“珠海一號”高光譜衛星在“基本農田草皮種植”監測中的應用

摘 要：為探索“珠海一號”高光譜衛星數據在“基本農田草皮種植”監測中的適用性，針對研究區基本農田中作物特點，將多時間序列的“珠海一號”高光譜影像與高分辨率多光譜影像、最新國土變更調查成果數據相結合，在計算機智能識別技術（光譜特征、紋理特征）與SVM分類算法的支撐下，有效地提取了研究區域基本農田中的草皮信息，證明“珠海一號”高光譜影像在基本農田草皮監測中適用性強。結果表明：在未經人工修正的情況下，提取草皮的總體精度為75.79%，Kappa系數為0.79，經過人工修正后，草皮提取的總體精度提高至91.3%，Kappa系數提高至0.92，整體提取效果良好。其中，人工修正前的兩項評價指標一般，主要原因包括部分因“異物同譜”導致的錯分、國土變更調查成果數據和影像數據時相不一致、有限的外業舉證條件導致驗證樣本和解譯樣本存在誤差等。若能解決此類問題，針對基本農田中的草皮提取精度將得到顯著提高。

關鍵詞：高光譜遙感；“珠海一號”；草皮監測；信息提取

中圖分類號：S28 文獻標志碼：B 文章編號：1674-7909（2024）3-142-4

DOI：10.19345/j.cnki.1674-7909.2024.03.034

0 引言

耕地是糧食生產的根基和命脈，也是保障國家糧食安全的重要前提和基礎。守牢耕地紅線，支撐保障國家糧食安全一直是國家堅守的底線。然而，耕地“非農化”和“非糧化”等突出問題依然屢禁不止。商業草皮種植因為成本低、利潤高而受到工商資本和農民的青睞，導致許多基本農田被非法流轉用于種植草皮。種植草皮會破壞表土并損害耕作層，導致土地肥力下降，未來要想恢復為種植糧食的農田也十分困難。因此，對基本農田種植草皮的監測勢在必行。

“珠海一號”高光譜衛星于2018年4月26日發射，具有256個波段（有效成像波段數32個），空間分辨率為10 m，幅寬為150 km［1］。該衛星具備幅寬大、時間分辨率高、空間分辨率高和光譜分辨率高的特點，對地面目標的光譜敏感性較高［2］。“珠海一號”影像的高光譜特征能夠反映不同作物之間光譜的微小差異，擁有對耕地范圍內糧食作物和其他作物進行識別和區分的巨大優勢［3］。此外，由于重訪周期僅為2.5 d，因而該衛星能夠快速、及時地為各地區各部門監督耕地的“非糧化”和“非農化”提供有力的數據支撐。

1 研究區域概況與數據源

1.1 研究區域概況

通過調研和實地走訪，此次選取湘潭縣東北部分區域作為研究區域。該區域臨近長沙市，經濟發展速度快，違規占用基本農田種植草皮現象普遍，適合開展“基本農田草皮種植”監測研究。

1.2 遙感數據源與數據預處理

綜合監測區域實際情況、監測周期和影像質量等要求，最終選取2023年5月18日、7月6日、9月5日、10月10日、11月17日等5個時期的10 m分辨率的“珠海一號”高光譜（OHS）影像和0.5 m分辨率的“吉林一號”寬幅01C星多光譜影像。其中，“珠海一號”高光譜影像須進行輻射校正、大氣校正、正射校正等預處理以生成正射高光譜影像，0.5 m分辨率的“吉林一號”寬幅01C星多光譜數據須進行輻射校正、正射糾正、影像融合等預處理以生成正射多光譜影像。

2 監測技術方法

與建筑物、水體、林地等常見“非農化”地類不同的是，草皮與水田收割后（或撂荒）自然長草、水稻、旱生作物等植物的光譜信息十分相似，屬于“非農化”中較為特殊的一類，光靠單一時相的影像數據，無法將草皮與其他植物有效區分。因此，此研究在充分考慮各地作物生長物候信息的情況下，將高光譜、多光譜等多源、多時間序列衛星遙感影像與最新國土變更調查成果相結合，利用計算機智能識別技術（光譜特征、紋理特征）與SVM分類算法，開展“基本農田草皮種植”監測。

研究區域基本農田中主要種植水稻、草皮，其次用于種植其他旱生作物，還有一些農田用于建造種植葡萄等作物的大棚。因此，針對這一特點將研究區域內的農田植被分為草皮、水稻、其他旱生作物、大棚作物4大類，具體檢測技術流程如圖1所示。

