王利軍 郭 燕 賀 佳 王利民 張喜旺 劉 婷

(1.河南省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟與信息研究所， 鄭州 450002； 2.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所， 北京 100081；3.河南大學(xué)環(huán)境與規(guī)劃學(xué)院， 開封 475004)

0 引言

空間遙感技術(shù)的不斷發(fā)展，為快速、準(zhǔn)確獲取農(nóng)作物空間分布信息提供了新的技術(shù)手段。目前，多傳感器、多時相和多空間分辨率的遙感數(shù)據(jù)已廣泛應(yīng)用于農(nóng)作物空間信息提取，在理論、技術(shù)和實踐方面都取得了長足的進(jìn)展[1-3]。然而，由于秋季作物種植結(jié)構(gòu)復(fù)雜、生育期較短，中高空間分辨率遙感數(shù)據(jù)受到回訪周期和云雨天氣的影響，往往難以獲得“最佳物候期”的時序遙感影像數(shù)據(jù)。這使得秋季復(fù)雜的種植空間分布信息提取成為農(nóng)業(yè)遙感專題信息提取的難題。研究表明，植被指數(shù)和紅邊光譜數(shù)據(jù)與表征作物生長狀況的農(nóng)學(xué)參數(shù)之間存在較好的相關(guān)關(guān)系[4]。針對秋季玉米、花生、大豆、水稻等農(nóng)作物生育期接近、光譜特征相似且較難區(qū)分等問題，畢愷藝等[5]基于Sentinel-2A時序數(shù)據(jù)的歸一化植被指數(shù)(Normalized difference vegetation index，NDVI)時序曲線特征和光譜特征，利用面向?qū)ο鬀Q策樹的方法識別了林地和農(nóng)作物，總體精度和Kappa系數(shù)分別為89.7%和0.87。劉佳等[6]利用長時序中空間分辨率遙感影像及其波譜特征，有效識別了春玉米、夏玉米、棉花和小宗作物(主要包括紅薯、大豆和花生等)，分類總體精度達(dá)90.9%。賈樹海等[7]通過分析3個不同時期農(nóng)作物物候特征差異和影像NDVI特征值，提取了縣域尺度下花生空間分布信息。黃健熙等[8]基于多時相GF-1 WFV影像，利用4個不同植被指數(shù)特征參數(shù)和實地樣本點，采用隨機森林分類算法提取縣域尺度下玉米和大豆的空間分布，總體精度和Kappa系數(shù)分別為84.8%和0.774。以上研究都不同程度提高了作物識別精度，但基于構(gòu)建作物特定發(fā)育期生長特征光譜曲線、利用單時相遙感影像進(jìn)行秋季多種作物空間分布信息提取方面的研究相對較少。

Sentinel-2A、RapidEye和Worldview-2等衛(wèi)星通過增加多光譜譜段提高遙感數(shù)據(jù)應(yīng)用能力，尤其是其紅邊波段數(shù)據(jù)為農(nóng)作物遙感監(jiān)測提供了數(shù)據(jù)支持[4]。Sentinel-2A衛(wèi)星覆蓋13個光譜波段，能夠提供10 d重訪周期和最高10 m空間分辨率的多光譜數(shù)據(jù)。本文以河南省濮陽縣為研究區(qū)，針對秋季農(nóng)作物，主要包括玉米、花生、大豆、水稻和蔬菜等小宗作物，通過構(gòu)建、分析NDVI和紅邊歸一化植被指數(shù)(Red edge normalized difference vegetation index，RENDVI)，在確定植被指數(shù)分割閾值的基礎(chǔ)上，采用決策樹和SVM相結(jié)合的方法，對秋季主要作物空間分布信息進(jìn)行提取，并結(jié)合地面樣方和樣本點數(shù)據(jù)，與ML和SVM分類結(jié)果進(jìn)行對比分析，以期提高農(nóng)作物分類提取精度。

