文|張信耶 李繼旭

1.青島科技大學(xué) 2.珠海歐比特宇航科技股份有限公司

一、引言

隨著近幾年大量遙感衛(wèi)星發(fā)射和遙感技術(shù)快速發(fā)展，遙感技術(shù)已滲透到各個(gè)領(lǐng)域當(dāng)中，作為一種探測(cè)技術(shù)，它的起源要追溯到20世紀(jì)60年代，根據(jù)電磁波理論，傳感器通過(guò)收集對(duì)遠(yuǎn)距離的目標(biāo)、地物反射的信息，生成的圖像反映地表的特有特征。遙感技術(shù)可以實(shí)現(xiàn)快速大范圍的檢測(cè)，解決了以往需要通過(guò)大量實(shí)地調(diào)查的時(shí)間成本問(wèn)題，通過(guò)遙感影像分類(lèi)和識(shí)別，可以獲得某個(gè)地區(qū)的農(nóng)作物類(lèi)型并對(duì)其進(jìn)行產(chǎn)量預(yù)估，這對(duì)于農(nóng)業(yè)生產(chǎn)具有重要意義[1]。

農(nóng)作物精細(xì)分類(lèi)是農(nóng)業(yè)估產(chǎn)、作物長(zhǎng)勢(shì)監(jiān)測(cè)、面積預(yù)測(cè)以及農(nóng)業(yè)災(zāi)情監(jiān)測(cè)的關(guān)鍵。同時(shí)，也是國(guó)家制定糧食政策、調(diào)整農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)的基礎(chǔ)，對(duì)保障國(guó)家糧食安全具有重要的理論意義。提高分類(lèi)精度的同時(shí)減少實(shí)驗(yàn)時(shí)間是研究的重要內(nèi)容。以高光譜衛(wèi)星為代表的物理遙感技術(shù)已成為遙感技術(shù)發(fā)展的趨勢(shì)之一。

高光譜數(shù)據(jù)量大、維度高和數(shù)據(jù)小樣本的特點(diǎn)，需要遙感技術(shù)、圖像處理、目標(biāo)識(shí)別等多種知識(shí)和學(xué)科集成處理。高光譜數(shù)據(jù)除了上述特點(diǎn)外，還具有高空間分辨率和豐富的光譜波段，波段數(shù)達(dá)到幾十甚至幾百個(gè)，能夠監(jiān)測(cè)到不同農(nóng)作物之間的微小差別并判別出不同的作物種類(lèi)信息，有利于提高農(nóng)作物的分類(lèi)精度。

二、高光譜遙感影像技術(shù)發(fā)展

1.高光譜數(shù)據(jù)

隨著對(duì)地觀測(cè)技術(shù)的發(fā)展，高光譜數(shù)據(jù)逐漸走入大家的視線中，高光譜圖像的發(fā)展得益于成像光譜技術(shù)的發(fā)展、成熟，成像光譜技術(shù)作為一項(xiàng)綜合性技術(shù)與光譜探測(cè)技術(shù)結(jié)合，對(duì)空間像元的波段進(jìn)行連續(xù)的光譜覆蓋，形成的高光譜數(shù)據(jù)可以三維表示（見(jiàn)圖1）。在遙感中的高光譜有以下幾個(gè)特點(diǎn)。

1）高光譜通常具有很高的光譜分辨率，由很窄的波段（10～20 nm）組成。高光譜圖像可能有數(shù)百或數(shù)千個(gè)波段。

2）和多光譜相比，在相同的空間分辨率下光譜覆蓋范圍更寬，可以探測(cè)到更多電磁波的響應(yīng)特征。

3）由于不同農(nóng)作物具有相同的光譜信息，因此越多的波段所含信息越多，就越容易對(duì)其進(jìn)行分類(lèi)。

圖1 高光譜數(shù)據(jù)三維表示

相比其他類(lèi)型的遙感數(shù)據(jù)，高光譜具有多維度、多尺度的特點(diǎn)，它綜合地面目標(biāo)的空間維、時(shí)間維、光譜維特征，獲得地物多種維度的信息、狀態(tài)，對(duì)于農(nóng)作物來(lái)說(shuō)通過(guò)人眼很難去判定紋理變化，這種多維度的地物信息有利于地物的精細(xì)分類(lèi)與識(shí)別。但是由于高光譜波段數(shù)量多，所含的巨大信息量導(dǎo)致信息量冗余，使用時(shí)需要進(jìn)行許多降維和去噪處理，增加了處理上的復(fù)雜程度，同時(shí)光譜分辨率的提升，導(dǎo)致空間分辨率的降低，因此需要借助光譜信息來(lái)進(jìn)行農(nóng)作物分類(lèi)應(yīng)用。

