農作物種類高光譜遙感識別研究

王 崠，吳 見

(滁州學院地理信息與旅游學院，安徽 滁州 239000；安徽省地理信息集成應用協同創新中心，安徽 滁州 239000)

?

農作物種類高光譜遙感識別研究

王 崠，吳 見

(滁州學院地理信息與旅游學院，安徽 滁州 239000；安徽省地理信息集成應用協同創新中心，安徽 滁州 239000)

作物種類高光譜識別研究對發展精準農業具有重要意義。通過原始反射光譜、常用指數、不同形式變換光譜及高光譜特征參數對觀測的8種農作物的識別能力進行分析，同時采用識別效率最高的數據變換形式構建BP神經網絡模型。結果表明：8種農作物的反射光譜曲線存在較大差異，差異最大的波長位置為0.65 μm、0.78 μm、0.86 μm、0.93 μm、1.08 μm、1.19 μm；無論采用原始光譜計算的指數還是常見衛星傳感器對應通道計算的指數，識別農作物的能力從大到小均為SR>NDVI>SAVI>DVI；高光譜特征參數SDr對作物的識別效果優于其他光譜形式，構建的BP神經網絡模型隱含層節點數為13時總體精度最高，達91.8%。

高光譜；農作物；識別；遙感

近年來，遙感技術在農業資源調查、農作物估產、災害監測、評估及預報、農業信息管理等領域得到了廣泛應用[1-3]，成為農業科學管理及其可持續發展的重要手段[4-6]。受條件限制，常規遙感技術存在明顯的不足，常常不能滿足以上領域更高的需求。與其他地物相比較，作物是農業遙感的主要研究對象，而綠色植被光譜具有許多共同的特征，因此常規寬波段的光譜數據基本不能準確識別不同種類的農作物[7，8]。高光譜成像技術能夠在許多非常窄的波譜范圍內對作物的細微差別進行探測，使得農作物識別精度的提高成為了可能。農作物的準確識別是作物分布范圍、類型、長勢等信息提取的基礎，也是農業資源調查、作物估產、災害監測等的保障。與多光譜遙感相比，高光譜遙感具有獨特的光譜優勢，對發展精準農業具有重要意義[9-11]。

本文以江淮分水嶺部分地區常見的8種作物為研究對象，分析了原始反射光譜、常用指數、不同形式變換光譜以及高光譜特征參數對農作物的識別能力，在此基礎上選擇最佳光譜形式或參數對BP神經網絡模型進行構建，完成農作物識別。

1 實驗數據與測試方法

本研究選取的光譜測試地點為江淮分水嶺部分地區，選取了水稻、小麥、油菜、棉花、花生、紅薯、茄子、白菜8種農作物作為光譜測試對象，每種作物選擇10處測試點，每個測試點選取6株測試植株，每株光譜測試3次取平均值，即每種作物共獲取60個光譜樣本。采用ASD FieldSpec Pro FR光譜儀(光譜范圍 350～2 500 nm，光譜分辨率3 nm@350～1 000 nm，10 nm@1 000～2 500 nm)，測定時間為10∶00 -14∶00，天氣晴朗無風，探頭距離植株冠層頂約1.5 m，垂直向下。

2 結果與分析

2.1 原始反射光譜農作物識別能力分析

首先篩選剔除測得的不同農作物的異樣光譜曲線，對余下的有效光譜曲線進行均值處理，獲取8種農作物的均值光譜曲線(圖1,見封2)。由圖1可知，8種農作物的光譜曲線存在較大的差異，如在0.4～0.71 μm光譜區間內，花生的光譜反射率明顯比其他7種農作物的反射率高；在0.75～1.20 μm光譜區間內，8種農作物的光譜差異均較明顯，此光譜區間應當作為農作物識別的重點研究范圍；在大于1.20 μm的光譜區間內，油菜的光譜反射率最低，其次是小麥，而花生、棉花、白菜的反射率交替升高或降低。這些光譜差異產生的原因較多，有作物自身的原因，如開花量、葉綠素含量、含水量等，也有外界環境的影響因素，如周圍作物種類、土壤背景、植株大小等。根據不同作物間光譜差異最大的原則，本研究選取了6個不同波長處的反射率光譜，作為農作物識別的最佳光譜，具體波長位置為：0.65 μm、0.78 μm、0.86 μm、0.93 μm、1.08 μm、1.19 μm。

