地块尺度的复杂种植区作物遥感精细分类

2019-12-19 01:14胡守庚
农业工程学报 2019年20期
关键词:纹理光谱作物

张 鹏,胡守庚

·农业信息与电气技术·

地块尺度的复杂种植区作物遥感精细分类

张 鹏,胡守庚※

(1. 中国地质大学(武汉)公共管理学院,武汉 430074; 2. 国土资源部法律评价工程重点实验室,武汉 430074)

实现复杂农区作物种植信息的精准、动态监测是中国农业精细化管理面临的迫切需求,而作物种植碎片化和异质性给作物遥感精细分类带来了诸多挑战,该文旨在探索基于高分辨率影像的地块尺度多种作物同步识别方法,以满足实时获取复杂农区作物详细分布信息需要。研究选取武汉市新洲北部为典型区,以WorldView-2影像为数据源,利用ReliefF-Pearson方法优选作物遥感特征,采用人工神经网络、K最近邻和随机森林算法进行作物分类,并对比分析其精度。研究发现:1)RVI、NDVI、相关性和边界长度等12个特征构成了地块尺度作物分类的相对较优特征,可在充分表征影像信息同时降低数据冗余;2)相比于人工神经网络和K最近邻算法,随机森林算法分类精度最高,其总体精度达79.07%;3)以光谱特征差异为作物区分基础,形状和纹理特征的使用能有效改善地块尺度作物分类精度,总体精度可提高4%左右;4)研究所采用的方法体系能有效提升复杂种植区地物分类精度,水稻、棉花、荷等主要作物以及裸旱地、裸水田等地物分类精度均达到了80%以上。研究成果可为复杂种植区作物遥感精细分类提供新的思路和方法借鉴,亦可为作物种植信息精准普查、土地利用精细化管理以及农业产业结构调整动态监测等提供参考。

遥感;作物;分类;地块尺度;复杂种植区;随机森林;特征选择;高分辨率影像

0 引 言

作物种植结构是地区主要农作物种植类型、面积及空间分布的综合反映,是表征农业生产资源利用科学性、合理性的重要指标[1]。及时、准确地获取作物种植结构信息对农情监测、作物产量预估、农业结构调整、粮食政策制定等具有重要意义[2-3]。近年来,农业现代化建设的大力推进进一步加速了农业生产要素的合理流动和有效配置,促进了农业生产向规模化、专业化和智能化方向发展[4]。而实现农业生产的种植精准化、管理可视化和决策智能化,不仅需要大尺度农业监测支撑,更需要获取村级乃至地块级等精细尺度作物种植信息[5-6]。与此同时,遥感技术的高速发展促使农业生产和研究愈发趋向于精细化和定量化,尤其是高分辨率数据可获得性的日益提高使得地物详细分类和精准监测成为可能[7-8]。在此发展态势下,如何因地制宜地构建作物遥感精细分类方法,获取复杂农区作物种植详细信息,以服务于中国农业现代化建设和国家粮食安全保障成为学术界关注的焦点[6-7]。

光谱、时相和空间特征是作物种植结构遥感提取的主要理论基础[1]。近年来,随着RS和GIS技术的飞速进步以及影像数据源的不断丰富,国内外学者从区域、国家乃至全球尺度出发,围绕多源影像数据融合[9-10]、特征变量优选[11-12]、分类器选择与参数优化[13-14]等关键技术,对作物种植面积提取[15-16]、空间分布制图[8,10]开展了广泛且卓有成效的研究。虽然已有研究在作物遥感的理论、方法和应用方面取得了长足进展,但不可忽视的是,中国农业区的耕地经营分散、农业景观破碎和作物种植结构复杂等特点[17-18],给精细尺度作物遥感分类带来了持续性挑战[6,16-17]。种植景观的破碎化和异质性,使得中低分辨率影像难以有效捕捉以田块为单元的作物对象,增加了作物的错误分类可能。传统以AVHRR、MODIS、TM/ETM、HJ等影像为数据源,采用植被指数时间序列分析并结合作物物候信息的分类方法,难以在复杂种植区取得可靠的作物制图精度[10-11,18],小尺度、高精度的作物遥感精细分类方法仍有待进一步探索[19-20]。值得注意的是,高分辨率影像能够以米级甚至亚米级的分辨率提供地物对象的精细形状和纹理,在捕捉地块空间信息方面具有较大优势[7,21],为复杂农区小尺度作物精细分类带来了可能[21-23]。部分学者利用GF-1、RapidEye等高分辨影像[24-25],进行了小麦、玉米等大宗作物的提取与制图,但多以区域尺度上单一作物遥感提取为主,利用高分辨率数据精细到地块尺度并同步识别多种作物的研究并不多见[26]。

鉴于此,本文以遥感信息“图-谱”认知理论为基础,利用高分辨率WorldView-2影像,通过提取并筛选影像光谱、形状和纹理特征,对比随机森林、人工神经网络和K最近邻等分类算法,选取武汉市新洲复杂种植区为典型区,探索复杂农区的作物精细分类方法,以期获得地块尺度多种作物同步识别的相对较优特征和方法模型,为作物遥感精准监测以及农业精细化管理等提供参考。

