基于时空遥感特征耦合的农作物类型识别

路 颖，刘玉锋，宋 婷,汤 鹤

(1.滁州学院 地理信息与旅游学院，安徽 滁州 239000；2.东北农业大学 经济管理学院，哈尔滨 150030)

农作物类型的识别是农业遥感的基础，如何实时、准确地获取农作物类型分布信息对粮食安全、社会经济、政策制定以及生态功能等都有重要的影响[1]。目前，国内遥感影像分类方法包括目视解译和计算机自动分类两种，计算机自动分类又分成基于像元分类与基于面向对象分类的方法[2]。

就目前已完成的研究发现，目视解译法分类效率与精度都较低，且基于像元分类方法在进行农作物分类时会出现分类结果破碎、分类精度较低等问题。近年来，许多学者采用面向对象的分类方法来进行地物识别，虽然此方法在中国起步较晚，但发展速度较快，已广泛应用到各个领域。面向对象方法是根据影像特征对图像进行分割，使同质像元组成大小不同的对象，并以其为基本单元，即可考虑影像光谱特征，又可结合形状、纹理、尺寸等空间特征，制定目标物提取的规则集，实现较高层次的目标地物提取，提取结果可避免斑点噪声，提高分类精度[3-4]。宋茜等围绕高分一号遥感数据基于面向对象的方法进行农作物种植结构的研究，总体精度较高[5]。郑利娟等基于高分一号与高分六号卫星，根据不同分辨率在影像中作物所表现的特征，利用面向对象的方法进行农作物识别，效果显著[6]。

高分辨遥感影像如GF1-PMS影像纹理特征较为丰富，但覆盖周期较长，难以反映作物在不同时期内的生长特征；时序中分影像覆盖周期短，时序特征较为丰富，但分辨率较低。因此，可将中分遥感影像与高分遥感影像相结合，提取两种影像所包含的特征进行耦合用来参与作物识别。Liu等曾研究通过高时间分辨率与高空间分辨率的结合对作物进行识别，较现有普遍的单一时相作物识别精度提高20%[7]。

本研究采用2018年10月至2019年9月共11景GF1-WFV(16 m)中分辨率影像与2019年3月GF1-PMS(2 m)高分辨率影像作为基础数据，在分析滁州市全椒县内水稻、小麦、玉米、油菜4种作物的空间分布特点的基础上，利用中分影像基于对象分析作物的时序变化特征，构建时序变化曲线；并结合高分影像的纹理、形状等特征，将两种影像包含的特征进行有机结合，构建随机森林分类模型进行面向对象分类，从而获取研究区农作物类型的分布情况。

1 研究区及数据源

1.1 研究区概况

本研究选择安徽省滁州市全椒县作为研究区，位于31°51′～32°15′N，117°49′～118°25′E之间。研究区地处安徽省东部，属于丘陵地区，地势呈东南-西北走向，最高点海拔393 m。属于亚热带季风性气候，年平均气温15.8～16.8 ℃；年平均日照时数达到1 756.4～1 984.4 h；近10 a降水量1 073.7～1 294.1 mm。全县总面积1 568 km2, 农作物总播种面积889.76 km2。全椒县作物以水稻和小麦为主，其余为油料、豆类、棉花等作物。研究区如图1所示。

图1 研究区所在位置

1.2 数据源及预处理

1.2.1 影像数据

选择2019年3月的GF1卫星PMS相机的全色影像和2018年10月至2019年9月共计11个覆盖周期的GF1-WFV 影像，数据的具体参数如表1所示。

表1 遥感数据参数

在ENVI5.3软件中，对GF1-WFV、GF1-PMS 数据分别进行辐射定标、大气校正、正射校正。根据中国资源卫星应用中心发布的辐射定标系数进行辐射定标，采用ENVI中的Flassh模块对影像进行大气校正，并通过查看典型地物波谱曲线特征来判断正确性。正射校正选择15 m空间分辨率的Landsat-8/OLI卫星影像经Google Earth的系统校准形成的基础影像作为控制底图，基于RPC修正的有理函数模型，采用小面元微分纠正方法进行几何配准，控制点采用均匀布设，以每景影像25个左右为宜。

1.2.2 野外采集数据

以手持GPS为采集设备，高分卫星遥感影像作为底图，随机采集典型地物样本，区域包括平原地区、丘陵地区以及低山地区。在全椒县采集150个冬小麦点、120个水稻点、90个油菜点、75个玉米点、65个其他建筑用地、裸地、水域和林地，共采集样本约500个，把它们随机分为训练样本和用来检测分类结果的检验样本。

在采集滁州全椒县地物样本外业数据后，又通过查询农作物生长日志了解作物的生长、分布情况，制作出4种作物的物候周期表，为实验区作物的精确分类提供支持，如表2所示。

表2 研究区作物生长状况

1.2.3 其他数据

为了提高作物分类精度，本研究基于第二次全国土地调查的结果数据，从中提取出全椒县的耕地范围，以实现在分类的过程中排除其他非耕地的地类干扰作用，如图2所示。

图2 全椒县耕地矢量

2 研究方法

2.1 技术路线

本研究结合野外实地观测数据，计算各个农作物的NDVI值时序曲线并分析其变化特点作为识别研究区作物的物候特征；通过可分性比较分析获得最佳时相的中分影像，并分析其波段时差特征；基于高分影像进行多尺度分割获得最优分割尺度，分析其纹理特征，将中分与高分卫星遥感影像数据中所包含的特征信息进行结合，运用面向对象方法提取作物分布信息。总体技术流程如图3所示。

