多级分类法在农情遥感中的应用

李悦晖

摘 要：随着世界人口的不断增加，粮食短缺的问题正在变得日益严峻。尽管世界在对抗饥饿方面虽然已经取得进步，截止至2016年的统计，全球仍有7.95亿人每天都面临饥饿威胁。可靠的农情监测对粮食的估产和制定相关政策有着至关重要的导向作用。现在国内外对农情监测主要通过作物面积的估算，单位产量预估，长势监测，旱情监测以及病虫害监测这五个方面开展研究。作物类型识别和播种面积估算一直是农业遥感的重要内容，对农作物播种面积和种植结构调整具有重要的现实意义[1]。本文就利用多级分类法通过遥感手段对水田面积估算的方法进行探究。

关键词：农情监测；遥感；作物面积估算

中图分类号：S127 文献标识码：A 文章编号：1671-2064（2017）16-0247-02

1 引言

遥感信息具有覆盖范围大、探测周期短、现时性强、费用成本低等特点，为农情参数的快速、准确、动态获取提供了重要的技术手段[2]。其应用原理是通过反演作物生长过程的特征性因子来综合反映作物长势及其变化动态[3]。相比较而言，传统农情信息的获取依赖于庞大的调查队伍和大量的調查工作，信息的获取存在成本高、时效性差的缺点，同时信息结果还易受主观因素影响[4]。增大遥感信息在所需所有信息中的比重可以有效的减轻外业工作的负担。与此同时，地面调查一方面增加了处理结果的可靠性，另一方面也削弱了处理结果的时效性，所以为了能够使农情监测真正的能够及时有效的反应出地面信息，遥感信息如何能够发挥其在农情监测中的作用就成为了一个值得探讨的问题。

虽然各种针对农情监测的研究都希望能够通过遥感的技术手段来减少对地面监测的依赖，但是往往在这一过程中反而会需要收集更多的地面数据来保证解译的准确性，这是各个研究部门也正在致力于解决的问题之一。同时，农情监测的数据源质量对传感器的性能也有很高的要求，主要体现在波段宽度和分辨率上的要求。

图1所反映的是作物在不同生长阶段的波谱特征曲线，从中我们不难看出，即使是同一种作物，也会由于长势不同而体现出不同的光谱特征。图2体现的是含水量不同的作物的波谱特性曲线，其规律表现为反射率会随着植被含水量的升高而降低。由此可鉴，植被的光谱特征曲线具有相似性和复杂性，即便是同一时期，不同地块因作物长势不同及土壤类型、湿度的差异，导致光谱特征也存在差异，同物异谱、同谱异物的现象利用宽波段卫星遥感器是不可能识别的[5]。所以在对作物类别进行区分的时候，理论上高光谱要比多光谱更容易将光谱特征相似的地物类别分开。

目前在农情遥感监测上主要使用的有两类数据：一类是低空间、高时间分辨率遥感数据，如AVHRR、MODIS和Vegetation等，这类数据可以每天覆盖一次监测区域，但空间分辨率都在250m～1000m；另一类是中高空间分辨率、低时间分辨率数据，如Landsat TM/ETM、“北京一号”CCD数据、CBERS CCD数据等，这些数据的空间分辨率大都在20m～30m，但时间分辨率大都在8天～26天，作为农情监测对于时间分辨率的要求并不是很高（突发性灾害除外），但如果空间分辨率过低的话一个像元内就会包含多种作物甚至其它地物类型，混合像元问题严重，所以高空间分辨率对于作物种植面积的估算是至关重要的。

尽管在某一时期的遥感图像中存在“同谱异物”的现象，可能会导致地物不能够被准确的识别出来，而通过不同时间获取的遥感数据进行对比就很容易解决这一问题，因为随着时间的变化地物的反射光谱特征也会随之变化[6]。但是如果在影像资料非常欠缺的时候，我们就需要一种方法来利用手中有限的影像资料来尽可能获取更多的信息，本文所提出的多级分类法就是只通过一个时相的遥感影像数据将地物的类别更加准确的区分。

以二月份水稻在遥感影像的提取为例，由于长江以南地区的水稻插秧时间最早为三月，通常都为三月底到四月初，所以在二月份的稻田里是没有水稻的，但是从遥感影像中我们可以清晰的看出，稻田中是有水的，但是稻田中水的光谱特征并不一致，和旁边的湖泊也只有细微的差异，这就给地物的分类造成了很大的不便。针对上述问题，本文提出了一种以高分多光谱遥感影像为数据源的地物获取方法，主要用于分离各种光谱特征在同一时间区间非常相似的地物，如二月份的水田与湖泊，河流等水体。

2 数据说明与预处理

本文所采用的研究数据来自于高分一号卫星，该卫星的卫星参数如表1所示，从表中我们可以看出，高分一号的全色影像的分辨率和多光谱影像的分辨率分别达到了2米和8米，基本可以满足对空间分辨率的要求。

本文所研究的地理范围为湖北省鄂州地区，影像的获取时间为2016年2月20日。

首先将获取到的遥感影像通过ENVI软件进行拼接、剪裁和匀光，同时由于多光谱的四个波段分别为绿，红，近红，近红，而对植被的研究主要用到的是红波段与近红外波段，所以多光谱波段组合的顺序应选为4，3，2。

将处理好的全色影像和多光谱影像进行增强后对其进行影像融合，这一步骤可以使融合后的影像同时具备全色影像的高分辨率和多光谱影像的丰富的光谱特征，为下一步对作物分类打下坚实的基础，同时由于高分一号卫星的分辨率非常高，数据量非常大，所以在处理影像的时候对处理设备的要求会相对较高[7]。

