基于高分二號衛星影像的粵北地區香芋遙感識別研究

王 衛，李 敬，陳曉遠，高 琳1,

（1.韶關學院英東生物與農業學院，廣東 韶關 512005；2.韶關學院粵北土壤土地研究中心，廣東 韶關 512005；3.華南農業大學資源環境學院，廣東 廣州 510642；4.華南農業大學土地科技中心，廣東 廣州 510642）

【研究意義】遙感技術廣泛用于農作物監測和農業估產中，并隨著遙感圖像分辨率不斷提高和數據類型的不斷豐富，監測水平和產量的估算精度不斷提高。遙感技術監測大規模種植的農作物如小麥和水稻，一般都采用中低分辨率的衛星圖像［1-3］，而小規模特色種植的農作物，需要較高的分類精度，一般采用高分辨衛星影像［4-5］。香芋是粵北地區主要的特色農作物，國家地理標志產品，在國內外都具有較高的知名度［6］。對香芋的遙感識別和遙感監測有助于掌握香芋種植的動態，制定病蟲害防治措施，調節種植結構，發揮特色經濟作物的帶動作用。

【前人研究進展】對作物的遙感識別和分類，經歷了從低分辨率影像到高分辨率影像、波譜分析技術到融合波譜紋理分析技術的不同階段。多光譜遙感影像具備豐富的作物光譜信息，可通過分析作物關鍵生育期的遙感影像和作物多時相不同生育期物候特征的遙感影像，進行作物分類。利用多時相關鍵物候期的遙感影像，具有能與物候期相匹配的高時間分辨率，可以克服同物異譜的現象，提高作物分類精度［7-8］。但是空間分辨率為中低分辨率，進而導致作物分類的精度較低，適用于大面積種植的作物如小麥、玉米、水稻等。隨著遙感影像空間分類的不斷提高，地物的形狀紋理信息應用到了遙感分類［9-11］。融合了光譜和紋理信息的遙感影像，克服了光譜信息的同物異譜和異物同譜的現象，同時減少了對多時相遙感數據的依賴。

【本研究切入點】融合紋理的高分辨率遙感影像，往往忽略了多光譜影像的多種特征，如植被特征、水體特征和亮度特征，從而導致分類結果不盡理想。【擬解決的關鍵問題】為充分利用高分辨率衛星多特征信息，提高作物的分類精度，本研究利用高分二號衛星遙感影像，提取光譜的多特征信息如歸一化植被指數（NDVI）、歸一化差分水體指數（NDWI），并利用高分辨率全色波段提取形狀紋理信息，構建融合多特征光譜紋理影像，對粵北地區特色作物香芋進行遙感識別。

1 材料與方法

1.1 研究對象

粵北地區香芋產區主要在樂昌盆地及四周山谷地帶，土壤由花崗巖、砂頁巖母質洪積物發育形成，土壤疏松肥沃、耕作層深厚，厚度在13～19 cm之間，有機質含量為3.89%，土壤pH值為6.9。

香芋又稱地栗子，母芋外表呈黃褐色，外表皮細薄，可食用部分呈乳白色，肉質結構緊密光滑，口感粉而細滑、香氣濃郁。粵北地區的香芋著名之處在于其大小和形狀規整，球莖重量≥2.5 kg，長度≥30 cm，外形類似橄欖球又酷似炮彈，故又稱為“炮彈香芋”。處于生長期的香芋葉面積較大，呈盾型，為奇數羽狀復葉，互生，單葉面積可達1 m2（圖1）。香芋需要生長在土質疏松、水分含量較少、肥沃的土壤環境當中。

圖1 成長期（7月）的香芋Fig. 1 Taro growing in July

香芋的生長需要濕潤不積水的環境，要求土壤水含量保持穩定的狀態，對耕地的排水和灌溉系統有較高要求。香芋的生產周期較長，一般在3月到4月上旬播種，4月上旬至5月下旬為幼苗期，6月上旬至11月下旬為生長期，11月下旬到翌年1月底為收獲期。張溪香芋是地理標志保護產品，保護范圍為廣東省樂昌市樂城鎮、廊田鎮、長來鎮、北鄉鎮等4個鎮現轄行政區域，本文的研究區選在樂昌市廊田鎮。

