基于GF—1影像的玉米识别方法研究

王晓昕++范燕敏++武红旗

摘要：本研究选取新疆昌吉市为研究区，以基于GF-1影像的作物分类与玉米识别为目的，利用2015年的5景高空间和高时间分辨率的GF-1遥感影像，经对影像进行掩膜处理后，分别利用最大似然法、马氏距离法、最小距离法、平行六面体法、神经网络法和支持向量机法对昌吉市的作物进行分类与玉米识别。结果表明，昌吉市玉米识别的最佳方法为最大似然法，最佳月份为8月，总体分类精度为98.48%，Kappa系数可达到0.98，制图精度与用户精度分别为99.93%和97.72%。

关键词：GF-1影像；玉米识别；作物分类；分类方法

中图分类号：S513文献标识号：A文章编号：1001-4942（2017）06-0139-04

AbstractIn this paper， Changji City was selected as the study area， the crop classification and maize recognition based on GF-1 images was the purpose. Five GF-1 remote sensing images with high spatial and temporal resolution of 2015 were covered by mask and then used to classify the crops from Changji and recognize the maize by maximum likelihood， Mahalanobis distance， minimum distance， parallelepiped， neural net classification method and support vector machine. The results showed that the best method of maize identification in Changji was the maximum likelihood method， the best month was August， the overall classification accuracy was 98.48%， the Kappa coefficient could reach 0.98， and the mapping accuracy and user accuracy were 99.93% and 97.72%.

KeywordsGF-1 image；Maize recognition；Crop classification；Classification method

〖HJ*4/9〗我國是农业大国，农业的发展直接关系着社会的稳定与发展。农情信息在保障国家粮食安全、调整农业种植结构、农业防灾减灾、农业可持续发展等方面发挥着积极的科技支撑作用，故开展农情监测意义重大。但传统的逐层统计汇报和实地测量方法误差大、耗时耗力，且缺乏直观的空间分布信息[1]。遥感技术由于具有宏观、迅速的大范围监测能力，成为农作物种植监测不可或缺的技术手段，受到各国政府和专家学者的重视[2]。

目前，国外主要利用多时相、多源数据来进行作物的分类与面积的提取[3-8]。但这些研究主要采用中低分辨率影像来提取大宗作物种植信息，作物的分类精度总体偏低。2013年我国自主研发的高分一号（GF-1）卫星成功发射，实现了高时间、高空间、高光谱分辨率的兼顾；同年，国家统计局利用GF-1数据完成了对河北、辽宁、山东、湖北、黑龙江5省的秋粮和新疆棉花种植面积的遥感调查； 2014年利用GF-1数据对安徽、山东、河北3省196个县的小麦、水稻、玉米进行遥感调查[9，10]。

现今，利用遥感进行作物分类的方法主要有监督分类、非监督分类、决策树分类和基于面向对象的分类方法等。目前已有许多研究利用Landsat影像和高分影像监测玉米、小麦、棉花等大宗农作物的种植结构、种植面积和长势[11-17]。如刘哲等[18]构建了多时相 OLI/Landsat-8数据集结合Geo Eye-1高分影像纹理的制种玉米识别方法，用户精度与制图精度可达到86.37%、83.02%，高于仅使用单一OLI /Landsat-8数据源的分类精度。

提取农作物种植面积是进行作物产量预测的首要工作，玉米在新疆粮食作物中的种植面积和产量占比较大，快速精准地获取玉米种植面积对于确保粮食安全和社会稳定、指导和调控宏观种植结构等均有重大意义。但玉米与棉花、葡萄等作物具有相似的生长期，仅利用单时相遥感影像很难将其精确提取出来。本研究以新疆自治区昌吉市为例，利用高时间与高空间分辨率的GF-1影像，采用目视解译与计算机自动分类相结合的分类方法进行玉米种植面积的提取，探讨利用国产高分影像进行作物分类、遥感解译的模式，以丰富国产遥感卫星的应用。

