多時相遙感影像農作物識別方法的分析

屠星月，趙冬玲

(中國農業大學，北京100083)

一、引 言

農作物種植結構包括作物類型，間作，輪作，套作等種植模式和空間分布。它的獲取即作物識別是提取農作物種植面積、及時監測農作物長勢以及提早作出作物產量預測的基本首要工作，能夠為農業和灌溉用水管理部門提供重要參考數據，故有著重要研究意義。近來，隨著“3S”技術的發展，遙感技術以其宏觀、綜合、快捷的特點成為作物識別的有效途徑。不同作物在類似生育階段交叉時段影像上光譜特征相似性較高，會出現異物同譜現象;同時，同種作物由于種植方式、管理方法以及地域差別，也會造成同物異譜現象，二者都會影響作物識別的精度。物候特征指作物年季間周期性的生長變化，例如發芽、抽穗、成熟等不同生育階段的生長狀況及其所在時間段，物候特征差異可排除短時間段內生育期交叉的影響，還可反映一年多熟的復雜種植制度，為更全面的作物識別提供依據。研究表明作物的NDVI時序曲線與物候變化有著良好的對應關系，利用NDVI時序數據可以獲得獨特的作物類別信息[1]，故國內外不少學者致力于利用多時相遙感影像基于多時相的光譜特征提取和分析農作物物候特征進行作物識別。

二．多時相作物識別方法

現今多時相遙感農作物識別方法，依據數據源分類可分為兩種：一是利用作物關鍵生長期(如拔節，抽穗，收獲等)不同時段內的若干景遙感影像獲取和分析作物多時相光譜特征進行作物識別，該方法中影像時相的選擇和分層分類規則確定是兩個關鍵環節;二是利用作物全生育期固定時間間隔的NDVI時序數據獲取作物NDVI時序曲線分析其物候特征或數學特征進行作物識別。

1．利用多景作物關鍵生長期遙感影像進行作物識別

該方法已被廣泛應用于待識別種類較少的作物識別，其中遙感影像時相選擇和基于多時相光譜特征的分類規則確定這兩個環節是影響作物識別的分類效率及精度的主要因素。

(1)遙感影像最佳時相組合選擇

信息在各時段呈不均勻分布，并且時間越長，信息量就越大。因此作物識別的影像時相選擇中應當使影像盡量包含所有關鍵信息同時又避免信息冗余浪費，利用最佳時相組合進行分類。光譜和物候歷種間和種內差異，以及不同時相影像的太陽高度角和土壤噪聲變化是作物識別和估產時相選擇的主要依據[2]，也有學者依據樣本點NDVI時序曲線結合物候資料完成水稻、玉米、大豆估產時相選擇分析[3-4]。但以上方法依賴于豐富的物候資料和研究者的主觀判斷分析，難以進行定量的衡量。

文獻[5]利用試驗對冬小麥不同時相及其組合下的樣本點的J-M距離光譜可分性和地面驗證點效率指標分類精度的比較。J-M距離是一種基于條件概率之差的光譜可分性度量標準，代表兩類別的概率密度函數之差，當地物類別服從正態分布時，計算如式(1)所示

其中

式中，Jij為第i類和第j類的可分性距離;μi和μj為第 i、j類光譜反射率的平均值;θi和 θj為第 i、j類光譜反射率的方差。當0．0＜Jij＜1．0時，兩類別之間具有一定的光譜可分性，但存在較大程度重疊;1．9＜Jij＜2．0時，兩類別之間具有很好的光譜可分性。Kappa系數和混淆矩陣是常用的分類精度評價指標，但兩者無法控制分類的過程和錯誤產生原因，文獻[5]提出了利用地面驗證點效率指標對分類過程進行精度評價，它涉及圖像特征選擇和分類檢驗兩個環節，對分類結果產生4種診斷情況如表1所示。

