馮權(quán)瀧 任 燕 姚曉闖 牛博文 陳泊安 趙圓圓

(1.中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100193；2.自然資源部農(nóng)用地質(zhì)量與監(jiān)控重點(diǎn)實(shí)驗(yàn)室，北京 100193)

0 引言

冬小麥?zhǔn)俏覈笾骷Z作物之一，與國家糧食安全息息相關(guān)。黃淮海平原作為我國重要的農(nóng)業(yè)生產(chǎn)區(qū)，同時是全國最大冬小麥產(chǎn)區(qū)，小麥產(chǎn)量占全國總產(chǎn)量的75%[1]，及時精準(zhǔn)地獲取冬小麥種植面積和空間分布信息對我國農(nóng)業(yè)發(fā)展具有重要意義。當(dāng)前基于統(tǒng)計數(shù)據(jù)和遙感監(jiān)測的冬小麥提取研究仍為主流研究方法，效率低且耗費(fèi)大量人力成本，難以滿足當(dāng)前快速、準(zhǔn)確地獲取農(nóng)作物信息的實(shí)際需求[2-4]。而運(yùn)用遙感可快速獲取大范圍地表覆被信息，在不同時空尺度的冬小麥識別方面得到了廣泛應(yīng)用[5]。常用的提取冬小麥面積的方法是結(jié)合遙感影像，通過比較植被指數(shù)時序變化選擇合適閾值，進(jìn)而提取冬小麥的空間分布信息[6-8]；另外，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等算法的發(fā)展也為農(nóng)作物分類、冬小麥面積提取提供了新的方法[2,9]。隨著對遙感圖像處理能力需求的提高，高效處理圖像數(shù)據(jù)的各類云平臺需求也逐漸增加。遙感云計算平臺(例如：Google Earth Engine，GEE)具有強(qiáng)大的計算能力，能夠快速分析遙感影像并及時獲取大范圍的農(nóng)作物信息[10-15]。由于遙感數(shù)據(jù)的工作限制和原理的不同，單一傳感器難以完整反映地表覆被特征?，F(xiàn)階段作物識別研究多基于光學(xué)影像作為數(shù)據(jù)源，運(yùn)用多時相數(shù)據(jù)增強(qiáng)不同地物之間的光譜可分性，能夠更好地分析冬小麥的生長發(fā)育規(guī)律在遙感影像上表現(xiàn)出的時相變化特征，有效提高冬小麥識別和分類精度。

目前融合多種傳感器的多時空分辨率的光學(xué)遙感影像被用來提取農(nóng)作物種植結(jié)構(gòu)并取得了大量成果[16]。基于高分辨率影像數(shù)據(jù)進(jìn)行農(nóng)作物提取也受到廣泛關(guān)注[17]。雷達(dá)遙感相對于光學(xué)遙感最大的優(yōu)點(diǎn)在于可穿透云雨，不受日照影響和限制，可全天時、全天候工作。諸多學(xué)者也將雷達(dá)數(shù)據(jù)與光學(xué)數(shù)據(jù)結(jié)合用于農(nóng)作物種植結(jié)構(gòu)信息提取。ARIAS等[18]探討了基于Sentinel-1時間序列數(shù)據(jù)進(jìn)行農(nóng)作物分類的可行性；GEE是一個免費(fèi)的遙感云計算平臺，基于GEE云平臺已進(jìn)行了諸多在遙感領(lǐng)域的研究。SHELESTOV等[19]基于GEE云平臺進(jìn)行農(nóng)作物分類研究，利用云平臺獲取大量多時相遙感數(shù)據(jù)，并采用多種主流分類器進(jìn)行農(nóng)作物提取，對比了各分類器的提取效果；譚深等[10]運(yùn)用融合多源遙感數(shù)據(jù)進(jìn)行多云氣候區(qū)的水稻分類研究，并基于機(jī)器學(xué)習(xí)中的隨機(jī)森林分類方法獲取2016年的水稻分布圖，獲得較好結(jié)果。