2.2 面向对象的多尺度分割

将高分影像数据载入eCognition后，采用多尺度分割算法。设定其波段权重、分割尺度参数、异质性相关因子的值。在多尺度分割时有两个原则：一是尽可能设置较大的光谱因子值；二是对于边界不很光滑但聚集度较高的影像对象使用尽可能大的形状因子[8]。

此次研究实验中，在全椒县研究区选取具有典型代表性的GF1-PMS局部图，如图4所示，对尺度因子、形状因子、紧凑度经过多次试值，最终得出不同尺度分割结果。研究表明，分割尺度以及形状因子权重设置越大，获取对象越完整，反之，得到的对象越“破碎”[9]。

图3 技术流程

当分割尺度为30时，地物被分割得十分密集，使农田和其它地物变得破碎且复杂，出现混合状态，如图5所示；当分割尺度为150时，地物的形状被分割得不够完善，一些大的地物中包含着中小型地物，地物对象没有被完全分割开，如图6所示；当分割尺度为70时，对地物的形状特征分割得相对适当，总体上能够完整地体现地物的形态，如图7所示。因此，此次实验区选择如下数值作为多尺度分割参数：尺度因子Scale为70，形状因子Shape为0.4，紧凑度权重值为0.3。为了更精确地验证多尺度分割的效果，按照上述试值数据采用面向对象的分类方法进行分类，可以看出分类效果较好，因此，采用此分割尺度数值进行分类可以达到预期的效果，如图8所示。

图6 尺度因子Scale 150

图7 尺度因子Scale 70

图8 多尺度分割结果检验

2.3 特征分析与特征选择

构建NDVI值不仅能对植被光合作用的辐射吸收情况进行有效地呈现，而且可以体现作物在不同时期的生长情况。利用样本数据获取不同作物归一化植被指数均值并形成归一化植被指数时序特征曲线，如图9所示。如此能够直观地反映作物在整个生长期内的 NDVI 变化过程。计算公式为

NDVI=(NIR-RED)/(NIR+RED).

(1)

图9 典型地物 NDVI 时间序列曲线

根据式(1)分别提取11景影像的归一化差值植被指数(NDVI)。冬小麦和油菜在10月中上旬开始播种出苗，在原先与之相对应的地块呈现裸地状态；出苗后进入冬季，因而在2018年12月至2019年3月期间，NDVI值相对稳定；开春之后，小麦、油菜返青，NDVI值上升；进入3月，油菜逐渐开花，光谱开始出现变化，在NDVI 值上表现却稍微有所下降。

水稻生育周期较短，在4月中下旬开始播种插秧，6月份返青，NDVI值快速增高，7月中旬进入分藥、拔节时期，8月份NDVI值达到最高值，9月份水稻即将成熟，NDVI曲线逐渐下降，水稻一般在10月基本收割结束，NDVI降到一个较低值。

玉米在2019年5月至8月期间，经历播种、拔节、抽穗等生长过程，植被覆盖度逐步增加，NDVI 值随日期变化也逐渐增加；到9月份，随着玉米成熟收获，大部分的地块呈现裸地的状态，NDVI值降至低点。

各类农作物随着日期的变化，其NDVI值也在不断变化，这种变化很大程度上反映了作物在不同时相上光谱特征的差别。因此，可以说NDVI值的变化特征为作物识别提供了途径和依据。

2.3.2 作物分类的最佳时相分析

多时相遥感影像景数过多会造成数据的冗余，导致处理过程复杂，故遥感影像时相、景数的选取直接影响作物识别的效率和精度[10]。J-M(Jeffries-Matusita)距离通常用于度量两类别间特征子集的可分性，具有对数据的分布形式要求低、通用性好的特点，其取值在0～2之间，值越大，可分性越好[11]。本研究区内水稻、油菜和玉米3类地物的GF1-WFV时相影像光谱特征区分难度较大，因此，仅选择3种作物来计算J-M距离，各作物间J-M距离如表3所示。

J-M 距离计算公式为

Jij=2×(1-exp(-Bij)).

