基于多時相GF-1 WFV和高分紋理的制種玉米田識別

張 超 童 亮 劉 哲 喬 敏 劉帝佑 黃健熙

(1.中國農業大學土地科學與技術學院， 北京 100083； 2.自然資源部農用地質量與監控重點實驗室， 北京 100035；3.中國農業大學信息與電氣工程學院， 北京 100083)

0 引言

玉米作為我國主要的糧食作物，快速、準確地監測制種玉米的生產面積，是確保農業供種安全、加強種子生產監管的迫切要求。傳統農作物面積獲取通常由部、省、市、縣種子管理部門匯總而得，人為因素影響較大，效率低、速度慢。遙感技術以其快速、實時獲取大面積地表豐富信息等特性，可更好地彌補傳統技術方法的不足，成為農作物信息獲取的重要手段[1-2]。結合制種作物的種植方式、物候歷特征、背景環境的區域性差異等地學信息和遙感的光譜特點、紋理結構等影像信息，客觀、及時地獲取作物種植的面積及空間分布信息，是實現制種玉米生產精準監管的必然選擇。

國內外在遙感農作物識別應用方面已經開展了大量研究。多時相數據能反映農作物生長、發育動態變化，較單一時相影像在作物分類上優勢更大。L?W等[3]利用RapidEye時間序列多光譜數據進行作物分類，結果表明，多時相數據集與單一數據集相比，降低了分類的不確定性。HAO等[4-6]對基于長時間序列的分類做了各種探討和研究。ZHAN等[7]研究了不同間隔時間序列對分類精度的影響，結果表明高時間分辨率的時間序列可得到高分類精度。多種植被指數(VI)可以多維度表達作物間光譜差異，蘇岫等[8]利用RVI、NDVI、可見光抗大氣指數(Visible atmospherically resistant index,VARI)和歸一化差異綠度指數(Normalized difference green index, NDGI)等，進行不同類型的紅樹林遙感識別，發現利用多項VI組合進行遙感分類，可以達到更好的分類效果，文獻[9-10]同樣結合多種VI進行作物識別。

制種玉米田在高空間分辨率上呈現明顯的條帶狀紋理，利用光譜信息結合紋理特征可以實現高精度的制種玉米田識別[11-12]。受田塊形狀和種植方向的影響，目前國內外學者針對灰度共生矩陣(GLCM)在紋理旋轉不變性方面的應用開展了研究分析[13-14]。文獻[15-16]通過研究發現，結合局部二值模式(Uniform-LBP)和GLCM的紋理特征提取技術，能夠更有效地識別出圖像紋理特征，而且具有較好的識別精度、計算效率。如薛翠紅等[17]將GLCM與LBP紋理特征提取方法應用于人群密度分類。

針對分類器選擇，TATSUMI等[18]使用隨機森林(RF)分類器對作物分類進行了嘗試，RF性能良好。王利民等[19]針對作物分類，系統比較了RF法與最大似然法、支持向量機(Support vector machine,SVM)法的分類精度，結果表明，RF法精度更高。ZHAN等[7]測試了最大似然分類器、最小距離、SVM、神經網絡和RF分類器的分類能力，結果表明RF分類器精度更高，其次是SVM和神經網絡。

本文結合多時相與高空間分辨率遙感數據的優勢，基于不同作物在光譜、紋理上的差異，探索基于RF的多源時序優選植被指數集和高空間分辨率遙感影像紋理分析的制種玉米田識別方法，以實現快速、準確地獲取雜交制種玉米種植分布和面積，為制種玉米田的監測監管提供技術支撐。

