范小周

（三和數(shù)碼測繪地理信息技術(shù)有限公司，甘肅 天水 741000）

近年來，遙感技術(shù)開始成為農(nóng)作物分類的重要手段，相比于傳統(tǒng)分類技術(shù)，遙感技術(shù)能夠更加快速地獲取高質(zhì)量的農(nóng)作物面積分布信息。從理論角度來看，農(nóng)作物遙感分類屬于遙感影像技術(shù)在實(shí)踐中的重要應(yīng)用，本質(zhì)屬于復(fù)雜的數(shù)據(jù)處理過程，在實(shí)踐中通常包括以下幾個(gè)基本步驟，即確定分類系統(tǒng)、遙感數(shù)據(jù)預(yù)處理、分類特征選擇、分類特征提取、訓(xùn)練樣本選擇、分類算法選擇、分類后處理與精度評(píng)估。

1 農(nóng)作物遙感分類理論基礎(chǔ)

1.1 數(shù)據(jù)源分析

數(shù)據(jù)源是遙感分類的重要基礎(chǔ)，當(dāng)前適用于農(nóng)作物遙感分類的數(shù)據(jù)源主要包括光學(xué)數(shù)據(jù)源、微波數(shù)據(jù)源兩個(gè)重要種類。其中，基于光學(xué)數(shù)據(jù)的農(nóng)作物遙感分類主要是利用不同作物的光譜反射特征差異，最終實(shí)現(xiàn)分類任務(wù)的。隨著時(shí)代的發(fā)展，衛(wèi)星與傳感器技術(shù)逐漸成熟，越來越多的遙感數(shù)據(jù)開始被相關(guān)工作人員應(yīng)用到農(nóng)作物遙感分類領(lǐng)域，主要包括低、中、高空間分辨率三個(gè)種類，其中，中、低空間分辨率的光學(xué)遙感數(shù)據(jù)在應(yīng)用過程中已經(jīng)達(dá)到了比較成熟的水平。近年來，高分辨率遙感影像（如Quickbird、IKONOS）在實(shí)踐中也進(jìn)行了多次應(yīng)用試驗(yàn)，并取得了良好的分類效果[1]。

農(nóng)作物遙感分類作業(yè)在實(shí)踐中很容易受到種植地塊大小的影響，與美國的大農(nóng)場種植相比，中國的農(nóng)作物種植在制度、土地特點(diǎn)的雙重限制下，分散種植情況十分顯著，在中國南部地區(qū)尤為突出，因此只能采用高分辨率數(shù)據(jù)進(jìn)行遙感分類[2]。

1.2 農(nóng)作物遙感分類的特征選擇

在實(shí)踐中，需要根據(jù)實(shí)際情況對(duì)農(nóng)作物遙感分類進(jìn)行特征變量的選擇，這也是農(nóng)作物遙感分類作業(yè)的核心內(nèi)容。

1）利用多時(shí)相數(shù)據(jù)優(yōu)選農(nóng)作物遙感分類特征。在該技術(shù)應(yīng)用的初期階段，利用遙感影像對(duì)農(nóng)作物進(jìn)行識(shí)別通常只能獲取到一個(gè)時(shí)相的遙感影像，用這種比較單一的方式只能獲取到農(nóng)作物一個(gè)生長期的特征，在農(nóng)作物種類辨別工作中的效果相對(duì)有限。在實(shí)踐中，不同作物有著區(qū)別較大的生長規(guī)律，多時(shí)相遙感數(shù)據(jù)能夠?qū)r(nóng)作物在不同生長階段的光譜特征進(jìn)行收集，從而有效提升分類精度。此類技術(shù)在應(yīng)用過程中應(yīng)當(dāng)注意的關(guān)鍵點(diǎn)是對(duì)分類時(shí)相數(shù)據(jù)的選擇，例如，根據(jù)黃敬峰等（1999）的研究結(jié)果，冬小麥遙感識(shí)別的最佳時(shí)相為三葉到停止生長和春季返青到孕穗期[3]。