1 研究区与试验数据

1.1 研究区概况

研究区位于湖北省武汉市新洲区,东经114°56′10″~114°58′00″,北纬30°54′31″~30°55′57″,如图1所示。该地区地处江汉平原北缘、大别山余脉南端,地势北高南低,平均海拔约46 m;夏季高温多雨,冬季寒冷干燥,属于典型亚热带季风气候。研究区年平均气温16.6 ℃,年平均日照时长2018.6 h,无霜期226~278 d,年平均降水量848.5~2165.4 mm;四季明显,光照充足,雨水充沛,严寒期短,无霜期长,适合多种作物生长。研究区耕地细碎化现象严重,地块平均面积约500 m²;6至8月份主要种植有水稻、棉花、莲藕(荷)、花生、芝麻、红薯和大豆等作物。

注:图中影像由红、绿、蓝波段的真彩色合成;为确保地块边界完整性,研究选取红线划定的区域为作物分类感兴趣区。

1.2 WorldView-2影像

研究使用覆盖感兴趣区的WorldView-2影像进行作物分类,该数据采集于2013年7月13日,域内无云量,大小范围为2.9 km×2.6 km。WorldView-2卫星发射于2009年,提供了0.5 m分辨率的全色图像和2 m的多光谱图像,包括海岸蓝(0.40~0.45m)、蓝(0.45~0.51m)、绿(0.51~0.58m)、黄(0.59~0.63m)、红(0.63~0.69m)、红边(0.71~0.75m)、近红外1(0.77~0.90m)和近红外2(0.86~1.04m)8个波段[27]。影像预处理在ENVI5.3软件平台完成,对全色和多光谱数据分别进行辐射定标、大气校正,而后采用PC光谱锐化方法对二者进行融合,利用地面实测控制点和二次多项式方法对融合影像进行几何精校正,校正后RMS(root mean squared)误差小于0.5个像元,满足影像分析要求。

1.3 实地调查数据

为掌握研究区主要作物种植类型及分布,研究于2015年8月对感兴趣区进行野外实地调查。调查时测量了特征地块经纬度坐标,并准确记录了地块耕作情况及植被类型。为避免地面采样数据与获取的遥感影像时间滞后影响,在采样过程中,以2013年遥感影像为基准期,采集2015年同期土地利用类型未发生变化的地块作为样本点。此次调查共获取样本点1242个,参考已有研究,按照1:1划分比例[7],将其随机分为两部分,分别用作模型训练和精度验证。

表1 训练样本及验证样本个数

研究所识别地物类型有棉花、水稻、荷、花生、裸水田、裸旱地、撂荒农田和其他作物共8种(图2)。实地调查发现,研究区内有少量农田被撂荒,且存在部分土壤裸露的旱地,以及被少量水体覆盖但几乎无作物生长的裸水田;考虑到地块尺度耕地利用分类完整性,将撂荒农田、裸旱地以及裸水田纳入本次地物分类系统。此外,研究区内芝麻、红薯、大豆等作物虽有零星种植,但面积较小,为保证样本数量有效性,研究将其归为一类,统称为其他作物。图2表示RGB色彩模式下各地物影像特征,影像的亮度、色相及纹理差异可为后续分类所用的特征变量选取提供参考。

图2 真彩色影像下的典型样本

2 作物分类方法

2.1 分类方案

研究基于面向对象分类思想,通过提取地块级别影像光谱、形状和纹理信息,选取随机森林(random forest, RF)算法对目标地物进行监督分类。具体方法流程:1)对WorldView-2影像进行目视解译,获取研究区农田/非农田分布,掩膜掉影像中的非农田信息;2)利用人工矢量化获取的地块边界数据分割预处理后影像,提取影像光谱、形状和纹理特征;3)采用ReliefF-Pearson方法剔除特征冗余,获得优选特征集;4)使用优选特征和实地采样数据执行RF分类,并对结果进行精度评价,通过与人工神经网络(artificial neural network, ANN)和K最近邻(K-nearest neighbor, KNN)算法比较,验证RF算法有效性;5)基于优选特征选取并构建4种特征组合集(①光谱特征集,②光谱、形状特征集,③光谱、纹理特征集,④光谱、形状和纹理特征集),再次执行RF分类,对比分析4种特征组合下作物分类精度,测评形状、纹理特征对作物分类贡献,技术路线如图3。

图3 分类流程图

2.2 特征构建

有效选用多种特征变量是提高作物分类精度的关键[12],WorldView-2影像的形状、纹理等空间信息丰富[27],为地块尺度作物精细分类提供了便利。研究使用eCongnition9.0软件,在影像分割基础上,提取对象的光谱、形状和纹理信息参与分类。光谱特征包括影像对象的各波段均值、最大差分、亮度值以及归一化植被指数(normalized difference vegetation index, NDVI)、比值植被指数(ratio vegetation index, RVI)、增强型植被指数(enhanced vegetation index, EVI)和归一化水体指数(normalized difference water index, NDWI)。形状特征以构成影像对象的像素的空间分布统计为理论基础,基于像素坐标的协方差矩阵提取,包括面积、边界长度、长度、长宽比、宽度、主方向、紧凑性、密度、形状指数和圆度。纹理特征基于全方位(all dir.)灰度共生矩阵(gray-level co-occurrence matrix, GLCM)提取,包括均值、标准差、熵、同质度、对比度、相异性、角二阶矩、相关性。光谱特征中RVI、NDVI、EVI和NDWI的计算公式如下:

