APP下载

农作物种类高光谱遥感识别研究

2015-06-07岽,吴

地理与地理信息科学 2015年2期
关键词:植被指数特征参数微分

王 岽,吴 见

(滁州学院地理信息与旅游学院,安徽 滁州 239000;安徽省地理信息集成应用协同创新中心,安徽 滁州 239000)



农作物种类高光谱遥感识别研究

王 岽,吴 见

(滁州学院地理信息与旅游学院,安徽 滁州 239000;安徽省地理信息集成应用协同创新中心,安徽 滁州 239000)

作物种类高光谱识别研究对发展精准农业具有重要意义。通过原始反射光谱、常用指数、不同形式变换光谱及高光谱特征参数对观测的8种农作物的识别能力进行分析,同时采用识别效率最高的数据变换形式构建BP神经网络模型。结果表明:8种农作物的反射光谱曲线存在较大差异,差异最大的波长位置为0.65 μm、0.78 μm、0.86 μm、0.93 μm、1.08 μm、1.19 μm;无论采用原始光谱计算的指数还是常见卫星传感器对应通道计算的指数,识别农作物的能力从大到小均为SR>NDVI>SAVI>DVI;高光谱特征参数SDr对作物的识别效果优于其他光谱形式,构建的BP神经网络模型隐含层节点数为13时总体精度最高,达91.8%。

高光谱;农作物;识别;遥感

近年来,遥感技术在农业资源调查、农作物估产、灾害监测、评估及预报、农业信息管理等领域得到了广泛应用[1-3],成为农业科学管理及其可持续发展的重要手段[4-6]。受条件限制,常规遥感技术存在明显的不足,常常不能满足以上领域更高的需求。与其他地物相比较,作物是农业遥感的主要研究对象,而绿色植被光谱具有许多共同的特征,因此常规宽波段的光谱数据基本不能准确识别不同种类的农作物[7,8]。高光谱成像技术能够在许多非常窄的波谱范围内对作物的细微差别进行探测,使得农作物识别精度的提高成为了可能。农作物的准确识别是作物分布范围、类型、长势等信息提取的基础,也是农业资源调查、作物估产、灾害监测等的保障。与多光谱遥感相比,高光谱遥感具有独特的光谱优势,对发展精准农业具有重要意义[9-11]。

本文以江淮分水岭部分地区常见的8种作物为研究对象,分析了原始反射光谱、常用指数、不同形式变换光谱以及高光谱特征参数对农作物的识别能力,在此基础上选择最佳光谱形式或参数对BP神经网络模型进行构建,完成农作物识别。

1 实验数据与测试方法

本研究选取的光谱测试地点为江淮分水岭部分地区,选取了水稻、小麦、油菜、棉花、花生、红薯、茄子、白菜8种农作物作为光谱测试对象,每种作物选择10处测试点,每个测试点选取6株测试植株,每株光谱测试3次取平均值,即每种作物共获取60个光谱样本。采用ASD FieldSpec Pro FR光谱仪(光谱范围 350~2 500 nm,光谱分辨率3 nm@350~1 000 nm,10 nm@1 000~2 500 nm),测定时间为10∶00 -14∶00,天气晴朗无风,探头距离植株冠层顶约1.5 m,垂直向下。

2 结果与分析

2.1 原始反射光谱农作物识别能力分析

首先筛选剔除测得的不同农作物的异样光谱曲线,对余下的有效光谱曲线进行均值处理,获取8种农作物的均值光谱曲线(图1,见封2)。由图1可知,8种农作物的光谱曲线存在较大的差异,如在0.4~0.71 μm光谱区间内,花生的光谱反射率明显比其他7种农作物的反射率高;在0.75~1.20 μm光谱区间内,8种农作物的光谱差异均较明显,此光谱区间应当作为农作物识别的重点研究范围;在大于1.20 μm的光谱区间内,油菜的光谱反射率最低,其次是小麦,而花生、棉花、白菜的反射率交替升高或降低。这些光谱差异产生的原因较多,有作物自身的原因,如开花量、叶绿素含量、含水量等,也有外界环境的影响因素,如周围作物种类、土壤背景、植株大小等。根据不同作物间光谱差异最大的原则,本研究选取了6个不同波长处的反射率光谱,作为农作物识别的最佳光谱,具体波长位置为:0.65 μm、0.78 μm、0.86 μm、0.93 μm、1.08 μm、1.19 μm。

