基于GF-6衛星影像多特征優選的釀酒葡萄精準識別

李文杰，郭曉雷，楊玲波，閆 鳴，鄒晨曦，方亞華，孫 涵，黃敬峰

基于GF-6衛星影像多特征優選的釀酒葡萄精準識別

李文杰1,2，郭曉雷3，楊玲波1,2，閆 鳴3，鄒晨曦4，方亞華4，孫 涵5，黃敬峰1,2※

（1. 浙江大學農業遙感與信息技術應用研究所，杭州 310058； 2. 浙江省農業遙感與信息技術重點研究實驗室，杭州 310058；3. 銀川市氣象局，銀川 750000；4. 北京思湃德信息技術有限公司，北京 100086；5. 內蒙古新天元防災減災研究院，呼和浩特 010051）

多源遙感信息和特征優選是提高農作物識別精度的重要支撐，高分六號（GF-6）衛星作為首次引入紅邊波段的國產衛星，其豐富的光譜信息為作物識別提供了新的思路和解決途徑。該研究基于寧夏回族自治區銀川市永寧縣2018年6月—2019年3月的GF-6數據，充分利用紅邊優勢提取光譜特征、紋理特征和植被指數特征，構建多種特征組合方案，并根據隨機森林算法對特征重要性進行度量，選取最優特征組合對釀酒葡萄進行精準識別。結果表明，與單一特征相比，多源遙感特征的增加顯著改善了釀酒葡萄分類效果，其中，植被指數貢獻程度最大，光譜特征次之；基于隨機森林的優選特征組合分類效果最佳，其中，總體分類精度為94.15%，釀酒葡萄用戶精度為94.23%，制圖精度為92.59%；以實地調查的4個酒莊為驗證區，將釀酒葡萄提取結果與統計數據進行對比，面積相對精度均在70%以上，其中優選特征結果相對精度在90%以上，研究結果將為國產衛星紅邊波段在植被分類和識別方面的應用提供數據參考。

遙感；圖像處理；高分六號；釀酒葡萄；特征優選；隨機森林；紅邊波段；精準識別

0 引 言

農作物信息的快速獲取和準確識別是開展精準農業的基礎，從依賴國外遙感數據到自主研發國產衛星，中國農業遙感技術從深度和廣度上都取得了顯著進展[1]。隨著高分六號（GF-6）衛星正式投入使用，中國首次增加了有效反映作物特有光譜特性的“紅邊”波段，實現了時間分辨率和光譜分辨率的優化組合，打破了國外衛星對紅邊波段遙感影像的壟斷。與中國高分六號衛星相比，歐美衛星對紅邊波段的應用起步較早，如2008年，德國發射了全球第一顆具有“紅邊”波段的商業衛星——RapidEye；2009年，美國成功發射Wordview-2衛星，除4個業內標準譜段外，該衛星還提供了包括紅邊波段在內的4個額外譜段；2015年，歐航局成功發射Sentinel-2衛星，Sentinel-2是唯一一個在紅邊范圍內含有3個波段的光學衛星。

增加敏感波段和采用多源特征是農作物精準識別的2個重要手段[2]。紅邊波段（Red-edge）介于紅光波段和紅外波段之間，對作物冠層的微小變化敏感，是作物識別[3-4]和指示綠色植物生長狀況[5-7]的特征波段之一。如劉佳等[8]采用監督分類方法對玉米、大豆等農作物進行分類，計算了RapidEye影像有無紅邊參與條件下的分類精度及景觀破碎度等指標，研究表明，紅邊波段的引入后，總體精度提高了6.7%，同時降低了景觀破碎度；Adelabu等[9]采用支持向量機和隨機森林2種算法對RapidEye影像做分類研究，有紅邊參與條件下，總體精度分別提高了19%和21%；Tigges等[10]利用不同波段組合方式的多時相RapidEye影像對柏林城市森林進行了品種識別，加入紅邊波段后具有更高的樣本分離度和Kappa系數；Sertel等[11]建立了一套規則集，采用多級分割的面向對象方法從Worldview-2影像中提取地物類型信息，分類精度達94.87%。以上研究表明，紅邊波段在農業遙感應用中已取得很大進展，但數據來源主要是國外衛星數據，中國衛星紅邊波段的應用研究尚處于起步階段，且研究對象多為小麥、水稻等大宗糧食作物，對經濟作物的研究相對較少。

