基于決策樹模型分類多時相早稻信息提取研究

呂紅梅 李栩濱

(福建省地質(zhì)測繪院，福州，350011；福州大學(xué)紫金礦業(yè)學(xué)院，福州，350108)

農(nóng)業(yè)是一個國家的基本產(chǎn)業(yè)。在農(nóng)業(yè)生產(chǎn)方面，國家宏觀調(diào)控需要對耕地(尤其水田)的分布信息準(zhǔn)確把握。應(yīng)用遙感信息分類技術(shù)為水田分布信息的獲取提供了方法依據(jù)，然而如何準(zhǔn)確地利用遙感數(shù)據(jù)來提取水田分布信息是為國家宏觀調(diào)控服務(wù)的關(guān)鍵。20世紀(jì)90年代，前人利用不同遙感數(shù)據(jù)提取方法進(jìn)行大量研究，積累的資料相當(dāng)豐富[1-5]。在前人水稻信息的提取研究中，大多數(shù)研究人員只利用較單一的分類方法，如使用最大似然法、紋理、各指數(shù)或特征庫，且所使用的數(shù)據(jù)源大多為米級分辨率，甚至是百米級的低分辨率數(shù)據(jù)源，但是已經(jīng)不能夠滿足當(dāng)今農(nóng)業(yè)經(jīng)濟(jì)的發(fā)展了，特別是現(xiàn)代的精細(xì)農(nóng)業(yè)。

此研究以多時相不同分辨率遙感影像為數(shù)據(jù)源，直接利用歸一化植被指數(shù)(NDVI)計算，配合紋理分析，逐步剔除非耕地的信息,得到耕地的初步分類結(jié)果；再結(jié)合多時相的地表水分指數(shù)(LSWI)與歸一化植被指數(shù)綜合判析，進(jìn)一步篩分出早稻和其他作物，最終得到該研究區(qū)的早稻圖斑分布信息。結(jié)合野外驗證及谷歌資料比對，證實該方法提取早稻信息的可靠性、準(zhǔn)確性，也為后期水稻產(chǎn)量的預(yù)估提供科學(xué)決策依據(jù)。

1 研究區(qū)和數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于福建龍巖長汀南山鎮(zhèn)下轄村，區(qū)域以丘陵為主，東、西、北三面高，中南為山間盆地，地勢低。該區(qū)屬于中亞熱帶季風(fēng)氣候，年平均氣溫為18.4℃，年平均降水量為1 711 mm[6]，其行政區(qū)面積約為18.85 km2。該村主要地類以林地、耕地、建設(shè)用地、水域、園地為主，草地零星分布。該村種植結(jié)構(gòu)相對較單一，農(nóng)作物種植以水稻、檳榔芋為主，水稻分早稻和晚稻，烤煙與早稻輪種。大多數(shù)農(nóng)作物均分布于地勢低洼處及部分的丘陵地帶。早稻播種或蓄水期的時間段為3月份、4月份，生長返青期為5月份，收獲期為7月份；檳榔芋播種和返青期與早稻類似，收獲期在8月份，相對早稻時間較晚；烤煙則是在1月份播種，4月份處于生長返青期，6月份、7月份為收獲期。

1.2 數(shù)據(jù)源

根據(jù)研究區(qū)早稻種植時間的特點可知，4～7月為早稻種植的關(guān)鍵物候期，其中4月份為蓄水期，5月份為返青期，返青期間水分光譜特征仍然發(fā)揮著較大的作用。Landsat8 OLI的短波紅外波段與近紅外波段組成的地表水分指數(shù)，對該特征具有很好的指示作用。高分辨率影像紋理清晰，地類識別度高，但面積?。恢械头直媛视跋耠m然識別度較低，但面積大。綜合考慮各類影像特征及性價比，搜集了4～5月Landsat8 OLI、6～7月GF1WFV影像作為指數(shù)數(shù)據(jù)源，高分辨率影像作為紋理分析和圖斑界線圈定的數(shù)據(jù)源(表1)。

