歐嫣然，王克曉 ，虞 豹，黃 祥，王 茜

（1.重慶醫(yī)科大學(xué)公共衛(wèi)生與管理學(xué)院，重慶 400016；2.重慶市農(nóng)業(yè)科學(xué)院農(nóng)業(yè)科技信息中心，重慶 401329）

0 引言

【研究意義】采用較高空間分辨率的遙感影像和增加對待分類地物的敏感波段是提高農(nóng)作物識別精度的兩個重要手段[1]。對于地形復(fù)雜地區(qū)，利用高分辨率影像和農(nóng)作物對不同光譜波段的響應(yīng)特征是有效提高農(nóng)作物識別精度的重要途徑[2]。【前人研究進展】近年來，搭載紅邊波段傳感器的衛(wèi)星越來越多，比如德國Rapid Eye 衛(wèi)星，美國Worldview-2 衛(wèi)星，歐洲航天局的Sentinel-2 衛(wèi)星等，這些影像數(shù)據(jù)為開展農(nóng)作物遙感識別與應(yīng)用研究提供了充足的數(shù)據(jù)保障。其中，Sentinel-2 新型遙感影像以其特有的多波段、重訪周期短、免費等特點，已被廣泛應(yīng)用到各個領(lǐng)域[3-5]。Selva 等[6]提出了從較高空間分辨率的多光譜/高光譜數(shù)據(jù)中提取空間信息與較低空間分辨率的多光譜/高光譜數(shù)據(jù)融合的方法。Wang 等[7]、梁麗娟等[8]以Sentinel-2影像為數(shù)據(jù)源，利用多種方法從10 m 分辨率的可見光及近紅外波段中產(chǎn)生高分辨率波段，對其他波段進行融合。但上述研究僅通過藍色、綠色，紅色和紅外波段合并而成的一個虛擬的全色高分辨率波段，會在和其他波譜范圍內(nèi)的波段融合時產(chǎn)生光譜偽影，影響地物在其他波段上的光譜特征[9]。張煥雪等[10]利用CBERS-02B 數(shù)據(jù)，構(gòu)建不同分辨率遙感影像序列，討論了空間分辨率對分類和面積估算精度的影響?？琢铈玫萚11]基于Landsat-8 和ZY-3 多種分辨率的遙感數(shù)據(jù)，對分類方法效果以及分辨率變化對面向?qū)ο蠓诸惙椒ǖ木扔绊戇M行分析。王利民等[12]基于GF-1WFV、MODIS、Landsat-8、Google Earth 等數(shù)據(jù)分析了多個空間分辨率尺度下冬小麥識別精度與空間分辨率的關(guān)系?！颈狙芯壳腥朦c】目前，國內(nèi)外較多農(nóng)作物遙感提取研究主要集中在平原地區(qū)。對于地形復(fù)雜、地塊破碎地區(qū)，利用僅包含可見光與近紅外波譜且為中高空間分辨率的遙感影像進行農(nóng)作物信息提取，識別精度有限。西南地區(qū)是我國冬油菜的主產(chǎn)區(qū)，分析不同空間分辨率與光譜條件下地形復(fù)雜地區(qū)油菜遙感識別能力能夠為我國西南山區(qū)油菜作物遙感識別研究提供數(shù)據(jù)空間尺度和光譜選擇參考，也可為其他農(nóng)作物遙感提取提供相關(guān)借鑒?！緮M解決的關(guān)鍵問題】為探索不同空間分辨率與光譜條件下低山丘陵地區(qū)油菜遙感識別能力，本研究運用幾何超分辨率影像重建模型和多光譜圖像融合技術(shù)，并分別對融合后10 m 及2 m 分辨率的Sentinel-2影像以及2 m 的GF-1 多光譜影像構(gòu)建隨機森林模型進行油菜信息提取、精度評價和不同光譜條件下油菜識別能力進行對比分析，為我國西南低山丘陵復(fù)雜地區(qū)農(nóng)作物遙感識別研究提供參考。

