梁友嘉，徐中民

(中國科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所 內(nèi)陸河流域生態(tài)水文重點試驗室，甘肅 蘭州 730000)

作物類型和生長面積是農(nóng)作物管理和農(nóng)業(yè)規(guī)劃的基本信息源之一。近幾十年來，遙感技術(shù)在作物識別和面積估算研究中已得到廣泛應(yīng)用，從航空拍攝圖像到多光譜衛(wèi)星影像，技術(shù)手段日益更新。由于衛(wèi)星影像具有覆蓋面積大、時效性強(qiáng)等特點，已逐漸取代航空圖像成為作物識別的基本信息源[1]。基于不同的衛(wèi)星傳感器，在作物識別和面積估算中得到廣泛應(yīng)用的衛(wèi)星影像有：Landsat MSS(Multispectral Scanner，MSS)和TM(Thematic Mapper，TM)數(shù)據(jù)[2]，SPOT影像[3]，印度遙感衛(wèi)星(Indian Remote Sensing Satellite，IRS)數(shù)據(jù)[4]。其中，單日尺度的多光譜影像最為常用，但已有學(xué)者指出在特定年份使用多日尺度影像進(jìn)行分類的諸多優(yōu)勢[5-6]。選用單日或多日尺度影像取決于諸多因素，一般包括研究區(qū)作物類型、生長周期、數(shù)據(jù)獲取成本和氣候條件等。此外，選擇影像時還應(yīng)考慮光譜特征，光譜信息越多，越能借助詳細(xì)的光譜特征進(jìn)行作物分類，但操作成本會相應(yīng)增加。一般情況下，氣候條件是獲取影像的最大限制因素，往往用于特定研究區(qū)作物生長情況研究的影像是無云的單日衛(wèi)星影像?；谏鲜鲆蛩兀詥稳粘叨扔跋駷閿?shù)據(jù)源時，通?？衫枚喾N分類技術(shù)和大量的訓(xùn)練樣本獲取較為精確的作物分類。此外，為克服云覆蓋的問題，合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)影像也已得到應(yīng)用。一般有兩種用法：或單獨用于作物識別研究[7]，或和一些光學(xué)遙感影像聯(lián)合使用[8]。

作物類型區(qū)分的基本假設(shè)是每種作物類型有唯一的地物特征或唯一的光譜特征。但實際工作中較難區(qū)分，會受土壤屬性、施肥狀況、蟲害狀況、灌溉、種植時間、套作和耕地活動等影響[9-10]，致使某一個譜段區(qū)內(nèi)兩種不同地物可能呈現(xiàn)相同的譜線特征(同譜異物)，或使得處于不同生境的同一地物呈現(xiàn)不同的譜線特征(同物異譜)。此外，作物物候和田塊的空間光譜信息變化也是常見的問題[11-12]。近年來，隨著GIS技術(shù)的大量使用，利用衛(wèi)星影像獲取精確作物信息的可能性得到極大提高。除傳統(tǒng)監(jiān)督分類和非監(jiān)督分類方法外，人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹和影像分割等新技術(shù)已在遙感影像分類中得以應(yīng)用[13]；還有基于田塊的分類方法，也可提高分類精度，但需田塊邊界信息[14]。

近年來，一些高空間分辨率影像，如IKONOS、QuickBird和SPOT-5等衛(wèi)星影像逐漸民用化，與傳統(tǒng)影像相比，高分辨率影像可更好地提高作物分類和面積估算精度。如IKONOS衛(wèi)星提供的多光譜數(shù)據(jù)為4 m分辨率，包括3個可見光波段和1個近紅外波段。QuickBird多光譜影像分辨率為2.4或2.8 m，波段與IKONOS類似。SPOT-5發(fā)射于2002年，在保持60 km×60 km的成像范圍不變的情況下，其全色波段(490-690 nm)分辨率提高到2.5 m；其多光譜影像包括4個波段：2個可見光波段，分別為綠光(490-610 nm)和紅光(610-680 nm)波段；1個近紅外波段(780-890 nm)，空間分辨率為10 m，同時還有一個短波近紅外波段(1 580-1 750 nm)，空間分辨率為20 m。融合全色影像和多光譜影像既可提高空間分辨率，又可增加地物光譜信息，是高分辨率影像分析中常用的方法。

