基于多時(shí)相Sentinel-2衛(wèi)星數(shù)據(jù)的農(nóng)作物分類(lèi)研究

鄧?yán)^忠，劉其得，王長(zhǎng)委 ，江秀明，朱 圣，袁梓文 ，金 鑫，朱紫陽(yáng)

（1.華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣東 廣州 510642；2.國(guó)家精準(zhǔn)農(nóng)業(yè)航空施藥技術(shù)國(guó)際聯(lián)合研究中心，廣東 廣州 510642；3.華南農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院/廣東省土地利用與整治重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510642；4.廣東省國(guó)土資源測(cè)繪院，廣東 廣州 510642）

【研究意義】獲取地表覆蓋情況，明晰主要農(nóng)作物種植分布及范圍，不僅有利于農(nóng)業(yè)部門(mén)制定政策與發(fā)展規(guī)劃，而且對(duì)農(nóng)業(yè)企業(yè)經(jīng)營(yíng)管理、農(nóng)戶生產(chǎn)選擇及資源的有效規(guī)劃具有重要作用［1-5］?！厩叭搜芯窟M(jìn)展】李慶等［6］采用隨機(jī)森林的方法對(duì)7期landsat影像進(jìn)行分類(lèi)，總體精度達(dá)到88.9027%，Kappa系數(shù)達(dá)到0.8529，均優(yōu)于單景數(shù)據(jù)的分類(lèi)結(jié)果；呂紅梅等［7］結(jié)合多時(shí)相歸一化植被指數(shù)和地表水分指數(shù)，利用決策樹(shù)分類(lèi)方法提取早稻種植區(qū)域，早稻的用戶精度達(dá)到87.50%，制圖精度達(dá)到85.71%；魏鵬飛等［8］結(jié)合 NDVI、EVI和 WDRVI時(shí)序變化特征，利用6景GF-1/WFV衛(wèi)星遙感影像數(shù)據(jù)采用決策樹(shù)分層分類(lèi)方法成功提取了研究區(qū)玉米、水稻、大豆和甘薯4種主要作物種植空間分布情況，總體精度達(dá)到90.90%，Kappa系數(shù)為0.8950；李振等［9］基于多時(shí)相的Landsat-8數(shù)據(jù)，采用面向?qū)ο蟮臎Q策樹(shù)分類(lèi)方法，研究森林類(lèi)型的自動(dòng)識(shí)別，總體分類(lèi)精度達(dá)到了87.50%；申懷飛［10］提出了基于穩(wěn)定權(quán)重加權(quán)投票的多訓(xùn)練樣本集、多時(shí)相影像、多分類(lèi)器三重融合算法模式，對(duì)Landsat數(shù)據(jù)進(jìn)行分類(lèi)，總體精度達(dá)到83.09%；Marais等［11］的研究結(jié)果表明分類(lèi)的質(zhì)量往往隨著所用圖像波段的增加而增加；Deepa等［12］綜合了粗糙集、模糊集和軟集的方法，建立了一個(gè)多類(lèi)分類(lèi)模型，采用雙目標(biāo)軟集方法，對(duì)5種農(nóng)作物進(jìn)行分類(lèi)，驗(yàn)證數(shù)據(jù)集的準(zhǔn)確率達(dá)到92%；白燕英等［13］基于Landsat8影像時(shí)間序列歸一化植被指數(shù)（NDVI），采用決策樹(shù)分類(lèi)方法提取作物種植結(jié)構(gòu)，作物分類(lèi)總體精度達(dá)到82.69%；邱鵬勛等［14］利用 GF-1 WFV時(shí)間序列數(shù)據(jù)集計(jì)算NDVI，基于時(shí)間加權(quán)的動(dòng)態(tài)時(shí)間彎曲（TWDTW）方法開(kāi)展農(nóng)作物分類(lèi)識(shí)別研究，分類(lèi)精度相比于決策樹(shù)法略有提高；解毅等［15］研究結(jié)果表明，基于融合NDVI的分類(lèi)精度明顯高于基于Landsat NDVI的分類(lèi)精度，由于融合后的時(shí)序NDVI具有更高的時(shí)間分辨率，能夠更加突出不同作物的物候特征，顯著提高作物分類(lèi)精度。綜上所述，相比單景數(shù)據(jù)多時(shí)相數(shù)據(jù)能夠顯著提高分類(lèi)效果，構(gòu)建遙感指數(shù)對(duì)于分類(lèi)具有重要貢獻(xiàn)?！颈狙芯壳腥朦c(diǎn)】對(duì)于生育期相近的農(nóng)作物，遙感指數(shù)在時(shí)間序列上的變化特征相近，單獨(dú)采用個(gè)別指數(shù)難以區(qū)分這部分地物。此外，同一農(nóng)作物受長(zhǎng)勢(shì)影響，指數(shù)值域跨度大，容易與其他農(nóng)作物混淆，人為閾值與自動(dòng)閾值都不能很好的區(qū)分不同農(nóng)作物。【擬解決的關(guān)鍵問(wèn)題】本研究以石河子市北泉鎮(zhèn)為研究區(qū)域，采用2018年的Sentinel-2衛(wèi)星多時(shí)相數(shù)據(jù)，結(jié)合地面調(diào)查數(shù)據(jù)，分析單一農(nóng)作物提取的最佳時(shí)相，探究多時(shí)相數(shù)據(jù)對(duì)分類(lèi)精度的貢獻(xiàn)及時(shí)相最佳組合方式，比較不同分類(lèi)方法的分類(lèi)精度，探究一種可靠有效的分類(lèi)方法。