綜上，本文基于2020年12月至2021年5月黃淮海平原的哨兵1號(Sentinel-1)SAR雷達(dá)影像和哨兵2號(Sentinel-2)光學(xué)遙感影像，分別構(gòu)建各地物類型的光譜特征、極化特征和紋理特征數(shù)據(jù)，分析不同地物在以上特征中的時序曲線差異、冬小麥的生育周期以及對應(yīng)的植被指數(shù)特征差異。利用GEE云平臺，基于多種機(jī)器學(xué)習(xí)分類算法(樸素貝葉斯、支持向量機(jī)、決策樹和隨機(jī)森林)進(jìn)行分類及精度驗(yàn)證，從而得出最優(yōu)分類算法，并利用已選擇的冬小麥的樣本點(diǎn)，提取樣本長時間序列的特征向量，基于深度學(xué)習(xí)中長短期記憶網(wǎng)絡(luò)(Long short term memory，LSTM)和Bi-LSTM進(jìn)行冬小麥的像元尺度的模型訓(xùn)練?；趯?shí)驗(yàn)結(jié)果，獲得2021年黃淮海平原區(qū)域冬小麥種植面積及其時空變化特征，以期為該區(qū)域輪作休耕政策制訂以及農(nóng)業(yè)生產(chǎn)提供數(shù)據(jù)支持。

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)概況

黃淮海平原位于北緯32°～40°，東經(jīng)114°～121°，面積3×105km2?？缭骄?、津、冀、魯、豫、皖、蘇7省市，地勢平坦，河湖眾多，交通便利，年均氣溫13℃，年均降水量710 mm，屬溫帶大陸性季風(fēng)氣候，雨熱同期，土質(zhì)肥沃，主要生長的農(nóng)作物為小麥、玉米、大豆等，其中冬小麥多于每年的10月上、中旬播種，次年6月收獲[20]。黃淮海平原研究區(qū)域范圍劃分參考文獻(xiàn)[21]，包含北京、天津、河北、河南、山東、安徽、江蘇7個省級行政區(qū)(圖1)。

圖1 研究區(qū)范圍示意圖

1.2 數(shù)據(jù)來源與預(yù)處理

選用Sentinel-1 SAR數(shù)據(jù)和Sentinel-2光學(xué)數(shù)據(jù)進(jìn)行冬小麥面積提取。Sentinel-2A衛(wèi)星覆蓋13個光譜波段，為獲得無云且包含冬小麥生長期的影像數(shù)據(jù)，通過擴(kuò)大影像的時間跨度，設(shè)置時間范圍為2020年12月至2021年5月，得到黃淮海平原空間分辨率為10 m的Sentinel-2衛(wèi)星影像數(shù)據(jù)，在月尺度上進(jìn)行均值合成，篩選云量低于20%的影像。Sentinel-2數(shù)據(jù)的裁剪、鑲嵌處理通過GEE平臺在線編寫代碼實(shí)現(xiàn)。Sentinel-1是主動微波遙感衛(wèi)星，能夠全天候、全天時地對地面進(jìn)行觀測，具有單極化、雙極化等多種極化方式[22-23]。本研究運(yùn)用VV、VH極化數(shù)據(jù)進(jìn)行極化特征計算，并在月尺度上進(jìn)行均值合成，影像空間分辨率為10 m。