基于上述傳感器的影像數(shù)據(jù)已有許多研究成果，國外研究較為成熟，常與其它多種遙感數(shù)據(jù)源嵌套使用，相關(guān)結(jié)果已在農(nóng)業(yè)規(guī)劃、景觀規(guī)劃和決策制定等領(lǐng)域得到廣泛應(yīng)用[15-18]，國內(nèi)的研究目前主要集中在兩個方面：一是算法研究和軟件二次開發(fā)[19-20]；二是大尺度的土地利用解譯[21]，但查閱文獻(xiàn)可知，基于區(qū)域尺度的作物識別研究仍較少。因此，在作物識別和相關(guān)的農(nóng)業(yè)領(lǐng)域應(yīng)用中，需要進(jìn)一步加強(qiáng)遙感影像分類方法的探索研究。本研究主要目標(biāo)有：1)以張掖市盈科灌區(qū)為例，在灌區(qū)尺度上利用5種影像分類方法對融合后的單日SPOT-5影像進(jìn)行作物識別，并評估分類效果，方法包括最小距離法、馬氏距離、最大似然法、光譜角制圖儀(Spectral Angle Mapper，SAM)和支持向量機(jī)(Support Vector Machine，SVM)；2)在3種像元空間分辨率(初始的2.5 m分辨率、模擬的10和30 m分辨率)水平上，對比分類精度。

1 數(shù)據(jù)與方法

1.1研究區(qū)概況與數(shù)據(jù)來源 研究區(qū)為甘肅省張掖市盈科灌區(qū)(圖1)，海拔1 419～1 600 m。灌區(qū)地勢為東南高西北低，東西長17.4～33.5 km，南北寬14.2～66.4 km，總面積654 km2。灌區(qū)屬大陸性寒溫帶干旱氣候，多年平均氣溫6.5～7.0 ℃，最低氣溫-28 ℃，最高氣溫33.5 ℃，多年平均降水量約125 mm，年蒸發(fā)強(qiáng)度1 291 mm[22]。灌區(qū)轄新墩、長安、小滿、靖安、二十里堡、黨寨、梁家墩、烏江等11個鄉(xiāng)(鎮(zhèn))104個行政村，1個國營林場，總?cè)丝?6.44萬人，其中農(nóng)業(yè)人口占94%。

基于作物歷和研究區(qū)衛(wèi)星過境時間等因素，本研究使用的遙感數(shù)據(jù)為兩景無云SPOT-5影像，包括分辨率為2.5 m的全色影像和分辨率為10 m的多光譜影像數(shù)據(jù)，采集日期分別是2008年3月29日和2008年8月10日。分別進(jìn)行幾何精校正后，將SPOT-5的2.5 m全色影像和10 m多光譜影像進(jìn)行融合(圖2)。上述影像處理過程和結(jié)果詳見中國西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心(http://westdc.westgis.ac.cn) 的黑河綜合遙感聯(lián)合試驗SPOT-5遙感數(shù)據(jù)集制作。利用融合后的影像重采樣，分別得到分辨率為10和30 m的影像，用于空間尺度驗證。此外，獲取由張掖市水務(wù)局提供的盈科灌區(qū)邊界圖。

圖1 研究區(qū)示意圖Fig.1 The map of study area

圖2 基于2.5 m分辨率的研究區(qū)SPOT-5融合影像(右)和全色影像(左)Fig.2 A combined (right) and panchromatic (left) SPOT-5 2.5 m spatial resolution image of study area

