孫博學(xué) 吳永強(qiáng) 張靜宜 馬玥

摘?要：以Sentinel1/2哨兵衛(wèi)星獲取的雷達(dá)和多光譜遙感影像為數(shù)據(jù)源，提取多時(shí)相光譜反射和微波后向散射特征變量，基于面向?qū)ο蟮碾S機(jī)森林算法對(duì)吉林省扶余市水稻、玉米和大豆分類，并與支持向量機(jī)算法比較，綜合評(píng)估基于多源遙感數(shù)據(jù)的面向?qū)ο箅S機(jī)森林算法對(duì)大范圍農(nóng)作物自動(dòng)識(shí)別的適用性。結(jié)果表明：利用多時(shí)相多源遙感數(shù)據(jù)能夠有效提高作物分類精度。面向?qū)ο箅S機(jī)森林算法的分類總體精度為87.32%，高于支持向量機(jī)算法9.82%。利用面向?qū)ο箅S機(jī)森林算法結(jié)合多時(shí)相主被動(dòng)遙感特征變量能夠準(zhǔn)確地自動(dòng)識(shí)別大范圍農(nóng)作物，可為作物種植面積調(diào)查與產(chǎn)量估值提供重要的支撐。

關(guān)鍵詞：哨兵衛(wèi)星；主被動(dòng)遙感；面向?qū)ο箅S機(jī)森林算法；農(nóng)作物自動(dòng)識(shí)別

掌握農(nóng)作物的種植分布狀況，對(duì)于宏觀指導(dǎo)農(nóng)業(yè)生產(chǎn)、作物估產(chǎn)及農(nóng)情監(jiān)測(cè)具有重要意義［13］。遙感技術(shù)能夠快速實(shí)時(shí)監(jiān)測(cè)地表信息，為識(shí)別作物提供高效快捷的技術(shù)手段。遙感光學(xué)傳感器易受云雨天氣影響，較難獲取清晰的影像圖，不同作物在可見(jiàn)光—紅外波段下特征相似，識(shí)別精度較低。微波傳感器發(fā)射的微波能夠穿透云層，不易受天氣影響，可獲得清晰的雷達(dá)影像數(shù)據(jù)，用以表征不同作物的后向散射特征。但由于微波傳感器成像方式不同，作物影像特征不易識(shí)別，僅利用微波影像分類作物存在較大困難［45］。應(yīng)用主被動(dòng)遙感技術(shù)協(xié)同實(shí)現(xiàn)農(nóng)作物自動(dòng)識(shí)別對(duì)分類精度的提高具有重要意義。

分類方法的選擇在提高作物識(shí)別精度方面至關(guān)重要。面向?qū)ο蠓诸惙▽⑼|(zhì)像元組成的對(duì)象作為基本分類單元，能夠有效保留地物的空間結(jié)構(gòu)、形狀和紋理等特征，降低獨(dú)立像元噪聲的影響，有助于提高分類精度［67］。隨機(jī)森林算法是目前應(yīng)用最廣泛的機(jī)器學(xué)習(xí)算法，模型泛化能力強(qiáng)、穩(wěn)定性高，但在多時(shí)相多源遙感數(shù)據(jù)作物識(shí)別方面仍需進(jìn)一步驗(yàn)證分析［8］。

以Sentinel1/2哨兵衛(wèi)星獲取的雷達(dá)和多光譜遙感影像為數(shù)據(jù)源，提取多時(shí)相光譜反射和微波后向散射特征變量，基于面向?qū)ο箅S機(jī)森林算法對(duì)吉林省扶余市水稻、玉米和大豆自動(dòng)分類，并與支持向量機(jī)算法比較，綜合評(píng)估基于多源遙感數(shù)據(jù)的面向?qū)ο箅S機(jī)森林算法對(duì)大范圍農(nóng)作物自動(dòng)識(shí)別的適用性。

