基于Sentinel-2A遙感影像的濰坊市冬小麥種植面積提取研究*

孫逸飛，柳平增，張艷，宋長青，張大雷，馬學文

(1. 山東農業大學信息科學與工程學院，山東泰安，271000； 2. 山東農業大學農業大數據研究中心，山東泰安，271000；3. 農業農村部黃淮海智慧農業技術重點實驗室，山東泰安，271000；4. 山東科技大學泰山科技學院，山東泰安，271000； 5. 山東農大肥業科技有限公司，山東泰安，271000)

0 引言

冬小麥作為我國重要的糧食作物之一，精準、高效的提取大范圍冬小麥種植面積和空間分布數據，可為農業管理部門指導農業生產、調整農業結構提供技術支撐[1]。濰坊市是我國重要的糧食生產基地，每年的小麥種植面積和產量都穩居山東省前五位，近些年受設施農業發展、城市化進程加速等因素影響，對濰坊市冬小麥的種植產生了較大的沖擊。因此，精準、高效地獲取冬小麥種植面積、空間分布以及變化趨勢，對于提高冬小麥針對性管理的高效性、種植結構布局的有效性等有重要的推動作用[2]。但傳統的基于抽樣和統計部門逐級上報農情的調查方法，效率低、結果不直觀且容易出現人為因素造成的誤差[3]。遙感技術具有覆蓋范圍廣、重訪周期短，獲取成本相對低等優勢，在作物長勢監測、農業氣象以及產量估算中扮演著重要的角色，且對大面積露天農業生產的調查、評價、監測和管理具有獨特的作用[4-5]。

隨著遙感技術的發展，中高空間分辨率的遙感衛星影像數據資源增多，并開始逐漸應用于農作物空間分布信息提取。但中高空間分辨率遙感影像細節更加豐富，傳統的基于單像元的分類方法，已經難以滿足實際應用的精度要求。近年來，國內外學者針對面向對象、深度學習方法在高效精確的目標地物提取上進行了積極探索。金永濤等[6]利用深度學習結合面向對象對典型地物進行提取，提取精度較為理想。白宇[7]利用深度學習算法識別不同地區的林地范圍。陳燕生等[8]使用基于U-Net自主改進的卷積神經網絡，對小宗作物遙感圖像進行高精度分割研究，實現精細化分割效果。Rezaee等[9]使用CNN分類框架對不同類型的濕地進行識別，試驗結果表明CNN在復雜濕地分類提取中效果優于隨機森林。Duarte-Carvajalino等[10]采用淺層學習和深度學習方法對土豆作物的生長狀況進行監測識別，試驗結果表明CNN和RF的效果優于DNN、SVM。

本研究利用Sentinel-2A遙感影像數據，以濰坊市為研究區，在實地調研掌握研究區域地物分布真實樣本基礎上，利用面向對象與深度學習相結合的方法，綜合利用地物光譜及紋理等特征，選取合適的分割尺度，訓練出最優冬小麥提取模型，利用混淆矩陣對分類結果進行精度評價。

1 研究區概況、數據源、預處理及技術路線

1.1 研究區概況

濰坊市(118°10′E～120°01′E，35°41′N～37°26′N)位于山東半島中部，南依泰沂山脈，北瀕渤海萊州灣，市域自北向南，由低到高，大體上分為低地、平原及低山丘三個地貌區。濰坊市域屬于北溫帶季風區，受典型季風的季風氣候的影響，四季分明，氣候溫和，雨量適中，光照充足，適宜農作物的種植。冬春季種植作物主要有冬小麥、玉米、棉花、油菜等，冬小麥和玉米是該地主要的糧食作物。濰坊市作物結構較為復雜，地塊破碎，使得精確提取冬小麥種植空間分布具有一定的挑戰性。快速提取冬小麥種植區域信息，分析2017—2021年冬小麥種植的空間分布特征，對濰坊市農業產業政策的制定及結構調整起到積極的參考作用。