2）利用多源數(shù)據(jù)優(yōu)選農(nóng)作物遙感分類特征。具體而言，就是從多個(gè)平臺(tái)或者多種傳感器中對(duì)同一種數(shù)據(jù)進(jìn)行獲取，這種方式有助于相關(guān)技術(shù)人員提升技術(shù)獲取的精準(zhǔn)性。當(dāng)前，多源遙感數(shù)據(jù)融合的主要方式包括多光譜數(shù)據(jù)與雷達(dá)數(shù)據(jù)融合、高低空間分辨率數(shù)據(jù)融合等，在融合過程中，應(yīng)當(dāng)注意影像的幾何配準(zhǔn)以及不同影像空間與光譜信息的融合[4]。

3）農(nóng)作物遙感分類的高光譜影像特征。高光譜遙感主要指的是在電磁波譜外的紫外光、中紅外區(qū)域獲取特定光譜波段數(shù)據(jù)的技術(shù)。這種方式能夠有效提升識(shí)別分辨率，但是這種數(shù)據(jù)的維度相對(duì)較高，很容易使協(xié)方差矩陣出現(xiàn)奇異性，進(jìn)而對(duì)精度產(chǎn)生更大的影響。因此，在使用該特征的過程中，需要仔細(xì)考量降維處理方式。

4）農(nóng)作物遙感分類的輔助特征。這主要指的是各種輔助數(shù)據(jù)，通常包括地形圖等，例如，相關(guān)研究表明，地形圖數(shù)據(jù)對(duì)于遙感分類作業(yè)中提升土地覆蓋分類精度具有較強(qiáng)的應(yīng)用價(jià)值。輔助數(shù)據(jù)在實(shí)踐中的應(yīng)用通常包括以下兩種：其一，可以將輔助數(shù)據(jù)作為影像波段進(jìn)行添加，并在此基礎(chǔ)上對(duì)復(fù)合影像進(jìn)行分類；其二，可以使用分層策略將分類后的光譜數(shù)據(jù)分成數(shù)層，并按照規(guī)則進(jìn)行重新分類。這兩種方式均可以促進(jìn)分類精度的有效提升。在實(shí)踐中，輔助數(shù)據(jù)通常包括Landsat TM影像、土壤信息、地形數(shù)據(jù)等[5]。

2 農(nóng)作物遙感監(jiān)督分類的主要方法

2.1 神經(jīng)元網(wǎng)絡(luò)分類法

神經(jīng)元網(wǎng)絡(luò)分類法屬于近年來比較流行的一種農(nóng)作物遙感監(jiān)督分類方法，相關(guān)研究內(nèi)容數(shù)量相對(duì)較多，其核心屬于人工智能技術(shù)在該領(lǐng)域的應(yīng)用。神經(jīng)元網(wǎng)絡(luò)分類法的內(nèi)容主要包括BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等。其中，BP神經(jīng)網(wǎng)絡(luò)模型屬于當(dāng)前應(yīng)用最廣的神經(jīng)網(wǎng)絡(luò)模型，在實(shí)踐中具備比較明顯的優(yōu)勢(shì)特征，能夠通過輸入層、隱含層、輸出層三個(gè)部分將樣本的輸入與輸出問題轉(zhuǎn)化為非線性優(yōu)化問題，但是也存在學(xué)習(xí)速度慢、收斂難度高等缺陷，需要再采用動(dòng)量法等方法提高其可靠性[6]。

2.2 模糊分類法

模糊分類法也是比較常見的數(shù)據(jù)處理方式。具體而言，在現(xiàn)實(shí)世界中，通常存在很多無法明確劃分種類的現(xiàn)象，在遙感影像方面，也存在一些混合像素問題。相比于傳統(tǒng)分類技術(shù)，模糊分類方式在一定程度上忽略了監(jiān)督分類訓(xùn)練過程存在的模糊性特征，假設(shè)訓(xùn)練樣本由一組可明確定義、歸類且具有較強(qiáng)代表性的目標(biāo)共同組成。模糊神經(jīng)網(wǎng)絡(luò)在應(yīng)用過程中不斷發(fā)展，由最初的ART模型一直發(fā)展到了當(dāng)前簡化的FasART模型，其功能不斷完善，分類精度不斷增強(qiáng)。

