基于多源遙感特征融合與卷積神經(jīng)網(wǎng)絡(luò)(CNN)的丘陵地區(qū)水稻識(shí)別

曾學(xué)亮, 郭 熙, 鐘 亮, 吳 俊

(1.江西農(nóng)業(yè)大學(xué)國(guó)土資源與環(huán)境學(xué)院,江西 南昌 330045; 2.江西省鄱陽(yáng)湖流域農(nóng)業(yè)資源與生態(tài)重點(diǎn)實(shí)驗(yàn)室,江西 南昌 330045)

水稻作為中國(guó)重要的糧食作物之一[1],其種植面積和產(chǎn)量是影響中國(guó)農(nóng)業(yè)經(jīng)濟(jì)的重要因素。南方丘陵地區(qū)作為中國(guó)水稻種植的主要區(qū)域之一,在水稻生產(chǎn)中有重要地位[2],因此,及時(shí)、準(zhǔn)確地獲取丘陵地區(qū)水稻種植面積尤為重要。傳統(tǒng)作物面積統(tǒng)計(jì)方式以抽樣調(diào)查、實(shí)地測(cè)量等為主,但是這些方法在調(diào)查時(shí)不但效率低、成本高,而且準(zhǔn)確率也有待提高[3-4]。隨著遙感技術(shù)的發(fā)展,使用遙感信息及時(shí)、準(zhǔn)確地對(duì)水稻種植區(qū)域進(jìn)行識(shí)別是重要的做法。然而,丘陵地區(qū)地形環(huán)境復(fù)雜,耕地斑塊不規(guī)則,水稻空間分布破碎化嚴(yán)重,水稻識(shí)別難度較大[5],因此,探究適用于丘陵地區(qū)的水稻種植區(qū)遙感識(shí)別方法具有重要意義。

根據(jù)數(shù)據(jù)源的不同,水稻遙感識(shí)別可分為單一遙感數(shù)據(jù)源、時(shí)間序列遙感數(shù)據(jù)源、多源遙感數(shù)據(jù)融合等方法[6-7]。根據(jù)選用分類特征變量的不同,又可分為基于影像、單一特征變量、多特征變量等的識(shí)別[8]。對(duì)于大尺度區(qū)域水稻的提取,常使用中分辨率成像光譜儀(MODIS)、美國(guó)國(guó)家海洋大氣局第三代實(shí)用氣象觀測(cè)衛(wèi)星(NOAA)等中低分辨率衛(wèi)星數(shù)據(jù);對(duì)于中等尺度或小尺度范圍水稻的提取,使用較廣泛的是Landsat、H-J等中高分辨率衛(wèi)星數(shù)據(jù)[9]。但對(duì)于南方丘陵地區(qū),基于MODIS等中低分辨率或Landsat等中高分辨率數(shù)據(jù)的水稻識(shí)別精度顯然不能滿足實(shí)際生產(chǎn)要求。目前,Sentinel-2衛(wèi)星影像數(shù)據(jù)由于具有較高空間分辨率、重返周期短、具有多個(gè)光譜波段信息等優(yōu)勢(shì),已經(jīng)被廣泛用于農(nóng)作物識(shí)別[10],此外,高分辨率衛(wèi)星遙感影像憑借其高空間分辨率的特點(diǎn),在近年的研究中得到了廣泛運(yùn)用[11]。

在水稻遙感識(shí)別的分類算法中,傳統(tǒng)監(jiān)督分類算法有馬氏距離法(Mahalanobis distance,MD)、最大似然法(Maximum likelihood,MLC)等,機(jī)器學(xué)習(xí)算法主要有隨機(jī)森林(Random forest,RF)法、支持向量機(jī)(Support vector machine,SVM)法等。在丘陵地區(qū),水稻田塊的破碎化和遙感影像的異質(zhì)化現(xiàn)象導(dǎo)致分類結(jié)果更加復(fù)雜[11],傳統(tǒng)的分類算法對(duì)于水稻種植區(qū)的識(shí)別存在穩(wěn)定性和適用性不足[12]、分類精度不能滿足實(shí)際生產(chǎn)要求等問題。深度學(xué)習(xí)可以從要素之間的復(fù)雜非線性關(guān)系中挖掘特征和進(jìn)行自動(dòng)化學(xué)習(xí),實(shí)現(xiàn)高效率運(yùn)算,已逐步成為遙感影像分類和圖像識(shí)別領(lǐng)域研究的新熱點(diǎn)[13]。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)是遙感分類中最常用的深度學(xué)習(xí)算法之一,相對(duì)其他算法在遙感影像分類中具有較大的優(yōu)勢(shì)[14]。

