陳玉萍

(江蘇煤炭地質(zhì)物測(cè)隊(duì)，江蘇 南京 210046)

0 引 言

中國(guó)是農(nóng)業(yè)大國(guó)，糧食產(chǎn)量和糧食安全對(duì)于農(nóng)業(yè)發(fā)展至關(guān)重要，糧食作物的精準(zhǔn)識(shí)別是保障糧食產(chǎn)量和糧食安全的基礎(chǔ)。農(nóng)作物種植結(jié)構(gòu)是指一個(gè)生產(chǎn)單位內(nèi)的農(nóng)作物種植類型及其空間分布，科學(xué)準(zhǔn)確的掌握農(nóng)作物的種植結(jié)構(gòu)是農(nóng)作物長(zhǎng)勢(shì)、產(chǎn)量及災(zāi)害評(píng)估的基礎(chǔ)，是研究區(qū)域糧食穩(wěn)定和農(nóng)業(yè)資源生產(chǎn)力的重要依據(jù)，是國(guó)家和政府宏觀指導(dǎo)農(nóng)業(yè)生產(chǎn)的重要支撐。同時(shí)，研究農(nóng)作物種植分布及變化信息對(duì)于農(nóng)業(yè)空間格局變化及陸地碳循環(huán)貢獻(xiàn)十分重要。因此，無(wú)論從環(huán)境角度還是糧食安全角度出發(fā)，快速提取農(nóng)作物種植分布及面積都具有重要意義[1]。

目前，各地方農(nóng)業(yè)農(nóng)村局對(duì)農(nóng)作物監(jiān)測(cè)仍主要以傳統(tǒng)手段為主[2]。傳統(tǒng)的農(nóng)作物分布及面積統(tǒng)計(jì)主要以統(tǒng)計(jì)上報(bào)和實(shí)地抽樣統(tǒng)計(jì)為主，這種方式存在主觀性強(qiáng)、誤差大且耗力費(fèi)時(shí)等缺點(diǎn)，同時(shí)缺乏種植面積及分布的一張圖管理，也缺乏對(duì)統(tǒng)計(jì)上報(bào)面積及分布的核查。遙感技術(shù)作為一種新興技術(shù)，近幾年發(fā)展迅速，現(xiàn)已成為獲取農(nóng)作物空間布局的重要手段，并在不同時(shí)空尺度下的農(nóng)作物空間分布及面積監(jiān)測(cè)中發(fā)揮著重要作用。

國(guó)內(nèi)外學(xué)者基于遙感的農(nóng)作物種植結(jié)構(gòu)提取方法主要分為基于單一影像的種植結(jié)構(gòu)提取和基于時(shí)間序列影像的種植結(jié)構(gòu)提取。基于單一影像的提取方法適用于種植結(jié)構(gòu)相對(duì)單一的地區(qū)，通過(guò)找到不同農(nóng)作物的關(guān)鍵物候期進(jìn)行種植結(jié)構(gòu)提取[3]；基于時(shí)間序列影像的提取方法充分利用農(nóng)作物的物候期特征，依據(jù)農(nóng)作物在不同生育期的不同生長(zhǎng)狀態(tài)進(jìn)行識(shí)別，但是該方法需要下載及預(yù)處理長(zhǎng)時(shí)序遙感影像，而遙感影像數(shù)據(jù)量較大，數(shù)據(jù)處理及后續(xù)分類耗時(shí)較長(zhǎng)[4]。隨著大數(shù)據(jù)、云計(jì)算的快速發(fā)展，GEE(Google Earth engine)作為一個(gè)基于云平臺(tái)的全球范圍尺度的地理空間分析與處理平臺(tái)，為遙感快速分類帶來(lái)了新的希望，盧獻(xiàn)健等基于GEE平臺(tái)進(jìn)行了桉樹(shù)的快速提取，何昭欣等進(jìn)行夏收作物的快速提取[5-6]。

