呂昱，范燕敏，武紅旗，彭田田，皇甫蓓炯，賀夢(mèng)婕

（1.新疆農(nóng)業(yè)大學(xué)草業(yè)與環(huán)境科學(xué)學(xué)院，新疆 烏魯木齊 830052；2.奇臺(tái)縣農(nóng)業(yè)技術(shù)推廣中心，新疆 奇臺(tái) 831800）

農(nóng)作物識(shí)別作為農(nóng)情監(jiān)測(cè)的基礎(chǔ)，是農(nóng)業(yè)現(xiàn)代化的初始階段和重要環(huán)節(jié)［1］。高效提取作物種植信息，可給予農(nóng)業(yè)普查、估產(chǎn)與災(zāi)害預(yù)警等工作空間決策支持，為政府相關(guān)部門制訂農(nóng)業(yè)政策與指導(dǎo)農(nóng)業(yè)生產(chǎn)提供重要依據(jù)［2，3］，同時(shí)對(duì)農(nóng)業(yè)的精細(xì)化管理有著重要意義［4，5］。

遙感技術(shù)由于其探測(cè)范圍大、受海拔地形約束少、快速成像與多波段的特點(diǎn)，被廣泛用于現(xiàn)代作物監(jiān)測(cè)［6-8］。相對(duì)于傳統(tǒng)農(nóng)業(yè)調(diào)查手段，做到了省時(shí)省力并更加高效地了解作物種植信息［9］。

近年來，大量學(xué)者采用面向?qū)ο蟮姆椒ㄟM(jìn)行地物識(shí)別取得了較好效果。劉金麗等［10］利用ESP2工具找出固定尺度范圍內(nèi)的最優(yōu)分割尺度范圍，最后執(zhí)行最佳同質(zhì)性準(zhǔn)則組合參數(shù)配合下的最優(yōu)分割尺度范圍內(nèi)各個(gè)尺度下的多尺度分割；陳杰等［11］使用尺度分層方法對(duì)耕地進(jìn)行提取，取得了較高精度；雷鳴等［12］利用神經(jīng)網(wǎng)絡(luò)分類方法確定了基于對(duì)象分類的最優(yōu)特征組合，并采用基于對(duì)象的最近鄰（kNN）分類方法對(duì)遙感圖像進(jìn)行分類。張峰等［13］使用面向農(nóng)用地實(shí)際應(yīng)用方法對(duì)奇臺(tái)縣南部分類。但目前國內(nèi)外學(xué)者較少綜合利用土地利用現(xiàn)狀圖提取耕地作掩膜并使用面向?qū)ο蟮姆椒▽?duì)縣域級(jí)作物進(jìn)行識(shí)別。

奇臺(tái)縣是新疆維吾爾自治區(qū)重要糧食產(chǎn)區(qū)，主要作物為小麥和玉米。該縣農(nóng)田分布包含前山丘陵、沖積扇上中下部、沙漠邊緣等地形部位，利用方式包括旱地與水澆地。因此，該縣具有較好代表性。故為了探索縣域農(nóng)作物信息的高精度提取方法，使用多尺度分割算法、面向?qū)ο蟮姆诸惙椒▽?duì)奇臺(tái)縣農(nóng)作物種植信息進(jìn)行提取。

1 材料與方法

1.1 研究區(qū)概況

奇臺(tái)縣位于新疆東北部，東西橫距150千米，南北縱距250千米，縣域總面積1.93萬平方千米。地理坐標(biāo)為東經(jīng)89°13′至91°22′，北緯42°25′至45°29′。該縣地理環(huán)境獨(dú)特，地形地貌復(fù)雜多變，地勢(shì)南北高、中間低，呈馬鞍形狀，屬中溫帶大陸性半荒漠干旱性氣候，主要作物為小麥、玉米、向日葵和打瓜。

1.2 遙感影像數(shù)據(jù)來源及預(yù)處理

Landsat 8衛(wèi)星影像具有中等空間分辨率、單幅覆蓋面積大、獲取時(shí)間集中和不同波段合成對(duì)地物有強(qiáng)的效果等特性［14，15］。

本研究采用從美國地質(zhì)調(diào)查局（USGS）下載的研究區(qū)2019年3—9月共7期Landsat 8影像作為基礎(chǔ)數(shù)據(jù)，使用ENVI 5.3軟件進(jìn)行輻射定標(biāo)、大氣校正、云量檢查、校正、影像鑲嵌等處理，獲得2019年奇臺(tái)縣Landsat 8多時(shí)相遙感影像。

結(jié)合奇臺(tái)縣作物物候期，分析比對(duì)各個(gè)時(shí)期影像。3—5月，除種植小麥的地塊外，種植玉米、向日葵與打瓜的地塊植被覆蓋度較低，與裸地差異不大，故識(shí)別精度低；8月，遙感影像云量較大，無法識(shí)別；9月，部分玉米已收獲；對(duì)比6—7月影像并結(jié)合當(dāng)?shù)匚锖蚺c實(shí)地調(diào)查得知，7月底正值奇臺(tái)縣小麥?zhǔn)斋@、玉米處于抽雄期，便于識(shí)別。故選取2019年7月30日的Landsat 8遙感影像對(duì)奇臺(tái)縣作物進(jìn)行分類。

