非監(jiān)督分類的冬小麥種植信息提取模型

王冬利，張安兵，趙安周，李 靜

(1. 河北工程大學(xué)礦業(yè)與測(cè)繪工程學(xué)院，河北 邯鄲 056038； 2. 河北工程大學(xué)河北省煤炭資源綜合開發(fā)與利用協(xié)同創(chuàng)新中心，河北 邯鄲 056038)

冬小麥?zhǔn)侨蚋鲊?guó)重要的糧食作物，掌握其時(shí)空分布可為農(nóng)業(yè)監(jiān)測(cè)、水資源調(diào)控、糧食安全等提供基礎(chǔ)信息[1- 2]。衛(wèi)星遙感技術(shù)具有大區(qū)域、多源、多時(shí)空尺度的數(shù)據(jù)獲取能力[3]，能夠相對(duì)精確地提取冬小麥。因此，高中低空間分辨率衛(wèi)星影像數(shù)據(jù)在冬小麥種植信息提取方面得到了廣泛應(yīng)用，如基于MODIS、陸地衛(wèi)星數(shù)據(jù)、Aster、環(huán)境與災(zāi)害監(jiān)測(cè)小衛(wèi)星、WorldView- 3等衛(wèi)星影像[4- 8]，采用監(jiān)督分類、決策樹分類、支持向量機(jī)、面向?qū)ο蠓诸?、波譜庫(kù)匹配等方法[9- 11]，結(jié)合線性混合像元模型、模糊數(shù)學(xué)、抽樣方法和時(shí)間序列等技術(shù)[12- 15]，能夠提取不同區(qū)域內(nèi)的冬小麥種植信息[16]。

綜上所述，冬小麥種植信息遙感提取方法主要集中在應(yīng)用監(jiān)督學(xué)習(xí)的算法，該系列方法顧及農(nóng)作物的物候特征、光譜特征及紋理特征等，在農(nóng)作物精細(xì)化分類上取得了一定效果，但是也存在一些問題，如較嚴(yán)重地依賴地面采樣數(shù)據(jù)、人為干擾因素大、自動(dòng)化程度低、普適性差等。本文對(duì)應(yīng)用非監(jiān)督分類技術(shù)提取冬小麥種植信息的方法進(jìn)行深入研究，提出一種新的非監(jiān)督分類冬小麥種植信息提取模型，并以河北省辛集市為例進(jìn)行試驗(yàn)研究。

1 材料與方法

1.1 研究區(qū)與數(shù)據(jù)

研究區(qū)域選取河北省辛集市，該區(qū)域位于華北平原，地勢(shì)平坦，總面積約為950 km2，其中耕地面積約650 km2。主要農(nóng)作物為冬小麥、玉米及果樹。

本文以空間分辨率為16 m的國(guó)產(chǎn)衛(wèi)星高分一號(hào)(GF- 1)多光譜數(shù)據(jù)為數(shù)據(jù)源；辛集市行政邊界來自于全國(guó)1∶400萬縣矢量邊界數(shù)據(jù)。驗(yàn)證樣本點(diǎn)數(shù)據(jù)通過隨機(jī)撒點(diǎn)方法，結(jié)合Google Earth地圖和多期高分一號(hào)影像數(shù)據(jù)獲取。

1.2 方 法

本文提出的模型原理是以歸一化植被指數(shù)(NDVI)作為冬小麥信息提取的判別指標(biāo)，以非監(jiān)督分類為核心，結(jié)合多尺度技術(shù)，即空間尺度由大到小、分辨率由粗到細(xì)，逐層剔除非冬小麥地物，從而達(dá)到由概略到具體、逐步精細(xì)、準(zhǔn)確提取冬小麥種植信息的目的。

1.2.1 多尺度表達(dá)

多尺度影像處理技術(shù)是指對(duì)同一區(qū)域采用多個(gè)尺度的影像來表達(dá)，并且在不同尺度影像上分別進(jìn)行處理。在不同尺度上，遙感影像的某些特征信息不同，這樣某些影像處理的效果也會(huì)不同。多尺度技術(shù)中的尺度可以是空間分辨率，也可以是時(shí)間分辨率。本文采用的是基于空間分辨率的多尺度技術(shù)，并通過重采樣方法實(shí)現(xiàn)對(duì)同一區(qū)域多空間尺度的表達(dá)，如圖1所示。

