月尺度農作物提取中GF-1 WFV紋理特征的應用及分析

王 镕，趙紅莉，蔣云鐘，何 毅，段 浩

(1.中國水利水電科學研究院，北京 100038；2.蘭州交通大學測繪與地理信息學院，蘭州 730070)

0 引言

農作物種植結構反映了人類農業生產在空間范圍內利用農業生產資源的狀況[1]，是農作物種類、數量結構和空間分布特征等的信息組合，也是農業科學灌溉的基礎。目前基于遙感的農作物種植結構提取多采用影像的光譜特征與紋理特征，光譜特征一般用于中低分辨率數據，如TM，SPOT，HJ等或NOAA，MODIS等[2]。中低分辨率的遙感數據獲取來源較多，且影像覆蓋范圍廣，但是一般適合大面積單一作物的識別[3]。針對復雜的地物類型，僅光譜特征難以準確的區分各類作物，最終影響其分類精度。如部分研究利用Landsat8[4]，HJ-1A/B[5]，MODIS-EVI[6]影像光譜信息構建小麥、水稻等作物的長時間序列變化特征，并提取相應地物的空間分布信息，精度可達到85%以上；而紋理特征一般用于高分辨率的遙感影像識別過程，如QuickBird，SPOT[7]，SAR，SuperView-1等。高分辨率影像擁有豐富的紋理、色調、形狀和幾何結構等特征信息，地物內部細節信息明顯，邊緣突出，具有較高的分辨精度與目標識別可靠性。如研究人員利用灰度共生矩陣[8]計算QuickBird，SPOT，SAR[9]等影像的紋理特征，實現植被類型的分布并實現長期的監測，精度均在90%以上。但是由于重訪周期長、獲取最佳時相困難、且價格高昂等缺點，難以滿足農作物動態管理監測的需求。中高分辨率高分一號(GF-1)作為我國自主研發的衛星，因其重訪周期短，分辨率高等特點，自發射以來，已開始應用于我國林業、農業、自然災害、土地利用、定量化應用等眾多領域。如黃健熙等[10]利用大豆等作物的最佳生長期與影像光譜信息的之間的變化規律實現了集中作物的分類，精度最高達到85%；王利民等[11]從不同的分類方法入手實現冬小麥等大面積作物的提取，進而對比面向對象、決策樹等分類方法的提取精度[12]。同時，也有部分研究通過多種衛星影像數據的對比，從而分析GF-1在分類中的優勢。如歐陽玲[13]等等利用Landsat8，HJ-1A/B與GF-1數據，采用農作物遙感反演方法實現地物空間分布信息的提取，并基于影像的時效性與分類精度等多個方面分析GF-1影像的優勢，最終推廣國產衛星的應用范圍[14]。

經過對文獻的閱讀與整理可知，目前針對GF-1分類研究大多基于影像的光譜特征[15]，卻忽略了GF-1自身所表現出來的紋理特征。針對大面積單一作物，利用光譜特征的分類識別精度要優于中低分辨率影像，但是在作物相對復雜的區域，僅光譜特征難以表征各類別之間的差異，進而導致分類過程中出現大量的誤差[16]?；诖?，本文以河北省石津灌區主要作物冬小麥、棉花和玉米為例，利用國產衛星GF-1的光學遙感數據產品以及現場調查和實測數據，提取各類作物在影像中的紋理特征；并采用隨機森林分類算法對研究區種植結構進行識別分類，最終驗證GF-1WFV紋理特征在農作物提取中的應用。

1 研究區概況及數據源

1.1 研究區概況

石津灌區位于河北省中南部[16]，是一座大型灌區，為我國的糧食產量提供了大量的支持。種植作物以冬小麥、玉米為主，還有少量的蔬菜、果樹和棉花。本文以石津灌區為中心區域，研究其周邊包括石家莊、衡水、邢臺、保定、滄州5個市的22個縣(市、區)，具體如圖1所示，圖1為研究區位置及GF-1 2019年5月份標準假彩色合成影像。

圖1 研究區位置示意圖Fig.1 The location of research area and the spectral characteristics of sample

