鐘怡琪 李家國(guó) 韓杰 邵雯

鐘怡琪，李家國(guó)，韓? 杰，等. 基于哨兵影像與多特征優(yōu)選的溧陽(yáng)市上興鎮(zhèn)水稻識(shí)別［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2023，39（8）：1688-1697.

doi：10.3969/j.issn.1000-4440.2023.08.008

收稿日期：2022-11-14

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（41971391）；國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2020YFE0200700）；安徽省重點(diǎn)研究與開(kāi)發(fā)計(jì)劃項(xiàng)目（2021003、2022107020028）；2022年度許昌學(xué)院國(guó)家級(jí)科研項(xiàng)目培育基金項(xiàng)目（2022GJPY007）

作者簡(jiǎn)介：鐘怡琪（1998-），女，江西吉安人，碩士研究生，主要從事水稻遙感識(shí)別與估產(chǎn)研究。（E-mail）20201210035@nuist.edu.cn

通訊作者：李家國(guó)，（E-mail）jacoli@126.com

摘要：水稻是中國(guó)三大糧食作物之一，提供準(zhǔn)確、及時(shí)的水稻種植信息對(duì)水稻生產(chǎn)管理、水稻種植保險(xiǎn)賠償以及國(guó)家糧食安全指導(dǎo)、政策制定和實(shí)施等具有重要意義。針對(duì)中國(guó)南方水稻種植地塊破碎、種植結(jié)構(gòu)復(fù)雜等造成的水稻識(shí)別難點(diǎn)，為提高水稻識(shí)別精度，本研究以哨兵一號(hào)（Sentinel-1）、哨兵二號(hào)（Sentinel-2）遙感影像為數(shù)據(jù)源，構(gòu)建光譜特征、植被/水體指數(shù)特征、紋理特征和雷達(dá)特征等特征集，設(shè)置包括優(yōu)選特征在內(nèi)的7種特征組合，采用隨機(jī)森林算法對(duì)江蘇省常州市溧陽(yáng)市上興鎮(zhèn)的水稻進(jìn)行識(shí)別。結(jié)果表明，在光譜特征中，紅邊波段對(duì)于水稻識(shí)別精度有著較高的提升作用。光譜特征結(jié)合植被/水體指數(shù)特征、雷達(dá)特征后，水稻識(shí)別精度有所提高?；趦?yōu)選特征進(jìn)行分類的精度最高，總體分類精度、Kappa系數(shù)分別為93.26%、0.904 8。綜上，結(jié)合遙感影像的光譜特征、植被/水體指數(shù)特征和雷達(dá)特征等并進(jìn)行特征優(yōu)選可以提高水稻識(shí)別精度。

關(guān)鍵詞：水稻識(shí)別；特征優(yōu)選；隨機(jī)森林；遙感影像

中圖分類號(hào)：S127；S511????? 文獻(xiàn)標(biāo)識(shí)碼：A????? 文章編號(hào)：1000-4440（2023）08-1688-10

Identification of rice in Shangxing Town， Liyang City based on Sentinel image and multi-feature optimization

ZHONG Yi-qi1 LI Jia-guo2 HAN Jie3 SHAO Wen1

（1.School of Geographical Sciences， Nanjing University of Information Science & Technology， Nanjing 210044， China;2.Aerospace Information Research Institute， Chinese Academy of Sciences， Beijing 100094， China;3.College of Urban and Environmental Sciences， Xuchang University， Xuchang 461000， China）

Abstract：Rice is one of the three major food crops in China. Providing accurate and timely rice planting information is of great significance to rice production management， rice planting insurance compensation， national food security guidance， policy formulation and implementation. Aiming at the difficulties in rice identification caused by the fragmentation of rice cultivation plots and the complexity of cultivation structure in southern China， and in order to improve the accuracy of rice identification， this study used Sentinel-1 and Sentinel-2 remote sensing images as data sources， constructed the feature sets including spectral features， vegetation/water index features， texture features， and radar features， set up seven combinations of features including the preferred features and adopted the random forest algorithm for the identification of the rice in Shangxing Town， Liyang City， Changzhou City， Jiangsu province， China. The results showed that among the spectral features， the red-edge band had a high improvement effect on the identification accuracy of rice. After combining spectral features with vegetation/water index features and radar features， the identification accuracy of rice was improved. And the classification based on the preferred features had the highest accuracy， with the overall accuracy and Kappa coefficient of 93.26% and 0.904 8， respectively. In summary， the combination of the spectral features of remote sensing images， vegetation/water index features and radar features and feature optimization can improve the accuracy of rice recognition.

