蘇騰飛

摘 要：河套平原是中國北方重要的農(nóng)業(yè)基地，利用遙感影像開展河套灌區(qū)監(jiān)測具有重要意義。該文利用時間序列NDVI，分析了不同作物在生長周期上的差異對其NDVI的影響。將多尺度分割和FCM分類算法相結(jié)合，發(fā)展了一種基于區(qū)域的農(nóng)田遙感影像分類算法。利用本文的方法對五原縣農(nóng)田區(qū)域的時間序列NDVI進行分類實驗。結(jié)果表明，該文的方法可以有效區(qū)分非農(nóng)田、葵花和小麥?；趨^(qū)域的遙感圖像分類算法中，尺度參數(shù)的選取是非常重要的。

關(guān)鍵詞：NDVI 圖像分割 FCM 農(nóng)田分類

中圖分類號：F326.2 文獻標(biāo)識碼：A 文章編號：1674-098X（2014）09（a）-0202-02

河套平原地勢平坦，土質(zhì)肥沃，雖然年降雨量較低，但憑借黃河灌溉的優(yōu)勢，自古以來就是中國北方重要的農(nóng)業(yè)基地。該地區(qū)面積廣闊，約為25000 km2，可種植小麥、玉米、葵花、蜜瓜等多種經(jīng)濟作物。農(nóng)作物長勢和種類分布信息對于指導(dǎo)農(nóng)業(yè)生產(chǎn)有著非常重要的作用。然而，利用傳統(tǒng)觀測手段來監(jiān)測大范圍的河套灌區(qū)是非常費時費力的。遙感技術(shù)的興起，為大面積的農(nóng)業(yè)區(qū)域監(jiān)測提供了有力的手段[1]。因此，利用遙感影像進行河套灌區(qū)監(jiān)測具有非常重要的意義。

歸一化差分植被指數(shù)（Normalized Difference Vegetation Index，NDVI）是農(nóng)業(yè)遙感中重要的觀測量，利用NDVI可以有效區(qū)分農(nóng)田植被與非植被區(qū)域。然而，NDVI僅能反應(yīng)植被的覆蓋率，不能區(qū)分植被覆蓋的種類。為了解決該問題，國內(nèi)外很多學(xué)者利用多時相的遙感影像提取NDVI，根據(jù)不同農(nóng)作物在生長周期上植被覆蓋率的差異，來精確區(qū)分農(nóng)作物的類別。Badhwar等人早在1982年就建立了一個時間序列剖面模型，用以從Landsat NDVI數(shù)據(jù)中區(qū)分作物類型[1]。苗翠翠等利用多時相MODIS提取的NDVI進行了江蘇省水稻面積估計[2]。馬麗等利用3景不同時間的Landsat影像開展了農(nóng)作物分類研究，試圖區(qū)分黑龍江軍川農(nóng)場的大豆、玉米和水稻。Edlinger等利用Landsat數(shù)據(jù)對烏茲別克斯坦的棉花作物灌溉區(qū)域進行了提取研究。Liu等人綜合利用了不同空間分辨率的時間序列NDVI進行作物分類研究。以上研究的一個共同點是，都根據(jù)各自研究區(qū)域的特點來調(diào)整作物分類方法的參數(shù)，以達(dá)到最佳分類精度。因此，要利用時間序列的NDVI數(shù)據(jù)開展河套灌區(qū)的作物分類研究，有必要根據(jù)該區(qū)域的特點進行作物分類方法的優(yōu)化，以獲得較高的作物識別精度。

該文利用地球觀測一號衛(wèi)星（Earth Observation-1，EO-1）改進型陸地成像儀（Advanced Land Imager，ALI）影像提取河套灌區(qū)的時間序列NDVI，以開展河套灌區(qū)作物分類研究。作物分類在本質(zhì)上可以歸為遙感影像分類問題，而近年來的相關(guān)研究表明，基于區(qū)域的分類方法在精度上要明顯優(yōu)于基于像素的分類方法。因此，本文發(fā)展了一種基于區(qū)域的作物分類方法，該方法結(jié)合了多尺度圖像分割和模糊C均值聚類（Fuzzy C-Means，F(xiàn)CM），以準(zhǔn)確獲取河套灌區(qū)農(nóng)作物的種類分布信息。本文篇章結(jié)構(gòu)如下。第二節(jié)介紹了數(shù)據(jù)和研究區(qū)域；第三節(jié)詳細(xì)闡明了該文提出的作物分類方法；第四節(jié)展示了河套灌區(qū)作物分類實驗的結(jié)果；第五節(jié)總結(jié)全文。

