基于高分二号卫星数据的农作物分类方法研究

　　摘要:针对目前高分二号卫星数据(GF-2)有较高的空间分辨率而在农业领域应用较少和农作物分类普遍存在“同谱异物”和“同物异谱”的现象，以辽宁省沈阳市苏家屯区以西的新开河村周边为试验基地，利用最佳波段组合指数法(OIF)对所选取的高分二号(GF-2)卫星数据的纹理特征和植被指数以及波段信息进行筛选，选取最佳的波段组合，以增加分类信息、减少数据冗余。最后，针对筛选后的数据，使用最大似然法进行分类，得到农作物的分类结果。结果表明，利用该方法对农作物进行分类，分类精度得到了一定程度的提高，为目前大规模农作物种植面积的精确、迅速统计提供了一套可行的方案。

　　关键词:高分二号;灰度共生矩阵;纹理特征;OIF;最大似然法

　　0引言

　　我国是一个人口大国，而人均耕地资源却严重不足，准确及时地掌握各种农物的空间格局及其分布面积，是一项常规而又重要的工作。遥感技术由于具有高空探测、非接触、大范围、动态、及时等优点，已成为研究农作物分类和面积监测统计的一种重要手段。目前，国内外在农作物的精细分类方面做出了许多努力，例如国内黄健熙等利用4种待选指数结合随机森林分类方法对农作物进行分类，总体分类精度较高[1];陈思宁等[2-4]将光谱信息与地方物候、地形特征相结合，达到了较高的分类精度。上述研究虽取得了较好的分类效果，但难以避免“同物异谱”和“同谱异物”的现象。提高地物的分类精度[5]，已经成为遥感影像分类的一个发展趋势。

　　农作物论文范例：农业机械在农作物种植中的作用探讨

　　在这方面，徐新刚等利用国外的QuickBird遥感数据结合纹理和光谱信息对四川绵阳实验区的农作物进行了分类，取得了较好效果[6]。此外，以往农作物分类，使用的遥感数据空间分辨率大多较低，也导致分类精度偏低[7]。国产高分二号卫星的成功发射，宣告了我国高空间分辨率遥感进入亚米时代[8]，其获取的数据得到了多方面的应用，但是目前国内关于高分二号在农业方面的应用还偏少。基于此，本文选择辽宁省的典型农作物种植区作为试验区，以GF-2号卫星遥感影像为数据源，提出了一种纹理信息和光谱信息相结合的农作物分类方法。

　　1研究方法介绍

　　在本文中，以GF-2号卫星遥感影像为数据源。首先利用卫星不同波段探测数据组合提取遥感影像常见的植被指数，再采用灰度共生矩阵的方法提取影像的纹理参数。经处理之后原始波段和植被指数表示影像的光谱信息，用纹理参数表示影像的纹理信息，并将以上信息用于后续的农作物光谱和纹理信息结合分类。但经过上述处理之后，数据量迅速增加;同时，若直接利用提取到的信息进行分类时，光谱或者纹理信息之间的相关性较强[9]。为避免上述问题，使用OIF指数对遥感影像的光谱信息和纹理信息分别进行筛选。一是减少了数据冗余;二是利用筛选后的优质光谱和纹理信息进行农作物分类，可以提高分类精度。

　　1.1光谱信息提取

　　对所选用的数据进行预处理，并针对预处理之后的数据，计算影像的11种常见植被指数(包括RI、EVI2、GNDV、MSAVI2、MCARI、MTVI1、MSR、NDGI、NDVI、RVI、TVI)[10]。这些植被指数是卫星遥感多光谱数据经空间转换或不同波段间线性或非线性组合构成的对植被有一定指示意义的指标[11]，是用来描述植被数量、生长情况、覆盖状况等指标的参数[12]。上述指数为后续利用OIF指数寻找更好区分几种农作物的光谱信息奠定基础。

　　1.2纹理信息提取

　　纹理是由灰度分布在空间位置上反复交替变化而形成的，所以在图像空间中相隔某一距离的两个像素间存在一定的灰度关系，即图像中灰度的空间相关特性[13]。利用灰度共生矩阵提取的纹理特征，能够很好地描述像元之间的空间相关特性，反映图像的灰度统计特征。利用灰度共生矩阵可以提取图像的许多基本纹理参数，Haralick等人定义了14种纹理参数[14]。

