基于集成學(xué)習(xí)和多時(shí)相遙感影像的枸杞種植區(qū)分類

史飛飛， 高小紅， 肖建設(shè)， 李宏達(dá), 李潤(rùn)祥， 張昊

(1.青海師范大學(xué)地理科學(xué)學(xué)院，西寧 810008； 2.青海省氣象科學(xué)研究所，西寧 810008； 3.青海省自然地理與環(huán)境過(guò)程重點(diǎn)實(shí)驗(yàn)室，西寧 810008； 4.青藏高原地表過(guò)程與生態(tài)保育教育部重點(diǎn)實(shí)驗(yàn)室，西寧 810008； 5.青海省防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室，西寧 810008;6.高原科學(xué)與可探突發(fā)展研究院，西寧 810008)

0 引言

青海柴達(dá)木盆地作為我國(guó)枸杞的新興種植區(qū)，近年來(lái)因枸杞種植規(guī)模的無(wú)序擴(kuò)大以及市場(chǎng)開(kāi)拓不足致使供需失衡嚴(yán)重，已顯現(xiàn)出枸杞價(jià)格持續(xù)低迷和田間消極管理引發(fā)減產(chǎn)等問(wèn)題，而實(shí)現(xiàn)枸杞種植面積監(jiān)測(cè)與有序調(diào)控是保障枸杞市場(chǎng)平穩(wěn)、持續(xù)發(fā)展的關(guān)鍵手段[1-2]。與傳統(tǒng)地面調(diào)查方法相比，遙感技術(shù)具備宏觀、經(jīng)濟(jì)和高效等優(yōu)勢(shì)，已廣泛應(yīng)用于作物的分類、種植結(jié)構(gòu)提取和種植面積監(jiān)測(cè)等方面[3]。

作物遙感識(shí)別與分類是獲取農(nóng)業(yè)土地利用信息的基礎(chǔ)，近年來(lái)采用遙感觀測(cè)資料進(jìn)行作物分類的研究較多，其大致可分為2大類[4-5]： 一種為選用作物生長(zhǎng)關(guān)鍵期內(nèi)的單時(shí)相影像進(jìn)行作物分類； 另一種為選用作物生長(zhǎng)期內(nèi)的多時(shí)相影像，經(jīng)過(guò)構(gòu)建時(shí)序的植被指數(shù)進(jìn)行作物分類。受我國(guó)作物種植結(jié)構(gòu)復(fù)雜性和作物光譜相似性影響，在采用單時(shí)相影像開(kāi)展作物分類時(shí)，存在“最佳識(shí)別期”不易選取以及易出現(xiàn)“同譜異物，同物異譜”的問(wèn)題，限制了該方法的分類精度[6]。而在同一區(qū)域內(nèi)因不同作物的生長(zhǎng)周期普遍存在差異，采用多時(shí)相影像能夠獲取光譜與物候特征信息，具備獲取更佳作物分類精度的潛力[7]。在該方法應(yīng)用初期以采用具有高時(shí)間分辨率的MODIS數(shù)據(jù)為主，并對(duì)全球廣泛種植的大宗作物開(kāi)展了遙感監(jiān)測(cè)[8-10]，但因MODIS數(shù)據(jù)空間分辨率較低，且在種植結(jié)構(gòu)復(fù)雜的中小規(guī)模種植區(qū)易出現(xiàn)大量混合像元，致使分類精度難以提升[11-12]。伴隨遙感技術(shù)的發(fā)展，近年來(lái)涌現(xiàn)出利用多時(shí)相的Landsat7/8[13-15]、GF-1[16-17]和Sentinel-2[18-21]等中高空間分辨率的影像對(duì)香梨、葵花、苜蓿等特色經(jīng)濟(jì)作物進(jìn)行提取的案例。通過(guò)對(duì)比上述研究發(fā)現(xiàn)，時(shí)序高分影像數(shù)據(jù)能獲得豐富的作物冠層光譜、紋理和物候等特征信息，提高了作物識(shí)別的準(zhǔn)確性，但也面臨如單一數(shù)據(jù)源易存在關(guān)鍵物候期影像缺失，采用決策樹(shù)和神經(jīng)網(wǎng)絡(luò)等分類器存在分類特征利用不充分等問(wèn)題[22-23]。針對(duì)上述問(wèn)題，多源數(shù)據(jù)應(yīng)用能較好地解決關(guān)鍵時(shí)相數(shù)據(jù)的缺失，并且已有研究對(duì)Landsat8 OLI，Landsat7 ETM+和Sentinel-2A MSI等傳感器，進(jìn)行了波段特性對(duì)比以及數(shù)據(jù)間差異消除方法的構(gòu)建[24-25]，能為多源數(shù)據(jù)綜合提供方法參考，但同時(shí)嘗試引入具有更強(qiáng)學(xué)習(xí)與泛化能力的分類器可能是提升作物分類精度的關(guān)鍵[23,26]。任何單一的強(qiáng)分類器都有其自身的優(yōu)勢(shì)與不足，集成學(xué)習(xí)(ensemble learning)方法能綜合運(yùn)用各分類器的優(yōu)勢(shì)，以提高分類精度，這也是當(dāng)前研究的熱點(diǎn)方向[27]。集成學(xué)習(xí)依照個(gè)體學(xué)習(xí)器的形成方式可劃分為串行或并行的序列化，前者典型代表為提升法(boosting)，而后者的代表是自舉匯聚法(bootstrap aggregating,bagging)和隨機(jī)森林(random forest,RF)，其中RF對(duì)多維特征和數(shù)據(jù)噪聲具有更強(qiáng)的魯棒性，已廣泛應(yīng)用于作物分類并取得較好效果[28-29]，而采用boosting算法進(jìn)行作物分類鮮有嘗試。

