一种快速区分易混农作物的遥感解译方法

许 亮，汪权方,2，陈志杰,2，王新生,2

（1.湖北大学 资源环境学院，湖北 武汉 430062；2.农业部遥感应用中心 武汉分中心，湖北 武汉 430062）

一种快速区分易混农作物的遥感解译方法

许 亮1，汪权方1,2，陈志杰1,2，王新生1,2

（1.湖北大学 资源环境学院，湖北 武汉 430062；2.农业部遥感应用中心 武汉分中心，湖北 武汉 430062）

在对冬小麦、油菜两种农作物进行遥感非监督分类时，二者很难区分，且分类精度不高。若先剔除原始遥感影像中的非冬小麦、油菜种植区，再使用ISODATA算法进行二次非监督分类，则可较容易地区分易混的冬小麦和油菜。结果表明，冬小麦二次分类精度比初始分类精度提高了20．6%，油菜二次分类精度比初始分类精度提高了19．4%，从而显著提高了农作物的遥感解译分类精度，大大减少了人工目视解译工作量。同时，该方法也为其他易混农作物的遥感解译工作提供了一种解决问题的思路。

非监督分类；人工目视解译；二次分类；农业遥感

我国是一个传统农业大国，及时准确地获取农情信息，对于保障我国的粮食安全意义重大。以遥感技术为手段获取农情信息，比传统逐级汇总的方式更加高效便捷，获得的数据也更加准确。在遥感技术发展过程中，出现了很多遥感影像分类方法，但这些方法得到的数据精度与预期值还有很大差距。为确保数据的准确性和时效性，在实际工作中人工目视解译仍然是较为常用的遥感影像分类方法。在人工目视解译过程中，常会遇到农作物光谱信息相近，难以区分的情况。目标地物难以区分不仅是农业遥感应用方面的难题，也是整个遥感技术应用层面的难题。为此，研究人员进行了深入的探索，并取得了一定的进展，如赵维兵[1]通过圆形掩膜滤波、波段配准、直方图匹配、图像拉伸等一系列方法对中巴资源卫星影像进行了运算处理，基本能够实现对易混淆地物的区分，具有一定的实用价值；万玮[2]等利用傅里叶描述子理论和相关方法、地物特征提取等手段针对高分辨率影像中的河道、池塘等地物进行了目标地物识别，取得了较好的识别效果；研究者还运用朴素贝叶斯模型[3]、边缘检测法、人工神经网络法[4]等方法对相关的目标地物识别分类问题展开了实验性研究，均取得了一定的研究成果[5-6]，但在区分易混淆地物时，往往需要经历一个十分复杂的图像处理和运算过程，耗时较长，且存在各自的优缺点，大范围的推广应用仍存在一定的难度。通过遥感影像获取农情信息，对于数据的时效性和准确性要求较高，上述方法虽然能够较好地区分易混农作物，但用时较长，因此并不适用于大宗农作物种植面积提取的业务化运行工作。

为了增强解译结果的时效性，本文提出了一种快速区分易混农作物的遥感解译方法。在进行人工目视解译前，使用常见的非监督分类算法对已提取了农作物种植总面积的遥感影像进行了二次分类，较好地区分了冬小麦、油菜两种农作物，达到了农业遥感平台业务化运行的基本要求。

1 数据预处理

1.1 影像数据及研究区概况

高分一号（GF-1）卫星是我国研制的首颗对地观测高分辨率卫星，于2013-04-26搭载长征二号运载火箭成功发射。GF-1卫星载负了2台2 m分辨率、全色 /8 m分辨率多光谱相机，此外还有4台16 m分辨率多光谱相机，设计使用寿命为5～8 a。

本文以湖北省洪湖市为实验区，洪湖市地处江汉平原东南端，全市平均海拔约为25 m，地势较为平坦，没有丘陵、山林等大面积解译干扰因素，冬小麦、油菜种植面积较大。选取2014-03-12洪湖市GF-1卫星影像作为实验数据，空间分辨率为16 m，包含蓝光、绿光、红光和近红外4个波段。

1.2 数据预处理

将获取的GF-1卫星遥感影像进行波段融合、几何精校正、图像分割等一系列预处理操作，得到洪湖市GF-1卫星影像4、3、2波段合成的假彩色合成影像。

1.3 解译标志的确定

根据洪湖市冬小麦、油菜种植区域的分布情况，结合地面样方数据和野外观测数据，得到洪湖市冬小麦和油菜的解译标志。采用4、3、2波段对GF-1卫星数据进行波段组合时，冬小麦、油菜的解译标志如图1所示。

