基于時(shí)空遙感特征耦合的農(nóng)作物類型識(shí)別

路 穎，劉玉鋒，宋 婷,湯 鶴

(1.滁州學(xué)院 地理信息與旅游學(xué)院，安徽 滁州 239000；2.東北農(nóng)業(yè)大學(xué) 經(jīng)濟(jì)管理學(xué)院，哈爾濱 150030)

農(nóng)作物類型的識(shí)別是農(nóng)業(yè)遙感的基礎(chǔ)，如何實(shí)時(shí)、準(zhǔn)確地獲取農(nóng)作物類型分布信息對(duì)糧食安全、社會(huì)經(jīng)濟(jì)、政策制定以及生態(tài)功能等都有重要的影響[1]。目前，國(guó)內(nèi)遙感影像分類方法包括目視解譯和計(jì)算機(jī)自動(dòng)分類兩種，計(jì)算機(jī)自動(dòng)分類又分成基于像元分類與基于面向?qū)ο蠓诸惖姆椒╗2]。

就目前已完成的研究發(fā)現(xiàn)，目視解譯法分類效率與精度都較低，且基于像元分類方法在進(jìn)行農(nóng)作物分類時(shí)會(huì)出現(xiàn)分類結(jié)果破碎、分類精度較低等問題。近年來(lái)，許多學(xué)者采用面向?qū)ο蟮姆诸惙椒▉?lái)進(jìn)行地物識(shí)別，雖然此方法在中國(guó)起步較晚，但發(fā)展速度較快，已廣泛應(yīng)用到各個(gè)領(lǐng)域。面向?qū)ο蠓椒ㄊ歉鶕?jù)影像特征對(duì)圖像進(jìn)行分割，使同質(zhì)像元組成大小不同的對(duì)象，并以其為基本單元，即可考慮影像光譜特征，又可結(jié)合形狀、紋理、尺寸等空間特征，制定目標(biāo)物提取的規(guī)則集，實(shí)現(xiàn)較高層次的目標(biāo)地物提取，提取結(jié)果可避免斑點(diǎn)噪聲，提高分類精度[3-4]。宋茜等圍繞高分一號(hào)遙感數(shù)據(jù)基于面向?qū)ο蟮姆椒ㄟM(jìn)行農(nóng)作物種植結(jié)構(gòu)的研究，總體精度較高[5]。鄭利娟等基于高分一號(hào)與高分六號(hào)衛(wèi)星，根據(jù)不同分辨率在影像中作物所表現(xiàn)的特征，利用面向?qū)ο蟮姆椒ㄟM(jìn)行農(nóng)作物識(shí)別，效果顯著[6]。

高分辨遙感影像如GF1-PMS影像紋理特征較為豐富，但覆蓋周期較長(zhǎng)，難以反映作物在不同時(shí)期內(nèi)的生長(zhǎng)特征；時(shí)序中分影像覆蓋周期短，時(shí)序特征較為豐富，但分辨率較低。因此，可將中分遙感影像與高分遙感影像相結(jié)合，提取兩種影像所包含的特征進(jìn)行耦合用來(lái)參與作物識(shí)別。Liu等曾研究通過高時(shí)間分辨率與高空間分辨率的結(jié)合對(duì)作物進(jìn)行識(shí)別，較現(xiàn)有普遍的單一時(shí)相作物識(shí)別精度提高20%[7]。

本研究采用2018年10月至2019年9月共11景GF1-WFV(16 m)中分辨率影像與2019年3月GF1-PMS(2 m)高分辨率影像作為基礎(chǔ)數(shù)據(jù)，在分析滁州市全椒縣內(nèi)水稻、小麥、玉米、油菜4種作物的空間分布特點(diǎn)的基礎(chǔ)上，利用中分影像基于對(duì)象分析作物的時(shí)序變化特征，構(gòu)建時(shí)序變化曲線；并結(jié)合高分影像的紋理、形狀等特征，將兩種影像包含的特征進(jìn)行有機(jī)結(jié)合，構(gòu)建隨機(jī)森林分類模型進(jìn)行面向?qū)ο蠓诸悾瑥亩@取研究區(qū)農(nóng)作物類型的分布情況。