1 材料與方法

1.1 試驗區(qū)基本信息

如圖1，試驗區(qū)位于重慶市合川區(qū)銅溪鎮(zhèn)與渭沱鎮(zhèn)沿涪江分界處，地理坐標(biāo)為東經(jīng)106°10′18.1″至106°11′56.3″、北緯29°59′58.2″至30°01′3.5″，屬亞熱帶季風(fēng)氣候。地貌以低山、丘陵為主，地塊破碎，地物復(fù)雜多樣，作物主要以水稻、冬油菜及春玉米等為主。其中，冬油菜11 月份移栽成活，12 月至次年2 月中旬為現(xiàn)蕾-抽薹期，2 月下旬至3 月中旬開花，3 月下旬結(jié)莢，4 月份綠熟、黃熟。成像時期水稻處于育苗期，水田及玉米尚未播種，油菜發(fā)育處于結(jié)莢-綠熟期。

圖1 試驗區(qū)位置Fig.1 Location of test area

1.2 遙感數(shù)據(jù)獲取與處理

本研究主要采用Sentinel-2 多光譜數(shù)據(jù)和GF-1 影像數(shù)據(jù)，參考系為WGS-84 坐標(biāo)系。其中，GF-1 數(shù)據(jù)空間分辨率為2 m，成像時間為2019 年3 月29 日。Sentinel-2 數(shù)據(jù)為2019 年4 月7 日成像的L1C級產(chǎn)品數(shù)據(jù)，為正射影像且經(jīng)過輻射定標(biāo)、去噪等預(yù)處理，并與GF-1 號全色影像進行幾何配準(zhǔn)。本研究所采用的Sentinel-2 影像部分波段波長及空間分辨率信息如表1。

本研究主要涉及的數(shù)據(jù)處理平臺主要有Sentinel系列影像處理平臺Sentinels Application Platform（SNAP）、可視化遙感圖像處理平臺The Environment for Visualizing Images（ENVI）、地理信息系統(tǒng)分析平臺ARCGIS 及遙感數(shù)據(jù)處理工具包EnMAP-Box。其中，SNAP 主要用于Sentinel-2 數(shù)據(jù)處理及圖像重建，ENVI 主要用于多光譜圖像與全色圖像融合，ARCGIS 主要用于影像樣本點選取、樣本點光譜特征提取與光譜庫構(gòu)建，EnMAP-Box 工具包用于遙感圖像作物分類識別。

1.3 地面光譜數(shù)據(jù)采集

采用美國生產(chǎn)的ASD FieldSpec HandHeld 2（ASDHH2）手持式地物光譜儀對試驗區(qū)主要地物類型進行地面光譜數(shù)據(jù)采集，獲取不同地物光譜曲線，以確定遙感影像各波段中心波長在光譜曲線中的位置和影像紅邊波段在不同地物中的不同響應(yīng)。

表1 Sentinel-2 影像多光譜波段信息Table 1 Multispectral band information on Sentinel-2

1.4 試驗方法

1.4.1 高分辨率圖像融合 首先利用SNAP 7.0 平臺，完成Sentinel-2 影像中4 個20 m 空間分辨率的紅邊波段重建為10 m 的分辨率操作，由此獲得涵蓋可見光-紅邊-近紅外等8 個10 m 分辨率的波段數(shù)據(jù)集；然后通過ENVI 5.3 完成上述數(shù)據(jù)集與2 m 的GF-1 全色波段的Gram-Schmidt 變換融合，最終獲得2 m 分辨率且涵蓋可見光-紅邊-近紅外等8 個波段的圖像融合數(shù)據(jù)集。

Sentinel-2 數(shù)據(jù)涵蓋可見光-紅邊-近紅外-短波紅外等范圍內(nèi)的光譜波段，但缺少全色光譜波段。對此，Nicolas Brodu[9]通過識別相鄰像素之間的通用“共享”幾何信息，提出了獨立幾何超分辨率多光譜多分辨率影像重建模型。其模型表達式如（1）～（4）：

其中，L為低分辨率像元觀測值，H為高分辨影像像元值，Sx,y為鄰近相關(guān)高分辨率影像像元反射率，W為鄰近相關(guān)高分辨率影像像元對應(yīng)權(quán)重，一般情況采用等權(quán)重。

該模型提出利用高分辨率波段編碼地物幾何細節(jié)，作為獨立于其反射率的像素屬性，運用于低分辨率波段，在提高低分辨率波段數(shù)據(jù)空間分辨率的同時，保留其多光譜特征不變。其模型算法內(nèi)置集成在SNAP 平臺第三方插件Sen2Res 中，可通過選擇分辨率參數(shù)實現(xiàn)20 m 波段到10 m 的分辨率重建過程。

