基于GF-1號影像的南方水稻種植信息提取

林 娜，陳 宏，李志鵬，趙 健*

（1.福建省農業科學院數字農業研究所，福建 福州 350003）

我國作為水稻生產與消費大國之一，水稻信息提取與產量預測一直是學界與國家關注的重點[1]。我國南方是水稻種植與制種的主要區域，區域內地形復雜，多為丘陵和中低山地帶，且作物種植結構多樣，地塊破碎程度嚴重。雖然多時相、多源遙感數據能提升作物的提取精度，但由于南方天氣多云多雨，可利用的衛星數據很少，因此研究如何充分利用影像的多種特征構建合適的分類模型，從而獲得較高的地物信息提取精度具有重要意義。

國內外學者在利用遙感技術提取水稻田信息方面開展了大量研究，取得了較好的成果[2-5]。由于常規的監督與非監督分類方法在作物識別方面有一定的局限性，因此眾多學者紛紛從決策樹分類、支持向量機、人工神經網絡、面向對象[6-8]等其他領域引進分類技術，其中面向對象的分類方法在保持地物完整性上具有較大優勢，且在分類過程中能充分利用影像對象的光譜、位置、形狀、紋理等信息進行地物識別[9]。隨機森林分類方法是基于機器學習的算法，具有分析復雜地物分類特征的優勢和高度靈活性，借助自助抽樣技術和節點隨機分裂技術來構建多棵決策樹，以投票的方式確定歸屬分類結果[10-11]。近年來，有些學者在隨機森林分類方法中加入了面向對象技術，并在影像分類提取應用中開展研究，如孫杰[12]等基于城區機載LiDAR數據，提出了一種隨機森林結合面向對象的特征選擇與分類方法，對目標對象的幾何、光譜、紋理等特征進行相關性評估與篩選，最后確定合適的特征進行城區地物分類；雷小雨[13]等利用兩個時相的Landsat 8 OLI數據構建差值特征，再通過面向對象與隨機森林分類相結合的方法提取了較高精度的水稻種植面積；張雯[14]等利用一種面向對象與隨機森林相結合的方法對月球地貌進行了分類研究，分類結果基本吻合月貌實際情況，總體分類精度可達84.2%，Kappa系數為0.71。多項研究表明，面向對象與隨機森林相結合的方法比傳統單一分類方法的計算結果更準確，運行速度更快。

在目前南方水稻信息遙感提取的研究中，對于影像數據源充分的前提下遙感分類最優方法、最高精度的研究較多，而對于基于有限時相的中高分辨率國產影像的作物提取研究相對較少，對于面向對象隨機森林遙感提取模型的研究也較少。本文旨在驗證隨機森林與面向對象相結合的分類方法用于國產高分衛星在單一時相上提取水稻田信息的識別效果，并深入分析了隨機森林中的特征優選策略，評價了其分類性能，以期推進新方法在準確快速監測南方地區其他農情信息中的應用。

1 實驗區域與數據來源

本文選取的研究區位于三明市建寧縣溪口鎮，地理位置為116°46′1″～116°48′59″E、26°51′55.07″～26°54′9″N，面積為20.59 km2。三明市建寧縣是我國最大的雜交水稻制種基地縣，縣域內以丘陵和中低山為主，光照充足，水資源豐富，農業災害少，有利于建設和發展水稻制種產業。

本文采用的實驗數據為2015年9月17日GF-1 PMS2多光譜與全色遙感影像。該時段研究區天氣少雨少云，影像質量較好，且晚制水稻處于灌漿期，在影像上呈現植被光譜特性和紋理差異性。數據預處理包括輻射定標、大氣校正和正射校正，再采用Nearest Neighbor Diffusion Pan Sharpening算法進行多光譜與全色影像數據融合，最終獲得空間分辨率為2 m的研究區遙感影像。

2 研究方法

本文以面向對象的隨機森林分類算法為分類器，根據高分影像的光譜、植被指數、紋理、幾何特征構建研究區遙感識別特征空間；再利用特征優選算法對特征空間中的所有特征進行優化選擇；最后利用分類器對優選特征空間子集進行分類，達到高精度識別和提取研究區水稻信息的目的。本文技術路線如圖1所示。

