在作物识别和面积估算中选择遥感数据和分类算法的方法

摘要

本发明公开在作物识别和面积估算中选择遥感数据和分类算法的方法，包括如下步骤：（1）获取目标区的遥感数据，并对获取的遥感数据进行预处理；（2）地面调查数据：进行目标区实际作物分布地面调查，获得样本作物分布图；利用地面调查数据，确定作物分类的训练样本与检验样本；（3）对预处理后的遥感数据进行尺度扩展，模拟生成多分辨率影像序列；（4）利用分类算法对作物进行分类，并估算不同作物的种植面积；（5）分析空间分辨率对作物识别和面积估算精度的影响，分析种植成数和聚集度对作物种植面积估算精度的影响；（6）选择适宜的遥感数据和分类方法。本发明为不同作物种植结构区进行遥感数据和分类方法选择提供了理论依据和实验基础。

说明书

技术领域

本发明涉及作物遥感识别方法，特别涉及一种在作物识别和面积估算中 选择遥感数据和分类算法的方法。

背景技术

随着遥感技术的快速发展，目前已经能够提供从局部、区域到全球范围 的连续地表采样，并可以提供从0.61米到数十公里空间分辨率的遥感数据， 实现从多个空间尺度进行对地遥感观测。尺度变异和敏感性在使用遥感数据 的分析中逐渐起到重要的作用。近年来，多尺度的遥感数据广泛用于区域乃 至全球尺度的土地覆被制图，人们越来越重视遥感数据分类精度尺度效应方 面的研究。随着空间分辨率的提高，遥感往往具有更高的地面目标识别和面 积估算精度。Moody和Woodcock研究了将高分辨率的土地覆盖数据聚合到 低分辨率过程中土地覆盖类型面积随分辨率的变化，结果表明当分辨率大于 90米时，面积估计误差显著增大。虽然选择高分辨率遥感数据有助于提高作 物识别和面积估算的区域精度，但是高分辨率遥感数据的价格较为昂贵，而 实践中对区域精度要求是不一样的；在区域精度要求比较低的情况下购买高 分辨率遥感数据，会使得作物识别和面积估算的成本很高，造成不必要的浪 费。

利用遥感数据识别不同农作物并估算其种植面积，是农作物产量估测的 基础。在农作物遥感识别过程中，作物种植面积测量精度除了受到影像空间 分辨率的影响，还与分类器类型、研究区的作物种植结构、聚集程度等因素 密切相关。针对具体的研究区，要满足一定的分类精度需要多少分辨率的数 据；不同的分类器对同一分辨率有何不同响应；不同分辨率下同种分类器的 精度有何变化；不同分辨率下作物种植成数、聚集度等因素对精度结果的影 响如何等；现有技术中均没有给出针对不同作物种植结构区进行遥感数据和 分类方法选择的理论依据和实验基础。

发明内容

针对现有技术中存在的不足，本发明的目的在于提供一种在作物识别和 面积估算中选择遥感数据和分类算法的方法，能够降低作物识别和面积估算 时遥感数据的购买成本，为农作物产量估测奠定坚实的基础。

本发明的技术方案是这样实现的：在作物识别和面积估算中选择遥感数 据和分类算法的方法，包括如下步骤：

（1）获取目标区的遥感数据，并对获取的遥感数据进行预处理；

（2）地面调查数据：进行目标区实际作物分布地面调查，获得样本作物 分布图；利用地面调查数据，确定作物分类的训练样本与检验样本；

（3）对预处理后的遥感数据进行尺度扩展，模拟生成多分辨率影像序列；

（4）利用分类算法对作物进行分类，并估算不同作物的种植面积；

（5）分析空间分辨率对作物识别和面积估算精度的影响，同时分析种植 成数和聚集度对作物种植面积估算精度的影响；

（6）针对作物识别和面积估算的具体情况及精度要求，选择适宜的遥感 数据和分类方法。

上述在作物识别和面积估算中选择遥感数据和分类算法的方法，在步骤 （1）中：获取影像空间分辨率为20m的卫星的目标区遥感数据，对获取的目 标区遥感数据进行辐射定标和几何纠正处理；辐射定标处理方法：将影像的 DN值转化为大气顶归一化光谱反射率，大气纠正采用FLAASH模型；几何纠 正处理方法：以目标区的历史SPOT5影像数据作为参考影像，采用二次多项 式方法对数据进行几何精纠正，采用40个控制点，纠正误差控制在0.5个象 元内。