Key words：identification of rice;feature optimization;random forest;remote sensing image

水稻作為中國(guó)三大糧食作物之一，是中國(guó)60%以上人口的主要食物來(lái)源[1-2]。提供準(zhǔn)確、及時(shí)的水稻信息，對(duì)水稻生產(chǎn)管理、水稻種植保險(xiǎn)賠償以及國(guó)家糧食安全指導(dǎo)、政策制定和實(shí)施等具有重要意義[3-4]。科學(xué)技術(shù)的快速發(fā)展使得遙感技術(shù)在農(nóng)作物識(shí)別、信息提取方面得到廣泛應(yīng)用[5-7]，與傳統(tǒng)調(diào)查統(tǒng)計(jì)方法相比，利用遙感技術(shù)識(shí)別、提取水稻信息的時(shí)效性強(qiáng)、資源消耗低，故許多學(xué)者基于此項(xiàng)技術(shù)開(kāi)展研究。

早期的遙感影像分類是根據(jù)解譯者的先驗(yàn)知識(shí)，通過(guò)人工目視解譯的方法進(jìn)行地類劃分，但這種方法完全依賴于解譯者，并且需要投入大量人力、物力、財(cái)力，具有效率低、主觀性強(qiáng)、無(wú)法及時(shí)更新等缺點(diǎn)，無(wú)法滿足人們的需求[8]。隨著計(jì)算機(jī)圖像處理能力的提高，基于遙感影像的自動(dòng)分類方法逐漸成為重要的分類手段。目前常見(jiàn)的農(nóng)作物自動(dòng)分類方法主要有最小距離法、最大似然法等傳統(tǒng)方法以及決策樹(shù)、支持向量機(jī)、隨機(jī)森林等機(jī)器學(xué)習(xí)方法[9-10]。其中，隨機(jī)森林法和支持向量機(jī)法的應(yīng)用最為普遍，隨機(jī)森林法的參數(shù)設(shè)置簡(jiǎn)單，在大數(shù)據(jù)量的影像和高維數(shù)據(jù)上，其處理效率優(yōu)于支持向量機(jī)法，被公認(rèn)為是可以降低高維數(shù)據(jù)維度的分類算法[11]，在農(nóng)作物分類識(shí)別中被廣泛應(yīng)用。何昭欣等[12]分別采用樸素貝葉斯、支持向量機(jī)、分類回歸樹(shù)和隨機(jī)森林4種分類器，對(duì)江蘇省冬小麥與冬油菜的空間分布信息進(jìn)行提取，通過(guò)比較各分類器的分類精度，發(fā)現(xiàn)采用隨機(jī)森林分類器取得了較好結(jié)果。近年來(lái)興起的深度學(xué)習(xí)算法也被應(yīng)用到農(nóng)作物分類中，如汪傳建等[13]利用卷積神經(jīng)網(wǎng)絡(luò)提取高分辨率遙感影像中的農(nóng)作物特征，實(shí)現(xiàn)了農(nóng)作物的精細(xì)分類，但該方法要想達(dá)到較高精度，需要大量的樣本數(shù)據(jù)、復(fù)雜的參數(shù)調(diào)整以及長(zhǎng)時(shí)間的模型訓(xùn)練，而隨機(jī)森林法僅需要較少的樣本訓(xùn)練就能獲得高精度的分類結(jié)果[14]。

此外，分類特征也是影響農(nóng)作物識(shí)別精度的重要因素。分類特征可以反映目標(biāo)地物的多個(gè)角度，篩選出更能體現(xiàn)地物信息的若干特征應(yīng)用于分類可以提高分類精度。在中國(guó)南方丘陵地區(qū)，地形破碎、常年多云多雨，單純使用地物光譜特征進(jìn)行農(nóng)作物分類容易出現(xiàn)“異物同譜”和“同物異譜”的現(xiàn)象，而有研究結(jié)果表明將各類特征相結(jié)合[15-17]，包括光譜特征、植被指數(shù)特征、幾何特征、形狀特征、紋理特征、時(shí)相特征、地形特征、雷達(dá)特征、空間特征和極化特征等[18-19]，可以有效改善農(nóng)作物分類的效果，進(jìn)一步提高農(nóng)作物分類的精度。

