基于高分二号数据的小麦快速识别与精度分析

郭 燕,贺 佳,王利军,段俊枝,武喜红,王来刚,刘 婷,张红利,郑国清,程永政

(河南省农业科学院 农业经济与信息研究所, 河南 郑州 450002)

农作物空间信息的快速获取是掌握农作物种植结构的基础，可为农作物长势动态监测、估产提供必要的依据，对掌握农情信息、合理布局农业生产结构具有重要的意义。近年来，卫星遥感技术快速发展，其在农业领域的应用越来越广泛。相对于传统的农作物信息获取方式，遥感技术具有绝对的优势，尤其是进入21世纪以来，遥感对地观测能力大大提升，受到国内外许多科学家和科研部门的关注,得到广泛应用[1-28]。农作物种植空间分布识别方法主要有非监督分类和监督分类2种方法。非监督分类方法在没有先验知识的情况下，可以较好地对遥感影像进行识别。而监督分类方法则需要有较丰富的先验知识，建立训练样本进行解译，从20世纪70年代，经历了目视解译—基于统计学原理—人工智能—深度学习(如人工神经网络、支持向量机、专家系统等)的发展历程。目前，人工智能方法以及3S技术集成识别农作物种植面积的方法被更多的研究者使用[29-32]。这些方法主要是利用遥感影像或者航空卫星数据，结合地面样方和野外调查的解译标志数据，建立训练样本集，对影像进行分类，通过分类后处理对破碎图斑融合归并，最终获得作物种植的空间分布信息，分类效果好，精度较高。姜淑芳等[33]采用人机交互处理技术从RapidEye遥感影像获取了冬小麦空间分布信息，Kappa系数为0.80。Duro等[34]以SPOT-5影像为数据源，从基于像元和基于对象2个角度比较了决策树、随机森林和支持向量机3种学习算法在农作物分类中的应用，均达到了较好的分类精度。王志慧等[35]利用航空高光谱成像仪影像对黑河绿洲灌溉区的农作物种植结构空间分布进行遥感解译，总体分类精度为0.84，Kappa系数达到0.79。

但是，光学遥感卫星受天气影响较大，欲在目标生育期获取目标区域特定时段的中高分辨率的遥感数据[RapidEye、Worldview、高分辨率的高分二号(GF-2)等]非常困难，这限制了其在农作物种植面积高精度快速解译和业务化运行方面的应用。而对于MODIS、NOAA等低分辨率的光学遥感卫星，虽然比较容易获取较好的系列数据，但识别农作物的精度较低，解译结果的可靠性和准确率难以保证，在农业部门难以进行推广应用。2013年，中国高分系列卫星的成功发射为进行农作物面积的快速监测提供了基础，尤其是高分辨率的GF-2数据，为农作物种植空间分布的精准监测提供了重要的数据保证。但由于GF-2卫星的目标用户是国土资源部、住房和城乡建设部、交通运输部和国家林业局等部门，在农业方面尤其是农作物面积提取等方面的研究比较缺乏。为此，以河南省北部的濮阳县为研究区，利用GF-2 4 m分辨率数据对区域尺度下小麦种植空间分布进行快速提取，并对数据和方法进行较客观和准确的评价，以期为农情定量遥感监测和农业种植结构调整提供依据。

1 材料和方法

1.1 研究区概况

研究区位于河南省北部的濮阳县 (114.52°～115.25°E、35.20°～35.50°N),属暖温带大陆性季风气候，雨热同期，年平均气温为13.4 ℃，年均降水量为626 mm。濮阳县是国家重要商品粮生产基地，建有优质小麦生产基地，小麦是当地主要的农作物，以该县为研究区进行小麦的快速识别具有重要意义，具体地理位置见图1。

图1 研究区位置及解译标志

1.2 高分卫星数据获取与预处理

本研究选取2017年3月2日过境的GF-2 PMS2数据，空间分辨率为4 m。所收集的遥感影像首先经辐射定标、大气校正消除由于大气散射等引起的辐射误差，然后采用正射校正进行影像的倾斜改正和投影差改正，最后以资源三号遥感影像为参考进行配准，误差控制在0.5个像元内。

1.3 遥感影像分类提取方法

1.3.1 支持向量机 支持向量机方法兼具最小化经验误差与最大化几何边缘区的特点，因而也被称为最大边缘区分类方法[36]。采用支持向量机方法进行分类时，核函数的选择非常关键。目前，常用的核函数主要包括4种，分别为线性核函数、多项式核函数、径向基核函数以及Sigmoid核函数。本研究选取的核函数为多项式核函数，次数为3。

1.3.2 人工神经网络 人工神经网络算法从信息处理角度对人脑神经网络系统进行简化、抽象，建立一种运算模型。此方法具有自动学习能力和容错特性，而且不需要对概率模型做出假设，适用广泛，便于解决空间模式识别的各种问题，因此，在遥感影像分类处理中占有重要地位[30]。本研究选取后向传输神经网络算法，传递函数选取Log2Sigmoid。