目前,國(guó)內(nèi)外研究者對(duì)水稻遙感識(shí)別進(jìn)行了大量研究并取得了不錯(cuò)的成果,但中國(guó)南方丘陵地區(qū)水稻種植受地形、氣候等條件的限制,云霧天氣較多,稻田呈現(xiàn)規(guī)模小、破碎分散的特點(diǎn),水稻遙感識(shí)別存在困難,因此選擇合適的數(shù)據(jù)源和分類算法進(jìn)行水稻遙感識(shí)別對(duì)于獲取丘陵區(qū)水稻種植信息尤為重要。此外,利用CNN算法結(jié)合多源遙感特征數(shù)據(jù)對(duì)中國(guó)南方丘陵地區(qū)的水稻進(jìn)行識(shí)別的研究較少。因此,本研究擬以地處丘陵區(qū)的江西上高縣為研究區(qū),基于Sentinel-2與GF-1衛(wèi)星遙感影像,結(jié)合光譜波段特征、指數(shù)特征、紋理特征和地形特征等特征變量,篩選與水稻分離度較高的優(yōu)選特征,利用CNN分類算法,借助Sentinel-2優(yōu)選特征數(shù)據(jù)、GF-1優(yōu)選特征數(shù)據(jù)、Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)進(jìn)行水稻識(shí)別,并與SVM、MLC分類算法進(jìn)行對(duì)比,旨在探究適用于南方丘陵水稻種植區(qū)的提取方法,以期為南方丘陵區(qū)水稻遙感識(shí)別提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)為江西省宜春市上高縣(圖1),為江西省農(nóng)業(yè)生產(chǎn)大縣和重要商品糧生產(chǎn)基地,所處地理位置為114°28′～115°10′E,28°02′～28°25′N,位于中國(guó)長(zhǎng)江中下游,是典型的南方丘陵區(qū)域,縣域耕地面積3.47×104hm2,占土地總面積的25.73%,主要糧食作物為水稻,種植方式為雙季稻和單季稻混種。

圖1 研究區(qū)范圍示意

1.2 數(shù)據(jù)來(lái)源及處理

Sentinel-2衛(wèi)星是高空間分辨率、高重訪周期的多光譜成像衛(wèi)星[15]。GF-1衛(wèi)星是中國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)的首發(fā)星,具有高空間分辨率、高時(shí)間分辨率的特點(diǎn)。水稻生長(zhǎng)期與成熟期的遙感識(shí)別精度較發(fā)育期的遙感識(shí)別精度更高[16]。結(jié)合上高縣晚稻生長(zhǎng)周期與可獲取數(shù)據(jù)情況,確定本研究的遙感影像獲取時(shí)間為晚稻孕穗期。如表1所示,本研究選取了Sentinel-2衛(wèi)星影像數(shù)據(jù)2景、GF-1衛(wèi)星PMS影像4景,成像時(shí)間分別為2021年9月21日、2021年9月26日,均處于晚稻孕穗期,云量均在5%以下[Sentinel-2影像數(shù)據(jù)來(lái)源于美國(guó)地質(zhì)勘探局(USGS),網(wǎng)址http://glovis.usgs.gov/;GF-1影像數(shù)據(jù)來(lái)自江西省遙感中心]。

表1 多源遙感影像數(shù)據(jù)

對(duì)獲取的遙感影像數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、幾何精校正等預(yù)處理,同時(shí)對(duì)Sentinel-2影像的各波段運(yùn)用三次卷積法將其空間分辨率重采樣為8 m,使之與GF-1影像的空間分辨率一致[17],之后對(duì)其進(jìn)行影像拼接與裁剪,得到研究區(qū)內(nèi)的影像(圖2)。

