基于Softmax分類器的小春作物種植空間信息提取

蔣 怡，黃 平，董秀春，李宗南*，王 昕，魏 來，邱金春

(1. 四川省農(nóng)業(yè)科學(xué)院遙感應(yīng)用研究所，四川 成都 610066；2.金堂縣農(nóng)業(yè)農(nóng)村局，四川 金堂 610400)

【研究意義】隨著成都地區(qū)社會(huì)經(jīng)濟(jì)的快速發(fā)展，農(nóng)業(yè)種植結(jié)構(gòu)發(fā)生明顯變化，及時(shí)獲取準(zhǔn)確的作物種植空間信息對(duì)農(nóng)業(yè)部門的生產(chǎn)管理有重要作用?！厩叭搜芯窟M(jìn)展】遙感法是提取作物空間分布信息的主要手段，具體方法包括目視解譯、監(jiān)督分類、面向?qū)ο蠓诸?、機(jī)器學(xué)習(xí)分類方法等。在不同的應(yīng)用中，方法的選擇受效率、精度、影像分辨率等需求和條件決定。隨著遙感衛(wèi)星產(chǎn)業(yè)的發(fā)展，對(duì)地觀測(cè)獲取的遙感數(shù)據(jù)劇增，如何快速處理不同種類、多時(shí)空分辨率、不同質(zhì)量遙感影像構(gòu)成的大數(shù)據(jù)獲取作物空間分布信息成為農(nóng)作物遙感監(jiān)測(cè)的難點(diǎn)。機(jī)器學(xué)習(xí)分類方法以高效、準(zhǔn)確、智能等優(yōu)點(diǎn)，成為目前作物遙感分類研究的熱點(diǎn)[1]。機(jī)器學(xué)習(xí)分類法以統(tǒng)計(jì)數(shù)學(xué)為基礎(chǔ)，利用先驗(yàn)知識(shí)使分類器進(jìn)行自我學(xué)習(xí)，從而提高分類性能和精度。從訓(xùn)練的角度可分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)；從模型的層數(shù)結(jié)構(gòu)的角度可分為淺層學(xué)習(xí)和深度學(xué)習(xí)，常見的淺層學(xué)習(xí)有：決策樹(DT)、支持向量機(jī)(SVM)、隨機(jī)森林(RF)和分類回歸決策樹(CART)等[2-5]。已有較多研究分析多種機(jī)器學(xué)習(xí)算法應(yīng)用于作物分類的效果，認(rèn)為機(jī)器學(xué)習(xí)方法在農(nóng)業(yè)遙感上具有業(yè)務(wù)應(yīng)用的潛力[1, 6-8]。比較RF法與常用分類方法研究結(jié)果表明，RF法可以有效集成光譜和植被指數(shù)等多維向量的優(yōu)勢(shì)[9-10]；DT和SVM法相對(duì)于傳統(tǒng)最大似然法能更有效識(shí)別主要作物[11-16]。【本研究切入點(diǎn)】Softmax函數(shù)在分類應(yīng)用中，輸出的是每一個(gè)分類的概率，其優(yōu)點(diǎn)是在分類時(shí)計(jì)算量小，速度快，可和多種淺層、深層神經(jīng)網(wǎng)絡(luò)結(jié)合，得到廣泛應(yīng)用。目前，已有學(xué)者[17-18]對(duì)超高分辨率影像利用Softmax分類器進(jìn)行分類并評(píng)價(jià)精度，但鮮有對(duì)中高分辨率影像分類精度的研究?！緮M解決的關(guān)鍵問題】研究基于Softmax方法和10～30 m分辨率多光譜影像提取小春作物種植空間信息的技術(shù)及精度，并分析影像分辨率對(duì)精度的影響，為使用機(jī)器學(xué)習(xí)分類法和遙感大數(shù)據(jù)快速準(zhǔn)確提取作物空間信息提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于成都平原西部，北緯30°17′～30°28′、東經(jīng)103°35′～103°47′之間，邛崍、大邑、新津、彭山、蒲江5市縣交界處，區(qū)位示意見圖1。境內(nèi)地貌山區(qū)、淺丘、平壩兼有，平壩主要集中在中部及北部，地形平坦、開闊，略有起伏，土壤肥沃。該區(qū)屬屬中亞熱帶濕潤季風(fēng)氣候區(qū)，具有春早、夏熱、秋涼、冬暖的氣候特點(diǎn)，年平均氣溫16 ℃，年降雨量1000 mm左右。該區(qū)域傳統(tǒng)的小春作物主要包括油菜、小麥。

