屠星月，趙冬玲

(中國(guó)農(nóng)業(yè)大學(xué)，北京100083)

一、引 言

農(nóng)作物種植結(jié)構(gòu)包括作物類型，間作，輪作，套作等種植模式和空間分布。它的獲取即作物識(shí)別是提取農(nóng)作物種植面積、及時(shí)監(jiān)測(cè)農(nóng)作物長(zhǎng)勢(shì)以及提早作出作物產(chǎn)量預(yù)測(cè)的基本首要工作，能夠?yàn)檗r(nóng)業(yè)和灌溉用水管理部門提供重要參考數(shù)據(jù)，故有著重要研究意義。近來，隨著“3S”技術(shù)的發(fā)展，遙感技術(shù)以其宏觀、綜合、快捷的特點(diǎn)成為作物識(shí)別的有效途徑。不同作物在類似生育階段交叉時(shí)段影像上光譜特征相似性較高，會(huì)出現(xiàn)異物同譜現(xiàn)象;同時(shí)，同種作物由于種植方式、管理方法以及地域差別，也會(huì)造成同物異譜現(xiàn)象，二者都會(huì)影響作物識(shí)別的精度。物候特征指作物年季間周期性的生長(zhǎng)變化，例如發(fā)芽、抽穗、成熟等不同生育階段的生長(zhǎng)狀況及其所在時(shí)間段，物候特征差異可排除短時(shí)間段內(nèi)生育期交叉的影響，還可反映一年多熟的復(fù)雜種植制度，為更全面的作物識(shí)別提供依據(jù)。研究表明作物的NDVI時(shí)序曲線與物候變化有著良好的對(duì)應(yīng)關(guān)系，利用NDVI時(shí)序數(shù)據(jù)可以獲得獨(dú)特的作物類別信息[1]，故國(guó)內(nèi)外不少學(xué)者致力于利用多時(shí)相遙感影像基于多時(shí)相的光譜特征提取和分析農(nóng)作物物候特征進(jìn)行作物識(shí)別。

二．多時(shí)相作物識(shí)別方法

現(xiàn)今多時(shí)相遙感農(nóng)作物識(shí)別方法，依據(jù)數(shù)據(jù)源分類可分為兩種：一是利用作物關(guān)鍵生長(zhǎng)期(如拔節(jié)，抽穗，收獲等)不同時(shí)段內(nèi)的若干景遙感影像獲取和分析作物多時(shí)相光譜特征進(jìn)行作物識(shí)別，該方法中影像時(shí)相的選擇和分層分類規(guī)則確定是兩個(gè)關(guān)鍵環(huán)節(jié);二是利用作物全生育期固定時(shí)間間隔的NDVI時(shí)序數(shù)據(jù)獲取作物NDVI時(shí)序曲線分析其物候特征或數(shù)學(xué)特征進(jìn)行作物識(shí)別。

1．利用多景作物關(guān)鍵生長(zhǎng)期遙感影像進(jìn)行作物識(shí)別

該方法已被廣泛應(yīng)用于待識(shí)別種類較少的作物識(shí)別，其中遙感影像時(shí)相選擇和基于多時(shí)相光譜特征的分類規(guī)則確定這兩個(gè)環(huán)節(jié)是影響作物識(shí)別的分類效率及精度的主要因素。

(1)遙感影像最佳時(shí)相組合選擇

信息在各時(shí)段呈不均勻分布，并且時(shí)間越長(zhǎng)，信息量就越大。因此作物識(shí)別的影像時(shí)相選擇中應(yīng)當(dāng)使影像盡量包含所有關(guān)鍵信息同時(shí)又避免信息冗余浪費(fèi)，利用最佳時(shí)相組合進(jìn)行分類。光譜和物候歷種間和種內(nèi)差異，以及不同時(shí)相影像的太陽高度角和土壤噪聲變化是作物識(shí)別和估產(chǎn)時(shí)相選擇的主要依據(jù)[2]，也有學(xué)者依據(jù)樣本點(diǎn)NDVI時(shí)序曲線結(jié)合物候資料完成水稻、玉米、大豆估產(chǎn)時(shí)相選擇分析[3-4]。但以上方法依賴于豐富的物候資料和研究者的主觀判斷分析，難以進(jìn)行定量的衡量。