1研究区概况与研究方法

1.1研究区概况

昌吉市地处欧亚大陆腹地，位于天山北麓、准噶尔盆地南缘。地处东经86°24′～87°37′，北纬43°06′～45°20′。地势南高北低，自西南向东北倾斜，地形十分复杂。其境内的气候、土壤、植被及水文要素垂直地带的变化十分明显。气候特点是四季分明，夏季干旱炎热，冬季寒冷漫长，春季温度变化剧烈，冷空气活动频繁；秋季降温迅速，天气晴朗。降水量年际变化大，季节性分配不均匀，多集中在春、夏两季，光照充足，热量丰富，气温年较差、日较差大。昌吉市现有总土地面积8 215平方千米，全市农牧民人均占有耕地0.4公顷，农产品资源品质堪称世界一流[19]。研究区内作物主要包括玉米、小麦、棉花和其他农作物。根据《昌吉市2015年国民经济和社会发展统计公报》显示，2015年昌吉市全年完成农作物总播种面积84 400公顷，其中：小麦面积13 327公顷，玉米面积17 413公顷，棉花面积16 647公顷，瓜果类面积5 093公顷[20]。

1.2研究方法

1.2.1农作物物候历调查收集研究区内主要农作物的物候历，获得农作物空间种植结构和物候时序，以便用于玉米的识别。研究区内主要作物物候历如表1所示。

1.2.2数据获取为了减少单时相影像中出现的“同物异谱”和“同谱异物”现象，本研究采用高时间分辨率的遥感影像进行农作物的分类识别和信息提取。根据研究区作物的物候历信息，获取2015年5月22日、6月4日、7月27日、8月16日、9月6日共5期高分影像用于玉米的识别及其种植面积提取。预先收集昌吉市行政区划、地形地貌、土地利用等资料，以便后续进行影像掩膜和耕地的提取。

1.2.3数据预处理由于含云量、传感器因素等都会对地物光谱信息产生一定影响，降低分类识别精度，因此需预先对影像进行校正，以去除气溶胶、地形、邻近地物等因素对地物光谱反射率的影响，从而达到最佳识别精度。首先，利用ENVI5.2软件对影像进行辐射定标，将图像的数字量化值转化为辐射亮度值。其次对影像进行大气校正，以消除大气和光照等因素对地物反射的影响，消除大气分子与气溶胶散射的影响，获取地物真实的光谱反射率信息。最后进行几何精校正：（1）利用比例尺为1∶10 000的2015年昌吉市土地利用现状图对GF-1的2 m影像进行校准。（2）以校正后的2 m影像为基准，利用ENVI Classic软件的Image to Image功能实现对昌吉市GF-1的16 m影像配准，使精度控制在0.5个像元以内。

利用2015年昌吉市土地利用现状图对研究区非耕地进行掩膜，以减少非耕地对监督分类的影响。

1.2.4分类样本选取2015年5—9月，在研究区进行外业实地调查，利用GPS定位采集研究区农作物样本点信息。结合研究区主要农作物物候历，每种作物以代表性为原则，选取训练样本的数量为GF-1遥感影像波段数目的10～30倍[21，22]。总共选取365个训练样本和160个验证样本，见表2。

1.2.5作物分类方法及精度评价本研究选取最大似然法、马氏距离法、最小距离法、平行六面体法、神经网络法和支持向量机法6种方法进行监督分类。

利用验证样本进行分类精度验证，得到总体精度报表和可分离性报告，以便分析利用遥感识别玉米的最佳月份。根据分析得出的最佳月份，再分别利用这6种方法对研究区作物进行分类，以总体精度、Kappa系数等对作物识别结果进行评价。

1.2.6面积计算根据监督分类得到的结果，获得昌吉市2015年玉米种植空间分布。由于分类过程中会产生一些细碎图斑，因此以昌吉市最小地块面积为基准，按照30 m×30 m进行最小图斑合并，利用ArcGIS 10.2软件的statistics工具进行玉米所占像元个数统计，从而计算出昌吉市玉米种植面积。

