珠海一號高光譜衛星在高密市農作物精細分類中的應用

文|張信耶 李繼旭

1.青島科技大學 2.珠海歐比特宇航科技股份有限公司

一、引言

隨著近幾年大量遙感衛星發射和遙感技術快速發展，遙感技術已滲透到各個領域當中，作為一種探測技術，它的起源要追溯到20世紀60年代，根據電磁波理論，傳感器通過收集對遠距離的目標、地物反射的信息，生成的圖像反映地表的特有特征。遙感技術可以實現快速大范圍的檢測，解決了以往需要通過大量實地調查的時間成本問題，通過遙感影像分類和識別，可以獲得某個地區的農作物類型并對其進行產量預估，這對于農業生產具有重要意義[1]。

農作物精細分類是農業估產、作物長勢監測、面積預測以及農業災情監測的關鍵。同時，也是國家制定糧食政策、調整農業產業結構的基礎，對保障國家糧食安全具有重要的理論意義。提高分類精度的同時減少實驗時間是研究的重要內容。以高光譜衛星為代表的物理遙感技術已成為遙感技術發展的趨勢之一。

高光譜數據量大、維度高和數據小樣本的特點，需要遙感技術、圖像處理、目標識別等多種知識和學科集成處理。高光譜數據除了上述特點外，還具有高空間分辨率和豐富的光譜波段，波段數達到幾十甚至幾百個，能夠監測到不同農作物之間的微小差別并判別出不同的作物種類信息，有利于提高農作物的分類精度。

二、高光譜遙感影像技術發展

1.高光譜數據

隨著對地觀測技術的發展，高光譜數據逐漸走入大家的視線中，高光譜圖像的發展得益于成像光譜技術的發展、成熟，成像光譜技術作為一項綜合性技術與光譜探測技術結合，對空間像元的波段進行連續的光譜覆蓋，形成的高光譜數據可以三維表示（見圖1）。在遙感中的高光譜有以下幾個特點。

1）高光譜通常具有很高的光譜分辨率，由很窄的波段（10～20 nm）組成。高光譜圖像可能有數百或數千個波段。

2）和多光譜相比，在相同的空間分辨率下光譜覆蓋范圍更寬，可以探測到更多電磁波的響應特征。

3）由于不同農作物具有相同的光譜信息，因此越多的波段所含信息越多，就越容易對其進行分類。

圖1 高光譜數據三維表示

相比其他類型的遙感數據，高光譜具有多維度、多尺度的特點，它綜合地面目標的空間維、時間維、光譜維特征，獲得地物多種維度的信息、狀態，對于農作物來說通過人眼很難去判定紋理變化，這種多維度的地物信息有利于地物的精細分類與識別。但是由于高光譜波段數量多，所含的巨大信息量導致信息量冗余，使用時需要進行許多降維和去噪處理，增加了處理上的復雜程度，同時光譜分辨率的提升，導致空間分辨率的降低，因此需要借助光譜信息來進行農作物分類應用。

2.高光譜研究現狀

首先，高光譜特點決定了其有很高的研究價值，類似最大似然分類法（MLC）、光譜角制圖（SAM）、最小距離等方法已經普遍應用到高光譜遙感影像分類實驗中，駱劍承等人將MLC算法進行改進，通過最大期望算法（Expectation-Maximization algorithm）進行計算減少了估計偏移。張立朝[2]等人使用改進的SAM算法對道路、植被、海水進行分類，相比傳統的ISODATA算法準確率提高了10%。李明澤[3]等人通過SAM算法對濕地植被進行分類，證明了光譜分析方法在植被分類上的可行性。其次高光譜的復雜性決定了傳統的遙感分類方法不能滿足高光譜分類的要求。近幾年，機器學習、模式識別技術的發展例如支持向量機（SVM）[4]、隨機森林[5]、神經網絡[6]等算法使準確率得到飛躍的提升。神經網絡算法高精度依賴于大量的樣本數據，在樣本數據不足時，本文研究通過端元波譜獲取技術補充樣本的可行性，以此提高農作物分類精度。

3.技術路線

技術路線如圖2所示，將高光譜衛星數據進行輻射定標、大氣校正等預處理，采用端元波譜獲取技術進行最小噪聲分離變換和像元純度指數計算，之后使用n維可視化技術獲取純凈像元[7]。采用神經網絡的分類方法，通過不斷迭代找到了合適的網絡參數，分類結果和實地勘測數據進行對比，獲得完整的精度評價。