1.3 特征變量與數(shù)據(jù)集

1.3.1特征構(gòu)建

結(jié)合研究區(qū)的地理位置與農(nóng)作物的物候期，選取Sentinel-2光學(xué)影像的光譜反射率、光譜特征和紋理特征進(jìn)行計算?，F(xiàn)有研究表明農(nóng)作物遙感分類研究僅計算光譜特征會導(dǎo)致“同物異譜、異物同譜”的現(xiàn)象，影響最終分類效果，而不同地物類型在遙感影像上紋理表現(xiàn)差異較大。冬小麥在遙感影像上具有規(guī)則的紋理信息，易于與其他地物類型進(jìn)行區(qū)分?；诖?，本文運(yùn)用灰度共生矩陣(Gray-level co-occurrence matrix, GLCM)進(jìn)行紋理特征的構(gòu)建，根據(jù)植被光譜曲線可知，植被在近紅外B8波段具有最高的反射峰，植被反射率在可見光波段差異小，但近紅外波段的差異明顯。因此本文采用Sentinel-2光學(xué)影像的近紅外B8波段計算紋理特征能夠更好地區(qū)分植被等信息。為避免因選取過多紋理特征而導(dǎo)致信息冗余，故只選取灰度共生矩陣生成的角二矩陣(Angular second moment, ASM)、對比度(Contrast, CONTRAST)、相關(guān)性(Correlation, CORR)和熵值4個紋理特征變量。選擇Sentinel-1 SAR數(shù)據(jù)的極化特征變量，共2個特征變量。本研究共選取16個特征變量，如表1所示。

表1中，歸一化差異植被指數(shù)(Normalized difference vegetation index, NDVI)反映植被生長狀態(tài)，通過計算近紅外和紅光波段之間的差異來識別植被。歸一化水體指數(shù)(Normalized difference water index, NDWI)用于水體識別，對波段進(jìn)行歸一化差值處理，其對植被冠層的液態(tài)水含量變化敏感。增強(qiáng)型植被指數(shù)(Enhanced vegetation index, EVI)的計算常用于植被茂密區(qū)域的計算，可減少大氣和土壤的影響，反映地表植被特征。綠色歸一化差異植被指數(shù)(Green normalized difference vegetation index, GNDVI)用于計算葉片葉綠素濃度。綠葉指數(shù)(Green leaf index, GLI)反映研究植被的顏色變化信息。優(yōu)化土壤調(diào)節(jié)植被指數(shù)(Optimization soil-adjust vegetation index, OSAVI)能夠反映冬小麥的生長狀況信息[24-28]。

表1 特征變量

1.3.2不同地物類型間的時序植被指數(shù)差異分析

綜合分析文獻(xiàn)[15]和研究區(qū)的地物類型分布特征，為便于進(jìn)行不同地物的植被指數(shù)差異比較，共選取冬小麥和非冬小麥兩大類樣本點(diǎn)，非冬小麥地物類型由水體、不透水面、其他(植被+裸地)3類地物組成，結(jié)合遙感影像繪制各類地物在12月到次年5月的NDVI變化曲線(圖2)。研究區(qū)冬小麥從1月到3月的NDVI逐月增加，變化趨勢明顯有別于其他地物類型，說明該階段冬小麥綠色加深，根據(jù)研究區(qū)冬小麥物候信息可知該階段為返青期。3—4月冬小麥NDVI偏高，為冬小麥孕穗期。4—5月NDVI植被指數(shù)呈現(xiàn)明顯下降趨勢，但總體指數(shù)值仍較高，該時期冬小麥葉綠素含量下降，5月以后的冬小麥NDVI植被指數(shù)與其他地物類型較為相似，不易進(jìn)行農(nóng)作物提取研究?；谔卣髦挡町愒酱?，分類精度越高的原則，選取返青期影像作為選擇樣本的基礎(chǔ)影像，數(shù)據(jù)日期為2021年2月1日至3月1日。

圖2 2020年12月—2021年5月研究區(qū)各地物類型時序NDVI變化曲線

1.3.3樣本數(shù)據(jù)集

本文分類目標(biāo)作物為冬小麥，通過分析遙感影像的地表覆被信息和易混作物信息，選取20 000個樣本點(diǎn)，綜合文獻(xiàn)[2]中的訓(xùn)練集測試集劃分比例和本研究樣本數(shù)據(jù)量以便于更準(zhǔn)確地反映模型效能，從中隨機(jī)抽取30%作為測試樣本，70%作為訓(xùn)練樣本，獲得研究區(qū)訓(xùn)練樣本集及測試樣本集(表2)。驗(yàn)證數(shù)據(jù)來自各省2020年統(tǒng)計年鑒發(fā)布的冬小麥播種面積數(shù)據(jù)。根據(jù)1.1節(jié)可知黃淮海平原非7省完整區(qū)域，故以黃淮海平原包括的各個市的小麥播種面積為統(tǒng)計數(shù)據(jù)驗(yàn)證提取結(jié)果。

