任江龍 李昺星

（中水北方勘測(cè)設(shè)計(jì)研究有限責(zé)任公司，天津 300222）

0 引言

棉花是一種重要的經(jīng)濟(jì)作物，提供了世界上約79%的天然纖維，其種植面積及產(chǎn)量影響人類日常生產(chǎn)生活。及時(shí)準(zhǔn)確地獲取棉花空間分布信息，為棉花產(chǎn)量估算、農(nóng)業(yè)生產(chǎn)管理和決策提供依據(jù)。自Landsat 發(fā)射以來(lái)，中高等空間分辨率圖像已被廣泛用于作物監(jiān)測(cè)，但仍不能滿足精細(xì)化農(nóng)業(yè)信息提取的需求。隨著Sentinel 系列衛(wèi)星的成功發(fā)射，其高空間和時(shí)間分辨率的優(yōu)勢(shì)在作物監(jiān)測(cè)中得到廣泛應(yīng)用。合成孔徑雷達(dá)（SAR）不受云層和太陽(yáng)光照的影響，避免了光學(xué)遙感的限制，適用于大尺度高分辨率農(nóng)作物專題信息提取。不同的光學(xué)和SAR 數(shù)據(jù)特征意味著提供的表面信息是不同的。光學(xué)數(shù)據(jù)提供了研究區(qū)地物的光譜特征，而SAR 數(shù)據(jù)提供了有關(guān)植被地表結(jié)構(gòu)和土壤的信息。因此，結(jié)合光學(xué)和SAR 數(shù)據(jù)可以更準(zhǔn)確、更有效地提取作物。

基于光學(xué)和SAR 數(shù)據(jù)提取棉花種植信息的研究相對(duì)較少，現(xiàn)有的分類方法中多采用多分類，未能實(shí)現(xiàn)單一作物分類提取。因此該文基于Google earth engine（GEE）云平臺(tái)，利用Sentinel-1 和Sentinel-2 數(shù)據(jù)探究單一分類支持向量機(jī)在棉花種植信息的適用性，為棉花提取提供新的方法思路。

1 研究區(qū)概況

石河子市位于中國(guó)新疆北部，地理位置范圍為北緯44°24′23″～44°41′12″，東經(jīng)85°44′19″～86°20′19″E，面積約1500 km（如圖1 所示）。該地區(qū)屬典型的溫帶大陸性干旱氣候，夏熱冬冷，晝夜溫差大。該地區(qū)主要農(nóng)作物有棉花、小麥和玉米，其中棉花種植面積占比最大，種植時(shí)間為4 月中旬至10 月中旬。

圖1 研究區(qū)位置

2 數(shù)據(jù)獲取及預(yù)處理

2.1 遙感數(shù)據(jù)

該文主要采用2020 年Sentinel-1（S1）和Sentinel-2（S2）數(shù)據(jù)，2 種數(shù)據(jù)集均由GEE 平臺(tái)加載獲得，為了分析最合適的棉花提取時(shí)間影像，選擇5 月～9 月影像進(jìn)行處理，遙感數(shù)據(jù)基本信息及所需影像數(shù)量見表1。S1 數(shù)據(jù)集由Sentinel-1A 和Sentinel-1B 這2 顆C 波段SAR 衛(wèi)星組成，其空間分辨率為10 m，單顆衛(wèi)星重訪周期為12 天。由于2020 年石河子市Sentinel-1B 數(shù)據(jù)缺失較多，因此該文主要采用干涉寬幅（IW）模式Sentinel-1A GRD 產(chǎn)品數(shù)據(jù)。GEE 平臺(tái)中S1 數(shù)據(jù)均已經(jīng)過(guò)Sentinel-1 工具箱（S1TBX）預(yù)處理，預(yù)處理過(guò)程主要包括軌道校正、熱噪聲去除、地形校正和輻射校正。為了減少Sentinel-1 數(shù)據(jù)噪聲對(duì)分類結(jié)果的影響，采用窗口大小為7×7 的Refined Lee 濾波對(duì)S1時(shí)序數(shù)據(jù)進(jìn)行散斑濾波處理。

表1 Sentinel-1 和Sentinel-2 數(shù)據(jù)

