一種快速區(qū)分易混農(nóng)作物的遙感解譯方法

許 亮，汪權(quán)方,2，陳志杰,2，王新生,2

（1.湖北大學(xué) 資源環(huán)境學(xué)院，湖北 武漢 430062；2.農(nóng)業(yè)部遙感應(yīng)用中心 武漢分中心，湖北 武漢 430062）

一種快速區(qū)分易混農(nóng)作物的遙感解譯方法

許 亮1，汪權(quán)方1,2，陳志杰1,2，王新生1,2

（1.湖北大學(xué) 資源環(huán)境學(xué)院，湖北 武漢 430062；2.農(nóng)業(yè)部遙感應(yīng)用中心 武漢分中心，湖北 武漢 430062）

在對(duì)冬小麥、油菜兩種農(nóng)作物進(jìn)行遙感非監(jiān)督分類(lèi)時(shí)，二者很難區(qū)分，且分類(lèi)精度不高。若先剔除原始遙感影像中的非冬小麥、油菜種植區(qū)，再使用ISODATA算法進(jìn)行二次非監(jiān)督分類(lèi)，則可較容易地區(qū)分易混的冬小麥和油菜。結(jié)果表明，冬小麥二次分類(lèi)精度比初始分類(lèi)精度提高了20．6%，油菜二次分類(lèi)精度比初始分類(lèi)精度提高了19．4%，從而顯著提高了農(nóng)作物的遙感解譯分類(lèi)精度，大大減少了人工目視解譯工作量。同時(shí)，該方法也為其他易混農(nóng)作物的遙感解譯工作提供了一種解決問(wèn)題的思路。

非監(jiān)督分類(lèi)；人工目視解譯；二次分類(lèi)；農(nóng)業(yè)遙感

我國(guó)是一個(gè)傳統(tǒng)農(nóng)業(yè)大國(guó)，及時(shí)準(zhǔn)確地獲取農(nóng)情信息，對(duì)于保障我國(guó)的糧食安全意義重大。以遙感技術(shù)為手段獲取農(nóng)情信息，比傳統(tǒng)逐級(jí)匯總的方式更加高效便捷，獲得的數(shù)據(jù)也更加準(zhǔn)確。在遙感技術(shù)發(fā)展過(guò)程中，出現(xiàn)了很多遙感影像分類(lèi)方法，但這些方法得到的數(shù)據(jù)精度與預(yù)期值還有很大差距。為確保數(shù)據(jù)的準(zhǔn)確性和時(shí)效性，在實(shí)際工作中人工目視解譯仍然是較為常用的遙感影像分類(lèi)方法。在人工目視解譯過(guò)程中，常會(huì)遇到農(nóng)作物光譜信息相近，難以區(qū)分的情況。目標(biāo)地物難以區(qū)分不僅是農(nóng)業(yè)遙感應(yīng)用方面的難題，也是整個(gè)遙感技術(shù)應(yīng)用層面的難題。為此，研究人員進(jìn)行了深入的探索，并取得了一定的進(jìn)展，如趙維兵[1]通過(guò)圓形掩膜濾波、波段配準(zhǔn)、直方圖匹配、圖像拉伸等一系列方法對(duì)中巴資源衛(wèi)星影像進(jìn)行了運(yùn)算處理，基本能夠?qū)崿F(xiàn)對(duì)易混淆地物的區(qū)分，具有一定的實(shí)用價(jià)值；萬(wàn)瑋[2]等利用傅里葉描述子理論和相關(guān)方法、地物特征提取等手段針對(duì)高分辨率影像中的河道、池塘等地物進(jìn)行了目標(biāo)地物識(shí)別，取得了較好的識(shí)別效果；研究者還運(yùn)用樸素貝葉斯模型[3]、邊緣檢測(cè)法、人工神經(jīng)網(wǎng)絡(luò)法[4]等方法對(duì)相關(guān)的目標(biāo)地物識(shí)別分類(lèi)問(wèn)題展開(kāi)了實(shí)驗(yàn)性研究，均取得了一定的研究成果[5-6]，但在區(qū)分易混淆地物時(shí)，往往需要經(jīng)歷一個(gè)十分復(fù)雜的圖像處理和運(yùn)算過(guò)程，耗時(shí)較長(zhǎng)，且存在各自的優(yōu)缺點(diǎn)，大范圍的推廣應(yīng)用仍存在一定的難度。通過(guò)遙感影像獲取農(nóng)情信息，對(duì)于數(shù)據(jù)的時(shí)效性和準(zhǔn)確性要求較高，上述方法雖然能夠較好地區(qū)分易混農(nóng)作物，但用時(shí)較長(zhǎng)，因此并不適用于大宗農(nóng)作物種植面積提取的業(yè)務(wù)化運(yùn)行工作。

