jiān)測(cè)對(duì)象的范圍，提高星載高光譜影像的空間分辨率，提高分類器的普適性和穩(wěn)定性，進(jìn)一步研究高光譜農(nóng)作物分類識(shí)別的機(jī)理和多源數(shù)據(jù)融合方法。