上述在作物识别和面积估算中选择遥感数据和分类算法的方法，在步骤 （2）中：首先根据耕作信息，参考SPOT5影像勾绘出每个种植地块的边界， 并进行唯一性编号,借助地理信息系统整理形成目标区内作物田块矢量数据 集,开展野外实地调查，实地确认地块边界的正确性，并逐地块填写作物类型, 在室内编辑整理，得到目标区的样本作物分布图；然后根据目标区地物物候 及分布特征，确定最终分类类别；最后根据SPOT5数据的野外实地调查得到 的样本作物分布图，并结合目视判图经验解译方式，按照最终分类类别对每 个类别分别选取样本，从所选取的样本中随机抽取一半作为训练样本，另一 半为用于精度评价的检验样本，训练样本和检验样本没有重合。

上述在作物识别和面积估算中选择遥感数据和分类算法的方法，在步骤 （3）中：采用简单平均法对预处理后的遥感数据进行尺度扩展：将遥感影像 n*n窗口内的像元平均值作为转换后对应的分辨率为40m、60m、80m和100m 的遥感影像的像元值。

上述在作物识别和面积估算中选择遥感数据和分类算法的方法，在步骤 （6）中：对于区域精度要求达到90%以上且待估算作物种植面积很小但待估 算作物分布又比较密集的地区，待估算作物种植面积很小是指待估算作物的 种植成数不足5%，分布又比较密集是指待估算作物的聚集度低于0.2的情况； 选用60m分辨率的数据；分类算法采用最大似然分类算法或支持向量机分类 算法；最大似然分类算法：通过统计方法计算各个象元属于每个类的概率， 将该象元归属于概率最大的类；支持向量机分类算法：选择径向基函数RBF 为核函数，核参数γ设置为0.25，惩罚因子C设置为100。

上述在作物识别和面积估算中选择遥感数据和分类算法的方法，在步骤 （6）中：对于区域精度要求达到90%以上且待估算作物种植面积较小且待估 算作物分布比较零散的地区，待估算作物种植面积较小是指待估算作物的种 植成数不足30%而大于或等于5%，待估算作物分布比较零散是指待估算作物 的聚集度高于0.4的情况，选用20m-40m分辨率的数据；分类算法采用支持 向量机分类算法或最大似然分类算法。

上述在作物识别和面积估算中选择遥感数据和分类算法的方法，在步骤 （6）中：对于区域精度要求达到90%以上且待估算作物种植较密集且待估算 作物种植面积占优势的地区，待估算作物种植较密集是指待估算作物的聚集 度小于或等于0.4且大于或等于0.2，所述待估算作物种植面积占优势是指 待估算作物的种植成数大于30%的情况，选用100m分辨率遥感数据；分类算 法采用人工神经网络分类算法：选用三层神经网络反向传播算法，遥感数据 的5个波段对应于网络的5个输入节点，隐含层设置8个节点，6个分类类 别对应输出层的6个输出节点，激发函数选用Logistic函数，最大迭代次数 设为1000，结束迭代的误差阈值设为0.1。

上述在作物识别和面积估算中选择遥感数据和分类算法的方法，种植成 数F即某一种作物种植面积fraction占总种植面积A₀的百分比，即： F=fraction/A₀；聚集度即同一种作物空间分布的集中程度，聚集度值越高， 作物分布越零散，相反，聚集度值越低，作物分布越集中，聚集度计算方法 如下：（a）设定目标区内各作物类型象元个数的50%作为计算作物聚集度的 标准，（b）把15km*10km的目标区均分成100个1.5km*1km的小区域，统计各 小区域内各个作物类型的象元个数，并将象元个数由大到小排列，（c）把小 区域内各作物类型的象元个数由大到小相加，直到达到总象元个数的50%， （d）计算参与相加的小区域个数占总小区域数的百分比，这个值即为该作物 的聚集度。