2.1 最佳時間窗口選擇

針對植被在不同時期擁有不同的生理特征與光譜特征這一特點，利用多時序高光譜影像數據對比分析研究區域基本農田中不同地物一年四季植被指數變化特征來提取草皮的最佳時間窗口［4］。此研究主要對草皮、水稻2種主要地物在不同時期的光譜特征進行分析，從而選擇最佳時間窗口。

2.2 影像信息提取與融合

將影像光譜特征、紋理特征、物候特征等相結合進行分類，可以有效減少異物同譜等現象。在充分考慮各地物候特征的情況下，計算影像特征（紋理特征和植被指數）。

2.2.1 紋理特征提取

像斑的紋理特征通常通過灰度共生矩陣（GLCM）方法提取。該方法在理論和實踐上被證明是最有效的紋理分析方法之一，具有較強的適應能力和魯棒性。紋理窗口大小的選取會直接影響地物分類結果，過小會受到像元亮度不均勻的影響，過大會降低地物區分時的靈敏度，增加計算時間和復雜度。此研究通過灰度共生矩陣進行紋理特征的提取，并計算對比度（CON）、角二階矩（ASM）、同質性（HOM）、熵（ENT）等常用的紋理特征。通過試驗，綜合分析比較最終選擇窗口為7×7，步長設定為1，灰度級別為16級的結果。

2.2.2 植被指數的選取

植被指數是通過2個或多個波段的光譜反射率，以線性或非線性組合的方式來壓縮高光譜和多光譜數據中的重要光譜信息，從而得到一個植被指數通道。這個指數通道可以在一定條件下定量反映植物的生長狀況。目前，科學文獻中已經發布了超過150種植被指數模型，但其中只有少數經過了系統的實踐驗證，例如比值植被指數（RVI）、歸一化植被指數（NDVI）等。

植物葉面在可見光紅光波段具有強吸收特性，在近紅外波段具有強反射特性，這是開展植被遙感監測的物理基礎。與紅光波段和近紅外波段相關的植被指數中，歸一化植被指數（NDVI）是反演植被覆蓋狀況的最佳指示因子。因此，選用歸一化植被指數（NDVI）用于后續草皮分類提取，其計算公式見式（1）。

NDVI=（RNIR-RRED）/（RNIR+RRED）" " " " " "（1）

式（1）中，RNIR、RRED分別為近紅外波段、紅外波段的反射率值，NDVI越大，表示植被覆蓋度越大。“珠海一號”高光譜數據在近紅外、紅外波段波長范圍內涉及多個波段。通過試驗比較，最終選擇“珠海一號”高光譜數據中的b14、b24分別對應公式中的RNIR、RRED。

2.3 SVM分類

支持向量機（SVM）是一種用于分類和回歸分析的機器學習算法。其目標是在特征空間中找到一個最優的超平面，以盡可能將不同類別的樣本分隔開。SVM方法在模型估計和閾值選取時能夠有效降低不確定性，可提高變化檢測過程的可靠性，已成為機器學習和數據挖掘領域的重要工具。SVM還具有適應性強、泛化性能好、訓練時間短等多種優勢，被廣泛應用于遙感影像分類和多源遙感影像數據信息融合等多個領域。相較于其他分類方法，SVM更適用于高光譜影像的分類研究。

2.4 精度驗證方法

采用基于混淆矩陣進行計算的總體分類精度（OA）、Kappa系數2項評價指標。

2.4.1 混淆矩陣

混淆矩陣是用于評估分類模型性能的一種工具，是驗證遙感分類結果的常用方法，可以統計一系列評價指標。混淆矩陣將模型的預測結果與真實標簽進行對比，可展示模型在不同類別上的預測情況。

2.4.2 總體分類精度

總體分類精度是在遙感影像分類中，對所有樣本進行分類的準確性的評價指標。通常通過計算正確分類的樣本數與總樣本數之比來表示，即總體分類精度=正確分類的樣本數/總樣本數。

2.4.3 Kappa系數

Kappa系數是一種常用的統計指標，用于評估遙感影像分類模型的精度。它衡量了分類結果與實際觀察值之間的一致性，考慮了分類結果中由于隨機分配造成的誤差。因此，在評估遙感影像分類模型時，Kappa系數是一個更為準確和可靠的評估指標。其計算公式見式（2）。