式中NIR1为近红外1波段反射率,R为红波段反射率,B为蓝波段反射率,G为绿波段反射率;为土壤调节参数,这里取1。

2.3 特征降维

为尽可能消除冗余信息对分类精度干扰,以获得类内聚合性强和类间可分性高的特征变量,研究选取ReliefF算法对所提取影像特征进行优选。ReliefF算法源自对Relief扩展[28],主要用于多类别分类时特征降维及缺失数据处理,已被广泛应用于土地利用遥感分类中的特征变量优选[29]。它通过计算样本“假设间隔”给特征赋予分类能力权重,特征权值越大,表示其分类能力越强。假设间隔是指当保持样本分类不变时分类决策面可以移动的最大距离[29],计算公式如下:

式中()、()分别表示与样本同类和异类最邻近样本点。

研究使用ReliefF算法对32个初始特征进行筛选,保留对目标类贡献较大的23个,并利用Pearson相关系数剔除冗余,得到12个优选特征。ReliefF特征选择借助Weka3.6软件实现,使用ReliefF主函数执行核心算法并计算初始特征分类权重,保留权值大于0.02的23个(图4)。根据“相关性越强信息冗余越大、权值越低分类能力越弱”原则,剔除同保留特征相关性强(相关系数绝对值大于0.8)但自身权值相对较低的NIR1、G-diss、Length等11个特征(图4中白色柱);例外的是,虽然NDVI与RVI相关性较强,但考虑到二者分类权值远高于其他特征,故均予以保留;最终保留RVI、NDVI、Max diff.、G-cor、Width等12个(图4中灰色柱)作为优选特征参与分类,特征权重如图4所示。

2.4 模型构建

2.4.1 RF、ANN和KNN分类

研究选用RF算法进行作物分类,其对样本容错能力较强且训练效率较高[30],已被广泛用于作物遥感分类[11,13-14]。为验证RF算法有效性,同时使用12个优选特征构建ANN和KNN分类模型,并将RF与ANN、KNN算法进行分类精度对比分析。

1)随机森林分类

RF是一种由多颗决策树组合而成的集成学习算法[30]。它通过自助法重采样,从原始训练样本集中有放回地抽取组训练集,每组大小约为原始训练集的2/3;然后,利用组训练集使用完全分裂方式建立棵决策树,在每颗树生长过程中,从全部个特征中随机抽取(<<)个进行内部节点划分;最后,集合颗决策树预测结果,采用投票方式决定新样本类别。在训练集抽取过程中,约1/3的数据未被抽中,这些数据称为袋外数据(OOB),它可用于类别错分误差评估和变量重要性估计。已有研究表明,关于参数和的确定,模型默认值可提供良好的结果[13,30],即取500、取输入特征数目的二次方根。

注:RVI、NDVI和NDWI分别代表比值植被指数、归一化植被指数和归一化水体指;Max diff. 和Bri 分别代表最大差分和亮度值;Coastal、Blue、Green、Yellow、Red、Red edge、NIR1和NIR2分别代表海岸蓝、蓝、绿、黄、红、红边、近红外1和近红外2波段光谱反射率均值;G-cor、G-diss、G-con、G-ent、G-SD、G-ASM和G-hom分别代表基于灰度共生矩阵计算的相关性、相异性、对比度、熵、标准差、角二阶矩和同质性;Bor. len.、Width和Length分别代表边界长度、宽度和长度。下同。

2)人工神经网络分类

研究选用BP(back propagation)神经网络作为ANN的实现,它是一种按误差反向传播算法训练的多层前馈网络,是目前最具代表性和广泛应用的人工神经网络之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前描述这种映射。根据分类需要,研究将BP-ANN设计为3层结构,输入层、中间隐藏层和输出层各1个,分别由12个、8个和1个节点组成。BP-ANN最优参数设定借助于训练样本交叉验证优化实现,采用logistic激活函数,权值递减值为0.05,最大迭代训练500次。

3)K最近邻分类

KNN是一种基于统计的机器学习算法。它通过计算各样本到待分类对象距离,寻找待分类对象的K个近邻对象;而后,根据最大所属原则,在K个近邻对象中,将拥有最多个近邻对象的类别分配给该待分类对象。由于它不需要其他辅助数据来对分类规则进行描述,且分类效果较好、训练过程迅速,目前在影像分类中已得到广泛运用。KNN最优参数设定同样借助于训练样本交叉验证优化实现,采用欧氏距离、triangular函数,最近邻K值为10。