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)位于石河子市北泉鎮(zhèn)，地處天山北麓中段，準(zhǔn)噶爾盆地南緣（圖1）。區(qū)劃東至瑪納斯河，西臨沙灣縣，南接石河子市，北瀕蘑菇湖，面積475.7 km2。研究區(qū)地勢(shì)平坦，平均海拔450.8 m，屬典型的溫帶大陸性氣候，冬季長(zhǎng)而嚴(yán)寒，夏季短而炎熱，日照充沛，年日照時(shí)數(shù)為2 721～2 818 h，可以獲取云量覆蓋較少的長(zhǎng)時(shí)間序列衛(wèi)星數(shù)據(jù)。目前研究區(qū)主要作物有棉花、玉米、小麥、辣椒、葡萄等。

圖1 研究區(qū)域位置Fig.1 Location map of study area

1.2 衛(wèi)星數(shù)據(jù)

Sentinel-2衛(wèi)星搭載的有效荷載為多光譜成像儀，光譜范圍為0.4～2.4 μm，覆蓋可見(jiàn)光、近紅外、短波紅外，共13個(gè)光譜波段，B02、B03、B04、B08為10 m空間分辨率，B05-B8A、B11、B12為20 m空間分辨率，B01、B09、B10為60 m空間分辨率，幅寬290 km，每10 d更新1次全球陸地表面成像數(shù)據(jù)，雙星可達(dá)到5 d更新1次，因而能夠獲得實(shí)驗(yàn)區(qū)內(nèi)較高頻次的數(shù)據(jù)覆蓋，更好地反映農(nóng)作物生長(zhǎng)過(guò)程，為進(jìn)一步挖掘作物識(shí)別的時(shí)相特征提供支持。Sentinel-2光學(xué)遙感衛(wèi)星具有較高的時(shí)空分辨率，適合多時(shí)相分類(lèi)研究［16-17］。本研究采用Sentnel-2衛(wèi)星數(shù)據(jù)，選取時(shí)相為2018年3月23日、4月12日、5月12日、6月6日、7月11日、8月15日、9月14日、10月14日、11月5日，獲取研究區(qū)域2018年3—11月各1景數(shù)據(jù)，云覆蓋率皆低于1%，影像清晰。

1.3 地面調(diào)查數(shù)據(jù)

部分?jǐn)?shù)據(jù)是實(shí)地調(diào)查記錄地物信息及GPS位置信息，部分較明顯的地物則直接在衛(wèi)星影像上標(biāo)出，共標(biāo)記水域、非植被區(qū)域、棉花、小麥、早玉米、晚玉米、辣椒、葫蘆瓜、葡萄、樹(shù)10種地物。將樣本分為訓(xùn)練樣本和驗(yàn)證樣本，具體分布見(jiàn)圖2、圖3，樣本數(shù)見(jiàn)表1。

