基于面向對象隨機森林算法的主被動遙感協同實現農作物自動識別

孫博學 吳永強 張靜宜 馬玥

摘?要：以Sentinel1/2哨兵衛星獲取的雷達和多光譜遙感影像為數據源，提取多時相光譜反射和微波后向散射特征變量，基于面向對象的隨機森林算法對吉林省扶余市水稻、玉米和大豆分類，并與支持向量機算法比較，綜合評估基于多源遙感數據的面向對象隨機森林算法對大范圍農作物自動識別的適用性。結果表明：利用多時相多源遙感數據能夠有效提高作物分類精度。面向對象隨機森林算法的分類總體精度為87.32%，高于支持向量機算法9.82%。利用面向對象隨機森林算法結合多時相主被動遙感特征變量能夠準確地自動識別大范圍農作物，可為作物種植面積調查與產量估值提供重要的支撐。

關鍵詞：哨兵衛星；主被動遙感；面向對象隨機森林算法；農作物自動識別

掌握農作物的種植分布狀況，對于宏觀指導農業生產、作物估產及農情監測具有重要意義［13］。遙感技術能夠快速實時監測地表信息，為識別作物提供高效快捷的技術手段。遙感光學傳感器易受云雨天氣影響，較難獲取清晰的影像圖，不同作物在可見光—紅外波段下特征相似，識別精度較低。微波傳感器發射的微波能夠穿透云層，不易受天氣影響，可獲得清晰的雷達影像數據，用以表征不同作物的后向散射特征。但由于微波傳感器成像方式不同，作物影像特征不易識別，僅利用微波影像分類作物存在較大困難［45］。應用主被動遙感技術協同實現農作物自動識別對分類精度的提高具有重要意義。

分類方法的選擇在提高作物識別精度方面至關重要。面向對象分類法將同質像元組成的對象作為基本分類單元，能夠有效保留地物的空間結構、形狀和紋理等特征，降低獨立像元噪聲的影響，有助于提高分類精度［67］。隨機森林算法是目前應用最廣泛的機器學習算法，模型泛化能力強、穩定性高，但在多時相多源遙感數據作物識別方面仍需進一步驗證分析［8］。

以Sentinel1/2哨兵衛星獲取的雷達和多光譜遙感影像為數據源，提取多時相光譜反射和微波后向散射特征變量，基于面向對象隨機森林算法對吉林省扶余市水稻、玉米和大豆自動分類，并與支持向量機算法比較，綜合評估基于多源遙感數據的面向對象隨機森林算法對大范圍農作物自動識別的適用性。

一、研究區概況和數據源

（一）研究區概況

研究區位于中國吉林省扶余市，主要包括大林子鎮、更新鄉、新萬發鎮、弓棚子鎮、五家站鎮和肖家鄉共六個鎮（鄉）級行政區，地理坐標為44°52′～45°25′N，125°24′～125°59′E，年平均氣溫4.5℃，平均降水145.8mm，區內作物主要包括水稻、玉米和大豆。

（二）數據源

采用2020年4—10月逐月的Sentinel1/2遙感影像數據。Sentinel1雷達C波段數據為GRD?1級產品，VV和VH兩種極化方式。Sentinel2多光譜數據為L1C級產品，包括可見光近紅外到短波紅外共13個波段。利用SNAP軟件對Sentinel1/2數據預處理。Sentinel1數據進行輻射定標，Refined?Lee濾波和地形校正處理。Sentinel2數據借助Sen2cor功能模塊進行輻射定標和大氣校正。將預處理后的Sentinel1/2數據利用ENVI?5.3軟件進行空間配準，空間分辨率統一為10m。

二、分類方法與精度評價

（一）面向對象分類法

利用eCognition軟件的多尺度分割功能將待分類影像分割成異質性最小的對象單元，需設置三個重要參數，即尺度參數、形狀參數和緊致度參數［910］。尺度參數的大小決定分割對象的面積大小，直接影響分類效率和精度。形狀參數和緊致度參數可以進一步優化對象的邊緣特征，使其更加準確地表達地物細節信息。通過多次試驗，最終確定的尺度參數、形狀參數和緊致度參數分別為80、0.8和0.2。

