羅 桓，李衛(wèi)國(guó)，景元書，徐向華，陳 華

(1.南京信息工程大學(xué)應(yīng)用氣象學(xué)院，江蘇南京 210044；2.江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，江蘇南京 210014)

農(nóng)作物種植面積和空間分布等信息的準(zhǔn)確獲取，對(duì)農(nóng)業(yè)部門進(jìn)行長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量估測(cè)有重要支撐作用，農(nóng)作物種植面積精確提取一直是農(nóng)業(yè)遙感學(xué)術(shù)界研究熱門的問(wèn)題[1-3]?；谶b感的農(nóng)作物種植面積計(jì)算機(jī)自動(dòng)分類[4]提取主要有兩種方法：非監(jiān)督分類與監(jiān)督分類[5]。非監(jiān)督分類是先利用遙感影像中像元光譜特性的相關(guān)和相似性進(jìn)行分類，再使用地物類型經(jīng)驗(yàn)知識(shí)來(lái)對(duì)各類別進(jìn)行確定的分類方法。非監(jiān)督分類的分類速度快，但耗費(fèi)的人力多，又由于同物異普譜、異物同譜現(xiàn)象存在，常使地物類別與實(shí)際地物類別的分類結(jié)果產(chǎn)生較大的誤差。監(jiān)督分類是利用訓(xùn)練樣本結(jié)合智能分類器進(jìn)行分類，由于訓(xùn)練樣本是結(jié)合實(shí)地考察進(jìn)行選取，可確保其分類結(jié)果與實(shí)際結(jié)果有較高的吻合程度，較好地減少非監(jiān)督分類的誤差[5]。在進(jìn)行監(jiān)督分類時(shí)，由于影像中地物種類較多，選取的訓(xùn)練樣本數(shù)量不足，有時(shí)無(wú)法囊括所有的地物種類(稱為小樣本問(wèn)題)，也會(huì)出現(xiàn)一定程度的錯(cuò)分或漏分。傳統(tǒng)的監(jiān)督分類方法如最大似然法、最小距離法，對(duì)大數(shù)據(jù)樣本的依賴性很強(qiáng)，在使用小樣本數(shù)據(jù)分類時(shí)，會(huì)因?yàn)楸旧硭惴ú环€(wěn)定，出現(xiàn)錯(cuò)分現(xiàn)象[6]。支持向量機(jī)(support vector machine,SVM)作為近年來(lái)監(jiān)督分類方法中一種新的智能學(xué)習(xí)分類方法，在樣本信息有限時(shí)，依靠其本身的穩(wěn)定性、學(xué)習(xí)能力和泛化能力，能夠保證分類分割面為最優(yōu)分割面，可大大減少小樣本和分類器過(guò)學(xué)習(xí)等問(wèn)題[6]。如Zhu等[7]研究表明，SVM分類法在處理衛(wèi)星遙感數(shù)據(jù)時(shí)，分類精度較高，分類速度較快。Foody等[8]研究認(rèn)為，SVM分類在面對(duì)小樣本數(shù)據(jù)時(shí)，其處理效果相當(dāng)良好。董金芳等[9]利用SVM支持向量機(jī)法來(lái)對(duì)濕地進(jìn)行遙感提取，精度達(dá)到98.76%。李夢(mèng)穎[10]利用SVM支持向量機(jī)來(lái)對(duì)Landsat-8影像進(jìn)行森林類型的識(shí)別分析，可較好地對(duì)闊葉林、針葉林、針闊混交林進(jìn)行識(shí)別，分類精度達(dá)到 89.58%。馬鵬鵬[11]利用SVM分類對(duì)小樣本的水稻害蟲進(jìn)行分類，有效識(shí)別了水稻害蟲。

冬小麥作為是我國(guó)江淮地區(qū)的主要糧食作物，其種植信息的準(zhǔn)確、快速獲取對(duì)縣級(jí)農(nóng)業(yè)部門制定生產(chǎn)管理措施有重要意義。目前通過(guò)遙感手段提取冬小麥種植面積的方法頗多，而有關(guān)使用SVM法對(duì)冬小麥種植面積提取的研究較少。本研究借鑒前人在農(nóng)作物面積提取的研究方法[12-14,21]，以江蘇省鹽城市大豐區(qū)為研究區(qū)域，通過(guò)計(jì)算影像的最佳波段指數(shù)，基于試驗(yàn)樣方內(nèi)訓(xùn)練樣本，使用SVM分類法，采用不同的核函數(shù)進(jìn)行影像分類，尋求最優(yōu)分類核函數(shù)，并用最優(yōu)核函數(shù)進(jìn)行SVM分類，以實(shí)現(xiàn)冬小麥識(shí)別和種植面積的提取，在以期為江淮麥區(qū)縣域冬小麥種植面積的精確提取提供方法參考。

