基于不同遙感數據源的農作物精細化分類研究

摘要 遙感技術已成為農業信息提取的重要手段。為探究不同遙感數據源下的農作物精細化識別與分類，選取廣西壯族自治區賀州市八步區東融供港蔬菜產業示范區為研究區，基于Planet、GF6 WFV、Landsat 8 OLI影像數據，利用支持向量機分類算法，對研究區豆杯、學斗、青仔、尖葉菜心、芥藍等不同農作物進行識別與提取，通過類別可分離性、總體分類精度、Kappa系數、光譜變化、成圖效果等幾個方面對提取效果進行評價，結果表明GF6 WFV影像是研究區農作物識別與提取的最佳數據源。

關鍵詞 Landsat 8 OLI；GF6 WFV；Planet；農作物分類；支持向量機

中圖分類號 S127 文獻標識碼 A 文章編號 0517-6611（2024）17-0228-05

doi：10.3969/j.issn.0517-6611.2024.17.052

Crop Refinement Classification Based on Different Remote Sensing Data Sources

LIANG Ming-yue1，2， YANG Qian1，2， HE Wei-jun1，2 et al

（1.Guangxi Remote Sensing Center， Nanning， Guangxi 530023; 2.Guangxi Remote Sensing Geological Engineering Technology Research Center， Nanning， Guangxi 530023）

Abstract Remote sensing technology has become an important means of extracting agricultural information. In order to explore the identification and classification of crops of different remote sensing data sources， we selected Babu District Dongrong vegetable industry demonstration zone supplied to HongKong as the research area. Base on Planet， GF6 WFV， Landsat 8 OLI remote sensing images， we used the support vector machine method to identify and extract different crops of the tip leaves of bean， Xuedou， Qingzai， vegetable heart of pointed leaf， cabbage mustard. We also evaluated the extraction effect through class separability， overall classification， Kappa coefficient， spectral variation and mapping effect. Results showed that GF6 WFV images were the best resource for crop recognition and extraction in the study area.

Key words Landsat 8 OLI; GF6 WFV; Planet; Crop classification; SVM

基金項目 廣西壯族自治區地礦局部門預算前期項目“基于多源遙感數據融合的廣西特色農產品遙感空間信息平臺構建應用示范”（桂地礦綜研〔2023〕4 號）。

作者簡介 梁明月（1993—），女，廣西柳州人，工程師，碩士，從事遙感信息提取工作。

收稿日期 2023-09-27

習近平總書記在黨的二十大中強調，錨定建設農業強國目標，切實抓好農業農村工作［1］。中國是一個農業大國，農業是中國經濟的重要支柱。農作物的精細化分類是分析農作物種植結構的關鍵，可有效為農作物產量預測、作物長勢監測、農業風險評估、作物種類識別與空間分布研究等提供重要的數據支持［2-3］。傳統獲取農作物數據的方式有2種：其一為以最小行政區劃為單位層層上報；其二為由國家統計局派遣調查人員對選定樣本村隨機抽取的數個地塊作為樣方進行測量后推算統計［4］。但這2種方式均存在工作周期長、速度慢、成本高的弊端，不僅耗費較大的人力物力，而且精度與準確性難以驗證。

遙感技術具有宏觀性、及時性、準確性等優勢，越來越多的國內外學者將遙感影像數據應用于農業信息的提取中。朱紫琳等［5］利用多時相Landsat 8數據與全球高精度土地覆蓋數據集GlobelLand 30，提取吉林省梨樹縣玉米種植面積。Sharma等［6］基于多源遙感數據構建農作物生長期內的NDVI時間序列，利用支持向量機算法監測季節性地下水灌溉的農田。解文歡等［7］基于GF-6寬幅數據，利用隨機森林算法對黑龍江省拜泉縣玉米、水稻和大豆的空間分布進行提取。以往對農作物信息提取局限于利用中低分辨率Landsat 8或中分辨率GF6寬幅影像數據，而近年發展迅猛的商業衛星Planet農作物精細化信息提取探索卻鮮見報道。鑒于此，筆者以廣西壯族自治區賀州市八步區東融供港蔬菜產業示范區為研究區，采用2022年11月18日的Planet、2022年11月13日的Landsat 8 OLI及2022年11月13日GF-6 WFV衛星遙感影像數據，利用支持向量機算法，對研究區豆杯、學斗、青仔、尖葉菜心、芥藍等不同農作物進行提取，對提取結果進行對比分析評價，探討不同影像數據提取農作物方法的優缺點，為未來農作物信息提取研究時數據源的選擇提供科學依據。

