王 衛(wèi)，朱明幫，陳曉遠(yuǎn)，胡月明* ，林昌華

(1.華南農(nóng)業(yè)大學(xué) 資源環(huán)境學(xué)院，廣東 廣州 510642；2.廣東省土地利用與整治重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510642；3.廣東省土地信息工程技術(shù)研究中心，廣東 廣州 510642；4.韶關(guān)學(xué)院 英東生物與農(nóng)業(yè)學(xué)院，廣東 韶關(guān) 512005；5.韶關(guān)學(xué)院 粵北土壤土地中心，廣東 韶關(guān) 512005)

【研究意義】糧食安全是全球戰(zhàn)略安全的重要環(huán)節(jié)，特別是在重大公共安全事件(如SARS和COVID-19)面前，保障糧食安全是各國(guó)首選的戰(zhàn)略任務(wù)。作為承載糧食生產(chǎn)任務(wù)的耕地，維持其一定數(shù)量和質(zhì)量是保障糧食安全的關(guān)鍵途徑。對(duì)耕地?cái)?shù)量和質(zhì)量監(jiān)測(cè)是耕地利用和保護(hù)的熱點(diǎn)議題。水稻是我國(guó)主要的糧食作物，2019年稻谷的產(chǎn)量約占全球產(chǎn)量的30%[1]。監(jiān)測(cè)水田的變化是估算水稻產(chǎn)量的必要路徑，也是評(píng)估“墾造水田”等耕地整治工程實(shí)施成效的重要手段，而利用時(shí)序遙感分析技術(shù)具有快速、高效和客觀的優(yōu)點(diǎn)，成為水田監(jiān)測(cè)的主要途徑?！厩叭搜芯窟M(jìn)展】隨著遙感數(shù)據(jù)源的不斷豐富和遙感技術(shù)的進(jìn)步，耕地遙感監(jiān)測(cè)的精度和準(zhǔn)確度也在不斷的提高。中低分辨率的遙感影像適合大尺度區(qū)域的耕地變化監(jiān)測(cè)和農(nóng)業(yè)估產(chǎn)，如利用MODIS衛(wèi)星影像對(duì)全國(guó)和省域尺度的耕地分布、作物種植面積和種植制度進(jìn)行監(jiān)測(cè)[2-7]，基于時(shí)序植被指數(shù)和物候期特征實(shí)現(xiàn)了大規(guī)?？焖俑咝У母睾妥魑锩娣e提取和監(jiān)測(cè)。但受制于遙感影像的分辨率，監(jiān)測(cè)精度和多種作物套作的識(shí)別精度不高，耕地的邊界不夠準(zhǔn)確。隨著多源高分辨率影像的普及，利用高分遙感的光譜和豐富的紋理特征，結(jié)合作物的關(guān)鍵物候期，運(yùn)用決策樹和面向?qū)ο蠓诸惖榷喾N方法，提高耕地的識(shí)別精度和提取面積的準(zhǔn)確程度，作物的分類也不斷細(xì)化，農(nóng)業(yè)遙感不僅快速高效，而且向精準(zhǔn)和精細(xì)化發(fā)展[8-11]。但高分辨率的多特征圖像，產(chǎn)生高維的數(shù)據(jù)，數(shù)據(jù)量大，計(jì)算耗時(shí)，且高分辨影像對(duì)分類的訓(xùn)練要求較高，不便于大區(qū)域使用。近年來(lái)大數(shù)據(jù)和云計(jì)算技術(shù)的發(fā)展，開源遙感數(shù)據(jù)的多尺度場(chǎng)景的應(yīng)用得以實(shí)現(xiàn)。機(jī)器學(xué)習(xí)方法如隨機(jī)森林法能夠利用多決策系統(tǒng)，對(duì)遙感影像的多維特征數(shù)據(jù)借助樣本和定量特征進(jìn)行快速的解譯和分類，既提高了結(jié)果的準(zhǔn)確度，又?jǐn)U大了高分辨率影像的適用性[12-16]。但是目前基于國(guó)產(chǎn)高分衛(wèi)星影像的云地球，起步較慢，面向?qū)I(yè)領(lǐng)域的應(yīng)用，通用性不強(qiáng)，公眾用戶應(yīng)用困難。【本研究切入點(diǎn)】基于高分遙感影像，從農(nóng)業(yè)遙感業(yè)務(wù)應(yīng)用出發(fā)，探索快速準(zhǔn)確和高適用性的方法，是高分辨率遙感領(lǐng)域應(yīng)關(guān)注的熱點(diǎn)課題?！緮M解決的關(guān)鍵問(wèn)題】因此本文利用我國(guó)自主高分衛(wèi)星和開源哨兵2衛(wèi)星數(shù)據(jù)，選擇關(guān)鍵物候期的時(shí)序影像，構(gòu)建時(shí)序多特征差異圖像，在隨機(jī)森林法的支持下，實(shí)現(xiàn)對(duì)粵北地區(qū)南雄市水田的識(shí)別，達(dá)到快速監(jiān)測(cè)水田面積的目標(biāo)，并為耕地的精準(zhǔn)監(jiān)測(cè)提供參考。

