张 澜，王 妮，朱冰雪，李 丹，谢巴图，隋智钟，陈圣波

（吉林大学 地球探测科学与技术学院，吉林 长春 130026）

0 引言

农作物类别信息的准确获取是农业现代化管理的基础，同时也是农业生产过程中合理分配资源、精准施肥的重要依据［1］，对于作物估产、调整农业生产和保证国家粮食安全具有重要意义。

近年来，低空无人机高分辨率成像技术因其空间分辨率高、操作简单灵活、数据采集速度快、成本低等优势而迅速在农作物信息识别领域得到广泛应用［2-3］。目前，针对高分辨率影像的农作物识别分类方法主要分为基于像元和面向对象分类2种［4］，传统基于像元的作物分类法通常根据影像像元的光谱信息进行监督分类等，如最大似然法、最小距离法、马氏距离法、神经网络法、支持向量机法等。徐新刚等［5］基于QuickBird高分辨率影像，根据多尺度遥感影像处理原理，对四川绵阳试验区内的冬小麦和油菜花进行分阶段分类提取，其中在第二阶段小尺度上采用最大似然法进行作物分类并统计其种植面积，最终结合地面抽样调查信息适当修正分类结果，总体分类精度达95.3%。刘斌［2］基于无人机高分辨率影像的可见光波段信息，采用支持向量机法提取研究区内水稻、玉米、大豆、马铃薯、亚麻、小麦等作物信息，分类精度达76%，Kappa系数为0.73。然而，目前受到传感器发展的限制，高分辨率影像虽然可以清晰表达地物详细的空间信息，但包含的光谱信息通常较弱，因此，上述方法一般适用于作物种类少、目标与背景差异明显的分类场景［6］，在复杂农田环境下会因“同物异谱”现象［7］导致分类结果出现椒盐碎斑和错分现象。Conrad［8］和Vieira［9］等基于作物种植地块单元的分类进行了研究，结果表明：作物分类的识别效果主要取决于地块边界的准确性，这为以面状单元作为分类对象提供了参考依据。Luo等［10］基于Sentinel-1数据在Google Earth Engine上采用面向对象的方法对2个研究区域的大豆、玉米和水稻进行了分类，总体准确率达到90%以上，比基于像元分类的方法提高了约10%。田明璐等［11］基于无人机高分辨率多光谱影像，将面向对象的分类方法成功地应用于大白菜、花菜、卷心菜和青菜4种蔬菜地块的分类。面向对象的分类方法能以面状对象作为分类单元，通过综合检测和提取目标地物的光谱、空间、纹理等特征信息和邻域对象间的关联关系，并基于模糊分类原理对分割得到的同质对象进行了识别和归类［12］，因此，它能较好地提取作物地块综合信息、减少碎斑现象，已逐步成为作物分类的应用方法之一。然而，在目前的作物分类方法研究中，研究人员选用的作物种类通常较少（＜10类），且大多针对蔬菜、玉米、水稻等作物，关于多类、多品种作物遥感分类的研究还较为稀缺。

本研究以吉林大学农业实验基地作物圃为研究区，将该研究区内28种农作物（硬粒小麦、紫叶草、秋葵、棉花、毛豆、南瓜、胡萝卜、豌豆、黄/黑豆、黄瓜、柿子、大麦、辣椒、地瓜、绿红豆、茄子、三叶草、花生、小黑麦、交大34豆类、玉米、芝麻、苏子、小麦9号、土豆、新燕9号、黑麦、燕麦）作为研究对象，利用搭载多光谱相机的无人机平台获取作物圃区域的高分辨率多光谱影像，据此开展基于像元和面向对象分类方法的无人机高分辨率多光谱影像的多作物分类研究，为作物精细分类、种植监测、农业精细化管理等提供有力支持。

1 研究区概况与数据来源

1.1 研究区概况

研究区位于吉林省长春市吉林大学农业实验基地（125°14′25.4″E，43°56′50.2″N），总面积约88081 m2，地处东北松辽平原腹地，属于温带大陆性半湿润季风气候，四季分明，土地深厚肥沃，适合种植玉米、水稻、大豆、高粱、谷子、小麦、小杂粮、薯类等作物。

1.2 数据的获取与处理

1.2.1 无人机影像数据的获取与处理 无人机影像数据获取时间为2020年8月19日，飞行平台为大疆M210，搭载MS600Pro型多光谱相机作为多光谱遥感载荷，同步获取6个通道光谱图像数据，具体参数见表1。拍摄当天地面风速小于4级、天气晴朗，满足航摄要求。试验设计飞行航高100 m，航向信息重叠度80%，旁向重叠度70%，影像空间分辨率为6.25 cm，使用Yunsense Map软件完成无人机数据预处理，包括影像的配准定标和拼接处理等工作。

