基于反射光谱的江淮分水岭区域典型农作物识别

顾留碗，吴见*，邓凯，王端端

(1.滁州学院地理信息与旅游学院，安徽 滁州 239000；2.安徽省地理信息集成应用协同创新中心，安徽 滁州 239000；3.南京国图信息产业股份有限公司，江苏 南京 210036)

绿色植被在光谱特征上具有很多共性，常规宽波段的遥感数据较难区分作物类型[1–5]。高光谱成像技术的发展，使得在更窄波谱范围内探测作物的细微差别成为可能，可提高农作物的识别精度[6–8]。农作物的正确识别是作物长势、类型、分布范围等信息提取的前提和基础，是进行灾害监测、作物估产、农业资源调查的保障[9–10]。高光谱遥感技术具有常规影像数据不具备的光谱优势，对于精准农业的发展具有很重要的意义[11–14]。

笔者以江淮分水岭区域常见的8 种农作物为对象，通过对作物的高光谱反射特征的分析，研究了常见卫星传感器以及4 种常用植被指数对农作物的识别能力。在不同光谱变换形式分析的基础上，选取最优光谱形式构建BP 神经网络模型，对8 种农作物进行了识别。

1 数据获取及测试方法

2014年5—6月，于江淮分水岭部分地区，选取小麦、玉米、大豆、油菜、棉花、芝麻、番茄、辣椒8 种典型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，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)，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。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，向下垂直。

2 农作物种类识别

2.1 8 种农作物的反射光谱特征

对测得的8 种农作物的异样光谱曲线进行筛选剔除，对剩余的光谱曲线进行均值处理，得到8 种农作物的光谱均值曲线，如图1 所示。

图1 8 种农作物的光谱反射率曲线 Fig.1 Spectral curves of 8 kinds of crops

从图1 可以看出，在整个光谱区间范围内，8种农作物的反射光谱差异较大。在0.35～0.8 μm 波长范围内，番茄的反射率明显高于其他7 种农作物；在0.6～0.8 μm 波长范围内，棉花的反射率明显高于除番茄以外的其他6 种农作物；在0.8～1.4 μm 波长范围内，番茄和大豆的反射率非常接近，而其他作物之间的反射率差异较大，小麦的反射率最高，油菜和芝麻的反射率相对较低；在大于1.4 μm 的波长范围内，棉花的光谱反射率最高，其次是番茄，油菜的光谱反射率最低。考虑到系统误差会导致首尾两端的光谱曲线噪音较大，为了去除部分噪声，得到信噪比较高的信息，参照文献[12]和[14]的光谱处理方法，截取0.40～0.90 μm 波长范围的光谱进行后续处理与分析。在0.40～0.90 μm 波长范围内，常见传感器将该范围的光谱分为红、绿、蓝、近红外4种光谱通道(其中IKONOS、QUICKBIRD、ETM +、ASTER、HRG 在0.40～0.90 μm 波长范围内仅包含表1 所示的几个光谱通道，即选取了这5 种传感器在0.40～0.90 μm 波长范围内的全部光谱通道)，MODIS 在0.40～0.90 μm 波长范围内包含了波段1、2、3、4、8 至16 共13 波段，选取了1、2、3、4、15 这5个波段(8 至14 波段多用于海洋水色、浮游生物、沉积物、大气和荧光等观测，用于植被较少，15 和16 波段相近，且15 波段的信噪比为586，高于16 波段的信噪比516)，因而选取15 波段更能代表MODIS 传感器的优势。

2.2 常见卫星传感器对农作物识别的能力分析

使用ENVI 软件中的Spectral Library Resampling 选项可以对实测光谱数据构建的波谱库进行重采样，使其与特定传感器的波长相匹配[13]。本研究采用6 种不同的预定义滤波函数，通过ENVI 软件，分别对8 种农作物的反射光谱进行重采样，获取IKONOS、QUICKBIRD、ETM +、ASTER、HRG、MODIS 6 种卫星传感器的各通道光谱。各传感器不同通道对应的光谱区间如表1 所示。对获取的数据进行分析处理，分别计算8 种农作物在6 种传感器各通道上的反射光谱值的标准差(结果见表2)，进而以此结果分析这6 种传感器对农作物的识别能力。