文獻(xiàn)[5]利用試驗(yàn)對(duì)冬小麥不同時(shí)相及其組合下的樣本點(diǎn)的J-M距離光譜可分性和地面驗(yàn)證點(diǎn)效率指標(biāo)分類精度的比較。J-M距離是一種基于條件概率之差的光譜可分性度量標(biāo)準(zhǔn)，代表兩類別的概率密度函數(shù)之差，當(dāng)?shù)匚镱悇e服從正態(tài)分布時(shí)，計(jì)算如式(1)所示

其中

式中，Jij為第i類和第j類的可分性距離;μi和μj為第 i、j類光譜反射率的平均值;θi和 θj為第 i、j類光譜反射率的方差。當(dāng)0．0＜Jij＜1．0時(shí)，兩類別之間具有一定的光譜可分性，但存在較大程度重疊;1．9＜Jij＜2．0時(shí)，兩類別之間具有很好的光譜可分性。Kappa系數(shù)和混淆矩陣是常用的分類精度評(píng)價(jià)指標(biāo)，但兩者無法控制分類的過程和錯(cuò)誤產(chǎn)生原因，文獻(xiàn)[5]提出了利用地面驗(yàn)證點(diǎn)效率指標(biāo)對(duì)分類過程進(jìn)行精度評(píng)價(jià)，它涉及圖像特征選擇和分類檢驗(yàn)兩個(gè)環(huán)節(jié)，對(duì)分類結(jié)果產(chǎn)生4種診斷情況如表1所示。

表1 對(duì)一個(gè)像元控制的4種可能診斷結(jié)果

表中A、B、C、D分別代表圖像正確或錯(cuò)誤、分類一致或不一致4種可能結(jié)果的像元數(shù)?？傮w精度定義為：OA=(A+D1)/(A+B+C+D)(其中，D1為分類結(jié)果和圖像特征不符合，但圖像和地面類型也不符合，故分類就夠可能和地面實(shí)際類型符合的像元數(shù))。地面驗(yàn)證點(diǎn)效率指標(biāo)定義為：EFF=D/(B+D)，EFF值越大，圖像特征越好，分類效率越高，若EFF值等于1，則只要圖像特征正確，分類就正確[5]。

時(shí)相選擇的各個(gè)研究具有地域、作物種類等差異，故缺乏普遍適用性。且定量的試驗(yàn)與對(duì)比分析研究還較少，故該領(lǐng)域還有待進(jìn)一步研究。

(2)基于多時(shí)相光譜特征的分類方法

研究中一般根據(jù)研究區(qū)物候資料以及訓(xùn)練樣本的多時(shí)相光譜差異進(jìn)行分類規(guī)則確定。對(duì)農(nóng)作物種植結(jié)構(gòu)較簡(jiǎn)單的區(qū)域，可人為進(jìn)行分析并建立分類規(guī)則，利用簡(jiǎn)單決策樹或分級(jí)掩膜進(jìn)行分類，分類規(guī)則多數(shù)為與NDVI有關(guān)。馬麗等利用該方法完成了黑龍江軍川農(nóng)場(chǎng)的大豆、玉米和水稻的種植信息提取[6];李穎等也將該方法應(yīng)用于冬小麥識(shí)別[7];彭光雄等直接將多景多時(shí)相影像進(jìn)行波段疊加生成一景包含各景影像波段的時(shí)序影像，利用常用分類方法對(duì)該時(shí)序影像進(jìn)行甘蔗、玉米和水稻識(shí)別，發(fā)現(xiàn)常用方法中人為選擇特征參數(shù)的面向?qū)ο蠓椒ǚ诸愋Ч罴裑8]。以上方法對(duì)單種作物或2到3種作物識(shí)別可獲得精度較高的分類結(jié)果，但對(duì)待分類作物種類較多的作物識(shí)別，人為確定分類規(guī)則較為困難。