影像獲取時的主要作物類型除大田玉米(Zeamays)、制種玉米、洋芋(Solanumtuberosum)、谷子(Setariaitalica)、水稻(Oryzasativa)、甜菜(Betavulgaris)、胡麻(Sesamumspp.)籽、油菜(Brassicaspp.)籽、葵花(Helianthusspp.)籽、蔬菜、瓜類、青飼料和春小麥(Triticumaestivum)等外還有非作物?？紤]到張掖市“十二五”規(guī)劃中提出要擴(kuò)大20萬畝(合1.3萬hm2)制種玉米地，而研究區(qū)是張掖市制種玉米的主要產(chǎn)區(qū)之一，故制種玉米地的信息提取是本次影像分類的重要內(nèi)容。通過野外實地調(diào)查獲取188個采樣點的位置和圖片信息，用于作物分類樣本的建立，數(shù)據(jù)采集設(shè)備為兩臺海王星Triton300e手持GPS，測試誤差≤3 m，每次定位的時常為1～3 min，整個采樣歷時10 d。

1.2影像分類 首先，對融合的2.5 m分辨率的影像數(shù)據(jù)重采樣，得到10和30 m分辨率的影像，分別用于模擬SPOT-4和Landsat ETM+的影像，輸出影像中的每個像元值是聚合前相應(yīng)的各個輸入像元的平均值。影像地圖投影坐標(biāo)選為通用橫軸墨卡托(Universal Transverse Mercartor，UTM)，橢球體為WGS(World Geodetic System)1984，重采樣方法為最近鄰法，上述操作采用遙感圖像處理軟件ERDAS IMAGINE 9.1完成。

分析已有的采樣點類型和數(shù)量，對已有作物類型進(jìn)行合并，得到的主要類型有春小麥、普通玉米、制種玉米和蔬菜，此外，非作物包括林地、河渠、水體、交通用地、建設(shè)用地和未利用地，最終有10類土地利用/覆蓋類型用于監(jiān)督分類。利用168個實測點制作訓(xùn)練樣本，剩余的20個觀測樣本用于分類后精度驗證，10和30 m分辨率的影像也采用上述訓(xùn)練樣本。

本研究使用最小距離法、馬氏距離、最大似然法、光譜角制圖儀(SAM)和支持向量機(jī)(SVM)5種監(jiān)督分類器進(jìn)行分類。

最小距離分類器利用從訓(xùn)練樣本數(shù)據(jù)獲取的類均值進(jìn)行分析，判斷每個像元到各類均值的最小歐幾里得距離[23]，主要公式如下：

式中，di(xk)為距離，j為波段序號；總波段數(shù)為n，i為類別號；xkj為k像元在j波段的亮度值；Mij為均值。

馬氏距離法類似于最小距離法，但在計算中引入了協(xié)方差矩陣，考慮了變量相關(guān)性，是一種加權(quán)的歐氏距離，最終得到每個像元到類的最小馬氏距離并進(jìn)行分類，主要公式：

di(xk)=(xk-Mi)T(∑i)-1(xk-Mi);

式中，∑i為協(xié)方差矩陣，σjl為協(xié)方差，l和j為不同的兩個波段序號，其他符號含義與前述一致。

最大似然分類法假設(shè)每個類型的像元在每個波段呈正態(tài)分布，計算給定像元隸屬于某個類型的概率值[24]，每個像元只歸類到概率值最高的那個類中。

SAM分類假設(shè)歸屬于某一類型的像元具有最小的波譜角，用N維角度將像元與參考波譜進(jìn)行匹配，此方法將波譜看成是空間中的矢量，矢量維數(shù)就等于波段個數(shù)，通過計算波譜間的角度，來判斷多個波譜間的相似程度[25]，其數(shù)學(xué)公式為：

式中，α為圖像像元光譜與參考光譜之間的廣義夾角(光譜角)，其變化區(qū)間是[0，π/2]；X為圖像像元光譜曲線矢量；Y為參考光譜曲線矢量。

SVM是建立在統(tǒng)計學(xué)習(xí)理論的VCD(Vapnik Chervonenkis Dimension)理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，根據(jù)有限樣本信息在對特定訓(xùn)練樣本的學(xué)習(xí)精度和無錯誤地識別任意樣本的能力間尋求最佳折衷，以期獲得最好的推廣能力，一般分為一對一SVM、一對多SVM、二叉樹SVM和有向無環(huán)圖SVM[26]。本研究使用的是一對多SVM，即通過在一類樣本與剩余的多類樣本之間構(gòu)造決策平面，以達(dá)到多類識別的目的。上述5類分析方法利用遙感圖像處理軟件ENVI 4.6的監(jiān)督分類模塊實現(xiàn)。

