GF-6 卫星红边波段影响下东北大田作物识别精度分析

解文欢，张有智，吴 黎，宋丽娟，张海峰，张 宇

（黑龙江省农业科学院农业遥感与信息研究所，150086，哈尔滨）

作物类型遥感识别是获取主要农作物空间分布信息的首要环节和工作基础。由于叶片内部的细胞结构的特征决定，健康植物的光谱响应在红边波段亮度陡然增加约10 倍，红边波段与植被的各种理化参数紧密相关[1]。因此，红边波段可以有效地监测植被的生长状况，用于植被识别[2-3]和植被生理生化参数[4-5]等方面的研究。

杜保佳等利用Sentinel-2A 多光谱数据的NDVI时间序列数据集，采用面向对象分类决策分类方法，对黑龙江省北安市农作物进行分类，总体精度提高了7.7%。[6]王利民等基于RapidEye 影像，采用红边、近红外波段反射率之和构建了棉花提取指数，对河北省冀州市棉花进行提取，总体精度达到88.80%。[7]刘怀鹏以Worldview-2 为数据源，结合影像光谱、纹理等信息特征，对绿化树种进行分类，利用最大似然法对完整8波段分类的总体精度较传统4 波段高10.723 1%。[8]顾峰等基于Sentinel-2 数据采用随机森林回归算法，对绿洲内的4 种典型植被叶片的叶绿素相对含量进行估算和验证，“红边” 的光谱指数对估算模型起到了更为关键的作用。[9]樊东东利用野外调查数据分析了健康小麦与病虫害小麦在Sentinel-2A 波段上的光谱反射率差异，结果显示感染病虫害作物在红边范围变化最为明显。[10]

本文以GF-6 卫星影像为数据源，对研究区东北大田作物（大豆、玉米、水稻）采用最大似然法进行分类和面积提取，通过不同波段组合作用下东北大田作物分类结果的比较，分析红边波段对东北大田作物识别精度的影响，探究红边波段在东北大田作物识别中的作用，为东北大田作物面积和种植结构提取提供方法参考。

1 研究区概况

依兰县位于黑龙江省南部地区，地处125.3°～129.4°E，45.1°～47.6°N，面积4 615.72 km2。研究区多为平原地貌，地势低洼，部分山区仅在东部。研究区属于温带大陆性气候区，年均气温在2.6～3.1 ℃，最低气温-36.1 ℃，最高气温37.2 ℃，无霜期137 d。年平均降水量在500～600 mm，降水多集中在夏季。研究区属于镰刀湾地区，玉米多年连作，破坏生态环境，监测研究区农作物种植结构变化意义重大。研究区的具体位置如图1 所示。

图1 研究区地理位置示意图

2 研究数据及预处理

2.1 遥感数据及预处理

本文以2019 年8 月2 日的GF-6 卫星WFV 数据为数据源，GF-6 卫星与GF-1 卫星组网运行，GF-6影像与GF-1 影像预处理流程相似，在ENVI5.3 中对获取的GF-6 卫星数据进行辐射定标、大气校正和几何精校正等预处理工作[11]。

2.2 作物分类精度验证数据获取

2018 年4 月采用GIS-RTK 获取研究区耕地地块数据，基于2019 年9 月2 日3 景RapidEye 影像判断作物属性，并获取研究区内玉米、大豆、水稻和其他作物的空间分布结果（如图2 所示）。该结果作为评价农作物提取的面积精度和验证可分性测度的真值。

图2 研究区实测耕地地块作物分布结果

3 研究方法

本文根据作物物候特点选择作物处于生长旺盛期（玉米的抽雄期、大豆的结荚期、水稻的抽穗期）的2019 年8 月2 日的影像进行作物识别。采用监督分类的最大似然法[12]，根据不同波段参与下分类方案（如表1 所示），提取玉米、大豆和水稻3 种作物的面积。分类结果与研究区实测耕地地块基于RapidEye影像判断作物属性的玉米、大豆和水稻的空间分布结果进行误差矩阵模型精度验证，采用总体分类精度、制图精度和用户精度3 种方式比较分类精度，进行分类精度评价[13-15]。

4 结果与分析

利用研究区实测耕地地块，根据RapidEye 影像判断作物属性，所得的结果与8 种波段组合方案做误差矩阵，采用总体分类精度、制图精度和用户精度3 种方式比较分类精度，进行分类精度评价，分类精度评价结果如表1 所示。

从表1 中可以看出前4 个波段与其他波段不同组合的总体精度差异，有红边参与的全波段、5 和6 波段、6 波段、5 波段，总体精度分别提高了2.51、2.21、1.86、1.25 百分点，没有红边参与的7 和8 波段、8 波段、7 波段，总体精度分别提高了0.25、0.49、0.32 百分点。这充分说明了利用光谱特征分类，红边波段能够有效地提高影像的分类精度，尤其是红边波段的引入，总体分类精度显著提高。

表1 研究区不同方案分类精度（误差矩阵）

5 结论与讨论

通过对GF-6 影像大田作物分类的研究可以发现，卫星传感器红边波段能够有效地提高影像的分类精度，尤其是红边波段的引入，总体分类精度显著提高。

从光谱特征角度分析，增加红边波段能够显著提高玉米与大豆和水稻与大豆的光谱差异性，玉米与水稻的光谱差异性也有所提高，提升了各农作物之间的识别精度。单时相遥感影像分类中，红边波段能够有效地提高影像的分类精度。引入红边波段后，水稻的错分率降低，大豆和玉米的漏分率降低，区分玉米、水稻的能力明显提升；引入第7 和第8 波段后，效果不显著。本研究过程中也发现一些尚待解决的问题，所选研究区为玉米主产区，大豆种植地块面积较小，受GF-6 卫星分辨率的影响，大豆总体分类精度较低，下一步应选择三种作物种植比重接近的区域进行精度对比分析，对GF-6 卫星影像的识别精度验证进行补充研究。