表1 不同传感器相应通道对应的波长范围 Table 1 Wavelength range of channels corresponding to different sensors

从表2 可以看出，8 种农作物光谱在不同传感器对应的各通道中的标准差有差异。在同一种传感器中，近红外通道对应的标准差最大，其次是红光通道，蓝光和绿光通道相对较小。对比6 种传感器各通道对应的标准差发现，尽管不同传感器相应通道波段范围的设置相近，但标准差的大小仍存在差异。这说明各传感器对8 种农作物的识别能力是不同的。通过对不同传感器各通道进行综合分析可知，6 种传感器对8 种农作物的识别能力由大到小依次为ETM +、QUICKBIRD、IKONOS、MODIS、ASTER、HRG。

表2 不同传感器相应通道对应的8 种农作物反射率的标准差 Table 2 Standard deviation of 8 kinds of crop spectral reflectance corresponding to different sensors channels

2.3 常用指数对农作物的识别能力

选取归一化植被指数 NDVI(normalized difference vegetation index)、简单比值植被指数SR (simple ratio)、差值植被指数 DVI (difference vegetation index)、土壤调节植被指数SAVI (soil adjustment vegetation index)对8 种农作物进行识别，比较这4 种植被指数对农作物的识别能力。分别采用2 种方式对4 种植被指数进行计算，一是根据近红外与绿光或者蓝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。计算植被指数后，继续计算8 种农作物在不同传感器的2种植被指数计算方式下的标准差，结果见表3。

从表3 可以看出，不同传感器、不同植被指数以及计算方式都会导致8 种农作物之间的标准差不同，说明对农作物的识别能力不相同。根据近红外与红光波段反射率计算得到的植被指数标准差大于根据近红外与绿光或者蓝光波段反射率计算的植被指数，表明近红外与红光波段反射率计算得到的植被指数对农作物的识别能力强于近红外与绿光或者蓝光波段反射率计算的植被指数。对比4 种植被指数可以看出，NDVI 的标准差最大，识别能力最强，其次是简单比值植被指数，土壤调节植被指数和差值植被指数相对较弱。在NDVI 对应的不同传感器中，采用ETM +近红外与红光波段反射率计算得到NDVI 标准差最大，达到1.602 8。在SR对应的不同传感器中，采用QUICKBIRD 近红外与红光波段反射率计算得到SR 标准差最大，达到1.267 9。这说明采用ETM+、QUICKBIRD 近红外与红光波段反射率计算得到NDVI 和SR 对农作物的识别能力较强。

表3 不同传感器中2 种方式计算的8 种农作物各植被指数的标准差 Table 3 Standard deviation of each vegetation index of 8 kinds of crops calculated by different sensors in two ways

2.4 基于BP 神经网络模型的农作物识别

为了分析不同数据变换形式对农作物识别的能力，对原始光谱反射率λ 进行如下变换：一阶微分FD(波长间隔为2、4、6、8、10、15 nm)、倒数(1/λ)、倒数的对数(log(1/λ))、倒数对数的一阶微分(FD(log(1/λ))，波长间隔为2、4、6、8、10、15 nm)、归一化变换(Nλ)、归一化后倒数的对数变换(log(1/ Nλ))。在测得的每种农作物的60 条光谱中，随机选取30 条作为建模数据集，再随机选取20 条作为预测数据集，利用BP 神经网络模型分别对不同数据变换形式的农作物识别精度进行测试。通过实测数据分析，在测得的光谱中以8 种农作物光谱差异最大为原则，筛选出25个特征波长处的光谱作为BP网络模型的输入数据，以8 种农作物的编码(1～8 的8个整数)作物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，构建农作物种类的BP 神经网络模型。原始反射光谱及其不同数据变换形式对8 种农作物识别的精度如表4 所示。

表4 不同数据变换形式对8 种农作物的识别精度 Table 4 Identification accuracy of 8 kinds of crops by different data transformation form