表1 MS600Pro多光谱成像仪波段参数

1.2.2 地面数据的获取 航摄结束后，结合影像对研究区作物类型及其分布情况进行分析，获得作物分布信息的真值。研究区内作物种类多且杂，多呈规则块状分布，从南到北四区作物分别属于粮食类、菜类、豆类和杂类作物，具体类别如图1所示。在影像上各类作物内部均匀选取感兴趣区，并利用ArcGIS软件中的随机选点工具按4∶1的比例将其分为2个部分，其中80%的ROI作为模 型训练样本，20%作为验证样本。

图1 研究区作物类别的分布情况

2 研究方法

2.1 农作物的分类方法

本文分别使用最小距离法、马氏距离法、最大似然法、神经网络法、支持向量机法5种基于像元的分类方法和面向对象的分类方法，分别建立了研究区内28类作物分类模型，对比不同分类方法下作物的分类效果及精度。

其中最小距离法依据未知类别像元到已知总体均值中心的距离进行分类，距离越小，划分至该类的概率越大［13］；马氏距离法是一种方向敏感的距离分类器，依据未知像元到已知总体均值中心的马氏距离来进行分类，马氏距离可理解为一种修正后的欧氏距离，其值越小，划分至该类的概率越大［13］；最大似然法假定训练样本符合正态分布，通过均值和方差等统计特征建立判别函数集，计算待分类像元归属于每个已知总体的概率，进而将未知像元划分至与之似然度最大的类别中［14］；神经网络遥感图像分类采用了人工神经网络技术的并行分布式知识处理手段，以遥感图像为处理对象，建立基于ANN的遥感影像分类专家系统，进而模拟人脑神经系统对复杂信息的处理机制，对未知样品进行判别归类［15］；支持向量机分类通过引入核函数来解算高维特征空间中的最优化问题，核心原理在于寻找线性最优分类超平面，使其两侧最接近平面的两类样品点群之间距离最大，进而保证各类像元样本达到最佳可分状态［16］。

本研究在ENVI 5.3软件中利用以上5种监督分类方法进行作物分类，参数设置如表2所示。

表2 基于像元分类方法的参数设置

面向对象分类方法的核心在于运用模糊分类原理自动提取每个影像对象的各种属性［16］。一般包括“分割”“分类”2个模块，在分割阶段，首先通过集合邻近同质性较好的像元生成“同质”影像块（称之为“图像对象”），再根据空间异质性原理合并这些影像块，得到分类对象，并计算各个合并后对象的光谱、纹理、空间、结构等属性信息［17］。以此作为分类依据，这个过程中分割方法和分割阈值的确定是决定分类效果的关键因素，常用的分割方法如基于边缘检测算法（Edge），通常只需输入一个参数，就能通过不同尺度上的边界差异控制，产生从细到粗的多尺度分割［18］，其中输入的分割阈值多通过目视预览或评价指标确定；在分类阶段，依据各对象综合信息及影像总体特征，使用基于模糊知识判别、最邻近算法、支持向量机法等对各个对象进行判别归类。

本研究在ENVI 5.3软件中选用基于样本的面向对象分类法，对研究区无人机高分辨率影像中的作物进行分类。在分割阶段选择边缘检测算法（Edge），分割阈值设为53，分割后得到研究区影像上多个“同质”对象，而后选用Full Lambda Schedule算法合并，合并阈值为90，将具有相似光谱、纹理、几何特征的影像块合并为更加完整的对象；最后，使用最邻近算法进行对象自动分类，阈值设置为5，临近值设为1。

2.2 精度检验

本研究通过对比研究区地表的真实情况与分类结果图像，分别统计正确和错误划分的像元个数及其比例，然后将具体分类情况显示在混淆矩阵中，并计算分类总体精度、Kappa系数、各类作物用户精度及生产者精度。其中，分类总体精度越接近100%，表明正确分类的像元个数占影像中所有像元个数的比例越大，分类精度越高［19］；Kappa系数的范围一般为［0，1］，越接近1表明分类结果与真实类别间的一致性越高［20］。用户精度和生产者精度用于评价特定类别的分类精度，其中用户精度指分类模型正确划分为某类的像元总数与整幅影像中被分为该类别的像元总数之比，在混淆矩阵中表现为对角线元素除以该类行总和，生产者精度指分类模型正确划分为某类的像元总数与该类别真实参考像元总数之比，在混淆矩阵中表现为对角线元素除以该类列总和［21］，两者的值越接近100%，表明被正确归类的未知像元样品所占比例越大，分类精度越高［19］。

