張 瀾，王 妮，朱冰雪，李 丹，謝巴圖，隋智鐘，陳圣波

（吉林大學(xué) 地球探測科學(xué)與技術(shù)學(xué)院，吉林 長春 130026）

0 引言

農(nóng)作物類別信息的準(zhǔn)確獲取是農(nóng)業(yè)現(xiàn)代化管理的基礎(chǔ)，同時也是農(nóng)業(yè)生產(chǎn)過程中合理分配資源、精準(zhǔn)施肥的重要依據(jù)［1］，對于作物估產(chǎn)、調(diào)整農(nóng)業(yè)生產(chǎn)和保證國家糧食安全具有重要意義。

近年來，低空無人機(jī)高分辨率成像技術(shù)因其空間分辨率高、操作簡單靈活、數(shù)據(jù)采集速度快、成本低等優(yōu)勢而迅速在農(nóng)作物信息識別領(lǐng)域得到廣泛應(yīng)用［2-3］。目前，針對高分辨率影像的農(nóng)作物識別分類方法主要分為基于像元和面向?qū)ο蠓诸?種［4］，傳統(tǒng)基于像元的作物分類法通常根據(jù)影像像元的光譜信息進(jìn)行監(jiān)督分類等，如最大似然法、最小距離法、馬氏距離法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法等。徐新剛等［5］基于QuickBird高分辨率影像，根據(jù)多尺度遙感影像處理原理，對四川綿陽試驗區(qū)內(nèi)的冬小麥和油菜花進(jìn)行分階段分類提取，其中在第二階段小尺度上采用最大似然法進(jìn)行作物分類并統(tǒng)計其種植面積，最終結(jié)合地面抽樣調(diào)查信息適當(dāng)修正分類結(jié)果，總體分類精度達(dá)95.3%。劉斌［2］基于無人機(jī)高分辨率影像的可見光波段信息，采用支持向量機(jī)法提取研究區(qū)內(nèi)水稻、玉米、大豆、馬鈴薯、亞麻、小麥等作物信息，分類精度達(dá)76%，Kappa系數(shù)為0.73。然而，目前受到傳感器發(fā)展的限制，高分辨率影像雖然可以清晰表達(dá)地物詳細(xì)的空間信息，但包含的光譜信息通常較弱，因此，上述方法一般適用于作物種類少、目標(biāo)與背景差異明顯的分類場景［6］，在復(fù)雜農(nóng)田環(huán)境下會因“同物異譜”現(xiàn)象［7］導(dǎo)致分類結(jié)果出現(xiàn)椒鹽碎斑和錯分現(xiàn)象。Conrad［8］和Vieira［9］等基于作物種植地塊單元的分類進(jìn)行了研究，結(jié)果表明：作物分類的識別效果主要取決于地塊邊界的準(zhǔn)確性，這為以面狀單元作為分類對象提供了參考依據(jù)。Luo等［10］基于Sentinel-1數(shù)據(jù)在Google Earth Engine上采用面向?qū)ο蟮姆椒▽?個研究區(qū)域的大豆、玉米和水稻進(jìn)行了分類，總體準(zhǔn)確率達(dá)到90%以上，比基于像元分類的方法提高了約10%。田明璐等［11］基于無人機(jī)高分辨率多光譜影像，將面向?qū)ο蟮姆诸惙椒ǔ晒Φ貞?yīng)用于大白菜、花菜、卷心菜和青菜4種蔬菜地塊的分類。面向?qū)ο蟮姆诸惙椒芤悦鏍顚ο笞鳛榉诸悊卧ㄟ^綜合檢測和提取目標(biāo)地物的光譜、空間、紋理等特征信息和鄰域?qū)ο箝g的關(guān)聯(lián)關(guān)系，并基于模糊分類原理對分割得到的同質(zhì)對象進(jìn)行了識別和歸類［12］，因此，它能較好地提取作物地塊綜合信息、減少碎斑現(xiàn)象，已逐步成為作物分類的應(yīng)用方法之一。然而，在目前的作物分類方法研究中，研究人員選用的作物種類通常較少（＜10類），且大多針對蔬菜、玉米、水稻等作物，關(guān)于多類、多品種作物遙感分類的研究還較為稀缺。