Sentinel-2A 和Sentinel-2B 衛(wèi)星由歐洲航天局（ESA）發(fā)射，其影像空間分辨率為10 m～60 m，雙星重返周期為5天，共擁有13 個(gè)光譜波段。該文中S2 數(shù)據(jù)主要采用Level-2A 地表反射率（SR）產(chǎn)品數(shù)據(jù)，該數(shù)據(jù)集均經(jīng)過(guò)地形校正、輻射校正和大氣校正等預(yù)處理。GEE 云平臺(tái)中Sentinel-2包括云量覆蓋信息，因此為了減少云及云陰影對(duì)棉花提取結(jié)果的影響，該文采用filterMetadata 函數(shù)篩選出云量小于20%的影像，并利用位與運(yùn)算bitwiseAnd 函數(shù)判斷影像中云像素，進(jìn)而進(jìn)行掩膜處理，生成無(wú)云影像數(shù)據(jù)集。為了分析最佳棉花提取影像時(shí)間，分別對(duì)S1 和S2 數(shù)據(jù)集以月為單位進(jìn)行中值合成，同時(shí)將S2 所有波段重采樣為10 m分辨率。由于部分地區(qū)受天氣影響，無(wú)法獲得S2 無(wú)云影像，因此采用線性插值方法對(duì)空缺S2 影像數(shù)據(jù)進(jìn)行填補(bǔ)。

2.2 野外考察數(shù)據(jù)

研究區(qū)棉花生長(zhǎng)共4 個(gè)階段，分別是苗期（5 月初～6月下旬）、萌芽期（6 月下旬～7 月中旬）、開花結(jié)鈴期（7月中旬～8 月中旬）和吐絮期（8 月中旬～10 月初）。為了進(jìn)一步了解棉花生長(zhǎng)特征，筆者于2020 年8 月前往研究區(qū)進(jìn)行野外考察，共獲得棉花樣本213 個(gè)，非棉花樣本147個(gè)，將野外考察所獲得的樣本導(dǎo)入GEE 平臺(tái)中，其中70%作物訓(xùn)練樣本，30%作物驗(yàn)證樣本。

3 研究方法

3.1 特征提取及特征優(yōu)選

特征提取是棉花提取中最重要的一步，為了提高棉花與其他農(nóng)作物的區(qū)分度，該文基于S1 和S2 數(shù)據(jù)集共構(gòu)建22 個(gè)特征數(shù)據(jù)集。其中基于S1 數(shù)據(jù)構(gòu)建了VV 極化、VH極化和歸一化差極化指數(shù)（NDPI）特征，基于S2 數(shù)據(jù)構(gòu)建了10 個(gè)S2 光譜波段特征和9 個(gè)植被指數(shù)特征，其中植被指數(shù)特征分別為歸一化植被指數(shù)（NDVI）、增強(qiáng)植被指數(shù)（EVI）、修正型歸一化植被指數(shù)（MNDVI）、地表水指數(shù)（LSWI）、歸一化水體指數(shù)（NDWI）、紅邊位置指數(shù)（REP）、裸土指數(shù)（BSI）、綠色葉綠素植被指數(shù)（GCVI）和植被衰老反射指數(shù)（PSRI）。

各特征間存在一定相似性，因此存在一定冗余信息，易導(dǎo)致降低分類精度，選擇合適的特征組合對(duì)分類結(jié)果至關(guān)重要。該文利用遞歸特征消除算法（RFE）對(duì)特征數(shù)據(jù)集進(jìn)行特征優(yōu)選計(jì)算，其主要原理是利用全部特征進(jìn)行初始特征計(jì)算，利用分類器計(jì)算出不同特征的權(quán)重大小，并按照不同特征權(quán)重結(jié)果進(jìn)行排序，依次剔除特征權(quán)重最小的特征，并計(jì)算剔除后的總體精度，以此類推直到總體精度達(dá)到最高，即可獲得最佳特征組合。具體過(guò)程如下：首先，基于GEE 平臺(tái)以石河子地區(qū)8 月影像為例分別計(jì)算各特征數(shù)據(jù)，構(gòu)建特征數(shù)據(jù)集；其次，利用訓(xùn)練樣本點(diǎn)提取各特征指標(biāo)值；最后，將各點(diǎn)提取的值生成Excel 文件，利用Python 實(shí)現(xiàn)遞歸特征消除計(jì)算。