1 材料與方法

1.1 研究區(qū)域和遙感影像數(shù)據(jù)

研究區(qū)域選擇在位于江蘇省東部的鹽城市大豐區(qū)(120°13′～120°56′E，32°56′～33°36′N)，屬于北亞熱帶季風(fēng)氣候區(qū)，年平均氣溫15 ℃，常年降水量1 058 mm，日照2 255 h。大豐總耕地面積占江蘇省各區(qū)縣之首，人均耕地面積0.12 hm2，且每年經(jīng)開發(fā)灘涂能新增耕地約2 667～3 333 hm2。冬小麥、水稻都屬于當(dāng)?shù)氐闹饕Z食作物。

遙感影像數(shù)據(jù)采用Landsat-8衛(wèi)星影像數(shù)據(jù)，下載自USGS。Landsat-8衛(wèi)星于2013年發(fā)射，搭載OLI陸地成像儀，在全球農(nóng)、林、畜牧業(yè)等方面有著廣泛的應(yīng)用。Landsat-8衛(wèi)星影像共包含9個(gè)波段，其影像多光譜波段30 m×30 m空間分辨率，全色波段15 m×15 m空間分辨率，影像成像寬幅185 km×185 km。對(duì)影像前7個(gè)波段和全色波段使用GS光譜銳化方法(gram-schmidt spectral sharpening)進(jìn)行影像融合，得到空間分辨率為15 m×15 m的融合影像。融合影像波段信息如表1所示。

選用2018年4月28日衛(wèi)星影像。當(dāng)日衛(wèi)星過(guò)境時(shí)，大豐區(qū)天氣晴朗、無(wú)云，冬小麥正處于揚(yáng)花期，油菜處于蕾苔期，樹木等植被處于返青期。

在Envi5.1軟件中對(duì)遙感影像進(jìn)行輻射定標(biāo)和FLASHH大氣校正，得到真實(shí)地物反射率。在Envi4.7中使用Image to Image幾何校正法進(jìn)行幾何校正[15]。采用已擁有的帶有投影坐標(biāo)的江蘇省影像作為幾何校正參考影像，使用多項(xiàng)式幾何校正模型，利用經(jīng)過(guò)實(shí)地GPS定位的地面控制點(diǎn)進(jìn)行校正，將校正精度維持在0.5個(gè)像元內(nèi)。然后利用大豐區(qū)行政規(guī)劃矢量文件進(jìn)行裁剪，得到大豐區(qū)遙感影像。

表1 Landsat-8衛(wèi)星融合影像波段信息Table 1 Iimage band information from Landsat-8 satellite

1.2 最佳波段指數(shù)(OIF)計(jì)算

最佳波段指數(shù)(OIF)由美國(guó)查維茨提出，通過(guò)綜合考慮各波段所包含的信息量和各波段之間相關(guān)性，進(jìn)行最佳波段選擇，保留主要的波段信息，使影像所呈現(xiàn)的信息量最大，從而在分類時(shí)進(jìn)一步增加影像的分類精度[16]。其計(jì)算公式為：

(1)

式(1)中Si為第i個(gè)波段的標(biāo)準(zhǔn)差,Rij為i、j兩波段的相關(guān)系數(shù)。計(jì)算結(jié)果Band5近紅外波段(0.525～0.600 μm)、Band4紅波段(0. 630～0.680 μm)、Band3綠波段(0.845～0.885 μm)三個(gè)波段組合(5-4-3波段)的OIF指數(shù)最大，因此選取此組合波段進(jìn)行遙感影像顯示。

