2. 作物识别的地块单元基础
在遥感作物识别中，直接对整幅影像逐像元分类，往往会得到大量细碎的“椒盐”噪声：同一块麦田内部因长势差异、阴影或云影被分成不同类别，而相邻的不同作物之间又因光谱相近而混淆。解决这一问题的核心思路，是先把影像划分为一个个具有农学意义的地块单元，再以地块为基本单位进行特征统计与类别判定。地块因此成为连接遥感观测与农业管理的最小分类单元。
地块作为分类基本单元的意义体现在三个层面。第一是空间约束：同一地块内通常种植同一作物、同一品种、同一播期，像元级分类的随机误差可以在单元内被平均化，边界处的混合像元也被限制在地块边缘。第二是特征聚合：一个地块可以提取均值、方差、纹理、物候曲线等多维特征，比单个像元的光谱值稳健得多。第三是成果可用性：农业统计、补贴核查、种植结构分析都以地块为对象，地块级分类结果可以直接与矢量地块数据关联，形成可查询、可汇总的属性表。
地块边界提取的常用数据源
地块边界来源主要有三类，各有适用条件。高分影像是最通用的来源，利用亚米级或米级影像上的田埂、道路、沟渠等线性特征，通过边缘检测或面向对象分割获得边界；其优点是覆盖广、更新快，缺点是边界受影像质量和分割参数影响较大。矢量地块数据（如土地确权地块、高标准农田上图入库成果、二轮承包地块）精度最高、边界最稳定，是首选数据源，但覆盖范围和现势性依赖地方数据建设情况。无人机影像则适合小范围高精度作业，厘米级分辨率可以清晰分辨田埂，常用于试验区和重点地块的边界核实与修正。
预处理的关键环节
三类数据源在进入地块构建前必须经过统一预处理，否则后续分类会因坐标错位、边界重叠而失效。第一步是坐标与投影统一，所有影像和矢量必须转换到同一坐标系，例如 CGCS2000 地理坐标配合 UTM 投影，保证面积计算和叠加分析一致。第二步是几何配准，以矢量地块为基准，选取道路交叉口、田块角点等稳定地物作为控制点，将影像配准到矢量上，控制点残差一般要求控制在 1 个像元以内；若残差过大，地块边界与影像田埂会错开，导致地块内混入邻地像元。
第三步是边界清理。面向对象分割得到的边界常带有锯齿和碎小多边形，需要设置最小面积阈值（例如小于 200 平方米的图斑并入相邻地块），并对边界做适度平滑。第四步是拓扑检查，重点排查多边形重叠、悬挂节点和自相交，确保每个像元只属于一个地块。完成这些步骤后，再按“矢量优先、影像补充、无人机修正”的原则融合：有矢量地块的区域直接采用矢量边界，无矢量区域用高分影像分割结果填补，重点地块用无人机影像核实修正，最终为每个地块赋予唯一编码，形成统一地块底图。
地块单元构建实操
以下以一个县级示例说明操作过程（示例参数为教学假设，非实测结果）。假设研究区约 500 平方公里，已有部分乡镇的承包地块矢量，其余区域仅有 2 米分辨率高分影像。操作流程如下：
- 将影像与矢量统一到 CGCS2000 / UTM 50N 投影，检查矢量坐标系并批量转换。
- 以矢量地块为基准，在影像上选取 20 个以上控制点做多项式配准，检查残差，剔除残差大于 1 个像元的点后重新解算。
- 对无矢量区域，采用多尺度分割，设置尺度参数 60、形状因子 0.3、紧致度 0.5，结合田埂边缘图层提取地块边界。
- 合并碎小图斑，最小面积阈值设为 200 平方米；对边界做 1 个像元宽度的平滑。
- 执行拓扑检查，修复重叠与缝隙，为每个地块写入唯一 ID、面积、来源字段。
结果判断依据包括：地块总数与面积分布是否合理（示例区耕地地块平均面积约 3 至 8 亩属常见范围）、地块边界与影像田埂是否套合、拓扑错误数是否为零。若发现某片区域地块面积普遍偏小或边界破碎，通常说明分割尺度偏小或影像质量不足，应调整参数或改用无人机影像补充。
完成地块底图后，每个地块就成为一个可承载多时相特征、可关联属性、可汇总统计的分类对象。后续的作物特征提取、分类器训练与精度评价，都将围绕这一基本单元展开。