GF-7衛(wèi)星多角度特征作物識別

孫智虎，張錦水，洪友堂，楊珺雯，朱爽

1.遙感科學國家重點實驗室 北京師范大學,北京 100875;2.中國地質(zhì)大學(北京) 土地科學技術學院,北京 100083;3.北京市陸表遙感數(shù)據(jù)產(chǎn)品工程技術研究中心,北京 100875;4.北京師范大學 地理科學學部遙感科學與工程研究院,北京 100875;5.北京工業(yè)職業(yè)技術學院,北京 100042

1 引言

2019 年11 月7 日中國成功發(fā)射的GF-7 是繼ZY-3 衛(wèi)星后又一多角度立體測繪衛(wèi)星，空間分辨率達到亞米級，具有1∶10000 比例尺立體測繪能力，能觀測到更為豐富的地物立體特征并可用于高精度的地形數(shù)字產(chǎn)品生產(chǎn)和土地覆蓋制圖，在農(nóng)業(yè)監(jiān)測、林業(yè)管理、城市規(guī)劃等方面具有廣闊的應用前景。

基于高分辨率遙感影像光譜和高清特性進行高精度農(nóng)作物制圖一直是遙感應用領域的重點研究方向。一般而言，作物分類都是需要利用遙感圖像的光譜、空間等特征進行作物的精準識別。如，宋德娟等（2020）基于GF-2影像構建WWRSE深度學習模型，準確提取出冬小麥的種植分布；吳錦玉等（2019）利用GF-2 的光譜特征、植被指數(shù)與多種紋理特征能夠對塑料大棚進行識別；Zhang等（2020）利用GF-1等米級影像構建MPSPNet網(wǎng)絡模型進行大尺度耕地分布提取。這些研究均表明米級/亞米級影像空間特征是能夠準確表達作物的獨有特征，為作物的精準識別提供基礎。

高分辨率立體測繪衛(wèi)星多角度對地觀測能夠反演地形數(shù)據(jù)作為輔助信息支撐地物識別，或構建多角度遙感特征參與分類。如，Tian等（2013）利用Cartosat-1影像生成的DSM（Digital Surface Model）進行工業(yè)區(qū)、林區(qū)的變化檢測提取。Li 等（2016）利用ZY-3 衛(wèi)星影像生成地形數(shù)據(jù)，進行礦區(qū)和農(nóng)業(yè)制圖。Huang等（2014）利用ZY-3提取的DSM及形態(tài)學等特征進行城市的變化檢測識別。Matasci等（2015）利用WorldView-2多角度序列影像，分析影像拍攝角度對城市地區(qū)分類影響。這些研究是通過DSM 表達出地表要素的高度差異作為獨立特征變量支撐信息的提取。另外，Huang等（2018）利用ZY-3 影像，構建多級角差特征支撐城市場景分類，用于提高城市地區(qū)的分類精度。通過這些研究證實，通過立體像對提取DSM 或利用多角度觀測結果生成的空間結構特征能夠提高地物的可辨識能力，是光譜、紋理等特征的有力補充。

Khatami 等（2016）總結了在光譜分類的基礎上紋理特征能將總體分類精度提高12.1%，多角度特征平均提高8%，表明多角度特征對地物識別的貢獻。因此，本文針對GF-7 衛(wèi)星，研究多角度遙感特征對農(nóng)作物精確識別的貢獻，為促進GF-7 影像多角度特征應用到作物遙感制圖中積累研究基礎。

本研究利用GF-7 影像多光譜、前后視影像進行冬小麥、大蒜的識別，重點探討3 個方面的內(nèi)容：（1）分析GF-7 衛(wèi)星影像光譜、紋理和角差特征對地物的表達能力和可分性，重點分析角差特征與其他特征的區(qū)別。（2）利用支撐向量機SVM（Support Vector Machine）分類器進行作物識別，分析不同遙感特征對作物識別的貢獻，尤其是角差特征對作物識別精度的作用。（3）分析作物分類結果的不確定性，評估不同特征作物空間誤差的表達，探討作物專題分類結果不確定性與分類誤差的內(nèi)在關系，探討角差特征與分類結果不確定性之間的關系。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

