基于GEE平臺聯(lián)合Landsat數(shù)據(jù)的農(nóng)作物分類方法研究

董雯凱 趙青芬

（1.江西省自然資源測繪與監(jiān)測院，江西 南昌 330000；2.江西省國土空間調(diào)查規(guī)劃研究院，江西 南昌 330009）

0.引言

農(nóng)作物種植信息識別作為經(jīng)濟發(fā)展與糧食安全等策略的重要數(shù)據(jù)，一直以來都是各個部門密切關(guān)注的問題[1]。傳統(tǒng)的農(nóng)作物種植信息調(diào)查主要采用實地調(diào)查與樣方測算的方法[2]。如外業(yè)調(diào)查隊伍有目的性地驅(qū)車調(diào)查，調(diào)查種植類型、種植面積，以及在各區(qū)縣劃定樣方，逐年逐季對樣方內(nèi)種植作物進行信息獲取，從而估算大范圍的種植情況。傳統(tǒng)的農(nóng)作物種植面積信息獲取與統(tǒng)計多依托當(dāng)?shù)亟y(tǒng)計部門進行田間樣方抽樣調(diào)查，根據(jù)歷史數(shù)據(jù)進行推算，從而估算整體種植面積。該方法不僅費時費力、效率低下，而且難以獲取精確的空間分布信息，更加難以獲取準(zhǔn)確的農(nóng)作物種植面積[3]。遙感技術(shù)是一種非接觸的、遠距離探測技術(shù)，具有覆蓋范圍廣、重訪周期短、現(xiàn)勢性強、數(shù)據(jù)獲取與處理簡便等優(yōu)勢，為農(nóng)作物信息的精準(zhǔn)獲取提供了強有力的手段[4,5]。隨著遙感技術(shù)的發(fā)展，線上遙感處理解譯平臺應(yīng)運而生。美國的Google Earth Engine（GEE）作為目前應(yīng)用人數(shù)最多、范圍最廣的遙感處理解譯平臺，已經(jīng)成為遙感學(xué)科不可或缺的分析途徑[6]，GEE平臺存儲了Sentinel系列數(shù)據(jù)、MODIS系列數(shù)據(jù)、TRMM/GPM降水?dāng)?shù)據(jù)、Landsat數(shù)據(jù)和海拔數(shù)據(jù)等海量數(shù)據(jù)，容量超過5PB，且每天增加約5000幅影像，可以解決大面積地表、地上遙感分類與反演方面最重要的數(shù)據(jù)來源問題，在平臺上可進行土地利用分類、植被長勢監(jiān)測、水體監(jiān)測等各種遙感分類與反演工作[7，8]。

本研究基于GEE平臺進行南昌縣的農(nóng)作物信息提取，通過GEE平臺進行影像融合高亮顯示，在GEE平臺上進行樣本勾畫，勾畫水體、建筑、農(nóng)作物、林草地等類別，用非監(jiān)督分類、監(jiān)督分類、面向?qū)ο蠓诸惖确椒ㄟM行農(nóng)作物分類以及精度分析與比對，最終篩選出最適用于本研究的分類方法。

1.研究區(qū)及數(shù)據(jù)介紹

1.1 研究區(qū)介紹

本研究選取江西省南昌縣作為研究試點，GEE平臺融合無云Landsat8影像效果（如圖1所示）：南昌縣位于江西省中部偏北，南昌市南部，面積1810.7平方千米，東接進賢縣，南鄰宜春豐城市，西、北與新建區(qū)隔贛江相望，東北瀕鄱陽湖，三面環(huán)抱南昌市主城區(qū)。南昌縣是全國著名的商品糧基地、漁業(yè)重點縣，享有“江南糧倉”“魚米之鄉(xiāng)”等美譽，境內(nèi)盛產(chǎn)水稻，主要為雙季稻，本研究著重進行水稻信息遙感提取研究。

