基于遥感影像监督分类不同农作物的应用研究

2023-02-10范小周

南方农机 2023年2期

范小周

（三和数码测绘地理信息技术有限公司，甘肃天水 741000）

近年来，遥感技术开始成为农作物分类的重要手段，相比于传统分类技术，遥感技术能够更加快速地获取高质量的农作物面积分布信息。从理论角度来看，农作物遥感分类属于遥感影像技术在实践中的重要应用，本质属于复杂的数据处理过程，在实践中通常包括以下几个基本步骤，即确定分类系统、遥感数据预处理、分类特征选择、分类特征提取、训练样本选择、分类算法选择、分类后处理与精度评估。

1 农作物遥感分类理论基础

1.1 数据源分析

数据源是遥感分类的重要基础，当前适用于农作物遥感分类的数据源主要包括光学数据源、微波数据源两个重要种类。其中，基于光学数据的农作物遥感分类主要是利用不同作物的光谱反射特征差异，最终实现分类任务的。随着时代的发展，卫星与传感器技术逐渐成熟，越来越多的遥感数据开始被相关工作人员应用到农作物遥感分类领域，主要包括低、中、高空间分辨率三个种类，其中，中、低空间分辨率的光学遥感数据在应用过程中已经达到了比较成熟的水平。近年来，高分辨率遥感影像（如Quickbird、IKONOS）在实践中也进行了多次应用试验，并取得了良好的分类效果[1]。

农作物遥感分类作业在实践中很容易受到种植地块大小的影响，与美国的大农场种植相比，中国的农作物种植在制度、土地特点的双重限制下，分散种植情况十分显著，在中国南部地区尤为突出，因此只能采用高分辨率数据进行遥感分类[2]。

1.2 农作物遥感分类的特征选择

在实践中，需要根据实际情况对农作物遥感分类进行特征变量的选择，这也是农作物遥感分类作业的核心内容。

1）利用多时相数据优选农作物遥感分类特征。在该技术应用的初期阶段，利用遥感影像对农作物进行识别通常只能获取到一个时相的遥感影像，用这种比较单一的方式只能获取到农作物一个生长期的特征，在农作物种类辨别工作中的效果相对有限。在实践中，不同作物有着区别较大的生长规律，多时相遥感数据能够对农作物在不同生长阶段的光谱特征进行收集，从而有效提升分类精度。此类技术在应用过程中应当注意的关键点是对分类时相数据的选择，例如，根据黄敬峰等（1999）的研究结果，冬小麦遥感识别的最佳时相为三叶到停止生长和春季返青到孕穗期[3]。

2）利用多源数据优选农作物遥感分类特征。具体而言，就是从多个平台或者多种传感器中对同一种数据进行获取，这种方式有助于相关技术人员提升技术获取的精准性。当前，多源遥感数据融合的主要方式包括多光谱数据与雷达数据融合、高低空间分辨率数据融合等，在融合过程中，应当注意影像的几何配准以及不同影像空间与光谱信息的融合[4]。

3）农作物遥感分类的高光谱影像特征。高光谱遥感主要指的是在电磁波谱外的紫外光、中红外区域获取特定光谱波段数据的技术。这种方式能够有效提升识别分辨率，但是这种数据的维度相对较高，很容易使协方差矩阵出现奇异性，进而对精度产生更大的影响。因此，在使用该特征的过程中，需要仔细考量降维处理方式。

4）农作物遥感分类的辅助特征。这主要指的是各种辅助数据，通常包括地形图等，例如，相关研究表明，地形图数据对于遥感分类作业中提升土地覆盖分类精度具有较强的应用价值。辅助数据在实践中的应用通常包括以下两种：其一，可以将辅助数据作为影像波段进行添加，并在此基础上对复合影像进行分类；其二，可以使用分层策略将分类后的光谱数据分成数层，并按照规则进行重新分类。这两种方式均可以促进分类精度的有效提升。在实践中，辅助数据通常包括Landsat TM影像、土壤信息、地形数据等[5]。

2 农作物遥感监督分类的主要方法

2.1 神经元网络分类法

神经元网络分类法属于近年来比较流行的一种农作物遥感监督分类方法，相关研究内容数量相对较多，其核心属于人工智能技术在该领域的应用。神经元网络分类法的内容主要包括BP神经网络、径向基神经网络、模糊神经网络等。其中，BP神经网络模型属于当前应用最广的神经网络模型，在实践中具备比较明显的优势特征，能够通过输入层、隐含层、输出层三个部分将样本的输入与输出问题转化为非线性优化问题，但是也存在学习速度慢、收敛难度高等缺陷，需要再采用动量法等方法提高其可靠性[6]。

2.2 模糊分类法

模糊分类法也是比较常见的数据处理方式。具体而言，在现实世界中，通常存在很多无法明确划分种类的现象，在遥感影像方面，也存在一些混合像素问题。相比于传统分类技术，模糊分类方式在一定程度上忽略了监督分类训练过程存在的模糊性特征，假设训练样本由一组可明确定义、归类且具有较强代表性的目标共同组成。模糊神经网络在应用过程中不断发展，由最初的ART模型一直发展到了当前简化的FasART模型，其功能不断完善，分类精度不断增强。

