基于多源遙感影像的農(nóng)作物分類提取

張 穎,何貞銘,吳貞江

長(zhǎng)江大學(xué)地球科學(xué)學(xué)院,湖北 武漢 430100

近年來，遙感技術(shù)成為作物分類的重要手段，不僅能夠快速準(zhǔn)確地獲取農(nóng)作物的面積分布，也能為作物信息提取提供良好的技術(shù)支持。Vuolo[1]等利用多時(shí)相哨兵-2 圖像和隨機(jī)森林（Random forest，RF）分類器對(duì)農(nóng)作物進(jìn)行識(shí)別，驗(yàn)證多相作物的分類精度高于單相作物的分類精度。Bargiel[2]等結(jié)合哨兵-1 密集時(shí)間序列數(shù)據(jù)和耕地物候變化信息，評(píng)估了聯(lián)合使用時(shí)間序列的光學(xué)和SAR 數(shù)據(jù)識(shí)別作物類別的適用性。Sonobe[3]等利用多時(shí)相的哨兵數(shù)據(jù)和光學(xué)遙感影像，對(duì)農(nóng)作物類型進(jìn)行分類研究，結(jié)果表明，雷達(dá)數(shù)據(jù)和光學(xué)數(shù)據(jù)的結(jié)合能夠?qū)崿F(xiàn)預(yù)期的效果。

融合多源遙感數(shù)據(jù)有助于提高分類精度[4]，但特征維數(shù)增加到一定閾值，繼續(xù)增加反而會(huì)導(dǎo)致精度下降[5]。因此，常睿春[6]等人研究了基于FastICA 的高光譜遙感礦物信息提取方法，曹晶晶[7]等對(duì)獨(dú)立主成分分析（Independent principal component analysis，ICA）在高光譜混合像元分解方面進(jìn)行研究，結(jié)果證明，ICA 可以保留部分特征波段，增加地物的可區(qū)分性[8]?；谙裨淖魑锓诸惙椒y以保證地物內(nèi)部的完整性[9]。本實(shí)驗(yàn)采用面向?qū)ο筠r(nóng)作物分類，融合Sentinel-1 SAR數(shù)據(jù)和Sentinel-2多光譜數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，采用獨(dú)立主成分分析方法，選取占方差95%的前6 個(gè)分量用于隨機(jī)森林分類器快速[10]分類，證明農(nóng)作物分類提取中，面向?qū)ο蠓诸惙椒ǖ木缺让嫦蛳裨撸叶嘣催b感數(shù)據(jù)融合比單獨(dú)使用多光譜數(shù)據(jù)或雷達(dá)數(shù)據(jù)分類更加精確。

1 材料與方法

1.1 研究數(shù)據(jù)獲取

本文選擇濟(jì)寧西南部為研究區(qū)域，該區(qū)域以小麥-玉米、小麥-棉花、小麥-水稻和辣椒-大蒜四種輪作方式為主。本文采集了研究區(qū)2020 年4 月到9 月有效的4 期Sentinel-2 2A 級(jí)少云（小于1%）光學(xué)數(shù)據(jù)，并獲得同一時(shí)間段內(nèi)的Sentinel-1 雷達(dá)(SAR)影像[11]數(shù)據(jù)，數(shù)據(jù)信息如表1 所示。

表1 Sentinel-1SAR 和Sentinel-2 多光譜數(shù)據(jù)采集Table 1 Sentinel-1 radar and Sentinel-2 multispectral data collection

通過實(shí)地調(diào)查采樣，采集樣本像元數(shù)：水稻3980 個(gè)，辣椒7812 個(gè)，棉花1025 個(gè)，玉米6424個(gè)。本文選取50%的樣本作為訓(xùn)練數(shù)據(jù)，50%作為驗(yàn)證數(shù)據(jù)，使用2017 年土地利用數(shù)據(jù)對(duì)非農(nóng)作物區(qū)域進(jìn)行掩膜，降低其他土地類別對(duì)作物分類的影響[12]。

1.2 數(shù)據(jù)處理

為避免其他土地利用類別對(duì)分類精度的干擾，本實(shí)驗(yàn)使用10 m 分辨率的土地利用數(shù)據(jù)對(duì)預(yù)處理完成的圖像中非農(nóng)作物區(qū)域進(jìn)行掩膜。Sentinel-1 數(shù)據(jù)通過預(yù)處理，得到VV 極化和VH 極化[13]的后向散射系數(shù)。Sentinel-2 的2A 級(jí)數(shù)據(jù)已經(jīng)完成數(shù)據(jù)校正[11]。本文保留紅、綠、藍(lán)、近紅外波段，將紅邊波段重新采樣至10 m，其他波段因與本研究無關(guān)而被剔除。