表2 樣本數(shù)據(jù)集

基于2021年2月1日至3月1日的Sentinel-1影像和Sentienl-2影像，制作了各類地物的目視解譯標(biāo)志，如表3所示。

表3 目視解譯標(biāo)志

2 研究方法

2.1 總體研究技術(shù)路線

本研究技術(shù)路線圖如圖3所示。首先利用GEE云平臺獲取多時相的遙感影像，構(gòu)建地物類型的光譜特征、極化特征和紋理特征，基于多種機(jī)器學(xué)習(xí)分類算法和深度循環(huán)神經(jīng)網(wǎng)絡(luò)對冬小麥樣本點(diǎn)進(jìn)行訓(xùn)練和精度驗(yàn)證，得出2021年黃淮海平原區(qū)域的冬小麥種植信息。

圖3 技術(shù)路線圖

2.2 分類算法

隨機(jī)森林(Random forest, RF)是利用若干個決策樹對樣本進(jìn)行訓(xùn)練預(yù)測的一種分類方法，由多個Bagging集成學(xué)習(xí)技術(shù)訓(xùn)練得到的決策樹組成，對輸入的數(shù)據(jù)集進(jìn)行判別與分類，同時給出各個變量的重要性評分，評估變量在分類中所起的作用。該方法能夠在大數(shù)據(jù)集上運(yùn)行，具有極好的準(zhǔn)確率，能夠較為準(zhǔn)確地評估各個特征在分類中的重要性，解決了決策樹的性能瓶頸的問題，具有良好的并行性和擴(kuò)展性。樸素貝葉斯(Naive Bayes, NB)分類算法是貝葉斯分類算法中最為簡單和常見的分類方法，該方法假設(shè)每一個輸入的樣本數(shù)據(jù)集變量均為相互獨(dú)立的，極大簡化了算法復(fù)雜性，因此針對實(shí)際的數(shù)據(jù)中存在屬性或類別之間存在關(guān)聯(lián)的情況，其分類準(zhǔn)確率會降低[30]。支持向量機(jī)(Support vector machine, SVM)是一種按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進(jìn)行二分類模型，通過尋找最優(yōu)的邊距超平面對輸入的樣本數(shù)據(jù)進(jìn)行分割，是一個監(jiān)督式學(xué)習(xí)的方法[31]。該方法適用小樣本學(xué)習(xí)，計算的復(fù)雜性不取決于樣本的空間維數(shù)，具有較好的魯棒性，提高了模型的泛化能力，但解決多分類問題較為困難，模型效果好壞與參數(shù)和核函數(shù)的選擇關(guān)系密切。決策樹(Decision tree, DT)劃分方法簡單，運(yùn)用遞歸思想，以信息熵為度量構(gòu)造熵值下降最快的樹，到葉子節(jié)點(diǎn)處熵值為0，是用概率分析的方法[32]。