1.3精度評價 在精度評價中，將6類非作物類型合并為一個單一類型，最終共包括4類作物類型和1類非作物類型，利用剩余的點做精度驗證?；诜诸惤Y(jié)果和驗證結(jié)果，可以得到分類圖誤差矩陣和其它的分類精度統(tǒng)計量，包括：總體精度(被正確分類的像元總和除以總像元數(shù))、制圖精度(指假定地表真實為A類，分類器能將一幅圖像的像元歸為A的概率)、用戶精度(指假定分類器將像元歸到A類時，相應(yīng)的地表真實類別是A的概率)和Kappa系數(shù)[27]。其中，Kappa分析可以檢驗是否每種類型顯著地好于隨機(jī)分類以及是否兩類之間有顯著的不同。Kappa值的取值范圍為0～1，1表示分類結(jié)果和參考數(shù)據(jù)間完全一致，0表示完全不一致。同時，為提高分類圖的表現(xiàn)效果，還需分類后處理，本研究主要做聚類和過濾處理。

2 結(jié)果與討論

2.1基于融合影像的分類結(jié)果 圖3是基于2.5 m空間分辨率的4個波段SPOT-5影像得到的，使用的監(jiān)督分類方法是最大似然法。從圖上可以看出結(jié)果對作物類型和非作物類型有很好的區(qū)分效果；由于作物田塊具有不同的生長階段和管理條件，作物類型中的普通玉米和制種玉米的區(qū)分不明顯；分類圖中多數(shù)田塊只有一個絕對類型，但實際上所有田塊都會包含一些細(xì)小的、其他類型的斑塊；另外，一些特定類型之間的光譜特征也比較相似。

圖3 基于2.5 m分辨率影像的分類結(jié)果Fig.3 The classification result based on SPOT-5 2.5 m spatial resolution image

制種玉米為研究區(qū)主要作物類型，基本沿區(qū)內(nèi)的灌溉干渠和支渠分布，充分體現(xiàn)出研究區(qū)綠洲農(nóng)業(yè)的特點；普通玉米和春小麥分布零散，絕對面積很小，菜地主要分布在一些居住用地和交通用地的四周，面積也相對較小；灌區(qū)內(nèi)的非作物用地分布零散，但相對面積較大，該類景觀的破碎化程度較為明顯，也表明整個灌區(qū)受人類活動干擾日益明顯(圖3)。

最大似然法的總體精度最高，為90.6%，SVM次之，其余3種方法精度下降明顯；由Kappa系數(shù)知，最大值為最大似然法的0.871 9，其次為SVM的0.862 5，其余3類Kappa系數(shù)下降明顯(表1)。5種分類器精度排序為最大似然法>SVM>馬氏距離>SAM>最小距離法；雖然最大似然法和SVM顯著好于其余3種方法，但這兩者間的區(qū)別不明顯；同時，SVM算法復(fù)雜，運行時間過長，處理影像的運行時間約為5 h，是最大似然法時長的8倍左右，對PC配置要求也較高，故最終選擇的最優(yōu)監(jiān)督分類方法為最大似然法。

表1 基于SPOT-5 2.5 m影像的5種分類結(jié)果精度評價Table 1 Accuracy assessment results for five classification maps based on SPOT-5 2.5 m spatial resolution image

在制圖精度和用戶精度中，最大似然法的各作物種類精度也普遍較高，其中對非作物的區(qū)分效果最好，分別達(dá)到93.7%和97.2%。蔬菜和春小麥的用戶精度較低，分別為80.5%和71.0%，這可能與訓(xùn)練樣本制作時勾繪的面積較小和樣本點較少有關(guān)；另外，蔬菜種類較多，分類時將其合并為一類處理，也會導(dǎo)致精度下降，增加不確定性。