本文以柴達(dá)木盆地典型枸杞種植基地諾木洪農(nóng)場(chǎng)為研究區(qū)，選取Landsat8 OLI和GF-1 WFV影像構(gòu)建作物生長(zhǎng)期內(nèi)時(shí)序植被指數(shù)數(shù)據(jù)，并采用輕量級(jí)梯度提升機(jī)(light gradient boosting machine,LightGBM)、梯度提升決策樹(shù)(gradient boosting decision tree, GBDT)、極端梯度提升(extreme gradient boosting,XGBoost)、RF、支持向量機(jī)(support vector machine,SVM)和多層感知分類器(multilayer perceptron classifier,MLPC)共6種分類器，旨在探討集成學(xué)習(xí)方法在開(kāi)展枸杞種植區(qū)分類時(shí)的適應(yīng)性。

1 研究區(qū)概況

諾木洪農(nóng)場(chǎng)位于柴達(dá)木盆地都蘭縣境內(nèi)，生態(tài)環(huán)境十分純凈，是全國(guó)規(guī)模較大的枸杞種植基地，被譽(yù)為“中國(guó)枸杞之鄉(xiāng)”。農(nóng)場(chǎng)地理坐標(biāo)E96°15′～96°35′，N36°20′～36°30′，海拔為2 745～2 790 m，總面積約200 km2，諾木洪農(nóng)場(chǎng)及周邊枸杞種植區(qū)分布狀況見(jiàn)圖1。農(nóng)場(chǎng)屬高原大陸性氣候，輻射強(qiáng)，晝夜溫差大，氣候干燥，年平均氣溫約5 ℃，降雨量約51 mm，而蒸發(fā)量在2 200 mm以上。農(nóng)場(chǎng)地處沖洪積扇前緣的細(xì)土平原帶，土壤肥沃并被大量開(kāi)墾進(jìn)行枸杞種植，南部為山前荒漠戈壁，而北部為沼澤地，諾木洪河為柴達(dá)木流域內(nèi)第六大河流，由南至北穿過(guò)農(nóng)場(chǎng)為其生產(chǎn)生活提供充足水源[30]。

圖1 枸杞種植區(qū)分布

2 數(shù)據(jù)源與研究方法

2.1 數(shù)據(jù)采集與預(yù)處理

2.1.1 影像數(shù)據(jù)與預(yù)處理

為構(gòu)建具備高時(shí)間分辨率的時(shí)序數(shù)據(jù)集，選取研究區(qū)內(nèi)作物生長(zhǎng)階段4—11月份內(nèi)的6景Landsat8 OLI影像和3景GF-1 WFV影像，其中Landsat8 OLI影像在谷歌地球引擎(Google Earth Engine,GEE)平臺(tái)下載(https: //code.earthengine.google.com)，空間分辨率30 m，重訪周期16 d，GF-1 WFV數(shù)據(jù)在中國(guó)資源衛(wèi)星應(yīng)用中心下載(http: //www.cresda.com/)，空間分辨率為16 m，波段數(shù)為4，重訪周期為2 d。數(shù)據(jù)詳情如表1所示。