1.2 數(shù)據(jù)來源

1.2.1 遙感影像 Sentinel-2A MSI多光譜影像，可見光到近紅外波段空間分辨率為10 m，紅邊、短波紅外波段空間分辨率為20 m的13波段Sentinel-2A MSI多光譜影像。研究區(qū)2018年3月8日有優(yōu)質(zhì)無云的Sentinel2A多光譜影像覆蓋，該時(shí)期研究區(qū)內(nèi)油菜處于開花期，小麥處于拔節(jié)期-孕穗期，在光譜影像中易于識(shí)別。遙感影像假彩色圖及解譯標(biāo)志見圖2(封三)，RGB分別對(duì)應(yīng)B8,B12,B3波段。

1.2.2 驗(yàn)證數(shù)據(jù) 結(jié)合Google Earth高清影像和地面調(diào)查，建立8個(gè)隨機(jī)分布的樣方，對(duì)研究區(qū)內(nèi)的油菜、小麥進(jìn)行分類精度驗(yàn)證，樣方分布見圖1。

1.3 研究方法

1.3.1 影像預(yù)處理 預(yù)處理主要是數(shù)據(jù)融合、影像裁剪及降尺度。采用NNDiffuse算法進(jìn)行數(shù)據(jù)融合，融合結(jié)果對(duì)于色彩、紋理和光譜信息，均能得到很好保留。將融合后空間分辨率為10 m的9波段Sentinel-2A圖像進(jìn)行裁剪，得到覆蓋研究區(qū)域的圖像數(shù)據(jù)，用于小春作物種植空間信息提取。將10 m空間分辨率的融合圖像進(jìn)行尺度轉(zhuǎn)換，得到空間分辨率分別為15、20和30 m的Sentinel-2A融合圖像。

圖1 研究區(qū)位示意及樣方分布Fig.1 Research location and sample distribution

圖3 Softmax分類技術(shù)流程Fig.3 The softmax classification technology

1.3.2 小春作物分類 對(duì)Sentinel-2A 融合影像采用B8,B12,B3波段數(shù)據(jù)進(jìn)行 RGB假彩色顯示，選取油菜、小麥、林地、居民地、水體和其他作物等地物的感興趣區(qū)，采用最大似然法和Softmax分類器對(duì)油菜、小麥的種植空間信息進(jìn)行提取。

Softmax分類：本研究使用ENVI5.5軟件提供的Softmax分類器，該分類器為淺層結(jié)構(gòu)的機(jī)器學(xué)習(xí)分類器。通過訓(xùn)練樣本對(duì)Softmax分類器進(jìn)行訓(xùn)練，然后檢查損失曲線收斂是否滿足要求；最后利用訓(xùn)練好的分類器對(duì)地物進(jìn)行分類。

精度評(píng)價(jià)：對(duì)分類結(jié)果進(jìn)行處理，將小春作物以外的林地、居民地、水體和其他作物進(jìn)行類別組合，形成油菜、小麥和其他3類，然后使用地面樣方數(shù)據(jù)驗(yàn)證分類精度。具體的，通過ArcGIS創(chuàng)建漁網(wǎng)工具將地面樣方矢量數(shù)據(jù)重采樣至與影像一致的分辨率，并與影像配置至誤差小于1個(gè)像元，然后計(jì)算誤差混淆矩陣，得到小春作物分類精度表。

2 結(jié)果與分析

基于Softmax分類器和Sentinel 2A 10 m分辨率多光譜數(shù)據(jù)的小春作物分類結(jié)果見圖4；不同分辨率影像的Softmax分類器的精度見表1，作為參照的最大似然法的精度見表2。根據(jù)表1，Softmax分類器和10 m分辨率影像的典型地物分類總體精度為90.02 %，Kappa系數(shù)為0.8344；與最大似然法比較，Softmax法總精度及Kappa系數(shù)略低，而油菜、小麥的多項(xiàng)生產(chǎn)者精度和用戶精度更高。綜合不同分辨率影像的總精度、Kappa系數(shù)以及油菜和小麥的生產(chǎn)者精度和用戶精度等多項(xiàng)指標(biāo)的情況，認(rèn)為Softmax分類器在中高分辨率影像小春作物分類中具備較高的精度，可作為常規(guī)方法應(yīng)用于業(yè)務(wù)化的作物監(jiān)測(cè)工作。

與10 m分類結(jié)果的精度比較，15、20、30 m分辨率影像的小春作物分類總精度依次減少9.80 %，12.04 %和13.04 %，Kappa系數(shù)依次減少0.1538、0.1873和0.2088，影像空間分辨率降低會(huì)導(dǎo)致Softmax分類器的精度下降。主要原因是研究區(qū)存在較多的破碎地塊，隨著空間分辨率的降低和混合像元的增多，小春作物漏分和錯(cuò)分像元增加。