1.2 數據獲取及預處理

1.2.1 Sentinel-2A數據獲取

本研究綜合考慮影像質量、作物生長和分布情況等因素，選擇Sentinel-2A衛星影像數據。Sentinel-2A衛星設計了一種可靠的多光譜地球觀測系統，將高空間分辨率與寬視場結合，并采用三軸姿態控制，能夠獲得優越的精度和穩定性。重訪周期為10 d，并攜帶覆蓋13個波段的多光譜成像儀，除可見光及近紅外、短波紅外等常用波段外，還包括3個植被生長與變化敏感的紅邊波段(表1)，紅邊波段的引入增加了地物之間的可分性測度，減少了影像噪聲造成的景觀破碎度的增加，有利于作物種植面積提取[11]。

表1 Sentinel-2A影像多光譜波段主要參數信息

在中華人民共和國農業農村部種植業管理司獲取到濰坊市主要作物物候期表(表2)，由表2可知從種植當年12月到次年3月是冬小麥的苗期，而其他大宗農產品尚未播種或返青，是識別冬小麥的關鍵生育期。通過歐空局官方網站(https://scihub.copernicus.eu/)獲取2017年—2021年2月到3月份L1C級別的濰坊市Sentinel-2A遙感數據(影像云量小于5%)。

表2 濰坊市主要作物物候期表

1.2.2 其他資料

1) 濰坊市各縣區行政區劃矢量數據，數據來源于全國地理信息資源目錄服務系統。

2) 濰坊市2017—2021年統計年鑒和實際調研數據。

1.2.3 Sentinel-2A數據預處理

影像在成像過程中會受到衛星速度變化、電磁場與大氣相互作用、隨機噪聲等因素的干擾，地物波譜信息發生變化，為改善影像的解譯條件，提高可辨性，需對影像進行預處理。預處理包括：輻射定標、大氣校正、像素重采樣、鑲嵌裁剪、波段融合等操作。

1.3 技術路線

本研究基于Sentinel-2A影像，對影像進行預處理后，分別利用面向對象方法和隨機森林方法進行試驗并對比精度。選擇分類精度較高的算法進一步進行深度學習模型訓練。具體流程見圖1。

圖1 總體流程

2 基于面向對象與隨機森林分類方法提取

2.1 面向對象方法

面向對象提取流程如圖2所示。

圖2 面向對象提取流程

面向對象的遙感分類方法是對利用遙感數據的空間、紋理和光譜特征建立判別規則或判別函數的推理對分割后的目標對象進行分類提取[12-13]。該方法能有效避免“同物異譜”和“同譜異物”的問題，避免出現“椒鹽現象”[14-15]。關鍵技術包括：影像分割、影像合并、特征選擇和規則建立。

2.1.1 影像分割與影像合并

采用多尺度分割算法(Multiresolution Segmentation)實現影像的分割。多尺度面向對象分割算法將圖像看作是一個由區域和區域之間的拓撲關系組成的一張區域臨接圖[16]，根據指定尺度進行分割，采用從單像元大小的區域開始相鄰影像區域兩兩合并增長的方法，設定閾值控制合并區域，保證生成高度同質性(或異質性最小)的影像分割區域(影像對象)[17]，從而適應于最佳分離和表示地物目標。在進行影像區域的合并操作時，以區域鄰接圖中的各個區域為研究對象，找到滿足局部最優合并條件的區域對，將最優合并條件區域對進行合并操作，與此同時更新區域對原本相連接的區域的特征值，及其與更新區域的合并權重。

為了得到適合冬小麥提取的最佳分割參數，基于Sobel算子的邊緣影像分割尺度、Full Lambda-Schedule算法影像片段合并和紋理內核參數進行了大量試驗。最終選取冬小麥影像錯分率最小的分割尺度。影像最終分割效果圖如圖3所示。

圖3 分割效果圖

2.1.2 特征選擇、分類規則建立

影像分割完成后，多邊形對象包括很多屬性信息。主要包括：光譜特征、形狀特征、紋理特征、顏色空間和波段比值等[18]。將分割形成的有特定含義的子區域定義為一個個的影像對象，每個對象都有其特有的屬性信息，存放在矢量面文件中。將屬性信息進行進一步挖掘，提取出特征變量。采用基于規則特征的面向對象的提取方法，利用目標地物的波譜、紋理、RENDVI值、形狀、顏色的差異，進行冬小麥區域的提取。圖4為組合分類特征后冬小麥提取效果圖細節展示。