圖1 GEE平臺Lands a t8影像南昌縣示意圖

1.2 數(shù)據(jù)介紹

本研究主要采用Landsat8數(shù)據(jù)作為研究數(shù)據(jù)源。Landsat8衛(wèi)星傳感器發(fā)射于2013年2月11日，衛(wèi)星上攜帶兩個傳感器，分別是OLI陸地成像儀和TIRS熱紅外傳感器。Landsat8在空間分辨率和光譜特性等方面與Landsat 1-7基本保持一致，共有11個波段，預(yù)處理后為15米分辨率的多光譜影像。Landsat8影像的短波紅外與近紅外波段，對農(nóng)作物葉片的葉綠素變化及紅邊位移有顯著的監(jiān)測作用，可用于農(nóng)作物種植面積、長勢等監(jiān)測識別。相較于之前的Landsat系列數(shù)據(jù)，Landsat8數(shù)據(jù)像元純凈度更高、受大氣影響更少、光譜信息更準(zhǔn)確，在已開展的大量研究中均取得了較理想的成果。

2.原理與方法

2.1 原理介紹

本研究采用非監(jiān)督分類中的K均值聚類、監(jiān)督分類中的最大似然法分類、面向?qū)ο蠓诸愡@三種分類方法，基于GEE平臺進行江西南昌縣的農(nóng)作物分類研究。三種分類原理分別如下所示：

K均值聚類：K均值聚類算法首先將數(shù)據(jù)分為K組，隨機選取K個對象作為初始的聚類中心，然后計算每個對象與各個種子聚類中心之間的距離，把每個對象分配給離它最近的聚類中心。聚類中心以及分配給它們的對象就代表一個聚類。

最大似然法：在兩類或多類判決中，用統(tǒng)計分析方法根據(jù)貝葉斯判決準(zhǔn)則法建立非線性判別函數(shù)集，假定各類分布函數(shù)為正態(tài)分布，并在訓(xùn)練區(qū)內(nèi)計算各待分類樣區(qū)的概率，從而進行分類。

面向?qū)ο螅好嫦驅(qū)ο蠓椒ǖ奶崛☆愃茮Q策樹的構(gòu)思，從簡到繁，先剔除其他無關(guān)信息，再經(jīng)過多次篩選找出有用的地物類別，實現(xiàn)地物的分層提取。經(jīng)過多尺度分割后，需要對分割后的單個對象進行劃分，選擇合適的參數(shù)或者規(guī)則將對象與其他對象區(qū)分開來，以實現(xiàn)各種地物的分類。

2.2 方法介紹

本研究的技術(shù)路線（如圖2所示）。首先基于GEE平臺進行6至8月Landsat8無云影像合成，以此避免6至8月的云雨天氣造成的影像。通過影像合成，得到無云的高清影像成果。

圖2 技術(shù)路線圖

其次，在合成的影像上進行樣本采集，主要采集類別為：水體、建筑、林草地、農(nóng)作物，通過豐富樣本類型達到農(nóng)作物高精度識別與提取的目的。將采集的樣本進行篩選，篩選出用于遙感分類的樣本以及用于精度驗證的樣本。

