基于GF2號衛星影像的農業信息提取方法對比分析

李 鵬，虞 虎，王 鵬，李開淵

(1. 遼寧工程技術大學測繪與地理科學學院，遼寧 阜新 123000； 2. 中國科學院地理科學與資源研究所， 北京 100101； 3. 山西家豪測繪集團有限公司，山西 太原 030009； 4. 太原理工大學礦業工程學院， 山西 太原 030024)

基于GF2號衛星影像的農業信息提取方法對比分析

李 鵬1，虞 虎2，王 鵬3，李開淵4

(1. 遼寧工程技術大學測繪與地理科學學院，遼寧 阜新 123000； 2. 中國科學院地理科學與資源研究所， 北京 100101； 3. 山西家豪測繪集團有限公司，山西 太原 030009； 4. 太原理工大學礦業工程學院， 山西 太原 030024)

以GF2衛星0.8 m全色/3.2 m多光譜分辨率遙感影像為基礎數據源，對基于GF2號衛星影像的農業信息提取流程和方法進行了研究與對比分析。首先對GF2號衛星影像進行波譜分析；其次對GF2號影像進行融合，并對多種融合方法進行質量評價；最后選擇閾值法、波譜間關系法、非監督分類法和面向對象法分別對GF2號影像數據進行農業信息提取試驗，并對信息提取結果進行精度驗證和結果分析。試驗表明，面向農業信息提取的GF2號衛星影像融合方法中，Pansharp融合算法融合影像色彩正常，無虛影，清晰度高，地類對比度正常，紋理清晰，熵值及與原始多光譜影像的相關系數高。閾值法和譜間關系法適用于提取單要素農業信息，非監督分類法能夠初步獲取研究區土地利用情況，面向對象法提取研究區全要素信息精度高?？傮w來說，不同信息提取方法具有各自的優勢，在具體實際應用中，可以根據目標地類的波譜特性，選擇適宜的遙感影像處理和信息提取方法。

農業信息；GF2衛星；波譜分析；影像融合；信息提??；面向對象

農業生產是當今社會發展至關重要的環節，它具有生產分散性、時空變異性、災害突發性等人們用常規技術難以掌握與控制的基本特點，這是農業生產長期以來處于被動地位的原因。隨著科學技術的發展，遙感技術成為及時掌握農業信息分布情況、作物長勢、病蟲害等農業災害信息的有效手段[1-3]。

近些年，隨著各類高空間分辨率民用衛星的出現，3S技術、計算機技術、航天技術、物聯網技術發展相結合在農業生產、管理和作業等方面取得了不錯的成績，得到了廣泛的應用和推廣[4-6]?；谶b感技術在農業方面的應用研究主要有：尚松浩等對基于遙感的農業用水效率評價方法研究進展進行了論述[7]；史舟等簡要回顧了農業遙感發展歷程及其應用的理論基礎，再從農作物估產、農業資源調查、農業災害監測和精準農業管理4個領域闡述了國內外相關研究和應用情況[2]；付碧玉、苑慧麗等也分別對遙感技術在農業方面的應用方法作了深入研究[8-9]。

不同遙感衛星傳感器具有不同的參數和特性，針對相同的地物要素，影像數據有不完全一致的表現結果。同樣，相同的遙感信息提取方法，對不同來源影像的提取結果也不一樣。本文針對這一問題，對高分二號(GF2)號衛星影像進行波譜分析，從波譜角度分析GF2號衛星影像的波段特性[10]。試驗數據包括融合影像和原始多光譜影像，選擇閾值法[11]、波譜間關系法[11]、非監督分類法[12]和面向對象法[13]分別對試驗數據進行研究區農業信息提取。

1 研究數據及影像預處理

1.1 研究區概況

蔡甸區位于武漢市西郊，地處漢江與長江匯流的三角地帶，江漢平原東緣，蔡甸區境內地勢由中部向南北逐減降低，中部均為丘陵崗地，坡度較緩，全境地貌是壟崗為主體的丘陵性湖沼平原。研究區農業已初步形成區域化布局。有居民地、農用地及水域等空間結構不同的區域，包含居民地、耕地、河流、水塘、道路、裸地等土地覆蓋類型，以耕地為主。