根據(jù)Softmax分類器的精度表，10～30 m分辨率影像油菜分類的生產(chǎn)者精度分別為93.14 %、79.30 %、77.89 %和75.18 %，用戶精度分別為91.42 %、78.65 %、76.85 %、74.00 %；小麥分類的生產(chǎn)者精度分別為87.93 %、81.74 %、78.95 %和80.23 %，用戶精度分別為98.09 %、90.23 %、89.42 %、86.80 %?？傮w而言，油菜的精度較小麥的低，其主要原因是不同品種油菜的開花期不同，易與部分蔬菜混淆；且油菜更耐旱，農(nóng)民在很多破碎地塊、狹小區(qū)域種植；而小麥對(duì)機(jī)械化程度要求高，常種植于大塊連片平壩區(qū)域。

3 討 論

該研究結(jié)果表明具備更高分類效率的Softmax淺層機(jī)器學(xué)習(xí)分類方法可準(zhǔn)確提取10～30 m分辨率多光譜影像中的小春作物空間分布信息。淺層機(jī)器學(xué)習(xí)分類法具有小樣本學(xué)習(xí)、收斂速度快、高精度和推廣性好的優(yōu)點(diǎn)[16, 19-21]，適應(yīng)目前多種10～30 m分辨率遙感影像的作物快速識(shí)別與分類，可滿足業(yè)務(wù)化運(yùn)行的工作要求。隨著遙感大數(shù)據(jù)時(shí)空分辨率提高，機(jī)器學(xué)習(xí)在遙感影像識(shí)別與分類將使用更大規(guī)模的訓(xùn)練數(shù)據(jù)、構(gòu)建更復(fù)雜的模型，通過深度學(xué)習(xí)算法和模型實(shí)現(xiàn)更多種類地物的精確識(shí)別與分類，降低過擬合的程度[22]。根據(jù)實(shí)地調(diào)研，除油菜、小麥外，成都平原種植的其他小春作物如豌豆、胡豆、小春蔬菜等作物，且種植面積有增加的趨勢(shì)。該研究?jī)H遙感獲取大宗糧油作物空間信息，同時(shí)獲取3種以上的小春作物種植空間信息的方法需進(jìn)一步研究。

圖4 Sentinel 2A的小春作物分類結(jié)果(局部)Fig.4 Classification results of spring crop based on Sentinel 2A (partial)

表1 基于Softmax方法的分類精度

續(xù)表1 Continued table 1

遙感分類地面真實(shí)像元(個(gè))油菜小麥其他合計(jì)(個(gè))漏分(%)錯(cuò)分(%)生產(chǎn)者精度(%)用戶精度(%)總體精度(%)Kappa系數(shù)小麥1102434178272221.0510.5878.9589.42其他1675241098178924.0138.6275.9961.38合計(jì)125330831445578130 m油菜423767457724.8226.0075.1874.0076.980.6256小麥551177124135619.7713.2080.2386.80其他8621449979928.4137.5571.5962.45合計(jì)56814676972732

表2 基于最大似然法的分類精度

4 結(jié) 論

通過對(duì)研究區(qū)2018年3月8日的Sentinel 2A MSI多光譜影像進(jìn)行預(yù)處理，然后使用最大似然法和Softmax法提取油菜、小麥等小春作物的種植空間信息，使用地面樣方調(diào)查數(shù)據(jù)驗(yàn)證，結(jié)果表明：Softmax法和Sentinel 2A 10 m分辨率融合影像的小春作物分類總體精度為90.02 %，Kappa系數(shù)為0.8344，其中油菜生產(chǎn)者精度為93.14 %,用戶精度為91.42 %，小麥的生產(chǎn)者精度為87.93 %、用戶精度為98.09 %。Softmax方法提取小春作物的精度隨影像空間分辨率的下降而降低，15、20、30 m分辨率影像的分類精度較10 m的分別下降9.80 %，12.04 %和13.04 %；Kappa系數(shù)依次減少0.1538,0.1873和0.2088。15、20、30 m分辨率影像的油菜分類精度較小麥的低，影響因素為油菜花期和種植地塊破碎分散。淺層結(jié)構(gòu)的Softmax分類法在10～30 m中高分辨率影像小春作物分類中具備較高的精度，可作為常規(guī)方法應(yīng)用于業(yè)務(wù)化的作物監(jiān)測(cè)工作。