表1 影像數(shù)據(jù)列表

①OLI為陸地成像儀(多光譜)，WFV為多光譜寬幅相機(jī)。

GF-1 WFV數(shù)據(jù)利用ENVI5.5軟件進(jìn)行預(yù)處理，以鄰近時(shí)期的Landsat8 OLI數(shù)據(jù)和30 m DEM數(shù)據(jù)為參考，選用自動(dòng)采集控制點(diǎn)的正射校正工具(RPC orthorectification using reference image, RPC)進(jìn)行校正，并將GF-1 WFV進(jìn)行輻射定標(biāo)和FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)大氣校正。Landsat8 OLI數(shù)據(jù)在GEE平臺(tái)中可直接獲取地表反射率數(shù)據(jù)，但仍需在GEE平臺(tái)中通過(guò)編寫(xiě)腳本使用多通道掩模算法(C function of mask, CFMask)對(duì)影像中的云、陰影和雪進(jìn)行處理[31]。最后將預(yù)處理后的GF-1 WFV和Landsat8 OLI影像空間分辨率重采樣為30 m，并將投影統(tǒng)一轉(zhuǎn)換為Albers等面積投影。

2.1.2 實(shí)地野外調(diào)查數(shù)據(jù)

為獲取準(zhǔn)確且均勻分布的地面樣點(diǎn)調(diào)查數(shù)據(jù)，用于分類器的訓(xùn)練和精度驗(yàn)證，按1 km×1 km格網(wǎng)將研究區(qū)劃分為264個(gè)單元，于2017年9月在諾木洪農(nóng)場(chǎng)開(kāi)展實(shí)地調(diào)查，通過(guò)隨機(jī)選取格網(wǎng)以及參考調(diào)查地點(diǎn)的可通達(dá)性，共對(duì)101個(gè)格網(wǎng)開(kāi)展地面調(diào)查，期間利用GPS對(duì)主要地物類型進(jìn)行定位并拍照，使用ASD FieldSpec 4型地物光譜儀獲取枸杞作物的冠層光譜。因研究區(qū)內(nèi)分布大范圍的沼澤地和荒漠戈壁致使部分格網(wǎng)單元無(wú)法開(kāi)展實(shí)地調(diào)查，因而利用GF-1影像通過(guò)目視判識(shí)獲取該格網(wǎng)內(nèi)的地物類型信息。最終通過(guò)調(diào)查將研究區(qū)待分類對(duì)象劃分為幼齡期枸杞地、壯齡期枸杞地、行道樹(shù)、城鎮(zhèn)、沼澤地、戈壁灘和公路共7種類型，并獲得各類地物樣點(diǎn)共1 378個(gè)，樣點(diǎn)分布見(jiàn)圖2。

圖2 研究區(qū)樣點(diǎn)分布

2.1.3 物候期觀測(cè)數(shù)據(jù)

2016—2018年在諾木洪農(nóng)場(chǎng)選取試驗(yàn)田開(kāi)展作物物候觀測(cè)，觀測(cè)地枸杞樹(shù)齡為5 a左右，圖3展示了枸杞樹(shù)的生長(zhǎng)周期，一般枸杞樹(shù)從5月上旬開(kāi)始進(jìn)入萌芽期，5月下旬進(jìn)入春梢生長(zhǎng)期，6月下旬進(jìn)入開(kāi)花盛期，7月上旬—9月下旬進(jìn)入果熟期，期間枸杞樹(shù)不斷開(kāi)花結(jié)果，當(dāng)?shù)毓r(nóng)一般開(kāi)展2～3茬摘果，10月初進(jìn)入落葉始期，至11月初果樹(shù)開(kāi)始進(jìn)入休眠期。

圖3 枸杞作物物候期

2.2 植被指數(shù)選取

植被指數(shù)能增強(qiáng)光學(xué)遙感影像中的植被信息，并被廣泛用于描述生物物理特性的變化[32]。其中歸一化植被指數(shù)(normalized difference vegetation index, NDVI)是監(jiān)測(cè)植被覆蓋度和生長(zhǎng)狀況的最佳指數(shù)，但受計(jì)算方法的影響容易在高植被覆蓋區(qū)產(chǎn)生飽和，而增強(qiáng)植被指數(shù)(enhanced vegetation index，EVI)加入了土壤背景調(diào)節(jié)參數(shù)和大氣修正參數(shù)，能彌補(bǔ)NDVI指數(shù)的不足[33]。使用植被指數(shù)進(jìn)行作物物候期監(jiān)測(cè)時(shí)，如對(duì)地面植被類型及覆蓋度狀況不了解，一般應(yīng)綜合選取NDVI和EVI指數(shù)互為補(bǔ)充[33]，2種植被指數(shù)的計(jì)算公式分別為：

(1)

(2)

式中:ρNIR，ρRed和ρBlue分別為近紅外、紅光波段和藍(lán)光波段的反射率值；L，C1和C2分別為土壤背景調(diào)節(jié)參數(shù)、大氣校正紅光參數(shù)和大氣校正藍(lán)光參數(shù)，其中L=1，C1=6，C2=7.5。

2.3 時(shí)序植被指數(shù)重構(gòu)