2结果与分析

2.1基于GF-1影像的不同月份监督分类结果

针对GF-1 2015年5—9月的影像进行监督分类，得出总体分类精度报表和可分离性报告（表3）。可见，总体分类精度8月份最高，为98.48%，Kappa系数可达到0.98；从可分离性来看，7—8月份玉米与其他作物的可分离系数均可达到1.80及以上，可较好地区分各类作物。由此可以得出，玉米识别精度最高的月份为8月。

2.2基于GF-1影像的不同监督分类方法精度对比

由表4可见，最大似然法的分类总体精度可达到98.48%，而且综合制图精度与用户精度来说，最大似然法的错分误差与漏分误差最小，精度最高，因此，对GF-1影像进行监督分类的最佳方法为最大似然法。马氏距离法分类精度最差。

2.3基于高分影像的玉米面积提取

由上可知，8月份昌吉市的作物总体分类精度最好，可利用该时段的GF-1影像进行昌吉市玉米种植总面积提取。结果显示，利用GF-1影像识别的8月昌吉市玉米总种植面积为17 680公顷，与当年统计面积（17 413公顷）比较接近。

3讨论

本研究采用分辨率为16 m的GF-1影像对研究区进行监督分类，从结果可以看出，不同作物的物候期对分类均有影响，8月小麦已经收获，其他作物逐渐进入成熟期，因其光谱反射特征差异大，利于作物识别。利用GF-1进行最佳分类时间的判断也得到了同样的结果，印证了此观点。因此，利用多时序影像精确识别玉米的最佳月份为8月，利用该时段GF-1影像可以更精准地提取出昌吉市的玉米种植面积。

大部分作物分类研究的最佳方法为支持向量机法，例如：刘庆生等[23]利用作物关键生育期的HJ卫星遥感数据，通过增强型植被指数时序数据分析结合支持向量机法准确提取了山东省无棣县棉花、玉米等主要作物种植面积，面积总量精度高于93%。郭燕等[24]利用高分一号卫星数据结合Landsat-8和RapidEye數据，采用支持向量机和光谱角法在许昌进行玉米识别及其面积提取并进行精度验证，结果表明，高分一号携带的WFV3传感器作物识别效果最佳，面积提取精度最高。支持向量机法的分类精度远优于光谱角分类法的分类精度。但本研究得出的最佳分类方法为最大似然法，分析其原因可能是：SVM分类器在解决小样本、非线性及高维模式识别问题中具有较多独特优势；支持向量机分类法是将类与类之间的间隔最大化，但由于研究中分类样本较多，对其分类精度也有一定影响，而且支持向量机在对低维样本点分类时会产生精度下降问题，样本的特征向量维数对分类精度也会产生一定的影响[25]。而SAM分类器适用于高光谱影像分类，本研究采用的GF-1影像不是高光谱影像，因此也不适用于SAM分类法。

4结论

本研究以新疆昌吉市为研究区，利用连续时间序列影像结合监督分类不同算法进行玉米识别与面积提取。选择高空间和高时间分辨率的GF-1影像为主要数据源，并充分利用不同作物物候历和作物生长纹理结构的差异进行玉米识别。结果表明，基于GF-1影像进行昌吉市玉米识别的最佳月份为8月，最佳分类方法为最大似然法，其用户精度与制图精度可达到97.72%和99.93%，数据源的分辨率与分类方法的选择都对玉米的精确提取有直接影响。

参考文献：

[1]张健康， 程彦培， 张发旺， 等. 基于多时相遥感影像的作物种植信息提取[J]. 农业工程学报，2012，28（2）：134-141.

[2]Wu B， Li Q. Crop planting and type proportion method for crop acreage estimation of complex agricultural landscapes [J].International Journal of Applied Earth Observation and Geoinformation，2012，16（1）：101-112.

[3]Solberg A H S， Taxt T， Jain A K. A Markov random field model for classification of multisource satellite imagery [J]. IEEE Transactions on Geoscience and Remote Sensing， 1996，34（1）：100-113.

