基于SAR与光学遥感数据相结合的农作物种植类型识别研究
0 引言 识别和分类农作物种植类型是农业遥感的基础,为了能够及时、准确地获取农作物的生长状态和分布,首先需要对农作物种植类型进行识别研究。目视解译是常规提取农作物信息时主要采用的...
- 作者:江珊,1,2, 王春2,3, 宋宏利1, 刘玉锋2来源:|2021年01月11日
0 引言
Gang等[3]通过融合MODIS和 RADARSAT-2遥感影像对草地和苜蓿进行了区分,结果表明光学遥感影像和雷达遥感影像的联合应用可有效地提高作物识别精度; Jia等[4]利用ENVISAT-ASAR和Terra-SAR数据,对我国北方旱地作物冬小麦和棉花进行了识别和分类, 结果表明雷达数据可作为作物识别的有效遥感数据源。将SAR雷达数据与光学遥感数据相结合,能够为农作物遥感识别研究提供强有力的数据保障和技术支持[5],因此SAR数据被广泛应用于农作物监测与估产。根据各类农作物在不同生长阶段的结构特征差异,本文利用SAR遥感数据与光学遥感数据进行波段组合、数据融合用于农作物分类研究,以期充分利用SAR数据所含有的作物细节信息,改进和提升光学遥感的分类精度。
油菜是我国主要油料作物,我国更是世界小麦产量第一大国[6]。本文主要研究小麦以及油菜的识别,主要包括: ①基于光学遥感最大似然分类法的农作物识别; ②基于SAR后向散射特征的农作物识别; ③SAR与光学遥感数据联合识别。通过对光学遥感数据农作物类型识别结果和SAR数据农作物类型识别结果在精确度上的对比研究,比较2类传感器方式在作业监测和感应上的各自优点以及不足。
1 研究区概况与数据源
1.1 研究区概况
以安徽省全椒县为研究区(图1),其地处安徽省东部,滁州市南部,介于安徽省会合肥和江苏省会南京之间,江淮分水岭南侧。属亚热带向暖温带过渡性气候,春季温和多变,夏季炎热多雨,秋季天高气爽,冬季寒冷干燥,常年风向多为东北风。全椒县地势复杂多样,分布有山地丘陵及平原; 水系资源丰富,有河流、湖泊等; 在丰富环境的基础上,农作物种植同样较为多样,有油菜、水稻、小麦等多种农作物。本文选择以小麦、油麦为主要实验对象。
图1
图1 研究区位置示意图
Fig.1 Schematic diagram of study area
1.2 数据源
本文研究使用的数据为GF-1和GF-3影像。GF-1数据成像于2018年5月23日,图像空间分辨率为16 m,图像清楚,云量偏少,质量良好。GF-3数据成像于2018年1月14日,图像空间分辨率为8 m,图像清楚,云量偏少,质量良好。
1.3 数据预处理
GF-1数据的处理步骤包括: 大气校正、影像裁剪与拼接等工作。
图2
图2 SAR数据处理后研究区域
Fig.2 Research area after SAR data processing
2 农作物种类判定
本文以实地观测数据为依据,对小麦、油菜2种农作物类型进行识别研究。同时,将实地观测数据中不同类型农作物的地理位置与光学遥感数据和SAR数据的区域进行对应和匹配,从而确定当前区域的农作物种植类型,得到分类结果。
2.1 光学遥感数据分类
表1 小麦、油菜各波段反射率值
Tab.1
农作物波段 | 1号 | 2号 | 3号 | 4号 | 5号 | 6号 | 7号 | 8号 |
---|---|---|---|---|---|---|---|---|
油菜蓝光波段 | 626 | 631 | 672 | 672 | 710 | 728 | 730 | 769 |
小麦蓝光波段 | 493 | 540 | 552 | 557 | 560 | 562 | 563 | 592 |
油菜绿光波段 | 928 | 979 | 992 | 992 | 1 010 | 1 027 | 1 059 | 1 167 |
小麦绿光波段 | 685 | 728 | 734 | 762 | 777 | 835 | 836 | 869 |
油菜红光波段 | 1 293 | 1 327 | 1 347 | 1 379 | 1 391 | 1 419 | 1 485 | 1 496 |
小麦红光波段 | 1 020 | 1 027 | 1 041 | 1 068 | 1 193 | 1 196 | 1 198 | 1 250 |
油菜近红外波段 | 2 513 | 2 526 | 2 605 | 2 660 | 2 666 | 2 681 | 2 690 | 2 749 |
小麦近红外波段 | 1 731 | 1 909 | 2 070 | 2 373 | 2 439 | 2 587 | 2 654 | 2 630 |
图3
图3 农作物各波段光谱反射率曲线
Fig.3 Spectral reflectance curve of crops
图4
图4 研究区域光学遥感分类结果
Fig.4 Regional achievement by optical remote sensing classification
2.2 SAR数据分类
表2 小麦、油菜不同极化后向散射对比
Tab.2
土地覆盖 类型 |
1月中旬 | 2月中旬 | 3月中旬 | 4月中旬 | 5月中旬 | |||||
---|---|---|---|---|---|---|---|---|---|---|
VV | VH | VV | VH | VV | VH | VV | VH | VV | VH | |
小麦 | -8.2 | -14.8 | -9.6 | -15.5 | -11.1 | -16.2 | -11.9 | -16.0 | -10.0 | -13.9 |