2.4.2 不同特征组合下的分类

为检测形状、纹理特征的使用对作物分类精度影响,研究基于12个优选特征,通过特征组合构建了4种不同的特征变量集,并将其分别导入RF算法生成4个分类模型,模型1:仅使用光谱特征的RF分类;模型2:使用光谱和形状特征组合的RF分类;模型3:使用光谱和纹理特征组合的RF分类;模型4:使用光谱、形状和纹理特征组合的RF分类。研究将对比这些分类模型的精度,以测评形状、纹理特征对作物分类贡献。

2.4.3 特征重要性评估

特征重要性使用RF算法自带的平均精度减少(mean decrease in accuracy, MDA)指标评估,MDA定义为特征变量值发生轻微扰动后与扰动前所对应的分类正确率的平均减少量[30]。MDA值越大表示该特征越重要,它通过OBB错误率计算得到:在RF每棵树中,使用随机抽取的训练自助样本建树,并计算OBB的预测错误率;然后,随机置换特征变量的观测值后再次建树并计算OBB预测错误率;最后,计算两次OBB错误率的差值经过标准化处理后在所有树中的平均值,即为该特征的置换重要性,也即是MDA得分。

2.5 精度评价

研究基于地面采样数据,使用混淆矩阵精度评价方法计算分类结果的用户精度、制图精度、总体精度和Kappa系数,相关定义见文献[31]。为检测不同算法之间的分类精度差异,研究对两两算法分类结果进行McNemar’s检验,它是基于两个分类算法的误差矩阵计算的非参数检验,具体公式[32]如下

式中12表示被算法1错分类但被算法2正确分类的样本数目,而21表示被算法1正确分类但被算法2错分类的样本数目;若Z值大于1.96,则表明在0.05检验水平下,两个算法的分类精度差异性显著[32]。

3 结果与分析

3.1 耕地细碎化程度分析

对地块面积描述性分析发现,研究区内耕地细碎化现象明显,地块面积的频率分布近似呈对数正态分布(图5)。通过实地调查结合专家知识,对感兴趣区内WorldView-2影像人工矢量化,得到地块7 441个;地块面积的平均值为483.23 m2,中值为368.00 m2,上下四分位数分别为225.25、615.81 m2。感兴趣区内78.50%的地块面积小于666.67 m2,说明研究区耕地细碎化严重;也间接说明,在类似破碎景观区开展地块级作物分类,高空间分辨影像相比中低分辨率影像将更有优势。

图5 地块面积的频率分布直方图

3.2 不同算法的分类精度对比

研究使用12个优选特征,基于同一实地采样数据,分别采用ANN、KNN和RF算法进行作物分类。目视评估来看,ANN、KNN分类(图6)与RF分类结果(图7d)差异并不显著,均能从整体上呈现目标地物空间分布特征。

对比不同算法分类精度可知(表2),RF算法精度显著高于ANN和KNN算法。与ANN、KNN相比,RF的总体精度提高了2.58%和4.51%、Kappa系数提高了0.03和0.06。从单个地物分类精度来看,相比于ANN和KNN,RF提高了裸旱地、棉花、花生以及撂荒农田的用户精度,提高0.16%至11.6%不等;同时,RF提高了荷、其他作物和水稻的制图精度,提高1.22%至12.20%不等。此外,研究利用式(6)进行RF与ANN、KNN的分类结果McNemar’s检验,Z值分别为3.77、4.80且大于1.96,表明在0.05检验水平下,RF与ANN、KNN的分类精度差异性显著。综上,相比于ANN和KNN,RF有助于提高研究区地物分类精度,究其原因,RF算法能够通过构建多棵决策树进行投票决定最终分类结果,在一定程度上避免了ANN、KNN算法的一次分类带来的误差。

图6 基于优选特征的ANN和KNN分类结果

表2 基于优选特征的ANN, KNN和RF分类精度

Note:BPF: Bare paddy field; BUF: Bare upland field; OC: Other crops; AC: Abandoned cropland; OA: Overall accuracy; KC: Kappa coefficient; UA: User’s accuracy; PA: Producer’s accuracy. The same below.

3.3 不同特征组合的分类精度对比

研究使用4种特征组合下的RF模型分别进行作物分类,将分类结果(图7)与验证样本计算混淆矩阵,得到不同特征组合下的作物分类精度(表3)。由表3可知,4种特征组合下的地物总体分类精度都超过了70%;其中使用光谱、形状及纹理特征组合的分类精度最高,总体精度和Kappa系数分别达79.07%、0.76;仅使用光谱特征的分类精度最低,总体精度和Kappa系数分别为74.24%、0.70。对比不同特征组合的分类精度可知(表3),与单独使用光谱特征相比,形状特征的添加可有效提升分类精度,总体精度和Kappa系数分别提高3.86%、0.04;同样,在光谱特征中添加纹理特征亦可有效改善分类精度,总体精度和Kappa系数分别提高3.05%、0.03。值得一提的是,与单独添加形状(或纹理)特征相比,在光谱特征中同时添加形状和纹理特征,可进一步地改善地物分类精度,但改善较为有限,总体精度和Kappa系数仅增加0.97%(1.78%)、0.02(0.03)。