研究區(qū)位于華北平原中部，山東與河南的交界處，如圖1所示。該地區(qū)屬于溫帶大陸性季風氣候，夏熱冬冷，降水集中在夏季，越冬作物主要是冬小麥和大蒜，夏季作物以玉米為主。對于冬小麥和大蒜，屬同期作物，單用光譜等特征進行識別存在相混，這種現(xiàn)象在中國華北地區(qū)常見，本文探討利用GF-7多角度特征解決這一難題。

圖1 研究區(qū)概況Fig.1 Overview of the study area

2.2 GF-7影像介紹及預處理

GF-7 衛(wèi)星搭載1 臺雙線陣相機和1 臺激光測高儀，其中雙線陣相機具有優(yōu)于0.8 m 空間分辨率的前視、后視全色和優(yōu)于3.2 m 空間分辨率的后視多光譜成像能力，激光測高儀配置有2 波束的1064 nm 激光用于獲取地面30 m 光斑范圍內(nèi)的高程。GF-7 單景遙感影像幅寬20 km，重訪周期為60 d。

衛(wèi)星拍攝時太陽、前視影像、后視影像的方位角和天頂角關系如圖2所示。

圖2 太陽及衛(wèi)星拍攝位置圖Fig.2 Sketch map of the position of the sun and satellites

本研究影像（圖1）獲取時間為2019 年11 月13 日。以Google Earth 影像為地理參考影像，目視選取控制點，將后視全色影像進行幾何配準，隨后將后視多光譜影像和前視全色影像均配準到后視全色影像上，配準誤差小于0.5 個像素。李霖等（2014）、劉會芬等（2014）指出Gram-Schmidt 融合方法（Clayton，1971）能夠有效地繼承多光譜影像的光譜信息和全色影像的空間信息，有利于地物的分類，因此本文選用Gram-Schmidt方法進行后視全色與后視多光譜影像數(shù)據(jù)的融合。本文后面作物分類所采用的光譜和紋理特征均來自于融合影像。

2.3 野外調(diào)查

為掌握研究區(qū)的作物種植情況，2019 年11 月30日—12月1日進行了野外調(diào)查，采用艾爾思公司開發(fā)的“AW 拍”手機APP（iOS、安卓版本可從應用市場下載）采集了682 個樣本點和對應的現(xiàn)場照片，其中冬小麥296個，大蒜226個，其他作物34個，林地26個，草地20個，裸地58個，其他22個。基于采樣點位置信息及照片信息，共數(shù)字化出36個野外調(diào)查樣方（圖3），其中351 個冬小麥、216 個大蒜、842 個其他地塊（包括建筑、裸地、其他作物、林地、草地和水域），地塊分布見圖1。以矢量地塊范圍和屬性為基礎，構建作物分類的檢驗樣本，樣本數(shù)量和類型見表1。

表1 訓練樣本與檢驗樣本Table 1 Training and test dataset

圖3 地塊矢量構建示意圖Fig.3 Schematic diagram of parcel vector construction

通過野外調(diào)查了解到，該研究區(qū)內(nèi)的冬小麥播種時間跨度時間較長，絕大部分冬小麥處于分蘗期（圖3（Ⅱ）、圖3（Ⅲ）），仍有少部分冬小麥處于出苗期。大蒜是種植面積僅次于冬小麥的農(nóng)作物，在調(diào)查期內(nèi)其表面覆有白色地膜，如圖3（Ⅰ）所示。從調(diào)查圖片可以看出，大蒜在這一時期的高度與冬小麥相差不多，不同之處在于大蒜壟間間隔較冬小麥寬，背景裸土信息暴露更多，且有地膜附著地面。

