基于ESTARFM模型的農(nóng)作物類型識別方法應(yīng)用

包珺瑋，于利峰，烏蘭吐雅，許洪滔，于偉卓，敦惠霞

（1.內(nèi)蒙古自治區(qū)農(nóng)牧業(yè)科學(xué)院農(nóng)牧業(yè)經(jīng)濟(jì)與信息研究所，內(nèi)蒙古呼和浩特 010031；2.內(nèi)蒙古自治區(qū)農(nóng)業(yè)遙感工程技術(shù)研究中心，內(nèi)蒙古呼和浩特 010031）

當(dāng)前的農(nóng)作物類型識別方法主要是基于單景高分辨率影像和多時相影像，單景高分辨率影像具有農(nóng)作物紋理、形狀、色調(diào)特征表現(xiàn)清晰的優(yōu)勢，能有效提高農(nóng)作物類型識別精度，但是單景高分辨率影像成本較高，往往重訪周期較長，很難體現(xiàn)農(nóng)作物完整物候信息[1]；多時相影像提取方法大多是選擇Landsat 和GF 影像與MODIS 影像的時間序列數(shù)據(jù)集結(jié)合進(jìn)行農(nóng)作物提取，該方法易獲取影像，能夠在一定程度上杜絕“同物異譜，異物同譜”現(xiàn)象，提高了農(nóng)作物類型識別精度[2]。

隨后有學(xué)者提出了遙感影像時空融合的方法，遙感影像時空融合是將高空間低時間分辨率與高時間低空間分辨率影像融合，生成一種高時空分辨率影像特征的技術(shù)[3]。目前的融合技術(shù)主要集中在融合MODIS 和Landsat 兩種影像上。其優(yōu)點(diǎn)首先表現(xiàn)為兩種影像的成像時間相近且兩者軌道參數(shù)一致，可以減弱不同傳感器的系統(tǒng)差異，提高融合精度。其次，兩種影像融合可以解除Landsat 影像易受云層和陰雨天氣影響的局限性，有利于農(nóng)作物長期有效的監(jiān)測[4]。

目前，遙感影像時空融合主要是采用線性混合模型。2006年GAO 等[5]提出的時空自適應(yīng)反射率融合模型（STARFM），該方法是提取豐度矩陣和低分辨率影像的平均反射率實(shí)現(xiàn)影像融合的方法；平博等[6]利用STARFM 將GF 數(shù)據(jù)和MODIS 數(shù)據(jù)進(jìn)行時空融合，在紅、近紅、綠波段表現(xiàn)出了很好的相關(guān)性。但是有學(xué)者提出該方法對異質(zhì)性區(qū)域融合效果不好。隨后ZHU 等[7]對STARFM 模型進(jìn)行改進(jìn)，提出增強(qiáng)型時空自適應(yīng)反射率融合模型（ESTARFM），ESTARFM 模型能夠有效提高對異質(zhì)性區(qū)域的融合精度。鄔明權(quán)等[8]在利用融合MODIS 與Landsat 數(shù)據(jù)生成高時間分辨率數(shù)據(jù)研究中，對比了5 種影像融合方法，結(jié)果表明，ESTARFM模型的融合影像與真實(shí)影像表現(xiàn)出高度相關(guān)性；劉詠梅等[9]在基于MODIS-Landsat 時空融合的陜北黃土高原植被覆蓋動態(tài)變化研究中，采用ESTARFM 模型獲取陜北黃土高原的Landsat NDVI 時序數(shù)據(jù)，得到融合后的Landsat NDVI 數(shù)據(jù)與真實(shí)Landsat NDVI 數(shù)據(jù)在植被信息的表達(dá)方面具有較高的相關(guān)性，表明ESTARFM 模型對復(fù)雜地形植被監(jiān)測有很好的空間細(xì)節(jié)表達(dá)能力。牛忠恩等[10]利用ESTARFM 模型融合MODIS 和Landsat_8OLI 數(shù)據(jù)，獲得空間分辨率30 m、時間步長8 d 的時間序列數(shù)據(jù)，能夠有效提高M(jìn)ODIS 數(shù)據(jù)中混合像元的精度。比較而言，ESTARFM 模型充分考慮了像元異質(zhì)性，可以有效提高數(shù)據(jù)融合精度。

對于農(nóng)作物類型識別研究，關(guān)鍵在于獲取農(nóng)作物關(guān)鍵生育期的高時間、空間分辨率影像，本研究基于ZHU 等[7]提出的ESTARFM 模型，利用MODIS 時間序列數(shù)據(jù)和Landsat 數(shù)據(jù)融合影像，并建立NDVI時間序列數(shù)據(jù)集，通過與真實(shí)影像對比分析農(nóng)作物類型識別結(jié)果，研究ESTARFM模型的適用性。