受云霧和水汽因素影響，利用Landsat8 OLI和GF-1 WFV影像構(gòu)建的NDVI/EVI時(shí)間序列數(shù)據(jù)會(huì)夾雜大的波動(dòng)和噪聲，需進(jìn)行平滑和去噪[34]，本文使用SG(Savitzky-Golay)濾波[18]，其計(jì)算公式為：

(3)

2.4 分類器構(gòu)建與精度評(píng)價(jià)

在Visual Studio Code軟件中使用sklearn (Scikit-learn)，LightGBM和XGBoost等第三方庫(kù)，實(shí)現(xiàn)了LightGBM，GBDT，XGBoost，RF，SVM和MLPC分類器搭建。當(dāng)前集成學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)，它具有準(zhǔn)確性高、速度快、參數(shù)少等優(yōu)點(diǎn)，已在葉綠素反演和森林地上生物量估算等方面開(kāi)展了應(yīng)用[35-36]，其中LightGBM，GBDT和XGBoost均是在Boosting集成學(xué)習(xí)方式基礎(chǔ)上的改進(jìn)算法，但在基分類器、列采樣方式、決策樹(shù)生長(zhǎng)策略、殘差擬合方法和并行策略等方面存在差異[37]； RF是以決策樹(shù)作為基分類器，并采用bagging方式進(jìn)行集成的，能夠處理高維數(shù)據(jù)，并且無(wú)需大訓(xùn)練樣本、反復(fù)的模型訓(xùn)練和參數(shù)調(diào)整便能獲取較好的分類精度[37]； SVM和MLPC是典型的非參數(shù)化機(jī)器學(xué)習(xí)方法，相比傳統(tǒng)的參數(shù)化方法具有較強(qiáng)的學(xué)習(xí)及泛化能力，適用于土地利用、作物分類和參量反演等場(chǎng)景[38]。

使用sklearn庫(kù)中的樣本分割方法，按照2∶8將樣本集隨機(jī)劃分為測(cè)試集和訓(xùn)練集。同時(shí)分類器訓(xùn)練時(shí)超參數(shù)的設(shè)定對(duì)于模型分類效果影響十分關(guān)鍵，一般在參數(shù)集合較大時(shí)采用隨機(jī)格網(wǎng)搜索法能夠高效選定候選超參數(shù)，文中設(shè)定10折交叉驗(yàn)證和10次重復(fù)來(lái)評(píng)估超參數(shù)值的所有可能組合。通過(guò)實(shí)驗(yàn)LightGBM的boosting類型設(shè)定為GBDT，并對(duì)學(xué)習(xí)率、最大葉子節(jié)點(diǎn)數(shù)、樹(shù)深度和子模型樹(shù)設(shè)定值范圍并進(jìn)行尋優(yōu)； GBDT和RF均對(duì)學(xué)習(xí)率、樹(shù)節(jié)點(diǎn)分裂最小樣本數(shù)、樹(shù)終節(jié)點(diǎn)最少樣本數(shù)、樹(shù)深度和子模型樹(shù)參數(shù)進(jìn)行尋優(yōu)； XGBoost中設(shè)定類別數(shù)為7，對(duì)樹(shù)深度、學(xué)習(xí)率和損失函數(shù)進(jìn)行尋優(yōu)； SVM的核函數(shù)設(shè)定為徑向基函數(shù)，并對(duì)懲罰系數(shù)進(jìn)行尋優(yōu)； MLPC對(duì)隱含層樹(shù)及節(jié)點(diǎn)數(shù)、激活函數(shù)、權(quán)重優(yōu)化器和學(xué)習(xí)率進(jìn)行尋優(yōu)。

精度評(píng)價(jià)主要從像素尺度出發(fā)通過(guò)構(gòu)建混淆矩陣，計(jì)算總體分類精度(overall accuracy,OA)、制圖精度(producer accuracy,PA)、用戶精度(user accuracy,UA)和Kappa系數(shù)進(jìn)行分類精度評(píng)價(jià)[39]。

2.5 分類特征重要性評(píng)估

利用sklearn中的元轉(zhuǎn)換器并與LightGBM，GBDT，XGBoost和RF分類器的特征重要性評(píng)分方法配合，用于評(píng)估不同時(shí)相NDVI/EVI特征在作物分類中的重要性。而SVM和MLPC分類器缺乏特征重要性評(píng)分能力，利用單變量特征選擇通過(guò)對(duì)單變量的統(tǒng)計(jì)測(cè)試來(lái)抉擇較好的分類特征。