哨兵二號(hào)擁有較高的空間分辨率與豐富的光譜信息，另外還包含紅邊波段，再加上具有較高時(shí)間分辨率和空間分辨率的哨兵一號(hào)的雷達(dá)特征，使遙感信息的利用更加充分，為農(nóng)作物的高精度識(shí)別帶來(lái)更大可能性。然而有研究結(jié)果表明，過(guò)多的特征加入一定程度上會(huì)造成維數(shù)災(zāi)難和數(shù)據(jù)冗余，分類精度反而會(huì)降低[20-22]。因此，選擇合適的特征及合適數(shù)量的特征（即特征優(yōu)選）也是提高農(nóng)作物識(shí)別精度的關(guān)鍵。

綜上，本研究擬將哨兵光學(xué)影像的光譜特征、植被/水體指數(shù)特征、紋理特征等與雷達(dá)影像的后向散射特征結(jié)合起來(lái)對(duì)水稻進(jìn)行識(shí)別，觀察各類特征對(duì)水稻識(shí)別精度的影響，并在此基礎(chǔ)上進(jìn)行特征優(yōu)選，以期為進(jìn)一步提高水稻識(shí)別精度、掌握水稻種植信息提供理論支撐。

1? 材料與方法

1.1? 研究區(qū)概況

研究區(qū)位于江蘇省常州市溧陽(yáng)市上興鎮(zhèn)，地處31°21′N～31°38′N、119°8′E～119°18′E，屬于丘陵山區(qū)，地勢(shì)東低西高，東部為高亢平原，西部曹山、芳山、回峰山等延綿起伏，海拔200 m以上。圖1為上興鎮(zhèn)的具體地理位置及其高程。上興鎮(zhèn)屬于北亞熱帶季風(fēng)氣候，干濕冷暖，四季分明，溫和濕潤(rùn)，年平均氣溫15.5 ℃，月平均氣溫1月份2.7 ℃，7月份28.1 ℃，水資源較好，適宜農(nóng)作物生長(zhǎng)。上興鎮(zhèn)主要作物為水稻、小麥、茶樹(shù)、玉米，其中水稻生育期為5月至10月，一般5月中上旬播種，10月中下旬成熟，全生育期150～160 d。

1.2? 研究數(shù)據(jù)及預(yù)處理

1.2.1? 哨兵一號(hào)（Sentinel-1）、哨兵二號(hào)（Sentinel-2）數(shù)據(jù)及預(yù)處理??? 本研究中Sentinel-1、Sentinel-2數(shù)據(jù)從歐洲航天局官網(wǎng)（https：//scihub.Copernicus.eu/）免費(fèi)下載，具體信息見(jiàn)表1，根據(jù)水稻的生育期特征，選取2021年8月31日水稻抽穗揚(yáng)花期Sentinel-2衛(wèi)星影像及對(duì)應(yīng)日期的Sentinel-1衛(wèi)星影像并利用其官方軟件SNAP對(duì)Sentinel-1、Sentinel-2衛(wèi)星影像數(shù)據(jù)進(jìn)行預(yù)處理。

Sentinel-1數(shù)據(jù)為L(zhǎng)evel-1級(jí)別地距影像（GRD）干涉寬幅（IW）模式雙極化數(shù)據(jù)，極化方式為垂直-垂直+垂直-水平雙極化，分辨率為10 m。依次對(duì)其進(jìn)行軌道校正、熱噪聲去除、輻射定標(biāo)、多視處理、相干斑濾波處理、地形校正、分貝化以及重采樣等處理。

Sentinel-2數(shù)據(jù)為L(zhǎng)1C級(jí)大氣表觀反射率產(chǎn)品。先利用官方插件（Sen2sor）進(jìn)行大氣校正，再將大氣校正結(jié)果重采樣為所需格式。為保證空間分辨率的一致性，采用雙線性插值法將Band5、Band6、Band7、Band8A、Band11、Band12的分辨率由原來(lái)的20 m重采樣為10 m，最后將所需波段數(shù)據(jù)進(jìn)行疊加、鑲嵌與裁剪。

1.2.2? 樣本數(shù)據(jù)?? ?根據(jù)南京真實(shí)性檢驗(yàn)站2021年9月的綜合試驗(yàn)實(shí)地采樣，并結(jié)合同時(shí)期谷歌地球影像對(duì)樣本數(shù)據(jù)進(jìn)行篩選，共獲得360個(gè)樣本數(shù)據(jù)，包括水稻、水體、建設(shè)用地、其他植被、裸土、大棚（圖2）。每個(gè)類別樣本數(shù)量不一，為保證類別均衡，按照分層抽樣法將所有樣本以7∶3的比例隨機(jī)分為訓(xùn)練樣本集和驗(yàn)證樣本集。其中，訓(xùn)練樣本個(gè)數(shù)為252，驗(yàn)證樣本個(gè)數(shù)為108。