2.2 常用指數農作物識別能力分析

2.2.1 原始光譜計算的指數農作物識別能力 本研究選取了土壤調節植被指數(Soil Adjustment Vegetation Index，SAVI)、差值植被指數(Difference Vegetation Index，DVI)、歸一化植被指數(Normalized Difference Vegetation Index，NDVI)、簡單比值植被指數(Simple Ratio，SR)，分析常見植被指數的農作物識別能力。采用兩種方式計算這4種植被指數：一是根據近紅外與綠光波段的反射率進行計算；二是根據近紅外與紅光波段的反射率進行計算(近紅外、紅光和綠光的具體波段選擇常見衛星傳感器相應通道的中間波長，即0.83 μm、0.66 μm、0.56 μm)。從表1可以看出，采用方式一和方式二計算4種不同指數對農作物進行識別時，方差最大的指數均為SR。采用方式一時，SAVI和NDVI的方差均為0.03，DVI的方差最小，僅為0.02；采用方式二時，NDVI的方差為0.08，優于SAVI和DVI，DVI的方差仍然最小，僅為0.04。綜合比較分析可知，原始光譜采用兩種方式計算的指數識別農作物的能力從大到小均為SR>NDVI>SAVI>DVI。

表1 原始光譜計算的指數農作物識別能力分析

Table 1 Crop identification capability analysis of index calculated by original spectrum

水稻小麥油菜棉花花生紅薯茄子白菜方差方式一方式二SAVI0．540．600．430．370．150．700．550．660．03DVI0．380．440．290．220．110．610．460．550．02NDVI0．690．720．570．550．190．760．610．740．03SR12．2110．456．222．071．1516．476．0616．8632．00SAVI0．640．660．520．250．060．800．630．770．06DVI0．420．480．330．160．050．660．510．600．04NDVI0．850．830．720．350．070．890．720．890．08SR5．506．193．663．451．467．414．096．743．47

2.2.2 常見衛星傳感器對應通道計算的指數農作物識別能力 由于IKONOS、QUICKBIRD、ETM+等常用衛星傳感器的近紅外、紅光、綠光通道對應的光譜范圍是相同的，即這些衛星傳感器的近紅外通道均在0.76～0.90 μm，紅光通道均在0.63～0.69 μm，綠光通道均在0.52～0.60 μm。因此，只要計算出0.76～0.90 μm、0.63～0.69 μm和0.52～0.60 μm范圍的光譜，即可代表IKONOS、QUICKBIRD、ETM+等常用衛星傳感器的近紅外、紅光、綠光通道。采用預定義濾波函數對8種農作物的反射光譜進行重采樣，得到IKONOS、QUICKBIRD、ETM+等常用衛星傳感器的近紅外、紅光、綠光通道光譜。然后，對獲取的數據按照原始光譜的兩種方式進行植被指數計算，據此分析常見衛星傳感器對應通道計算的指數農作物識別能力。由表2可知，采用方式一和方式二計算4種不同指數對農作物進行識別時，方差最大的指數仍為SR。采用方式一時，NDVI 的方差為0.04，SAVI和DVI的方差最小，均為0.03；采用方式二時，NDVI的方差為0.10，優于SAVI和DVI，DVI的方差仍然最小，僅為0.04。綜合比較分析可知，常見衛星傳感器對應通道兩種方式計算的指數農作物識別能力從大到小均為SR>NDVI>SAVI>DVI。

表2 常見衛星傳感器對應通道計算的指數農作物識別能力分析

Table 2 Crop identification capability analysis of index calculated by corresponding channel of common satellite sensor

