论文部分内容阅读
摘要：本文基于哨兵2号卫星的影像特征，对石河子总场农作物进行种类识别研究，并探讨基于中高分遥感的作物种类识别技术的应用及存在问题。
关键词：遥感;农作物种类识别
中高分遥感影像能够提供丰富的地物空间结构和细节信息，在城市规划、地形图更新、土地利用、土地覆盖等方面有着广泛的应用，也为更加精细的遥感作物识别提供新的数据来源。受制于成像技术，高分辨率数据可供利用的光谱波段较少，光谱分辨率较低，传统依靠光谱特征的分类方法严重制约着高分影像分类的精度。因此，在实际应用中通常将高分影像的纹理信息与光谱信息相结合，以提高地物分类的精度。
本文利用哨兵2号卫星的数据获取农作物类别信息为目标，选取石河子总场的区域作为研究区，通過对农作物相关的植被指数特征和纹理特征进行选择和分析，采用适用于高分辨率影像分类的面向对象分类方法，研究多特征面向对象农作物分类技术，为高分辨率影像农作物分类提供技术参考，为国产高分辨率影像的农业应用发展提供支持。
一、结果与分析
（一）植被指数和纹理特征的重要性评价
采用主成分分析法来评价植被指数和纹理特征的重要性程度，获得每个指数和特征的重要性分值，用平均精确率减少（Mean Decrease Accuracy）重要性评分来表示，直接对所有特征对模型精确率的影响进行度量，通过将对特征值顺序不断打乱，以度量顺序变化给模型的精确率造成的影响。
研究区影像的26个特征值的重要性分值如图1-1和表1-1所示。从图表中可以看出，重要性较高的植被指数从高到低依次为MSR、NDVI、GI、GNDVI和MCARI，重要性评分分别为40.3400、37.2719、33.5677、18.6619和16.4228;重要性较高的纹理特征指数是第四波段的Contrast、第八波段的Contrast、第三波段的Homogeneity、第三波段的Contrast、第三波段的second moment和第四波段的Entropy，重要性评分分别为42.7502，26.0820、24.2669、21.2991、20.1601、19.2425和Entropy。由此可知，植被指数特征的重要性相对而言比较高，而从四个波段计算得到的16个纹理特征中近红外波段的纹理特征值重要性相对较高，其他波段的纹理特征值重要性相对较低。
（二）特征个数对分类精度的影响
基于主成分分析获得的植被指数和纹理特征指数的重要性值，对特征指数按重要值的高低进行排序，每次选取不同的特征数量进行分类，以明确分类精度受参与分类的特征个数的多少的影响程度。采用基于样本的支持向量机分类器开展分类实验，所获得的分类精度如表1-2所示。从表中可以看出，分类精度与特征数量个数呈正相关，即随着特征数量的增加，分类精度不断提高，但当特征数量超过15的时候分类精度的增加程度变的很小，达到了平衡的状态，特征数量继续增加，分类精度的增加很小或者会产生精度变低的情况。
（三）面向对象分类
根据特征主成分分析的结果，选择重要性程度较高的前15个特征值参与分类，以提高分类的效率，鉴于哨兵2号数据的高空间分辨率特点，选择基于多特征的面向对象分类方法，检验哨兵2号影像在农作物分类应用上的有效性，为哨兵2号数据的应用提供技术参考。
（1）影像分割
基于多特征Mean Shift 分割方法对研究区的影像进行分割，采用多光谱波段和基于GLCM的纹理特征（基于多光谱影像的第一主成分，以3*3窗口计算）homogeneity、contrast、entropy、second moment 四个特征）。通过多次比较实验，根据研究区地物目标调节参数（带宽、阈值和最小区域像素点个数等），分别得到最优的分割结果，当图像分割参数Scale Level=50，Merge Level=80时得到最优的分割结果，能够很好的将地物的形状特征和轮廓表现出来。因此采用分割尺度为100的分割结果进行后续面向对象的分类实验。
（2）分类结果
针对分割后的影像采用支持向量机分类器进行面向对象的分类，分类精度达到了95.4040%，Kappa Coefficient为0.9394，分类效果较好，结果如图1-2所示。由此可以看出棉花、小麦、玉米和葡萄被很好的分开，且地物完整度较高。