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)地處河套灌區(qū)，位于40°10′N～41°25′N，106°23′E～108°47′E，該區(qū)域地勢平坦，西南高、東北低，屬于溫帶季風(fēng)氣候，灌區(qū)熱量充足，全年積溫2 700～3 200 ℃，農(nóng)作物種類很多，包括春小麥、玉米、向日葵、糜子及瓜果蔬菜，是內(nèi)蒙古中西部主要產(chǎn)糧基地。

1.2 數(shù)據(jù)及預(yù)處理

通過對研究區(qū)2019年4—9月影像數(shù)據(jù)查詢，選擇了云量在0～5%的Landsat 影像（下載地址http：//ids.ceode.ac.cn），軌道號為12932，時間選擇研究區(qū)農(nóng)作物物候期內(nèi)的2019年4月21日、2019年6月8日、2019年8月27日的3 景影像。MODIS 數(shù)據(jù)來源于NASA 網(wǎng)站（https：//glovis.usgs.gov），選擇MOD09GA 產(chǎn)品250 m 分辨率數(shù)據(jù)，成像時間選擇與Landsat 數(shù)據(jù)成像相同的時間，由于MODIS 影像2019年6月8日（159 DOY）影像云層較多，所以選擇6月9日即MODIS 第160 DOY 數(shù)據(jù)。4月21日、8月27日兩景影像為基準(zhǔn)影像，6月8日影像為驗(yàn)證影像，用來測試融合影像精度。

利用MRT（MODIS reprojection tool）工具，將MOD09GA 影像重投影UTM-WGS84，進(jìn)行裁剪并重采樣至30 m 分辨率，使得處理后的影像和Landsat 影像的投影方式、分辨率、像元大小保持一致并選擇對植被反射率反應(yīng)較好的綠、紅、近紅外3 個波段[11]。

1.3 研究方法

本研究選用ESTARFM 模型，融合Landsat 影像與MODIS 影像，獲得時間序列Landsat NDVI 影像數(shù)據(jù)集，將其與Landsat 真實(shí)影像分別輸入隨機(jī)分類模型，進(jìn)行農(nóng)作物類型識別，具體流程見圖1。

圖1 技術(shù)流程

1.3.1 ESTARFM 模型 ESTARFM 模型首先假設(shè)兩種影像上一對像元的反射率差異僅僅是由不同影像地表反射率的系統(tǒng)偏差引起，且兩個時期影像上反射率沒有較大偏差[12-13]，公式為

式中，L、M分別表示Landsat 影像與MODIS 影像；（x，y）表示像元位置，B表示影像波段；t0、tP分別表示影像獲取的2 個時間；a為轉(zhuǎn)換系數(shù)。但是往往地表地物類型復(fù)雜，必須考慮地物大范圍內(nèi)混合像元的反射率，所以假設(shè)前后兩種類型影像混合像元的反射率變化代表像元中不同地表覆蓋成分反射率變化的加權(quán)總和，公式為

式中，v（x，y）表示考慮了混合像元分解的第i個相似像元。公式充分考慮了鄰域像元的地面反射率變化，通過相鄰像元移動窗口計(jì)算預(yù)測影像的中心像元值，進(jìn)而得到預(yù)測影像，公式為

式中，n是包括中心預(yù)測像元的相似像元的數(shù)目；（xi，yi）是第i個相似像元的位置；W是第i個相似像元的權(quán)重；Vi是第i個相似像元的轉(zhuǎn)換系數(shù)。

依據(jù)第1 個時期m時刻Landsat 與tp時刻的MODIS 預(yù)測tp時刻Landsat 影像的反射率，表示為L（xw/2，yw/2，tp，B）或者利用第2 個時期n時刻的觀測數(shù)據(jù)預(yù)測tp時刻的Landsat 影像的反射率，表示為Ln（xw/2，yw/2，tP，B）。依據(jù)這2 個預(yù)測結(jié)果的加權(quán)組合可以獲得精確的tp時刻的Landsat 影像反射率[14-15]。根據(jù)Tm和Tn與預(yù)測時刻tp之間MODIS 反射率檢測到的變化幅度計(jì)算權(quán)重，公式為

預(yù)測中心像元反射率，公式為

將處理好的Landsat 和MOD09GA 數(shù)據(jù)及用于預(yù)測的中間時刻MOD09GA 數(shù)據(jù)，導(dǎo)入ESTARFM模型，生成預(yù)測時刻為2019年LANSAT 數(shù)據(jù)[16-17]。