水稻小麥油菜棉花花生紅薯茄子白菜方差方式一方式二SAVI0．510．670．640．280．200．620．510．720．03DVI0．360．510．460．130．150．530．420．610．03NDVI0．710．780．830．450．240．680．570．800．04SR13．7310．328．401．891．2316．245．9116．8932．34SAVI0．660．730．760．160．100．720．590．830．07DVI0．410．550．510．080．090．580．470．660．04NDVI0．890．891．030．260．110．810．680．950．10SR6．156．144．973．201．557．273．986．793．40

2.3 不同數據變換形式對農作物的識別能力分析

為了分析不同數據變換形式對農作物識別的能力，本研究對原始反射率光譜λ進行如下變換：歸一化變換(Nλ)、歸一化后倒數的對數變換(log(1/Nλ))、一階微分(First order Differential，FD)(波長間隔為2 nm、4 nm、6 nm、8 nm、10 nm、15 nm)、倒數(1/λ)、倒數的對數(log(1/λ))以及倒數對數的一階微分(FD(log(1/λ))) (波長間隔為2 nm、4 nm、6 nm、8 nm、10 nm、15 nm)。

圖2(見封2)是對原始反射率光譜λ進行的一階微分變換FD(波長間隔2 nm)。從圖2可以看出，在部分波長范圍內不同農作物光譜的一階微分值存在一定的差異，如在0.40～0.51 μm波段范圍內，花生的一階微分光譜明顯比其他7種農作物高；在0.51～0.61 μm波段范圍內，紅薯、油菜、小麥等作物的一階微分光譜均出現了一個正的峰和負的谷，而花生、棉花等的一階微分光譜均為正值；在0.71～0.77 μm波段范圍內，8種農作物的一階微分光譜值均存在較大的差異，是一階微分光譜區分各種農作物的理想光譜區間；在大于0.92 μm波段范圍內，農作物均出現了各自的反射峰和吸收谷。根據不同作物間光譜差異最大的原則，本研究選取了6個不同波長處的一階微分變換光譜FD (波長間隔2 nm)，作為農作物識別的最佳光譜，具體波長位置為：0.73 μm、0.77 μm、0.94 μm、1.33 μm、1.40 μm、1.56 μm。同理，其他光譜變換形式的最佳光譜波長位置見表3。

表3 不同形式變換光譜的最佳波長位置

Table 3 The best wavelength position of different spectral transform forms

123456FD(波長間隔4nm)0．680．720．891．291．461．69FD(波長間隔6nm)0．710．820．951．161．381．54FD(波長間隔8nm)0．750．790．991．351．421．60FD(波長間隔10nm)0．800．931．261．321．451．62FD(波長間隔15nm)0．821．051．221．411．531．751/λ0．430．560．680．891．351．66log(1/λ)0．890．931．181．361．822．01FD(log(1/λ))(波長間隔2nm)0．530．750．821．321．591．98FD(log(1/λ))(波長間隔4nm)0．660．810．951．461．802．13FD(log(1/λ))(波長間隔6nm)0．680．760．981．521．912．11FD(log(1/λ))(波長間隔8nm)0．620．751．031．561．982．16FD(log(1/λ))(波長間隔10nm)0．590．720．991．682．092．23FD(log(1/λ))(波長間隔15nm)0．500．590．871．741．902．21Nλ0．991．571．762．052．162．30log(1/Nλ)0．780．951．351．581．902．08

2.4 高光譜特征參數對農作物的識別能力分析

參考前人研究成果[12,13]，選取了光譜位置參數(SL)、植被指數參數(VI)、光譜面積參數(SA)等14個高光譜特征參數，各參數的具體定義見表4。

表4 高光譜特征參數的定義

Table 4 Definition of hyperspectral characteristic parameter

特征參數參數說明特征參數參數說明光譜位置參數(SL)植被指數參數(VI)Rg波長在510～560nm內最大反射率VI1(Rg-Rr)/(Rg+Rr)Rr波長在640～680nm內最小反射率VI2Rg/RrDb藍邊490～530nm內一階微分最大值VI3(SDr-SDb)/(SDr+SDb)Dy黃邊550～582nm內一階微分最大值VI4SDr/SDbDr紅邊680～780nm內一階微分最大值VI5(SDr-SDy)/(SDr+SDy)光譜面積參數(SA)VI6SDr/SDySDb藍邊490～530nm一階微分值和SDy黃邊550～582nm一階微分值和SDr紅邊680～780nm一階微分值和