1.3.3 最大似然 最大似然法来源于统计原理中的极大似然定理，20世纪末开始在遥感影像解译中使用。此方法来源于于统计学，理论基础严密，所建立的判别函数综合考虑了各类别在遥感影像波段中的均值，方差以及协方差，可以较好地对参数进行解释，统计特性明显，是一种易于操作的、比较先进的分类方法[30]。

1.4 遥感影像分类提取方法的精度评价

遥感解译的精度评价是遥感监测中重要的环节，可以对对分类结果的可靠性进行定量的评估。目前，常用的精度评价方法主要是误差矩阵方法[32-34]，通过误差矩阵可以计算出总体精度、错分比率、漏分比率、Kappa系数等。Kappa分析是评价分类精度的多元统计方法[37]，本研究采用总体精度与Kappa系数对小麦及其他地物的识别结果进行评价。

2 结果与分析

2.1 研究区遥感影像解译标志的建立

首先对得到的遥感影像进行目视判断，结合实地调查地面样方和解译点的GPS位置信息，对不同地物类型进行标定。根据调查结果，主要的地物类型分为9种，分别为小麦、道路、大棚、光伏电站、居民地、林地、裸地、水体和其他，每种地物种类的解译标志点位置和个数分别见图1(右)和表1。

表1 主要地物类型的解译标志个数

2.2 不同分类方法对小麦空间分布的识别

研究区GF-2的RGB(3，2，1)影像见图2a，采用支持向量机、人工神经网络和最大似然3种分类方法对豫北濮阳县研究区内小麦空间分布进行识别，结果见图2b、2c和2d。结果表明，3种分类方法对小麦的识别结果非常相似，用户精度均在98%以上(表2)，但是在道路、大棚和光伏电站的识别上存在错分现象，这可能是由于3种地物类型的样本相对较少造成的。3种分类方法中，SVM和ANN方法的错分误差和漏分误差相对较高，这和分类的样本数目有一定的关系，这2种分类方法需要的样本数相对较少，可能存在过分的现象，而MLC方法则需要的样本数相对较多，使得识别结果较好。

2.3 小麦空间分布识别度分析

针对3种分类方法得到的分类结果，采用误差矩阵对分类结果进行精度评价。主要采用的评价指标有4个，分别为生产者精度、用户精度、总体精度和Kappa系数。结果见表2。3种分类方法相比较，生产者精度均在96%以上，以SVM方法最高；用户精度均在98%以上，以MLC方法最高；Kappa系数三者比较接近，均在0.8以上；总体精度均在82%以上，以MLC方法最高，达85.15%。这说明，在不对结果进行修正的情况下，采用GF-2遥感数据进行快速识别小麦是可行的。

2.4 不同分类方法对地物类型识别的误差分析

经过实地调查，在研究区，除了小麦，还有8种地物类型，3种分类方法的识别误差统计结果见表3。总体来看，对于3种方法，小麦和水体的错分和漏分误差均较小，错分误差均在2%以下，小麦的漏分误差在3%左右，水体的漏分误差在0.5%以下。居民地的错分误差和漏分误差均较大，这可能是由于进行解译的时候样本数较少造成的。3种分类方法相比，MLC方法识别地物的误差总体最小，尤其是在识别小麦、水体、光伏电站3种地物时，识别精度非常高。

a:原始图像; b:SVM法分类后图像; c:ANN法分类后图像; d:MLC法分类后图像图2 原始遥感影像和3种分类方法解译结果影像

表2 小麦空间分布识别度对比

综上，在进行小麦识别时，3种分类方法均是可靠的。3种分类方法中又总体以MLC方法的小麦识别误差最小，错分误差为0.50%，漏分误差为2.90%。

表3 不同分类方法对地物类型识别的误差 %

3 结论与讨论

GF-2卫星在国土资源调查、林业监测等领域已经获得了较好的应用效果[38-41]，然而在农业领域的应用还较少。目前，此卫星的多光谱分辨率(4 m)比国外RapidEye(5 m)的高，在农业领域的应用潜力巨大。因此，非常有必要探索其在农业领域的应用潜力。本研究采用GF-2高分辨率数据在河南省进行小麦的快速识别和精度分析，3种分类方法对小麦在空间上的识别结果非常相似，用户精度均在98%以上。综合生产者精度、用户精度、错分和漏分误差等参数，总体以MLC方法的识别精度最高。在研究区内，其他地物的识别情况，与小麦识别精度差别较大，例如居民地，这可能是由于进行解译的时候样本数较少造成的。3种分类方法相比，总体以MLC方法识别地物的误差最小，尤其是在识别小麦、水体、光伏电站3种地物时，识别精度非常高。因此，在采用GF-2进行小麦识别时，建议采用MLC方法。