图1 解译标志

1.4 初始非监督分类

使用ISODATA算法对原始遥感影像进行非监督分类，尝试将分类类别数设置为60、100、150和500，分别得到4个非监督分类结果。将分类结果进行矢量化，并将遥感影像与分类矢量数据进行叠加，得到结果见图2。

图2 非监督分类结果示意图

根据解译标志判断，图2中A点应属于冬小麦，B点应属于油菜，但4个结果中两点都被分为了同一类作物。分类类别数从60类到500类，虽然数目增加了近9倍，但混合区的结果大致类似，冬小麦和油菜未被区分开。为了区分这两种解译作物，后续需进行人工目视解译，这对于小面积的遥感解译而言是可行的，但对于大面积作物种植面积提取而言，解译工作量很大，耗时长，降低了解译结果的时效性。

2 二次分类实验

对于非混合区域的冬小麦、油菜而言，初始分类是可以将二者区分开的，但对于混合区域的冬小麦、油菜，非监督分类的结果精度有待提高。为了最大限度地使用计算机区分冬小麦和油菜，尽可能地减少后续人工目视解译的工作量，提高解译结果的精度和时效性，提出了将初始非监督分类结果进行二次分类的解决方案。

2.1 实验步骤

1）先将冬小麦、油菜作为一类地物进行非监督分类；然后进行人工目视解译，并将解译结果进行矢量化；最终得到精确的冬小麦、油菜种植区矢量文件，对种植区与非种植区进行了划分。

2）采用冬小麦、油菜种植区矢量文件对原始遥感影像进行裁剪，提取冬小麦、油菜种植区对应的遥感影像，剔除非种植区的遥感影像。

3）将裁剪得到的冬小麦、油菜种植区遥感影像进行非监督分类，分类类别数设置为60；再将分类结果矢量化，叠加到原始遥感影像上，得到的二次分类结果如图3所示。

图3 冬小麦、油菜二次分类结果

从图3可知，A点冬小麦、B点油菜已被分成了两 类地物，冬小麦、油菜的混合情况得到了改善。

2.2 实验结果与分析

将初始分类（60类）矢量结果与二次分类矢量结果进行对比（图4），并在初始分类得到的冬小麦矢量结果（冬小麦一）、油菜矢量结果（油菜一）、二次分类得到的冬小麦矢量结果（冬小麦二）和油菜矢量结果（油菜二）中各取150个随机点，验证其分类精度（表1）。

图4 60类分类结果比较

表1 影像分类精度

通过分析图4、表1可以发现，经过二次分类且尚未进行目视解译之前，影像的分类精度已得到明显提高，冬小麦、油菜的分类精度分别提高了20．6%和19．4%，在初始非监督分类时没有被正确分类的A点冬小麦、B点油菜在经过二次非监督分类后被正确分类了。当然，二次分类得到的结果也需要进行人工目视解译，但相比于初始分类结果，工作量大大减少，这对于提升解译工作效率，提高解译结果的时效性是很有意义的。

在对遥感影像进行非监督分类时，使用的是ISODATA算法，该算法是基于最小光谱距离公式的聚类算法。遥感影像像元光谱值、阈值和分类类别数，将会对最终的分类结果产生影响。当执行分类时，如果某一类别聚类中心与另一类别聚类中心的距离比设定阈值小，那么这两类将会合并成一类，反之，将会作为两种地物类别存在。每一次迭代计算，都会获得新的聚类中心，以新的聚类中心为条件再次计算各项指标参数，直至达到最大循环次数或满足循环收敛阈值条件，分类结束。在进行非监督分类时，Erdas Imagine软件提供了两种初始聚类方法，一种需要事先提供分类模板文件，另一种则是以遥感影像本身像元光谱值的统计数据为条件进行自由聚类。为了提高解译工作的效率，尽可能地减少人工干预，通常会选择后者，因此，像元光谱值就成为了初始聚类的重要影响因素。分别对原始遥感影像、剔除非种植区信息的遥感影像进行像元光谱值数理统计，得到结果见表2、3。

通过对比表2、3的统计数据可知，剔除了非目标作物信息的遥感影像，其各波段像元光谱值的最大值、均值、标准差等均比初始遥感影像减小了很多，这将会使初始聚类中心的选择更加准确。

初始聚类中心的选择对于遥感影像分类而言至关重要，分类过程和分类结果都会受到初始聚类中心的影响，较好的初始聚类中心会提升分类效率和精度。目前，遥感影像分类时选择初始聚类中心的方法有：随机选择M个样本点作为初始聚类中心；以标准差为条件选择初始聚类中心；根据最大最小距离规则选择初始聚类中心；结合过往的解译经验选择影像上的特征点作为初始聚类中心。上述方法均有各自的优缺点，尚未有一种初始聚类中心选定方法可以解决所有分类问题。为了减少人工干预，提高解译的效率和分类自动化程度，Erdas Imagine软件的ISODATA非监督分类使用随机样本点法选择初始聚类中心[7]。