根據8種農作物不同高光譜特征參數的值對不同農作物各光譜參數的方差進行計算，結果見表5。從表5可以看出，不同高光譜特征參數8種農作物之間的方差存在較大的差異，其中方差最大的是SDr，達到11.22，也就意味著該特征參數是選取的14種特征參數中識別這8種農作物能力最強的，其次是VI2，方差為8.92。方差大于1的特征參數還包括Db、Dy、Dr、VI4、SDy，其他的特征參數方差都小于1。

表5 高光譜特征參數農作物識別能力分析

Table 5 Crop identification capability analysis of hyperspectral characteristic parameters

水稻小麥油菜棉花花生紅薯茄子白菜方差Rg0．090．090．110．090．240．100．150．100．02Rr0．040．050．060．130．300．040．080．030．06Db0．440．510．870．722．040．481．000．452．03Dy0．750．861．411．133．130．871．620．814．41Dr0．971．041．553．161．241．131．801．103．71VI10．180．200．300．230．640．210．350．200．16VI20．520．680．861．963．790．601．420．538．92VI30．150．190．240．560．650．160．400．150．28VI41．081．340．790．310．582．151．731．883．02VI50．400．440．340．220．300．580．510．550．11VI61．250．670．780．741．321．081．661．230．82SDb0．880．980．630．860．761．321．071．260．40SDy0．481．771．231．400．252．361．012．123．88SDr1．052．962．082．291．063．910．373．5211．22

整體上，一階微分處理后的紅邊、黃邊及藍邊相關的特征參數對識別這8種農作物的效果較好，部分植被指數參數也具有較強的識別農作物的能力。

2.5 基于BP神經網絡模型的農作物識別

隨機選取30條實測的光譜作為建模數據集，20條實測的光譜作為預測數據集，采用BP神經網絡模型對不同數據變換形式光譜或特征參數的農作物識別精度分別進行測試。選取不同農作物間光譜差異最大的原始反射率和不同形式變換光譜的前6個特征波長處的光譜，以及對8種農作物識別能力最強的兩種植被指數和方差大于1的高光譜特征參數作為BP網絡模型的輸入數據，以8種農作物的編碼(1～8的整數)作為BP神經網絡模型的輸出變量。最終，選取識別精度最高的數據變換形式，構建BP神經網絡模型進行農作物識別。原始反射率、不同數據變換形式、兩種植被指數和方差大于1的高光譜特征參數對8種農作物識別的精度見表6。由表6可知，不同的數據變換形式中或者特征參數對農作物的識別精度有一定的差異。其中高光譜特征參數SDr對8種農作物的識別精度最高，達88.9%;VI2的識別精度僅次于SDr，達87.3%;原始反射率光譜(NO)的識別精度為85.2%，但原始反射率光譜對農作物的識別精度并不是最低的，也就是說采用不同的光譜變換形式或者特征參數對農作物的識別效果未必就比原始反射光譜好，需要選擇合適的變換形式才有可能提高識別精度。總體上，一階微分和高光譜特征參數對農作物的識別效果比倒數(1/λ)、倒數對數的一階微分FD(log(1/λ))精度高。

表6 不同數據變換形式對8種農作物的識別精度

Table 6 Identification accuracy of eight kinds of crops for different data transformation forms