然后，將分類樣本分別帶入到K均值聚類、最大似然法、面向?qū)ο笕N分類方法中，進行基于GEE平臺的遙感分類，得到三種分類成果。

最后，采用預(yù)留的精度驗證樣本對三種分類成果進行分類精度評價，評價出最優(yōu)解譯方法。

3.結(jié)果分析

3.1 樣本標(biāo)記

本研究選取的樣本是基于GEE平臺，采用人工目視標(biāo)識的方法進行樣本標(biāo)記與統(tǒng)計，主要采集類型為水體、建筑、林草地、農(nóng)作物。各類別采集樣本情況（如圖3所示）。建筑、水體、農(nóng)作物各類樣本量整體保持一致，林草地樣本量相對較少。原因是挑選林草地樣本時，對于灌草地區(qū)未進行樣本采集，避免灌草地區(qū)對后續(xù)研究中的農(nóng)作物分類產(chǎn)生混淆。南昌縣農(nóng)作物多為水稻，水稻在耕種前與收獲后，會閑置一段時間，該時間段內(nèi)田塊中滋生的雜草與灌草地區(qū)的雜草在影像上的紋理相似，且極易出現(xiàn)混淆現(xiàn)象。為避免此現(xiàn)象的發(fā)生，本研究首先在選取樣本的時候避開灌草類別，同時在選取研究時段時選取水稻已耕種且處于拔節(jié)期的時段，即6至8月，該時段較好地解決了灌草對農(nóng)作物提取的影響。

圖3 基于GEE平臺勾畫各地類樣本

3.2 分類成果

通過GEE平臺對南昌縣進行農(nóng)作物分類（如圖4所示），圖4（a）為K均值聚類分類成果，（b）為最大似然分類成果，（c）為面向?qū)ο蠓诸惓晒?。由圖4可知，K均值聚類整體分類成果中，各地類像元相對集中，如居民地具有很好的顯示，但對于非居民地的獨棟建筑，則不能較好地識別出來，究其原因是對像元進行臨近分析時，獨棟建筑作為弱項，被分析計算到相鄰像元類別中，如南昌縣北部地區(qū)的建筑物，均被耕地及林草地類別包括進去；最大似然法分類采用美國公布的CDL耕地數(shù)據(jù)作為掩膜進行分類，分類精度相對于K均值聚類法高，但對混合像元的處理不如K均值聚類方法，如南昌縣南部，建筑出現(xiàn)較多錯誤識別，違背了建筑分布的合理性，空間分布零星散亂，不符合居住及建筑群的特性；面向?qū)ο蠓诸惓晒茸罡?，且各地類分布相對合理，其整體分類成果與最大似然法分類成果相似，但局部地區(qū)的小圖斑識別精度高于最大似然法。

圖4 基于GEE平臺的三種分類器分類成果圖

三種分類方法對農(nóng)作物的識別精度不盡相同，其中面向?qū)ο蠓诸惙椒▽r(nóng)作物的識別精度最高，相比其他兩種分類方法，面向?qū)ο蠓椒ㄌ崛〉霓r(nóng)作物精度高的原因是因為面向?qū)ο蠓椒▽颖咀鳛閷ο?，且對對象進行紋理特征計算、指數(shù)特征計算等，從而豐富特征庫，將農(nóng)作物的特征最大程度地貢獻給分類器，然后將農(nóng)作物精準(zhǔn)識別出來。面向?qū)ο蠓椒ǖ淖R別精度優(yōu)勢區(qū)域在南昌縣中部、北部地區(qū)。南昌縣農(nóng)作物種植集中在中部、北部地區(qū)，且呈大面積連片種植。K均值聚類法將過多的地類區(qū)分成了農(nóng)作物，造成了錯分現(xiàn)象；而最大似然法對混合像元的處理效果不太好，像元噪點較多；分類成果中的瑣碎圖斑較多，整體精度低于面向?qū)ο蠓椒?；面向?qū)ο蠓椒▌t較好地識別出了南昌縣地區(qū)的農(nóng)作物種植空間分布。南昌縣種植作物多為水稻，本研究選取的研究時段為6至8月，該時段對水稻的反映可從短波紅外、近紅外、紅邊波段聯(lián)合響應(yīng)，通過特征豐富，農(nóng)作物的光譜及紋理特征差異擴大，通過分類器可較好地識別出來。

3.3 精度評價

采用預(yù)留的20%驗證樣本，結(jié)合三種分類方法，對四種地物類型的遙感識別進行精度評價（如表1所示）。整體來說，分類精度最高的是面向?qū)ο蠓诸惙椒ǎ浯问亲畲笏迫环ǎ畹偷氖荎均值聚類分類方法。三種分類方法在Landsat8影像上的地表要素提取精度上均高于遙感分類的85%精度極限，這為后期地表覆蓋遙感分類提供了良好的成果證明。