1 研究區(qū)概況

濮陽縣位于河南省東北部(114°31′～115°15′E，35°12′～35°30′N)，地勢平坦，屬溫帶大陸性季風(fēng)氣候，年平均氣溫13.4℃，年均降水量626 mm，年平均無霜期205 d?？h域面積1 382 km2，2016年濮陽市統(tǒng)計年鑒顯示該縣耕地面積為97 791.90 hm2。以小麥、玉米一年兩熟的作物輪作模式為主[6]，其中玉米、花生、大豆和水稻4種作物生育期見表1。一般秋季作物于6月上中旬播種，8月進(jìn)入生長旺期，9月中下旬收獲，總生長期約4個月。玉米、花生、大豆和水稻分別在抽雄期、下針期、結(jié)莢期和孕穗期開始有較高的植被覆蓋度。

2 數(shù)據(jù)獲取

2.1 遙感影像獲取與預(yù)處理

Sentinel-2A衛(wèi)星數(shù)據(jù)主要用于農(nóng)業(yè)、森林監(jiān)測、土地使用變遷、土地覆蓋變化監(jiān)測等方面[5]，波段信息如表2所示。其中Band 5和Band 6用于獲取紅邊位置，Band 7用于反演葉面積指數(shù)(Leaf area index，LAI)，Band 8A是LAI、葉綠素和生物量敏感的波段[4]。

表1 主要農(nóng)作物生育期Tab.1 Major crop development periods

表2 Sentinel-2A波段信息Tab.2 Band information of Sentinel-2A

圖2 研究區(qū)樣方分布Fig.2 Distributions of ground samples in study area

結(jié)合秋季作物主要生育期及其地表覆蓋度，為降低地表土壤反射光譜對農(nóng)作物面積提取的影響，選取2017年8月6日質(zhì)量好且完全覆蓋研究區(qū)的1景影像(20170806_n0205_r075_t50sle_albers)。并通過網(wǎng)站(http:∥step.esa.int/main/download/)下載Sentinel-2 Toolbox軟件，對影像進(jìn)行重采樣和格式轉(zhuǎn)存，生成有10個波段(不包括Band 1、Band 9和Band 10)且空間分辨率為10 m的ENVI格式(*.img)的影像數(shù)據(jù)，并基于研究區(qū)基礎(chǔ)影像進(jìn)行幾何校正和大氣校正等預(yù)處理，經(jīng)矢量邊界裁切后影像如圖1所示，ArcMap圖層屬性中標(biāo)準(zhǔn)差設(shè)為1.5。

圖1 研究區(qū)遙感影像(R/G/B：7/9/3)Fig.1 S-2A imagery of study area(R/G/B: 7/9/3)

2.2 地面數(shù)據(jù)

首先將研究區(qū)制作成為2 km×2 km的規(guī)則格網(wǎng)，刪除無覆蓋研究區(qū)格網(wǎng)后獲得411個格網(wǎng)，然后基于格網(wǎng)總體均勻分布的原則選取23個約1 km×1 km的地面調(diào)查樣方，針對黃河沿岸復(fù)雜作物種植結(jié)構(gòu)需增設(shè)樣方，其分布如圖2a所示。樣方數(shù)據(jù)均采用Trimble GeoXT差分GPS實地測量標(biāo)注，調(diào)繪結(jié)果基于Sentinel-2A影像進(jìn)行幾何校正，誤差控制在0.5個像元內(nèi)。經(jīng)實測23個樣方總面積為2 330 hm2，其中玉米、花生、大豆、水稻、小宗作物面積分別為987.6、193.5、460.1、157.8、17.3 hm2，分別占樣方總面積的42.4%、8.3%、19.7%、6.8%和0.74%，其余為水體、園地、建設(shè)用地等類型。圖2b和圖2c為樣方影像和作物分布類型。在樣方調(diào)繪過程中利用Geatc F110平板計算機采集各作物類型樣本點，作為選擇訓(xùn)練樣本參考、植被指數(shù)變化分析及分類結(jié)果驗證數(shù)據(jù)，共獲取實地樣本點274個，其中玉米、大豆、花生、水稻、小宗作物(蔬菜、藥材、紅薯等)各81、67、59、15、52個。