油菜 | -5.4 | -12.4 | -6.4 | -12.7 | -7.4 | -12.8 | -6.3 | -11.4 | -5.3 | -10.9 |
图5
图5 小麦、油菜不同极化后向散射折线图
Fig.5 Line chart of different polarization backscattering of wheat and rape
图6
图6 SAR数据分类后局部成果
Fig.6 Local result by SAR data classification
2.3 光学遥感数据与SAR数据融合
本文选择HSV和Gram-Schmid 2种融合方法进行比较,从而优选其一。图7为数据整合前后对比,图8和图9分别为基于HSV法和基于Gram-Schmid法融合的图像分类后局部结果。实验表明,2种方法都能丰富融合后的图像信息,使图像的高亮度部分越亮而低亮度部分越暗,色彩对比突出。居民地和林地部分色调以及纹理都十分突出,但在农作物、部分裸地和草地等地物的区分时,由于色调十分接近,可能会难以区分。Gram-Schmid方法的效果明显超过HSV方法。Gram-Schmid方法在保留多光谱规律的基础下,添加了SAR高分辨信息的积极性能,在分辨率、纹理特征等诸多方面是HSV方法不能相提并论的。2种方法相比,Gram-Schmidt法在空间纹理与光谱高保真方面相对较好,这是由于Gram-Schmidt法是所有波段都参与融合,在波谱信息的损失方面比较小的原因。
图7
图7 数据融合前后对比
Fig.7 Comparison before and after data fusion
图8
图8 基于HSV法融合图像分类后局部结果
Fig.8 Local result after image classification fusion based on HSV method
图9
图9 基于Gram-Schmid法融合图像分类后局部结果
Fig.9 Local result after image classification based on Gram-Schmid fusion
3 精度评价
3.1 精度评价方法
表3 参考地物的训练和验证样本像素数
Tab.3
土地覆盖类型 | 训练样本像素数 | 验证样本 |
---|---|---|
水体 | 5 181 | 4 565 |
裸地 | 1 605 | 1 422 |
林地 | 3 781 | 3 238 |
居民地 | 2 071 | 2 272 |
表4 小麦及油菜的训练和验证样本像素数
Tab.4
土地覆盖类型 | 训练样本像素数 | 验证样本 |
---|---|---|
小麦 | 2 003 | 277 |
油菜 | 976 | 778 |
3.2 分类结果的精度评价
采用建立分类的混淆矩阵,从而评价分类结果的精度(表5)。
表5 分类精度评价
Tab.5
类别 | 光学 | SAR | HSV融合 |
Gram-Schmidt 融合 |
---|---|---|---|---|
小麦用户精度/% | 41.24 | 27.84 | 80.36 | 63.66 |
油菜用户精度/% | 37.10 | 14.67 | 96.79 | 69.32 |
小麦漏分误差/% | 43.04 | 51.17 | 12.52 | 24.51 |
油菜漏分误差/% | 64.65 | 73.26 | 30.61 | 41.79 |
小麦制图精度/% | 56.96 | 48.83 | 87.48 | 75.49 |
油菜制图精度/% | 35.35 | 26.74 | 69.39 | 58.21 |
总体分类精度/% | 73.02 | 58.57 | 86.29 | 96.20 |
Kappa系数 | 0.659 7 | 0.477 2 | 0.816 4 | 0.949 0 |
图10
图10 分类结果
Fig.10 Classification results
图11
图11 小麦和油菜分类局部结果
Fig.11 Local results of wheat and rape classification
4 结论
1)3种数据中,基于SAR数据得到分类结果精度较低,Kappa系数在0.5以下。之所以出现这种情况,一方面是因为SAR图像与一般常见光学图像的成像原理存在着很大的不同,SAR在接收并处理复杂信号时,不可避免地存在一些杂乱的斑点噪声,从而影响了人们对地物场景的识别; 另一方面是SAR图像上产生的透视收缩、叠掩和阴影等几何形变现象,使得SAR图像的几何纠正和数据分析更加复杂。实验使用的样本数据是安徽省滁州市全椒县的农作物种植实地勘察数据,全椒县的小麦和油菜的种植没有明显的分界线,且有许多稻茬、裸地、杂草等地块。由于SAR数据对这些有明显界限地物的检测与识别能力强,从而降低了对小麦和油菜的区分精度。
2)SAR与光学遥感数据经Gram-Schmidt融合后的图像的分类结果较为理想。总体精度达到96.20%,Kappa系数为0.949 0。与光学遥感数据分类以及SAR数据分类后的精度进行对比,精度皆大于单独进行分类的2类。根据实验结果可知,在Gram-Schmidt方法下融合光学数据与SAR数据后生成的图像,不仅具有光学遥感数据的多光谱特征,还有SAR数据的高空间分辨率。视觉上清晰明了,克服了光学遥感图像放大视觉模糊,以及SAR数据无多光谱、图像显示单一的问题,从而可以清晰直观分辨出地物。因此,融合光学数据与SAR数据后的数据分类精度,高于单独使用光学遥感数据分类的结果,也高于单独使用SAR数据分类的结果。融合光学数据与SAR数据后的数据对于小麦、油菜的分类具有一定程度的改善和提高,不同融合方法的融合精度也有所不同,还需要未来继续积极探索。