3 研究方法

3.1 技術流程

本文技術流程如圖4所示，主要包括：影像預處理、特征和訓練集測試集構建、不同特征組合的SVM 分類、精度評價以及分類結果不確定性的定量評價。

圖4 實驗流程圖Fig.4 Experiment flow chart

3.2 樣本集構建

該研究區(qū)主要地物類型有冬小麥、大蒜、蔬菜（大蔥、花椰菜、甘藍等）、建筑（居住地、道路、蔬菜大棚、廠房等）、裸地（裸露的地表和休耕地）、水域（河流和池塘等）和草地，各類型在影像上呈現(xiàn)的特征如圖5所示。

圖5 研究區(qū)地物類型影像特征Fig.5 Image characteristics of land cover types in the study area

已有研究表明，遙感制圖精度高低與分類器和訓練樣本相關（Khatami 等，2016；朱爽 等，2014）。為保證樣本的代表性，在外業(yè)實測樣本的支持下，我們以10 像素×10 像素框在影像上均勻地選擇出解譯單元進行地物類型的識別，構建訓練樣本，其像元數(shù)量見表1。分類體系定義為冬小麥、大蒜和其他（包含其他作物、林地、草地、裸地、水域和建筑）。

3.3 特征數(shù)據(jù)集

本研究綜合考慮光譜、紋理和多角度特征進行作物分類，分析不同特征對作物分類精度的影響。

3.3.1 角差特征

各種土地覆蓋在太陽光照射下會呈現(xiàn)出一定程度的光譜反射各向異性（Su 等，2007）。GF-7衛(wèi)星從前、后視角度觀測地表，依據(jù)雙向反射分布函數(shù)BRDF（Bidirectional Reflectance Distribution Function）（Roujean 等，1992；Schaepman-Strub 等，2006）的原理可知，多角度影像能夠反映出地物的雙向反射差異特征差異，以及地物的結構信息（Chopping 等，2008），這一特征信息稱為角差特征。角差特征是基于同種地物具有穩(wěn)定的BRDF，而不同空間結構的地物BRDF有所不同，與光譜特征一樣，是地物區(qū)分其他地物特有的特性（Huang等，2018）。因此，本文將GF-7 衛(wèi)星影像提取的角差作為一個衡量地物的空間維度特征，見式（1）：

式中，F(xiàn)WDpan為前視全色影像，BWDpan為后視全色影像。

3.3.2 紋理特征

灰度共生矩陣是由觀測窗口、像元移動步長和方向、分布概率的灰度等級定義的一種統(tǒng)計分析方法（Lan 和Liu，2018），是紋理特征的量化指標（Haralick，1979）。

本文為消除特征維度冗余帶來的數(shù)據(jù)維度災難（楊閆君 等，2018），對融合影像進行主成分分析，第一主成分波段分量占影像信息的78.05%，因此這一分量信息能夠代表整個圖像，進一步提取第一主成分波段的8種獨立紋理特征，包括均值（Mean）、方差（Variance）、均一性（Homogeneity）、對比度（Contrast）、相異性（Dissimilarity）、信息熵（Entropy）、二階矩（Second Moment）和相關度（Correlation）（張錦水 等，2007）。

朱秀芳等（2019）指出紋理窗口對地物紋理特征表達影響較大。本文設置了3×3、5×5、7×7、9×9、11×11、13×13、15×15 的不同窗口提取紋理特征，進行SVM 構建和作物識別，并使用檢驗樣本評估冬小麥和大蒜的精度（Congalton，1991）。采用兩種作物制圖精度與用戶精度之和的均值作為評價指標來確定最優(yōu)窗口。經(jīng)測試，3×3 窗口的紋理特征是用于作物分類最優(yōu)的（圖6）。