圖4 冬小麥種植面積提取效果圖(面向對象)

2.2 隨機森林分類

隨機森林技術路線圖如圖5所示。

圖5 隨機森林算法技術路線圖

隨機森林通過對數據及特征變量進行隨機重采樣，構建多個CART決策樹，最終采用多決策樹投票的方式確定數據的類別歸屬。它能夠處理具有高維特征的輸入樣本，又對過度擬合不敏感[19]。在生成過程中可以對誤差建立一個無偏估計，因此對于遙感影像農作物面積提取有良好的抗噪性能，在農業制圖研究方面取得了良好的分類結果[20-21]。隨機森林算法可以處理具有多維特征的輸入樣本，并且不需要降維，在生成過程中能夠獲取到內部生成誤差的一種無偏估計，對于缺省問題也能獲得良好的結果，不需要做很多參數的調試。設置隨機森林分類器參數max_features取值為6，選擇Gini Coefficient函數。number_of_trees取值為100。

圖6為本次分類中選擇的訓練樣本樣例，經分類后，輸出此類分類結果，結果如圖7所示。

(a) 冬小麥

圖7 冬小麥提取效果圖(隨機森林)

2.3 分類結果精度對比

隨機選取研究影像中的500個樣本點像元，通過混淆矩陣計算出總體精度和Kappa系數，對分類結果進行精度評價，結果如圖8所示。結果表明面向對象的分類方法結果優于隨機森林算法。故接下來的研究采用面向對象方法得出的分類結果創建標簽進行深度學習。

圖8 精度評價

3 基于深度學習算法冬小麥種植面積提取模型

3.1 深度學習算法與U型網絡

深度學習是機器學習的分支，它可以通過學習一種深層非線性網絡結構，實現復雜函數的逼近，展現了強大的從少數樣本中集中學習數據集本質特征的能力[22]。ENVINet5模型基于Tensorflow框架開發，模型架構基于U-Net神經網絡改進。該架構基于Ronneberger、Fischer和Brox(2015)開發的U-Net架構，用于對圖像中的每個像素進行分類[23]。

圖9為ENVINet5模型架構。

圖9 ENVINet5模型架構

該架構有5個級別和27個卷積層，每個級別表示模型中不同的像素分辨率。架構的上下文視場表示在訓練期間周圍區域對每個像素的貢獻程度。將原始遙感圖像輸入神經網絡模型，進行切片，切片大小大于上下文視場時允許一次執行更多的訓練，并更快的分類。再通過3×3的卷積層對切片進行卷積，使得圖像特征增多，使用Rule激活函數避免訓練中出現過擬合現象。一個epoch表示在偏倚判定調整之前訓練的切片數。通過2×2池化層減小圖像尺寸，保留重要特征。使用逆變換抽樣的統計技術，使得傳入模型的樣本與它們對概率密度函數的貢獻成正比。加入偏差損失函數會使得損失函數偏向于尋找特征像素。提供一個實體距離Solid Distance參數來擴展線狀特征大小，使得能夠完整地表示冬小麥區域。為解決深度學習難以學習銳利邊緣的問題，引入Blur Distance參數，設置一個模糊邊緣。

3.2 提取過程

TensorFlow模型是由一組基本的神經網絡參數定義的，為了讓模型能夠提取特定目標，必須先使用一組能夠指明這些特征的標簽圖像對模型進行訓練，提取結果為類激活灰度圖CAM，在類激活灰度圖中，DN值代表該像元屬于目標的概率。該方法在ENVI5.5中使用Deeplearning模塊實現，操作步驟主要有：創建標簽柵格、訓練模型、模型分類、得到分類結果。技術路線如圖10所示。

圖10 基于深度學習算法冬小麥種植面積提取流程

3.2.1 創建標簽圖像

在創建標簽圖像時，需要輸入一個收集感興趣區域的樣本。目標特征分為一維、二維和點狀。支持點、像元、多邊形、折線或閾值。采用二維特征標記冬小麥的輪廓。標簽圖像包含輸入圖像的原始波段和一個掩膜波段。掩膜波段DN值為1的像元代表目標，0代表背景。

