梁友嘉，徐中民

(中国科学院寒区旱区环境与工程研究所 内陆河流域生态水文重点试验室，甘肃 兰州 730000)

作物类型和生长面积是农作物管理和农业规划的基本信息源之一。近几十年来，遥感技术在作物识别和面积估算研究中已得到广泛应用，从航空拍摄图像到多光谱卫星影像，技术手段日益更新。由于卫星影像具有覆盖面积大、时效性强等特点，已逐渐取代航空图像成为作物识别的基本信息源[1]。基于不同的卫星传感器，在作物识别和面积估算中得到广泛应用的卫星影像有：Landsat MSS(Multispectral Scanner，MSS)和TM(Thematic Mapper，TM)数据[2]，SPOT影像[3]，印度遥感卫星(Indian Remote Sensing Satellite，IRS)数据[4]。其中，单日尺度的多光谱影像最为常用，但已有学者指出在特定年份使用多日尺度影像进行分类的诸多优势[5-6]。选用单日或多日尺度影像取决于诸多因素，一般包括研究区作物类型、生长周期、数据获取成本和气候条件等。此外，选择影像时还应考虑光谱特征，光谱信息越多，越能借助详细的光谱特征进行作物分类，但操作成本会相应增加。一般情况下，气候条件是获取影像的最大限制因素，往往用于特定研究区作物生长情况研究的影像是无云的单日卫星影像。基于上述因素，以单日尺度影像为数据源时，通常可利用多种分类技术和大量的训练样本获取较为精确的作物分类。此外，为克服云覆盖的问题，合成孔径雷达(Synthetic Aperture Radar，SAR)影像也已得到应用。一般有两种用法：或单独用于作物识别研究[7]，或和一些光学遥感影像联合使用[8]。

作物类型区分的基本假设是每种作物类型有唯一的地物特征或唯一的光谱特征。但实际工作中较难区分，会受土壤属性、施肥状况、虫害状况、灌溉、种植时间、套作和耕地活动等影响[9-10]，致使某一个谱段区内两种不同地物可能呈现相同的谱线特征(同谱异物)，或使得处于不同生境的同一地物呈现不同的谱线特征(同物异谱)。此外，作物物候和田块的空间光谱信息变化也是常见的问题[11-12]。近年来，随着GIS技术的大量使用，利用卫星影像获取精确作物信息的可能性得到极大提高。除传统监督分类和非监督分类方法外，人工神经网络、支持向量机、决策树和影像分割等新技术已在遥感影像分类中得以应用[13]；还有基于田块的分类方法，也可提高分类精度，但需田块边界信息[14]。

近年来，一些高空间分辨率影像，如IKONOS、QuickBird和SPOT-5等卫星影像逐渐民用化，与传统影像相比，高分辨率影像可更好地提高作物分类和面积估算精度。如IKONOS卫星提供的多光谱数据为4 m分辨率，包括3个可见光波段和1个近红外波段。QuickBird多光谱影像分辨率为2.4或2.8 m，波段与IKONOS类似。SPOT-5发射于2002年，在保持60 km×60 km的成像范围不变的情况下，其全色波段(490-690 nm)分辨率提高到2.5 m；其多光谱影像包括4个波段：2个可见光波段，分别为绿光(490-610 nm)和红光(610-680 nm)波段；1个近红外波段(780-890 nm)，空间分辨率为10 m，同时还有一个短波近红外波段(1 580-1 750 nm)，空间分辨率为20 m。融合全色影像和多光谱影像既可提高空间分辨率，又可增加地物光谱信息，是高分辨率影像分析中常用的方法。

基于上述传感器的影像数据已有许多研究成果，国外研究较为成熟，常与其它多种遥感数据源嵌套使用，相关结果已在农业规划、景观规划和决策制定等领域得到广泛应用[15-18]，国内的研究目前主要集中在两个方面：一是算法研究和软件二次开发[19-20]；二是大尺度的土地利用解译[21]，但查阅文献可知，基于区域尺度的作物识别研究仍较少。因此，在作物识别和相关的农业领域应用中，需要进一步加强遥感影像分类方法的探索研究。本研究主要目标有：1)以张掖市盈科灌区为例，在灌区尺度上利用5种影像分类方法对融合后的单日SPOT-5影像进行作物识别，并评估分类效果，方法包括最小距离法、马氏距离、最大似然法、光谱角制图仪(Spectral Angle Mapper，SAM)和支持向量机(Support Vector Machine，SVM)；2)在3种像元空间分辨率(初始的2.5 m分辨率、模拟的10和30 m分辨率)水平上，对比分类精度。

