董秀春，蔣 怡，黃 平，李宗南，劉 軻

（四川省農(nóng)業(yè)科學(xué)院遙感應(yīng)用研究所，成都610066）

0 引言

休耕監(jiān)測，是配合農(nóng)業(yè)農(nóng)村部休耕輪作試點開展的重要工作，通過遙感快速監(jiān)測地塊是否休耕或種植有保護(hù)地力的綠肥作物，為有關(guān)部門的管理及農(nóng)戶休耕補貼發(fā)放提供客觀信息［1-3］。云南石漠化休耕區(qū)地塊破碎，種植結(jié)構(gòu)復(fù)雜，分辨率較粗的遙感影像難以滿足休耕地塊監(jiān)測精度需要，已進(jìn)行的休耕監(jiān)測采用了RapidEye、Planet等空間分辨率優(yōu)于5 m的遙感影像。隨著農(nóng)業(yè)監(jiān)測使用的遙感影像空間分辨率、時間分辨率提高，傳統(tǒng)分類方法存在效率和精度的不足。機器學(xué)習(xí)利用先驗知識使分類器進(jìn)行自我學(xué)習(xí)，可更深層次挖掘影像光譜、紋理等特征信息，根據(jù)其模型結(jié)構(gòu)可分為淺層學(xué)習(xí)和深度學(xué)習(xí)。常用的淺層機器學(xué)習(xí)分類器包括決策樹、支持向量機、隨機森林、Softmax等［4-5］；較深度學(xué)習(xí)方法，具有模型結(jié)構(gòu)較簡單、訓(xùn)練樣本需求少、運算速度快等特點，在冬小麥［6-7］、大豆和玉米［8］、棉花［7］、水稻［9］等作物分類提取研究中取得較高分類精度。Softmax分類器適合于多類別的自動分類［10］，其在高分辨率影像多種土地覆蓋分類中有良好表現(xiàn)［10-11］，因而擬使用Softmax分類器進(jìn)行休耕區(qū)多種作物的遙感分類。文章分析基于Softmax分類器和RapidEye遙感影像提取研究區(qū)綠肥、水稻、玉米及煙草等4種作物空間分布信息的精度及誤差因素，為使用淺層機器學(xué)習(xí)方法快速準(zhǔn)確掌握休耕情況提供參考。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

研 究 區(qū) 地 處 云 南 省 石 林 彝 族 自 治 縣 北 部，位 于 東 經(jīng) 103°10′～103°41′、 北 緯24°30′～25°03′之間，見圖1。該區(qū)域平均海拔約1 900 m，屬低緯高原山地季風(fēng)氣候，年平均氣溫16.3℃，年平均降雨量940 mm，年平均日照2 097 h。巖溶地貌明顯，巖溶面積位于昆明市第一，土地石漠化嚴(yán)重，面積占全縣巖溶面積的28.43%［12］，是云南省首批被確定為耕地休耕制度試點縣之一。研究區(qū)內(nèi)夏季種植作物主要包括水稻、玉米、煙草等；休耕作物為光葉紫花苕，是云南休耕地區(qū)用于養(yǎng)地的綠肥作物。

圖1 研究區(qū)位置Fig.1 Location of the study area

1.2 衛(wèi)星遙感影像

使用2017年8月2日獲取的RapidEye衛(wèi)星影像。RapidEye影像幅寬77 km，空間分辨率為5 m，包括藍(lán)（440～510 nm）、綠（520～590 nm）、紅（630～685 nm）、紅邊（690～730 nm）、近紅外（760～850 nm）5個波段，其中紅邊波段是首顆商業(yè)衛(wèi)星提供的波段，可增加地物間的可分離度，提高農(nóng)作物識別精度［13］。

1.3 地面調(diào)查

結(jié)合Google Earth高清影像，在研究區(qū)內(nèi)建立7個隨機分布的樣方，樣方大小為500 m×500 m。于2017年7月17—24日到實地開展地面調(diào)查，確定樣方各地塊種植的作物和覆蓋類型，樣方調(diào)查結(jié)果作為分類的解譯標(biāo)志和精度驗證數(shù)據(jù)。

2 研究方法

2.1 影像預(yù)處理

將獲取的RapidEye影像在ENVI5.5中進(jìn)行大氣校正、正射校正、重投影、幾何精校正等預(yù)處理。計算影像的增強型植被指數(shù)（Enhanced Vegetation Index，EVI），通過波段組合，以增加影像波段屬性，提高地物可區(qū)分性［10］。

2.2 Softmax分類器

Softmax模型為Logistic回歸模型在多分類問題上的擴(kuò)展，屬于監(jiān)督學(xué)習(xí)算法，需要提供訓(xùn)練樣本和測試樣本以及相應(yīng)的分類標(biāo)簽。基本思路為［14］：對于m個樣本，為訓(xùn)練集及其所對應(yīng)的標(biāo)簽為：｛（x（1），y（1）），（x（2），y（2）），…，（x（m），y（m））｝，其中樣本x（i）定義為n+1維向量，y（i）∈｛1，2，…，k｝，則樣本x（i）對應(yīng)類別k的估計概率為：

