“珠海一號(hào)”高光譜衛(wèi)星在“基本農(nóng)田草皮種植”監(jiān)測(cè)中的應(yīng)用

摘 要：為探索“珠海一號(hào)”高光譜衛(wèi)星數(shù)據(jù)在“基本農(nóng)田草皮種植”監(jiān)測(cè)中的適用性，針對(duì)研究區(qū)基本農(nóng)田中作物特點(diǎn)，將多時(shí)間序列的“珠海一號(hào)”高光譜影像與高分辨率多光譜影像、最新國(guó)土變更調(diào)查成果數(shù)據(jù)相結(jié)合，在計(jì)算機(jī)智能識(shí)別技術(shù)（光譜特征、紋理特征）與SVM分類算法的支撐下，有效地提取了研究區(qū)域基本農(nóng)田中的草皮信息，證明“珠海一號(hào)”高光譜影像在基本農(nóng)田草皮監(jiān)測(cè)中適用性強(qiáng)。結(jié)果表明：在未經(jīng)人工修正的情況下，提取草皮的總體精度為75.79%，Kappa系數(shù)為0.79，經(jīng)過(guò)人工修正后，草皮提取的總體精度提高至91.3%，Kappa系數(shù)提高至0.92，整體提取效果良好。其中，人工修正前的兩項(xiàng)評(píng)價(jià)指標(biāo)一般，主要原因包括部分因“異物同譜”導(dǎo)致的錯(cuò)分、國(guó)土變更調(diào)查成果數(shù)據(jù)和影像數(shù)據(jù)時(shí)相不一致、有限的外業(yè)舉證條件導(dǎo)致驗(yàn)證樣本和解譯樣本存在誤差等。若能解決此類問(wèn)題，針對(duì)基本農(nóng)田中的草皮提取精度將得到顯著提高。

關(guān)鍵詞：高光譜遙感；“珠海一號(hào)”；草皮監(jiān)測(cè)；信息提取

中圖分類號(hào)：S28 文獻(xiàn)標(biāo)志碼：B 文章編號(hào)：1674-7909（2024）3-142-4

DOI：10.19345/j.cnki.1674-7909.2024.03.034

0 引言

耕地是糧食生產(chǎn)的根基和命脈，也是保障國(guó)家糧食安全的重要前提和基礎(chǔ)。守牢耕地紅線，支撐保障國(guó)家糧食安全一直是國(guó)家堅(jiān)守的底線。然而，耕地“非農(nóng)化”和“非糧化”等突出問(wèn)題依然屢禁不止。商業(yè)草皮種植因?yàn)槌杀镜?、利?rùn)高而受到工商資本和農(nóng)民的青睞，導(dǎo)致許多基本農(nóng)田被非法流轉(zhuǎn)用于種植草皮。種植草皮會(huì)破壞表土并損害耕作層，導(dǎo)致土地肥力下降，未來(lái)要想恢復(fù)為種植糧食的農(nóng)田也十分困難。因此，對(duì)基本農(nóng)田種植草皮的監(jiān)測(cè)勢(shì)在必行。

“珠海一號(hào)”高光譜衛(wèi)星于2018年4月26日發(fā)射，具有256個(gè)波段（有效成像波段數(shù)32個(gè)），空間分辨率為10 m，幅寬為150 km［1］。該衛(wèi)星具備幅寬大、時(shí)間分辨率高、空間分辨率高和光譜分辨率高的特點(diǎn)，對(duì)地面目標(biāo)的光譜敏感性較高［2］。“珠海一號(hào)”影像的高光譜特征能夠反映不同作物之間光譜的微小差異，擁有對(duì)耕地范圍內(nèi)糧食作物和其他作物進(jìn)行識(shí)別和區(qū)分的巨大優(yōu)勢(shì)［3］。此外，由于重訪周期僅為2.5 d，因而該衛(wèi)星能夠快速、及時(shí)地為各地區(qū)各部門(mén)監(jiān)督耕地的“非糧化”和“非農(nóng)化”提供有力的數(shù)據(jù)支撐。