1 研究區和數據來源

1.1 研究區概況

研究區為東融供港蔬菜產業示范區，位于廣西壯族自治區賀州市八步區南部，占地66.67 hm2，周圍屬南嶺山系中低山山地地貌，海拔標高一般為500～800 m，最高為張公嶺山，海拔1 103 m，一般相對高差為300～500 m，最大相對高差為878 m。該區域屬亞熱帶季風氣候，年均氣溫19.9 ℃，最低氣溫-1.9 ℃，日夜溫差較大，春天多霧，冬季有短期冰凍；年均降雨量為1 535 mm，4—6月為雨季。研究區2021年11月12日入選《全國農村創業園區（基地）目錄（2021）》，該地發揮其區域及生態優勢，大力發展綠色生態農業，打造粵港澳大灣區“菜籃子”高品質生產基地，每年約有70%蔬菜、50%生豬供應大灣區市場，享有粵港澳美麗“后花園”之譽。

1.2 數據源

1.2.1 Landsat 8 OLI。

Landsat 8是美國陸地衛星計劃的第8顆衛星，2013年2月11日在加利福尼亞范登堡空軍基地Atlas-V火箭塔發射，30 m多光譜中低分辨率陸地成像儀OLI含9個譜段。該研究下載2022年11月13日的Landsat 8 OLI Collection 2 Level 2數據，含7個譜段（表1），數據下載平臺為地理空間數據云。

1.2.2 GF-6 WFV。

GF-6是中國高分辨率對地觀測系統重大專項系列衛星，2018年6月2日于酒泉衛星發射中心發射，16 m多光譜中分辨率寬幅相機（WFV）含8個譜段（表2），是我國首顆增加“紅邊”譜段的衛星。該研究采用2022年11月13日的GF-6 WFV影像數據對研究區進行農作物精細化分類提取。數據申請網站：http：//rs.dnr.gxzf.gov.cn：8080/platform。

1.2.3 Planet。Planet曾命名為Planet Lab，是由數以百計的Dove衛星組成的全球最大的微小衛星群，可以在2～3 d對全球絕大多數地區進行覆蓋，2022年3月1日，Planet宣布新一代數據監測產品PlanetScope上市，在提供4個光譜譜段的

數據服務基礎上新增至8個光譜譜段（表3），在海岸帶、地表類型識別、農作物長勢評估、產量估算及環境監測等方面應用廣泛。該研究采用 Planet數據時相為2022年11月18日。數據申請平臺為www.earthstar-cloud.com。

1.2.4 外業數據。2022年11月對研究區開展野外實地調查，共采集研究區及周邊林地、水體、廠房、居民地、道路、豆杯、學斗、青仔、尖葉菜心、芥藍等不同地物類型信息，采集野外點共127個，作為支持向量機算法的訓練樣本。利用野外點結合奧維地圖及國產高分辨率影像數據目視解譯研究區內不同地物類型，用于構建混淆矩陣，驗證提取精度。

2 研究方法

基于ENVI 5.3遙感圖像處理軟件平臺，對Planet、Landsat 8 OLI及GF6 WFV影像數據進行輻射定標、大氣校正、正射校正、幾何校正、裁剪等預處理，對研究區豆杯、學斗、青仔、尖葉菜心、芥藍等不同農作物利用支持向量機算法進行提取分析，對比分析不同遙感數據源下的提取結果。

2.1 類別可分離性

根據研究區內主要農作物野外實地調查采集信息，利用空間特征及光譜信息分析不同地類樣本圖斑之間的可分離性。該參數值域區間為［0，2］，兩地物間光譜信息的冗余度隨該參數值的增加而減小。該值大于1.8表明訓練樣本圖斑滿足分類需求，大于1.9表明兩地物間訓練樣本圖斑光譜可分離性很好。該研究基于野外實地調查點，建立研究區林地、水體、廠房、居民地、道路、豆杯、學斗、青仔、尖葉菜心、芥藍等地物訓練樣本圖斑共計127個。