1 数据与方法

1.1研究区概况与数据来源 研究区为甘肃省张掖市盈科灌区(图1)，海拔1 419～1 600 m。灌区地势为东南高西北低，东西长17.4～33.5 km，南北宽14.2～66.4 km，总面积654 km2。灌区属大陆性寒温带干旱气候，多年平均气温6.5～7.0 ℃，最低气温-28 ℃，最高气温33.5 ℃，多年平均降水量约125 mm，年蒸发强度1 291 mm[22]。灌区辖新墩、长安、小满、靖安、二十里堡、党寨、梁家墩、乌江等11个乡(镇)104个行政村，1个国营林场，总人口16.44万人，其中农业人口占94%。

基于作物历和研究区卫星过境时间等因素，本研究使用的遥感数据为两景无云SPOT-5影像，包括分辨率为2.5 m的全色影像和分辨率为10 m的多光谱影像数据，采集日期分别是2008年3月29日和2008年8月10日。分别进行几何精校正后，将SPOT-5的2.5 m全色影像和10 m多光谱影像进行融合(图2)。上述影像处理过程和结果详见中国西部环境与生态科学数据中心(http://westdc.westgis.ac.cn) 的黑河综合遥感联合试验SPOT-5遥感数据集制作。利用融合后的影像重采样，分别得到分辨率为10和30 m的影像，用于空间尺度验证。此外，获取由张掖市水务局提供的盈科灌区边界图。

图1 研究区示意图Fig.1 The map of study area

图2 基于2.5 m分辨率的研究区SPOT-5融合影像(右)和全色影像(左)Fig.2 A combined (right) and panchromatic (left) SPOT-5 2.5 m spatial resolution image of study area

影像获取时的主要作物类型除大田玉米(Zeamays)、制种玉米、洋芋(Solanumtuberosum)、谷子(Setariaitalica)、水稻(Oryzasativa)、甜菜(Betavulgaris)、胡麻(Sesamumspp.)籽、油菜(Brassicaspp.)籽、葵花(Helianthusspp.)籽、蔬菜、瓜类、青饲料和春小麦(Triticumaestivum)等外还有非作物。考虑到张掖市“十二五”规划中提出要扩大20万亩(合1.3万hm2)制种玉米地，而研究区是张掖市制种玉米的主要产区之一，故制种玉米地的信息提取是本次影像分类的重要内容。通过野外实地调查获取188个采样点的位置和图片信息，用于作物分类样本的建立，数据采集设备为两台海王星Triton300e手持GPS，测试误差≤3 m，每次定位的时常为1～3 min，整个采样历时10 d。

1.2影像分类 首先，对融合的2.5 m分辨率的影像数据重采样，得到10和30 m分辨率的影像，分别用于模拟SPOT-4和Landsat ETM+的影像，输出影像中的每个像元值是聚合前相应的各个输入像元的平均值。影像地图投影坐标选为通用横轴墨卡托(Universal Transverse Mercartor，UTM)，椭球体为WGS(World Geodetic System)1984，重采样方法为最近邻法，上述操作采用遥感图像处理软件ERDAS IMAGINE 9.1完成。

分析已有的采样点类型和数量，对已有作物类型进行合并，得到的主要类型有春小麦、普通玉米、制种玉米和蔬菜，此外，非作物包括林地、河渠、水体、交通用地、建设用地和未利用地，最终有10类土地利用/覆盖类型用于监督分类。利用168个实测点制作训练样本，剩余的20个观测样本用于分类后精度验证，10和30 m分辨率的影像也采用上述训练样本。

