鲁新新，阿迪力·亚森，蒋青松

（塔里木大学 信息工程学院，新疆维吾尔自治区 阿拉尔 843300）

卫星遥感技术具有快速、简便、宏观、无损及客观等优点，经过几十年的快速发展，目前已经广泛应用于农业生产领域的各个环节。作物生长状况的及时获得和解译是开展现代精准农业的基础，卫星遥感技术于农业作物信息的获取有较为明显的优势[1]。近年来中分辨率遥感卫星如Landsat、Sentinel 以及中国高分卫星等的免费开放为国内外农业土地利用信息提取提供了前所未有的机遇，特别是遥感图像分类算法方面取得了一系列重要研究进展。

1 国内外研究现状

对于利用遥感图像来对地面农业地类进行解译，国内许多学者已经进行了数十年的研究。分类方法日趋增多，大致可以分为监督分类和非监督分类，分类精度也愈来愈高。而作为遥感农业分类研究的数据来源，遥感图像的分辨精度也经历了从低分辨率（NOAA AVHRR 以及国产风云气象系列）到中高分辨率（Landsat系列等）再到高分辨率（高分系列等）。近些年来卫星传感器种类不断增多、技术不断迭代，如基于高光谱、多角度、微波、热红外遥感等更多种类且高质量的遥感数据可以为我们所用[2]。早期的低分辨率遥感图像主要运用于大范围的国土遥感检测，中高分辨率遥感图像出现以后，区域性的详细地类监测以及分类才得以迅速发展起来。李晓东、姜琦刚以镇赉县为试验区，设计了基于多时相遥感数据的农田分类提取方案。该算法的总体分类精度为94%[3]；2016 年，2 位学者又在此地区利用 Landsat 8 遥感数据构建多维分类特征数据集对试验区进行土地覆被分类研究，提取了11 种土地利用类型。最终多维变量组合方案的总体分类精度为95.50%[4]；刘焕军、孟令华等基于时间序列Landsat 5 和Landsat 7 系列遥感数据，结合实测作物产量数据，进行了棉花产量遥感预测模型研究。研究表明基于Landsat 遥感数据的植被指数时序准确反映了棉花整个生长期的长势情况。其他针对中高分辨率遥感图像以及相关处理指数的

研究仍然不在少数，其中特别是基于Landsat 系列遥感数据的研究十分丰富。另外，近些年来，由于深度学习的兴起，将深度学习算法应用于遥感数据分类提取的研究也日趋增多。以上学者基于各种遥感图像数据进行了多方向多方法的分类研究，且都取得了一定的研究成果。但长期以来，虽然作物分类算法日益丰富，提取精度也随着算法优化而不断提升。但这些研究多集中于不同算法的提取精度比较或者对单个算法的优化上，对于其他维度，如作物不同生育期阶段以及不同品种作物细分类的研究较少。

2 存在问题与展望

2.1 存在的主要问题

2.1.1 农作物不同生育期阶段面积提取精度对比研究较少

借助于Landsat 数据、高分系列和其他遥感卫星，近几十年在作物时空分布和面积监测的方面取得了较大进展。但某作物生育期内各阶段的提取精度对比的研究较少，如棉花就可以对比苗期、蕾期、花龄期、吐絮期的面积提取精度并研究其具体差异原因。

2.1.2 作物生育前期的面积提取精度较差

由于农业作物生育期早期与其他作物缺乏较为明显的分类特征，农业地块破碎、云雨天气频发等诸多难题也是影响分类的重要因素，致使利用Landsat 等遥感图像进行分类提取时提取效果不佳。

2.1.3 高分辨率遥感图像优势利用不佳

近些年来，随着我国高分系列遥感卫星的使用，遥感图像的分辨率已经达到了米级，但目前主流的分类算法依然依靠像元来作为主要的分类依据，对于高分辨图像的对象和纹理细节无法利用，使高分辨影像的优势无法发挥。

2.2 未来展望

2.2.1 多源遥感数据融合

目前各个遥感数据产品有各自的优势和缺陷，由此多源融合成为目前以及未来领域内探索的方向之一。MODIS 系列遥感影像覆盖面广且间隔周期短，但其分辨率较低，可以融合Landsat 系列或更高分辨率的高分系列，以达到优势互补，满足一些既需要高分辨率又对时间有要求的研究和应用。

2.2.2 深度学习将在遥感图像分类和面积提取方面发挥重要作用

就现在的面积提取算法而言，传统的监督和非监督分类逐渐向深度学习算法（CNN 等）发展，尤其是基于卷积网络的新兴分类算法（FCN、SegNet 和DeepLab 等）的研究逐渐增多，虽然对于这些算法的分类精度目前尚不明朗，但近几年该领域的研究十分活跃，相信未来该方向研究将更加深入。

2.2.3 植被指数的运用

植被指数（NDVI 等）用来辅助分类和提取作物面积，因为各个地物类型的植被指数范围不同，在使用提取算法做面积提取之后，用提取范围进行植被指数值范围分析，剔除异常值以提高提取精度。

2.2.4 使用交叉学科知识来提高分类提取精度

鉴于农业和地理学和生物学有一定的交叉，因此利用跨学科的专家知识方法也将被大量运用于作物分类及面积提取领域。

3 结语

本文详细阐述该领域国内外研究发展历程以及行业内最新研究成果，并对相关研究作简要评述。并对领域内的缺点如生育前期面积提取精度不佳、高分辨率遥感图像优势利用较差等进行了总结概述，而后对如多源遥感数据融合、植被指数的运用等研究方向进行展望。立足我国农业遥感分类以及作物估产的强烈需求，本文对研究农业遥感影像分类算法发展历程以及相关科研人员掌握领域动态有一定的参考意义。