為了增強(qiáng)解譯結(jié)果的時(shí)效性，本文提出了一種快速區(qū)分易混農(nóng)作物的遙感解譯方法。在進(jìn)行人工目視解譯前，使用常見(jiàn)的非監(jiān)督分類(lèi)算法對(duì)已提取了農(nóng)作物種植總面積的遙感影像進(jìn)行了二次分類(lèi)，較好地區(qū)分了冬小麥、油菜兩種農(nóng)作物，達(dá)到了農(nóng)業(yè)遙感平臺(tái)業(yè)務(wù)化運(yùn)行的基本要求。

1 數(shù)據(jù)預(yù)處理

1.1 影像數(shù)據(jù)及研究區(qū)概況

高分一號(hào)（GF-1）衛(wèi)星是我國(guó)研制的首顆對(duì)地觀測(cè)高分辨率衛(wèi)星，于2013-04-26搭載長(zhǎng)征二號(hào)運(yùn)載火箭成功發(fā)射。GF-1衛(wèi)星載負(fù)了2臺(tái)2 m分辨率、全色 /8 m分辨率多光譜相機(jī)，此外還有4臺(tái)16 m分辨率多光譜相機(jī)，設(shè)計(jì)使用壽命為5～8 a。

本文以湖北省洪湖市為實(shí)驗(yàn)區(qū)，洪湖市地處江漢平原東南端，全市平均海拔約為25 m，地勢(shì)較為平坦，沒(méi)有丘陵、山林等大面積解譯干擾因素，冬小麥、油菜種植面積較大。選取2014-03-12洪湖市GF-1衛(wèi)星影像作為實(shí)驗(yàn)數(shù)據(jù)，空間分辨率為16 m，包含藍(lán)光、綠光、紅光和近紅外4個(gè)波段。

1.2 數(shù)據(jù)預(yù)處理

將獲取的GF-1衛(wèi)星遙感影像進(jìn)行波段融合、幾何精校正、圖像分割等一系列預(yù)處理操作，得到洪湖市GF-1衛(wèi)星影像4、3、2波段合成的假彩色合成影像。

1.3 解譯標(biāo)志的確定

根據(jù)洪湖市冬小麥、油菜種植區(qū)域的分布情況，結(jié)合地面樣方數(shù)據(jù)和野外觀測(cè)數(shù)據(jù)，得到洪湖市冬小麥和油菜的解譯標(biāo)志。采用4、3、2波段對(duì)GF-1衛(wèi)星數(shù)據(jù)進(jìn)行波段組合時(shí)，冬小麥、油菜的解譯標(biāo)志如圖1所示。

圖1 解譯標(biāo)志

1.4 初始非監(jiān)督分類(lèi)

使用ISODATA算法對(duì)原始遙感影像進(jìn)行非監(jiān)督分類(lèi)，嘗試將分類(lèi)類(lèi)別數(shù)設(shè)置為60、100、150和500，分別得到4個(gè)非監(jiān)督分類(lèi)結(jié)果。將分類(lèi)結(jié)果進(jìn)行矢量化，并將遙感影像與分類(lèi)矢量數(shù)據(jù)進(jìn)行疊加，得到結(jié)果見(jiàn)圖2。

圖2 非監(jiān)督分類(lèi)結(jié)果示意圖

根據(jù)解譯標(biāo)志判斷，圖2中A點(diǎn)應(yīng)屬于冬小麥，B點(diǎn)應(yīng)屬于油菜，但4個(gè)結(jié)果中兩點(diǎn)都被分為了同一類(lèi)作物。分類(lèi)類(lèi)別數(shù)從60類(lèi)到500類(lèi)，雖然數(shù)目增加了近9倍，但混合區(qū)的結(jié)果大致類(lèi)似，冬小麥和油菜未被區(qū)分開(kāi)。為了區(qū)分這兩種解譯作物，后續(xù)需進(jìn)行人工目視解譯，這對(duì)于小面積的遙感解譯而言是可行的，但對(duì)于大面積作物種植面積提取而言，解譯工作量很大，耗時(shí)長(zhǎng)，降低了解譯結(jié)果的時(shí)效性。

2 二次分類(lèi)實(shí)驗(yàn)

