摘要：农业遥感影像分类与目标识别是遥感技术在农业领域应用的核心环节，直接决定了农业资源调查、作物监测和灾害评估的数据精度与可靠性。本文全面梳理了农业遥感影像分类与目标识别的技术体系，从传统的监督分类与非监督分类方法出发，深入分析了面向对象影像分析（OBIA）、机器学习分类以及深度学习语义分割等前沿方法的原理与适用场景。针对农作物精细分类、农田地块提取、农业设施识别等典型任务，探讨了特征工程优化、多源数据融合和样本策略设计等关键技术，并结合时维遥感的工程实践案例，展望了农业遥感影像智能解译技术的发展方向与应用前景。
农业遥感影像分类的技术基础与挑战
遥感影像分类的本质是将影像像元或对象按照光谱特征、纹理特征和上下文信息分配到预定义的地物类别中。在农业遥感领域，分类任务主要包括土地利用/覆盖分类、农作物类型识别、农田地块提取和农业设施目标检测等。与城市地物分类相比，农业遥感影像分类面临若干独特挑战：农作物的光谱特征在同一生育期内高度相似，不同作物之间存在严重的光谱混叠现象；农业景观的空间异质性导致分类的尺度效应显著；同一作物在不同区域的种植模式和物候节律存在差异，使得分类模型的空间迁移能力受限。
农业遥感影像分类的数据源日趋多元化，包括多光谱影像（如Landsat系列、Sentinel-2）、高光谱影像（如珠海一号）、SAR影像（如Sentinel-1、高分三号）以及高分辨率光学影像（如高分二号、WorldView系列）等。不同数据源在空间分辨率、光谱分辨率、时间分辨率和成像机制上各具特点，分类方法需要根据数据特性和任务需求进行针对性设计。
传统监督分类与非监督分类方法
监督分类是农业遥感影像分类的经典方法体系，其核心流程包括训练样本选取、特征空间构建、分类器训练和精度验证四个步骤。常见的监督分类算法包括最大似然分类法（MLC） 、最小距离分类法、马氏距离分类法和平行六面体分类法等。其中，最大似然分类法假设各类别的特征服从正态分布，通过贝叶斯决策理论实现最优分类，在特征分布满足假设条件时可获得较高的分类精度。
非监督分类则无需预先定义训练样本，通过聚类算法自动发现影像数据的内在结构和模式。K-means聚类和ISODATA迭代自组织聚类是应用最广泛的两种非监督分类方法。ISODATA算法在K-means基础上增加了类别的合并与分裂机制，能够自适应地确定最优类别数，在农业遥感初步探索性分析中具有重要价值。
然而，传统方法在处理复杂农业场景时存在明显局限。最大似然分类法对特征分布的正态性假设在农作物混合像元区域往往难以满足；K-means聚类结果的类别标签需要人工解译赋予语义信息，在作物类型识别中效率较低。这些局限性推动了更先进分类方法的发展。
面向对象影像分析方法（OBIA）
面向对象影像分析（Object-Based Image Analysis，OBIA） 是高分辨率遥感影像分类的主流技术框架。与基于像元的分类方法不同，OBIA首先通过影像分割将影像划分为若干具有空间一致性的对象（即图斑），然后在对象层面提取光谱、纹理、形状和上下文特征进行分类。这种方法有效克服了高分辨率影像中"同物异谱、异物同谱"以及"椒盐噪声"等问题。
影像分割是OBIA的关键前置步骤。多分辨率分割算法通过控制尺度参数、形状权重和紧致度权重三个核心参数，自底向上合并相邻同质像元形成对象。尺度参数决定了分割对象的大小——尺度过小会产生过度分割，尺度过大则导致欠分割。在农业遥感应用中，农田地块通常具有规则的空间形态和清晰的边界特征，适宜采用较大的分割尺度；而作物行间细节信息的提取则需要更小的分割尺度。
分类阶段，OBIA通常采用规则集分类或最近邻分类两种策略。规则集分类通过构建层次化的特征阈值规则体系实现分类，具有可解释性强、可移植性好的优势。时维遥感在东北平原玉米大豆种植区的大田分类项目中，采用OBIA规则集分类方法，利用多时相Sentinel-2影像的光谱变化特征和对象纹理特征，实现了玉米和大豆的精准区分，总体分类精度达到89.3% 。
机器学习分类方法
机器学习方法以其强大的非线性建模能力，在农业遥感影像分类中得到广泛应用。支持向量机（SVM） 、随机森林（RF） 和梯度提升决策树（GBDT） 是最具代表性的三种机器学习分类算法。
支持向量机通过寻找最优超平面实现类别划分，在小样本、高维特征空间中表现出色。SVM的核心优势在于利用核函数技巧将低维线性不可分问题映射到高维空间实现线性可分，其中径向基核函数（RBF）在农业遥感分类中应用最为广泛。研究表明，在训练样本有限（每类50-100个）的条件下，SVM的分类精度通常优于最大似然法和决策树方法。
随机森林通过集成多棵决策树的投票结果进行分类，具有抗过拟合、特征重要性评估和并行计算等多重优势。在多源遥感数据融合分类中，随机森林能够自动处理不同量纲和分布的特征变量，无需复杂的特征归一化预处理。在华北平原冬小麦-夏玉米轮作区的作物分类研究中，基于Sentinel-1/2时序特征和随机森林分类器的识别精度可达91%以上。
梯度提升决策树（如XGBoost、LightGBM）通过序列化构建弱学习器并加权集成，在分类精度上往往优于随机森林，但训练过程对超参数更为敏感，且容易在噪声样本上产生过拟合。在实际工程应用中，需通过交叉验证和超参数搜索策略确定最优模型配置。