本研究基于GEE平臺運(yùn)用Sentinel-1 SAR雷達(dá)影像和Sentienl-2光學(xué)影像進(jìn)行月度均值合成，基于返青期的光學(xué)遙感影像選擇監(jiān)督分類的樣本點(diǎn)。隨機(jī)森林的參數(shù)設(shè)置上，進(jìn)行Grid Search調(diào)參，尋找分類的最佳參數(shù)，通過調(diào)參結(jié)果與冬小麥提取的精度、與統(tǒng)計數(shù)據(jù)的誤差以及計算效率，將決策樹的數(shù)量設(shè)置為80，決策樹最大深度為7。隨機(jī)森林模型通過調(diào)用GEE平臺接口ee.Classifier.smileRandomForest實(shí)現(xiàn)，樸素貝葉斯、支持向量機(jī)、決策樹模型均基于SKlearn框架構(gòu)建，編程語言為Python。支持向量機(jī)算法參數(shù)設(shè)置懲罰系數(shù)為1.0，核函數(shù)類型為‘rbf’，gamma值為1/13；決策樹模型采用CART決策樹分類，分裂評價指數(shù)為基尼系數(shù)(Gini)；樸素貝葉斯算法選用高斯樸素貝葉斯，該方法不需要進(jìn)行參數(shù)設(shè)置。

2.3 精度評價方法

冬小麥的識別精度結(jié)果通常采用兩種精度評價方法。常用的遙感分類結(jié)果的驗(yàn)證方法為混淆矩陣(Confusion matrix)。分類結(jié)果評價精度的指標(biāo)主要包括總體分類精度(Overall accuracy,OA)，Kappa系數(shù)以及各個類別的制圖精度(Producer’s accuracy, PA)、用戶精度(User’s accuracy, UA)。Kappa系數(shù)是可以衡量總體分類精度的指標(biāo)，綜合了用戶精度和生產(chǎn)者精度兩個精度的評價參數(shù)。取值范圍在-1和1之間，值越大圖像分類精度越高，說明分類效果越好。

2.4 深度循環(huán)神經(jīng)網(wǎng)絡(luò)

2.4.1LSTM網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network, RNN)是一種用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。長短時記憶網(wǎng)絡(luò)(Long short term memory network, LSTM)是一種改進(jìn)之后的深度循環(huán)神經(jīng)網(wǎng)絡(luò)，可以解決RNN無法處理長距離的依賴的問題，相比RNN結(jié)構(gòu)，LSTM循環(huán)結(jié)構(gòu)能夠在長序列中展示更好的結(jié)果。該網(wǎng)絡(luò)的每個循環(huán)結(jié)構(gòu)有2個輸出，由輸入門、遺忘門、輸出門和單元狀態(tài)組成，不斷保持一個持久的單元狀態(tài)進(jìn)行傳遞，決定信息是否遺忘或繼續(xù)傳遞[33]。LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。圖中xt是當(dāng)前時刻模塊的輸入值，ht是當(dāng)前模塊的輸出值，it、ot、ft分別對應(yīng)輸入門、輸出門和遺忘門，gt為當(dāng)前時刻的記憶。輸入門決定當(dāng)前網(wǎng)絡(luò)的輸入有多少內(nèi)容保存到單元狀態(tài)ct中，遺忘門主要用于計算上一時刻單元狀態(tài)ct-1保留多少內(nèi)容到當(dāng)前時刻狀態(tài)ct，而輸出則控制當(dāng)前狀態(tài)ct有多少內(nèi)容會輸出到下一階段LSTM模塊中(即ht)。

圖4 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

2.4.2Bi-LSTM網(wǎng)絡(luò)

雙向長短記憶網(wǎng)絡(luò)(Bi-LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種擴(kuò)展形式，由前向LSTM與后向LSTM組合而成，實(shí)際的模型應(yīng)用中，預(yù)測需要考慮完整的上下文信息，需要使用完整的輸入序列信息，因此采用雙向的循環(huán)神經(jīng)網(wǎng)絡(luò)建模上下文信息，前向LSTM和后向LSTM層輸出向量可以使用相加、平均值或連接等方式進(jìn)行處理(圖5)[34]。