2.2 常用指数农作物识别能力分析

2.2.1 原始光谱计算的指数农作物识别能力 本研究选取了土壤调节植被指数(Soil Adjustment Vegetation Index,SAVI)、差值植被指数(Difference Vegetation Index,DVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)、简单比值植被指数(Simple Ratio,SR),分析常见植被指数的农作物识别能力。采用两种方式计算这4种植被指数:一是根据近红外与绿光波段的反射率进行计算;二是根据近红外与红光波段的反射率进行计算(近红外、红光和绿光的具体波段选择常见卫星传感器相应通道的中间波长,即0.83 μm、0.66 μm、0.56 μm)。从表1可以看出,采用方式一和方式二计算4种不同指数对农作物进行识别时,方差最大的指数均为SR。采用方式一时,SAVI和NDVI的方差均为0.03,DVI的方差最小,仅为0.02;采用方式二时,NDVI的方差为0.08,优于SAVI和DVI,DVI的方差仍然最小,仅为0.04。综合比较分析可知,原始光谱采用两种方式计算的指数识别农作物的能力从大到小均为SR>NDVI>SAVI>DVI。

表1 原始光谱计算的指数农作物识别能力分析

Table 1 Crop identification capability analysis of index calculated by original spectrum

水稻小麦油菜棉花花生红薯茄子白菜方差方式一方式二SAVI0.540.600.430.370.150.700.550.660.03DVI0.380.440.290.220.110.610.460.550.02NDVI0.690.720.570.550.190.760.610.740.03SR12.2110.456.222.071.1516.476.0616.8632.00SAVI0.640.660.520.250.060.800.630.770.06DVI0.420.480.330.160.050.660.510.600.04NDVI0.850.830.720.350.070.890.720.890.08SR5.506.193.663.451.467.414.096.743.47

2.2.2 常见卫星传感器对应通道计算的指数农作物识别能力 由于IKONOS、QUICKBIRD、ETM+等常用卫星传感器的近红外、红光、绿光通道对应的光谱范围是相同的,即这些卫星传感器的近红外通道均在0.76~0.90 μm,红光通道均在0.63~0.69 μm,绿光通道均在0.52~0.60 μm。因此,只要计算出0.76~0.90 μm、0.63~0.69 μm和0.52~0.60 μm范围的光谱,即可代表IKONOS、QUICKBIRD、ETM+等常用卫星传感器的近红外、红光、绿光通道。采用预定义滤波函数对8种农作物的反射光谱进行重采样,得到IKONOS、QUICKBIRD、ETM+等常用卫星传感器的近红外、红光、绿光通道光谱。然后,对获取的数据按照原始光谱的两种方式进行植被指数计算,据此分析常见卫星传感器对应通道计算的指数农作物识别能力。由表2可知,采用方式一和方式二计算4种不同指数对农作物进行识别时,方差最大的指数仍为SR。采用方式一时,NDVI 的方差为0.04,SAVI和DVI的方差最小,均为0.03;采用方式二时,NDVI的方差为0.10,优于SAVI和DVI,DVI的方差仍然最小,仅为0.04。综合比较分析可知,常见卫星传感器对应通道两种方式计算的指数农作物识别能力从大到小均为SR>NDVI>SAVI>DVI。

表2 常见卫星传感器对应通道计算的指数农作物识别能力分析

Table 2 Crop identification capability analysis of index calculated by corresponding channel of common satellite sensor

水稻小麦油菜棉花花生红薯茄子白菜方差方式一方式二SAVI0.510.670.640.280.200.620.510.720.03DVI0.360.510.460.130.150.530.420.610.03NDVI0.710.780.830.450.240.680.570.800.04SR13.7310.328.401.891.2316.245.9116.8932.34SAVI0.660.730.760.160.100.720.590.830.07DVI0.410.550.510.080.090.580.470.660.04NDVI0.890.891.030.260.110.810.680.950.10SR6.156.144.973.201.557.273.986.793.40