3 結(jié)果與分析

3.1 時(shí)序植被指數(shù)曲線特征

采用SG方法逐像元重建了時(shí)序NDVI/EVI圖像，并利用地面調(diào)查樣點(diǎn)提取了研究區(qū)內(nèi)7種地物類型的平均時(shí)序NDVI/EVI曲線(圖4)，經(jīng)過(guò)分析重建后的NDVI/EVI曲線更加平滑，消除了“鋸齒”和“毛刺”等噪聲，表明SG方法具有較好的濾波和特征保持能力； 壯齡/幼齡期枸杞在不同生長(zhǎng)階段，其NDVI/EVI曲線表現(xiàn)的物候特征變化趨勢(shì)較為接近，但增減幅度存在差異，如壯齡期與幼齡期枸杞在休眠期NDVI/EVI值均為最低，5月上旬—中旬枸杞由芽開(kāi)放期轉(zhuǎn)至展葉盛期，該階段NDVI/EVI曲線上升趨勢(shì)遲緩，5月下旬—6月下旬，枸杞由春梢開(kāi)始生長(zhǎng)至春梢開(kāi)花盛期，該階段NDVI/EVI曲線均呈快速增長(zhǎng)，但壯齡期枸杞增幅較大，7月中旬—8月中旬為夏果形成與成熟期，該階段枸杞NDVI/EVI曲線均達(dá)到峰值并保持穩(wěn)定，其中壯齡期枸杞峰值高于幼齡期。9月中旬—下旬枸杞由秋果成熟盛期逐漸過(guò)渡至落葉始期，枸杞NDVI/EVI曲線逐漸開(kāi)始降低。而到11月上旬，枸杞進(jìn)入落葉盛期，枸杞NDVI/EVI曲線持續(xù)快速下降，伴隨氣溫驟降以及降雪過(guò)程的來(lái)臨，枸杞進(jìn)入休眠期。研究區(qū)內(nèi)行道樹(shù)和沼澤地植被NDVI/EVI曲線也均表現(xiàn)出明顯的物候特征，其中在田間道路兩旁種植的行道樹(shù)主要以挺直高大的新疆楊為主，生長(zhǎng)期內(nèi)NDVI/EVI值均高于枸杞等其他植被類型，而沼澤地植被的NDVI/EVI值也略高于幼齡期枸杞； 研究區(qū)內(nèi)公路、城鎮(zhèn)和戈壁灘非植被類型的NDVI/EVI值均低于0.2，并且無(wú)明顯峰谷特征。

(a) NDVI曲線 (b) EVI曲線

圖4 NDVI和EVI曲線

3.2 時(shí)序植被指數(shù)曲線可分性

對(duì)比分析時(shí)序NDVI/EVI曲線對(duì)于枸杞等不同植被類型間的區(qū)分程度發(fā)現(xiàn)，因NDVI和EVI指數(shù)的計(jì)算公式導(dǎo)致同一類型的時(shí)序NDVI曲線值較EVI值整體偏高[19]。7種類型的時(shí)序NDVI/EVI曲線特征均存在差異，但是壯齡期枸杞與行道樹(shù)在時(shí)序EVI曲線中的差異更加明顯，并主要表現(xiàn)在枸杞生長(zhǎng)期后期(8月下旬—11月上旬)。為定量分析NDVI/EVI指數(shù)在枸杞作物不同生長(zhǎng)期內(nèi)表現(xiàn)的差異性，選取壯齡期枸杞的NDVI/EVI時(shí)序曲線，并計(jì)算枸杞下一生長(zhǎng)期與當(dāng)前時(shí)期NDVI/EVI指數(shù)的增加或減少幅度，結(jié)果如圖5所示，分析發(fā)現(xiàn)在枸杞芽開(kāi)放期至開(kāi)花盛期(5月11日—6月28日，生長(zhǎng)初期)，EVI與NDVI指數(shù)增幅呈快速上升趨勢(shì)，而后在枸杞夏果形成至成熟盛期(7月14日—8月2日，生長(zhǎng)中期)，EVI與NDVI指數(shù)增幅降低其數(shù)值達(dá)到生長(zhǎng)期內(nèi)最大，在枸杞秋果形成至落葉盛期(8月14日—11月3日，生長(zhǎng)中后期)，EVI和NDVI指數(shù)降幅逐漸呈上升趨勢(shì)?？傮w而言，EVI指數(shù)曲線相較于NDVI指數(shù)曲線在枸杞物候期的前期和中期增幅均較大，兩者差異并不明顯，而在中后期EVI指數(shù)曲線的降低幅度明顯高于NDVI指數(shù)曲線，兩者差異逐漸顯現(xiàn)。

圖5 NDVI及EVI指數(shù)增加與減少幅度

3.3 分類結(jié)果與精度評(píng)價(jià)