1.2 數據來源

高分二號衛星影像有1個0.8 m的全色波段（波譜范圍為0.45～0.90 μm）、4個3.2 m分辨率的多光譜波段（波譜范圍為藍波段 0.45～0.52 μm，綠波段 0.52～0.59 μm，紅波段 0.63～0.69 μm，紅外波段0.77～0.89 μm）。為了更好的識別香芋，把香芋與其他地物較明顯的區分，并根據香芋的生長周期，選擇香芋為生長期階段葉子面積到逐步達到最大、行距明顯，紋理特征清晰影像。本研究選擇覆蓋研究區的高分二號遙感影像，數據由廣東高分中心提供，存檔影像獲取時間為2019年7月17日，處于香芋的關鍵生長期，傳感器為PMS1。

圖2為研究區假彩色合成影像和全色影像，影像中有成片的香芋種植地塊、裸露的耕地、早稻和其他作物。

1.3 研究方法

圖2 研究區多光譜(A)和全色影像(B)Fig. 2 Multispectral (A) and panchromatic image (B) in study area

1.3.1 光譜信息提取 歸一化植被指數（NDVI）是利用作物在影像的紅波段反射率很低而近紅外波段反射率高，歸一化差值計算出的植被指數來反演作物的生態特征［12-13］。在不同的生長期不同作物具有不同的光譜反射特征，可以區分出關鍵生育期的作物與其他地物［14］，如本研究影像中裸地、農作物以及林地等。

式中，NIR為近紅外波段的反射值，R為紅波段的反射值。

歸一化差分水體指數（NDWI）用遙感影像的綠波段和近紅外波段進行歸一化差值處理，以反演影像中的地物含水量信息。由于香芋需要生長在含水量較少的土壤中，而同期水稻的土壤含水量較大，可以作為區分水稻和香芋作物的參考［15］。

式中，NIR為近紅外波段的反射值，G為綠波段的反射值。

1.3.2 幾何紋理信息提取 灰度共生矩陣可以反映影像灰度紋理的方向、紋理的變化程度、紋理溝紋的深淺程度等，并通過將這些紋理特征轉化為紋理特征量，以便從不同的方向對紋理進行分析［16］。灰度共生矩陣理論從不同灰度級的排列和分析方向一共提出14種不同的紋理特征量，其中常用的紋理特征量有角二階矩、對比度、相關性、均值、熵、均勻性、方差和相異性8種，且角二階矩、相關性、對比度和熵這4種紋理特征統計量對遙感影像的統計效果較好［16-17］。對于紋理特征提取的效果，還有兩個影響因素，即窗口的大小和方向，窗口主要是3×3、5×5、7×7，方向有0°、45°、90°以及135°。本研究對高分二號0.8 m全色波段提取紋理信息，選用3×3的濾波窗口，方向取平均值，以減少方向對紋理特征的影響。

1.4 數據處理

利用ENVI5.5軟件平臺結合“中國衛星”工具對高分二號PMS1影像進行預處理，包括輻射定標、FlAASH大氣校正、正射校正，并將全色影像與多光譜影像融合，形成0.8 m分辨率的多光譜全色融合影像，然后進行研究區裁剪［19］，為提高試驗速度和效果，裁剪710 m×580 m的矩形區域作為研究區。通過波段運算，提取多光譜歸一化植被指數（NDVI）和歸一化差分水體指數（NDWI），并重采樣至0.8 m，疊加全色波段提取角二階矩、相關性、對比度和熵4種紋理特征量，形成融合光譜和紋理特征的影像數據，得到研究區3種不同波段組合的影像，分別為多光譜影像、多光譜全色融合影像和多特征光譜紋理融合影像。