1.3? 研究方法

本研究結(jié)合Sentinel-1雷達(dá)影像和Sentinel-2光學(xué)影像，根據(jù)水稻的特性，提取光譜特征、植被/水體指數(shù)特征、紋理特征、雷達(dá)特征等，并采用特征重要性計(jì)算與反向特征消除提取優(yōu)選特征。根據(jù)不同類型特征和優(yōu)選特征設(shè)置7個(gè)方案，使用隨機(jī)森林法進(jìn)行分類，以獲得最佳分類方案。技術(shù)路線見(jiàn)圖3。

1.3.1? 特征提取

1.3.1.1? 光譜特征? 光譜特征是指地物反射、發(fā)射或透射電磁波的特征，是地物在遙感影像上最直觀的表現(xiàn)形式和區(qū)分不同地物的重要依據(jù)。本研究選取Sentinel-2遙感影像除Band 1、Band 9、Band 10外的10個(gè)波段的反射率作為光譜特征。

1.3.1.2? 植被/水體指數(shù)特征? 植被/水體指數(shù)特征通過(guò)不同波段組合計(jì)算，突出波段間的差異，可以有效區(qū)分不同地物，在本研究中可以有效區(qū)分植被與非植被、水體與非水體，并有效提高水稻與其他地物的區(qū)分度。因此，本研究綜合分析水稻與其他地物特性，選擇歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）、增強(qiáng)型植被指數(shù)（EVI）、修正的比值植被指數(shù)（MSR）、地表水分指數(shù)（LSWI）、歸一化水體指數(shù)（NDWI）、改進(jìn)的歸一化水體指數(shù)（MNDWI）、紅邊歸一化植被指數(shù)1（NDVIre1）、紅邊歸一化植被指數(shù)2（NDVIre2）、紅邊歸一化植被指數(shù)3（NDVIre3）、歸一化差異紅邊1（NDre1）、歸一化差異紅邊2（NDre2）、紅邊葉綠素指數(shù)（CIre）等指數(shù)特征。

1.3.1.3? 紋理特征? 影像上的每一點(diǎn)都是波譜空間上某一點(diǎn)的映射，并由灰度矢量來(lái)表示，而地物目標(biāo)的實(shí)際組合會(huì)形成相應(yīng)灰度空間點(diǎn)的分布，將其分布模式通稱為紋理[23]。紋理是遙感影像中的重要信息，提取影像的紋理特征，可以減少由同物異譜、異物同譜造成的分類誤差。本研究基于Sentinel-2影像數(shù)據(jù)進(jìn)行主成分分析，得到第一個(gè)主成分分析波段PC1，對(duì)這個(gè)波段計(jì)算得到均值、方差、同質(zhì)性、對(duì)比度、相異性、信息熵、角二階矩、相關(guān)性8個(gè)紋理特征。

1.3.1.4? 雷達(dá)特征? 在微波遙感中，把入射方向上散射強(qiáng)度的參數(shù)或目標(biāo)單位面積的平均雷達(dá)散射截面稱為后向散射系數(shù)。不同類型地物由于結(jié)構(gòu)、含水量、粗糙度等差異而呈現(xiàn)不同的散射特征，其微波發(fā)射率特征也隨季節(jié)發(fā)生變化[24]。鄭煜等[25]發(fā)現(xiàn)將光學(xué)影像特征與雷達(dá)影像特征相結(jié)合進(jìn)行地物分類有利于提高地物的分類精度。因此，本研究選擇Sentinel-1雷達(dá)影像中VV、VH、VV/VH、VV-VH這4個(gè)雷達(dá)特征，這些雷達(dá)極化特征有助于區(qū)別植被、非植被、水體邊界。

綜上，本研究根據(jù)研究區(qū)、研究對(duì)象的特點(diǎn)，在充分利用Sentinel-1雷達(dá)影像和Sentinel-2光學(xué)影像的基礎(chǔ)上，選取了包括Sentinel-2影像中植被、水體、紋理在內(nèi)的22個(gè)特征，加上Sentinel-2影像的10個(gè)原始波段反射率以及Sentinel-1影像的4個(gè)雷達(dá)特征，共計(jì)36個(gè)特征（表2）。

