总结了每类方法的原理、优缺点和适用范围，指出了需进一步研究和解决的问题，并对今后的发展方向进行了展望，以期为作物遥感识别方法的应用及作物遥感研究提供参考与支撑。
关键词：遥感;作物;识别;方法;分类;现状;展望
中图分类号： S127 文献标志码： A
文章编号：1002-1302（2019）16-0045-07
收稿日期：2018-05-08
基金项目：国家自然科学基金（编号：41671525、41101553）;北京市自然科学基金（编号：8152030）;国家重点研发计划（编号：2016YFC0503500）。
作者简介：赵子娟（1993—），女，河北霸州人，硕士研究生，主要从事农业遥感作物分类及空间格局演变研究。
通信作者：刘 东，博士，讲师，主要从事资源开发与区域发展研究。
大宗作物的面积、产量等数据是粮食生产的重要指标，是国家制定粮食政策和国民经济发展计划的重要依据。起初获取作物种植面积、产量等信息主要依靠农学方法进行抽样，采用农学模式和气象模式，但这些模式计算繁杂，并且野外工作量大、成本高，人为因素影响较大，准确率难以提高[1]。遥感技術是新型对地观测技术，具有覆盖面积大、重访周期短、多时空分辨率等优势，成为获取作物空间信息的重要手段，并广泛应用于农业研究[2]。作物识别和分类是作物面积提取、长势监测、灾害风险预判、估产以及时空分布研究的前提[3]，是现代智慧农业进行精细化动态管理的基础。20世纪60年代，美国Purdue大学率先进行玉米种植面积遥感监测，开创了作物遥感监测的先河。随后，欧盟国家相继建立作物估产系统，为制定欧盟统一农业政策奠定了基础[4]。我国农业遥感研究及应用起步相对较晚，1979年由遥感应用学家陈述彭先生最早倡导。20世纪80年代中期至90年代，先后建立小麦、玉米、水稻动态监测及估产业务系统[5-6]。纵观作物遥感监测发展进程（图1），作物遥感监测范围从单一国家扩大到全球，从小麦单一作物发展到小麦、水稻和玉米等多种作物遥感估产研究。
我国是人口大国，粮食安全问题历来是国内外关注的焦点[7]。家庭联产承包责任制决定了我国农村作物种植结构分布的分散性、地域复杂性和管理的多样性。发挥遥感技术在农业生产中的优势，对我国加强作物生产管理，制定科学合理的粮食政策、保障粮食安全更具现实性和紧迫性。随着遥感技术的飞速发展， 基于遥感数据的作物识别方法与手段不断成熟，不同方法的原理不同，优势各异，应用领域也各有侧重。本文重点分析了基于光谱特征识别作物、基于纹理特征识别作物、基于物候特征识别作物及其他遥感识别作物的方法，归纳总结了每类方法的原理、优缺点和适用范围，指出了需进一步提高和解决的问题，并对今后发展方向进行了展望，以期为作物遥感识别方法的应用及作物遥感研究提供参考与支撑。
1 作物遥感识别方法
1.1 基于光谱特征的作物遥感识别方法
植被的光谱反射或发射特性由其生物化学特性和植被冠层形态结构特征决定，并与植被的发育阶段、健康状况以及植被生境条件密切相关。作物光谱特征以亮度（DN）值形式体现，不同的作物在相同波段图像上的亮度值一般不同，不同作物在多个波段图像上呈现的亮度值规律也不完全相同。因此，利用作物特有的光谱反射特征，可以将作物与其他地物区分开[8]。这一光谱反射特性为利用卫星影像进行农业遥感奠定了理论基础。
利用单一波段或多波段的光谱数据分析提取作物面积及分布信息，具有一定局限性，且分类精度较低。以高光谱特征参数、光谱变换数据、常用指数等为主要指标提取作物信息的方法，能够有效提高作物遥感识别精度。高光谱特征参数包括光谱位置参数（SL）、光谱面积参数（SA）和植被指数参数（VI）等。光谱变换数据是对特定波长区间的原始光谱数据进行微分、对数、归一化、倒数变换等处理得到，常见的有一阶微分变换、对数变换、归一化变换等。常用指数是由光谱数据经过加减乘除等线性或非线性组合运算而来[2]，如NDVI、DVI等（表1）。各个参数和指数灵敏度不同，监测识别作物的精度也不尽相同[9]。
1.1.1 目视解译法
目视解译法是指专业人员凭借光谱规律、地学规律和解译经验直接观察或者借助判读仪器依据遥感图像的亮度、色调、位置、时间、纹理和结构等特征获取作物信息的过程[10]。目视解译需要专业人员收集相关遥感信息、地形地貌信息和专业知识信息进行初步解译，再结合野外调查数据进行详细解译，如此反复循环初步解译、野外调查和详细解译过程，直到获得满意的解译精度为止，最终完成专题制图[11]。早期的作物遥感估产研究一般以目视解译法为主，如NASA于1950年、1980年对美国作物种植面积、产量遥感估测。1983年我国对京津冀地区冬小麦遥感估产，都是采用目视解译的方法。目视解译的分类精度高，但要求工作人员经验丰富，工作量大、繁琐且耗时，不适用于大区域的作物遥感识别分类研究。借助计算机自动分类可大大提高目视解译速度，计算机自动分类、人机交互式解译、外业调绘有机结合，建立遥感信息解译模型，可减少遥感影像中“同谱异物”和“同物异谱”现象的影响，有效提高目视解译的精度[12]。
1.1.2 监督分类法
监督分类法又称训练分类法，是用已知类别的样本像元识别其他未知类别像元的过程。在目视解译和野外调查的基础上，对遥感影像上作物的类别属性有了先验知识，针对各类别选取一定数量的训练样本，计算机计算每种训练样本的相关信息，用选取样本训练判决函数，使判决函数满足各种子类别分类的要求;用训练好的判决函数对其他待分类数据进行分类，将每个像元和训练样本作比较，按不同的规则将其划分到与其最相似的样本类，以此完成遥感识别作物的整个过程。监督分类是借助计算机自动分类完成作物遥感识别的起源，需借助地面样方调查样点分类识别作物。美国的LACIE计划就是在获取地面样方的前提下，对遥感影像进行分层监督分类[4]。谢登峰等以Landsat 8和 MODIS 为数据源，采用监督分类识别秋粮作物，水稻和玉米的总体精度高达80%左右[13]。Azar等利用多时相Landsat8 OLI数据，采用监督分类提取了意大利北部地区作物的种植面积，同样得到较好的分类精度[14]。监督分类应用于遥感识别作物精确度高，准确性好，与实际类别吻合性较好，但是工作量大，且必须有先验知识时才能使用该类方法。
相关热词搜索： 遥感 作物 展望 现状及 识别