表1 分類精度評價

基于GEE平臺的農(nóng)作物提取成果中，三種分類方法的提取精度（如圖5所示）。整體來說，面向?qū)ο蠓诸惙椒ǖ木认鄬ψ罡?，是因為面向?qū)ο蠓诸愝^前兩種分類方法，增加了指數(shù)特征、拓撲特征、形狀特征、光譜特征等，在分類時會采用最優(yōu)相關(guān)性選擇進行最優(yōu)特征選取，剔除冗余的特征，并將最優(yōu)特征添加到分類器中，以此保證分類精度的最優(yōu)化；相對于面向?qū)ο蠓诸惙椒ǎ琄均值聚類與最大似然法也具有較好的可取性，如K均值聚類方法在樣本獲取較困難的窗口或地區(qū)，可采用K均值聚類方法，通過最優(yōu)類別劃分，進行多次迭代與分類，可得到相對較高精度的聚類成果；而最大似然法在面向?qū)ο蠓椒ㄖ笆沁b感分類方法中應(yīng)用最多的分類器，該方法在建筑與水體的識別中具有較好的適用性，且該優(yōu)點也在本研究中得到證實。

圖5 基于GEE平臺的三種分類器農(nóng)作物識別精度對比圖

3.4 GEE時效性分析

本研究整個流程都是在GEE上進行的，如通過GEE平臺進行樣本勾畫、遙感分類、精度評價等工作。

通過GEE平臺進行樣本勾畫工作，較傳統(tǒng)的ENVI等軟件勾畫ROI具有快速標(biāo)記、分類統(tǒng)計等優(yōu)勢，如在GEE平臺上標(biāo)記100個樣本所用時間約為5分鐘，而在ENVI軟件中需要先創(chuàng)建ROI，再標(biāo)記，然后導(dǎo)出XML文件，整體操作時間遠大于GEE平臺操作時間。

通過GEE平臺進行遙感分類工作，三種分類方法均在3分鐘之內(nèi)完成分類，整體效率遠大于傳統(tǒng)的軟件分類，且GEE對分類過程的參數(shù)調(diào)整也具有較直接地操作。

通過GEE平臺進行精度評價工作，與分類相似，可在3分鐘之內(nèi)完成精度評價；傳統(tǒng)的精度評價需要驗證樣本導(dǎo)入、ROI創(chuàng)建等工作，且操作繁瑣。

4.結(jié)論與展望

本研究基于GEE平臺聯(lián)合Landsat影像，采用不同的遙感分類方法對江西南昌縣農(nóng)作物進行研究識別，通過研究得出以下結(jié)論：

整體來說，GEE平臺在農(nóng)作物遙感分類中具有快速、高效、數(shù)據(jù)源豐富、調(diào)參便捷等優(yōu)勢。

K均值聚類、最大似然法分類、面向?qū)ο蠓诸惙椒ㄔ诘乇硇畔⑻崛∩暇哂休^好的分類精度。

農(nóng)作物信息提取中，面向?qū)ο蠓诸惙椒ň哂凶罡叩姆诸惥?，究其原因是面向?qū)ο蠓诸惙椒ㄔ黾恿俗魑锏墓庾V、紋理等特征，將農(nóng)作物的信息最大程度地貢獻給分類器，從而得到更高的分類結(jié)果。

本研究通過GEE平臺進行農(nóng)作物分類研究，雖然取得較好的成果，但仍存在一定的問題。本研究選取的分類方法僅為三種，未引入更多的分類方法；本研究選用的Landsat影像，時間分辨率與空間分辨率較差，而且容易受到云雨影響，導(dǎo)致錯過最佳的農(nóng)作物信息監(jiān)測時期。下步研究將引入歐空局的Sentinel2影像進行研究。