从油菜到棉花：六大主粮作物的遥感“身份证”怎么画|冬小麦|棉花属|水稻|油菜到棉花|玉米|田间地头|种植

从油菜到棉花：六大主粮作物的遥感“身份证”怎么画—— 卫星如何一眼认出，地里种的是什么

主题速览：“这块地种的是什么？”——这是所有农业数据链条上最先被问到、也最容易被轻描淡写的一个问题。承保验标要问它，补贴核验要问它，种植结构统计、产量研判、灾后定损也都绕不开它。但作物不是静止的色块：苗期都是绿的，成熟期都在变黄，六种主粮作物在同一张影像上常常“长得像”。遥感给出的解法，是给每一块地建一份“身份证”——种的是什么、边界在哪里、面积是多少。本文拆解这份“身份证”的画法。

一、一片农田，为什么需要一张“身份证”

农业保险的承保与理赔，起点从来不是“赔多少”，而是“保的是什么、种了多少”。同样的问题也摆在补贴发放、耕地监管与粮食形势研判面前。

痛点一：地块规模太大，人工核查跟不上。

一个县域的农作物种植面积动辄数十万亩，田埂、沟渠、生产路把耕地切得七零八落。逐块核实种的是什么、面积多少，靠人力走访周期长、覆盖难，进度永远追不上农时。

痛点二：账上写的和地里种的，常常对不上。

承保台账、补贴清册是按农户申报汇总的“账面数据”，地里的实际种植结构却是另一回事：申报作物的地块可能种了别的，台账内的地块可能没种，台账外的地块反而种得满满当当。这类“账实不符”在理赔环节会被急剧放大：一旦成灾，赔谁、赔多少，双方各执一词。

痛点三：六种作物，在影像上“长得像”。

同一块地，五月是绿的，八月还是绿的，可它已经从苗期走到了鼓粒期，光谱特征完全不同；反过来，同一时期不同作物的幼苗期冠层结构与颜色又高度相近。真正把它们分开的，是生育期的错位与冠层纹理的差异。

三个痛点的共同指向，是同一个缺失：农业需要一份客观、可对账、能落到地块的作物种植“底账”，而传统人工手段给不出这份账。

二、作物“身份证”要回答三个问题

种的是什么？——作物类型识别。在全域范围内区分水稻、玉米、大豆、小麦、油菜、棉花，以及林地、水体、建筑、道路、裸地等其他地物。

种在哪里、有多少？——种植分布与面积提取。把识别结果落到地块边界上，形成可量算、可统计、可对账的矢量底图。

长得怎么样？——长势监测与产量预估。在分布底图之上，判断当季长势水平，推算单产与总产。

本文覆盖六大主粮作物：冬油菜、水稻、玉米、大豆、冬小麦、棉花，分别对应长江流域、西南山区、东北平原、华北平原、西北内陆等主产区的典型种植制度，既有秋播夏收的跨年作物，也有一年一熟的春播作物和南方稻作。

三、从影像到“身份证”的五步链路

图1：从影像到“身份证”

——作物遥感识别五步链路

第一步：影像获取——选对时间，比选高分辨率更重要

影像获取的核心不是“分辨率越高越好”，而是按作物的关键物候期选取多期影像。单期影像只能看到作物的一个切面，而作物的“身份”恰恰藏在时间序列里：同一块地，移栽期是水面、分蘖期是浅绿、成熟期转金黄，这套变化轨迹本身就是最强的识别特征。