以奇臺(tái)縣2016年土地利用現(xiàn)狀圖為底圖，依據(jù)2019年多時(shí)相遙感影像，利用目視解譯更新獲得2019年研究區(qū)耕地分布。

1.3 實(shí)地調(diào)查數(shù)據(jù)

實(shí)地調(diào)查數(shù)據(jù)可為面向?qū)ο蟮亩喑叨冗b感識(shí)別提供基本的參考依據(jù)，并為機(jī)器學(xué)習(xí)提供樣本數(shù)據(jù)。依據(jù)樣本要客觀隨機(jī)并具有代表性的原則，根據(jù)奇臺(tái)縣耕地面積、作物分布情況以及研究區(qū)實(shí)際交通情況，本研究共布設(shè)735個(gè)樣點(diǎn)，其中玉米300個(gè)，小麥228個(gè)，向日葵139個(gè)，打瓜68個(gè)。隨機(jī)選取70%樣點(diǎn)用于機(jī)器學(xué)習(xí)構(gòu)建訓(xùn)練樣本，30%樣點(diǎn)用于對(duì)識(shí)別結(jié)果進(jìn)行驗(yàn)證。耕地與實(shí)地調(diào)查點(diǎn)分布如圖1所示。

1.4 最佳分割尺度

在多尺度分割中，尺度的選擇對(duì)于分割而言尤為重要，太大使影像欠分割，同一對(duì)象包含多種地物信息；太小則使分割對(duì)象過于破碎，也不利于運(yùn)算。ESP2（estimation of scale parameter 2）是一種尺度參數(shù)評(píng)估工具，能快速地給出最優(yōu)尺度的可選范圍。其結(jié)果圖顯示了局部方差和變化率隨尺度變化的情況，而ROC曲線的峰值指引了可能的最優(yōu)分割尺度［16］。本研究利用ESP2確定最佳分割尺度。

1.5 面向?qū)ο蟮姆诸惙椒?/h3>

面向?qū)ο蟮姆诸愅黄屏藗鹘y(tǒng)的基于像素的分類方法，它不再以像元為最小單位，而是將影像分割成對(duì)象，綜合利用各對(duì)象之間的光譜及空間特征進(jìn)行分類［17］。本研究基于ESP2確定的最佳分割尺度，使用德國eCognition 9.0軟件對(duì)奇臺(tái)縣耕地進(jìn)行多尺度分割，然后利用Cart決策樹和隨機(jī)森林算法進(jìn)行分類，并對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。

圖1 耕地分布與實(shí)地調(diào)查點(diǎn)分布

Cart決策樹是由Breiman等［18］提出的一種決策樹構(gòu)建算法，能夠高效、迅速地處理高維數(shù)據(jù)，并篩選出重要的變量，生成可以理解的規(guī)則。

隨機(jī)森林是利用多棵決策樹對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練、分類和預(yù)測(cè)的方法。隨機(jī)森林算法通過利用多個(gè)分類器進(jìn)行投票分類，可以有效減少單個(gè)分類器的誤差，提升分類準(zhǔn)確度。實(shí)踐證明，相比于人工神經(jīng)網(wǎng)絡(luò)（ANN）、回歸樹以及支持向量機(jī)（SVM）等算法，隨機(jī)森林算法具有更高的穩(wěn)定性和魯棒性，并且相應(yīng)的分類準(zhǔn)確率也處于領(lǐng)先水平。隨機(jī)森林算法不僅能夠進(jìn)行大規(guī)模數(shù)據(jù)的高效處理，并且能夠適應(yīng)高維數(shù)據(jù)應(yīng)用場(chǎng)景，同時(shí)也可以在缺失數(shù)據(jù)的場(chǎng)景中依然保持較高的分類［19］。

2 結(jié)果與分析

2.1 最優(yōu)分割尺度的確定

通過ESP2結(jié)果（圖2）可知，90可能為最優(yōu)分割尺度。

為驗(yàn)證其準(zhǔn)確性，參考他人多尺度分割研究選用不同分割尺度40、90、140，并根據(jù)耕地大小、形狀與分布特點(diǎn)以及資料查詢和實(shí)驗(yàn)對(duì)比，將形狀因子和緊密度分別設(shè)為0.1和0.5，對(duì)提取的耕地進(jìn)行分割，結(jié)果見圖3。可見，當(dāng)分割尺度為40時(shí)，分割過于破碎，不利于計(jì)算；當(dāng)分割尺度為140時(shí)，存在欠分割現(xiàn)象，對(duì)于不同作物相交的邊界沒有很好地分割出來；而當(dāng)分割尺度為90時(shí)，更接近研究區(qū)耕地的真實(shí)輪廓，因此，確定90為奇臺(tái)縣耕地最優(yōu)分割尺度。