2.2 支持向量機（SVM）算法

基于預處理后的影像數據，采用監督分類的方法對研究區進行農作物精細化分類。ENVI5.3遙感圖像處理軟件平臺的監督分類包括平行六邊形、最大似然、神經網絡、支持向量機、馬氏距離、最小距離、波譜角等算法，其中支持向量機分類算法有較高的分類準確率和較好的推廣性。該算法是以統計學理論為基礎的一種機器學習方法，可自動尋找對分類有較大區分能力的支持向量，可將各類之間的間隔最大化，有效避免因噪聲引起的分類錯誤［8-10］。因此，該研究采用ENVI 5.3下監督分類中支持向量機分類算法，對研究區的豆杯、學斗、青仔、尖葉菜心、芥藍等進行分類提取。

2.3 精度驗證方法

通過對不同遙感數據源分類圖像的精度評價，客觀分析分類結果。混淆矩陣是評價遙感分類結果的常用指標。該研究基于野外調查點，結合奧維地圖及國產高分辨率影像數據目視解譯研究區內不同農作物，構建混淆矩陣，利用總體分類精度及Kappa系數，對Planet、GF6 WFV、Landsat 8 OLI影像分類結果進行精度驗證。

2.3.1 總體分類精度（Overall Accuracy）。總體分類精度為被正確分類的像元總和與總像元數量的比值。表達式為：

OA=Mi=1aiiN（1）

式中：OA為總體分類精度；N為總像元數量；m為類型總數；i為類型數；aii為被正確分類的像元。總體分類精度越大，分類精度越高。

2.3.2 Kappa系數（Kappa Coefficient）［11-12］。Kappa系數是基于混淆矩陣，用于一致性檢驗及衡量分類精度的指標。該指標將總像元數量與被正確分類的像元總數相乘，減去混淆矩陣中每類行列像元總數乘積之和，再除以縱像元數平方減去混淆矩陣中每類行列像元總數乘積之和。表達式為：

K=Nmi=1aii-mi=1（aii×aji）N2-mi=1（aii×aji）（2）

式中，N為總像元數量，m為類型總數，i為類型數，aij為類型i所在行的總像元數，aji為類型j所在列的總像元數。Kappa系數可直接反映分類結果與地面信息間的一致性，一致性直接反映分類結果質量。Kappa系數和分類結果與地面信息間一致性及分類質量對應關系見表4。

3 農作物分類結果與分析

3.1 不同遙感數據源下農作物樣本類別可分離性

基于Planet、GF6 WFV、Landsat 8 OLI不同遙感數據源，利用相同訓練樣本圖斑，計算各類別間可分離性，結果見表5～7。

（1）Planet影像數據下，青仔和尖葉菜心與豆杯、學斗、芥藍可分離性很高，均達到1.900，青仔-學斗、青仔-芥藍、尖葉菜心-學斗、尖葉菜心-芥藍可分離性甚至達到1.999 0。但豆杯-學斗、豆杯-芥藍的可分離性很低，分別為1.226 9和1.484 9，不能滿足分類需求，表明Planet影像下青仔和尖葉菜心均與學斗和芥藍較易區分，豆杯易與學斗、芥藍混淆，但學斗與芥藍之間也有很好的區分度。

（2）GF6 WFV影像數據下，青仔-學斗、芥藍-青仔、芥藍-尖葉菜心可分離性極高，達到1.999 0，豆杯與學斗和芥藍的可分離性較低，分別為1.803 2和1.824 6，但均大于1.800 0，滿足分類需求。這表明GF6 WFV影像下芥藍、青仔、尖葉菜心較易區分，豆杯與學斗和芥藍較易混淆，但學斗和芥藍之間也有很好的區分度。

（3）Landsat 8 OLI影像數據下，豆杯與學斗可分離性較低，為1.898 9，該值小于1.900 0但大于1.800 0，滿足分類需求。其他農作物之間可分離度較高，表明Landsat 8 OLI影像下各農作物之間能夠很好區分。

（4）3種遙感數據源下，豆杯-學斗的可分離性較其他任兩種農作物的可分離性均為最低，表明豆杯與學斗在3種數據源下均較難區分。Planet影像下豆杯與學斗的可分離性不可滿足分類需求，GF6 WFV、Landsat 8 OLI影像下可分離性不高但可滿足分類需求。

（5）除豆杯-學斗外，Planet與GF6 WFV影像下豆杯與芥藍的可分離性也較低，Planet不滿足分類需求，GF6 WFV可分離性不高但滿足分類需求。

3.2 光譜反射率變化分析

基于野外驗證數據，選取同名地物點分析Planet、GF6 WFV、Landsat 8 OLI遙感影像數據各譜段上不同農作物的光譜特征，各農作物的光譜曲線在某譜段點間隔較大時被認為該幾類農作物在該譜段可較好區分，若點距離相近或重疊則被認為較難區分。從圖1～3可以得出以下結論：

