王曉昕++范燕敏++武紅旗

摘要：本研究選取新疆昌吉市為研究區(qū)，以基于GF-1影像的作物分類與玉米識別為目的，利用2015年的5景高空間和高時(shí)間分辨率的GF-1遙感影像，經(jīng)對影像進(jìn)行掩膜處理后，分別利用最大似然法、馬氏距離法、最小距離法、平行六面體法、神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)法對昌吉市的作物進(jìn)行分類與玉米識別。結(jié)果表明，昌吉市玉米識別的最佳方法為最大似然法，最佳月份為8月，總體分類精度為98.48%，Kappa系數(shù)可達(dá)到0.98，制圖精度與用戶精度分別為99.93%和97.72%。

關(guān)鍵詞：GF-1影像；玉米識別；作物分類；分類方法

中圖分類號：S513文獻(xiàn)標(biāo)識號：A文章編號：1001-4942（2017）06-0139-04

AbstractIn this paper， Changji City was selected as the study area， the crop classification and maize recognition based on GF-1 images was the purpose. Five GF-1 remote sensing images with high spatial and temporal resolution of 2015 were covered by mask and then used to classify the crops from Changji and recognize the maize by maximum likelihood， Mahalanobis distance， minimum distance， parallelepiped， neural net classification method and support vector machine. The results showed that the best method of maize identification in Changji was the maximum likelihood method， the best month was August， the overall classification accuracy was 98.48%， the Kappa coefficient could reach 0.98， and the mapping accuracy and user accuracy were 99.93% and 97.72%.

KeywordsGF-1 image；Maize recognition；Crop classification；Classification method

〖HJ*4/9〗我國是農(nóng)業(yè)大國，農(nóng)業(yè)的發(fā)展直接關(guān)系著社會(huì)的穩(wěn)定與發(fā)展。農(nóng)情信息在保障國家糧食安全、調(diào)整農(nóng)業(yè)種植結(jié)構(gòu)、農(nóng)業(yè)防災(zāi)減災(zāi)、農(nóng)業(yè)可持續(xù)發(fā)展等方面發(fā)揮著積極的科技支撐作用，故開展農(nóng)情監(jiān)測意義重大。但傳統(tǒng)的逐層統(tǒng)計(jì)匯報(bào)和實(shí)地測量方法誤差大、耗時(shí)耗力，且缺乏直觀的空間分布信息[1]。遙感技術(shù)由于具有宏觀、迅速的大范圍監(jiān)測能力，成為農(nóng)作物種植監(jiān)測不可或缺的技術(shù)手段，受到各國政府和專家學(xué)者的重視[2]。

目前，國外主要利用多時(shí)相、多源數(shù)據(jù)來進(jìn)行作物的分類與面積的提取[3-8]。但這些研究主要采用中低分辨率影像來提取大宗作物種植信息，作物的分類精度總體偏低。2013年我國自主研發(fā)的高分一號（GF-1）衛(wèi)星成功發(fā)射，實(shí)現(xiàn)了高時(shí)間、高空間、高光譜分辨率的兼顧；同年，國家統(tǒng)計(jì)局利用GF-1數(shù)據(jù)完成了對河北、遼寧、山東、湖北、黑龍江5省的秋糧和新疆棉花種植面積的遙感調(diào)查； 2014年利用GF-1數(shù)據(jù)對安徽、山東、河北3省196個(gè)縣的小麥、水稻、玉米進(jìn)行遙感調(diào)查[9，10]。

現(xiàn)今，利用遙感進(jìn)行作物分類的方法主要有監(jiān)督分類、非監(jiān)督分類、決策樹分類和基于面向?qū)ο蟮姆诸惙椒ǖ取Ｄ壳耙延性S多研究利用Landsat影像和高分影像監(jiān)測玉米、小麥、棉花等大宗農(nóng)作物的種植結(jié)構(gòu)、種植面積和長勢[11-17]。如劉哲等[18]構(gòu)建了多時(shí)相 OLI/Landsat-8數(shù)據(jù)集結(jié)合Geo Eye-1高分影像紋理的制種玉米識別方法，用戶精度與制圖精度可達(dá)到86.37%、83.02%，高于僅使用單一OLI /Landsat-8數(shù)據(jù)源的分類精度。

