多時相遙感影像農(nóng)作物識別方法的分析

屠星月，趙冬玲

(中國農(nóng)業(yè)大學(xué)，北京100083)

一、引 言

農(nóng)作物種植結(jié)構(gòu)包括作物類型，間作，輪作，套作等種植模式和空間分布。它的獲取即作物識別是提取農(nóng)作物種植面積、及時監(jiān)測農(nóng)作物長勢以及提早作出作物產(chǎn)量預(yù)測的基本首要工作，能夠為農(nóng)業(yè)和灌溉用水管理部門提供重要參考數(shù)據(jù)，故有著重要研究意義。近來，隨著“3S”技術(shù)的發(fā)展，遙感技術(shù)以其宏觀、綜合、快捷的特點成為作物識別的有效途徑。不同作物在類似生育階段交叉時段影像上光譜特征相似性較高，會出現(xiàn)異物同譜現(xiàn)象;同時，同種作物由于種植方式、管理方法以及地域差別，也會造成同物異譜現(xiàn)象，二者都會影響作物識別的精度。物候特征指作物年季間周期性的生長變化，例如發(fā)芽、抽穗、成熟等不同生育階段的生長狀況及其所在時間段，物候特征差異可排除短時間段內(nèi)生育期交叉的影響，還可反映一年多熟的復(fù)雜種植制度，為更全面的作物識別提供依據(jù)。研究表明作物的NDVI時序曲線與物候變化有著良好的對應(yīng)關(guān)系，利用NDVI時序數(shù)據(jù)可以獲得獨特的作物類別信息[1]，故國內(nèi)外不少學(xué)者致力于利用多時相遙感影像基于多時相的光譜特征提取和分析農(nóng)作物物候特征進行作物識別。

二．多時相作物識別方法

現(xiàn)今多時相遙感農(nóng)作物識別方法，依據(jù)數(shù)據(jù)源分類可分為兩種：一是利用作物關(guān)鍵生長期(如拔節(jié)，抽穗，收獲等)不同時段內(nèi)的若干景遙感影像獲取和分析作物多時相光譜特征進行作物識別，該方法中影像時相的選擇和分層分類規(guī)則確定是兩個關(guān)鍵環(huán)節(jié);二是利用作物全生育期固定時間間隔的NDVI時序數(shù)據(jù)獲取作物NDVI時序曲線分析其物候特征或數(shù)學(xué)特征進行作物識別。

1．利用多景作物關(guān)鍵生長期遙感影像進行作物識別

該方法已被廣泛應(yīng)用于待識別種類較少的作物識別，其中遙感影像時相選擇和基于多時相光譜特征的分類規(guī)則確定這兩個環(huán)節(jié)是影響作物識別的分類效率及精度的主要因素。

(1)遙感影像最佳時相組合選擇

信息在各時段呈不均勻分布，并且時間越長，信息量就越大。因此作物識別的影像時相選擇中應(yīng)當(dāng)使影像盡量包含所有關(guān)鍵信息同時又避免信息冗余浪費，利用最佳時相組合進行分類。光譜和物候歷種間和種內(nèi)差異，以及不同時相影像的太陽高度角和土壤噪聲變化是作物識別和估產(chǎn)時相選擇的主要依據(jù)[2]，也有學(xué)者依據(jù)樣本點NDVI時序曲線結(jié)合物候資料完成水稻、玉米、大豆估產(chǎn)時相選擇分析[3-4]。但以上方法依賴于豐富的物候資料和研究者的主觀判斷分析，難以進行定量的衡量。

文獻[5]利用試驗對冬小麥不同時相及其組合下的樣本點的J-M距離光譜可分性和地面驗證點效率指標(biāo)分類精度的比較。J-M距離是一種基于條件概率之差的光譜可分性度量標(biāo)準(zhǔn)，代表兩類別的概率密度函數(shù)之差，當(dāng)?shù)匚镱悇e服從正態(tài)分布時，計算如式(1)所示

其中

式中，Jij為第i類和第j類的可分性距離;μi和μj為第 i、j類光譜反射率的平均值;θi和 θj為第 i、j類光譜反射率的方差。當(dāng)0．0＜Jij＜1．0時，兩類別之間具有一定的光譜可分性，但存在較大程度重疊;1．9＜Jij＜2．0時，兩類別之間具有很好的光譜可分性。Kappa系數(shù)和混淆矩陣是常用的分類精度評價指標(biāo)，但兩者無法控制分類的過程和錯誤產(chǎn)生原因，文獻[5]提出了利用地面驗證點效率指標(biāo)對分類過程進行精度評價，它涉及圖像特征選擇和分類檢驗兩個環(huán)節(jié)，對分類結(jié)果產(chǎn)生4種診斷情況如表1所示。

