基于遙感影像監督分類不同農作物的應用研究

范小周

（三和數碼測繪地理信息技術有限公司，甘肅 天水 741000）

近年來，遙感技術開始成為農作物分類的重要手段，相比于傳統分類技術，遙感技術能夠更加快速地獲取高質量的農作物面積分布信息。從理論角度來看，農作物遙感分類屬于遙感影像技術在實踐中的重要應用，本質屬于復雜的數據處理過程，在實踐中通常包括以下幾個基本步驟，即確定分類系統、遙感數據預處理、分類特征選擇、分類特征提取、訓練樣本選擇、分類算法選擇、分類后處理與精度評估。

1 農作物遙感分類理論基礎

1.1 數據源分析

數據源是遙感分類的重要基礎，當前適用于農作物遙感分類的數據源主要包括光學數據源、微波數據源兩個重要種類。其中，基于光學數據的農作物遙感分類主要是利用不同作物的光譜反射特征差異，最終實現分類任務的。隨著時代的發展，衛星與傳感器技術逐漸成熟，越來越多的遙感數據開始被相關工作人員應用到農作物遙感分類領域，主要包括低、中、高空間分辨率三個種類，其中，中、低空間分辨率的光學遙感數據在應用過程中已經達到了比較成熟的水平。近年來，高分辨率遙感影像（如Quickbird、IKONOS）在實踐中也進行了多次應用試驗，并取得了良好的分類效果[1]。

農作物遙感分類作業在實踐中很容易受到種植地塊大小的影響，與美國的大農場種植相比，中國的農作物種植在制度、土地特點的雙重限制下，分散種植情況十分顯著，在中國南部地區尤為突出，因此只能采用高分辨率數據進行遙感分類[2]。

1.2 農作物遙感分類的特征選擇

在實踐中，需要根據實際情況對農作物遙感分類進行特征變量的選擇，這也是農作物遙感分類作業的核心內容。

1）利用多時相數據優選農作物遙感分類特征。在該技術應用的初期階段，利用遙感影像對農作物進行識別通常只能獲取到一個時相的遙感影像，用這種比較單一的方式只能獲取到農作物一個生長期的特征，在農作物種類辨別工作中的效果相對有限。在實踐中，不同作物有著區別較大的生長規律，多時相遙感數據能夠對農作物在不同生長階段的光譜特征進行收集，從而有效提升分類精度。此類技術在應用過程中應當注意的關鍵點是對分類時相數據的選擇，例如，根據黃敬峰等（1999）的研究結果，冬小麥遙感識別的最佳時相為三葉到停止生長和春季返青到孕穗期[3]。

2）利用多源數據優選農作物遙感分類特征。具體而言，就是從多個平臺或者多種傳感器中對同一種數據進行獲取，這種方式有助于相關技術人員提升技術獲取的精準性。當前，多源遙感數據融合的主要方式包括多光譜數據與雷達數據融合、高低空間分辨率數據融合等，在融合過程中，應當注意影像的幾何配準以及不同影像空間與光譜信息的融合[4]。

3）農作物遙感分類的高光譜影像特征。高光譜遙感主要指的是在電磁波譜外的紫外光、中紅外區域獲取特定光譜波段數據的技術。這種方式能夠有效提升識別分辨率，但是這種數據的維度相對較高，很容易使協方差矩陣出現奇異性，進而對精度產生更大的影響。因此，在使用該特征的過程中，需要仔細考量降維處理方式。

4）農作物遙感分類的輔助特征。這主要指的是各種輔助數據，通常包括地形圖等，例如，相關研究表明，地形圖數據對于遙感分類作業中提升土地覆蓋分類精度具有較強的應用價值。輔助數據在實踐中的應用通常包括以下兩種：其一，可以將輔助數據作為影像波段進行添加，并在此基礎上對復合影像進行分類；其二，可以使用分層策略將分類后的光譜數據分成數層，并按照規則進行重新分類。這兩種方式均可以促進分類精度的有效提升。在實踐中，輔助數據通常包括Landsat TM影像、土壤信息、地形數據等[5]。

2 農作物遙感監督分類的主要方法

2.1 神經元網絡分類法

神經元網絡分類法屬于近年來比較流行的一種農作物遙感監督分類方法，相關研究內容數量相對較多，其核心屬于人工智能技術在該領域的應用。神經元網絡分類法的內容主要包括BP神經網絡、徑向基神經網絡、模糊神經網絡等。其中，BP神經網絡模型屬于當前應用最廣的神經網絡模型，在實踐中具備比較明顯的優勢特征，能夠通過輸入層、隱含層、輸出層三個部分將樣本的輸入與輸出問題轉化為非線性優化問題，但是也存在學習速度慢、收斂難度高等缺陷，需要再采用動量法等方法提高其可靠性[6]。

2.2 模糊分類法

模糊分類法也是比較常見的數據處理方式。具體而言，在現實世界中，通常存在很多無法明確劃分種類的現象，在遙感影像方面，也存在一些混合像素問題。相比于傳統分類技術，模糊分類方式在一定程度上忽略了監督分類訓練過程存在的模糊性特征，假設訓練樣本由一組可明確定義、歸類且具有較強代表性的目標共同組成。模糊神經網絡在應用過程中不斷發展，由最初的ART模型一直發展到了當前簡化的FasART模型，其功能不斷完善，分類精度不斷增強。

3 基于多時相光學數據的農作物遙感分類

3.1 研究區與地面觀測

研究區選擇華北平原某個地級市，以下將其簡稱為“X市”，X市處于溫帶半濕潤季風氣候區，屬于典型的旱田作物農業種植區。該地區地形平坦，平均海拔高度為17 m，年平均氣溫在14 ℃左右，平均降雨量在600 mm左右，當地的主要農業種植作物為冬小麥、棉花等。其中，冬小麥的種植面積最大，占總種植面積的85%以上，種植收獲時間段為10月上旬到第二年的6月上旬。