本研究以吉林大學(xué)農(nóng)業(yè)實驗基地作物圃為研究區(qū)，將該研究區(qū)內(nèi)28種農(nóng)作物（硬粒小麥、紫葉草、秋葵、棉花、毛豆、南瓜、胡蘿卜、豌豆、黃/黑豆、黃瓜、柿子、大麥、辣椒、地瓜、綠紅豆、茄子、三葉草、花生、小黑麥、交大34豆類、玉米、芝麻、蘇子、小麥9號、土豆、新燕9號、黑麥、燕麥）作為研究對象，利用搭載多光譜相機(jī)的無人機(jī)平臺獲取作物圃區(qū)域的高分辨率多光譜影像，據(jù)此開展基于像元和面向?qū)ο蠓诸惙椒ǖ臒o人機(jī)高分辨率多光譜影像的多作物分類研究，為作物精細(xì)分類、種植監(jiān)測、農(nóng)業(yè)精細(xì)化管理等提供有力支持。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

研究區(qū)位于吉林省長春市吉林大學(xué)農(nóng)業(yè)實驗基地（125°14′25.4″E，43°56′50.2″N），總面積約88081 m2，地處東北松遼平原腹地，屬于溫帶大陸性半濕潤季風(fēng)氣候，四季分明，土地深厚肥沃，適合種植玉米、水稻、大豆、高粱、谷子、小麥、小雜糧、薯類等作物。

1.2 數(shù)據(jù)的獲取與處理

1.2.1 無人機(jī)影像數(shù)據(jù)的獲取與處理 無人機(jī)影像數(shù)據(jù)獲取時間為2020年8月19日，飛行平臺為大疆M210，搭載MS600Pro型多光譜相機(jī)作為多光譜遙感載荷，同步獲取6個通道光譜圖像數(shù)據(jù)，具體參數(shù)見表1。拍攝當(dāng)天地面風(fēng)速小于4級、天氣晴朗，滿足航攝要求。試驗設(shè)計飛行航高100 m，航向信息重疊度80%，旁向重疊度70%，影像空間分辨率為6.25 cm，使用Yunsense Map軟件完成無人機(jī)數(shù)據(jù)預(yù)處理，包括影像的配準(zhǔn)定標(biāo)和拼接處理等工作。

表1 MS600Pro多光譜成像儀波段參數(shù)

1.2.2 地面數(shù)據(jù)的獲取 航攝結(jié)束后，結(jié)合影像對研究區(qū)作物類型及其分布情況進(jìn)行分析，獲得作物分布信息的真值。研究區(qū)內(nèi)作物種類多且雜，多呈規(guī)則塊狀分布，從南到北四區(qū)作物分別屬于糧食類、菜類、豆類和雜類作物，具體類別如圖1所示。在影像上各類作物內(nèi)部均勻選取感興趣區(qū)，并利用ArcGIS軟件中的隨機(jī)選點工具按4∶1的比例將其分為2個部分，其中80%的ROI作為模 型訓(xùn)練樣本，20%作為驗證樣本。

圖1 研究區(qū)作物類別的分布情況

2 研究方法

2.1 農(nóng)作物的分類方法

本文分別使用最小距離法、馬氏距離法、最大似然法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法5種基于像元的分類方法和面向?qū)ο蟮姆诸惙椒?，分別建立了研究區(qū)內(nèi)28類作物分類模型，對比不同分類方法下作物的分類效果及精度。