本研究使用最小距离法、马氏距离、最大似然法、光谱角制图仪(SAM)和支持向量机(SVM)5种监督分类器进行分类。

最小距离分类器利用从训练样本数据获取的类均值进行分析，判断每个像元到各类均值的最小欧几里得距离[23]，主要公式如下：

式中，di(xk)为距离，j为波段序号；总波段数为n，i为类别号；xkj为k像元在j波段的亮度值；Mij为均值。

马氏距离法类似于最小距离法，但在计算中引入了协方差矩阵，考虑了变量相关性，是一种加权的欧氏距离，最终得到每个像元到类的最小马氏距离并进行分类，主要公式：

di(xk)=(xk-Mi)T(∑i)-1(xk-Mi);

式中，∑i为协方差矩阵，σjl为协方差，l和j为不同的两个波段序号，其他符号含义与前述一致。

最大似然分类法假设每个类型的像元在每个波段呈正态分布，计算给定像元隶属于某个类型的概率值[24]，每个像元只归类到概率值最高的那个类中。

SAM分类假设归属于某一类型的像元具有最小的波谱角，用N维角度将像元与参考波谱进行匹配，此方法将波谱看成是空间中的矢量，矢量维数就等于波段个数，通过计算波谱间的角度，来判断多个波谱间的相似程度[25]，其数学公式为：

式中，α为图像像元光谱与参考光谱之间的广义夹角(光谱角)，其变化区间是[0，π/2]；X为图像像元光谱曲线矢量；Y为参考光谱曲线矢量。

SVM是建立在统计学习理论的VCD(Vapnik Chervonenkis Dimension)理论和结构风险最小原理基础上的，根据有限样本信息在对特定训练样本的学习精度和无错误地识别任意样本的能力间寻求最佳折衷，以期获得最好的推广能力，一般分为一对一SVM、一对多SVM、二叉树SVM和有向无环图SVM[26]。本研究使用的是一对多SVM，即通过在一类样本与剩余的多类样本之间构造决策平面，以达到多类识别的目的。上述5类分析方法利用遥感图像处理软件ENVI 4.6的监督分类模块实现。

1.3精度评价 在精度评价中，将6类非作物类型合并为一个单一类型，最终共包括4类作物类型和1类非作物类型，利用剩余的点做精度验证。基于分类结果和验证结果，可以得到分类图误差矩阵和其它的分类精度统计量，包括：总体精度(被正确分类的像元总和除以总像元数)、制图精度(指假定地表真实为A类，分类器能将一幅图像的像元归为A的概率)、用户精度(指假定分类器将像元归到A类时，相应的地表真实类别是A的概率)和Kappa系数[27]。其中，Kappa分析可以检验是否每种类型显著地好于随机分类以及是否两类之间有显著的不同。Kappa值的取值范围为0～1，1表示分类结果和参考数据间完全一致，0表示完全不一致。同时，为提高分类图的表现效果，还需分类后处理，本研究主要做聚类和过滤处理。

2 结果与讨论

2.1基于融合影像的分类结果 图3是基于2.5 m空间分辨率的4个波段SPOT-5影像得到的，使用的监督分类方法是最大似然法。从图上可以看出结果对作物类型和非作物类型有很好的区分效果；由于作物田块具有不同的生长阶段和管理条件，作物类型中的普通玉米和制种玉米的区分不明显；分类图中多数田块只有一个绝对类型，但实际上所有田块都会包含一些细小的、其他类型的斑块；另外，一些特定类型之间的光谱特征也比较相似。

图3 基于2.5 m分辨率影像的分类结果Fig.3 The classification result based on SPOT-5 2.5 m spatial resolution image

制种玉米为研究区主要作物类型，基本沿区内的灌溉干渠和支渠分布，充分体现出研究区绿洲农业的特点；普通玉米和春小麦分布零散，绝对面积很小，菜地主要分布在一些居住用地和交通用地的四周，面积也相对较小；灌区内的非作物用地分布零散，但相对面积较大，该类景观的破碎化程度较为明显，也表明整个灌区受人类活动干扰日益明显(图3)。