3 分类结果与精度评价

3.1 基于像元的监督分类

基于像元的监督分类结果如图2~图6所示，整体来看，其分类结果均存在较明显的“椒盐现象”，多数作物不成连续、完整块状，不同种类的作物出现了交织混杂的情况，不符合作物种植分布的实际情况。从分类结果评价可知（表3），5种基于像元的分类总体精度均低于90%，Kappa系数均低于0.9，其中最大似然法分类效果最好，总体精度为84.13%，Kappa系数为0.82。

在5种监督分类方法中，马氏距离法、最大似然法、神经网络法、支持向量机法分类总体精度均大于70%，Kappa系数均大于0.6，从分类结果的图3~图6、表3可知，硬粒小麦、小麦9号、新燕9号、小黑麦、大麦、黑麦、玉米等禾本科作物地块完整连续、边界较为清晰，分类效果较好；三叶草、紫叶草、芝麻、辣椒等草本作物分类结果中有明显的错分现象，部分与土壤混淆，黄/黑豆、绿/红豆、交大34号、豌豆等几种豆类作物混分、错分现象比较严重，同一地块中出现了多类作物碎斑。最小距离法分类的总体精度为52.3%，Kappa系数为0.45，存在大约50%的分类错误，从图2中也可以看出其“椒盐噪声”最为严重，同一地块中出现了严重的多类作物像元混杂现象，各类作物边界均不清晰，分类效果很差。

各类作物用户精度（User.Acc）和生产者精度（Prod.Acc）的对比可知（表4），最小距离法下各类作物的分类精度普遍偏低，多在50%以下；其余4种基于像元的监督分类结果中，麦子类、玉米类等禾本科作物的分类精度普遍较高，多在90%左右，紫叶草、三叶草、黄瓜、辣椒等草本作物以及土豆、毛豆、黄/黑豆、豌豆、交大34豆类等豆类作物分类精度普遍偏低，多在70%以下，与上述目视效果基本一致。

表3 面向像元分类方法对作物分类结果的精度评价结果

3.2 面向对象的农作物分类

由面向对象分类结果可知（图7），可见多数作物范围连续、完整，形成边界清晰的地块或分布范围。其中麦子类、玉米等禾本科作物地块清晰完整，分类效果同样较好；草本作物与土壤背景混淆的现象也有所改善，呈完整面状、条垄状或离散点状分布，与实际种植情况基本一致；豌豆、黄/黑豆、绿/红豆等豆类作物中，多数范围更加连续完整，部分地块有清晰边界，但仍有部分地块出现了较为严重的多类作物斑块交织混杂的情况。经验证，基于实例的面向对象分类总体精度达到91.73%，Kappa系数达0.87，表明分类结果与实际情况的一致性较好。

图2 最小距离法分类结果

图3 马氏距离法分类结果

图4 最大似然法分类结果

图5 神经网络法分类结果

图6 支持向量机法分类结果

图7 面向对象分类结果

由表4中各类作物用户精度和生产者精度的对比可知，面向对象分类方法下多数作物的分类精度普遍较高，多在85%以上，但三叶草、棉花、秋葵、胡萝卜的生产者精度较低，都在50%以下，交大34豆类的用户精度较低，为43.67%。

3.3 结果对比与分析

与基于像元的作物分类结果相比，面向对象分类的整体精度提高了7~40个百分点，同时，由图2~图7可知，面向对象分类结果中“椒盐现象”、多种作物混杂现象得到了改善，多数地块内部一致性较好，呈完整连续面状分布、边界清晰，与真实情况更为接近。因此，根据总体精度及目视分类效果来看，面向对象分类方法在多类复杂作物分类场景下表现更好。这主要是由于面向对象分类法与传统的基于像元分类方法相比，不再以单个像元为分类单元，而是集合邻近像元为一个整体对象作为分类的基础单元，同时，使用的分类信息或因子不再局限于光谱信息或植被指数，而是综合考虑影像的光谱、纹理和空间分布等多种特征，因此能有效避免“椒盐噪声”“同谱异物”“同物异谱”等现象的影响［22］。

由表4可知，在6种方法分类结果对应的用户精度和生产者精度对比中，17种作物（硬粒小麦、小麦、小黑麦、新燕9号、燕麦、黑麦、大麦、土豆、地瓜、毛豆、黄/黑豆、绿/红豆、豌豆、黄瓜、花生、辣椒、柿子）的面向对象分类精度整体更高。分别对比分类用户精度和生产者精度，发现24种作物（硬粒小麦、紫叶草、秋葵、棉花、毛豆、南瓜、胡萝卜、豌豆、黄/黑豆、黄瓜、柿子、大麦、辣椒、地瓜、绿红豆、三叶草、花生、小黑麦、芝麻、小麦9号、土豆、新燕9号、黑麦、燕麦）的面向对象分类用户精度整体更高，25种作物（硬粒小麦、紫叶草、棉花、毛豆、南瓜、豌豆、黄/黑豆、黄瓜、柿子、大麦、辣椒、地瓜、绿红豆、茄子、花生、小黑麦、交大34豆类、玉米、芝麻、苏子、小麦9号、土豆、新燕9号、黑麦、燕麦）的面向对象分类生产者精度整体更高，这表明面向对象分类方法弥补了基于像元分类方法的部分缺陷，能够较好地改善多数作物的分类效果，在该研究区作物分类场景下的表现整体优于基于像元分类方法。

