基于GF-1 数据的主要农作物种植结构提取SVM 算法研究

解文欢，张海峰，张有智，吴 黎，张 宇

（黑龙江省农业科学院 农业遥感与信息研究所，150086，黑龙江哈尔滨）

农作物种植结构是农业生产活动对土地利用的表现形式，也是对自然资源高效利用及田间科学管理的最终结果[1]。随着空间技术的快速发展，多源遥感数据已被广泛应用于农作物种植结构提取研究[1-3]。林文鹏等[4]以北京地区为研究区，利用Terra/MODIS 数据，采用波谱分析的方法，实现主要秋季作物遥感自动识别，精度达86%以上。马丽等[5]以黑龙江军川农场为研究区，利用TM 影像提取NDVI 数据，利用决策树分类算法提取了大豆、玉米和水稻的空间分布信息，总体精度达到85.87%。吴炳方等[6]以山西省太谷县为研究区，利用QuickBird 影像采用面向对象的分析方法提取农作物空间分布图，为农业遥感估产提供参考。

GF-1 WFV 数据具有空间分辨率高、时间分辨率高和稳定度高的特点，为农作物种植结构的提取提供了新的数据源。然而，GF-1 WFV 在农作物种植结构提取的研究中仍存在一些不足：一是新数据源在农业监测的应用中关注不够；二是利用GF-1 WFV 影像提取农作物信息的挖掘深度和拓展广度不足；三是分类算法的选择和总体分类精度的评价难以满足农业生产快速、准确、动态的需求。

针对以上不足，本文以绥化市为研究区域，基于多时相GF-1 WFV 遥感数据，采用SVM 算法对研究区的玉米、大豆和水稻进行分类，通过GPS 实测地面点进行混淆矩阵精度评价，探究采用SVM 算法对GF-1 WFV 影像提取农作物种植结构的精度，为利用GF-1 WFV 影像提取农作物种植结构提供科学依据。

1 材料与方法

1.1 研究区概况

绥化市北林区位于黑龙江省中南部，地理坐标位于东经126°25′至127°27′，北纬46°19′至47°09′之间，区域面积2 756 km2，城区面积29 km2。地势东部高、西部低，西部地处松嫩平原，东部为丘陵半山区。绥化市北林区属于中温带大陆性季风气候，年平均温度3.3℃，年日照时长2 682.4 h，年积温2 755 ℃，无霜期为143 d，年平均降水量达到543.5 mm。北林区地处寒地黑土核心区域，是我国重要的商品粮生产基地之一。

1.2 研究数据及预处理

1.2.1 遥感数据及预处理 研究中选用2019 年5 月15日及2019 年8 月4 日的GF1-WFV 数据。在ENVI 软件中，对GF-1 WFV 数据进行预处理工作（辐射定标、大气校正和几何精校正）[7]。辐射定标时采用2019 年中国资源卫星应用中心发布的GF-1 卫星各载荷的绝对辐射定标系数进行定标[8]。大气校正采用ENVI 软件中的大气校正模块，使用辐射定标的结果进行校正[9]。几何校正是基于基准影像自动寻找GCP 执行有理多项式系数的正射校正，以Landsat-8 OLI 全色影像卫星数据为校正源进行几何校正。

1.2.2 解译标志点和验证点获取 2019 年8 月5 日进行野外调查，使用GPS 野外实测解译标志点150 个和验证点150 个，涉及玉米、水稻、大豆和蔬菜等同期地物。

1.3 研究方法

1.3.1 农作物识别 对于水稻，在图1（左）5 月15 日的影像中，相对于刚出苗的大豆和玉米来说，水稻的颜色更深，同时纹理粗糙；然而在图1（右）8 月4 日的影像中，水稻与玉米、大豆的识别度相对较差，很难通过颜色区分出来：因此水稻需要通过5 月的GF-1 WFV 影像区分。对于大豆和玉米，通过图1（右）的8 月的影像可以发现，大豆相对于玉米来说，颜色更加鲜艳，呈现出亮红色，纹理更均匀，而玉米则表现出暗红色，通过这样的颜色差异，可以清晰地区分开玉米和大豆，因此，主要采用8 月的影像区分大豆和玉米。

图1 5 月15 日（左）和8 月4 日（右）GF-1 WFV 卫星影像图

1.3.2 SVM 算法 SVM 是一种建立在统计学理论的VC维理论和结构风险最小化原理基础上的分类算法，具有较好的计算有效性、健壮性和统计稳定性等特点[10-11]。SVM 分类器具有简单、稳定和分类精度高的特点，能够解决多维、样本少及不确定性等分类的问题[12-13]。

式中：n 为训练样本数量，c 为惩罚系数，ξi为松弛变量，ω 为超平面对应的法向量，b 为超平面对应的偏移量，g（xi）为输入样本向量经过变换后对应的特征向量，yi∈{-1，1}表示训练样本所属的类别，(ω， g（xi）)表示两个向量之间的内积[10，14]。

SVM 算法中核函数K 对应特征空间F 中的内积，即：K（xi，yi）=〈g（xi），g（yi）〉，变换g 将输入向量x 变换到特征空间F。SVM 对于这种小样本、高维度的分类问题有着较强的解决能力[15]。

2 结果与讨论

在ENVI 软件中，利用SVM 的径向基核函数为分类核函数，在惩罚系数c=100，r=0.25 的情况下分类效果最佳。利用多时相遥感数据来完成不同农作物的面积提取，采用5 月15 日数据来提取水稻的种植结构，8 月4 日数据来提取玉米和大豆的种植结构，如图2所示。分类结果数据与GPS 实测的140 个验证点进行精度验证，kappa 系 数0.885 79，总分类精度90.1%。

图2 2019 年基于GF-1 WFV影像的主要农作物种植结构图

3 结论与讨论

本文基于多时相GF-1 WFV 遥感数据利用SVM 算法对绥化市北林区主要农作物种植结构进行提取研究。采用SVM 算法分类，径向基核函数作为分类的核函数，在惩罚系数c=100，r=0.25 的情况下分类效果最佳，分类精度达到了90.1%。与传统分类方法相比，支持向量机分类具有分类精度较高和性能较为稳定的特点，克服了传统分类方法存在的错分、漏分现象，值得在生产实践中进行推广。本文对绥化市北林区主要农作物种植结构提取取得了较高的分类精度，但是在研究的实验过程中也发现了一些问题及需要改进的地方：对遥感图像的增强能够有效改善遥感图像的质量，也能够有效增强农作物的特征，进而提高农作物的分类精度，后续应深入研究图像增强和处理，进一步提高农作物的分类准确率。