本发明的有益效果是：本发明开展了尺度变化对农作物识别和种植面积 估算精度的影响研究，探讨不同空间分辨率的遥感数据对作物分类和面积估 算精度的影响规律，并分析了作物种植成数和聚集度在不同尺度水平下对作 物面积估算精度的影响，为不同作物种植结构区遥感数据和分类方法的选择 提供理论依据和实验基础；本发明可以用于针对特定遥感应用中遥感数据和 分类方法的选择，降低作物识别和面积估算时遥感数据的购买成本。

附图说明

图1实验区地理位置，CBERS-02B CCD影像及SPOT5影像。

图2样区样本作物分布图。

图3本发明在作物识别和面积估算中选择遥感数据和分类算法的方法的 技术路线图。

图4A总体精度随不同分辨率的变化图（标有实心方块的线代表MLC，标 有实心圆形的线代表SVM，表有实心菱形的线代表ANN）。

图4B Kappa系数随不同分辨率的变化图（标有实心方块的线代表MLC， 标有实心圆形的线代表SVM，表有实心菱形的线代表ANN）。

图5A玉米的区域精度随分辨率的变化图（标有实心方块的线代表MLC， 标有实心圆形的线代表SVM，表有实心菱形的线代表ANN）。

图5B大豆的区域精度随分辨率的变化图（标有实心方块的线代表MLC， 标有实心圆形的线代表SVM，表有实心菱形的线代表ANN；纵坐标表示区域精 度%）。

图5C金银花的区域精度随分辨率的变化图（标有实心方块的线代表MLC， 标有实心圆形的线代表SVM，表有实心菱形的线代表ANN）。

图5D棉花的区域精度随分辨率的变化图（标有实心方块的线代表MLC， 标有实心圆形的线代表SVM，表有实心菱形的线代表ANN；纵坐标表示区域精 度%）。

具体实施方式

结合附图对本发明做进一步的说明：

本实施例的实验区位于河南省新乡市封丘县，中心地理坐标114^°30′E 和35°03′N，大小15km*10km（图1）。该地区属于暖温带大陆性季风气候 区，多年平均气温13.9℃，降雨量615.1mm，雨热同期，光热水资源丰富， 土壤肥沃，属典型的一年两熟制，秋粮作物主要为冬小麦，夏粮作物主要包 括夏玉米、大豆、花生等，此外该地区还广泛种植了经济作物棉花及一种特 有的药材金银花，作物种植结构相对复杂，对华北地区的农作物种植制度具 有典型代表性。实验区夏玉米和大豆一般6月中旬种植，9月份收获；棉花4 月中旬种植，10月初收获；金银花属多年生作物，一般在6、7、8、9四个 月份分别采摘第1、2、3、4茬花。

（1）获取实验区的遥感数据，并对获取的遥感数据进行预处理。

订购实验区内中巴地球资源卫星02B(CBERS-02B)CCD影像1景，接收时 间为2008年8月22日，影像清晰度好，虽然有少量的云，但基本都分布在 居民区上方，不影响研究中作物的识别（图1）。影像空间分辨率20m，幅宽 113km，包括5个波段，前4个波段在谱段设置上与Landsat7TM相当，波谱 范围分别是0.45～0.52um，0.52～0.59um，0.63～0.69um，0.77～0.89um， 第5波段是全色波段，范围是0.51～0.73um。

影像获取后对其进行了辐射定标和几何纠正处理。辐射定标是将影像的 DN值转化为大气顶归一化光谱反射率，大气纠正采用FLAASH模型。几何纠 正以实验区的历史SPOT5影像数据作为参考影像，采用二次多项式方法对数 据进行几何精纠正，采用40个控制点，纠正误差控制在0.5个象元内。

（2）地面调查数据：进行实际作物分布调查，获得样本作物分布图；利 用地面调查数据，确定作物分类的训练样本与检验样本。

为了获得实验区内实际的农作物分布特征信息，本实施例借助SPOT5全 色影像（成像时间为2008年4月16日，空间分辨率2.5米），选择了1个具 有代表性的5Km*5Km样区(图1)，进行实际作物分布调查，获得了样区内准 确的2008年秋季作物分布图（图2）。具体调查方法如下：首先根据耕作信 息，参考SPOT影像勾绘出每个种植地块的边界，并进行唯一性编号；借助地 理信息系统整理形成实验样区内作物田块矢量数据集；在2008年8月19日， 开展野外实地调查，实地确认地块边界的正确性，并逐地块填写作物类型； 最后在室内编辑整理，得到实验样区的样本作物分布图。

