基于多时相GF-1 WFV和高分纹理的制种玉米田识别

张 超 童 亮 刘 哲 乔 敏 刘帝佑 黄健熙

(1.中国农业大学土地科学与技术学院， 北京 100083； 2.自然资源部农用地质量与监控重点实验室， 北京 100035；3.中国农业大学信息与电气工程学院， 北京 100083)

0 引言

玉米作为我国主要的粮食作物，快速、准确地监测制种玉米的生产面积，是确保农业供种安全、加强种子生产监管的迫切要求。传统农作物面积获取通常由部、省、市、县种子管理部门汇总而得，人为因素影响较大，效率低、速度慢。遥感技术以其快速、实时获取大面积地表丰富信息等特性，可更好地弥补传统技术方法的不足，成为农作物信息获取的重要手段[1-2]。结合制种作物的种植方式、物候历特征、背景环境的区域性差异等地学信息和遥感的光谱特点、纹理结构等影像信息，客观、及时地获取作物种植的面积及空间分布信息，是实现制种玉米生产精准监管的必然选择。

国内外在遥感农作物识别应用方面已经开展了大量研究。多时相数据能反映农作物生长、发育动态变化，较单一时相影像在作物分类上优势更大。LÖW等[3]利用RapidEye时间序列多光谱数据进行作物分类，结果表明，多时相数据集与单一数据集相比，降低了分类的不确定性。HAO等[4-6]对基于长时间序列的分类做了各种探讨和研究。ZHAN等[7]研究了不同间隔时间序列对分类精度的影响，结果表明高时间分辨率的时间序列可得到高分类精度。多种植被指数(VI)可以多维度表达作物间光谱差异，苏岫等[8]利用RVI、NDVI、可见光抗大气指数(Visible atmospherically resistant index,VARI)和归一化差异绿度指数(Normalized difference green index, NDGI)等，进行不同类型的红树林遥感识别，发现利用多项VI组合进行遥感分类，可以达到更好的分类效果，文献[9-10]同样结合多种VI进行作物识别。

制种玉米田在高空间分辨率上呈现明显的条带状纹理，利用光谱信息结合纹理特征可以实现高精度的制种玉米田识别[11-12]。受田块形状和种植方向的影响，目前国内外学者针对灰度共生矩阵(GLCM)在纹理旋转不变性方面的应用开展了研究分析[13-14]。文献[15-16]通过研究发现，结合局部二值模式(Uniform-LBP)和GLCM的纹理特征提取技术，能够更有效地识别出图像纹理特征，而且具有较好的识别精度、计算效率。如薛翠红等[17]将GLCM与LBP纹理特征提取方法应用于人群密度分类。

针对分类器选择，TATSUMI等[18]使用随机森林(RF)分类器对作物分类进行了尝试，RF性能良好。王利民等[19]针对作物分类，系统比较了RF法与最大似然法、支持向量机(Support vector machine,SVM)法的分类精度，结果表明，RF法精度更高。ZHAN等[7]测试了最大似然分类器、最小距离、SVM、神经网络和RF分类器的分类能力，结果表明RF分类器精度更高，其次是SVM和神经网络。

本文结合多时相与高空间分辨率遥感数据的优势，基于不同作物在光谱、纹理上的差异，探索基于RF的多源时序优选植被指数集和高空间分辨率遥感影像纹理分析的制种玉米田识别方法，以实现快速、准确地获取杂交制种玉米种植分布和面积，为制种玉米田的监测监管提供技术支撑。

1 研究区与数据源

1.1 研究区概况

选择新疆维吾尔自治区奇台县的制种玉米种植区作为研究区，如图1所示。新疆维吾尔自治区耕地面积大、光热充足以及灌溉条件好，昌吉州和伊犁州为玉米制种的主要地区。奇台县位于昌吉州的东部，地理范围为42°25′～45°29′N， 89°13′～91°22′E。昌吉州地势呈马鞍状，南北地势高中间地势低，其年平均降水量为269.4 mm、气温为5.5℃，无霜期约153 d，地下水资源丰富，气候条件适合杂交玉米制种，是我国主要的杂交玉米种子生产基地。奇台县耕地面积约1.333×105hm2，主要种植制种玉米、大田玉米以及冬小麦、向日葵等作物。

1.2 数据源

1.2.1卫星遥感数据

图1 研究区域和遥感数据示意图Fig.1 Study area and remote sensing data

考虑到制种作物的种植区域田块较大，作物类型简单，结合制种玉米的物候历信息和种植特征，选用国产GF-1卫星WFV多光谱影像仪，获取2016年3—8月覆盖制种玉米生育期的多时相影像数据，影像空间分辨率16 m，扫描幅宽800 km；为更清晰地显示制种玉米田的纹理特征，选择研究区2016年7月17日砍除父本行后的韩国阿里郎3号(Korea multi-purpose satellite 3，Kompsat-3)全色遥感影像作为数据源。卫星参数见表1。

表1 研究区卫星影像数据参数Tab.1 Satellite image data parameters in study area

1.2.2外业调查数据

于2016年8月到研究区开展了实地调查，这个时间段制种玉米田父本已砍除。调查时以精度在3 m左右的手持GPS记录调查地块的地理坐标，采集样本遵循空间上均匀分布的原则。后期根据实地采集的样本，利用高空间分辨率影像进行目视解译，增加样本的数量，最终确定的样本信息见表2，按照7∶3随机确定训练和验证样本，样本的具体分布情况如图2所示。

