孫秀邦， 黃 勇， 李 德， 胡文運， 胡安霞， 田 青

（1.宣城市氣象局，安徽 宣城 242000； 2.安徽省氣象科學(xué)研究所，安徽 合肥 230031；3.宿州市氣象局，安徽 宿州 234000）

0 引言

農(nóng)作物主要類型識別是估算農(nóng)作物面積、監(jiān)測其長勢及調(diào)查農(nóng)業(yè)氣象災(zāi)害發(fā)生情況的首要工作，也是農(nóng)情遙感的基礎(chǔ)[1-4]。隨著衛(wèi)星技術(shù)的發(fā)展，尤其是國內(nèi)高分系列衛(wèi)星和國外以哨兵系列衛(wèi)星為代表的高分辨率遙感數(shù)據(jù)的高重訪性和免費易得性，使得獲取農(nóng)作物種植面積和空間分布成為可能，并在實際工作中得到大量應(yīng)用[5-8]。但是如何快速獲取遙感分類結(jié)果并提高計算機自動分類精度，一直是遙感應(yīng)用研究中最關(guān)心的問題之一。目前，農(nóng)作物類型識別主要基于有無樣本監(jiān)督分類和非監(jiān)督分類方法[9-13]。監(jiān)督分類是利用訓(xùn)練樣本結(jié)合智能分類器進(jìn)行分類，但由于影像中地物種類的復(fù)雜性，即使選取的訓(xùn)練樣本數(shù)量足夠多，有時也無法準(zhǔn)確提取感興趣區(qū)地物類別，會出現(xiàn)一定程度的錯分或漏分。非監(jiān)督分類的分類速度快，但由于同物異譜、異物同譜現(xiàn)象存在，常使地物類別與實際地物類別的分類結(jié)果產(chǎn)生較大的誤差[14-15]。

近年來，隨著算法的成熟，以支持向量機、隨機森林、神經(jīng)網(wǎng)絡(luò)等各種淺層和深層學(xué)習(xí)為代表的新算法逐步成為普遍關(guān)注的新方法。羅桓等[16]使用支持向量機與影像光譜特征進(jìn)行影像分類提取縣域冬小麥種植面積，效果明顯好于傳統(tǒng)監(jiān)督分類方法。周珂等[17]用隨機森林方法加入地形特征、紋理特征、NDVI 后再加入新特征NDVI 增幅，能夠有效提高冬小麥的提取精度。張國良[18]針對影像中葡萄種植區(qū)的種植分布和紋理特征等特點，對U-Net 模型進(jìn)行相關(guān)改進(jìn)，提高對不同尺寸地物的識別能力。劉戈等[19]提出一種特征優(yōu)選與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的多光譜遙感農(nóng)作物分類方法用以解決精細(xì)分類問題。以上作物識別方法因加入較多紋理特征使分類方法不具有重復(fù)操作性或因需收集或處理較多時相資料而使分類結(jié)果不能快速獲得。此外，由于衛(wèi)星傳感器本身特性的影響和地物間相互干擾影響，很多分類方法沒有考慮到遙感影像部分象元的模糊性和隨機性，主要體現(xiàn)在圖像中各個對象邊界像素的“非此即彼”性和模糊像元對于一個分類對象隸屬度的不確定性。因此，提出云模型的方法來解決模糊象元歸屬類別問題。

