基于GF-6影像的農作物種植結構提取研究

解文歡，張有智，吳 黎，張海峰，張 宇，張效霏

（黑龍江省農業科學院 農業遙感與信息研究所，150086，黑龍江哈爾濱）

高分衛星數據是國家的戰略資源，其應用已深入到國家經濟和社會發展、生態建設、民生保障、國家安全等方面。在農業農村領域，高分衛星數據得到了廣泛應用，通過有效監測農業生產情況，科學預測作物長勢、面積、產量等情況，對農業生產災害能做到快速反應和評估，為客觀掌握宏觀農業生產形勢、制定和實施精準的政策措施等提供了高效的技術手段。

趙璐等以館陶縣為研究區，基于國產高分二號衛星影像數據，采用面向對象的最近鄰方法提取研究區農業大棚信息，提取精度為95.65%[1]。張彥等利用GF-6 WFV數據構建溫度植被干旱指數，最大相關系數為0.85，花生干旱等級監測總體準確率為91.98%[2]。郭燕等利用高分一號衛星數據，結合Landsat-8 和RapidEye 數據，對比支持向量機法和光譜角法提取鄢陵縣玉米面積，支持向量機法的分類精度優于光譜角法的分類精度[3]。葛皓使用國產高分一號衛星WFV 影像提取了江蘇省鹽城市東臺市條子泥條北水稻墾區的紅、綠、藍及近紅外波段的反射率，比較了22 個常用植被指數診斷大田水稻氮素營養水平的能力與估產的能力[4]。王婷等基于GF-1 WFV 衛星遙感數據，應用歸一化植被指數，對盤錦2020 年水稻長勢進行多時相動態遙感監測，結果顯示:2020 年盤錦水稻長勢前期較好，中期變差，后期恢復[5]。

GF-6 衛星具有高分辨率、寬覆蓋、多波段、高質量和高效率成像等特點，為作物識別提供更豐富的信息。GF-6 衛星遙感數據的使用，擴大了遙感監測范圍，提高了遙感監測頻率，提升了遙感識別精度，降低了農業資源調查成本。由于GF-6 衛星可獲取紅邊波段，打破了RapidEye 衛星對于紅邊波段遙感影像的壟斷，在農作物面積監測中將替代50%的國外衛星數據（Landsat8_OLI），提高了國產衛星影像應用能力。GF-6 衛星的發射成功標志著我國農業遙感的研究工作開啟了以GF-6 衛星數據為主要數據源的新局面。本文以拜泉縣為研究區域，基于GF-6 WFV 遙感數據，采用隨機森林算法對研究區的玉米、大豆和水稻進行分類，通過實地采集GPS 地面驗證點進行分類精度評價，探究采用隨機森林算法對GF-6 WFV 影像提取農作物種植結構精度，為農作物面積和種植結構提取提供數據參考。

1 材料與方法

1.1 研究區概況

拜泉縣位于黑龍江省中西部地區，地處小興安嶺余脈與松嫩平原過渡地帶，東經125.5°～126.5°，北緯47.3°～47.9°，面積為3 599 km2，地勢呈東高西低、南高北低，由東向西逐漸平緩，地理位置如圖1 所示。地形漫川漫崗，丘陵起伏，溝谷切割強烈。研究區屬于溫帶大陸性氣候區，年均氣溫在1.2 ℃，無霜期為122 d，年平均降水量為490 mm，降水多集中在夏季。研究區的土壤類型主要為黑土、黑鈣土和草甸土，土質肥沃，有利于農作物生長，主要農作物類型為玉米和大豆，其他為馬鈴薯、中草藥和蕓豆等。

圖1 拜泉縣地理位置示意圖

1.2 研究數據及預處理

1.2.1 遙感數據及預處理

本研究選用2020 年8 月26 日的GF-6 WFV 數據為數據源。GF-6 WFV 衛星2018 年6 月2 日發射成功，具有窄幅（PMS）和寬幅（WFV）2 種不同空間分辨率，GF-6 WFV 數據分辨率為16 m，衛星波段信息包括藍（0.45～0.52 μm）、綠（0.52～0.59 μm）、紅（0.63～0.69 μm）、近紅外（0.77～0.89 μm）、紅邊1（0.69～0.73 μm）、紅邊2（0.73～0.77 μm）、紫邊（0.40～0.45 μm）、黃邊（0.59～0.63 μm）8 個波段[6]。GF-6 WFV 衛星與GF-1 衛星組網運行，GF-6 WFV 影像與GF-1 WFV影像預處理流程相似，在ENVI5.3 中對獲取的GF-6 WFV 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[7]。