圖2 預(yù)處理后的遙感影像

為方便訓(xùn)練樣本的選取、野外實(shí)際數(shù)據(jù)的驗(yàn)證和精度計(jì)算,于2021年10月到實(shí)地進(jìn)行調(diào)查,共獲取113個(gè)研究區(qū)內(nèi)晚稻樣本點(diǎn),采樣借助全球定位系統(tǒng)(GPS)定位儀進(jìn)行坐標(biāo)的確定,結(jié)合GF-1全色影像(2 m分辨率)對(duì)樣本點(diǎn)進(jìn)行定位。其他數(shù)據(jù)還包括30 m數(shù)字高程模型(DEM)數(shù)據(jù)(數(shù)據(jù)來(lái)源:USGS;網(wǎng)址:http://glovis.usgs.gov/)等。

1.3 研究方法

在本研究中,首先對(duì)Sentinel-2、GF-1及DEM數(shù)據(jù)提取光譜波段、植被指數(shù)、水體指數(shù)及地形與紋理特征等特征變量,組成特征變量集,再利用分離閾值法(SEaTH)從特征變量集中篩選出對(duì)各類別分離度較大的特征變量,即為優(yōu)選特征。然后用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)Sentinel-2優(yōu)選特征數(shù)據(jù)、GF-1優(yōu)選特征數(shù)據(jù)及Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)進(jìn)行研究區(qū)晚稻的識(shí)別,并用支持向量機(jī)與最大似然分類法進(jìn)行分類得到晚稻識(shí)別結(jié)果。最后對(duì)不同數(shù)據(jù)情況下各分類方法得到的結(jié)果進(jìn)行識(shí)別精度與效果的對(duì)比分析。

1.3.1 分類特征的選取 識(shí)別過程中使用的分類特征集基于不同數(shù)據(jù)源的光譜波段、植被指數(shù)、水體指數(shù)及地形與紋理特征[18]進(jìn)行選取?？紤]到水稻具有植物特征及需水生長(zhǎng)的特性,本研究選取了基于Sentinel-2的植被指數(shù)與水體指數(shù)等變量,基于GF-1的植被指數(shù)與水體指數(shù)共14個(gè)(表2)。此外,本研究選取了8個(gè)基于二階矩陣的紋理濾波,包括均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩和相關(guān)性?？紤]到南方丘陵區(qū)地形復(fù)雜的特征,利用DEM數(shù)據(jù)提取坡度、坡向、地形起伏度。加上遙感影像原始波段,分別得到基于Sentinel-2影像的42個(gè)分類特征和基于GF-1影像的29個(gè)分類特征。

表2 分類特征指數(shù)信息

續(xù)表2 Continued 2

如果將上述選取的42個(gè)Sentinel-2分類特征與29個(gè)GF-1分類特征全部用于分類,不僅會(huì)使分類時(shí)間加長(zhǎng),還會(huì)因數(shù)據(jù)冗余而影響分類精度。為減少數(shù)據(jù)冗余,利用分離閾值法進(jìn)行篩選。用SEaTH[37]的J-M(Jeffries-Matusita)距離判斷類別間的可分離性,其值范圍為[0,2],其值接近0,代表2個(gè)類別在某一特征上幾乎無(wú)差異;其值為2,代表2個(gè)類別在某一特征上能夠完全區(qū)分開。根據(jù)公式(1)和公式(2)計(jì)算不同類型特征值的分離度(J):

J=2(1-e-B)

(1)

(2)

式中:J為分離度;B為巴氏距離,用于計(jì)算因子之間的距離;m1、m2為2種不同樣本的某一特征分布的均值;σ1、σ2為2種不同樣本的某一特征分布的標(biāo)準(zhǔn)差。