(2)

表3 典型地物特征J-M距离时间序列数据

经过计算可知，典型地物特征J-M距离GF1-WFV影像数据的分离度大于1.8以上且数量较多的时相为2019-04-25、2019-05-23、2019-08-02，因此，研究区选用上述3种时相作为农作物识别的基础。

2.3.3 纹理特征分析

纹理是地物的物理形态所表达出的灰度空间相关特性，纹理特征的核心问题是纹理区域的一致性和相邻区域边界的准确性[12]。为分析关于作物的方向、相邻间隔、变化幅度的综合信息，计算待分类影像和样本的灰度共生矩阵，然后根据灰度共生矩阵进行特征值的计算，形成特征矩阵[13-14]。在eCognition中选用熵(ENT)、相关性(COR)和不相似性(DIS)来描述研究区内作物的纹理特征。

1)熵ENT：衡量图像的无序性，纹理越不均匀，熵值越大，当影像特征为完全随机性纹理时达到最大值。

2)相关性COR：用来衡量邻域灰度线性依赖性，相关性越高则纹理一致性程度越高。

3)不相似DIS：用来度量相似性，局部对比度越高值越大。

通过反复实验，对影像各个波段的3个纹理特征进行计算分析，得出各个波段的纹理特征值，通过对比其差值能够更直观地表示出各个作物在纹理特征之间的差异，如表4所示。

表4 各波段的纹理特征值

2.3.4 波段时差特征分析

波段时差特征是指不同时相影像相同波段间的差值[15]。由于小麦和水稻在5月至8月期间影像的波段差值相近，难以进行区分，因此，文中选用2019-05-23和2019-08-02两种作物分类最佳时相上的小麦和水稻的波段时差，如图10、图11所示，两个时相上的圆形标注和方形标注内的农作物分别是小麦和水稻。

依此计算两个时相中的小麦和水稻红、绿、蓝、近红外波段的辐射亮度均值与均值差值，最终得出2019-05-23和2019-08-02时相上小麦和水稻的波段时差特征，如图12所示。4个波段上小麦和水稻在红和近红外两个波段中的差异较为明显，由此可以将波段时差特征作为区分小麦和水稻的特征之一。

图10 2019-05-23与2019-08-02时相的小麦

图11 2019-05-23与2019-08-02时相的水稻

图12 不同时相中小麦、水稻波段时差

2.4 特征结合

在GF-1 PMS影像的光谱信息和纹理信息与3种GF-1 WFV时相数据中，对基于对象的反射率的农作物时间变化特征和波段时差特征相结合进行特征选择。

利用随机森林分类模型对作物的物候特征、纹理特征、波段时差特征进行组合分类，构建特征集合，并按照顺序对特征集合中影响效果最小的特征依次淘汰，以寻求优选特征子集。随机森林作为机器学习的重要方法拥有广泛的应用前景。其实质就是利用多种分类器投票决定分类结果，对于一个输入样本，N棵树会有N个分类结果[16]。

根据表5所示，将各种特征依次输入随机森林模型中，采取交叉验证的方式，去除对分类贡献最低的特征，重复执行并取其中的平均值，计算每次分类结果的精度，最后选择最高的分类精度所对应的优选特征子集。

表5 特征集情景参数

3 结果与分析

3.1 分类结果

针对研究区优选特征子集提取农作物种植结构，基于面向对象的方法对高分辨率遥感影像进行农作物类型识别，并利用野外收集的训练样本验证识别的结果。面向对象分类结果混淆矩阵如表6所示。分类识别的总体精度为88.38%，Kappa系数为0.841 5，达到较高的一致性。从用户精度和制图精度上来看，玉米分类精度最高，油菜次之，水稻的分类精度最低。分类结果如图13所示。

表6 面向对象分类结果混淆矩阵

图13 农作物类型识别结果

3.2 结果分析

由图13可以看出,全椒县研究区的水稻种植区域较大，分布在研究区各个范围内，其中，大部分分布在东南部区域，此处灌溉条件好，地力等级较高；小麦大多分布在中部与西南部地区，范围较为集中；油菜的种植范围较小且分散成块状；玉米主要分布在中北部地区，与油菜分布相似，比较分散。农作物识别的结果与野外实地调查的情况相符合。使用面向对象的方法不仅可以防止分类结果的“椒盐效应”、识别不精确等问题，而且能够提高作物识别的效率，减少错分、漏分的现象。

4 结论与展望

经过上述研究，得出以下结论，同时也存在诸多不足：

1)在进行农作物类型识别工作之前，必须先进行野外样本采集和调查，这是作物分类和检验识别精度最重要的一环。采集样本时应尽量使样本均匀分布在研究区内，以免影响分类的精度。

2)利用高分辨率卫星遥感影像丰富的纹理特性进行最优化多尺度分割，多时相中分辨率遥感影像制作NDVI时间变化曲线，能够体现出农作物在不同生长期的特征差异。将高分辨率卫星遥感影像丰富的纹理信息与多时相中分辨率遥感影像农作物不同生长期的特征相互耦合，构建随机森林模型组建分类规则进行面向对象分类，可以非常清晰地呈现出各个农作物的生长趋势，从而防止出现单时相数据由于农作物在不同时期的生长状况不一而导致的分类不精或漏分的现象，很大程度上提高了分类精度，分类的效果较为理想。

3)多尺度分割需要经过多次试值才能达到较好效果，但难以确定最优分割尺度值，存在着一定的主观判断。且由于各地区气候地形等差异影响，此法在一定程度上普适性较低，未来还需要不断调整改进以期推广到全国的农业种植区，达到运用遥感技术来促进农业发展的目的。