1.2 數據源

GF2衛星于8月19日成功發射，8月21日首次開機成像并下傳數據，影像星下點空間分辨率可達0.8 m。本次研究選擇的影像獲取時間為2015年2月12日，數據級別為傳感器校正級，數據云量為0，無噪聲條帶，色彩正常，無偏色情況存在。對遙感影像進行波段組合、幾何校正、重采樣和影像融合等處理。同時，GF2衛星遙感影像原始數據波段為16 bit數據，為了便于不同融合方法結果的對比與分析，將遙感影像波段數據均重采樣為8 bit。

2 影像處理

2.1 波譜分析

為了能夠更好地提取研究區的農業信息，首先要對研究區地類信息進行分類，本次研究結合研究區土地利用數據，通過目視判讀方法，分別對耕地、河流、水塘、草地、道路、居民地和荒地進行了取樣，其中耕地分為耕地1(無作物)和耕地2(有作物)，因為研究區內有作物和無作物耕地在顏色上區別較大，因此在此次研究中將耕地分為有作物耕地(耕地2)和無作物耕地(耕地1)。通過統計各地類的灰度均值(見表1)，從而得到相應的地物光譜特征曲線，如圖1所示。

表1 典型地物亮度均值

圖1 不同地物亮度均值曲線

結合研究區地類灰度均值表和不同地物均值曲線圖可以看出耕地1和耕地2均在第1波段，與居民地、道路易于區分，與其他地類混淆。河流在第4波段與其他地類區分。水塘在第3波段與其他地類區分。草地與荒地在4個波段均與其他地類混淆，不易提取。道路在第1波段與居民地相近，與其他地類易于區分。居民地在第3波段均值最大，且與其他地類區分，易于提取。

2.2 影像融合

本次研究中的遙感影像融合屬于像素級融合，通過參考相關文獻，選擇主成分變換法、Brovey變換法、Subtractive法和Pansharp法[14]。影像融合過程均選擇ENVI5.0軟件，影像波段選擇Band3、Band2和Band1波段進行組合，因為這3個波段組合后影像為自然色，更適合人眼的視覺習慣。同時，也利于之后通過人機交互解譯的方式獲取研究區農業信息，從而利用這些信息對通過各種信息提取手段獲取的信息進行精度驗證，如圖2所示。

2.3 融合質量評價

評價融合影像質量采用基于視覺效果的定性分析和基于數理統計的定量分析。定性分析主要從視覺效果簡單直觀地分析融合影像的光譜保真度和空間紋理特征[15]；定量分析從融合影像的光譜信息，紋理特征等方面進行評價分析，減少評價的隨機性，使得評價更加科學全面[16]。定性評價主要借助專家經驗，從影像的清晰度、色彩、紋理等方面進行評價，定量評價選擇相關系數和信息熵作為評價因子。相關系數反映融合后影像對原多光譜影像的光譜信息的保存能力。相關系數越高，保留原多光譜影像的光譜信息越多。信息熵反映了影像信息的豐富程度，融合影像的信息熵越大，表明融合后影像的信息量增加，所含信息越豐富，融合質量越好，見表2。

綜合以上對不同融合算法融合影像進行定性評價和定量評價分析，Pansharp法融合影像效果最好，融合后影像信息豐富、色彩正常、紋理清晰；其次是Subtractive算法，該算法融合影像定性指標評價結果與Pansharp算法相近，但在定量評價中其信息熵值偏??；主成分變換法和Brovey變換法色彩存在偏差，紋理和清晰度均一般，其中Brovey變換法融合影像存在虛影。

圖2 高分二號全色波段與321組合波段影像及融合后影像

融合方法定性評價定量評價虛影色彩色彩反差清晰度亮度紋理相關系數最大值最小值信息熵主成分變換無偏紅中清晰正常清晰0．978450．8496311．126737Brovery變換有偏綠中清晰正常清晰0．2743690．7832181．31896Subtractive法無自然高較清晰正常較清晰0．7808910．9017170．785801Pansharp法無自然高較清晰正常較清晰0．72030．8374521．449562

3 研究方法

本次研究的信息提取方法是閾值法、波譜間關系法、非監督分類法和面向對象法，農業信息提取方法及具體實施過程如下：

(1) 閾值分割法是一種基于區域分割的圖像分割技術，它的基本原理是通過設定不一樣的特征閾值，將圖像的像素點分為若干類。由表2中的數據和圖1所示波譜間關系建立閾值法提取公式，其中，居民地：Band3gt;185；耕地2：Band4gt;220；水塘：Band2lt;35；河流：15lt;Band3lt;55；草地、道路和荒地無法通過閾值法進行信息提取。

