基于Sentinel-2 影像分辨率提升的西南山區(qū)油菜作物識(shí)別研究

歐嫣然，王克曉 ，虞 豹，黃 祥，王 茜

（1.重慶醫(yī)科大學(xué)公共衛(wèi)生與管理學(xué)院，重慶 400016；2.重慶市農(nóng)業(yè)科學(xué)院農(nóng)業(yè)科技信息中心，重慶 401329）

0 引言

【研究意義】采用較高空間分辨率的遙感影像和增加對(duì)待分類地物的敏感波段是提高農(nóng)作物識(shí)別精度的兩個(gè)重要手段[1]。對(duì)于地形復(fù)雜地區(qū)，利用高分辨率影像和農(nóng)作物對(duì)不同光譜波段的響應(yīng)特征是有效提高農(nóng)作物識(shí)別精度的重要途徑[2]?！厩叭搜芯窟M(jìn)展】近年來(lái)，搭載紅邊波段傳感器的衛(wèi)星越來(lái)越多，比如德國(guó)Rapid Eye 衛(wèi)星，美國(guó)Worldview-2 衛(wèi)星，歐洲航天局的Sentinel-2 衛(wèi)星等，這些影像數(shù)據(jù)為開展農(nóng)作物遙感識(shí)別與應(yīng)用研究提供了充足的數(shù)據(jù)保障。其中，Sentinel-2 新型遙感影像以其特有的多波段、重訪周期短、免費(fèi)等特點(diǎn)，已被廣泛應(yīng)用到各個(gè)領(lǐng)域[3-5]。Selva 等[6]提出了從較高空間分辨率的多光譜/高光譜數(shù)據(jù)中提取空間信息與較低空間分辨率的多光譜/高光譜數(shù)據(jù)融合的方法。Wang 等[7]、梁麗娟等[8]以Sentinel-2影像為數(shù)據(jù)源，利用多種方法從10 m 分辨率的可見光及近紅外波段中產(chǎn)生高分辨率波段，對(duì)其他波段進(jìn)行融合。但上述研究?jī)H通過藍(lán)色、綠色，紅色和紅外波段合并而成的一個(gè)虛擬的全色高分辨率波段，會(huì)在和其他波譜范圍內(nèi)的波段融合時(shí)產(chǎn)生光譜偽影，影響地物在其他波段上的光譜特征[9]。張煥雪等[10]利用CBERS-02B 數(shù)據(jù)，構(gòu)建不同分辨率遙感影像序列，討論了空間分辨率對(duì)分類和面積估算精度的影響?？琢铈玫萚11]基于Landsat-8 和ZY-3 多種分辨率的遙感數(shù)據(jù)，對(duì)分類方法效果以及分辨率變化對(duì)面向?qū)ο蠓诸惙椒ǖ木扔绊戇M(jìn)行分析。王利民等[12]基于GF-1WFV、MODIS、Landsat-8、Google Earth 等數(shù)據(jù)分析了多個(gè)空間分辨率尺度下冬小麥識(shí)別精度與空間分辨率的關(guān)系?！颈狙芯壳腥朦c(diǎn)】目前，國(guó)內(nèi)外較多農(nóng)作物遙感提取研究主要集中在平原地區(qū)。對(duì)于地形復(fù)雜、地塊破碎地區(qū)，利用僅包含可見光與近紅外波譜且為中高空間分辨率的遙感影像進(jìn)行農(nóng)作物信息提取，識(shí)別精度有限。西南地區(qū)是我國(guó)冬油菜的主產(chǎn)區(qū)，分析不同空間分辨率與光譜條件下地形復(fù)雜地區(qū)油菜遙感識(shí)別能力能夠?yàn)槲覈?guó)西南山區(qū)油菜作物遙感識(shí)別研究提供數(shù)據(jù)空間尺度和光譜選擇參考，也可為其他農(nóng)作物遙感提取提供相關(guān)借鑒。【擬解決的關(guān)鍵問題】為探索不同空間分辨率與光譜條件下低山丘陵地區(qū)油菜遙感識(shí)別能力，本研究運(yùn)用幾何超分辨率影像重建模型和多光譜圖像融合技術(shù)，并分別對(duì)融合后10 m 及2 m 分辨率的Sentinel-2影像以及2 m 的GF-1 多光譜影像構(gòu)建隨機(jī)森林模型進(jìn)行油菜信息提取、精度評(píng)價(jià)和不同光譜條件下油菜識(shí)別能力進(jìn)行對(duì)比分析，為我國(guó)西南低山丘陵復(fù)雜地區(qū)農(nóng)作物遙感識(shí)別研究提供參考。