3 基于多時(shí)相光學(xué)數(shù)據(jù)的農(nóng)作物遙感分類

3.1 研究區(qū)與地面觀測

研究區(qū)選擇華北平原某個(gè)地級(jí)市，以下將其簡稱為“X市”，X市處于溫帶半濕潤季風(fēng)氣候區(qū)，屬于典型的旱田作物農(nóng)業(yè)種植區(qū)。該地區(qū)地形平坦，平均海拔高度為17 m，年平均氣溫在14 ℃左右，平均降雨量在600 mm左右，當(dāng)?shù)氐闹饕r(nóng)業(yè)種植作物為冬小麥、棉花等。其中，冬小麥的種植面積最大，占總種植面積的85%以上，種植收獲時(shí)間段為10月上旬到第二年的6月上旬。

為了確定該地區(qū)真實(shí)的農(nóng)作物分布特征，相關(guān)單位對(duì)試驗(yàn)區(qū)進(jìn)行了比較完善的地面調(diào)查工作，以方便選擇分類過程中使用的訓(xùn)練和檢驗(yàn)樣本以及輔助RapidEye影像的目視解譯。在地面調(diào)查過程中，采用手持GPS接收機(jī)記錄地理坐標(biāo)，并對(duì)地面坐標(biāo)進(jìn)行修正，保證其誤差在3 m以內(nèi)[7]。

為了實(shí)現(xiàn)數(shù)據(jù)獲取的全面性，選擇了小麥、棉花、樹木、非植被區(qū)域作為研究對(duì)象，并選擇了足夠的樣本點(diǎn)。其中，非植被像素單元數(shù)量為596個(gè)，小麥像素單元數(shù)量為558個(gè)，棉花像素單元數(shù)量為86個(gè)，樹木像素單元數(shù)量為72個(gè)。在后續(xù)分配過程中，這些像素單元一半作為訓(xùn)練樣本，另一半作為檢驗(yàn)樣本，禁止相同樣本同時(shí)作為訓(xùn)練樣本與檢驗(yàn)樣本。

3.2 數(shù)據(jù)獲取與數(shù)據(jù)的預(yù)處理

為了實(shí)現(xiàn)更好的分類效果，本文選擇了環(huán)境星多光譜數(shù)據(jù)，即選擇的遙感影像主要為環(huán)境星座A、B星的CCD多光譜影像。獲取小麥拔節(jié)期、花前期、花期三個(gè)不同階段的多光譜影像，影像質(zhì)量較高。

數(shù)據(jù)預(yù)處理主要包括輻射校正、幾何精準(zhǔn)校正兩個(gè)階段。在一般情況下，用戶所獲取到的數(shù)據(jù)已經(jīng)經(jīng)過了初步輻射校正，但是在研究過程中通常還需要進(jìn)行進(jìn)一步的輻射校正。

輻射校正的邏輯順序如下：1）將影像的DN值按照特定公式轉(zhuǎn)化為影像的大氣頂層歸一化反射率；2）采取線性回歸法、5S、6S、MODTRAN等方式進(jìn)行大氣校正。本研究采用6S模型進(jìn)行大氣校正，能夠通過近似和逐次散射SOS實(shí)現(xiàn)散射的計(jì)算與吸收。

幾何精準(zhǔn)校正的邏輯順序如下：1）設(shè)定多項(xiàng)式階數(shù)為2次，建立投影類型為UTM投影50°帶，WGS-84橢球體；2）采取與參考TM影響交互的方式對(duì)地面控制點(diǎn)進(jìn)行了采集。本次采集了50個(gè)地面控制點(diǎn)，并對(duì)誤差進(jìn)行了有效控制，即控制誤差在0.5個(gè)像元內(nèi)。

在經(jīng)過上述兩個(gè)環(huán)節(jié)后，收集波段地表反射率數(shù)據(jù)。

3.3 研究方法

首先需要選擇分類方法。本次分類作業(yè)選擇了支持向量機(jī)分類器，其屬于機(jī)器學(xué)習(xí)算法的一種，原理是基于高位特征空間尋找最優(yōu)分類超平面的方式解決復(fù)雜數(shù)據(jù)的分類問題[8]。

支持向量機(jī)能夠使學(xué)習(xí)器得到全局最優(yōu)化，在應(yīng)用過程中，需要求解特定最優(yōu)化問題。在本研究中，需要按照經(jīng)驗(yàn)設(shè)置徑向基核函數(shù)的參數(shù)以及懲罰系數(shù)，同時(shí)為了保證多時(shí)相環(huán)境星CCD影像在不同組合的情況下，其分類結(jié)果存在比較明顯的可比性，技術(shù)人員需要在每種組合的分類中采用相同訓(xùn)練參數(shù)與分類器參數(shù)。