針對(duì)農(nóng)作物種植結(jié)構(gòu)較復(fù)雜，種類較多的區(qū)域，Pe?a-Barragán，Moffatt K 等提出了利用決策樹進(jìn)行面向?qū)ο蟮亩鄷r(shí)相作物識(shí)別，該方法綜合分析對(duì)象多時(shí)相植被指數(shù)，紋理信息，以及派生物候特征，利用二分遞歸分割的技術(shù)基于訓(xùn)練樣本集生成層次多，葉節(jié)點(diǎn)多的大樹，然后對(duì)其刪減長(zhǎng)生一系列子樹，利用最大似然比平方統(tǒng)計(jì)從中選擇最佳子樹生成決策樹判定規(guī)則對(duì)加利福尼亞YOLO縣小麥、水稻、向日葵、苜蓿等13種主要作物進(jìn)行了識(shí)別，并依據(jù)特征在最大似然比平方χ2中所占百分比和所在決策樹分支數(shù)對(duì)3個(gè)不同時(shí)序及其組合的16種對(duì)象光譜特征、6種對(duì)象紋理特征和2種基于對(duì)象層次結(jié)構(gòu)的紋理特征對(duì)作物識(shí)別的貢獻(xiàn)率進(jìn)行了對(duì)比評(píng)價(jià)，并得出結(jié)論在各種特征中光譜信息貢獻(xiàn)率最高中占主導(dǎo)地位，其中NDVI的貢獻(xiàn)率為50%，紋理特征的貢獻(xiàn)率雖然較小，但是有助于確定最后的混淆分支。該方法對(duì)利用高分辨率影像進(jìn)行復(fù)雜種植結(jié)構(gòu)作物識(shí)別有著較好的適用性，且在決策樹分層分類中兼顧了種間差異和種內(nèi)差異，分類過程中的分類規(guī)則確定由軟件完成，避免了人為分析大量特征信息的復(fù)雜性[9]，然而由于涉及多個(gè)波段以及紋理信息，該方法對(duì)影像要求就高，成本較高，且涉及一年多數(shù)作物的識(shí)別。

2．利用作物全生育期NDVI時(shí)序數(shù)據(jù)進(jìn)行作物識(shí)別

該方法一般選擇作物整個(gè)生育期內(nèi)每旬一景或每月一景的高時(shí)間分辨率影像序列提取NDVI時(shí)序曲線進(jìn)行多時(shí)相作物識(shí)別。用于作物識(shí)別的NDVI時(shí)序曲線特征主要包括曲線派生的物候測(cè)度和曲線數(shù)學(xué)特征兩類。

(1)利用NDVI時(shí)序曲線物候特征進(jìn)行分類

國(guó)內(nèi)外已有很多學(xué)者對(duì)NDVI時(shí)序曲線的物候測(cè)度進(jìn)行了定義和提取方法研究，Bradley C．Reed等定義了3類基于NDVI時(shí)序曲線的12種物候測(cè)度，第1類為基于時(shí)間的物候測(cè)度：返青、成熟、和NDVI最大值時(shí)刻、生長(zhǎng)時(shí)段;第2類為基于NDVI數(shù)值的物候測(cè)度：返青值、成熟值、NDVI最大值、NDVI差值;第3類為時(shí)間序列曲線派生物候測(cè)度：時(shí)間整合 NDVI、生長(zhǎng)速率、衰老速率、曲線模式[10]。該3類特征基本囊括了國(guó)內(nèi)外作物識(shí)別研究中的NDVI曲線物候測(cè)度定義。作者還引入了自回歸移動(dòng)平均數(shù)模型(auto-regressive moving average)進(jìn)行NDVI時(shí)序曲線各種物候測(cè)度的提取。另外，陳曉苗提出了利用二次差分法提取NDVI時(shí)序曲線波峰的頻數(shù)作為判別一茬作物和二茬作物的物候特征，算法如式(3)到式(5)所示。

利用式(3)式計(jì)算每個(gè)像元前后兩時(shí)序NDVI之差，得到序列S1

S3序列中，S3等于-2的時(shí)刻即波峰出現(xiàn)的時(shí)間，S3等于2的時(shí)刻即波谷出現(xiàn)的時(shí)間，依據(jù)S3即可提取波峰出現(xiàn)的時(shí)間及峰值[11]。

人為依據(jù)樣本NDVI時(shí)序曲線物候特征差異結(jié)合物候資料設(shè)定分類規(guī)則，利用決策樹或分層掩膜法進(jìn)行作物識(shí)別的方法已得到廣泛運(yùn)用，但人為確定分類規(guī)則依然是難點(diǎn)。

(2)利用NDVI時(shí)序曲線數(shù)學(xué)特征進(jìn)行分類

NDVI時(shí)序曲線經(jīng)傅里葉變換后所得諧波的數(shù)學(xué)特征可用于作物識(shí)別，張明偉等利用諧波的曲線均值(0級(jí)諧波振幅)、1～3級(jí)諧波的初始相位及振幅比例作為特征，生成7個(gè)波段即7種特征數(shù)據(jù)的影像進(jìn)行春玉米、棉花、夏玉米、大豆、冬小麥的監(jiān)督分類，W．L．da Silva等也利用諧波的振幅和相位作為多維特征空間，完成了甘蔗的自動(dòng)識(shí)別[12]。傅里葉變換公式如式(6)和(7)所示