3.3.1 分類結(jié)果

利用NDVI/EVI時(shí)序數(shù)據(jù)采用6種分類器進(jìn)行枸杞種植區(qū)分類，結(jié)果如圖6及圖7所示，在12種分類結(jié)果中各地物類型的細(xì)節(jié)展現(xiàn)總體較好，其中幼齡期枸杞種植區(qū)連片分布在農(nóng)場(chǎng)南部，多為新開(kāi)墾的枸杞幼苗種植區(qū)，壯齡期枸杞分布在農(nóng)場(chǎng)大部地區(qū)，并被行道樹(shù)分割呈現(xiàn)規(guī)則的棋盤(pán)狀分布，上述3種類型邊界提取完整且準(zhǔn)確。沼澤地主要分布在農(nóng)場(chǎng)的北部，南部為廣闊的戈壁灘，而城鎮(zhèn)主要散落分布在枸杞種植區(qū)內(nèi)，上述4種類型在部分分類結(jié)果中出現(xiàn)了相互混淆。對(duì)農(nóng)場(chǎng)南部國(guó)道G109的提取存在間斷并易出現(xiàn)碎斑，其原因?yàn)榈缆穼挾容^窄采用30 m空間分辨率影像對(duì)其識(shí)別能力存在不足。

(a) LightGBM分類結(jié)果(b) GBDT分類結(jié)果

(c) XGBoost分類結(jié)果(d) RF分類結(jié)果

(e) SVM分類結(jié)果(f) MLPC分類結(jié)果

圖6 基于NDVI時(shí)序數(shù)據(jù)的分類結(jié)果

(a) LightGBM分類結(jié)果(b) GBDT分類結(jié)果

(c) XGBoost分類結(jié)果(d) RF分類結(jié)果

(e) SVM分類結(jié)果(f) MLPC分類結(jié)果

圖7 基于EVI時(shí)序數(shù)據(jù)的分類結(jié)果

3.3.2 精度評(píng)價(jià)

對(duì)12種分類結(jié)果進(jìn)行精度驗(yàn)證與對(duì)比，結(jié)果如圖8及圖9所示，分析表明以LightGBM+EVI的OA最高達(dá)到91.67%，Kappa系數(shù)為0.90，其對(duì)幼齡期枸杞和壯齡期枸杞的PA分別為91.0%和98.0%，而MLPC+EVI的OA最低為83.33%，Kappa系數(shù)為0.81，但對(duì)幼齡期枸杞和壯齡期枸杞的PA也分別達(dá)到82.0%和89.0%，表明上述6種分類器與2種分類數(shù)據(jù)組合均能實(shí)現(xiàn)枸杞種植區(qū)的準(zhǔn)確提取。文中分類結(jié)果按分類精度由高至低依次為： LightGBM+EVI，GBDT+EVI，XGBoost+EVI/GBDT+NDVI，LightGBM+NDVI，XGBoost+NDVI，RF+EVI，RF+NDVI，SVM+EVI，MLPC+NDVI，SVM+NDVI和MLPC+EVI?；?種分類器對(duì)采用NDVI/EVI時(shí)序數(shù)據(jù)下的平均分類精度進(jìn)行對(duì)比分析， LightGBM和GBDT的平均OA均為90.40%，Kappa系數(shù)均為0.89，而分類效果最差的MLPC，其平均OA也達(dá)到84.06%，Kappa系數(shù)為0.82，表明6種分類器對(duì)枸杞種植區(qū)及其他地物類型均有較強(qiáng)區(qū)分能力，按照分類器精度由高至低依次為： LightGBM/GBDT，XGBoost，RF，SVM和MLPC。對(duì)研究區(qū)不同地物類型的精度進(jìn)行分析，在12種分類結(jié)果中幼齡期枸杞的平均PA為91.08%，壯齡期枸杞的平均PA為94.17%，表明選用的分類器均能實(shí)現(xiàn)枸杞種植區(qū)的精準(zhǔn)提取，通過(guò)混淆矩陣分析也存在壯齡期枸杞種植區(qū)易于與沼澤地和行道樹(shù)類型發(fā)生混淆，而幼齡期枸杞易于與戈壁灘產(chǎn)生錯(cuò)分。研究區(qū)內(nèi)行道樹(shù)、公路、戈壁灘和沼澤地的平均PA也較高，分別達(dá)到了86.58%，88.25%，85.00%和85.42%，而6種分類器對(duì)城鎮(zhèn)的提取效果普遍不佳，平均PA僅為79%，農(nóng)場(chǎng)城鎮(zhèn)規(guī)模較小且散落分布，并且其圖像特征也與公路、戈壁灘類型較為接近，當(dāng)影像空間分辨率不足以及分類器區(qū)分能力較差時(shí)易發(fā)生上述類型邊界提取模糊和錯(cuò)分現(xiàn)象。比照NDVI和EVI這2種時(shí)序數(shù)據(jù)的分類效果，在同一分類器下，使用EVI時(shí)序數(shù)據(jù)的OA將高出1.09～2.54個(gè)百分點(diǎn)，同時(shí)在對(duì)壯齡期枸杞、行道樹(shù)和沼澤地等類型進(jìn)行提取時(shí)，采用EVI時(shí)序數(shù)據(jù)的PA較采用NDVI時(shí)序數(shù)據(jù)時(shí)的PA平均高1.70個(gè)百分點(diǎn)。