2.1 分類方法與實現

2.1.1 理論基礎

隨機森林算法是由Breiman L[15]于2001年提出的一種由多棵CART決策樹構成的集成學習算法，具有精度高、運算速度快的優點。隨機森林算法通過Boot-strap自助重采樣法（隨機有放回地選擇樣本）不斷生成訓練樣本（約為原始數據的2/3）和測試樣本（約為原始數據的1/3），再利用完全分裂的方式隨機生成多棵CART決策樹組成隨機森林，且每棵決策樹之間是相互獨立的，最終結果由投票得到。然而，傳統的隨機森林算法是基于單像元進行運算的，分類結果較破碎，而面向對象的分類方法是基于高度同質化的影像對象，能有效保持地物的完整性，若能結合二者優勢，將有利于提高復雜環境下影像的分類精度。

圖1 技術路線圖

2.1.2 影像分割

本文采用多尺度分割的方法進行影像分割實驗。該方法采用自下而上的方式合并相鄰像素以及較小對象，再進行分割，能最大限度地保證影像對象之間異質性最小、對象內部像元之間同質性最大[16-17]。考慮到水稻呈現明顯的植被光譜特征以及種植集中、連片性好、地形平坦等區域特征，經過多次嘗試發現，光譜參數為0.8、緊致度參數為0.6時，能得到相對較好的分割效果。在此基礎上，本文設置了4種尺度參數（50、80、100、130）進行比較實驗。結果表明，尺度參數為80時，分割效果較好，大部分對象斑塊只包含一種地物類型。部分研究區分割對比結果如圖2所示。

圖2 不同分割尺度的效果對比

2.1.3 樣本選取

基于研究區區域特征和水稻提取的需要，本文確定了水稻、林地、其他植被、裸露土地、水體和建筑用地6種主要地物類型。地物本底調查數據是基于高分辨率影像，采用目視方法解譯地塊邊界，并結合地面調查對地塊屬性進行確認的方式獲取，主要作為分割精度參考、分類的訓練樣本以及地物空間提取結果的精度驗證樣本。本文共選擇具有代表性、典型性的樣本區域136個，每個樣區布設一個20 m×20 m的采集樣方，其中水稻樣區62個，形成樣本集。

2.1.4 特征提取

綜合考慮研究區地物的影像特點以及水稻種植分布特點等，本文選取光譜、植被指數、紋理和幾何4種特征，其中光譜特征包括4個原始波段的均值、標準差、比率、亮度和最大差異；植被指數是區分不同植被最常用且有效的方法之一，本文采用比值植被指數（RVI）、差值植被指數（DVI）、歸一化植被指數（NDVI）、土壤調節植被指數（SAVI）4種常見的植被指數；表征地物紋理信息的特征主要為灰度共生矩陣和灰度差分矢量；表達地物形狀的特征包括長寬比、緊湊度、密度、形狀指數和圓滑度，如表1所示。

表1 特征空間統計

2.1.5 隨機森林分類

在訓練樣本數量一定的情況下，影響隨機森林分類精度的參數主要為組成森林的最大決策樹個數以及特征個數。針對最大決策樹個數設置的研究表明，根據大數定理，當最大決策樹數增加時模型泛化誤差收斂，不用擔心過訓練的情況[18]，因此本文將最大決策樹個數設置為100。最大特征個數即每個節點處候選特征的個數，可根據袋外數（OOB）誤差率進行調整[19]。為了確定隨機森林的最優最大特征個數，將最大特征個數設為變量，以分析最大特征個數的變化對分類模型性能的影響，OOB誤差率變化如圖3所示。當最大特征個數為6時，OOB誤差率最小，此時隨機森林模型的精度最高。