2.3 不同数据变换形式对农作物的识别能力分析

为了分析不同数据变换形式对农作物识别的能力,本研究对原始反射率光谱λ进行如下变换:归一化变换(Nλ)、归一化后倒数的对数变换(log(1/Nλ))、一阶微分(First order Differential,FD)(波长间隔为2 nm、4 nm、6 nm、8 nm、10 nm、15 nm)、倒数(1/λ)、倒数的对数(log(1/λ))以及倒数对数的一阶微分(FD(log(1/λ))) (波长间隔为2 nm、4 nm、6 nm、8 nm、10 nm、15 nm)。

图2(见封2)是对原始反射率光谱λ进行的一阶微分变换FD(波长间隔2 nm)。从图2可以看出,在部分波长范围内不同农作物光谱的一阶微分值存在一定的差异,如在0.40~0.51 μm波段范围内,花生的一阶微分光谱明显比其他7种农作物高;在0.51~0.61 μm波段范围内,红薯、油菜、小麦等作物的一阶微分光谱均出现了一个正的峰和负的谷,而花生、棉花等的一阶微分光谱均为正值;在0.71~0.77 μm波段范围内,8种农作物的一阶微分光谱值均存在较大的差异,是一阶微分光谱区分各种农作物的理想光谱区间;在大于0.92 μm波段范围内,农作物均出现了各自的反射峰和吸收谷。根据不同作物间光谱差异最大的原则,本研究选取了6个不同波长处的一阶微分变换光谱FD (波长间隔2 nm),作为农作物识别的最佳光谱,具体波长位置为:0.73 μm、0.77 μm、0.94 μm、1.33 μm、1.40 μm、1.56 μm。同理,其他光谱变换形式的最佳光谱波长位置见表3。

表3 不同形式变换光谱的最佳波长位置

Table 3 The best wavelength position of different spectral transform forms

123456FD(波长间隔4nm)0.680.720.891.291.461.69FD(波长间隔6nm)0.710.820.951.161.381.54FD(波长间隔8nm)0.750.790.991.351.421.60FD(波长间隔10nm)0.800.931.261.321.451.62FD(波长间隔15nm)0.821.051.221.411.531.751/λ0.430.560.680.891.351.66log(1/λ)0.890.931.181.361.822.01FD(log(1/λ))(波长间隔2nm)0.530.750.821.321.591.98FD(log(1/λ))(波长间隔4nm)0.660.810.951.461.802.13FD(log(1/λ))(波长间隔6nm)0.680.760.981.521.912.11FD(log(1/λ))(波长间隔8nm)0.620.751.031.561.982.16FD(log(1/λ))(波长间隔10nm)0.590.720.991.682.092.23FD(log(1/λ))(波长间隔15nm)0.500.590.871.741.902.21Nλ0.991.571.762.052.162.30log(1/Nλ)0.780.951.351.581.902.08

2.4 高光谱特征参数对农作物的识别能力分析

参考前人研究成果[12,13],选取了光谱位置参数(SL)、植被指数参数(VI)、光谱面积参数(SA)等14个高光谱特征参数,各参数的具体定义见表4。

表4 高光谱特征参数的定义

Table 4 Definition of hyperspectral characteristic parameter

特征参数参数说明特征参数参数说明光谱位置参数(SL)植被指数参数(VI)Rg波长在510~560nm内最大反射率VI1(Rg-Rr)/(Rg+Rr)Rr波长在640~680nm内最小反射率VI2Rg/RrDb蓝边490~530nm内一阶微分最大值VI3(SDr-SDb)/(SDr+SDb)Dy黄边550~582nm内一阶微分最大值VI4SDr/SDbDr红边680~780nm内一阶微分最大值VI5(SDr-SDy)/(SDr+SDy)光谱面积参数(SA)VI6SDr/SDySDb蓝边490~530nm一阶微分值和SDy黄边550~582nm一阶微分值和SDr红边680~780nm一阶微分值和

根据8种农作物不同高光谱特征参数的值对不同农作物各光谱参数的方差进行计算,结果见表5。从表5可以看出,不同高光谱特征参数8种农作物之间的方差存在较大的差异,其中方差最大的是SDr,达到11.22,也就意味着该特征参数是选取的14种特征参数中识别这8种农作物能力最强的,其次是VI2,方差为8.92。方差大于1的特征参数还包括Db、Dy、Dr、VI4、SDy,其他的特征参数方差都小于1。