豐富的多源遙感特征可以彌補單一類型特征關鍵信息不足、分類結果破碎度高等缺陷，改善分類效果，提升植被分析的精度。然而，特征過量易出現信息冗余、處理效率低等問題，嚴重時會發生“維數災難”現象[12]，不僅增加了處理成本，還會降低分類精度，因此，合理選擇有效特征對農作物識別具有重要意義[13-14]。程希萌等[15]采用最小冗余最大相關（minimal Redundancy Maximal Relevance，mRMR）算法對特征進行優選，證明了mRMR特征優選算法在分類過程中的有效性；Atkinson等[16]結合支持向量機與特征遞歸消除法在272個特征集中選取17個最優特征，對南非東部金縷草的分布進行了有效監測。除此之外，不少學者采用隨機森林算法對特征進行優選，如張磊等[17]利用光譜特征、水體指數等信息，采用隨機森林算法對Sentinel影像進行了多特征優選，實現了對黃河三角洲實地信息的提取，總體精度達90.93%；蒙莉娜等[18]通過隨機森林模型獲得16個環境輔助變量的相對重要性，研究了綠洲土壤鹽分的空間分布與環境變量間的關系。目前，基于遙感信息開展的識別研究中，不足之處在于特征較單一，如光譜特征僅利用可見光波段及近紅外波段，植被指數特征多使用歸一化差值植被指數（Normalized Difference Vegetation Index，NDVI）和增強型植被指數（Enhanced Vegetation Index，EVI）等，很少使用紅邊指數特征。

針對以上問題，本文選取釀酒葡萄作為研究對象，基于高分六號衛星影像對研究區釀酒葡萄進行精準識別，通過多種特征組合比較分類結果差異，全面客觀地評價特征優選對釀酒葡萄精準識別的影響，為國產衛星紅邊波段在農作物識別上的性能提升以及農業遙感領域的后續應用提供參考。

1 研究區與數據

1.1 研究區概況

永寧縣隸屬于寧夏回族自治區銀川市，地處105o49′～106o22′E、38o7′～38o29′N之間，地勢西高東低，面積為934 km2。該區屬中溫帶干旱氣候區，年平均溫度8.7 ℃，無霜期平均167 d，年均降水量201.4 mm，全年平均日照2 866 h，光能資源豐富。永寧縣地處寧夏賀蘭山東麓釀酒葡萄核心種植區，日溫差大，有利于有機物質的合成和積累，適宜優質釀酒葡萄生長，是世界公認的葡萄種植“黃金”地帶[19]，葡萄酒產業是永寧縣的支柱產業之一。除釀酒葡萄外，研究區主要作物還有小麥、玉米等。

1.2 數據及其預處理

1.2.1 GF-6數據

高分六號低軌光學遙感衛星是中國首顆精準農業觀測的高分衛星，搭載了觀測幅寬為800 km的寬視場（Wide Field of View，WFV）傳感器和觀測幅寬為90 km的全色多光譜傳感器（Panchromatic Multispectral Sensor，PMS），具有高分辨率、寬覆蓋、高質量成像等特點[20]。其中，WFV傳感器空間分辨率為16 m，其多光譜數據共包含8個波段，本文選取GF-6/WFV的藍光（0.45～0.52m）、綠光（0.52～0.59m）、紅光（0.63～0.69m）、近紅外（0.77～0.89m）、紅邊波段1（0.69～0.73m）和紅邊波段2（0.73～0.77m）作為試驗波段，分別標記為1～6波段。

本文所用到的經過系統幾何和輻射校正的GF-6影像1級產品數據均由中國資源衛星應用中心提供（http://www.cresda.com）。在此基礎上，對所有數據進行輻射定標、大氣校正和幾何校正，并以同期10 m分辨率的Sentinel-2數據作為參考影像進行幾何精校正。預處理中使用的數字高程模型（Digital Elevation Model，DEM）采用分辨率為90 m的SRTM DEM數據。

綜合考慮研究區內作物的發育時期以及樣本類型，本文選取了2018年6月—2019年3月之間的10景影像進行識別，成像時間分別為：2018年6月13日、2018年6月22日、2018年7月12日、2018年7月16日、2018年9月8日、2018年10月2日、2018年11月12日、2019年2月10日、2019年3月3日、2019年3月23日。該時期包含了開花坐果期、漿果生長期以及成熟采收期等釀酒葡萄的主要物候期，有利于釀酒葡萄的識別和提取。經實地調查，研究區內葡萄種植以釀酒葡萄為主，鮮食葡萄對本研究的影響可忽略不計。

1.2.2 樣本數據

本文通過實地調查研究和Google Earth高分辨率影像目視解譯，共獲取20個酒莊樣點數據和865個分類樣本數據：釀酒葡萄（172個）、耕地（158個）、林地（165個）、草地（79個）、裸地（56個）、建筑（134個）、水體（101個），總面積達34.02 km2。其中，本文將玉米、小麥等作物統分為耕地類型；將果樹、行道樹以及山林等統分為林地；將房屋、道路、工業園區等統分為建筑；將池塘、河流等統分為水體。樣本均勻分布在整個研究區內，其中，60%用作訓練樣本，40%用作驗證樣本，樣本分布情況如圖1所示。