第二步：影像预处理——把“原始照片”变成“可量算的底图”原始卫星影像不能直接用于解译，必须经过一套标准化处理：

辐射定标与大气校正——把原始灰度值转换为地表反射率，消除大气散射与太阳高度角干扰；不做这一步，不同时相的影像就无法放在一起比较。

正射校正——借助数字高程模型消除地形起伏与传感器姿态引起的几何畸变，让每个像元精确对应地面位置。对山区稻作区而言，这一步直接决定地块边界勾绘的准确性。

图像融合与镶嵌——将多光谱与全色影像合成，兼顾“认得出颜色”与“看得清边界”；再把多景影像拼接成大范围连续底图，并通过色彩匀色消除接缝。

第三步：识别与面积提取——多期叠加，让作物自己“报名字”识别环节的技术路线可以概括为：准备关键物候期的多期影像 → 选取分类样本 → 建立分类模型 → 输入多期影像运行模型 → 输出作物种植分布与种植面积。常用方法有三类：监督分类模型、专家知识决策树模型，以及机器学习自动化识别模型。实际作业中往往组合使用——用模型给出初稿，再用人工目视解译复核修正。

第四步与第五步：长势监测与产量预估，这两步建立在第三步的成果之上——先有分布，才谈得上长势与估产。

关于分辨率的一点补充：作物识别并不总是需要亚米级影像。对于成片种植的大宗作物，米级多光谱影像配合多期时相，通常已足以完成类型识别与面积提取；亚米级影像主要在两种场景下发挥优势——地块高度细碎、插花种植的地区，以及需要核实田埂、沟渠、生产路等线状非种植地物、把毛面积折算成净种植面积的时候。

下面这张无人机正射影像，可以直观回答一个常被问到的问题：高分辨率影像上，究竟能看清什么？

图2：高分辨率正射影像下的作物垄行与出苗状况

在这类影像上，垄行走向、幼苗覆盖的连续程度、裸露土壤斑块的范围与形态都清晰可辨：出苗整齐处呈连续绿带，缺苗断垄处露出成片浅色裸土，是核定出苗率的直接依据。当然，对大宗作物的全域识别而言，这种精细度并非必需。

四、六大主粮作物的物候“时间表”

如果说识别模型是“翻译器”，那么物候表就是这本词典的索引。下图把六大作物在一整年里的生育期排布画在了一起——横轴是月份，色块是生育阶段，黑三角标出的是各作物的识别关键期：在该时期内，作物在影像上的光谱或纹理特征最具辨识度，是选择影像时相的主要依据。

图3：六大主粮作物的物候

“时间表”与识别关键期

冬油菜：一年中最“显眼”的三月

冬油菜是跨年作物，头年9 月下旬至10 月中旬播种出苗，随后进入漫长的苗期与越冬期。它全年辨识度最高的窗口出现在3 月的花期——盛花期冠层被黄花覆盖，在真彩色影像上形成鲜明而集中的亮黄色色块，与同期仍呈绿色的其他地物差异极大，是提取油菜分布最可靠的时相。花期之后进入4—5 月的角果发育期，冠层转绿趋于均匀，识别难度上升；5 月上中旬成熟。

冬小麦：华北平原的“绿与黄”

冬小麦同样跨年生长：10 月播种出苗，分蘖后进入越冬期，次年春季返青。识别关键期落在3 月下旬至 4 月中旬的拔节期——此时麦苗群体密度高、覆盖度大，田块呈现连续均匀的高覆盖绿色，与同期尚未封垄的其他作物形成明显对比。4 月下旬抽穗，5 月齐穗灌浆，6 月上中旬成熟转黄。需要注意，华北平原实行冬小麦—夏玉米轮作，同一块地一年内会经历两种作物，识别时必须明确“识别的是哪一季”。

水稻：移栽期那一层水面，是最好的标记

西南山区的水稻，4 月上旬至5 月中旬为播种出苗期，5 月中下旬的移栽期是最关键的识别窗口：刚移栽的稻田大面积裸露水面，水面反射与周边旱地的植被反射在影像上泾渭分明，稻田因此呈现极易识别的特征——这也是水稻制图长期依赖的经典标志。此后6 月上旬至7 月上旬分蘖，7 月中下旬拔节孕穗，7 月下旬至8 月上旬抽穗齐穗，8 月中下旬灌浆乳熟，8 月下旬至9 月中旬成熟。移栽之后，水稻与旱地作物的区分更多依赖田块规整度与格网状纹理。

