白雪 武紅旗 呂昱 范燕敏
摘要:本研究探討了如何利用中分辨率遙感影像實(shí)現(xiàn)縣域作物快速識(shí)別的方法。以沙灣縣為研究區(qū),基于Landsat8和高分一號(hào)遙感影像,利用實(shí)地調(diào)查的2016年沙灣縣作物種植信息,建立解譯標(biāo)志,加入耕地掩膜,選取不同的監(jiān)督分類方法,對(duì)沙灣縣作物識(shí)別的最佳識(shí)別時(shí)相、最佳識(shí)別方法以及最佳數(shù)據(jù)源進(jìn)行研究。結(jié)果表明: Landsat8影像與高分一號(hào)影像分別在7月與9月可分離度與總體精度最高;通過(guò)六種分類方法對(duì)比,均為支持向量機(jī)分類法分類精度最高,Landsat8影像總體精度91.22%,Kappa系數(shù)0.916,高分一號(hào)影像總體精度88.23%,Kappa系數(shù)0.876,Landsat8影像分類整體精度略高于高分一號(hào)影像;對(duì)于兩種數(shù)據(jù)源,棉花、玉米、小麥和其它作物分類總體精度均達(dá)到88.23%以上,證明使用中分辨率遙感影像對(duì)縣域作物進(jìn)行識(shí)別是可行的。
關(guān)鍵詞:沙灣縣;Landsat8;高分一號(hào);作物識(shí)別
中圖分類號(hào):S127 ?文獻(xiàn)標(biāo)識(shí)號(hào):A ?文章編號(hào):1001-4942(2020)02-0156-07
Abstract In this article, the method how to achieve rapid identification of crops using mid-resolution remote sensing images was discussed. Taking Shawan County as the research area, based on the Landsat8 and GF-1 remote sensing images and the field survey data of the crop cultivation information in 2016, the interpretation signs were established, and the optimal time phase, method and data source for crop identification were studied by different supervision and classification methods and adding cultivated land masks. The results showed that the separability and overall accuracy of Landsat8 and GF-1 images were the highest in July and September, respectively. The SVM method was selected with the highest classification accuracy based on the two data sources through comparing the six classification methods. The overall accuracy of Landsat8 and GF-1 images was 91.22% and 88.23%, respectively, and their Kappa coefficient was 0.916 and 0.876, respectively. The overall classification accuracy of Landsat8 image was slightly higher than that of GF-1 image. The overall classification accuracies of cotton, corn, wheat and other crops reached more than 88.23% for both data sources. In conclusion, it was feasible to use the medium-resolution remote sensing images to identify crops in the county.
