王利军，郭 燕，王来刚，贺 佳，张红利，刘 婷

(河南省农业科学院 农业经济与信息研究所，河南 郑州 450002)

遥感影像对不同地物具有丰富的光谱、纹理等特征信息，为作物面积监测、种植结构调整和优化提供了重要依据[1-2]。春季作物是头年播种次年初夏收获作物的统称[3]，开封杞县春季作物主要为冬小麦和大蒜，其种植面积占春季作物总面积的90%以上。随着遥感技术在农作物面积监测、长势监测、病虫害监测和产量估算等领域的不断深入应用，采用作物“关键物候期”的单期或少数几期遥感影像，结合多特征参量和敏感波段的分类方法成为当前作物种植结构提取的主要方法，通过增加作物敏感波段，可以在客观上增加单一时相影像所包含的有效信息量，有助于增强地类间可分性[4]。其中，红边是植被的反射率在近红外线波段接近与红光波段交界处快速变化的区域，波段范围为690～730 nm。已有研究[4-9]表明，红边波段能有效反映作物特有的光谱特性，在作物类型识别、参数计算、病害或环境胁迫监测等方面发挥着重要作用。

2018年6月2日，我国成功发射高分六号(GF6)低轨光学遥感卫星，这是我国首颗用于精准农业观测的高分卫星，重访周期2 d，与高分一号卫星类似，具有窄幅(PMS)和宽幅(WFV)2种不同空间分辨率影像，但GF6宽幅影像在原有4个波段基础上新增了红边1、红边2、紫和黄4个波段，且具有更大的尺度范围。近年来，将红边波段卫星遥感影像在作物分类[5]、土地覆盖[10]、林地分类[4]、植被生理参数反演[11]等方面均开展了研究应用，不同程度地说明了红边波段在遥感监测分类精度中的作用。在红边波段参与的作物面积监测方面，佘宝等[12]采用2期EO-1 Hyperion影像，通过分析并构建基于油菜花红边特征的决策树实现作物分类提取，总体精度达到92.6%；刘佳等[5]利用单时相RapidEye影像，分析在有无红边参与条件下，玉米、大豆及其他3种作物类型的可分性测度、分类精度及景观破碎度等指标，得出有红边波段参与时，作物面积提取总体精度由81.7%提高到88.4%。田富有等[13]利用Sentinel-2影像及其3个红边波段，得出大豆、玉米与其他作物在第2个红边波段的反射率有较为明显的差异，多层神经网络分类总体精度为93.53%。同时，在红边波段参与下的作物参数遥感反演等研究[14-17]中，通过构建红边波段指数分别实现了叶面积指数估算、植被健康程度判断以及植株氮素含量估测，均得出红边波段对作物生理参数的变化较为敏感，也都不同程度地提高了遥感技术在作物监测应用中的精度。

为探索GF6卫星遥感影像红边波段对主要春季作物分类提取精度的影响，以2019年3月25日冬小麦拔节期单时相WFV宽幅影像为数据源，选择河南省杞县为研究区，从冬小麦、大蒜、其他作物(油菜和蔬菜等)分类着手，利用特征优化空间算法(Feature space optimization，FSO)进行光谱特征分析，采用随机森林(Random forest，RF)监督分类方法，分析不同红边波段组合方案对春季作物种植结构识别精度、样本可分性测度及其光谱反射率的影响，以及不同红边波段在作物分类中的重要性，为复杂作物种植结构提取和监测提供方法参考。

1 材料和方法

1.1 研究区概况

杞县位于河南省开封市，地处114°36′～114°56′E，34°13′～34°46′N，面积1 243 km2，属温带大陆性季风气候，常年平均气温14.1℃，年均降水量722 mm，无霜期210～214 d，年均日照2 529 h。该研究区耕地面积约8.87万hm2，春季作物以冬小麦和大蒜为主，其他作物如油菜、蔬菜等少量种植。春季主要作物于每年10月初播种，次年5—6月达到成熟，生长发育期约230 d。图1为杞县在河南省的位置及其行政边界示意图。

图1 研究区地理位置示意Fig.1 Location of study area

1.2 数据获取与预处理

1.2.1 遥感影像获取与处理 通过对已有关于作物生长关键生育时期及其分类提取研究成果[18-20]的分析，选取2019年3月25日作物覆盖度高且清晰无云的1期GF6 WFV遥感影像作为数据源，其产品序列号为1119877603，卫星波段信息见表1。GF6 WFV影像预处理流程与GF1影像类似，在ENVI 5.3中进行辐射定标、大气校正、正射校正和几何校正，辐射定标利用场地定标系数将GF6卫星高分相机和宽幅相机图像DN值转换为辐射亮度图像，其公式为：