1 材料與方法

1.1 研究區(qū)與數(shù)據(jù)

鑒于高分2號(hào)衛(wèi)星影像的幅寬和同時(shí)相的區(qū)域覆蓋較小，以及粵北地區(qū)氣候和種植制度相同，本文以廣東省南雄市為研究區(qū)，識(shí)別水田并驗(yàn)證區(qū)域水田面積?；洷钡貐^(qū)包括韶關(guān)市和清遠(yuǎn)市，是廣東省重要的糧食基地，水稻種植面積和產(chǎn)量占廣東省的1/3以上[17]。南雄市為韶關(guān)市代管縣級(jí)市，地處廣東省東北部，大庾嶺南麓，毗鄰江西，南北兩面為山地，中部丘陵沿湞江伸展，形成一狹長(zhǎng)盆地，地質(zhì)學(xué)稱之為“南雄盆地”[18]。南雄市經(jīng)濟(jì)綜合發(fā)展力位列全省28個(gè)山區(qū)縣(市)第四，位居韶關(guān)市(縣市)第一，2019年，完成地區(qū)生產(chǎn)總值113.84億元。南雄盆地中部的紫色土，富含磷、鉀，黃煙和水稻產(chǎn)量均比較高。2019年南雄市水稻種植面積達(dá)28 000 hm2，產(chǎn)量16.7萬(wàn)t，占韶關(guān)市的30%，水稻種植以晚稻為主，2019年種植面積約為18 000 hm2[19-20]。

本文利用的衛(wèi)星遙感影像有廣東省高分中心提供的高分2號(hào)影像，歐空局和USGS提供的哨兵2號(hào)(Sentinel-2)影像。高分2號(hào)(GF-2)衛(wèi)星是我國(guó)自主研制的首顆空間分辨率優(yōu)于1 m的民用光學(xué)遙感衛(wèi)星，搭載有兩臺(tái)高分辨率1 m全色、4 m多光譜相機(jī)，幅寬45 km波譜范圍為0.45～0.90 μm。高分2號(hào)(GF-2)具有米級(jí)空間分辨率、高輻射精度、高定位精度和快速姿態(tài)機(jī)動(dòng)能力[21]。哨兵2號(hào)衛(wèi)星搭載一臺(tái)多光譜成像儀(MSI)，可覆蓋13個(gè)光譜波段，波譜范圍0.44～22 μm，幅寬達(dá)290 km，地面分辨率分別為10、20和60 m。在光學(xué)數(shù)據(jù)中，哨兵-2號(hào)衛(wèi)星影像是唯一一個(gè)在植被紅邊范圍含有3個(gè)波段的數(shù)據(jù)，這對(duì)監(jiān)測(cè)植被健康信息非常有效[22]。