2.高光譜研究現(xiàn)狀

首先，高光譜特點(diǎn)決定了其有很高的研究?jī)r(jià)值，類(lèi)似最大似然分類(lèi)法（MLC）、光譜角制圖（SAM）、最小距離等方法已經(jīng)普遍應(yīng)用到高光譜遙感影像分類(lèi)實(shí)驗(yàn)中，駱劍承等人將MLC算法進(jìn)行改進(jìn)，通過(guò)最大期望算法（Expectation-Maximization algorithm）進(jìn)行計(jì)算減少了估計(jì)偏移。張立朝[2]等人使用改進(jìn)的SAM算法對(duì)道路、植被、海水進(jìn)行分類(lèi)，相比傳統(tǒng)的ISODATA算法準(zhǔn)確率提高了10%。李明澤[3]等人通過(guò)SAM算法對(duì)濕地植被進(jìn)行分類(lèi)，證明了光譜分析方法在植被分類(lèi)上的可行性。其次高光譜的復(fù)雜性決定了傳統(tǒng)的遙感分類(lèi)方法不能滿(mǎn)足高光譜分類(lèi)的要求。近幾年，機(jī)器學(xué)習(xí)、模式識(shí)別技術(shù)的發(fā)展例如支持向量機(jī)（SVM）[4]、隨機(jī)森林[5]、神經(jīng)網(wǎng)絡(luò)[6]等算法使準(zhǔn)確率得到飛躍的提升。神經(jīng)網(wǎng)絡(luò)算法高精度依賴(lài)于大量的樣本數(shù)據(jù)，在樣本數(shù)據(jù)不足時(shí)，本文研究通過(guò)端元波譜獲取技術(shù)補(bǔ)充樣本的可行性，以此提高農(nóng)作物分類(lèi)精度。

3.技術(shù)路線

技術(shù)路線如圖2所示，將高光譜衛(wèi)星數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正等預(yù)處理，采用端元波譜獲取技術(shù)進(jìn)行最小噪聲分離變換和像元純度指數(shù)計(jì)算，之后使用n維可視化技術(shù)獲取純凈像元[7]。采用神經(jīng)網(wǎng)絡(luò)的分類(lèi)方法，通過(guò)不斷迭代找到了合適的網(wǎng)絡(luò)參數(shù)，分類(lèi)結(jié)果和實(shí)地勘測(cè)數(shù)據(jù)進(jìn)行對(duì)比，獲得完整的精度評(píng)價(jià)。

圖2 技術(shù)路線

三、珠海一號(hào)高光譜衛(wèi)星在高密市農(nóng)業(yè)遙感應(yīng)用

1.數(shù)據(jù)介紹

本文所研究數(shù)據(jù)是山東省高密市珠海一號(hào)高光譜數(shù)據(jù)，如圖3所示，珠海一號(hào)高光譜衛(wèi)星于2018年4月26日發(fā)射，波段數(shù)256（有效成像波段數(shù)32），空間分辨率10m，寬幅150km，重訪周期2天，已在農(nóng)作物精細(xì)分類(lèi)、農(nóng)作物長(zhǎng)勢(shì)（種植面積）預(yù)測(cè)、病蟲(chóng)害等方面廣泛運(yùn)用。

圖3 高密市高光譜遙感影像

本文用實(shí)地勘測(cè)的數(shù)據(jù)和高光譜影像制作數(shù)據(jù)集，按照7：3的比例 分成訓(xùn)練集和測(cè)試集，用于后面的分類(lèi)訓(xùn)練，訓(xùn)練樣本信息如表1所示。

表1 高光譜圖像各類(lèi)別及樣本信息

2.農(nóng)作物精細(xì)分類(lèi)

高密市農(nóng)作物以小麥為主，因此針對(duì)高密市農(nóng)作物種植特點(diǎn)，待分類(lèi)類(lèi)型為小麥、油菜花、大棚和裸地。預(yù)處理方面本文首先對(duì)高密市2019年3月19日的5景高光譜數(shù)據(jù)進(jìn)行預(yù)處理、拼接，形成完整研究區(qū)域。由于高密市地物復(fù)雜，首先需要獲取耕地區(qū)域，排除其他地物的干擾，高密市耕地分類(lèi)結(jié)果如圖4所示。

從圖4可以看出，對(duì)于居住地、河流、村莊、耕地的分類(lèi)有較高的精度，之后將耕地區(qū)域（紅色部分）進(jìn)一步細(xì)分。樣本選擇方面通過(guò)實(shí)地?cái)?shù)據(jù)和高分?jǐn)?shù)據(jù)的輔助進(jìn)行樣本標(biāo)注形成訓(xùn)練集，通過(guò)端元將獲取的端元波譜與野外實(shí)測(cè)數(shù)據(jù)的光譜曲線進(jìn)行比較，結(jié)果如圖5（以小麥為例）所示。