其中最小距離法依據(jù)未知類別像元到已知總體均值中心的距離進(jìn)行分類，距離越小，劃分至該類的概率越大［13］；馬氏距離法是一種方向敏感的距離分類器，依據(jù)未知像元到已知總體均值中心的馬氏距離來進(jìn)行分類，馬氏距離可理解為一種修正后的歐氏距離，其值越小，劃分至該類的概率越大［13］；最大似然法假定訓(xùn)練樣本符合正態(tài)分布，通過均值和方差等統(tǒng)計特征建立判別函數(shù)集，計算待分類像元歸屬于每個已知總體的概率，進(jìn)而將未知像元劃分至與之似然度最大的類別中［14］；神經(jīng)網(wǎng)絡(luò)遙感圖像分類采用了人工神經(jīng)網(wǎng)絡(luò)技術(shù)的并行分布式知識處理手段，以遙感圖像為處理對象，建立基于ANN的遙感影像分類專家系統(tǒng)，進(jìn)而模擬人腦神經(jīng)系統(tǒng)對復(fù)雜信息的處理機(jī)制，對未知樣品進(jìn)行判別歸類［15］；支持向量機(jī)分類通過引入核函數(shù)來解算高維特征空間中的最優(yōu)化問題，核心原理在于尋找線性最優(yōu)分類超平面，使其兩側(cè)最接近平面的兩類樣品點群之間距離最大，進(jìn)而保證各類像元樣本達(dá)到最佳可分狀態(tài)［16］。

本研究在ENVI 5.3軟件中利用以上5種監(jiān)督分類方法進(jìn)行作物分類，參數(shù)設(shè)置如表2所示。

表2 基于像元分類方法的參數(shù)設(shè)置

面向?qū)ο蠓诸惙椒ǖ暮诵脑谟谶\用模糊分類原理自動提取每個影像對象的各種屬性［16］。一般包括“分割”“分類”2個模塊，在分割階段，首先通過集合鄰近同質(zhì)性較好的像元生成“同質(zhì)”影像塊（稱之為“圖像對象”），再根據(jù)空間異質(zhì)性原理合并這些影像塊，得到分類對象，并計算各個合并后對象的光譜、紋理、空間、結(jié)構(gòu)等屬性信息［17］。以此作為分類依據(jù)，這個過程中分割方法和分割閾值的確定是決定分類效果的關(guān)鍵因素，常用的分割方法如基于邊緣檢測算法（Edge），通常只需輸入一個參數(shù)，就能通過不同尺度上的邊界差異控制，產(chǎn)生從細(xì)到粗的多尺度分割［18］，其中輸入的分割閾值多通過目視預(yù)覽或評價指標(biāo)確定；在分類階段，依據(jù)各對象綜合信息及影像總體特征，使用基于模糊知識判別、最鄰近算法、支持向量機(jī)法等對各個對象進(jìn)行判別歸類。

本研究在ENVI 5.3軟件中選用基于樣本的面向?qū)ο蠓诸惙?，對研究區(qū)無人機(jī)高分辨率影像中的作物進(jìn)行分類。在分割階段選擇邊緣檢測算法（Edge），分割閾值設(shè)為53，分割后得到研究區(qū)影像上多個“同質(zhì)”對象，而后選用Full Lambda Schedule算法合并，合并閾值為90，將具有相似光譜、紋理、幾何特征的影像塊合并為更加完整的對象；最后，使用最鄰近算法進(jìn)行對象自動分類，閾值設(shè)置為5，臨近值設(shè)為1。

2.2 精度檢驗

本研究通過對比研究區(qū)地表的真實情況與分類結(jié)果圖像，分別統(tǒng)計正確和錯誤劃分的像元個數(shù)及其比例，然后將具體分類情況顯示在混淆矩陣中，并計算分類總體精度、Kappa系數(shù)、各類作物用戶精度及生產(chǎn)者精度。其中，分類總體精度越接近100%，表明正確分類的像元個數(shù)占影像中所有像元個數(shù)的比例越大，分類精度越高［19］；Kappa系數(shù)的范圍一般為［0，1］，越接近1表明分類結(jié)果與真實類別間的一致性越高［20］。用戶精度和生產(chǎn)者精度用于評價特定類別的分類精度，其中用戶精度指分類模型正確劃分為某類的像元總數(shù)與整幅影像中被分為該類別的像元總數(shù)之比，在混淆矩陣中表現(xiàn)為對角線元素除以該類行總和，生產(chǎn)者精度指分類模型正確劃分為某類的像元總數(shù)與該類別真實參考像元總數(shù)之比，在混淆矩陣中表現(xiàn)為對角線元素除以該類列總和［21］，兩者的值越接近100%，表明被正確歸類的未知像元樣品所占比例越大，分類精度越高［19］。