研究區(qū)遙感影像的時(shí)相選擇為晚稻的關(guān)鍵物候期，包括晚稻主要的生長(zhǎng)期和收獲期，無(wú)云覆蓋，或者少量云覆蓋的影像。研究區(qū)晚稻的生長(zhǎng)期為8—10月，11月上旬基本收割完畢，所以本文選擇影像的獲取時(shí)間為生長(zhǎng)期的8月初、9月底和10月初以及收割后的11月中旬(表1)。

1.2 研究方法

本文利用遙感影像的多光譜特征和紋理特征，通過(guò)關(guān)鍵物候期水田光譜的差異以及植被指數(shù)、濕度指數(shù)和顏色指數(shù)等多指數(shù)特征和差異，構(gòu)建多特征圖像，運(yùn)用隨機(jī)森林方法識(shí)別水田并測(cè)算南雄市2019年晚稻種植面積。

1.2.1 指數(shù)特征 歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI，公式1)是反映農(nóng)作物長(zhǎng)勢(shì)和營(yíng)養(yǎng)信息的重要參數(shù)之一[23]。根據(jù)該參數(shù),可以知道不同季節(jié)的農(nóng)作物對(duì)氮的需求量,對(duì)合理施用氮肥具有重要的指導(dǎo)作用，可用于檢測(cè)植被生長(zhǎng)狀態(tài)、植被覆蓋度和消除部分輻射誤差等。

表1 數(shù)據(jù)源及用途

(1)

式(1)中，Bnir為影像的紅外波段，Bred為影像紅波段。

Vogelmann紅邊植被指數(shù)(Vogelmann Red Edge Index，VOG，公式2)，對(duì)葉綠素濃度、葉冠層和水分含量的綜合非常敏感。它可應(yīng)用于植物物候變化研究、精細(xì)農(nóng)業(yè)和植被生產(chǎn)力建模[24]。

(2)

式(2)中，Bre1為影像的植被紅邊波段1，Bre2為影像紅邊波段2。

紅邊拐點(diǎn)指數(shù)(Red-edge Inflection Point,REIP公式3)，考慮了葉片的葉綠素含量,值越高葉綠素含量越高。它對(duì)葉冠層的微小變化和衰老非常靈敏，可用于精細(xì)農(nóng)業(yè)、森林監(jiān)測(cè)、植被脅迫性探測(cè)等[25]。

(3)

式(3)中，Bnir為影像的紅外波段，Bre1為影像的紅邊波段1，Bre2為影像紅邊波段2,Bre3為影像紅邊波段3。

歸一化紅外指數(shù)(Normalized Difference Infrared Index，NDII，公式4)，對(duì)農(nóng)作物冠層的水分含量變化非常敏感，NDII的值越大表示水分含量越多。應(yīng)用于農(nóng)作物管理，森林冠層監(jiān)測(cè)，植被脅迫性探測(cè)[26]。

(4)

式(4)中，Bnir為影像的紅外波段，Bswir1為影像短波紅外波段波段。

歸一化濕度指數(shù)(Normalized Difference Moisture Index,NDMI，公式2)是反應(yīng)遙感圖像中的水體信息和植被含水量[24]。

(5)

式(5)中，Bnir為影像的紅外波段，Bgreen為影像綠波段。

亮度指數(shù) (Brightness Index，BI，公式3)代表衛(wèi)星圖像亮度的平均值，該指數(shù)對(duì)土壤亮度敏感，亮度與濕度和表面鹽分的存在高度相關(guān)[27]。

(6)

式(6)中，Bred為影像的紅外波段，Bgreen為影綠像波段。

顏色指數(shù)(Colour Index，CI，公式4)用于區(qū)分田間土壤，低值CI與高濃度碳酸鹽或硫酸鹽相關(guān)，較高值與干旱地區(qū)的結(jié)殼土壤和沙子相關(guān)[27]。在大多數(shù)情況下，CI與BI和NDVI提供補(bǔ)充信息。用于歷時(shí)分析，有助于更好地理解土壤表面的演變。

(7)