一、研究區(qū)概況和數(shù)據(jù)源

（一）研究區(qū)概況

研究區(qū)位于中國(guó)吉林省扶余市，主要包括大林子鎮(zhèn)、更新鄉(xiāng)、新萬(wàn)發(fā)鎮(zhèn)、弓棚子鎮(zhèn)、五家站鎮(zhèn)和肖家鄉(xiāng)共六個(gè)鎮(zhèn)（鄉(xiāng)）級(jí)行政區(qū)，地理坐標(biāo)為44°52′～45°25′N，125°24′～125°59′E，年平均氣溫4.5℃，平均降水145.8mm，區(qū)內(nèi)作物主要包括水稻、玉米和大豆。

（二）數(shù)據(jù)源

采用2020年4—10月逐月的Sentinel1/2遙感影像數(shù)據(jù)。Sentinel1雷達(dá)C波段數(shù)據(jù)為GRD?1級(jí)產(chǎn)品，VV和VH兩種極化方式。Sentinel2多光譜數(shù)據(jù)為L(zhǎng)1C級(jí)產(chǎn)品，包括可見(jiàn)光近紅外到短波紅外共13個(gè)波段。利用SNAP軟件對(duì)Sentinel1/2數(shù)據(jù)預(yù)處理。Sentinel1數(shù)據(jù)進(jìn)行輻射定標(biāo)，Refined?Lee濾波和地形校正處理。Sentinel2數(shù)據(jù)借助Sen2cor功能模塊進(jìn)行輻射定標(biāo)和大氣校正。將預(yù)處理后的Sentinel1/2數(shù)據(jù)利用ENVI?5.3軟件進(jìn)行空間配準(zhǔn)，空間分辨率統(tǒng)一為10m。

二、分類方法與精度評(píng)價(jià)

（一）面向?qū)ο蠓诸惙?/p>

利用eCognition軟件的多尺度分割功能將待分類影像分割成異質(zhì)性最小的對(duì)象單元，需設(shè)置三個(gè)重要參數(shù)，即尺度參數(shù)、形狀參數(shù)和緊致度參數(shù)［910］。尺度參數(shù)的大小決定分割對(duì)象的面積大小，直接影響分類效率和精度。形狀參數(shù)和緊致度參數(shù)可以進(jìn)一步優(yōu)化對(duì)象的邊緣特征，使其更加準(zhǔn)確地表達(dá)地物細(xì)節(jié)信息。通過(guò)多次試驗(yàn)，最終確定的尺度參數(shù)、形狀參數(shù)和緊致度參數(shù)分別為80、0.8和0.2。

（二）隨機(jī)森林和支持向量機(jī)算法

隨機(jī)森林算法（RF）是由多個(gè)CART決策樹(shù)組合構(gòu)成的集成學(xué)習(xí)算法。RF采用bootstrap抽樣技術(shù)從原始數(shù)據(jù)集中抽取N個(gè)訓(xùn)練數(shù)據(jù)集生成N個(gè)CART決策樹(shù)，在每個(gè)CART決策樹(shù)生長(zhǎng)過(guò)程中，從全部M個(gè)特征變量中隨機(jī)抽選m個(gè)（m≤M），根據(jù)Gini系數(shù)最小原則選出最優(yōu)屬性進(jìn)行內(nèi)部節(jié)點(diǎn)分支，最后采用投票法綜合N個(gè)決策樹(shù)的預(yù)測(cè)結(jié)果確定最終的樣本類別［11］。本文設(shè)置決策樹(shù)的個(gè)數(shù)N為1000，節(jié)點(diǎn)分裂的特征變量數(shù)為總特征變量數(shù)的開(kāi)根方值。

支持向量機(jī)算法（SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，通過(guò)選擇相應(yīng)的非線性映射函數(shù)，將輸入向量從原空間映射到高維特征空間，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，在最小化樣本誤差的同時(shí)縮小模型泛化誤差的上界，提高模型的泛化能力［12］。本文設(shè)置SVM的懲罰系數(shù)C值設(shè)為1，選用RBF核函數(shù)。

