主要农作物监督分类方法探究

主要农作物监督分类方法探究

张宁

（广东南方数码科技股份有限公司南京分公司，江苏南京 210003）

摘要四波段遥感影像对植被的反射强烈。本文以2020年度南京市夏熟三麦和油菜的遥感影像分类为例，利用ERDAS、ArcGis软件，结合外业实地调绘的样本点，将训练样本进行最大似然法监督分类。通过计算混淆矩阵，验证适合研究区的合理方法。

关键词四波段 高分影像 遥感解译 最大似然法 混淆矩阵

0引言

遥感作为一门先进的、实用的可测技术，在资源清查、环境监测、减灾防灾、农业生产等方面的得到了广泛的应用[1]。地物在遥感影像中具有其特有的光谱特性，这种特性表现为地球表面某一位置的电磁波反射强度信息。本文“南京市夏熟三麦和油菜种植面积遥感监测（2020年）”项目，利用植物对近红外波段的强烈反射这一特性，进行遥感分类：根据各种地物类型的在时间、光谱、形状、纹理等方面的特征，建立相应的数学或逻辑模型，对单景或多景遥感影像进行计算处理，分析得出针对研究区合理的监督分类方法。

四波段指的是遥感影像的多光谱波段中四个波段，分别为蓝、绿、红和近红外。第四波段：0.76-0.90um（近红外）是红边波段，叶子的海绵组织（上表皮、叶绿素和多孔薄壁细胞组织等）在这个波段具有较高反射率，表现为反射光谱曲线上的最高峰区。利用遥感影像（波段组合：RBG对应近红，红和绿）分类，结合研究区冬小麦在单期与多期影像表现出的不同光谱特征，进行逻辑判定，确定作物的类型。大大提升工作效率，是四波段数据很好的运用实例。

1研究区及准备源

1.1研究区概况

本文以南京为研究区进行遥感监测，湖熟街道总面积约6587平方公里，该区域农作物种植结构单一，上半年种植面积最大的冬小麦在2-3月的分蘖期以及4-5月的抽穗期光谱特征明显。将冬小麦作为监督分类方法验证的对象。

1.2数据源介绍

收集2020年12月至次年5月的高分系列遥感影像，分别进行冬小麦种植空间分布的测量。经过标准化处理、镶嵌，得到GF多光谱遥感影像数据。筛选出云量少、对比度高、清晰度好的能够反映冬小麦关键生长期的两期遥感影像，分别为2021年2月、5月。

2监督分类方法验证与确定

2.1数据准备

2.1.1遥感图像预处理

基于ERDAS软件对遥感图像预处理。在遥感影像预处理与分析中，预处理（Preprocessing）是最初也是最基本的影像操作[2]。预处理的过程包括辐射校正、大气纠正、图像校正、几何校正、增强、滤波、变换、特征提取和镶嵌裁切等处理。

ERDASIMAGINE进行校正的基本步骤是打开文件和几何纠正工具、设置投影方式、选择几何纠正方法、选取地面控制点、构筑转换矩阵、对影像进行重采样、检验纠正精度[3]。

2.1.2样本点的外业实测

监督分类完成后，选取符合要求的地表样本，验证监督分类精度。前期使用无人机实测样本数据获取训练样本，后期再针对存疑图斑及时验证。采用外业助手APP，通过高度集成3S技术(RS、GPS、GIS)，充分有效的利用各种数据，实现野外勘查、实地精准采样，一站式提供数据及样本。均匀分布采集研究区101个样本点。

使用无人机均匀分布采集研究区样本。2021年的5月8至10日采集训练样本43个。5月12至15日采集验证样本58个。

2.2总体技术路线

本研究依据“精度满足要求、格式满足要求、分区域分类”的原则，结合研究区特点，使用ERDAS、ArcGis软件，验证单期影像分类及多期影像分类，利用监督分类方法，基于混淆矩阵验证精度，得出适合该研究区的遥感分类方法。

研究区冬小麦空间分布数据结果精度检查，采用最大似然法，结合训练样本提取遥感影像中冬小麦的特征信息，建立分类器进行分类，并在后期通过验证样本进行分类验证。基于混淆矩阵的精度检验方法，给出冬小麦种植空间分布数据总体精度。总体验证路线见下图：

图1总体验证路线

2.2.1单期影像分类

选择2020年5月的遥感影像，此时的冬小麦处于成熟期，植被覆盖明显，利于监督分类。

监督分类（supervisedclassification），又称训练分类，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在这种分类中，分析者在图像上选取一定数量的训练区，通过计算，将每个像元和训练样本作比较，通过训练集的学习得到较为准确的分类结果。主要步骤：①选择特征波段；②选择训练区；③选择或构造训练分类器；④对分类精度进行评价。

（1）待分类数据集准备

利用多光谱影像，根据冬小麦与油菜在影像中的各种光谱指数和纹理特征，选取样本。样本要求均匀分布整个区域，区分的每个地类不少于2000个像元，单个的样方不少于5个像元。经过四波段影像的波段组合，发现冬小麦呈现出正红色。为了保证遥感分类的精度，选取的训练样本有：水体_深、水体_浅、建筑区_灰白、建筑区_粉、建筑区_黄、农作物_淡粉、农作物_正红、农作物_玫红、农作物_深红、裸地等。并且尽量选取典型地物中心的像元，避免选取地块边缘混合像元，保证样本具有代表性。选择完成后，通过人工目视卷帘查看，将训练样本区域分类结果与样本类型结合查看，发现误分的进行修正。