圖2 技術路線

三、珠海一號高光譜衛星在高密市農業遙感應用

1.數據介紹

本文所研究數據是山東省高密市珠海一號高光譜數據，如圖3所示，珠海一號高光譜衛星于2018年4月26日發射，波段數256（有效成像波段數32），空間分辨率10m，寬幅150km，重訪周期2天，已在農作物精細分類、農作物長勢（種植面積）預測、病蟲害等方面廣泛運用。

圖3 高密市高光譜遙感影像

本文用實地勘測的數據和高光譜影像制作數據集，按照7：3的比例 分成訓練集和測試集，用于后面的分類訓練，訓練樣本信息如表1所示。

表1 高光譜圖像各類別及樣本信息

2.農作物精細分類

高密市農作物以小麥為主，因此針對高密市農作物種植特點，待分類類型為小麥、油菜花、大棚和裸地。預處理方面本文首先對高密市2019年3月19日的5景高光譜數據進行預處理、拼接，形成完整研究區域。由于高密市地物復雜，首先需要獲取耕地區域，排除其他地物的干擾，高密市耕地分類結果如圖4所示。

從圖4可以看出，對于居住地、河流、村莊、耕地的分類有較高的精度，之后將耕地區域（紅色部分）進一步細分。樣本選擇方面通過實地數據和高分數據的輔助進行樣本標注形成訓練集，通過端元將獲取的端元波譜與野外實測數據的光譜曲線進行比較，結果如圖5（以小麥為例）所示。

圖4 高密市耕地分類結果

圖5（a）、（b）中光譜曲線橫軸代表波段數，縱軸代表對應的像素值，可以看出通過端元提取的光譜曲線和實測數據基本吻合，但還是存在些許偏差，這與農作物容易受到外界因素影響而產生狀態的變化有關。

圖5 小麥端元提取和實測數據光譜曲線對比

本文研究選擇的分類算法是神經網絡（NNL），分類的農作物主要有四種類型：小麥、油菜花、裸地、大棚（分類結果如圖6所示）。可以看出高密市大面積種植小麥，將結果分類和實測數據作比較，選用混淆矩陣評估方法來計算分類精度，如表2所示。實驗得出：高密農作物總體分類精度88.5%，小麥分類精度達到98%。

最后將本實驗方法與最大似然分類法（MLC）、SVM方法作比較，結果如表3所示。

圖6 高密市農作物精細分類結果

表2 高光譜分類混淆矩陣

表3 各種分類方法對比結果

3.小麥種植面積估算

種植面積估算是遙感監測的重要內容之一，根據農業局的記錄統計，高密市90%的農田種植小麥農作物，小麥種植面積估算不僅可以提高糧食生產效益，還可以進行相應的農田管理，這對于指導農業生產、提高經濟效益具有重要意義。

本文將農作物分類結果矢量化，使用Arcgis10.1進行小麥種植面積統計，小麥的分布范圍由大小不一的多塊圖斑組成，將統計的圖斑面積匯總即小麥的種植面積，統計獲得高密地區小麥的種植面積為680萬平方米，與高密市政府部門所給的小麥種植面積594萬平方米相比較，面積精度為86%，面積精度大于85%說明多分不嚴重，小麥種植受人為因素影響以及混合像元影響，結果可能有一定誤差，因此本文研究的方法可以有效預測小麥種植面積。

未來通過預估多時期的面積，結合回歸模型，從而實現小麥的面積預測，對于未來指導農業生產具有重要應用價值。

四、結論

結合端元波譜獲取技術和人工智能算法可以有效解決高光譜農作物精細分類問題，相比其他分類方法，具有比較高的精度，未來對于人工智能算法的研究將助力農業遙感的發展。珠海一號衛星（星座）投入使用以來，已在農作物精細分類、農作物長勢預測、農作物病蟲害方面獲得應用，未來通過構建智慧農險平臺可實現農業保險“精準承保、精準理賠”，提供移動承保、移動查勘、遙感影像驗標定損等服務，協助保險企業規避道德風險，降低經營成本，打造業務新流程，以科技加遙感助力農險業務發展。