提取農(nóng)作物種植面積是進(jìn)行作物產(chǎn)量預(yù)測的首要工作，玉米在新疆糧食作物中的種植面積和產(chǎn)量占比較大，快速精準(zhǔn)地獲取玉米種植面積對于確保糧食安全和社會(huì)穩(wěn)定、指導(dǎo)和調(diào)控宏觀種植結(jié)構(gòu)等均有重大意義。但玉米與棉花、葡萄等作物具有相似的生長期，僅利用單時(shí)相遙感影像很難將其精確提取出來。本研究以新疆自治區(qū)昌吉市為例，利用高時(shí)間與高空間分辨率的GF-1影像，采用目視解譯與計(jì)算機(jī)自動(dòng)分類相結(jié)合的分類方法進(jìn)行玉米種植面積的提取，探討利用國產(chǎn)高分影像進(jìn)行作物分類、遙感解譯的模式，以豐富國產(chǎn)遙感衛(wèi)星的應(yīng)用。

1研究區(qū)概況與研究方法

1.1研究區(qū)概況

昌吉市地處歐亞大陸腹地，位于天山北麓、準(zhǔn)噶爾盆地南緣。地處東經(jīng)86°24′～87°37′，北緯43°06′～45°20′。地勢南高北低，自西南向東北傾斜，地形十分復(fù)雜。其境內(nèi)的氣候、土壤、植被及水文要素垂直地帶的變化十分明顯。氣候特點(diǎn)是四季分明，夏季干旱炎熱，冬季寒冷漫長，春季溫度變化劇烈，冷空氣活動(dòng)頻繁；秋季降溫迅速，天氣晴朗。降水量年際變化大，季節(jié)性分配不均勻，多集中在春、夏兩季，光照充足，熱量豐富，氣溫年較差、日較差大。昌吉市現(xiàn)有總土地面積8 215平方千米，全市農(nóng)牧民人均占有耕地0.4公頃，農(nóng)產(chǎn)品資源品質(zhì)堪稱世界一流[19]。研究區(qū)內(nèi)作物主要包括玉米、小麥、棉花和其他農(nóng)作物。根據(jù)《昌吉市2015年國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》顯示，2015年昌吉市全年完成農(nóng)作物總播種面積84 400公頃，其中：小麥面積13 327公頃，玉米面積17 413公頃，棉花面積16 647公頃，瓜果類面積5 093公頃[20]。

1.2研究方法

1.2.1農(nóng)作物物候歷調(diào)查收集研究區(qū)內(nèi)主要農(nóng)作物的物候歷，獲得農(nóng)作物空間種植結(jié)構(gòu)和物候時(shí)序，以便用于玉米的識別。研究區(qū)內(nèi)主要作物物候歷如表1所示。

1.2.2數(shù)據(jù)獲取為了減少單時(shí)相影像中出現(xiàn)的“同物異譜”和“同譜異物”現(xiàn)象，本研究采用高時(shí)間分辨率的遙感影像進(jìn)行農(nóng)作物的分類識別和信息提取。根據(jù)研究區(qū)作物的物候歷信息，獲取2015年5月22日、6月4日、7月27日、8月16日、9月6日共5期高分影像用于玉米的識別及其種植面積提取。預(yù)先收集昌吉市行政區(qū)劃、地形地貌、土地利用等資料，以便后續(xù)進(jìn)行影像掩膜和耕地的提取。

