解文歡，張有智，吳 黎，宋麗娟，張海峰，張 宇

（黑龍江省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)遙感與信息研究所，150086，哈爾濱）

作物類(lèi)型遙感識(shí)別是獲取主要農(nóng)作物空間分布信息的首要環(huán)節(jié)和工作基礎(chǔ)。由于葉片內(nèi)部的細(xì)胞結(jié)構(gòu)的特征決定，健康植物的光譜響應(yīng)在紅邊波段亮度陡然增加約10 倍，紅邊波段與植被的各種理化參數(shù)緊密相關(guān)[1]。因此，紅邊波段可以有效地監(jiān)測(cè)植被的生長(zhǎng)狀況，用于植被識(shí)別[2-3]和植被生理生化參數(shù)[4-5]等方面的研究。

杜保佳等利用Sentinel-2A 多光譜數(shù)據(jù)的NDVI時(shí)間序列數(shù)據(jù)集，采用面向?qū)ο蠓诸?lèi)決策分類(lèi)方法，對(duì)黑龍江省北安市農(nóng)作物進(jìn)行分類(lèi)，總體精度提高了7.7%。[6]王利民等基于RapidEye 影像，采用紅邊、近紅外波段反射率之和構(gòu)建了棉花提取指數(shù)，對(duì)河北省冀州市棉花進(jìn)行提取，總體精度達(dá)到88.80%。[7]劉懷鵬以Worldview-2 為數(shù)據(jù)源，結(jié)合影像光譜、紋理等信息特征，對(duì)綠化樹(shù)種進(jìn)行分類(lèi)，利用最大似然法對(duì)完整8波段分類(lèi)的總體精度較傳統(tǒng)4 波段高10.723 1%。[8]顧峰等基于Sentinel-2 數(shù)據(jù)采用隨機(jī)森林回歸算法，對(duì)綠洲內(nèi)的4 種典型植被葉片的葉綠素相對(duì)含量進(jìn)行估算和驗(yàn)證，“紅邊” 的光譜指數(shù)對(duì)估算模型起到了更為關(guān)鍵的作用。[9]樊東東利用野外調(diào)查數(shù)據(jù)分析了健康小麥與病蟲(chóng)害小麥在Sentinel-2A 波段上的光譜反射率差異，結(jié)果顯示感染病蟲(chóng)害作物在紅邊范圍變化最為明顯。[10]

本文以GF-6 衛(wèi)星影像為數(shù)據(jù)源，對(duì)研究區(qū)東北大田作物（大豆、玉米、水稻）采用最大似然法進(jìn)行分類(lèi)和面積提取，通過(guò)不同波段組合作用下東北大田作物分類(lèi)結(jié)果的比較，分析紅邊波段對(duì)東北大田作物識(shí)別精度的影響，探究紅邊波段在東北大田作物識(shí)別中的作用，為東北大田作物面積和種植結(jié)構(gòu)提取提供方法參考。

1 研究區(qū)概況

依蘭縣位于黑龍江省南部地區(qū)，地處125.3°～129.4°E，45.1°～47.6°N，面積4 615.72 km2。研究區(qū)多為平原地貌，地勢(shì)低洼，部分山區(qū)僅在東部。研究區(qū)屬于溫帶大陸性氣候區(qū)，年均氣溫在2.6～3.1 ℃，最低氣溫-36.1 ℃，最高氣溫37.2 ℃，無(wú)霜期137 d。年平均降水量在500～600 mm，降水多集中在夏季。研究區(qū)屬于鐮刀灣地區(qū)，玉米多年連作，破壞生態(tài)環(huán)境，監(jiān)測(cè)研究區(qū)農(nóng)作物種植結(jié)構(gòu)變化意義重大。研究區(qū)的具體位置如圖1 所示。

圖1 研究區(qū)地理位置示意圖

2 研究數(shù)據(jù)及預(yù)處理

2.1 遙感數(shù)據(jù)及預(yù)處理

本文以2019 年8 月2 日的GF-6 衛(wèi)星WFV 數(shù)據(jù)為數(shù)據(jù)源，GF-6 衛(wèi)星與GF-1 衛(wèi)星組網(wǎng)運(yùn)行，GF-6影像與GF-1 影像預(yù)處理流程相似，在ENVI5.3 中對(duì)獲取的GF-6 衛(wèi)星數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正和幾何精校正等預(yù)處理工作[11]。