(2) 波譜間關系法：通過對波段間進行運算，可以增大不同地類之間的差異，從而達到提取目標信息的目的，以耕地1為例，通過Band2與Band1進行差值運算，會發現差值后的影像，耕地1的灰度均值最大，利用公式Band2-Band1gt;40對研究區耕地1信息進行提取。

(3) 非監督分類法：也稱聚類分析。通過對研究區的分析，將研究區地類信息分為耕地、河流、水塘、草地、道路、居民地和荒地。

(4) 面向對象法：BaatzM等[13]提出了面向對象的方法，面向對象的地物信息分類提取方法是將一個影像對象作為一個研究對象，并從影像的空間、紋理結構、光譜等綜合信息出發對該影像對象進行歸屬判定，即對象分類。此次研究使用的軟件為ENVI5.0，基于規則對影像進行了分類，通過試驗，其分割尺度為30，融合尺度為50，分類結果存儲格式為*.shp，研究區農業信息提取結果如圖3所示。

4 精度驗證

4.1 精度驗證

本次研究中，通過閾值法提取了研究區的河流信息，通過譜間關系法提取了研究區耕地信息，通過非監督分類法和面向對象法提取了研究區土地利用信息全要素。為了驗證信息提取精度，基于Pansharp融合影像，通過人機交互解譯法對研究區土地利用信息進行提取，對于不同地類要素，分別選取300個驗證點，用于作為驗證地類信息提取精度的參考數據，表3中閾值法和譜間關系法只給出了單要素的提取精度，閾值法的單要素對象是河流，譜間關系法的單要素對象是耕地。不同方法提取信息精度詳細情況見表3。

4.2 結果分析

利用閾值法提取河流信息的結果中，河流與水深較深的水塘存在混淆情況，河流邊緣處存在信息缺失。譜間關系法提取的耕地為有作物耕地，部分水深較淺的水塘和部門無作物耕地與結果信息混淆，影響了有作物耕地信息的提取精度。非監督分類法和面向對象法是對研究區全要素進行提取，非監督分類法全要素信息精度偏低，其中河流和耕地信息提取精度也低于閾值法和譜間關系法。面向對象法全要素提取精度尚可，河流信息精度低于閾值法，高于非監督分類法，耕地信息精度介于譜間關系法和非監督分類之間。

5 結 論

本文旨在基于高分二號進行農業信息的提取研究，分別運用閾值法對研究區的河流信息進行了提取，運用譜間關系法對研究區的有作物耕地進行了提取，運用非監督分類法和面向對象法對研究區全要素信息進行了提取，得到如下結論：閾值法對于提取單要素農業信息具有速度快，原理簡單的優勢，不過其提取精度建立在目標地類信息與其他地類信息均值易于區分的前提下。譜間關系法同樣只適用于單要素目標信息的提取，并不適用于全要素信息的提取。非監督分類法提取研究區農業信息的優勢在于原理簡單，不需要對研究區農業信息具有先驗知識，但信息提取精度偏低，影響精度的因素主要有研究區地類信息復雜程度和遙感影像的光譜信息是否豐富等。面向對象法基于面向對象思想，運用尺度概念，綜合考慮農業信息在遙感影像上的紋理、顏色和形狀等因素，適用于提取研究區農業全要素信息，其精度高但要求對研究區目標農業信息具有詳細的了解，包括目標信息的顏色、紋理和形狀等要素，同時對于分割尺度和合并尺度的選擇也要通過多次試驗才能確定，整個信息提取過程耗費時間長，且對信息提取人員專業知識要求高。

通過本次研究可知，基于GF2衛星影像，不同信息提取方法適用于特定的農業信息提取，對于今后利用GF2衛星影像在農業規劃、農業調查、農業災害預測等方面具有一定的實際應用意義，同時，對于基于GF2衛星高空間分辨率影像和高光譜數據進行精細農業信息的提取具有一定的參考和借鑒意義。

[1] 王鵬.汾河流域生態環境質量評價與分析[D].太原：太原理工大學，2011.

[2] 史舟，梁宗正，楊媛媛，等.農業遙感研究現狀與展望[J].農業機械學報，2015，46(2):247-260.