式(7)中，Bred為影像的紅外波段，Bgreen為影像綠波段。

1.2.2 紋理特征 隨著遙感影像分辨率的不斷提高，面向?qū)ο髨D像分類技術(shù)的應(yīng)用領(lǐng)域愈加廣泛。面向?qū)ο蠓诸惙椒ㄊ菍⒕哂邢嗨乒庾V和紋理特征的像元組合在一起，形成具有一定幾何形狀、大小和紋理等特征的空間對(duì)象，再以對(duì)象為單位進(jìn)行分類，能夠更清晰地提取地物的邊界，減少分類圖像上的“椒鹽現(xiàn)象”，在進(jìn)行地類變化監(jiān)測(cè)時(shí)，能較好的體現(xiàn)不同地類的區(qū)域分異特點(diǎn)[28-29]。本文利用Mean Shift算法，對(duì)高分2號(hào)影像進(jìn)行多尺度分割，Mean Shift算法是一種高效的統(tǒng)計(jì)迭代算法，具有抗噪聲干擾和邊界保持性好的優(yōu)點(diǎn)[30-31]。

基于高分影像豐富的紋理特征，分別對(duì)晚稻生長(zhǎng)期的影像和晚稻收割后的影像進(jìn)行多尺度分割并做差值分析。高分2號(hào)影像上地物的邊界特征明顯，在晚稻的生長(zhǎng)期圖像上，水田與其他地類的邊界清晰，呈大小不等的圖斑對(duì)象，水田內(nèi)部比較均勻。在收割后的圖像上，由于水田上沒有作物覆蓋，邊界更加清晰，呈現(xiàn)較大的內(nèi)部均勻的板塊對(duì)象。但兩期影像上均存在異物同譜現(xiàn)象，需通過(guò)時(shí)序差值，提高水田邊界的提取精度(圖1)。

1.2.3 時(shí)序差異多特征圖像構(gòu)建 對(duì)多光譜遙感影像歸一化后進(jìn)行差值，然后再進(jìn)行多尺度分割，依據(jù)地物的紋理特征和地物光譜的異同建立多尺度分割圖像。并聯(lián)合NDVI、NDII、NDMI、VOG、REIP、BI、CI指數(shù)物候期差值圖像，建立多指數(shù)特征差異圖像。由哨兵2號(hào)原始影像，高分影像多尺度分割差值圖像，NDVI、NDII、NDMI、VOG、REIP、BI、CI指數(shù)及指數(shù)產(chǎn)值圖像，生成26個(gè)特征量，作為研究區(qū)水田提取的圖像。通過(guò)波譜分析和波段運(yùn)算，計(jì)算兩兩時(shí)期的指數(shù)最大差值，特征量主成分分析，并結(jié)合多尺度分割，構(gòu)建時(shí)序差異多特征圖像，形成4種圖像用于水田提取精度的對(duì)比，分別是晚稻生長(zhǎng)期影像與當(dāng)期多尺度分割圖像、NDVI、NDII、NDMI、VOG、REIP、BI、CI指數(shù)合成的多指數(shù)特征圖像，晚稻收割后影像與當(dāng)期多尺度分割圖像、NDVI、NDII、NDMI、VOG、REIP、BI、CI指數(shù)合成的多指數(shù)特征圖像，指數(shù)差值圖像和時(shí)序差異多特征圖像(圖2)。

1.2.4 分類方法 根據(jù)兩期影像的特征和研究區(qū)作物生長(zhǎng)情況并結(jié)合實(shí)地調(diào)查，建立水田識(shí)別的訓(xùn)練樣本，分為林地、水田、其他農(nóng)用地、水體，人工地表和裸地6種類型的訓(xùn)練樣本。

在圖像分類的方法上，本文通過(guò)對(duì)比支持向量機(jī)、波譜角和隨機(jī)森林法，對(duì)比運(yùn)算速度和分類精度，最終選擇隨機(jī)森林法。隨機(jī)森林方法是一種集成學(xué)習(xí)方法，能夠?qū)⒍嗫脹Q策樹集成的一種算法。該算法采用基尼系數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行二值分割，從而實(shí)現(xiàn)對(duì)樣本數(shù)據(jù)的分類，采用加權(quán)平均值對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練以實(shí)現(xiàn)回歸問(wèn)題[13,32]。隨機(jī)森林算法適用于處理高維數(shù)據(jù)且運(yùn)行速度相對(duì)較快，對(duì)于較少的特征樣本也有較高的分類精度，近年來(lái)在遙感影像分類領(lǐng)域得到了廣泛應(yīng)用。