式（2）中，1｛y（i）=j｝為示性函數(shù)，當(dāng)大括號中為真時，該函數(shù)結(jié)果為1，反之為0。

2.3 Softmax分類

在ENVI5.5中使用Softmax分類器對研究區(qū)4種典型作物進(jìn)行遙感識別與空間信息提取。選取RapidEye影像的第5，4，3波段，分別賦予紅、綠、藍(lán)3色進(jìn)行假彩色合成，突出各類作物顯示效果，便于選取訓(xùn)練區(qū)。根據(jù)地面調(diào)查，在研究區(qū)選取各地物的感興趣區(qū)，包括綠肥、水稻、玉米、煙草等4種典型作物以及林地、水體、建筑物等地物。通過訓(xùn)練樣本對Softmax分類器進(jìn)行訓(xùn)練，使繪制的損失曲線收斂到最小，利用訓(xùn)練效果最優(yōu)的分類器進(jìn)行分類，得到研究區(qū)的分類結(jié)果。Softmax分類技術(shù)流程見圖2。

圖2 Softmax分類技術(shù)流程Fig.2 Process of Softmax classification

2.4 精度評價與驗證

評價基于Softmax分類器的4種典型作物分類精度，并與基于極大似然法的分類結(jié)果進(jìn)行比較。

3 結(jié)果與分析

使用RapidEye影像的多作物分類結(jié)果見圖3，Softmax法的分類結(jié)果較極大似然法減少了“椒鹽噪聲”現(xiàn)象。根據(jù)地面樣方數(shù)據(jù)驗證，精度評價結(jié)果見表1。研究區(qū)內(nèi)Softmax分類器對綠肥、水稻、玉米和煙草的分類總精度為85.98%，Kappa系數(shù)為0.815 7；較極大似然分類高4.59%和0.061 7，并減少了錯分、漏分像元。

圖3 兩種方法分類結(jié)果（部分區(qū)域）Fig.3 Results of two method（Part of the study area）

比較Softmax法4類作物的分類效果，綠肥、水稻、煙草的生產(chǎn)者精度和用戶精度均達(dá)到84%以上，玉米則低于75%。主要由于研究區(qū)內(nèi)綠肥、水稻、煙草種植較為集中；而玉米種植地塊的面積小且在空間上極為分散。根據(jù)表1兩種方法的混淆矩陣結(jié)果可見，綠肥與煙草錯分問題較明顯。根據(jù)地面調(diào)查情況，認(rèn)為綠肥與煙草易混淆主要原因包括兩方面：一方面研究區(qū)休耕地塊的肥力及管理差異大導(dǎo)致不同地塊綠肥長勢差異明顯，出現(xiàn)“同物異譜”；另一方面則是監(jiān)測期間的煙草處于采收季，部分采收后地塊植被情況與綠肥接近，出現(xiàn)“異物同譜”。

表1 兩種分類方法的混淆矩陣Table 1 Confusion matrix of two classification methods

4 結(jié)論與討論

通過遙感手段快速準(zhǔn)確獲取休耕區(qū)內(nèi)地塊種植情況，監(jiān)測結(jié)果對地塊休耕現(xiàn)狀判別具有重要作用。研究利用2017年8月2號獲取的RapidEye影像，采用淺層機器學(xué)習(xí)Softmax分類器在云南省石林縣部分休耕試點區(qū)開展夏季綠肥作物、水稻、玉米及煙草等4種典型作物的遙感分類，得出如下結(jié)論：（1）基于Softmax方法的4種典型作物分類的總體精度和Kappa系數(shù)分別為85.67%和0.811 6，極大似然為81.39%和0.754 0，Softmax方法分類精度略高于極大似然；（2）綠肥、水稻、煙草的生產(chǎn)者精度和用戶精度遠(yuǎn)高于玉米，因研究區(qū)內(nèi)地塊作物種植集中程度影響分類精度；（3）“同物異譜、異物同譜”現(xiàn)象導(dǎo)致綠肥與煙草錯分問題較明顯。

該文研究淺層機器學(xué)習(xí)分類器在云南休耕地區(qū)夏季多作物遙感分類效果，較常用的最大似然法，分類精度有所提高。使用高精度作物空間分布信息進(jìn)一步與休耕地塊矢量數(shù)據(jù)結(jié)合，可去除非休耕監(jiān)測區(qū)臨近地物的影響，提高休耕地塊的判別精度，減少地塊休耕誤判以及外業(yè)核查工作量。隨著對農(nóng)業(yè)精準(zhǔn)監(jiān)測需求的增加，越來越多高時空分辨率的多光譜、高光譜遙感數(shù)據(jù)應(yīng)用于農(nóng)業(yè)監(jiān)測，數(shù)據(jù)量大、質(zhì)量不統(tǒng)一等遙感大數(shù)據(jù)問題需通過整合系統(tǒng)、復(fù)雜的算法加以解決。淺層機器學(xué)習(xí)分類算法小樣本學(xué)習(xí)和過擬合等不足將影響其進(jìn)一步應(yīng)用。深度學(xué)習(xí)方法使用更大規(guī)模的訓(xùn)練數(shù)據(jù)、構(gòu)建更復(fù)雜的模型，能實現(xiàn)更多種類地物的精確識別與分類，降低過擬合的程度。因此，未來將根據(jù)我國遙感大數(shù)據(jù)發(fā)展，開展農(nóng)作物遙感訓(xùn)練數(shù)據(jù)集整理、深度學(xué)習(xí)模型研究等工作。