1.2.2 非監(jiān)督分類

非監(jiān)督分類是一種聚類統(tǒng)計(jì)分析方法。本文采用經(jīng)典聚類方法——K- means算法進(jìn)行試驗(yàn)。K- means算法需要提前輸入類別數(shù)目(聚類中心個(gè)數(shù))，并且類別數(shù)目對(duì)分類精度影響非常大，而一個(gè)區(qū)域的類別數(shù)通常情況下是很難準(zhǔn)確獲得的。例如，本文的研究區(qū)辛集市內(nèi)地物具體種類不確定，但是本文提取的目標(biāo)地物為冬小麥，若將研究區(qū)內(nèi)的地物粗略地劃分為兩種類別：一種是冬小麥，另一種是非冬小麥。試驗(yàn)發(fā)現(xiàn)，這樣粗略劃分類別并應(yīng)用K- means算法提取冬小麥的效果不好，分類結(jié)果偏大。經(jīng)分析，主要原因在于：根據(jù)NDVI原理，研究區(qū)中道路、水體、裸地及建筑物等主要非冬小麥地物位于NDVI低值區(qū)域，冬小麥處于NDVI高值區(qū)域，NDVI值中間部分同時(shí)包含冬小麥和非冬小麥信息(如圖1中左數(shù)第一個(gè)方框所示)。當(dāng)應(yīng)用K- means算法時(shí)，無論輸入類別為2類還是3類，NDVI值中間范圍內(nèi)的地物分類誤差較大，從而影響了整體分類精度。

1.2.3 非監(jiān)督分類與多尺度結(jié)合

針對(duì)上述問題，本文結(jié)合多空間尺度分析技術(shù)，提出試驗(yàn)改進(jìn)流程(如圖2所示)，試驗(yàn)結(jié)果證實(shí)該方法可以解決由于類別數(shù)目不能準(zhǔn)確確定所帶來的非監(jiān)督分類精度不理想的問題。具體流程如下：①基于原始影像數(shù)據(jù)，通過重采樣技術(shù)，獲取更大尺度(更低分辨率)數(shù)據(jù)，構(gòu)建多尺度表達(dá)。②由于在大尺度(低空間分辨率)遙感影像上地物綜合特征更明顯，同時(shí)研究區(qū)內(nèi)冬小麥主要呈大面積或細(xì)長(zhǎng)狀分布形態(tài)，因此當(dāng)研究區(qū)遙感影像通過重采樣方法生成大尺度影像數(shù)據(jù)時(shí)，絕大部分冬小麥能夠被綜合為NDVI高值區(qū)域的冬小麥，當(dāng)然其中很少部分冬小麥會(huì)被誤綜合為NDVI中值區(qū)域的干擾地物。此時(shí)，當(dāng)輸入類別數(shù)目為兩類(冬小麥和非冬小麥)時(shí)，基于升尺度后的NDVI數(shù)據(jù)，K- means算法提取的冬小麥信息包括NDVI高值區(qū)域和部分中值區(qū)域。③應(yīng)用大尺度下提取的冬小麥種植范圍掩膜下一個(gè)較小尺度NDVI數(shù)據(jù)，掩膜后利用非監(jiān)督分類進(jìn)行分類，類別數(shù)目依然設(shè)為兩類(冬小麥和非冬小麥)。④重復(fù)以上步驟，直到最小的尺度數(shù)據(jù)(原始數(shù)據(jù))為止，當(dāng)最小尺度NDVI數(shù)據(jù)經(jīng)過掩膜后，NDVI數(shù)據(jù)只剩下兩類地物：冬小麥和干擾地物。其中，絕大部分冬小麥位于NDVI高值區(qū)域，少量冬小麥位于中值區(qū)域，絕大部分的干擾地物位于NDVI低值區(qū)域。此時(shí)，當(dāng)輸入類別數(shù)目為2，應(yīng)用K- means算法提取冬小麥時(shí)，類別數(shù)目不準(zhǔn)確對(duì)提取結(jié)果的影響會(huì)很小，從而使得提取精度得到極大提高。