云模型是定性定量轉(zhuǎn)換的一種認(rèn)知模型，能夠?qū)崿F(xiàn)定性概念與定量數(shù)值直接的雙向轉(zhuǎn)換，把握遙感象元值的不確定性[20]。目前通過遙感手段提取冬小麥種植面積的方法頗多，而使用云模型方法對冬小麥種植面積提取的研究鮮有報道。借鑒前人在農(nóng)作物面積提取的研究方法，本文以安徽省宣城市宣州區(qū)為研究區(qū)域，通過主成分分析方法提取主要成分，并在調(diào)查樣方內(nèi)提取小麥樣本，使用云模型分類法進(jìn)行影像分類，以實現(xiàn)冬小麥識別和種植面積的提取，以期為我國麥區(qū)縣域冬小麥種植面積的精確提取提供方法參考。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)域位于安徽省宣城市宣州區(qū)（東經(jīng)118°28'～119°04'、北緯30°34'～31°19'），總面積2 533 km2，其中耕地總面積88 190.31 hm2，林地面積84 468 hm2[21]。屬亞熱帶濕潤季風(fēng)氣候，季風(fēng)氣候明顯。光、熱、水氣候條件優(yōu)越。年平均日照時數(shù)2 072.5 h；年平均溫度15.8 °C，無霜期228 d；年平均降雨量1 324.8 mm，冬小麥、水稻、油菜、煙草都屬于當(dāng)?shù)刂饕魑颷22]。

1.2 研究數(shù)據(jù)及預(yù)處理

1.2.1 哨兵-2 數(shù)據(jù)

哨兵-2 號衛(wèi)星影像數(shù)據(jù)，下載自USGS，該衛(wèi)星攜帶多光譜成像儀（multispectral imager，MSI），高度為786 km，可覆蓋 13 個光譜波段，幅寬達(dá) 290 km， 地面分辨率分別為 10 、20 和 60 m，兩顆衛(wèi)星互補，重訪周期為 5 d，從可見光和近紅外到短波紅外，具有不同的空間分辨率，此外哨兵-2 數(shù)據(jù)在紅邊范圍內(nèi)含有3個波段的數(shù)據(jù)，對監(jiān)測植被健康信息非常有效[23]。選用2021 年3 月22 日2 幅哨兵衛(wèi)星影像，屬于Level 1C級別數(shù)據(jù)。當(dāng)日衛(wèi)星過境時，宣州區(qū)天氣晴朗、無云，冬小麥正處于拔節(jié)期，油菜處于開花期，樹木等植被處于返青期。

利用歐空局提供的Sen2Cor 工具對2 幅影像數(shù)據(jù)進(jìn)行大氣校正。選擇表1 所列的波段利用SNAP 軟件分別進(jìn)行重采樣，重采樣后的數(shù)據(jù)分辨率為10 m，利用Envi5.3 合并所有波段數(shù)據(jù)，并拼接裁剪出宣州區(qū)范圍內(nèi)數(shù)據(jù)進(jìn)行合成。

表1 哨兵-2A 光譜波段信息Tab.1 Sentinel-2A spectral band information

1.2.2 樣本數(shù)據(jù)

結(jié)合國元農(nóng)業(yè)保險股份有限公司宣城中心支公司投保小麥?zhǔn)噶窟吔鐢?shù)據(jù)和哨兵-2 衛(wèi)星影像數(shù)據(jù)目視解譯，采用人工交互方式選取了1 200 個小麥訓(xùn)練樣本。驗證樣本來源于Google earth 中研究區(qū)局部高分辨率真彩色影像，影像拍攝時間為3 月26 日，象元分辨率為0.29 m×0.29 m，利用ENVI 軟件在該影像中隨機獲取250 個感興趣區(qū)，其中130 個為小麥類，120 個為非小麥類。

2 研究方法

2.1 主成分分析方法

主成分分析法（principal component analysis，PCA）旨在利用降維的思想，將已處理好的多波段圖像中的有用信息集中到數(shù)目盡可能少的新主成分圖像中，使這些主成分圖像之間互不相關(guān) ，而且將影像中的無用噪聲集中到最后幾個主成分上[24]。相關(guān)研究表明，該方法可減少或消除多波段或多時相之間的相關(guān)性對類間距離的影響，主成分分析對解決因相關(guān)性引起的異物同譜問題比較有效[25]。主成分算法如下：由多光譜圖像數(shù)據(jù)求得影像數(shù)據(jù)的相關(guān)系數(shù)矩陣，由相關(guān)系數(shù)矩陣計算特征值和特征向量，求得主成分圖像。在數(shù)學(xué)變換中波段變量的總方差不變，使第1 變量具有最大的方差，稱為第1 主成分，第2 變量的方差次大，并且和第1 變量不相關(guān)，稱為第2 主成分，依次類推。