1.2 試驗設計與數據收集

1)試驗設計。利用光譜信息識別農作物，需要依賴作物的最佳窗口期，無法實現農作物的動態監測。為實現不依賴作物最佳窗口期的前提下動態獲取農作物的變化特征，本文以2019年GF-1WFV多期影像為主，提出利用紋理特征以及光譜輔助紋理等兩組實驗提取農作物，通過對比農作物空間分布信息與精度評價結果，分析紋理特征在農作物種植結構識別中的能力。

2)遙感數據。GF-1搭載了4臺WFV相機，幅寬可達到800 km，重訪周期為4 d，空間分辨率可達到16 m。根據對冬小麥[17]、夏玉米、棉花等作物的生長物候期分析以及本文對紋理特征在農作物識別效應的分析需求，選取2019年4月—2019年9月共計14景 GF-1WFV作物混雜程度不同的影像數據，實現了研究區內6期的全覆蓋。對影像進行了輻射校正、大氣校正、正射校正以及圖像拼接裁剪等預處理。

3)實測樣本庫構建。冬小麥的生長期為每年的10月份—次年的6月份[18]；蔬菜主要分為春蔬和秋蔬，分別在4—8月、9—11月；棉花是4—10月；夏玉米為6—10月；經濟園林為3—11月；為保證樣本選取的代表性和隨機性[19]，制作研究區10 km×10 km的規則格網，獲取每個格網內的樣方點(不少于3個)。最后根據上述要求對各個格網進行外業調查定位。之后利用ArcGIS等相關專業軟件構建各類農作物的樣本庫，為后期作物分類提供有效的參考。經過大量的實測采樣，最終獲取樣方位置283個，其中訓練189個，驗證94個，具體如圖2所示。

圖2 研究區樣本點分布示意圖Fig.2 Location of sampling points in study area

2 研究方法

2.1 影像紋理特征選取

紋理特征[20]是遙感解譯的一個重要判讀標志，可以反映影像的色調變化頻率、清晰度等等以及地物的空間分布等重要信息，因而在農作物較為復雜的區域內，紋理可以提供更多有效的信息[21]。紋理分析統計最常用的方法是灰度共生矩陣(GLCM)[22]，通過計算在一定距離的兩個像素點之間灰度相關系數來表示灰度重復出現的概率分布[23]。設像素灰度值為i和j，記作(i,j)；d表示距離像素點的距離；兩像素連線向量的角度即為θ，通常取0°，45°，90°和135°；共生矩陣P(i,j)則表示在距離和方向確定的情況下出現相同像素對的頻率[24]。具體計算公式為：

P(i，j)=[p(i,j,d,θ)]，

(2)

GLCM通過兩點之間的相關性表達了影像灰度在方向、間隔和變化幅度上的空間信息[25]，但是在進行紋理分析時，還不能直接作為特征變量用于區別不同地物，需要通過在此基礎上計算紋理特征量。常用的特征量一般有8種[26]，通過不同角度刻畫不同的空間紋理信息。具體如表1。表中，i,j為以影像左上角為坐標原點的各個像元的行列號；p(i,j)為像元的灰度值；μ是p(i,j)的均值；n為像元行列號差值的絕對值；L為影像的行或列的總數。其中考慮到窗口大小、距離d以及方向θ等對GLCM計算的影響，通過多組窗口的提取試驗，并結合文獻中關于紋理計算的研究，本文將移動窗口確定為5×5，同時默認θ=0，d=1對紋理進行計算。