Kappa=（Po-Pe）/（1-Pe）" " " " " " " " "（2）

式（2）中，Po為觀察到的一致性比例，Pe為預期一致性比例。計算步驟如下：①統計兩個觀察者在各個分類中的觀察次數，并將得到的結果制作成一個混淆矩陣，矩陣的行表示一個觀察者的觀察結果，列表示另一個觀察者的觀察結果；②計算Po，即Po=（a11+a22+...+ann）/ N，其中a11、a22、...、ann分別代表混淆矩陣的對角線元素，即2個觀察者觀察結果一致的次數，N為總的觀察次數；③計算Pe，即Pe=（r1c1+ r2c2+...+rncn）/（N×N），其中ri、cj分別代表混淆矩陣的第i行和第j列元素，分別表示2個觀察者在分類i和分類j中的觀察次數。

3 草皮數據提取結果與分析

先基于多時序“珠海一號”高光譜影像提取草皮，然后結合JL1高分辨率多光譜影像、2022年國土變更調查成果數據等進行人工修正。智能提取的草皮中存在較多圖斑碎片（≤400 m2）、漏洞，雖對整理結果影響不大，但十分影響美觀。因此，在對比分析之前，先對草皮提取結果中的圖斑碎片和漏洞進行處理，處理后的結果如圖2所示。

將2組草皮提取數據套合高分辨率影像對比分析發現，提取結果中，主要是部分因“異物同譜”導致錯分于草皮的問題，如果園、撂荒農田（長草、長樹等）以及部分旱地農田，如圖3所示。

這些錯分的地類在高分辨率影像中的紋理特征明顯，后續可以通過人工目視解譯進行剔除。

4 精度評價與分析

采用混淆矩陣的方法，將人工修正前、結合高分辨率影像進行人工修正后的2次分類結果與實地采樣數據、驗證樣本進行比較分析，結果顯示：人工修正前提取草皮的總體精度為75.79%，Kappa系數為0.79；人工修正后提取草皮的總體精度提高至91.3%，Kappa系數提高至0.92，整體能達到較好的提取效果。其中，人工修正前的2項評價指標不是特別理想，分析原因主要有3個方面，一是存在部分因“異物同譜”導致的錯分；二是盡管前期盡可能選取準確的分類樣本，但由于實地外業舉證數量有限，部分通過目視解譯選取的樣本難以保證百分百準確，在一定程度上影響了整體提取結果；三是由于此次獲取的影像數據（2023年11月）和所獲取的最新變更調查成果（2022年）在時間上相差了一年，部分2022年為基本農田的地塊性質已經發生了變化，如基本農田變為果園、基本農田變為林地。因此，即使將提取成果與這份基本農田數據進行了相交，但依然會存在部分因“異物同譜”將果園、林地等錯分于草皮地類的現象，若能獲取并使用時間晚于影像的最新變更調查成果數據，能最大限度地解決此類問題，從而進一步提高分類精度。

5 結束語

在基本農田中種植草皮，短期來看，經濟效益明顯，但長遠來看，嚴重威脅糧食安全。通過此研究發現，整體而言，將多時間序列 “珠海一號”高光譜影像、高分辨率多光譜影像與最新國土變更調查成果數據結合，能有效地提取基本農田中的草皮，說明“珠海一號”高光譜影像在“基本農田草皮種植”監測中適應性強。但此研究還存在一定的問題，一是選取的研究區域面積較小，通過外業舉證調查的解譯樣本、驗證樣本數量有限，對于大面積的草皮提取效果還有待進一步驗證；二是選取的研究區域主要是種植水稻，容易錯分于草皮的果園、旱地農田面積較小，對于整體精度的影響及后期人工修正工作量都不大。若下次監測果園和旱生作物種植面積較大的區域，雖然利用晚于影像時的國土變更成果數據可以對果園信息進行剔除，但對于旱地農田信息卻無法有效剔除，而單靠目視解譯進行人工修正又耗時耗力。因此，下一步將考慮如何引入其他特征將旱地農田和草皮進行區分，從而實現大面積區域的“基本農田草皮種植”精準監測。

參考文獻：

［1］張信耶，李繼旭.珠海一號高光譜衛星在高密市農作物精細分類中的應用［J］.衛星應用，2019（8）：29-33.

［2］林勇，易揚，張桂蓮，等.高光譜遙感技術在城市綠地調查中的應用及發展趨勢［J］.園林，2020（6）：70-75.

［3］李先怡，范海生，潘申林，等.珠海一號高光譜衛星數據及應用概況［J］.衛星應用，2019（8）：12-18.

［4］龍玉蘭，張軍，唐瑩，等.老齡臺地茶園遙感信息提取方法研究：以西雙版納州為例［J］.節水灌溉，2023（12）：51-56，65.