1 材料與方法

1.1 試驗(yàn)區(qū)基本信息

如圖1，試驗(yàn)區(qū)位于重慶市合川區(qū)銅溪鎮(zhèn)與渭沱鎮(zhèn)沿涪江分界處，地理坐標(biāo)為東經(jīng)106°10′18.1″至106°11′56.3″、北緯29°59′58.2″至30°01′3.5″，屬亞熱帶季風(fēng)氣候。地貌以低山、丘陵為主，地塊破碎，地物復(fù)雜多樣，作物主要以水稻、冬油菜及春玉米等為主。其中，冬油菜11 月份移栽成活，12 月至次年2 月中旬為現(xiàn)蕾-抽薹期，2 月下旬至3 月中旬開花，3 月下旬結(jié)莢，4 月份綠熟、黃熟。成像時(shí)期水稻處于育苗期，水田及玉米尚未播種，油菜發(fā)育處于結(jié)莢-綠熟期。

圖1 試驗(yàn)區(qū)位置Fig.1 Location of test area

1.2 遙感數(shù)據(jù)獲取與處理

本研究主要采用Sentinel-2 多光譜數(shù)據(jù)和GF-1 影像數(shù)據(jù)，參考系為WGS-84 坐標(biāo)系。其中，GF-1 數(shù)據(jù)空間分辨率為2 m，成像時(shí)間為2019 年3 月29 日。Sentinel-2 數(shù)據(jù)為2019 年4 月7 日成像的L1C級(jí)產(chǎn)品數(shù)據(jù)，為正射影像且經(jīng)過輻射定標(biāo)、去噪等預(yù)處理，并與GF-1 號(hào)全色影像進(jìn)行幾何配準(zhǔn)。本研究所采用的Sentinel-2 影像部分波段波長(zhǎng)及空間分辨率信息如表1。

本研究主要涉及的數(shù)據(jù)處理平臺(tái)主要有Sentinel系列影像處理平臺(tái)Sentinels Application Platform（SNAP）、可視化遙感圖像處理平臺(tái)The Environment for Visualizing Images（ENVI）、地理信息系統(tǒng)分析平臺(tái)ARCGIS 及遙感數(shù)據(jù)處理工具包EnMAP-Box。其中，SNAP 主要用于Sentinel-2 數(shù)據(jù)處理及圖像重建，ENVI 主要用于多光譜圖像與全色圖像融合，ARCGIS 主要用于影像樣本點(diǎn)選取、樣本點(diǎn)光譜特征提取與光譜庫(kù)構(gòu)建，EnMAP-Box 工具包用于遙感圖像作物分類識(shí)別。

1.3 地面光譜數(shù)據(jù)采集

采用美國(guó)生產(chǎn)的ASD FieldSpec HandHeld 2（ASDHH2）手持式地物光譜儀對(duì)試驗(yàn)區(qū)主要地物類型進(jìn)行地面光譜數(shù)據(jù)采集，獲取不同地物光譜曲線，以確定遙感影像各波段中心波長(zhǎng)在光譜曲線中的位置和影像紅邊波段在不同地物中的不同響應(yīng)。

表1 Sentinel-2 影像多光譜波段信息Table 1 Multispectral band information on Sentinel-2

1.4 試驗(yàn)方法

1.4.1 高分辨率圖像融合 首先利用SNAP 7.0 平臺(tái)，完成Sentinel-2 影像中4 個(gè)20 m 空間分辨率的紅邊波段重建為10 m 的分辨率操作，由此獲得涵蓋可見光-紅邊-近紅外等8 個(gè)10 m 分辨率的波段數(shù)據(jù)集；然后通過ENVI 5.3 完成上述數(shù)據(jù)集與2 m 的GF-1 全色波段的Gram-Schmidt 變換融合，最終獲得2 m 分辨率且涵蓋可見光-紅邊-近紅外等8 個(gè)波段的圖像融合數(shù)據(jù)集。

