用高分一號數據提取玉米面積及精度分析

郭燕，武喜紅，程永政，王來剛，劉婷

（河南省農業科學院農業經濟與信息研究所，鄭州450002）

用高分一號數據提取玉米面積及精度分析

郭燕，武喜紅，程永政，王來剛，劉婷

（河南省農業科學院農業經濟與信息研究所，鄭州450002）

由于受到時間分辨率的影響，長期以來國內遙感技術在面積監測、作物長勢監測等方面受到限制。針對此問題，該文利用“高分一號”衛星高空間和高時間分辨率的特點，應用其寬幅16m分辨率數據，結合Landsat－8和RapidEye數據，采用支持向量機（SVM）和光譜角法（SAM）在許昌進行農作物（玉米）的識別和面積提取及其精度分析。結果表明，“高分一號”4個寬幅傳感器的影像應用精度差別較大，其中WFV3數據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數據的應用效果較差，不太適用于試驗區內復雜的秋季作物類型的識別。總體上講，SVM分類器的分類精度和Kappa系數都要好于SAM分類器，相比之下SVM更適合于農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，它可以準確及時地獲取農業資源和農業生產信息，是傳統農業向信息農業過渡的主要技術方法［1］。自20世紀七八十年代始，遙感技術被大量用于作物長勢監測、種植面積監測及產量預測等方面［2－5］。但是長期以來，由于受到分辨率的限制，國內常用的數據源主要是國外的MODIS、Landsat、SPOT、GeoEye等，嚴重制約著我們的主動應用［5－6］。

2013年4月26日12時13分04秒，“高分一號”（GF－1）衛星在酒泉衛星發射中心由長征二號運載火箭成功發射。該衛星是高分辨率對地觀測系統的首發星，突破了高空間分辨率、多光譜與高時間分辨率結合的光學遙感技術。其所獲取的遙感數據可在國土資源調查、環境監測、精準農業、助力減災救災等方面發揮重要作用，對進一步改進我國遙感衛星的數據精度和數據質量，促進國產資源衛星的應用，推進我國遙感技術的發展具有十分重要的戰略意義。此衛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，可實現在同一顆衛星上高分辨率和寬幅成像能力的結合。

本文應用GF－1WFV傳感器所獲取的16m分辨率寬幅多光譜數據，并結合Landsat－8和RapidEye數據對河南省許昌地區農作物（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據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據進行河南省作物長勢遙感監測以及生產服務提供基礎。

1 材料與方法

1.1 研究區域

試驗區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。研究區內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 數據采集與預處理

GF－1衛星上配置了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），現已下傳有效數據上萬景。由于滿足試驗條件的GF－1數據較少，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個波段的數據。試驗所用影像的傳感器參數對比見表1。同時，在試驗區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。

所采集的圖像數據先經過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。影像的坐標系統均采用Albers等面積割圓錐投影。

表1 GF－1傳感器參數與其他同類型常用遙感衛星的參數對比

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，其理論基礎是內核統計學理論。它屬于一般的線性分類器。其關鍵在于核函數，只要選用適當的核函數，就可以得到高維空間的分類函數。選擇不同的核函數，可以生成不同的SVM，常用的核函數有線性核函數、多項式核函數、徑向基函數、Sigmoid核函數4種［7］。

本研究中，采用多項式核函數。

（2）光譜角填圖

光譜角填圖（Spectral Angle Mapping，SAM）是一種監督分類技術。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每個角度圖像對應一個類型組分像元，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據與分類結果，以確定分類過程的準確程度。分類結果精度評價是進行遙感監測中重要的一步，也是分類結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計值，如總體精度、錯分率、漏分率、Kappa系數等。本文采用總體精度與Kappa系數對作物識別結果進行評價。

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域內的某類面積提取結果與樣方內該類實際種植面積之差的絕對值與樣方內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果與實地情況之間的誤差。

2 結果與分析

2.1 作物識別精度對比

經實地調查，將試驗區的分類系統確定為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。各類型數據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 多源遙感數據對比圖

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

分類精度統計結果見表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方法更適合于農作物的識別分類。GF－1衛星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星數據（GF－1號衛星于2013年4月26日發射，Landsat－8于2013年2月11號發射），GF－1衛星WFV3的16m多光譜影像在農作物分類識別方面的應用效果要優于Landsat OLI 15m融合多光譜影像。幾種WFV傳感器影像之間的應用效果差別較大，WFV1和WFV4影像的分類精度明顯差于WFV3影像。針對這種現象，對研究范圍內3個傳感器的原始影像進行灰度直方圖分析，結果見圖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 農作物識別及玉米種植面積提取結果圖

表2 農作物識別精度統計

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，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數據，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，其應用精度要優于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作物的種植面積提取。這與農作物識別精度分析所得的結論相似。

表3 玉米種植面積提取誤差統計

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得到的分類結果進行進一步的誤差分析，統計其他地物在玉米錯分與漏分像元中所占的比例，結果見表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該是地物光譜特征本身的相似性或者WFV3圖像本身的質量問題。

為了進一步判斷造成這種誤差的具體原因，使用基于Jeffries－Matusita距離和轉換分離度的方法來計算這幾種類別間的統計距離，結果見表5。同時我們也對經過大氣輻射校正的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分開，小于1.8說明這兩種類別在圖像上不容易區分開，小于1.0則證明這兩種類別在圖像上幾乎無法區分［13］。通過對比兩個統計表里的數據可以看出，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衛星WFV3圖像本身的質量問題。

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計

3 結束語

GF－1衛星的成功發射和數據的成功下傳，對推進我國遙感技術的發展具有十分重要的戰略意義。通過對高分數據的前期處理研究，發現支持向量機與光譜角分類法比較適于農作物識別與種植面積提取。在本研究中，使用GF－1WFV寬幅16m分辨率數據的同時，結合Landsat－8和RapidEye數據，對許昌鄢陵地區的農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象。研究結果表明，SVM分類器的總體分類精度與Kappa系數都明顯高于SAM分類器，相比之下SVM更適合于農作物識別與種植面積提取。本研究中，所用的3種WFV影像的應用效果差別較大，WFV3影像的農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，其應用效果優于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農作物的識別與種植面積提取。

隨著遙感技術的突飛猛進，繼續提高遙感衛星數據的質量，加強高分衛星數據的民用事業，利用高分衛星數據與其他技術相結合，將會對河南地區乃至全國的土地利用以及農業、林業資源調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時序植被指數和線性光譜混合模型的水稻面積提取［J］.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計劃簡介與我國農業遙感應用思路［J］.中國農業資源與區劃，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數據的冬小麥種植面積快速提取與長勢監測［J］.農業機械學報，2012，43（7）：163－167.

［6］初慶偉，張洪群，吳業煒，等.Landsat－8衛星數據應用探討［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］.遙感技術與應用，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.基于最佳波段指數和J－M距離可分性的高光譜數據最佳波段組合選取研究——以環境小衛星高光譜數據在東莞市的應用為例［J］.遙感技術與應用，2010，25（3）：258－265.

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

GUO Yan，WU Xi－hong，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重大專項項目（09－Y30B03－9001－13／15）；河南省科技成果轉化項目（14220111033）；河南省農業科學院農業科技創新項目（201315618）。

郭燕（1983—），女，博士，助理研究員，主要從事農業遙感與信息技術研究。

E－mail：10914063＠zju.edu.cn