圖2 訓(xùn)練樣本分布Fig.2 Distribution diagram of training samples

圖3 驗(yàn)證樣本分布Fig.3 Distribution diagram of verification samples

表1 樣本數(shù)Table 1 Sample size

1.4 遙感指數(shù)構(gòu)建

遙感指數(shù)作為遙感信息的一種有效描述,在對(duì)大氣、海洋、土壤和植被等進(jìn)行定性、定量評(píng)估時(shí)具有重要意義［18］。目前，農(nóng)作物分類(lèi)的特征選擇主要是采用歸一化植被指數(shù)，而其他特征量的應(yīng)用還相對(duì)較少［19］。研究發(fā)現(xiàn)NDVI、改進(jìn)的歸一化差異水指數(shù)（MNDWI）、顏色指數(shù)（CI）和樣本分類(lèi)的相關(guān)性比較高，因此本研究采用這3種指數(shù)進(jìn)行研究區(qū)多時(shí)項(xiàng)農(nóng)作物的分類(lèi)。

NDVI是一種測(cè)定光合作用活性的方法，與植被的密度和活力密切相關(guān)。正態(tài)化減少了地形和大氣的影響，并使大范圍的同時(shí)監(jiān)測(cè)成為可能。NDVI計(jì)算可以將多波段數(shù)據(jù)變換成一個(gè)單獨(dú)的圖像波段，用于顯示植被分布，較高的NDVI值預(yù)示著包含較多的綠色植被。其計(jì)算公式如下：

式中，NIR為近紅外波段的反射率，Red為紅波段的反射率。

MNDWI是由徐涵秋［20］在2005年提出的，可以增強(qiáng)開(kāi)闊水域的特征，同時(shí)有效地抑制甚至消除建成區(qū)噪聲以及植被和土壤噪聲。水的增強(qiáng)程度越高，對(duì)開(kāi)闊水域的特征提取就越準(zhǔn)確，因?yàn)榻ǔ蓞^(qū)、土壤和植被的所有負(fù)值都被明顯地抑制甚至去除。其計(jì)算公式如下：

式中，Green為綠波段的反射率，MIR為中紅外波段的反射率。

Pouget等［21］在1990年提出了顏色指數(shù)（CI）算法來(lái)區(qū)分田間土壤，低值的CI已被證明與高濃度的碳酸鹽或硫酸鹽的存在有關(guān)，而高值則與干旱地區(qū)的結(jié)殼土壤和沙子有關(guān)。在大多數(shù)情況下，CI提供與NDVI互補(bǔ)的信息，用于歷時(shí)分析，有助于更好地理解土壤表面的演變。其計(jì)算公式如下：

式中，Red為紅波段的反射率，Green為綠波段的反射率。

1.5 影像分類(lèi)方法

遙感圖像通過(guò)亮度值或像元值的高低差異及空間變化來(lái)表示不同地物的差異，這是區(qū)分不同圖像農(nóng)作物的物理基礎(chǔ)［22］。識(shí)別動(dòng)態(tài)變化的地表覆蓋通常需要應(yīng)用多時(shí)相數(shù)據(jù)［23-27］，地物在時(shí)間序列上的變化差異可以用于區(qū)分地物［28］，一般的分類(lèi)方法主要有監(jiān)督分類(lèi)與非監(jiān)督分類(lèi)兩種。常用的監(jiān)督分類(lèi)方法包括最大似然［29］、神經(jīng)網(wǎng)絡(luò)（N N）［30-31］、支持向量機(jī)（SVM）［32-33］；常用的非監(jiān)督分類(lèi)方法包括ISODATA（一種重復(fù)自組織數(shù)據(jù)分析技術(shù)）、K-均值、模糊c-均值（FCM）［34-35］和比例空間技術(shù)。由于研究區(qū)獲得的地面數(shù)據(jù)、影像數(shù)量和類(lèi)型、作物類(lèi)型的不同，不同地物分類(lèi)方法的應(yīng)用各不相同，沒(méi)有一致的分類(lèi)模式。SVM、決策樹(shù)自動(dòng)閾值和隨機(jī)森林3種分類(lèi)方法。

