珠海一號高光譜衛(wèi)星在高密市農(nóng)作物精細分類中的應用

文|張信耶 李繼旭

1.青島科技大學 2.珠海歐比特宇航科技股份有限公司

一、引言

隨著近幾年大量遙感衛(wèi)星發(fā)射和遙感技術快速發(fā)展，遙感技術已滲透到各個領域當中，作為一種探測技術，它的起源要追溯到20世紀60年代，根據(jù)電磁波理論，傳感器通過收集對遠距離的目標、地物反射的信息，生成的圖像反映地表的特有特征。遙感技術可以實現(xiàn)快速大范圍的檢測，解決了以往需要通過大量實地調(diào)查的時間成本問題，通過遙感影像分類和識別，可以獲得某個地區(qū)的農(nóng)作物類型并對其進行產(chǎn)量預估，這對于農(nóng)業(yè)生產(chǎn)具有重要意義[1]。

農(nóng)作物精細分類是農(nóng)業(yè)估產(chǎn)、作物長勢監(jiān)測、面積預測以及農(nóng)業(yè)災情監(jiān)測的關鍵。同時，也是國家制定糧食政策、調(diào)整農(nóng)業(yè)產(chǎn)業(yè)結構的基礎，對保障國家糧食安全具有重要的理論意義。提高分類精度的同時減少實驗時間是研究的重要內(nèi)容。以高光譜衛(wèi)星為代表的物理遙感技術已成為遙感技術發(fā)展的趨勢之一。

高光譜數(shù)據(jù)量大、維度高和數(shù)據(jù)小樣本的特點，需要遙感技術、圖像處理、目標識別等多種知識和學科集成處理。高光譜數(shù)據(jù)除了上述特點外，還具有高空間分辨率和豐富的光譜波段，波段數(shù)達到幾十甚至幾百個，能夠監(jiān)測到不同農(nóng)作物之間的微小差別并判別出不同的作物種類信息，有利于提高農(nóng)作物的分類精度。

二、高光譜遙感影像技術發(fā)展

1.高光譜數(shù)據(jù)

隨著對地觀測技術的發(fā)展，高光譜數(shù)據(jù)逐漸走入大家的視線中，高光譜圖像的發(fā)展得益于成像光譜技術的發(fā)展、成熟，成像光譜技術作為一項綜合性技術與光譜探測技術結合，對空間像元的波段進行連續(xù)的光譜覆蓋，形成的高光譜數(shù)據(jù)可以三維表示（見圖1）。在遙感中的高光譜有以下幾個特點。

1）高光譜通常具有很高的光譜分辨率，由很窄的波段（10～20 nm）組成。高光譜圖像可能有數(shù)百或數(shù)千個波段。

2）和多光譜相比，在相同的空間分辨率下光譜覆蓋范圍更寬，可以探測到更多電磁波的響應特征。

3）由于不同農(nóng)作物具有相同的光譜信息，因此越多的波段所含信息越多，就越容易對其進行分類。

圖1 高光譜數(shù)據(jù)三維表示

相比其他類型的遙感數(shù)據(jù)，高光譜具有多維度、多尺度的特點，它綜合地面目標的空間維、時間維、光譜維特征，獲得地物多種維度的信息、狀態(tài)，對于農(nóng)作物來說通過人眼很難去判定紋理變化，這種多維度的地物信息有利于地物的精細分類與識別。但是由于高光譜波段數(shù)量多，所含的巨大信息量導致信息量冗余，使用時需要進行許多降維和去噪處理，增加了處理上的復雜程度，同時光譜分辨率的提升，導致空間分辨率的降低，因此需要借助光譜信息來進行農(nóng)作物分類應用。

2.高光譜研究現(xiàn)狀

首先，高光譜特點決定了其有很高的研究價值，類似最大似然分類法（MLC）、光譜角制圖（SAM）、最小距離等方法已經(jīng)普遍應用到高光譜遙感影像分類實驗中，駱劍承等人將MLC算法進行改進，通過最大期望算法（Expectation-Maximization algorithm）進行計算減少了估計偏移。張立朝[2]等人使用改進的SAM算法對道路、植被、海水進行分類，相比傳統(tǒng)的ISODATA算法準確率提高了10%。李明澤[3]等人通過SAM算法對濕地植被進行分類，證明了光譜分析方法在植被分類上的可行性。其次高光譜的復雜性決定了傳統(tǒng)的遙感分類方法不能滿足高光譜分類的要求。近幾年，機器學習、模式識別技術的發(fā)展例如支持向量機（SVM）[4]、隨機森林[5]、神經(jīng)網(wǎng)絡[6]等算法使準確率得到飛躍的提升。神經(jīng)網(wǎng)絡算法高精度依賴于大量的樣本數(shù)據(jù)，在樣本數(shù)據(jù)不足時，本文研究通過端元波譜獲取技術補充樣本的可行性，以此提高農(nóng)作物分類精度。

3.技術路線

技術路線如圖2所示，將高光譜衛(wèi)星數(shù)據(jù)進行輻射定標、大氣校正等預處理，采用端元波譜獲取技術進行最小噪聲分離變換和像元純度指數(shù)計算，之后使用n維可視化技術獲取純凈像元[7]。采用神經(jīng)網(wǎng)絡的分類方法，通過不斷迭代找到了合適的網(wǎng)絡參數(shù)，分類結果和實地勘測數(shù)據(jù)進行對比，獲得完整的精度評價。