（三）精度評(píng)價(jià)

綜合2020年野外地面調(diào)查樣點(diǎn)數(shù)據(jù)和Google?Earth高分辨率影像，隨機(jī)選取560個(gè)驗(yàn)證點(diǎn)，計(jì)算混淆矩陣，采用總體精度、Kappa系數(shù)、制圖精度和用戶精度對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。

三、農(nóng)作物分類遙感影像特征分析

（一）多源遙感數(shù)據(jù)特征分析

利用Sentinel1的VH和VV極化數(shù)據(jù)分別計(jì)算VV/VH比值極化指數(shù)和（VVVH）/（VV+VH）歸一化極化指數(shù)。利用Sentinel2的多光譜反射率數(shù)據(jù)計(jì)算NDVI歸一化植被指數(shù)、DVI差值植被指數(shù)和RVI比值植被指數(shù)。借助ENVI?5.3軟件制作水稻、玉米和大豆作物的ROI感興趣區(qū)，獲取不同作物的后向散射、光譜反射率和多種指數(shù)的均值，分析作物在不同生長(zhǎng)時(shí)間下的遙感數(shù)據(jù)特點(diǎn)。經(jīng)過(guò)分析可知，對(duì)于Sentinel1數(shù)據(jù)，三種作物隨季節(jié)變化有不同的生長(zhǎng)狀態(tài)，微波后向散射系數(shù)也隨之變化。在VH和VV極化模式下，水稻的后向散射系數(shù)最低，大豆和玉米的后向散射系數(shù)較接近。對(duì)于VV/VH和（VVVH）/（VV+VH）兩種極化指數(shù)，水稻、玉米和大豆的曲線特征相似，但經(jīng)過(guò)數(shù)學(xué)比值運(yùn)算后，使三種作物的后向散射系數(shù)差異更加顯著，有利于區(qū)分不同的作物。對(duì)于Sentinel2數(shù)據(jù)，三種作物在4～6月播種至出苗的過(guò)程中，光譜反射率逐漸升高，6～8月生長(zhǎng)期內(nèi)，反射率逐漸降低，9～10月完全成熟至收獲后，反射率逐漸升高。在播種至成熟的過(guò)程中，水稻的光譜反射率最低，大豆和玉米的反射率較高，且二者的反射率值較為接近。在紅邊波段（B5B7，B8A）處，三種作物的光譜反射率差異較可見(jiàn)光（B1B4）和短波紅外波段（B11B12）處顯著。三種作物從播種至收獲，植被指數(shù)數(shù)值先升高后降低，在7～9月三種作物的指數(shù)值差異最為顯著。

（二）分類特征變量選取

針對(duì)4個(gè)雷達(dá)后向散射特征變量和15個(gè)光譜反射特征變量，將三種作物類型兩兩對(duì)比，篩選出特征值差異最顯著的月份，用于后續(xù)參與分類模型的構(gòu)建。以VV特征變量為例，大豆和水稻在5月后向散射系數(shù)差值最大，大豆和玉米在10月后向散射系數(shù)差值最大，水稻和玉米在5月后向散射系數(shù)差值最大，對(duì)于VV特征變量，最終篩選5月和10月兩個(gè)月份的特征變量數(shù)據(jù)用于后續(xù)分類。分類特征變量篩選情況如表1所示。

四、分類實(shí)驗(yàn)及精度評(píng)價(jià)