（2）分类模型选择

采用最大似然法，进行监督分类，提取冬小麦的空间分布数据。

最大似然法是监督分类中最常用的方法，基于参数化密度分布模型的最大似然方法(MLC)是遥感影像分类最常用手段之一，与其他非参数方法（如神经网络）相比较，它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点[4]。

最大似然法具体步骤：首先选定训练样本，再根据已知类别的训练样本，构建最大似然分类器，建立分类判别函数，最后通过将像元的特征向量代入每个类别的概率分布函数中，将待判断像元归属于判别函数概率最大的一组。该分类法错误小精度高，是较好的一种分类方法。

使用ArcGis的分象分类工具（ImageClassification）选择好的训练区导出特征文件，在2020年5月的单期影像上使用最大似然法分类，分类出Tif格式的影像。使用转换工具中的栅格转面工具，以供后期与样本点进行叠加分析。

2.2.2多期影像分类

基于多个单期遥感影像分类结果合成的分类数据基础上，结合冬小麦在多期影像表现出的光谱特征，进行逻辑判定，确定作物的类型。两期影像存在不同分辨率的情况，将低分辨率的影像重采样，采用最邻近法转为同分辨率影像。

分析冬小麦在两期影像上各地物呈现的不同光谱指数和纹理特征。在2020年2月影像上，冬小麦开始由黄转青，处于返青期，在波段组合后的假彩色下呈现为淡粉色或裸地色，而在2020年5月影像上，成熟期期则呈现旺盛的植被光谱信息，在波段组合后的假彩色下呈现为正红色。

使用ArcGis中栅格处理工具栏的波段组合，将两期影像组合成8波段的影像，在同样的训练区待分类数据集中，同样使用最大似然法进行影像分类，提取正红色冬小麦区域。

2.2.3分类精度检验

构建误差矩阵也称为混淆矩阵，进行精度分析。

混淆矩阵（ConfusionMatrix）在图像精度评价中，主要用于用于评估和比较分类结果与实际地表信息之间的精度。混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了实际测得信息，每一列中的数值等于实际测得像元在分类图象中对应于相应类别的数量；混淆矩阵的每一行代表了遥感数据的分类信息，每一行中的数值等于遥感分类像元在实测像元相应类别中的数量。通过用户精度、生产精度与总体精度来描述分类精度。

混淆矩阵的精度评价方法具有以下优点：①对待评价数据与参考数据进行全面对比，更加客观地描述数据集与参考数据的一致性②可以综合反映混合像元的精度特点[5]。

使用ArcGis中空间连接中叠加分析工具，将影像分类得出的面状失量成果叠加样本点，验证当样本点为冬小麦，而面状地类也为冬小麦的情况，制作混淆矩阵表格，计算100个参考样本点对应遥感解译分类类别的用户精度、生产者精度与总体精度。判断三个精度的大小，得出针对研究区，单期影像与多期影像监督分类的优劣。

总体精度：被正确分类的类别像元数与总的类别个数的比值。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数。

用户精度：正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。

生产者精度：分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。

表1单期影像解译与样本点的精度分析

用户精度：小麦96%，油菜7%；生产者精度：小麦93.2%，油菜4.12%；总体精度：94.5%。

表2多期影像解译与样本点的精度分析

用户精度：小麦94.6%，油菜2.97%；生产者精度：小麦97.8%，油菜4.85%；总体精度：95.8%。

3结论

为了得到有效的验证结果，检验数据的采样必须具有良好的代表性，所以影像处理人员倾向于用小样本进行精度检验[6]。本次研究选用南京市的冬小麦作为对象，通过最大似然法和混淆矩阵的应用，分析单期影像与多期影像的监督分类精度，得出针对种植结构单一地区选择多期遥感影像进行监督分类，能够减少异物同普的现象，实现高精度的地物分类和精度评估。

参考文献

[1]孙家柄.遥感原理与应用[M].武汉:大学出版社,2003，98-218

[2]马冰冰,李宏超.基于EDARS的遥感图像预处理[J].安徽农学通报，2015.

[3]赖震刚,王继.利用ERDASIMAGINE进行影像的几何精校正[J].现代测绘，2003.

[4]陈敬柱,贺瑞霞,郭恒亮.最大似然法在植被信息识别提取中的应用[J]..水文地质工程地质.2004(02)

[5]蒋璐媛，肖鹏峰，冯学智，李云，朱榴骏.基于亚分数混淆矩阵的中国典型区大尺度土地覆盖数据集评价[J].遥感技术与应用,2015,30（2）：354－363．

[6]郑明国,蔡强国,秦明周,岳天祥.一种遥感影像精度检验的新方法[J]遥感学报2006,1

Explore0nSupervisedClassificationMethods

OfMainCrops

ZHANGNing

（Nanjing Branch of South GIS Technology Company，NanjingJangsu 210003）

AbstractFour-bandremotesensingimageryexhibitsstrongreflectioncharacteristicsforvegetation.Takingtheclassificationofremotesensingimageryforsummer-ripeningwheatandrapeseedinNanjingCityin2020asanexample,thispaperutilizesthesoftwareERDASandArcGIStoperformsupervisedclassificationoftrainingsamplesusingthemaximumlikelihoodmethod,incombinationwithsamplepointscollectedthroughfieldsurveys.Thesuitabilityofthemethodforthestudyareaisverifiedthroughthecalculationofaconfusionmatrix.

KeywordsFourbandhigh-resolutionimaging;Remotesensinginterpretation;Maximumlikelihoodmethod;Confusionmatrix