圖1 研究區樣本分布

2 研究方法

2.1 技術路線

本研究釀酒葡萄精準識別過程包括數據預處理、樣本選擇、特征提取和優選、分類及精度驗證等內容（圖2）。本研究充分利用GF-6衛星紅邊優勢提取光譜特征、植被指數特征和紋理特征，使用基于隨機森林基尼指數的特征優選算法探索釀酒葡萄識別中的最優特征組合并進行分類。

圖2 本研究技術路線

2.2 特征提取

2.2.1 光譜特征

經調查研究，9—10月份為釀酒葡萄成熟期，植株茂盛，光譜特征突出，與其他地物的物候差異較大，是識別釀酒葡萄的最佳時間段，因此選取2018年9月8日影像作為最佳時相數據，取其1～6波段作為光譜特征。圖3為2018年9月8日GF-6影像的光譜反射率平均值曲線，藍光波段、綠光波段和紅光波段的釀酒葡萄-林地兩類地物光譜反射率接近，識別難度較大；近紅外波段光譜反射率平均值明顯高于其他波段，但地物混淆度高，“異物同譜”現象嚴重；紅邊波段1是較易區分釀酒葡萄的波段，裸地和水體等非植被類型與其他地物分層明顯，釀酒葡萄-耕地-林地-草地4類植被類型也較易區分；在紅邊波段2中，釀酒葡萄和草地的反射率曲線趨于重疊，但其他地物的光譜可分度明顯增大，如釀酒葡萄-耕地、釀酒葡萄-林地和裸地-草地等地物，釀酒葡萄-草地可結合紅邊波段1進行區分。

圖3 2018-09-08典型地物GF-6平均光譜反射率曲線

2.2.2 植被指數特征

歸一化差值紅邊指數（Normalized Difference Red-Edge Index，NDRE）可充分發揮紅邊波段在植被識別方面的優越性，相比于其他寬帶綠度指數，NDRE具有更高的靈敏度，廣泛應用于精細農業、森林監測、植被脅迫性探測等；歸一化差值植被指數（Normalized Difference Vegetation Index，NDVI）能夠反映植被在可見光、近紅外波段反射與土壤背景之間的差異，適用于植被早、中期生長階段的動態監測。季節性是植被最顯著的特征之一[21]，NDVI隨時間變化與植被的物候信息呈現一定的規律性，可監測植被生長狀態和植被覆蓋度[22]，是區分地物的重要特征；相比于NDVI，增強型植被指數（Enhanced Vegetation Index，EVI）對植被密集區的冠層結構變化更加敏感[23]，在研究植被遙感時可以與NDVI相互補充。本文所用植被指數介紹如表1所示。

表1 植被指數

本研究應用多時相遙感數據，利用GF-6數據分別合成NDRE、NDVI和EVI時間序列，在植被指數時間序列構建過程中，時相選擇以釀酒葡萄物候期為主要依據，同時結合耕地（以小麥、玉米為主）、林地等地物類別的物候特點，10景影像滿足全覆蓋、無云、可見度高等條件[24]。

2.2.3 紋理特征

紋理特征借助像素點的空間結構相似性對像元表面粗糙度、均勻性等情況進行度量，是圖像分類的重要特征之一[28]。豐富的紋理信息比單一光譜信息具有更好的分類效果，對解決錯分問題提高分類精度具有重要意義，因此常將紋理特征作為光譜特征和植被指數特征的重要補充來參與圖像分類。

本文選用普遍認可的灰度共生矩陣（Grey-Level Co-occurrence Matrix，GLCM）方法對紋理信息進行提取，首先對2018年9月8日GF-6影像2個紅邊波段進行主成分分析，提取第一和第二主成分分量，分別計算8個紋理特征，即同質性（Homogeneity）、方差（Variance）、對比度（Contrast）、信息熵（Entropy）、均值（Mean）、二階距（Second moment）、相關性（Correlation）和相異性（Dissimilarity），取主成分分量特征的平均值作為最終紋理特征值。

2.3 特征組合

基于光譜波段、植被指數和紋理特征構建特征集，選取植被指數序列的40景影像作為植被指數特征，其中由紅邊波段1計算得到NDRE指數標記為1NDRE，由紅邊波段2計算得到NDRE指數標記為2NDRE；選取2018年9月8日GF-6影像1～6波段作為光譜特征；選取由紅邊波段計算得到的8個紋理信息作為紋理特征，用于分類的特征集信息如表2所示。

表2 多源特征集描述

注：序號“1~10”依次為2018-06-13至2019-03-23的10個時相；序號“5”為最佳時相2018-09-08。

Note: Order number “1-10” is from 2018-06-13 to 2019-03-23; Order number “5” is the optimal data 2018-09-08.