分类结果还显示，石河子总场农作物中，棉花的种植面积最高，占22.67%，其次为葡萄、小麦和玉米，分别占21.88%、11.40%、9.3%，其余面积为非农业用地。
二、讨论
为检验基于哨兵2号数据影像农作物识别的有效性，同时掌握石河子总场中的农作物种植种类和面积，本章以石河子总场的哨兵2号中高分辨率遥感影像为研究对象，提取了影像的了10个植被指数和4个纹理特征进行测度，并采用主成分分析法对26个特特征对于5类地物的分类重要性进行了评价。根据评价的结果可知，在对农作物识别分类中植被指数的指示作用较高，而且不同的植被指数在植被分类中发挥的重要性程度不一。
通过对植被指数特征和纹理特征的评价和分析可以得出，本研究所选择的10个农作物相关植被指数在作物分类识别中有着很重要的作用，而近红外波段的纹理特征值对于作物的识别也有很大的作用。因此在进行高分辨率遥感农作物分类中，需针对所分类别及农作物的生长期，选择合适的特征值进行分析，可以采用植被相关指数和近红外波段的纹理特征值以获得比较好的分类效果。
三、小结
高分辨率遥感农作物分类，采用面向对象的分类十分必要，相比基于像元的方法，面向对象分类结果可以更好的避免椒盐效应，使分类结果破碎度减小，农田的规则形状特征也十分适用基于对象的分析。分割过程中，需根据农田的面积大小选择合适的分割参数，以获得与地面更加匹配的对象，提高农作物的分类精度。
针对当前中高分辨率的遥感图像存在波段少的特点，提出了利用多特征分类方法，通过选择合适的植被相关指数和纹理特征，进行特征评价和分类分析，得出植被指数与近红外波段的纹理特征值是农作物分类中需要选择的特征，由于高分辨率影像空间分辨率较高，在进行大范围研究中数据量会非常大，特征的多少对于分类器精度和速度有很大的影响，而植被指数也具有一定的地域性，因此在实际应用中，还需要根据研究区的地物类别及时相优选合适的植被指数和纹理特征用于分类，以保证分类精度和效率。
作者简介：
董嘉伟（1992.07--）;性别：男，籍贯：甘肃天水，学历：本科毕业于南昌工程学院;石河子大学在读研究生。现有职称：初级工程师;研究方向：农业信息化。
关键词：遥感;农作物种类识别
中高分遥感影像能够提供丰富的地物空间结构和细节信息，在城市规划、地形图更新、土地利用、土地覆盖等方面有着广泛的应用，也为更加精细的遥感作物识别提供新的数据来源。受制于成像技术，高分辨率数据可供利用的光谱波段较少，光谱分辨率较低，传统依靠光谱特征的分类方法严重制约着高分影像分类的精度。因此，在实际应用中通常将高分影像的纹理信息与光谱信息相结合，以提高地物分类的精度。
本文利用哨兵2号卫星的数据获取农作物类别信息为目标，选取石河子总场的区域作为研究区，通過对农作物相关的植被指数特征和纹理特征进行选择和分析，采用适用于高分辨率影像分类的面向对象分类方法，研究多特征面向对象农作物分类技术，为高分辨率影像农作物分类提供技术参考，为国产高分辨率影像的农业应用发展提供支持。
一、结果与分析
（一）植被指数和纹理特征的重要性评价
采用主成分分析法来评价植被指数和纹理特征的重要性程度，获得每个指数和特征的重要性分值，用平均精确率减少（Mean Decrease Accuracy）重要性评分来表示，直接对所有特征对模型精确率的影响进行度量，通过将对特征值顺序不断打乱，以度量顺序变化给模型的精确率造成的影响。
研究区影像的26个特征值的重要性分值如图1-1和表1-1所示。从图表中可以看出，重要性较高的植被指数从高到低依次为MSR、NDVI、GI、GNDVI和MCARI，重要性评分分别为40.3400、37.2719、33.5677、18.6619和16.4228;重要性较高的纹理特征指数是第四波段的Contrast、第八波段的Contrast、第三波段的Homogeneity、第三波段的Contrast、第三波段的second moment和第四波段的Entropy，重要性评分分别为42.7502，26.0820、24.2669、21.2991、20.1601、19.2425和Entropy。由此可知，植被指数特征的重要性相对而言比较高，而从四个波段计算得到的16个纹理特征中近红外波段的纹理特征值重要性相对较高，其他波段的纹理特征值重要性相对较低。