3.2 單類支持向量機(jī)（OCSVM）

分類器的選擇是影響棉花提取的另一個(gè)重要因素，該文采用OCSVM 代替?zhèn)鹘y(tǒng)的多類分類方法，其基本原理就是根據(jù)目標(biāo)樣本在特征集中具有較好的相似性。作為支持向量機(jī)（SVM）的一個(gè)分支，OCSVM的基本原理是在特征空間中構(gòu)造一個(gè)最優(yōu)超平面，以最大化目標(biāo)類與其他類之間的邊距。與傳統(tǒng)的多類分類器不同，OCSVM 可以減少資源需求，因?yàn)橹恍枰繕?biāo)類的訓(xùn)練數(shù)據(jù)。此外，先前的研究表明，OCSVM在農(nóng)作物種植信息提取中獲得了較高的分類精度。

要使用OCSVM 分類器，需要選擇內(nèi)核類型和相應(yīng)的參數(shù)。關(guān)于核類型，該文選擇徑向基函數(shù)（RBF）。以RBF作為內(nèi)核類型，需要設(shè)置2 個(gè)參數(shù)“gamma”和“nu”?；谇叭搜芯砍晒x擇最佳的“gamma”和“nu”，分別為0.1 和0.1。

為了驗(yàn)證棉花提取結(jié)果，該文利用棉花和非棉花樣本構(gòu)建驗(yàn)證樣本，基于驗(yàn)證樣本對(duì)提取結(jié)果進(jìn)行精度評(píng)價(jià)。采用混淆矩陣方法，分別計(jì)算生產(chǎn)者精度（PA）、用戶者精度（UA）、總體精度（OA）和Kappa 系數(shù)。

4 結(jié)果與分析

4.1 特征優(yōu)選

為了獲得最佳特征組合以提高棉花提取精度及效率，該文共選擇22 個(gè)特征變量進(jìn)行遞歸特征消除方法計(jì)算，結(jié)果如圖2 所示。從圖中可以看出，當(dāng)特征變量為1 時(shí)，總體分類精度僅為63.21%。而特征數(shù)量從1 到2 時(shí)，其分類精度上升速率最大。特征數(shù)量大于2 后，其分類精度提升明顯放緩，當(dāng)特征數(shù)量達(dá)到5 時(shí)，總體精度增速進(jìn)一步放緩。而后分類精度緩慢增大，直到特征數(shù)量達(dá)到15 個(gè)時(shí)，分類精度達(dá)到最大（總體精度為92.3%）。而當(dāng)特征數(shù)量大于15 個(gè)后，其分類精度呈現(xiàn)緩慢下降趨勢(shì)，說(shuō)明當(dāng)特征數(shù)量大于15 后其特征冗余信息對(duì)分類結(jié)果產(chǎn)生負(fù)面的影響。因此，該文選擇排名前15 個(gè)特征構(gòu)建特征組合進(jìn)行棉花提取，分別為Band6、NDVI、EVI、Band5、Band2、Band3、Band7、Band4、Band8、MNDVI、VV、Band12、VH、REP、Band11。

圖2 特征遞歸消除結(jié)果

從特征優(yōu)選的結(jié)果可以看出，光學(xué)波段特征占最優(yōu)特征組合總數(shù)的60%，說(shuō)明光學(xué)光譜波段特征對(duì)棉花提取至關(guān)重要，其中Band6 對(duì)棉花提取的貢獻(xiàn)率最大，說(shuō)明Band6 對(duì)棉花提取的識(shí)別效果較好。植被指數(shù)特征中NDVI和EVI 對(duì)棉花提取的貢獻(xiàn)率較高，與現(xiàn)有的研究結(jié)果較為一致，其中MNDVI 和REP 兩種指數(shù)也有一定的貢獻(xiàn)率。Sentinel-1 極化數(shù)據(jù)及衍生極化指數(shù)對(duì)棉花提取也存在一定的貢獻(xiàn)，主要表現(xiàn)為VV 和VH 共2 種極化信息，而極化衍生產(chǎn)品則貢獻(xiàn)率較低。其中微波信號(hào)能夠識(shí)別棉花信息，主要是因?yàn)槊藁ㄉL(zhǎng)周期中，在萌芽期和結(jié)鈴期，棉花葉片密度不斷增大，微波信號(hào)逐漸無(wú)法穿透植被冠層，此時(shí)為表散射或體散射。而到開鈴期后，棉花植株葉片不斷掉落腐爛，此時(shí)微波信號(hào)可以穿透植被冠層，發(fā)生回波散射。