圖2 技術路線

三、珠海一號高光譜衛(wèi)星在高密市農(nóng)業(yè)遙感應用

1.數(shù)據(jù)介紹

本文所研究數(shù)據(jù)是山東省高密市珠海一號高光譜數(shù)據(jù)，如圖3所示，珠海一號高光譜衛(wèi)星于2018年4月26日發(fā)射，波段數(shù)256（有效成像波段數(shù)32），空間分辨率10m，寬幅150km，重訪周期2天，已在農(nóng)作物精細分類、農(nóng)作物長勢（種植面積）預測、病蟲害等方面廣泛運用。

圖3 高密市高光譜遙感影像

本文用實地勘測的數(shù)據(jù)和高光譜影像制作數(shù)據(jù)集，按照7：3的比例 分成訓練集和測試集，用于后面的分類訓練，訓練樣本信息如表1所示。

表1 高光譜圖像各類別及樣本信息

2.農(nóng)作物精細分類

高密市農(nóng)作物以小麥為主，因此針對高密市農(nóng)作物種植特點，待分類類型為小麥、油菜花、大棚和裸地。預處理方面本文首先對高密市2019年3月19日的5景高光譜數(shù)據(jù)進行預處理、拼接，形成完整研究區(qū)域。由于高密市地物復雜，首先需要獲取耕地區(qū)域，排除其他地物的干擾，高密市耕地分類結果如圖4所示。

從圖4可以看出，對于居住地、河流、村莊、耕地的分類有較高的精度，之后將耕地區(qū)域（紅色部分）進一步細分。樣本選擇方面通過實地數(shù)據(jù)和高分數(shù)據(jù)的輔助進行樣本標注形成訓練集，通過端元將獲取的端元波譜與野外實測數(shù)據(jù)的光譜曲線進行比較，結果如圖5（以小麥為例）所示。

圖4 高密市耕地分類結果

圖5（a）、（b）中光譜曲線橫軸代表波段數(shù)，縱軸代表對應的像素值，可以看出通過端元提取的光譜曲線和實測數(shù)據(jù)基本吻合，但還是存在些許偏差，這與農(nóng)作物容易受到外界因素影響而產(chǎn)生狀態(tài)的變化有關。

圖5 小麥端元提取和實測數(shù)據(jù)光譜曲線對比

本文研究選擇的分類算法是神經(jīng)網(wǎng)絡（NNL），分類的農(nóng)作物主要有四種類型：小麥、油菜花、裸地、大棚（分類結果如圖6所示）。可以看出高密市大面積種植小麥，將結果分類和實測數(shù)據(jù)作比較，選用混淆矩陣評估方法來計算分類精度，如表2所示。實驗得出：高密農(nóng)作物總體分類精度88.5%，小麥分類精度達到98%。

最后將本實驗方法與最大似然分類法（MLC）、SVM方法作比較，結果如表3所示。

圖6 高密市農(nóng)作物精細分類結果

表2 高光譜分類混淆矩陣

表3 各種分類方法對比結果

3.小麥種植面積估算

種植面積估算是遙感監(jiān)測的重要內(nèi)容之一，根據(jù)農(nóng)業(yè)局的記錄統(tǒng)計，高密市90%的農(nóng)田種植小麥農(nóng)作物，小麥種植面積估算不僅可以提高糧食生產(chǎn)效益，還可以進行相應的農(nóng)田管理，這對于指導農(nóng)業(yè)生產(chǎn)、提高經(jīng)濟效益具有重要意義。

本文將農(nóng)作物分類結果矢量化，使用Arcgis10.1進行小麥種植面積統(tǒng)計，小麥的分布范圍由大小不一的多塊圖斑組成，將統(tǒng)計的圖斑面積匯總即小麥的種植面積，統(tǒng)計獲得高密地區(qū)小麥的種植面積為680萬平方米，與高密市政府部門所給的小麥種植面積594萬平方米相比較，面積精度為86%，面積精度大于85%說明多分不嚴重，小麥種植受人為因素影響以及混合像元影響，結果可能有一定誤差，因此本文研究的方法可以有效預測小麥種植面積。

未來通過預估多時期的面積，結合回歸模型，從而實現(xiàn)小麥的面積預測，對于未來指導農(nóng)業(yè)生產(chǎn)具有重要應用價值。

四、結論

結合端元波譜獲取技術和人工智能算法可以有效解決高光譜農(nóng)作物精細分類問題，相比其他分類方法，具有比較高的精度，未來對于人工智能算法的研究將助力農(nóng)業(yè)遙感的發(fā)展。珠海一號衛(wèi)星（星座）投入使用以來，已在農(nóng)作物精細分類、農(nóng)作物長勢預測、農(nóng)作物病蟲害方面獲得應用，未來通過構建智慧農(nóng)險平臺可實現(xiàn)農(nóng)業(yè)保險“精準承保、精準理賠”，提供移動承保、移動查勘、遙感影像驗標定損等服務，協(xié)助保險企業(yè)規(guī)避道德風險，降低經(jīng)營成本，打造業(yè)務新流程，以科技加遙感助力農(nóng)險業(yè)務發(fā)展。