（二）隨機森林和支持向量機算法

隨機森林算法（RF）是由多個CART決策樹組合構成的集成學習算法。RF采用bootstrap抽樣技術從原始數據集中抽取N個訓練數據集生成N個CART決策樹，在每個CART決策樹生長過程中，從全部M個特征變量中隨機抽選m個（m≤M），根據Gini系數最小原則選出最優屬性進行內部節點分支，最后采用投票法綜合N個決策樹的預測結果確定最終的樣本類別［11］。本文設置決策樹的個數N為1000，節點分裂的特征變量數為總特征變量數的開根方值。

支持向量機算法（SVM）是一種基于統計學習理論的機器學習算法，通過選擇相應的非線性映射函數，將輸入向量從原空間映射到高維特征空間，采用結構風險最小化準則，在最小化樣本誤差的同時縮小模型泛化誤差的上界，提高模型的泛化能力［12］。本文設置SVM的懲罰系數C值設為1，選用RBF核函數。

（三）精度評價

綜合2020年野外地面調查樣點數據和Google?Earth高分辨率影像，隨機選取560個驗證點，計算混淆矩陣，采用總體精度、Kappa系數、制圖精度和用戶精度對分類結果進行精度評價。

三、農作物分類遙感影像特征分析

（一）多源遙感數據特征分析

利用Sentinel1的VH和VV極化數據分別計算VV/VH比值極化指數和（VVVH）/（VV+VH）歸一化極化指數。利用Sentinel2的多光譜反射率數據計算NDVI歸一化植被指數、DVI差值植被指數和RVI比值植被指數。借助ENVI?5.3軟件制作水稻、玉米和大豆作物的ROI感興趣區，獲取不同作物的后向散射、光譜反射率和多種指數的均值，分析作物在不同生長時間下的遙感數據特點。經過分析可知，對于Sentinel1數據，三種作物隨季節變化有不同的生長狀態，微波后向散射系數也隨之變化。在VH和VV極化模式下，水稻的后向散射系數最低，大豆和玉米的后向散射系數較接近。對于VV/VH和（VVVH）/（VV+VH）兩種極化指數，水稻、玉米和大豆的曲線特征相似，但經過數學比值運算后，使三種作物的后向散射系數差異更加顯著，有利于區分不同的作物。對于Sentinel2數據，三種作物在4～6月播種至出苗的過程中，光譜反射率逐漸升高，6～8月生長期內，反射率逐漸降低，9～10月完全成熟至收獲后，反射率逐漸升高。在播種至成熟的過程中，水稻的光譜反射率最低，大豆和玉米的反射率較高，且二者的反射率值較為接近。在紅邊波段（B5B7，B8A）處，三種作物的光譜反射率差異較可見光（B1B4）和短波紅外波段（B11B12）處顯著。三種作物從播種至收獲，植被指數數值先升高后降低，在7～9月三種作物的指數值差異最為顯著。

（二）分類特征變量選取

針對4個雷達后向散射特征變量和15個光譜反射特征變量，將三種作物類型兩兩對比，篩選出特征值差異最顯著的月份，用于后續參與分類模型的構建。以VV特征變量為例，大豆和水稻在5月后向散射系數差值最大，大豆和玉米在10月后向散射系數差值最大，水稻和玉米在5月后向散射系數差值最大，對于VV特征變量，最終篩選5月和10月兩個月份的特征變量數據用于后續分類。分類特征變量篩選情況如表1所示。

四、分類實驗及精度評價

為了明確多時相、多源遙感數據的綜合應用對農作物種植結構分類精度的影響，針對不同的特征變量數據集，共設定5組實驗，即單一時相多光譜特征數據集（OPTS）、單一時相雷達特征數據集（SARS）、多時相多光譜特征數據集（OPTM）、多時相雷達特征數據集（SARM）和多時相多源特征數據集（OPTMSARM）。OPTS組選取作物光譜反射率差異顯著的7月Sentinel2多波段數據為特征變量，SARS組選取作物后向散射系數差異顯著的6月Sentinel1兩種極化數據為特征變量。選用RF和SVM算法進行作物分類。

（一）特征變量對分類精度的影響

由表2，多時相模型（OPTM、SARM）的總體精度和Kappa系數高于單一時相模型（OPTS、SARS），多時相模型比單一時相模型的總體精度可提升3.39%以上，最高可達13.93%。選取水稻、玉米和大豆在生長周期中反射或后向散射差異顯著的多時相數據參與分類，能夠增強不同作物間的影像特征差異，有利于提高識別精度。從單一數據源模型（OPTM、SARM）到多源數據模型（OPTMSARM）的總體精度顯著增加，最高可提升9.82%，綜合利用光學和雷達影像能夠豐富農作物的影像特征，彌補利用單一光學遙感數據或微波遙感數據的不足，可有效提高具有相似特點的作物識別精度。