4.2 棉花識(shí)別最佳時(shí)間選擇

在作物生長(zhǎng)季節(jié)的關(guān)鍵時(shí)期，由于經(jīng)常受到云量的影響，遙感數(shù)據(jù)難以獲取，因此該文通過(guò)對(duì)不同月份影像進(jìn)行合成，探究棉花提取最佳月份，進(jìn)而實(shí)現(xiàn)棉花高精度提取，減少棉花物候特征分析過(guò)程。利用GEE 平臺(tái)分別對(duì)5 月～9 月進(jìn)行月度影像的中值合成，采用4.1 節(jié)中遞歸特征消除方法得到最優(yōu)特征組合，分別構(gòu)建了5 月～9 月逐月影像特征組合，并利用OCSVM 進(jìn)行棉花種植信息提取，對(duì)不同月份提取精度進(jìn)行精度評(píng)價(jià)，精度結(jié)果見表2。從表2 中可以看出，8 月份合成影像棉花提取精度最高，總體精度和kappa 系數(shù)最高，分別為91.69%和0.83。這主要是因?yàn)? 月中下旬棉花由于處于吐鈴期，棉花光譜特征發(fā)生較大的變化，與其他作物有較大差異，能較好地與其他作物進(jìn)行區(qū)分。因此，該時(shí)期棉花提取精度中生產(chǎn)者精度和用戶精度均達(dá)到最大，說(shuō)明誤分和漏分情況較少。其中5 月份棉花提取精度最低，總體精度和Kappa 系數(shù)分別為82.23%和0.67，與8 月提取結(jié)果相差較大。這主要是因?yàn)樵摃r(shí)期棉花正處于苗期，與玉米等同一生長(zhǎng)期的其他作物的光譜特性相似，因此難以通過(guò)光譜信息與其他作物進(jìn)行區(qū)分。6 月合成影像和7 月合成影像棉花提取結(jié)果具有較大的相似性，其棉花提取總體精度僅相差0.15%，總體精度均大于90%，說(shuō)明6 月和7 月對(duì)棉花提取也有較大的優(yōu)勢(shì)，在棉花吐絮前均能獲得較好的棉花提取精度。9 月份棉花進(jìn)入成熟階段，其他農(nóng)作物也逐漸成熟，該階段植被光學(xué)特征較為相似，但是Sentinel-1 的2 種極化信號(hào)能很好地捕捉到棉花信息，因此9 月份棉花提取精度依舊大于89%。整體來(lái)看，在今后的棉花提取中，應(yīng)重點(diǎn)考慮8 月份影像，其次可以考慮6 月或7 月影像，最后考慮9 月份影像。該文基于特征優(yōu)選后的特征組合，采用OCSVM 分類器實(shí)現(xiàn)了2020 年石河子市棉花種植信息提取。棉花提取結(jié)果如圖3 所示，從圖3 可以看出，石河子市棉花主要集中分布在西部地區(qū)，其空間分布較為聚集。經(jīng)過(guò)統(tǒng)計(jì)計(jì)算得出2020 年石河子市棉花種植面積為194.85 km，占研究區(qū)總面積的42.35%。

表2 不同時(shí)期影像棉花提取精度

圖3 棉花提取結(jié)果

5 結(jié)論

該文基于GEE 云平臺(tái)中Sentinel-1 和Sentinel-2 數(shù)據(jù)，采用OCSVM 分類器實(shí)現(xiàn)2020 年石河子市棉花提取。結(jié)果表明，Sentinel-2 光譜特征對(duì)棉花提取結(jié)果貢獻(xiàn)率最大，Sentinel-1 的2 種極化特征對(duì)棉花提取也存在較大的貢獻(xiàn)率。棉花最佳識(shí)別月份為8 月份，其總體精度達(dá)到91.67%，Kappa 系數(shù)為0.83。整體來(lái)說(shuō)OCSVM 在棉花提取的適用性較好，能有效實(shí)現(xiàn)單一作物分類。

雖然該文基于GEE 平臺(tái)在棉花提取中實(shí)現(xiàn)了光學(xué)和雷達(dá)數(shù)據(jù)的有效結(jié)合，但仍存在一定的局限性，未利用多源遙感時(shí)序數(shù)據(jù)進(jìn)一步挖掘棉花物候特征。同時(shí)該文在精度評(píng)價(jià)中僅采用野外考察數(shù)據(jù)進(jìn)行精度驗(yàn)證，并未考慮其他分類器在棉花提取中的適用性。因此，在今后的研究中還將深入挖掘棉花物候信息，并探究不同分類器下棉花提取結(jié)果的差異性。