1 研究區(qū)域概況與數(shù)據(jù)源

1.1 研究區(qū)域概況

通過(guò)調(diào)研和實(shí)地走訪，此次選取湘潭縣東北部分區(qū)域作為研究區(qū)域。該區(qū)域臨近長(zhǎng)沙市，經(jīng)濟(jì)發(fā)展速度快，違規(guī)占用基本農(nóng)田種植草皮現(xiàn)象普遍，適合開(kāi)展“基本農(nóng)田草皮種植”監(jiān)測(cè)研究。

1.2 遙感數(shù)據(jù)源與數(shù)據(jù)預(yù)處理

綜合監(jiān)測(cè)區(qū)域?qū)嶋H情況、監(jiān)測(cè)周期和影像質(zhì)量等要求，最終選取2023年5月18日、7月6日、9月5日、10月10日、11月17日等5個(gè)時(shí)期的10 m分辨率的“珠海一號(hào)”高光譜（OHS）影像和0.5 m分辨率的“吉林一號(hào)”寬幅01C星多光譜影像。其中，“珠海一號(hào)”高光譜影像須進(jìn)行輻射校正、大氣校正、正射校正等預(yù)處理以生成正射高光譜影像，0.5 m分辨率的“吉林一號(hào)”寬幅01C星多光譜數(shù)據(jù)須進(jìn)行輻射校正、正射糾正、影像融合等預(yù)處理以生成正射多光譜影像。

2 監(jiān)測(cè)技術(shù)方法

與建筑物、水體、林地等常見(jiàn)“非農(nóng)化”地類不同的是，草皮與水田收割后（或撂荒）自然長(zhǎng)草、水稻、旱生作物等植物的光譜信息十分相似，屬于“非農(nóng)化”中較為特殊的一類，光靠單一時(shí)相的影像數(shù)據(jù)，無(wú)法將草皮與其他植物有效區(qū)分。因此，此研究在充分考慮各地作物生長(zhǎng)物候信息的情況下，將高光譜、多光譜等多源、多時(shí)間序列衛(wèi)星遙感影像與最新國(guó)土變更調(diào)查成果相結(jié)合，利用計(jì)算機(jī)智能識(shí)別技術(shù)（光譜特征、紋理特征）與SVM分類算法，開(kāi)展“基本農(nóng)田草皮種植”監(jiān)測(cè)。

研究區(qū)域基本農(nóng)田中主要種植水稻、草皮，其次用于種植其他旱生作物，還有一些農(nóng)田用于建造種植葡萄等作物的大棚。因此，針對(duì)這一特點(diǎn)將研究區(qū)域內(nèi)的農(nóng)田植被分為草皮、水稻、其他旱生作物、大棚作物4大類，具體檢測(cè)技術(shù)流程如圖1所示。

2.1 最佳時(shí)間窗口選擇

針對(duì)植被在不同時(shí)期擁有不同的生理特征與光譜特征這一特點(diǎn)，利用多時(shí)序高光譜影像數(shù)據(jù)對(duì)比分析研究區(qū)域基本農(nóng)田中不同地物一年四季植被指數(shù)變化特征來(lái)提取草皮的最佳時(shí)間窗口［4］。此研究主要對(duì)草皮、水稻2種主要地物在不同時(shí)期的光譜特征進(jìn)行分析，從而選擇最佳時(shí)間窗口。

2.2 影像信息提取與融合

將影像光譜特征、紋理特征、物候特征等相結(jié)合進(jìn)行分類，可以有效減少異物同譜等現(xiàn)象。在充分考慮各地物候特征的情況下，計(jì)算影像特征（紋理特征和植被指數(shù)）。