結(jié)合野外調(diào)查數(shù)據(jù)與GF-1全色遙感影像輔助進(jìn)行目視解譯,在研究區(qū)內(nèi)選取訓(xùn)練樣本且樣本圖斑不覆蓋野外采樣實(shí)際驗(yàn)證點(diǎn)所在田塊,其中水稻、林地、水域、建設(shè)用地和其他地類樣本圖斑數(shù)量分別為504個(gè)、557個(gè)、193個(gè)、458個(gè)和337個(gè)。計(jì)算各類樣本中各分類特征的均值、標(biāo)準(zhǔn)差,根據(jù)公式(1)計(jì)算J值,選取前8個(gè)水稻類別參與計(jì)算且J>1的分類特征,保留涉及其他類型的J值最大的2個(gè)分類特征,包括重復(fù)分類特征,即為優(yōu)選分類特征集。

1.3.2 分類方法 CNN能夠?qū)ι窠?jīng)元進(jìn)行局部連接、權(quán)重共享、池化,在處理二維結(jié)構(gòu)數(shù)據(jù)時(shí)具有快速、高效等優(yōu)勢(shì)[38]。將不同分類特征集與特征樣本添加到CNN模型中進(jìn)行訓(xùn)練、驗(yàn)證及分類,能夠?qū)⑤斎氲奶卣鲗訉幼儞Q,把原先的空間特征轉(zhuǎn)換到新的特征空間,實(shí)現(xiàn)特征的分層抽象,方便分類和特征的可視化。在本研究中,CNN算法模型框架包括7層(由于池化層無(wú)需更新權(quán)值參數(shù),因而未算在層數(shù)里面),模型框架如圖3所示。在卷積層中,卷積核數(shù)量分別為24個(gè)、24個(gè)、48個(gè)、48個(gè),采用最大池化層,卷積核大小為(3,3),池化范圍為(2,2),全連接層神經(jīng)元數(shù)量分別為1 000個(gè)、200個(gè)。

SVM是機(jī)器學(xué)習(xí)中較為常見的遙感影像分類方法,其算法簡(jiǎn)單,具有較好的魯棒性[39];MLC是傳統(tǒng)遙感圖像監(jiān)督分類中運(yùn)用得比較廣泛的方法,該方法由各個(gè)類別的均值和方差等確定分類函數(shù),從而對(duì)每個(gè)待分類對(duì)象進(jìn)行類別歸屬。以上算法模型均在Python 3.7軟件中實(shí)現(xiàn),其中CNN利用Keras深度學(xué)習(xí)庫(kù)搭建,其他算法利用Sklearn庫(kù)中相應(yīng)的機(jī)器學(xué)習(xí)模塊實(shí)現(xiàn)。

1.3.3 精度驗(yàn)證 晚稻提取精度從2個(gè)方面進(jìn)行驗(yàn)證,一是結(jié)合GF-1全色影像進(jìn)行目視解譯后在研究區(qū)內(nèi)隨機(jī)選取測(cè)試集樣本,其中水稻類型樣本圖斑1 329個(gè),林地、水域等非水稻類型樣本圖斑共1 864個(gè),基于所選測(cè)試集樣本的像元構(gòu)建混淆矩陣,計(jì)算水稻分類用戶精度(UA)、制圖精度(PA)、總體精度(OA)及Kappa系數(shù)對(duì)分類精度進(jìn)行評(píng)價(jià),其計(jì)算方法如公式(3)～公式(6)所示:

(3)

(4)

(5)

(6)

式中:mi為第i類分類正確的驗(yàn)證樣本像元數(shù)量;Ci為第i類真實(shí)的驗(yàn)證樣本像元總數(shù);Gi為第i類分類的驗(yàn)證樣本像元總數(shù);n為分類數(shù);N為驗(yàn)證樣本像元總數(shù)。

y:輸出的結(jié)果。

驗(yàn)證晚稻提取精度的另一個(gè)方法是利用野外調(diào)查數(shù)據(jù)計(jì)算實(shí)際驗(yàn)證精度,由于實(shí)地驗(yàn)證點(diǎn)的地物均為水稻,非隨機(jī)選取且未在研究區(qū)域均勻分布,因此僅計(jì)算其實(shí)際驗(yàn)證精度(VA)用于評(píng)估研究區(qū)晚稻分布圖的準(zhǔn)確性[40],計(jì)算方法如公式(7)所示:

(7)

式中:m為正確分類的調(diào)查點(diǎn)數(shù)量;M為調(diào)查點(diǎn)總數(shù)。

2 結(jié)果與分析

2.1 分類特征篩選

基于Sentinel-2遙感數(shù)據(jù)篩選的特征為波段特征B2、B4、B7、B8、B8A、B11與CIgreen(綠葉綠素指數(shù))、NDVIre2(歸一化植被指數(shù)紅邊2)、EVI(增強(qiáng)植被指數(shù))、EVI2(增強(qiáng)植被指數(shù)2)、MTCI[中分辨率光譜成像儀(MERIS)陸地葉綠素指數(shù)]、RVI(比值植被指數(shù))、MNDWI(修正歸一化水體指數(shù))、NDVI(歸一化植被指數(shù))、OSAVI(優(yōu)化的土壤調(diào)節(jié)植被指數(shù)),其中6個(gè)為波段特征,6個(gè)為植被指數(shù),1個(gè)為水體指數(shù),2個(gè)為紅邊指數(shù)?；贕F-1遙感數(shù)據(jù)篩選的特征為B1、B2、B3、B4、CIgreen、NDVI、RVI、EVI、MSR(優(yōu)化簡(jiǎn)單比值指數(shù))、NDWI(歸一化水體指數(shù))、OSAVI,其中4個(gè)為波段特征,6個(gè)為植被指數(shù),1個(gè)為水體指數(shù)。

篩選結(jié)果表明,植被指數(shù)、波段特征在水稻與其他地類的分類中分離度較高,紋理、地形特征在水稻與其他地類的分類中分離度較低,對(duì)分類效果無(wú)明顯影響。此外,在特征融合數(shù)據(jù)集中,對(duì)于不同數(shù)據(jù)源計(jì)算得到的同一指數(shù)特征(如NDVI、EVI等),在訓(xùn)練模型中發(fā)現(xiàn),如果全部將其加入融合數(shù)據(jù)集中,與只保留對(duì)水稻類別J值較大的融合數(shù)據(jù)集進(jìn)行對(duì)比,訓(xùn)練精度略有下降,故本研究中的融合數(shù)據(jù)集只保留J值較大者。

2.2 水稻識(shí)別精度分析

分別對(duì)Sentinel-2優(yōu)選特征數(shù)據(jù)集、GF-1優(yōu)選特征數(shù)據(jù)集及Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)集在不同分類方法下得到的結(jié)果進(jìn)行精度的對(duì)比與分析。表3為3種數(shù)據(jù)集利用CNN、SVM、MLC算法得到的識(shí)別結(jié)果,包括用戶精度、制圖精度、總體精度、Kappa系數(shù)及實(shí)際驗(yàn)證精度。Sentinel-2優(yōu)選特征數(shù)據(jù)集識(shí)別結(jié)果顯示,CNN算法所得識(shí)別結(jié)果的各精度指標(biāo)皆高于SVM、MLC算法識(shí)別精度指標(biāo),其中總體精度、實(shí)際驗(yàn)證精度分別為92.59%、92.04%。GF-1優(yōu)選特征數(shù)據(jù)集識(shí)別結(jié)果顯示,CNN算法識(shí)別結(jié)果的用戶精度為95.13%,高于SVM、MLC算法識(shí)別結(jié)果,但在制圖精度上,CNN算法識(shí)別結(jié)果低于SVM、MLC算法識(shí)別結(jié)果,說明在用CNN算法對(duì)GF-1優(yōu)選特征數(shù)據(jù)集進(jìn)行水稻識(shí)別的過程中,有部分水稻地類被錯(cuò)位劃分為其他地類,實(shí)際驗(yàn)證精度僅為86.73%,低于SVM、MLC算法識(shí)別結(jié)果的實(shí)際驗(yàn)證精度,進(jìn)一步說明有部分水稻區(qū)域未被識(shí)別。Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)集識(shí)別結(jié)果顯示,CNN算法所得識(shí)別結(jié)果的各精度指標(biāo)皆高于SVM、MLC算法識(shí)別精度,總體精度為96.19%,分別比SVM與MLC識(shí)別結(jié)果總體精度高6.26個(gè)百分點(diǎn)、8.13個(gè)百分點(diǎn),其Kappa系數(shù)與實(shí)際驗(yàn)證精度分別為0.93、94.69%,高于SVM、MLC識(shí)別結(jié)果的Kappa系數(shù)與實(shí)際驗(yàn)證精度,與總體精度呈現(xiàn)出相同的變化趨勢(shì),表明基于野外調(diào)查點(diǎn)驗(yàn)證得出的實(shí)際驗(yàn)證精度與總體精度接近,總體一致性較好。