1.2.3數(shù)據(jù)預(yù)處理由于含云量、傳感器因素等都會(huì)對地物光譜信息產(chǎn)生一定影響，降低分類識別精度，因此需預(yù)先對影像進(jìn)行校正，以去除氣溶膠、地形、鄰近地物等因素對地物光譜反射率的影響，從而達(dá)到最佳識別精度。首先，利用ENVI5.2軟件對影像進(jìn)行輻射定標(biāo)，將圖像的數(shù)字量化值轉(zhuǎn)化為輻射亮度值。其次對影像進(jìn)行大氣校正，以消除大氣和光照等因素對地物反射的影響，消除大氣分子與氣溶膠散射的影響，獲取地物真實(shí)的光譜反射率信息。最后進(jìn)行幾何精校正：（1）利用比例尺為1∶10 000的2015年昌吉市土地利用現(xiàn)狀圖對GF-1的2 m影像進(jìn)行校準(zhǔn)。（2）以校正后的2 m影像為基準(zhǔn)，利用ENVI Classic軟件的Image to Image功能實(shí)現(xiàn)對昌吉市GF-1的16 m影像配準(zhǔn)，使精度控制在0.5個(gè)像元以內(nèi)。

利用2015年昌吉市土地利用現(xiàn)狀圖對研究區(qū)非耕地進(jìn)行掩膜，以減少非耕地對監(jiān)督分類的影響。

1.2.4分類樣本選取2015年5—9月，在研究區(qū)進(jìn)行外業(yè)實(shí)地調(diào)查，利用GPS定位采集研究區(qū)農(nóng)作物樣本點(diǎn)信息。結(jié)合研究區(qū)主要農(nóng)作物物候歷，每種作物以代表性為原則，選取訓(xùn)練樣本的數(shù)量為GF-1遙感影像波段數(shù)目的10～30倍[21，22]。總共選取365個(gè)訓(xùn)練樣本和160個(gè)驗(yàn)證樣本，見表2。

1.2.5作物分類方法及精度評價(jià)本研究選取最大似然法、馬氏距離法、最小距離法、平行六面體法、神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)法6種方法進(jìn)行監(jiān)督分類。

利用驗(yàn)證樣本進(jìn)行分類精度驗(yàn)證，得到總體精度報(bào)表和可分離性報(bào)告，以便分析利用遙感識別玉米的最佳月份。根據(jù)分析得出的最佳月份，再分別利用這6種方法對研究區(qū)作物進(jìn)行分類，以總體精度、Kappa系數(shù)等對作物識別結(jié)果進(jìn)行評價(jià)。

1.2.6面積計(jì)算根據(jù)監(jiān)督分類得到的結(jié)果，獲得昌吉市2015年玉米種植空間分布。由于分類過程中會(huì)產(chǎn)生一些細(xì)碎圖斑，因此以昌吉市最小地塊面積為基準(zhǔn)，按照30 m×30 m進(jìn)行最小圖斑合并，利用ArcGIS 10.2軟件的statistics工具進(jìn)行玉米所占像元個(gè)數(shù)統(tǒng)計(jì)，從而計(jì)算出昌吉市玉米種植面積。

2結(jié)果與分析

2.1基于GF-1影像的不同月份監(jiān)督分類結(jié)果

針對GF-1 2015年5—9月的影像進(jìn)行監(jiān)督分類，得出總體分類精度報(bào)表和可分離性報(bào)告（表3）?？梢?，總體分類精度8月份最高，為98.48%，Kappa系數(shù)可達(dá)到0.98；從可分離性來看，7—8月份玉米與其他作物的可分離系數(shù)均可達(dá)到1.80及以上，可較好地區(qū)分各類作物。由此可以得出，玉米識別精度最高的月份為8月。

2.2基于GF-1影像的不同監(jiān)督分類方法精度對比

由表4可見，最大似然法的分類總體精度可達(dá)到98.48%，而且綜合制圖精度與用戶精度來說，最大似然法的錯(cuò)分誤差與漏分誤差最小，精度最高，因此，對GF-1影像進(jìn)行監(jiān)督分類的最佳方法為最大似然法。馬氏距離法分類精度最差。

2.3基于高分影像的玉米面積提取

由上可知，8月份昌吉市的作物總體分類精度最好，可利用該時(shí)段的GF-1影像進(jìn)行昌吉市玉米種植總面積提取。結(jié)果顯示，利用GF-1影像識別的8月昌吉市玉米總種植面積為17 680公頃，與當(dāng)年統(tǒng)計(jì)面積（17 413公頃）比較接近。