(a) 基于時(shí)序NDVI的分類器制圖精度(b) 基于時(shí)序EVI的分類器制圖精度

(c) 基于時(shí)序NDVI的分類器用戶精度(d) 基于時(shí)序EVI的分類器用戶精度

(a) 6種分類器總體分類精度(b) 6種分類器Kappa系數(shù)

3.4 分類時(shí)相優(yōu)選與評(píng)價(jià)

通過(guò)模型特征重要性評(píng)分方法分析了不同時(shí)相NDVI/EVI數(shù)據(jù)對(duì)于分類的貢獻(xiàn)程度，并對(duì)優(yōu)選后的部分時(shí)相特征進(jìn)行分類和精度驗(yàn)證，結(jié)果見(jiàn)圖10，其中NDVI-OA與NDVI-Kappa分別為分類器特征選取前模型的OA和Kappa系數(shù)，NDVI-OA-S與NDVI-Kappa-S分別為分類器特征選取后模型的OA和Kappa系數(shù)，分析發(fā)現(xiàn)GBDT+EVI，XGBoost+NDVI，SVM+NDVI，SVM+EVI和RF+EVI共5種分類器與數(shù)據(jù)組合方式下，優(yōu)選5～6個(gè)關(guān)鍵時(shí)相的NDVI/EVI數(shù)據(jù)能獲得與采用全部時(shí)相NDVI/EVI數(shù)據(jù)相同的分類精度，并且GBDT+EVI和XGBoost+NDVI在選取6個(gè)特征后的OA均達(dá)到89.85%，Kappa系數(shù)為0.88，對(duì)幼齡期枸杞和壯齡期枸杞的PA分別為94.0%和96.0%，表明通過(guò)特征優(yōu)選能在保證分類精度的同時(shí)進(jìn)一步降低數(shù)據(jù)冗余。LightGBM通過(guò)特征重要性評(píng)估能夠選擇更少的時(shí)相特征，但對(duì)比特征優(yōu)選前后的OA下降了3～8個(gè)百分點(diǎn)。

(a) 特征選取前后總體分類精度(b) 特征選取前后Kappa系數(shù)

ofmodelsbeforeandaftertheselectionoftemporalfeatures

對(duì)分類器選取的時(shí)相次數(shù)進(jìn)行統(tǒng)計(jì)分析(圖11)，其中6月下旬和9月下旬時(shí)相被選取次數(shù)最多，該時(shí)段分別處于枸杞開(kāi)花盛期和枸杞秋果成熟盛期，應(yīng)為枸杞種植區(qū)分類的關(guān)鍵時(shí)相。同時(shí)通過(guò)對(duì)比NDVI和EVI這2種數(shù)據(jù)源的時(shí)相特征選取分布規(guī)律，針對(duì)EVI數(shù)據(jù)選取的特征時(shí)相集中分布在6—9月，而NDVI時(shí)序數(shù)據(jù)選取的時(shí)相特征集中分布在5—8月。

(a) NDVI(b) EVI

圖11 時(shí)序NDVI/EVI的時(shí)相選擇次數(shù)統(tǒng)計(jì)