SVM是由Vapnik等［36］于1995年提出，該方法是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)算法。支持向量機(jī)算法在于尋找一個(gè)超平面，該超平面可以將訓(xùn)練集中的數(shù)據(jù)分開(kāi)，且與類(lèi)域邊界的邊沿垂直于該超平面方向的距離最大，從而達(dá)到最大的泛化能力。決策樹(shù)自動(dòng)閾值分類(lèi)方法是基于回歸樹(shù)（CART）模型來(lái)實(shí)現(xiàn)分類(lèi)。CART算法提供了一種非參數(shù)判別多數(shù)據(jù)層之間的統(tǒng)計(jì)關(guān)系，以產(chǎn)生一個(gè)二進(jìn)制的決策樹(shù)。對(duì)ROI樣本進(jìn)行分析，生成ENVI決策樹(shù)工程文件。隨機(jī)森林分類(lèi)方法最早由Leo Breiman和Adele Cutler提出。隨機(jī)森林是通過(guò)集成學(xué)習(xí)的思想將多棵樹(shù)集成的一種算法，其基本單元為決策樹(shù)，隨機(jī)森林集成了所有的分類(lèi)投票結(jié)果，將投票次數(shù)最多的類(lèi)別指定為最終的輸出。

1.6 精度檢驗(yàn)

精度檢驗(yàn)采用的是建立混淆矩陣，計(jì)算制圖精度、用戶精度、總體精度及Kappa系數(shù)，用于比較分類(lèi)結(jié)果，本研究使用地表真實(shí)感興趣區(qū)計(jì)算混淆矩陣。

總體分類(lèi)精度等于被正確分類(lèi)的像元總和除以總像元數(shù)，制圖精度是分類(lèi)器將影像正確分為某一類(lèi)的像元數(shù)與該類(lèi)真實(shí)參考像元總數(shù)的比，用戶精度是正確分到某一類(lèi)的像元總數(shù)與分類(lèi)器將影像的像元分為該類(lèi)的像元總數(shù)的比［22］。

1.7 技術(shù)路線

本研究選取3—11月的Sentinel-2衛(wèi)星數(shù)據(jù)，經(jīng)過(guò)輻射定標(biāo)及大氣校正之后重采樣為ENVI格式數(shù)據(jù)并計(jì)算每景數(shù)據(jù)的3種遙感指數(shù)NDVI、MNDWI、CI，根據(jù)地面調(diào)查數(shù)據(jù)建立感興趣區(qū)，將感興趣區(qū)分為訓(xùn)練區(qū)與驗(yàn)證區(qū)。采用SVM的分類(lèi)方法對(duì)不同月份的單景數(shù)據(jù)及時(shí)相數(shù)據(jù)的不同組合進(jìn)行分類(lèi)；融合NDVI、MNDWI、CI 3種遙感指數(shù)，采用SVM、決策樹(shù)自動(dòng)閾值、隨機(jī)森林的分類(lèi)方法進(jìn)行分類(lèi)；最后進(jìn)行精度評(píng)價(jià)與結(jié)果分析。技術(shù)路線圖見(jiàn)圖4。