表5 高光谱特征参数农作物识别能力分析

Table 5 Crop identification capability analysis of hyperspectral characteristic parameters

水稻小麦油菜棉花花生红薯茄子白菜方差Rg0.090.090.110.090.240.100.150.100.02Rr0.040.050.060.130.300.040.080.030.06Db0.440.510.870.722.040.481.000.452.03Dy0.750.861.411.133.130.871.620.814.41Dr0.971.041.553.161.241.131.801.103.71VI10.180.200.300.230.640.210.350.200.16VI20.520.680.861.963.790.601.420.538.92VI30.150.190.240.560.650.160.400.150.28VI41.081.340.790.310.582.151.731.883.02VI50.400.440.340.220.300.580.510.550.11VI61.250.670.780.741.321.081.661.230.82SDb0.880.980.630.860.761.321.071.260.40SDy0.481.771.231.400.252.361.012.123.88SDr1.052.962.082.291.063.910.373.5211.22

整体上,一阶微分处理后的红边、黄边及蓝边相关的特征参数对识别这8种农作物的效果较好,部分植被指数参数也具有较强的识别农作物的能力。

2.5 基于BP神经网络模型的农作物识别

随机选取30条实测的光谱作为建模数据集,20条实测的光谱作为预测数据集,采用BP神经网络模型对不同数据变换形式光谱或特征参数的农作物识别精度分别进行测试。选取不同农作物间光谱差异最大的原始反射率和不同形式变换光谱的前6个特征波长处的光谱,以及对8种农作物识别能力最强的两种植被指数和方差大于1的高光谱特征参数作为BP网络模型的输入数据,以8种农作物的编码(1~8的整数)作为BP神经网络模型的输出变量。最终,选取识别精度最高的数据变换形式,构建BP神经网络模型进行农作物识别。原始反射率、不同数据变换形式、两种植被指数和方差大于1的高光谱特征参数对8种农作物识别的精度见表6。由表6可知,不同的数据变换形式中或者特征参数对农作物的识别精度有一定的差异。其中高光谱特征参数SDr对8种农作物的识别精度最高,达88.9%;VI2的识别精度仅次于SDr,达87.3%;原始反射率光谱(NO)的识别精度为85.2%,但原始反射率光谱对农作物的识别精度并不是最低的,也就是说采用不同的光谱变换形式或者特征参数对农作物的识别效果未必就比原始反射光谱好,需要选择合适的变换形式才有可能提高识别精度。总体上,一阶微分和高光谱特征参数对农作物的识别效果比倒数(1/λ)、倒数对数的一阶微分FD(log(1/λ))精度高。

表6 不同数据变换形式对8种农作物的识别精度

Table 6 Identification accuracy of eight kinds of crops for different data transformation forms

数据形式FD(波长间隔2nm)FD(波长间隔4nm)FD(波长间隔6nm)FD(波长间隔8nm)FD(波长间隔10nm)FD(波长间隔15nm)1/λ精度82.4%83.6%86.1%84.2%81.0%70.5%73.4%数据形式FD(log(1/λ))(波长间隔2nm)FD(log(1/λ))(波长间隔4nm)FD(log(1/λ))(波长间隔6nm)FD(log(1/λ))(波长间隔8nm)FD(log(1/λ))(波长间隔10nm)FD(log(1/λ))(波长间隔15nm)log(1/λ)精度78.1%82.2%86.8%84.7%76.9%75.8%83.9%数据形式Nλlog(1/Nλ)NOSR(方式一)SR(方式二)SDrVI2精度85.7%86.4%85.2%87.1%84.8%88.9%87.3%数据形式VI4SDyDbDyDr精度83.2%84.5%81.6%85.5%84.1%

