多时相遥感影像农作物识别方法的分析

屠星月，赵冬玲

(中国农业大学，北京100083)

一、引 言

农作物种植结构包括作物类型，间作，轮作，套作等种植模式和空间分布。它的获取即作物识别是提取农作物种植面积、及时监测农作物长势以及提早作出作物产量预测的基本首要工作，能够为农业和灌溉用水管理部门提供重要参考数据，故有着重要研究意义。近来，随着“3S”技术的发展，遥感技术以其宏观、综合、快捷的特点成为作物识别的有效途径。不同作物在类似生育阶段交叉时段影像上光谱特征相似性较高，会出现异物同谱现象;同时，同种作物由于种植方式、管理方法以及地域差别，也会造成同物异谱现象，二者都会影响作物识别的精度。物候特征指作物年季间周期性的生长变化，例如发芽、抽穗、成熟等不同生育阶段的生长状况及其所在时间段，物候特征差异可排除短时间段内生育期交叉的影响，还可反映一年多熟的复杂种植制度，为更全面的作物识别提供依据。研究表明作物的NDVI时序曲线与物候变化有着良好的对应关系，利用NDVI时序数据可以获得独特的作物类别信息[1]，故国内外不少学者致力于利用多时相遥感影像基于多时相的光谱特征提取和分析农作物物候特征进行作物识别。

二．多时相作物识别方法

现今多时相遥感农作物识别方法，依据数据源分类可分为两种：一是利用作物关键生长期(如拔节，抽穗，收获等)不同时段内的若干景遥感影像获取和分析作物多时相光谱特征进行作物识别，该方法中影像时相的选择和分层分类规则确定是两个关键环节;二是利用作物全生育期固定时间间隔的NDVI时序数据获取作物NDVI时序曲线分析其物候特征或数学特征进行作物识别。

1．利用多景作物关键生长期遥感影像进行作物识别

该方法已被广泛应用于待识别种类较少的作物识别，其中遥感影像时相选择和基于多时相光谱特征的分类规则确定这两个环节是影响作物识别的分类效率及精度的主要因素。

(1)遥感影像最佳时相组合选择

信息在各时段呈不均匀分布，并且时间越长，信息量就越大。因此作物识别的影像时相选择中应当使影像尽量包含所有关键信息同时又避免信息冗余浪费，利用最佳时相组合进行分类。光谱和物候历种间和种内差异，以及不同时相影像的太阳高度角和土壤噪声变化是作物识别和估产时相选择的主要依据[2]，也有学者依据样本点NDVI时序曲线结合物候资料完成水稻、玉米、大豆估产时相选择分析[3-4]。但以上方法依赖于丰富的物候资料和研究者的主观判断分析，难以进行定量的衡量。

文献[5]利用试验对冬小麦不同时相及其组合下的样本点的J-M距离光谱可分性和地面验证点效率指标分类精度的比较。J-M距离是一种基于条件概率之差的光谱可分性度量标准，代表两类别的概率密度函数之差，当地物类别服从正态分布时，计算如式(1)所示

其中

式中，Jij为第i类和第j类的可分性距离;μi和μj为第 i、j类光谱反射率的平均值;θi和 θj为第 i、j类光谱反射率的方差。当0．0＜Jij＜1．0时，两类别之间具有一定的光谱可分性，但存在较大程度重叠;1．9＜Jij＜2．0时，两类别之间具有很好的光谱可分性。Kappa系数和混淆矩阵是常用的分类精度评价指标，但两者无法控制分类的过程和错误产生原因，文献[5]提出了利用地面验证点效率指标对分类过程进行精度评价，它涉及图像特征选择和分类检验两个环节，对分类结果产生4种诊断情况如表1所示。

表1 对一个像元控制的4种可能诊断结果

表中A、B、C、D分别代表图像正确或错误、分类一致或不一致4种可能结果的像元数。总体精度定义为：OA=(A+D1)/(A+B+C+D)(其中，D1为分类结果和图像特征不符合，但图像和地面类型也不符合，故分类就够可能和地面实际类型符合的像元数)。地面验证点效率指标定义为：EFF=D/(B+D)，EFF值越大，图像特征越好，分类效率越高，若EFF值等于1，则只要图像特征正确，分类就正确[5]。

时相选择的各个研究具有地域、作物种类等差异，故缺乏普遍适用性。且定量的试验与对比分析研究还较少，故该领域还有待进一步研究。

(2)基于多时相光谱特征的分类方法

研究中一般根据研究区物候资料以及训练样本的多时相光谱差异进行分类规则确定。对农作物种植结构较简单的区域，可人为进行分析并建立分类规则，利用简单决策树或分级掩膜进行分类，分类规则多数为与NDVI有关。马丽等利用该方法完成了黑龙江军川农场的大豆、玉米和水稻的种植信息提取[6];李颖等也将该方法应用于冬小麦识别[7];彭光雄等直接将多景多时相影像进行波段叠加生成一景包含各景影像波段的时序影像，利用常用分类方法对该时序影像进行甘蔗、玉米和水稻识别，发现常用方法中人为选择特征参数的面向对象方法分类效果最佳[8]。以上方法对单种作物或2到3种作物识别可获得精度较高的分类结果，但对待分类作物种类较多的作物识别，人为确定分类规则较为困难。