在選擇分類精度檢驗(yàn)方法的過程中，為了檢驗(yàn)多時(shí)相光學(xué)遙感影像在農(nóng)作物分類方面的應(yīng)用質(zhì)量，需要隨機(jī)選取樣本像素單元對(duì)分類精度進(jìn)行檢驗(yàn)，具體數(shù)量為上述總樣本數(shù)的一半。在檢驗(yàn)樣本的基礎(chǔ)上，還要確定檢驗(yàn)分類效果的指標(biāo)，在本次研究過程中，將總體分類精度、制圖精度、用戶精度、Kappa統(tǒng)計(jì)量作為分類效果的核心檢驗(yàn)指標(biāo)。

3.4 研究結(jié)果

3.4.1 分類結(jié)果

對(duì)分類結(jié)果進(jìn)行分析可知，利用單時(shí)相影像、多時(shí)相影像組合的分類結(jié)果均能夠獲取比較清晰的小麥地塊分布情況。同時(shí)，筆者發(fā)現(xiàn)，不同時(shí)相影像組合得到的分類結(jié)果在實(shí)踐中依舊存在一定的不同，主要表現(xiàn)在地塊邊界分類混淆、棉花類型等的識(shí)別方面。

對(duì)單時(shí)相影像進(jìn)行對(duì)比可以發(fā)現(xiàn)，小麥花期獲得的影像分類效果最好，拔節(jié)期獲取的影像分類效果最差，甚至大部分棉花地塊被錯(cuò)誤地分為了非植被區(qū)。通過分析可知，這種現(xiàn)象產(chǎn)生的原因可能是，在小麥拔節(jié)期，棉花普遍沒有出苗，其光譜特征與非植被區(qū)存在相當(dāng)明顯的相似性。同時(shí)，在花前階段，部分小麥地塊邊界的小麥像素單元被分到了棉花像素單元組別。通過對(duì)其原因進(jìn)行分析，研究人員普遍認(rèn)為，棉花在此階段正好處于較小的苗期，冠層覆蓋度相對(duì)較低，進(jìn)而導(dǎo)致分類混淆現(xiàn)象出現(xiàn)[9-10]。

對(duì)多時(shí)相影像的分類結(jié)果進(jìn)行分析可知，相較于上述諸多單時(shí)相影像的分類結(jié)果，多時(shí)相影像的分類效果更好，分類混淆面積明顯減小。

然而，在不同時(shí)相影像組合的分類結(jié)果中，棉花地塊的分類質(zhì)量通常相對(duì)較差。通過對(duì)其原因進(jìn)行分析，推測可能與當(dāng)?shù)孛藁ǖ貕K的特殊地形存在一定的關(guān)系。該地區(qū)的地塊通常呈窄條形，且棉花的種植位置與樹木的距離往往相對(duì)較近，以上原因均可能導(dǎo)致其光譜特征出現(xiàn)混淆。

3.4.2 分類精度檢驗(yàn)

為了確定本次研究的分類精度，筆者在檢驗(yàn)樣本的基礎(chǔ)上對(duì)分類精度、Kappa統(tǒng)計(jì)量進(jìn)行了計(jì)算，最終確定，采用所有環(huán)境星CCD影像、不同時(shí)相影像組合分類方式，分類精度均達(dá)到了80%以上。其中，三個(gè)時(shí)相綜合取得了最好的分類結(jié)果，其總體分類精度達(dá)到了92.1%，Kappa值達(dá)到了0.88，能夠滿足作物類型檢測分類精度需求。

4 結(jié)論

本研究利用遙感影像技術(shù)，以其中的基于多時(shí)相光學(xué)數(shù)據(jù)的農(nóng)作物遙感分類作為主要研究對(duì)象進(jìn)行了綜合分析，以華北平原比較典型的X市為例，采用多時(shí)相光學(xué)遙感技術(shù)對(duì)其進(jìn)行了融合分析，最終得到的分類結(jié)果相對(duì)較好，總體分類精度達(dá)到了92.1%，Kappa值達(dá)到了0.88，相比于單一遙感數(shù)據(jù)取得了更好的分類精度。