為了明確多時(shí)相、多源遙感數(shù)據(jù)的綜合應(yīng)用對(duì)農(nóng)作物種植結(jié)構(gòu)分類精度的影響，針對(duì)不同的特征變量數(shù)據(jù)集，共設(shè)定5組實(shí)驗(yàn)，即單一時(shí)相多光譜特征數(shù)據(jù)集（OPTS）、單一時(shí)相雷達(dá)特征數(shù)據(jù)集（SARS）、多時(shí)相多光譜特征數(shù)據(jù)集（OPTM）、多時(shí)相雷達(dá)特征數(shù)據(jù)集（SARM）和多時(shí)相多源特征數(shù)據(jù)集（OPTMSARM）。OPTS組選取作物光譜反射率差異顯著的7月Sentinel2多波段數(shù)據(jù)為特征變量，SARS組選取作物后向散射系數(shù)差異顯著的6月Sentinel1兩種極化數(shù)據(jù)為特征變量。選用RF和SVM算法進(jìn)行作物分類。

（一）特征變量對(duì)分類精度的影響

由表2，多時(shí)相模型（OPTM、SARM）的總體精度和Kappa系數(shù)高于單一時(shí)相模型（OPTS、SARS），多時(shí)相模型比單一時(shí)相模型的總體精度可提升3.39%以上，最高可達(dá)13.93%。選取水稻、玉米和大豆在生長(zhǎng)周期中反射或后向散射差異顯著的多時(shí)相數(shù)據(jù)參與分類，能夠增強(qiáng)不同作物間的影像特征差異，有利于提高識(shí)別精度。從單一數(shù)據(jù)源模型（OPTM、SARM）到多源數(shù)據(jù)模型（OPTMSARM）的總體精度顯著增加，最高可提升9.82%，綜合利用光學(xué)和雷達(dá)影像能夠豐富農(nóng)作物的影像特征，彌補(bǔ)利用單一光學(xué)遙感數(shù)據(jù)或微波遙感數(shù)據(jù)的不足，可有效提高具有相似特點(diǎn)的作物識(shí)別精度。

（二）分類算法對(duì)分類精度的影響

由表3，利用RF和SVM算法結(jié)合多時(shí)相多源特征數(shù)據(jù)集對(duì)水稻、玉米和大豆分類，并計(jì)算混淆矩陣。RF算法的總體精度和Kappa系數(shù)為87.32%和0.8311，較SVM算法高9.82%和0.1304。RF算法中水稻、玉米和大豆的制圖精度較SVM算法高6%、4.29%和25.72%，用戶精度較SVM算法高0.15%、11.08%和8.9%。通過(guò)對(duì)比分析，RF算法的模型性能較好，泛化能力較強(qiáng)，能夠高效地處理高維數(shù)據(jù)，更高精度地精細(xì)化提取農(nóng)作物種植結(jié)構(gòu)信息，適用于大范圍農(nóng)作物的種植結(jié)構(gòu)制圖。

五、分類結(jié)果

利用基于面向?qū)ο箅S機(jī)森林算法自動(dòng)繪制研究區(qū)農(nóng)作物種植結(jié)構(gòu)圖，獲得的分類結(jié)果比較準(zhǔn)確，較少出現(xiàn)錯(cuò)分和漏分現(xiàn)象，能夠準(zhǔn)確劃分不同農(nóng)作物的地塊邊界。面向?qū)ο蠓诸惙ㄓ行Ц纳屏讼袼胤诸惙ㄖ歇?dú)立像元引起的“椒鹽”現(xiàn)象，最大程度地保留了地物間的空間鄰域關(guān)系，可視化效果較好。

結(jié)語(yǔ)