[3] 王紀華，李存軍，劉良云，等.作物品質遙感監測預報研究進展[J].中國農業科學，2008，41(9):2633-2640．

[4] 李小文，王祎婷.定量遙感尺度效應芻議[J].地理學報，2013，68(9):1163-1169.

[5] 易鳳佳，李仁東，常變蓉，等. 面向對象的丘陵區水田遙感識別方法[J]. 農業工程學報，2015，31(11)：186-193.

[6] 李曉文，方精云，樸世龍. 近10 年來長江下游土地利用變化及其生態環境效應[J]. 地理學報，2003，5(58)：659-667.

[7] 尚松浩，蔣磊，楊雨亭.基于遙感的農業用水效率評價方法研究進展[J].農業機械學報，2015，46(10):81-92.

[8] 付碧玉，馬友華，吳靚，等.遙感在農業面源污染中的應用研究[J].中國農學通報，2015，31(5):182-188.

[9] 苑慧麗，馬榮華，李吉英.一種平原區園地遙感信息提取的新方法[J].中國科學院大學學報，2015，32(3):342-348.

[10] 趙英時.遙感應用分析原理與方法[M].北京:科學出版社，2003.

[11] 周成虎，駱劍承，楊曉梅，等.遙感影像地學理解與分析[M].北京:科學出版社，1999．

[12] 彭望琭.遙感概論[M].北京：高等教育出版社，2002.

[13] BAATZ M，SCHAPE A. Object-oriented and Multi-scale Image Analysis in Semantic Networks[C]∥Proc of the 2nd International Symposium on Operationalization of Remote Sensing.[S.l.]:Enschede ITC,1999.

[14] 李霖，佘夢媛，羅恒.ZY-3衛星全色與多光譜影像融合方法比較[J].農業工程學報，2014，30(16):667-672.

[15] PADWICK C，PACIFIC F，SMALLWOOD S，et al.WorldView2 Pansharpen[C]∥ASPRS 2010 Annual Conference. [S.l.]: San Diego，2010.

[16] 陳雪洋，袁超. ZY-1 02C衛星影像融合方法評價[J].測繪與空間地理信息，2013，36(2):50-53.

[17] 唐海蓉，吳一戎，向茂生，等.Landsat7圖像快速幾何校正方法研究[J].遙感學報，2005，9(1):58-63.

ComparisonandAnalysisofAgriculturalInformationExtractionMethodsBaseduponGF2SatelliteImages

LI Peng1，YU Hu2，WANG Peng3，LI Kaiyuan4

(1. Institute of Mapping and Geographic Science, Liaoning Technical University， Fuxin 12300,China; 2. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China; 3. Shanxi Jia Hao Mapping Group Ltd， Taiyuan 030009, China; 4. College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China)

The study chooses 0.8 m panchromatic /3.2 m multi spectral resolution GF2 remote sensing image as the basic data. Information extraction processes and methods based upon GF2 resolution satellite images are compared and analyzed. In order to obtain spectral characteristics of different types of information, the spectrum of GF2 satellite image is analyzed. Then, the spectral and spatial information of remote sensing images are fused. Furthermore, the study compared quality evaluation of different fusion methods. Then, the study makes the agricultural information extraction experiments by using the threshold, the relationship between the spectral method, unsupervised classification and object-oriented method. The paper also verifies the accuracy of information extraction results and takes results analysis. Tests showed that Pansharp fusion algorithm was the best method among these methods, it has the advantage of normal color image, no ghost, high definition, class contrast to normal, clear texture, high entropy, high correlation coefficient of fusion images and the original multispectral images. Threshold and spectral relations method applies to extract a single element of agricultural information. Unsupervised classification method is suitable for obtaining land use in the study area quickly and preliminarily. The method of object-oriented has the high precision for whole information extracted. Overall, the different information extracted method has its own advantages. In practical, the people can select the best method according to the spectral characteristics of the class.

agricultural information; GF2 satellite; spectrum analysis; image fusion; information extraction; object-oriented

P237

A

0494-0911(2017)01-0048-05

李鵬，虞虎，王鵬,等.基于GF2號衛星影像的農業信息提取方法對比分析[J].測繪通報，2017(1)：48-52.

10.13474/j.cnki.11-2246.2017.0011.

2016-02-16；

2016-09-23

國家科技支撐計劃(2014BAL07B02)

李 鵬(1987—)，男，博士生，主要從事GIS空間分析、遙感影像信息識別與提取等方面的研究。E-mail：gislipeng@126.com

虞 虎