Gram-Schmidt 變換融合是先將多光譜圖像進行正交變換，然后將全色波段圖像替代第一空間，再進行反變換獲取融合圖像。該方法融合后得到的影像特征，改進了主成分分析中第一主成分的信息過分集中的問題，不受波段限制，可較好保持影像的空間紋理細節(jié)信息與光譜特征[13]。此融合過程在ENVI 5.3 平臺中自動完成。

1.4.2 樣本選取與地物光譜庫構(gòu)建 根據(jù)影像數(shù)據(jù)成像時間，將研究區(qū)主要地物類型劃分為水體、林地、水田、油菜、道路、人工建筑等6 個類型。結(jié)合試驗影像數(shù)據(jù)近期的Google 高清衛(wèi)星影像選取200 個地物點（圖2），按照地物屬性分層隨機取樣40%用于樣本訓(xùn)練，剩余60%作為驗證樣本點用于提取精度評定。

圖2 樣本點選取Fig.2 Distribution of sampling points

基于ARCGIS 10.2 平臺將訓(xùn)練樣本點加載到不同空間分辨率的多光譜影像中，獲取對應(yīng)地物類型樣本灰度均值，構(gòu)建各地物類型光譜庫。通過比較地物在不同空間分辨率數(shù)據(jù)上的灰度曲線，判斷影像空間分辨率提升過程中作物光譜變化差異。同時利用ASD-HH2 手持地物光譜儀采集該時期油菜、道路、草地、水田及裸地等典型地物光譜曲線，確定不同地物的紅邊波段反射特征，為波段組合時選擇紅邊波段提供參考。

1.4.3 分類識別及特征波段的重要性度量方法 隨機森林是一種以決策樹為基學(xué)習(xí)器的集成學(xué)習(xí)算法，已廣泛用于遙感地物識別研究。基于大量隨機生長決策樹，隨機森林算法輸出的類別由所有決策樹輸出類別的多數(shù)而定，其模型建立主要涉及兩個參數(shù)，即決策樹數(shù)ntree 和決策樹內(nèi)部節(jié)點隨機選擇特征數(shù)mtry[14]。建立在CART 決策樹基礎(chǔ)上的隨機森林，對于缺省值問題也能夠獲得很好的結(jié)果，有更強的數(shù)據(jù)挖掘、泛化能力和更理想的分類效果，已逐步發(fā)展為分析復(fù)雜地區(qū)遙感數(shù)據(jù)的有效集成分類器之一[15]。為此，本研究基于EnMAP-Box 工具包中隨機森林分類算法確定模型決策樹數(shù)目，節(jié)點分裂時以默認(rèn)輸入的特征變量數(shù) mtry=（M為特征變量個數(shù)）進行分類。油菜提取精度通過驗證樣本點的混淆矩陣計算制圖精度、用戶精度、總體精度和Kappa 系數(shù)等指標(biāo)進行比較[3]。

利用隨機森林分類法可以進行特征波段的重要性度量，其主要是通過一種bootstrap 的小樣本估計總體值的非參數(shù)方法。隨機森林訓(xùn)練子集主要通過bootstrap 抽樣技術(shù)從原始訓(xùn)練集中得到，未被抽取數(shù)據(jù)組成OOB（out - of -bag）數(shù)據(jù)。OOB 數(shù)據(jù)主要用于對決策樹的性能進行評估，計算模型的準(zhǔn)確率。隨機森林分類法進行特征波段的重要性度量計算方式如下[16]：

1）通過訓(xùn)練子集Z構(gòu)建隨機森林模型，設(shè)第i棵OOB 數(shù)據(jù)集為，對應(yīng)的OOB 分類準(zhǔn)確度（accuracy）為Ai；

2）對于任意特征f，隨機置換訓(xùn)練集中特征f的值，得到新的訓(xùn)練子集，計算決策樹i的準(zhǔn)確率則決策樹i的原OOB 準(zhǔn)確率與特征隨機置換后的OOB 準(zhǔn)確率差為（i=1，…，n）。

2 結(jié)果與分析

2.1 圖像融合質(zhì)量評價

融合圖像質(zhì)量評判通過定性與定量兩方面結(jié)合進行評價，融合結(jié)果如圖3。目視可見，在紋理細節(jié)表現(xiàn)方面，人工建筑物、綠色植被、道路與橋梁、河流及塘泊等地物清晰可見，紋理細節(jié)明顯增強。