表1 對一個像元控制的4種可能診斷結果

表中A、B、C、D分別代表圖像正確或錯誤、分類一致或不一致4種可能結果的像元數。總體精度定義為：OA=(A+D1)/(A+B+C+D)(其中，D1為分類結果和圖像特征不符合，但圖像和地面類型也不符合，故分類就夠可能和地面實際類型符合的像元數)。地面驗證點效率指標定義為：EFF=D/(B+D)，EFF值越大，圖像特征越好，分類效率越高，若EFF值等于1，則只要圖像特征正確，分類就正確[5]。

時相選擇的各個研究具有地域、作物種類等差異，故缺乏普遍適用性。且定量的試驗與對比分析研究還較少，故該領域還有待進一步研究。

(2)基于多時相光譜特征的分類方法

研究中一般根據研究區物候資料以及訓練樣本的多時相光譜差異進行分類規則確定。對農作物種植結構較簡單的區域，可人為進行分析并建立分類規則，利用簡單決策樹或分級掩膜進行分類，分類規則多數為與NDVI有關。馬麗等利用該方法完成了黑龍江軍川農場的大豆、玉米和水稻的種植信息提取[6];李穎等也將該方法應用于冬小麥識別[7];彭光雄等直接將多景多時相影像進行波段疊加生成一景包含各景影像波段的時序影像，利用常用分類方法對該時序影像進行甘蔗、玉米和水稻識別，發現常用方法中人為選擇特征參數的面向對象方法分類效果最佳[8]。以上方法對單種作物或2到3種作物識別可獲得精度較高的分類結果，但對待分類作物種類較多的作物識別，人為確定分類規則較為困難。

針對農作物種植結構較復雜，種類較多的區域，Pe?a-Barragán，Moffatt K 等提出了利用決策樹進行面向對象的多時相作物識別，該方法綜合分析對象多時相植被指數，紋理信息，以及派生物候特征，利用二分遞歸分割的技術基于訓練樣本集生成層次多，葉節點多的大樹，然后對其刪減長生一系列子樹，利用最大似然比平方統計從中選擇最佳子樹生成決策樹判定規則對加利福尼亞YOLO縣小麥、水稻、向日葵、苜蓿等13種主要作物進行了識別，并依據特征在最大似然比平方χ2中所占百分比和所在決策樹分支數對3個不同時序及其組合的16種對象光譜特征、6種對象紋理特征和2種基于對象層次結構的紋理特征對作物識別的貢獻率進行了對比評價，并得出結論在各種特征中光譜信息貢獻率最高中占主導地位，其中NDVI的貢獻率為50%，紋理特征的貢獻率雖然較小，但是有助于確定最后的混淆分支。該方法對利用高分辨率影像進行復雜種植結構作物識別有著較好的適用性，且在決策樹分層分類中兼顧了種間差異和種內差異，分類過程中的分類規則確定由軟件完成，避免了人為分析大量特征信息的復雜性[9]，然而由于涉及多個波段以及紋理信息，該方法對影像要求就高，成本較高，且涉及一年多數作物的識別。

2．利用作物全生育期NDVI時序數據進行作物識別

該方法一般選擇作物整個生育期內每旬一景或每月一景的高時間分辨率影像序列提取NDVI時序曲線進行多時相作物識別。用于作物識別的NDVI時序曲線特征主要包括曲線派生的物候測度和曲線數學特征兩類。

(1)利用NDVI時序曲線物候特征進行分類

國內外已有很多學者對NDVI時序曲線的物候測度進行了定義和提取方法研究，Bradley C．Reed等定義了3類基于NDVI時序曲線的12種物候測度，第1類為基于時間的物候測度：返青、成熟、和NDVI最大值時刻、生長時段;第2類為基于NDVI數值的物候測度：返青值、成熟值、NDVI最大值、NDVI差值;第3類為時間序列曲線派生物候測度：時間整合 NDVI、生長速率、衰老速率、曲線模式[10]。該3類特征基本囊括了國內外作物識別研究中的NDVI曲線物候測度定義。作者還引入了自回歸移動平均數模型(auto-regressive moving average)進行NDVI時序曲線各種物候測度的提取。另外，陳曉苗提出了利用二次差分法提取NDVI時序曲線波峰的頻數作為判別一茬作物和二茬作物的物候特征，算法如式(3)到式(5)所示。