2.2.1 紋理特征提取

像斑的紋理特征通常通過(guò)灰度共生矩陣（GLCM）方法提取。該方法在理論和實(shí)踐上被證明是最有效的紋理分析方法之一，具有較強(qiáng)的適應(yīng)能力和魯棒性。紋理窗口大小的選取會(huì)直接影響地物分類結(jié)果，過(guò)小會(huì)受到像元亮度不均勻的影響，過(guò)大會(huì)降低地物區(qū)分時(shí)的靈敏度，增加計(jì)算時(shí)間和復(fù)雜度。此研究通過(guò)灰度共生矩陣進(jìn)行紋理特征的提取，并計(jì)算對(duì)比度（CON）、角二階矩（ASM）、同質(zhì)性（HOM）、熵（ENT）等常用的紋理特征。通過(guò)試驗(yàn)，綜合分析比較最終選擇窗口為7×7，步長(zhǎng)設(shè)定為1，灰度級(jí)別為16級(jí)的結(jié)果。

2.2.2 植被指數(shù)的選取

植被指數(shù)是通過(guò)2個(gè)或多個(gè)波段的光譜反射率，以線性或非線性組合的方式來(lái)壓縮高光譜和多光譜數(shù)據(jù)中的重要光譜信息，從而得到一個(gè)植被指數(shù)通道。這個(gè)指數(shù)通道可以在一定條件下定量反映植物的生長(zhǎng)狀況。目前，科學(xué)文獻(xiàn)中已經(jīng)發(fā)布了超過(guò)150種植被指數(shù)模型，但其中只有少數(shù)經(jīng)過(guò)了系統(tǒng)的實(shí)踐驗(yàn)證，例如比值植被指數(shù)（RVI）、歸一化植被指數(shù)（NDVI）等。

植物葉面在可見(jiàn)光紅光波段具有強(qiáng)吸收特性，在近紅外波段具有強(qiáng)反射特性，這是開(kāi)展植被遙感監(jiān)測(cè)的物理基礎(chǔ)。與紅光波段和近紅外波段相關(guān)的植被指數(shù)中，歸一化植被指數(shù)（NDVI）是反演植被覆蓋狀況的最佳指示因子。因此，選用歸一化植被指數(shù)（NDVI）用于后續(xù)草皮分類提取，其計(jì)算公式見(jiàn)式（1）。

NDVI=（RNIR-RRED）/（RNIR+RRED）" " " " " "（1）

式（1）中，RNIR、RRED分別為近紅外波段、紅外波段的反射率值，NDVI越大，表示植被覆蓋度越大?！爸楹Ｒ惶?hào)”高光譜數(shù)據(jù)在近紅外、紅外波段波長(zhǎng)范圍內(nèi)涉及多個(gè)波段。通過(guò)試驗(yàn)比較，最終選擇“珠海一號(hào)”高光譜數(shù)據(jù)中的b14、b24分別對(duì)應(yīng)公式中的RNIR、RRED。

2.3 SVM分類

支持向量機(jī)（SVM）是一種用于分類和回歸分析的機(jī)器學(xué)習(xí)算法。其目標(biāo)是在特征空間中找到一個(gè)最優(yōu)的超平面，以盡可能將不同類別的樣本分隔開(kāi)。SVM方法在模型估計(jì)和閾值選取時(shí)能夠有效降低不確定性，可提高變化檢測(cè)過(guò)程的可靠性，已成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的重要工具。SVM還具有適應(yīng)性強(qiáng)、泛化性能好、訓(xùn)練時(shí)間短等多種優(yōu)勢(shì)，被廣泛應(yīng)用于遙感影像分類和多源遙感影像數(shù)據(jù)信息融合等多個(gè)領(lǐng)域。相較于其他分類方法，SVM更適用于高光譜影像的分類研究。

2.4 精度驗(yàn)證方法

采用基于混淆矩陣進(jìn)行計(jì)算的總體分類精度（OA）、Kappa系數(shù)2項(xiàng)評(píng)價(jià)指標(biāo)。

2.4.1 混淆矩陣

混淆矩陣是用于評(píng)估分類模型性能的一種工具，是驗(yàn)證遙感分類結(jié)果的常用方法，可以統(tǒng)計(jì)一系列評(píng)價(jià)指標(biāo)。混淆矩陣將模型的預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽進(jìn)行對(duì)比，可展示模型在不同類別上的預(yù)測(cè)情況。