表2 研究区样本数量Tab.2 Sample size in study area

图2 研究区样本分布图Fig.2 Sample distribution map of study area

2 研究方法

以国产GF-1 卫星WFV时间序列的16 m影像、Kompsat-3高空间分辨率影像数据为基础，形成多源的多时相遥感数据源，综合分析不同作物在光谱、纹理特征上的差异，并结合制种玉米田反射特性与形态结构特征，在先验知识的基础上，进行制种玉米田的识别。具体流程如图3所示。

2.1 多时相VI选择

图3 制种玉米田识别技术路线图Fig.3 Technology roadmap for identification of seed maize field

VI是为了反映植被与土壤背景之间的反射情况差异[20]，通过波段间的组合和运算，定量表征植被生长状况的指标。考虑不同作物物候历、季相差异以及不同VI的意义和抗饱和性程度，将常用的VI分为4类：①反映作物长势的综合变化情况：NDVI、EVI。②反映作物绿度情况：TVI、RVI、GNDVI。③反映作物土壤背景情况：DVI、SAVI。④反映作物冠层含水量状况：NDWI。本文对各时相的8种指数，8维数据做相关性分析，可知GNDVI与NDWI为负相关，同时，SAVI与NDVI为正相关。为减少数据冗余，提高计算速率，本文选择NDVI、EVI、NDWI、TVI、RVI和DVI 6种VI来反映不同地类间的光谱差异，时序曲线如图4所示。

图4 多时相植被指数体系时序曲线Fig.4 Time series curves of multi-temporal vegetation index system

2.2 Uniform-LBP算子

(1)

式中R——邻域半径

P——LBP算法所作用圆形邻域内像素数

gc——邻域中心像元的灰度

gp——领域内除中心像元外，其他所有像元的灰度

阈值化公式为

(2)

式中x——灰度gc与gp-1的差值

2.3 Subtract纹理特征

制种玉米田的父、母本种植行比1∶6～1∶8，并在抽穗期后去除父本的雄穗，授粉后砍除父本行，这使得制种玉米田在优于1 m分辨率的遥感影像上，表现出明显条带状纹理特征(图5)。本文对经过Uniform-LBP处理得到的具有旋转不变性的影像，利用作物行间差，得到Subtract纹理，增强父本行与相邻母本行之间的对比，以突出制种玉米田的条状纹理特征，有利于提高制种玉米识别的准确性，具体结果如图5d所示。

图5 纹理处理结果对比Fig.5 Comparison diagrams of texture processing results

2.4 RF分类方法

RF使用Bootstrapping的方法来增强分类树的多样性，根据树的集合最大投票数，将每个像素分配给一个类。在RF建立决策树过程当中，采样和分裂规则判别是两个关键环节。采样为随机有放回，避免了过拟合，包含分裂属性采样(列采样)和样本采样(行采样)。分裂规则遵守自上而下的递归分裂，每次分裂时，根据信息增益、基尼指数选择最好的特征进行分裂。本文利用RF进行作物分类时，把作物类型作为行属性，光谱或纹理特征的种类作为列属性，作物对应的影像时间序列光谱特征值、纹理特征值作为属性值，建立样本数据集；将样本集、影像数据集输入RF分类器中，进行训练学习，并分类得到不同作物分类结果。

3 试验与结果分析

3.1 基于多时相VI的玉米识别结果与分析

利用覆盖研究区作物生育期的GF-1 卫星WFV多时相影像，构建多时相NDVI、EVI、NDWI、TVI、RVI和DVI植被指数数据集，依据不同作物的光谱差异，利用70%样本训练分类器，对研究区地物分类，分类结果如图6所示。利用30%的验证样本对上述分类结果进行精度评价，地物总体分类精度为93.73%，Kappa系数为0.91，精度评价结果见表3。其中玉米的制图精度、用户精度均在96%以上，为后续利用纹理信息进一步识别制种玉米奠定了基础。

图6 多时相VI分类结果Fig.6 Multi-temporal VI classification results

类型制图精度用户精度建筑物85.2192.31裸地88.8981.89玉米96.3999.82其他作物75.6871.79南瓜93.1582.23向日葵84.4679.26冬小麦97.40100

3.2 基于纹理特征的制种玉米识别结果与分析

通过试验对比分析，得出最适宜制种玉米田块纹理识别的尺度为0.6～0.9 m[21]，本文选择制种玉米田砍除父本后的0.7 m Kompsat-3全色波段影像，对经过Uniform-LBP处理的影像，计算均值(Mean)、对比度(Contrast)、熵(Entropy)、角二阶矩(ASM)和同质性(Homogeneity)等5个纹理特征，与原始全色影像、Subtract纹理，形成一个具有7波段特征的影像，作为基于纹理分析RF分类器的输入影像，共同参与分类。制种玉米与大田玉米各特征值的差异如图7所示。分类结果如图8所示。利用制种玉米、大田玉米验证样本，对分类结果计算混淆矩阵，得到制种玉米的制图精度为93.34%、用户精度为99.19%。

图7 制种玉米与大田玉米的纹理特征值差异Fig.7 Differences in texture value between seed maize and grain maize

4 结论

(1)利用全生育期3—8月的多时相GF-1WFV影像，通过相关分析遴选DVI、EVI、NDVI、NDWI、RVI、TVI 6种VI，不同维度反映作物间的差异，采用RF方法实现玉米田块的识别，最终地物总体分类精度为93.73%，其中玉米的制图精度为96.39%，用户精度为99.82%，为进一步识别制种玉米田奠定了基础。

(2)利用0.7 m Kompsat-3全色波段影像，进行Uniform-LBP结合GLCM的纹理分析，并构建Subtract纹理特征，利用RF分类器进一步识别制种玉米田，得到的制种玉米制图精度、用户精度分别为93.34%、99.19%。