（1）Planet影像數據下，青仔、尖葉菜心、豆杯在第5譜段黃譜段處能夠區分農作物統計特征，但間隔較小，區分度有限，該譜段無法區分芥藍與學斗；在第8譜段近紅外譜段處能夠區分青仔、尖葉菜心和芥藍的光譜統計特征，且間隔較大，區分度較高，但無法區分豆杯與學斗。

（2）GF6 WFV影像下，青仔、尖葉菜心、芥藍、學斗、豆杯在第4譜段黃譜段與第6譜段紅邊譜段均有反射峰，青仔與尖葉菜心的光譜統計數值間隔較大，能夠很好區分2類作物；芥藍、學斗、豆杯在第4譜段黃譜段也能區分作物統計特征，但點間隔較小，區分度不高；第7譜段紅邊譜段可區分5類農作物統計特征，但點間隔不大，區分度有限。

（3）Landsat 8 OLI影像下，青仔、尖葉菜心、芥藍、學斗、豆杯在第5譜段近紅外譜段光譜統計數值間隔較大，能夠區分該5類農作物，在第6譜段短波紅外譜段豆杯、芥藍、學斗點間隔較大，區分度較高，但青仔和尖葉菜心點間隔極近，區分度不佳。

綜上結果可以看出，Planet影像數據下沒有能夠全部區分5類農作物統計特征的譜段；GF6 WFV影像數據下第譜段黃譜段與第7譜段紅邊譜段能夠區分5類農作物，但區分度有限；Landsat 8 OLI影像數據下第5譜段近紅外譜段能夠完全區分5類農作物統計特征，區分度較高。

3.3 不同數據源下分類精度比較

基于ENVI5.3遙感圖像處理軟件平臺，對Planet、GF6 WFV及Landsat 8 OLI影像數據利用支持向量機算法，對研究區豆杯、學斗、青仔、尖葉菜心、芥藍等不同農作物進行提取，通過成圖效果對分類結果進行主觀評價，根據總體分類精度及Kappa系數對分類結果進行客觀評價，對比分析不同遙感數據源下農作物提取效果。

3.3.1 主觀評價。

利用3種不同數據源對研究區內5類不同農作物進行提取，提取結果如圖4。從分類結果可知，3種

影像下提取不同農作物的空間位置幾乎一致，但圖斑大小稍有差別；從成圖效果來看，Planet提取結果圖斑

更加規整，更能體現地物細節；Landsat 8影像鋸齒狀明顯，細小圖斑在后期處理時會被兼并至周圍的大圖斑，出現錯分的情況；GF6 WFV與Landsat 8 OLI的提取結果道路出現間斷的情況。綜上，成圖效果Planet影像最好，GF6 WFV次之，Landsat 8 OLI最差。

3.3.2 客觀評價。

主觀評價與判讀人員的分析能力及知識水平有關，得出的結果具有極大的主觀性。除定性評價外，還需要對分類結果進行客觀評價。該研究利用野外驗證數據，結合奧維地圖及國產高分辨率影像數據，通過構建混淆矩陣，利用總體分類精度與Kappa系數對分類結果進行評價（表8）。Planet、GF6 WFV、Landsat 8 OLI影像數據下農作物

的分類總體精度均達到75%，Kappa系數均大于0.6，滿足分類生產需求。其中，GF6 WFV影像數據總體分類精度最高，達89.193 1%，Kappa系數也最高，達0.897 3，表明GF6 WFV影像分類質量極好，分類結果與地面信息幾乎一致；Planet影像數據分類精度低于GF6 WFV，為83.224 7%，Kappa系數為0.766 2，表明Planet影像分類質量很好，分類結果與地面信息高度一致。Landsat 8 OLI影像總體分類精度最低，僅有75.206 6%，Kappa系數為0.699 0。

4 結論與討論

基于Planet、GF6 WFV、Landsat 8 OLI影像數據識別和提取研究區豆杯、學斗、青仔、尖葉菜心、芥藍等不同農作物，分析不同數據源下農作物樣本類別可分離性、光譜曲線、成圖效果和分類精度，得出以下結論：

（1）在3種數據源下，豆杯與學斗較其他任2種農作物可分離度較低，GF6 WFV與Landsat 8 OLI下豆杯、學斗、青仔、尖葉菜心、芥藍的可分離度滿足分類要求，Landsat 8 OLI農作物樣本可分離度最高。

