用高分一號數(shù)據(jù)提取玉米面積及精度分析

郭燕，武喜紅，程永政，王來剛，劉婷

（河南省農(nóng)業(yè)科學院農(nóng)業(yè)經(jīng)濟與信息研究所，鄭州450002）

用高分一號數(shù)據(jù)提取玉米面積及精度分析

郭燕，武喜紅，程永政，王來剛，劉婷

（河南省農(nóng)業(yè)科學院農(nóng)業(yè)經(jīng)濟與信息研究所，鄭州450002）

由于受到時間分辨率的影響，長期以來國內(nèi)遙感技術(shù)在面積監(jiān)測、作物長勢監(jiān)測等方面受到限制。針對此問題，該文利用“高分一號”衛(wèi)星高空間和高時間分辨率的特點，應(yīng)用其寬幅16m分辨率數(shù)據(jù)，結(jié)合Landsat－8和RapidEye數(shù)據(jù)，采用支持向量機（SVM）和光譜角法（SAM）在許昌進行農(nóng)作物（玉米）的識別和面積提取及其精度分析。結(jié)果表明，“高分一號”4個寬幅傳感器的影像應(yīng)用精度差別較大，其中WFV3數(shù)據(jù)的作物識別與種植面積提取精度最高，高于Landsat－8，與RapidEye接近；而WFV1和WFV4數(shù)據(jù)的應(yīng)用效果較差，不太適用于試驗區(qū)內(nèi)復雜的秋季作物類型的識別?？傮w上講，SVM分類器的分類精度和Kappa系數(shù)都要好于SAM分類器，相比之下SVM更適合于農(nóng)作物的識別和種植面積提取。

高分一號；作物識別；玉米種植面積提取；支持向量機；光譜角；精度評價

0 引 言

遙感是一種高新技術(shù)，它可以準確及時地獲取農(nóng)業(yè)資源和農(nóng)業(yè)生產(chǎn)信息，是傳統(tǒng)農(nóng)業(yè)向信息農(nóng)業(yè)過渡的主要技術(shù)方法［1］。自20世紀七八十年代始，遙感技術(shù)被大量用于作物長勢監(jiān)測、種植面積監(jiān)測及產(chǎn)量預測等方面［2－5］。但是長期以來，由于受到分辨率的限制，國內(nèi)常用的數(shù)據(jù)源主要是國外的MODIS、Landsat、SPOT、GeoEye等，嚴重制約著我們的主動應(yīng)用［5－6］。

2013年4月26日12時13分04秒，“高分一號”（GF－1）衛(wèi)星在酒泉衛(wèi)星發(fā)射中心由長征二號運載火箭成功發(fā)射。該衛(wèi)星是高分辨率對地觀測系統(tǒng)的首發(fā)星，突破了高空間分辨率、多光譜與高時間分辨率結(jié)合的光學遙感技術(shù)。其所獲取的遙感數(shù)據(jù)可在國土資源調(diào)查、環(huán)境監(jiān)測、精準農(nóng)業(yè)、助力減災(zāi)救災(zāi)等方面發(fā)揮重要作用，對進一步改進我國遙感衛(wèi)星的數(shù)據(jù)精度和數(shù)據(jù)質(zhì)量，促進國產(chǎn)資源衛(wèi)星的應(yīng)用，推進我國遙感技術(shù)的發(fā)展具有十分重要的戰(zhàn)略意義。此衛(wèi)星配置了兩臺組合寬幅大于60km的2m分辨率全色／8m分辨率多光譜相機和4臺組合寬幅大于800km的16m分辨率多光譜相機，可實現(xiàn)在同一顆衛(wèi)星上高分辨率和寬幅成像能力的結(jié)合。

本文應(yīng)用GF－1WFV傳感器所獲取的16m分辨率寬幅多光譜數(shù)據(jù)，并結(jié)合Landsat－8和RapidEye數(shù)據(jù)對河南省許昌地區(qū)農(nóng)作物（玉米）的種植情況進行了提取和分析。旨在探索和評價高分數(shù)據(jù)在作物識別和面積提取等方面的特點，為進一步利用高分數(shù)據(jù)進行河南省作物長勢遙感監(jiān)測以及生產(chǎn)服務(wù)提供基礎(chǔ)。