根据上述分析,本研究选取高光谱特征参数SDr进行BP神经网络构建。通过反复测试,将BP神经网络的参数设置为:动态参数0.5、迭代次数1 500、SIGMOID参数0.8、允许误差0.00005、输出层节点数1、最小训练速率0.1、输入层节点数25。在建模时主要通过隐含层节点数的调整实现模型结构优化,直至拟合残差最小(表7)。由表7可知,当隐含层节点数为13时,总体精度达到最高,为91.8%。在8种农作物中,芝麻的平均识别精度最高,各隐含层节点的平均精度达88.0%,其次是大豆,达86.5%,识别精度最低的作物是小麦,平均精度仅为82.8%。

表7 不同隐含层节点对8种农作物的识别精度

Table 7 Identification accuracy of 8 kinds of crop for different hidden layer nodes

隐含层节点数小麦玉米大豆油菜棉花芝麻番茄辣椒总精度380.982.584.684.782.986.182.784.683.6581.582.285.285.685.686.482.382.183.9783.385.187.085.486.688.885.086.786.0985.686.389.689.990.191.586.787.288.31187.587.290.990.891.292.387.488.789.51389.590.193.193.593.594.390.290.091.81586.387.589.890.289.390.587.788.388.71781.282.884.985.083.286.483.084.984.01976.978.980.979.280.582.978.880.679.82175.976.679.579.979.980.776.776.578.2平均值82.883.986.586.486.388.084.084.9

3 讨论

通过原始反射光谱农作物识别能力分析可知8种农作物的光谱曲线存在较大的差异,主要的原因有:1)虽然观测光谱的时间一致,但不同作物在同一时间的生长期不同;2)不同作物的生长密度、植株大小、叶片特征、枝叶比例等都不相同,如水稻的生长密度大且面积广,观测不受地面土壤光谱干扰,但花生生长密度较小且紧贴地面,观测时难免受到部分地面土壤光谱干扰。因此,在不同因素的影响下,使得观测的原始光谱本身在某些敏感波段会存在较大差异,这也是高光谱能够识别不同作物的原因。

不同植被指数识别农作物时,其识别能力差异较大,差值和归一化植被指数的识别能力较弱,比值植被指数相对较强。这主要是因为植被指数本身主要用于区分植被与非植被,区分植被种类的效果相对较差,差值和归一化植被指数的取值在0~1之间,且不同作物种类之间的值较为接近,而比值植被指数的取值大于0均可,放大了不同作物间的取值。因此,比值植被指数的效果相对较好。

部分数据变换形式以及高光谱特征参数可以在原始光谱的基础上扩大不同作物种类的差异,如FD(波长间隔6 nm)、FD(log(1/λ))(波长间隔6 nm)、Nλ、log(1/Nλ)、SR(方式一)、SDr、VI2、Dy,其识别效果优于原始光谱;而部分数据变换形式以及高光谱特征参数反而在原始光谱的基础上缩小了不同作物间的差异,如FD(波长间隔2 nm)、1/λ、Db,其识别精度低于原始光谱。

4 结论

本研究以水稻、小麦、油菜、棉花、花生、红薯、茄子、白菜8种农作物作为研究对象,通过原始反射光谱、常用指数、不同形式变换光谱以及高光谱特征参数对农作物的识别能力分析,发现8种农作物的反射光谱曲线存在较大的差异,差异最大的波长位置为0.65 μm、0.78 μm、0.86 μm、0.93 μm、1.08 μm、1.19 μm;无论采用原始光谱计算的指数还是常见卫星传感器对应通道计算的指数,识别农作物的能力从大到小均为SR>NDVI>SAVI>DVI;高光谱特征参数中,SDr对8种农作物的识别能力最强,其次是VI2。综合比较发现,高光谱特征参数SDr对8种农作物的识别精度最高,达88.9%,优于其他光谱形式的识别效果。最终,选取SDr构建BP神经网络模型,当隐含层节点数为13时,总体精度达到最高,为91.8%。

[1] 吴炳方,蒙继华,李强子,等.全球农情遥感速报系统(Crop Watch)新进展[J].地球科学进展,2010,25(10):1013-1022.

[2] WU B,LI Q.Crop planting and type proportion method for crop acreage estimation of complex agricultural landscapes[J].International Journal of Applied Earth Observation and Geoinformation,2012,16:101-112.

