基于中高分遙感的多特征作物種類(lèi)識(shí)別

摘要：本文基于哨兵2號(hào)衛(wèi)星的影像特征，對(duì)石河子總場(chǎng)農(nóng)作物進(jìn)行種類(lèi)識(shí)別研究，并探討基于中高分遙感的作物種類(lèi)識(shí)別技術(shù)的應(yīng)用及存在問(wèn)題。

關(guān)鍵詞：遙感;農(nóng)作物種類(lèi)識(shí)別

中高分遙感影像能夠提供豐富的地物空間結(jié)構(gòu)和細(xì)節(jié)信息，在城市規(guī)劃、地形圖更新、土地利用、土地覆蓋等方面有著廣泛的應(yīng)用，也為更加精細(xì)的遙感作物識(shí)別提供新的數(shù)據(jù)來(lái)源。受制于成像技術(shù)，高分辨率數(shù)據(jù)可供利用的光譜波段較少，光譜分辨率較低，傳統(tǒng)依靠光譜特征的分類(lèi)方法嚴(yán)重制約著高分影像分類(lèi)的精度。因此，在實(shí)際應(yīng)用中通常將高分影像的紋理信息與光譜信息相結(jié)合，以提高地物分類(lèi)的精度。

本文利用哨兵2號(hào)衛(wèi)星的數(shù)據(jù)獲取農(nóng)作物類(lèi)別信息為目標(biāo)，選取石河子總場(chǎng)的區(qū)域作為研究區(qū)，通過(guò)對(duì)農(nóng)作物相關(guān)的植被指數(shù)特征和紋理特征進(jìn)行選擇和分析，采用適用于高分辨率影像分類(lèi)的面向?qū)ο蠓诸?lèi)方法，研究多特征面向?qū)ο筠r(nóng)作物分類(lèi)技術(shù)，為高分辨率影像農(nóng)作物分類(lèi)提供技術(shù)參考，為國(guó)產(chǎn)高分辨率影像的農(nóng)業(yè)應(yīng)用發(fā)展提供支持。

一、結(jié)果與分析

（一）植被指數(shù)和紋理特征的重要性評(píng)價(jià)

采用主成分分析法來(lái)評(píng)價(jià)植被指數(shù)和紋理特征的重要性程度，獲得每個(gè)指數(shù)和特征的重要性分值，用平均精確率減少（Mean Decrease Accuracy）重要性評(píng)分來(lái)表示，直接對(duì)所有特征對(duì)模型精確率的影響進(jìn)行度量，通過(guò)將對(duì)特征值順序不斷打亂，以度量順序變化給模型的精確率造成的影響。

研究區(qū)影像的26個(gè)特征值的重要性分值如圖1-1和表1-1所示。從圖表中可以看出，重要性較高的植被指數(shù)從高到低依次為MSR、NDVI、GI、GNDVI和MCARI，重要性評(píng)分分別為40.3400、37.2719、33.5677、18.6619和16.4228;重要性較高的紋理特征指數(shù)是第四波段的Contrast、第八波段的Contrast、第三波段的Homogeneity、第三波段的Contrast、第三波段的second moment和第四波段的Entropy，重要性評(píng)分分別為42.7502，26.0820、24.2669、21.2991、20.1601、19.2425和Entropy。由此可知，植被指數(shù)特征的重要性相對(duì)而言比較高，而從四個(gè)波段計(jì)算得到的16個(gè)紋理特征中近紅外波段的紋理特征值重要性相對(duì)較高，其他波段的紋理特征值重要性相對(duì)較低。

（二）特征個(gè)數(shù)對(duì)分類(lèi)精度的影響

基于主成分分析獲得的植被指數(shù)和紋理特征指數(shù)的重要性值，對(duì)特征指數(shù)按重要值的高低進(jìn)行排序，每次選取不同的特征數(shù)量進(jìn)行分類(lèi)，以明確分類(lèi)精度受參與分類(lèi)的特征個(gè)數(shù)的多少的影響程度。采用基于樣本的支持向量機(jī)分類(lèi)器開(kāi)展分類(lèi)實(shí)驗(yàn)，所獲得的分類(lèi)精度如表1-2所示。從表中可以看出，分類(lèi)精度與特征數(shù)量個(gè)數(shù)呈正相關(guān)，即隨著特征數(shù)量的增加，分類(lèi)精度不斷提高，但當(dāng)特征數(shù)量超過(guò)15的時(shí)候分類(lèi)精度的增加程度變的很小，達(dá)到了平衡的狀態(tài)，特征數(shù)量繼續(xù)增加，分類(lèi)精度的增加很小或者會(huì)產(chǎn)生精度變低的情況。

（三）面向?qū)ο蠓诸?lèi)

根據(jù)特征主成分分析的結(jié)果，選擇重要性程度較高的前15個(gè)特征值參與分類(lèi)，以提高分類(lèi)的效率，鑒于哨兵2號(hào)數(shù)據(jù)的高空間分辨率特點(diǎn)，選擇基于多特征的面向?qū)ο蠓诸?lèi)方法，檢驗(yàn)哨兵2號(hào)影像在農(nóng)作物分類(lèi)應(yīng)用上的有效性，為哨兵2號(hào)數(shù)據(jù)的應(yīng)用提供技術(shù)參考。