1 材料與方法

1.1 研究區(qū)域

試驗區(qū)位于河南省中部許昌市鄢陵縣，屬黃河泛濫和雙洎河沖積而成的沖積平原，114°02′E～114°19′E，33°46′N～34°14′N，面積為72km2。屬亞溫帶季風性氣候，四季分明，氣候特點是春季干旱多風，夏季炎熱雨量集中，秋季晴朗清爽，冬季寒冷干燥。研究區(qū)內(nèi)秋季作物種類較為復雜，包含有玉米、大豆、花生、芝麻、棉花、蔬菜以及其他作物（藥材）等，耕地地塊形狀多為狹長零碎的矩形、面積較小。

1.2 數(shù)據(jù)采集與預處理

GF－1衛(wèi)星上配置了2臺分辨率為2m全色、8m多光譜的高分辨率相機（PMS）和4臺分辨率為16m的多光譜分辨率寬幅相機（WFV），現(xiàn)已下傳有效數(shù)據(jù)上萬景。由于滿足試驗條件的GF－1數(shù)據(jù)較少，只收集了同時相的WFV1／3／4 3個寬幅傳感器的16m分辨率多光譜影像，其中WFV1影像的獲取時間為2013年8月1號，WFV3為2013年7月25號，WFV4為2013年7月30號。作為對比，收集了2013年8月7日的Landsat－8OLI 15m融合多光譜影像和2013年7月30日的RapidEye的5m多光譜影像，只使用藍、綠、紅、近紅外4個波段的數(shù)據(jù)。試驗所用影像的傳感器參數(shù)對比見表1。同時，在試驗區(qū)測量采集了地面各類型樣本點269個以及4個500m×500m耕地樣方，用于分類和地面驗證。

所采集的圖像數(shù)據(jù)先經(jīng)過FLAASH大氣校正，以消除圖像中由大氣散射引起的輻射誤差。然后以RapidEye影像為參考進行配準，配準誤差控制在0.5個像元以內(nèi)。影像的坐標系統(tǒng)均采用Albers等面積割圓錐投影。

表1 GF－1傳感器參數(shù)與其他同類型常用遙感衛(wèi)星的參數(shù)對比

1.3 分類分法

（1）支持向量機

支持向量機（Support Vector Machines，SVM）是Vapnik在1995年提出的，其理論基礎(chǔ)是內(nèi)核統(tǒng)計學理論。它屬于一般的線性分類器。其關(guān)鍵在于核函數(shù)，只要選用適當?shù)暮撕瘮?shù)，就可以得到高維空間的分類函數(shù)。選擇不同的核函數(shù)，可以生成不同的SVM，常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、徑向基函數(shù)、Sigmoid核函數(shù)4種［7］。

本研究中，采用多項式核函數(shù)。

（2）光譜角填圖

光譜角填圖（Spectral Angle Mapping，SAM）是一種監(jiān)督分類技術(shù)。該算法是將圖像波譜直接同參考波譜匹配的一種交互式分類方法，是一種比較圖像波譜與地物波譜或波譜庫中地物波譜的自動分類方法。它的分類結(jié)果是生成一系列的光譜角度圖像，在一定光譜角角度允許的范圍內(nèi)每個角度圖像對應(yīng)一個類型組分像元，即每個像元在光譜相似性上有可能對應(yīng)于被指定的一個樣本參考光譜角度值（光譜曲線值），如果被測像元光譜與所有參考光譜之間的角度超出允許范圍，此像元被歸為未分類，又叫無值類別［8］。光譜角度越小，被估計像元的光譜曲線與參考光譜曲線就越相似，表現(xiàn)在兩者之間的地物特性上也越相似，歸類的概率和精度就越高。

1.4 精度評價

作物識別的精度評價是指比較實測數(shù)據(jù)與分類結(jié)果，以確定分類過程的準確程度。分類結(jié)果精度評價是進行遙感監(jiān)測中重要的一步，也是分類結(jié)果是否可信的一種度量。最常用的精度評價方法是誤差矩陣或混淆矩陣（Error Matrix）方法［9－11］，從誤差矩陣可以計算出各種精度統(tǒng)計值，如總體精度、錯分率、漏分率、Kappa系數(shù)等。本文采用總體精度與Kappa系數(shù)對作物識別結(jié)果進行評價。