玉米：东北平原上最高大的那一群

东北平原的玉米，4 月下旬至5 月中旬播种出苗，5 月下旬至6 月中旬幼苗期，6 月下旬至7 月上旬拔节，7 月中下旬抽雄吐丝，8 月中下旬乳熟，9 月中下旬成熟。识别关键期在拔节至抽雄期：此时植株高大、冠层茂密，垄行结构在影像上形成强烈而规则的条带状纹理，与同期大豆田块在纹理粗细与条带清晰度上拉开差异。

大豆：与玉米“同屋不同床”，靠错位区分

大豆与玉米在东北平原大面积邻作、甚至同期播种，识别难度正来源于此。二者靠三点拉开距离：一是生育期错位——大豆鼓粒期在8 月上旬至9 月上旬，与玉米乳熟期部分重叠，但成熟节奏并不相同；二是冠层纹理差异——大豆冠层相对低矮、覆盖更致密均匀，垄行条带感弱于玉米；三是多期时序特征——把各期影像叠加比较，两者的变化轨迹并不重合。大豆自身的识别关键期在鼓粒期，此时冠层完全封垄、光谱特征稳定。

棉花：西北内陆的宽行距

西北内陆棉区，4 月播种，5 月出苗，6 月上旬进入蕾期，6 月下旬至7 月中旬花铃期，7 月下旬至8 月中旬结铃盛期，8 月下旬至11 月上旬裂铃。识别关键期在花铃期至结铃盛期：这一阶段棉花尚未形成完全郁闭的冠层，田间保持较宽的裸露土壤比例，影像上呈现与粮食作物迥异的“绿底带白”混合像元特征。

这一节的关键结论：同一片农田，作物之间之所以难以区分，是因为它们在单一时刻太像；而之所以最终能被区分，是因为它们的整个生长季轨迹各不相同。遥感识别作物，靠的从来不是一张清晰的图，而是一组“选对时间”的图。

五、同一片农田，六种作物分别“长什么样”

说明：表中物候窗口为各主产区通用时段示意，实际作业中需结合当年气候、播期与作物品种作本地化调整。

分布图是怎么“画”出来的识别模型的输出，最终要落到一张可量算的矢量底图上。以某粮食主产区的大豆种植地块核实项目为例：作业以高分辨率正射影像为底图，逐地块勾绘种植边界、核实地类，把实际种植范围与台账范围叠在一起比对，形成一份可以逐块对账的成果

图。

图4：作物种植地块边界与范围叠加成果示意

这份成果的价值不在于“图好不好看”，而在于它把作物“身份证”变成了可核对、可追溯、可量算的底账：线框是勾绘出的地块边界，叠加层标出识别到的作物范围，承保台账、补贴清册、理赔清单都可以挂靠其上逐块比对。

图5：逐地块解译成果

——不同主体、不同地类的地块以不同边界区分

在这类成果中，不同承保主体、不同地类的地块以不同颜色边界区分，地块内部的道路、沟渠等非种植地物被单独勾出、从种植面积中剔除。这一步看似琐碎，却直接决定“净种植面积”能否站得住脚——很多争议中，双方分歧的不是“种没种”，而是“算了多少”。

六、长势监测与产量预估：识别之后做什么

长势监测：与“往年同期”比高低

长势监测的基本思路是把当年和往年的同一时间放在一起比：以中分辨率影像为数据源，按固定周期更新，将当年影像与历史同期均值逐像元求差。但差值不能直接解读——影像上还有林地、水体、建筑和裸地，整幅一起统计会让非农地物干扰结论。因此必须用作物分布数据对差值影像做掩模，只保留作物种植区内的像元参与分级。这正是上一节那句结论的落点：没有作物识别，长势监测就无从谈起。