2.2 云模型隸屬度計算方法

云模型由概率論和模糊數(shù)學(xué)演化發(fā)展而來，能較好刻畫事件發(fā)生的模糊性和隨機性[26]。其定義：設(shè) Ω是一個精確數(shù)值表示的定量論域，C 是 Ω上的定性概念，即一個描述性的語言值或指標(biāo)，對于任意一個論域中的元素x，都存在一個有穩(wěn)定傾向的隨機數(shù) μ∈[0，1]，稱之為x對C 的隸屬度，則x在論域 Ω上的分布稱為云模型（cloud model），每個[x, μ(x)]稱為一個云滴。云模型由期望（Ex）、熵（En）和超熵（He）3 個數(shù)字特征或參數(shù)來表征。Ex標(biāo)定了云對象在論域中的位置，即云的重心位置，它100%隸屬于這個定性概念。En是概念模糊度的度量，其大小直接決定了在論域中可被某一概念所接受的元素數(shù)，即亦此亦彼性的裕度。He也稱為熵的熵，是En的不確定性度量。

在確定樣本對類別的隸屬度時，先用無需隸屬度的逆向云算法，通過輸入樣本論域空間的定量位置xi，得到表示定性類別的3 個數(shù)字特征Ex、En、He。

（1）計算xi的平均值Ex=，求得xi的期望Ex。

（3）計算熵。

（4）計算超熵。

式中xi-某個遙感影像波段單個小麥樣本象元值

n-該波段小麥樣本象元數(shù)

利用正向云算法，通過輸入逆向云算法中算得的表示定性概念的數(shù)字特征，得到每個測試象元xi及其對定性類別（小麥類別）的隸屬度 μi(x)，具體算法如下。

（4）重復(fù)步驟1 和3，直到產(chǎn)生N個云滴為止，即生成云圖。

2.3 精度評價

為了定量分析云模型提取效果，采用制圖精度（producer's accuracy，PA）、用戶精度（user's accuracy，UA）和Kappa 系數(shù)指標(biāo)對小麥的提取結(jié)果進(jìn)行精度評價。

2.4 技術(shù)路線

基于云模型的小麥提取方法的具體技術(shù)路線如圖1所示，包括數(shù)據(jù)預(yù)處理、訓(xùn)練樣本提取、主成分分析、逆向云發(fā)生器生成云模型參數(shù)、云發(fā)生器計算每個待分像素的隸屬度、分類及后處理和精度評價等。

圖1 小麥提取流程Fig.1 Flow chart of wheat extraction

3 結(jié)果與分析

3.1 主成分分析結(jié)果

由表2 可知，經(jīng)過主成分變化后的多波段信息主要集中在少數(shù)幾個主成分波段中，其中前3 個主成分波段信息量較大，包含了原數(shù)據(jù)97.7%的信息，于是選取前3 個主成分波段作為后面云模型計算的變量。通過特征向量矩陣分析來看：第1 主成分的信息主要由band8、band8A、band7 和band6 貢獻(xiàn)，均為負(fù)值；第2 主成分信息主要由band12、band4、band11、band5、band2 和band3 貢獻(xiàn)，均為正值；3 主成分信息主要由band11、band3、band12、band4、band2 和band5 貢獻(xiàn)，有正值和負(fù)值。

表2 主成分協(xié)方差特征向量矩陣及統(tǒng)計分析Tab.2 Principal component covariance eigenvector matrix and statistical analysis

如圖2 所示，經(jīng)過主成分變換后整個圖像的變化經(jīng)直接觀察有不甚明顯的細(xì)微變換，但是放大到局部影像后就可以明顯觀察出變化。圖2a 為原始數(shù)據(jù)的真彩色圖像波段組合（R-band4、G-band3、B-band2），圖像上地物主要有河流、小麥、油菜、裸地和森林，其中小麥與河道附近部分草地和林地區(qū)分不明顯；圖2b是經(jīng)主成分變換后通道組合（R-PC1、G-PC2、B-PC3），圖像上地物邊界清晰度較高，小麥能較好與其他地物區(qū)分開。