表2 洪湖市GF-1卫星影像像元光谱值统计表

表3 洪湖市冬小麦、油菜种植区影像像元光谱值统计表

在未剔除非目标农作物遥感影像时，初始聚类中心是随机选择的，因此会存在将非目标作物像元选为初始聚类中心的情况。由于其他地物的光谱统计特征值与冬小麦、油菜种植区的光谱统计特征值的差值，比冬小麦种植区、油菜种植区二者间的光谱统计特征值的差值大，所以冬小麦、油菜与其他地物在进行非监督分类时可以被区分，冬小麦、油菜无法被正确分类。当非目标农作物遥感影像信息被剔除后，冬小麦种植区与油菜种植区的光谱特征值之间的差异更加明显，且此时虽然仍使用随机点法选择初始聚类中心，但可以预见的是，这些聚类中心一定都位于目标作物范围内，因此在其他条件不变的前提下，二次分类的精度要大于初始分类精度，且能较好地区分易混淆的冬小麦、油菜。

3 结 语

快速、准确、及时地从卫星影像中获得农作物长势、种植面积数据，是确保农情信息时效性的关键。虽然当前的遥感技术和计算机技术较过去都有了长足发展，但完全依靠计算机获取复杂的影像信息仍存在很大困难，人工目视解译依然是当前农业遥感工作中最主要的技术手段之一[8-9]。

在人工目视解译工作中，经常会遇到类似于冬小麦、油菜两种作物难以区分的情况。虽然采用监督分类法、面向对象分类法等能够部分解决这个难题，但训练样本选择、数据处理等环节需要耗费大量的时间，且最终得到的分类结果依然需要经过人工目视解译才能达到使用标准。这样复杂的处理方式降低了工作效率，影响了解译结果的时效性，对于提取大面积农作物种植面积而言并不是最佳选择。本文提出的二次分类解决方案，能够充分利用当前已有的分类技术和手段，简单、便捷地实现了对冬小麦、油菜作物的区分，最大限度地使用计算机软件，减少了人工解译的工作量，提高了解译工作的效率，且具有较高的分类精度。

农业遥感解译工作中涉及的分类问题还有很多，影响分类结果和精度的因素也很复杂，如何深度挖掘计算机软硬件的解译能力，提高计算机解译精度、扩大计算机解译适用范围，有效减少人工目视解译的工作强度，甚至完全替代人工目视解译这个环节，是今后研究工作的重点和难点，有待进一步开展细致的研究工作。

[1] 赵维兵．中巴地球资源卫星图像中伪“同谱异物”区分方法研究[J]．遥测遥控,2008,29(2):19-25

[2] 万玮,陈秀万,肖鹏峰,等．一种基于形状特征的高分辨率遥感图像“同谱异物”目标识别方法[C] //第八届数字中国发展高层论坛暨信息主管峰会论文集,北京,2011:235-242

[3] 贺金鑫,陈圣波,王阳,等．一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法[J]．光谱学与光谱分析,2014,34(2):505-509

[4] 王任华,霍宏涛,游先祥．人工神经网络在遥感图像森林植被分类中的应用[J]．北京林业大学学报,2003,25(4):1-5

[5] 贾坤,李强子,田亦陈,等．遥感影像分类方法研究进展[J]．光谱学与光谱分析,2011,31(10):2 618-2 623

[6] 朱俊杰,范湘涛,杜小平．几何特征表达及基于几何特征的建筑物提取[J]．应用科学学报,2015,33(1):9-20

[7] 魏从玲,符丽萍．非监督分类中初始聚类中心法的比较研究[J]．测绘工程,2009,18(1):19-21,25

[8] 杨博,刘义．农业遥感影像目视解译技术要点[J]．现代化农业,2008(4):37-39

[9] 邢素丽,张广录．我国农业遥感的应用现状与展望[J]．农业工程学报,2003,19(6):174-178

P237

B

1672-4623（2017）01-0059-04

10.3969/j.issn.1672-4623.2017.01.018

许亮，硕士研究生，主要从事农业遥感和地理信息系统应用方面的研究。

2015-10-10。

项目来源：国家重点基础研究发展计划资助项目（2010CB950902）；农业部遥感应用中心武汉分中心农业遥感监测与评价资助项目。