从表4 可以看出，在不同的数据变换形式中，对农作物识别精度最高的是FD(波长间隔6 nm)，其对8 种农作物的识别精度达87.3%，波型特征见图2。FD(log(1/λ)，波长间隔4 nm 的识别精度仅次于FD(波长间隔6 nm)，达86.5%。表4 也反映出经过一阶微分处理后的光谱对农作物的识别精度，包 括原始光谱一阶微分和倒数对数的一阶微分，而其他光谱处理形式，如倒数、倒数的对数、归一化变换、归一化后倒数的对数变换，均不能明显提高农作物的识别精度，因此，在构建BP 神经网络对农作物进行识别时，应选择FD(波长间隔6 nm)的光谱数据变换形式。

图2 8 种农作物的FD(波长间隔6 nm)的变换光谱曲线 Fig.2 FD(wavelength interval 6 nm) transformation spectrum curves of 8 kinds of crops

在构建以FD(波长间隔6 nm)为输入数据集的BP 神经网络模型时，根据方差最大的原则，选择650～660、970～980、1 550～1 560、2 010～2 020、 2 250～2 260 nm 5个波长范围作为采样区间，对抽取的建模和预测样本进行采样，将采样结果作为BP网络模型的输入数据集。通过反复测试，将BP 网络的具体参数设置为：迭代次数1 500，动态参数0.5，允许误差0.00005，SIGMOID 参数0.8，最小训练速率0.1，输出层节点数1，输入层节点数25。建模过程中，主要通过调整隐含层节点数对模型结构进行优化，直至拟合残差为最小值，结果见表5。从表5 可以看出，在隐含层节点数为15 时，模型对8 种农作物的识别精度最高，达90.0%。该模型对芝麻的总体识别精度最高，各隐含层节点的平均精度达91.1%，大豆次之，对小麦的总体识别精度最低，各隐含层节点的平均精度达85.9%。

表5 不同隐含层节点对8 种农作物的识别精度 Table 5 Identification accuracy of 8 kinds of crops by different hidden layer nodes

3 结论

本研究以小麦、玉米、大豆、油菜、棉花、芝麻、番茄、辣椒8 种农作物作为研究对象，通过反射光谱特征分析，发现8 种农作物的反射光谱曲线差异较大，进而分别计算了8 种农作物在6 种传感器各通道上的反射光谱值标准差，发现6 种传感器对农作物的识别能力由大到小依次为 ETM+、QUICKBIRD、IKONOS、MODIS、ASTER、HRG。在不同传感器反射光谱值标准差差异分析的基础上，计算了归一化植被指数、简单比值植被指数、差值植被指数、土壤调节植被指数，通过分析得到ETM+和QUICKBIRD 的近红外与红光波段反射率计算得到NDVI 和SR 对农作物的识别能力较强的结论。在不同的数据变换形式中，对农作物识别精度最高的是FD(波长间隔6 nm)，其对8 种农作物的识别精度达87.3%，进而以FD(波长间隔6 nm)为输入数据集构建BP 神经网络模型，当隐含层节点数为15 时，模型对8 种农作物的识别精度最高，达90.0%。

[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] 刘占宇，石晶晶，王大成，等．稻干尖线虫病胁迫水稻叶片波谱响应特征及识别研究[J]．光谱学与光谱分析，2010，30(3)：710–713．

[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] Yang C H，Everitt J H，Fernandes C J．Comparison of airbome multispectral and hyperspectral imagery for mapping cotton root rot[J]．Biosystems Engineering，2010，107(2)：131–139．

[9] Balaguer A，Ruiz L A，Hermosill T，et al．Definition of a comprehensive set of texture semivariogram features and their evaluation for object-oriented image classifica- tion[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] 邵咏妮，何勇．可见/近红外光谱预测杨梅汁酸度的方法研究[J]．红外与毫米波学报，2006，25(6)：478–480．

[13] 李小娟，刘晓萌，胡德勇，等．ENVI 遥感影像处理教程[M]．北京：中国环境科学出版社，2008．

[14] 邢东兴，常庆瑞．基于花期果树冠层光谱反射率的果树树种辨识研究[J]．红外与毫米波学报，2009，28(3)：207–211．