（1）影像分割

基于多特征Mean Shift 分割方法對(duì)研究區(qū)的影像進(jìn)行分割，采用多光譜波段和基于GLCM的紋理特征（基于多光譜影像的第一主成分，以3*3窗口計(jì)算）homogeneity、contrast、entropy、second moment 四個(gè)特征）。通過(guò)多次比較實(shí)驗(yàn)，根據(jù)研究區(qū)地物目標(biāo)調(diào)節(jié)參數(shù)（帶寬、閾值和最小區(qū)域像素點(diǎn)個(gè)數(shù)等），分別得到最優(yōu)的分割結(jié)果，當(dāng)圖像分割參數(shù)Scale Level=50，Merge Level=80時(shí)得到最優(yōu)的分割結(jié)果，能夠很好的將地物的形狀特征和輪廓表現(xiàn)出來(lái)。因此采用分割尺度為100的分割結(jié)果進(jìn)行后續(xù)面向?qū)ο蟮姆诸?lèi)實(shí)驗(yàn)。

（2）分類(lèi)結(jié)果

針對(duì)分割后的影像采用支持向量機(jī)分類(lèi)器進(jìn)行面向?qū)ο蟮姆诸?lèi)，分類(lèi)精度達(dá)到了95.4040%，Kappa Coefficient為0.9394，分類(lèi)效果較好，結(jié)果如圖1-2所示。由此可以看出棉花、小麥、玉米和葡萄被很好的分開(kāi)，且地物完整度較高。

分類(lèi)結(jié)果還顯示，石河子總場(chǎng)農(nóng)作物中，棉花的種植面積最高，占22.67%，其次為葡萄、小麥和玉米，分別占21.88%、11.40%、9.3%，其余面積為非農(nóng)業(yè)用地。

二、討論

為檢驗(yàn)基于哨兵2號(hào)數(shù)據(jù)影像農(nóng)作物識(shí)別的有效性，同時(shí)掌握石河子總場(chǎng)中的農(nóng)作物種植種類(lèi)和面積，本章以石河子總場(chǎng)的哨兵2號(hào)中高分辨率遙感影像為研究對(duì)象，提取了影像的了10個(gè)植被指數(shù)和4個(gè)紋理特征進(jìn)行測(cè)度，并采用主成分分析法對(duì)26個(gè)特特征對(duì)于5類(lèi)地物的分類(lèi)重要性進(jìn)行了評(píng)價(jià)。根據(jù)評(píng)價(jià)的結(jié)果可知，在對(duì)農(nóng)作物識(shí)別分類(lèi)中植被指數(shù)的指示作用較高，而且不同的植被指數(shù)在植被分類(lèi)中發(fā)揮的重要性程度不一。

通過(guò)對(duì)植被指數(shù)特征和紋理特征的評(píng)價(jià)和分析可以得出，本研究所選擇的10個(gè)農(nóng)作物相關(guān)植被指數(shù)在作物分類(lèi)識(shí)別中有著很重要的作用，而近紅外波段的紋理特征值對(duì)于作物的識(shí)別也有很大的作用。因此在進(jìn)行高分辨率遙感農(nóng)作物分類(lèi)中，需針對(duì)所分類(lèi)別及農(nóng)作物的生長(zhǎng)期，選擇合適的特征值進(jìn)行分析，可以采用植被相關(guān)指數(shù)和近紅外波段的紋理特征值以獲得比較好的分類(lèi)效果。

三、小結(jié)

高分辨率遙感農(nóng)作物分類(lèi)，采用面向?qū)ο蟮姆诸?lèi)十分必要，相比基于像元的方法，面向?qū)ο蠓诸?lèi)結(jié)果可以更好的避免椒鹽效應(yīng)，使分類(lèi)結(jié)果破碎度減小，農(nóng)田的規(guī)則形狀特征也十分適用基于對(duì)象的分析。分割過(guò)程中，需根據(jù)農(nóng)田的面積大小選擇合適的分割參數(shù)，以獲得與地面更加匹配的對(duì)象，提高農(nóng)作物的分類(lèi)精度。

針對(duì)當(dāng)前中高分辨率的遙感圖像存在波段少的特點(diǎn)，提出了利用多特征分類(lèi)方法，通過(guò)選擇合適的植被相關(guān)指數(shù)和紋理特征，進(jìn)行特征評(píng)價(jià)和分類(lèi)分析，得出植被指數(shù)與近紅外波段的紋理特征值是農(nóng)作物分類(lèi)中需要選擇的特征，由于高分辨率影像空間分辨率較高，在進(jìn)行大范圍研究中數(shù)據(jù)量會(huì)非常大，特征的多少對(duì)于分類(lèi)器精度和速度有很大的影響，而植被指數(shù)也具有一定的地域性，因此在實(shí)際應(yīng)用中，還需要根據(jù)研究區(qū)的地物類(lèi)別及時(shí)相優(yōu)選合適的植被指數(shù)和紋理特征用于分類(lèi)，以保證分類(lèi)精度和效率。

作者簡(jiǎn)介：

董嘉偉（1992.07--）;性別：男，籍貫：甘肅天水，學(xué)歷：本科畢業(yè)于南昌工程學(xué)院;石河子大學(xué)在讀研究生。現(xiàn)有職稱(chēng)：初級(jí)工程師;研究方向：農(nóng)業(yè)信息化。