表1 研究區(qū)遙感影像數(shù)據(jù)源

2 基于決策樹模型的分類

決策樹模型法是一種典型的分類方法，首先對樣本區(qū)數(shù)據(jù)進(jìn)行處理，利用歸納算法生成可讀的規(guī)則和決策樹，然后使用決策樹對新區(qū)數(shù)據(jù)進(jìn)行分析預(yù)測。決策樹模型是基于決策點和策略點等構(gòu)成的樹形圖，主要用于序列決策或多級決策。它的本質(zhì)是一顆由多個判斷節(jié)點組成的樹。在使用模型進(jìn)行預(yù)測時，根據(jù)輸入?yún)?shù)依次在各個判斷節(jié)點進(jìn)行判斷游走，最后到葉子節(jié)點即為預(yù)測結(jié)果[7]。南山村多時相早稻信息提取的決策樹模型分類步驟(圖1)。

圖1 南山村多時相早稻信息提取的決策樹模型圖Fig.1 Decision tree model diagram for information extraction of multi-temporal early rice in Nanshan village

2.1 歸一化植被指數(shù)的計算

在植被遙感影像識別中，歸一化植被指數(shù)是植被生長狀態(tài)及植被覆蓋度的最佳指示因子。對于陸地表面而言，云、水、雪在可見光波段比在近紅外波段有較高的反射作用，其NDVI為負(fù)值；巖石、裸土在兩波段有相似的反射作用，其NDVI值近于0；若有植被覆蓋的情況下，NDVI為正值，且隨植被覆蓋度的增大而增大。NDVI計算公式如下：

NDVI=(ρnir-ρr)/(ρnir+ ρr)

式中：ρnir為近紅外波段的反射率值；ρr為紅光波段的反射率值。

通過計算研究區(qū)6月份的GF1衛(wèi)星影像中多光譜數(shù)據(jù)的近紅外波段和紅光波段，得出其NDVI值。該研究將NDVI結(jié)果進(jìn)行重分類二值化，分為NDVI≤0(如建筑用地、水域、坑塘水面等)及NDVI>0(如林地、草地、園地和耕地等)，并將NDVI大于零值的柵格單元作為早稻提取的初步基礎(chǔ)柵格數(shù)據(jù)。

2.2 影像紋理分析

紋理是物體結(jié)構(gòu)的反映，分析紋理可以甄別影像中物體的重要信息。影像紋理分析是指通過一定的影像處理技術(shù)提取出一系列的紋理特征參數(shù)，從而獲得定量或定性描述紋理的處理過程。從總體上來講，影像紋理分析可以分為統(tǒng)計方法、結(jié)構(gòu)方法和譜方法3大類[8-10]。其中統(tǒng)計分析方法是基于影像相關(guān)屬性的統(tǒng)計分析出發(fā)，該研究采用基于方差(Variance)的統(tǒng)計方法對研究區(qū)進(jìn)行影像紋理分析，其中方差計算公式如下：

式中：u為矩陣均值，反映影像的不均勻特性。當(dāng)值較大時，則說明影像中的灰度變化較大。

2月份GF2衛(wèi)星影像有相對較高的分辨率，為0.8 m，筆者以GF2衛(wèi)星影像基于3×3窗口的方差紋理分析計算，不同地物紋理結(jié)果具備各自的特征(照片1)。林地紋理較粗糙，耕地質(zhì)地最均勻，邊界明顯；草地質(zhì)地僅次于耕地，但沒有明顯邊界；園地紋理居中。該研究區(qū)域經(jīng)過NDVI值的計算之后，有植被覆蓋的地類，即林地、草地、園地和耕地。通過對紋理的異質(zhì)均勻度分析，將研究區(qū)的異質(zhì)度分為4個級別，耕地、園地、林地、草地分別賦值為1，2，3，4，并將賦值為1的值單獨提取出來,可以利用紋理分析的結(jié)果對NDVI值的初步成果進(jìn)一步剔除出林地、草地和園地的偽信息，得出該研究區(qū)的耕地信息。

照片1 2月份GF2影像各地類的紋理特征Photo.1 Texture Features of local classes in February GF2 Imagesa—耕地的影像紋理特征；b—園地的影像紋理特征；c—林地的影像紋理特征；d—草地的影像紋理特征