3 研究方法

3.1 研究思路

在影像數(shù)據(jù)預(yù)處理后，首先構(gòu)建NDVI，根據(jù)地面樣方和實地樣本點數(shù)據(jù)確定試驗區(qū)主要作物和小宗作物的分割閾值，通過構(gòu)建決策樹和波段計算工具進(jìn)行區(qū)域分類。然后，對主要作物區(qū)域數(shù)據(jù)進(jìn)行RENDVI計算，根據(jù)地面樣方和樣本點進(jìn)行植被指數(shù)分析，采用決策樹和波段計算工具將影像分為玉米/水稻、花生/大豆種植區(qū)，并根據(jù)作物訓(xùn)練樣本對玉米/水稻、花生/大豆采用SVM進(jìn)一步分類，得到研究區(qū)秋季主要作物分類結(jié)果，并與傳統(tǒng)分類方法的分類結(jié)果進(jìn)行分析和精度評價，如圖3所示。

圖3 研究流程圖Fig.3 Flow chart of study

3.2 植被指數(shù)計算

植被指數(shù)是利用遙感影像不同波段組合而成的光譜特性，能夠反映不同植被類型的物候差異和光譜特征，將分類精度提高到作物層次，NDVI和RENDVI是農(nóng)作物監(jiān)測中應(yīng)用較為廣泛的光譜參數(shù)[8-9]。NDVI和RENDVI計算公式分別為

(1)

(2)

式中ρNIR、ρRED——對應(yīng)表2中的近紅外Band 8和紅光Band 4的反射率

ρ665、ρ705——對應(yīng)表2中的紅光Band 4和植被紅邊Band 5的反射率

3.3 訓(xùn)練樣本選取

在執(zhí)行傳統(tǒng)監(jiān)督分類時，一般每種地物類別所選取的訓(xùn)練樣本數(shù)量大致為30n(其中n為影像波段數(shù))[10]，經(jīng)實地調(diào)查，將試驗區(qū)的分類系統(tǒng)確定為玉米、花生、大豆、水稻、小宗作物、林地、建筑(房屋、道路、休閑耕地)和水體8類，因此，訓(xùn)練樣本人工目視選擇工作量較大，而支持向量機因其本身具有良好的泛化能力，可減少訓(xùn)練樣本點數(shù)量的選擇。利用RENDVI將作物分為玉米/水稻、花生/大豆種植區(qū)影像數(shù)據(jù)后，根據(jù)作物光譜特征和紋理特征等信息，單獨選取了用于訓(xùn)練的389個樣本點，其中玉米、大豆、花生、水稻各113、109、92、75個。

3.4 分類方法

ML和SVM作為傳統(tǒng)監(jiān)督分類方法，在作物種植結(jié)構(gòu)提取、森林面積監(jiān)測、土地利用變化監(jiān)測等領(lǐng)域得到廣泛應(yīng)用和評價[11-16]，支持向量機典型方法是模糊支持向量機，通過對每個樣本引入模糊隸屬度參數(shù)來實現(xiàn)分類；決策樹分類基于遙感影像等空間數(shù)據(jù)，采用自頂而下的遞歸方式，通過尋找分類能力最優(yōu)的屬性變量，把數(shù)據(jù)依次分為多個子集，迭代直至所有子集僅包含同一類型或子集包含的樣本數(shù)小于某閾值[17-18]。多年來，國內(nèi)外專家學(xué)者經(jīng)過與傳統(tǒng)分類方法對比研究認(rèn)為，決策樹分類方法具有分類運算速度快、分類精度高的優(yōu)勢，結(jié)合植被指數(shù)、紋理特征等其他多種特征變量能獲得較好的分類結(jié)果[19-20]。本研究中采用決策樹與支持向量機相結(jié)合的方法進(jìn)行秋季主要作物空間分布信息的提取。在分析作物物候特征和光譜特征基礎(chǔ)上，通過構(gòu)建不同植被指數(shù)分割閾值的分類決策樹，逐層分類提取不同地物信息；同時，利用模糊支持向量機原理在ENVI中將主要作物進(jìn)一步分類提取，獲得研究區(qū)主要種植作物空間分布數(shù)據(jù)。