3 分類結(jié)果與精度評價

3.1 基于像元的監(jiān)督分類

基于像元的監(jiān)督分類結(jié)果如圖2~圖6所示，整體來看，其分類結(jié)果均存在較明顯的“椒鹽現(xiàn)象”，多數(shù)作物不成連續(xù)、完整塊狀，不同種類的作物出現(xiàn)了交織混雜的情況，不符合作物種植分布的實際情況。從分類結(jié)果評價可知（表3），5種基于像元的分類總體精度均低于90%，Kappa系數(shù)均低于0.9，其中最大似然法分類效果最好，總體精度為84.13%，Kappa系數(shù)為0.82。

在5種監(jiān)督分類方法中，馬氏距離法、最大似然法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法分類總體精度均大于70%，Kappa系數(shù)均大于0.6，從分類結(jié)果的圖3~圖6、表3可知，硬粒小麥、小麥9號、新燕9號、小黑麥、大麥、黑麥、玉米等禾本科作物地塊完整連續(xù)、邊界較為清晰，分類效果較好；三葉草、紫葉草、芝麻、辣椒等草本作物分類結(jié)果中有明顯的錯分現(xiàn)象，部分與土壤混淆，黃/黑豆、綠/紅豆、交大34號、豌豆等幾種豆類作物混分、錯分現(xiàn)象比較嚴(yán)重，同一地塊中出現(xiàn)了多類作物碎斑。最小距離法分類的總體精度為52.3%，Kappa系數(shù)為0.45，存在大約50%的分類錯誤，從圖2中也可以看出其“椒鹽噪聲”最為嚴(yán)重，同一地塊中出現(xiàn)了嚴(yán)重的多類作物像元混雜現(xiàn)象，各類作物邊界均不清晰，分類效果很差。

各類作物用戶精度（User.Acc）和生產(chǎn)者精度（Prod.Acc）的對比可知（表4），最小距離法下各類作物的分類精度普遍偏低，多在50%以下；其余4種基于像元的監(jiān)督分類結(jié)果中，麥子類、玉米類等禾本科作物的分類精度普遍較高，多在90%左右，紫葉草、三葉草、黃瓜、辣椒等草本作物以及土豆、毛豆、黃/黑豆、豌豆、交大34豆類等豆類作物分類精度普遍偏低，多在70%以下，與上述目視效果基本一致。

表3 面向像元分類方法對作物分類結(jié)果的精度評價結(jié)果

3.2 面向?qū)ο蟮霓r(nóng)作物分類

由面向?qū)ο蠓诸惤Y(jié)果可知（圖7），可見多數(shù)作物范圍連續(xù)、完整，形成邊界清晰的地塊或分布范圍。其中麥子類、玉米等禾本科作物地塊清晰完整，分類效果同樣較好；草本作物與土壤背景混淆的現(xiàn)象也有所改善，呈完整面狀、條壟狀或離散點狀分布，與實際種植情況基本一致；豌豆、黃/黑豆、綠/紅豆等豆類作物中，多數(shù)范圍更加連續(xù)完整，部分地塊有清晰邊界，但仍有部分地塊出現(xiàn)了較為嚴(yán)重的多類作物斑塊交織混雜的情況。經(jīng)驗證，基于實例的面向?qū)ο蠓诸惪傮w精度達(dá)到91.73%，Kappa系數(shù)達(dá)0.87，表明分類結(jié)果與實際情況的一致性較好。

圖2 最小距離法分類結(jié)果

圖3 馬氏距離法分類結(jié)果

圖4 最大似然法分類結(jié)果

圖5 神經(jīng)網(wǎng)絡(luò)法分類結(jié)果

圖6 支持向量機(jī)法分類結(jié)果

圖7 面向?qū)ο蠓诸惤Y(jié)果

由表4中各類作物用戶精度和生產(chǎn)者精度的對比可知，面向?qū)ο蠓诸惙椒ㄏ露鄶?shù)作物的分類精度普遍較高，多在85%以上，但三葉草、棉花、秋葵、胡蘿卜的生產(chǎn)者精度較低，都在50%以下，交大34豆類的用戶精度較低，為43.67%。