利用式(3)式計算每個像元前后兩時序NDVI之差，得到序列S1

S3序列中，S3等于-2的時刻即波峰出現的時間，S3等于2的時刻即波谷出現的時間，依據S3即可提取波峰出現的時間及峰值[11]。

人為依據樣本NDVI時序曲線物候特征差異結合物候資料設定分類規則，利用決策樹或分層掩膜法進行作物識別的方法已得到廣泛運用，但人為確定分類規則依然是難點。

(2)利用NDVI時序曲線數學特征進行分類

NDVI時序曲線經傅里葉變換后所得諧波的數學特征可用于作物識別，張明偉等利用諧波的曲線均值(0級諧波振幅)、1～3級諧波的初始相位及振幅比例作為特征，生成7個波段即7種特征數據的影像進行春玉米、棉花、夏玉米、大豆、冬小麥的監督分類，W．L．da Silva等也利用諧波的振幅和相位作為多維特征空間，完成了甘蔗的自動識別[12]。傅里葉變換公式如式(6)和(7)所示

式中，aj、bj為傅里葉系數;cj、φj分別為 j級諧波的振幅和相位角。筆者依據上述公式定義了諧波特征向量，向量維數小于2( n/2)+1;n為訓練樣本點數，各分量中 為 即頻率為0時的振幅;分別為k級諧波的振幅ck和相位φk。諧波數m為1到n/2之間，則特征向量維數為2m+1。然后，依據樣本特征向量的算術平均求得平均特-征向量ν，依據各像元的特征向量與平均特征向量的差異大小即可進行類別判定。對于像元特征向量中1≤i≤2m+1各個分量，判定規則如式(8)和(9)所示

式中，σi為用于計算 第i個分量的樣本數據的標準差;λ為色散容差;ε為像元特征向量V與平均特征向量 的差異容差值。λ和m依據反復分類實驗所得混淆矩陣判定最佳值。

另外，將基于NDVI時序數據進行ISODATA非監督分類所得未知類別的均值NDVI時序曲線，與調查所得作物系數Kc曲線(物系數Kc為作物潛在蒸發蒸騰量ETa和參考作物蒸發蒸騰量ET0的比值)依據光譜耦合技術進行相似度計算與匹配，也可完成作物識別[13-14]。光譜耦合技術SMT(spectral matching technique)的基本原理是多光譜曲線與已知特征曲線的相似度計算與匹配，實質為兩條曲線的匹配，故該方法也適用于NDVI時序曲線與作物系數曲線。光譜特征相似度分析SCS(spectral correlation similarity)中譜相似度SSV的計算如式(10)所示

式中，Ed為兩點間歐氏距離，其中ruh為皮爾遜系數，其值介于-1～1之間，其值越大，相似度就越高，ruh計算如式(11)所示

式中，n為光譜時間序列的長度;ti(i=1～n)為已知標準類i類NDVI時間序列值;μi為已知類NDVI時間序列均值;hi為任一目標類別的NDVI序列值;μh為該類均值;σh為目標類標準差。對每個未知類別，將其歸于相似度最高的目標類別即完成作物識別。