Sentinel-2 數(shù)據(jù)涵蓋可見光-紅邊-近紅外-短波紅外等范圍內(nèi)的光譜波段，但缺少全色光譜波段。對(duì)此，Nicolas Brodu[9]通過識(shí)別相鄰像素之間的通用“共享”幾何信息，提出了獨(dú)立幾何超分辨率多光譜多分辨率影像重建模型。其模型表達(dá)式如（1）～（4）：

其中，L為低分辨率像元觀測(cè)值，H為高分辨影像像元值，Sx,y為鄰近相關(guān)高分辨率影像像元反射率，W為鄰近相關(guān)高分辨率影像像元對(duì)應(yīng)權(quán)重，一般情況采用等權(quán)重。

該模型提出利用高分辨率波段編碼地物幾何細(xì)節(jié)，作為獨(dú)立于其反射率的像素屬性，運(yùn)用于低分辨率波段，在提高低分辨率波段數(shù)據(jù)空間分辨率的同時(shí)，保留其多光譜特征不變。其模型算法內(nèi)置集成在SNAP 平臺(tái)第三方插件Sen2Res 中，可通過選擇分辨率參數(shù)實(shí)現(xiàn)20 m 波段到10 m 的分辨率重建過程。

Gram-Schmidt 變換融合是先將多光譜圖像進(jìn)行正交變換，然后將全色波段圖像替代第一空間，再進(jìn)行反變換獲取融合圖像。該方法融合后得到的影像特征，改進(jìn)了主成分分析中第一主成分的信息過分集中的問題，不受波段限制，可較好保持影像的空間紋理細(xì)節(jié)信息與光譜特征[13]。此融合過程在ENVI 5.3 平臺(tái)中自動(dòng)完成。

1.4.2 樣本選取與地物光譜庫(kù)構(gòu)建 根據(jù)影像數(shù)據(jù)成像時(shí)間，將研究區(qū)主要地物類型劃分為水體、林地、水田、油菜、道路、人工建筑等6 個(gè)類型。結(jié)合試驗(yàn)影像數(shù)據(jù)近期的Google 高清衛(wèi)星影像選取200 個(gè)地物點(diǎn)（圖2），按照地物屬性分層隨機(jī)取樣40%用于樣本訓(xùn)練，剩余60%作為驗(yàn)證樣本點(diǎn)用于提取精度評(píng)定。

圖2 樣本點(diǎn)選取Fig.2 Distribution of sampling points

基于ARCGIS 10.2 平臺(tái)將訓(xùn)練樣本點(diǎn)加載到不同空間分辨率的多光譜影像中，獲取對(duì)應(yīng)地物類型樣本灰度均值，構(gòu)建各地物類型光譜庫(kù)。通過比較地物在不同空間分辨率數(shù)據(jù)上的灰度曲線，判斷影像空間分辨率提升過程中作物光譜變化差異。同時(shí)利用ASD-HH2 手持地物光譜儀采集該時(shí)期油菜、道路、草地、水田及裸地等典型地物光譜曲線，確定不同地物的紅邊波段反射特征，為波段組合時(shí)選擇紅邊波段提供參考。