圖5 Bi-LSTM結(jié)構(gòu)圖

3 結(jié)果與分析

3.1 分類結(jié)果及精度分析

運(yùn)用4種機(jī)器學(xué)習(xí)方法對研究區(qū)進(jìn)行冬小麥識別，得到研究區(qū)冬小麥分類精度OA如表4所示。

表4 不同機(jī)器學(xué)習(xí)分類器冬小麥分類精度比較

由表4可知隨機(jī)森林在4種機(jī)器學(xué)習(xí)方法中提取精度最高。黃淮海平原冬小麥面積分層圖和冬小麥空間位置分布圖如圖6所示。

圖6 2021年黃淮海平原冬小麥面積分層、空間分布圖

在ArcMap上對分類結(jié)果圖進(jìn)行多維分析處理，對各省市的冬小麥面積進(jìn)行統(tǒng)計。圖7為黃淮海平原冬小麥種植面積的縣級分布分層統(tǒng)計圖，由淺到深的顏色表示冬小麥種植面積由少及多。對每個研究區(qū)內(nèi)的冬小麥種植面積求和，將其相加得到黃淮海平原冬小麥種植總面積，并計算每個研究區(qū)的種植面積在總面積中的比例，計算式為

圖7 冬小麥種植面積的縣級分布分層統(tǒng)計圖

(1)

(2)

式中W——黃淮海平原冬小麥種植面積

Wi——研究區(qū)i的冬小麥種植總面積

αi——研究區(qū)i冬小麥面積占總面積的比例

黃淮海平原冬小麥總面積為16 226 667 hm2，占研究區(qū)總面積的49.17%，研究區(qū)涵蓋的各市冬小麥播種面積統(tǒng)計數(shù)據(jù)總和約為15 690 949.13 hm2，為檢驗(yàn)提取準(zhǔn)確性，計算相對誤差為3.41%。5個研究區(qū)中，河南省的冬小麥種植面積最多，約為4 647 334 hm2，占黃淮海平原冬小麥總種植面積的28.64%；江蘇省次之，約為3 427 012 hm2，占黃淮海平原冬小麥總種植面積的21.12%；京津冀地區(qū)種植面積最少，約為1 886 401 hm2，僅占總面積的11.63%；山東省、安徽省的冬小麥種植面積分別占黃淮海平原冬小麥總種植面積的19.77%、18.84%。本研究黃淮海地區(qū)的各省冬小麥提取面積相對誤差均在5%以內(nèi)，由文獻(xiàn)[15]可知，相對誤差在5%以內(nèi)即為提取誤差較小、提取效果較好。黃淮海平原的冬小麥種植分布呈現(xiàn)一種由東向西、由南向北遞減的趨勢。

3.2 消融實(shí)驗(yàn)

基于隨機(jī)森林的消融實(shí)驗(yàn)是通過對比單一傳感器和多傳感器遙感數(shù)據(jù)的冬小麥分類識別精度，僅使用月度均值合成的Sentinel-1 SAR數(shù)據(jù)，總體精度為87.38%，Kappa系數(shù)為0.763 8；僅使用月度均值合成的Sentinel-2光學(xué)數(shù)據(jù)，其總體精度為93.95%，Kappa系數(shù)為0.972 0；而以Sentinel-1和Sentinel-2多源遙感數(shù)據(jù)為數(shù)據(jù)源，選擇多時相影像在月尺度上進(jìn)行均值合成，得到的冬小麥分類結(jié)果為總體精度為94.30%，Kappa系數(shù)為0.978 4。因此融合時序Sentinel主被動遙感數(shù)據(jù)能夠提高分類總體精度和冬小麥的識別精度。

3.3 深度學(xué)習(xí)精度結(jié)果

本實(shí)驗(yàn)的深度學(xué)習(xí)框架為Tensorflow 2.3.0、Keras 2.4.3。操作系統(tǒng)為Ubuntu 18.04，CPU為Intel Core i7-9700K @ 3.60 GHz，GPU為NVIDIA RTX 2080ti。編程語言及版本為Python 3.7.0，學(xué)習(xí)率為10-5，迭代次數(shù)為2 000次，批處理大小為1 000，損失函數(shù)為交叉熵，優(yōu)化函數(shù)為Adam。