1 研究區(qū)及數(shù)據(jù)源

1.1 研究區(qū)概況

本研究選擇安徽省滁州市全椒縣作為研究區(qū)，位于31°51′～32°15′N，117°49′～118°25′E之間。研究區(qū)地處安徽省東部，屬于丘陵地區(qū)，地勢(shì)呈東南-西北走向，最高點(diǎn)海拔393 m。屬于亞熱帶季風(fēng)性氣候，年平均氣溫15.8～16.8 ℃；年平均日照時(shí)數(shù)達(dá)到1 756.4～1 984.4 h；近10 a降水量1 073.7～1 294.1 mm。全縣總面積1 568 km2, 農(nóng)作物總播種面積889.76 km2。全椒縣作物以水稻和小麥為主，其余為油料、豆類、棉花等作物。研究區(qū)如圖1所示。

圖1 研究區(qū)所在位置

1.2 數(shù)據(jù)源及預(yù)處理

1.2.1 影像數(shù)據(jù)

選擇2019年3月的GF1衛(wèi)星PMS相機(jī)的全色影像和2018年10月至2019年9月共計(jì)11個(gè)覆蓋周期的GF1-WFV 影像，數(shù)據(jù)的具體參數(shù)如表1所示。

表1 遙感數(shù)據(jù)參數(shù)

在ENVI5.3軟件中，對(duì)GF1-WFV、GF1-PMS 數(shù)據(jù)分別進(jìn)行輻射定標(biāo)、大氣校正、正射校正。根據(jù)中國(guó)資源衛(wèi)星應(yīng)用中心發(fā)布的輻射定標(biāo)系數(shù)進(jìn)行輻射定標(biāo)，采用ENVI中的Flassh模塊對(duì)影像進(jìn)行大氣校正，并通過查看典型地物波譜曲線特征來(lái)判斷正確性。正射校正選擇15 m空間分辨率的Landsat-8/OLI衛(wèi)星影像經(jīng)Google Earth的系統(tǒng)校準(zhǔn)形成的基礎(chǔ)影像作為控制底圖，基于RPC修正的有理函數(shù)模型，采用小面元微分糾正方法進(jìn)行幾何配準(zhǔn)，控制點(diǎn)采用均勻布設(shè)，以每景影像25個(gè)左右為宜。

1.2.2 野外采集數(shù)據(jù)

以手持GPS為采集設(shè)備，高分衛(wèi)星遙感影像作為底圖，隨機(jī)采集典型地物樣本，區(qū)域包括平原地區(qū)、丘陵地區(qū)以及低山地區(qū)。在全椒縣采集150個(gè)冬小麥點(diǎn)、120個(gè)水稻點(diǎn)、90個(gè)油菜點(diǎn)、75個(gè)玉米點(diǎn)、65個(gè)其他建筑用地、裸地、水域和林地，共采集樣本約500個(gè)，把它們隨機(jī)分為訓(xùn)練樣本和用來(lái)檢測(cè)分類結(jié)果的檢驗(yàn)樣本。

在采集滁州全椒縣地物樣本外業(yè)數(shù)據(jù)后，又通過查詢農(nóng)作物生長(zhǎng)日志了解作物的生長(zhǎng)、分布情況，制作出4種作物的物候周期表，為實(shí)驗(yàn)區(qū)作物的精確分類提供支持，如表2所示。

表2 研究區(qū)作物生長(zhǎng)狀況

1.2.3 其他數(shù)據(jù)

為了提高作物分類精度，本研究基于第二次全國(guó)土地調(diào)查的結(jié)果數(shù)據(jù)，從中提取出全椒縣的耕地范圍，以實(shí)現(xiàn)在分類的過程中排除其他非耕地的地類干擾作用，如圖2所示。

圖2 全椒縣耕地矢量

2 研究方法

2.1 技術(shù)路線

本研究結(jié)合野外實(shí)地觀測(cè)數(shù)據(jù)，計(jì)算各個(gè)農(nóng)作物的NDVI值時(shí)序曲線并分析其變化特點(diǎn)作為識(shí)別研究區(qū)作物的物候特征；通過可分性比較分析獲得最佳時(shí)相的中分影像，并分析其波段時(shí)差特征；基于高分影像進(jìn)行多尺度分割獲得最優(yōu)分割尺度，分析其紋理特征，將中分與高分衛(wèi)星遙感影像數(shù)據(jù)中所包含的特征信息進(jìn)行結(jié)合，運(yùn)用面向?qū)ο蠓椒ㄌ崛∽魑锓植夹畔ⅰ？傮w技術(shù)流程如圖3所示。

2.2 面向?qū)ο蟮亩喑叨确指?/h3>

將高分影像數(shù)據(jù)載入eCognition后，采用多尺度分割算法。設(shè)定其波段權(quán)重、分割尺度參數(shù)、異質(zhì)性相關(guān)因子的值。在多尺度分割時(shí)有兩個(gè)原則：一是盡可能設(shè)置較大的光譜因子值；二是對(duì)于邊界不很光滑但聚集度較高的影像對(duì)象使用盡可能大的形狀因子[8]。