通過目視解譯并以現場調研和谷歌地球高清影像為輔助，建立研究區遙感解譯的訓練樣本，包括香芋、早稻、其他農作物、裸地和不透水表面5個類型，并在多光譜影像、多光譜全色融合影像和多特征光譜紋理融合影像驗證訓練樣本的可分離性。總體上看，在這3種圖像中，香芋樣本與其他農作物、裸地和不透水表面樣本的可分離性較好，均值在1.9以上；但是香芋樣本與早稻樣本的可分離性在多光譜影像、多光譜全色融合影像上表現較差，其值分別為1.45和1.79，而在多特征光譜紋理融合影像上的可分離性值為1.94。最后在選擇影像分類方法上，對比最大似然比和支持向量機方法進行篩選。最大似然比方法速度快，但主要依靠光譜信息對類別進行判別，對圖像信息利用不全；而支持向量機方法不僅可以利用光譜信息又可結合圖像線性特征，適合于多特征的圖像。因此選擇支持向量機方法作為本研究的圖像分類方法，對圖像進行分類，識別研究區的香芋種植區域。數據處理技術流程見圖3。

圖3 數據處理技術流程Fig. 3 Technical flow path of data processing

2 結果與分析

2.1 指數特征分析

研究區的歸一化植被指數取值范圍為-0.45～0.54，從各地類的植被指數取值范圍（圖4A）來看，香芋與早稻交叉較多，與裸地和其他農作物沒有交叉，說明香芋與早稻在歸一化植被指數上不易區分，與其他地類區分較為明顯。研究區的歸一化差分水體指數取值范圍為-0.62～0.18，從各地類的植被指數取值范圍（圖4B）來看，香芋與早稻有很少的交叉，與其他的地物基本沒有交叉，說明在歸一化差分水體指數圖像上比較容易區分香芋與其他地物。

2.2 影像紋理分析

對全色波段影像進行紋理特征的提取得到4種紋理特征量的圖像，分別是角二階矩、相關性、對比度和熵，如圖5所示。從通過紋理特征圖像可以看出香芋種植的地塊以及香芋種植的排列方向，以及其他地物分布情況［20-23］。角二階矩反映圖像中灰度分布的均勻程度和紋理的粗細程度，香芋和早稻的種植地塊規整，因此圖像上白色整齊分布的地塊可能是香芋和早稻的種植區域；相關性反映遙感影像灰度之間的聯系是否緊密，道路的紋理從相關性上表現比較清晰，對成片規整的香芋地塊和早稻地塊，顯示內部比較一致；熵反映紋理的隨意性，除了中間部分的裸地、早稻和香芋的地塊比較均勻外，其他的區域的熵值較大，紋理散亂；對比度表示鄰域內灰度的變化程度，差異性越大圖形中的反差也越大，突出紋理的深淺程度，總體比較暗淡，主要是不透水表面與植被之間的反差，獲取到的信息量較少。

圖4 各類地物在NDVI（A）和NDWI（B）圖像上的取值范圍Fig. 4 Range of values of various ground objects on NDVI（a） and NDWI（b） images

圖5 高分二號遙感影像紋理特征Fig. 5 Texture features of GF-2 remote sensing image

2.3 分類結果分析

分別對多光譜影像、多光譜全色融合影像、多特征光譜紋理融合影像利用支持向量機進行分類，結果見圖6。然后對分類結果進行聚類處理，以實地調查結合室內判讀建立分類圖像的檢驗樣本，最后分別對處理后的3個分類結果進行精度評價，評價結果見表1。

表1 精度評價結果Table 1 Accuracy evaluation results

總體來看，3種影像均能識別出香芋種植地塊，但仍存在錯分的現象。在多光譜影像上，香芋和水稻等作物的光譜很接近，分類時容易混淆；多光譜全色融合影像容易出現邊界不清晰的情況，導致香芋種植地塊被侵蝕；多特征光譜紋理融合影像的分類結果最為理想，香芋地塊邊界清晰，錯分的現象少，其他地物的分類結果也比較明顯。