圖3 不同分辨率下融合圖像比較Fig.3 Fusion images of different resolutions

表2 所列指標(biāo)值變化反映了Sentinel-2 影像從10 m分辨率提高至2 m分辨率前后圖像在亮度、空間信息以及光譜保真度等方面的融合質(zhì)量[17,18]，可以看出，融合后圖像各波段均值均有所增加，標(biāo)準(zhǔn)差所反映的像元灰度相對于圖像灰度平均值的離散程度均有所減?。桓鱾€波段圖像融合前后平均梯度值均有所增加，其中增值最小的為B2 波段，增加3.74；增值最大的為B5 波段，平均梯度值提高8.98，融合前后圖像亮度有所提升。融合圖像B2、B3、B4 等可見光波段信息熵微小下降約0.02，其他各波段均有所提高。整體上融合圖像細節(jié)反差和紋理變化的表達能力均得到增強，圖像的清晰度有較大提高。相關(guān)系數(shù)反映了兩幅圖像光譜信息的相似程度，相關(guān)系數(shù)大于0.7 則說明兩圖像具有較高的光譜一致性[19]。本文圖像融合的各個波段相關(guān)系數(shù)均在0.75以上，其中紅邊、近紅外及短波紅外范圍內(nèi)的幾個波段相關(guān)系數(shù)高達0.85 以上，融合前后圖像光譜特征相似程度較高。

2.2 樣本點灰度值與特征波段光譜分析

不同空間分辨率條件下各種地物的灰度曲線如圖4，可以看出，各種地物類型融合前后變化總體趨勢基本一致，油菜與林地均呈現(xiàn)出明顯的綠色植被光譜變化特征，但林地曲線值相對較低，油菜曲線值相對較高。在B5-B8A 的紅邊-近紅外光譜范圍內(nèi)，油菜與林地具有明顯的可區(qū)別特征。

利用ASD-HH2 手持地物光譜儀采集該時期油菜、道路、草地、水田及裸地等典型地物光譜曲線如圖5（B2-B8A 等波段波長信息見表2）。油菜與雜草地的綠色植被光譜特征明顯，油菜作物反射率整體高于草地，反射率在紅邊波段B5 位置開始明顯區(qū)分，紅邊B6 位置達到最大區(qū)分，紅邊B7 位置達到穩(wěn)定。

通過主要地物灰度曲線與典型地物光譜曲線的遙感數(shù)據(jù)趨勢可以看出，油菜作物與林地、草地等光譜特征均在紅邊B5 波段位置能夠區(qū)分，紅邊B6 位置達到區(qū)分最大，趨勢較為一致。

2.3 不同空間分辨率下油菜識別精度對比

基于前述選取的包含水體、林地、水田、油菜、道路、人工建筑等類型的80 個地物樣本點，利用EnMAP-Box 工具包中的隨機森林算法對不同分辨率的遙感圖像進行油菜提取，分布結(jié)果如圖6，不同分辨率下分類精度如表3 所示?？梢钥闯?，對于同源數(shù)據(jù)的Sentinel-2 而言，特征波段數(shù)量相同，提高分辨率能夠有效提高地物信息分類精度，總體精度由72.29%提高到79.52%，Kappa 系數(shù)從0.66 上升到0.75；對比Sentinel-2 與GF-1 數(shù)據(jù)，在同等分辨率條件下，盡管地物分類總體精度和Kappa 值有微小變化，但由于Sentinel-2 數(shù)據(jù)涵蓋對綠色作物較為敏感的紅邊波段，油菜作物的制圖精度有較大提高，從91.30%提高到95.65%。

表2 不同波段下原始圖像與融合圖像的指標(biāo)比較Table 2 Evaluation of fusion image index

2.4 紅邊波段組合下油菜識別精度對比及特征波段重要性分析

表4 為基于2 m 空間分辨率的Sentinel-2 多光譜數(shù)據(jù)不同波段組合下油菜作物隨機森林分類的提取精度，可以看出，可見光B2、B3、B4-紅邊B5-近紅外B8 組成的C2 組合相比于C1（可見光B2、B3、B4-近紅外B8）組合用戶精度提高2.91%，總體精度提高4.75%；由可見光B2、B3、B4-紅邊B5、B6-近紅外B8 組成的C3 組合相比于C2 組合用戶精度提高3.14%，總體精度提高1.21%，表明B5 波段比B6 波段對于提高總體精度更有效。C4（可見光B2、B3、B4-紅邊B5、B6、B7-近紅外波段B8）組合相比于C3 組合制圖精度提高4.35%，用戶精度提高0.57%，總體精度保持不變，表明B7 對于油菜作物制圖精度提升效果較為明顯。C5（B2-B3-B4-B5-B6-B7-B8-B8A）相比于C4 組合制圖和用戶精度保持不變，總體精度提高2.41%，Kappa 系數(shù)提高0.028。表明B8A 波段對提升總體精度也有一定作用。