為了確定該地區真實的農作物分布特征，相關單位對試驗區進行了比較完善的地面調查工作，以方便選擇分類過程中使用的訓練和檢驗樣本以及輔助RapidEye影像的目視解譯。在地面調查過程中，采用手持GPS接收機記錄地理坐標，并對地面坐標進行修正，保證其誤差在3 m以內[7]。

為了實現數據獲取的全面性，選擇了小麥、棉花、樹木、非植被區域作為研究對象，并選擇了足夠的樣本點。其中，非植被像素單元數量為596個，小麥像素單元數量為558個，棉花像素單元數量為86個，樹木像素單元數量為72個。在后續分配過程中，這些像素單元一半作為訓練樣本，另一半作為檢驗樣本，禁止相同樣本同時作為訓練樣本與檢驗樣本。

3.2 數據獲取與數據的預處理

為了實現更好的分類效果，本文選擇了環境星多光譜數據，即選擇的遙感影像主要為環境星座A、B星的CCD多光譜影像。獲取小麥拔節期、花前期、花期三個不同階段的多光譜影像，影像質量較高。

數據預處理主要包括輻射校正、幾何精準校正兩個階段。在一般情況下，用戶所獲取到的數據已經經過了初步輻射校正，但是在研究過程中通常還需要進行進一步的輻射校正。

輻射校正的邏輯順序如下：1）將影像的DN值按照特定公式轉化為影像的大氣頂層歸一化反射率；2）采取線性回歸法、5S、6S、MODTRAN等方式進行大氣校正。本研究采用6S模型進行大氣校正，能夠通過近似和逐次散射SOS實現散射的計算與吸收。

幾何精準校正的邏輯順序如下：1）設定多項式階數為2次，建立投影類型為UTM投影50°帶，WGS-84橢球體；2）采取與參考TM影響交互的方式對地面控制點進行了采集。本次采集了50個地面控制點，并對誤差進行了有效控制，即控制誤差在0.5個像元內。

在經過上述兩個環節后，收集波段地表反射率數據。

3.3 研究方法

首先需要選擇分類方法。本次分類作業選擇了支持向量機分類器，其屬于機器學習算法的一種，原理是基于高位特征空間尋找最優分類超平面的方式解決復雜數據的分類問題[8]。

支持向量機能夠使學習器得到全局最優化，在應用過程中，需要求解特定最優化問題。在本研究中，需要按照經驗設置徑向基核函數的參數以及懲罰系數，同時為了保證多時相環境星CCD影像在不同組合的情況下，其分類結果存在比較明顯的可比性，技術人員需要在每種組合的分類中采用相同訓練參數與分類器參數。

在選擇分類精度檢驗方法的過程中，為了檢驗多時相光學遙感影像在農作物分類方面的應用質量，需要隨機選取樣本像素單元對分類精度進行檢驗，具體數量為上述總樣本數的一半。在檢驗樣本的基礎上，還要確定檢驗分類效果的指標，在本次研究過程中，將總體分類精度、制圖精度、用戶精度、Kappa統計量作為分類效果的核心檢驗指標。

3.4 研究結果

3.4.1 分類結果

對分類結果進行分析可知，利用單時相影像、多時相影像組合的分類結果均能夠獲取比較清晰的小麥地塊分布情況。同時，筆者發現，不同時相影像組合得到的分類結果在實踐中依舊存在一定的不同，主要表現在地塊邊界分類混淆、棉花類型等的識別方面。

對單時相影像進行對比可以發現，小麥花期獲得的影像分類效果最好，拔節期獲取的影像分類效果最差，甚至大部分棉花地塊被錯誤地分為了非植被區。通過分析可知，這種現象產生的原因可能是，在小麥拔節期，棉花普遍沒有出苗，其光譜特征與非植被區存在相當明顯的相似性。同時，在花前階段，部分小麥地塊邊界的小麥像素單元被分到了棉花像素單元組別。通過對其原因進行分析，研究人員普遍認為，棉花在此階段正好處于較小的苗期，冠層覆蓋度相對較低，進而導致分類混淆現象出現[9-10]。

對多時相影像的分類結果進行分析可知，相較于上述諸多單時相影像的分類結果，多時相影像的分類效果更好，分類混淆面積明顯減小。

然而，在不同時相影像組合的分類結果中，棉花地塊的分類質量通常相對較差。通過對其原因進行分析，推測可能與當地棉花地塊的特殊地形存在一定的關系。該地區的地塊通常呈窄條形，且棉花的種植位置與樹木的距離往往相對較近，以上原因均可能導致其光譜特征出現混淆。

3.4.2 分類精度檢驗

為了確定本次研究的分類精度，筆者在檢驗樣本的基礎上對分類精度、Kappa統計量進行了計算，最終確定，采用所有環境星CCD影像、不同時相影像組合分類方式，分類精度均達到了80%以上。其中，三個時相綜合取得了最好的分類結果，其總體分類精度達到了92.1%，Kappa值達到了0.88，能夠滿足作物類型檢測分類精度需求。

4 結論

本研究利用遙感影像技術，以其中的基于多時相光學數據的農作物遙感分類作為主要研究對象進行了綜合分析，以華北平原比較典型的X市為例，采用多時相光學遙感技術對其進行了融合分析，最終得到的分類結果相對較好，總體分類精度達到了92.1%，Kappa值達到了0.88，相比于單一遙感數據取得了更好的分類精度。