1.4.3 分類識(shí)別及特征波段的重要性度量方法 隨機(jī)森林是一種以決策樹為基學(xué)習(xí)器的集成學(xué)習(xí)算法，已廣泛用于遙感地物識(shí)別研究。基于大量隨機(jī)生長(zhǎng)決策樹，隨機(jī)森林算法輸出的類別由所有決策樹輸出類別的多數(shù)而定，其模型建立主要涉及兩個(gè)參數(shù)，即決策樹數(shù)ntree 和決策樹內(nèi)部節(jié)點(diǎn)隨機(jī)選擇特征數(shù)mtry[14]。建立在CART 決策樹基礎(chǔ)上的隨機(jī)森林，對(duì)于缺省值問題也能夠獲得很好的結(jié)果，有更強(qiáng)的數(shù)據(jù)挖掘、泛化能力和更理想的分類效果，已逐步發(fā)展為分析復(fù)雜地區(qū)遙感數(shù)據(jù)的有效集成分類器之一[15]。為此，本研究基于EnMAP-Box 工具包中隨機(jī)森林分類算法確定模型決策樹數(shù)目，節(jié)點(diǎn)分裂時(shí)以默認(rèn)輸入的特征變量數(shù) mtry=（M為特征變量個(gè)數(shù)）進(jìn)行分類。油菜提取精度通過驗(yàn)證樣本點(diǎn)的混淆矩陣計(jì)算制圖精度、用戶精度、總體精度和Kappa 系數(shù)等指標(biāo)進(jìn)行比較[3]。

利用隨機(jī)森林分類法可以進(jìn)行特征波段的重要性度量，其主要是通過一種bootstrap 的小樣本估計(jì)總體值的非參數(shù)方法。隨機(jī)森林訓(xùn)練子集主要通過bootstrap 抽樣技術(shù)從原始訓(xùn)練集中得到，未被抽取數(shù)據(jù)組成OOB（out - of -bag）數(shù)據(jù)。OOB 數(shù)據(jù)主要用于對(duì)決策樹的性能進(jìn)行評(píng)估，計(jì)算模型的準(zhǔn)確率。隨機(jī)森林分類法進(jìn)行特征波段的重要性度量計(jì)算方式如下[16]：

1）通過訓(xùn)練子集Z構(gòu)建隨機(jī)森林模型，設(shè)第i棵OOB 數(shù)據(jù)集為，對(duì)應(yīng)的OOB 分類準(zhǔn)確度（accuracy）為Ai；

2）對(duì)于任意特征f，隨機(jī)置換訓(xùn)練集中特征f的值，得到新的訓(xùn)練子集，計(jì)算決策樹i的準(zhǔn)確率則決策樹i的原OOB 準(zhǔn)確率與特征隨機(jī)置換后的OOB 準(zhǔn)確率差為（i=1，…，n）。

2 結(jié)果與分析

2.1 圖像融合質(zhì)量評(píng)價(jià)

融合圖像質(zhì)量評(píng)判通過定性與定量?jī)煞矫娼Y(jié)合進(jìn)行評(píng)價(jià)，融合結(jié)果如圖3。目視可見，在紋理細(xì)節(jié)表現(xiàn)方面，人工建筑物、綠色植被、道路與橋梁、河流及塘泊等地物清晰可見，紋理細(xì)節(jié)明顯增強(qiáng)。

圖3 不同分辨率下融合圖像比較Fig.3 Fusion images of different resolutions

表2 所列指標(biāo)值變化反映了Sentinel-2 影像從10 m分辨率提高至2 m分辨率前后圖像在亮度、空間信息以及光譜保真度等方面的融合質(zhì)量[17,18]，可以看出，融合后圖像各波段均值均有所增加，標(biāo)準(zhǔn)差所反映的像元灰度相對(duì)于圖像灰度平均值的離散程度均有所減小；各個(gè)波段圖像融合前后平均梯度值均有所增加，其中增值最小的為B2 波段，增加3.74；增值最大的為B5 波段，平均梯度值提高8.98，融合前后圖像亮度有所提升。融合圖像B2、B3、B4 等可見光波段信息熵微小下降約0.02，其他各波段均有所提高。整體上融合圖像細(xì)節(jié)反差和紋理變化的表達(dá)能力均得到增強(qiáng)，圖像的清晰度有較大提高。相關(guān)系數(shù)反映了兩幅圖像光譜信息的相似程度，相關(guān)系數(shù)大于0.7 則說明兩圖像具有較高的光譜一致性[19]。本文圖像融合的各個(gè)波段相關(guān)系數(shù)均在0.75以上，其中紅邊、近紅外及短波紅外范圍內(nèi)的幾個(gè)波段相關(guān)系數(shù)高達(dá)0.85 以上，融合前后圖像光譜特征相似程度較高。