[4]Pax-Lenney M， Woodcock C E. The effect of spatial resolution on the ability to monitor the status of agricultural lands [J].Remote Sensing of Environment， 1997，61（2）：210-220.

[5]Uchida S. Discrimination of agricultural land use using multi-temporal NDVI data [C]. The 22nd Asian Conference on Remote Sensing， Singapore， 2001.

[6]Turner M D， Congalton R G. Classification of multi-temporal SPOT-XS satellite data for mapping rice fields on a West African floodplain [J]. International Journal of Remote Sensing， 1998，19（1）：21-41.

[7]Okamoto K. Estimation of rice-planted area in the tropical zone using a combination of optical and microwave satellite sensor data [J]. International Journal of Remote Sensing， 1999，20（5）：1045-1048.

[8]McNairn H， Ellis J， Van Der Sanden J J， et al. Providing crop information using RADARSAT-1 and satellite optical imagery [J]. International Journal of Remote Sensing， 2002，23（5）：851-870.

[9]贾玉秋， 李冰， 程永政， 等. 基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较[J]. 农业工程学报，2015，31（9）：173-179.

[10]国家国防科技工业局. 高分一号在农业领域应用典型案例[EB/OL]. 2014-08-24.http：//www.gissky.net/Articl-e/3227.htm.

[11]杨小唤， 张香平， 江东. 基于MODIS时序NDVI特征值提取多作物播种面积的方法[J]. 资源科学，2004，26（6）：17-22.

[12]曹卫彬， 杨邦杰， 宋金鹏. TM 影像中基于光谱特征的棉花识别模型[J]. 农业工程学报，2004，20（4）：112-116.

[13]杨桄， 张柏， 边红枫， 等. 基于TM 遥感影像的玉米地专题信息自动提取[J]. 资源科学，2006，28（4）：91-96.

[14]林文鹏， 王长耀， 黄敬峰， 等. 基于MODIS数据和模糊ARTMAP的冬小麦遥感识别方法[J]. 农业工程学报，2008，24（3）：173-178.

[15]林子晶， 李卫国， 申双和， 等. HJ星和GF1号数据在水稻种植面积提取中的应用[J]. 江苏农业学报，2016，32（1）：111-117.

[16]张晓忆， 李卫国， 景元书. 多种光谱指标构建决策树的水稻种植面积提取[J]. 江苏农业学报，2016， 32（5）：1066-1072.

[17]胡杨， 赵俊三， 李艳. 面向对象的高分辨率遥感影像校园绿地快速提取[J]. 浙江农业科学， 2017，58（2）：338-340，346.

[18]刘哲， 李智晓， 张延宽， 等. 基于时序 EVI 决策树分类与高分纹理的制种玉米识别[J]. 农业机械学报，2015，46（10）：322-327.

[19]昌吉市人民政府.昌吉市基本情况[EB/OL].2017-05-01.http：//www.cjs.gov.cn/zjcj/cjfgk/173854.htm.

[20]昌吉市统计局.昌吉市2015年国民经济和社会发展统计公报[N].统计公报，2016-07-07.

[21]Van Niel T G， McVicar T R， Datt B. On the relationship between training sample size and data dimensionality： Monte Carlo analysis of broadband multi-temporal classification [J]. Remote Sensing of Environment， 2005，98（4）：468-480.

[22]Piper J. The effect of zero feature correlation assumption on maximum likelihood based classification of chromosomes [J]. Signal Processing， 1987， 12（1）： 49-57.

[23]劉庆生， 黄翀， 刘高焕， 等. 基于关键期 HJ 卫星数据提取无棣县作物种植面积[J].中国农学通报，2014，30 （26）：284-290.

[24]郭燕， 武喜红， 程永政， 等. 用高分一号数据提取玉米面积及精度分析[J]. 遥感信息，2015，30（6）：31-36.

[25]刑强， 袁保宗， 唐晓芳. 一种提高支持向量机针对低维向量分类精度的新方法[J]. 信号处理，2004，20（3）：222-226.