表1 紋理特征量Tab.1 Texture feature

2.2 分類方法選擇

針對遙感影像的農作物種植結構識別，較為常用的方法有決策樹、面向對象、神經網絡、隨機森林等[27]。如大量研究基于決策樹實現研究區內的作物分布統計，但是該分類方法完全依賴人工操作，且需要操作人員具有較強的專業知識以及大量的經驗積累；還有部分研究基于面向對象實現土地利用六大類的提取，結果表明面向對象方法通過合適的分割尺度可以減少分類中的破碎斑塊現象，但是無法實現自動化，后期需要大量的人為操作；神經網絡方法也常常用于影像的分類過程，該方法對專業性的要求不高，但是泛化性較差[28]；而隨機森林是一個較為完善的分類方法，由于參數較少、方法簡單而被廣泛使用。其本質上是對決策樹的改進以達到分類精度提高的目的，是通過集成學習的思想將多棵CART決策樹集成的機器學習方法，減少了大量的人為干預；同時該方法也實現了樣本與特征兩者的隨機性，從而避免了訓練的過擬合現象，增強了方法的泛化能力[29]。利用隨機森林方法可以有效的克服傳統方法在分類中不足，具有較高的精確度。

3 基于紋理特征的農作物分類效果

在不考慮農作物時間序列最佳窗口期的影響，檢驗每期影像獨立提取種植結構的精度，從而驗證GF-1紋理特征在各期數據中的識別能力。首先利用紋理特征對2019年4—9月的6期影像進行分類，獲取研究區內的農作物種植結構，分類結果統計如表2。

表2 紋理特征分類結果統計Tab.2 The statistic of texture (km2)

各時相內的作物面積變化幅度均在2%～35%以內，如冬小麥在2期面積變化為12%，棉花6期相差3%～35%；夏玉米3期面積相差3%～15%；蔬菜5期面積相差3%～21%；經濟園林6期面積變化范圍在2%～10%。與實際調查的作物面積統計數據相對保持一致，表明紋理可以為影像分類提供有效的信息，具有一定的應用價值。

利用紋理特征的分類結果具體如圖3所示?？梢园l現，冬小麥、夏玉米種植較為集中，地塊相對完整，主要集中在東部和南部，兩者的空間分布基本一致；北部和西部經濟園林面積相對較大；蔬菜等主要分布在城區周邊；棉花主要分布在東北部，基本符合實際的種植情況。六期數據中4月和8月2個月的分類結果較好，而其他月份隨著作物類別增加與作物生長特征不明顯等原因，大大增加了遙感分類的難度。如標注內5月份林地和冬小麥大面積混淆，7月份易混淆的是林地和蔬菜；這也是由于兩月份內幾者的生長狀態相似，紋理特征差異較??；6月份影像有大片云層干擾，忽略云層影響，棉花和蔬菜出現大量的錯分，這是由于棉花和蔬菜較為分散，且六月份均處于苗期，16 m的分辨率很難表達兩者的差異；而9月份的分類結果破碎斑塊明顯增加，夏玉米等作物錯分現象明顯。這4個月的結果也表明了單獨紋理特征無法滿足各個時相的分類需求。

(a)4月 (b)5月 (c)6月

4 引入光譜特征后的農作物分類效果

根據上述的結論分析，可以得知基于紋理的分類結果在5月、6月、7月、9月等月份存在大量的錯分誤分現象?？紤]到植被指數作物的分布及生長狀態呈線性關系，是作物生長狀態監測的最佳指標。在紋理特征相對較弱的時相內引入植被指數，最終確定適合不同月份的最佳分類特征。將光譜與紋理組合后的結果與訓練樣本作為隨機森林分類器的輸入，利用隨機森林的回歸分析并訓練分類模型，獲取組合后的分類結果面積統計如表3所示，各類作物的面積統計與年鑒統計調查結果高度一致。與單一的紋理特征相比，各類作物面積變化幅度相對較小，均保持在150 km2以內。根據實測樣本對2種分類結果進行精度評價，結果如表4所示。綜合6期分類結果數據，單獨紋理特征分類結果總體精度最高可達到為92.95%，Kappa系數為0.91；將紋理與光譜組合之后的總體分類精度最高可以達到95.22%，對應的Kappa系數為0.93。組合后6期的分類精度均在80%以上，分類結果較為理想；而單獨紋理特征在不同時期出現了低值；如9月份的紋理特征信息較弱，大面積的林地減少，蔬菜等也出現了不同程度的破碎斑塊?？傮w而言，兩者組合后，分類特征增加，使得誤分或錯分的像元有所減少；與單獨紋理特征的分類精度相比，提高6%～10%。更加驗證了多特征組合的分類結果要優于單獨紋理的分類結果。

