基于Landsat8和高分一号影像的沙湾县作物种类识别研究

白雪 武红旗 吕昱 范燕敏

摘要：本研究探讨了如何利用中分辨率遥感影像实现县域作物快速识别的方法。以沙湾县为研究区，基于Landsat8和高分一号遥感影像，利用实地调查的2016年沙湾县作物种植信息，建立解译标志，加入耕地掩膜，选取不同的监督分类方法，对沙湾县作物识别的最佳识别时相、最佳识别方法以及最佳数据源进行研究。结果表明： Landsat8影像与高分一号影像分别在7月与9月可分离度与总体精度最高;通过六种分类方法对比，均为支持向量机分类法分类精度最高，Landsat8影像总体精度91.22%，Kappa系数0.916，高分一号影像总体精度88.23%，Kappa系数0.876，Landsat8影像分类整体精度略高于高分一号影像;对于两种数据源，棉花、玉米、小麦和其它作物分类总体精度均达到88.23%以上，证明使用中分辨率遥感影像对县域作物进行识别是可行的。

关键词：沙湾县;Landsat8;高分一号;作物识别

中图分类号：S127  文獻标识号：A  文章编号：1001-4942（2020）02-0156-07

Abstract In this article， the method how to achieve rapid identification of crops using mid-resolution remote sensing images was discussed. Taking Shawan County as the research area， based on the Landsat8 and GF-1 remote sensing images and the field survey data of the crop cultivation information in 2016， the interpretation signs were established， and the optimal time phase， method and data source for crop identification were studied by different supervision and classification methods and adding cultivated land masks. The results showed that the separability and overall accuracy of Landsat8 and GF-1 images were the highest in July and September， respectively. The SVM method was selected with the highest classification accuracy based on the two data sources through comparing the six classification methods. The overall accuracy of Landsat8 and GF-1 images was 91.22% and 88.23%， respectively， and their Kappa coefficient was 0.916 and 0.876， respectively. The overall classification accuracy of Landsat8 image was slightly higher than that of GF-1 image. The overall classification accuracies of cotton， corn， wheat and other crops reached more than 88.23% for both data sources. In conclusion， it was feasible to use the medium-resolution remote sensing images to identify crops in the county.

Keywords Shawan County; Landsat8; GF-1; Crop identification

我国是世界上人口最多的国家，农业发展对我国具有重大意义。遥感技术就是使用电磁波对远方的地物进行探测，并用传感器收集地物反射的电磁波信号，生成研究地物的光谱数据和遥感影像，并可快速对目标地物进行定位和获取特征信息的探测技术。农业遥感是遥感科学的重要分支[1，2] 。作物种植面积和产量等信息是制定粮食政策和经济计划的重要依据，历来受到社会、政府部门的高度重视。遥感技术为作物识别、作物估产以及长势监测提供了新的方法与多种数据源。但农业遥感中面积提取和单产模型建立等都依赖于对作物类型的准确识别[3，4]。

20世纪60年代，美国率先将长势评估与遥感技术相结合，使用遥感技术对研究区作物生长进行监测，率先确定了遥感技术在作物识别与长势评估方面的重要地位[5，6]。经过多年的研究与发展，遥感技术在农作物识别、统计、估产方面的精确度已大大提高，为种植结构调整和政策制定提供了有效的方法支持[7，8]。20世纪80年代，欧盟提出了MARS计划，利用遥感技术对欧盟各国的作物生产进行统计与评估，以对农场主进行有针对性的补贴及对粮食种类与生产规模进行调控[9，10]。自“六五”计划，我国就已尝试将遥感技术应用于农作物监测，但由于经验不足与技术不成熟，直到20世纪80年代，遥感技术才开始被应用于我国各地区不同农作物识别及长势监测与评估。

随着近代遥感技术的迅速发展，空间分辨率提高，使大尺度遥感快速识别成为可能。这不仅对我国进行粮食估产和作物监测、及时调整粮食进出口数量与价格有重要意义，也为精准农业管理、农作物补贴合理发放、农业机械适时调配提供了数据支持。

本研究以新疆维吾尔自治区沙湾县作为研究区，使用高分一号和Landsat8卫星数据，探寻该地区各种作物的最佳识别月份、最佳识别方法以及最佳数据源，以期为大范围快速识别作物提供依据。

1 研究区概况

沙湾县位于新疆维吾尔自治区天山山脉北坡准噶尔盆地南缘的玛纳斯河西岸，东经84°57′～86°09′、北纬 43°20′～45°20′，距离新疆维吾尔自治区首府乌鲁木齐市185 km。南到依连哈比尔尕山分水岭，与和静县、尼勒克县相连;西到巴音沟，与乌苏市、奎屯市、克拉玛依市接壤;东与玛纳斯县、石河子市为邻;北与和布克赛尔蒙古自治县为界。整个地形为南北狭长280 km，东西宽101 km，土地总面积12 990.24 km2。

沙湾县是一个以农业为主、农牧结合的农业大县，境内水土、光热等自然资源丰富，是塔城地区乃至北疆片区棉花、粮油、蔬菜、林果等生产供应基地。全县耕地面积80 000公顷，农业人口142 766人，占总人口的70.75%;农业机械总动力达到339 520千瓦，机耕作业面积达到98%，农作物良种覆盖率达100%。

