1. 课程导入与任务全景

遥感作物识别与地块分类，本质上要回答三个层层递进的问题：地里有没有作物、地块边界在哪里、这块地种的是什么。第一个问题属于耕地提取与变化检测，第二个问题属于地块分割与边界勾绘，第三个问题才是狭义的作物类型识别。很多初学者一上手就直奔"分类"，把整景影像丢进随机森林或深度学习模型，结果精度始终上不去，根本原因往往不是模型不够强，而是地块边界没有先确定，混合像元把不同作物的光谱搅在一起，分类器再强也无从分辨。因此本课程的整体认知框架是：影像 → 地块 → 作物类型，每一步都为下一步提供空间单元和约束条件。

典型业务场景与目标定位

作物遥感识别在业务上主要服务于四类场景。其一是种植面积统计，例如县级农业农村部门需要在春播后、秋收前掌握水稻、玉米、大豆的播种面积，用于补贴核算与粮食安全评估，这类任务强调面积总量精度，对地块边界的细微误差容忍度相对较高。其二是种植结构监测与轮作核查，需要多年序列对比同一地块的作物变化，此时地块必须保持稳定的唯一标识，否则年际间无法对齐。其三是长势与灾情评估，在作物类型已知的前提下叠加植被指数时序，判断旱涝、冻害影响范围。其四是精准农业与农机作业，要求地块边界达到米级甚至亚米级，直接用于变量施肥处方图。

不同场景对精度的要求差异很大，这决定了数据源选择和算法路线的取舍。面积统计可以用10米分辨率的哨兵二号（Sentinel-2）多光谱影像配合中等精度地块；精准农业则往往需要亚米级无人机影像或高分商业卫星数据。课程后续章节会反复回到这个"场景—数据—精度"的匹配关系上。

从影像到地块到作物类型的整体数据流程

把整个任务拆开看，它是一条带有反馈回路的数据链，而不是单向流水线。原始影像先经过辐射定标、大气校正、几何精校正与云掩膜，得到地表反射率产品；随后通过时序合成或单期优选，形成无云或少云的观测底图。在此基础上进行耕地范围提取，再通过分割或边缘检测获得地块对象，每个地块获得唯一编号与矢量边界。地块内部统计各波段反射率、植被指数、纹理特征，构成特征向量，送入分类器得到作物类型标签。最后用地面样方或高分辨率影像解译结果做精度评价，若精度不达标，需要回溯到特征设计、样本质量或地块边界环节调整。

精度评价体系：不能只看一个数字

精度评价是整条链路的"验收关口"，也是初学者最容易糊弄过去的环节。仅报告一个总体精度（Overall Accuracy, OA）是不够的，因为当某一类作物占绝对优势时，把所有地块都判为该类也能得到很高的 OA。规范做法是构建混淆矩阵，同时报告用户精度（UA，判为该类的图斑中真正属于该类的比例）和生产者精度（PA，真实为该类的地块中被正确识别的比例），并给出 Kappa 系数以衡量排除随机一致性后的分类效果。

举例说明：假设某县验证样本共 500 个地块，其中水稻 200、玉米 180、大豆 120。分类结果中，水稻正确 176 个，玉米正确 148 个，大豆正确 92 个，其余为错分。则总体精度为 (176+148+92)/500 = 83.2%。水稻的生产者精度为 176/200 = 88.0%，说明真实水稻中有 12% 被漏判；若被判为水稻的地块共 190 个，则用户精度为 176/190 = 92.6%，说明判成水稻的结果里约 7.4% 是误判。这两个数字对业务方的意义完全不同：农业部门关心"报上去的水稻面积是否虚高"，看的是用户精度；而种植户关心"我的水稻有没有被漏掉"，看的是生产者精度。示例数据仅用于说明计算方式，非实测结果。

此外，地块级评价与像元级评价要区分开。业务交付通常以地块为单元，一个地块只要超过半数像元被判为某类即赋该标签，因此地块级精度往往高于像元级精度，报告中必须注明评价单元，避免混淆。

建立整体认知：三个必须提前想清楚的问题

在动手处理数据之前，建议先明确三件事。第一，分类体系定几类。是只分"耕地/非耕地"，还是细分到水稻、玉米、大豆、其他旱作，类别越多，类间光谱越接近，对时序特征和样本量的要求越高。第二，地块单元从哪来。是已有确权矢量或农机作业地块可直接复用，还是必须从影像分割生成；前者省事但可能过时，后者灵活但边界稳定性需验证。第三，验证数据怎么获得。没有独立于训练样本的验证集，任何精度数字都不可信，务必在采样阶段就按空间分层随机抽取并留出验证集。