2.3 特征指數(shù)分析

各種作物的生長都有各自的規(guī)律，如播種、出苗、生長最旺盛、成熟和收獲等，同一種作物在同一地區(qū)具有相對穩(wěn)定的生長周期規(guī)律。不同作物的物候期不同，導(dǎo)致反映作物生長植被的各指數(shù)時間曲線形態(tài)不同，并按一定規(guī)律變化。

2.3.1 地表水分指數(shù)曲線分析

水稻生長的動態(tài)變化一般包括灌水期、秧苗移栽期、生長返青期、成熟收割期[11]。在水稻的多數(shù)生長期內(nèi)，其反射光譜是陸地表面水體和水稻秧苗及其他地物的混合光譜。而水稻的灌水與秧苗移栽期水分含量較大，是區(qū)別于其他農(nóng)作物的一大特征，因此研究構(gòu)建對水體較為敏感的地表水分指數(shù)。LSWI依據(jù)原理是植被在近紅外波段吸收率較低，而在短波紅外波段的吸收率較高，即水分在短波紅外波段的強吸收特征。LSWI 指數(shù)包含對土壤濕度和植被水分敏感的短波紅外波段反射率，可以用于土壤濕度變化的監(jiān)測[12]。濕度越大，LSWI值越高。LSWI 指數(shù)計算公式如下：

LSWI =(ρnir- ρswir)/(ρnir+ρswir)

式中：ρnir為近紅外波段的反射率值，ρswir為短波紅外波段的反射率值。

研究利用Landsat8 OLI的近紅外波段和短波紅外波段對該區(qū)域含水量較大，且較能體現(xiàn)在影像光譜特征上的4月份、5月份進(jìn)行LSWI的計算，并為了擴(kuò)大各區(qū)間值的對比,將該比值再乘以1 000，最后對早稻和其他作物樣本的LSWI曲線進(jìn)行分析及比對(圖2)。顯示了早稻和其他作物樣本在4月份和5月份的LSWI曲線值存在較大的差別。通過多次試驗，將4月份和5月份的閾值分別設(shè)置為-285

圖2 Landsat8 OLI影像不同時相早稻和其他作物樣本的LSWI曲線Fig.2 LSWI Curves of early Rice and other crop samples in different phases of Landsat8 OLI image

2.3.2 歸一化植被指數(shù)曲線分析

4～5月間部分作物因為灌溉或者降雨等原因，影像上顯示出的LSWI指數(shù)相對較高，基于LSWI指數(shù)提取的早稻可能含有部分其他作物的信息?？紤]到不同植被在各季節(jié)表現(xiàn)出的生長特征不同，其植被指數(shù)時間序列差異較大，利用植被指數(shù)時間序列進(jìn)行植被信息提取，能夠區(qū)分同一時段內(nèi)無法區(qū)分的植被，減少因為季節(jié)變化而造成的誤分現(xiàn)象[13]。

早稻和其他作物生長期的差異主要體現(xiàn)在早稻6月份最茂盛時期，而7月份、8月份處于收獲期，植被指數(shù)也隨之降低，而其他作物則是上升的趨勢。為了更好地研究作物在不同季節(jié)種植的變化，該研究分別選取了早稻和其他作物的5個樣本，同LSWI處理類似，將該比值乘以1 000以擴(kuò)大對比，分別得出5期早稻和其他作物的NDVI分析曲線(圖3、圖4)。早稻在4月份的NDVI值最低，隨著早稻的返青，5月份之后逐漸升高，至6月份中旬達(dá)到最高值，之后便呈下降的趨勢。雖然7月份為早稻的收獲期，但其NDVI值并未達(dá)到最低，除了一些收獲期會推遲因素，16 m的混合光譜像元也是主要的原因之一。各時期早稻和其他作物的NDVI曲線特征存在很大區(qū)別，特別是6月中旬至7月份早稻區(qū)NDVI曲線特征呈下降趨勢，而其他作物區(qū)則呈繼續(xù)上升的特點。因此可以對6月份、7月份NDVI做差值運算，若NDVI(6月)- NDVI(7月)>0，則識別為早稻的分布區(qū)域。

圖3 不同時相早稻樣本的NDVI曲線Fig.3 NDVI Curve of early rice samples at different time phases

圖4 不同時相其他作物樣本的NDVI曲線Fig.4 NDVI Curve of other crop samples at different time phases