本文數(shù)據(jù)處理的步驟主要有遙感影像預(yù)處理，多指數(shù)特征差異圖像構(gòu)建，晚稻種植面積測(cè)算。實(shí)驗(yàn)平臺(tái)為ENVI5.3，數(shù)據(jù)處理流程如圖3所示。

2 結(jié)果與分析

2.1 影像特征

根據(jù)目標(biāo)區(qū)水稻的生育期和物候差異，2019年8月5日，研究區(qū)晚稻插秧完畢，2019年8月13日，水稻處于幼苗期，水田表面呈現(xiàn)水體與水稻交錯(cuò)分布，在影像呈現(xiàn)水體與植被的光譜特征。2019年9月27日處于水稻的灌漿期，水稻的長(zhǎng)勢(shì)最好，植被指數(shù)處于最大值，水田在光譜上呈完全植被覆蓋。2019年11月11日，目標(biāo)區(qū)水稻收割完畢，水田為土壤裸露地表形態(tài)，在影像上呈土壤光譜特征。

圖1 高分影像多尺度分割效果Fig.1 Multi scale segmentation effect of high resolution image

圖2 指數(shù)差值合成圖像(a)和時(shí)序多特征差異合成圖像(b)Fig.2 Exponential difference composite image and temporal multi feature difference composite image

圖3 技術(shù)路線圖Fig.3 Technology flowchart

從最大值最小值上看，2019年8月13日的影像上水田的VOG指數(shù)最大而NDMI、CI指數(shù)最小，2019年9月27日的影像上水田的NDVI、REIP指數(shù)最大，2019年11月11日影像上水田的BI、CI和NDII指數(shù)最大而NDVI、VOG、REIP指數(shù)最小。利用指數(shù)差異，分別構(gòu)建NDVI、NDMI、VOG、CI、REIP和NDII指數(shù)最大差異圖像，使水田樣本取值在指數(shù)差異特征量上均為最大值(圖4)。

2.2 不同圖像樣本特征

分別對(duì)生長(zhǎng)期的影像、收割后的影像、時(shí)序指數(shù)差值圖像和時(shí)序差分指數(shù)模型圖像的樣本可分離度進(jìn)行分析，結(jié)果如表2所示。

a為BI，b為NDVI，c為NDII，d為VOG， e為CI， f為REIP，g為NDMI，橫坐標(biāo)為指數(shù)值，縱坐標(biāo)為像元計(jì)數(shù) a is BI,b is NDVI,c is NDII,d is VOG,e is CI,f is REIP,g is NDMI abscissa is index value,ordinate is pixel count圖4 水田在三期影像7種指數(shù)上的取值范圍Fig.4 The range of values of paddy field in the seven indices of three phase images

表2 不同樣本類型不同類型圖像中的可分離度

表3 不同類型圖像精度評(píng)估

在生長(zhǎng)期影像上，水田與林地，收割后影像上水田與其他農(nóng)用地、裸地人工地表地類，時(shí)序指數(shù)差值圖像的水田與裸地的可分離值均小于1.8，可分離度較差，在分類圖像上容易導(dǎo)致誤分。而在時(shí)序差分指數(shù)模型圖像上，水田與其他地類的可分離度均大于1.97，可分離性較好，分類圖像誤分幾率較小。

2.3 精度驗(yàn)證

利用隨機(jī)森林方法分別對(duì)生長(zhǎng)期的影像、收割后的影像、時(shí)序指數(shù)差值圖像和時(shí)序多特征差異圖像進(jìn)行分類，提取水田的面積，并以實(shí)地分類樣本檢驗(yàn)分類精度和面積的準(zhǔn)確程度，發(fā)現(xiàn)時(shí)序多特征差異圖像的水田提取精度最高，Kappa系數(shù)為0.97，用戶精度為98%，水田面積與農(nóng)業(yè)部門統(tǒng)計(jì)的晚稻播種數(shù)據(jù)差值為240.05 hm2(表3)。