此次研究實(shí)驗(yàn)中，在全椒縣研究區(qū)選取具有典型代表性的GF1-PMS局部圖，如圖4所示，對(duì)尺度因子、形狀因子、緊湊度經(jīng)過多次試值，最終得出不同尺度分割結(jié)果。研究表明，分割尺度以及形狀因子權(quán)重設(shè)置越大，獲取對(duì)象越完整，反之，得到的對(duì)象越“破碎”[9]。

圖3 技術(shù)流程

當(dāng)分割尺度為30時(shí)，地物被分割得十分密集，使農(nóng)田和其它地物變得破碎且復(fù)雜，出現(xiàn)混合狀態(tài)，如圖5所示；當(dāng)分割尺度為150時(shí)，地物的形狀被分割得不夠完善，一些大的地物中包含著中小型地物，地物對(duì)象沒有被完全分割開，如圖6所示；當(dāng)分割尺度為70時(shí)，對(duì)地物的形狀特征分割得相對(duì)適當(dāng)，總體上能夠完整地體現(xiàn)地物的形態(tài)，如圖7所示。因此，此次實(shí)驗(yàn)區(qū)選擇如下數(shù)值作為多尺度分割參數(shù)：尺度因子Scale為70，形狀因子Shape為0.4，緊湊度權(quán)重值為0.3。為了更精確地驗(yàn)證多尺度分割的效果，按照上述試值數(shù)據(jù)采用面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行分類，可以看出分類效果較好，因此，采用此分割尺度數(shù)值進(jìn)行分類可以達(dá)到預(yù)期的效果，如圖8所示。

圖6 尺度因子Scale 150

圖7 尺度因子Scale 70

圖8 多尺度分割結(jié)果檢驗(yàn)

2.3 特征分析與特征選擇

構(gòu)建NDVI值不僅能對(duì)植被光合作用的輻射吸收情況進(jìn)行有效地呈現(xiàn)，而且可以體現(xiàn)作物在不同時(shí)期的生長(zhǎng)情況。利用樣本數(shù)據(jù)獲取不同作物歸一化植被指數(shù)均值并形成歸一化植被指數(shù)時(shí)序特征曲線，如圖9所示。如此能夠直觀地反映作物在整個(gè)生長(zhǎng)期內(nèi)的 NDVI 變化過程。計(jì)算公式為

NDVI=(NIR-RED)/(NIR+RED).

(1)

圖9 典型地物 NDVI 時(shí)間序列曲線

根據(jù)式(1)分別提取11景影像的歸一化差值植被指數(shù)(NDVI)。冬小麥和油菜在10月中上旬開始播種出苗，在原先與之相對(duì)應(yīng)的地塊呈現(xiàn)裸地狀態(tài)；出苗后進(jìn)入冬季，因而在2018年12月至2019年3月期間，NDVI值相對(duì)穩(wěn)定；開春之后，小麥、油菜返青，NDVI值上升；進(jìn)入3月，油菜逐漸開花，光譜開始出現(xiàn)變化，在NDVI 值上表現(xiàn)卻稍微有所下降。

水稻生育周期較短，在4月中下旬開始播種插秧，6月份返青，NDVI值快速增高，7月中旬進(jìn)入分藥、拔節(jié)時(shí)期，8月份NDVI值達(dá)到最高值，9月份水稻即將成熟，NDVI曲線逐漸下降，水稻一般在10月基本收割結(jié)束，NDVI降到一個(gè)較低值。

玉米在2019年5月至8月期間，經(jīng)歷播種、拔節(jié)、抽穗等生長(zhǎng)過程，植被覆蓋度逐步增加，NDVI 值隨日期變化也逐漸增加；到9月份，隨著玉米成熟收獲，大部分的地塊呈現(xiàn)裸地的狀態(tài)，NDVI值降至低點(diǎn)。

各類農(nóng)作物隨著日期的變化，其NDVI值也在不斷變化，這種變化很大程度上反映了作物在不同時(shí)相上光譜特征的差別。因此，可以說NDVI值的變化特征為作物識(shí)別提供了途徑和依據(jù)。

2.3.2 作物分類的最佳時(shí)相分析

多時(shí)相遙感影像景數(shù)過多會(huì)造成數(shù)據(jù)的冗余，導(dǎo)致處理過程復(fù)雜，故遙感影像時(shí)相、景數(shù)的選取直接影響作物識(shí)別的效率和精度[10]。J-M(Jeffries-Matusita)距離通常用于度量?jī)深悇e間特征子集的可分性，具有對(duì)數(shù)據(jù)的分布形式要求低、通用性好的特點(diǎn)，其取值在0～2之間，值越大，可分性越好[11]。本研究區(qū)內(nèi)水稻、油菜和玉米3類地物的GF1-WFV時(shí)相影像光譜特征區(qū)分難度較大，因此，僅選擇3種作物來(lái)計(jì)算J-M距離，各作物間J-M距離如表3所示。

J-M 距離計(jì)算公式為

Jij=2×(1-exp(-Bij)).

