高分六號衛星WFV 新增譜段對農作物識別精度的改善

文 | 姚保民 王利民 王鐸 劉佳 季富華

中國農業科學院農業資源與農業區劃研究所

一、前言

遙感技術是獲取農作物種植面積最為有效的途徑之一，增加敏感譜段能夠有效提高農作物種植面積的精度，相關學者在這些方面開展了較多的研究。如紅邊譜段農作物光譜反射率差異的研究，紅邊譜段提升農作物類型識別能力的研究，以紅邊譜段為主的特征指數設計的研究等等。隨著光學傳感器光譜分辨率設計能力的快速提升，更多的譜段作用被不斷挖掘，在各行業的應用范圍也在逐漸拓展，能力也在不斷提高。

高分六號（GF-6）衛星于2018年6月2日成功發射，其上攜帶一臺寬幅相機，有16m 空間分辨率的8 譜段多光譜（WFV）圖像產品，新增了海岸藍、黃、紅邊譜段，為國產高分衛星數據在農作物種植面積識別中發揮更大的作用提供了契機。本文以河北中部、山東北部地區玉米、花生種植面積提取為例，以GF-6 WFV 數據與GF-1 WFV 數據重疊譜段作為基線，對新增譜段的識別能力進行了初步分析。

二、高分六號WFV 譜段特征及測試數據處理

GF-6 WFV 數據共計有海岸藍譜段（C）、藍譜段（B）、綠譜段（G）、黃譜段（Y）、紅譜段（R）、紅邊譜段1（RE 1）、紅邊譜段2（RE 2）、近紅外譜段（NIR）8 個譜段，其譜段編號、名稱、中心波長及譜段范圍如表1 所示。該數據可以從中國資源衛星應用中心網站（http://www.cresda.com/CN/）注冊下載。數據幅寬≥860km，實際提供時是3 小景方式，3 小景的穿軌×沿軌范圍分別為238km×285km、385km×285km 和238km×285km左右。

表1 測試區GF-6 WFV 數據譜段編號及波長范圍

本文研究選擇的數據是2019年8月28日，產品號為1119916442 的WFV 數據，影像覆蓋范圍區為河北中部、山東北部及天津中南部，該時期此范圍內的大宗農作物主要是玉米，經濟作物有花生、紅薯、棉花、蔬菜等，園地有蘋果園、梨園，以及其他的觀賞苗木圃等。

對該景影像預處理步驟主要包括輻射定標、大氣校正和正射校正。輻射定標系數和光譜響應函數從中國資源衛星應用中心網站下載，并采用6S 模型進行了大氣校正，基于區域網平差的方法進行了幾何精校正。預處理后的影像譜段排列方式是按照中心波長由小到大的順序重新進行了排列。圖1 給出預處理后的影像范圍，圖中影像合成方式為NIR/G/B假彩色合成。

圖1 測試區GF-6 WFV 數據及覆蓋范圍和訓練樣方（NIR/G/B 合成）

三、新增譜段識別效果的研究思路與方法

以GF-6 WFV 影像為數據源，對比GF-6 WFV 較GF-1 WFV 衛星新增的海岸藍、黃、紅邊1、紅邊2 譜段的分類作用。使用基準譜段近紅外譜段、紅譜段、綠譜段和藍譜段，依次增加新增譜段進行分類和精度驗證，不同譜段組合的測試方案如表2 所示。

根據測試范圍內農作物類型特征，以及農作物遙感監測業務中的實際需求，本文的分類體系劃分為玉米類作物、花生類作物以及其他地物類型3 類；玉米類作物是指紅邊譜段反射率相對較低的作物類型，花生類作物是指紅邊譜段反射率相對較高的作物類型，其他地物類型包括園地、裸地、城鎮和村莊、水體等。

分類方法選擇隨機森林方法（RF），訓練及分類樣本是根據影像的顏色、紋理、形狀等特征，結合地面調查的實際經驗以目視的方法進行選擇，共形成128 個面狀玉米類、24 個面狀花生類和174個面狀其他類訓練樣本。以總體精度和Kappa 系數兩個參數綜合考慮正確率和錯誤率，本文采用兩個參數作為精度評價，也就是新增譜段識別能力分析的依據。

表2 基于GF-6 WFV 新增譜段測試方案表

四、新增譜段的分類結果分析

根據上述6 種譜段組合方案，依次使用隨機森林分類方法進行分類。以GF-6 WFV 影像的4 譜段分類結果作為基準，對比其他5 種分類結果的精度。圖2 給出了總體精度和Kappa 系數的結果。

由圖2 可見，方案1、2、3、4、5、6 方案的總體精度分別為87.3%、88.1%、88.9%、93.2%、95.8%、95.9%，Kappa 系 數 分 別 為0.68、0.70、0.73、0.84、0.91、0.91。

精度最低的為方案1，即基準譜段組合，總體精度為87.3%；精度最高方案6，即加入兩個紅邊譜段組合方案，總體精度為95.9%；這兩個方案實際上是GF-6 新增譜段參與分類方案精度最優能力對比，精度提高了8.6%以上。

圖2 測試區6 種方案總體精度與Kappa 系數結果

6 個方案的精度結果可以劃分為兩類，即無紅邊的方案1、2、3 為一類，總體精度平均為88.1%，最小和最大值分別為87.3%和88.9%；有紅邊的方案4、5、6 為一類，總體精度平均為95.0%，最小和最大值分別為93.2%和98.6%。

將方案分為有紅邊譜段和無紅邊譜段兩大類，則有紅邊的方案比無紅邊的方案總體高6.9%以上；兩大類各自相比，提升能力都相對較低，無紅邊的精度提升1.3%左右，有紅邊的精度提升2.7%左右；對比方案4、5、6，方案5 的精度比方案4 的精度更接近方案6，僅差0.1%，也就是說紅邊譜段2 比紅邊譜段1 更為有效，更接近近紅外譜段的識別能力。

圖3 為測試區作物面積提取及6 種譜段組合方案的分類效果對比圖。從圖3 結果也可以看出，方案2 分類結果與方案1 的變化不大，方案3 玉米面積開始增加，如圖中橙色小框所示，玉米、花生與背景地物的可分性開始增大，如圖中黃色小框所示，方案4、5、6 因為紅邊譜段1 、紅邊譜段 2 加入分類，不僅玉米、花生與背景地物差異明顯，同時兩者之間可分性也增大，如圖中橙、黃小框所示，使得分類結果精度進一步得到提高。

圖3 測試區作物面積提取及6 種譜段組合方案的分類效果對比圖

五、結論

通過GF-6 新增的譜段數據對玉米、大豆等夏季作物的識別研究可以發現，新增譜段對作物識別精度都有一定提升作用。從譜段設置上來看，紅邊譜段的提升作用更為明顯，并且紅邊譜段2 的效果最好，提高了8.6%。表明該譜段能更好反映作物識別信息，有進一步深入研究的必要。從譜段設置上看，譜段位置的設置比譜段數量的設置更為優先。

從當前的研究結果可以進一步推測，在可見光-紅邊-近紅外譜段范圍內，越接近近紅外譜段，對農作物的識別能力可能越高。此外，譜段范圍對農作物識別精度可能也會有較大影響，限于數據原因，沒有作深入分析。上述推測與不足，將在后續的研究中驗證與完善。