LZ(λZ)=Gain·DN

(1)

式中，LZ(λZ)为转换后卫星相机谱段辐射亮度，单位为W/(m2·nm·sr)，Gain为相机在轨辐射响应度，单位为W/(m2·nm·sr)，DN为卫星相机谱段输出计数值。

在进行大气校正去除大气影响后，结合研究区当地遥感影像数据进行几何校正，误差在0.5个像元内，满足遥感影像分类定位精度要求。

表1 GF6 WFV波段信息Tab.1 Band information of GF6 WFV image nm

1.2.2 地面数据获取 地面调查数据遵循各乡镇随机均匀分布的原则，采用亚米级差分GPS，主要采集不同地物地面影像解译标志点、地面样方数据和地面验证点数据。同时，受遥感影像空间分辨率影响，地面调查数据尽量在地块中间位置采集数据点，当冬小麦和大蒜地块交叉种植情况复杂时，增加采集该区域样本点数据。

(1)解译标志点

影像地面解译标志点共采集166个，包括冬小麦87个、大蒜55个、菜地11个、休闲耕地9个、大棚4个，用于春季作物监督分类时训练样本的选取。

(2)地面样方

共调查地面样方7个，实测总面积为6.24 hm2，其中冬小麦、大蒜、裸地、其他作物分别占63.56%、33.80%、1.72%和0.92%。

(3)地面验证点

地面验证点共采集635个，其中冬小麦362个、大蒜253个、菜地12个、荒草地1个、裸地7个，并根据高分辨率遥感影像人工编辑成多边形验证图斑，用于分类结果精度验证。

1.3 研究方法

1.3.1 技术思路 为实现对遥感影像不同红边波段在作物识别中的重要性评价，本研究只针对影像波段的光谱特征进行作物分类提取和精度验证。采用随机森林监督分类方法，针对单一红边参与、全部红边参与和无红边参与条件下的4种波段组合方案，获取冬小麦、大蒜以及其他作物的遥感分类精度，并通过计算4种波段方案下样本数据的可分性测度指标，比较红边波段对作物识别能力的提升作用，以及对地物漏分错分以及“椒盐”效应的降低能力，借此分析不同红边波段对作物分类提取精度的影响及红边波段的重要性。其中，监督分类的样本除地面调查点外，根据影像光谱特征和纹理特征进行人工选取，分类结果精度验证采用地面样方和地面验证点进行评价。作物可分性测度采用J-M(Jeffries-Matusita)距离计算，通过分析3种不同作物在各个波段的光谱反射率，以此实现影像各波段在作物识别中的重要性评价。

1.3.2 随机森林 目前，作物遥感监督分类方法中常用的主要有最大似然法、支持向量机法、决策树法、随机森林法、人工神经网络算法等[21-23]。其中，随机森林分类方法是遥感信息自动提取领域中一种相对较新的机器学习模型，是分类器算法和决策树分类算法的有效结合，实现过程主要分为训练集的生成、单个决策树的构建和算法运行3个步骤[24]。以往研究[23-26]表明，该方法能适用于多源遥感影像特征识别和信息提取，有较高的分类精度。

由于随机森林分类方法由多个决策树构成，采用基尼指数对分类过程中每棵决策树的每一个节点进行不纯度判断并进行最优属性划分，最终使得每个节点样本尽可能属于同一类别，随着划分过程的不断进行，结点的类别纯度越高，通过该方法还能计算出每个决策树节点上特征子集中每个特征的重要性得分，以实现特征重要性度量和优选[27]。本研究利用随机森林方法提取研究区春季作物流程如下：首先，结合地面解译标志点数据在遥感影像中选取研究区内不同地物类型(冬小麦、大蒜、其他作物、水体、建筑与道路、休闲耕地和林地7种分类系统)的样本区；其次，根据不同地物属性选取若干识别特征，把不同样本区数据汇总为训练数据集；最后，采用随机森林方法对研究区数据春季作物进行自动识别。由于样本区数据集的质量对算法性能和识别结果的精度均有较大影响，因此，地物样本选择要在研究区内均匀覆盖。为了使样本更有代表性，选择样本时应考虑产生差异的不同原因，包括作物不同长势的地块，以及地块边缘混合像元光谱特征，保持样本多样性和全面性，提高训练数据集的质量和学习结果的准确性。