（3）对预处理后的遥感数据进行尺度扩展，模拟生成多分辨率影像序列。

首先以CBERS-02B20米分辨率数据为基准，对其进行尺度扩展，模拟生 成多分辨率影像序列（40m，60m，80m，100m）。同时，利用地面调查数据， 确定作物分类的训练样本与检验样本。

多分辨率影像序列获取：在遥感中常用的尺度扩展方法主要有简单平均 法、中心像元法、最近邻法、双线性内插和立方卷积。本实施例采用简单平 均法进行影像的尺度扩展：将遥感影像n*n窗口内的像元平均值作为转换后 对应的低分辨率（40m，60m，80m，100m）的遥感影像的像元值。中心像元法 是取n*n窗口内中心像元值作为转换后对应的低分辨率的遥感影像的像元 值，该方法常用于水文学中。最近邻法，双线性内插和立方卷积在尺度转换 因子大于5时，不适合将遥感图像从高分辨率转换到低分辨率。

（4）利用分类算法开展农作物分类试验，估算不同作物的种植面积。

样本数据集确定及分类方法：根据实验区地物物候及分布特征，将玉米、 棉花、金银花、大豆、林地和非耕地作为最终分类类别，其中林地包括树木 和苗圃，非耕地包括城镇居民区、道路和水渠等。根据SPOT5数据的野外地 面调查得到的样本作物分布图，并结合目视判图经验解译方式，基于20m分 辨率的CBERS-02B影像，选取非耕地样本1518个象元，林地样本860个象元， 玉米样本1520个象元，棉花样本789个象元，金银花样本851个象元，大豆 样本749个象元，从所选取的样本中随机抽取一半作为训练样本，另一半为 用于精度评价的检验样本，训练样本和检验样本没有重合。

本实施例采用最大似然分类算法(MLC)、支持向量机分类算法(SVM)和人 工神经网络分类算法(ANN)3种分类算法开展农作物分类实验，估算不同作 物的种植面积，并分别从象元尺度和区域尺度进行分类精度和种植面积估算 精度评价。在分析空间分辨率对面积估算精度影响的同时，还进行了作物种 植成数和聚集度的影响分析。总体技术路线见图3。

MLC是通过统计方法计算各个象元属于每个类的概率，将该象元归属于 概率最大的类；SVM选择了径向基函数（RBF）为核函数，核参数γ设置为 0.25，惩罚因子C设置为100；ANN选用了三层神经网络反向传播算法，遥感 数据的5个波段对应于网络的5个输入节点，隐含层设置8个节点，6个分 类类别对应输出层的6个输出节点，激发函数选用Logistic函数，最大迭代 次数设为1000，结束迭代的误差阈值设为0.1。

为了使分类结果具有可比性，对不同分辨率的影像和不同分类方法都采 用了相同的训练样本和检验样本，对不同数据采用了相同的分类器参数设置。

种植成数和聚集度的计算:对于不同的实验区，各作物所占的面积百分比 和聚集程度是不同的，这些都会对区域精度产生影响。因此，本实施例在分 析空间分辨率对面积估算精度影响的同时，还进行了作物种植成数和聚集度 的影响分析。

种植成数（F）即某一种作物种植面积（fraction）占总种植面积（A₀） 的百分比，即：F=fraction/A₀。

聚集度即同一种作物空间分布的集中程度，聚集度值越高，作物分布越 零散，相反，聚集度值越低，作物分布越集中。计算方法如下：（a）设定实 验区内各作物类型象元个数的50%作为计算作物聚集度的标准。（b）把 15km*10km的实验区均分成100个1.5km*1km的小区域，统计各小区域内各 个作物类型的象元个数，并将象元个数由大到小排列。（c）把小区域内各作 物类型的象元个数由大到小相加，直到达到总象元个数的50%。（d）计算参 与相加的小区域个数占总小区域数的百分比，这个值即为该作物的聚集度。