2.4 特征優選

最后，將所有樹上的特征得分進行歸一化處理得到最終特征重要性得分。

各特征重要性排序圖如圖4所示，特征數目與總體精度和Kappa系數的關系如圖5所示，特征描述方式如表2所示。

圖4 特征重要性分析

圖5 特征變量數目與分類精度關系

由圖4可知，54個特征變量權重差異較大，其中，2NDRE6的重要性得分最高，EVI2的重要性得分最低，2個紅邊波段特征重要性排名分別為第3和第6。由圖5可知，當特征數目為1時，總體精度值和Kappa系數值最低，均低于0.75，隨后總體精度值和Kappa系數值隨特征數目增多而變大；特征數目從4開始，總體精度值和Kappa系數不再與特征數目呈正相關變化，參數值呈波動狀態，但2個參數總體變化趨勢相近，且數值基本保持在0.80以上；當特征數目取17時，總體精度值和Kappa系數值達到最高，因此將重要性得分排名前17的特征作為優選特征參與分類。前17個優選特征中，包含4個光譜特征、11個植被指數特征（7個NDRE指數、3個NDVI指數、1個EVI指數）和2個紋理特征，特征貢獻度大小依次為植被指數特征、光譜特征、紋理特征，重要時相主要分布在7、9、10和11月。

2.5 隨機森林分類器

隨機森林（Random Forest，RF）算法是一種采用多棵決策樹對樣本進行訓練并預測的機器學習算法，最早由Breiman[30]提出。該方法對訓練樣本和待選特征變量進行雙重隨機采樣，可有效解決過擬合現象，并通過集成學習的思想構建多棵決策樹，每顆決策樹在不做任何修剪的前提下最大限度地生長，通過內部評估在隨機森林生成過程中對誤差進行無偏估計，最終預測結果和分類結果由多棵樹預測值的均值和分類器投票決定。

隨機森林法對于遙感影像分類具有很好的抗噪聲性能[31]，在當前分類算法中，具有較高的分類精度；處理具有高維特征的樣本集時，不需要做降維處理，便捷又高效；同時，隨機森林算法可以對大數據集進行有效運行，并能較好地評估各特征變量在分類過程中的重要性，在數據挖掘和視覺學習領域具有廣泛的應用前景[32]。

3 結果與分析

3.1 Jeffries-Matusita距離

Jeffries-Matusita（J-M）距離是基于條件概率論的地表光譜可分性判定指標，作為研究不同波段組合對地物特征識別能力的重要參數，其實質是計算不同地物間的概率密度之差[33]，公式如下

為定量化分析7種地物的可分性，本文利用Jeffries-Matusita算法計算了7種地物類型的統計距離，表3列出釀酒葡萄與另外6種地物的Jeffries-Matusita距離。由表3可知，釀酒葡萄與裸地、建筑和水體等非植被類型地物的可分性明顯高于3種植被類地物；包含2種及2種以上特征組合的地物可分性高于單一特征的可分性，比如，與單一光譜特征組合相比，優選特征組合中釀酒葡萄-耕地的可分性由1.57提高到1.99，釀酒葡萄-林地的可分性由1.40提高到1.97，這表明多源信息更有助于混合像元中釀酒葡萄樣本的準確識別，但包含優選特征組合在內的5種多源特征組合之間可分性測度差異不大。

3.2 精度驗證

通過實地調查研究和Google Earth高分辨率影像目視解譯選取驗證樣本并采用混淆矩陣方法對分類結果進行精度評價，分類精度如表4所示。單一特征組合中，光譜特征和紋理特征各精度指標在所有組合中均較低；多時相植被指數特征組合在總體精度、釀酒葡萄的制圖精度和用戶精度方面得到較大提升；多源特征中，優選特征總體精度最高，達到94.15%，釀酒葡萄用戶精度為94.23%，制圖精度為92.59%；與分類效果最差的紋理特征組合相比，優選特征總體精度提高了19.62%，Kappa系數值增加了0.24，釀酒葡萄用戶精度提高了16.40%，制圖精度提高了28.65%；與包含光譜、紋理和植被指數在內的交叉特征組合相比，優選特征總體精度提高了2.85%，釀酒葡萄用戶精度和制圖精度分別提高了2.77%和2.24%，Kappa系數值增加了0.03。結合結果數據分析，得到以下幾個結論：優選特征一定程度上減少了冗余信息的干擾，對有效信息的利用率增加，有利于提高分類精度；多源遙感特征分類效果優于單一特征，多時相數據比單時相數據更適用于分類。

表3 不同地物Jeffries-Matusita距離結果

表4 分類精度統計

注：UA為用戶精度；PA為制圖精度，即生產者精度；OA為總體精度；Kappa為Kappa系數。

Note: UA is user’s accuracy, PA is mapping accuracy, that is, producer’s accuracy, OA is overall accuracy, Kappa is Kappa coefficient.

