郭 燕,賀 佳,王利軍,段俊枝,武喜紅,王來(lái)剛,劉 婷,張紅利,鄭國(guó)清,程永政

(河南省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)經(jīng)濟(jì)與信息研究所, 河南 鄭州 450002)

農(nóng)作物空間信息的快速獲取是掌握農(nóng)作物種植結(jié)構(gòu)的基礎(chǔ)，可為農(nóng)作物長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)、估產(chǎn)提供必要的依據(jù)，對(duì)掌握農(nóng)情信息、合理布局農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)具有重要的意義。近年來(lái)，衛(wèi)星遙感技術(shù)快速發(fā)展，其在農(nóng)業(yè)領(lǐng)域的應(yīng)用越來(lái)越廣泛。相對(duì)于傳統(tǒng)的農(nóng)作物信息獲取方式，遙感技術(shù)具有絕對(duì)的優(yōu)勢(shì)，尤其是進(jìn)入21世紀(jì)以來(lái)，遙感對(duì)地觀測(cè)能力大大提升，受到國(guó)內(nèi)外許多科學(xué)家和科研部門的關(guān)注,得到廣泛應(yīng)用[1-28]。農(nóng)作物種植空間分布識(shí)別方法主要有非監(jiān)督分類和監(jiān)督分類2種方法。非監(jiān)督分類方法在沒(méi)有先驗(yàn)知識(shí)的情況下，可以較好地對(duì)遙感影像進(jìn)行識(shí)別。而監(jiān)督分類方法則需要有較豐富的先驗(yàn)知識(shí)，建立訓(xùn)練樣本進(jìn)行解譯，從20世紀(jì)70年代，經(jīng)歷了目視解譯—基于統(tǒng)計(jì)學(xué)原理—人工智能—深度學(xué)習(xí)(如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、專家系統(tǒng)等)的發(fā)展歷程。目前，人工智能方法以及3S技術(shù)集成識(shí)別農(nóng)作物種植面積的方法被更多的研究者使用[29-32]。這些方法主要是利用遙感影像或者航空衛(wèi)星數(shù)據(jù)，結(jié)合地面樣方和野外調(diào)查的解譯標(biāo)志數(shù)據(jù)，建立訓(xùn)練樣本集，對(duì)影像進(jìn)行分類，通過(guò)分類后處理對(duì)破碎圖斑融合歸并，最終獲得作物種植的空間分布信息，分類效果好，精度較高。姜淑芳等[33]采用人機(jī)交互處理技術(shù)從RapidEye遙感影像獲取了冬小麥空間分布信息，Kappa系數(shù)為0.80。Duro等[34]以SPOT-5影像為數(shù)據(jù)源，從基于像元和基于對(duì)象2個(gè)角度比較了決策樹(shù)、隨機(jī)森林和支持向量機(jī)3種學(xué)習(xí)算法在農(nóng)作物分類中的應(yīng)用，均達(dá)到了較好的分類精度。王志慧等[35]利用航空高光譜成像儀影像對(duì)黑河綠洲灌溉區(qū)的農(nóng)作物種植結(jié)構(gòu)空間分布進(jìn)行遙感解譯，總體分類精度為0.84，Kappa系數(shù)達(dá)到0.79。

但是，光學(xué)遙感衛(wèi)星受天氣影響較大，欲在目標(biāo)生育期獲取目標(biāo)區(qū)域特定時(shí)段的中高分辨率的遙感數(shù)據(jù)[RapidEye、Worldview、高分辨率的高分二號(hào)(GF-2)等]非常困難，這限制了其在農(nóng)作物種植面積高精度快速解譯和業(yè)務(wù)化運(yùn)行方面的應(yīng)用。而對(duì)于MODIS、NOAA等低分辨率的光學(xué)遙感衛(wèi)星，雖然比較容易獲取較好的系列數(shù)據(jù)，但識(shí)別農(nóng)作物的精度較低，解譯結(jié)果的可靠性和準(zhǔn)確率難以保證，在農(nóng)業(yè)部門難以進(jìn)行推廣應(yīng)用。2013年，中國(guó)高分系列衛(wèi)星的成功發(fā)射為進(jìn)行農(nóng)作物面積的快速監(jiān)測(cè)提供了基礎(chǔ)，尤其是高分辨率的GF-2數(shù)據(jù)，為農(nóng)作物種植空間分布的精準(zhǔn)監(jiān)測(cè)提供了重要的數(shù)據(jù)保證。但由于GF-2衛(wèi)星的目標(biāo)用戶是國(guó)土資源部、住房和城鄉(xiāng)建設(shè)部、交通運(yùn)輸部和國(guó)家林業(yè)局等部門，在農(nóng)業(yè)方面尤其是農(nóng)作物面積提取等方面的研究比較缺乏。為此，以河南省北部的濮陽(yáng)縣為研究區(qū)，利用GF-2 4 m分辨率數(shù)據(jù)對(duì)區(qū)域尺度下小麥種植空間分布進(jìn)行快速提取，并對(duì)數(shù)據(jù)和方法進(jìn)行較客觀和準(zhǔn)確的評(píng)價(jià)，以期為農(nóng)情定量遙感監(jiān)測(cè)和農(nóng)業(yè)種植結(jié)構(gòu)調(diào)整提供依據(jù)。

