基于Landsat8和高分一號影像的沙灣縣作物種類識別研究

白雪 武紅旗 呂昱 范燕敏

摘要：本研究探討了如何利用中分辨率遙感影像實現縣域作物快速識別的方法。以沙灣縣為研究區，基于Landsat8和高分一號遙感影像，利用實地調查的2016年沙灣縣作物種植信息，建立解譯標志，加入耕地掩膜，選取不同的監督分類方法，對沙灣縣作物識別的最佳識別時相、最佳識別方法以及最佳數據源進行研究。結果表明： Landsat8影像與高分一號影像分別在7月與9月可分離度與總體精度最高;通過六種分類方法對比，均為支持向量機分類法分類精度最高，Landsat8影像總體精度91.22%，Kappa系數0.916，高分一號影像總體精度88.23%，Kappa系數0.876，Landsat8影像分類整體精度略高于高分一號影像;對于兩種數據源，棉花、玉米、小麥和其它作物分類總體精度均達到88.23%以上，證明使用中分辨率遙感影像對縣域作物進行識別是可行的。

關鍵詞：沙灣縣;Landsat8;高分一號;作物識別

中圖分類號：S127 ?文獻標識號：A ?文章編號：1001-4942（2020）02-0156-07

Abstract In this article， the method how to achieve rapid identification of crops using mid-resolution remote sensing images was discussed. Taking Shawan County as the research area， based on the Landsat8 and GF-1 remote sensing images and the field survey data of the crop cultivation information in 2016， the interpretation signs were established， and the optimal time phase， method and data source for crop identification were studied by different supervision and classification methods and adding cultivated land masks. The results showed that the separability and overall accuracy of Landsat8 and GF-1 images were the highest in July and September， respectively. The SVM method was selected with the highest classification accuracy based on the two data sources through comparing the six classification methods. The overall accuracy of Landsat8 and GF-1 images was 91.22% and 88.23%， respectively， and their Kappa coefficient was 0.916 and 0.876， respectively. The overall classification accuracy of Landsat8 image was slightly higher than that of GF-1 image. The overall classification accuracies of cotton， corn， wheat and other crops reached more than 88.23% for both data sources. In conclusion， it was feasible to use the medium-resolution remote sensing images to identify crops in the county.

Keywords Shawan County; Landsat8; GF-1; Crop identification

我國是世界上人口最多的國家，農業發展對我國具有重大意義。遙感技術就是使用電磁波對遠方的地物進行探測，并用傳感器收集地物反射的電磁波信號，生成研究地物的光譜數據和遙感影像，并可快速對目標地物進行定位和獲取特征信息的探測技術。農業遙感是遙感科學的重要分支[1，2] 。作物種植面積和產量等信息是制定糧食政策和經濟計劃的重要依據，歷來受到社會、政府部門的高度重視。遙感技術為作物識別、作物估產以及長勢監測提供了新的方法與多種數據源。但農業遙感中面積提取和單產模型建立等都依賴于對作物類型的準確識別[3，4]。

20世紀60年代，美國率先將長勢評估與遙感技術相結合，使用遙感技術對研究區作物生長進行監測，率先確定了遙感技術在作物識別與長勢評估方面的重要地位[5，6]。經過多年的研究與發展，遙感技術在農作物識別、統計、估產方面的精確度已大大提高，為種植結構調整和政策制定提供了有效的方法支持[7，8]。20世紀80年代，歐盟提出了MARS計劃，利用遙感技術對歐盟各國的作物生產進行統計與評估，以對農場主進行有針對性的補貼及對糧食種類與生產規模進行調控[9，10]。自“六五”計劃，我國就已嘗試將遙感技術應用于農作物監測，但由于經驗不足與技術不成熟，直到20世紀80年代，遙感技術才開始被應用于我國各地區不同農作物識別及長勢監測與評估。

隨著近代遙感技術的迅速發展，空間分辨率提高，使大尺度遙感快速識別成為可能。這不僅對我國進行糧食估產和作物監測、及時調整糧食進出口數量與價格有重要意義，也為精準農業管理、農作物補貼合理發放、農業機械適時調配提供了數據支持。

本研究以新疆維吾爾自治區沙灣縣作為研究區，使用高分一號和Landsat8衛星數據，探尋該地區各種作物的最佳識別月份、最佳識別方法以及最佳數據源，以期為大范圍快速識別作物提供依據。

1 研究區概況

沙灣縣位于新疆維吾爾自治區天山山脈北坡準噶爾盆地南緣的瑪納斯河西岸，東經84°57′～86°09′、北緯 43°20′～45°20′，距離新疆維吾爾自治區首府烏魯木齊市185 km。南到依連哈比爾尕山分水嶺，與和靜縣、尼勒克縣相連;西到巴音溝，與烏蘇市、奎屯市、克拉瑪依市接壤;東與瑪納斯縣、石河子市為鄰;北與和布克賽爾蒙古自治縣為界。整個地形為南北狹長280 km，東西寬101 km，土地總面積12 990.24 km2。

沙灣縣是一個以農業為主、農牧結合的農業大縣，境內水土、光熱等自然資源豐富，是塔城地區乃至北疆片區棉花、糧油、蔬菜、林果等生產供應基地。全縣耕地面積80 000公頃，農業人口142 766人，占總人口的70.75%;農業機械總動力達到339 520千瓦，機耕作業面積達到98%，農作物良種覆蓋率達100%。

