基于高分二號(hào)衛(wèi)星數(shù)據(jù)的農(nóng)作物分類方法研究

　　摘要:針對(duì)目前高分二號(hào)衛(wèi)星數(shù)據(jù)(GF-2)有較高的空間分辨率而在農(nóng)業(yè)領(lǐng)域應(yīng)用較少和農(nóng)作物分類普遍存在“同譜異物”和“同物異譜”的現(xiàn)象，以遼寧省沈陽市蘇家屯區(qū)以西的新開河村周邊為試驗(yàn)基地，利用最佳波段組合指數(shù)法(OIF)對(duì)所選取的高分二號(hào)(GF-2)衛(wèi)星數(shù)據(jù)的紋理特征和植被指數(shù)以及波段信息進(jìn)行篩選，選取最佳的波段組合，以增加分類信息、減少數(shù)據(jù)冗余。最后，針對(duì)篩選后的數(shù)據(jù)，使用最大似然法進(jìn)行分類，得到農(nóng)作物的分類結(jié)果。結(jié)果表明，利用該方法對(duì)農(nóng)作物進(jìn)行分類，分類精度得到了一定程度的提高，為目前大規(guī)模農(nóng)作物種植面積的精確、迅速統(tǒng)計(jì)提供了一套可行的方案。

　　關(guān)鍵詞:高分二號(hào);灰度共生矩陣;紋理特征;OIF;最大似然法

　　0引言

　　我國(guó)是一個(gè)人口大國(guó)，而人均耕地資源卻嚴(yán)重不足，準(zhǔn)確及時(shí)地掌握各種農(nóng)物的空間格局及其分布面積，是一項(xiàng)常規(guī)而又重要的工作。遙感技術(shù)由于具有高空探測(cè)、非接觸、大范圍、動(dòng)態(tài)、及時(shí)等優(yōu)點(diǎn)，已成為研究農(nóng)作物分類和面積監(jiān)測(cè)統(tǒng)計(jì)的一種重要手段。目前，國(guó)內(nèi)外在農(nóng)作物的精細(xì)分類方面做出了許多努力，例如國(guó)內(nèi)黃健熙等利用4種待選指數(shù)結(jié)合隨機(jī)森林分類方法對(duì)農(nóng)作物進(jìn)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(jié)合，達(dá)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(xiàn)象。提高地物的分類精度[5]，已經(jīng)成為遙感影像分類的一個(gè)發(fā)展趨勢(shì)。

　　農(nóng)作物論文范例：農(nóng)業(yè)機(jī)械在農(nóng)作物種植中的作用探討

　　在這方面，徐新剛等利用國(guó)外的QuickBird遙感數(shù)據(jù)結(jié)合紋理和光譜信息對(duì)四川綿陽實(shí)驗(yàn)區(qū)的農(nóng)作物進(jìn)行了分類，取得了較好效果[6]。此外，以往農(nóng)作物分類，使用的遙感數(shù)據(jù)空間分辨率大多較低，也導(dǎo)致分類精度偏低[7]。國(guó)產(chǎn)高分二號(hào)衛(wèi)星的成功發(fā)射，宣告了我國(guó)高空間分辨率遙感進(jìn)入亞米時(shí)代[8]，其獲取的數(shù)據(jù)得到了多方面的應(yīng)用，但是目前國(guó)內(nèi)關(guān)于高分二號(hào)在農(nóng)業(yè)方面的應(yīng)用還偏少�；�于此，本文選擇遼寧省的典型農(nóng)作物種植區(qū)作為試驗(yàn)區(qū)，以GF-2號(hào)衛(wèi)星遙感影像為數(shù)據(jù)源，提出了一種紋理信息和光譜信息相結(jié)合的農(nóng)作物分類方法。

　　1研究方法介紹

　　在本文中，以GF-2號(hào)衛(wèi)星遙感影像為數(shù)據(jù)源。首先利用衛(wèi)星不同波段探測(cè)數(shù)據(jù)組合提取遙感影像常見的植被指數(shù)，再采用灰度共生矩陣的方法提取影像的紋理參數(shù)。經(jīng)處理之后原始波段和植被指數(shù)表示影像的光譜信息，用紋理參數(shù)表示影像的紋理信息，并將以上信息用于后續(xù)的農(nóng)作物光譜和紋理信息結(jié)合分類。但經(jīng)過上述處理之后，數(shù)據(jù)量迅速增加;同時(shí)，若直接利用提取到的信息進(jìn)行分類時(shí)，光譜或者紋理信息之間的相關(guān)性較強(qiáng)[9]。為避免上述問題，使用OIF指數(shù)對(duì)遙感影像的光譜信息和紋理信息分別進(jìn)行篩選。一是減少了數(shù)據(jù)冗余;二是利用篩選后的優(yōu)質(zhì)光譜和紋理信息進(jìn)行農(nóng)作物分類，可以提高分類精度。

　　1.1光譜信息提取

　　對(duì)所選用的數(shù)據(jù)進(jìn)行預(yù)處理，并針對(duì)預(yù)處理之后的數(shù)據(jù)，計(jì)算影像的11種常見植被指數(shù)(包括RI、EVI2、GNDV、MSAVI2、MCARI、MTVI1、MSR、NDGI、NDVI、RVI、TVI)[10]。這些植被指數(shù)是衛(wèi)星遙感多光譜數(shù)據(jù)經(jīng)空間轉(zhuǎn)換或不同波段間線性或非線性組合構(gòu)成的對(duì)植被有一定指示意義的指標(biāo)[11]，是用來描述植被數(shù)量、生長(zhǎng)情況、覆蓋狀況等指標(biāo)的參數(shù)[12]。上述指數(shù)為后續(xù)利用OIF指數(shù)尋找更好區(qū)分幾種農(nóng)作物的光譜信息奠定基礎(chǔ)。

