改進指數特征的面向對象遙感分類張掖市農作物種植提取

周俊利 楊振

（河南省遙感測繪院，河南 鄭州 450003）

1 引言

我國是農業大國，同時也是糧食需求大國，及時、準確地獲取農作物種植面積及空間分布是關系社會發展、農業政策、國家糧食安全等的重要問題[1]。如何準確獲取高原地區農作物種植面積一直是農業調查工作的重中之重。傳統的農作物種植面積信息獲取不僅費時費力、效率低下，而且難以獲取準確面積[2]。遙感技術是一種遠距離、非接觸的探測技術，具有重訪周期短、覆蓋范圍廣、現勢性強、數據獲取與處理簡便等優勢，為農作物信息的精準獲取提供了強有力的手段[3]。近年來，農業遙感的應用越來越廣泛，使遙感技術成為快速、準確獲取農情信息的主要途徑[4-6]。基于遙感影像的農作物分類與提取是目前農業遙感領域的熱點問題[7,8]。張有智等采用人工目視解譯與計算機自動分類方法對水稻進行提取，結果顯示計算機自動分類的精度與人工目視解譯精度相似，但效率提高十倍[9]。計算機自動分類已經成為目前應用最廣泛的農作物分類方法，較常用的分類方法為決策樹分類、最大似然法分類、隨機森林分類、支持向量機分類等[10]。面向對象分類方法是近年提出的一種新的分類方法，是一種基于目標的分類方法，可以充分利用高分辨率影像的空間信息，綜合考慮光譜特征、形狀、大小、紋理特征等一系列因素，并對多種特征進行綜合計算與分類識別，得到具有較高精度的分類成果[11]。目前國內專家學者利用面向對象分類方法開展了大量農作物種植面積提取研究[12-15]，然而我國西部山區的農作物遙感提取研究較少，其難點在于山地地區的農作物易受林草影響出現錯分類現象，同時受山區陰影影響，也會降低農作物分類精度[16]。

歐空局發布的Sentinel-2A/B 影像具有重訪周期短、波段多、波普范圍廣等優勢[17]，在農業遙感中已有大量應用[18,19]。張掖市位于我國西北部高原地區，農作物多種植在山谷、山坡、河灘地，相對于平原以及盆地地區，傳統的分類方法容易出現錯分漏分情況，基于此，本研究選用Sentinel-2 哨兵多光譜影像，采用多波段組合的紅邊指數作為改進的指數特征參與到面向對象分類中，以此提高農作物分類精度。

2 研究區及數據

2.1 研究區介紹

張掖市位于甘肅省西北部，河西走廊中段，地處東經97°20′～102°12′，北緯37°28′～39°57′，東靠武威、金昌，西至嘉峪關、酒泉，南與青海省接壤，北和內蒙古毗鄰。張掖市屬冷溫帶干旱和祁連山高寒帶半干旱半濕潤兩種氣候類型。其特點是夏季短而酷熱，冬季長而嚴寒，干旱少雨，且降水分布不均，晝夜溫差大。張掖有全國第二大內陸河黑河水灌溉，地勢平坦，土壤肥沃，物產豐饒，以烏江米為有名，盛產小麥、玉米、水稻、油菜、胡麻等農作物，為全國重點建設的12 個商品糧基地之一。

2.2 數據及預處理

本研究采用的數據為Sentinel-2 多光譜影像，下載地址為歐空局哨兵數據下載官網（https://scihub.copernicus.eu/）。Sentinel-2 是高分辨率多光譜成像衛星，攜帶一枚多光譜成像儀（MSI），用于陸地監測。Sentinel-2 分為2A 和2B 兩顆衛星，一顆衛星重訪周期為10 天，兩顆協同拍攝，重訪周期為5 天。Sentinel-2 衛星影像具有13 個波段，是唯一一顆在紅邊范圍具有3 個波段的衛星，Sentinel-2 衛星影像具有覆蓋范圍廣、波段多、分辨率高等優點，用于陸地監測，可提供植被、土壤和水覆蓋、內陸水路及海岸區域等圖像，Sentinel-2 影像預處理利用Python代碼進行重采樣及轉投影，最終得到IMG 或者TIFF 格式的WGS1984 坐標系的柵格影像。

3 理論與方法

面向對象方法的提取類似決策樹的構思，從簡到繁，先剔除其他無關信息，再經過多次篩選找出有用的地物類別，實現地物的分層提取。與傳統分類方法相比其最大的不同是：面向對象分類方法的操作尺度單元不是基于單個像素，而是基于影像對象。面向對象分類方法分為：多尺度分割、特征選擇、規則建立與分類。面向對象分類具體流程如圖1 所示。