3 基于多时相光学数据的农作物遥感分类

3.1 研究区与地面观测

研究区选择华北平原某个地级市，以下将其简称为“X市”，X市处于温带半湿润季风气候区，属于典型的旱田作物农业种植区。该地区地形平坦，平均海拔高度为17 m，年平均气温在14 ℃左右，平均降雨量在600 mm左右，当地的主要农业种植作物为冬小麦、棉花等。其中，冬小麦的种植面积最大，占总种植面积的85%以上，种植收获时间段为10月上旬到第二年的6月上旬。

为了确定该地区真实的农作物分布特征，相关单位对试验区进行了比较完善的地面调查工作，以方便选择分类过程中使用的训练和检验样本以及辅助RapidEye影像的目视解译。在地面调查过程中，采用手持GPS接收机记录地理坐标，并对地面坐标进行修正，保证其误差在3 m以内[7]。

为了实现数据获取的全面性，选择了小麦、棉花、树木、非植被区域作为研究对象，并选择了足够的样本点。其中，非植被像素单元数量为596个，小麦像素单元数量为558个，棉花像素单元数量为86个，树木像素单元数量为72个。在后续分配过程中，这些像素单元一半作为训练样本，另一半作为检验样本，禁止相同样本同时作为训练样本与检验样本。

3.2 数据获取与数据的预处理

为了实现更好的分类效果，本文选择了环境星多光谱数据，即选择的遥感影像主要为环境星座A、B星的CCD多光谱影像。获取小麦拔节期、花前期、花期三个不同阶段的多光谱影像，影像质量较高。

数据预处理主要包括辐射校正、几何精准校正两个阶段。在一般情况下，用户所获取到的数据已经经过了初步辐射校正，但是在研究过程中通常还需要进行进一步的辐射校正。

辐射校正的逻辑顺序如下：1）将影像的DN值按照特定公式转化为影像的大气顶层归一化反射率；2）采取线性回归法、5S、6S、MODTRAN等方式进行大气校正。本研究采用6S模型进行大气校正，能够通过近似和逐次散射SOS实现散射的计算与吸收。

几何精准校正的逻辑顺序如下：1）设定多项式阶数为2次，建立投影类型为UTM投影50°带，WGS-84椭球体；2）采取与参考TM影响交互的方式对地面控制点进行了采集。本次采集了50个地面控制点，并对误差进行了有效控制，即控制误差在0.5个像元内。

在经过上述两个环节后，收集波段地表反射率数据。

3.3 研究方法

首先需要选择分类方法。本次分类作业选择了支持向量机分类器，其属于机器学习算法的一种，原理是基于高位特征空间寻找最优分类超平面的方式解决复杂数据的分类问题[8]。

支持向量机能够使学习器得到全局最优化，在应用过程中，需要求解特定最优化问题。在本研究中，需要按照经验设置径向基核函数的参数以及惩罚系数，同时为了保证多时相环境星CCD影像在不同组合的情况下，其分类结果存在比较明显的可比性，技术人员需要在每种组合的分类中采用相同训练参数与分类器参数。

在选择分类精度检验方法的过程中，为了检验多时相光学遥感影像在农作物分类方面的应用质量，需要随机选取样本像素单元对分类精度进行检验，具体数量为上述总样本数的一半。在检验样本的基础上，还要确定检验分类效果的指标，在本次研究过程中，将总体分类精度、制图精度、用户精度、Kappa统计量作为分类效果的核心检验指标。

3.4 研究结果

3.4.1 分类结果

对分类结果进行分析可知，利用单时相影像、多时相影像组合的分类结果均能够获取比较清晰的小麦地块分布情况。同时，笔者发现，不同时相影像组合得到的分类结果在实践中依旧存在一定的不同，主要表现在地块边界分类混淆、棉花类型等的识别方面。

对单时相影像进行对比可以发现，小麦花期获得的影像分类效果最好，拔节期获取的影像分类效果最差，甚至大部分棉花地块被错误地分为了非植被区。通过分析可知，这种现象产生的原因可能是，在小麦拔节期，棉花普遍没有出苗，其光谱特征与非植被区存在相当明显的相似性。同时，在花前阶段，部分小麦地块边界的小麦像素单元被分到了棉花像素单元组别。通过对其原因进行分析，研究人员普遍认为，棉花在此阶段正好处于较小的苗期，冠层覆盖度相对较低，进而导致分类混淆现象出现[9-10]。

对多时相影像的分类结果进行分析可知，相较于上述诸多单时相影像的分类结果，多时相影像的分类效果更好，分类混淆面积明显减小。

然而，在不同时相影像组合的分类结果中，棉花地块的分类质量通常相对较差。通过对其原因进行分析，推测可能与当地棉花地块的特殊地形存在一定的关系。该地区的地块通常呈窄条形，且棉花的种植位置与树木的距离往往相对较近，以上原因均可能导致其光谱特征出现混淆。

3.4.2 分类精度检验

为了确定本次研究的分类精度，笔者在检验样本的基础上对分类精度、Kappa统计量进行了计算，最终确定，采用所有环境星CCD影像、不同时相影像组合分类方式，分类精度均达到了80%以上。其中，三个时相综合取得了最好的分类结果，其总体分类精度达到了92.1%，Kappa值达到了0.88，能够满足作物类型检测分类精度需求。