基于深度學(xué)習(xí)的LSTM和Bi-LSTM網(wǎng)絡(luò)架構(gòu)進(jìn)行冬小麥識別提取研究，隨機(jī)森林、LSTM和Bi-LSTM模型的冬小麥識別精度分別為94.30%、93.73%、93.87%，表明深度學(xué)習(xí)的冬小麥識別精度略低于機(jī)器學(xué)習(xí)隨機(jī)森林方法，所以進(jìn)行深度學(xué)習(xí)與機(jī)器學(xué)習(xí)的泛化性對比實(shí)驗(yàn)。本研究只嘗試了LSTM系列模型，并不能完全代表所有的深度學(xué)習(xí)模型的冬小麥分類精度均低于隨機(jī)森林方法。

3.4 泛化實(shí)驗(yàn)結(jié)果

為探究機(jī)器學(xué)習(xí)算法對新樣本的適應(yīng)能力，將具有同一規(guī)律的其他數(shù)據(jù)集輸入已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，判斷輸出結(jié)果的優(yōu)劣即為模型的泛化能力。對在某一省份已訓(xùn)練好的網(wǎng)絡(luò)中輸入另一省份的冬小麥樣本數(shù)據(jù)集，并輸出精度，得到基于隨機(jī)森林方法泛化結(jié)果(表5)，將5個區(qū)域矩陣對角線精度計算平均值，得到在原本區(qū)域的預(yù)測結(jié)果為99.11%；對角線以外的其余精度的平均值代表在其他區(qū)域的預(yù)測能力，二者對比即泛化能力，分別為90.98%、94.09%、92.63%、87.63%、92.44%。由此說明，隨機(jī)森林只在原本實(shí)驗(yàn)區(qū)域預(yù)測精度較高，在其他區(qū)域的識別精度較低，泛化性低。

表5 隨機(jī)森林方法泛化實(shí)驗(yàn)結(jié)果

基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)方法Bi-LSTM的泛化實(shí)驗(yàn)結(jié)果如表6所示，得出深度學(xué)習(xí)在原本區(qū)域的預(yù)測精度為96.65%，對角線以外的其余精度的平均值代表其在其他區(qū)域的預(yù)測能力，分別為93.72%、96.00%、94.39%、90.84%、95.24%。由此說明，深度學(xué)習(xí)的泛化能力在5個區(qū)域均高于隨機(jī)森林方法，深度學(xué)習(xí)在其他地區(qū)的泛化性高于隨機(jī)森林的泛化性，隨機(jī)森林只在當(dāng)前實(shí)驗(yàn)區(qū)域識別精度較高，在其他區(qū)域的識別精度較低。

表6 深度學(xué)習(xí)的Bi-LSTM泛化實(shí)驗(yàn)結(jié)果

4 結(jié)論

(1)黃淮海平原冬小麥總面積為16 226 667 hm2，其中河南省的冬小麥種植面積最多，約為4 647 334 hm2；黃淮海平原的冬小麥種植分布呈現(xiàn)一種由東向西、由南向北遞減的趨勢。

(2)河南省的冬小麥種植面積最多，占黃淮海平原冬小麥總種植面積的28.64%；京津冀地區(qū)種植面積最少，僅占總面積的11.63%。

(3)隨機(jī)森林在4種機(jī)器學(xué)習(xí)方法中識別精度最高，總體分類精度為94.30%，其他機(jī)器學(xué)習(xí)方法的總體分類精度分別為決策樹92.20%，樸素貝葉斯88.20%，支持向量機(jī)91.40%。

(4)融合時序Sentinel主被動遙感數(shù)據(jù)能夠提高分類總體精度和冬小麥的識別精度。

(5)在大范圍的冬小麥分類上，深度學(xué)習(xí)模型的泛化性高于機(jī)器學(xué)習(xí)方法。隨機(jī)森林泛化性較低，并只在當(dāng)前實(shí)驗(yàn)區(qū)域識別精度較高，在其他區(qū)域的識別精度較低。