圖2 PCA 變換前后對比Fig.2 Comparison before and after PCA transformation

3.2 樣本選取及“小麥”概念云模型

在第1 主成分、第2 主成分和第3 主成分?jǐn)?shù)據(jù)中根據(jù)1 200 個訓(xùn)練樣本點地理位置獲取小麥象元值（位置相同），通過逆向云算法獲取云模型的3 個主要參數(shù)（表3）。根據(jù)云模型的定義和小麥象元值分布規(guī)律，當(dāng)象元值等于Ex時，該象元隸屬于“小麥”概念的隸屬度為1，如果象元值大于或小于Ex，則隸屬度小于1，因此小麥的云模型應(yīng)該是對稱云模型。此外，從表3 可以看出， 0 ＜He＜En/3，因此樣本對“小麥”概念的隸屬度呈現(xiàn)出不確定性，云模型的云滴不是霧化狀態(tài)，符合對所有數(shù)據(jù)開展基于云模型的小麥隸屬度計算。利用python 程序，根據(jù)表3 中各主成分云模型參數(shù)，采用逆向云生成法，取1 000 個云滴，通過計算機仿真生成前3 個主成分圖像的云模型（圖3），云模型呈典型的泛高斯分布狀態(tài)，橫坐標(biāo)越靠近Ex，云滴越集中，越偏離Ex，云滴越離散。

圖3 “小麥”概念云模型Fig.3 "Wheat" conceptual cloud model

表3 主成分圖像云模型參數(shù)Tab.3 Principal component image cloud model parameters

3.3 小麥分類結(jié)果

根據(jù)“小麥”概念云模型參數(shù)，利用云模型隸屬度計算方法，分別對第1 主成分、第2 主成分和第3 主成分圖像中每個象元值進(jìn)行隸屬度計算，取5 個云滴的平均值作為最終隸屬度， 得到每個主成分的隸屬度圖像。在ENVI 軟件中進(jìn)行目視解譯發(fā)現(xiàn)，在第1 主成分隸屬度圖像中，小麥隸屬度值普遍在0.5 以上，與水體、湖泊和森林等其他地物能明顯區(qū)分開來（其值普遍＜0.01），但與油菜和部分建筑物（主要是屋頂為藍(lán)色和白色的廠房）難以區(qū)分，因此第1 主成分信息難以單獨提取小麥；在第2 主成分中小麥與其他所有地物具有明顯的區(qū)分度，小麥隸屬度普遍在0.35 以上，極少森林植被被錯分為小麥；在第3 主成分中，小麥隸屬度值普遍在0.5 以上，但與油菜、森林等能有很好的區(qū)分，與城市湖泊、河流和道路難以區(qū)分。因此采用第2 主成分和第3 主成分的信息，在ENVI 中利用波段運算，提取第2 主成分隸屬度＞0.35，并且第3 主成分隸屬度＜0.01 的象元，并賦值為1，其他像元賦值為0，此外為了消除小麥種植區(qū)域的斑點和空洞噪聲，對初始分類結(jié)果進(jìn)行聚類后處理，最終形成宣州區(qū)小麥種植分布情況。通過人工判讀，小麥種植田塊和非小麥田塊均獲得很好識別，二者基本無錯分現(xiàn)象。此外，獲取的小麥田塊邊界較為清晰，但在邊界附近還是存在一定的錯分和漏分，通過分布情況來看，宣州區(qū)小麥主要分布在宣州區(qū)養(yǎng)賢、朱橋、沈村、孫埠、五星、向陽和文昌等鄉(xiāng)鎮(zhèn)。貍橋、洪林、黃渡、新田、古泉和周王等鄉(xiāng)鎮(zhèn)少量種植，其他鄉(xiāng)鎮(zhèn)無小麥種植。