1.3.2 NDVI 時間序列 歸一化植被指數(shù)（NDVI）是指利用植被葉片近紅外波段和紅波段的光譜差異，能夠反映真實(shí)地表植被生長情況、植被覆蓋度的指數(shù)。在一定區(qū)域范圍內(nèi)，相同農(nóng)作物具有相同的物候特征曲線，而NDVI 時間序列能夠客觀地反映農(nóng)作物隨時間變化的光譜特征，被廣泛用于農(nóng)作物類型識別研究[18]。NDVI計(jì)算公式

式中，Nir表示近紅外波段；Red表示紅波段。

1.4 分類方法

隨機(jī)森林（random forest，RF）是機(jī)器學(xué)習(xí)的重要方法且具有很廣泛的用途。其原理是利用多個分類器投票決定分類結(jié)果，對于一個輸入樣本，N棵樹會有N個分類結(jié)果。而隨機(jī)森林法可以集成所有的分類投票結(jié)果，將投票次數(shù)最多的類別指定為最終的輸出。在遙感領(lǐng)域其優(yōu)點(diǎn)是幾乎不需要設(shè)置參數(shù)就可以得到比較好的提取結(jié)果，而且能夠有效地運(yùn)行在大數(shù)據(jù)集上，能夠滿足未來大尺度范圍提取要求[19-20]。

2 結(jié)果與分析

2.1 ESTARFM 模型融合結(jié)果

本研究采用定性和定量相結(jié)合的方法進(jìn)行影像融合效果評價，即采用目視解譯和相關(guān)性分析方法。由圖2 可知，2019年6月7日影像預(yù)測選取具有代表性的耕地、居民區(qū)、林地等地物類型，可以直觀地看出預(yù)測影像能夠較好地表現(xiàn)各地物類型的邊界和輪廓信息，預(yù)測影像和真實(shí)影像相似程度較高，但是預(yù)測影像受到紅波段影響較大，尤其是耕地在假彩色波段組合顯示為深紅色，色調(diào)和亮度高于原始影像。

圖2 ESTARFM 模型融合影像與真實(shí)影像對比

在定量分析時，對真實(shí)影像和預(yù)測影像綠、紅、近紅3 個波段進(jìn)行R值相關(guān)性比較，綠波段相關(guān)性為0.667、紅波段相關(guān)性為0.709、近紅波段相關(guān)性為0.842，影像3 個波段的相關(guān)性均高于0.600（圖3）。這表明ESTARFM 模型獲得的預(yù)測影像與真實(shí)影像相關(guān)性較好。

圖3 Landsat 與ESTARFM 模型融合影像R 值對比

2.2 NDVI 時間序列特征分析

NDVI 時間序列數(shù)據(jù)集能夠較好解決影像“椒鹽”現(xiàn)象，有效增強(qiáng)植被與非植被的差異，通過NDVI 時間序列還可以準(zhǔn)確反映農(nóng)作物的生長狀況及其變化情況。研究區(qū)內(nèi)大部分農(nóng)作物生長期在4—9月，受到重訪周期、云雨天氣影像影響，Landsat數(shù)據(jù)影像缺失嚴(yán)重，只獲取3 景云量小于5%的Landsat 影像及18 景MODIS 影像。將兩期Landsat數(shù)據(jù)與對應(yīng)時間的兩期MODIS 數(shù)據(jù)及預(yù)測期的MODIS 數(shù)據(jù)輸入ESTARFM 模型分別預(yù)測18 景高時空分辨率影像，并利用影像數(shù)據(jù)中近紅外波段數(shù)據(jù)和紅波段數(shù)據(jù)計(jì)算NDVI 值，最后通過數(shù)據(jù)融合構(gòu)建NDVI 時間序列預(yù)測影像數(shù)據(jù)集。

為驗(yàn)證預(yù)測NDVI 時間序列的可靠性，選取研究區(qū)內(nèi)農(nóng)作物樣本點(diǎn)，構(gòu)建NDVI 時間序列曲線，由圖4 可知，2019年4月21日—8月27日共18 個時間序列號，經(jīng)過S-G 濾波ESTARFM 農(nóng)作物NDVI曲線與原始MODIS 數(shù)據(jù)NDVI 曲線的構(gòu)成趨勢基本一致，表明ESTARFM 模型可以用于生成高時空分辨率影像，并建立NDVI 影像數(shù)據(jù)集。