3.2.2 初始化及訓練TensorFlow模型

在初始化TensorFlow模型時，需定義該模型的體系結構、切片大小(patch size)、訓練所用波段等。訓練是將標簽圖像反復暴露在模型中。隨著訓練的進行，模型將學習把標簽圖像中的光譜和空間信息轉換為CAM灰度圖。在訓練過程中，模型嘗試初始猜測并生成一個隨機CAM灰度圖，將其與標簽圖像中的掩膜波段進行對比。通過擬合優度函數(損失函數)可以識別隨機猜測的結果哪些是錯誤的。通過調整模型的權重，對提取效果進行優化。

3.2.3 執行分類及批處理操作

將訓練好的模型在其他圖像中定位相同的特征。并將2017—2021年研究區域內影像在該模型中進行批處理分類操作，圖11是深度學習冬小麥種植面積提取結果圖。

圖11 基于深度學習算法冬小麥種植面積提取效果圖

3.2.4 分類后處理

將相同年份的影像進行鑲嵌、裁剪、小圖斑處理，并進行統計，得出2017—2021年濰坊市冬小麥種植面積并與統計年鑒中抽樣調查得到的濰坊市冬小麥種植面積數據進行對比，如表3所示。

表3 濰坊市冬小麥種植面積提取結果

從2017—2021年濰坊市冬小麥種植面積提取結果可以看出，冬小麥主要分布在濰坊市的東南部，諸城市和高密市為濰坊市冬小麥種植面積較大的兩個地級市，高密市的冬小麥種植密度最高。2017—2021年間的冬小麥種植面積變化于降低的狀態，面積降低約7.4%。

3.3 精度評價

利用高分辨率的Google影像建立真實的冬小麥樣本區域，對濰坊市2017—2021年冬小麥提取結果分別進行混淆矩陣精度評價并取平均。并加入制圖精度、用戶精度兩個評價指標。

制圖精度(Producer Accuracy)表示實際中某個地物i樣本在分類結果中被正確分類為地物i的概率。制圖精度計算公式

(1)

用戶精度(User Accuracy)表示從分類結果中任意取一個地物i像元，其在實際中是地物i類型的概率。用戶精度計算公式

(2)

式中：Pii——混淆矩陣第i行第i列的像元數；

P+i、Pi+——混淆矩陣第i行和第i列的像元總數。

2017—2021年深度學習冬小麥提取制圖精度達到97.13%，用戶精度達到97.87%，總體精度達到93.1%，誤差精度2.81%，Kappa系數0.91，該精度滿足以市級或直轄市為主的局部尺度的農情遙感監測精度的需求。

4 結論

本研究在綜合考慮冬小麥大尺度種植面積監測業務運行成本和信息提取精度的前提下，利用圖像分割、RENDVI、紋理特征作為分類特征，分別利用面向對象、隨機森林方法進行提取，并利用精度較高的方法結果建立標簽圖像，再利用深度學習技術建立了冬小麥提取模型，分別提取了2017—2021年濰坊市冬小麥種植面積。利用ENVI和ArcGIS統計各縣區冬小麥種植提取面積，并與統計調查數據進行精度檢驗，最終獲得冬小麥提取結果。得出以下結論。

1) 通過RENDVI時間序列及反射光譜曲線，選擇冬小麥遙感提取的最佳時相，相比于NDVI時間序列可以更好地將大蒜與冬小麥區分開來。利用圖像分割技術并加入紋理特征后，面向對象分類的提取精度相比于隨機森林方法有顯著提高。

2) 在利用深度學習建立冬小麥提取模型時，對圖像進行隨機裁剪和全景縮放，歸一化以及閾值處理并利用監督分類結合手工采集來解決標簽冬小麥數據集采集分類問題，提高了模型的訓練速度和精度。與面向對象分類方法相比，深度學習方法精度更高，總體精度提高了4%，Kappa系數提高了0.07，且有效的減少了背景地物的干擾。