（二）分類算法對分類精度的影響

由表3，利用RF和SVM算法結合多時相多源特征數據集對水稻、玉米和大豆分類，并計算混淆矩陣。RF算法的總體精度和Kappa系數為87.32%和0.8311，較SVM算法高9.82%和0.1304。RF算法中水稻、玉米和大豆的制圖精度較SVM算法高6%、4.29%和25.72%，用戶精度較SVM算法高0.15%、11.08%和8.9%。通過對比分析，RF算法的模型性能較好，泛化能力較強，能夠高效地處理高維數據，更高精度地精細化提取農作物種植結構信息，適用于大范圍農作物的種植結構制圖。

五、分類結果

利用基于面向對象隨機森林算法自動繪制研究區農作物種植結構圖，獲得的分類結果比較準確，較少出現錯分和漏分現象，能夠準確劃分不同農作物的地塊邊界。面向對象分類法有效改善了像素分類法中獨立像元引起的“椒鹽”現象，最大程度地保留了地物間的空間鄰域關系，可視化效果較好。

結語

本文利用面向對象隨機森林算法結合Sentinel1微波數據和Sentinel2多光譜數據實現了對吉林省扶余市水稻、玉米和大豆大宗農作物種植結構的自動識別。多時相多源遙感數據的應用極大程度豐富了地物的遙感影像特征，增強了不同作物的影像特征差異，有利于提高分類精度。面向對象隨機森林方法可以高效并行處理高維數據，有效挖掘特征信息，獲得的農作物種植結構圖精度較高，可視化效果較好，可以充分保留地物空間鄰域特征。協同利用主被動遙感技術能夠高效準確地實現大范圍的農作物種植結構監測，為農業生產與管理提供有力的科學依據和數據支撐。

參考文獻：

［1］潘曉卉，張平宇，劉世薇.東北地區主要糧食作物種植結構時空變化分析［J］.土壤與作物，2018，7（3）：303311.

［2］代海濤.吉林省大豆生產發展現狀及對策分析［J］.大豆科技，2009，000（002）：5153.

［3］李冰，梁燕華，李丹丹，等.多時相GF1衛星PMS影像提取農作物種植結構［J］.中國農業資源與區劃，2017，38（9）：5662.

［4］朱鳳敏，吳迪，楊佳琪.基于Sentinel1B?SAR數據的農作物分類方法研究［J］.測繪與空間地理信息，2020，43（5）：105108.

［5］韓冰冰，陳圣波，曾慶鴻，等.基于JM距離的多時相Sentinel1農作物分類［J］.科學技術與工程，2020，20（17）：69776982.

［6］畢愷藝，牛錚，黃妮，等.基于Sentinel2A時序數據和面向對象決策樹方法的植被識別［J］.地理與地理信息科學，2017，33（5）：1620+27+127.

［7］賈明明，王宗明，張柏，等.綜合環境衛星與MODIS數據的面向對象土地覆蓋分類方法［J］.武漢大學學報（信息科學版），2014，39（3）：305310.

［8］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）：569580.

［9］杜保佳，張晶，王宗明，等.應用Sentinel2A?NDVI時間序列和面向對象決策樹方法的農作物分類［J］.地球信息科學學報，2019，21（5）：740751.

［10］張瀾，王妮，朱冰雪，等.基于無人機高分辨率影像的農作物分類研究［J］.江西農業學報，2022，34（02）：178187.

［11］王德軍，姜琦剛，李遠華，等.基于Sentinel2A/B時序數據與隨機森林算法的農耕區土地利用分類［J］.國土資源遙感，2020，32（4）：236243.

［12］張東彥，戴震，徐新剛，等.基于時序Sentinel2影像的現代農業園區作物分類研究［J］.紅外與激光工程，2021，50（05）：262272.

基金項目：吉林省教育廳科學技術研究項目（JJKH?20210269KJ）；吉林省大學生創新創業訓練計劃項目（2021?10191108）

作者簡介：孫博學（2001—?），男，漢族，天津人，本科，研究方向：環境遙感和遙感圖像分類。