圖4 高密市耕地分類(lèi)結(jié)果

圖5（a）、（b）中光譜曲線橫軸代表波段數(shù)，縱軸代表對(duì)應(yīng)的像素值，可以看出通過(guò)端元提取的光譜曲線和實(shí)測(cè)數(shù)據(jù)基本吻合，但還是存在些許偏差，這與農(nóng)作物容易受到外界因素影響而產(chǎn)生狀態(tài)的變化有關(guān)。

圖5 小麥端元提取和實(shí)測(cè)數(shù)據(jù)光譜曲線對(duì)比

本文研究選擇的分類(lèi)算法是神經(jīng)網(wǎng)絡(luò)（NNL），分類(lèi)的農(nóng)作物主要有四種類(lèi)型：小麥、油菜花、裸地、大棚（分類(lèi)結(jié)果如圖6所示）?？梢钥闯龈呙苁写竺娣e種植小麥，將結(jié)果分類(lèi)和實(shí)測(cè)數(shù)據(jù)作比較，選用混淆矩陣評(píng)估方法來(lái)計(jì)算分類(lèi)精度，如表2所示。實(shí)驗(yàn)得出：高密農(nóng)作物總體分類(lèi)精度88.5%，小麥分類(lèi)精度達(dá)到98%。

最后將本實(shí)驗(yàn)方法與最大似然分類(lèi)法（MLC）、SVM方法作比較，結(jié)果如表3所示。

圖6 高密市農(nóng)作物精細(xì)分類(lèi)結(jié)果

表2 高光譜分類(lèi)混淆矩陣

表3 各種分類(lèi)方法對(duì)比結(jié)果

3.小麥種植面積估算

種植面積估算是遙感監(jiān)測(cè)的重要內(nèi)容之一，根據(jù)農(nóng)業(yè)局的記錄統(tǒng)計(jì)，高密市90%的農(nóng)田種植小麥農(nóng)作物，小麥種植面積估算不僅可以提高糧食生產(chǎn)效益，還可以進(jìn)行相應(yīng)的農(nóng)田管理，這對(duì)于指導(dǎo)農(nóng)業(yè)生產(chǎn)、提高經(jīng)濟(jì)效益具有重要意義。

本文將農(nóng)作物分類(lèi)結(jié)果矢量化，使用Arcgis10.1進(jìn)行小麥種植面積統(tǒng)計(jì)，小麥的分布范圍由大小不一的多塊圖斑組成，將統(tǒng)計(jì)的圖斑面積匯總即小麥的種植面積，統(tǒng)計(jì)獲得高密地區(qū)小麥的種植面積為680萬(wàn)平方米，與高密市政府部門(mén)所給的小麥種植面積594萬(wàn)平方米相比較，面積精度為86%，面積精度大于85%說(shuō)明多分不嚴(yán)重，小麥種植受人為因素影響以及混合像元影響，結(jié)果可能有一定誤差，因此本文研究的方法可以有效預(yù)測(cè)小麥種植面積。

未來(lái)通過(guò)預(yù)估多時(shí)期的面積，結(jié)合回歸模型，從而實(shí)現(xiàn)小麥的面積預(yù)測(cè)，對(duì)于未來(lái)指導(dǎo)農(nóng)業(yè)生產(chǎn)具有重要應(yīng)用價(jià)值。

四、結(jié)論

結(jié)合端元波譜獲取技術(shù)和人工智能算法可以有效解決高光譜農(nóng)作物精細(xì)分類(lèi)問(wèn)題，相比其他分類(lèi)方法，具有比較高的精度，未來(lái)對(duì)于人工智能算法的研究將助力農(nóng)業(yè)遙感的發(fā)展。珠海一號(hào)衛(wèi)星（星座）投入使用以來(lái)，已在農(nóng)作物精細(xì)分類(lèi)、農(nóng)作物長(zhǎng)勢(shì)預(yù)測(cè)、農(nóng)作物病蟲(chóng)害方面獲得應(yīng)用，未來(lái)通過(guò)構(gòu)建智慧農(nóng)險(xiǎn)平臺(tái)可實(shí)現(xiàn)農(nóng)業(yè)保險(xiǎn)“精準(zhǔn)承保、精準(zhǔn)理賠”，提供移動(dòng)承保、移動(dòng)查勘、遙感影像驗(yàn)標(biāo)定損等服務(wù)，協(xié)助保險(xiǎn)企業(yè)規(guī)避道德風(fēng)險(xiǎn)，降低經(jīng)營(yíng)成本，打造業(yè)務(wù)新流程，以科技加遙感助力農(nóng)險(xiǎn)業(yè)務(wù)發(fā)展。