最大似然法的总体精度最高，为90.6%，SVM次之，其余3种方法精度下降明显；由Kappa系数知，最大值为最大似然法的0.871 9，其次为SVM的0.862 5，其余3类Kappa系数下降明显(表1)。5种分类器精度排序为最大似然法>SVM>马氏距离>SAM>最小距离法；虽然最大似然法和SVM显著好于其余3种方法，但这两者间的区别不明显；同时，SVM算法复杂，运行时间过长，处理影像的运行时间约为5 h，是最大似然法时长的8倍左右，对PC配置要求也较高，故最终选择的最优监督分类方法为最大似然法。

表1 基于SPOT-5 2.5 m影像的5种分类结果精度评价Table 1 Accuracy assessment results for five classification maps based on SPOT-5 2.5 m spatial resolution image

在制图精度和用户精度中，最大似然法的各作物种类精度也普遍较高，其中对非作物的区分效果最好，分别达到93.7%和97.2%。蔬菜和春小麦的用户精度较低，分别为80.5%和71.0%，这可能与训练样本制作时勾绘的面积较小和样本点较少有关；另外，蔬菜种类较多，分类时将其合并为一类处理，也会导致精度下降，增加不确定性。

2.2空间尺度变化分析 基于最大似然法和已有训练样本，分别得到10和30 m分辨率的研究区分类图(图4)，结果与2.5 m分辨率结果类似。其中，10 m分辨率结果与30 m分辨率结果的噪声点依次增加，表明融合了多光谱的高精度影像更有利于提高解译精度。

基于2.5 m分辨率、10 m分辨率和30 m分辨率的分类图总体精度分别为90.6%、89.5%和88.9%，可以发现随像元尺度增大，分类精度逐渐降低，但差别不太明显，这与目视观察结果(图2、3)一致。但解译精度仍具有不确定性，会受到野外实地采点误差和训练样本选取数量、大小和区位等的影响。

图4 基于10(左)和30 m(右)分辨率影像的分类结果Fig.4 The classification results based on SPOT-5 10 (Left) and 30 (right) m spatial resolution images

3 结论

1)影像获取时间与主要作物最佳生长期一致时，融合后的单日SPOT-5影像可以用于作物识别；2)在5种分类方法中，最大似然法和SVM的总体分类精度分别为90.6%和90.2%，表现效果明显好于最小距离法、马氏距离和SAM；3)从4类作物的用户精度和制图精度看，最大似然法好于SVM，在最大似然法中，制图精度最低的为普通玉米(83.4%)，用户精度最低的为春小麦(71.0%)；4)随像元空间尺度的增加，分类图的总体精度由90.6%下降到88.9%，但下降不明显，未显著影响最终的分类精度，说明可以使用较低分辨率影像以降低成本，而高空间分辨率的影像可以用于精细农业的作物分类中，由于本研究主要关注制种玉米地，致使作物类型较少，今后要进一步增加作物类型，对上述规律加强验证。

本研究利用SPOT-5影像进行作物分类识别研究，并对精度和空间分辨率等因素进行分析。结果表明，考虑到成本和天气影响，利用覆盖研究区的单日尺度SPOT-5影像进行作物分类更加有效，同时，数据获取时间要符合主要作物的最佳生长期。该方法可进一步用于类似的案例研究中，开展多类型的影像解译效果对比是作物识别研究中需要进一步加强的工作。

致谢：感谢中国西部环境与生态科学数据中心提供黑河综合遥感联合试验SPOT-5遥感数据集，感谢审稿专家提出的宝贵意见与建议。

[1] Murakami T,Ogawa S,Ishitsuka N,etal.Crop discrimination with multitemporal SPOT/HRV data in the Saga Plains,Japan[J].International Journal of Remote Sensing,2001,22(7):1335-1348.

[2] Oetter D R,Cohen W B,Berterretche M,etal.Land cover mapping in an agricultural setting using multiseasonal Thematic Mapper data[J].Remote Sensing of Environment,2000,76:139-155.

[3] Büttner G,Csillag F.Comparative study of crop and soil mapping using multitemporal and multispectral SPOT and Landsat Thematic Mapper data[J].Remote Sensing of Environment,1989,29:241-249.

[4] Panigrahy S,Sharma S A.Mapping of crop rotation using multidate Indian Remote Sensing Satellite digital data[J].ISPRS Journal of Photogrammetry and Remote Sensing,1997,52(2):85-91.

