基于高分二號衛星數據的農作物分類方法研究

　　摘要:針對目前高分二號衛星數據(GF-2)有較高的空間分辨率而在農業領域應用較少和農作物分類普遍存在“同譜異物”和“同物異譜”的現象，以遼寧省沈陽市蘇家屯區以西的新開河村周邊為試驗基地，利用最佳波段組合指數法(OIF)對所選取的高分二號(GF-2)衛星數據的紋理特征和植被指數以及波段信息進行篩選，選取最佳的波段組合，以增加分類信息、減少數據冗余。最后，針對篩選后的數據，使用最大似然法進行分類，得到農作物的分類結果。結果表明，利用該方法對農作物進行分類，分類精度得到了一定程度的提高，為目前大規模農作物種植面積的精確、迅速統計提供了一套可行的方案。

　　關鍵詞:高分二號;灰度共生矩陣;紋理特征;OIF;最大似然法

　　0引言

　　我國是一個人口大國，而人均耕地資源卻嚴重不足，準確及時地掌握各種農物的空間格局及其分布面積，是一項常規而又重要的工作。遙感技術由于具有高空探測、非接觸、大范圍、動態、及時等優點，已成為研究農作物分類和面積監測統計的一種重要手段。目前，國內外在農作物的精細分類方面做出了許多努力，例如國內黃健熙等利用4種待選指數結合隨機森林分類方法對農作物進行分類，總體分類精度較高[1];陳思寧等[2-4]將光譜信息與地方物候、地形特征相結合，達到了較高的分類精度。上述研究雖取得了較好的分類效果，但難以避免“同物異譜”和“同譜異物”的現象。提高地物的分類精度[5]，已經成為遙感影像分類的一個發展趨勢。

　　農作物論文范例：農業機械在農作物種植中的作用探討

　　在這方面，徐新剛等利用國外的QuickBird遙感數據結合紋理和光譜信息對四川綿陽實驗區的農作物進行了分類，取得了較好效果[6]。此外，以往農作物分類，使用的遙感數據空間分辨率大多較低，也導致分類精度偏低[7]。國產高分二號衛星的成功發射，宣告了我國高空間分辨率遙感進入亞米時代[8]，其獲取的數據得到了多方面的應用，但是目前國內關于高分二號在農業方面的應用還偏少。基于此，本文選擇遼寧省的典型農作物種植區作為試驗區，以GF-2號衛星遙感影像為數據源，提出了一種紋理信息和光譜信息相結合的農作物分類方法。

　　1研究方法介紹

　　在本文中，以GF-2號衛星遙感影像為數據源。首先利用衛星不同波段探測數據組合提取遙感影像常見的植被指數，再采用灰度共生矩陣的方法提取影像的紋理參數。經處理之后原始波段和植被指數表示影像的光譜信息，用紋理參數表示影像的紋理信息，并將以上信息用于后續的農作物光譜和紋理信息結合分類。但經過上述處理之后，數據量迅速增加;同時，若直接利用提取到的信息進行分類時，光譜或者紋理信息之間的相關性較強[9]。為避免上述問題，使用OIF指數對遙感影像的光譜信息和紋理信息分別進行篩選。一是減少了數據冗余;二是利用篩選后的優質光譜和紋理信息進行農作物分類，可以提高分類精度。

　　1.1光譜信息提取

　　對所選用的數據進行預處理，并針對預處理之后的數據，計算影像的11種常見植被指數(包括RI、EVI2、GNDV、MSAVI2、MCARI、MTVI1、MSR、NDGI、NDVI、RVI、TVI)[10]。這些植被指數是衛星遙感多光譜數據經空間轉換或不同波段間線性或非線性組合構成的對植被有一定指示意義的指標[11]，是用來描述植被數量、生長情況、覆蓋狀況等指標的參數[12]。上述指數為后續利用OIF指數尋找更好區分幾種農作物的光譜信息奠定基礎。

　　1.2紋理信息提取

　　紋理是由灰度分布在空間位置上反復交替變化而形成的，所以在圖像空間中相隔某一距離的兩個像素間存在一定的灰度關系，即圖像中灰度的空間相關特性[13]。利用灰度共生矩陣提取的紋理特征，能夠很好地描述像元之間的空間相關特性，反映圖像的灰度統計特征。利用灰度共生矩陣可以提取圖像的許多基本紋理參數，Haralick等人定義了14種紋理參數[14]。