3.5 精度驗證

基于地面實測數(shù)據(jù)驗證是精度驗證的主要手段之一，也是說明遙感分類器和分類結(jié)果準(zhǔn)確程度的指標(biāo)之一[6,11]。本文基于地面樣方和實地樣本點數(shù)據(jù)，以混淆矩陣、Kappa系數(shù)、總體分類精度、制圖精度和用戶精度5種方式表達(dá)。其中混淆矩陣是一個k×k的矩陣，是計算總體分類精度和Kappa系數(shù)的基礎(chǔ)，總體分類精度是指所有被正確分類的像元總和與總像元數(shù)的比例，其算式為

(3)

Kappa系數(shù)計算公式為[19]

(4)

式中k——類別數(shù)

xii——分類結(jié)果中第i類與參考類型數(shù)據(jù)第i類所占的組成成分

N——像元總數(shù)

xi+、x+i——混淆矩陣第i行和第i列的元素之和

4 結(jié)果與分析

4.1 主要作物光譜特征分析

NDVI和RENDVI數(shù)據(jù)結(jié)果如圖4所示。NDVI二值化后局部數(shù)據(jù)如圖5a所示，基于實測274個樣本點數(shù)據(jù)，結(jié)合選取23個樣方中各作物類型分布中心位置作為作物類型樣本點，形成主要作物植被指數(shù)變化范圍(表3)。

圖4 NDVI與RENDVI計算結(jié)果Fig.4 Results of NDVI and RENDVI calculation

圖5 植被指數(shù)與局部影像計算結(jié)果Fig.5 Local image and results of NDVI and RENDVI

表3 主要作物植被指數(shù)變化特征Tab.3 Characteristics of NDVI and RENDVI for major crop types

玉米、水稻、花生和大豆的NDVI在該時期較為接近，因此，將研究區(qū)初步分為主要作物、非作物和小宗作物種植區(qū)域；將主要作物種植區(qū)域與研究區(qū)遙感影像進(jìn)行波段計算，獲得主要作物種植區(qū)域影像數(shù)據(jù)，其局部放大結(jié)果如圖5b所示，以此為數(shù)據(jù)源計算RENDVI，并結(jié)合作物樣點調(diào)查數(shù)據(jù)發(fā)現(xiàn)，該植被指數(shù)能有效地將玉米/水稻、花生/大豆區(qū)分為兩類，其局部結(jié)果如圖5c所以，顏色較深的為玉米和水稻，顏色較淺區(qū)域為花生和大豆。

4.2 基于光譜特征的類別提取過程

圖6 構(gòu)建基于植被指數(shù)閾值分割的分類決策樹Fig.6 Building of decision tree based on threshold segmentation of vegetation index features

根據(jù)以上數(shù)據(jù)結(jié)果，當(dāng)NDVI分布范圍在0.480～0.724之間時為作物種植區(qū)，其余為非作物種植區(qū)，當(dāng)NDVI分布范圍在0.480～0.628之間時，為小宗作物種植區(qū)域；當(dāng)采用紅邊植被指數(shù)對主要作物區(qū)進(jìn)行玉米/水稻、大豆/花生提取時，由于閾值范圍之間有差值，因此需要將閾值進(jìn)行調(diào)整，保障二者閾值之間無差值且能達(dá)到全作物種植區(qū)完全覆蓋，分類結(jié)果采用樣方數(shù)據(jù)和實地樣本點對分類結(jié)果進(jìn)行驗證，當(dāng)精度驗證結(jié)果較低時，重新調(diào)整RENDVI的閾值進(jìn)行分類，當(dāng)已基本滿足分類要求或精度改善不大時停止調(diào)整，接受當(dāng)前分類結(jié)果，其分類過程決策樹構(gòu)建如圖6所示。在主要作物種植區(qū)域，利用RENDVI通過閾值調(diào)整達(dá)到最優(yōu)分類效果，經(jīng)試驗獲得分割閾值為0.137。

4.3 分類結(jié)果與精度驗證

采用最大似然法、支持向量機法和決策樹+支持向量機法分別提取了研究區(qū)2017年8月玉米、水稻、大豆、花生和小宗作物，其分類總面積分別為96 770.18、95 936.88、95 240.58 hm2。采用23個地面樣方和獲取的274個地面樣本點進(jìn)行作物分類精度驗證，各分類方法提取秋季作物面積比例及精度驗證對比數(shù)據(jù)見表4，其中用戶精度和制圖精度各行依次對應(yīng)最大似然法、支持向量機法和決策樹+支持向量機法。