數據形式FD(波長間隔2nm)FD(波長間隔4nm)FD(波長間隔6nm)FD(波長間隔8nm)FD(波長間隔10nm)FD(波長間隔15nm)1/λ精度82．4%83．6%86．1%84．2%81．0%70．5%73．4%數據形式FD(log(1/λ))(波長間隔2nm)FD(log(1/λ))(波長間隔4nm)FD(log(1/λ))(波長間隔6nm)FD(log(1/λ))(波長間隔8nm)FD(log(1/λ))(波長間隔10nm)FD(log(1/λ))(波長間隔15nm)log(1/λ)精度78．1%82．2%86．8%84．7%76．9%75．8%83．9%數據形式Nλlog(1/Nλ)NOSR(方式一)SR(方式二)SDrVI2精度85．7%86．4%85．2%87．1%84．8%88．9%87．3%數據形式VI4SDyDbDyDr精度83．2%84．5%81．6%85．5%84．1%

根據上述分析，本研究選取高光譜特征參數SDr進行BP神經網絡構建。通過反復測試，將BP神經網絡的參數設置為：動態參數0.5、迭代次數1 500、SIGMOID參數0.8、允許誤差0.00005、輸出層節點數1、最小訓練速率0.1、輸入層節點數25。在建模時主要通過隱含層節點數的調整實現模型結構優化，直至擬合殘差最小(表7)。由表7可知，當隱含層節點數為13時，總體精度達到最高，為91.8%。在8種農作物中，芝麻的平均識別精度最高，各隱含層節點的平均精度達88.0%，其次是大豆，達86.5%，識別精度最低的作物是小麥，平均精度僅為82.8%。

表7 不同隱含層節點對8種農作物的識別精度

Table 7 Identification accuracy of 8 kinds of crop for different hidden layer nodes

隱含層節點數小麥玉米大豆油菜棉花芝麻番茄辣椒總精度380．982．584．684．782．986．182．784．683．6581．582．285．285．685．686．482．382．183．9783．385．187．085．486．688．885．086．786．0985．686．389．689．990．191．586．787．288．31187．587．290．990．891．292．387．488．789．51389．590．193．193．593．594．390．290．091．81586．387．589．890．289．390．587．788．388．71781．282．884．985．083．286．483．084．984．01976．978．980．979．280．582．978．880．679．82175．976．679．579．979．980．776．776．578．2平均值82．883．986．586．486．388．084．084．9

3 討論

通過原始反射光譜農作物識別能力分析可知8種農作物的光譜曲線存在較大的差異，主要的原因有：1)雖然觀測光譜的時間一致，但不同作物在同一時間的生長期不同；2)不同作物的生長密度、植株大小、葉片特征、枝葉比例等都不相同，如水稻的生長密度大且面積廣，觀測不受地面土壤光譜干擾，但花生生長密度較小且緊貼地面，觀測時難免受到部分地面土壤光譜干擾。因此，在不同因素的影響下，使得觀測的原始光譜本身在某些敏感波段會存在較大差異，這也是高光譜能夠識別不同作物的原因。

不同植被指數識別農作物時，其識別能力差異較大，差值和歸一化植被指數的識別能力較弱，比值植被指數相對較強。這主要是因為植被指數本身主要用于區分植被與非植被，區分植被種類的效果相對較差，差值和歸一化植被指數的取值在0～1之間，且不同作物種類之間的值較為接近，而比值植被指數的取值大于0均可，放大了不同作物間的取值。因此，比值植被指數的效果相對較好。

部分數據變換形式以及高光譜特征參數可以在原始光譜的基礎上擴大不同作物種類的差異，如FD(波長間隔6 nm)、FD(log(1/λ))(波長間隔6 nm)、Nλ、log(1/Nλ)、SR(方式一)、SDr、VI2、Dy，其識別效果優于原始光譜；而部分數據變換形式以及高光譜特征參數反而在原始光譜的基礎上縮小了不同作物間的差異，如FD(波長間隔2 nm)、1/λ、Db，其識別精度低于原始光譜。