Keywords Shawan County; Landsat8; GF-1; Crop identification
我國(guó)是世界上人口最多的國(guó)家,農(nóng)業(yè)發(fā)展對(duì)我國(guó)具有重大意義。遙感技術(shù)就是使用電磁波對(duì)遠(yuǎn)方的地物進(jìn)行探測(cè),并用傳感器收集地物反射的電磁波信號(hào),生成研究地物的光譜數(shù)據(jù)和遙感影像,并可快速對(duì)目標(biāo)地物進(jìn)行定位和獲取特征信息的探測(cè)技術(shù)。農(nóng)業(yè)遙感是遙感科學(xué)的重要分支[1,2] 。作物種植面積和產(chǎn)量等信息是制定糧食政策和經(jīng)濟(jì)計(jì)劃的重要依據(jù),歷來(lái)受到社會(huì)、政府部門的高度重視。遙感技術(shù)為作物識(shí)別、作物估產(chǎn)以及長(zhǎng)勢(shì)監(jiān)測(cè)提供了新的方法與多種數(shù)據(jù)源。但農(nóng)業(yè)遙感中面積提取和單產(chǎn)模型建立等都依賴于對(duì)作物類型的準(zhǔn)確識(shí)別[3,4]。
20世紀(jì)60年代,美國(guó)率先將長(zhǎng)勢(shì)評(píng)估與遙感技術(shù)相結(jié)合,使用遙感技術(shù)對(duì)研究區(qū)作物生長(zhǎng)進(jìn)行監(jiān)測(cè),率先確定了遙感技術(shù)在作物識(shí)別與長(zhǎng)勢(shì)評(píng)估方面的重要地位[5,6]。經(jīng)過(guò)多年的研究與發(fā)展,遙感技術(shù)在農(nóng)作物識(shí)別、統(tǒng)計(jì)、估產(chǎn)方面的精確度已大大提高,為種植結(jié)構(gòu)調(diào)整和政策制定提供了有效的方法支持[7,8]。20世紀(jì)80年代,歐盟提出了MARS計(jì)劃,利用遙感技術(shù)對(duì)歐盟各國(guó)的作物生產(chǎn)進(jìn)行統(tǒng)計(jì)與評(píng)估,以對(duì)農(nóng)場(chǎng)主進(jìn)行有針對(duì)性的補(bǔ)貼及對(duì)糧食種類與生產(chǎn)規(guī)模進(jìn)行調(diào)控[9,10]。自“六五”計(jì)劃,我國(guó)就已嘗試將遙感技術(shù)應(yīng)用于農(nóng)作物監(jiān)測(cè),但由于經(jīng)驗(yàn)不足與技術(shù)不成熟,直到20世紀(jì)80年代,遙感技術(shù)才開始被應(yīng)用于我國(guó)各地區(qū)不同農(nóng)作物識(shí)別及長(zhǎng)勢(shì)監(jiān)測(cè)與評(píng)估。
隨著近代遙感技術(shù)的迅速發(fā)展,空間分辨率提高,使大尺度遙感快速識(shí)別成為可能。這不僅對(duì)我國(guó)進(jìn)行糧食估產(chǎn)和作物監(jiān)測(cè)、及時(shí)調(diào)整糧食進(jìn)出口數(shù)量與價(jià)格有重要意義,也為精準(zhǔn)農(nóng)業(yè)管理、農(nóng)作物補(bǔ)貼合理發(fā)放、農(nóng)業(yè)機(jī)械適時(shí)調(diào)配提供了數(shù)據(jù)支持。
本研究以新疆維吾爾自治區(qū)沙灣縣作為研究區(qū),使用高分一號(hào)和Landsat8衛(wèi)星數(shù)據(jù),探尋該地區(qū)各種作物的最佳識(shí)別月份、最佳識(shí)別方法以及最佳數(shù)據(jù)源,以期為大范圍快速識(shí)別作物提供依據(jù)。
1 研究區(qū)概況