對(duì)于非混合區(qū)域的冬小麥、油菜而言，初始分類(lèi)是可以將二者區(qū)分開(kāi)的，但對(duì)于混合區(qū)域的冬小麥、油菜，非監(jiān)督分類(lèi)的結(jié)果精度有待提高。為了最大限度地使用計(jì)算機(jī)區(qū)分冬小麥和油菜，盡可能地減少后續(xù)人工目視解譯的工作量，提高解譯結(jié)果的精度和時(shí)效性，提出了將初始非監(jiān)督分類(lèi)結(jié)果進(jìn)行二次分類(lèi)的解決方案。

2.1 實(shí)驗(yàn)步驟

1）先將冬小麥、油菜作為一類(lèi)地物進(jìn)行非監(jiān)督分類(lèi)；然后進(jìn)行人工目視解譯，并將解譯結(jié)果進(jìn)行矢量化；最終得到精確的冬小麥、油菜種植區(qū)矢量文件，對(duì)種植區(qū)與非種植區(qū)進(jìn)行了劃分。

2）采用冬小麥、油菜種植區(qū)矢量文件對(duì)原始遙感影像進(jìn)行裁剪，提取冬小麥、油菜種植區(qū)對(duì)應(yīng)的遙感影像，剔除非種植區(qū)的遙感影像。

3）將裁剪得到的冬小麥、油菜種植區(qū)遙感影像進(jìn)行非監(jiān)督分類(lèi)，分類(lèi)類(lèi)別數(shù)設(shè)置為60；再將分類(lèi)結(jié)果矢量化，疊加到原始遙感影像上，得到的二次分類(lèi)結(jié)果如圖3所示。

圖3 冬小麥、油菜二次分類(lèi)結(jié)果

從圖3可知，A點(diǎn)冬小麥、B點(diǎn)油菜已被分成了兩 類(lèi)地物，冬小麥、油菜的混合情況得到了改善。

2.2 實(shí)驗(yàn)結(jié)果與分析

將初始分類(lèi)（60類(lèi)）矢量結(jié)果與二次分類(lèi)矢量結(jié)果進(jìn)行對(duì)比（圖4），并在初始分類(lèi)得到的冬小麥?zhǔn)噶拷Y(jié)果（冬小麥一）、油菜矢量結(jié)果（油菜一）、二次分類(lèi)得到的冬小麥?zhǔn)噶拷Y(jié)果（冬小麥二）和油菜矢量結(jié)果（油菜二）中各取150個(gè)隨機(jī)點(diǎn)，驗(yàn)證其分類(lèi)精度（表1）。

圖4 60類(lèi)分類(lèi)結(jié)果比較

表1 影像分類(lèi)精度

通過(guò)分析圖4、表1可以發(fā)現(xiàn)，經(jīng)過(guò)二次分類(lèi)且尚未進(jìn)行目視解譯之前，影像的分類(lèi)精度已得到明顯提高，冬小麥、油菜的分類(lèi)精度分別提高了20．6%和19．4%，在初始非監(jiān)督分類(lèi)時(shí)沒(méi)有被正確分類(lèi)的A點(diǎn)冬小麥、B點(diǎn)油菜在經(jīng)過(guò)二次非監(jiān)督分類(lèi)后被正確分類(lèi)了。當(dāng)然，二次分類(lèi)得到的結(jié)果也需要進(jìn)行人工目視解譯，但相比于初始分類(lèi)結(jié)果，工作量大大減少，這對(duì)于提升解譯工作效率，提高解譯結(jié)果的時(shí)效性是很有意義的。

在對(duì)遙感影像進(jìn)行非監(jiān)督分類(lèi)時(shí)，使用的是ISODATA算法，該算法是基于最小光譜距離公式的聚類(lèi)算法。遙感影像像元光譜值、閾值和分類(lèi)類(lèi)別數(shù)，將會(huì)對(duì)最終的分類(lèi)結(jié)果產(chǎn)生影響。當(dāng)執(zhí)行分類(lèi)時(shí)，如果某一類(lèi)別聚類(lèi)中心與另一類(lèi)別聚類(lèi)中心的距離比設(shè)定閾值小，那么這兩類(lèi)將會(huì)合并成一類(lèi)，反之，將會(huì)作為兩種地物類(lèi)別存在。每一次迭代計(jì)算，都會(huì)獲得新的聚類(lèi)中心，以新的聚類(lèi)中心為條件再次計(jì)算各項(xiàng)指標(biāo)參數(shù)，直至達(dá)到最大循環(huán)次數(shù)或滿足循環(huán)收斂閾值條件，分類(lèi)結(jié)束。在進(jìn)行非監(jiān)督分類(lèi)時(shí)，Erdas Imagine軟件提供了兩種初始聚類(lèi)方法，一種需要事先提供分類(lèi)模板文件，另一種則是以遙感影像本身像元光譜值的統(tǒng)計(jì)數(shù)據(jù)為條件進(jìn)行自由聚類(lèi)。為了提高解譯工作的效率，盡可能地減少人工干預(yù)，通常會(huì)選擇后者，因此，像元光譜值就成為了初始聚類(lèi)的重要影響因素。分別對(duì)原始遙感影像、剔除非種植區(qū)信息的遙感影像進(jìn)行像元光譜值數(shù)理統(tǒng)計(jì)，得到結(jié)果見(jiàn)表2、3。