从单个地物分类精度来看(表3),与仅使用光谱特征相比,形状和纹理特征的加入大大地改善了荷、花生、水稻和撂荒农田的分类精度,四者的用户精度和制图精度分别提高了5.39%至15.88%、5.88%至19.70%不等。7月份荷叶盛展,荷田纹理清晰(图2),加之田块尺寸较大(图7),因此,形状和纹理特征的加入可有效提升荷的识别精度。相较于其他地物来看,花生地块明显较小(图7),形状特征的加入有助于将花生与其他地物进行区分。而稻田拥有规整尺寸和均质纹理(图2和图7),形状和纹理特征的使用也有助于水稻的识别。由于长期抛荒,撂荒农田的植被生长复杂多样,致使地块间光谱差异较大,仅用单一光谱信息难以对其精准识别,随着形状和纹理特征的加入,显著地增加了识别维度,有效地提高了识别精度。

图7 基于不同特征组合的RF分类结果

表3 基于不同特征组合的RF分类精度

3.4 特征重要性分析

研究采用“基于RF算法和12个优选特征”的分类模型进行特征重要性评估,平均精度减少(mean decrease in accuracy, MDA)测算结果见图8。从类别整体的特征重要性来看(图8a),Max diff.等6个光谱特征变量的MDA均高于0.08,且数倍于形状和纹理特征的MDA;说明光谱特征是作物遥感分类基础,其分类重要性显著高于形状和纹理特征;进一步来看,光谱特征中Max diff.和Red变量最为重要,两者MDA显著高于其余光谱特征。

图8 基于‘平均精度减少(MDA)’测算的特征重要性

从单一地物的特征重要性来看(图8b-8i),光谱、纹理和形状特征的重要性差异显著,但总体上仍呈现光谱特征高于形状和纹理特征的趋势。此外,同一特征对不同类别地物分类贡献的非均衡性明显,以Width特征为例,其对荷、花生的重要性较高,MDA均超过了0.04,但对其他地物(例如裸水田、棉花等)的重要性极低,MDA均小于0.01;究其原因,相比其他地物,荷田尺寸极大而花生地块尺寸极小,Width变量刚好能有效刻画这一特征,为荷及花生的识别提供了帮助。另外,对于‘其他作物’类,Max diff. 特征的重要性远高于其余特征(图8f),这种“一个变量极为重要,其余变量极为不重要”的现象在其余7种地物的特征重要性分析中是没有的;究其原因,‘其他作物’是混合地类,类内光谱差异性明显,而Max diff. 变量有效刻画了这一特征,有助于对‘其他作物’进行识别。此外,对于水稻,有两个纹理特征(G-SD 和 G-cor)的重要性都超过了0.09(图8h),这在其余地物的特征重要性分析中也是罕见的;深入分析可知,稻田比较规整,其纹理特征尤为明显,一定程度上有助于水稻的识别。综合来看,虽然形状和纹理特征相较于光谱特征的重要性较低,但它们对于部分作物(例如,荷、水稻等)的识别精度提高是不可或缺的。

4 讨 论

研究充分挖掘高分辨率影像光谱、形状和纹理信息,提取并优化遥感特征参量,在对比分析RF、ANN和KNN等算法基础上,构建了能够对复杂种植区地块尺度多种作物同步识别的相对较优特征及方法模型。该方法体系对于复杂农区作物精准制图具有参考价值,是农田作物调查的有效补充手段。与邓刘洋等[16]、黄启厅等[21]学者的地块尺度作物遥感分类相比,本研究不仅实现了水稻、棉花等大宗作物分类识别,更尝试提取了荷、花生等小宗作物以及裸耕地、撂荒农田等常见地物,是地块尺度多种地物详细分类的有益探索,这可为作物种植信息精准普查以及土地利用精细化管理提供参考。

然而,基于高分辨率遥感的作物精细分类具有很强挑战性。研究依据优选特征构建的RF分类模型总体精度约有80%,但对于花生等小宗作物的分类精度仅为60%左右,究其原因有:一是,作物生长状态不一导致的“同物异征”干扰了分类精度提高,例如,由于播种时间差异,导致同类作物包含多个生长期特征,整体识别度降低[1];二是,对于部分小宗作物,由于作物间作模式导致地块内作物种类不一,同一地块上处在相同生长期内的花生、红薯、芝麻等存在间作种植,这对地块尺度的作物精准识别造成了干扰。针对以上问题,下一步努力的方向为:其一,借助无人机影像或激光扫描仪获取作物三维空间信息(如点云、株高等),并将其作为特征变量参与分类,以提高作物分类精度;其二,对于作物间作模式,可借助于高空间分辨率卫星影像或者无人机影像进行地块内物种级别的作物制图,并进一步提取作物间作结构。