圖4 不同分辨率影像地物類型灰度曲線Fig.4 Gray curves of land cover images of different resolutions

圖5 典型地物的光譜曲線Fig.5 Spectral curve of typical objects on land

基于隨機森林分類的特征波段歸一化重要性度量值及排序如圖7，可以看出在較高分辨率條件下，重要性排序最高的為可見光藍色波段B2，重要性度量值為0.94；其次，在紅邊波段中，B7 和B5 對油菜信息識別精度提升作用相對較為突出，分別為0.89和0.75。與上述不同波段組合比較中B7 與B5 波段有助于精度提升的結(jié)果較為一致。而對于一般綠色地物響應(yīng)相對較強的近紅外B8 波段作用相對較弱，重要性度量值最小0.64?？梢?，紅邊波段相對于近紅外波段更有助于提高目標(biāo)作物制圖精度和總體精度，不同紅邊波段對提升油菜作物識別精度不同。

圖6 不同分辨率影像分類提取效果Fig.6 Crop classification as affected by images of different resolutions

表3 不同分辨率下分類精度比較Table 3 Classification accuracy with images of different resolutions

表4 不同波段組合下分類精度比較Table 4 Classification accuracy under different band combinations

圖7 基于隨機森林的歸一化特征波段重要性度量Fig.7 Importance measurement of normalized characteristic bands based on random forest model

3 討論與結(jié)論

（1）本試驗區(qū)內(nèi)田塊多成條帶式分布，作物種植結(jié)構(gòu)復(fù)雜，規(guī)?；N植程度低，較為分散，中等分辨率下目標(biāo)作物目視解譯尚且困難，提取精度估算難以令人信服。張煥雪[20]提出當(dāng)提取作物較為破碎時，需要在提高影像空間分辨率的同時融入其他技術(shù)手段。本研究首次將影像重建和融合技術(shù)應(yīng)用于Sentinel-2 影像，以獲取2 m 的高空間分辨率Sentinel-2 數(shù)據(jù)。融合后目標(biāo)作物目視可識別性明顯增強，作物制圖精度由86.96%提升到95.65%，總體精度從72.29%上升到79.52%。

（2）本文圖像融合后，同等2 m 分辨率條件下，融合影像與原始GF-1 號多光譜影像的制圖精度有較大提高，制圖精度由91.30%提升到95.65%。融合影像不同波段組合結(jié)果表明，融入紅邊波段能夠增加了地物之間的可分性，提高作物的識別精度，與此前劉佳[21]的結(jié)論較為一致。同時，本文進一步通過對B5、B6、B7、B8A 等多個紅邊波段對目標(biāo)作物制圖精度或者總體精度提升程度進行分析，得到不同紅邊波段對地物識別精度的具體提升效果，可知B5 波段對于油菜作物制圖精度影響效果不明顯，但對于整體精度提升影響較大，總體精度提高5%左右；B7 波段對于油菜作物制圖精度提升效果較為明顯，由95.65%提高到100%，而對總體精度影響不明顯。

（3）本研究通過多光譜影像重建與融合技術(shù)實現(xiàn)了Sentinel-2 影像空間分辨率的大幅度提升，同時基于隨機森林分類完成不同紅邊波段組合下的油菜提取結(jié)果的精度對比和特征波段重要性量化度量，較為全面地探索了Sentinel-2 影像高分辨率條件下不同紅邊波段下油菜作物遙感識別能力，可為Sentinel-2 影像分辨率提升研究及探索其更廣泛的應(yīng)用領(lǐng)域提供借鑒。但本研究設(shè)計的農(nóng)作物提取結(jié)果只區(qū)分了目標(biāo)作物油菜和其他兩類。在今后的研究中，將考慮對更多的其他作物進行分析，探索不同紅邊波段對不同作物的敏感性，以進一步測試紅邊波段對油菜與其他作物波段響應(yīng)的差異性。