1.3 面向?qū)ο蠓指?/h3>

為保證分割后生成的對(duì)象能與相鄰類別地物區(qū)分且不會(huì)太破碎[14]，本文對(duì)不同尺度參數(shù)的分割結(jié)果進(jìn)行對(duì)比，部分結(jié)果如圖1 所示，其中圖1(a)-(b)的合并參數(shù)為85，分割參數(shù)分別為54 和74，圖1(c)-(d)分割參數(shù)為64，合并參數(shù)分別為75 和95?？梢钥吹?，圖1(b)和圖1(d)存在明顯的欠分割，圖1(a)和圖1(c)存在過分割的情況，因此將分割參數(shù)設(shè)置為64，合并參數(shù)設(shè)置為85 時(shí)分割結(jié)果最優(yōu)。h

圖1 面向?qū)ο蠓指罱Y(jié)果圖Fig.1 Object-oriented segmentation result grap

1.4 特征提取和分類

雷達(dá)數(shù)據(jù)有較強(qiáng)紋理特征[15]，除4 個(gè)時(shí)相的VV 和VH 極化后向散射系數(shù)，本文針對(duì)每種極化數(shù)據(jù)提取了Homogeneity、Dissimilarity、Entropy 三種紋理特征。針對(duì)Sentinel-2 數(shù)據(jù)各提取4 個(gè)波段的光譜數(shù)據(jù)，并從中提取歸一化植被指數(shù)（NDVI）。將這52 個(gè)特征合并，共同參與農(nóng)作物分類。

本文使用灰度共生矩陣（GLCM）來描述圖像的紋理特征[16]，通過獨(dú)立主成分分析（ICA）進(jìn)行分類和波譜提取，保留光譜影像各個(gè)波段之間的數(shù)據(jù)相關(guān)性[17]。采用隨機(jī)森林（RF）分類算法構(gòu)建子決策樹[18]，篩選出重要性較高的特征變量表征地物的實(shí)際特性[10]。使用Kappa 系數(shù)和混淆矩陣反映圖像分類的精度[19]，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行精度驗(yàn)證。

2 結(jié)果與分析

2.1 面向?qū)ο笈c面向像元分類對(duì)比分析

根據(jù)研究區(qū)實(shí)際地物采樣點(diǎn)類型對(duì)研究區(qū)農(nóng)作物展開分類，冬小麥-玉米、冬小麥-棉花、冬小麥-水稻和辣椒-大蒜輪作分類結(jié)果如圖2 所示，精度評(píng)價(jià)結(jié)果如表2 所示。圖2(a)是面向?qū)ο蠓诸惤Y(jié)果圖，圖2(b)是面向像元的分類結(jié)果圖，可以發(fā)現(xiàn)面向像元分類結(jié)果存在明顯的“椒鹽現(xiàn)象”，在紅框標(biāo)記中有明顯的同類地物被錯(cuò)分的情況，因此在本實(shí)驗(yàn)中，面向?qū)ο蟮淖魑锓诸惙椒ǜ袃?yōu)勢(shì)。

圖2 面向?qū)ο蠓诸惤Y(jié)果和面向像元分類結(jié)果對(duì)比Fig.2 Comparison of object-oriented classification results and pixel-oriented classification results

表2 多源數(shù)據(jù)融合后精度評(píng)價(jià)比較Table 2 Accuracy evaluation comparison

2.2 光學(xué)數(shù)據(jù)、雷達(dá)數(shù)據(jù)和多源遙感數(shù)據(jù)融合分類對(duì)比分析

本研究將光學(xué)數(shù)據(jù)和雷達(dá)數(shù)據(jù)結(jié)合應(yīng)用于目標(biāo)農(nóng)作物信息的提取和分類，相比于單一的光譜數(shù)據(jù)提取，SAR 數(shù)據(jù)的加入可以提供相關(guān)作物的特征信息，使分類結(jié)果精度更高。根據(jù)研究區(qū)作物分布情況，分別對(duì)光學(xué)數(shù)據(jù)、雷達(dá)數(shù)據(jù)和光學(xué)與雷達(dá)數(shù)據(jù)融合后的影像進(jìn)行分類，分類結(jié)果圖如圖3(a)-(c)所示，可以看出多源數(shù)據(jù)的融合有助于提升農(nóng)作物的分類精度，精度評(píng)價(jià)結(jié)果見表3。

圖3 雷達(dá)數(shù)據(jù)、光學(xué)數(shù)據(jù)和數(shù)據(jù)融合后分類結(jié)果圖Fig.3 Radar data,optical data,and data fusion classification result graph