B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12??? 分別表示哨兵二號(hào)影像原始波段2、3、4、5、6、7、8、8A、11、12的反射率。

1.3.2? 特征組合及分類??? 隨機(jī)森林（RF）是一種以多棵決策樹(shù)對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的一種分類器，與其他分類器相比，它具有較高的準(zhǔn)確性，并且能夠處理具有高維特征的輸入樣本。另外，它還具有通過(guò)評(píng)估各個(gè)特征在分類問(wèn)題上的重要性進(jìn)行特征選擇的能力，可利用不參與訓(xùn)練的袋外（OOB）數(shù)據(jù)計(jì)算每個(gè)特征變量的重要性，以確定RF模型的最佳輸入特征，減少特征冗余。本研究采用RF模型來(lái)進(jìn)行分類及特征重要性計(jì)算和選擇，在RF模型中采用平均精確度減少算法（MDA）對(duì)所有特征進(jìn)行重要性評(píng)估，以此確定最優(yōu)特征組合。

表3顯示，本研究設(shè)置了7個(gè)特征組合方案，綜合評(píng)估選擇的幾大類特征對(duì)水稻識(shí)別的作用。有研究發(fā)現(xiàn)紅邊波段對(duì)植被具有很好的敏感性，并將其用于農(nóng)作物識(shí)別、信息提取中[26-32]，因此，新近發(fā)射的衛(wèi)星（如高分六號(hào)、哨兵二號(hào)）都設(shè)置了紅邊波段，哨兵二號(hào)更是首次配置了3個(gè)紅邊波段。我們?cè)诒?中設(shè)計(jì)了2種特征組合方案，對(duì)比不含紅邊波段的光譜特征與含紅邊波段的光譜特征的識(shí)別精度，以探究紅邊波段對(duì)水稻識(shí)別的提升效果。方案1為不含紅邊波段的光譜特征，表征為S-RE。方案2為含紅邊波段的光譜特征，表征為S。

將這些特征組合分別輸入RF分類器中，并采用Kappa系數(shù)、總體分類精度（OA）、生產(chǎn)者精度（PA）、用戶精度（UA）4個(gè)評(píng)價(jià)指標(biāo)對(duì)7個(gè)特征組合方案的分類精度進(jìn)行評(píng)價(jià)，觀察不同類型特征對(duì)分類精度的提升作用。

2? 結(jié)果與分析

2.1? 不同特征在水稻識(shí)別中的重要性

采用MDA對(duì)選擇的36個(gè)特征（即Sentinel-2影像的10個(gè)原始波段反射率、14個(gè)植被/水體指數(shù)特征、8個(gè)紋理特征以及Sentinel-1影像的4個(gè)雷達(dá)特征）進(jìn)行特征重要性計(jì)算。圖4顯示，在36個(gè)特征中，哨兵二號(hào)影像原始波段12的反射率（B12）、哨兵二號(hào)影像原始波段11的反射率（B11）的特征重要程度較高，分別為0.099和0.082，這2個(gè)波段為短波紅外波段，對(duì)植被葉片含水量敏感，故可以較好地區(qū)分水稻與其他地物[33]；其次是地表水分指數(shù)（LSWI）、均值（Mean）、紅邊歸一化植被指數(shù)2（NDVIre2）、垂直-垂直極化后向散射系數(shù)（VV），特征重要程度分別為0.075、0.063、0.067、0.046，說(shuō)明水體指數(shù)特征、紋理特征、紅邊特征、雷達(dá)特征在水稻分類研究中都具有較高價(jià)值。

根據(jù)重要性排序，依次剔除重要性最低的那個(gè)特征，并分別計(jì)算總體分類精度，獲取特征變量個(gè)數(shù)與總體分類精度的關(guān)系（圖5）。特征變量個(gè)數(shù)從1增至27，總體分類精度隨特征變量個(gè)數(shù)的增加而波動(dòng)上升，且在前期呈迅速上升趨勢(shì)，此時(shí)加入的特征重要性較高、特征間相關(guān)性較小、冗余少，分類精度有較大提高，當(dāng)特征數(shù)為27時(shí)總體分類精度達(dá)到最高值（93.26%），隨后略微下降，此時(shí)特征冗余及相關(guān)特征增加，影響分類精度。故本研究將重要性排名前27的特征作為優(yōu)選特征。統(tǒng)計(jì)優(yōu)選特征中各類型的特征數(shù)，圖6顯示，在前27個(gè)優(yōu)選特征中，包含光譜特征9個(gè)，植被/水體指數(shù)特征14個(gè)，紋理特征1個(gè)，雷達(dá)特征3個(gè)，說(shuō)明本研究選擇的幾類特征在水稻識(shí)別中皆起到一定作用。