鑒于此，筆者以黑龍江省哈爾濱市延壽縣為研究區(qū)，基于GEE平臺(tái)，利用Landsat8 OLI數(shù)據(jù)，提出了隨機(jī)森林算法結(jié)合多特征的作物遙感信息提取方法，研究隨機(jī)森林算法在該地區(qū)農(nóng)作物識(shí)別的適用性，以期為農(nóng)作物大面積快速識(shí)別及政府規(guī)劃提供手段。

1 研究區(qū)概況和數(shù)據(jù)來(lái)源

1.1 研究區(qū)概況

延壽縣隸屬于黑龍江省哈爾濱市，位于黑龍江省中南部，地理位置東經(jīng)127°54′20″～129°4′30″，北緯45°10′10″～45°45′25″，幅員3 149 km2，與尚志市、方正縣、賓縣接壤。黑龍江水系松花江右岸的一級(jí)支流螞蜒河為延壽縣唯一的干流。

延壽縣屬于寒溫帶大陸性季風(fēng)氣候，冬季較冷，夏季溫?zé)?，降水集中，氣候濕?rùn)，平均降水量約570 mm。延壽縣自然資源豐富，土壤肥沃，氣候適中，有易于農(nóng)作物生長(zhǎng)，主要農(nóng)作物為一年一季，主要為大豆、玉米、水稻，延壽縣是黑龍江省糧食主產(chǎn)區(qū)之一。

1.2 數(shù)據(jù)來(lái)源與預(yù)處理

1.2.1 GEE平臺(tái)

GEE平臺(tái)是Google提供給科研工作者的針對(duì)全球尺度的地球科學(xué)資料匯總的平臺(tái)，平臺(tái)可以進(jìn)行在線的可視化處理與分析，免費(fèi)提供了海量的遙感數(shù)據(jù)，科研工作者可直接在平臺(tái)上進(jìn)行調(diào)用分析，不需要再去國(guó)外免費(fèi)網(wǎng)站注冊(cè)下載及處理。GEE平臺(tái)可以對(duì)海量數(shù)據(jù)進(jìn)行快速的處理與分析，且不受本地軟硬件配置的影響，可以為科研工作者節(jié)省時(shí)間。GEE平臺(tái)為用戶提供了多種數(shù)據(jù)源，總?cè)萘砍^(guò)5 PB，用戶只需要在平臺(tái)上直接編寫代碼即可根據(jù)時(shí)間、工作區(qū)范圍進(jìn)行所需影像的處理和使用[7]。

1.2.2 Landsat8數(shù)據(jù)

本研究使用的數(shù)據(jù)為L(zhǎng)andsat8 OLI數(shù)據(jù)，來(lái)源于GEE平臺(tái)。Landsat 8衛(wèi)星的重訪周期為16 d，可以滿足對(duì)農(nóng)作物關(guān)鍵生育期監(jiān)測(cè)的影像需求，適合監(jiān)測(cè)農(nóng)作物種植結(jié)構(gòu)；黑龍江的田塊較大，Landsat8衛(wèi)星30 m的空間分辨率可以滿足其對(duì)田塊尺度的監(jiān)測(cè)；不同的波段組合適合監(jiān)測(cè)不同的地物類型，這些特點(diǎn)使其成為農(nóng)業(yè)遙感的主要影像源。Landsat8上攜帶有兩個(gè)主要載荷：OLI和TIRS。OLI包括9個(gè)波段，8個(gè)空間分辨率為30 m的波段和1個(gè)空間分辨率為15 m的全色波段，影像寬幅為185 km x 185 km。TIRS包括2個(gè)空間分辨率為100 m的熱紅外波段，Landsat8參數(shù)如表1所示。本文主要利用Landsat8上攜帶的OLI數(shù)據(jù)，主要使用前7個(gè)波段。

表1 Landsat8參數(shù)