2 数据来源与研究方法

2.1 数据来源

本研究所用Landsat8影像数据下载自美国USGS官网，高分一号数据来自遥感集市。Landsat8影像空间分辨率为30 m，高分一号影像空间分辨率为16 m。为了保证作物识别的准确性，选择2016年4—9月沙湾县影像中云量较少、质量较高的影像，所选影像信息如表1、表2所示。

于2016年8月从研究区选取600个野外调查点进行实地调查并采集作物样本经纬度、调查时间、种植类型等信息。综合实地调查信息与遥感影像的目视解译，不同月份的作物光谱特征不同，在遥感影像上表现出的纹理也不同，因此，可以建立作物感兴趣区，分别有棉花、小麦、玉米和其它作物四类，其中棉花和玉米识别主要通过不同时期的归一化植被指数（normalized difference vegetation index，NDVI）进行识别。选择具有代表性的、能够代表作物显著特征的样本，一部分用作训练样本，另一部分用作验证样本，以检验监督分类的精度。

2.2 耕地掩膜的获取及最佳时相的确定

在遥感图像上能直接反映和判别地物信息的影像特征，是遥感影像的解译标志[11]。常用的遥感信息提取方法有人工目视解译和计算机自动解译两类。计算机自动解译方法可分为基于像元统计特征的分类方法和面向对象的分类方法[12-15]。

采用ENVI 5.3软件对所得2016年4月至9月沙湾县Landsat8和高分一号遥感影像数据进行预处理，包括辐射定标、大气校正、几何校正与影像配准，并建立耕地掩膜。基于2010年全国第二次土地调查数据，得到沙湾县土地利用现状图。

将预处理后的数据利用土地利用现状图进行耕地提取，并将提取得到的耕地通过感兴趣区（ROI）进行监督分类，通过最大似然法获得研究区作物识别的总体精度，确定最佳时相。通过平行六面体法、最小距离法、马氏距离法、最大似然法、神经网络法和支持向量机分类法对最佳时相的月份进行监督分类，并用混淆矩阵计算出各种方法的总体精度和Kappa系数，确定单一最佳时相的最佳数据源和分类方法，通過对比不同数据源的分类结果以及总体精度确定最佳数据源[16-19]。

3 结果与分析

3.1 最佳识别月份的确定

根据作物的物候差异，并保证每种作物的ROI数量充足、分布均匀，建立棉花、玉米、小麦与其它作物四类共176个ROI。其它作物主要包括研究区内种植面积较小的甜菜、辣椒等作物。

监督分类又被称为场地训练法，需要先获得识别样本的先验知识（先验知识可以是目视解译数据，也可以是野外采样数据），通过先验知识，分析每种样本的特征信息，得到各个样本的特征函数，并使用特征函数对影像进行分类[20，21]。

3.1.1 基于Landsat8影像的监督分类结果 对沙湾县2016年4—9月的Landsat8卫星影像进行可分离度计算，并分别对棉花、玉米、小麦与其它作物进行不同月份可分离度统计，结果如表3所示。

选用分类速度较快的最大似然法对Landsat8影像数据进行分类（图1），将得到的地表真实感兴趣区域与最终的分类结果进行匹配，得到混淆矩阵，对分类结果进行评价。结果显示，基于Landsat8影像的2016年沙湾县作物分类精度最高的月份是7月，总体精度90.23%，Kappa系数0.886（表4）。

3.1.2 基于高分一号影像的监督分类结果 对沙湾县2016年4—9月的高分一号影像数据进行可分离度计算，结果见表5。然后用最大似然法对其进行分类（图2），用混淆矩阵法进行评价，结果（表6）显示，基于高分一号遥感影像的沙湾县作物识别最佳时间是9月，总体精度84.23%， Kappa系数0.832。

沙湾县主要作物为棉花、小麦和玉米，小麦在6月中旬前收割完毕，此时的裸地特征较为突出，NDVI值低于其它作物，可很好地将其与棉花、玉米区分开。玉米与棉花的物候历较为相似，因此，研究区内作物识别的主要问题就在于两者的区分。根据沙湾县主要作物的物候历与多时相遥感影像的对比，7月，研究区内的小麦已收割，玉米处于拔节期或抽穗期，而棉花生长迅速，达到NDVI最大值，因此，基于Landsat8影像对单时相影像解译的研究区最佳作物识别时间为7月;而9月，棉花进入吐絮期，NDVI值仍较高，而此时玉米已成熟，对近红外波段的反射率明显降低，因此，基于高分一号数据的研究区最佳作物识别时间为9月。

3.2 最佳识别方法及最佳数据源的确定

根据上述结果，7月份Landsat8影像的分离度最高，9月份高分一号影像的分离度最高，因此，利用不同监督分类方法分别对沙湾县2016年7月的Landsat8影像、9月的高分一号影像数据进行分类，并用混淆矩阵法对分类结果进行评价，以筛选最佳识别方法。结果表明，对沙湾县2016年7月的Landsat8影像和9月的高分一号影像进行监督分类的最佳方法均为支持向量机法，总体精度分别达到91.22%和88.23%，Kappa系数分别为0.916和0.876（表7、表8）。