3討論

本研究采用分辨率為16 m的GF-1影像對研究區(qū)進(jìn)行監(jiān)督分類，從結(jié)果可以看出，不同作物的物候期對分類均有影響，8月小麥已經(jīng)收獲，其他作物逐漸進(jìn)入成熟期，因其光譜反射特征差異大，利于作物識別。利用GF-1進(jìn)行最佳分類時(shí)間的判斷也得到了同樣的結(jié)果，印證了此觀點(diǎn)。因此，利用多時(shí)序影像精確識別玉米的最佳月份為8月，利用該時(shí)段GF-1影像可以更精準(zhǔn)地提取出昌吉市的玉米種植面積。

大部分作物分類研究的最佳方法為支持向量機(jī)法，例如：劉慶生等[23]利用作物關(guān)鍵生育期的HJ衛(wèi)星遙感數(shù)據(jù)，通過增強(qiáng)型植被指數(shù)時(shí)序數(shù)據(jù)分析結(jié)合支持向量機(jī)法準(zhǔn)確提取了山東省無棣縣棉花、玉米等主要作物種植面積，面積總量精度高于93%。郭燕等[24]利用高分一號衛(wèi)星數(shù)據(jù)結(jié)合Landsat-8和RapidEye數(shù)據(jù)，采用支持向量機(jī)和光譜角法在許昌進(jìn)行玉米識別及其面積提取并進(jìn)行精度驗(yàn)證，結(jié)果表明，高分一號攜帶的WFV3傳感器作物識別效果最佳，面積提取精度最高。支持向量機(jī)法的分類精度遠(yuǎn)優(yōu)于光譜角分類法的分類精度。但本研究得出的最佳分類方法為最大似然法，分析其原因可能是：SVM分類器在解決小樣本、非線性及高維模式識別問題中具有較多獨(dú)特優(yōu)勢；支持向量機(jī)分類法是將類與類之間的間隔最大化，但由于研究中分類樣本較多，對其分類精度也有一定影響，而且支持向量機(jī)在對低維樣本點(diǎn)分類時(shí)會(huì)產(chǎn)生精度下降問題，樣本的特征向量維數(shù)對分類精度也會(huì)產(chǎn)生一定的影響[25]。而SAM分類器適用于高光譜影像分類，本研究采用的GF-1影像不是高光譜影像，因此也不適用于SAM分類法。

4結(jié)論

本研究以新疆昌吉市為研究區(qū)，利用連續(xù)時(shí)間序列影像結(jié)合監(jiān)督分類不同算法進(jìn)行玉米識別與面積提取。選擇高空間和高時(shí)間分辨率的GF-1影像為主要數(shù)據(jù)源，并充分利用不同作物物候歷和作物生長紋理結(jié)構(gòu)的差異進(jìn)行玉米識別。結(jié)果表明，基于GF-1影像進(jìn)行昌吉市玉米識別的最佳月份為8月，最佳分類方法為最大似然法，其用戶精度與制圖精度可達(dá)到97.72%和99.93%，數(shù)據(jù)源的分辨率與分類方法的選擇都對玉米的精確提取有直接影響。

參考文獻(xiàn)：

[1]張健康， 程彥培， 張發(fā)旺， 等. 基于多時(shí)相遙感影像的作物種植信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（2）：134-141.

[2]Wu B， Li Q. Crop planting and type proportion method for crop acreage estimation of complex agricultural landscapes [J].International Journal of Applied Earth Observation and Geoinformation，2012，16（1）：101-112.

[3]Solberg A H S， Taxt T， Jain A K. A Markov random field model for classification of multisource satellite imagery [J]. IEEE Transactions on Geoscience and Remote Sensing， 1996，34（1）：100-113.

[4]Pax-Lenney M， Woodcock C E. The effect of spatial resolution on the ability to monitor the status of agricultural lands [J].Remote Sensing of Environment， 1997，61（2）：210-220.