本文使用的是2020年1月1日-2020年12月31日的Landsat8 OLI影像，共計(jì)63景數(shù)據(jù)。數(shù)據(jù)預(yù)處理全部在GEE平臺(tái)通過(guò)Python語(yǔ)言代碼編寫完成，數(shù)據(jù)預(yù)處理包括影像去云、鑲嵌、裁剪和波段合成。本文利用Landsat8質(zhì)量評(píng)估波段(QA)進(jìn)行去云處理，采用地理坐標(biāo)的鑲嵌方法對(duì)影像進(jìn)行鑲嵌，并按研究區(qū)范圍進(jìn)行裁剪，并對(duì)所有波段進(jìn)行合成處理，預(yù)處理后的影像用于后續(xù)的分類使用，如圖1所示。

圖1 研究區(qū)影像

1.2.3 SRTM3地形數(shù)據(jù)

地形數(shù)據(jù)使用的是航天飛機(jī)雷達(dá)地形任務(wù)(SRTM)生產(chǎn)的數(shù)字高程數(shù)據(jù)，該數(shù)據(jù)覆蓋中國(guó)境內(nèi)，且免費(fèi)開(kāi)放使用，SRTM數(shù)據(jù)包括SRTM1和SRTM3兩種，空間分辨率分別為90 m和30 m，本文使用空間分辨率為30 m的SRTM3數(shù)據(jù)作為地形數(shù)據(jù)。本文按照研究區(qū)邊界進(jìn)行裁剪，用于后續(xù)分析使用。

1.2.4 樣本數(shù)據(jù)

本文研究的分類系統(tǒng)包括林地、人工地表、水體、水稻、玉米、大豆6類。本文在GEE預(yù)處理生成的Landsat8 OLI數(shù)據(jù)(2020年6月1日-2020年9月1日多波段組合圖)上進(jìn)行各地類樣本點(diǎn)的選取，樣本選取遵循均勻分布原則。各地類樣本點(diǎn)選取數(shù)量如表2所示。樣本的70%用來(lái)分類，其余的30%用來(lái)驗(yàn)證。

表2 樣本數(shù)據(jù)

2 研究方法

2.1 特征構(gòu)建

2.1.1 光譜特征

本文通過(guò)對(duì)研究區(qū)位置、時(shí)間及去云篩選后，共得到63景Landsat8 OLI影像，每景影像包括前7個(gè)光譜波段，利用GEE平臺(tái)編寫歸一化植被指數(shù)NDVI、歸一化水體指數(shù)NDWI、歸一化建筑指數(shù)NDBI代碼[8-9]，將每種指數(shù)作為獨(dú)立波段添加到原始影像中，各指數(shù)計(jì)算公式如式(1)-式(3)所示：

(1)

(2)

(3)

式中，Band3為L(zhǎng)andsat8 OLI的第3波段，波段為綠色；Band4為L(zhǎng)andsat8 OLI的第4波段，波段為紅色；Band5為L(zhǎng)andsat8 OLI的第5波段，波段為近紅外；Band6為L(zhǎng)andsat8 OLI的第6波段，波段為短波紅外。

2.1.2 地形特征

本文研究區(qū)內(nèi)包含大量的林地，因此添加與地形相關(guān)的參數(shù)，用于提高分類精度。本文利用SRTM3數(shù)據(jù)構(gòu)建高程和坡度特征。通過(guò)計(jì)算得到高程和坡度信息，并作為2個(gè)獨(dú)立波段添加到原始影像中。

2.2 分類方法

隨機(jī)森林算法是一種比較新的機(jī)器學(xué)習(xí)模型，它是主流的集成學(xué)習(xí)方法。隨機(jī)森林從詞義上可以理解為以隨機(jī)的方式建立一個(gè)森林，這個(gè)森林里有很多決策樹(shù)，每一個(gè)決策樹(shù)之間沒(méi)有聯(lián)系。當(dāng)有一個(gè)確定的樣本時(shí)，通過(guò)對(duì)每一個(gè)決策樹(shù)進(jìn)行判斷，看看哪一類被判斷最多，這個(gè)樣本就屬于哪一類。經(jīng)過(guò)查找大量文獻(xiàn)，決策樹(shù)個(gè)數(shù)為100時(shí)較優(yōu)[10]，本文采用的隨機(jī)森林算法的決策樹(shù)個(gè)數(shù)設(shè)置為100。