　　在此實驗中，使用了均值(Mean)、二階矩(SecondMoment)、熵(Entropy)、對比度(Contrast)、同質性(Homogeneity)、差異性(Dissimilarity)、協方差(Variance)、相關性(Correlation)8種紋理參數表征農作物的紋理特征，用于后續利用OIF指數尋找更好區分幾種農作物的紋理信息。在利用灰度共生矩陣提取圖像的紋理特征時，涉及步長、窗口大小和方向3個基本參數。考慮到全色影像的分辨率更高，具有更加豐富的紋理信息，利用灰度共生矩陣對全色影像進行處理，提取影像的紋理信息。

　　1.3數據篩選

　　在經過紋理特征提取和植被指數計算之后，用于分類的數據量迅速增加，導致存在大量的數據量冗余。目前，常見的幾種分類器如支持向量機、最大似然法、BP-神經網絡法等都很難在存在大量數據冗余的情況下保證分類的精度及速度。因此，需要對前期處理的兩類數據進行有效的篩選和組合，以保證數據的有效性。

　　2研究方法應用

　　2.1研究區概況及數據源

　　本次所選研究區是遼寧沈陽市蘇家屯新開河村周邊地區。根據實地調查結果，該地區有水稻、玉米、花生3種主要農作物。本實驗使用的遙感影像數據為高分二號衛星數據，采集時間為2017年9月14號，云量為0.0%，軌道圈號為16603，Path/Row為1002/133，產品號為2597617。

　　2.2數據處理

　　2.2.1光譜信息提取

　　由于植被指數直接由原始光譜計算得到，故將原始光譜4個波段與11個植被指數歸為一類數據，共15種數據，表示待分類影像的光譜信息。然后，計算它們之間的互相關系數，將互相關性較高的數據歸為1類，共分為4類。

　　2.3農作物的分類

　　在經過上述的數據篩選后，減少了數據冗余，所選取的光譜、紋理和植被指數之間相關性較小，具有一定的代表性。在進行分類之前，首先根據實地調研情況，確定所有地塊的種植作物情況，將地物分為六大類，分別為:玉米、水稻、花生、裸地、水、建筑。接著使用最大似然法分別利用原始光譜(Band1、Band2、Band3、Band4)和結合了紋理之后經過篩選的上述數據(MTVI1、Band1、Band4、RI、Correlation、Mean、Entropy、Contrast)進行分類。

　　3精度評價及影響因素分析

　　3.1精度評價利用混淆矩陣求分類精度可知，只利用光譜對其進行分類，農作物的綜合分類精度為89.44%，利用上述綜合紋理和光譜特征的分類方法對其進行分類，分類精度為93.57%，相比提高了4.13%。

　　3.2影響因素分析總體來說，使用上述方法對農作物分類，提高了各種農作物以及整體的分類精度。但還是存在著錯分、漏分的現象，其主要的影響因素有以下幾點:1)九月份農作物生長趨近成熟，致使農作物的紋理特征不是很明顯;2)雖然GF-2號衛星數據分辨率較高，但是對于種植規則、密度都較為相近的農作物來說，其分辨率仍然不足以區分其紋理差異。針對以上存在的問題，今后可以考慮添加更多的特征信息進行分類，例如:農作物的時序特征信息等。

　　4結束語

　　本文所述在國產GF-2號衛星數據基礎上，結合灰度共生矩陣和OIF等技術手段，綜合利用光譜與紋理信息對農作物進行分類，可得以下結論:1)在光譜信息中加入紋理信息輔助分類，可以使農作物分類的精度得到有效提高。2)實驗表明，GF-2號衛星遙感影像數據可以較好地支持農作物的分類識別。

　　參考文獻：

　　[1]黃健熙，侯矞焯，蘇偉，等.基于GF-1WFV數據的玉米與大豆種植面積提取方法[J].農業工程學報，2017，33(7):164-170.

　　[2]陳思寧，趙艷霞，申雙和.基于波譜分析技術的遙感作物分類方法[J].農業工程學報，2012，28(5):154-160.

　　[3]MAXWELLSK，NUCKOLSJR，WARDMH，etal.AnautomatedapproachtomappingcornfromLandsatimagery[J].ComputersandElectronicsinagriculture，2004，43(1):43-54.

　　[4]CHANGJ，HANSENMC，PITTMANK，etal.CornandsoybeanmappingintheUnitedStatesusingMODIStime-seriesdatasets[J].AgronomyJournal，2007，99(6):1654-1664.

　　作者：曹偉男，王文高，王欣，于亞嬌，劉善軍

轉載請注明來自發表學術論文網：http://www.zpfmc.com/nylw/26636.html