1.2.2 解譯標志點和驗證點獲取

2020 年7 月5—7 日進行野外調查，使用手持GPS 野外實地采集解譯標志點200 個和驗證點120個，涉及玉米、水稻、大豆和蔬菜等同一時期農作物。

1.3 研究方法

1.3.1 農作物生長發育時期

農作物類型判讀的最佳時相要選擇農作物生長茂盛、影像反映明顯的時期。根據研究區內各農作物的生長發育時間（如表1 所示），確定各類農作物的最佳識別期，對影像進行判讀。因此選擇8 月26 日農作物處于生長旺盛期（玉米的乳熟期、大豆的結莢期、水稻的抽穗期）的影像進行農作物識別，如圖2 所示。

表1 拜泉縣主要作物的發育期

圖2 8 月26 日GF-6 WFV 衛星影像圖

1.3.2 分類方法

采用單模型分類方法的模型往往精度不高，容易出現過擬合問題，隨機森林算法是為了解決單個決策樹模型過擬合問題而提出的算法。隨機森林算法由BREIMAN L[8]提出，他通過bootstrap 重抽樣技術，從原始訓練樣本集N 中有放回地重復隨機抽取k 個樣本生成新的訓練樣本集合，然后對每個bootstrap 樣本進行決策樹建模，把分類樹組合成隨機森林，在變量(列)的使用和數據(行)的使用上進行隨機化，生成很多分類樹，然后組合成多棵決策樹進行預測，再匯總分類樹的結果。

（1）每棵決策樹由樣本量為K 的訓練樣本X 和隨機向量θk生成。

（2）隨機向量序列{θk，k=1，2，…，K}獨立同分布。

（3）隨機森林即所有決策樹的集合{h (X，θk)，k=1，2，…，K }

（4）每個決策樹模型h(X，θk)都有一票投票權來選擇輸入變量x 的分類結果。

式中：H（x）表示隨機森林分類結果；hi（x）是單個決策樹分類結果；Y 表示分類目標；I(.)為示性函數。RF分類模型使用簡單的投票策略來完成最終的分類。

隨機森林算法的優點是：具有極高的準確率;隨機性的引入，使得隨機森林不容易過擬合，有很好的抗噪聲能力;能處理很高維度的數據，并且不用做特征選擇;既能處理離散型數據，又能處理連續型數據，數據集無需規范化;訓練速度快，可以得到變量重要性排序，容易實現并行化。隨機森林算法在運算量沒有顯著提高的前提下提高了預測精度。

2 結果

在ENVI5.3 軟件中，基于GF-6 WFV 遙感數據，利用GPS 采集的解譯標志點建立訓練樣本，在隨機森林樹設為100 的情況下進行隨機森林分類，提取大豆、水稻和玉米的種植結構并計算面積（如圖3 所示）。分類結果數據與GPS 采集的120 個地面驗證點進行精度驗證，kappa 系數為0.893 72，總分類精度達92.5%。2020 年拜泉縣種植水稻0.796 萬hm2，玉米7.839 萬hm2，大豆17.122 萬hm2。

圖3 2020 年基于GF-6WFV 影像的拜泉縣主要農作物種植結構圖

3 結論與討論

本文基于GF-6 WFV 遙感數據利用隨機森林算法對拜泉縣主要農作物玉米、大豆和水稻種植結構進行提取研究。采用隨機森林算法，隨機森林樹為100 的情況下進行分類，總體分類精度達到了92.5%。采用隨機森林算法對GF-6 WFV 衛星數據進行識別分類，能夠準確提取農作物空間分布，實現對農作物種植范圍的更新與變化范圍的監測，能夠極大降低人工目視解譯的工作量，提高更新效率。研究過程中也存在一些問題，本研究僅從光譜特征角度進行了分類，后續研究中可以根據不同波段和紋理特征的結合，分析對農作物識別精度的影響，將波段和紋理特征結合，以提高對農作物的識別精度。GF-6 WFV 衛星數據已成為農業遙感業務運行系統的主要數據源之一，在農業生產和管理中得到了規模化應用，為各農業部門提供了科學客觀的信息支持。