1.3 支持向量機(jī)(SVM)分類

支持向量機(jī)(support vector machine,SVM)由Vapnik提出，為近幾年應(yīng)用前景較好的一種新興的統(tǒng)計(jì)學(xué)機(jī)器分類法。其核心思想是對(duì)于線性可分的數(shù)據(jù)，通過(guò)尋找最優(yōu)分隔面來(lái)對(duì)數(shù)據(jù)進(jìn)行分隔，能夠最大程度地將待分樣本分隔，且保證分隔距離最大。而對(duì)于非線性可分?jǐn)?shù)據(jù)時(shí)，基于線性可分思想，將原始數(shù)據(jù)映射致高維線性空間之中，在高維空間中尋找最優(yōu)分隔面，使各樣本之間的離散程度最大[17]。支持向量機(jī)能夠很好地解決小樣本、非線性、高維數(shù)等問(wèn)題，具有很強(qiáng)的泛化能力[18]。

通過(guò)解SVM的基本數(shù)學(xué)公式得出最優(yōu)分類函數(shù)：

(2)

線性核函數(shù)(Linear)：K(xi，xj)=(xi·xj)

(3)

多項(xiàng)式函數(shù)(Polynomial)：K(xi，xj) = (γ(xi·xj) +r)d，γ> 0

(4)

(5)

Sigmoid 核函數(shù)：K(xi，xj) = tanh[γ(xi·yj) +r]，γ> 0

(6)

式(4)中γ為Gamma系數(shù)，d為多項(xiàng)式系數(shù)，r分別為徑向基和Sigmoid 核函數(shù)里的偏移值

1.4 試驗(yàn)樣方選擇與樣本選取

試驗(yàn)樣方主要用于地物樣本的確立。使用Juno SB(美國(guó))GPS接收機(jī)進(jìn)行樣方的建立及其內(nèi)部不同地物信息的采集，在大豐區(qū)共建立20個(gè)大小近似400 m×400 m試驗(yàn)樣方，樣方間距大于3 km，隨機(jī)分布，樣方內(nèi)包含冬小麥、樹木、其他植被(油菜、蔬菜等)、建筑、水體等地物信息，試驗(yàn)樣方在大豐的分布如圖1a所示。圖1b為大豐區(qū)大中農(nóng)場(chǎng)附近采集的一個(gè)樣方信息。隨后利用試驗(yàn)樣方，進(jìn)行樣本的選取，在20個(gè)試驗(yàn)樣方內(nèi)選取其中的12個(gè)樣方作為監(jiān)督分類訓(xùn)練樣本，剩余8個(gè)樣方作為后期精度驗(yàn)證樣本。為檢驗(yàn)SVM分類使用樣本數(shù)據(jù)時(shí)的分類效果，依據(jù)地物樣方分布圖(圖1b)確定冬小麥、樹木、建筑(包括房屋、道路)、其他植被(包括油菜、蔬菜)、水體(包括湖泊、魚塘、河流)5類地物類型。樣本選取結(jié)果如表2所示。

1.5 冬小麥種植面積提取

采用支持向量機(jī)法、最大似然法和最小距離法三種監(jiān)督分類方法，對(duì)相同訓(xùn)練樣本分別進(jìn)行冬小麥種植面積提取。最大似然法為通過(guò)求取每個(gè)像元與相應(yīng)的歸屬類別之間的最大概率，對(duì)像元進(jìn)行分類的方法[20]。最小距離法為通過(guò)求取未知類別向量與已知類別樣本向量中心點(diǎn)的距離，將非樣本像元?dú)w屬到距離最短那一類別中的分類方法[21]。

圖1 大豐區(qū)GPS采集樣方點(diǎn)分布(a)和樣方信息(b)

表2 訓(xùn)練樣本和驗(yàn)證樣本Table 2 Training and testing samples

2 結(jié)果與分析

2.1 樣本的選取

基于樣本選取的結(jié)果，使用Envi5.1軟件中的ROI可分離性(computer ROI separability)工具來(lái)計(jì)算各種類間的可分離性。根據(jù)參考文獻(xiàn)，樣本分離性定義為計(jì)算兩類別間最小錯(cuò)誤機(jī)率等價(jià)的最大機(jī)率距離量。樣本間可分離性值應(yīng)處于1.8以上。當(dāng)可分離性過(guò)小時(shí)，應(yīng)當(dāng)重新選取樣本或?qū)颖竞喜⑻幚韀20]。由表3可知，選取的五類地物樣本的可分離性值均在1.9以上，樣本可分離性較好。其中，冬小麥與建筑，冬小麥與水體，其他植被與水體的可分離性值均達(dá)到2.0。