式中，aj、bj為傅里葉系數(shù);cj、φj分別為 j級(jí)諧波的振幅和相位角。筆者依據(jù)上述公式定義了諧波特征向量，向量維數(shù)小于2( n/2)+1;n為訓(xùn)練樣本點(diǎn)數(shù)，各分量中 為 即頻率為0時(shí)的振幅;分別為k級(jí)諧波的振幅ck和相位φk。諧波數(shù)m為1到n/2之間，則特征向量維數(shù)為2m+1。然后，依據(jù)樣本特征向量的算術(shù)平均求得平均特-征向量ν，依據(jù)各像元的特征向量與平均特征向量的差異大小即可進(jìn)行類別判定。對(duì)于像元特征向量中1≤i≤2m+1各個(gè)分量，判定規(guī)則如式(8)和(9)所示

式中，σi為用于計(jì)算 第i個(gè)分量的樣本數(shù)據(jù)的標(biāo)準(zhǔn)差;λ為色散容差;ε為像元特征向量V與平均特征向量 的差異容差值。λ和m依據(jù)反復(fù)分類實(shí)驗(yàn)所得混淆矩陣判定最佳值。

另外，將基于NDVI時(shí)序數(shù)據(jù)進(jìn)行ISODATA非監(jiān)督分類所得未知類別的均值NDVI時(shí)序曲線，與調(diào)查所得作物系數(shù)Kc曲線(物系數(shù)Kc為作物潛在蒸發(fā)蒸騰量ETa和參考作物蒸發(fā)蒸騰量ET0的比值)依據(jù)光譜耦合技術(shù)進(jìn)行相似度計(jì)算與匹配，也可完成作物識(shí)別[13-14]。光譜耦合技術(shù)SMT(spectral matching technique)的基本原理是多光譜曲線與已知特征曲線的相似度計(jì)算與匹配，實(shí)質(zhì)為兩條曲線的匹配，故該方法也適用于NDVI時(shí)序曲線與作物系數(shù)曲線。光譜特征相似度分析SCS(spectral correlation similarity)中譜相似度SSV的計(jì)算如式(10)所示

式中，Ed為兩點(diǎn)間歐氏距離，其中ruh為皮爾遜系數(shù)，其值介于-1～1之間，其值越大，相似度就越高，ruh計(jì)算如式(11)所示

式中，n為光譜時(shí)間序列的長(zhǎng)度;ti(i=1～n)為已知標(biāo)準(zhǔn)類i類NDVI時(shí)間序列值;μi為已知類NDVI時(shí)間序列均值;hi為任一目標(biāo)類別的NDVI序列值;μh為該類均值;σh為目標(biāo)類標(biāo)準(zhǔn)差。對(duì)每個(gè)未知類別，將其歸于相似度最高的目標(biāo)類別即完成作物識(shí)別。

該類方法避免了人為確定分類規(guī)則的復(fù)雜性，但其分類過程難以利用物候知識(shí)解釋，且該類研究目前還較少，故其對(duì)不同地區(qū)、不同種植模式的適用性也有待考證。

三、結(jié)束語

綜上所述，利用多景遙感影像進(jìn)行作物識(shí)別的研究中，影像時(shí)相選擇仍然是難題之一，開展定量對(duì)比實(shí)驗(yàn)雖然能夠確定最佳選擇方案，但較為耗時(shí)，且研究結(jié)果不具普適性;另外，該方法中常利用NDVI值進(jìn)行分層分類，但對(duì)于種植結(jié)構(gòu)較為復(fù)雜的研究區(qū)域，人為確定分類規(guī)則較為復(fù)雜，而將植被指數(shù)與對(duì)象紋理特征等結(jié)合進(jìn)行面向?qū)ο蟮臎Q策分類，則可適用于較多種作物的識(shí)別。但由于影像時(shí)相限制，對(duì)一年多熟的作物識(shí)別仍然較為困難，且該方法中所涉及波段較多，且對(duì)影像空間分辨率要求也較高，難以適用于大多數(shù)遙感影像。相反，利用NDVI時(shí)序數(shù)據(jù)則避免了影像最佳時(shí)相組合選擇的問題，且可識(shí)別一年多熟等復(fù)雜種植制度，擴(kuò)充了多時(shí)相作物識(shí)別的范圍，但該方法所需處理的數(shù)據(jù)量較大，工作效率較低，且所用數(shù)據(jù)一般空間分辨率較低，對(duì)作物地塊較小或破碎的地區(qū)，容易造成混合像元問題影響分類結(jié)果。