通過(guò)對(duì)比表2、3的統(tǒng)計(jì)數(shù)據(jù)可知，剔除了非目標(biāo)作物信息的遙感影像，其各波段像元光譜值的最大值、均值、標(biāo)準(zhǔn)差等均比初始遙感影像減小了很多，這將會(huì)使初始聚類(lèi)中心的選擇更加準(zhǔn)確。

初始聚類(lèi)中心的選擇對(duì)于遙感影像分類(lèi)而言至關(guān)重要，分類(lèi)過(guò)程和分類(lèi)結(jié)果都會(huì)受到初始聚類(lèi)中心的影響，較好的初始聚類(lèi)中心會(huì)提升分類(lèi)效率和精度。目前，遙感影像分類(lèi)時(shí)選擇初始聚類(lèi)中心的方法有：隨機(jī)選擇M個(gè)樣本點(diǎn)作為初始聚類(lèi)中心；以標(biāo)準(zhǔn)差為條件選擇初始聚類(lèi)中心；根據(jù)最大最小距離規(guī)則選擇初始聚類(lèi)中心；結(jié)合過(guò)往的解譯經(jīng)驗(yàn)選擇影像上的特征點(diǎn)作為初始聚類(lèi)中心。上述方法均有各自的優(yōu)缺點(diǎn)，尚未有一種初始聚類(lèi)中心選定方法可以解決所有分類(lèi)問(wèn)題。為了減少人工干預(yù)，提高解譯的效率和分類(lèi)自動(dòng)化程度，Erdas Imagine軟件的ISODATA非監(jiān)督分類(lèi)使用隨機(jī)樣本點(diǎn)法選擇初始聚類(lèi)中心[7]。

表2 洪湖市GF-1衛(wèi)星影像像元光譜值統(tǒng)計(jì)表

表3 洪湖市冬小麥、油菜種植區(qū)影像像元光譜值統(tǒng)計(jì)表

在未剔除非目標(biāo)農(nóng)作物遙感影像時(shí)，初始聚類(lèi)中心是隨機(jī)選擇的，因此會(huì)存在將非目標(biāo)作物像元選為初始聚類(lèi)中心的情況。由于其他地物的光譜統(tǒng)計(jì)特征值與冬小麥、油菜種植區(qū)的光譜統(tǒng)計(jì)特征值的差值，比冬小麥種植區(qū)、油菜種植區(qū)二者間的光譜統(tǒng)計(jì)特征值的差值大，所以冬小麥、油菜與其他地物在進(jìn)行非監(jiān)督分類(lèi)時(shí)可以被區(qū)分，冬小麥、油菜無(wú)法被正確分類(lèi)。當(dāng)非目標(biāo)農(nóng)作物遙感影像信息被剔除后，冬小麥種植區(qū)與油菜種植區(qū)的光譜特征值之間的差異更加明顯，且此時(shí)雖然仍使用隨機(jī)點(diǎn)法選擇初始聚類(lèi)中心，但可以預(yù)見(jiàn)的是，這些聚類(lèi)中心一定都位于目標(biāo)作物范圍內(nèi)，因此在其他條件不變的前提下，二次分類(lèi)的精度要大于初始分類(lèi)精度，且能較好地區(qū)分易混淆的冬小麥、油菜。

3 結(jié) 語(yǔ)

快速、準(zhǔn)確、及時(shí)地從衛(wèi)星影像中獲得農(nóng)作物長(zhǎng)勢(shì)、種植面積數(shù)據(jù)，是確保農(nóng)情信息時(shí)效性的關(guān)鍵。雖然當(dāng)前的遙感技術(shù)和計(jì)算機(jī)技術(shù)較過(guò)去都有了長(zhǎng)足發(fā)展，但完全依靠計(jì)算機(jī)獲取復(fù)雜的影像信息仍存在很大困難，人工目視解譯依然是當(dāng)前農(nóng)業(yè)遙感工作中最主要的技術(shù)手段之一[8-9]。