1 研究區與數據源

1.1 研究區概況

選擇新疆維吾爾自治區奇臺縣的制種玉米種植區作為研究區，如圖1所示。新疆維吾爾自治區耕地面積大、光熱充足以及灌溉條件好，昌吉州和伊犁州為玉米制種的主要地區。奇臺縣位于昌吉州的東部，地理范圍為42°25′～45°29′N， 89°13′～91°22′E。昌吉州地勢呈馬鞍狀，南北地勢高中間地勢低，其年平均降水量為269.4 mm、氣溫為5.5℃，無霜期約153 d，地下水資源豐富，氣候條件適合雜交玉米制種，是我國主要的雜交玉米種子生產基地。奇臺縣耕地面積約1.333×105hm2，主要種植制種玉米、大田玉米以及冬小麥、向日葵等作物。

1.2 數據源

1.2.1衛星遙感數據

圖1 研究區域和遙感數據示意圖Fig.1 Study area and remote sensing data

考慮到制種作物的種植區域田塊較大，作物類型簡單，結合制種玉米的物候歷信息和種植特征，選用國產GF-1衛星WFV多光譜影像儀，獲取2016年3—8月覆蓋制種玉米生育期的多時相影像數據，影像空間分辨率16 m，掃描幅寬800 km；為更清晰地顯示制種玉米田的紋理特征，選擇研究區2016年7月17日砍除父本行后的韓國阿里郎3號(Korea multi-purpose satellite 3，Kompsat-3)全色遙感影像作為數據源。衛星參數見表1。

表1 研究區衛星影像數據參數Tab.1 Satellite image data parameters in study area

1.2.2外業調查數據

于2016年8月到研究區開展了實地調查，這個時間段制種玉米田父本已砍除。調查時以精度在3 m左右的手持GPS記錄調查地塊的地理坐標，采集樣本遵循空間上均勻分布的原則。后期根據實地采集的樣本，利用高空間分辨率影像進行目視解譯，增加樣本的數量，最終確定的樣本信息見表2，按照7∶3隨機確定訓練和驗證樣本，樣本的具體分布情況如圖2所示。

表2 研究區樣本數量Tab.2 Sample size in study area

圖2 研究區樣本分布圖Fig.2 Sample distribution map of study area

2 研究方法

以國產GF-1 衛星WFV時間序列的16 m影像、Kompsat-3高空間分辨率影像數據為基礎，形成多源的多時相遙感數據源，綜合分析不同作物在光譜、紋理特征上的差異，并結合制種玉米田反射特性與形態結構特征，在先驗知識的基礎上，進行制種玉米田的識別。具體流程如圖3所示。

2.1 多時相VI選擇

圖3 制種玉米田識別技術路線圖Fig.3 Technology roadmap for identification of seed maize field

VI是為了反映植被與土壤背景之間的反射情況差異[20]，通過波段間的組合和運算，定量表征植被生長狀況的指標。考慮不同作物物候歷、季相差異以及不同VI的意義和抗飽和性程度，將常用的VI分為4類：①反映作物長勢的綜合變化情況：NDVI、EVI。②反映作物綠度情況：TVI、RVI、GNDVI。③反映作物土壤背景情況：DVI、SAVI。④反映作物冠層含水量狀況：NDWI。本文對各時相的8種指數，8維數據做相關性分析，可知GNDVI與NDWI為負相關，同時，SAVI與NDVI為正相關。為減少數據冗余，提高計算速率，本文選擇NDVI、EVI、NDWI、TVI、RVI和DVI 6種VI來反映不同地類間的光譜差異，時序曲線如圖4所示。

圖4 多時相植被指數體系時序曲線Fig.4 Time series curves of multi-temporal vegetation index system

2.2 Uniform-LBP算子

(1)

式中R——鄰域半徑

P——LBP算法所作用圓形鄰域內像素數

gc——鄰域中心像元的灰度

gp——領域內除中心像元外，其他所有像元的灰度

閾值化公式為

(2)