深度学习语义分割方法
深度学习技术的突破性进展为农业遥感影像分类带来了革命性变革。与传统方法依赖人工设计特征不同，深度学习模型通过端到端的训练方式自动学习从底层纹理到高层语义的多层次特征表示，显著提升了分类的自动化水平和泛化能力。
全卷积网络（FCN） 是遥感语义分割的奠基性架构，将传统CNN的全连接层替换为卷积层，实现了像元级别的密集预测。在此基础上，U-Net通过编码器-解码器结构和跳跃连接机制，有效融合了深层语义信息和浅层空间细节信息，成为农业遥感语义分割的主流模型。U-Net在农田地块提取任务中的交并比（IoU）可达0.85以上。
DeepLab系列模型引入了空洞空间卷积池化金字塔（ASPP） 模块，通过多尺度空洞卷积捕获不同感受野范围的上下文信息，在处理大尺度农业地物（如大面积农田）和小尺度目标（如农业设施）共存场景时表现出色。DeepLab v3+在多类农作物精细分类任务中的总体精度相比传统U-Net提升了3-5个百分点。
Transformer架构近年来在遥感语义分割领域取得了显著进展。Swin Transformer通过移动窗口自注意力机制实现了线性计算复杂度的全局上下文建模，SegFormer结合轻量化编码器和多尺度特征融合，在保持高精度的同时大幅降低了计算开销。这些新型架构在农业遥感大规模分类任务中展现出广阔的应用前景。
多源数据融合分类策略
单一数据源往往难以满足农业遥感精细分类的需求，多源数据融合成为提升分类精度的重要途径。融合策略可分为像素级融合、特征级融合和决策级融合三个层次。
像素级融合将不同传感器的影像在像素层面进行融合，生成新的融合影像后再进行分类。典型方法包括IHS变换融合、PCA融合和小波变换融合等。该方法适用于空间分辨率差异较大的数据源组合（如全色+多光谱），可有效增强影像的空间细节和光谱信息。
特征级融合是当前应用最为广泛的融合策略。将不同数据源提取的特征（如光学光谱特征、SAR后向散射特征、纹理特征、时序变化特征等）组合为统一特征向量，输入分类器进行联合分类。研究表明，Sentinel-1 SAR特征与Sentinel-2光学特征的联合使用，可比单一数据源分类精度提升5-10个百分点，尤其在多云雨地区效果更为显著。
决策级融合对各数据源独立分类的结果进行集成，常用方法包括投票法、加权平均法和D-S证据理论等。该方法灵活性强，不受数据源时空不一致的限制，但信息利用效率相对较低。
训练样本策略与小样本学习
训练样本的数量和质量是影响分类精度的关键因素。在农业遥感实际应用中，获取大规模高质量标注样本往往面临成本高、周期长和专业性要求强等困难。针对样本不足的问题，多种小样本学习策略被提出。
数据增强是最基础的样本扩展手段，包括几何变换（旋转、翻转、缩放）、辐射变换（亮度、对比度调整）和混合增强（MixUp、CutMix）等策略。在遥感场景中，还需考虑传感器视角变化引起的辐射畸变和几何变形，针对性地设计增强方案。
迁移学习利用在ImageNet等大规模数据集上预训练的模型参数作为初始化，在小规模农业遥感数据集上进行微调，可显著降低对标注样本的需求。实验表明，采用ImageNet预训练的ResNet骨干网络，在仅有每类20个训练样本的条件下，仍可获得超过80% 的分类精度。
半监督学习和自监督学习是缓解标注依赖的前沿方向。半监督方法利用少量标注样本和大量无标注样本联合训练模型，代表性方法包括伪标签法和一致性正则化。自监督方法通过设计前置任务（如掩码图像建模、对比学习）从无标注遥感数据中学习通用特征表示，时维遥感在农业遥感分类项目中积极引入自监督预训练策略，将标注成本降低了约60% ，同时保持了分类精度的稳定性。
农业目标识别与检测技术
除像元级分类外，目标识别与检测是农业遥感影像解译的另一重要任务。典型的农业目标检测对象包括温室大棚、灌溉设施、农业机械、仓储建筑等。深度学习目标检测模型如YOLO系列、Faster R-CNN和SSD等已被广泛应用于农业目标检测领域。
在遥感场景中，目标通常呈现任意方向分布、长宽比极端和密集排列等特点，这些特性使得通用目标检测模型在遥感场景中的性能显著下降。针对这一问题，旋转目标检测方法（如Rotated RetinaNet、DOTA系列检测器）通过引入角度参数化表示和旋转锚框机制，可有效提升遥感目标的检测精度。
实例分割方法如Mask R-CNN和SOLOv2能够同时实现目标的定位、分类和轮廓提取，在农田地块精细勾绘和农业设施精确制图中具有重要应用价值。结合多时相遥感数据，实例分割还可用于农田地块的动态更新和变更检测，服务于耕地资源精细化管理。
结语
农业遥感影像分类与目标识别方法经历了从传统统计分类到面向对象分析、从机器学习到深度学习的技术演进历程，分类精度和自动化水平持续提升。多源数据融合、深度语义分割、小样本学习和旋转目标检测等前沿技术，正不断拓展农业遥感影像智能解译的应用边界。时维遥感将持续深耕农业遥感影像分类与目标识别技术，推动从算法研究到业务化应用的成果转化，为中国农业数字化和智慧化转型提供高质量的遥感数据产品和技术服务。
