解文欢，张有智，吴 黎，张海峰，张 宇，张效霏

（黑龙江省农业科学院 农业遥感与信息研究所，150086，黑龙江哈尔滨）

高分卫星数据是国家的战略资源，其应用已深入到国家经济和社会发展、生态建设、民生保障、国家安全等方面。在农业农村领域，高分卫星数据得到了广泛应用，通过有效监测农业生产情况，科学预测作物长势、面积、产量等情况，对农业生产灾害能做到快速反应和评估，为客观掌握宏观农业生产形势、制定和实施精准的政策措施等提供了高效的技术手段。

赵璐等以馆陶县为研究区，基于国产高分二号卫星影像数据，采用面向对象的最近邻方法提取研究区农业大棚信息，提取精度为95.65%[1]。张彦等利用GF-6 WFV数据构建温度植被干旱指数，最大相关系数为0.85，花生干旱等级监测总体准确率为91.98%[2]。郭燕等利用高分一号卫星数据，结合Landsat-8 和RapidEye 数据，对比支持向量机法和光谱角法提取鄢陵县玉米面积，支持向量机法的分类精度优于光谱角法的分类精度[3]。葛皓使用国产高分一号卫星WFV 影像提取了江苏省盐城市东台市条子泥条北水稻垦区的红、绿、蓝及近红外波段的反射率，比较了22 个常用植被指数诊断大田水稻氮素营养水平的能力与估产的能力[4]。王婷等基于GF-1 WFV 卫星遥感数据，应用归一化植被指数，对盘锦2020 年水稻长势进行多时相动态遥感监测，结果显示:2020 年盘锦水稻长势前期较好，中期变差，后期恢复[5]。

GF-6 卫星具有高分辨率、宽覆盖、多波段、高质量和高效率成像等特点，为作物识别提供更丰富的信息。GF-6 卫星遥感数据的使用，扩大了遥感监测范围，提高了遥感监测频率，提升了遥感识别精度，降低了农业资源调查成本。由于GF-6 卫星可获取红边波段，打破了RapidEye 卫星对于红边波段遥感影像的垄断，在农作物面积监测中将替代50%的国外卫星数据（Landsat8_OLI），提高了国产卫星影像应用能力。GF-6 卫星的发射成功标志着我国农业遥感的研究工作开启了以GF-6 卫星数据为主要数据源的新局面。本文以拜泉县为研究区域，基于GF-6 WFV 遥感数据，采用随机森林算法对研究区的玉米、大豆和水稻进行分类，通过实地采集GPS 地面验证点进行分类精度评价，探究采用随机森林算法对GF-6 WFV 影像提取农作物种植结构精度，为农作物面积和种植结构提取提供数据参考。

1 材料与方法

1.1 研究区概况

拜泉县位于黑龙江省中西部地区，地处小兴安岭余脉与松嫩平原过渡地带，东经125.5°～126.5°，北纬47.3°～47.9°，面积为3 599 km2，地势呈东高西低、南高北低，由东向西逐渐平缓，地理位置如图1 所示。地形漫川漫岗，丘陵起伏，沟谷切割强烈。研究区属于温带大陆性气候区，年均气温在1.2 ℃，无霜期为122 d，年平均降水量为490 mm，降水多集中在夏季。研究区的土壤类型主要为黑土、黑钙土和草甸土，土质肥沃，有利于农作物生长，主要农作物类型为玉米和大豆，其他为马铃薯、中草药和芸豆等。

图1 拜泉县地理位置示意图

1.2 研究数据及预处理

1.2.1 遥感数据及预处理

本研究选用2020 年8 月26 日的GF-6 WFV 数据为数据源。GF-6 WFV 卫星2018 年6 月2 日发射成功，具有窄幅（PMS）和宽幅（WFV）2 种不同空间分辨率，GF-6 WFV 数据分辨率为16 m，卫星波段信息包括蓝（0.45～0.52 μm）、绿（0.52～0.59 μm）、红（0.63～0.69 μm）、近红外（0.77～0.89 μm）、红边1（0.69～0.73 μm）、红边2（0.73～0.77 μm）、紫边（0.40～0.45 μm）、黄边（0.59～0.63 μm）8 个波段[6]。GF-6 WFV 卫星与GF-1 卫星组网运行，GF-6 WFV 影像与GF-1 WFV影像预处理流程相似，在ENVI5.3 中对获取的GF-6 WFV 卫星数据进行辐射定标、大气校正和几何精校正等预处理工作[7]。