1.3.3 精度验证 主要基于地面调查样方和地面验证点数据，对不同红边条件下的研究结果，采用混淆矩阵、Kappa系数、总体分类精度、制图精度和用户精度5种方式进行分类精度评价，相关定义及详细表述参照文献[28-30]。

1.3.4 类别间光谱可分性测度 以主要作物的所有地面调查数据为基础，利用特征优化空间算法进行光谱特征优选分析。通过计算不同特征空间组合中各类样本间的最小J-M距离来确定最佳特征值，J-M距离越大说明分离度越大，最大分离度对应的即为最佳特征空间组合。J-M距离是基于条件概率理论的光谱可分性指标，用来度量类别间光谱的可分性，其波段指数是研究不同波段组合对不同地物特征识别提取能力的重要参数[5,31]，公式如下：

(2)

2 结果与分析

2.1 不同红边条件下分类精度比较

对4种不同波段组合方案(表2)，利用相同训练样本和随机森林方法实现作物分类，结果如图2所示，图2a为表2中方案4监督分类结果，图2b从上至下依次为方案1—4局部结果，其中白色区域为7种分类系统中其余地物类型，方案1—4作物分类总面积(冬小麦、大蒜和其他作物)分别为89 978.29、90 823.32、89 370.62、89 979.44 hm2。随机森林方法的决策树数量设定为100，节点分裂时输入的特征变量数设置为所有特征数量的平方根。

表2 不同红边波段参与条件下分类方案Tab.2 Classification schemes with different red-edge waveband conditions

利用研究区地面样方和地面验证点数据进行分类精度评价，方案1—4的分类精度分别如表3所示。从表3可以看出，单时相遥感影像引入全部红边波段后，作物分类的总体精度由81.56%提高到86.19%，提高了4.63个百分点，Kappa系数由0.72提高到0.79，冬小麦的分类面积比例从51.70%提高到57.00%，而大蒜分类面积比例则从48.25%降低至42.98%；而单一红边波段下，B6红边波段2较B5红边波段1的总体分类精度也提高了1.98个百分点。

a.方案4分类结果;b.方案1—4局部分类结果 a.Classification result of scheme 4;b.Local classification results of different schemes图2 不同方案分类结果Fig.2 Classification results of different schemes

表3 不同方案下作物面积比例和分类精度Tab.3 Major crops area ratio and classification accuracy with different schemes

注：面积比例为各作物分类面积占作物分类总面积的百分比。
Note:Area proportion is the percentage of each crop classification area to the total crop classification area.

研究区大蒜种植面积主要集中在中部和东北部，而冬小麦主要在南部集中种植，作物种植面积分类结果与收获期外业调查及当地农业部门提供的情况较为符合，这表明红边波段的信息确实提高了不同作物类型的总体识别精度。将不同波段组合方案分类精度与分类结果相结合，具体分析红边波段对不同作物分类结果的影响，从图2不同方案局部结果可发现，引入红边波段后，作物分类结果较方案1的误判面积和漏分面积显著降低，对冬小麦-大蒜的识别能力较强，分类结果图斑具有更好的完整性，图斑边界连续性和平滑性效果较好，同时也有效降低了分类结果中的“椒盐现象”。将方案2和方案3中引入不同单一红边波段分类结果相比，方案3不仅有更高的分类精度，同时冬小麦、大蒜的误判面积更低，具有更好的分类效果，因此，B6红边波段2在作物识别中的重要性要高于B5红边波段1；方案3与方案4中大蒜用户精度较为接近，但较方案2大蒜的用户精度和制图精度均有明显提高，表明B6红边波段2对大蒜的识别能力较强，但对其他作物的分类能力和分类精度提升不大，可能的原因是由于其他作物种植分散且种植面积较小，加之遥感影像分辨率较低，最终导致分类精度的降低。

2.2 不同红边条件下可分性测度

为了定量化分析有无红边等不同方案对3种作物可分性的影响，利用J-M距离算法计算3种作物的可分性，方案1—4可分性测度如表4所示。可以看出，与无红边波段方案相比，全部红边波段参与时，冬小麦-大蒜、冬小麦-其他作物、大蒜-其他作物的可分性都明显增大，分别从1.893 0增加到1.978 6，1.912 5增加到1.988 6，1.928 2增加到1.953 3，分别增加0.085 6、0.076 1和0.025 1，表明红边波段信息可以使影像更精准地区分冬小麦、大蒜和其他作物；方案3和方案2引入不同红边波段相比，冬小麦-其他作物的可分性有较大提高，从1.936 8增加到1.980 9，表明B6红边波段2对于冬小麦-其他作物的分类贡献较大，但大蒜-冬小麦的可分性则略有降低，结合作物分类精度结果，B6中红边波段2在作物分类结果中的重要性要大于B5中红边波段1；方案4引入全部红边波段和方案3引入B6红边波段2相比，3种作物间可分性虽有所提高，但提高幅度不大，因此也无法显著提高作物间的分类精度。因此，3种作物间的可分性测度变化指标与表3中作物总体分类精度变化评价结果较为一致。