3.3.3 特征組合

光譜、角差和紋理是從不同維度表達作物特征，表2列出了本文所采用的所有特征。采用不同的特征組合進行作物分類以驗證不同特征對作物分類結果的影響是常用的策略（于婉婉 等，2021）。本文以光譜為基礎特征，分別分析紋理特征和角差特征對分類精度的影響，特征組合包括：A、A+B、A+C和A+B+C。

表2 作物分類遙感特征Table 2 List of feature variables of crop mapping classification

3.4 SVM參數(shù)優(yōu)化

SVM常應用于圖像識別領域，通過線性（linear）、多項式（polynomial）、sigmoid、rbf（Gaussian）等核函數(shù)（Chang 和Lin，2011）將數(shù)據(jù)映射到高維空間，對數(shù)據(jù)集進行線性非線性劃分，構建幾何間隔最大的超平面，找到各類別之間的最優(yōu)分界線以期最大程度劃分數(shù)據(jù)集，在農(nóng)作物遙感分類中得到廣泛的應用（Khatami等，2016）。

本文基于Python scikit-learn 庫進行模型訓練和預測推斷，采用網(wǎng)格搜索和10 折交叉驗證方法來尋找RBF核函數(shù)的最優(yōu)參數(shù)cost和gamma（Li等，2016；Duro等，2012），結果見表3。

表3 不同特征組合SVM優(yōu)選參數(shù)Table 3 Optimal parameters of SVM classification with different feature combinations

3.5 精度評價

以數(shù)字化的野外調(diào)查樣方結果作為檢驗樣本（表1），與分類結果進行對比，構建混淆矩陣（Congalton，1991），評估不同特征組合的SVM 分類結果的總體精度、Kappa系數(shù)，冬小麥和大蒜的制圖精度、用戶精度。

3.6 McNemar檢驗

McNemar 檢驗是基于自由度為一的卡方檢驗（Waldner 等，2015），比Z-test 具有更高的精度和敏感性，適用于相同數(shù)據(jù)（Alshehhi 等，2017）檢驗來檢驗實驗結果準確性差異是否具有統(tǒng)計學意義（Waldner 等，2015），也就是要回答“方法A識別精度比方法B精度高，是否通過顯著性檢驗”，而不是簡單利用精度指標的高低評價方法之間的優(yōu)劣。

McNemar 檢驗是基于不同特征組合分類器的分類結果對各像素的一致性假設，即判斷各分類器是否將同一單個像素劃分為同一類別，計算公式如下：

針對對應的每個像元，式中，n12代表組合1分類器正確分類但組合2 分類器錯誤分類的像元個數(shù)，n21正好相反。

本文將McNemar 檢驗用于在95%置信度下檢驗不同特征組合的農(nóng)作物識別結果是否有顯著性差異，從而證實方法間分類精度差異的可行度。

3.7 分類不確定性表達

上面的精度評價方法能夠表達出專題圖的整體分類精度（Foody，2002），但無法體現(xiàn)出空間誤差的分布。信息熵可以綜合不同來源誤差，用一個數(shù)字表達不確定性的分布和程度（Dehghan 和Ghassemian，2006），信息熵被用來量化表達遙感分類結果的不確定性（Foody 和Atkinson，2002；Dehghan 和 Ghassemian，2006）。本文針對不同分類特征組合的不確定性結果，從空間異質(zhì)性上分析各種特征對分類結果精度的影響，從中分析作物精度影響的內(nèi)在機理。

分類器對于最終類別的歸屬概率可以描述分類的不確定，但這忽略了其他類別的歸屬概率（Waldner 等，2015）。Dehghan 和Ghassemian（2006）提出利用熵來綜合反映分類結果的不確定性。按照式（3）計算每一個分類像元x的熵：

式中，n代表分類的類別數(shù)，pi（x）代表像元為第i種地物類型的概率。

本文進一步采用Waldner 等（2015）提出的歸一化不確定性NUC（Normalized Uncertainty Criteria）計算方法來表達像元的不確定性，如式（4）所示：