　　1.2紋理信息提取

　　紋理是由灰度分布在空間位置上反復(fù)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(gè)像素間存在一定的灰度關(guān)系，即圖像中灰度的空間相關(guān)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(guān)特性，反映圖像的灰度統(tǒng)計(jì)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(shù)，Haralick等人定義了14種紋理參數(shù)[14]。

　　在此實(shí)驗(yàn)中，使用了均值(Mean)、二階矩(SecondMoment)、熵(Entropy)、對(duì)比度(Contrast)、同質(zhì)性(Homogeneity)、差異性(Dissimilarity)、協(xié)方差(Variance)、相關(guān)性(Correlation)8種紋理參數(shù)表征農(nóng)作物的紋理特征，用于后續(xù)利用OIF指數(shù)尋找更好區(qū)分幾種農(nóng)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(shí)，涉及步長(zhǎng)、窗口大小和方向3個(gè)基本參數(shù)�？紤]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(duì)全色影像進(jìn)行處理，提取影像的紋理信息。

　　1.3數(shù)據(jù)篩選

　　在經(jīng)過紋理特征提取和植被指數(shù)計(jì)算之后，用于分類的數(shù)據(jù)量迅速增加，導(dǎo)致存在大量的數(shù)據(jù)量冗余。目前，常見的幾種分類器如支持向量機(jī)、最大似然法、BP-神經(jīng)網(wǎng)絡(luò)法等都很難在存在大量數(shù)據(jù)冗余的情況下保證分類的精度及速度。因此，需要對(duì)前期處理的兩類數(shù)據(jù)進(jìn)行有效的篩選和組合，以保證數(shù)據(jù)的有效性。

　　2研究方法應(yīng)用

　　2.1研究區(qū)概況及數(shù)據(jù)源

　　本次所選研究區(qū)是遼寧沈陽市蘇家屯新開河村周邊地區(qū)。根據(jù)實(shí)地調(diào)查結(jié)果，該地區(qū)有水稻、玉米、花生3種主要農(nóng)作物。本實(shí)驗(yàn)使用的遙感影像數(shù)據(jù)為高分二號(hào)衛(wèi)星數(shù)據(jù)，采集時(shí)間為2017年9月14號(hào)，云量為0.0%，軌道圈號(hào)為16603，Path/Row為1002/133，產(chǎn)品號(hào)為2597617。

　　2.2數(shù)據(jù)處理

　　2.2.1光譜信息提取

　　由于植被指數(shù)直接由原始光譜計(jì)算得到，故將原始光譜4個(gè)波段與11個(gè)植被指數(shù)歸為一類數(shù)據(jù)，共15種數(shù)據(jù)，表示待分類影像的光譜信息。然后，計(jì)算它們之間的互相關(guān)系數(shù)，將互相關(guān)性較高的數(shù)據(jù)歸為1類，共分為4類。

　　2.3農(nóng)作物的分類

　　在經(jīng)過上述的數(shù)據(jù)篩選后，減少了數(shù)據(jù)冗余，所選取的光譜、紋理和植被指數(shù)之間相關(guān)性較小，具有一定的代表性。在進(jìn)行分類之前，首先根據(jù)實(shí)地調(diào)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(jié)合了紋理之后經(jīng)過篩選的上述數(shù)據(jù)(MTVI1、Band1、Band4、RI、Correlation、Mean、Entropy、Contrast)進(jìn)行分類。

　　3精度評(píng)價(jià)及影響因素分析

　　3.1精度評(píng)價(jià)利用混淆矩陣求分類精度可知，只利用光譜對(duì)其進(jìn)行分類，農(nóng)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(duì)其進(jìn)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(duì)農(nóng)作物分類，提高了各種農(nóng)作物以及整體的分類精度。但還是存在著錯(cuò)分、漏分的現(xiàn)象，其主要的影響因素有以下幾點(diǎn):1)九月份農(nóng)作物生長(zhǎng)趨近成熟，致使農(nóng)作物的紋理特征不是很明顯;2)雖然GF-2號(hào)衛(wèi)星數(shù)據(jù)分辨率較高，但是對(duì)于種植規(guī)則、密度都較為相近的農(nóng)作物來說，其分辨率仍然不足以區(qū)分其紋理差異。針對(duì)以上存在的問題，今后可以考慮添加更多的特征信息進(jìn)行分類，例如:農(nóng)作物的時(shí)序特征信息等。

　　4結(jié)束語

　　本文所述在國(guó)產(chǎn)GF-2號(hào)衛(wèi)星數(shù)據(jù)基礎(chǔ)上，結(jié)合灰度共生矩陣和OIF等技術(shù)手段，綜合利用光譜與紋理信息對(duì)農(nóng)作物進(jìn)行分類，可得以下結(jié)論:1)在光譜信息中加入紋理信息輔助分類，可以使農(nóng)作物分類的精度得到有效提高。2)實(shí)驗(yàn)表明，GF-2號(hào)衛(wèi)星遙感影像數(shù)據(jù)可以較好地支持農(nóng)作物的分類識(shí)別。

　　參考文獻(xiàn)：

　　[1]黃健熙，侯矞焯，蘇偉，等.基于GF-1WFV數(shù)據(jù)的玉米與大豆種植面積提取方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33(7):164-170.

　　[2]陳思寧，趙艷霞，申雙和.基于波譜分析技術(shù)的遙感作物分類方法[J].農(nóng)業(yè)工程學(xué)報(bào)，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(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///nylw/26636.html