沙灣縣位于新疆維吾爾自治區(qū)天山山脈北坡準(zhǔn)噶爾盆地南緣的瑪納斯河西岸,東經(jīng)84°57′~86°09′、北緯 43°20′~45°20′,距離新疆維吾爾自治區(qū)首府烏魯木齊市185 km。南到依連哈比爾尕山分水嶺,與和靜縣、尼勒克縣相連;西到巴音溝,與烏蘇市、奎屯市、克拉瑪依市接壤;東與瑪納斯縣、石河子市為鄰;北與和布克賽爾蒙古自治縣為界。整個(gè)地形為南北狹長(zhǎng)280 km,東西寬101 km,土地總面積12 990.24 km2。
沙灣縣是一個(gè)以農(nóng)業(yè)為主、農(nóng)牧結(jié)合的農(nóng)業(yè)大縣,境內(nèi)水土、光熱等自然資源豐富,是塔城地區(qū)乃至北疆片區(qū)棉花、糧油、蔬菜、林果等生產(chǎn)供應(yīng)基地。全縣耕地面積80 000公頃,農(nóng)業(yè)人口142 766人,占總?cè)丝诘?0.75%;農(nóng)業(yè)機(jī)械總動(dòng)力達(dá)到339 520千瓦,機(jī)耕作業(yè)面積達(dá)到98%,農(nóng)作物良種覆蓋率達(dá)100%。
2 數(shù)據(jù)來(lái)源與研究方法
2.1 數(shù)據(jù)來(lái)源
本研究所用Landsat8影像數(shù)據(jù)下載自美國(guó)USGS官網(wǎng),高分一號(hào)數(shù)據(jù)來(lái)自遙感集市。Landsat8影像空間分辨率為30 m,高分一號(hào)影像空間分辨率為16 m。為了保證作物識(shí)別的準(zhǔn)確性,選擇2016年4—9月沙灣縣影像中云量較少、質(zhì)量較高的影像,所選影像信息如表1、表2所示。
于2016年8月從研究區(qū)選取600個(gè)野外調(diào)查點(diǎn)進(jìn)行實(shí)地調(diào)查并采集作物樣本經(jīng)緯度、調(diào)查時(shí)間、種植類型等信息。綜合實(shí)地調(diào)查信息與遙感影像的目視解譯,不同月份的作物光譜特征不同,在遙感影像上表現(xiàn)出的紋理也不同,因此,可以建立作物感興趣區(qū),分別有棉花、小麥、玉米和其它作物四類,其中棉花和玉米識(shí)別主要通過(guò)不同時(shí)期的歸一化植被指數(shù)(normalized difference vegetation index,NDVI)進(jìn)行識(shí)別。選擇具有代表性的、能夠代表作物顯著特征的樣本,一部分用作訓(xùn)練樣本,另一部分用作驗(yàn)證樣本,以檢驗(yàn)監(jiān)督分類的精度。
2.2 耕地掩膜的獲取及最佳時(shí)相的確定
在遙感圖像上能直接反映和判別地物信息的影像特征,是遙感影像的解譯標(biāo)志[11]。常用的遙感信息提取方法有人工目視解譯和計(jì)算機(jī)自動(dòng)解譯兩類。計(jì)算機(jī)自動(dòng)解譯方法可分為基于像元統(tǒng)計(jì)特征的分類方法和面向?qū)ο蟮姆诸惙椒╗12-15]。
采用ENVI 5.3軟件對(duì)所得2016年4月至9月沙灣縣Landsat8和高分一號(hào)遙感影像數(shù)據(jù)進(jìn)行預(yù)處理,包括輻射定標(biāo)、大氣校正、幾何校正與影像配準(zhǔn),并建立耕地掩膜?;?010年全國(guó)第二次土地調(diào)查數(shù)據(jù),得到沙灣縣土地利用現(xiàn)狀圖。
將預(yù)處理后的數(shù)據(jù)利用土地利用現(xiàn)狀圖進(jìn)行耕地提取,并將提取得到的耕地通過(guò)感興趣區(qū)(ROI)進(jìn)行監(jiān)督分類,通過(guò)最大似然法獲得研究區(qū)作物識(shí)別的總體精度,確定最佳時(shí)相。通過(guò)平行六面體法、最小距離法、馬氏距離法、最大似然法、神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)分類法對(duì)最佳時(shí)相的月份進(jìn)行監(jiān)督分類,并用混淆矩陣計(jì)算出各種方法的總體精度和Kappa系數(shù),確定單一最佳時(shí)相的最佳數(shù)據(jù)源和分類方法,通過(guò)對(duì)比不同數(shù)據(jù)源的分類結(jié)果以及總體精度確定最佳數(shù)據(jù)源[16-19]。