隨機(jī)森林算法表現(xiàn)性能好，與其他算法相比有著很大優(yōu)勢(shì)，其具有極好的準(zhǔn)確率、可以有效的運(yùn)行在海量的數(shù)據(jù)集中且處理速度較快、能夠處理高維特征且不需要降維處理、能夠評(píng)估各特征的重要性、訓(xùn)練過(guò)程中各個(gè)特征無(wú)影響、抗過(guò)擬合能力較強(qiáng)等特點(diǎn)。

2.3 精度評(píng)價(jià)方法

本文采用混淆矩陣方法進(jìn)行分類結(jié)果的精度評(píng)價(jià)，混淆矩陣是精度評(píng)價(jià)常用的標(biāo)準(zhǔn)格式，它用n行n列的矩陣來(lái)表示。本文使用的具體評(píng)價(jià)指標(biāo)有總體精度和Kappa系數(shù)。

2.4 總體流程

本文基于 GEE平臺(tái)，按照研究區(qū)范圍進(jìn)行2020年Landsat8 OLI影像進(jìn)行下載，并對(duì)影像進(jìn)行去云、鑲嵌、裁剪、波段合成等預(yù)處理工作，對(duì)預(yù)處理的影像采用隨機(jī)森林方法進(jìn)行分類，并對(duì)結(jié)果進(jìn)行精度驗(yàn)證，研究方法流程圖如圖2所示。

圖2 研究方法流程圖

3 結(jié)果與分析

本文通過(guò)GEE云平臺(tái)，快速獲取并處理了覆蓋研究區(qū)的遙感數(shù)據(jù)，在此基礎(chǔ)上完成了光譜及地形特征的構(gòu)建，試驗(yàn)了隨機(jī)森林算法并評(píng)價(jià)了分類精度，最終得到研究區(qū)2020年玉米、大豆、水稻的空間分布信息。研究區(qū)分類結(jié)果如圖3所示。從圖中可以得出，水稻主要集中在研究區(qū)的中部地區(qū)，河流的兩側(cè)；玉米多種植在南部地區(qū)；玉米和大豆有套種現(xiàn)象。

圖3 研究區(qū)分類結(jié)果

本文采用混淆矩陣方法進(jìn)行分類結(jié)果的精度評(píng)價(jià)，混淆矩陣如表3所示。

表3 混淆矩陣

經(jīng)過(guò)計(jì)算，總體精度為99.69%，Kappa系數(shù)為0.983 6。

本文利用GEE平臺(tái)的面積統(tǒng)計(jì)功能，進(jìn)行林地、人工地表、水體、水稻、玉米、大豆的面積及比例統(tǒng)計(jì)，如表4所示。研究區(qū)內(nèi)水稻種植比例最大，占研究區(qū)面積的27.60%；玉米次之，占研究區(qū)面積的20.36%；大豆種植比例最小，占研究區(qū)面積的13.40%。

表4 地物面積及比例

4 結(jié) 語(yǔ)

本文基于GEE云平臺(tái)，快速得到了覆蓋研究區(qū)的2020年全年的Landsat8 OLI遙感影像、完成了數(shù)據(jù)的預(yù)處理、構(gòu)建了光譜和地形特征，采用隨機(jī)森林算法對(duì)預(yù)處理后的影像進(jìn)行農(nóng)作物的快速提取研究。分類的總體精度為99.69%，Kappa系數(shù)為0.983 6，相關(guān)技術(shù)方法可以為大面積的農(nóng)作物快速提取提供技術(shù)手段。

農(nóng)作物種植類型復(fù)雜，本文僅考慮了主要農(nóng)作物玉米、大豆、水稻，對(duì)于少量種植的農(nóng)作物和經(jīng)濟(jì)作物未作考慮。除此之外，研究區(qū)內(nèi)存在間作套種，而本文使用的Landsat8 OLI數(shù)據(jù)空間分辨率為30 m，存在一定的混合像元現(xiàn)象。因此，今后需要利用分辨率更高的時(shí)序影像并結(jié)合更多作物種類的樣本來(lái)進(jìn)行農(nóng)作物快速提取研究。