表1 對一個像元控制的4種可能診斷結(jié)果

表中A、B、C、D分別代表圖像正確或錯誤、分類一致或不一致4種可能結(jié)果的像元數(shù)?？傮w精度定義為：OA=(A+D1)/(A+B+C+D)(其中，D1為分類結(jié)果和圖像特征不符合，但圖像和地面類型也不符合，故分類就夠可能和地面實際類型符合的像元數(shù))。地面驗證點效率指標(biāo)定義為：EFF=D/(B+D)，EFF值越大，圖像特征越好，分類效率越高，若EFF值等于1，則只要圖像特征正確，分類就正確[5]。

時相選擇的各個研究具有地域、作物種類等差異，故缺乏普遍適用性。且定量的試驗與對比分析研究還較少，故該領(lǐng)域還有待進一步研究。

(2)基于多時相光譜特征的分類方法

研究中一般根據(jù)研究區(qū)物候資料以及訓(xùn)練樣本的多時相光譜差異進行分類規(guī)則確定。對農(nóng)作物種植結(jié)構(gòu)較簡單的區(qū)域，可人為進行分析并建立分類規(guī)則，利用簡單決策樹或分級掩膜進行分類，分類規(guī)則多數(shù)為與NDVI有關(guān)。馬麗等利用該方法完成了黑龍江軍川農(nóng)場的大豆、玉米和水稻的種植信息提取[6];李穎等也將該方法應(yīng)用于冬小麥識別[7];彭光雄等直接將多景多時相影像進行波段疊加生成一景包含各景影像波段的時序影像，利用常用分類方法對該時序影像進行甘蔗、玉米和水稻識別，發(fā)現(xiàn)常用方法中人為選擇特征參數(shù)的面向?qū)ο蠓椒ǚ诸愋Ч罴裑8]。以上方法對單種作物或2到3種作物識別可獲得精度較高的分類結(jié)果，但對待分類作物種類較多的作物識別，人為確定分類規(guī)則較為困難。

針對農(nóng)作物種植結(jié)構(gòu)較復(fù)雜，種類較多的區(qū)域，Pe?a-Barragán，Moffatt K 等提出了利用決策樹進行面向?qū)ο蟮亩鄷r相作物識別，該方法綜合分析對象多時相植被指數(shù)，紋理信息，以及派生物候特征，利用二分遞歸分割的技術(shù)基于訓(xùn)練樣本集生成層次多，葉節(jié)點多的大樹，然后對其刪減長生一系列子樹，利用最大似然比平方統(tǒng)計從中選擇最佳子樹生成決策樹判定規(guī)則對加利福尼亞YOLO縣小麥、水稻、向日葵、苜蓿等13種主要作物進行了識別，并依據(jù)特征在最大似然比平方χ2中所占百分比和所在決策樹分支數(shù)對3個不同時序及其組合的16種對象光譜特征、6種對象紋理特征和2種基于對象層次結(jié)構(gòu)的紋理特征對作物識別的貢獻率進行了對比評價，并得出結(jié)論在各種特征中光譜信息貢獻率最高中占主導(dǎo)地位，其中NDVI的貢獻率為50%，紋理特征的貢獻率雖然較小，但是有助于確定最后的混淆分支。該方法對利用高分辨率影像進行復(fù)雜種植結(jié)構(gòu)作物識別有著較好的適用性，且在決策樹分層分類中兼顧了種間差異和種內(nèi)差異，分類過程中的分類規(guī)則確定由軟件完成，避免了人為分析大量特征信息的復(fù)雜性[9]，然而由于涉及多個波段以及紋理信息，該方法對影像要求就高，成本較高，且涉及一年多數(shù)作物的識別。

2．利用作物全生育期NDVI時序數(shù)據(jù)進行作物識別

該方法一般選擇作物整個生育期內(nèi)每旬一景或每月一景的高時間分辨率影像序列提取NDVI時序曲線進行多時相作物識別。用于作物識別的NDVI時序曲線特征主要包括曲線派生的物候測度和曲線數(shù)學(xué)特征兩類。

(1)利用NDVI時序曲線物候特征進行分類

國內(nèi)外已有很多學(xué)者對NDVI時序曲線的物候測度進行了定義和提取方法研究，Bradley C．Reed等定義了3類基于NDVI時序曲線的12種物候測度，第1類為基于時間的物候測度：返青、成熟、和NDVI最大值時刻、生長時段;第2類為基于NDVI數(shù)值的物候測度：返青值、成熟值、NDVI最大值、NDVI差值;第3類為時間序列曲線派生物候測度：時間整合 NDVI、生長速率、衰老速率、曲線模式[10]。該3類特征基本囊括了國內(nèi)外作物識別研究中的NDVI曲線物候測度定義。作者還引入了自回歸移動平均數(shù)模型(auto-regressive moving average)進行NDVI時序曲線各種物候測度的提取。另外，陳曉苗提出了利用二次差分法提取NDVI時序曲線波峰的頻數(shù)作為判別一茬作物和二茬作物的物候特征，算法如式(3)到式(5)所示。