3 結(jié)果與分析
3.1 最佳識(shí)別月份的確定
根據(jù)作物的物候差異,并保證每種作物的ROI數(shù)量充足、分布均勻,建立棉花、玉米、小麥與其它作物四類共176個(gè)ROI。其它作物主要包括研究區(qū)內(nèi)種植面積較小的甜菜、辣椒等作物。
監(jiān)督分類又被稱為場(chǎng)地訓(xùn)練法,需要先獲得識(shí)別樣本的先驗(yàn)知識(shí)(先驗(yàn)知識(shí)可以是目視解譯數(shù)據(jù),也可以是野外采樣數(shù)據(jù)),通過(guò)先驗(yàn)知識(shí),分析每種樣本的特征信息,得到各個(gè)樣本的特征函數(shù),并使用特征函數(shù)對(duì)影像進(jìn)行分類[20,21]。
3.1.1 基于Landsat8影像的監(jiān)督分類結(jié)果 對(duì)沙灣縣2016年4—9月的Landsat8衛(wèi)星影像進(jìn)行可分離度計(jì)算,并分別對(duì)棉花、玉米、小麥與其它作物進(jìn)行不同月份可分離度統(tǒng)計(jì),結(jié)果如表3所示。
選用分類速度較快的最大似然法對(duì)Landsat8影像數(shù)據(jù)進(jìn)行分類(圖1),將得到的地表真實(shí)感興趣區(qū)域與最終的分類結(jié)果進(jìn)行匹配,得到混淆矩陣,對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)。結(jié)果顯示,基于Landsat8影像的2016年沙灣縣作物分類精度最高的月份是7月,總體精度90.23%,Kappa系數(shù)0.886(表4)。
3.1.2 基于高分一號(hào)影像的監(jiān)督分類結(jié)果 對(duì)沙灣縣2016年4—9月的高分一號(hào)影像數(shù)據(jù)進(jìn)行可分離度計(jì)算,結(jié)果見表5。然后用最大似然法對(duì)其進(jìn)行分類(圖2),用混淆矩陣法進(jìn)行評(píng)價(jià),結(jié)果(表6)顯示,基于高分一號(hào)遙感影像的沙灣縣作物識(shí)別最佳時(shí)間是9月,總體精度84.23%, Kappa系數(shù)0.832。
沙灣縣主要作物為棉花、小麥和玉米,小麥在6月中旬前收割完畢,此時(shí)的裸地特征較為突出,NDVI值低于其它作物,可很好地將其與棉花、玉米區(qū)分開。玉米與棉花的物候歷較為相似,因此,研究區(qū)內(nèi)作物識(shí)別的主要問(wèn)題就在于兩者的區(qū)分。根據(jù)沙灣縣主要作物的物候歷與多時(shí)相遙感影像的對(duì)比,7月,研究區(qū)內(nèi)的小麥已收割,玉米處于拔節(jié)期或抽穗期,而棉花生長(zhǎng)迅速,達(dá)到NDVI最大值,因此,基于Landsat8影像對(duì)單時(shí)相影像解譯的研究區(qū)最佳作物識(shí)別時(shí)間為7月;而9月,棉花進(jìn)入吐絮期,NDVI值仍較高,而此時(shí)玉米已成熟,對(duì)近紅外波段的反射率明顯降低,因此,基于高分一號(hào)數(shù)據(jù)的研究區(qū)最佳作物識(shí)別時(shí)間為9月。
3.2 最佳識(shí)別方法及最佳數(shù)據(jù)源的確定
根據(jù)上述結(jié)果,7月份Landsat8影像的分離度最高,9月份高分一號(hào)影像的分離度最高,因此,利用不同監(jiān)督分類方法分別對(duì)沙灣縣2016年7月的Landsat8影像、9月的高分一號(hào)影像數(shù)據(jù)進(jìn)行分類,并用混淆矩陣法對(duì)分類結(jié)果進(jìn)行評(píng)價(jià),以篩選最佳識(shí)別方法。結(jié)果表明,對(duì)沙灣縣2016年7月的Landsat8影像和9月的高分一號(hào)影像進(jìn)行監(jiān)督分類的最佳方法均為支持向量機(jī)法,總體精度分別達(dá)到91.22%和88.23%,Kappa系數(shù)分別為0.916和0.876(表7、表8)。