式中，M代表分類規(guī)則所劃分類別的總數(shù)。NUC（x）值越高，分類結果越不確定。

4 結果分析

4.1 特征差異分析

4.1.1 角度差異分析

依據(jù)各地物類型角差值的概率分布圖（圖7），分析角差特征對冬小麥、大蒜、其他作物、林地、草地、裸地、建筑和水域等地物的表達能力。大蒜和水體角差值幾乎全部大于0，這是衛(wèi)星前視觀測接收到太陽光的反射要高于后視觀測，大蒜和水體表面有一定的鏡面反射特性。劉小珊（2015）指出，對于土壤，當探測器方向與光源方向相同，探測器接收的能量是光源直接照射部分，土壤顆粒之間的陰影很少，后向反射能量高于前向反射能量，因此其角差值為負，這對于冬小麥、其他作物、林地、草地的角差值大部分為負是同理的。這樣的多角度反射差異與太陽入射方向、衛(wèi)星接收高度角以及地物類型所特有的表面結構特性有關。

圖7 地物類型角差值概率分布Fig.7 Probability distribution of angular difference value of land cover types

大蒜的角差值遠高于冬小麥、其他作物、林地、草地和裸地，大蒜與這些地物類型的角差值分布幾乎沒有重疊，這是由于大蒜種植區(qū)域覆有白色地膜具有較強的鏡面反射特性，從而使得大蒜種植區(qū)域與其他地物具有顯著的角差反射差異，可見通過角差特征可有效地區(qū)分大蒜與這幾種地物。大部分情況下，冬小麥的角差值大于裸地、其他作物和草地，小于大蒜和水域，在分布上沒有或僅有少部分重疊，這是通過角差特征將冬小麥與其他幾種地物有效區(qū)分的基礎。

大蒜角差值分布與水域和建筑有較多的重疊，冬小麥角差值與林地、建筑有較多的重疊部分，若僅通過角差特征識別農(nóng)作物，則這些地物之間會產(chǎn)生一定的混淆。

冬小麥和大蒜角差值分布集中，說明研究區(qū)冬小麥和大蒜具有相對穩(wěn)定的BRDF，類內(nèi)穩(wěn)定的角差特征有利于作物識別。林地、建筑和水域角差值分布離散，是由于其類內(nèi)形態(tài)有較大差異，特征信息表達存在波動性。

裸地的角差值最小，與其余地物存在明顯的不同。其他作物與草地角差值分布大部分都有重疊，角差特征難以區(qū)分這兩種地物。建筑區(qū)域的角差值集中在0值附近分布，且多為正值，這可能是建筑物三維特征更為明顯導致的。

4.1.2 空間特征差異分析

依據(jù)min-max 標準化方法計算特征歸一化值，統(tǒng)計得到地物類型的特征均值、標準差圖（圖8），以分析不同地物空間特征的可分性。圖8中箱型圖橫線值為均值，上下端與中間橫線的差距表示標準差，圖形上下幅度差異越大異質(zhì)性越強。其他作物、林地、水體和建筑在各特征上標準差較大，是由于它們的類內(nèi)形態(tài)具有較大的差異。

圖8 地物類型的特征均值、標準差圖Fig.8 Mean and standard deviation chart of land cover type

冬小麥與大蒜在藍光、綠光和紅光波段上有顯著的差異，說明冬小麥與大蒜光譜上具有一定的可分性；冬小麥的均值特征大部分小于大蒜和其他作物，衛(wèi)星接收到冬小麥種植區(qū)域的地物反射能量較??；近紅外特征可反映農(nóng)作物的生長旺盛程度，冬小麥的近紅外特征小于其他作物；冬小麥與林地在光譜特征上混淆較大，而在均一性、相異性、二階矩和信息熵特征有顯著差異。