（5）分析空间分辨率对作物识别和面积估算精度的影响，同时分析种植 成数和聚集度对作物种植面积估算精度的影响。

（5.1）精度评价指标

为全面分析空间分辨率对作物识别和面积估算的影响，分别从象元尺度 和区域尺度对不同空间分辨率、不同分类方法的结果进行了比较和分析。

（a）象元尺度上，主要是基于上述随机选取的检验样本，得到分类混淆 矩阵，计算出总体象元精度和Kappa系数作为检验分类效果的指标。

（b）区域尺度上，文中采用了用来比较相对精度的区域精度。

以地面填图数据得到的各类别的面积总量（A₀）为基准值,将由尺度扩展 得到的较低分辨率（i）下提取的各类别的面积总量A_i与A₀进行对比，获取区 域内各类别的总体面积估算精度K_i，计算公式：

$K_i=(1-\frac{|A_i-A_0|}{A_0})*100\%$

（5.1）结果与分析

（5.1.1）空间分辨率对分类精度的影响分析

本实施例利用地面验证样本，计算不同分辨率影像采用不同分类方法得 到的混淆矩阵，进而得到总体分类精度（图4A-4B）。

（a）随着空间分辨率的降低，分类精度呈下降趋势。在分辨率优于60m 的情况下，分类精度受到空间分辨率的影响较小，分类精度基本达到90%以 上，当分辨率低于80m以后，分类精度急剧下降（100m分辨率时分类精度不 到50%），已经明显不能满足监测需要。

（b）从三种分类方法对象元精度影响的角度分析，总体来说SVM得到的 结果最为理想，而ANN精度最差，这与该方法网络类型的选择、隐含层数目 和隐含层结点数难以确定有关。

（5.1.2）空间分辨率对面积估算精度的影响分析

根据不同分辨率下的不同分类结果估算各种作物的种植面积，得到不同 作物的区域精度随分辨率的变化图（图5A-5D）。同时以地面调查获得的作物 种植地块分布图为基础，计算了不同作物的种植成数和聚集度值（表1）。

表1不同作物的种植成数和聚集度值

作物类型 种植成数（%） 作物聚集度 玉米 38.48 0.33 棉花 7.78 0.42 金银花 7.96 0.44 大豆 2.57 0.18

（a）在空间聚集水平接近的情况下，如玉米和金银花，玉米的区域精度 随分辨率的降低下降速率较慢，金银花的区域精度下降较快。随着分辨率由 20米下降到100米，玉米精度下降平均不超过20个百分点，而金银花则下 降超过50个百分点，这是因为玉米的种植成数超过了38%，而金银花的种植 成数较小（均不足10%）。说明种植成数越高，区域精度随分辨率的降低下降 速率越慢。

（b）在种植成数接近的情况下，如棉花和金银花，棉花的区域精度随分 辨率的降低下降速率较慢，金银花的区域精度下降较快。随着分辨率由20 米下降到100米，棉花精度下降平均不超过40个百分点，而金银花则下降超 过50个百分点，这是因为棉花的聚集度值较小，分布较密集。表明作物分布 越密集，区域精度随分辨率的降低下降速率越慢。

（c）大豆的聚集度值为0.18，分布最为密集，虽然其种植成数很低（仅 为2.57%），当分辨率优于80米时，面积估算精度随分辨率的降低仍然比较 稳定，精度基本在80%以上，但当分辨率降低到100米时，精度迅速下降。 说明对于分布十分密集的作物，当分辨率较高时，聚集度对其精度结果起主 导作用。

（d）从三种分类方法对区域精度影响的角度分析，对于玉米这种种植成 数较高的作物，3种分类方法均能达到较高的精度。对于大豆、棉花和金银 花，总的来说，SVM和MLC算法能够保证在分辨率相对较高的情况下（<80 米）获得较高的区域精度，ANN算法则在空间分辨率下降时面积估算精度急 剧下降。