表3 不同類型地物特征分離度Table 3 Divergence of different features

2.2 不同核函數(shù)的SVM分類效果

對(duì)SVM中的4種核函數(shù)分類結(jié)果進(jìn)行比較，選取分類效果最好的核函數(shù)。使用Envi5.1監(jiān)督分類工具箱中的SVM，根據(jù)表4進(jìn)行四種核函數(shù)的參數(shù)設(shè)置，基于最佳組合波段(5-4-3波段)的大豐區(qū)域遙感影像，結(jié)合訓(xùn)練樣本進(jìn)行SVM分類，生成分類影像。在生成的分類影像當(dāng)中剪取具有代表性的影像區(qū)域，結(jié)果如圖2所示。

表4 不同類型核函數(shù)名稱及參數(shù)Table 4 Name and parameters of kernel function

從分類結(jié)果來(lái)看，4種核函數(shù)分類得到的地物種類空間分布基本一致。Linear線性(圖2a)、Polynomial多項(xiàng)式(圖2b)和Sigmoid(圖2c)核函數(shù)對(duì)冬小麥、水體、建筑的分類效果良好，RBF徑向基(圖2d)核函數(shù)的分類結(jié)果中存在少量冬小麥和其他植被錯(cuò)分的現(xiàn)象。通過(guò)與圖1b樣方信息進(jìn)行比較，總體來(lái)看，4種核函數(shù)方法能夠較好地將冬小麥從影像中提取出。使用檢驗(yàn)樣本建立混淆矩陣，得到4種核函數(shù)的分類精度(表5)，且均達(dá)到95%以上，其中Linear線性核函數(shù)(圖2a)的總分類精度和Kappa系數(shù)均為最高，分別達(dá)到 98.56%和0.980 9。因此，選用線性Linear核函數(shù)為SVM的最優(yōu)分類核函數(shù)。

2.3 冬小麥種植面積的提取精度

根據(jù)上述結(jié)果，選取Linear線性核函數(shù)進(jìn)行SVM分類，利用最佳波段組合(5-4-3波段)的大豐區(qū)遙感影像進(jìn)行冬小麥種植面積提取，并與最大似然法、最小距離法的提取結(jié)果進(jìn)行比較，結(jié)果(圖3)表明，SVM分類法對(duì)大豐區(qū)冬小麥進(jìn)行了充分提取，最大似然法和最小距離法提取的冬小麥較為稀疏，存在冬小麥錯(cuò)分漏分情況，最小距離法提取效果最差。大豐區(qū)北部的三龍鎮(zhèn)、方強(qiáng)鎮(zhèn)、上海農(nóng)場(chǎng)，西部的劉莊鎮(zhèn)、西團(tuán)鎮(zhèn)，南部的小海鎮(zhèn)、大橋鎮(zhèn)等鄉(xiāng)鎮(zhèn)的冬小麥種植較多，且這些地區(qū)還存在油菜、蔬菜、樹木、人工綠地等植被。在上述地區(qū)，SVM分類法對(duì)冬小麥提取的優(yōu)勢(shì)明顯，可見冬小麥田、道路的輪廓較為清晰，提取效果較好。而最大似然法和最小距離法在缺少大量樣本的支持下，分類器算法對(duì)于本試驗(yàn)樣本的適應(yīng)性較差，出現(xiàn)冬小麥錯(cuò)分漏分，導(dǎo)致對(duì)大豐東北部和南部冬小麥種植面積的提取效果較差。對(duì)于大中農(nóng)場(chǎng)和華豐農(nóng)場(chǎng)，SVM和最大似然法的冬小麥提取結(jié)果相差不大，最小距離法提取效果稍差，這主要是因?yàn)樵摰貐^(qū)為作物類型較單一，多為冬小麥，因此三種方法都能夠?qū)Χ←溳^好地提取。從SVM提取結(jié)果來(lái)看，冬小麥主要分布于大豐的北部、西南和東南地區(qū)。其中，北部地區(qū)的三龍鎮(zhèn)、方強(qiáng)鎮(zhèn)種植面積較多。西南地區(qū)劉莊鎮(zhèn)、西團(tuán)鎮(zhèn)、小海鎮(zhèn)、白駒鎮(zhèn)、草堰鎮(zhèn)等種植面積較大。東南地區(qū)大中農(nóng)場(chǎng)、華豐農(nóng)場(chǎng)、大橋鎮(zhèn)、草廟鎮(zhèn)等種植面積較大。對(duì)于冬小麥種植面積大的地區(qū)，應(yīng)加大農(nóng)業(yè)管理資金投入，建設(shè)高效的農(nóng)業(yè)生產(chǎn)管理基地，能夠方便冬小麥加工生產(chǎn)的統(tǒng)一化管理。而大豐中部新豐鎮(zhèn)、南陽(yáng)鎮(zhèn)、裕華鎮(zhèn)等地區(qū)冬小麥種植較為少，分布稀疏，主要是與這些地區(qū)城鎮(zhèn)房屋、工業(yè)企業(yè)較集中有關(guān)。