針對(duì)種植制度較為復(fù)雜且地塊較小或破碎的地區(qū)的作物識(shí)別研究，筆者認(rèn)為結(jié)合上述兩種方法，綜合利用高空間分辨率、高光譜分辨率和高時(shí)間分辨率遙感影像，有效整合光譜信息與時(shí)相信息進(jìn)行作物識(shí)別是值得探索的研究方向。

[1]WARDLOW BD，EGBERTSL，KASTENSJH．Analysis of Time-seriesMODIS 250m Vegetation Index Data for Crop Classification in the U．S．Central Great Plains[J]．Remote Sensing of Environment，2007(108)：290-310．

[2]千懷遂．農(nóng)作物遙感估產(chǎn)最佳時(shí)相的選擇研究：以中國(guó)主要糧食作物為例[J]．生態(tài)學(xué)報(bào)，1998，18(1)：48-55．

[3]李劍萍，官景得，韓穎娟，等．基于 SPOT/VEGETATION數(shù)據(jù)的陜甘寧退耕還林區(qū)植被分類[J]．安徽農(nóng)業(yè)科學(xué)，2009(27)：13324-13326，13351．

[4]歐文浩，蘇偉，薛文振，等．基于HJ-1衛(wèi)星影像的三大農(nóng)作物估產(chǎn)最佳時(shí)相選擇[J]．農(nóng)業(yè)工程學(xué)報(bào)，2010(11)：176-182，385．

[5]齊臘，劉良云，趙春江，等．基于遙感影像時(shí)間序列的冬小麥種植監(jiān)測(cè)最佳時(shí)相選擇研究[J]．遙感技術(shù)與應(yīng)用，2008，23(2)：154-160．

[6]馬麗，徐新剛，賈建華，等．利用多時(shí)相TM影像進(jìn)行作物分類方法[J]．農(nóng)業(yè)工程學(xué)報(bào)，2008，24(S2)：191-195．

[7]李穎，陳秀萬，段紅偉，等．多源多時(shí)相遙感數(shù)據(jù)在冬小麥識(shí)別中的應(yīng)用研究[J]．地理與地理信息科學(xué)，2010，26(4)：47-49，F(xiàn)0003．

[8]彭光雄，宮阿都，崔偉宏，等．多時(shí)相影像的典型區(qū)農(nóng)作物識(shí)別分類方法對(duì)比研究[J]．地球信息科學(xué)，2009(2)：225-230．

[9]PEN¨A-BARRAGáN JM，NGUGIM K ，PLANT R E，et al．Object-based Crop Identification Using Multiple Vegetation Indices，Textural Features and Crop Phenology[J]．Remote Sensing of Environment，2011，115(6)：1301-1316．

[10]REED B C，BROWN J F ，VANDERZEE D，et al．Measuring Phenological Variability from Satellite Imagery[J]．Journal of Vegetation Science，1994(5)：703-714．

[11]陳曉苗．基于MODIS-NDVI的河北省主要農(nóng)作物空間分布研究[D]．石家莊：河北師范大學(xué)，2010．

[12]DA SW L，GONCALVES R R V，SIQUEIRA A S，et al．Feature Extraction for NDVIAVHRR/NOAA Time Series Classification[C]∥Proceedings of Analysis of Multi-temporal Remote Sensing Images(Multi-Temp)Trento．[S．l．]：InternationalWorkshop，2011．

[13]蔡學(xué)良，崔遠(yuǎn)來．基于異源多時(shí)相遙感數(shù)據(jù)提取灌區(qū)作物種植結(jié)構(gòu)[J]．農(nóng)業(yè)工程學(xué)報(bào)，2009，25(8)：124-130．

[14]郝衛(wèi)平，梅旭榮，蔡學(xué)良，等．基于多時(shí)相遙感影像的東北三省作物分布信息提取[J]．農(nóng)業(yè)工程學(xué)報(bào)，2011，27(1)：201-207．