[3] 任建强,陈仲新,唐华俊,等.基于遥感信息与作物生长模型的区域作物单产模拟[J].农业工程学报,2011,27(8):257-264.

[4] WANG D,LIN H,CHEN J,et al.Application of multitemporal ENVISAT ASAR data to agricultural area mapping in the Pearl River Delta[J].International Journal of Remote Sensing,2010,31:1555-1572.

[5] 贾坤,李强子,田亦陈,等.遥感影像分类方法研究进展[J].光谱学与光谱分析,2011,31(10):2618-2623.

[6] JIA K,LI Q,TIAN Y,et al.Crop classification using multiconfiguration SAR data in the North China Plain[J].International Journal of Remote Sensing,2012,33:170-183.

[7] 丁娅萍.基于微波遥感的旱地作物识别及面积提取方法研究[D].北京:中国农业科学院,2013.

[8] JIA K,WU B,TIAN Y,et al.Vegetation classification method with biochemical composition estimated from remote sensing data[J].International Journal of Remote Sensing,2011,32:9307-9325.

[9] BALAGUER A,RUIZ LA,HERMOSILL T,et al.Definition of a comprehensive set of texture semivariogram features and their evaluation for object-oriented image classification[J].Computers and Geosciences,2010,36:231-240.

[10] JIA K,WU B,LI Q.Crop classification using HJ satellite multispectral data in the North China Plain[J].Journal of Applied Remote Sensing,2013,7:073576

[11] 欧文浩,苏伟,薛文振,等.基于HJ-1卫星影像的三大农作物估产最佳时相选择[J].农业工程学报,2010,26(11):176-182.

[12] 张凯,王润元,王小平,等.黄土高原春小麦地上鲜生物量高光谱遥感估算模型[J].生态学杂志,2009,28(6):1155-1161.

[13] 张飞,李瑞,周梅,等.塔里木河中游绿洲盐漠带典型盐生植物光谱指数分析[J].地理与地理信息科学,2014,30(4):12-17.

Study on Crop Variety Identification by Hyperspectral Remote Sensing

WANG Dong,WU Jian

(CollegeofGeographyInformationandTourism,ChuzhouUniversity,Chuzhou239000;AnhuiCenterforCollaborativeInnovationinGeographicalInformationIntegrationandApplication,Chuzhou239000,China)

Identification research on crop types using hyperspectral technology has very important significance for the development of precision agriculture.Original reflection spectrum,commonly used index,different forms of transformation spectrum and hyperspectral characteristic parameters were used to identify the observed 8 kinds of crops.And the data transformation with the highest recognition efficiency was selected to construct the BP neural network model.The results showed that the spectral curve of the 8 kinds of crops had biggish difference,and the wavelength position with the biggest difference were 0.65 μm,0.78 μm,0.86 μm,0.93 μm,1.08 μm,1.19 μm.The index was calculated by the original spectrum or corresponding channel of common satellite sensor,and the ability of identifying crops from big to small was SR > NDVI > SAVI > DVI.The crops recognition effect of hyperspectral characteristic parametersSDrwas superior to other spectrum forms.When the number of hidden layer nodes was 13,the overall accuracy of the BP neural network model was the highest with 91.8%.

hyperspectral;crops;recognition;remote sensing

2014-06-19;

2014-08-12

滁州学院科研项目(2014PY07);滁州学院校级科研启动基金项目(2012qd18);安徽高等学校省级自然科学研究项目(KJ2013B189)

王岽(1980-),男,硕士,讲师,主要从事区域地理与GIS应用研究。E-mail:wangdong060830@126.com

10.3969/j.issn.1672-0504.2015.02.007

S127

A

1672-0504(2015)02-0029-05

猜你喜欢

植被指数特征参数微分
拟微分算子在Hp(ω)上的有界性
冕洞特征参数与地磁暴强度及发生时间统计
上下解反向的脉冲微分包含解的存在性
基于植被指数选择算法和决策树的生态系统识别
AMSR_2微波植被指数在黄河流域的适用性对比与分析
河南省冬小麦产量遥感监测精度比较研究
基于PSO-VMD的齿轮特征参数提取方法研究
基于视频的车辆特征参数算法研究
借助微分探求连续函数的极值点
主要植被指数在生态环评中的作用