表3 組合后分類結果統計Tab.3 The statistic of combination (km2)

表4 分類精度評價表Tab.4 Classification accuracy evaluation

在紋理的基礎上引入植被指數生成研究區的主要農作物分布圖(圖4)。通過圖中標注的區域與單獨紋理分類結果中對應位置的對比，5月、6月、7月和9月的分類結果中各類別的錯分和誤分像元明顯減少，而4月、8月份兩組實驗的結果相對一致，表明了光譜的引入大大提高了5月、6月、7月、9月份的分類精度；尤其是9月份效果更加明顯，破碎斑塊明顯減少。

圖4 兩組實驗分類結果對比圖Fig.4 The classification results about experiments

通過對比兩組實驗，發現單獨紋理特征分類更適合4月、8月2個月份的分類。這是由于4月份作物結構相對簡單，各類作物在影像上所呈現的紋理結構相對完整，分類過程中不會造成太大的干擾，更加有利于影像的識別；而8月份是由于各類作物均處于最佳的生長狀態，作物的形狀、大小等差異也達到了最大化，在影像中紋理特征的區分度也有了很大的提升。因此，這2個月份內，單獨紋理特征不僅可以達到農作物監測的精度要求，而且可以有效地降低分類的時間復雜度，極大程度地減少計算機的存儲量。而針對其他時段，使用特征組合的方法要遠遠優于單獨紋理特征的分類精度。這是由于5月、6月、7月、9月這4個月的作物大多處于萌芽階段，形狀及大小極為相近。作物區分難度增加，此時在紋理特征的基礎上引入光譜特征，利用光譜的吸收和反射差異，增強不同作物的生長狀態信息，從而提高分類特征的區分能力，精確的獲取作物的種植結構，實現逐月的農作物動態監測。

5 結論與展望

本文基于GF-1WFV影像提取研究區主要種植農作物的空間分布信息。根據農作物由簡單到復雜的生長期變化特點以及特征量的不同選擇原則，選取2019年4月—2019年9月共6期影像進行2組實驗，并利用實測樣本數據進行驗證，主要得到以下結論：

1)單獨紋理特征可以為WFV影像分類提供許多有效的信息，如4月和8月份，分類精度可以達到80%以上，充分說明了GF-1WFV衛星影像數據的紋理特征在農作物識別過程中的可行性；但是在5月、6月、7月、9月等農作物復雜的時間段內，分類精度仍低于80%。

2)光譜與紋理組合使得各時相內的分類精度均超過80%，與紋理的分類結果相比，精度提高2.27%～9.75%。

3)通過幾組實驗對比，在滿足農作物監測的精度要求以及影像分類效率等的基礎上，4月、8月采用單一紋理特征的識別方法，而5月、6月、7月、9月則采用紋理與光譜組合的提取方法。

GF-1衛星以4 d的周期實現寬幅并且高精度的數據，與SPOT，MODIS，Landsat等衛星相比，滿足農業遙感逐月監測的需求，為農業灌溉面積監測以及農作物估產等應用提供了有力的支撐。但是本文在農作物信息提取過程中，也存在著一定的缺陷。比如缺少對特征的篩選?；叶裙采仃囉嬎愕募y理特征量較多，部分特征量之間存在一定的相關性，從而出現數據冗余，增加了分類的時間復雜度，同時也影響了農作物提取的精度；因此進一步的研究可以圍繞特征的優選算法展開，通過動態的獲取信息量最優的特征量并參與影像的分類，最終達到縮短分類時間、提高分類精度的目的。由于分類樣本的不完整影響了分類的精度，由于種植時間、灌溉水量以及氣候變化等存在差異，導致不同區域內農作物的長勢存在差異，樣本點無法完全覆蓋作物的各個生長階段，這在一定程度上影響了分類的精度。因此在進一步研究中，需要充分考慮各個時間段的農作物生長狀態，盡可能的保證樣本點的充分覆蓋。