（二）特征个数对分类精度的影响
基于主成分分析获得的植被指数和纹理特征指数的重要性值，对特征指数按重要值的高低进行排序，每次选取不同的特征数量进行分类，以明确分类精度受参与分类的特征个数的多少的影响程度。采用基于样本的支持向量机分类器开展分类实验，所获得的分类精度如表1-2所示。从表中可以看出，分类精度与特征数量个数呈正相关，即随着特征数量的增加，分类精度不断提高，但当特征数量超过15的时候分类精度的增加程度变的很小，达到了平衡的状态，特征数量继续增加，分类精度的增加很小或者会产生精度变低的情况。
（三）面向对象分类
根据特征主成分分析的结果，选择重要性程度较高的前15个特征值参与分类，以提高分类的效率，鉴于哨兵2号数据的高空间分辨率特点，选择基于多特征的面向对象分类方法，检验哨兵2号影像在农作物分类应用上的有效性，为哨兵2号数据的应用提供技术参考。
（1）影像分割
基于多特征Mean Shift 分割方法对研究区的影像进行分割，采用多光谱波段和基于GLCM的纹理特征（基于多光谱影像的第一主成分，以3*3窗口计算）homogeneity、contrast、entropy、second moment 四个特征）。通过多次比较实验，根据研究区地物目标调节参数（带宽、阈值和最小区域像素点个数等），分别得到最优的分割结果，当图像分割参数Scale Level=50，Merge Level=80时得到最优的分割结果，能够很好的将地物的形状特征和轮廓表现出来。因此采用分割尺度为100的分割结果进行后续面向对象的分类实验。
（2）分类结果
针对分割后的影像采用支持向量机分类器进行面向对象的分类，分类精度达到了95.4040%，Kappa Coefficient为0.9394，分类效果较好，结果如图1-2所示。由此可以看出棉花、小麦、玉米和葡萄被很好的分开，且地物完整度较高。
分类结果还显示，石河子总场农作物中，棉花的种植面积最高，占22.67%，其次为葡萄、小麦和玉米，分别占21.88%、11.40%、9.3%，其余面积为非农业用地。
二、讨论
为检验基于哨兵2号数据影像农作物识别的有效性，同时掌握石河子总场中的农作物种植种类和面积，本章以石河子总场的哨兵2号中高分辨率遥感影像为研究对象，提取了影像的了10个植被指数和4个纹理特征进行测度，并采用主成分分析法对26个特特征对于5类地物的分类重要性进行了评价。根据评价的结果可知，在对农作物识别分类中植被指数的指示作用较高，而且不同的植被指数在植被分类中发挥的重要性程度不一。
通过对植被指数特征和纹理特征的评价和分析可以得出，本研究所选择的10个农作物相关植被指数在作物分类识别中有着很重要的作用，而近红外波段的纹理特征值对于作物的识别也有很大的作用。因此在进行高分辨率遥感农作物分类中，需针对所分类别及农作物的生长期，选择合适的特征值进行分析，可以采用植被相关指数和近红外波段的纹理特征值以获得比较好的分类效果。
三、小结
高分辨率遥感农作物分类，采用面向对象的分类十分必要，相比基于像元的方法，面向对象分类结果可以更好的避免椒盐效应，使分类结果破碎度减小，农田的规则形状特征也十分适用基于对象的分析。分割过程中，需根据农田的面积大小选择合适的分割参数，以获得与地面更加匹配的对象，提高农作物的分类精度。
针对当前中高分辨率的遥感图像存在波段少的特点，提出了利用多特征分类方法，通过选择合适的植被相关指数和纹理特征，进行特征评价和分类分析，得出植被指数与近红外波段的纹理特征值是农作物分类中需要选择的特征，由于高分辨率影像空间分辨率较高，在进行大范围研究中数据量会非常大，特征的多少对于分类器精度和速度有很大的影响，而植被指数也具有一定的地域性，因此在实际应用中，还需要根据研究区的地物类别及时相优选合适的植被指数和纹理特征用于分类，以保证分类精度和效率。
作者简介：
董嘉伟（1992.07--）;性别：男，籍贯：甘肃天水，学历：本科毕业于南昌工程学院;石河子大学在读研究生。现有职称：初级工程师;研究方向：农业信息化。