研究采用人工矢量化获取地块边界信息,这是在对比eCongnition等软件自动化地分割影像并提取地物边界的精度后做出的选择。通过影像分割试验发现,使用软件自带的多尺度分割算法分割影像,生成的影像对象并不能很好地匹配现实地物,尤其在细碎化种植区,存在影像对象与地块边界不吻合、部分对象包含多个地块的现象,这将对地块尺度作物精准分类造成干扰,同时,这也是现阶段研究采用人工矢量化获取地块边界的原因。未来进一步研究影像分割技术,尽可能保证分割对象与地理实体的一致性,或者发展新的地块边界检测技术[33],将会大大提高地块尺度作物遥感分类的准确性和自动性。

随着越来越多的地块数据作为普查成果实现共享[26],研究所构建的方法体系有望助推地块尺度作物种植信息大范围监测的实现。这不仅有助于大区域土地利用精细化管理水平的提高,更有助于精准农业和智慧的农业建设。与此同时,随着中国高分专项稳步推进,增加了在复杂农区大面积获取高分辨率卫星数据的能力,这也将有助于所构建方法体系在大区域的推广应用。但值得说明的是,研究所采用的卫星遥感数据从获取到传输至地面有一定滞后性,这会在一定程度上影响作物种植信息监测的实时性。随着互联网、大数据、云计算等相关信息技术发展,将通信、导航和遥感等技术进行集成,开发能在轨实时处理与传输的智能化、自动化天基信息网络,并构建天空地一体化农业遥感信息获取技术体系,将是快速获取农田信息的有效手段,是实现实时监测作物种植信息的重要研究方向。

5 结 论

研究以高分辨率WorldView-2影像为数据源,提取地块级作物光谱、形状和纹理信息,采用ReliefF-Pearson方法优选作物遥感特征,对比分析人工神经网络ANN、K最近邻算法KNN和随机森林分类算法RF,构建了地块尺度多种作物同步识别的相对较优特征和方法体系,实现了复杂种植区作物遥感精细分类。主要结论如下:

1)RF算法整体分类效果优于ANN和KNN分类。McNemar’s检验显示,RF与ANN、KNN的分类精度差异性显著;结合精度评价结果来看,RF算法分类精度最高,总体精度可达79.07%、分别高出ANN和KNN算法2.58%和4.51%。

2)与仅使用光谱特征相比,形状或纹理特征的添加均能有效改善地块尺度作物分类精度,总体精度分别提高了3.86%、3.05%。此外,与单独添加形状或纹理特征之一相比,同时添加二者可进一步改善作物分类精度,但改善较为有限,总体精度仅分别增加了0.97%、1.78%。因此,实际应用过程中应综合考虑模型精度和特征变量数目增加带来的执行效率。

3)研究所构建的方法体系能有效改善复杂种植区地物分类精度,对水稻、棉花、荷等主要作物以及裸旱地、裸水田等常见地物的分类效果较好,其分类精度均达到了80%以上。该方法体系可为复杂种植区作物分布信息的实时获取提供参考,未来可结合多时相高分辨率无人机影像进一步提升分类精度。

[1]胡琼,吴文斌,宋茜,等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学,2015,48(10):1900-1914.

Hu Qiong, Wu Wenbin, Song Qian, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10): 1900-1914. (in Chinese with English abstract)

[2]Salmon J M, Friedl M A, Frolking S, et al. Global rain-fed, irrigated, and paddy croplands: A new high resolution map derived from remote sensing, crop inventories and climate data[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 38: 321-334.

[3]陈仲新,任建强,唐华俊,等. 农业遥感研究应用进展与展望[J]. 遥感学报,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)

[4]隋斌,张庆东,张正尧. 论乡村振兴战略背景下农业工程科技创新[J]. 农业工程学报,2019,35(4):1-10.

Sui Bin, Zhang Qingdong, Zhang Zhengyao. Science and technology innovation in agricultural engineering under background of rural revitalization strategy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 1-10. (in Chinese with English abstract)

[5]刘焕军,邱政超,孟令华,等. 黑土区田块尺度遥感精准管理分区[J]. 遥感学报,2017,21(3):470-478.

Liu Huanjun, Qiu Zhengchao, Meng Linghua, et al. Site-specific management zone of field scale based on remote sensing image in a black soil area[J]. Journal of Remote Sensing, 2017, 21(3): 470-478. (in Chinese with English abstract)

[6]刘哲,刘帝佑,朱德海,等. 作物遥感精细识别与自动制图研究进展与展望[J]. 农业机械学报,2018,49(12):1-12.

Liu Zhe, Liu Diyou, Zhu Dehai, et al. Review on crop type fine identification and automatic mapping using remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(12): 1-12. (in Chinese with English abstract)

[7]Wu M, Huang W, Niu Z, et al. Fine crop mapping by combining high spectral and high spatial resolution remote sensing data in complex heterogeneous areas[J]. Computers and Electronics in Agriculture, 2017, 139: 1-9.

[8]Yu B, Shang S. Multi-year mapping of maize and sunflower in Hetao irrigation district of China with high spatial and temporal resolution vegetation index series[J]. Remote Sensing, 2017, 9(8): 855.