利用式(3)式計算每個像元前后兩時序NDVI之差，得到序列S1

S3序列中，S3等于-2的時刻即波峰出現(xiàn)的時間，S3等于2的時刻即波谷出現(xiàn)的時間，依據(jù)S3即可提取波峰出現(xiàn)的時間及峰值[11]。

人為依據(jù)樣本NDVI時序曲線物候特征差異結(jié)合物候資料設(shè)定分類規(guī)則，利用決策樹或分層掩膜法進行作物識別的方法已得到廣泛運用，但人為確定分類規(guī)則依然是難點。

(2)利用NDVI時序曲線數(shù)學(xué)特征進行分類

NDVI時序曲線經(jīng)傅里葉變換后所得諧波的數(shù)學(xué)特征可用于作物識別，張明偉等利用諧波的曲線均值(0級諧波振幅)、1～3級諧波的初始相位及振幅比例作為特征，生成7個波段即7種特征數(shù)據(jù)的影像進行春玉米、棉花、夏玉米、大豆、冬小麥的監(jiān)督分類，W．L．da Silva等也利用諧波的振幅和相位作為多維特征空間，完成了甘蔗的自動識別[12]。傅里葉變換公式如式(6)和(7)所示

式中，aj、bj為傅里葉系數(shù);cj、φj分別為 j級諧波的振幅和相位角。筆者依據(jù)上述公式定義了諧波特征向量，向量維數(shù)小于2( n/2)+1;n為訓(xùn)練樣本點數(shù)，各分量中 為 即頻率為0時的振幅;分別為k級諧波的振幅ck和相位φk。諧波數(shù)m為1到n/2之間，則特征向量維數(shù)為2m+1。然后，依據(jù)樣本特征向量的算術(shù)平均求得平均特-征向量ν，依據(jù)各像元的特征向量與平均特征向量的差異大小即可進行類別判定。對于像元特征向量中1≤i≤2m+1各個分量，判定規(guī)則如式(8)和(9)所示

式中，σi為用于計算 第i個分量的樣本數(shù)據(jù)的標(biāo)準(zhǔn)差;λ為色散容差;ε為像元特征向量V與平均特征向量 的差異容差值。λ和m依據(jù)反復(fù)分類實驗所得混淆矩陣判定最佳值。

另外，將基于NDVI時序數(shù)據(jù)進行ISODATA非監(jiān)督分類所得未知類別的均值NDVI時序曲線，與調(diào)查所得作物系數(shù)Kc曲線(物系數(shù)Kc為作物潛在蒸發(fā)蒸騰量ETa和參考作物蒸發(fā)蒸騰量ET0的比值)依據(jù)光譜耦合技術(shù)進行相似度計算與匹配，也可完成作物識別[13-14]。光譜耦合技術(shù)SMT(spectral matching technique)的基本原理是多光譜曲線與已知特征曲線的相似度計算與匹配，實質(zhì)為兩條曲線的匹配，故該方法也適用于NDVI時序曲線與作物系數(shù)曲線。光譜特征相似度分析SCS(spectral correlation similarity)中譜相似度SSV的計算如式(10)所示

式中，Ed為兩點間歐氏距離，其中ruh為皮爾遜系數(shù)，其值介于-1～1之間，其值越大，相似度就越高，ruh計算如式(11)所示

式中，n為光譜時間序列的長度;ti(i=1～n)為已知標(biāo)準(zhǔn)類i類NDVI時間序列值;μi為已知類NDVI時間序列均值;hi為任一目標(biāo)類別的NDVI序列值;μh為該類均值;σh為目標(biāo)類標(biāo)準(zhǔn)差。對每個未知類別，將其歸于相似度最高的目標(biāo)類別即完成作物識別。

該類方法避免了人為確定分類規(guī)則的復(fù)雜性，但其分類過程難以利用物候知識解釋，且該類研究目前還較少，故其對不同地區(qū)、不同種植模式的適用性也有待考證。

