基于多源遥感影像的农作物分类提取

张 颖,何贞铭,吴贞江

长江大学地球科学学院,湖北 武汉 430100

近年来，遥感技术成为作物分类的重要手段，不仅能够快速准确地获取农作物的面积分布，也能为作物信息提取提供良好的技术支持。Vuolo[1]等利用多时相哨兵-2 图像和随机森林（Random forest，RF）分类器对农作物进行识别，验证多相作物的分类精度高于单相作物的分类精度。Bargiel[2]等结合哨兵-1 密集时间序列数据和耕地物候变化信息，评估了联合使用时间序列的光学和SAR 数据识别作物类别的适用性。Sonobe[3]等利用多时相的哨兵数据和光学遥感影像，对农作物类型进行分类研究，结果表明，雷达数据和光学数据的结合能够实现预期的效果。

融合多源遥感数据有助于提高分类精度[4]，但特征维数增加到一定阈值，继续增加反而会导致精度下降[5]。因此，常睿春[6]等人研究了基于FastICA 的高光谱遥感矿物信息提取方法，曹晶晶[7]等对独立主成分分析（Independent principal component analysis，ICA）在高光谱混合像元分解方面进行研究，结果证明，ICA 可以保留部分特征波段，增加地物的可区分性[8]。基于像元的作物分类方法难以保证地物内部的完整性[9]。本实验采用面向对象农作物分类，融合Sentinel-1 SAR数据和Sentinel-2多光谱数据作为基础数据，采用独立主成分分析方法，选取占方差95%的前6 个分量用于随机森林分类器快速[10]分类，证明农作物分类提取中，面向对象分类方法的精度比面向像元高，且多源遥感数据融合比单独使用多光谱数据或雷达数据分类更加精确。

1 材料与方法

1.1 研究数据获取

本文选择济宁西南部为研究区域，该区域以小麦-玉米、小麦-棉花、小麦-水稻和辣椒-大蒜四种轮作方式为主。本文采集了研究区2020 年4 月到9 月有效的4 期Sentinel-2 2A 级少云（小于1%）光学数据，并获得同一时间段内的Sentinel-1 雷达(SAR)影像[11]数据，数据信息如表1 所示。

表1 Sentinel-1SAR 和Sentinel-2 多光谱数据采集Table 1 Sentinel-1 radar and Sentinel-2 multispectral data collection

通过实地调查采样，采集样本像元数：水稻3980 个，辣椒7812 个，棉花1025 个，玉米6424个。本文选取50%的样本作为训练数据，50%作为验证数据，使用2017 年土地利用数据对非农作物区域进行掩膜，降低其他土地类别对作物分类的影响[12]。

1.2 数据处理

为避免其他土地利用类别对分类精度的干扰，本实验使用10 m 分辨率的土地利用数据对预处理完成的图像中非农作物区域进行掩膜。Sentinel-1 数据通过预处理，得到VV 极化和VH 极化[13]的后向散射系数。Sentinel-2 的2A 级数据已经完成数据校正[11]。本文保留红、绿、蓝、近红外波段，将红边波段重新采样至10 m，其他波段因与本研究无关而被剔除。

1.3 面向对象分割

为保证分割后生成的对象能与相邻类别地物区分且不会太破碎[14]，本文对不同尺度参数的分割结果进行对比，部分结果如图1 所示，其中图1(a)-(b)的合并参数为85，分割参数分别为54 和74，图1(c)-(d)分割参数为64，合并参数分别为75 和95。可以看到，图1(b)和图1(d)存在明显的欠分割，图1(a)和图1(c)存在过分割的情况，因此将分割参数设置为64，合并参数设置为85 时分割结果最优。h

图1 面向对象分割结果图Fig.1 Object-oriented segmentation result grap

1.4 特征提取和分类

雷达数据有较强纹理特征[15]，除4 个时相的VV 和VH 极化后向散射系数，本文针对每种极化数据提取了Homogeneity、Dissimilarity、Entropy 三种纹理特征。针对Sentinel-2 数据各提取4 个波段的光谱数据，并从中提取归一化植被指数（NDVI）。将这52 个特征合并，共同参与农作物分类。

本文使用灰度共生矩阵（GLCM）来描述图像的纹理特征[16]，通过独立主成分分析（ICA）进行分类和波谱提取，保留光谱影像各个波段之间的数据相关性[17]。采用随机森林（RF）分类算法构建子决策树[18]，筛选出重要性较高的特征变量表征地物的实际特性[10]。使用Kappa 系数和混淆矩阵反映图像分类的精度[19]，对实验结果进行精度验证。