针对农作物种植结构较复杂，种类较多的区域，Peña-Barragán，Moffatt K 等提出了利用决策树进行面向对象的多时相作物识别，该方法综合分析对象多时相植被指数，纹理信息，以及派生物候特征，利用二分递归分割的技术基于训练样本集生成层次多，叶节点多的大树，然后对其删减长生一系列子树，利用最大似然比平方统计从中选择最佳子树生成决策树判定规则对加利福尼亚YOLO县小麦、水稻、向日葵、苜蓿等13种主要作物进行了识别，并依据特征在最大似然比平方χ2中所占百分比和所在决策树分支数对3个不同时序及其组合的16种对象光谱特征、6种对象纹理特征和2种基于对象层次结构的纹理特征对作物识别的贡献率进行了对比评价，并得出结论在各种特征中光谱信息贡献率最高中占主导地位，其中NDVI的贡献率为50%，纹理特征的贡献率虽然较小，但是有助于确定最后的混淆分支。该方法对利用高分辨率影像进行复杂种植结构作物识别有着较好的适用性，且在决策树分层分类中兼顾了种间差异和种内差异，分类过程中的分类规则确定由软件完成，避免了人为分析大量特征信息的复杂性[9]，然而由于涉及多个波段以及纹理信息，该方法对影像要求就高，成本较高，且涉及一年多数作物的识别。

2．利用作物全生育期NDVI时序数据进行作物识别

该方法一般选择作物整个生育期内每旬一景或每月一景的高时间分辨率影像序列提取NDVI时序曲线进行多时相作物识别。用于作物识别的NDVI时序曲线特征主要包括曲线派生的物候测度和曲线数学特征两类。

(1)利用NDVI时序曲线物候特征进行分类

国内外已有很多学者对NDVI时序曲线的物候测度进行了定义和提取方法研究，Bradley C．Reed等定义了3类基于NDVI时序曲线的12种物候测度，第1类为基于时间的物候测度：返青、成熟、和NDVI最大值时刻、生长时段;第2类为基于NDVI数值的物候测度：返青值、成熟值、NDVI最大值、NDVI差值;第3类为时间序列曲线派生物候测度：时间整合 NDVI、生长速率、衰老速率、曲线模式[10]。该3类特征基本囊括了国内外作物识别研究中的NDVI曲线物候测度定义。作者还引入了自回归移动平均数模型(auto-regressive moving average)进行NDVI时序曲线各种物候测度的提取。另外，陈晓苗提出了利用二次差分法提取NDVI时序曲线波峰的频数作为判别一茬作物和二茬作物的物候特征，算法如式(3)到式(5)所示。

利用式(3)式计算每个像元前后两时序NDVI之差，得到序列S1

S3序列中，S3等于-2的时刻即波峰出现的时间，S3等于2的时刻即波谷出现的时间，依据S3即可提取波峰出现的时间及峰值[11]。

人为依据样本NDVI时序曲线物候特征差异结合物候资料设定分类规则，利用决策树或分层掩膜法进行作物识别的方法已得到广泛运用，但人为确定分类规则依然是难点。

(2)利用NDVI时序曲线数学特征进行分类

NDVI时序曲线经傅里叶变换后所得谐波的数学特征可用于作物识别，张明伟等利用谐波的曲线均值(0级谐波振幅)、1～3级谐波的初始相位及振幅比例作为特征，生成7个波段即7种特征数据的影像进行春玉米、棉花、夏玉米、大豆、冬小麦的监督分类，W．L．da Silva等也利用谐波的振幅和相位作为多维特征空间，完成了甘蔗的自动识别[12]。傅里叶变换公式如式(6)和(7)所示

式中，aj、bj为傅里叶系数;cj、φj分别为 j级谐波的振幅和相位角。笔者依据上述公式定义了谐波特征向量，向量维数小于2( n/2)+1;n为训练样本点数，各分量中 为 即频率为0时的振幅;分别为k级谐波的振幅ck和相位φk。谐波数m为1到n/2之间，则特征向量维数为2m+1。然后，依据样本特征向量的算术平均求得平均特-征向量ν，依据各像元的特征向量与平均特征向量的差异大小即可进行类别判定。对于像元特征向量中1≤i≤2m+1各个分量，判定规则如式(8)和(9)所示

式中，σi为用于计算 第i个分量的样本数据的标准差;λ为色散容差;ε为像元特征向量V与平均特征向量 的差异容差值。λ和m依据反复分类实验所得混淆矩阵判定最佳值。

另外，将基于NDVI时序数据进行ISODATA非监督分类所得未知类别的均值NDVI时序曲线，与调查所得作物系数Kc曲线(物系数Kc为作物潜在蒸发蒸腾量ETa和参考作物蒸发蒸腾量ET0的比值)依据光谱耦合技术进行相似度计算与匹配，也可完成作物识别[13-14]。光谱耦合技术SMT(spectral matching technique)的基本原理是多光谱曲线与已知特征曲线的相似度计算与匹配，实质为两条曲线的匹配，故该方法也适用于NDVI时序曲线与作物系数曲线。光谱特征相似度分析SCS(spectral correlation similarity)中谱相似度SSV的计算如式(10)所示