2.4.2 總體分類精度

總體分類精度是在遙感影像分類中，對(duì)所有樣本進(jìn)行分類的準(zhǔn)確性的評(píng)價(jià)指標(biāo)。通常通過(guò)計(jì)算正確分類的樣本數(shù)與總樣本數(shù)之比來(lái)表示，即總體分類精度=正確分類的樣本數(shù)/總樣本數(shù)。

2.4.3 Kappa系數(shù)

Kappa系數(shù)是一種常用的統(tǒng)計(jì)指標(biāo)，用于評(píng)估遙感影像分類模型的精度。它衡量了分類結(jié)果與實(shí)際觀察值之間的一致性，考慮了分類結(jié)果中由于隨機(jī)分配造成的誤差。因此，在評(píng)估遙感影像分類模型時(shí)，Kappa系數(shù)是一個(gè)更為準(zhǔn)確和可靠的評(píng)估指標(biāo)。其計(jì)算公式見(jiàn)式（2）。

Kappa=（Po-Pe）/（1-Pe）" " " " " " " " "（2）

式（2）中，Po為觀察到的一致性比例，Pe為預(yù)期一致性比例。計(jì)算步驟如下：①統(tǒng)計(jì)兩個(gè)觀察者在各個(gè)分類中的觀察次數(shù)，并將得到的結(jié)果制作成一個(gè)混淆矩陣，矩陣的行表示一個(gè)觀察者的觀察結(jié)果，列表示另一個(gè)觀察者的觀察結(jié)果；②計(jì)算Po，即Po=（a11+a22+...+ann）/ N，其中a11、a22、...、ann分別代表混淆矩陣的對(duì)角線元素，即2個(gè)觀察者觀察結(jié)果一致的次數(shù)，N為總的觀察次數(shù)；③計(jì)算Pe，即Pe=（r1c1+ r2c2+...+rncn）/（N×N），其中ri、cj分別代表混淆矩陣的第i行和第j列元素，分別表示2個(gè)觀察者在分類i和分類j中的觀察次數(shù)。

3 草皮數(shù)據(jù)提取結(jié)果與分析

先基于多時(shí)序“珠海一號(hào)”高光譜影像提取草皮，然后結(jié)合JL1高分辨率多光譜影像、2022年國(guó)土變更調(diào)查成果數(shù)據(jù)等進(jìn)行人工修正。智能提取的草皮中存在較多圖斑碎片（≤400 m2）、漏洞，雖對(duì)整理結(jié)果影響不大，但十分影響美觀。因此，在對(duì)比分析之前，先對(duì)草皮提取結(jié)果中的圖斑碎片和漏洞進(jìn)行處理，處理后的結(jié)果如圖2所示。

將2組草皮提取數(shù)據(jù)套合高分辨率影像對(duì)比分析發(fā)現(xiàn)，提取結(jié)果中，主要是部分因“異物同譜”導(dǎo)致錯(cuò)分于草皮的問(wèn)題，如果園、撂荒農(nóng)田（長(zhǎng)草、長(zhǎng)樹(shù)等）以及部分旱地農(nóng)田，如圖3所示。