a:線性 Linear;b:多項(xiàng)式 Polynomial;c:Sigmoid;d:徑向基 RBF

表5 4種核函數(shù)分類精度Table 5 Classification accuracy of four kinds of kernel functions

使用Arcgis軟件對(duì)SVM、最大似然法、最小距離法提取的冬小麥種植面積進(jìn)行統(tǒng)計(jì)，根據(jù)當(dāng)?shù)剞r(nóng)業(yè)部門提供的2018年冬小麥實(shí)際種植面積78 720 hm2，計(jì)算冬小麥種植面積提取精度。利用檢驗(yàn)樣本建立混淆矩陣，檢驗(yàn)分類精度。結(jié)果(表6)表明，SVM所提取的冬小麥種植面積為 71 834.6 hm2，種植面積精度較高，達(dá)到 91.25%，比最大似然法和最小距離法分別提高 20.88%和50.86%。同樣，SVM的分類精度和Kappa系數(shù)較高，分別達(dá)到98.55%和0.98，比最大似然法分別提高16.74%和0.15，比最小距離法分別提高24.35%和0.20。可見使用線性作為SVM核函數(shù)在處理樣本數(shù)據(jù)時(shí)，其本身分類算法的學(xué)習(xí)和泛化能力較強(qiáng)，分類精度和冬小麥面積提取精度要好于傳統(tǒng)的監(jiān)督分類方法，能夠滿足農(nóng)業(yè)部門的農(nóng)作物監(jiān)測(cè)需求。

圖3 大豐區(qū)冬小麥種植面積分布

表6 分類精度評(píng)價(jià)Table 6 Classification accuracy evaluation

3 討 論

目前，關(guān)于農(nóng)作物種植面積的提取方法的研究存在很多。監(jiān)督分類作為遙感分類方法中的主要方法之一，應(yīng)用廣泛[5]。在使用監(jiān)督分類法時(shí)，樣本和監(jiān)督分類器是監(jiān)督分類中最主要的兩個(gè)部分[19]。本研究對(duì)采用江蘇大豐區(qū)經(jīng)過(guò)處理的 15 m×15 m分辨率Landsat-8影像，在所建立的20個(gè)試驗(yàn)樣方內(nèi)進(jìn)行樣本選取，既保證了影像的分辨率，又確保了樣本的準(zhǔn)確性。結(jié)合使用新興的智能分類器SVM分類法，最終得到的分類精度和冬小麥提取精度均較高。該方法為江淮區(qū)域縣域的冬小麥種植面積提取提供技術(shù)支持，也為當(dāng)?shù)氐亩←溸M(jìn)一步的監(jiān)測(cè)指導(dǎo)提供條件。

運(yùn)用SVM分類方法最終提取的冬小麥種植面積為71 834.5 hm2，提取精度達(dá)到了91.25%，但是仍然有部分冬小麥像元錯(cuò)分漏分。這可能是由于在使用SVM進(jìn)行分類時(shí)，僅采用了影像的光譜特征，對(duì)于同物異譜、異物同譜現(xiàn)象仍然無(wú)法較好解決。要想更好地解決此問(wèn)題，下一步可以通過(guò)將地物光譜特征與紋理特征相結(jié)合進(jìn)行分類[19]。其次，冬小麥真實(shí)種植面積因條件限制無(wú)法進(jìn)行精確統(tǒng)計(jì)，而當(dāng)?shù)剞r(nóng)業(yè)部門所提供的種植面積數(shù)據(jù)也會(huì)存在誤差，如何更好地消除這些誤差也是今后值得關(guān)注的問(wèn)題。最后，影像的分辨率也會(huì)對(duì)分類結(jié)果造成影響。由于影像分辨率過(guò)低，會(huì)造成一個(gè)像元中包括多類地物。影像分辨率越高，影像像元也能夠更好地代表相應(yīng)的地物，因此采用更高分辨率的影像也將會(huì)是接下來(lái)研究的主要內(nèi)容[22]。