3.3 面積驗證

本文選取實地調查的4個葡萄酒莊為驗證區，酒莊位置及優選特征分類結果如圖6所示。

對各組合方案識別出的釀酒葡萄進行面積統計，將統計結果與統計局（統計年鑒）提供的釀酒葡萄種植面積統計數據進行比較，計算其相對精度。結果顯示各酒莊面積精度均在70%以上，其中，優選特征面積精度在90%以上。

圖6 不同特征組合面積驗證圖

本研究得到的永寧縣釀酒葡萄分布圖顯示，永寧縣的釀酒葡萄主要分布在西部地區，賀蘭山東麓分布最為密集；各特征組合中釀酒葡萄分布的細節信息差異較大，光譜、紋理和植被指數等單一特征組合中錯分現象嚴重；相比于單一特征組合，多源特征分類得到的景觀破碎度更低，地物間誤判面積小，整體識別準確度較高。從目視解譯和數據對比角度觀察，優選特征以及其他多源特征組合的釀酒葡萄識別效果更好。

4 討 論

本研究針對當前農作物遙感監測中特征信息有效性弱、針對性不足以及特征單一等問題，共設計了8組特征組合方案，包含單一特征組合、多源特征組合以及優選特征組合，通過計算特征重要性得分，獲取最佳特征種類和數目，從而實現釀酒葡萄的精準識別，主要創新點在于：

首次在釀酒葡萄識別中引入GF-6衛星紅邊波段和紅邊指數。傳統可見光波段和近紅外波段中，不同地物間光譜反射率相近，尤其釀酒葡萄、耕地、林地、草地等存在嚴重的“異物同譜”現象；而在2個紅邊波段中，“異物同譜”現象明顯減弱，釀酒葡萄、耕地、林地、草地等地物分類精度得到提升，因此，可通過2個紅邊波段優勢互補實現多地物復雜背景下釀酒葡萄的識別和提取。GF-6衛星是中國首顆具有紅邊波段的衛星，本文利用GF-6衛星實現了對釀酒葡萄的精準識別，可為農業資源監測、防災減災等精準農業的發展提供數據支撐，推動國產衛星在農業領域的應用，同時也為國產衛星紅邊波段的性能改進和提升提供參考。

利用隨機森林算法對多源特征集進行優選。通過隨機森林算法計算特征的分類貢獻度，獲得特征重要性排名以及最佳特征數目，從而獲取最佳特征組合。最佳特征組合中包含4個光譜特征、11個植被指數特征和2個紋理特征，重要時相集中在7月、9月、10月和11月，原因在于此時釀酒葡萄與研究區內其他作物如玉米、小麥等物候特征差異較大，易于識別。優選特征組合與其余組合相比，分類精度最高，釀酒葡萄、耕地、林地等易混淆地物的誤判面積顯著減小，且地塊破碎度低，更加符合實際情況。優選特征既結合了多源特征信息豐富的優勢，又避免了特征冗余，最大程度利用有效信息。

以賀蘭山東麓釀酒葡萄核心種植區永寧縣為研究區對釀酒葡萄進行遙感識別，以點及面，為后續大尺度遙感監測奠定基礎。釀酒葡萄種植業是賀蘭山東麓的支柱產業，對發展當地特色農業及加強生態保護具有重要意義。本研究以核心區永寧縣為切入點提取釀酒葡萄空間分布信息，為今后賀蘭山東麓釀酒葡萄動態大尺度監測及管理提供了技術支撐和實踐基礎，具有重要的社會價值和生態價值。

以上是本文主要創新點，但與以往研究相比，還存在一些不足，比如本文植被指數特征采用時間序列，而光譜和紋理特征采用單時相數據，未深入研究特征變量時相不同帶來的影響；本文重點研究了釀酒葡萄的分類情況，對于耕地、草地、林地等地物劃分不夠細致，易造成錯分，應對其進行更詳細的劃分，比如耕地細分為玉米、小麥等，草地細分為草原、草甸等；國外對紅邊波段的研究多采用更高空間分辨率的Sentinel數據，對于釀酒葡萄而言，以地塊尺度的酒莊種植為主，更適合從高分辨率角度開展研究。

5 結 論

本文基于GF-6遙感數據，以釀酒葡萄為主要研究對象，提取光譜特征、植被指數特征和紋理特征進行特征組合，通過隨機森林算法對多源特征進行優選及分類，得到以下結論：

特征優選對合理配置資源、提高分類精度具有重要意義。通過計算特征重要性得分，本研究對特征變量進行降維，根據特征重要性得分在54個特征中選取17個有效特征。與引入全部特征相比，優選特征組合的總體精度提高了2.85%，釀酒葡萄用戶精度和制圖精度分別提高了2.77%和2.24%。