圖4 技術(shù)路線圖Fig.4 Technology roadmap

2 結(jié)果與分析

2.1 遙感指數(shù)分析

圖5 MNDWI變化折線Fig.5 Line chart of MNDWI change

圖6 CI變化折線Fig.6 Line chart of CI change

圖7 NDVI變化折線Fig.7 Line chart of NDVI change

分別對(duì)3—11月的Sentinel-2衛(wèi)星數(shù)據(jù)構(gòu)建MNDWI、CI、NDVI 3種遙感指數(shù)，構(gòu)建不同農(nóng)作物在時(shí)相上的遙感指數(shù)變化曲線，結(jié)果見(jiàn)圖5、圖6、圖7。由圖5可知，水域的MNDWI指數(shù)在全時(shí)間段大于0，而其他地物的值基本上均小于0，在MNDWI指數(shù)上，水域與其他地物差別明顯，因此，可以利用MNDWI值有效的區(qū)分出水域。由圖6可知，非植被區(qū)域在全時(shí)間段的CI變化較小，在全時(shí)序基本呈現(xiàn)一條直線，葡萄地存在不變的裸土，因此與非植被區(qū)域特征差別較小，其他地物在時(shí)序上變化明顯，小麥在4月份的CI明顯小于-0.018；辣椒與棉花在8月份的CI明顯小于-0.12。由圖7可知，水域的NDVI值是所有地物里最小的，與其他地物差別明顯；春小麥在3—4月播種，7月份左右收割，從3月份春小麥的NDVI值不斷增長(zhǎng)與春小麥的生長(zhǎng)方式符合，到7月份春小麥的NDVI值急速下降，這是由于7月份是春小麥成熟及收獲時(shí)期，因此可以根據(jù)這個(gè)特征區(qū)分出春小麥；由于新疆種植的玉米品種較多，本研究只區(qū)分在8月份左右收割的早玉米和10月份左右收割的晚玉米，對(duì)于早玉米在7—8月間NDVI值急速下降，可以由該特征區(qū)分出早玉米；樹(shù)的NDVI值在全時(shí)相的變化較平緩，總體上是先增長(zhǎng)再下降的趨勢(shì)；棉花、晚玉米、葫蘆瓜、辣椒的生育期較相近，NDVI值的區(qū)別也較小，但從NDVI、MNDWI來(lái)看還是存在一定區(qū)別。

2.2 不同時(shí)相分類(lèi)精度比較

采用SVM的分類(lèi)方法分別對(duì)3—11月的Sentinel-2衛(wèi)星數(shù)據(jù)進(jìn)行分類(lèi)，分類(lèi)精度見(jiàn)表2，由制圖精度來(lái)看，晚玉米、辣椒、葡萄在10月份的分類(lèi)精度最高，非植被在6月份的分類(lèi)精度最高，早玉米在8月份的分類(lèi)精度最高，葫蘆瓜在7月份的分類(lèi)精度最高，小麥和樹(shù)在4月份的分類(lèi)精度最高，棉花在9月份的分類(lèi)精度最高，水域在3月份的分類(lèi)精度最高。由用戶精度來(lái)看，辣椒在9月份的分類(lèi)精度最高，葡萄在5月份的分類(lèi)精度最高，早玉米、非植被在8月份的分類(lèi)精度最高，晚玉米、葫蘆瓜、樹(shù)、棉花在7月份的分類(lèi)精度最高，小麥在4月份的分類(lèi)精度最高，水域在9月份的分類(lèi)精度最高。由總體精度及Kappa系數(shù)來(lái)看，7月份的分類(lèi)效果最好，總體精度達(dá)到91.05%，Kappa系數(shù)達(dá)到0.8518?？傮w來(lái)說(shuō)，作物在生長(zhǎng)豐富的月份分類(lèi)效果相對(duì)較好，在生長(zhǎng)前期特征較不明顯，分類(lèi)效果相對(duì)較差。

表2 不同時(shí)相分類(lèi)結(jié)果精度評(píng)價(jià)Table 2 Accuracy evaluation of different phase classification results（%）

2.3 時(shí)相數(shù)據(jù)的不同組合分類(lèi)精度比較

對(duì)3—11月的Sentinel-2衛(wèi)星數(shù)據(jù)進(jìn)行不同形式的組合之后采用SVM的分類(lèi)方法進(jìn)行分類(lèi)，分類(lèi)精度見(jiàn)表3。分析數(shù)據(jù)不同疊加方式之后的分類(lèi)效果，3月份加8月份的疊加分類(lèi)效果明顯，比3月份加4月份的疊加分類(lèi)效果要好，總體精度要高13.3%。這是由于農(nóng)作物物候生長(zhǎng)期的影響，3、4月份大部分農(nóng)作物仍未生長(zhǎng)，地塊處于撂荒狀態(tài)，差異較小，而7、8月份是農(nóng)作物生長(zhǎng)豐富的月份，與3、4月份形成鮮明的差異，不同農(nóng)作物物候期的差別，數(shù)據(jù)疊加之后會(huì)形成變化差異，有利于區(qū)分不同農(nóng)作物。而對(duì)于3景、4景、9景數(shù)據(jù)的疊加并不能提高分類(lèi)精度，這是由于相近月份農(nóng)作物生長(zhǎng)變化不明顯，特征變化較小，多余信息并不能較好的提高分類(lèi)效果，相反會(huì)帶來(lái)更多的噪音影響分類(lèi)的準(zhǔn)確性。