式中，Ed为两点间欧氏距离，其中ruh为皮尔逊系数，其值介于-1～1之间，其值越大，相似度就越高，ruh计算如式(11)所示

式中，n为光谱时间序列的长度;ti(i=1～n)为已知标准类i类NDVI时间序列值;μi为已知类NDVI时间序列均值;hi为任一目标类别的NDVI序列值;μh为该类均值;σh为目标类标准差。对每个未知类别，将其归于相似度最高的目标类别即完成作物识别。

该类方法避免了人为确定分类规则的复杂性，但其分类过程难以利用物候知识解释，且该类研究目前还较少，故其对不同地区、不同种植模式的适用性也有待考证。

三、结束语

综上所述，利用多景遥感影像进行作物识别的研究中，影像时相选择仍然是难题之一，开展定量对比实验虽然能够确定最佳选择方案，但较为耗时，且研究结果不具普适性;另外，该方法中常利用NDVI值进行分层分类，但对于种植结构较为复杂的研究区域，人为确定分类规则较为复杂，而将植被指数与对象纹理特征等结合进行面向对象的决策分类，则可适用于较多种作物的识别。但由于影像时相限制，对一年多熟的作物识别仍然较为困难，且该方法中所涉及波段较多，且对影像空间分辨率要求也较高，难以适用于大多数遥感影像。相反，利用NDVI时序数据则避免了影像最佳时相组合选择的问题，且可识别一年多熟等复杂种植制度，扩充了多时相作物识别的范围，但该方法所需处理的数据量较大，工作效率较低，且所用数据一般空间分辨率较低，对作物地块较小或破碎的地区，容易造成混合像元问题影响分类结果。

针对种植制度较为复杂且地块较小或破碎的地区的作物识别研究，笔者认为结合上述两种方法，综合利用高空间分辨率、高光谱分辨率和高时间分辨率遥感影像，有效整合光谱信息与时相信息进行作物识别是值得探索的研究方向。

[1]WARDLOW BD，EGBERTSL，KASTENSJH．Analysis of Time-seriesMODIS 250m Vegetation Index Data for Crop Classification in the U．S．Central Great Plains[J]．Remote Sensing of Environment，2007(108)：290-310．

[2]千怀遂．农作物遥感估产最佳时相的选择研究：以中国主要粮食作物为例[J]．生态学报，1998，18(1)：48-55．

[3]李剑萍，官景得，韩颖娟，等．基于 SPOT/VEGETATION数据的陕甘宁退耕还林区植被分类[J]．安徽农业科学，2009(27)：13324-13326，13351．

[4]欧文浩，苏伟，薛文振，等．基于HJ-1卫星影像的三大农作物估产最佳时相选择[J]．农业工程学报，2010(11)：176-182，385．

[5]齐腊，刘良云，赵春江，等．基于遥感影像时间序列的冬小麦种植监测最佳时相选择研究[J]．遥感技术与应用，2008，23(2)：154-160．

[6]马丽，徐新刚，贾建华，等．利用多时相TM影像进行作物分类方法[J]．农业工程学报，2008，24(S2)：191-195．

[7]李颖，陈秀万，段红伟，等．多源多时相遥感数据在冬小麦识别中的应用研究[J]．地理与地理信息科学，2010，26(4)：47-49，F0003．

[8]彭光雄，宫阿都，崔伟宏，等．多时相影像的典型区农作物识别分类方法对比研究[J]．地球信息科学，2009(2)：225-230．

[9]PEN¨A-BARRAGÁN JM，NGUGIM K ，PLANT R E，et al．Object-based Crop Identification Using Multiple Vegetation Indices，Textural Features and Crop Phenology[J]．Remote Sensing of Environment，2011，115(6)：1301-1316．

[10]REED B C，BROWN J F ，VANDERZEE D，et al．Measuring Phenological Variability from Satellite Imagery[J]．Journal of Vegetation Science，1994(5)：703-714．

[11]陈晓苗．基于MODIS-NDVI的河北省主要农作物空间分布研究[D]．石家庄：河北师范大学，2010．

[12]DA SW L，GONCALVES R R V，SIQUEIRA A S，et al．Feature Extraction for NDVIAVHRR/NOAA Time Series Classification[C]∥Proceedings of Analysis of Multi-temporal Remote Sensing Images(Multi-Temp)Trento．[S．l．]：InternationalWorkshop，2011．

[13]蔡学良，崔远来．基于异源多时相遥感数据提取灌区作物种植结构[J]．农业工程学报，2009，25(8)：124-130．

[14]郝卫平，梅旭荣，蔡学良，等．基于多时相遥感影像的东北三省作物分布信息提取[J]．农业工程学报，2011，27(1)：201-207．