摘要
影响粮食产量最重要的因素就是农作物种植结构，精细化、准确、全面覆盖的农作物种植空间数据对政府调整农业结构、制定决策、应对危机和可持续发展非常关键。遥感数据来源独立，是常规农业统计数据的补充、完善和验证，时序数据能够有效利用作物的物候特征。基于耕地矢量的面向对象的图像分割，可以提高作物面积计算的精度，解决作物类型变化和边界变化的问题。近年来机器学习在图像识别和分类方面取得了重大的进展，CART决策树可以自动地通过从图像提取到的特征信息生成规则集，速度快，精度高，适用于区域尺度农作物信息提取。另外，空间自相关分析可以很好的展现作物的空间格局特征。 本研究基于Sentinel-2影像数据，以新疆维吾尔族自治区乌苏市为实验区，结合地面调查数据，进行了面向对象的耕地地块分割和基于多特征信息融合的农作物分类研究，获取到种植结构信息。分类完成后，对结果进行了基于不同行政单元和基于不同类别的统计，描述农作物的种植面积和空间分布特征，并利用空间自相关的方法探究了不同农作物的空间集聚性特征，可以作为风险评估的基础。结果表明: (1)面向对象的地块分割方法中，利用专题图层进行有约束的分割相比不利用专题图层进行的分割，最后的分类结果中，错分和漏分的比率较小，准确度提高2％，且破碎度较小。采用尺度参数为150，满足精度要求，为后续获得更加准确和精细化的分类结果提供了数据支持。 (2)基于“光谱-物候-纹理”特征融合的时序遥感数据集对乌苏市进行农作物分类，总体分类精度均在80％以上，其中指数矢量决策树组分类精度最高，达到89％，Kappa系数达到0.84。相比于指数矢量KNN组对照组，总体精度提高了4％，Kappa系数提高0.09;相比于光谱矢量决策树组，总体精度提高了3％，Kappa系数提高0.04;说明多特征比单一光谱更能有效提高干旱区典型农作物分类精度，CART决策树比KNN算法更能准确的进行农作物识别。 (3)得到乌苏市农作物分类结果后，分别对其进行基于行政区划和基于类别两种不同角度的分析。面积统计结果如下:棉花192925.81hm2，玉米30240.23hm2，其他10090.27hm2，冬小麦5545.71hm2，番茄5096.67hm2，春小麦3239.74hm2，辣椒1661.02hm2，蔬菜1514.48hm2。棉花种植面积最大，表明棉花是干旱区农业非常重要的作物，其次是玉米，主要种植在西大沟镇，大部分作物在市辖区种植面积较多。 (4)基于1000m*1000m渔网的空间自相关研究，通过将莫兰指数和LISA图与传统的农作物分布图相比，得到了乌苏市农作物的分布具有聚集性特征的结论，并指出作物聚集分布的冷热点区域，增加了结果的准确度和实用性，为耕地政策制定提供数据支撑。
NETL