2.2? 不同特征組合分類結(jié)果比較

在本研究中，7種特征組合的分類結(jié)果（圖7）表明，從目視效果來(lái)看，各地物分類結(jié)果與原始影像大致吻合，僅利用Sentinel-2非紅邊光譜特征（方案1，圖7A）分類，“椒鹽現(xiàn)象”明顯；利用含紅邊波段的光譜特征（方案2，圖7B）進(jìn)行分類，“椒鹽現(xiàn)象”得到明顯改善，在此基礎(chǔ)上加入植被/水體指數(shù)特征（方案3，圖7C）、紋理特征（方案4，圖7D）、雷達(dá)特征（方案5，圖7E）、植被/水體指數(shù)特征+紋理特征+雷達(dá)特征（方案6，圖7F）以及優(yōu)選特征（方案7，圖7G），各地物分類圖斑的破碎度均有所降低，“椒鹽現(xiàn)象”進(jìn)一步改善。

對(duì)7種分類方案的總體分類精度、Kappa系數(shù)、生產(chǎn)者精度與用戶精度進(jìn)行對(duì)比分析，結(jié)果（表4）表明：僅使用不含紅邊波段的光譜特征（方案1）進(jìn)行分類，總體分類精度為89.89%、Kappa系數(shù)為0.857 3，說(shuō)明通過(guò)哨兵影像豐富的光譜信息就已經(jīng)可以較好地區(qū)分不同地類。使用含紅邊波段的光譜特征（方案2）進(jìn)行分類，分類精度有較大提升，總體分類精度由89.89%提升到92.06%，Kappa系數(shù)由0.857 3提升到0.888 0。另外，在含紅邊波段光譜特征的基礎(chǔ)上加入不同的特征也會(huì)對(duì)水稻的識(shí)別產(chǎn)生不同程度的影響，加入紋理特征（方案4），總體分類精度、Kappa系數(shù)均略有下降，這可能是因?yàn)樵摰貐^(qū)水稻紋理特征與部分其他植被紋理特征相似而波譜差別較大導(dǎo)致誤分所致；分別加入植被/水體指數(shù)特征（方案3）、雷達(dá)特征（方案5）及植被/水體指數(shù)特征+雷達(dá)特征+紋理特征（方案6），分類精度都有所上升，總體分類精度分別達(dá)到92.73%、92.43%、92.76%，Kappa系數(shù)分別達(dá)到0.897 4、0.893 0、0.897 8，這說(shuō)明植被/水體指數(shù)特征、雷達(dá)特征可以提高水稻識(shí)別的精度。最后，通過(guò)特征優(yōu)選去除因特征數(shù)量增加帶來(lái)的冗余影響后的優(yōu)選特征（方案7）的分類精度達(dá)到最高，總體分類精度、Kappa系數(shù)分別達(dá)到93.26%、0.904 8。

2.3? 水稻空間分布

針對(duì)設(shè)置的7種分類方案，采用分類精度最高的方案7單獨(dú)提取出水稻信息，繪制2021年上興鎮(zhèn)水稻空間分布圖（圖8）。從水稻的空間分布情況來(lái)看，其種植區(qū)域占比較大且比較連續(xù)，主要分布在上興鎮(zhèn)中東部及南部地勢(shì)平坦地區(qū)，與實(shí)際情況相符。

3? 結(jié)? 論

本研究基于2021年上興鎮(zhèn)水稻抽穗揚(yáng)花期的Sentinel-1、Sentinel-2影像，觀察光譜特征、植被/水體指數(shù)特征、紋理特征和雷達(dá)特征等對(duì)水稻識(shí)別的影響程度，并通過(guò)特征優(yōu)選來(lái)提高識(shí)別精度，主要結(jié)論如下：

（1）在光譜特征中，紅邊波段對(duì)于水稻識(shí)別精度有著較高的提升作用。與采用不含紅邊波段的光譜特征進(jìn)行分類的結(jié)果相比，采用含紅邊波段的光譜特征進(jìn)行分類的總體分類精度和Kappa系數(shù)分別提高了2.17個(gè)百分點(diǎn)和0.030 7。