1.2.2 解译标志点和验证点获取

2020 年7 月5—7 日进行野外调查，使用手持GPS 野外实地采集解译标志点200 个和验证点120个，涉及玉米、水稻、大豆和蔬菜等同一时期农作物。

1.3 研究方法

1.3.1 农作物生长发育时期

农作物类型判读的最佳时相要选择农作物生长茂盛、影像反映明显的时期。根据研究区内各农作物的生长发育时间（如表1 所示），确定各类农作物的最佳识别期，对影像进行判读。因此选择8 月26 日农作物处于生长旺盛期（玉米的乳熟期、大豆的结荚期、水稻的抽穗期）的影像进行农作物识别，如图2 所示。

表1 拜泉县主要作物的发育期

图2 8 月26 日GF-6 WFV 卫星影像图

1.3.2 分类方法

采用单模型分类方法的模型往往精度不高，容易出现过拟合问题，随机森林算法是为了解决单个决策树模型过拟合问题而提出的算法。随机森林算法由BREIMAN L[8]提出，他通过bootstrap 重抽样技术，从原始训练样本集N 中有放回地重复随机抽取k 个样本生成新的训练样本集合，然后对每个bootstrap 样本进行决策树建模，把分类树组合成随机森林，在变量(列)的使用和数据(行)的使用上进行随机化，生成很多分类树，然后组合成多棵决策树进行预测，再汇总分类树的结果。

（1）每棵决策树由样本量为K 的训练样本X 和随机向量θk生成。

（2）随机向量序列{θk，k=1，2，…，K}独立同分布。

（3）随机森林即所有决策树的集合{h (X，θk)，k=1，2，…，K }

（4）每个决策树模型h(X，θk)都有一票投票权来选择输入变量x 的分类结果。

式中：H（x）表示随机森林分类结果；hi（x）是单个决策树分类结果；Y 表示分类目标；I(.)为示性函数。RF分类模型使用简单的投票策略来完成最终的分类。

随机森林算法的优点是：具有极高的准确率;随机性的引入，使得随机森林不容易过拟合，有很好的抗噪声能力;能处理很高维度的数据，并且不用做特征选择;既能处理离散型数据，又能处理连续型数据，数据集无需规范化;训练速度快，可以得到变量重要性排序，容易实现并行化。随机森林算法在运算量没有显著提高的前提下提高了预测精度。

2 结果

在ENVI5.3 软件中，基于GF-6 WFV 遥感数据，利用GPS 采集的解译标志点建立训练样本，在随机森林树设为100 的情况下进行随机森林分类，提取大豆、水稻和玉米的种植结构并计算面积（如图3 所示）。分类结果数据与GPS 采集的120 个地面验证点进行精度验证，kappa 系数为0.893 72，总分类精度达92.5%。2020 年拜泉县种植水稻0.796 万hm2，玉米7.839 万hm2，大豆17.122 万hm2。

图3 2020 年基于GF-6WFV 影像的拜泉县主要农作物种植结构图

3 结论与讨论

本文基于GF-6 WFV 遥感数据利用随机森林算法对拜泉县主要农作物玉米、大豆和水稻种植结构进行提取研究。采用随机森林算法，随机森林树为100 的情况下进行分类，总体分类精度达到了92.5%。采用随机森林算法对GF-6 WFV 卫星数据进行识别分类，能够准确提取农作物空间分布，实现对农作物种植范围的更新与变化范围的监测，能够极大降低人工目视解译的工作量，提高更新效率。研究过程中也存在一些问题，本研究仅从光谱特征角度进行了分类，后续研究中可以根据不同波段和纹理特征的结合，分析对农作物识别精度的影响，将波段和纹理特征结合，以提高对农作物的识别精度。GF-6 WFV 卫星数据已成为农业遥感业务运行系统的主要数据源之一，在农业生产和管理中得到了规模化应用，为各农业部门提供了科学客观的信息支持。