綜合上述的LSWI 指數(shù)的初步分類結(jié)果，結(jié)合該NDVI曲線變化特征，最終疊加綜合分析出種植早稻的圖斑空間分布與面積統(tǒng)計。

3 結(jié)果和分析

通過NDVI值的計算，得到具備植被覆蓋的地類信息；結(jié)合影像紋理分析，進(jìn)一步剔除林地、草地和園地，得到該研究區(qū)的耕地信息；再比較不同時相耕地的LSWI曲線和NDVI曲線，進(jìn)一步區(qū)分出早稻和其他作物，最后再結(jié)合0.8 m高分辨率的GF2衛(wèi)星影像進(jìn)行圖斑邊界的圈定，得出該研究區(qū)的早稻圖斑分布信息。結(jié)合GPS野外驗證和谷歌地球高清數(shù)據(jù)目視判斷相結(jié)合，研究區(qū)通過專業(yè)軟件隨機(jī)生成200個驗證點(圖5)，對所分的早稻和其他作物結(jié)果進(jìn)行精度評價。評價結(jié)果顯示早稻的用戶精度達(dá)到87.50%，生產(chǎn)者精度為85.71%，總體精度達(dá)到了93.50%，Kappa系數(shù)為0.823。Kappa系數(shù)具極好的一致性，進(jìn)一步證實該方法提取早稻信息的可靠性、準(zhǔn)確性。通過統(tǒng)計計算得出該村的早稻種植面積約為45 120 m2。該村的早稻主要集中分布在建筑區(qū)相對較密集，且地勢低洼處(圖6)，其余的均零星分布；丘陵地區(qū)則主要以其他作物為主。

圖5 2018年南山村地類野外驗證點 Fig.5 Field verification sites of land species in Nanshan Village, 2018

圖6 2018年南山村早稻其他作物分布圖Fig.6 Distribution map of early rice and other crops in Nanshan Village, 2018

表2 早稻和其他作物圖斑識別精度統(tǒng)計

4 結(jié)論

(1)通過研究水稻在各個生長期的特點，基于多時相遙感影像信息進(jìn)行決策樹模型分類法的分析，逐步剔除出其他作物，最終得到了南山村的早稻空間分布信息，種植面積約為45 120 m2。

(2)該研究區(qū)處于早期生長階段早稻的LSWI曲線值不論在4月份還是5月份，其地表水分指數(shù)值都比其他作物的要高；而NDVI曲線則展示了早稻和其他作物在4月份左右值最低，在7月份二者有明顯差異，且是區(qū)分二者類別的主要特征之一。

(3)結(jié)合相關(guān)資料驗證，早稻的用戶精度達(dá)到了87.50%，生產(chǎn)者精度為85.71%，總體精度達(dá)到了93.50%，Kappa系數(shù)為0.823。Kappa系數(shù)值顯示出極好的一致性，進(jìn)一步證實該方法提取早稻信息的可靠性、準(zhǔn)確性。

(4)該研究采用分類算法為早稻遙感測量提供有效技術(shù)方法。該方法對基于時間序列分析有較好的效率，但其對樣本量的需求量較大，該研究區(qū)僅是一個村尺度，早稻信息的相對較少即為該研究的局限性所在。

(5)由于獲取的遙感影像時相受限，只獲得了5個時相的遙感影像，可以反映出早稻的基本長勢，能較好的區(qū)分早稻和其他作物的區(qū)別，但是其他作物間又有各自的生長特征，今后可以在獲取遙感影像數(shù)據(jù)源時，盡量考慮時序的完整性及較高的分辨率，不僅能更好地展現(xiàn)早稻生長周期的完整性，也能更大限度地分析各自作物間的光譜特征，及區(qū)分出容易混淆的作物，如該研究區(qū)的烤煙和檳榔芋。從而為農(nóng)業(yè)規(guī)劃、政府管理等相關(guān)部門，對耕地種植的規(guī)劃或是種植水稻面積的準(zhǔn)確預(yù)估提供科學(xué)決策依據(jù)。

本文承蒙高建陽教授級高級工程師、張書煌教授級高級工程師悉心指導(dǎo)、審閱，并提出寶貴修改意見，在此表示衷心感謝。