（2）光譜特征結(jié)合植被/水體指數(shù)特征和雷達(dá)特征后，水稻識(shí)別精度可以進(jìn)一步提高，但不同特征對(duì)水稻識(shí)別精度的提高程度不同。含紅邊波段的光譜特征結(jié)合植被/水體指數(shù)特征、雷達(dá)特征以及植被/水體指數(shù)特征+紋理特征+雷達(dá)特征，總體分類精度分別達(dá)到92.73%、92.43%、92.76%，提升了0.67個(gè)百分點(diǎn)、0.37個(gè)百分點(diǎn)、0.70個(gè)百分點(diǎn)，Kappa系數(shù)分別達(dá)到0.897 4、0.893 0、0.897 8，提升了0.009 4、0.005 0、0.009 8。

（3）合適特征的加入能提高水稻識(shí)別精度，但加入過(guò)多特征會(huì)造成數(shù)據(jù)冗余反而降低精度，通過(guò)特征優(yōu)選可以解決此問(wèn)題。在進(jìn)行特征優(yōu)選時(shí)，當(dāng)特征變量個(gè)數(shù)從1增至27時(shí)，總體分類精度隨特征變量個(gè)數(shù)的增加而波動(dòng)上升，當(dāng)特征變量個(gè)數(shù)為27時(shí)總體分類精度到達(dá)最高值（93.26%），然后隨特征變量個(gè)數(shù)的繼續(xù)增加而稍微下降。

特征優(yōu)選的方法可以有效提高水稻識(shí)別精度。中國(guó)南方地塊相對(duì)破碎，水稻易與其他作物混合，通過(guò)加入不同特征可一定程度提高分類精度，但本研究只使用了水稻抽穗揚(yáng)花期的一期影像，沒(méi)有利用水稻各個(gè)生育期與其他地類的差異，后續(xù)考慮加入不同生育期影像進(jìn)行時(shí)序分析，進(jìn)一步提高水稻的識(shí)別精度。

參考文獻(xiàn)：

[1]? 龐乾林，林? 海，阮劉青，等. 中國(guó)稻米文化和現(xiàn)代成就[J]. 中國(guó)稻米，2004（3）：3-5.

[2]趙? 凌，趙春芳，周麗慧，等. 中國(guó)水稻生產(chǎn)現(xiàn)狀與發(fā)展趨勢(shì)[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（10）：105-107.

[3]章秀福，王丹英，方福平，等. 中國(guó)糧食安全和水稻生產(chǎn)[J]. 農(nóng)業(yè)現(xiàn)代化研究，2005（2）：85-88.

[4]梁成權(quán)，莊恒揚(yáng)，高? 輝，等. GIS技術(shù)在水稻優(yōu)質(zhì)高產(chǎn)栽培中的應(yīng)用研究進(jìn)展[J]. 中國(guó)稻米，2013，19（2）：14-17.

[5]JIN C， XIAO X， DONG J， et al. Mapping paddy rice distribution using multi-temporal Landsat imagery in the Sanjiang Plain， northeast China[J]. Frontiers of Earth Science，2016，10（1）：49-62.

[6]孫華生，黃敬峰，彭代亮. 利用MODIS數(shù)據(jù)識(shí)別水稻關(guān)鍵生長(zhǎng)發(fā)育期[J]. 遙感學(xué)報(bào)，2009，13（6）：1122-1137.

[7]鄭長(zhǎng)春，王秀珍，黃敬峰. 多時(shí)相MODIS影像的浙江省水稻種植面積信息提取方法研究[J]. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2009，35（1）：98-104.

[8]劉仁釗，廖文峰. 遙感圖像分類應(yīng)用研究綜述[J]. 地理空間信息，2005，3（5）：11-13.

[9]楊沈斌，景元書(shū)，王? 琳，等. 基于MODIS時(shí)序數(shù)據(jù)提取河南省水稻種植分布[J]. 大氣科學(xué)學(xué)報(bào)，2012，35（1）：113-120.

[10]呂婷婷，劉? 闖. 基于MODIS數(shù)據(jù)的泰國(guó)耕地信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（2）：244-250.

[11]牛明香，趙庚星，李尊英，等. 南四湖濕地遙感信息分區(qū)分層提取研究[J]. 地理與地理信息學(xué)，2004，20（2）：45-48，52.

[12]何昭欣，張? 淼，吳炳方，等. Google Earth Engine支持下的江蘇省夏收作物遙感提取[J]. 地球信息科學(xué)學(xué)報(bào)，2019，21（5）：752-766.

