GF-6 衛星紅邊波段影響下東北大田作物識別精度分析

解文歡，張有智，吳 黎，宋麗娟，張海峰，張 宇

（黑龍江省農業科學院農業遙感與信息研究所，150086，哈爾濱）

作物類型遙感識別是獲取主要農作物空間分布信息的首要環節和工作基礎。由于葉片內部的細胞結構的特征決定，健康植物的光譜響應在紅邊波段亮度陡然增加約10 倍，紅邊波段與植被的各種理化參數緊密相關[1]。因此，紅邊波段可以有效地監測植被的生長狀況，用于植被識別[2-3]和植被生理生化參數[4-5]等方面的研究。

杜保佳等利用Sentinel-2A 多光譜數據的NDVI時間序列數據集，采用面向對象分類決策分類方法，對黑龍江省北安市農作物進行分類，總體精度提高了7.7%。[6]王利民等基于RapidEye 影像，采用紅邊、近紅外波段反射率之和構建了棉花提取指數，對河北省冀州市棉花進行提取，總體精度達到88.80%。[7]劉懷鵬以Worldview-2 為數據源，結合影像光譜、紋理等信息特征，對綠化樹種進行分類，利用最大似然法對完整8波段分類的總體精度較傳統4 波段高10.723 1%。[8]顧峰等基于Sentinel-2 數據采用隨機森林回歸算法，對綠洲內的4 種典型植被葉片的葉綠素相對含量進行估算和驗證，“紅邊” 的光譜指數對估算模型起到了更為關鍵的作用。[9]樊東東利用野外調查數據分析了健康小麥與病蟲害小麥在Sentinel-2A 波段上的光譜反射率差異，結果顯示感染病蟲害作物在紅邊范圍變化最為明顯。[10]

本文以GF-6 衛星影像為數據源，對研究區東北大田作物（大豆、玉米、水稻）采用最大似然法進行分類和面積提取，通過不同波段組合作用下東北大田作物分類結果的比較，分析紅邊波段對東北大田作物識別精度的影響，探究紅邊波段在東北大田作物識別中的作用，為東北大田作物面積和種植結構提取提供方法參考。

1 研究區概況

依蘭縣位于黑龍江省南部地區，地處125.3°～129.4°E，45.1°～47.6°N，面積4 615.72 km2。研究區多為平原地貌，地勢低洼，部分山區僅在東部。研究區屬于溫帶大陸性氣候區，年均氣溫在2.6～3.1 ℃，最低氣溫-36.1 ℃，最高氣溫37.2 ℃，無霜期137 d。年平均降水量在500～600 mm，降水多集中在夏季。研究區屬于鐮刀灣地區，玉米多年連作，破壞生態環境，監測研究區農作物種植結構變化意義重大。研究區的具體位置如圖1 所示。

圖1 研究區地理位置示意圖

2 研究數據及預處理

2.1 遙感數據及預處理

本文以2019 年8 月2 日的GF-6 衛星WFV 數據為數據源，GF-6 衛星與GF-1 衛星組網運行，GF-6影像與GF-1 影像預處理流程相似，在ENVI5.3 中對獲取的GF-6 衛星數據進行輻射定標、大氣校正和幾何精校正等預處理工作[11]。

2.2 作物分類精度驗證數據獲取

2018 年4 月采用GIS-RTK 獲取研究區耕地地塊數據，基于2019 年9 月2 日3 景RapidEye 影像判斷作物屬性，并獲取研究區內玉米、大豆、水稻和其他作物的空間分布結果（如圖2 所示）。該結果作為評價農作物提取的面積精度和驗證可分性測度的真值。

圖2 研究區實測耕地地塊作物分布結果

3 研究方法

本文根據作物物候特點選擇作物處于生長旺盛期（玉米的抽雄期、大豆的結莢期、水稻的抽穗期）的2019 年8 月2 日的影像進行作物識別。采用監督分類的最大似然法[12]，根據不同波段參與下分類方案（如表1 所示），提取玉米、大豆和水稻3 種作物的面積。分類結果與研究區實測耕地地塊基于RapidEye影像判斷作物屬性的玉米、大豆和水稻的空間分布結果進行誤差矩陣模型精度驗證，采用總體分類精度、制圖精度和用戶精度3 種方式比較分類精度，進行分類精度評價[13-15]。

4 結果與分析

利用研究區實測耕地地塊，根據RapidEye 影像判斷作物屬性，所得的結果與8 種波段組合方案做誤差矩陣，采用總體分類精度、制圖精度和用戶精度3 種方式比較分類精度，進行分類精度評價，分類精度評價結果如表1 所示。

從表1 中可以看出前4 個波段與其他波段不同組合的總體精度差異，有紅邊參與的全波段、5 和6 波段、6 波段、5 波段，總體精度分別提高了2.51、2.21、1.86、1.25 百分點，沒有紅邊參與的7 和8 波段、8 波段、7 波段，總體精度分別提高了0.25、0.49、0.32 百分點。這充分說明了利用光譜特征分類，紅邊波段能夠有效地提高影像的分類精度，尤其是紅邊波段的引入，總體分類精度顯著提高。

表1 研究區不同方案分類精度（誤差矩陣）

5 結論與討論

通過對GF-6 影像大田作物分類的研究可以發現，衛星傳感器紅邊波段能夠有效地提高影像的分類精度，尤其是紅邊波段的引入，總體分類精度顯著提高。

從光譜特征角度分析，增加紅邊波段能夠顯著提高玉米與大豆和水稻與大豆的光譜差異性，玉米與水稻的光譜差異性也有所提高，提升了各農作物之間的識別精度。單時相遙感影像分類中，紅邊波段能夠有效地提高影像的分類精度。引入紅邊波段后，水稻的錯分率降低，大豆和玉米的漏分率降低，區分玉米、水稻的能力明顯提升；引入第7 和第8 波段后，效果不顯著。本研究過程中也發現一些尚待解決的問題，所選研究區為玉米主產區，大豆種植地塊面積較小，受GF-6 衛星分辨率的影響，大豆總體分類精度較低，下一步應選擇三種作物種植比重接近的區域進行精度對比分析，對GF-6 衛星影像的識別精度驗證進行補充研究。