由表4可以看出，玉米識別精度較高，小宗作物由于種植類型復(fù)雜且面積較小，識別精度較低。因此，采用決策樹和支持向量機的方法可以獲得較高的分類精度，其總體精度為92.3%，Kappa系數(shù)達(dá)0.886，用戶精度和制圖精度均達(dá)81.2%和84.7%。采用同一組訓(xùn)練樣本進(jìn)行分類，由圖7紅色框選區(qū)域可以看出，最大似然分類法在作物分類時能較好地提取線性地物，但“椒鹽”現(xiàn)象問題較為明顯，尤其面積較大分類圖斑周邊會出現(xiàn)大量細(xì)碎圖斑，且細(xì)碎圖斑屬性需要進(jìn)一步人工處理，后期處理工作量較大，支持向量機分類法可以有效地解決分類中細(xì)碎圖斑的問題，但存在線性地物和小地塊不同作物分類提取不完全等問題，而引入植被指數(shù)，采用決策樹與支持向量機相結(jié)合的分類方法則能較好地解決以上問題，作物提取結(jié)果和分類精度較好，能滿足區(qū)域作物分類提取研究的需要。

表4 秋季主要作物分類結(jié)果比例和精度對比Tab.4 Classification result and precision comparison of major crop types

圖7 不同方法分類結(jié)果局部數(shù)據(jù)Fig.7 Comparisons of local results of different classification methods

采用決策樹和支持向量機相結(jié)合的方法提取研究區(qū)秋季主要作物空間分布如圖8所示，該區(qū)域玉米種植面積分布最為廣泛，占秋季作物總種植面積的67.1%，沿黃河一帶種植分布較少；大豆種植面積占16.0%，主要分布于東部和東南部沿黃河區(qū)域，西部與內(nèi)黃縣、滑縣接壤處則有少量分布；水稻種植面積占3.7%，種植較為集中，主要分布于徐鎮(zhèn)鎮(zhèn)和渠村鄉(xiāng)，梨園鄉(xiāng)、習(xí)城鄉(xiāng)和海通鄉(xiāng)則有少量分布；花生則主要分布于習(xí)城鄉(xiāng)和中原路街道辦事處，與大豆混種情況較多，中部和北部也有少量分布，占12.5%；小宗作物主要有蔬菜、紅薯、藥材等，在全區(qū)種植分布較少，文留鎮(zhèn)分布較多，占0.7%?？傮w來看，植被紅邊Band 5在植被分類中效果最優(yōu)，各類型農(nóng)作物的空間分布格局宏觀上與當(dāng)?shù)刈魑锓植家恢拢诸惤Y(jié)果與實地調(diào)查結(jié)果較為符合，說明采用決策樹和支持向量機相結(jié)合的方法對Sentinel-2A影像進(jìn)行農(nóng)作物提取具有一定的區(qū)域應(yīng)用價值。

圖8 研究區(qū)主要秋季作物分類結(jié)果Fig.8 Classification results of major crop types in study area

5 結(jié)論

(1)決策樹和支持向量機相結(jié)合的分類方法能有效解決線性地物和小地塊不同作物分類提取不完全以及“椒鹽”現(xiàn)象等問題，在準(zhǔn)確提取大宗作物的同時，對小宗作物也有一定的區(qū)分能力，作物面積提取總體精度較高，驗證了基于Sentinel-2A單時相遙感影像進(jìn)行復(fù)雜秋季作物面積提取的可行性。

(2)NDVI和RENDVI的引入可以提高單時相遙感影像對復(fù)雜作物分類識別能力，在提高遙感影像分類精度的同時，減少了訓(xùn)練樣本選取數(shù)量及其對作物分類精度的影響。作物分類提取總體精度和Kappa系數(shù)分別達(dá)92.3%和0.886，優(yōu)于最大似然法和支持向量機法。