（5.1.3）数据源及分类方法选择问题

随着遥感技术的发展，大量携带不同传感器的卫星陆续升空，可获取多 个不同空间分辨率的遥感数据，诸如Landsat MSS(80m)、Landsat TM(30m)、 SPOT(20m)、CBERS(20m)、IKONOS(1m)、QuickBird(0.61m)等等。在多种数据 源中选择合适的数据成了一个新的难题。目前，国际上关于分辨率的一个广 泛关注的问题，就是针对某一特定研究如何选择合适的数据源，以及要满足 一定的精度要求选用何种分类方法。

（5.1.4）本实施例技术方案的有益效果：由于随分辨率的降低，分类精度 呈下降趋势；因此选择分辨率高于80米的遥感数据，精度能维持在85%以上。 随着空间分辨率的降低，作物种植成数越高，作物种植越密集，种植面积估 算精度下降的速率越慢；对于聚集度低于0.2的作物，当分辨率高于80米时， 聚集度对其精度结果起主导作用。因此，本发明可用于指导针对不同种植结 构地区满足不同精度要求的数据源和分类方法的选择。

（6）针对作物识别和面积估算区的具体情况及精度要求，选择适宜的遥 感数据和分类方法。

对于待估算作物种植较密集且待估算作物种植面积占优势的地区（待估 算作物种植面积种植较密集是指待估算作物的聚集度小于或等于0.4且大于 或等于0.2，待估算作物种植面积占优势是指待估算作物的种植成数大于30% 的情况），区域精度要求达到90%以上时，选用100m分辨率的遥感数据（如 MERIS数据）以及ANN算法（人工神经网络分类算法）即可满足要求；人工 神经网络分类算法：选用三层神经网络反向传播算法，遥感数据的5个波段 对应于网络的5个输入节点，隐含层设置8个节点，6个分类类别对应输出 层的6个输出节点，激发函数选用Logistic函数，最大迭代次数设为1000， 结束迭代的误差阈值设为0.1。在实际应用中，针对10个待估算作物种植较 密集且待估算作物种植面积占优势的地区进行作物识别和面积估算时，选用 100m分辨率的遥感数据及ANN算法，区域精度均大于90%。

对于待估算作物种植面积很小但待估算作物分布又比较密集的地区（待 估算作物种植面积很小是指待估算作物的种植成数不足5%，待估算作物分布 又比较密集是指待估算作物的聚集度低于0.2的情况），区域精度要求达到 90%以上时，选用60m分辨率的遥感数据（如IRS-P6数据）即可实现区域精 度达到90%以上，分类算法选用SVM算法（支持向量机算法）和MLC算法（最 大似然算法）均可得到较高的精度。在实际应用中，针对10个待估算作物种 植面积较小但待估算作物分布又比较密集的地区进行作物识别和面积估算 时，选用60m分辨率的遥感数据及SVM算法，区域精度均大于92%；如果选 用60m分辨率的遥感数据及MLC算法，区域精度均大于90%。

对于待估算作物种植面积较小且待估算作物分布比较零散的地区，待估 算作物种植面积较小是指待估算作物的种植成数不足30%而大于或等于5%， 待估算作物分布比较零散是指待估算作物的聚集度高于0.4的情况，空间分 辨率对区域精度的影响较大，区域精度要求达到90%以上时，选用20m-40m 分辨率的遥感数据（如TM或CBERS-02B数据），并且选用SVM算法（支持向 量机算法）和MLC算法（最大似然算法）均可满足要求。在实际应用中，针 对10个待估算作物种植面积较小且待估算作物分布比较零散的地区进行作 物识别和面积估算时，选用20m分辨率的遥感数据及MLC算法，区域精度均 大于93%；如果选用20m分辨率的遥感数据及ANN算法，区域精度均大于92%； 选用40m分辨率的遥感数据及MLC算法，区域精度均大于92%；如果选用40m 分辨率的遥感数据及ANN算法，区域精度均大于91%。

上述实施例仅仅是为清楚地说明本发明创造所作的举例，而并非对本发 明创造具体实施方式的限定。对于所属领域的普通技术人员来说，在上述说 明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有 的实施方式予以穷举。凡在本发明的精神和原则之内所引伸出的任何显而易 见的变化或变动仍处于本发明创造权利要求的保护范围之中。