2 數據來源與研究方法

2.1 數據來源

本研究所用Landsat8影像數據下載自美國USGS官網，高分一號數據來自遙感集市。Landsat8影像空間分辨率為30 m，高分一號影像空間分辨率為16 m。為了保證作物識別的準確性，選擇2016年4—9月沙灣縣影像中云量較少、質量較高的影像，所選影像信息如表1、表2所示。

于2016年8月從研究區選取600個野外調查點進行實地調查并采集作物樣本經緯度、調查時間、種植類型等信息。綜合實地調查信息與遙感影像的目視解譯，不同月份的作物光譜特征不同，在遙感影像上表現出的紋理也不同，因此，可以建立作物感興趣區，分別有棉花、小麥、玉米和其它作物四類，其中棉花和玉米識別主要通過不同時期的歸一化植被指數（normalized difference vegetation index，NDVI）進行識別。選擇具有代表性的、能夠代表作物顯著特征的樣本，一部分用作訓練樣本，另一部分用作驗證樣本，以檢驗監督分類的精度。

2.2 耕地掩膜的獲取及最佳時相的確定

在遙感圖像上能直接反映和判別地物信息的影像特征，是遙感影像的解譯標志[11]。常用的遙感信息提取方法有人工目視解譯和計算機自動解譯兩類。計算機自動解譯方法可分為基于像元統計特征的分類方法和面向對象的分類方法[12-15]。

采用ENVI 5.3軟件對所得2016年4月至9月沙灣縣Landsat8和高分一號遙感影像數據進行預處理，包括輻射定標、大氣校正、幾何校正與影像配準，并建立耕地掩膜。基于2010年全國第二次土地調查數據，得到沙灣縣土地利用現狀圖。

將預處理后的數據利用土地利用現狀圖進行耕地提取，并將提取得到的耕地通過感興趣區（ROI）進行監督分類，通過最大似然法獲得研究區作物識別的總體精度，確定最佳時相。通過平行六面體法、最小距離法、馬氏距離法、最大似然法、神經網絡法和支持向量機分類法對最佳時相的月份進行監督分類，并用混淆矩陣計算出各種方法的總體精度和Kappa系數，確定單一最佳時相的最佳數據源和分類方法，通過對比不同數據源的分類結果以及總體精度確定最佳數據源[16-19]。

3 結果與分析

3.1 最佳識別月份的確定

根據作物的物候差異，并保證每種作物的ROI數量充足、分布均勻，建立棉花、玉米、小麥與其它作物四類共176個ROI。其它作物主要包括研究區內種植面積較小的甜菜、辣椒等作物。

監督分類又被稱為場地訓練法，需要先獲得識別樣本的先驗知識（先驗知識可以是目視解譯數據，也可以是野外采樣數據），通過先驗知識，分析每種樣本的特征信息，得到各個樣本的特征函數，并使用特征函數對影像進行分類[20，21]。

3.1.1 基于Landsat8影像的監督分類結果 對沙灣縣2016年4—9月的Landsat8衛星影像進行可分離度計算，并分別對棉花、玉米、小麥與其它作物進行不同月份可分離度統計，結果如表3所示。

選用分類速度較快的最大似然法對Landsat8影像數據進行分類（圖1），將得到的地表真實感興趣區域與最終的分類結果進行匹配，得到混淆矩陣，對分類結果進行評價。結果顯示，基于Landsat8影像的2016年沙灣縣作物分類精度最高的月份是7月，總體精度90.23%，Kappa系數0.886（表4）。

3.1.2 基于高分一號影像的監督分類結果 對沙灣縣2016年4—9月的高分一號影像數據進行可分離度計算，結果見表5。然后用最大似然法對其進行分類（圖2），用混淆矩陣法進行評價，結果（表6）顯示，基于高分一號遙感影像的沙灣縣作物識別最佳時間是9月，總體精度84.23%， Kappa系數0.832。

沙灣縣主要作物為棉花、小麥和玉米，小麥在6月中旬前收割完畢，此時的裸地特征較為突出，NDVI值低于其它作物，可很好地將其與棉花、玉米區分開。玉米與棉花的物候歷較為相似，因此，研究區內作物識別的主要問題就在于兩者的區分。根據沙灣縣主要作物的物候歷與多時相遙感影像的對比，7月，研究區內的小麥已收割，玉米處于拔節期或抽穗期，而棉花生長迅速，達到NDVI最大值，因此，基于Landsat8影像對單時相影像解譯的研究區最佳作物識別時間為7月;而9月，棉花進入吐絮期，NDVI值仍較高，而此時玉米已成熟，對近紅外波段的反射率明顯降低，因此，基于高分一號數據的研究區最佳作物識別時間為9月。

3.2 最佳識別方法及最佳數據源的確定

根據上述結果，7月份Landsat8影像的分離度最高，9月份高分一號影像的分離度最高，因此，利用不同監督分類方法分別對沙灣縣2016年7月的Landsat8影像、9月的高分一號影像數據進行分類，并用混淆矩陣法對分類結果進行評價，以篩選最佳識別方法。結果表明，對沙灣縣2016年7月的Landsat8影像和9月的高分一號影像進行監督分類的最佳方法均為支持向量機法，總體精度分別達到91.22%和88.23%，Kappa系數分別為0.916和0.876（表7、表8）。