2.2空間尺度變化分析 基于最大似然法和已有訓(xùn)練樣本，分別得到10和30 m分辨率的研究區(qū)分類圖(圖4)，結(jié)果與2.5 m分辨率結(jié)果類似。其中，10 m分辨率結(jié)果與30 m分辨率結(jié)果的噪聲點依次增加，表明融合了多光譜的高精度影像更有利于提高解譯精度。

基于2.5 m分辨率、10 m分辨率和30 m分辨率的分類圖總體精度分別為90.6%、89.5%和88.9%，可以發(fā)現(xiàn)隨像元尺度增大，分類精度逐漸降低，但差別不太明顯，這與目視觀察結(jié)果(圖2、3)一致。但解譯精度仍具有不確定性，會受到野外實地采點誤差和訓(xùn)練樣本選取數(shù)量、大小和區(qū)位等的影響。

圖4 基于10(左)和30 m(右)分辨率影像的分類結(jié)果Fig.4 The classification results based on SPOT-5 10 (Left) and 30 (right) m spatial resolution images

3 結(jié)論

1)影像獲取時間與主要作物最佳生長期一致時，融合后的單日SPOT-5影像可以用于作物識別；2)在5種分類方法中，最大似然法和SVM的總體分類精度分別為90.6%和90.2%，表現(xiàn)效果明顯好于最小距離法、馬氏距離和SAM；3)從4類作物的用戶精度和制圖精度看，最大似然法好于SVM，在最大似然法中，制圖精度最低的為普通玉米(83.4%)，用戶精度最低的為春小麥(71.0%)；4)隨像元空間尺度的增加，分類圖的總體精度由90.6%下降到88.9%，但下降不明顯，未顯著影響最終的分類精度，說明可以使用較低分辨率影像以降低成本，而高空間分辨率的影像可以用于精細(xì)農(nóng)業(yè)的作物分類中，由于本研究主要關(guān)注制種玉米地，致使作物類型較少，今后要進(jìn)一步增加作物類型，對上述規(guī)律加強(qiáng)驗證。

本研究利用SPOT-5影像進(jìn)行作物分類識別研究，并對精度和空間分辨率等因素進(jìn)行分析。結(jié)果表明，考慮到成本和天氣影響，利用覆蓋研究區(qū)的單日尺度SPOT-5影像進(jìn)行作物分類更加有效，同時，數(shù)據(jù)獲取時間要符合主要作物的最佳生長期。該方法可進(jìn)一步用于類似的案例研究中，開展多類型的影像解譯效果對比是作物識別研究中需要進(jìn)一步加強(qiáng)的工作。

致謝：感謝中國西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心提供黑河綜合遙感聯(lián)合試驗SPOT-5遙感數(shù)據(jù)集，感謝審稿專家提出的寶貴意見與建議。

[1] Murakami T,Ogawa S,Ishitsuka N,etal.Crop discrimination with multitemporal SPOT/HRV data in the Saga Plains,Japan[J].International Journal of Remote Sensing,2001,22(7):1335-1348.

[2] Oetter D R,Cohen W B,Berterretche M,etal.Land cover mapping in an agricultural setting using multiseasonal Thematic Mapper data[J].Remote Sensing of Environment,2000,76:139-155.

[3] Büttner G,Csillag F.Comparative study of crop and soil mapping using multitemporal and multispectral SPOT and Landsat Thematic Mapper data[J].Remote Sensing of Environment,1989,29:241-249.

[4] Panigrahy S,Sharma S A.Mapping of crop rotation using multidate Indian Remote Sensing Satellite digital data[J].ISPRS Journal of Photogrammetry and Remote Sensing,1997,52(2):85-91.

[5] Simonneaux V,Duchemin B,Helson D,etal.The use of high-resolution image time series for crop classification and evapotranspiration estimate over an irrigated area in central Morocco[J].International Journal of Remote Sensing,2008,29(1):95-116.

[6] 李金蓮,劉曉玫,李恒鵬.SPOT-5影像紋理特征提取與土地利用信息識別方法[J].遙感學(xué)報,2006,10(6):926-931.