1.2.4 流程步驟

首先選取3月初至4月上旬的遙感數(shù)據(jù)，因?yàn)樵摃r(shí)期正處于冬小麥返青和拔節(jié)期，其他綠色植被正處于枯黃狀態(tài)，冬小麥的NDVI值相對(duì)較大，而其他非冬小麥地物的NDVI值較小。然后，結(jié)合圖2流程提取冬小麥種植信息。具體而言：①先將所選擇的GF- 1 NDVI數(shù)據(jù)升尺度為原始數(shù)據(jù)尺度的2倍、3倍，即升尺度后數(shù)據(jù)的空間分辨率分別為32和48 m；②基于最大尺度、最粗分辨率的遙感數(shù)據(jù)(空間分辨率為48 m的NDVI遙感數(shù)據(jù))，應(yīng)用非監(jiān)督分類將研究區(qū)分為兩大類，一類為冬小麥候選區(qū)域，另一類為非冬小麥區(qū)域；③以②提取結(jié)果中的冬小麥候選區(qū)域掩膜下一級(jí)尺度遙感數(shù)據(jù)(空間分辨率為32 m的NDVI數(shù)據(jù))，然后進(jìn)行非監(jiān)督分類。同樣輸入類別數(shù)目為兩類：一類為冬小麥候選區(qū)域，另一類為非冬小麥區(qū)域。同理，最后再對(duì)空間分辨率為16 m的原始NDVI數(shù)據(jù)進(jìn)行掩膜和非監(jiān)督分類，從而得到最終冬小麥種植區(qū)域，并對(duì)提取結(jié)果進(jìn)行精度驗(yàn)證。

2 結(jié) 果

2.1 非監(jiān)督分類模型

由于研究區(qū)內(nèi)野草、樹木等其他綠色干擾地物在4月初時(shí)基本還處于枯黃狀態(tài)，因此本次試驗(yàn)采用2014年4月3日GF- 1遙感影像數(shù)據(jù)，以NDVI作為冬小麥信息提取判別指標(biāo)，應(yīng)用本文提出的非監(jiān)督分類模型提取2014年辛集市冬小麥種植信息，提取的結(jié)果如圖3和表1所示。

表1 辛集市冬小麥面積

2.2 精度驗(yàn)證

基于驗(yàn)證樣本點(diǎn)數(shù)據(jù)，應(yīng)用混淆矩陣方法對(duì)非監(jiān)督分類模型進(jìn)行精度驗(yàn)證，驗(yàn)證精度見表2。

表2 冬小麥非監(jiān)督分類模型精度驗(yàn)證

3 討 論

基于2014年4月3日GF- 1影像，應(yīng)用最大似然監(jiān)督分類法提取冬小麥358.00 km2(見表1)，其空間分布如圖3(b)所示。將非監(jiān)督分類模型和監(jiān)督分類兩種提取結(jié)果作混淆矩陣，Kappa系數(shù)為0.87，整體精度為95.04%。這證明：對(duì)于研究區(qū)內(nèi)的冬小麥，本文提出的非監(jiān)督分類模型的提取結(jié)果與監(jiān)督分類方法高度相似。此外，表1和表2證明：該模型是一種逐層剔除非冬小麥地物信息、逐層精確冬小麥種植面積的過程，即由419.09 km2到373.24 km2，再到最終的352.44 km2，結(jié)果符合該模型中逐層精細(xì)、準(zhǔn)確地提取冬小麥種植信息的原理和目的；同時(shí)該模型的制圖精度和用戶精度都在92%以上，具有較高的精度。

該模型也存在需要進(jìn)一步完善的地方：①該模型只對(duì)GF- 1數(shù)據(jù)進(jìn)行了試驗(yàn)，后續(xù)有待開展其他數(shù)據(jù)源的試驗(yàn)；②該模型在數(shù)據(jù)預(yù)處理中未考慮去除地物干擾和增強(qiáng)目標(biāo)地物信息，后續(xù)工作中會(huì)開展相關(guān)工作研究；③該模型的研究區(qū)域范圍是縣域尺度，后續(xù)可以嘗試更多尺度的應(yīng)用。

4 結(jié) 論

本文以河北省辛集市為研究區(qū)，應(yīng)用本文提出的非監(jiān)督分類模型提取了2014年辛集市冬小麥種植信息，主要研究結(jié)果為：①分析了由于非監(jiān)督分類初始輸入的分類數(shù)目難以準(zhǔn)確確定，從而導(dǎo)致冬小麥種植信息提取精度不高的問題，并通過多尺度技術(shù)對(duì)其加以改進(jìn)，最終構(gòu)建了一種新的冬小麥非監(jiān)督分類提取模型，該模型的提取精度較高，是一種新的、行之有效的冬小麥種植信息提取方法。②對(duì)于研究區(qū)內(nèi)的冬小麥，與監(jiān)督分類相比，本文提出的非監(jiān)督分類模型具有與監(jiān)督分類相似的精度，同時(shí)又具有無需訓(xùn)練樣本、人為主觀因素少、自動(dòng)化程度高等特點(diǎn)。