在人工目視解譯工作中，經(jīng)常會(huì)遇到類(lèi)似于冬小麥、油菜兩種作物難以區(qū)分的情況。雖然采用監(jiān)督分類(lèi)法、面向?qū)ο蠓诸?lèi)法等能夠部分解決這個(gè)難題，但訓(xùn)練樣本選擇、數(shù)據(jù)處理等環(huán)節(jié)需要耗費(fèi)大量的時(shí)間，且最終得到的分類(lèi)結(jié)果依然需要經(jīng)過(guò)人工目視解譯才能達(dá)到使用標(biāo)準(zhǔn)。這樣復(fù)雜的處理方式降低了工作效率，影響了解譯結(jié)果的時(shí)效性，對(duì)于提取大面積農(nóng)作物種植面積而言并不是最佳選擇。本文提出的二次分類(lèi)解決方案，能夠充分利用當(dāng)前已有的分類(lèi)技術(shù)和手段，簡(jiǎn)單、便捷地實(shí)現(xiàn)了對(duì)冬小麥、油菜作物的區(qū)分，最大限度地使用計(jì)算機(jī)軟件，減少了人工解譯的工作量，提高了解譯工作的效率，且具有較高的分類(lèi)精度。

農(nóng)業(yè)遙感解譯工作中涉及的分類(lèi)問(wèn)題還有很多，影響分類(lèi)結(jié)果和精度的因素也很復(fù)雜，如何深度挖掘計(jì)算機(jī)軟硬件的解譯能力，提高計(jì)算機(jī)解譯精度、擴(kuò)大計(jì)算機(jī)解譯適用范圍，有效減少人工目視解譯的工作強(qiáng)度，甚至完全替代人工目視解譯這個(gè)環(huán)節(jié)，是今后研究工作的重點(diǎn)和難點(diǎn)，有待進(jìn)一步開(kāi)展細(xì)致的研究工作。

[1] 趙維兵．中巴地球資源衛(wèi)星圖像中偽“同譜異物”區(qū)分方法研究[J]．遙測(cè)遙控,2008,29(2):19-25

[2] 萬(wàn)瑋,陳秀萬(wàn),肖鵬峰,等．一種基于形狀特征的高分辨率遙感圖像“同譜異物”目標(biāo)識(shí)別方法[C] //第八屆數(shù)字中國(guó)發(fā)展高層論壇暨信息主管峰會(huì)論文集,北京,2011:235-242

[3] 賀金鑫,陳圣波,王陽(yáng),等．一種基于樸素貝葉斯分類(lèi)模型的高光譜礦物精確識(shí)別方法[J]．光譜學(xué)與光譜分析,2014,34(2):505-509

[4] 王任華,霍宏濤,游先祥．人工神經(jīng)網(wǎng)絡(luò)在遙感圖像森林植被分類(lèi)中的應(yīng)用[J]．北京林業(yè)大學(xué)學(xué)報(bào),2003,25(4):1-5

[5] 賈坤,李強(qiáng)子,田亦陳,等．遙感影像分類(lèi)方法研究進(jìn)展[J]．光譜學(xué)與光譜分析,2011,31(10):2 618-2 623

[6] 朱俊杰,范湘濤,杜小平．幾何特征表達(dá)及基于幾何特征的建筑物提取[J]．應(yīng)用科學(xué)學(xué)報(bào),2015,33(1):9-20

[7] 魏從玲,符麗萍．非監(jiān)督分類(lèi)中初始聚類(lèi)中心法的比較研究[J]．測(cè)繪工程,2009,18(1):19-21,25

[8] 楊博,劉義．農(nóng)業(yè)遙感影像目視解譯技術(shù)要點(diǎn)[J]．現(xiàn)代化農(nóng)業(yè),2008(4):37-39

[9] 邢素麗,張廣錄．我國(guó)農(nóng)業(yè)遙感的應(yīng)用現(xiàn)狀與展望[J]．農(nóng)業(yè)工程學(xué)報(bào),2003,19(6):174-178

P237

B

1672-4623（2017）01-0059-04

10.3969/j.issn.1672-4623.2017.01.018

許亮，碩士研究生，主要從事農(nóng)業(yè)遙感和地理信息系統(tǒng)應(yīng)用方面的研究。

2015-10-10。

項(xiàng)目來(lái)源：國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃資助項(xiàng)目（2010CB950902）；農(nóng)業(yè)部遙感應(yīng)用中心武漢分中心農(nóng)業(yè)遙感監(jiān)測(cè)與評(píng)價(jià)資助項(xiàng)目。