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)位于河南省北部的濮陽(yáng)縣 (114.52°～115.25°E、35.20°～35.50°N),屬暖溫帶大陸性季風(fēng)氣候，雨熱同期，年平均氣溫為13.4 ℃，年均降水量為626 mm。濮陽(yáng)縣是國(guó)家重要商品糧生產(chǎn)基地，建有優(yōu)質(zhì)小麥生產(chǎn)基地，小麥?zhǔn)钱?dāng)?shù)刂饕霓r(nóng)作物，以該縣為研究區(qū)進(jìn)行小麥的快速識(shí)別具有重要意義，具體地理位置見(jiàn)圖1。

圖1 研究區(qū)位置及解譯標(biāo)志

1.2 高分衛(wèi)星數(shù)據(jù)獲取與預(yù)處理

本研究選取2017年3月2日過(guò)境的GF-2 PMS2數(shù)據(jù)，空間分辨率為4 m。所收集的遙感影像首先經(jīng)輻射定標(biāo)、大氣校正消除由于大氣散射等引起的輻射誤差，然后采用正射校正進(jìn)行影像的傾斜改正和投影差改正，最后以資源三號(hào)遙感影像為參考進(jìn)行配準(zhǔn)，誤差控制在0.5個(gè)像元內(nèi)。

1.3 遙感影像分類提取方法

1.3.1 支持向量機(jī) 支持向量機(jī)方法兼具最小化經(jīng)驗(yàn)誤差與最大化幾何邊緣區(qū)的特點(diǎn)，因而也被稱為最大邊緣區(qū)分類方法[36]。采用支持向量機(jī)方法進(jìn)行分類時(shí)，核函數(shù)的選擇非常關(guān)鍵。目前，常用的核函數(shù)主要包括4種，分別為線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)以及Sigmoid核函數(shù)。本研究選取的核函數(shù)為多項(xiàng)式核函數(shù)，次數(shù)為3。

1.3.2 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)算法從信息處理角度對(duì)人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行簡(jiǎn)化、抽象，建立一種運(yùn)算模型。此方法具有自動(dòng)學(xué)習(xí)能力和容錯(cuò)特性，而且不需要對(duì)概率模型做出假設(shè)，適用廣泛，便于解決空間模式識(shí)別的各種問(wèn)題，因此，在遙感影像分類處理中占有重要地位[30]。本研究選取后向傳輸神經(jīng)網(wǎng)絡(luò)算法，傳遞函數(shù)選取Log2Sigmoid。

1.3.3 最大似然 最大似然法來(lái)源于統(tǒng)計(jì)原理中的極大似然定理，20世紀(jì)末開(kāi)始在遙感影像解譯中使用。此方法來(lái)源于于統(tǒng)計(jì)學(xué)，理論基礎(chǔ)嚴(yán)密，所建立的判別函數(shù)綜合考慮了各類別在遙感影像波段中的均值，方差以及協(xié)方差，可以較好地對(duì)參數(shù)進(jìn)行解釋，統(tǒng)計(jì)特性明顯，是一種易于操作的、比較先進(jìn)的分類方法[30]。

1.4 遙感影像分類提取方法的精度評(píng)價(jià)

遙感解譯的精度評(píng)價(jià)是遙感監(jiān)測(cè)中重要的環(huán)節(jié)，可以對(duì)對(duì)分類結(jié)果的可靠性進(jìn)行定量的評(píng)估。目前，常用的精度評(píng)價(jià)方法主要是誤差矩陣方法[32-34]，通過(guò)誤差矩陣可以計(jì)算出總體精度、錯(cuò)分比率、漏分比率、Kappa系數(shù)等。Kappa分析是評(píng)價(jià)分類精度的多元統(tǒng)計(jì)方法[37]，本研究采用總體精度與Kappa系數(shù)對(duì)小麥及其他地物的識(shí)別結(jié)果進(jìn)行評(píng)價(jià)。

2 結(jié)果與分析

2.1 研究區(qū)遙感影像解譯標(biāo)志的建立

首先對(duì)得到的遙感影像進(jìn)行目視判斷，結(jié)合實(shí)地調(diào)查地面樣方和解譯點(diǎn)的GPS位置信息，對(duì)不同地物類型進(jìn)行標(biāo)定。根據(jù)調(diào)查結(jié)果，主要的地物類型分為9種，分別為小麥、道路、大棚、光伏電站、居民地、林地、裸地、水體和其他，每種地物種類的解譯標(biāo)志點(diǎn)位置和個(gè)數(shù)分別見(jiàn)圖1(右)和表1。

表1 主要地物類型的解譯標(biāo)志個(gè)數(shù)