GF-6衛星紅邊波段的引入可以減弱“異物同譜”現象，提高釀酒葡萄與其他地物的光譜響應差異。紅邊波段是綠色植被的敏感波段，在增大釀酒葡萄可分性和區分地物上優于近紅外、綠光和藍光等可見光波段，2個紅邊波段特征重要性排名分別為第3和第6，在所有光譜特征中具有更高的重要性得分。

針對研究不足之處，未來將在以下幾個方面進行深入探索：優化分類算法，嘗試其他機器學習算法并根據研究對象的特點對算法進行優化，實現大尺度遙感監測；嘗試構建完整的對比模型，將GF-6與高分系列衛星的性能和效果進行對比，從定性和定量兩方面深入探究紅邊波段對農作物識別的影響。

[1]陳仲新，任建強，唐華俊，等. 農業遙感研究應用進展與展望[J]. 遙感學報，2016，20(5)：748-767. Chen Zhongxin, Ren Jianqiang, Tang Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5): 748-767. (in Chinese with English abstract)

[2]趙春江. 農業遙感研究與應用進展[J]. 農業機械學報，2014，45(12)：277-293. Zhao Chunjiang. Advances of research and application in remote sensing for agriculture[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 277-293. (in Chinese with English abstract)

[3]佘寶，黃敬峰，石晶晶，等. 基于紅邊位置變化特征的油菜種植區域提取[J]. 農業工程學報，2013，29(15)：145-152. She Bao, Huang Jingfeng, Shi Jingjing, et al. Extracting oilseed rape growing regions based on variation characteristics of red edge position[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(15): 145-152. (in Chinese with English abstract)

[4]鄒紅玉，鄭紅平. 淺述植被“紅邊”效應及其定量分析方法[J]. 遙感信息，2010(4)：112-116. Zou Hongyu, Zheng Hongping. The effect and method of quantitative analysis of ‘‘red edge’’of vegetation[J]. Remote Sensing Information, 2010(4): 112-116. (in Chinese with English abstract)

[5]蘇偉，侯寧，李琪，等. 基于Sentine1-2遙感影像的玉米冠層葉面積指數反演[J]. 農業機械學報，2018，49(1)：151-156. Su Wei, Hou Ning, Li Qi, et al. Retrieving leaf area index of corn or canopy Sentinel-2 Remote Sensing based on image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(1): 151-156. (in Chinese with English abstract)

[6]黃敬峰，王淵，王福民，等. 油菜紅邊特征及其葉面積指數的高光譜估算模型[J]. 農業工程學報，2006，22(8)：22-26. Huang Jingfeng, Wang Yuan, Wang Fumin, et al. Red edge characteristics and leaf area index estimation model using hyperspectral data for rape[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(8): 22-26. (in Chinese with English abstract)

[7]Huang Wenjiang, Guan Qingsong, Luo Juhua, et al. New optimized spectral indices for identifying and monitoring winter wheat diseases[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2516-2524.

[8]劉佳，王利民，滕飛，等. RapidEye衛星紅邊波段對農作物面積提取精度的影響[J]. 農業工程學報，2016，32(13)：140-148. Liu Jia, Wang Limin, Teng Fei, et al. Impact of red-edge waveband of RapidEye satellite on estimation accuracy of crop planting area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 140-148. (in Chinese with English abstract)

[9]Adelabu S, Mutanga O, Adam E. Evaluating the impact of red-edge band from Rapideye image for classifying insect defoliation levels[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 95: 34-41.

[10]Tigges J, Lakes T, Hostert P. Urban vegetation classification: Benefits of multitemporal RapidEye satellite data[J]. Remote Sensing of Environment, 2013, 136: 66-75.

[11]Sertel E, Yay I. Vineyard parcel identification from Worldview-2 images using object-based classification model[J]. Journal of Applied Remote Sensing, 2014, 8: 1-17.

[12]Hughes G F. On the mean accuracy of statistical pattern recognizers[J]. IEEE Transactions on Information Theory, 1968, 14(1): 55-63.

[13]王娜，李強子，杜鑫，等. 單變量特征選擇的蘇北地區主要農作物遙感識別[J]. 遙感學報，2017，21(4)：519-530. Wang Na, Li Qiangzi, Du Xin, et al. Identification of main crops based on the univariate feature selection in Subei[J]. Journal of Remote Sensing, 2017, 21(4): 519-530. (in Chinese with English abstract)

[14]王文靜，張霞，趙銀娣，等. 綜合多特征的Landsat 8時序遙感圖像棉花分類方法[J]. 遙感學報，2017，21(1)：115-124. Wang Wenjing, Zhang Xia, Zhao Yindi, et al. Cotton extraction method of integrated multi-features based on multitemporal Landsat 8 images[J]. Journal of Remote Sensing, 2017, 21(1): 115-124. (in Chinese with English abstract)

[15]程希萌，沈占鋒，邢廷炎，等. 基于mRMR特征優選算法的多光譜遙感影像分類效率精度分析[J]. 地球信息科學學報，2016，18(6)：815-823. Cheng Ximeng, Shen Zhanfeng, Xing Tingyan, et al. Efficiency and accuracy analysis of multispectral image classification based on mRMR feature selection method[J]. Journal of Geo-information Science, 2016, 18(6): 815-823. (in Chinese with English abstract)

[16]Atkinson J T, Ismail R, Robertson M. Mapping bugweed () infestations in pinus patula plantations using hyperspectral imagery and support vector machines[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(1): 17-28.