該類方法避免了人為確定分類規則的復雜性，但其分類過程難以利用物候知識解釋，且該類研究目前還較少，故其對不同地區、不同種植模式的適用性也有待考證。

三、結束語

綜上所述，利用多景遙感影像進行作物識別的研究中，影像時相選擇仍然是難題之一，開展定量對比實驗雖然能夠確定最佳選擇方案，但較為耗時，且研究結果不具普適性;另外，該方法中常利用NDVI值進行分層分類，但對于種植結構較為復雜的研究區域，人為確定分類規則較為復雜，而將植被指數與對象紋理特征等結合進行面向對象的決策分類，則可適用于較多種作物的識別。但由于影像時相限制，對一年多熟的作物識別仍然較為困難，且該方法中所涉及波段較多，且對影像空間分辨率要求也較高，難以適用于大多數遙感影像。相反，利用NDVI時序數據則避免了影像最佳時相組合選擇的問題，且可識別一年多熟等復雜種植制度，擴充了多時相作物識別的范圍，但該方法所需處理的數據量較大，工作效率較低，且所用數據一般空間分辨率較低，對作物地塊較小或破碎的地區，容易造成混合像元問題影響分類結果。

針對種植制度較為復雜且地塊較小或破碎的地區的作物識別研究，筆者認為結合上述兩種方法，綜合利用高空間分辨率、高光譜分辨率和高時間分辨率遙感影像，有效整合光譜信息與時相信息進行作物識別是值得探索的研究方向。

[1]WARDLOW BD，EGBERTSL，KASTENSJH．Analysis of Time-seriesMODIS 250m Vegetation Index Data for Crop Classification in the U．S．Central Great Plains[J]．Remote Sensing of Environment，2007(108)：290-310．

[2]千懷遂．農作物遙感估產最佳時相的選擇研究：以中國主要糧食作物為例[J]．生態學報，1998，18(1)：48-55．

[3]李劍萍，官景得，韓穎娟，等．基于 SPOT/VEGETATION數據的陜甘寧退耕還林區植被分類[J]．安徽農業科學，2009(27)：13324-13326，13351．

[4]歐文浩，蘇偉，薛文振，等．基于HJ-1衛星影像的三大農作物估產最佳時相選擇[J]．農業工程學報，2010(11)：176-182，385．

[5]齊臘，劉良云，趙春江，等．基于遙感影像時間序列的冬小麥種植監測最佳時相選擇研究[J]．遙感技術與應用，2008，23(2)：154-160．

[6]馬麗，徐新剛，賈建華，等．利用多時相TM影像進行作物分類方法[J]．農業工程學報，2008，24(S2)：191-195．

[7]李穎，陳秀萬，段紅偉，等．多源多時相遙感數據在冬小麥識別中的應用研究[J]．地理與地理信息科學，2010，26(4)：47-49，F0003．

[8]彭光雄，宮阿都，崔偉宏，等．多時相影像的典型區農作物識別分類方法對比研究[J]．地球信息科學，2009(2)：225-230．

[9]PEN¨A-BARRAGáN JM，NGUGIM K ，PLANT R E，et al．Object-based Crop Identification Using Multiple Vegetation Indices，Textural Features and Crop Phenology[J]．Remote Sensing of Environment，2011，115(6)：1301-1316．

[10]REED B C，BROWN J F ，VANDERZEE D，et al．Measuring Phenological Variability from Satellite Imagery[J]．Journal of Vegetation Science，1994(5)：703-714．

[11]陳曉苗．基于MODIS-NDVI的河北省主要農作物空間分布研究[D]．石家莊：河北師范大學，2010．

[12]DA SW L，GONCALVES R R V，SIQUEIRA A S，et al．Feature Extraction for NDVIAVHRR/NOAA Time Series Classification[C]∥Proceedings of Analysis of Multi-temporal Remote Sensing Images(Multi-Temp)Trento．[S．l．]：InternationalWorkshop，2011．

[13]蔡學良，崔遠來．基于異源多時相遙感數據提取灌區作物種植結構[J]．農業工程學報，2009，25(8)：124-130．

[14]郝衛平，梅旭榮，蔡學良，等．基于多時相遙感影像的東北三省作物分布信息提取[J]．農業工程學報，2011，27(1)：201-207．