2.2 不同分類方法對(duì)小麥空間分布的識(shí)別

研究區(qū)GF-2的RGB(3，2，1)影像見(jiàn)圖2a，采用支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和最大似然3種分類方法對(duì)豫北濮陽(yáng)縣研究區(qū)內(nèi)小麥空間分布進(jìn)行識(shí)別，結(jié)果見(jiàn)圖2b、2c和2d。結(jié)果表明，3種分類方法對(duì)小麥的識(shí)別結(jié)果非常相似，用戶精度均在98%以上(表2)，但是在道路、大棚和光伏電站的識(shí)別上存在錯(cuò)分現(xiàn)象，這可能是由于3種地物類型的樣本相對(duì)較少造成的。3種分類方法中，SVM和ANN方法的錯(cuò)分誤差和漏分誤差相對(duì)較高，這和分類的樣本數(shù)目有一定的關(guān)系，這2種分類方法需要的樣本數(shù)相對(duì)較少，可能存在過(guò)分的現(xiàn)象，而MLC方法則需要的樣本數(shù)相對(duì)較多，使得識(shí)別結(jié)果較好。

2.3 小麥空間分布識(shí)別度分析

針對(duì)3種分類方法得到的分類結(jié)果，采用誤差矩陣對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。主要采用的評(píng)價(jià)指標(biāo)有4個(gè)，分別為生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)。結(jié)果見(jiàn)表2。3種分類方法相比較，生產(chǎn)者精度均在96%以上，以SVM方法最高；用戶精度均在98%以上，以MLC方法最高；Kappa系數(shù)三者比較接近，均在0.8以上；總體精度均在82%以上，以MLC方法最高，達(dá)85.15%。這說(shuō)明，在不對(duì)結(jié)果進(jìn)行修正的情況下，采用GF-2遙感數(shù)據(jù)進(jìn)行快速識(shí)別小麥?zhǔn)强尚械摹?/p>

2.4 不同分類方法對(duì)地物類型識(shí)別的誤差分析

經(jīng)過(guò)實(shí)地調(diào)查，在研究區(qū)，除了小麥，還有8種地物類型，3種分類方法的識(shí)別誤差統(tǒng)計(jì)結(jié)果見(jiàn)表3?？傮w來(lái)看，對(duì)于3種方法，小麥和水體的錯(cuò)分和漏分誤差均較小，錯(cuò)分誤差均在2%以下，小麥的漏分誤差在3%左右，水體的漏分誤差在0.5%以下。居民地的錯(cuò)分誤差和漏分誤差均較大，這可能是由于進(jìn)行解譯的時(shí)候樣本數(shù)較少造成的。3種分類方法相比，MLC方法識(shí)別地物的誤差總體最小，尤其是在識(shí)別小麥、水體、光伏電站3種地物時(shí)，識(shí)別精度非常高。

a:原始圖像; b:SVM法分類后圖像; c:ANN法分類后圖像; d:MLC法分類后圖像圖2 原始遙感影像和3種分類方法解譯結(jié)果影像

表2 小麥空間分布識(shí)別度對(duì)比

綜上，在進(jìn)行小麥識(shí)別時(shí)，3種分類方法均是可靠的。3種分類方法中又總體以MLC方法的小麥識(shí)別誤差最小，錯(cuò)分誤差為0.50%，漏分誤差為2.90%。

表3 不同分類方法對(duì)地物類型識(shí)別的誤差 %

3 結(jié)論與討論

GF-2衛(wèi)星在國(guó)土資源調(diào)查、林業(yè)監(jiān)測(cè)等領(lǐng)域已經(jīng)獲得了較好的應(yīng)用效果[38-41]，然而在農(nóng)業(yè)領(lǐng)域的應(yīng)用還較少。目前，此衛(wèi)星的多光譜分辨率(4 m)比國(guó)外RapidEye(5 m)的高，在農(nóng)業(yè)領(lǐng)域的應(yīng)用潛力巨大。因此，非常有必要探索其在農(nóng)業(yè)領(lǐng)域的應(yīng)用潛力。本研究采用GF-2高分辨率數(shù)據(jù)在河南省進(jìn)行小麥的快速識(shí)別和精度分析，3種分類方法對(duì)小麥在空間上的識(shí)別結(jié)果非常相似，用戶精度均在98%以上。綜合生產(chǎn)者精度、用戶精度、錯(cuò)分和漏分誤差等參數(shù)，總體以MLC方法的識(shí)別精度最高。在研究區(qū)內(nèi)，其他地物的識(shí)別情況，與小麥識(shí)別精度差別較大，例如居民地，這可能是由于進(jìn)行解譯的時(shí)候樣本數(shù)較少造成的。3種分類方法相比，總體以MLC方法識(shí)別地物的誤差最小，尤其是在識(shí)別小麥、水體、光伏電站3種地物時(shí)，識(shí)別精度非常高。因此，在采用GF-2進(jìn)行小麥識(shí)別時(shí)，建議采用MLC方法。