[13]汪傳建，趙慶展，馬永建，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)遙感農(nóng)作物分類[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（11）：161-168.

[14]溫小樂(lè)，鐘? 奧，胡秀娟. 基于隨機(jī)森林特征選擇的城市綠化喬木樹(shù)種分類[J]. 地球信息科學(xué)學(xué)報(bào)，2018，20（12）：1777-1786.

[15]劉元亮，李? 艷，吳劍亮. 基于LSWI和NDVI時(shí)間序列的水田信息提取研究[J]. 地理與地理信息科學(xué)，2015，31（3）：32-37.

[16]苗翠翠，江? 南，彭世揆，等. 基于NDVI時(shí)序數(shù)據(jù)的水稻種植面積遙感監(jiān)測(cè)分析——以江蘇省為例[J]. 地球信息科學(xué)學(xué)報(bào)，2011，13（2）：273-280.

[17]王文靜，張? 霞，趙銀娣，等. 綜合多特征的Landsat8時(shí)序遙感圖像棉花分類方法[J]. 遙感學(xué)報(bào)，2017，21（1）：115-124.

[18]賈? 坤，李強(qiáng)子. 農(nóng)作物遙感分類特征變量選擇研究現(xiàn)狀與展望[J]. 資源科學(xué)，2013，35（12）：2507-2516.

[19]王? 娜，李強(qiáng)子，杜? 鑫，等. 單變量特征選擇的蘇北地區(qū)主要農(nóng)作物遙感識(shí)別[J]. 遙感學(xué)報(bào)，2017，21（4）：519-530.

[20]PENG H， LONG F， DING C. Feature selection based on mutual information： criteria of max-dependency， max-relevance， and min-redundancy[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（8）：1226-1238.

[21]程希萌，沈占鋒，邢廷炎，等. 基于mRMR特征優(yōu)選算法的多光譜遙感影像分類效率精度分析[J]. 地球信息科學(xué)學(xué)報(bào)，2016，18（6）：815-823.

[22]王李娟，孔鈺如，楊小冬，等. 基于特征優(yōu)選隨機(jī)森林算法的農(nóng)耕區(qū)土地利用分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（4）：244-250.

[23]周廷剛，郭達(dá)志，盛業(yè)華. 灰度矢量多波段遙感影像紋理特征及其描述[J]. 西安科技學(xué)院學(xué)報(bào)，2000，20（4）：336-338.

[24]張勇攀，蔣玲梅，邱玉寶，等. 不同地物類型微波發(fā)射率特征分析[J]. 光譜學(xué)與光譜分析，2010，30（6）：1446-1451.

[25]鄭? 煜，陳圣波，陳彥冰，等. 基于Sentinel-1A雷達(dá)數(shù)據(jù)和Sentinel-2A多光譜數(shù)據(jù)特征融合的地物分類[J]. 世界地質(zhì)，2021，40（2）：438-444.

[26]王利民，劉? 佳，楊福剛，等. GF-1 衛(wèi)星多時(shí)相組合近紅外數(shù)據(jù)水稻識(shí)別能力[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（23）：196-202.

[27]梁? 繼，鄭鎮(zhèn)煒，夏詩(shī)婷，等. 高分六號(hào)紅邊特征的農(nóng)作物識(shí)別與評(píng)估[J]. 遙感學(xué)報(bào)，2020，24（10）：1168-1179.

[28]張? 影，王? 珍，孫? 政，等. Sentinel-2紅邊波段在水稻識(shí)別中作用研究——以浙江省德清縣為例[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2021，42（12）：144-153.

[29]劉道芳，王景山，李勝陽(yáng). 高分六號(hào)衛(wèi)星紅邊波段及紅邊植被指數(shù)對(duì)水稻分類精度的影響[J]. 河南科學(xué)，2021，39（9）：1417-1423.

[30]? KANFG Y P， MENG Q Y， LIU M， et al. Crop classification based on red edge features analysis of GF-6 WFV data[J]. Sensors，2021，21（13）：4328.

[31]JIANG X Q， FANG S H， HUANG X， et al. Rice mapping and growth monitoring based on time series GF-6 images and red-edge bands[J]. Remote Sensing，2021，13（4）：579.

[32]張悅琦，李榮平，穆西晗，等. 基于多時(shí)相GF-6遙感影像的水稻種植面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（17）：189-196.

[33]CHEN D， HUANG J， JACKSON T J. Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands[J]. Remote Sensing of Environment，2005，98（2/3）：225-236.

（責(zé)任編輯：王? 妮）