4 結論

本研究以水稻、小麥、油菜、棉花、花生、紅薯、茄子、白菜8種農作物作為研究對象，通過原始反射光譜、常用指數、不同形式變換光譜以及高光譜特征參數對農作物的識別能力分析，發現8種農作物的反射光譜曲線存在較大的差異，差異最大的波長位置為0.65 μm、0.78 μm、0.86 μm、0.93 μm、1.08 μm、1.19 μm；無論采用原始光譜計算的指數還是常見衛星傳感器對應通道計算的指數，識別農作物的能力從大到小均為SR>NDVI>SAVI>DVI；高光譜特征參數中，SDr對8種農作物的識別能力最強，其次是VI2。綜合比較發現，高光譜特征參數SDr對8種農作物的識別精度最高，達88.9%，優于其他光譜形式的識別效果。最終，選取SDr構建BP神經網絡模型，當隱含層節點數為13時，總體精度達到最高，為91.8%。

[1] 吳炳方,蒙繼華,李強子,等.全球農情遙感速報系統(Crop Watch)新進展[J].地球科學進展,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] 任建強,陳仲新,唐華俊,等.基于遙感信息與作物生長模型的區域作物單產模擬[J].農業工程學報,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] 賈坤,李強子,田亦陳,等.遙感影像分類方法研究進展[J].光譜學與光譜分析,2011,31(10):2618-2623.

[6] JIA K,LI Q,TIAN Y,et al.Crop classification using multiconfiguration SAR data in the North China Plain[J].International Journal of Remote Sensing,2012,33:170-183.

[7] 丁婭萍.基于微波遙感的旱地作物識別及面積提取方法研究[D].北京:中國農業科學院,2013.

[8] JIA K,WU B,TIAN Y,et al.Vegetation classification method with biochemical composition estimated from remote sensing data[J].International Journal of Remote Sensing,2011,32:9307-9325.

[9] BALAGUER A,RUIZ LA,HERMOSILL T,et al.Definition of a comprehensive set of texture semivariogram features and their evaluation for object-oriented image classification[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] 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,2010,26(11):176-182.

[12] 張凱,王潤元,王小平,等.黃土高原春小麥地上鮮生物量高光譜遙感估算模型[J].生態學雜志,2009,28(6):1155-1161.

[13] 張飛,李瑞,周梅,等.塔里木河中游綠洲鹽漠帶典型鹽生植物光譜指數分析[J].地理與地理信息科學,2014,30(4):12-17.

Study on Crop Variety Identification by Hyperspectral Remote Sensing

WANG Dong,WU Jian

(CollegeofGeographyInformationandTourism,ChuzhouUniversity,Chuzhou239000;AnhuiCenterforCollaborativeInnovationinGeographicalInformationIntegrationandApplication,Chuzhou239000,China)

Identification research on crop types using hyperspectral technology has very important significance for the development of precision agriculture.Original reflection spectrum,commonly used index,different forms of transformation spectrum and hyperspectral characteristic parameters were used to identify the observed 8 kinds of crops.And the data transformation with the highest recognition efficiency was selected to construct the BP neural network model.The results showed that the spectral curve of the 8 kinds of crops had biggish difference,and the wavelength position with the biggest difference were 0.65 μm,0.78 μm,0.86 μm,0.93 μm,1.08 μm,1.19 μm.The index was calculated by the original spectrum or corresponding channel of common satellite sensor,and the ability of identifying crops from big to small was SR > NDVI > SAVI > DVI.The crops recognition effect of hyperspectral characteristic parametersSDrwas superior to other spectrum forms.When the number of hidden layer nodes was 13,the overall accuracy of the BP neural network model was the highest with 91.8%.

hyperspectral；crops；recognition；remote sensing

2014-06-19；

2014-08-12

滁州學院科研項目(2014PY07);滁州學院校級科研啟動基金項目(2012qd18);安徽高等學校省級自然科學研究項目(KJ2013B189)

王崠(1980-)，男，碩士，講師，主要從事區域地理與GIS應用研究。E-mail:wangdong060830@126.com

10.3969/j.issn.1672-0504.2015.02.007

S127

A

1672-0504(2015)02-0029-05