表3 優(yōu)選特征水稻遙感識(shí)別精度

識(shí)別結(jié)果顯示,水稻制圖精度總體低于用戶精度,說明有部分水稻區(qū)域被錯(cuò)誤劃分為非水稻區(qū)域,這也表明在這3種數(shù)據(jù)集條件下,依然無(wú)法排除混合像元對(duì)水稻識(shí)別的影響。其中利用CNN算法對(duì)Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)集進(jìn)行識(shí)別所得結(jié)果的制圖精度與用戶精度之間的差異最小,說明在此方案下,水稻的識(shí)別精度最好,各項(xiàng)精度評(píng)價(jià)指標(biāo)皆高于其他方案,在整個(gè)研究區(qū)范圍內(nèi)用CNN算法對(duì)Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)集進(jìn)行識(shí)別有最佳效果。

2.3 識(shí)別結(jié)果對(duì)比與分析

2.3.1 典型區(qū)域識(shí)別結(jié)果分析 對(duì)上述3種分類優(yōu)選特征數(shù)據(jù)集在不同分類方法下的各方案進(jìn)行晚稻識(shí)別結(jié)果制圖,選擇典型區(qū)域?qū)Σ煌桨赶碌淖R(shí)別結(jié)果進(jìn)行對(duì)比。由圖4可以看出,3種分類算法得出的結(jié)果中,SVM、MLC算法分類結(jié)果存在不同程度的“椒鹽”噪聲現(xiàn)象,而CNN算法分類結(jié)果中此現(xiàn)象較少,說明與SVM、MLC算法相比,CNN算法可以在一定程度上克服“椒鹽”噪聲現(xiàn)象。圖4b1、圖4b3和圖4c1中“椒鹽”噪聲現(xiàn)象較為明顯,地塊內(nèi)部比較粗糙,水稻區(qū)域與其他地物之間的邊界比較模糊,3個(gè)結(jié)果均是由Sentinel-2優(yōu)選特征數(shù)據(jù)參與的SVM、MLC分類,而在GF-1優(yōu)選特征數(shù)據(jù)分類得到的結(jié)果(圖4a2、圖4b2、圖4c2)中此現(xiàn)象不明顯。在水稻區(qū)域的邊緣,CNN算法較SVM、MLC算法識(shí)別得到的水稻種植區(qū)域邊緣更加平滑。對(duì)比CNN算法下的分類結(jié)果可以看出,與圖4a1、圖4a2相比,圖4a3在細(xì)小水稻區(qū)域的識(shí)別過程中,既能識(shí)別細(xì)碎的水稻區(qū)域,又能夠在一定程度上保證其田塊的完整性。綜合對(duì)比9種識(shí)別結(jié)果,不難發(fā)現(xiàn)CNN算法分類結(jié)果在水稻識(shí)別細(xì)節(jié)上優(yōu)于SVM、MLC算法分類結(jié)果,且通過對(duì)Sentinel-2與GF-1優(yōu)選特征數(shù)據(jù)的融合,其識(shí)別效果能夠得到一定提升,與精度的變化趨勢(shì)相符。