本文利用面向?qū)ο箅S機(jī)森林算法結(jié)合Sentinel1微波數(shù)據(jù)和Sentinel2多光譜數(shù)據(jù)實(shí)現(xiàn)了對(duì)吉林省扶余市水稻、玉米和大豆大宗農(nóng)作物種植結(jié)構(gòu)的自動(dòng)識(shí)別。多時(shí)相多源遙感數(shù)據(jù)的應(yīng)用極大程度豐富了地物的遙感影像特征，增強(qiáng)了不同作物的影像特征差異，有利于提高分類精度。面向?qū)ο箅S機(jī)森林方法可以高效并行處理高維數(shù)據(jù)，有效挖掘特征信息，獲得的農(nóng)作物種植結(jié)構(gòu)圖精度較高，可視化效果較好，可以充分保留地物空間鄰域特征。協(xié)同利用主被動(dòng)遙感技術(shù)能夠高效準(zhǔn)確地實(shí)現(xiàn)大范圍的農(nóng)作物種植結(jié)構(gòu)監(jiān)測(cè)，為農(nóng)業(yè)生產(chǎn)與管理提供有力的科學(xué)依據(jù)和數(shù)據(jù)支撐。

參考文獻(xiàn)：

［1］潘曉卉，張平宇，劉世薇.東北地區(qū)主要糧食作物種植結(jié)構(gòu)時(shí)空變化分析［J］.土壤與作物，2018，7（3）：303311.

［2］代海濤.吉林省大豆生產(chǎn)發(fā)展現(xiàn)狀及對(duì)策分析［J］.大豆科技，2009，000（002）：5153.

［3］李冰，梁燕華，李丹丹，等.多時(shí)相GF1衛(wèi)星PMS影像提取農(nóng)作物種植結(jié)構(gòu)［J］.中國(guó)農(nóng)業(yè)資源與區(qū)劃，2017，38（9）：5662.

［4］朱鳳敏，吳迪，楊佳琪.基于Sentinel1B?SAR數(shù)據(jù)的農(nóng)作物分類方法研究［J］.測(cè)繪與空間地理信息，2020，43（5）：105108.

［5］韓冰冰，陳圣波，曾慶鴻，等.基于JM距離的多時(shí)相Sentinel1農(nóng)作物分類［J］.科學(xué)技術(shù)與工程，2020，20（17）：69776982.

［6］畢愷藝，牛錚，黃妮，等.基于Sentinel2A時(shí)序數(shù)據(jù)和面向?qū)ο鬀Q策樹(shù)方法的植被識(shí)別［J］.地理與地理信息科學(xué)，2017，33（5）：1620+27+127.

［7］賈明明，王宗明，張柏，等.綜合環(huán)境衛(wèi)星與MODIS數(shù)據(jù)的面向?qū)ο笸恋馗采w分類方法［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2014，39（3）：305310.

［8］王利民，劉佳，楊玲波，等.隨機(jī)森林方法在玉米大豆精細(xì)識(shí)別中的應(yīng)用［J］.作物學(xué)報(bào)，2018，44（4）：569580.

［9］杜保佳，張晶，王宗明，等.應(yīng)用Sentinel2A?NDVI時(shí)間序列和面向?qū)ο鬀Q策樹(shù)方法的農(nóng)作物分類［J］.地球信息科學(xué)學(xué)報(bào)，2019，21（5）：740751.

［10］張瀾，王妮，朱冰雪，等.基于無(wú)人機(jī)高分辨率影像的農(nóng)作物分類研究［J］.江西農(nóng)業(yè)學(xué)報(bào)，2022，34（02）：178187.

［11］王德軍，姜琦剛，李遠(yuǎn)華，等.基于Sentinel2A/B時(shí)序數(shù)據(jù)與隨機(jī)森林算法的農(nóng)耕區(qū)土地利用分類［J］.國(guó)土資源遙感，2020，32（4）：236243.

［12］張東彥，戴震，徐新剛，等.基于時(shí)序Sentinel2影像的現(xiàn)代農(nóng)業(yè)園區(qū)作物分類研究［J］.紅外與激光工程，2021，50（05）：262272.

基金項(xiàng)目：吉林省教育廳科學(xué)技術(shù)研究項(xiàng)目（JJKH?20210269KJ）；吉林省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（2021?10191108）

作者簡(jiǎn)介：孫博學(xué)（2001—?），男，漢族，天津人，本科，研究方向：環(huán)境遙感和遙感圖像分類。