式中x——灰度gc與gp-1的差值

2.3 Subtract紋理特征

制種玉米田的父、母本種植行比1∶6～1∶8，并在抽穗期后去除父本的雄穗，授粉后砍除父本行，這使得制種玉米田在優于1 m分辨率的遙感影像上，表現出明顯條帶狀紋理特征(圖5)。本文對經過Uniform-LBP處理得到的具有旋轉不變性的影像，利用作物行間差，得到Subtract紋理，增強父本行與相鄰母本行之間的對比，以突出制種玉米田的條狀紋理特征，有利于提高制種玉米識別的準確性，具體結果如圖5d所示。

圖5 紋理處理結果對比Fig.5 Comparison diagrams of texture processing results

2.4 RF分類方法

RF使用Bootstrapping的方法來增強分類樹的多樣性，根據樹的集合最大投票數，將每個像素分配給一個類。在RF建立決策樹過程當中，采樣和分裂規則判別是兩個關鍵環節。采樣為隨機有放回，避免了過擬合，包含分裂屬性采樣(列采樣)和樣本采樣(行采樣)。分裂規則遵守自上而下的遞歸分裂，每次分裂時，根據信息增益、基尼指數選擇最好的特征進行分裂。本文利用RF進行作物分類時，把作物類型作為行屬性，光譜或紋理特征的種類作為列屬性，作物對應的影像時間序列光譜特征值、紋理特征值作為屬性值，建立樣本數據集；將樣本集、影像數據集輸入RF分類器中，進行訓練學習，并分類得到不同作物分類結果。

3 試驗與結果分析

3.1 基于多時相VI的玉米識別結果與分析

利用覆蓋研究區作物生育期的GF-1 衛星WFV多時相影像，構建多時相NDVI、EVI、NDWI、TVI、RVI和DVI植被指數數據集，依據不同作物的光譜差異，利用70%樣本訓練分類器，對研究區地物分類，分類結果如圖6所示。利用30%的驗證樣本對上述分類結果進行精度評價，地物總體分類精度為93.73%，Kappa系數為0.91，精度評價結果見表3。其中玉米的制圖精度、用戶精度均在96%以上，為后續利用紋理信息進一步識別制種玉米奠定了基礎。

圖6 多時相VI分類結果Fig.6 Multi-temporal VI classification results

類型制圖精度用戶精度建筑物85.2192.31裸地88.8981.89玉米96.3999.82其他作物75.6871.79南瓜93.1582.23向日葵84.4679.26冬小麥97.40100

3.2 基于紋理特征的制種玉米識別結果與分析

通過試驗對比分析，得出最適宜制種玉米田塊紋理識別的尺度為0.6～0.9 m[21]，本文選擇制種玉米田砍除父本后的0.7 m Kompsat-3全色波段影像，對經過Uniform-LBP處理的影像，計算均值(Mean)、對比度(Contrast)、熵(Entropy)、角二階矩(ASM)和同質性(Homogeneity)等5個紋理特征，與原始全色影像、Subtract紋理，形成一個具有7波段特征的影像，作為基于紋理分析RF分類器的輸入影像，共同參與分類。制種玉米與大田玉米各特征值的差異如圖7所示。分類結果如圖8所示。利用制種玉米、大田玉米驗證樣本，對分類結果計算混淆矩陣，得到制種玉米的制圖精度為93.34%、用戶精度為99.19%。

圖7 制種玉米與大田玉米的紋理特征值差異Fig.7 Differences in texture value between seed maize and grain maize

4 結論

(1)利用全生育期3—8月的多時相GF-1WFV影像，通過相關分析遴選DVI、EVI、NDVI、NDWI、RVI、TVI 6種VI，不同維度反映作物間的差異，采用RF方法實現玉米田塊的識別，最終地物總體分類精度為93.73%，其中玉米的制圖精度為96.39%，用戶精度為99.82%，為進一步識別制種玉米田奠定了基礎。

(2)利用0.7 m Kompsat-3全色波段影像，進行Uniform-LBP結合GLCM的紋理分析，并構建Subtract紋理特征，利用RF分類器進一步識別制種玉米田，得到的制種玉米制圖精度、用戶精度分別為93.34%、99.19%。