2.2 樣本點(diǎn)灰度值與特征波段光譜分析

不同空間分辨率條件下各種地物的灰度曲線如圖4，可以看出，各種地物類型融合前后變化總體趨勢(shì)基本一致，油菜與林地均呈現(xiàn)出明顯的綠色植被光譜變化特征，但林地曲線值相對(duì)較低，油菜曲線值相對(duì)較高。在B5-B8A 的紅邊-近紅外光譜范圍內(nèi)，油菜與林地具有明顯的可區(qū)別特征。

利用ASD-HH2 手持地物光譜儀采集該時(shí)期油菜、道路、草地、水田及裸地等典型地物光譜曲線如圖5（B2-B8A 等波段波長(zhǎng)信息見表2）。油菜與雜草地的綠色植被光譜特征明顯，油菜作物反射率整體高于草地，反射率在紅邊波段B5 位置開始明顯區(qū)分，紅邊B6 位置達(dá)到最大區(qū)分，紅邊B7 位置達(dá)到穩(wěn)定。

通過主要地物灰度曲線與典型地物光譜曲線的遙感數(shù)據(jù)趨勢(shì)可以看出，油菜作物與林地、草地等光譜特征均在紅邊B5 波段位置能夠區(qū)分，紅邊B6 位置達(dá)到區(qū)分最大，趨勢(shì)較為一致。

2.3 不同空間分辨率下油菜識(shí)別精度對(duì)比

基于前述選取的包含水體、林地、水田、油菜、道路、人工建筑等類型的80 個(gè)地物樣本點(diǎn)，利用EnMAP-Box 工具包中的隨機(jī)森林算法對(duì)不同分辨率的遙感圖像進(jìn)行油菜提取，分布結(jié)果如圖6，不同分辨率下分類精度如表3 所示。可以看出，對(duì)于同源數(shù)據(jù)的Sentinel-2 而言，特征波段數(shù)量相同，提高分辨率能夠有效提高地物信息分類精度，總體精度由72.29%提高到79.52%，Kappa 系數(shù)從0.66 上升到0.75；對(duì)比Sentinel-2 與GF-1 數(shù)據(jù)，在同等分辨率條件下，盡管地物分類總體精度和Kappa 值有微小變化，但由于Sentinel-2 數(shù)據(jù)涵蓋對(duì)綠色作物較為敏感的紅邊波段，油菜作物的制圖精度有較大提高，從91.30%提高到95.65%。

表2 不同波段下原始圖像與融合圖像的指標(biāo)比較Table 2 Evaluation of fusion image index

2.4 紅邊波段組合下油菜識(shí)別精度對(duì)比及特征波段重要性分析

表4 為基于2 m 空間分辨率的Sentinel-2 多光譜數(shù)據(jù)不同波段組合下油菜作物隨機(jī)森林分類的提取精度，可以看出，可見光B2、B3、B4-紅邊B5-近紅外B8 組成的C2 組合相比于C1（可見光B2、B3、B4-近紅外B8）組合用戶精度提高2.91%，總體精度提高4.75%；由可見光B2、B3、B4-紅邊B5、B6-近紅外B8 組成的C3 組合相比于C2 組合用戶精度提高3.14%，總體精度提高1.21%，表明B5 波段比B6 波段對(duì)于提高總體精度更有效。C4（可見光B2、B3、B4-紅邊B5、B6、B7-近紅外波段B8）組合相比于C3 組合制圖精度提高4.35%，用戶精度提高0.57%，總體精度保持不變，表明B7 對(duì)于油菜作物制圖精度提升效果較為明顯。C5（B2-B3-B4-B5-B6-B7-B8-B8A）相比于C4 組合制圖和用戶精度保持不變，總體精度提高2.41%，Kappa 系數(shù)提高0.028。表明B8A 波段對(duì)提升總體精度也有一定作用。

圖4 不同分辨率影像地物類型灰度曲線Fig.4 Gray curves of land cover images of different resolutions