2 结果与分析

2.1 面向对象与面向像元分类对比分析

根据研究区实际地物采样点类型对研究区农作物展开分类，冬小麦-玉米、冬小麦-棉花、冬小麦-水稻和辣椒-大蒜轮作分类结果如图2 所示，精度评价结果如表2 所示。图2(a)是面向对象分类结果图，图2(b)是面向像元的分类结果图，可以发现面向像元分类结果存在明显的“椒盐现象”，在红框标记中有明显的同类地物被错分的情况，因此在本实验中，面向对象的作物分类方法更有优势。

图2 面向对象分类结果和面向像元分类结果对比Fig.2 Comparison of object-oriented classification results and pixel-oriented classification results

表2 多源数据融合后精度评价比较Table 2 Accuracy evaluation comparison

2.2 光学数据、雷达数据和多源遥感数据融合分类对比分析

本研究将光学数据和雷达数据结合应用于目标农作物信息的提取和分类，相比于单一的光谱数据提取，SAR 数据的加入可以提供相关作物的特征信息，使分类结果精度更高。根据研究区作物分布情况，分别对光学数据、雷达数据和光学与雷达数据融合后的影像进行分类，分类结果图如图3(a)-(c)所示，可以看出多源数据的融合有助于提升农作物的分类精度，精度评价结果见表3。

图3 雷达数据、光学数据和数据融合后分类结果图Fig.3 Radar data,optical data,and data fusion classification result graph

表3 基于面向对象的不同数据分类精度比较Table 3 Classification data accuracy comparison

3 讨论

本实验采用面向对象和面向像元两种分类方法对野外验证样本集的提取结果进行精度评价，评价结果证明，面向对象分类精度为89.62%，Kappa 系数为0.8488；面向像元分类精度为81.92%，Kappa 系数为0.7368。面向对象作物分类精度比面向像元分类精度高7.7%。结果表明面向对象的作物分类方法精度更高，相比于面向像元分类方法更有优势。实验使用不同影像检验农作物的分类精度，验证融合后的数据对农作物分类精度有明显提高，雷达数据对水稻的识别精度要高于光学数据，因为水稻自身有较高的含水量，且水稻种植区域土壤的含水量高，因此它的介电常数也高，反射的雷达回波能量也强[15]，识别精度更高。当数据融合以后，农作物的总体分类精度为89.6226%，Kappa系数为0.8488，分类精度相较于只使用光学数据提升了16.84%，相比于只使用雷达数据提升了20.34%，结果表明，多源数据融合有助于提升农作物分类精度。

本研究使用的Sentinel-1 SAR 和Sentinel-2 多光谱数据源自于欧洲航天局哥白尼计划的地球环境监测卫星，卫星开放了遥感数据的可用性，为农作物精准分类提供基础理论和数据支撑。Sentinel-1 SAR 和Sentinel-2 多光谱数据最高空间分辨率都达到了10 m，在不同传感器影像配准融合方面有巨大优势，在作物分类中也有巨大潜力。Sentinel-1 的SAR 数据提供了共极化和交叉极化的反向散射，这对农业应用和作物生长监测非常重要，后续研究可以考虑使用全极化SAR 数据，全极化数据对目标地物的形状、尺寸、空间分布和方向更加敏感，能够更全面地刻画观测目标的散射机制从而提供更丰富的地表信息[20,21]，更显著的提升作物分类精度。

4 结论

本研究以济宁西南部为研究区域，融合该区域Sentinel-1 SAR 和Sentinel-2 多光谱数据，使用随机森林分类方法识别研究区域2020 年不同种植模式下的作物种植面积。基于面向对象的作物分类方法对作物进行精度评价，评价结果表明，多源遥感数据融合后研究区农作物的总体分类精度为89.6226%，Kappa 系数为0.8488，分类精度相比于单一遥感影像数据有较大提升，证明多源遥感数据融合配合面向对象的作物分类方法可以显著提升农作物分类精度。本实验获得2020 年研究区农作物种植的识别结果：嘉祥主要种植玉米，金乡县则是大蒜的主产区，鱼台县种植水稻小麦面积较大。研究区2020 年水稻种植面积为625.65 km2，玉米种植面积为796.41 km2，棉花种植面积为97.96 km2，辣椒种植面积为845.85 km2，为后续农作物分类提取和农作物估产提供技术参考。