3 多级分类的监督分类法

本文在前面提到高光谱比多光谱要更易区分地物类别，即减小波段的宽度可以使地物类别的区分更加准确，所以当我们不能控制所获取的影像的波段宽度时，我们可以采用缩短所取样本的反射区间，即将一种地物按光谱反射特性的微小差异区分为多个子类，随后将这多个子类按照分类结果来决定是分为最初规定的父类，或是归入其他父类，或者是由于混合成分过大单独分为一类，在监督分类后处理的时候再将其分为两个或两个以上的父类，这就是多级分类法的提出原因和基本思想，通过多级分类的监督分类法可以有效的减少分类后处理中人工处理的工作量。endprint

图3为鄂州地区遥感影像的部分截图，之所以选择该区域为研究对象是因为该区域左侧及中部的水田和区域右侧的湖泊在分类中是一个区分的难点。如这部分水田，通过观察我们不难看出，有的区域颜色偏深，有的区域颜色偏浅，如果仅从光谱特征来判断，深蓝色的水田非常容易和旁边的水体分为一类，浅蓝色的水田非常容易和建筑物分为一类，但如果将水田按照颜色的深浅，即按照地物的光谱反射特性分为多个类，可以减少后期人工监督分类后处理的工作量，提高分类准确度[8]。

监督分类这一步骤所使用的软件为erdas image 2014，为了验证多级分类法的科学性，训练样本时采用了控制单一变量的方法，由于一个类型所选样区越多，分类结果就会越准确，所以为了排除这一因素的干扰，在实验的对象区域即湖北省鄂州市的整个范围内每一个子类都选了20个大小相似的样区，所得的实验结果如下。

其中图4所分类数为7类，分别为湖泊，江河，人工建筑，裸露地表，植被，水田和旱地；图5所分子类数为9类，将水田按颜色深浅分为了2类，将湖泊按不同的位置和颜色深浅分为了2类，图6所分子类数为16类，将水田按颜色深浅分为了4类，将湖泊按不同的位置和颜色深浅分为了4类，将旱地按纹理和颜色的不同分为了2类，将植被根据颜色的不同分为了2类，将裸露地表根据近水和疏水分为了2类。图中所展示的结果均为将分类较准确地子类归到父类中后呈现出的结果，部分子类因为错分现象较严重并没有被并入父类，除合并子类外没有进行过任何的监督分类后的人工干预。

4 结果分析

没有采用多级分类法的对比样本一的水田和湖泊虽然都被作为水体从图像中被提取了出来，但二者是完全无法被区分的；采用了多级分类法的实验样本一相比对比样本一分类效果有了很明显的提升，但是灰色的部分，即混合度非常大的子类，仍然面积非常大，且浅蓝色的水田和深蓝色的湖泊仍有较为严重的混合现象，采用了多级分类法并增大子类数量的实验样本二相对于实验样本一又有了显著地改善，不仅水田湖泊的交界处分类更加清晰，植被和旱地的分类也更加准确，但是仍有部分地区被错分或漏分。通过三组实验的对比，可以看出基于多级分类法的监督分类的确可以在一定程度上减少错分漏分的效果[9]。

从所得结果中可以看出，多级分类法在一定程度上可以减少错分的面积，但是并不能完全消除错分现象，多级分类法也只能在一定程度上解决光谱特征相似的分类问题，子类的数量一旦增加到一定程度，改善效果就会变得不明显，甚至适得其反。

5 不足与展望

本文提出的方法有一點遗憾之处就是此方法仍是通过对像元进行分类而不是面向地物对象的分类，如果能在多级分类的基础上，加上对地物的光谱反射特性之外的地物特征，如纹理，大小，形状等方面进行采集和研究，计算机分类就会更加的准确有效。另一方面由于多级分类法适用于来自多光谱传感器获取的影像，如果高光谱传感器获取的影像大规模投入使用，由于高光谱已经将发射波的波段宽度缩减的很小，这种方法的效力可能就会大大减弱。然而，高光谱的出现能够很好地从数据获取的源头解决这一问题，才使得多级分类法变得不那么必要。尽管如此，在高光谱影像普及之前，多级分类法的作用和效力还是相当可观的。

参考文献

[1]陈水森.基于波谱库的作物纯像元识别与种植面积遥感估算[D].中国科学院遥感应用研究所，2005.

[2]蒙继华，吴炳方，李强子，杜鑫.农田农情参数遥感监测进展及应用展望[J].遥感信息，2010，（03）：122-128.

[3]刘淑云，谷卫刚，朱建华.基于遥感数据的冬小麦农情监测研究进展[J].农业网络信息，2010，（02）：5-9.

[4]吴炳方，蒙继华，李强子.国外农情遥感监测系统现状与启示[J].地球科学进展，2010，（10）：1003-1012.

[5]张群，季中奎，王艳艳.卫星遥感测算冬小麦播种面积[J].中国统计，2008，（06）：9-11.

[6]孙华生.利用多时相MODIS数据提取中国水稻种植面积和长势信息[D].浙江大学，2009.

[7]赵春江.农业遥感研究与应用进展[J].农业机械学报，2014，（12）：277-293.

[8]杨邦杰，裴志远，周清波，刘海启.我国农情遥感监测关键技术研究进展[J].农业工程学报，2002，（03）：191-194.

[9]钱永兰，杨邦杰，雷廷武.数据融合及其在农情遥感监测中的应用与展望[J].农业工程学报，2004，（04）：286-290.endprint