[17]張磊，宮兆寧，王啟為，等. Sentinel-2影像多特征優選的黃河三角洲濕地信息提取[J]. 遙感學報，2019，23(2)：313-326. Zhang Lei, Gong Zhaoning, Wang Qiwei, et al. Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images[J]. Journal of Remote Sensing, 2019, 23(2): 313-326. (in Chinese with English abstract)

[18]蒙莉娜，丁建麗，王敬哲，等. 基于環境變量的渭干河-庫車河綠洲土壤鹽分空間分布[J]. 農業工程學報，2020，36(1)：175-181. Meng Lina, Ding Jianli, Wang Jingzhe, et al. Spatial distribution of soil salinity in Ugan-Kuqa River delta oasis based on environmental variables[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(1): 175-181. (in Chinese with English abstract)

[19]韓穎娟，張磊，衛建國，等. 寧夏釀酒葡萄生育期氣象條件及管理措施綜述[J]. 中國農業氣象，2011，32(增刊)：108-112. Han Yingjuan, Zhang Lei, Wei Jianguo, et al. Review on research of meteorological conditions and managing measure for wine grape growth in Ningxia[J]. Chinese Journal of Agrometeorology, 2011, 32(Suppl. ): 108-112. (in Chinese with English abstract)

[20]鄭利娟. 基于高分一/六號衛星影像特征的農作物分類研究[D]. 北京：中國科學院大學，2017. Zheng Lijuan. Crop Classification Using Multi-features of Chinese Gaofen-1/6 Satellite Remote Sensing Images[D]. Beijing: University of Chinese Academy of Sciences, 2017. (in Chinese with English abstract)

[21]Zhong Liheng, Hu Lina, Zhou Hang. Deep learning based multi-temporal crop classification[J]. Remote Sensing of Environment, 2019, 221: 430-443.

[22]王福民，黃敬峰，王秀珍，等. 波段位置和寬度對不同生育期水稻NDVI影響研究[J]. 遙感學報，2008，12(4)：626-632. Wang Fumin, Huang Jingfeng, Wang Xiuzhen, et al. Effects of band position and band width on NDVI measurements of rice at different growth stages[J]. Journal of Remote Sensing, 2008, 12(4):626-632. (in Chinese with English abstract)

[23]Bolton D K, Friedl M A. Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics[J]. Agricultural and Forest Meteorology, 2013, 173: 74-84.

[24]張晶，占玉林，李如仁. 高分一號歸一化植被指數時間序列用于冬小麥識別[J]. 遙感信息，2017，32(1)：50-56. Zhang Jing, Zhan Yulin, Li Ruren. Application of GF-1 NDVI time series in winter wheat identification[J]. Remote Sensing Information, 2017, 32(1): 50-56. (in Chinese with English abstract)

[25]Gitelson A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence ofL. andL. leaves. Spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology, 1994, 143(3): 286-292.

[26]Tucker Compton J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127-150.

[27]Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1): 195-213.

[28]Kim H O, Yeom J M. Effect of red-edge and texture features for object-based paddy rice crop classification using RapidEye multi-spectral satellite image data[J]. International Journal of Remote Sensing, 2014, 35(19): 7046-7068.

[29]劉明，李忠任，張海濤，等. 基于二分搜索結合修剪隨機森林的特征選擇算法在近紅外光譜分類中的應用[J]. 激光與光電子學進展，2017，54(10)：455-462. Liu Ming, Li Zhongren, Zhang Haitao, et al. Feature selection algorithm application in near-infrared spectroscopy classification based on binary search combined with random forest pruning[J]. Laser & Optoelectronics Progress, 2017, 54(10): 455-462. (in Chinese with English abstract)

[30]Breiman L. Random forests[J]. Machine Learning, 2001, 45: 5-32.

[31]王利民，劉佳，楊玲波，等. 隨機森林方法在玉米-大豆精細識別中的應用[J]. 作物學報，2018，44(4)：569-580. Wang Limin, Liu Jia, Yang Lingbo, et al. Application of random forest method in maize-soybean accurate identification[J]. Acta Agronomica Sinica, 2018, 44(4): 569-580. (in Chinese with English abstract)

[32]Yang Lingbo, Mansaray Lamin, Huang Jingfeng, et al. Optimal segmentation scale parameter, feature subset and classification algorithm for geographic object-based crop recognition using multisource satellite imagery[J]. Remote Sensing, 2019, 11(5): 1-23.