圖1 面向對象分類流程

規則建立是指根據影像特征及地物之間的關系建立各層之間的規則以及層內子類型與父類型的規則；根據建立的分類規則，選取合適的分類方法進行影像分類。

4 結果與分析

4.1 植被多時相對比分析

張掖市地處高原，植被僅在生長季會存在變化，其他時段植被在影像上隨時間的變化不明顯[20]。如每年的11 月份至翌年4 月份，植被指數數值多集中在0.2以下，本研究選取的影像時段為2020 年5 月至10 月，即植被變化較明顯的生長季作為研究時段。對處理后的無云覆蓋的高質量Sentinel-2 影像進行歸一化植被指數NDVI 計算，對各時期NDVI 進行均值計算，以時間維橫軸進行多時期NDVI 變化趨勢展示，如圖2 所示，張掖市地區植被變化趨勢整體符合植被生長季植被指數變化趨勢，即植被指數呈現由低到高、由高到低的變化趨勢，植被較明顯的時段為2020 年7 月4 日、2020 年8 月13 日、2020 年8 月18 日，其 中2020 年7 月4 日NDVI 數值最高，說明此時段植被長勢最好，故本研究采用的最優影像時間節點為2020 年7 月4 日。

圖2 張掖市植被生長季變化趨勢

以張掖市東南部區域為例，進行植被指數變化斜率計算，斜率空間變化如圖3 所示，植被變化斜率絕對值最大區域集中在平原地區，即農作物種植區域，山地地區植被變化斜率絕對值整體低于農作物種植區域，引起這種斜率變化特征的主要原因是農作物在5月至10 月分別處于耕種、出芽、拔節、成熟、收獲等物候階段，該特征較好地區分出了農作物與林草，基于次特征進行植被指數及紅邊指數計算，可較好地提取出農作物種植面積。同時，植被變化斜率特征為勾畫農作物分類樣本提供指示作用，減少外出采樣工作量，也為后期分類及精度驗證提供樣本支撐。

圖3 張掖市東南部植被變化斜率空間分布

基于Sentinel-2 影像的紅邊波段計算得出的紅邊指數NDVIre1、NDVIre2、NDVIre3，分別與NDVI 進行相關分析，分析三個紅邊指數與NDVI 指數的相關性，結果如圖4 所示，其中圖4（a）為植被指數NDVI 與紅邊指數NDVIre1的相關系數空間分布，圖4（b）為植被指數NDVI 與紅邊指數NDVIre2的相關系數空間分布，圖4（c）為植被指數NDVI 與紅邊指數NDVIre3的相關系數空間分布。由圖可知，山地地區植被指數NDVI 與3 個紅邊指數均呈現顯著正相關關系，相關系數均在0.5 以上，而地勢較平坦的農作物種植區域，植被指數NDVI 與3 個紅邊指數多呈顯著負相關關系，引起這種差別的主要原因是植被在紅光波段與紅邊波段對太陽光的吸收與反射。通過此特征，可證實本研究構建的3 個紅邊指數在植被反演中具有良好的可用性，將其帶入多特征分類器中勢必會提高分類精度。

圖4 植被指數與紅邊指數相關系數空間分布

4.2 面向對象多特征分類

采用植被長勢最好的2020 年7 月4 日Sentinel-2影像作為數據源，分別進行紋理特征計算與植被指數、紅邊指數計算，并將所有特征波段進行組合，輸入面向對象分類器中進行分類，分類結果如圖5 所示。由圖可知，張掖市農作物種植集中分布在山谷地區，其中黑河流域沿岸農作物分布較多，河流山區源頭至張掖市城區段，農作物種植分布較少，主要原因為該地區為山地，多為林地、草地，且灌溉條件較差；而東南部地區雖然河流水系較少，但該地區地勢相對平坦，灌溉條件較好，農作物種植也較多。改進指數特征的面向對象分類方法，較好地剔除了林地草地對分類成果的影響，本研究分類成果中，東南部的林地草地幾乎沒有影響農作物提取，同時在西南部地物覆蓋類型復雜區域，也較好地提取了農作物。

圖5 張掖市周邊農作物遙感提取成果

結合植被變化斜率對分類結果進行精度驗證。將分類結果套合到植被變化斜率成果上，以此驗證農作物提取精度。上文通過研究得出結論：農作物種植區域植被變化斜率絕對值較高，套合解譯成果后可知，解譯成果范圍內植被變化斜率絕對值整體較高，與上文植被變化分析結果相符合，即農作物在5 月至10 月生長季經歷了播種、發芽、拔節、孕穗、收獲等時期，其地表光譜特征變化較大，不同時段的植被指數相差較大，導致變化斜率絕對值整體偏高。改進指數特征后的面向對象解譯成果與此結論相符，即本研究整體分類可信度較好，提取精度較高。

5 結論

本研究基于Sentinel-2 遙感影像，進行了張掖市植被生長變化分析，篩選出植被生長最優時段，并進行了影像的紋理、植被紅邊指數等特征的計算，通過面向對象多特征分類方法進行張掖市周邊農作物種植遙感提取，本研究在植被紅邊指數上進行了改進，以此提高分類精度，通過實驗得出以下結論：

（1）通過長時間序列植被生長變化分析，得出了適用于張掖市周邊農作物提取的最優時段。

（2）基于Sentinel-2 影像計算的紅邊指數與植被指數NDVI 呈顯著負相關關系。

（3）改進指數特征的面向對象多特征分類方法在張掖市農作物提取中具有良好的適用性，整體分類結果精度較高。

本文對農作物進行分類時，是基于像元尺度，會出現椒鹽現象，后續會進行更深層次的分類研究。此外，本文并未對特征信息進行篩選，不可避免會存在數據冗余現象，后續研究會進行不同地區的最優特征選取，在保證總體分類精度的同時，進一步提高感興趣地物的提取精度。