(2)

表3 典型地物特征J-M距離時(shí)間序列數(shù)據(jù)

經(jīng)過計(jì)算可知，典型地物特征J-M距離GF1-WFV影像數(shù)據(jù)的分離度大于1.8以上且數(shù)量較多的時(shí)相為2019-04-25、2019-05-23、2019-08-02，因此，研究區(qū)選用上述3種時(shí)相作為農(nóng)作物識(shí)別的基礎(chǔ)。

2.3.3 紋理特征分析

紋理是地物的物理形態(tài)所表達(dá)出的灰度空間相關(guān)特性，紋理特征的核心問題是紋理區(qū)域的一致性和相鄰區(qū)域邊界的準(zhǔn)確性[12]。為分析關(guān)于作物的方向、相鄰間隔、變化幅度的綜合信息，計(jì)算待分類影像和樣本的灰度共生矩陣，然后根據(jù)灰度共生矩陣進(jìn)行特征值的計(jì)算，形成特征矩陣[13-14]。在eCognition中選用熵(ENT)、相關(guān)性(COR)和不相似性(DIS)來(lái)描述研究區(qū)內(nèi)作物的紋理特征。

1)熵ENT：衡量圖像的無(wú)序性，紋理越不均勻，熵值越大，當(dāng)影像特征為完全隨機(jī)性紋理時(shí)達(dá)到最大值。

2)相關(guān)性COR：用來(lái)衡量鄰域灰度線性依賴性，相關(guān)性越高則紋理一致性程度越高。

3)不相似DIS：用來(lái)度量相似性，局部對(duì)比度越高值越大。

通過反復(fù)實(shí)驗(yàn)，對(duì)影像各個(gè)波段的3個(gè)紋理特征進(jìn)行計(jì)算分析，得出各個(gè)波段的紋理特征值，通過對(duì)比其差值能夠更直觀地表示出各個(gè)作物在紋理特征之間的差異，如表4所示。

表4 各波段的紋理特征值

2.3.4 波段時(shí)差特征分析

波段時(shí)差特征是指不同時(shí)相影像相同波段間的差值[15]。由于小麥和水稻在5月至8月期間影像的波段差值相近，難以進(jìn)行區(qū)分，因此，文中選用2019-05-23和2019-08-02兩種作物分類最佳時(shí)相上的小麥和水稻的波段時(shí)差，如圖10、圖11所示，兩個(gè)時(shí)相上的圓形標(biāo)注和方形標(biāo)注內(nèi)的農(nóng)作物分別是小麥和水稻。

依此計(jì)算兩個(gè)時(shí)相中的小麥和水稻紅、綠、藍(lán)、近紅外波段的輻射亮度均值與均值差值，最終得出2019-05-23和2019-08-02時(shí)相上小麥和水稻的波段時(shí)差特征，如圖12所示。4個(gè)波段上小麥和水稻在紅和近紅外兩個(gè)波段中的差異較為明顯，由此可以將波段時(shí)差特征作為區(qū)分小麥和水稻的特征之一。

圖10 2019-05-23與2019-08-02時(shí)相的小麥

圖11 2019-05-23與2019-08-02時(shí)相的水稻

圖12 不同時(shí)相中小麥、水稻波段時(shí)差

2.4 特征結(jié)合

在GF-1 PMS影像的光譜信息和紋理信息與3種GF-1 WFV時(shí)相數(shù)據(jù)中，對(duì)基于對(duì)象的反射率的農(nóng)作物時(shí)間變化特征和波段時(shí)差特征相結(jié)合進(jìn)行特征選擇。

利用隨機(jī)森林分類模型對(duì)作物的物候特征、紋理特征、波段時(shí)差特征進(jìn)行組合分類，構(gòu)建特征集合，并按照順序?qū)μ卣骷现杏绊懶Ч钚〉奶卣饕来翁蕴?，以尋求?yōu)選特征子集。隨機(jī)森林作為機(jī)器學(xué)習(xí)的重要方法擁有廣泛的應(yīng)用前景。其實(shí)質(zhì)就是利用多種分類器投票決定分類結(jié)果，對(duì)于一個(gè)輸入樣本，N棵樹會(huì)有N個(gè)分類結(jié)果[16]。