圖4 農(nóng)作物NDVI 隨時間變化情況

2.3 農(nóng)作物提取結(jié)果

隨機(jī)森林法利用采集農(nóng)作物解譯點(diǎn)建立的ROI感興區(qū)對農(nóng)作物進(jìn)行遙感分類，結(jié)果見圖5。

圖5 Landsat 真實(shí)影像與預(yù)測影像分類結(jié)果對比

利用研究區(qū)內(nèi)實(shí)際采集農(nóng)作物解譯驗(yàn)證點(diǎn)和Google Earth 采集的樣本點(diǎn)，結(jié)合ENVI 5.3 軟件建立研究區(qū)感應(yīng)區(qū)域（ROI）。利用混淆矩陣對分類結(jié)果進(jìn)行精度驗(yàn)證。本研究共采集驗(yàn)證點(diǎn)200 個，地物類型包括春小麥、玉米、沙地、林地、水體和其他類，驗(yàn)證點(diǎn)能夠均勻分布在研究區(qū)（表1）。精度評價結(jié)果顯示Landsat 真實(shí)影像數(shù)據(jù)總體識別精度為80.96%，Kappa 系數(shù)0.72。Landsat 預(yù)測影像總體識別精度為93.03%，Kappa 系數(shù)0.89。預(yù)測影像識別精度高于單景真實(shí)Landsat 影像。

表1 研究區(qū)驗(yàn)證點(diǎn)ROI 個數(shù)及像元個數(shù)

3 結(jié)論與討論

基于ESTARFM 模型，融合MODIS 與Landsat影像建立NDVI 時間序列數(shù)據(jù)集，經(jīng)過數(shù)據(jù)重構(gòu)，利用隨機(jī)森林法進(jìn)行農(nóng)作物分類后，得到以下結(jié)論；（1）利用ESTARFM 模型數(shù)據(jù)融合技術(shù)，可以有效解決農(nóng)作物提取關(guān)鍵期內(nèi)影像缺失問題，對比真實(shí)影像和融合影像綠、紅、近紅3 個波段的相關(guān)性，其中，綠波段相關(guān)性為0.667、紅波段相關(guān)性為0.709、近紅波段相關(guān)性為0.842，波段間表現(xiàn)出較好的相關(guān)性。（2）利用ESTARFM 模型生成NDVI 時間序列曲線時，預(yù)測產(chǎn)生的NDVI 曲線與MODIS 影像生成的NDVI曲線變化趨勢基本一致，說明ESTARFM 模型可以用于NDVI 曲線預(yù)測，并能體現(xiàn)NDVI 時間變化特征。（3）利用ESTARFM 模型融合的高時空分辨率影像的農(nóng)作物類型識別結(jié)果可以信賴，Landsat 真實(shí)影像數(shù)據(jù)總體識別精度為80.96%，Kappa 系數(shù)0.72。Landsat 預(yù)測影像總體識別精度為93.03%，Kappa 系數(shù)0.89，基于ESTARFM模型的Landsat 預(yù)測影像數(shù)據(jù)集識別精度高于單景真實(shí)Landsat 影像。

本研究也存在很多不足，首先由于能夠獲得的高質(zhì)量的Landsat 基礎(chǔ)影像數(shù)量少且時間跨度較大，會影響ESTARFM 模型預(yù)測影像的質(zhì)量，實(shí)例表明陳夢露等[21]在ESTARFM 模型中利用11 景Lansat8影像預(yù)測了27 景NDVI 時間序列影像，得到預(yù)測影像相關(guān)性總體在0.80 以上，提高了影像預(yù)測質(zhì)量；郭嬌等[22]利用ESTARFM 模型在西安地區(qū)植被覆蓋度研究中采用10 景Lansat8 數(shù)據(jù)，預(yù)測45 景MODIS 數(shù)據(jù)，結(jié)果得到預(yù)測影像與真實(shí)影像相關(guān)性達(dá)到0.85以上，由此可見在數(shù)據(jù)融合研究中采用多期影像作為基礎(chǔ)影像可以有效提升ESTARFM模型的影像預(yù)測質(zhì)量。其次，研究區(qū)地物類型多樣且地塊破碎，利用ESTARFM 模型進(jìn)行農(nóng)作物類型識別時，只利用NDVI 指數(shù)可能會影響識別精度，鄭麗娟[23]在農(nóng)作物分類研究中，加入15 個植被指數(shù)特征和8 個紋理特征后有效提升農(nóng)作物分類精度，達(dá)到96.02%。王楠[24]利用NDVI 時間序列影像在農(nóng)作物種植結(jié)構(gòu)提取研究中引入物候特征并進(jìn)行物候分區(qū)得到農(nóng)作物分類精度為均在80%以上。基于本研究中存在的不足，未來將在農(nóng)作物分類研究中引入植被指數(shù)、農(nóng)作物物候信息等參數(shù)以提高農(nóng)作物識別精度。