對(duì)比4種圖像的分類結(jié)果，時(shí)序多特征差異圖像的分類圖像中(圖5)，各地類的邊界清晰，誤分現(xiàn)象較少，碎圖斑少，識(shí)別水田的地理位置準(zhǔn)確。生長(zhǎng)期的應(yīng)用由于植被覆蓋特征上水田與草地等地類光譜相似，而收割后的影像上水田與裸地和其他未耕作土地的光譜相似，導(dǎo)致水田的面積不準(zhǔn)確，分類精度較低。而單使用指數(shù)差值，會(huì)失去圖像的多光譜特征，降低水田識(shí)別的精度。通過(guò)指數(shù)差異消除異物同譜現(xiàn)象，高分遙感影像的多尺度分割使地物之間的邊界清晰，并保留關(guān)鍵物候期的多光譜特征，并在善于處理高維特征數(shù)據(jù)的隨機(jī)森林方法的支持下，使得時(shí)序多特征差異圖像在提取水田時(shí)精度最高。

3 討 論

2017年中國(guó)啟動(dòng)了第三次全國(guó)國(guó)土調(diào)查，主要任務(wù)有全面掌握全國(guó)耕地等地類分布及利用狀況，掌握耕地?cái)?shù)量、質(zhì)量、分布和構(gòu)成，健全國(guó)土等自然資源變化信息的調(diào)查、統(tǒng)計(jì)和全天候、全覆蓋遙感監(jiān)測(cè)與快速更新機(jī)制[33]。2020年將全面完成第三次全國(guó)國(guó)土調(diào)查工作，耕地的數(shù)量、質(zhì)量、分布和構(gòu)成等信息將向社會(huì)公布，由于采用了新的調(diào)查規(guī)程，在調(diào)查中發(fā)現(xiàn)耕地的數(shù)量和質(zhì)量上存在一定差距。對(duì)于業(yè)務(wù)管理部門，耕地變化遙感精準(zhǔn)監(jiān)測(cè)應(yīng)用存在若干難題。第一，在業(yè)務(wù)管理應(yīng)用中所認(rèn)定的耕地與遙感調(diào)查的耕地存在一定的差異。一般認(rèn)為耕地是種植農(nóng)作物的土地，但由于社會(huì)經(jīng)濟(jì)效益的驅(qū)動(dòng)、耕地管控政策和土地整治規(guī)模的加大，在業(yè)務(wù)管理工作中耕地的認(rèn)定不僅僅局限于種植農(nóng)作物的土地，如種植果樹等樹木但耕作層未被破壞可恢復(fù)為耕地的土地，多年拋荒撂荒但之前為耕地的土地，從事牧漁生產(chǎn)但多年前為耕地的土地，這使得耕地的數(shù)量和質(zhì)量統(tǒng)計(jì)可能出現(xiàn)偏差。而遙感技術(shù)通過(guò)對(duì)耕地的時(shí)序監(jiān)測(cè)，能夠獲取處于農(nóng)作物生產(chǎn)活動(dòng)耕地的準(zhǔn)確客觀的信息。通過(guò)農(nóng)作物主要的物候期，結(jié)合區(qū)域的多年種植習(xí)慣和生產(chǎn)特點(diǎn)，在農(nóng)作物的關(guān)鍵物候期獲取遙感影像，建立基于知識(shí)規(guī)則耕地提取方法，將能夠改善耕地?cái)?shù)量監(jiān)測(cè)的準(zhǔn)確程度。第二，遙感技術(shù)主要是通過(guò)對(duì)地表覆蓋特征及其變化，來(lái)實(shí)現(xiàn)對(duì)耕地的監(jiān)測(cè)，由于全國(guó)范圍內(nèi)區(qū)域差異大，高分辨遙感同時(shí)相全區(qū)域覆蓋難，農(nóng)作物種類多，給耕地的遙感精確監(jiān)測(cè)帶來(lái)了挑戰(zhàn)。如何快速準(zhǔn)確地全覆蓋監(jiān)測(cè)耕地?cái)?shù)量和質(zhì)量變化，是當(dāng)前耕地遙感監(jiān)測(cè)的焦點(diǎn)[34]。第三，本文通過(guò)探索基于多源遙感數(shù)據(jù)的多維特征，結(jié)合縣域農(nóng)作物的物候特征，采用集成學(xué)習(xí)方法，實(shí)現(xiàn)了水田較為準(zhǔn)確的提取。由于對(duì)研究區(qū)的熟悉程度、工作便利性等特點(diǎn)，作者對(duì)研究區(qū)農(nóng)作物的生產(chǎn)特點(diǎn)和耕作習(xí)慣具備一定的知識(shí)判斷，在建立訓(xùn)練樣本時(shí)較為準(zhǔn)確，但是如果面向市域、省域乃至全國(guó)尺度時(shí)，就需要綜合區(qū)域物候、種植作物和耕作制度等差異及耕地業(yè)務(wù)管理行為，進(jìn)行綜合判斷，才能準(zhǔn)確地提取耕地信息。那么發(fā)展基于專家知識(shí)庫(kù)和知識(shí)規(guī)則的遙感監(jiān)測(cè)決策系統(tǒng)是解決耕地監(jiān)測(cè)難題的途徑之一，這也是近年來(lái)大數(shù)據(jù)和云地球努力實(shí)現(xiàn)的目標(biāo)。第四，在耕地質(zhì)量的評(píng)價(jià)和監(jiān)測(cè)領(lǐng)域，遙感技術(shù)的應(yīng)用研究正逐步開展，但相關(guān)標(biāo)準(zhǔn)和體系還有待進(jìn)一步完善，這也是耕地遙感監(jiān)測(cè)需解決的問(wèn)題之一[35]。