3.4 精度評價

對選取的250 個感興趣區(qū)通過混淆矩陣開展精度評價，小麥提取結(jié)果的制圖精度和用戶精度分別為92.78%和99.90%，Kappa 系數(shù)為0.84，錯分誤差為0.10%，漏分誤差為7.22%。選取宣州區(qū)養(yǎng)賢鄉(xiāng)某區(qū)域做精度檢驗結(jié)果，如圖4 所示，提取的田塊信息與所有實際種植田塊均能一一對應(yīng)，提取的邊界信息與實際田塊邊界也非常吻合，但也存在一定的漏分象元。將錯分和漏分象元與驗證數(shù)據(jù)中的高分辨率谷歌影像對比發(fā)現(xiàn)，錯分象元主要為田塊之間的小路或小埂，部分是由于在分類后處理過程中增加的小麥象元；漏分象元主要為植被長勢較差、小麥密度較低區(qū)，在經(jīng)過主成分變換后，第2 主成分象元值大約是正常象元值的一半左右，并且隸屬度值為0.01～0.03。

圖4 區(qū)域精度檢驗結(jié)果Fig.4 Regional accuracy test results

4 結(jié)論

基于哨兵-2 遙感影像數(shù)據(jù)，在主成分變換的基礎(chǔ)上，根據(jù)小麥樣本數(shù)據(jù)，采用無隸屬度的逆向云算法計算小麥云模型參數(shù)，再利用正向云算法得出不同主成分的小麥隸屬度，通過目視解譯確定小麥提取閾值，采用面向?qū)ο蟮姆椒ㄌ崛⌒←湻N植信息，并進(jìn)行精度評價，得出以下結(jié)論。

（1）哨兵-2 衛(wèi)星數(shù)據(jù)波段較多，容易導(dǎo)致數(shù)據(jù)冗余信息的出現(xiàn)，影響對真正需要的小麥信息的提取，因此，在研究和數(shù)據(jù)預(yù)處理過程中，通過主成分變換對數(shù)據(jù)進(jìn)行壓縮非常有必要，而且可提高分類速度。此研究重點利用了第2 主成分和第3 主成分，舍棄包含大量地物信息的第1 主成分，這與以往多數(shù)研究利用第1 主成分進(jìn)行地物分類有很大不同[27-30]。如果需要提取多個地物的信息，第1 主成分應(yīng)該是需要利用的，如果提取單個地物信息，信息含量大的第1 主成分正因為信息復(fù)雜、交錯，可能并不是最佳分析數(shù)據(jù)，需要根據(jù)實際情況進(jìn)行挑選。

（2）云模型對遙感影像分類過程中的不確定性，以隸屬度的形式來體現(xiàn)，方便實際提取小麥信息時，根據(jù)實際情況確定閾值。此外，小麥種植田塊的隸屬度值因小麥長勢和密度的不同有較大的差異，本文中正常小麥的隸屬度值普遍在0.8 以上，非小麥的隸屬度基本為0，隨著小麥長勢變差或密度減小，隸屬度值劇烈下降，部分非正常小麥田的第2 主成分象元值的隸屬度甚至達(dá)到0.02，因此云模型對這部分小麥像元存在漏分現(xiàn)象，但云模型也是有指征意義的。

（3）云模型對小麥種植信息具有很好的把握，通過驗證結(jié)果可以看出，該分類算法精度極高，對地塊的識別基本無遺漏，而且錯分、漏分現(xiàn)象少，相比于深度學(xué)習(xí)等當(dāng)前流行算法，該方法理論簡明，步驟簡單，容易操作，不需要對同一數(shù)據(jù)多次循環(huán)計算。

本文仍存在不足之處：首先是在進(jìn)行小麥信息提取、確立隸屬度閾值時，需要依靠專業(yè)知識和經(jīng)驗，沒有采用嚴(yán)格的閾值評價標(biāo)準(zhǔn)；其次是對于分類結(jié)果采取了人工后處理方法，雖彌補了局部空洞，但也在一定程度上掩蓋了部分田塊間的小路或小梗，增加了錯分像元。后續(xù)將進(jìn)一步針對影像分割和后處理方法進(jìn)行研究。