本研究中，作物種植面積提取的精度評價方法是計算地面樣方區(qū)域內(nèi)的某類面積提取結(jié)果與樣方內(nèi)該類實際種植面積之差的絕對值與樣方內(nèi)該類實際種植面積之比，它表示該類作物的種植面積提取結(jié)果與實地情況之間的誤差。

2 結(jié)果與分析

2.1 作物識別精度對比

經(jīng)實地調(diào)查，將試驗區(qū)的分類系統(tǒng)確定為7種主要地物類型：玉米、大豆、蔬菜、棉花、林地（大部分為較矮的苗木）、建筑（包括道路和工地）以及水面。各類型數(shù)據(jù)的假彩色合成影像如圖1所示（近紅外／紅／綠組合的RGB假彩色顯示，影像的顯示比例尺均為1∶5000）。

圖1 多源遙感數(shù)據(jù)對比圖

分別采用SVM和SAM分類器對WFV1、WFV3、WFV4、RapidEye和Landsat－8影像進行分類，分類結(jié)果見圖2（顯示比例尺為1∶5000）。

分類精度統(tǒng)計結(jié)果見表2。RapidEye影像由于空間分辨率較高（5m），對地物的識別精度最高，明顯高于其他影像。兩種方法相比較，SVM分類器的總體分類精度與Kappa系數(shù)都明顯高于SAM分類器，而在SAM分類器上二者的指標相近，相比之下SVM方法更適合于農(nóng)作物的識別分類。GF－1衛(wèi)星WFV3影像的16m多光譜影像的分類效果較好，最接近于RapidEye影像的指標。采用SVM分類的總體精度達到了87.32%，Kappa系數(shù)達到了0.85，高于Landsat OLI 15m融合多光譜影像。二者作為最新的中分辨率遙感衛(wèi)星數(shù)據(jù)（GF－1號衛(wèi)星于2013年4月26日發(fā)射，Landsat－8于2013年2月11號發(fā)射），GF－1衛(wèi)星WFV3的16m多光譜影像在農(nóng)作物分類識別方面的應(yīng)用效果要優(yōu)于Landsat OLI 15m融合多光譜影像。幾種WFV傳感器影像之間的應(yīng)用效果差別較大，WFV1和WFV4影像的分類精度明顯差于WFV3影像。針對這種現(xiàn)象，對研究范圍內(nèi)3個傳感器的原始影像進行灰度直方圖分析，結(jié)果見圖3。以B2波段為例，WFV3影像的DN值分布最寬，主要在280nm～480nm之間。而WFV1和WFV4影像B2波段的灰度峰值變化較窄且陡，其DN值分布要比WFV1影像分別窄40%和50%左右，其他波段的對比也可得出相似結(jié)論。這說明WFV1和WFV4影像的灰度值比較集中，其能用于分類的信息量要少于WFV3影像，因此WFV3影像中的地物特征更加清晰，分類效果要優(yōu)于WFV1和WFV4影像。而且，從圖1多光譜影像目視解譯可以看出，高分3個傳感器中圖像辨識度較高的也是WFV3。

圖2 農(nóng)作物識別及玉米種植面積提取結(jié)果圖

表2 農(nóng)作物識別精度統(tǒng)計

圖3 高分3個傳感器影像直方圖對比分析

2.2 玉米種植面積提取精度對比

根據(jù)實測的4個500m×500m耕地樣方來評估玉米種植面積提取的誤差，結(jié)果見表3。RapidEye影像的玉米面積提取誤差最小，SVM方法的誤差在2%以內(nèi)，可以滿足主要種植作物的面積提取精度要求。對于WFV和Landsat－8數(shù)據(jù)，SVM分類器的提取誤差明顯小于SAM，相比之下SVM更適合于玉米種植面積提取。WFV3影像在使用SVM時的玉米面積提取誤差與RapidEye影像已十分接近，其應(yīng)用精度要優(yōu)于Landsat－8 15m融合影像。然而，WFV1和WFV4影像在玉米種植面積提取上的精度是最低的，在秋季種植作物種類復雜、地塊較小的情況下，這兩種影像不太適用于農(nóng)作物的種植面積提取。這與農(nóng)作物識別精度分析所得的結(jié)論相似。