表4 不同方案下3种作物可分性测度结果Tab.4 The degrees of separation among three crops under different schemes

2.3 波段反射率变化分析

根据地面调查数据、地面样方和地面验证数据，分别统计不同作物在影像8个波段的反射率平均值，绘制折线图,如图3所示。

图3 不同作物在GF6 WFV影像各波段反射率均值变化Fig.3 GF6 WFV image mean reflectance curve of different crops

从图3可以看出，在第1、2、3、5、7波段(分别对应蓝、绿、红、红边1和紫波段)3种作物的反射率都十分接近，而在第4、6波段则存在一定差异，B6红边波段2的光谱反射率差异要优于B5红边波段1，这也与本研究分类精度统计中方案3高于方案2的结果相吻合。因此，结合已有地面调查数据在遥感影像不同波段的反射率均值可以得出，B6红边波段2在春季主要作物分类过程中的贡献率要高于B5红边波段1。

3 结论与讨论

通过对GF6 WFV影像在春季作物分类中的应用研究可以发现，在卫星传感器中增加红边波段将有利于提高作物面积识别精度，在分析不同红边波段参与条件下作物分类精度、样本可分性测度和地物光谱反射率均值后，得出以下结论。

GF6 WFV影像新增红边波段都能不同程度地提高作物识别能力。在仅利用影像光谱特征的基础上，单一红边波段进行作物面积识别时，较无红边波段参与时作物总体分类精度分别提高1.74个百分点和3.72个百分点；而2种单一红边波段参与分类时总体分类精度也有较大差距，B6红边波段2较B5红边波段1的总体分类精度提高了1.98个百分点，因此，在作物分类时其特征重要性要优于B5红边波段1；全部引入红边波段较无红边波段参与时作物总体分类精度由81.56%提高到86.19%，提高了4.63个百分点，Kappa系数由0.72提高到0.79。红边波段参与能有效提高不同作物间的可分性测度。全部红边波段参与和无红边波段参与相比，J-M距离下冬小麦-大蒜、冬小麦-其他作物、大蒜-其他作物的可分性测度分别增加0.085 6、0.076 1和0.025 1，且单一红边波段下，三者之间的可分性测度较无红边参与时也有明显提高，这都表明红边波段使这3种作物间的区分能力增强，不同程度提高了作物的识别精度。同时，结合分类结果研究发现，红边波段的引入不仅能有效降低作物误分、漏分的情况，也在一定程度上降低了分类结果中的“椒盐现象”，能得到更加科学合理的作物分布及面积提取结果。

本研究过程中也发现一些问题尚待解决。①本研究难以获取研究区作物关键生育时期时序遥感影像数据，由于研究区内冬小麦和大蒜交叉种植地块较多，且部分种植地块面积较小，受遥感影像分辨率较低的影响，作物总体分类精度较低，下一步应将时序遥感影像和高分辨率遥感影像相结合进行作物种植面积分类提取，以提高作物识别精度；②本研究利用随机森林算法实现了不同红边波段参与条件下的作物种植面积分类，但并未与其他监督分类方法进行精度对比和分析，也未与空间分辨率相近的(如Landsat空间分辨率15 m)影像进行分类结果和分类精度对比，这将在下一步的研究中进行分析；③本研究利用遥感影像光谱特征和已有软件中随机森林分类方法进行冬小麦分类提取，在下一步研究中，需同时利用影像纹理特征和植被指数特征多特征参与分类，在进行波段重要性分析时，需进一步研究基于随机森林不纯度降低(基于随机森林的重要性评价)和F检验(基于统计方法的单变量重要性评价)等方法的多特征重要性评价和分类提取。GF6 WFV卫星具有覆盖广、波段多的优势，红边波段也与作物长势等植被特征有一定关系，将有助于推广国产卫星影像在复杂作物种植结构提取、长势监测和病虫害监测等方面的应用研究。