圖8顯示出大蒜在綠光特征與林地、草地僅有少部分重疊，綠光特征可將大蒜與林地、草地區(qū)分；大蒜與各類土地覆蓋物在8種紋理特征上大都有較多的重疊，這種混淆是和當?shù)刈魑锓N植環(huán)境及作物生長階段相關，因此加入紋理特征會造成信息冗余將會影響大蒜的識別精度。

4.2 分類結果及精度評價

圖9是不同特征組合分類結果及其不確定性評估結果，用以整體顯示不同特征尤其是角差特征對分類結果和不確定性的影響。圖9中不確定性評估結果呈現(xiàn)出明顯的邊界效應，這可能是由于本文研究的GF-7 影像處于在軌測試時期，其數(shù)據(jù)存在部分問題。

圖9 不同特征組合識別結果及不確定性評估分布圖Fig.9 SVM classification result and uncertainty evaluation map of feature combination

表4為4種特征組合（見2.3.3章節(jié)）分類的混淆矩陣，并以此計算出分類的總體精度、Kappa系數(shù)以及冬小麥和大蒜的制圖精度、用戶精度，得到圖10分類精度對比圖。

表4 特征組合分類混淆矩陣Table 4 Confusion matrix of feature combination classification

圖10 特征組合分類精度對比圖Fig.10 Comparison chart of classification accuracy of feature combination

對冬小麥識別結果，A+C 特征比A 特征具有更高的識別精度，制圖精度提升了4.47%，用戶精度提升了3.37%。從混淆矩陣看，精度提升主要是冬小麥與其他類別之間錯入錯出的減少，這說明紋理特征能顯著增強冬小麥與其他地物類型之間的差異。在所有組合中，A+B+C 特征集能夠取得最高的作物分類制圖精度和用戶精度，這說明角差特征是冬小麥識別的一個重要判別因素，角差特征與紋理特征的結合更加有利于改進冬小麥識別精度。分析發(fā)現(xiàn)冬小麥的制圖精度略低，是由于研究區(qū)種植的冬小麥大部分剛播種，部分冬小麥光譜特征與裸地的光譜特征較為相近。

對大蒜識別結果，A+B 特征比A+C 特征取得了更高的識別精度，制圖、用戶精度分別提升了4.58%、7.36%，是由于大蒜的雙向反射差異與其余地物顯著不同（圖7），角差特征對于大蒜這種覆有地膜情形能夠有效地進行表達。在A+B 特征集基礎上增加紋理特征會導致大蒜的用戶精度降低2.25%，冗余的紋理特征加入不利于大蒜的識別。

4.3 McNemar檢驗分析

為進一步分析不同組合分類精度的顯著性，針對A、A+B、A+C、A+B+C 特征集構建的SVM 分類器，以驗證樣本的SVM 分類結果為統(tǒng)計對象，分別兩兩之間進行McNemar檢驗。

對不同特征組合的分類器分類結果進行對比得到檢驗結果（表5），其中f12代表精度評價樣本中分類器1 錯誤分類而分類器2 正確分類的像元數(shù)量，f21 則相反。各組合特征的McNemar 檢驗結果X2值均大于10.83（p<0.001），均通過顯著性檢驗，說明不同特征組合的分類結果彼此間具有顯著性差異，新特征的加入對作物分類精度的提升是穩(wěn)定且可信的。

表5 不同特征組合分類McNemar檢驗結果Table 5 McNemar test results for the classification of feature combination

4.4 分類結果不確定分析

Waldner 等（2015）指出了正確分類的像素傾向于顯示相對較低的不確定性值，表達出空間誤差的分布情況。在研究區(qū)東北和西南地區(qū)隨機選取1 個子區(qū)（子區(qū)位置見圖1），分析不同特征組合分類結果及其不確定性，見圖11。

圖11 分類結果及不確定性分析圖Fig.11 Classification results and uncertainty sample level analysis