[9]Zheng Y, Wu B, Zhang M, et al. Crop phenology detection using high spatio-temporal resolution data fused from SPOT5 and MODIS products[J]. Sensors, 2016, 16(12): 2099.

[10]Gao F, Anderson M C, Zhang X, et al. Toward mapping crop progress at field scales through fusion of Landsat and MODIS imagery[J]. Remote Sensing of Environment, 2017, 188: 9-25.

[11]Hao P, Zhan Y, Wang L, et al. Feature selection of time series MODIS data for early crop classification using random forest: A case study in Kansas, USA[J]. Remote Sensing, 2015, 7(5): 5347-5369.

[12]王娜,李强子,杜鑫,等. 单变量特征选择的苏北地区主要农作物遥感识别[J]. 遥感学报,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)

[13]Sonobe R, Tani H, Wang X, et al. Parameter tuning in the support vector machine and random forest and their performances in cross-and same-year crop classification using TerraSAR-X[J]. International Journal of Remote Sensing, 2014, 35(23): 7898-7909.

[14]Pelletier C, Valero S, Inglada J, et al. Assessing the robustness of Random Forests to map land cover with high resolution satellite image time series over large areas[J]. Remote Sensing of Environment, 2016, 187: 156-168.

[15]Dong J, Xiao X, Menarguez M A, et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185: 142-154.

[16]邓刘洋,沈占锋,柯映明,等. 基于地块尺度多时相遥感影像的冬小麦种植面积提取[J]. 农业工程学报,2018,34(21):157-164.

Deng Liuyang, Shen Zhanfeng, Ke Yingming, et al. Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 157-164. (in Chinese with English abstract)

[17]田海峰,邬明权,牛铮,等. 基于Radarsat-2影像的复杂种植结构下旱地作物识别[J]. 农业工程学报,2015,31(23):154-159.

Tian Haifeng, Wu Mingquan, Niu Zheng, et al. Dryland crops recognition under complex planting structure based on Radarsat-2 images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(23): 154-159. (in Chinese with English abstract)

[18]Wang J, Huang J, Zhang K, et al. Rice fields mapping in fragmented area using multi-temporal HJ-1A/B CCD images[J]. Remote Sensing, 2015, 7(4): 3467-3488.

[19]Lebourgeois V, Dupuy S, Vintrou É, et al. A combined random forest and OBIA classification scheme for mapping smallholder agriculture at different nomenclature levels using multisource data (simulated Sentinel-2 time series, VHRS and DEM)[J]. Remote Sensing, 2017, 9(3): 259.

[20]Kussul N, Lemoine G, Gallego F J, et al. Parcel-based crop classification in Ukraine using Landsat-8 data and Sentinel-1A data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016, 9(6): 2500-2508.

[21]黄启厅,覃泽林,曾志康. 多星数据协同的地块尺度作物分类与面积估算方法研究[J]. 地球信息科学学报,2016,18(5):708-717.

Huang Qiting, Qin Zelin, Zeng Zhikang. Study on the crop classification and planting area estimation at land parcel scale using multi-sources satellite data[J]. Journal of Geo-Information Science, 2016, 18(5): 708-717. (in Chinese with English abstract)

[22]Inglada J, Arias M, Tardy B, et al. Assessment of an operational system for crop type map production using high temporal and spatial resolution satellite optical imagery[J]. Remote Sensing, 2015, 7(9): 12356-12379.

[23]Vaudour E, Noirot-Cosson P E, Membrive O. Early-season mapping of crops and cultural operations using very high spatial resolution Pléiades images[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 42: 128-141.

[24]王利民,刘佳,杨福刚,等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报,2015,31(11):194-201.

Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(11): 194-201. (in Chinese with English abstract)

[25]刘佳,王利民,滕飞,等. RapidEye卫星红边波段对农作物面积提取精度的影响[J]. 农业工程学报,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)

[26]韩衍欣,蒙继华. 面向地块的农作物遥感分类研究进展[J]. 国土资源遥感,2019,31(2):1-9.

Han Yanxin, Meng Jihua. A review of per-field crop classification using remote sensing[J]. Remote Sensing for Land and Resources, 2019, 31(2):1-9. (in Chinese with English abstract)

[27]Chellasamy M, Zielinski R T, Greve M H. A multievidence approach for crop discrimination using multitemporal worldview-2 imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(8): 3491-3501.

[28]Kononenko I. Estimating attributes: Analysis and extensions of RELIEF[C]//European conference on machine learning. Springer, Berlin, Heidelberg, 1994: 171-182.

[29]肖艳,姜琦刚,王斌,等. 基于ReliefF和PSO混合特征选择的面向对象土地利用分类[J]. 农业工程学报,2016,32(4):211-216.

Xiao Yan, Jiang Qigang, Wang Bin, et al. Object based land-use classification based on hybrid feature selection method of combining Relief F and PSO[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(4): 211-216. (in Chinese with English abstract)

[30]Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[31]Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35-46.

[32]Foody G M. Classification accuracy comparison: hypothesis tests and the use of confidence intervals in evaluations of difference, equivalence and non-inferiority[J]. Remote Sensing of Environment, 2009, 113(8): 1658-1663.

