基于GEE平台联合Landsat数据的农作物分类方法研究

董雯凯 赵青芬

（1.江西省自然资源测绘与监测院，江西 南昌 330000；2.江西省国土空间调查规划研究院，江西 南昌 330009）

0.引言

农作物种植信息识别作为经济发展与粮食安全等策略的重要数据，一直以来都是各个部门密切关注的问题[1]。传统的农作物种植信息调查主要采用实地调查与样方测算的方法[2]。如外业调查队伍有目的性地驱车调查，调查种植类型、种植面积，以及在各区县划定样方，逐年逐季对样方内种植作物进行信息获取，从而估算大范围的种植情况。传统的农作物种植面积信息获取与统计多依托当地统计部门进行田间样方抽样调查，根据历史数据进行推算，从而估算整体种植面积。该方法不仅费时费力、效率低下，而且难以获取精确的空间分布信息，更加难以获取准确的农作物种植面积[3]。遥感技术是一种非接触的、远距离探测技术，具有覆盖范围广、重访周期短、现势性强、数据获取与处理简便等优势，为农作物信息的精准获取提供了强有力的手段[4,5]。随着遥感技术的发展，线上遥感处理解译平台应运而生。美国的Google Earth Engine（GEE）作为目前应用人数最多、范围最广的遥感处理解译平台，已经成为遥感学科不可或缺的分析途径[6]，GEE平台存储了Sentinel系列数据、MODIS系列数据、TRMM/GPM降水数据、Landsat数据和海拔数据等海量数据，容量超过5PB，且每天增加约5000幅影像，可以解决大面积地表、地上遥感分类与反演方面最重要的数据来源问题，在平台上可进行土地利用分类、植被长势监测、水体监测等各种遥感分类与反演工作[7，8]。

本研究基于GEE平台进行南昌县的农作物信息提取，通过GEE平台进行影像融合高亮显示，在GEE平台上进行样本勾画，勾画水体、建筑、农作物、林草地等类别，用非监督分类、监督分类、面向对象分类等方法进行农作物分类以及精度分析与比对，最终筛选出最适用于本研究的分类方法。

1.研究区及数据介绍

1.1 研究区介绍

本研究选取江西省南昌县作为研究试点，GEE平台融合无云Landsat8影像效果（如图1所示）：南昌县位于江西省中部偏北，南昌市南部，面积1810.7平方千米，东接进贤县，南邻宜春丰城市，西、北与新建区隔赣江相望，东北濒鄱阳湖，三面环抱南昌市主城区。南昌县是全国著名的商品粮基地、渔业重点县，享有“江南粮仓”“鱼米之乡”等美誉，境内盛产水稻，主要为双季稻，本研究着重进行水稻信息遥感提取研究。

图1 GEE平台Lands a t8影像南昌县示意图

1.2 数据介绍

本研究主要采用Landsat8数据作为研究数据源。Landsat8卫星传感器发射于2013年2月11日，卫星上携带两个传感器，分别是OLI陆地成像仪和TIRS热红外传感器。Landsat8在空间分辨率和光谱特性等方面与Landsat 1-7基本保持一致，共有11个波段，预处理后为15米分辨率的多光谱影像。Landsat8影像的短波红外与近红外波段，对农作物叶片的叶绿素变化及红边位移有显著的监测作用，可用于农作物种植面积、长势等监测识别。相较于之前的Landsat系列数据，Landsat8数据像元纯净度更高、受大气影响更少、光谱信息更准确，在已开展的大量研究中均取得了较理想的成果。

2.原理与方法

2.1 原理介绍

本研究采用非监督分类中的K均值聚类、监督分类中的最大似然法分类、面向对象分类这三种分类方法，基于GEE平台进行江西南昌县的农作物分类研究。三种分类原理分别如下所示：

K均值聚类：K均值聚类算法首先将数据分为K组，随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。

最大似然法：在两类或多类判决中，用统计分析方法根据贝叶斯判决准则法建立非线性判别函数集，假定各类分布函数为正态分布，并在训练区内计算各待分类样区的概率，从而进行分类。

面向对象：面向对象方法的提取类似决策树的构思，从简到繁，先剔除其他无关信息，再经过多次筛选找出有用的地物类别，实现地物的分层提取。经过多尺度分割后，需要对分割后的单个对象进行划分，选择合适的参数或者规则将对象与其他对象区分开来，以实现各种地物的分类。

2.2 方法介绍

本研究的技术路线（如图2所示）。首先基于GEE平台进行6至8月Landsat8无云影像合成，以此避免6至8月的云雨天气造成的影像。通过影像合成，得到无云的高清影像成果。

图2 技术路线图

其次，在合成的影像上进行样本采集，主要采集类别为：水体、建筑、林草地、农作物，通过丰富样本类型达到农作物高精度识别与提取的目的。将采集的样本进行筛选，筛选出用于遥感分类的样本以及用于精度验证的样本。

然后，将分类样本分别带入到K均值聚类、最大似然法、面向对象三种分类方法中，进行基于GEE平台的遥感分类，得到三种分类成果。

最后，采用预留的精度验证样本对三种分类成果进行分类精度评价，评价出最优解译方法。

3.结果分析

3.1 样本标记

本研究选取的样本是基于GEE平台，采用人工目视标识的方法进行样本标记与统计，主要采集类型为水体、建筑、林草地、农作物。各类别采集样本情况（如图3所示）。建筑、水体、农作物各类样本量整体保持一致，林草地样本量相对较少。原因是挑选林草地样本时，对于灌草地区未进行样本采集，避免灌草地区对后续研究中的农作物分类产生混淆。南昌县农作物多为水稻，水稻在耕种前与收获后，会闲置一段时间，该时间段内田块中滋生的杂草与灌草地区的杂草在影像上的纹理相似，且极易出现混淆现象。为避免此现象的发生，本研究首先在选取样本的时候避开灌草类别，同时在选取研究时段时选取水稻已耕种且处于拔节期的时段，即6至8月，该时段较好地解决了灌草对农作物提取的影响。