2.2 作物分類(lèi)精度驗(yàn)證數(shù)據(jù)獲取

2018 年4 月采用GIS-RTK 獲取研究區(qū)耕地地塊數(shù)據(jù)，基于2019 年9 月2 日3 景RapidEye 影像判斷作物屬性，并獲取研究區(qū)內(nèi)玉米、大豆、水稻和其他作物的空間分布結(jié)果（如圖2 所示）。該結(jié)果作為評(píng)價(jià)農(nóng)作物提取的面積精度和驗(yàn)證可分性測(cè)度的真值。

圖2 研究區(qū)實(shí)測(cè)耕地地塊作物分布結(jié)果

3 研究方法

本文根據(jù)作物物候特點(diǎn)選擇作物處于生長(zhǎng)旺盛期（玉米的抽雄期、大豆的結(jié)莢期、水稻的抽穗期）的2019 年8 月2 日的影像進(jìn)行作物識(shí)別。采用監(jiān)督分類(lèi)的最大似然法[12]，根據(jù)不同波段參與下分類(lèi)方案（如表1 所示），提取玉米、大豆和水稻3 種作物的面積。分類(lèi)結(jié)果與研究區(qū)實(shí)測(cè)耕地地塊基于RapidEye影像判斷作物屬性的玉米、大豆和水稻的空間分布結(jié)果進(jìn)行誤差矩陣模型精度驗(yàn)證，采用總體分類(lèi)精度、制圖精度和用戶精度3 種方式比較分類(lèi)精度，進(jìn)行分類(lèi)精度評(píng)價(jià)[13-15]。

4 結(jié)果與分析

利用研究區(qū)實(shí)測(cè)耕地地塊，根據(jù)RapidEye 影像判斷作物屬性，所得的結(jié)果與8 種波段組合方案做誤差矩陣，采用總體分類(lèi)精度、制圖精度和用戶精度3 種方式比較分類(lèi)精度，進(jìn)行分類(lèi)精度評(píng)價(jià)，分類(lèi)精度評(píng)價(jià)結(jié)果如表1 所示。

從表1 中可以看出前4 個(gè)波段與其他波段不同組合的總體精度差異，有紅邊參與的全波段、5 和6 波段、6 波段、5 波段，總體精度分別提高了2.51、2.21、1.86、1.25 百分點(diǎn)，沒(méi)有紅邊參與的7 和8 波段、8 波段、7 波段，總體精度分別提高了0.25、0.49、0.32 百分點(diǎn)。這充分說(shuō)明了利用光譜特征分類(lèi)，紅邊波段能夠有效地提高影像的分類(lèi)精度，尤其是紅邊波段的引入，總體分類(lèi)精度顯著提高。

表1 研究區(qū)不同方案分類(lèi)精度（誤差矩陣）

5 結(jié)論與討論

通過(guò)對(duì)GF-6 影像大田作物分類(lèi)的研究可以發(fā)現(xiàn)，衛(wèi)星傳感器紅邊波段能夠有效地提高影像的分類(lèi)精度，尤其是紅邊波段的引入，總體分類(lèi)精度顯著提高。

從光譜特征角度分析，增加紅邊波段能夠顯著提高玉米與大豆和水稻與大豆的光譜差異性，玉米與水稻的光譜差異性也有所提高，提升了各農(nóng)作物之間的識(shí)別精度。單時(shí)相遙感影像分類(lèi)中，紅邊波段能夠有效地提高影像的分類(lèi)精度。引入紅邊波段后，水稻的錯(cuò)分率降低，大豆和玉米的漏分率降低，區(qū)分玉米、水稻的能力明顯提升；引入第7 和第8 波段后，效果不顯著。本研究過(guò)程中也發(fā)現(xiàn)一些尚待解決的問(wèn)題，所選研究區(qū)為玉米主產(chǎn)區(qū)，大豆種植地塊面積較小，受GF-6 衛(wèi)星分辨率的影響，大豆總體分類(lèi)精度較低，下一步應(yīng)選擇三種作物種植比重接近的區(qū)域進(jìn)行精度對(duì)比分析，對(duì)GF-6 衛(wèi)星影像的識(shí)別精度驗(yàn)證進(jìn)行補(bǔ)充研究。