由表3可知，3月份以及8月份單景NDVI數(shù)據(jù)的分類(lèi)效果都較差，這是由于同種農(nóng)作物長(zhǎng)勢(shì)不同，NDVI的值有高有低，物候期相近的農(nóng)作物NDVI值的范圍交叉嚴(yán)重，單景NDVI數(shù)據(jù)的分類(lèi)錯(cuò)分嚴(yán)重，逐景增加NDVI數(shù)據(jù)，總體精度逐步提高，當(dāng)增加到10月份NDVI數(shù)據(jù)時(shí)，總體精度達(dá)到最高為92.25%，Kappa系數(shù)達(dá)到0.8736，繼續(xù)增加11月得NDVI數(shù)據(jù)，總體精度有所降低，這是由于11月份大部分農(nóng)作物已經(jīng)收割，地塊差異不明顯，增加11月份數(shù)據(jù)并不能提高分類(lèi)效果。

表3 分類(lèi)精度比較Table 3 Comparison of classification accuracy

2.4 不同分類(lèi)方法的分類(lèi)精度比較

融合3—11月的MNDWI與NDVI數(shù)據(jù)之后，分別采用SVM分類(lèi)方法、隨機(jī)森林分類(lèi)方法、決策樹(shù)自動(dòng)閾值分類(lèi)方法進(jìn)行分類(lèi)，對(duì)比3種不同分類(lèi)方法，SVM的分類(lèi)結(jié)果分類(lèi)精度最高，總體精度達(dá)到94.19%，Kappa系數(shù)達(dá)到0.9024，總體精度比隨機(jī)森林分類(lèi)方法提高3.36%，比決策樹(shù)自動(dòng)閾值分類(lèi)方法提高4.32%（表4）。

表4 不同分類(lèi)方法分類(lèi)精度比較Table 4 Comparison of classification accuracy among different classification methods

2.5 分類(lèi)結(jié)果

由于水位的變化，水域范圍也存在變化，因此采用單景數(shù)據(jù)提取水域范圍。由遙感指數(shù)分析所得，本研究采用3月份CI小于-0.012且MNDWI大于0.15利用決策樹(shù)提取水域范圍；由于田埂范圍較窄，容易與地物誤分，因此在支持向量機(jī)分類(lèi)之后繼續(xù)采用遙感指數(shù)結(jié)合決策樹(shù)的分類(lèi)方法將田埂剔除，對(duì)于小麥地，采用4月份的CI小于-0.018將田埂剔除；對(duì)于辣椒地及棉花地，采用8月份CI小于-0.12，將田埂剔除。最終分類(lèi)結(jié)果的分類(lèi)精度達(dá)到94.49%，Kappa系數(shù)達(dá)到0.9077，最終分類(lèi)結(jié)果見(jiàn)圖8。

圖8 分類(lèi)結(jié)果Fig.8 Classification results

由表5可知，辣椒的制圖精度達(dá)到92.08%，但用戶精度較低，有部分棉花被錯(cuò)分為辣椒；葡萄的用戶精度達(dá)到99.68%，但制圖精度較低，有部分葡萄被錯(cuò)分為非植被與棉花；非植被的制圖精度到達(dá)100%，用戶精度為89.76%，有部分葡萄與棉花被錯(cuò)分為非植被；早玉米的制圖精度達(dá)到97.61%，用戶精度為74.89%，有部分葫蘆瓜被錯(cuò)分為早玉米；晚玉米制圖精度為59.93%，用戶精度為71.72%，有部分晚玉米被錯(cuò)分為棉花，有部分棉花和樹(shù)被錯(cuò)分為晚玉米；葫蘆瓜的分類(lèi)精度較低，一方面原因是地面真實(shí)調(diào)查數(shù)據(jù)較少，另一方面是與棉花和玉米較難區(qū)分；小麥的分類(lèi)較低較高，主要是小麥與其他農(nóng)作物物候期差異較大，易于區(qū)分；樹(shù)的制圖精度為68.15%，用戶精度為82.3%，有部分樹(shù)被分為棉花與晚玉米，棉花的制圖精度為97.66%，用戶精度為96.82%；水域的分類(lèi)效果較好。