根據(jù)表5所示，將各種特征依次輸入隨機(jī)森林模型中，采取交叉驗(yàn)證的方式，去除對(duì)分類貢獻(xiàn)最低的特征，重復(fù)執(zhí)行并取其中的平均值，計(jì)算每次分類結(jié)果的精度，最后選擇最高的分類精度所對(duì)應(yīng)的優(yōu)選特征子集。

表5 特征集情景參數(shù)

3 結(jié)果與分析

3.1 分類結(jié)果

針對(duì)研究區(qū)優(yōu)選特征子集提取農(nóng)作物種植結(jié)構(gòu)，基于面向?qū)ο蟮姆椒▽?duì)高分辨率遙感影像進(jìn)行農(nóng)作物類型識(shí)別，并利用野外收集的訓(xùn)練樣本驗(yàn)證識(shí)別的結(jié)果。面向?qū)ο蠓诸惤Y(jié)果混淆矩陣如表6所示。分類識(shí)別的總體精度為88.38%，Kappa系數(shù)為0.841 5，達(dá)到較高的一致性。從用戶精度和制圖精度上來(lái)看，玉米分類精度最高，油菜次之，水稻的分類精度最低。分類結(jié)果如圖13所示。

表6 面向?qū)ο蠓诸惤Y(jié)果混淆矩陣

圖13 農(nóng)作物類型識(shí)別結(jié)果

3.2 結(jié)果分析

由圖13可以看出,全椒縣研究區(qū)的水稻種植區(qū)域較大，分布在研究區(qū)各個(gè)范圍內(nèi)，其中，大部分分布在東南部區(qū)域，此處灌溉條件好，地力等級(jí)較高；小麥大多分布在中部與西南部地區(qū)，范圍較為集中；油菜的種植范圍較小且分散成塊狀；玉米主要分布在中北部地區(qū)，與油菜分布相似，比較分散。農(nóng)作物識(shí)別的結(jié)果與野外實(shí)地調(diào)查的情況相符合。使用面向?qū)ο蟮姆椒ú粌H可以防止分類結(jié)果的“椒鹽效應(yīng)”、識(shí)別不精確等問題，而且能夠提高作物識(shí)別的效率，減少錯(cuò)分、漏分的現(xiàn)象。

4 結(jié)論與展望

經(jīng)過上述研究，得出以下結(jié)論，同時(shí)也存在諸多不足：

1)在進(jìn)行農(nóng)作物類型識(shí)別工作之前，必須先進(jìn)行野外樣本采集和調(diào)查，這是作物分類和檢驗(yàn)識(shí)別精度最重要的一環(huán)。采集樣本時(shí)應(yīng)盡量使樣本均勻分布在研究區(qū)內(nèi)，以免影響分類的精度。

2)利用高分辨率衛(wèi)星遙感影像豐富的紋理特性進(jìn)行最優(yōu)化多尺度分割，多時(shí)相中分辨率遙感影像制作NDVI時(shí)間變化曲線，能夠體現(xiàn)出農(nóng)作物在不同生長(zhǎng)期的特征差異。將高分辨率衛(wèi)星遙感影像豐富的紋理信息與多時(shí)相中分辨率遙感影像農(nóng)作物不同生長(zhǎng)期的特征相互耦合，構(gòu)建隨機(jī)森林模型組建分類規(guī)則進(jìn)行面向?qū)ο蠓诸?，可以非常清晰地呈現(xiàn)出各個(gè)農(nóng)作物的生長(zhǎng)趨勢(shì)，從而防止出現(xiàn)單時(shí)相數(shù)據(jù)由于農(nóng)作物在不同時(shí)期的生長(zhǎng)狀況不一而導(dǎo)致的分類不精或漏分的現(xiàn)象，很大程度上提高了分類精度，分類的效果較為理想。

3)多尺度分割需要經(jīng)過多次試值才能達(dá)到較好效果，但難以確定最優(yōu)分割尺度值，存在著一定的主觀判斷。且由于各地區(qū)氣候地形等差異影響，此法在一定程度上普適性較低，未來(lái)還需要不斷調(diào)整改進(jìn)以期推廣到全國(guó)的農(nóng)業(yè)種植區(qū)，達(dá)到運(yùn)用遙感技術(shù)來(lái)促進(jìn)農(nóng)業(yè)發(fā)展的目的。