圖2 ESP2尺度分析結(jié)果

2.2 隨機(jī)森林分類器決策樹數(shù)量確定

利用隨機(jī)森林分類器進(jìn)行分類，需要先設(shè)置Cart樹的數(shù)量，并對(duì)分割后的研究區(qū)耕地進(jìn)行Cart樹數(shù)量參數(shù)測(cè)試，結(jié)果見表1。可以發(fā)現(xiàn)，通過加大Cart樹數(shù)量，生產(chǎn)者精度、用戶精度、總體精度與Kappa系數(shù)均呈先升高后降低趨勢(shì)，在80～90時(shí)達(dá)到高值，因此，本研究選用90作為隨機(jī)森林分類器的Cart決策樹個(gè)數(shù)進(jìn)行研究區(qū)作物分布的提取。

圖3 不同尺度分割效果對(duì)比

表1 不同Cart樹數(shù)量的分類精度評(píng)價(jià)

2.3 Cart決策樹法與隨機(jī)森林分類器分類精度對(duì)比分析

利用最優(yōu)分割尺度90對(duì)奇臺(tái)縣耕地進(jìn)行分割，對(duì)分割后的結(jié)果分別使用Cart決策樹和隨機(jī)森林分類器進(jìn)行分類，并對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，結(jié)果如表2所示?？梢姡S機(jī)森林分類器的分類精度高于Cart決策樹。這是因?yàn)殡S機(jī)森林通過建立多個(gè)決策樹進(jìn)行分類預(yù)測(cè)，即使個(gè)別決策樹因異常值影響導(dǎo)致預(yù)測(cè)不準(zhǔn)確，但最終分類結(jié)果是參考多個(gè)決策樹得到的，降低了異常值帶來的影響。兩種方法提取的奇臺(tái)縣作物種植信息見圖4、圖5。

表2 Cart決策樹和隨機(jī)森林法的分類精度評(píng)價(jià)

2.4 精度驗(yàn)證

實(shí)地調(diào)查220 個(gè)樣點(diǎn)，并建立混淆矩陣［20，21］，對(duì)奇臺(tái)縣的主要農(nóng)作物提取精度進(jìn)行驗(yàn)證，結(jié)果（表3）表明，7月奇臺(tái)縣小麥正處于成熟收獲期，而玉米處于抽雄期，植被指數(shù)較高，兩者的識(shí)別精度高，用戶精度和生產(chǎn)者精度均達(dá)到1.0000；但此時(shí)期的向日葵處于現(xiàn)蕾期，打瓜處于坐果期，且兩種作物的葉子形態(tài)相似，識(shí)別較為困難，分別存在1個(gè)和2個(gè)樣點(diǎn)的誤判。對(duì)比實(shí)地調(diào)查結(jié)果，隨機(jī)森林分類法總體精度達(dá)到0.9864。

表3 基于隨機(jī)森林法的分類精度驗(yàn)證結(jié)果

圖4 基于Cart決策樹分類法的作物種植信息提取結(jié)果

3 討論

2019年《土地調(diào)查條例實(shí)施辦法》頒布，土地確權(quán)實(shí)施［22，23］，有利于獲得更佳的土地利用數(shù)據(jù)，可以使用土地利用現(xiàn)狀圖準(zhǔn)確、高效地提取耕地，快速得到耕地掩膜，減少作物識(shí)別工作量，提高工作效率。

地物普遍存在尺度效應(yīng)，在多尺度分割中，不同的分割尺度會(huì)影響對(duì)象斑塊的大小、對(duì)象之間的異質(zhì)性。雷鳴等［12］使用500分割尺度通過面向?qū)ο蟮姆诸惙椒ɑ谶b感影像檢測(cè)森林變化；呂道雙等［24］使用100分割尺度、面向?qū)ο蠓椒ㄌ崛〗ㄖ?。根?jù)研究區(qū)的實(shí)際情況和作物種植結(jié)構(gòu)進(jìn)行多次分割試驗(yàn)，再結(jié)合地物的特點(diǎn)選取分割尺度，得到最優(yōu)的參數(shù)進(jìn)行多尺度分割，再進(jìn)行后續(xù)分類，可以大大提高作物的分類精度［25］。

4 結(jié)論

本研究利用ESP2確定最佳分割尺度，比較Cart分類樹和隨機(jī)森林法分類結(jié)果，并通過野外調(diào)查點(diǎn)進(jìn)行精度驗(yàn)證，得到了以下結(jié)論：

圖5 基于隨機(jī)森林分類法的作物種植信息提取結(jié)果

（1）使用面向?qū)ο蟮难芯糠椒▽?duì)作物進(jìn)行分類效果較好，Cart決策樹法總體精度0.9253，隨機(jī)森林法總體精度0.9450，隨機(jī)森林分類器的分類效果更好。

（2）基于2019年7月30日Landsat 8遙感影像使用隨機(jī)森林分類器對(duì)奇臺(tái)縣主要作物：小麥、玉米、打瓜與向日葵進(jìn)行提取，總體精度為0.9864。

可見，使用中分辨率遙感影像并利用面向?qū)ο蟮姆诸惙椒▽?duì)縣域作物進(jìn)行識(shí)別是可行的，且識(shí)別精度較高。