　　在此实验中，使用了均值(Mean)、二阶矩(SecondMoment)、熵(Entropy)、对比度(Contrast)、同质性(Homogeneity)、差异性(Dissimilarity)、协方差(Variance)、相关性(Correlation)8种纹理参数表征农作物的纹理特征，用于后续利用OIF指数寻找更好区分几种农作物的纹理信息。在利用灰度共生矩阵提取图像的纹理特征时，涉及步长、窗口大小和方向3个基本参数。考虑到全色影像的分辨率更高，具有更加丰富的纹理信息，利用灰度共生矩阵对全色影像进行处理，提取影像的纹理信息。

　　1.3数据筛选

　　在经过纹理特征提取和植被指数计算之后，用于分类的数据量迅速增加，导致存在大量的数据量冗余。目前，常见的几种分类器如支持向量机、最大似然法、BP-神经网络法等都很难在存在大量数据冗余的情况下保证分类的精度及速度。因此，需要对前期处理的两类数据进行有效的筛选和组合，以保证数据的有效性。

　　2研究方法应用

　　2.1研究区概况及数据源

　　本次所选研究区是辽宁沈阳市苏家屯新开河村周边地区。根据实地调查结果，该地区有水稻、玉米、花生3种主要农作物。本实验使用的遥感影像数据为高分二号卫星数据，采集时间为2017年9月14号，云量为0.0%，轨道圈号为16603，Path/Row为1002/133，产品号为2597617。

　　2.2数据处理

　　2.2.1光谱信息提取

　　由于植被指数直接由原始光谱计算得到，故将原始光谱4个波段与11个植被指数归为一类数据，共15种数据，表示待分类影像的光谱信息。然后，计算它们之间的互相关系数，将互相关性较高的数据归为1类，共分为4类。

　　2.3农作物的分类

　　在经过上述的数据筛选后，减少了数据冗余，所选取的光谱、纹理和植被指数之间相关性较小，具有一定的代表性。在进行分类之前，首先根据实地调研情况，确定所有地块的种植作物情况，将地物分为六大类，分别为:玉米、水稻、花生、裸地、水、建筑。接着使用最大似然法分别利用原始光谱(Band1、Band2、Band3、Band4)和结合了纹理之后经过筛选的上述数据(MTVI1、Band1、Band4、RI、Correlation、Mean、Entropy、Contrast)进行分类。

　　3精度评价及影响因素分析

　　3.1精度评价利用混淆矩阵求分类精度可知，只利用光谱对其进行分类，农作物的综合分类精度为89.44%，利用上述综合纹理和光谱特征的分类方法对其进行分类，分类精度为93.57%，相比提高了4.13%。

　　3.2影响因素分析总体来说，使用上述方法对农作物分类，提高了各种农作物以及整体的分类精度。但还是存在着错分、漏分的现象，其主要的影响因素有以下几点:1)九月份农作物生长趋近成熟，致使农作物的纹理特征不是很明显;2)虽然GF-2号卫星数据分辨率较高，但是对于种植规则、密度都较为相近的农作物来说，其分辨率仍然不足以区分其纹理差异。针对以上存在的问题，今后可以考虑添加更多的特征信息进行分类，例如:农作物的时序特征信息等。

　　4结束语

　　本文所述在国产GF-2号卫星数据基础上，结合灰度共生矩阵和OIF等技术手段，综合利用光谱与纹理信息对农作物进行分类，可得以下结论:1)在光谱信息中加入纹理信息辅助分类，可以使农作物分类的精度得到有效提高。2)实验表明，GF-2号卫星遥感影像数据可以较好地支持农作物的分类识别。

　　参考文献：

　　[1]黄健熙，侯矞焯，苏伟，等.基于GF-1WFV数据的玉米与大豆种植面积提取方法[J].农业工程学报，2017，33(7):164-170.

　　[2]陈思宁，赵艳霞，申双和.基于波谱分析技术的遥感作物分类方法[J].农业工程学报，2012，28(5):154-160.

　　[3]MAXWELLSK，NUCKOLSJR，WARDMH，etal.AnautomatedapproachtomappingcornfromLandsatimagery[J].ComputersandElectronicsinagriculture，2004，43(1):43-54.

　　[4]CHANGJ，HANSENMC，PITTMANK，etal.CornandsoybeanmappingintheUnitedStatesusingMODIStime-seriesdatasets[J].AgronomyJournal，2007，99(6):1654-1664.

　　作者：曹伟男，王文高，王欣，于亚娇，刘善军

转载请注明来自发表学术论文网：http://www.fbxslw.com/nylw/26636.html