圖5 不同類型圖像分類結(jié)果Fig.5 Classification results of different types of images

依據(jù)物候差異和時(shí)序特征進(jìn)行水田的識(shí)別，需要結(jié)合區(qū)域的種植制度和耕作習(xí)慣，選擇合適時(shí)相的遙感影像，比如水稻的移栽期、生長(zhǎng)期和收獲期，使得水田在遙感影像上的差異最明顯，提高水田識(shí)別的準(zhǔn)確程度。而粵北地區(qū)為雨熱同期區(qū)域，理想的遙感數(shù)據(jù)(關(guān)鍵物候期，少云或無(wú)云影像)是光學(xué)遙感影像主要瓶頸。Sentinel 2衛(wèi)星影像的幅寬為290 km，適用于市域尺度和省域尺度的遙感應(yīng)用，而結(jié)合高分辨率衛(wèi)星影像，可以提高水田識(shí)別的精確程度，但鑒于高分2號(hào)衛(wèi)星的同時(shí)相市域和省域尺度覆蓋度低，所以本文選擇縣域作為研究尺度，既能增強(qiáng)數(shù)據(jù)的可獲取性，又能探討多源遙感提取水田的適用性。

4 結(jié) 論

本文利用多源遙感數(shù)據(jù)，結(jié)合研究區(qū)晚稻的物候差異，構(gòu)建時(shí)序多特征差異圖像，運(yùn)用隨機(jī)森林方法，實(shí)現(xiàn)粵北地區(qū)縣域尺度水田的提取。通過(guò)提取圖像的多種指數(shù)特征、紋理特征和物候期圖像的差異特征，構(gòu)建時(shí)序多特征差異圖像。對(duì)比多種圖像的分類結(jié)果，發(fā)現(xiàn)時(shí)序多特征差異圖像的分類結(jié)果最好，提取的水田面積的差異最小,實(shí)現(xiàn)了提高水田提取精度的目的。本文使用的方法和數(shù)據(jù)，同時(shí)也適合在云地球上部署，可為云解決方案提供參考。