在Ⅰ、Ⅱ子區(qū)內(nèi)，特征集A、A+B 分類結果存在把冬小麥地塊內(nèi)的部分區(qū)域錯分為其他類別的情況，這些區(qū)域不確定性值基本大于0.5，而A+C和A+B+C 特征組合改善這種錯分情況，降低了這些區(qū)域的不確定性。

在冬小麥地塊區(qū)域，基于特征集A+C識別的不確定性略低于特征集A+B，發(fā)現(xiàn)特征集A+C能夠取得更好的分類結果。特征集A+B+C的分類不確定性值絕大部分小于0.5，其對冬小麥地塊的劃分更加完整，角差特征與紋理特征結合可以有效提高冬小麥的識別精度，這也與定量化評價相吻合。

對大蒜的分類結果分析，特征集A+B 和A+B+C 在大蒜區(qū)域的不確定性值基本小于0.6，相對于特征集A 和A+C 具有更低的分類不確定性，大蒜識別結果也更加準確；A+B 和A+B+C 特征組合在大蒜地塊的少部分區(qū)域產(chǎn)生錯分現(xiàn)象，將大蒜錯分為其他地物，是由于這部分大蒜種植較晚導致其光譜信息與裸地相似，這些錯分區(qū)域不確定性值大于0.6。

在子區(qū)Ⅰ、Ⅱ，特征集A 分類結果顯示林地地塊區(qū)域分類結果表現(xiàn)出較高的不確定性，同時林地過多的被分為冬小麥，在特征集A+C、A+B+C分類結果中，林地的不確定性顯著降低，林地區(qū)域僅有極少部分劃分為了冬小麥。說明紋理特征所提取出的地物水平結構的差異是區(qū)分林地與冬小麥的關鍵，而角差特征刻畫出的地物垂直結構差異可作為紋理特征的補充，為作物準確識別提供可靠的信息。

5 結論

本文通過組合GF-7 衛(wèi)星影像的光譜特征、紋理特征和角差特征對冬小麥、大蒜識別的影響，證明了GF-7 多角度特征對于農(nóng)作物識別的作用。主要結論如下：

（1）GF-7 衛(wèi)星影像的角差特征能顯著增加地物之間的可區(qū)分度。較僅用光譜特征，光譜與角差特征組合使用大蒜和冬小麥的制圖精度分別提高了4.07%和3.15%，用戶精度分別提高了6.73%和2.12%；較光譜+紋理特征組合，光譜+紋理+角差特征組合使用大蒜和冬小麥的制圖精度分別提高了3.14%和1.01%，用戶精度分別提高了5.11%和0.67%，證明了融入角差特征在一定程度上能提高作物的識別精度。

（2）通過McNemar 檢驗不同特征組合的分類結果，證實各特征組合的分類結果差異具有統(tǒng)計學意義，角差特征和紋理特征的加入對農(nóng)作物識別結果的影響在95%置信度內(nèi)是可靠的，為利用多角度遙感影像選擇不同特征組合進行作物識別提供了依據(jù)。

（3）基于分類器熵值的不確定性結果能直觀反映出冬小麥和大蒜識別結果的空間誤差分布情況，光譜特征+紋理特征+角差特征組合的分類結果整體不確定性值最低，分類結果可靠。

本文研究結果為推進利用GF-7 衛(wèi)星多角度特征提高作物識別能力打下了基礎。今后研究將圍繞以下方面開展工作：當農(nóng)作物生長中期階段，探討GF-7 多角度影像提取作物高度對作物識別的影響；紋理特征為大蒜的分類帶來了混淆，究其原因以及解決辦法仍需要深入地探討；進一步從多時相、不同作物生長農(nóng)業(yè)環(huán)境的角度出發(fā)，分析多角度影像在整個物候期表現(xiàn)出的空間結構特征變化，這將進一步豐富應用多角度特征進行作物識別的理論基礎。