這些錯(cuò)分的地類在高分辨率影像中的紋理特征明顯，后續(xù)可以通過(guò)人工目視解譯進(jìn)行剔除。

4 精度評(píng)價(jià)與分析

采用混淆矩陣的方法，將人工修正前、結(jié)合高分辨率影像進(jìn)行人工修正后的2次分類結(jié)果與實(shí)地采樣數(shù)據(jù)、驗(yàn)證樣本進(jìn)行比較分析，結(jié)果顯示：人工修正前提取草皮的總體精度為75.79%，Kappa系數(shù)為0.79；人工修正后提取草皮的總體精度提高至91.3%，Kappa系數(shù)提高至0.92，整體能達(dá)到較好的提取效果。其中，人工修正前的2項(xiàng)評(píng)價(jià)指標(biāo)不是特別理想，分析原因主要有3個(gè)方面，一是存在部分因“異物同譜”導(dǎo)致的錯(cuò)分；二是盡管前期盡可能選取準(zhǔn)確的分類樣本，但由于實(shí)地外業(yè)舉證數(shù)量有限，部分通過(guò)目視解譯選取的樣本難以保證百分百準(zhǔn)確，在一定程度上影響了整體提取結(jié)果；三是由于此次獲取的影像數(shù)據(jù)（2023年11月）和所獲取的最新變更調(diào)查成果（2022年）在時(shí)間上相差了一年，部分2022年為基本農(nóng)田的地塊性質(zhì)已經(jīng)發(fā)生了變化，如基本農(nóng)田變?yōu)楣麍@、基本農(nóng)田變?yōu)榱值?。因此，即使將提取成果與這份基本農(nóng)田數(shù)據(jù)進(jìn)行了相交，但依然會(huì)存在部分因“異物同譜”將果園、林地等錯(cuò)分于草皮地類的現(xiàn)象，若能獲取并使用時(shí)間晚于影像的最新變更調(diào)查成果數(shù)據(jù)，能最大限度地解決此類問(wèn)題，從而進(jìn)一步提高分類精度。

5 結(jié)束語(yǔ)

在基本農(nóng)田中種植草皮，短期來(lái)看，經(jīng)濟(jì)效益明顯，但長(zhǎng)遠(yuǎn)來(lái)看，嚴(yán)重威脅糧食安全。通過(guò)此研究發(fā)現(xiàn)，整體而言，將多時(shí)間序列 “珠海一號(hào)”高光譜影像、高分辨率多光譜影像與最新國(guó)土變更調(diào)查成果數(shù)據(jù)結(jié)合，能有效地提取基本農(nóng)田中的草皮，說(shuō)明“珠海一號(hào)”高光譜影像在“基本農(nóng)田草皮種植”監(jiān)測(cè)中適應(yīng)性強(qiáng)。但此研究還存在一定的問(wèn)題，一是選取的研究區(qū)域面積較小，通過(guò)外業(yè)舉證調(diào)查的解譯樣本、驗(yàn)證樣本數(shù)量有限，對(duì)于大面積的草皮提取效果還有待進(jìn)一步驗(yàn)證；二是選取的研究區(qū)域主要是種植水稻，容易錯(cuò)分于草皮的果園、旱地農(nóng)田面積較小，對(duì)于整體精度的影響及后期人工修正工作量都不大。若下次監(jiān)測(cè)果園和旱生作物種植面積較大的區(qū)域，雖然利用晚于影像時(shí)的國(guó)土變更成果數(shù)據(jù)可以對(duì)果園信息進(jìn)行剔除，但對(duì)于旱地農(nóng)田信息卻無(wú)法有效剔除，而單靠目視解譯進(jìn)行人工修正又耗時(shí)耗力。因此，下一步將考慮如何引入其他特征將旱地農(nóng)田和草皮進(jìn)行區(qū)分，從而實(shí)現(xiàn)大面積區(qū)域的“基本農(nóng)田草皮種植”精準(zhǔn)監(jiān)測(cè)。

參考文獻(xiàn)：

［1］張信耶，李繼旭.珠海一號(hào)高光譜衛(wèi)星在高密市農(nóng)作物精細(xì)分類中的應(yīng)用［J］.衛(wèi)星應(yīng)用，2019（8）：29-33.

［2］林勇，易揚(yáng)，張桂蓮，等.高光譜遙感技術(shù)在城市綠地調(diào)查中的應(yīng)用及發(fā)展趨勢(shì)［J］.園林，2020（6）：70-75.

［3］李先怡，范海生，潘申林，等.珠海一號(hào)高光譜衛(wèi)星數(shù)據(jù)及應(yīng)用概況［J］.衛(wèi)星應(yīng)用，2019（8）：12-18.

［4］龍玉蘭，張軍，唐瑩，等.老齡臺(tái)地茶園遙感信息提取方法研究：以西雙版納州為例［J］.節(jié)水灌溉，2023（12）：51-56，65.