表3 基于面向?qū)ο蟮牟煌瑪?shù)據(jù)分類精度比較Table 3 Classification data accuracy comparison

3 討論

本實(shí)驗(yàn)采用面向?qū)ο蠛兔嫦蛳裨獌煞N分類方法對(duì)野外驗(yàn)證樣本集的提取結(jié)果進(jìn)行精度評(píng)價(jià)，評(píng)價(jià)結(jié)果證明，面向?qū)ο蠓诸惥葹?9.62%，Kappa 系數(shù)為0.8488；面向像元分類精度為81.92%，Kappa 系數(shù)為0.7368。面向?qū)ο笞魑锓诸惥缺让嫦蛳裨诸惥雀?.7%。結(jié)果表明面向?qū)ο蟮淖魑锓诸惙椒ň雀?，相比于面向像元分類方法更有?yōu)勢(shì)。實(shí)驗(yàn)使用不同影像檢驗(yàn)農(nóng)作物的分類精度，驗(yàn)證融合后的數(shù)據(jù)對(duì)農(nóng)作物分類精度有明顯提高，雷達(dá)數(shù)據(jù)對(duì)水稻的識(shí)別精度要高于光學(xué)數(shù)據(jù)，因?yàn)樗咀陨碛休^高的含水量，且水稻種植區(qū)域土壤的含水量高，因此它的介電常數(shù)也高，反射的雷達(dá)回波能量也強(qiáng)[15]，識(shí)別精度更高。當(dāng)數(shù)據(jù)融合以后，農(nóng)作物的總體分類精度為89.6226%，Kappa系數(shù)為0.8488，分類精度相較于只使用光學(xué)數(shù)據(jù)提升了16.84%，相比于只使用雷達(dá)數(shù)據(jù)提升了20.34%，結(jié)果表明，多源數(shù)據(jù)融合有助于提升農(nóng)作物分類精度。

本研究使用的Sentinel-1 SAR 和Sentinel-2 多光譜數(shù)據(jù)源自于歐洲航天局哥白尼計(jì)劃的地球環(huán)境監(jiān)測(cè)衛(wèi)星，衛(wèi)星開放了遙感數(shù)據(jù)的可用性，為農(nóng)作物精準(zhǔn)分類提供基礎(chǔ)理論和數(shù)據(jù)支撐。Sentinel-1 SAR 和Sentinel-2 多光譜數(shù)據(jù)最高空間分辨率都達(dá)到了10 m，在不同傳感器影像配準(zhǔn)融合方面有巨大優(yōu)勢(shì)，在作物分類中也有巨大潛力。Sentinel-1 的SAR 數(shù)據(jù)提供了共極化和交叉極化的反向散射，這對(duì)農(nóng)業(yè)應(yīng)用和作物生長(zhǎng)監(jiān)測(cè)非常重要，后續(xù)研究可以考慮使用全極化SAR 數(shù)據(jù)，全極化數(shù)據(jù)對(duì)目標(biāo)地物的形狀、尺寸、空間分布和方向更加敏感，能夠更全面地刻畫觀測(cè)目標(biāo)的散射機(jī)制從而提供更豐富的地表信息[20,21]，更顯著的提升作物分類精度。

4 結(jié)論

本研究以濟(jì)寧西南部為研究區(qū)域，融合該區(qū)域Sentinel-1 SAR 和Sentinel-2 多光譜數(shù)據(jù)，使用隨機(jī)森林分類方法識(shí)別研究區(qū)域2020 年不同種植模式下的作物種植面積?；诿嫦?qū)ο蟮淖魑锓诸惙椒▽?duì)作物進(jìn)行精度評(píng)價(jià)，評(píng)價(jià)結(jié)果表明，多源遙感數(shù)據(jù)融合后研究區(qū)農(nóng)作物的總體分類精度為89.6226%，Kappa 系數(shù)為0.8488，分類精度相比于單一遙感影像數(shù)據(jù)有較大提升，證明多源遙感數(shù)據(jù)融合配合面向?qū)ο蟮淖魑锓诸惙椒梢燥@著提升農(nóng)作物分類精度。本實(shí)驗(yàn)獲得2020 年研究區(qū)農(nóng)作物種植的識(shí)別結(jié)果：嘉祥主要種植玉米，金鄉(xiāng)縣則是大蒜的主產(chǎn)區(qū)，魚臺(tái)縣種植水稻小麥面積較大。研究區(qū)2020 年水稻種植面積為625.65 km2，玉米種植面積為796.41 km2，棉花種植面積為97.96 km2，辣椒種植面積為845.85 km2，為后續(xù)農(nóng)作物分類提取和農(nóng)作物估產(chǎn)提供技術(shù)參考。