三、結(jié)束語

綜上所述，利用多景遙感影像進行作物識別的研究中，影像時相選擇仍然是難題之一，開展定量對比實驗雖然能夠確定最佳選擇方案，但較為耗時，且研究結(jié)果不具普適性;另外，該方法中常利用NDVI值進行分層分類，但對于種植結(jié)構(gòu)較為復(fù)雜的研究區(qū)域，人為確定分類規(guī)則較為復(fù)雜，而將植被指數(shù)與對象紋理特征等結(jié)合進行面向?qū)ο蟮臎Q策分類，則可適用于較多種作物的識別。但由于影像時相限制，對一年多熟的作物識別仍然較為困難，且該方法中所涉及波段較多，且對影像空間分辨率要求也較高，難以適用于大多數(shù)遙感影像。相反，利用NDVI時序數(shù)據(jù)則避免了影像最佳時相組合選擇的問題，且可識別一年多熟等復(fù)雜種植制度，擴充了多時相作物識別的范圍，但該方法所需處理的數(shù)據(jù)量較大，工作效率較低，且所用數(shù)據(jù)一般空間分辨率較低，對作物地塊較小或破碎的地區(qū)，容易造成混合像元問題影響分類結(jié)果。

針對種植制度較為復(fù)雜且地塊較小或破碎的地區(qū)的作物識別研究，筆者認(rèn)為結(jié)合上述兩種方法，綜合利用高空間分辨率、高光譜分辨率和高時間分辨率遙感影像，有效整合光譜信息與時相信息進行作物識別是值得探索的研究方向。

[1]WARDLOW BD，EGBERTSL，KASTENSJH．Analysis of Time-seriesMODIS 250m Vegetation Index Data for Crop Classification in the U．S．Central Great Plains[J]．Remote Sensing of Environment，2007(108)：290-310．

[2]千懷遂．農(nóng)作物遙感估產(chǎn)最佳時相的選擇研究：以中國主要糧食作物為例[J]．生態(tài)學(xué)報，1998，18(1)：48-55．

[3]李劍萍，官景得，韓穎娟，等．基于 SPOT/VEGETATION數(shù)據(jù)的陜甘寧退耕還林區(qū)植被分類[J]．安徽農(nóng)業(yè)科學(xué)，2009(27)：13324-13326，13351．

[4]歐文浩，蘇偉，薛文振，等．基于HJ-1衛(wèi)星影像的三大農(nóng)作物估產(chǎn)最佳時相選擇[J]．農(nóng)業(yè)工程學(xué)報，2010(11)：176-182，385．

[5]齊臘，劉良云，趙春江，等．基于遙感影像時間序列的冬小麥種植監(jiān)測最佳時相選擇研究[J]．遙感技術(shù)與應(yīng)用，2008，23(2)：154-160．

[6]馬麗，徐新剛，賈建華，等．利用多時相TM影像進行作物分類方法[J]．農(nóng)業(yè)工程學(xué)報，2008，24(S2)：191-195．

[7]李穎，陳秀萬，段紅偉，等．多源多時相遙感數(shù)據(jù)在冬小麥識別中的應(yīng)用研究[J]．地理與地理信息科學(xué)，2010，26(4)：47-49，F(xiàn)0003．

[8]彭光雄，宮阿都，崔偉宏，等．多時相影像的典型區(qū)農(nóng)作物識別分類方法對比研究[J]．地球信息科學(xué)，2009(2)：225-230．

[9]PEN¨A-BARRAGáN JM，NGUGIM K ，PLANT R E，et al．Object-based Crop Identification Using Multiple Vegetation Indices，Textural Features and Crop Phenology[J]．Remote Sensing of Environment，2011，115(6)：1301-1316．

[10]REED B C，BROWN J F ，VANDERZEE D，et al．Measuring Phenological Variability from Satellite Imagery[J]．Journal of Vegetation Science，1994(5)：703-714．

[11]陳曉苗．基于MODIS-NDVI的河北省主要農(nóng)作物空間分布研究[D]．石家莊：河北師范大學(xué)，2010．

[12]DA SW L，GONCALVES R R V，SIQUEIRA A S，et al．Feature Extraction for NDVIAVHRR/NOAA Time Series Classification[C]∥Proceedings of Analysis of Multi-temporal Remote Sensing Images(Multi-Temp)Trento．[S．l．]：InternationalWorkshop，2011．

[13]蔡學(xué)良，崔遠(yuǎn)來．基于異源多時相遙感數(shù)據(jù)提取灌區(qū)作物種植結(jié)構(gòu)[J]．農(nóng)業(yè)工程學(xué)報，2009，25(8)：124-130．

[14]郝衛(wèi)平，梅旭榮，蔡學(xué)良，等．基于多時相遙感影像的東北三省作物分布信息提取[J]．農(nóng)業(yè)工程學(xué)報，2011，27(1)：201-207．