【《基于光学影像的油菜识别研究的文献综述》2300字】

基于光学影像的油菜识别研究的文献综述油菜作为一种农作物，遥感识别方法跟传统的农作物识别方法相同，核心要解决两个问题，特征选择和分类器选择。相当于其它地物，农作物种植区域在短时间有着剧烈的变化，一般作物都有几个月的作物生长时期，在这个时间内作物经历着不同形态方面的剧烈变化，在遥感影像上呈现出特有的特征。REF_Ref64132072\h图11表达了冬小麦、玉米和甜菜三种作物在不同物候特征表现出不同的特征，在这个研究区中冬小麦的种植时间比较早，10月份已经播种，经过越冬期后，3月份返青开始进一步生长阶段，相对于玉米和甜菜，5月份播种之前，冬小麦已经生长一定时期，无论从形态上还是生长阶段，都会与后两者作物呈现出迥然不同的差别，这在遥感影像上光谱特征将会呈现出巨大的差异。农作物在整个物候周期上生长状态彼此间的不同，进而在遥感影像上表现出各种遥感、纹理等特征不同，是构建农作物模式识别的数学基础。MeierandBleiholder（2006）针对单子叶植物和双子叶植物的物候期进行了数学编码。植物图片来自于MeierandBleiholder(2006)图STYLEREF1\s1SEQ图\*ARABIC\s11德国北部地区三种作物个体的外观形态变化（Bargiel,2017）。上述的分析适用于油菜的识别。首先是油菜在遥感影像上表现出的特征。影像特征选择方面，油菜作为一种和冬小麦同期种植生长的作物，生长周期也基本的相同,是比较容易相混的两种作物。一般都是利用开花期的遥感影像进行两种地物的区分。在这个期间里，光学影像在假彩色合成模式下，冬小麦呈现亮红色，而油菜呈现出粉红色，这主要黄色油菜花和绿色冠层交错分布，这一独特地表特征与冬小麦均质的绿色冠层形成鲜明的对比。因此，基本上是要充分利用开花期二者特征的差异，这是能够精确识别出油菜的依据（Han等，2021；Pan等,2013；Veloso等,2017；孙丹丹等，2014；王凯等，2015；余新华等，2020）。Han等(2021)发现在开花期真彩色（红绿蓝组合）遥感影像上，油菜呈现出绿黄或者黄色色调，根据这一特性，利用开花期的Sentinel-2和Googleearth高分辨率影像，目视解译出718个油菜地块，分析了油菜开花期的物候特征，同时还证实归一化油菜黄度指数（NormalizedRapeseedFloweringIndex，NRFI）比归一化差值黄度植被指数（NormalizedDifferenceYellowIndex，NDYI）更能够表现出开花期。d'Andrimont（2020）在德国北部、南部两个研究区，分别利用开花期5月1号-5月25日、4月25日-5月10日的Sentinel-2影像进行油菜图斑的识别，支持监测开花期持续时间的监测。Zhou等(2017)对比分析了冬小麦和油菜生长季四期LandsatOLI光学影像中的区分精度，发现采用不同的识别方法均是在3月28日识别精度最高。该时期冬小麦处于拔节时期，油菜处于花期，两种作物区分度较高。孙丹丹等（2014）则对比分析了不同时期的油菜和冬小麦、建筑物、水体、林地和其他作物遥感光谱特征的J-M距离，发现两种作物在苗期的J-M距离超过1.8，说明二者可分但是可分度不算高，在初花期二者的J-M距离达到了2.0，说明二者具有完全的可分度。王凯和张佳华（2015）探讨了MODIS数据识别油菜的能力，根据油菜和冬小麦在不同的物候期的影像特征差异，设定不同阶段的判定条件进行了湖北省的油菜识别，并明确指出三月下旬油菜和冬小麦具有更大的反射率差异。REF_Ref64186893\h图12对比了冬小麦和油菜在不同生长阶段，Sentinel-2数据所呈现出来反射率变化差异，可以发现随着作物播种出苗、生长旺盛到收获，近红波段反射率呈现升高再降低的趋势，还有一些波段呈相反的趋势。由于两种作物生长物候期比较相似，作物体型特征变化保持同步，光谱反射率也是同步变化的。从反射率高低来看，近红外波段具有明显的差异，油菜在近红波段上呈现出高反射率，超过了0.5，而冬小麦则低于0.5。综上，在油菜开花期这一特有的物候期窗口内利用遥感影像进行识别非常重要，可以形成特有的油菜遥感特征，能够与其他作物有效的区分开。因此，需要对这一时间窗口的遥感影像予以重要关注。图片来自Mercieretal，2020，横坐标为DOY图STYLEREF1\s1SEQ图\*ARABIC\s12冬小麦和油菜不同生长阶段的物候变化曲线图从分类算法的角度来分析，油菜的遥感识别与其它大宗农作物识别所采用的分类器基本相似。前期的研究也主要是对比分析各种分类器对识别结果的影响（d’Andrimont，2020；Zhao等,2017;余新华等，2020）。如Zhao等(2017)利用每一期的光学影像采用随机森林和支撑向量机两种分类器进行作物的分类，分析认为两个分类器提取的冬小麦精度变化趋势比较一致，只要分类样本具有代表性，所选影像特征具有较强的可分性，均能够有效地提取出油菜的分布。Skakun等(2015)对比分析了网络Committee和BestSingleNN两种神经网络模型对油菜的识别能力，利用四期Landsat-8OLI数据均可以达到85%以上的识别精度，其中网络Committee比BestSingleNN的分类精度稍高一些，但没有显著性的差异性。王立辉等（2010）和陈西亮（2016）考虑到MODIS低分辨率卫星影像分辨率较低，一般像元内包含油菜和其他的作物，利用线性分解模型进行像元求解，也能够准确地提取出油菜的面积信息，有效地解决了南方地块破碎的问题。余新华和王宏（2020）对比分析了BP神经网络和最大似然方法进行油菜的提取的效果，结果表明BP神经网络的总体精度可以达到81.28%，比最大似然方法提高了25.12%。孙丹丹等（2014）对比分析了马氏距离、最大似然、最小距离和ISODATA四种监督和非监督分类方法，发现马氏距离和ISODATA表现出比较好的分类性能；王利民等人在也采用了ISODATA算法对以江县2013年的GF影像进行了油菜识别（王利民等，2018）；从图像尺度来分析，目前用于光学遥感影像进行油菜的识别（Han等,2021;Liu等，2020；孙丹丹等，2014；唐文澜等，2019；王利民等，2018）多集中在中分辨率影像（10-100m），包括Sentinel-2、LandsatOLI、SPOT、ALOS系列卫星，以及国产的环境卫星、高分系列卫星数据。由于空间分辨率比较高，一般不在考虑作物种植地块尺寸对识别精度的影响。但是有研究表明