[33]李靜，楊敏華，吳孔江. 基于波段選擇的高光譜遙感影像分類[J]. 測繪信息與工程，2012，37(2)：41-44. Li Jing, Yang Minhua, Wu Kongjiang. Band selection based hyperspectral remote sensing image classification[J]. Journal of Geomatics, 2012, 37(2): 41-44. (in Chinese with English abstract)

Accurate recognition of wine grapes using multi-feature optimization based on GF-6 satellite images

Li Wenjie1,2, Guo Xiaolei3, Yang Lingbo1,2, Yan Ming3, Zou Chenxi4, Fang Yahua4, Sun Han5, Huang Jingfeng1,2※

(1.,,310058,;2.,,310058,; 3.,750000,; 4.,100086,; 5.,010051,)

Multi-source remote sensing information and feature optimization have become important supports to improve the accuracy of crop recognition. As the first Chinese satellite to introduce red-edge bands, the rich spectral information of GF-6 satellite provides new ideas for crop recognition. However, the use of crop features is confine to one single source, and previous studies on cash crop is relatively lacking. In this study, an available recognition method was proposed for the wine grape on multi-features using GF-6 satellite images. This paper first introduced the red-edge bands of GF-6 to the multi-source features in the study of accurate recognition for wine grape. Based on the GF-6 satellite data from June 2018 to March 2019 of Yongning County, Yinchuan City, Ningxia Hui Autonomous Region, two red-edge bands were selected to extract the spectral, texture, and temporal vegetation index features, including Normalized Difference Red-Edge Index (NDRE), Normalized Difference Vegetation Index (NDVI), and Enhanced Vegetation Index (EVI). A Random Forest algorithm with Gini index was used to choose the optimal number of features according to the measured importance scores, thereby to construct the optimal feature combination. Seven types samples of ground objects were selected to accurately recognize wine grape. Seven combinations of comparative features were designed, including three single-source and four multi-source feature combinations. Training samples and verification samples were obtained by the field investigation and visual interpretation with the Google Earth. The results showed that, compared with single-source features, the multi-source remote sensing features significantly improved the recognition effect of wine grape, where the vegetation index features contributed the most, then followed by the spectral and texture features. The accuracy of user and producer for the wine grape were 94.23% and 92.59%, respectively, the overall classification accuracy was 94.15%, and the Kappa coefficient was 0.93 in the optimal feature combination. Compared with spectral feature combination, the Jeffries-Matusita distance between wine grape-farmland and wine grape-woodland were improved from 1.57 to 1.99 and 1.40 to 1.97 respectively in the optimal feature combination.. Compared with the combination 7, which includes all fifty-four features, the overall accuracy was improved by 2.85% in the optimal feature combination with only seventeen features. Taking four wine chateaus by field survey as the verification area, the results of wine grape extraction were compared with the statistical data, where the relative area accuracy of eight feature combinations were all above 70%, and that of the optimal feature combination was above 90%. Compared with other seven feature combinations, the optimal feature combination improved the separable measure of different ground objects and reduced field fragment, indicating more conformable with actual situation. In addition, the operation time of classification model was shortened, and the reasonable allocation of resources was realized by feature optimization. The successful launch of GF-6 enriched the existing satellite data sources, including red-edge bands, (such as RapidEye of Germany and Sentinel-2 of Europe). The findings can contribute to the large-scale remote sensing monitoring of wine grape and popularize the application of red-edge bands of Chinese satellite in agriculture, and also provide a sound reference to improve the performance of red-edge bands of Chinese satellite.

remote sensing; image processing; GF-6 satellite; wine grape; feature optimization; Random Forest; red-edge band; accurate recognition

李文杰，郭曉雷，楊玲波，等. 基于GF-6衛星影像多特征優選的釀酒葡萄精準識別[J]. 農業工程學報，2020，36(18)：165-173.doi：10.11975/j.issn.1002-6819.2020.18.020 http://www.tcsae.org

Li Wenjie, Guo Xiaolei, Yang Lingbo, et al. Accurate recognition of wine grapes using multi-feature optimization based on GF-6 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(18): 165-173. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.18.020 http://www.tcsae.org

2020-06-02

2020-08-27

國家科技重大專項：高分辨率對地觀測系統重大專項（09-Y20A05-9001-17/18）；銀川市科技計劃項目（2018-ZY-18017）

李文杰，主要從事衛星圖像處理與農業遙感方面的研究。Email：liwenjie@ zju.edu.cn

黃敬峰，博士，教授，主要從事農業遙感與信息技術方面的研究。Email：hjf@zju.edu.cn

10.11975/j.issn.1002-6819.2020.18.020

TP79；S127

A

1002-6819(2020)-18-0165-09