3.3 結(jié)果對比與分析

與基于像元的作物分類結(jié)果相比，面向?qū)ο蠓诸惖恼w精度提高了7~40個百分點，同時，由圖2~圖7可知，面向?qū)ο蠓诸惤Y(jié)果中“椒鹽現(xiàn)象”、多種作物混雜現(xiàn)象得到了改善，多數(shù)地塊內(nèi)部一致性較好，呈完整連續(xù)面狀分布、邊界清晰，與真實情況更為接近。因此，根據(jù)總體精度及目視分類效果來看，面向?qū)ο蠓诸惙椒ㄔ诙囝悘?fù)雜作物分類場景下表現(xiàn)更好。這主要是由于面向?qū)ο蠓诸惙ㄅc傳統(tǒng)的基于像元分類方法相比，不再以單個像元為分類單元，而是集合鄰近像元為一個整體對象作為分類的基礎(chǔ)單元，同時，使用的分類信息或因子不再局限于光譜信息或植被指數(shù)，而是綜合考慮影像的光譜、紋理和空間分布等多種特征，因此能有效避免“椒鹽噪聲”“同譜異物”“同物異譜”等現(xiàn)象的影響［22］。

由表4可知，在6種方法分類結(jié)果對應(yīng)的用戶精度和生產(chǎn)者精度對比中，17種作物（硬粒小麥、小麥、小黑麥、新燕9號、燕麥、黑麥、大麥、土豆、地瓜、毛豆、黃/黑豆、綠/紅豆、豌豆、黃瓜、花生、辣椒、柿子）的面向?qū)ο蠓诸惥日w更高。分別對比分類用戶精度和生產(chǎn)者精度，發(fā)現(xiàn)24種作物（硬粒小麥、紫葉草、秋葵、棉花、毛豆、南瓜、胡蘿卜、豌豆、黃/黑豆、黃瓜、柿子、大麥、辣椒、地瓜、綠紅豆、三葉草、花生、小黑麥、芝麻、小麥9號、土豆、新燕9號、黑麥、燕麥）的面向?qū)ο蠓诸愑脩艟日w更高，25種作物（硬粒小麥、紫葉草、棉花、毛豆、南瓜、豌豆、黃/黑豆、黃瓜、柿子、大麥、辣椒、地瓜、綠紅豆、茄子、花生、小黑麥、交大34豆類、玉米、芝麻、蘇子、小麥9號、土豆、新燕9號、黑麥、燕麥）的面向?qū)ο蠓诸惿a(chǎn)者精度整體更高，這表明面向?qū)ο蠓诸惙椒◤浹a了基于像元分類方法的部分缺陷，能夠較好地改善多數(shù)作物的分類效果，在該研究區(qū)作物分類場景下的表現(xiàn)整體優(yōu)于基于像元分類方法。

通過對用戶精度的進(jìn)一步對比，發(fā)現(xiàn)使用面向?qū)ο蠓诸惙椒ㄊ估苯?、紫葉草、土豆、三葉草、胡蘿卜、棉花的用戶精度得到明顯大幅改善，與基于像元分類方法相比提高了30~70個百分點，辣椒的分類用戶精度由原來的30%左右提升到100%，紫葉草由原來的30%左右提升至93.75%，土豆由40%左右提升到89.31%，胡蘿卜提升到100%，棉花由70%左右提升到93.98%。

在這6類作物的生產(chǎn)者精度對比中，使用面向?qū)ο蠓诸惙椒ㄊ估苯?、紫葉草、土豆的生產(chǎn)者精度也得到改善，與基于像元分類方法相比提高了10~70個百分點，辣椒的生產(chǎn)者精度由原來40%左右提升到64.86%，紫葉草由30%左右提升至68.18%，土豆由原來的50%左右提升到87.97%，但三葉草、胡蘿卜、棉花的生產(chǎn)者精度則比基于像元分類方法大幅下降，其中三葉草的生產(chǎn)者精度由原來的70%左右下降至26.63%，胡蘿卜由70%左右下降至11.49%，棉花由80%左右下降至46.99%。