圖3 OOB誤差率隨特征個數變化的趨勢

2.2 特征優選方法

每種特征對影像分類都有不同程度的貢獻率，但部分特征之間會呈現較大的相關性，若將大量的特征應用于分類器，則會增大計算量、降低分類精度和效率。本文采用特征空間優化（FSO）算法對提取的35個特征進行特征優選，并將最終確定的特征子空間應用于隨機森林分類器中。FSO算法基于訓練樣本的各特征數值，結合特征組合分析，計算不同類別訓練樣本間的最大、平均、最小距離。分離距離隨特征個數的變化情況如圖4所示。選取重要性靠前的18個特征屬性（Ratio_RED、Mean_NIR、GLCM_Homogeneity、Shape Index、Standard Deviation_NIR、Density、RVI、DVI、Roundness、GLDV_Ang.2nd moment、NDVI、SAVI、GLCM_Correlation、Compactness、Brightness、GLDV_Entropy、Ratio_NIR、GLCM_Entropy）構成特征空間組合（圖5），此時的分離距離最大。

圖4 分離距離隨特征個數變化的趨勢

圖5 優選特征重要性得分

3 研究結果與分析

3.1 特征優選分析

本文設計了4組實驗方案，以驗證基于優化后特征子空間的分類方法的有效性。實驗A采用原始光譜特征；實驗B采用光譜特征+植被指數特征；實驗C采用全部特征集合，即光譜特征+植被指數特征+紋理特征+幾何特征；實驗D采用優化后特征子空間集合。部分研究區分類實驗結果如圖6所示。將各組提取結果與原始影像圖進行對比可知：實驗A、B均有部分林地錯分為水稻田，實驗C有部分水稻田錯分為其他植被，而實驗D分類結果較準確，錯分和漏分現象少于其他3組實驗。

3.2 結果分析與精度驗證

為了反映基于面向對象的隨機森林分類模型的分類效果，本文采用隨機驗證的方式，將分類結果與研究區調研結果以及高分辨率影像進行對比，得到研究區分類結果的混淆矩陣，獲取分類總體精度、Kappa系數和水稻信息提取精度。精度評價結果如表2所示。

圖6 分類實驗效果對比

表2 精度評價

由精度分析結果可知，在研究區內實驗D的總體分類能力最高，總體精度達到87 %，Kappa系數高于0.85，說明基于優化后特征子空間的分類方法具有較好的分類效果。通過4組實驗的精度對比發現，分類精度結果實驗D＞實驗C＞實驗B＞實驗A，說明只采用光譜特征進行分類具有一定的局限性；在實驗B中加入植被指數特征、在實驗C中又加入紋理與幾何特征后，分類總體精度與Kappa系數均有所提高，說明不同類型特征對分類過程存在一定程度的優勢互補作用，提高了分類精度；實驗D基于特征優選，分類能力進一步提升，說明特征優選方法能消除部分特征之間的信息冗余，充分提高了不同類型特征對分類過程的貢獻率。研究區水稻種植信息提取結果如圖7所示，其水稻提取精度高達90.7%，滿足提取精度要求。

圖7 研究區水稻種植信息提取結果

4 結 語

針對目前南方復雜地區水稻信息遙感提取研究中存在的分類特征和模型參數選擇具有盲目性、單一時相分類精度不高的問題，本文基于GF-1號影像，首先通過特征優化方法對光譜特征、植被指數特征、紋理特征、幾何特征進行優選，從而調整面向對象分割參數和隨機森林分類模型參數，得到最優分類模型；再利用面向對象的隨機森林分類算法實現了研究區水稻信息的高精度自動識別。該方法對于國產高分衛星影像在南方地區地物提取中的應用具有參考價值。

1）基于面向對象的隨機森林分類算法在南方復雜地區水稻遙感提取應用中能得到較高的精度。

2）基于特征優選算法的分類模型計算特征少、實現簡便，在保證水稻信息提取能力的同時，能有效降低數據處理量，提升水稻識別效率。

3）利用本文方法提取的水稻田信息會受水稻生長發育期的影響，分析分類結果發現，錯誤分類的水稻田較多受水稻生育期差異影響，后續可進行水稻不同生育期影像分類提取研究，進一步提高本文方法辨識水稻地塊的準確率。