[5] Simonneaux V,Duchemin B,Helson D,etal.The use of high-resolution image time series for crop classification and evapotranspiration estimate over an irrigated area in central Morocco[J].International Journal of Remote Sensing,2008,29(1):95-116.

[6] 李金莲,刘晓玫,李恒鹏.SPOT-5影像纹理特征提取与土地利用信息识别方法[J].遥感学报,2006,10(6):926-931.

[7] Panigrahy S,Manjunath K R,Chakraborty M,etal.Evaluation of RADARSAT Standard Beam data for identification of potato and rice crops in India[J].ISPRS Journal of Photogrammetry and Remote Sensing,1999,54(4):254-262.

[8] Blaes X,Vanhalle L,Defourny P.Efficiency of crop identification based on optical and SAR image time series[J].Remote Sensing of Environment,2005,96:352-365.

[9] Moran M S,Inoue Y,Barnes E M.Opportunities and limitations for image-based remote sensing in precision crop management[J].Remote Sensing of Environment,1997,61:319-346.

[10] 李玉凤,王波,李小明.基于SPOT-5影像的山东南四湖地被覆盖分类研究[J].遥感技术与应用,2008,23(1):62-66.

[11] Buechel S W,Philipson W R,Philpot W D.The effects of a complex environment on crop separability with Landsat TM[J].Remote Sensing of Environment,1989,27:261-272.

[12] 刘玲,赵牡丹.P5和SPOT-5影像在全国土地调查中的应用[J].农业工程学报,2009,25(9):269-273.

[13] Mathur A,Foody G M.Crop classification by support vector machine with intelligently selected training data for an operational application[J].International Journal of Remote Sensing,2008,29(8):2227-2240.

[14] 王冬梅,陈性义,潘洁晨,等.遥感图像融合技术在土地利用分类中的应用研究[J].工程地球物理学报,2008,5(1):115-118．

[15] Sawaya K E,Olmanson L G,Heinert N J,etal.Extending satellite remote sensing to local scales:Land and water resource monitoring using high-resolution imagery[J].Remote Sensing of Environment,2003,88:144-156.

[16] Wang L,Sousa W P,Gong P,etal.Comparison of IKONOS and Quick-Bird images for mapping mangrove species on the Caribbean coast of Panama[J].Remote Sensing of Environment,2004,91:432-440.

[17] Yang C,Everitt J H,Fletcher R S,etal.Using high resolution QuickBird imagery for crop identification and area estimation[J].Geocarto International,2007,22(3):219-233.

[18] 刘兴元,龙瑞军,尚占环.草地生态系统服务功能及其价值评估方法研究[J].草业学报,2011,20(1):167-174.

[19] 冯秀丽,王珂,楼立明.SPOT-5遥感影像在土地利用变更调查中的应用[J].浙江大学学报,2005,31(1):12-16.

[20] 邵永社,张绍明,张雷雨,等.高分辨率遥感影像土地利用动态监测技术研究[J].计算机工程与应用,2009,45(9):161-163.

[21] 张继贤,杨贵军.单一时相遥感数据土地利用与覆盖变化自动检测方法[J].遥感学报,2005,9(3):294-299.

[22] 梁友嘉,徐中民.基于系统动力学的黑河中游地区Penman-Monteith修正模型估算研究[J].草业科学,2011，28(1):18-26.

[23] Campbell J B.Introduction to Remote Sensing[M].3rd ed.New York:The Guilford Press,2002:22-23.

[24] Dobbins R N,Thibault C.Timely crop area estimates from Landsat[J].Photogrammetric Engineering and Remote Sensing,1985,51:1735-1743.

[25] Kruse F A,Lefkoff A B,Boardman J W,etal.The spectral image processing system (SIPS):Interactive visualization and analysis of imaging spectrometer data[J].Remote Sensing of Environment,1993,44(2-3):145-163.

[26] Guyon I,Weston J,Barnhill S,etal.Gene selection for cancer classication using support vector machines[J].Machine Learning,2002,46:389-422.

[27] Congalton R G,Green K.Assessing the Accuracy of Remotely Sensed Data:Principles and Practices[M].Boca Raton:Lewis Publishers,1999:67-68.