[5]Uchida S. Discrimination of agricultural land use using multi-temporal NDVI data [C]. The 22nd Asian Conference on Remote Sensing， Singapore， 2001.

[6]Turner M D， Congalton R G. Classification of multi-temporal SPOT-XS satellite data for mapping rice fields on a West African floodplain [J]. International Journal of Remote Sensing， 1998，19（1）：21-41.

[7]Okamoto K. Estimation of rice-planted area in the tropical zone using a combination of optical and microwave satellite sensor data [J]. International Journal of Remote Sensing， 1999，20（5）：1045-1048.

[8]McNairn H， Ellis J， Van Der Sanden J J， et al. Providing crop information using RADARSAT-1 and satellite optical imagery [J]. International Journal of Remote Sensing， 2002，23（5）：851-870.

[9]賈玉秋， 李冰， 程永政， 等. 基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（9）：173-179.

[10]國家國防科技工業(yè)局. 高分一號在農(nóng)業(yè)領(lǐng)域應(yīng)用典型案例[EB/OL]. 2014-08-24.http：//www.gissky.net/Articl-e/3227.htm.

[11]楊小喚， 張香平， 江東. 基于MODIS時(shí)序NDVI特征值提取多作物播種面積的方法[J]. 資源科學(xué)，2004，26（6）：17-22.

[12]曹衛(wèi)彬， 楊邦杰， 宋金鵬. TM 影像中基于光譜特征的棉花識別模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2004，20（4）：112-116.

[13]楊桄， 張柏， 邊紅楓， 等. 基于TM 遙感影像的玉米地專題信息自動(dòng)提取[J]. 資源科學(xué)，2006，28（4）：91-96.

[14]林文鵬， 王長耀， 黃敬峰， 等. 基于MODIS數(shù)據(jù)和模糊ARTMAP的冬小麥遙感識別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24（3）：173-178.

[15]林子晶， 李衛(wèi)國， 申雙和， 等. HJ星和GF1號數(shù)據(jù)在水稻種植面積提取中的應(yīng)用[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2016，32（1）：111-117.

[16]張曉憶， 李衛(wèi)國， 景元書. 多種光譜指標(biāo)構(gòu)建決策樹的水稻種植面積提取[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2016， 32（5）：1066-1072.

[17]胡楊， 趙俊三， 李艷. 面向?qū)ο蟮母叻直媛蔬b感影像校園綠地快速提取[J]. 浙江農(nóng)業(yè)科學(xué)， 2017，58（2）：338-340，346.

[18]劉哲， 李智曉， 張延寬， 等. 基于時(shí)序 EVI 決策樹分類與高分紋理的制種玉米識別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（10）：322-327.

[19]昌吉市人民政府.昌吉市基本情況[EB/OL].2017-05-01.http：//www.cjs.gov.cn/zjcj/cjfgk/173854.htm.

[20]昌吉市統(tǒng)計(jì)局.昌吉市2015年國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)[N].統(tǒng)計(jì)公報(bào)，2016-07-07.

[21]Van Niel T G， McVicar T R， Datt B. On the relationship between training sample size and data dimensionality： Monte Carlo analysis of broadband multi-temporal classification [J]. Remote Sensing of Environment， 2005，98（4）：468-480.

[22]Piper J. The effect of zero feature correlation assumption on maximum likelihood based classification of chromosomes [J]. Signal Processing， 1987， 12（1）： 49-57.

[23]劉慶生， 黃翀， 劉高煥， 等. 基于關(guān)鍵期 HJ 衛(wèi)星數(shù)據(jù)提取無棣縣作物種植面積[J].中國農(nóng)學(xué)通報(bào)，2014，30 （26）：284-290.

[24]郭燕， 武喜紅， 程永政， 等. 用高分一號數(shù)據(jù)提取玉米面積及精度分析[J]. 遙感信息，2015，30（6）：31-36.

[25]刑強(qiáng)， 袁保宗， 唐曉芳. 一種提高支持向量機(jī)針對低維向量分類精度的新方法[J]. 信號處理，2004，20（3）：222-226.