3 討論

針對(duì)單一農(nóng)作物在不同時(shí)相的分類(lèi)精度不同，這是由于農(nóng)作物物候期的差異，當(dāng)某種地物在某個(gè)時(shí)期與其他農(nóng)作物差異較大時(shí)，相應(yīng)的分類(lèi)精度就有所提高，這是提取該農(nóng)作物的較為重要時(shí)期，有利于單一農(nóng)作物提取的研究。時(shí)相數(shù)據(jù)的組合方式不同，分類(lèi)精度有所差異，對(duì)于原始波段的疊加，時(shí)相的增加能夠提高分類(lèi)精度，這與李慶等［6］的研究結(jié)果一致，然而原始波段不經(jīng)選擇的疊加會(huì)造成數(shù)據(jù)的相似，產(chǎn)生數(shù)據(jù)冗余并造成更多的噪音，從而降低分類(lèi)精度，因此，多時(shí)相分類(lèi)應(yīng)注意關(guān)鍵信息的提取。白燕英等［13］的研究結(jié)果表明時(shí)間序列的NDVI具有較高的時(shí)間分辨率，能夠突出不同作物的物候特征及其變化，從而提高作物分類(lèi)精度。然而，僅使用NDVI進(jìn)行分類(lèi)并不能完全區(qū)分所有地物，這也是單一遙感指數(shù)在分類(lèi)上的局限性。針對(duì)特定的地物提取可以研究特定的波段組合計(jì)算指數(shù)進(jìn)行分類(lèi)，因此，對(duì)于地表覆蓋的分類(lèi)最好結(jié)合多種遙感指數(shù)，魏鵬飛等［8］結(jié)合3種遙感指數(shù)NDVI、EVI和WDRVI進(jìn)行作物分類(lèi)，呂紅梅等［7］結(jié)合歸一化植被指數(shù)和地表水分指數(shù)進(jìn)行作物分類(lèi)，都取得了較好的分類(lèi)結(jié)果。李慶等［6］采用隨機(jī)森林進(jìn)行影像方法，呂紅梅等［7］利用決策樹(shù)分類(lèi)方法提取早稻種植區(qū)，李振［9］采用面向?qū)ο蟮臎Q策樹(shù)分類(lèi)方法研究森林類(lèi)型的自動(dòng)識(shí)別，魏鵬飛等［8］采用決策樹(shù)分層分類(lèi)方法成功提取作物種植空間分布，然而，對(duì)于決策樹(shù)閾值分類(lèi)，不管是人為判斷閾值還是自動(dòng)閾值分類(lèi)或者隨機(jī)森林分類(lèi)，都無(wú)法準(zhǔn)確的界定區(qū)分農(nóng)作物之間的閾值，這是閾值分類(lèi)固有的缺陷，本研究結(jié)合NDVI、MNDWI、CI 3種遙感指數(shù)進(jìn)行分類(lèi)有效提取了研究區(qū)主要農(nóng)作物的種植分布情況。

表5 分類(lèi)結(jié)果混淆矩陣Table 5 Confusion matrix of classification results

4 結(jié)論

通過(guò)對(duì)不同時(shí)相分類(lèi)精度比較可知，在研究區(qū)域內(nèi)，7月份是區(qū)分農(nóng)作物最佳時(shí)相；通過(guò)時(shí)相數(shù)據(jù)的不同組合的分類(lèi)精度比較，多時(shí)相分類(lèi)精度明顯高于單景數(shù)據(jù)分類(lèi)，采用3—10月的NDVI數(shù)據(jù)疊加之后分類(lèi)效果較好，總體精度達(dá)到92.25%，Kappa系數(shù)達(dá)到0.8736，相對(duì)于僅使用3月份NDVI數(shù)據(jù)分類(lèi)的分類(lèi)精度，總體精度提高了20.75%；結(jié)合NDVI、MNDWI、CI 3種遙感指數(shù)之后采用SVM的分類(lèi)方法可以有效區(qū)分研究區(qū)的農(nóng)作物。