[7] Panigrahy S,Manjunath K R,Chakraborty M,etal.Evaluation of RADARSAT Standard Beam data for identification of potato and rice crops in India[J].ISPRS Journal of Photogrammetry and Remote Sensing,1999,54(4):254-262.

[8] Blaes X,Vanhalle L,Defourny P.Efficiency of crop identification based on optical and SAR image time series[J].Remote Sensing of Environment,2005,96:352-365.

[9] Moran M S,Inoue Y,Barnes E M.Opportunities and limitations for image-based remote sensing in precision crop management[J].Remote Sensing of Environment,1997,61:319-346.

[10] 李玉鳳,王波,李小明.基于SPOT-5影像的山東南四湖地被覆蓋分類研究[J].遙感技術(shù)與應(yīng)用,2008,23(1):62-66.

[11] Buechel S W,Philipson W R,Philpot W D.The effects of a complex environment on crop separability with Landsat TM[J].Remote Sensing of Environment,1989,27:261-272.

[12] 劉玲,趙牡丹.P5和SPOT-5影像在全國土地調(diào)查中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報,2009,25(9):269-273.

[13] Mathur A,Foody G M.Crop classification by support vector machine with intelligently selected training data for an operational application[J].International Journal of Remote Sensing,2008,29(8):2227-2240.

[14] 王冬梅,陳性義,潘潔晨,等.遙感圖像融合技術(shù)在土地利用分類中的應(yīng)用研究[J].工程地球物理學(xué)報,2008,5(1):115-118．

[15] Sawaya K E,Olmanson L G,Heinert N J,etal.Extending satellite remote sensing to local scales:Land and water resource monitoring using high-resolution imagery[J].Remote Sensing of Environment,2003,88:144-156.

[16] Wang L,Sousa W P,Gong P,etal.Comparison of IKONOS and Quick-Bird images for mapping mangrove species on the Caribbean coast of Panama[J].Remote Sensing of Environment,2004,91:432-440.

[17] Yang C,Everitt J H,Fletcher R S,etal.Using high resolution QuickBird imagery for crop identification and area estimation[J].Geocarto International,2007,22(3):219-233.

[18] 劉興元,龍瑞軍,尚占環(huán).草地生態(tài)系統(tǒng)服務(wù)功能及其價值評估方法研究[J].草業(yè)學(xué)報,2011,20(1):167-174.

[19] 馮秀麗,王珂,樓立明.SPOT-5遙感影像在土地利用變更調(diào)查中的應(yīng)用[J].浙江大學(xué)學(xué)報,2005,31(1):12-16.

[20] 邵永社,張紹明,張雷雨,等.高分辨率遙感影像土地利用動態(tài)監(jiān)測技術(shù)研究[J].計算機(jī)工程與應(yīng)用,2009,45(9):161-163.

[21] 張繼賢,楊貴軍.單一時相遙感數(shù)據(jù)土地利用與覆蓋變化自動檢測方法[J].遙感學(xué)報,2005,9(3):294-299.

[22] 梁友嘉,徐中民.基于系統(tǒng)動力學(xué)的黑河中游地區(qū)Penman-Monteith修正模型估算研究[J].草業(yè)科學(xué),2011，28(1):18-26.

[23] Campbell J B.Introduction to Remote Sensing[M].3rd ed.New York:The Guilford Press,2002:22-23.

[24] Dobbins R N,Thibault C.Timely crop area estimates from Landsat[J].Photogrammetric Engineering and Remote Sensing,1985,51:1735-1743.

[25] Kruse F A,Lefkoff A B,Boardman J W,etal.The spectral image processing system (SIPS):Interactive visualization and analysis of imaging spectrometer data[J].Remote Sensing of Environment,1993,44(2-3):145-163.

[26] Guyon I,Weston J,Barnhill S,etal.Gene selection for cancer classication using support vector machines[J].Machine Learning,2002,46:389-422.

[27] Congalton R G,Green K.Assessing the Accuracy of Remotely Sensed Data:Principles and Practices[M].Boca Raton:Lewis Publishers,1999:67-68.