分析影像特征發(fā)現(xiàn)，這6種作物均呈較稀疏的狀態(tài)，具體影像特征可見圖8，其中辣椒、紫葉草、土豆的種植生長密度要高于三葉草、胡蘿卜和棉花，因此推斷，本研究選定的分割方法及閾值能夠較好地分割開該尺度下影像中的前3類作物與土壤背景，從而有效改善它們的分類效果，因此用戶精度和生產(chǎn)者精度均提高；而針對后3種在影像中分布過于稀疏、細(xì)碎的作物種類，選用的分割方法和閾值無法將其與土壤背景分割開來，導(dǎo)致與真實情況不符，因此生產(chǎn)者精度反而大幅下降。針對這類作物，更適合使用像素光譜信息直接分類，以便更好地區(qū)分土壤和作物，使分類結(jié)果盡可能地準(zhǔn)確。由此可見，面向?qū)ο蠓诸惙椒梢愿纳票狙芯繀^(qū)中大部分作物的分類精度，但并不適用于過于細(xì)碎作物的分類場景。

根據(jù)表4作物分類用戶精度及生產(chǎn)者精度的縱向?qū)Ρ葋砜?，同一分類方法對不同作物的分類精度也有所差異?/p>

在基于像元的5種分類方法得到的精度縱向?qū)Ρ戎?，土豆、紫葉草、三葉草、棉花、秋葵、毛豆、黃/黑豆、豌豆、黃瓜、辣椒、交大34豆類的用戶精度和生產(chǎn)者精度整體偏低，多為40%~70%，說明基于像元分類方法可能并不適用于該生長期這些作物的分類場景；在面向?qū)ο蠓诸惥鹊目v向?qū)Ρ戎?，紫葉草、三葉草、棉花、秋葵、胡蘿卜、交大34豆類作物的生產(chǎn)者精度較低，則是由于其分布過于細(xì)碎而難以分割開作物和土壤。

圖8 辣椒、紫葉草、土豆、三葉草、胡蘿卜、棉花的典型影像標(biāo)識

綜合6種方法的分類精度來看，禾本科作物分類精度普遍較高，即2種分類方案均適用于禾本科作物分類場景，草本作物用戶精度、生產(chǎn)者精度差異較大，應(yīng)根據(jù)作物的種植、生長情況具體分析，毛豆、黃/黑豆、豌豆、交大34等豆類作物生產(chǎn)者精度和用戶精度普遍偏低，在該類作物分類場景中，雖然面向?qū)ο蠓诸惙椒ㄝ^好地改善了地塊邊界模糊問題，但由于多種豆類作物的光譜、紋理、空間信息等比較相似，出現(xiàn)了較多的混雜情況，因此分類精度并沒有明顯提高。

表4 不同方法下作物分類用戶精度及生產(chǎn)者精度%

續(xù)表4：

4 結(jié)論與展望

本文基于多品種、多類作物的無人機(jī)高分辨率多光譜遙感影像，采用基于像元的分類方法和面向?qū)ο蟮姆诸惙椒▽r(nóng)作物進(jìn)行分類，對比分析分類效果及精度探究較優(yōu)分類方案。研究結(jié)果表明：面向?qū)ο蠓诸惙椒ㄔ谠摲诸悎鼍爸械玫降淖魑锏貕K邊界比基于像元分類方法的結(jié)果更清晰，椒鹽碎斑減少，作物范圍更加連續(xù)完整，總體分類精度、多數(shù)作物的用戶精度和生產(chǎn)者精度都有所提高，更適合地物復(fù)雜的分類場景應(yīng)用。但研究也發(fā)現(xiàn)，面向?qū)ο蠓诸惙椒m然可以改善多數(shù)作物的分類效果及精度，但在過于細(xì)碎作物分類場景中的表現(xiàn)要差于基于像元分類方法，因此在后續(xù)研究中，還應(yīng)考慮將2種方法結(jié)合進(jìn)行分類，以提高更多作物的分類效果。