[33]Debats S R, Luo D, Estes L D, et al. A generalized computer vision approach to mapping crop fields in heterogeneous agricultural landscapes[J]. Remote Sensing of Environment, 2016, 179: 210-221.

Fine crop classification by remote sensing in complex planting areas based on field parcel

Zhang Peng, Hu Shougeng※

(1.,,430074,;2.,430074,)

Timely and accurate information of crop planting structure is of great significance for monitoring agricultural conditions, estimating crop yield, adjusting agricultural structure and formulating food policies. However, currently only little explicit information about spatial crop patterns is known, especially in China where the farmland landscapes are extremely fragmented and heterogeneous. At present, techniques for quantifying crop spatial patterns may be insufficient to map crops in complex planting areas, the plot sizes of which are smaller than the spatial resolution of ready-to-use satellite data. In order to achieve the fine mapping of crops in complex planting areas,this study aimed to explore approaches that simultaneously mapping multiple crops on parcel scales with high spatial resolution images. A 2.9 km×2.6 km complex heterogeneous planting area in the suburb of Wuhan, Hubei Province was selected as the typical study area. Combined with high spatial resolution images, an improved method of fine crop mapping based on geo-parcels was presented. Using the spectral, shape and texture information of images, combined with random forest (RF), artificial neural network (ANN), and K-nearest neighbor (KNN) algorithms, WorldView-2 images were accurately classified through the following steps. First, Worldview-2 images were visually interpreted to obtain the distribution of cropland and non-cropland in this study area, so as to mask out non-cropland information in remote sensing images. Second, the pre-processed WorldView-2 images were segmented by using the land parcel boundary vector data obtained from manual visual interpretation, and32 feature variables of the image object were extracted, including NDVI, area, GLCM-correlation, etc. Third, the ReliefF-Pearson feature dimension reduction method was adopted to remove redundant features with high correlation and weak classification ability. Then, RF classification was performed with optimal features and field sampling data, and the accuracy of the classification results was evaluated.Subsequently, the accuracy of RF classification was compared with that of ANN and KNN to verify the effectiveness of RF algorithm.Finally, four feature combination sets were constructed based on optimal features, and RF classification accuracy was compared under four feature combinations to evaluate the contribution of shape and texture features to crop classification. The results showed that 1) The12 feature variables, such as RVI, NDVI, GLCM-correlation and border length, were the optimal features of parcel-level crop classification based on high spatial resolution images, which can fully characterize image features and reduce data redundancy;2) The RF method had the highest classification accuracy, with an overall accuracy of 79.07%, kappa coefficient of 0.76, and the overall accuracy of KNN and ANN method was above 70%; 3) Compared with the method of only using spectral features, adding shape or texture information could effectively improve the accuracy of crop classification, and the overall accuracy could be improved by 3.86% and 3.05%, respectively;4)Based on the optimal features and RF classification method, the classification accuracy of rice, cotton, lotus, bare upland field and bare paddy field was over 80%, while that of abandoned cropland, peanut and ‘other crops’was only about 60%.This study provides new ideas, methods and technical means for realizing the fine classification of crops by remote sensing in complex planting areas, and can provide references for accurate survey of crop planting information, refined management of rural land use and dynamic monitoring of agricultural industrial structure adjustment.In the future, the image segmentation technology will be further studied to ensure the consistency between segmentation objects and geographical entities as much as possible, and improve the accuracy and automaticity of crop remote sensing classification on parcel scales.

remote sensing; crops; classification; parcel scale; complex planting area; random forest; feature selection; high resolution image

张 鹏,胡守庚. 地块尺度的复杂种植区作物遥感精细分类[J]. 农业工程学报,2019,35(20):125-134.doi:10.11975/j.issn.1002-6819.2019.20.016 http://www.tcsae.org

Zhang Peng, Hu Shougeng. Fine crop classification by remote sensing in complex planting areas based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 125-134. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2019.20.016 http://www.tcsae.org

2019-05-13

2019-08-14

国家社科基金重大项目(18ZDA053);国家自然科学基金项目(41671518);教育部人文社科基金项目(16YJAZH018,14YJCZH192)

张 鹏,博士生,主要从事土地利用时空信息分析与模拟研究。Email:zhangpeng_cug@163.com

胡守庚,博士,教授,博士生导师,主要从事土地利用与城乡发展研究。Email:husg2009@gmail.com

10.11975/j.issn.1002-6819.2019.20.016

Tp79; S127

A

1002-6819(2019)-20-0125-10

猜你喜欢
纹理光谱作物
基于三维Saab变换的高光谱图像压缩方法
基于3D-CNN的高光谱遥感图像分类算法
高光谱遥感成像技术的发展与展望
作物遭受霜冻该如何补救
四种作物 北方种植有前景
基于BM3D的复杂纹理区域图像去噪
内生微生物和其在作物管理中的潜在应用
使用纹理叠加添加艺术画特效
作物遭受药害的补救措施
TEXTURE ON TEXTURE质地上的纹理