圖5 典型地物的光譜曲線Fig.5 Spectral curve of typical objects on land

基于隨機(jī)森林分類的特征波段歸一化重要性度量值及排序如圖7，可以看出在較高分辨率條件下，重要性排序最高的為可見光藍(lán)色波段B2，重要性度量值為0.94；其次，在紅邊波段中，B7 和B5 對(duì)油菜信息識(shí)別精度提升作用相對(duì)較為突出，分別為0.89和0.75。與上述不同波段組合比較中B7 與B5 波段有助于精度提升的結(jié)果較為一致。而對(duì)于一般綠色地物響應(yīng)相對(duì)較強(qiáng)的近紅外B8 波段作用相對(duì)較弱，重要性度量值最小0.64?？梢姡t邊波段相對(duì)于近紅外波段更有助于提高目標(biāo)作物制圖精度和總體精度，不同紅邊波段對(duì)提升油菜作物識(shí)別精度不同。

圖6 不同分辨率影像分類提取效果Fig.6 Crop classification as affected by images of different resolutions

表3 不同分辨率下分類精度比較Table 3 Classification accuracy with images of different resolutions

表4 不同波段組合下分類精度比較Table 4 Classification accuracy under different band combinations

圖7 基于隨機(jī)森林的歸一化特征波段重要性度量Fig.7 Importance measurement of normalized characteristic bands based on random forest model

3 討論與結(jié)論

（1）本試驗(yàn)區(qū)內(nèi)田塊多成條帶式分布，作物種植結(jié)構(gòu)復(fù)雜，規(guī)?；N植程度低，較為分散，中等分辨率下目標(biāo)作物目視解譯尚且困難，提取精度估算難以令人信服。張煥雪[20]提出當(dāng)提取作物較為破碎時(shí)，需要在提高影像空間分辨率的同時(shí)融入其他技術(shù)手段。本研究首次將影像重建和融合技術(shù)應(yīng)用于Sentinel-2 影像，以獲取2 m 的高空間分辨率Sentinel-2 數(shù)據(jù)。融合后目標(biāo)作物目視可識(shí)別性明顯增強(qiáng)，作物制圖精度由86.96%提升到95.65%，總體精度從72.29%上升到79.52%。

（2）本文圖像融合后，同等2 m 分辨率條件下，融合影像與原始GF-1 號(hào)多光譜影像的制圖精度有較大提高，制圖精度由91.30%提升到95.65%。融合影像不同波段組合結(jié)果表明，融入紅邊波段能夠增加了地物之間的可分性，提高作物的識(shí)別精度，與此前劉佳[21]的結(jié)論較為一致。同時(shí)，本文進(jìn)一步通過對(duì)B5、B6、B7、B8A 等多個(gè)紅邊波段對(duì)目標(biāo)作物制圖精度或者總體精度提升程度進(jìn)行分析，得到不同紅邊波段對(duì)地物識(shí)別精度的具體提升效果，可知B5 波段對(duì)于油菜作物制圖精度影響效果不明顯，但對(duì)于整體精度提升影響較大，總體精度提高5%左右；B7 波段對(duì)于油菜作物制圖精度提升效果較為明顯，由95.65%提高到100%，而對(duì)總體精度影響不明顯。

（3）本研究通過多光譜影像重建與融合技術(shù)實(shí)現(xiàn)了Sentinel-2 影像空間分辨率的大幅度提升，同時(shí)基于隨機(jī)森林分類完成不同紅邊波段組合下的油菜提取結(jié)果的精度對(duì)比和特征波段重要性量化度量，較為全面地探索了Sentinel-2 影像高分辨率條件下不同紅邊波段下油菜作物遙感識(shí)別能力，可為Sentinel-2 影像分辨率提升研究及探索其更廣泛的應(yīng)用領(lǐng)域提供借鑒。但本研究設(shè)計(jì)的農(nóng)作物提取結(jié)果只區(qū)分了目標(biāo)作物油菜和其他兩類。在今后的研究中，將考慮對(duì)更多的其他作物進(jìn)行分析，探索不同紅邊波段對(duì)不同作物的敏感性，以進(jìn)一步測(cè)試紅邊波段對(duì)油菜與其他作物波段響應(yīng)的差異性。