CNN、SVM、MLC見表3注。RGB:紅、綠、藍(lán)。

2.3.2 研究區(qū)晚稻空間分布 對(duì)比上述水稻識(shí)別方法,用CNN分類算法、Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)集對(duì)研究區(qū)晚稻種植區(qū)域進(jìn)行識(shí)別,獲得2021年上高縣晚稻種植分布結(jié)果(圖5)。從晚稻種植空間分布上看,主要分布在上高縣東北部的泗溪鎮(zhèn)、新界埠鎮(zhèn)及中部的錦江鎮(zhèn)等地,集中分布在錦江及其支流兩側(cè)。2021年上高縣晚稻種植總面積為10 761.80 hm2,其中泗溪鎮(zhèn)、新界埠鎮(zhèn)晚稻種植面積分別為3 678.80 hm2、1 801.36 hm2,分別占全縣總種植面積的34.18%、16.74%。利用晚稻野外調(diào)查樣本點(diǎn)對(duì)分類結(jié)果進(jìn)行驗(yàn)證,有107個(gè)樣本點(diǎn)落在分類的水稻區(qū)域中,實(shí)際驗(yàn)證精度達(dá)94.69%,有6個(gè)樣本點(diǎn)出現(xiàn)分類錯(cuò)誤,經(jīng)實(shí)地調(diào)查發(fā)現(xiàn)有4個(gè)樣本點(diǎn)由于晚稻田中存在較多雜草,抑制了水稻的生長(zhǎng),有2個(gè)樣本點(diǎn)為早稻收割后生長(zhǎng)的晚稻,屬再生稻,長(zhǎng)勢(shì)不如正常栽種的晚稻。

圖5 研究區(qū)晚稻種植分布

3 討 論

本研究基于GF-1遙感影像數(shù)據(jù)與Sentinel-2遙感影像數(shù)據(jù),通過構(gòu)建優(yōu)選特征分類特征集的組合方案,用CNN、SVM及MLC分類算法對(duì)南方丘陵地區(qū)晚稻進(jìn)行識(shí)別,研究結(jié)果表明:(1)在所有分類方案中,Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)在CNN分類算法下對(duì)水稻的識(shí)別效果最好,其總體精度、Kappa系數(shù)分別為96.19%、0.93,結(jié)合野外調(diào)查數(shù)據(jù)得到的實(shí)際驗(yàn)證精度達(dá)94.69%。與CNN分類算法下的Sentinel-2、GF-1單一數(shù)據(jù)源優(yōu)選特征識(shí)別結(jié)果的總體精度相比,CNN算法下Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)識(shí)別結(jié)果的總體精度分別提高了3.60個(gè)百分點(diǎn)、5.30個(gè)百分點(diǎn),實(shí)際驗(yàn)證精度分別提高了2.65個(gè)百分點(diǎn)、7.96個(gè)百分點(diǎn),說明Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)較單一數(shù)據(jù)源在丘陵區(qū)水稻識(shí)別上有一定的優(yōu)勢(shì)。(2)3種分類算法中,與SVM、MLC算法相比,CNN算法在對(duì)丘陵地區(qū)水稻識(shí)別上在精度與識(shí)別效果方面有明顯優(yōu)勢(shì)。CNN能夠分析水稻的特征信息,進(jìn)而對(duì)特征變量中的不同地物特征信息進(jìn)行提取,在一定程度上克服丘陵地區(qū)水稻識(shí)別過程中出現(xiàn)的“椒鹽”噪聲現(xiàn)象,對(duì)丘陵地區(qū)水稻種植區(qū)有較好的識(shí)別能力。同時(shí)在CNN算法下,Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)集較單一數(shù)據(jù)源(Sentinel-2或GF-1)優(yōu)選特征數(shù)據(jù)集對(duì)水稻的識(shí)別效果更好;而在SVM、MLC算法下,隨著數(shù)據(jù)源的增加,即分類特征數(shù)量的增加,分類精度總體會(huì)有所降低。

盡管本研究利用Sentinel-2與GF-1優(yōu)選特征融合數(shù)據(jù)、CNN分類算法在南方丘陵地區(qū)取得了較好的水稻識(shí)別效果,但是在實(shí)際應(yīng)用時(shí)仍然有一定的局限性,在南方地區(qū),由于云雨天氣較多,往往難以獲取質(zhì)量較好的遙感影像數(shù)據(jù),對(duì)水稻遙感識(shí)別工作開展有較大的影響,因此可結(jié)合雷達(dá)遙感數(shù)據(jù)協(xié)同識(shí)別[41]。