表3 玉米種植面積提取誤差統(tǒng)計

2.3 WFV3影像玉米識別的誤差分析

以玉米識別為研究對象，對采用SVM方法WFV3得到的分類結(jié)果進行進一步的誤差分析，統(tǒng)計其他地物在玉米錯分與漏分像元中所占的比例，結(jié)果見表4。無論是錯分還是漏分，玉米與蔬菜、林地（苗木）、大豆最易混淆，尤其是玉米與蔬菜、玉米與苗木。

表4 玉米錯誤類型統(tǒng)計

玉米、苗木、蔬菜和大豆在WFV3上的光譜曲線見圖4。由圖可以看出，玉米和苗木的光譜曲線非常相似。故可以推測，造成玉米識別誤差的主要原因應(yīng)該是地物光譜特征本身的相似性或者WFV3圖像本身的質(zhì)量問題。

為了進一步判斷造成這種誤差的具體原因，使用基于Jeffries－Matusita距離和轉(zhuǎn)換分離度的方法來計算這幾種類別間的統(tǒng)計距離，結(jié)果見表5。同時我們也對經(jīng)過大氣輻射校正的RapidEye圖像的地物類別光譜可分性進行了統(tǒng)計（表5）。距離可分性范圍為0到2.0，大于1.9說明這兩種類別在該種圖像上可以較好的區(qū)分開，小于1.8說明這兩種類別在圖像上不容易區(qū)分開，小于1.0則證明這兩種類別在圖像上幾乎無法區(qū)分［13］。通過對比兩個統(tǒng)計表里的數(shù)據(jù)可以看出，無論是在WFV3影像上還是在RapidEye影像上，蔬菜、林地（苗木）和玉米的光譜距離可分性都是最小的，說明蔬菜和玉米、林地（苗木）和玉米在7月底8月初的光譜上確實容易混淆。在本研究中造成玉米識別誤差的主要是由于在這一時期，玉米和林地（苗木）、蔬菜這幾種地物光譜固有的相似性（同譜異物），而不是GF－1衛(wèi)星WFV3圖像本身的質(zhì)量問題。

圖4 易混淆地物類型光譜曲線

表5 WFV3和RapidEye圖像地物類別光譜可分性統(tǒng)計

3 結(jié)束語

GF－1衛(wèi)星的成功發(fā)射和數(shù)據(jù)的成功下傳，對推進我國遙感技術(shù)的發(fā)展具有十分重要的戰(zhàn)略意義。通過對高分數(shù)據(jù)的前期處理研究，發(fā)現(xiàn)支持向量機與光譜角分類法比較適于農(nóng)作物識別與種植面積提取。在本研究中，使用GF－1WFV寬幅16m分辨率數(shù)據(jù)的同時，結(jié)合Landsat－8和RapidEye數(shù)據(jù)，對許昌鄢陵地區(qū)的農(nóng)作物進行了分類試驗，并對玉米分類的誤差進行了分析，確定WFV3影像中玉米分類的誤差主要源于同譜異物現(xiàn)象。研究結(jié)果表明，SVM分類器的總體分類精度與Kappa系數(shù)都明顯高于SAM分類器，相比之下SVM更適合于農(nóng)作物識別與種植面積提取。本研究中，所用的3種WFV影像的應(yīng)用效果差別較大，WFV3影像的農(nóng)作物分類精度指標與玉米種植面積提取誤差都最接近于RapidEye影像，其應(yīng)用效果優(yōu)于Landsat－8 15m融合影像。而WFV1和WFV4影像的分類效果則較差，在秋季作物種類復雜的情況下，這兩種影像總體上講不太適用于鄢陵地區(qū)農(nóng)作物的識別與種植面積提取。

隨著遙感技術(shù)的突飛猛進，繼續(xù)提高遙感衛(wèi)星數(shù)據(jù)的質(zhì)量，加強高分衛(wèi)星數(shù)據(jù)的民用事業(yè)，利用高分衛(wèi)星數(shù)據(jù)與其他技術(shù)相結(jié)合，將會對河南地區(qū)乃至全國的土地利用以及農(nóng)業(yè)、林業(yè)資源調(diào)查等方面有更進一步的推動作用。

［1］李根，景元書，王琳，等.基于MODIS時序植被指數(shù)和線性光譜混合模型的水稻面積提?。跩］.大氣科學學報，2014，37（1）：119－126.