從表1可以看出，3個分類結果的總體精度均達到90%以上，說明在香芋的關鍵物候期利用高分二號衛星影像識別香芋的效果明顯。隨著提取影像特征的增加，分類精度逐漸提高，多光譜全色影像融合后的總體精度提高了4.58個百分點，，Kappa系數提高了0.007，用戶精度提高了2.97個百分點。多特征光譜紋理融合影像分類結果的總體精度相對多光譜影像本身提高了3.01個百分點，Kappa系數提高了0.042，用戶精度提高了3.13個百分點。表明多特征光譜紋理融合影像對香芋的識別有較好的提升效果。

3 討論

高分二號衛星是我國自主研制的高分系列衛星，具有高空間分辨率的特性，與高分一號和高分六號衛星組網后形成高時間分辨率、穩定性強的衛星星座。高分二號衛星影像具有多光譜波段和高分辨率的全色波段，在農業估產和監測的應用日益增加。本研究采用3種不同組合的影像對粵北地區的香芋進行分類，首先是對遙感影像的時相進行選擇，確定香芋生長的關鍵物候期，即成長期，這時香芋的葉面積最大，較易區分，而且研究區內有早稻、裸地和其他農作物等，地物類型較為多樣，給驗證分類結果提供理想的環境；其次為克服多光譜影像中同物異譜和異物同譜現象，加入了影像的紋理信息，并利用高分二號衛星影像的多光譜特征，提取歸一化植被指數和歸一化差異水體指數，為判別香芋種植的地塊提供更多的信息，提高了識別精度；再者，對訓練樣本的選擇，也要注意研究區各地物的特征，由于研究區種植耕地與收獲過的耕地（裸地）和不透水表面區分明顯，訓練樣本主要是在早稻、香芋和其他農作物上，早稻和香芋較難區分主要是由于兩種作物長勢都很好，出現異物同譜現象，因此要輔助其他信息建立訓練樣本。

同時，本研究還注意到3個問題：一是多時相遙感影像有助于增加分類精度，且能夠利用作物關鍵物候期的差異，準備低區分跟中地物的邊界，但是由于數據的可用性和可獲取性，本研究采用了單時相影像，并提取影像的多特征以彌補不足。二是本研究在小區域進行試驗，驗證香芋的分類精度和可行性，但是對于粵北地區全域進行香芋種植的識別還有待驗證，這主要是由于單個數據源全域遙感影像的覆蓋時間往往跨度較大，甚至跨越了關鍵生育期，給作物分類造成困難；另外，全域數據量較大，需要較強的計算能力。三是在農作物遙感監測中，僅僅識別出香芋顯然是不夠的，不同地塊的作物長勢也是更應該關注的問題；由于作物長勢與耕地的肥力和田間管理有很大的關系，決定了作物的產量，表現在遙感圖像上，長勢較好的地塊顏色更深更飽和，可以通過構建時序歸一化植被指數反演不同作物的長勢情況［24］。因此后續研究可從構建多時相和多源遙感系列影像，對粵北地區香芋甚至其他特色作物如黃煙進行識別和不同地塊的作物長勢進行監測，并對分類方法進行優化。

4 結論

本研究結果表明，加入紋理信息和多特征光譜信息的遙感影像，分類精度得到較大的提高。多光譜影像中不透水表面有較大面積的錯分，主要是與裸地的光譜信息相近；多光譜全色融合影像，整體提高了分類精度，但是由于分辨率的提高，導致很多碎圖斑的出現，單獨錯分數增加，圖像不美觀。多特征光譜紋理融合影像，充分利用了多光譜的特征和不同地物的紋理特征，分類精度最好，錯分的圖斑最少，圖像更加平滑，地物輪廓明顯。錯分的地物主要集中在不透水表面和裸地上，主要是由于在地物邊界存在混合像元。香芋的識別精度達到了95%，說明高分二號影像在粵北地區的香芋分類上是可行的，但應用到大面積遙感分類還需對分類方法進行優化。