图3 基于GEE平台勾画各地类样本

3.2 分类成果

通过GEE平台对南昌县进行农作物分类（如图4所示），图4（a）为K均值聚类分类成果，（b）为最大似然分类成果，（c）为面向对象分类成果。由图4可知，K均值聚类整体分类成果中，各地类像元相对集中，如居民地具有很好的显示，但对于非居民地的独栋建筑，则不能较好地识别出来，究其原因是对像元进行临近分析时，独栋建筑作为弱项，被分析计算到相邻像元类别中，如南昌县北部地区的建筑物，均被耕地及林草地类别包括进去；最大似然法分类采用美国公布的CDL耕地数据作为掩膜进行分类，分类精度相对于K均值聚类法高，但对混合像元的处理不如K均值聚类方法，如南昌县南部，建筑出现较多错误识别，违背了建筑分布的合理性，空间分布零星散乱，不符合居住及建筑群的特性；面向对象分类成果精度最高，且各地类分布相对合理，其整体分类成果与最大似然法分类成果相似，但局部地区的小图斑识别精度高于最大似然法。

图4 基于GEE平台的三种分类器分类成果图

三种分类方法对农作物的识别精度不尽相同，其中面向对象分类方法对农作物的识别精度最高，相比其他两种分类方法，面向对象方法提取的农作物精度高的原因是因为面向对象方法将样本作为对象，且对对象进行纹理特征计算、指数特征计算等，从而丰富特征库，将农作物的特征最大程度地贡献给分类器，然后将农作物精准识别出来。面向对象方法的识别精度优势区域在南昌县中部、北部地区。南昌县农作物种植集中在中部、北部地区，且呈大面积连片种植。K均值聚类法将过多的地类区分成了农作物，造成了错分现象；而最大似然法对混合像元的处理效果不太好，像元噪点较多；分类成果中的琐碎图斑较多，整体精度低于面向对象方法；面向对象方法则较好地识别出了南昌县地区的农作物种植空间分布。南昌县种植作物多为水稻，本研究选取的研究时段为6至8月，该时段对水稻的反映可从短波红外、近红外、红边波段联合响应，通过特征丰富，农作物的光谱及纹理特征差异扩大，通过分类器可较好地识别出来。

3.3 精度评价

采用预留的20%验证样本，结合三种分类方法，对四种地物类型的遥感识别进行精度评价（如表1所示）。整体来说，分类精度最高的是面向对象分类方法，其次是最大似然法，最低的是K均值聚类分类方法。三种分类方法在Landsat8影像上的地表要素提取精度上均高于遥感分类的85%精度极限，这为后期地表覆盖遥感分类提供了良好的成果证明。

表1 分类精度评价

基于GEE平台的农作物提取成果中，三种分类方法的提取精度（如图5所示）。整体来说，面向对象分类方法的精度相对最高，是因为面向对象分类较前两种分类方法，增加了指数特征、拓扑特征、形状特征、光谱特征等，在分类时会采用最优相关性选择进行最优特征选取，剔除冗余的特征，并将最优特征添加到分类器中，以此保证分类精度的最优化；相对于面向对象分类方法，K均值聚类与最大似然法也具有较好的可取性，如K均值聚类方法在样本获取较困难的窗口或地区，可采用K均值聚类方法，通过最优类别划分，进行多次迭代与分类，可得到相对较高精度的聚类成果；而最大似然法在面向对象方法之前是遥感分类方法中应用最多的分类器，该方法在建筑与水体的识别中具有较好的适用性，且该优点也在本研究中得到证实。

图5 基于GEE平台的三种分类器农作物识别精度对比图

3.4 GEE时效性分析

本研究整个流程都是在GEE上进行的，如通过GEE平台进行样本勾画、遥感分类、精度评价等工作。

通过GEE平台进行样本勾画工作，较传统的ENVI等软件勾画ROI具有快速标记、分类统计等优势，如在GEE平台上标记100个样本所用时间约为5分钟，而在ENVI软件中需要先创建ROI，再标记，然后导出XML文件，整体操作时间远大于GEE平台操作时间。

通过GEE平台进行遥感分类工作，三种分类方法均在3分钟之内完成分类，整体效率远大于传统的软件分类，且GEE对分类过程的参数调整也具有较直接地操作。

通过GEE平台进行精度评价工作，与分类相似，可在3分钟之内完成精度评价；传统的精度评价需要验证样本导入、ROI创建等工作，且操作繁琐。

4.结论与展望

本研究基于GEE平台联合Landsat影像，采用不同的遥感分类方法对江西南昌县农作物进行研究识别，通过研究得出以下结论：

整体来说，GEE平台在农作物遥感分类中具有快速、高效、数据源丰富、调参便捷等优势。

K均值聚类、最大似然法分类、面向对象分类方法在地表信息提取上均具有较好的分类精度。

农作物信息提取中，面向对象分类方法具有最高的分类精度，究其原因是面向对象分类方法增加了作物的光谱、纹理等特征，将农作物的信息最大程度地贡献给分类器，从而得到更高的分类结果。

本研究通过GEE平台进行农作物分类研究，虽然取得较好的成果，但仍存在一定的问题。本研究选取的分类方法仅为三种，未引入更多的分类方法；本研究选用的Landsat影像，时间分辨率与空间分辨率较差，而且容易受到云雨影响，导致错过最佳的农作物信息监测时期。下步研究将引入欧空局的Sentinel2影像进行研究。