［2］FAO.Multiple flame agricultural surveys.Volume II：agricultural surveys programs based on area flame or dual frame（area and list）sample designs［M］.Rome：FAO，1998.

［3］劉海啟.歐盟MARS計劃簡介與我國農(nóng)業(yè)遙感應(yīng)用思路［J］.中國農(nóng)業(yè)資源與區(qū)劃，1999，20（3）：55－57.

［4］PRADHAN S.Crop area estimation using GIS，remote sensing and area frame sampling［J］.International Journal of Applied Earth Observation and Geoinformation，2001，3（1）：86－92.

［5］黃青，李丹丹，陳仲新，等.基于MODIS數(shù)據(jù)的冬小麥種植面積快速提取與長勢監(jiān)測［J］.農(nóng)業(yè)機械學報，2012，43（7）：163－167.

［6］初慶偉，張洪群，吳業(yè)煒，等.Landsat－8衛(wèi)星數(shù)據(jù)應(yīng)用探討［J］.遙感信息，2013，28（4）：110－114.

［7］史舟.土壤地面高光譜遙感原理與方法［M］.北京：科學出版社，2014.

［8］梁繼，王建，王建華.基于光譜角分類器遙感影像的自動分類和精度分析研究［J］.遙感技術(shù)與應(yīng)用，2002，17（6）：299－303.

［9］CONGALTON R G.A review of assessing the accuracy of classifications of remotely sensed data［J］.Remote Sensing of Environment，1991，37：35－46.

［10］RICHARDS J A.Classifier performance and map accuracy［J］.Remote Sensing of Environment，1996，57（3）：161－166.

［11］STEHMAN S V.Selecting and interpreting measures of thematic classification accuracy［J］.Remote Sensing of Environment，1997，62（1）：77－89.

［12］LI W K，GUO Q H.A new accuracy assessment method for one－class remote sensing classification［J］.IEEE Transactions on Geoscience And Remote Sensing，2014，52（8）：4621－4632.

［13］馬娜，胡云鋒，莊大方，等.基于最佳波段指數(shù)和J－M距離可分性的高光譜數(shù)據(jù)最佳波段組合選取研究——以環(huán)境小衛(wèi)星高光譜數(shù)據(jù)在東莞市的應(yīng)用為例［J］.遙感技術(shù)與應(yīng)用，2010，25（3）：258－265.

Maize Recognition and Accuracy Evaluation Based on High Resolution Remote Sensing（GF－1）Data

GUO Yan，WU Xi－h(huán)ong，CHENG Yong－zheng，WANG Lai－gang，LIU Ting

（Institute of Agricultural Economics and Information，Henan Academy of Agricultural Sciences，Zhengzhou450002）

High resolution remote sensing satellite（GF－1）is the first satellite for earth observation system and also is the first civil satellite in China，which owns the imaging ability of high resolution and information of wide－swath remote sensing.It is very important to bring into play its function to serve the society.In this study，wide－swath remote sensing data with resolution of 16m，integrated with Landsat－8and RapidEye data were selected to recognize maize by Support Vector Machine（SVM）and Spectral Angle Mapper（SAM）method in Xuchang area.The results showed that the precision of classification was of a great difference among the four sensors.In particular，WFV3was of the highest accuracy to identify crops and planting area，and the accuracy was higher than Landsat－8and close to RapidEye.In regard with WFV1and WFV4，the application effect was poor，which was less applicable to identify types of complex autumn crops.In brief，the classification accuracy of SVM classifier and Kappa coefficient is better than SAM classifier，and it can be concluded that SVM is more suitable for the identification of crops and planting area of extraction in this area.

GF－1；maize classification；area recognition；support vector machine（SVM）；spectral angle mapper（SAM）；accuracy evaluation

10.3969／j.issn.1000－3177.2015.06.006

S127

A

1000－3177（2015）142－0031－06

2014－10－15

2015－01－19

高分辨率對地觀測系統(tǒng)重大專項項目（09－Y30B03－9001－13／15）；河南省科技成果轉(zhuǎn)化項目（14220111033）；河南省農(nóng)業(yè)科學院農(nóng)業(yè)科技創(chuàng)新項目（201315618）。

郭燕（1983—），女，博士，助理研究員，主要從事農(nóng)業(yè)遙感與信息技術(shù)研究。

E－mail：10914063＠zju.edu.cn