通过对用户精度的进一步对比，发现使用面向对象分类方法使辣椒、紫叶草、土豆、三叶草、胡萝卜、棉花的用户精度得到明显大幅改善，与基于像元分类方法相比提高了30~70个百分点，辣椒的分类用户精度由原来的30%左右提升到100%，紫叶草由原来的30%左右提升至93.75%，土豆由40%左右提升到89.31%，胡萝卜提升到100%，棉花由70%左右提升到93.98%。

在这6类作物的生产者精度对比中，使用面向对象分类方法使辣椒、紫叶草、土豆的生产者精度也得到改善，与基于像元分类方法相比提高了10~70个百分点，辣椒的生产者精度由原来40%左右提升到64.86%，紫叶草由30%左右提升至68.18%，土豆由原来的50%左右提升到87.97%，但三叶草、胡萝卜、棉花的生产者精度则比基于像元分类方法大幅下降，其中三叶草的生产者精度由原来的70%左右下降至26.63%，胡萝卜由70%左右下降至11.49%，棉花由80%左右下降至46.99%。

分析影像特征发现，这6种作物均呈较稀疏的状态，具体影像特征可见图8，其中辣椒、紫叶草、土豆的种植生长密度要高于三叶草、胡萝卜和棉花，因此推断，本研究选定的分割方法及阈值能够较好地分割开该尺度下影像中的前3类作物与土壤背景，从而有效改善它们的分类效果，因此用户精度和生产者精度均提高；而针对后3种在影像中分布过于稀疏、细碎的作物种类，选用的分割方法和阈值无法将其与土壤背景分割开来，导致与真实情况不符，因此生产者精度反而大幅下降。针对这类作物，更适合使用像素光谱信息直接分类，以便更好地区分土壤和作物，使分类结果尽可能地准确。由此可见，面向对象分类方法可以改善本研究区中大部分作物的分类精度，但并不适用于过于细碎作物的分类场景。

根据表4作物分类用户精度及生产者精度的纵向对比来看，同一分类方法对不同作物的分类精度也有所差异。

在基于像元的5种分类方法得到的精度纵向对比中，土豆、紫叶草、三叶草、棉花、秋葵、毛豆、黄/黑豆、豌豆、黄瓜、辣椒、交大34豆类的用户精度和生产者精度整体偏低，多为40%~70%，说明基于像元分类方法可能并不适用于该生长期这些作物的分类场景；在面向对象分类精度的纵向对比中，紫叶草、三叶草、棉花、秋葵、胡萝卜、交大34豆类作物的生产者精度较低，则是由于其分布过于细碎而难以分割开作物和土壤。

图8 辣椒、紫叶草、土豆、三叶草、胡萝卜、棉花的典型影像标识

综合6种方法的分类精度来看，禾本科作物分类精度普遍较高，即2种分类方案均适用于禾本科作物分类场景，草本作物用户精度、生产者精度差异较大，应根据作物的种植、生长情况具体分析，毛豆、黄/黑豆、豌豆、交大34等豆类作物生产者精度和用户精度普遍偏低，在该类作物分类场景中，虽然面向对象分类方法较好地改善了地块边界模糊问题，但由于多种豆类作物的光谱、纹理、空间信息等比较相似，出现了较多的混杂情况，因此分类精度并没有明显提高。

表4 不同方法下作物分类用户精度及生产者精度%

续表4：

4 结论与展望

本文基于多品种、多类作物的无人机高分辨率多光谱遥感影像，采用基于像元的分类方法和面向对象的分类方法对农作物进行分类，对比分析分类效果及精度探究较优分类方案。研究结果表明：面向对象分类方法在该分类场景中得到的作物地块边界比基于像元分类方法的结果更清晰，椒盐碎斑减少，作物范围更加连续完整，总体分类精度、多数作物的用户精度和生产者精度都有所提高，更适合地物复杂的分类场景应用。但研究也发现，面向对象分类方法虽然可以改善多数作物的分类效果及精度，但在过于细碎作物分类场景中的表现要差于基于像元分类方法，因此在后续研究中，还应考虑将2种方法结合进行分类，以提高更多作物的分类效果。