4 討論

中高分辨率遙感數(shù)據(jù)為作物識(shí)別提供了豐富數(shù)據(jù)源，同時(shí)蓬勃發(fā)展的集成學(xué)習(xí)方法將推動(dòng)作物識(shí)別精度的提升。首先，文中綜合GF-1 WFV和Landsat8 OLI數(shù)據(jù)進(jìn)行互補(bǔ)以獲取時(shí)序較為完整的植被指數(shù)數(shù)據(jù)，前期宋軍偉等[40]已對(duì)上述2種衛(wèi)星的反射率數(shù)據(jù)進(jìn)行對(duì)比，表明其對(duì)應(yīng)波段均存在顯著相關(guān)，并且對(duì)典型地物類型的可分離性也十分接近。本文在此研究基礎(chǔ)上進(jìn)一步對(duì)其計(jì)算的植被指數(shù)進(jìn)行差異分析，具體是采用相同目標(biāo)區(qū)域的同日過(guò)境數(shù)據(jù)，并對(duì)比分析了影像預(yù)處理前后2種數(shù)據(jù)提取的NDVI/EVI相關(guān)程度(圖12)，結(jié)果表明經(jīng)影像預(yù)處理后提取的GF-1 NDVI/EVI與Landsat8 NDVI/EVI間的相關(guān)性被大幅提高，其決定系數(shù)由0.73～0.74上升至0.97～0.98，表明上述2種傳感器的植被指數(shù)具有較高的一致性，并且在數(shù)據(jù)互補(bǔ)使用過(guò)程中開(kāi)展輻射定標(biāo)、大氣校正、幾何精糾正和異常值剔除等影像預(yù)處理能夠提高數(shù)據(jù)間的一致性，而在后續(xù)研究中可通過(guò)建立GF-1和Landsat8衛(wèi)星對(duì)應(yīng)波段間的轉(zhuǎn)換關(guān)系以更好地消除數(shù)據(jù)源間的差異； 同時(shí)，為獲取準(zhǔn)確且靈敏的植被指數(shù)，選用同類研究中普遍使用的NDVI和EVI指數(shù)，通過(guò)對(duì)比發(fā)現(xiàn)EVI指數(shù)在枸杞生育期的中后期更為靈敏，并與行道樹(shù)等高覆蓋植被類型間的時(shí)序曲線差異更明顯，這與白燕英等[14]認(rèn)為在生育期高峰期和高植被覆蓋下EVI指數(shù)更加靈敏的結(jié)論較為一致。并且為進(jìn)一步分析NDVI和EVI這2種時(shí)序數(shù)據(jù)對(duì)作物分類精度的影響，采用6種分類器進(jìn)行評(píng)估，結(jié)果表明在同一分類器下使用EVI時(shí)序數(shù)據(jù)的分類精度普遍高出1.09～2.54個(gè)百分點(diǎn)，EVI指數(shù)用于作物分類具有更好的區(qū)分性； 最后，選用LightGBM，GBDT，XGBoost，RF，SVM和MLPC 6種分類器和NDVI/EVI這2種時(shí)序數(shù)據(jù)開(kāi)展枸杞種植區(qū)分類，各分類器的平均OA分別為90.4%，90.4%，89.31%，86.96%，85.14%和84.06%。表明4種集成學(xué)習(xí)分類器相較于SVM和MLPC分類器，可獲取更高的作物識(shí)別精度。目前，集成學(xué)習(xí)已在土地利用[41]、葉綠素反演[35]和地上生物量估算[36]方面進(jìn)行應(yīng)用并獲得較好精度，而本研究則表明LightGBM，GBDT，XGBoost和RF分類器在枸杞作物分類中也具有較好適用性。

(a) 預(yù)處理前NDVI點(diǎn)密度 (b) 預(yù)處理后NDVI點(diǎn)密度

(c) 預(yù)處理前EVI點(diǎn)密度 (d) 預(yù)處理后EVI點(diǎn)密度

5 結(jié)論

綜合應(yīng)用Landsat8 OLI和GF-1 WFV影像，構(gòu)建作物生育期內(nèi)時(shí)序NDVI/EVI數(shù)據(jù)，并采用6種分類器對(duì)枸杞種植區(qū)進(jìn)行分類，主要結(jié)論如下：

1)LightGBM，GBDT，XGBoost和RF集成學(xué)習(xí)分類器在枸杞種植區(qū)分類中能夠獲得更高精度，6種分類器精度由高至低依次為： LightGBM/GBDT，XGBoost，RF，SVM和MLPC，在分類結(jié)果中以LightGBM+EVI的OA值最高達(dá)到91.67%，Kappa值為0.90，其對(duì)幼齡期枸杞和壯齡期枸杞的PA值均達(dá)到91%以上。

2)時(shí)序NDVI/EVI數(shù)據(jù)均能較好區(qū)分枸杞作物以及種植區(qū)內(nèi)其他地物類型，但EVI指數(shù)在枸杞作物生長(zhǎng)中后期更為靈敏，并在相同分類器下使用EVI時(shí)序數(shù)據(jù)能夠獲得更好的枸杞制圖精度。

3)選用GBDT，XGBoost和RF分類器的特征重要性評(píng)分方法進(jìn)行NDVI/EVI數(shù)據(jù)分類時(shí)相特征優(yōu)選后，能夠保證在分類精度不損失的同時(shí)降低數(shù)據(jù)冗余提高分類效率。

4)文中僅選用單一年份的4—11月影像構(gòu)建時(shí)序植被指數(shù)數(shù)據(jù)，而在后期研究中應(yīng)考慮使用多年份的時(shí)序數(shù)據(jù)以進(jìn)一步提高分類結(jié)果的可靠性。