（2）Planet影像數據下豆杯和學斗的光譜曲線在全譜段的統計特征皆極為相近，且沒有能夠完全區分5類農作物統計特征的譜段；GF6 WFV影像數據下第4譜段黃譜段與第7譜段紅邊譜段能夠區分5類農作物，但區分度有限；Landsat 8 OLI影像數據下第5譜段近紅外譜段能夠完全區分5類農作物統計特征，區分度較高。

（3）Planet提取結果圖斑圓滑、規整，能區分相鄰較近但面積不大的2種地物；由于分辨率問題，Landsat 8 OLI影像鋸齒狀明顯，細小圖斑在后期處理時會被兼并至周圍的大圖斑，出現錯分的情況；成圖效果Planet影像最好，GF6 WFV可滿足需求，Landsat 8 OLI最差。

（4）從總體分類精度與Kappa系數上對比分析，3種數據源下識別提取研究區豆杯、學斗、青仔、尖葉菜心、芥藍等不同農作物的結果均滿足生產需求，GF6 WFV分類精度最高，分類結果與地面信息一致性最好。

（5）Landsat 8 OLI影像下農作物樣本可分離度最高，有區分度較高且能完全區分5類農作物統計特征的譜段，但由于研究區面積不大，影像空間分辨率較低，提取精度及成圖效果不好，該數據適用于對農作物大面積提取。GF6 WFV影像下農作物樣本可分離度滿足分類要求，有可區分5類農作物統計特征的譜段，成圖效果較好，分類精度較高，分類結果與地面信息一致性最好，GF6 WFV影像是研究區農作物識別與提取的最佳數據源；Planet影像數據分辨率較高，重訪周期短，提取結果成圖效果好，分類精度能達到生產需求，該數據源適合小面積青仔、尖葉菜心、芥藍的周期性監測。

在研究Planet、GF6 WFV、Landsat 8 OLI影像數據識別和提取研究區豆杯、學斗、青仔、尖葉菜心、芥藍等不同農作物時，該研究采用了監督分類中的支持向量機分類算法，但未與如最大似然法、隨機森林、最小距離、神經網絡等其他監督分類算法進行對比分析，這將是下一步研究的重點。

參考文獻

［1］

習近平：加快建設農業強國 推進農業農村現代化［EB/QL］.（2023-03-15）［2023-03-17］.https：//www.gov.cn/xinwen/2023-03/15/content_5746861.htm.

［2］ 康金忠.基于機器學習的農作物種植結構提取方法研究［D］.武漢：武漢大學，2020.

［3］ 張榮天，張赟.江蘇省農作物種植結構時空格局演變探析［J］.中國稻米，2023，29（2）：48-52.

［4］ 劉煥軍，閆巖，張新樂，等.面向農業區劃的作物種植結構遙感提取［J］.中國農業資源與區劃，2017，38（8）：43-54.

［5］ 朱紫琳，王加，潘陽虹，等.基于Landsat8數據的梨樹縣玉米種植面積提取研究［J］.科技創新與應用，2023（13）：47-50.

［6］ SHARMA A K，HUBERT-MOY L，BUVANESHWARI S，et al.Identifying seasonal groundwater-irrigated cropland using multi-source NDVI time-series images［J］.Remote sensing，2021，13（10）：1-21.

［7］ 解文歡，張有智，吳黎，等.基于GF-6影像的農作物種植結構提取研究［J］.現代農機，2023（3）：61-63.

［8］ 朱夢豪，李國清，彭壯壯.特征優選下的農作物遙感分類研究［J］.測繪科學，2022，47（3）：122-128.

［9］ 王立國，趙亮，劉丹鳳.SVM在高光譜圖像處理中的應用綜述［J］.哈爾濱工程大學學報，2018，39（6）：973-983.

［10］ 段金饋，李峰，秦泉，等.高分六號紅邊波段對夏玉米種植區識別的影響［J］.海洋氣象學報，2023，43（3）：104-112.

［11］ 曹宇佳，孫嘉迎，孫微，等.基于珠海一號高光譜數據的農作物精細化分類研究［J］.測繪與空間地理信息，2023，46（S1）：101-103，106.

［12］ 許志龍.基于多源衛星影像的農作物種植信息遙感提取方法研究［J］.現代化農業，2023（7）：62-65.