1 數(shù)據(jù)域研究區(qū)域

1.1 數(shù)據(jù)源和預(yù)處理

EO-1衛(wèi)星是NASA于2000年發(fā)射的一顆對地觀測衛(wèi)星，其上主要搭載三個遙感器：高光譜成像儀、大氣校正儀和ALI。ALI與Landsat7具有相似的波段設(shè)置，包括9個多光譜波段和1個全色波段。ALI全色波段的空間分辨率為10 m，高于Landsat7 ETM+（15 m），這使得ALI具有更為優(yōu)越的對地觀測能力。

該文選用了2013年的3景ALI影像，影像獲取時間見表1。影像的預(yù)處理包括輻射標(biāo)定和全色銳化。輻射標(biāo)定是通過ENVI遙感影像處理軟件實現(xiàn)的，其目的是獲取反射率，用以計算NDVI。ALI多光譜波段的空間分辨率為30 m，為了獲取更為精細(xì)的多光譜分辨率影像，采用了ENVI軟件中Gram-Schmidt全色銳化方法，將全色波段和多光譜波段進行融合。

1.2 研究區(qū)域

五原縣地處黃河最北端，約占河套灌區(qū)總面積的1/4。該地日照充足，溫差較大，雖然年降雨量較低，但黃河灌溉彌補了水資源的不足，因此五原已成為中國北方重要的商品糧基地之一。

（圖1）顯示了五原縣東南的農(nóng)田區(qū)域。藍(lán)色方框部分是該文的研究區(qū)域。其中西南方較粗的河道為總干渠，由它引出了兩條五原縣的重要灌渠：義和渠和通濟渠。兩條渠道均由南向北流經(jīng)五原，前者貫穿研究區(qū)域的中間部分，后者則在前者的東部向北流入五原。

當(dāng)?shù)氐闹饕魑锇ㄐ←満涂?，其收獲時間分別為每年的7月下旬和9月中下旬。該文利用7、8、9三個月的NDVI數(shù)據(jù)，結(jié)合兩種作物在收獲時間上的不同，可在遙感影像中得到兩種作物的分布信息。

2 時間序列農(nóng)田影像分類方法

該文采用了基于區(qū)域的遙感影像分類方法，利用時間序列NDVI影像，獲取五原縣不同種類作物的分布信息。

2.1 時間序列NDVI提取與分析

該文利用EO-1 ALI影像中的近紅外波段（790.0092nm）和紅色波段（660.0438nm）計算NDVI，其公式為：NDVI=（ρNIR-ρR）/（ρNIR+ρR），其中ρNIR和ρR分別表示近紅外和紅色波段的反射率。NDVI的數(shù)值范圍是-1～1。一般而言，植被的NDVI大于0.3，而土壤則在0.1～0.2之間，水體的小于0。

2.2 多尺度圖像分割算法

該文采用為分形網(wǎng)演化算法（Fractal Net Evolution Algorithm，F(xiàn)NEA）對遙感影像進行多尺度分割，該算法集成在專業(yè)遙感影像處理軟件eCognition中。FNEA在遙感影像分類中具有廣泛的應(yīng)用，其基本思想是：初始階段，將每一個像素看做獨立的區(qū)域；通過合并相似的區(qū)域，將遙感圖像中的地物分割出來。

為了衡量兩個相鄰的區(qū)域是否適合合并，F(xiàn)NEA定義了光譜異質(zhì)性和形狀異質(zhì)性，兩者的加和即為兩個區(qū)域適合合并的程度。該算法共包含三個參數(shù)：形狀參數(shù)、緊湊性參數(shù)和尺度參數(shù)。其中，前兩個參數(shù)調(diào)節(jié)形狀異質(zhì)性對總異質(zhì)性的貢獻。尺度參數(shù)控制的是分割結(jié)果中區(qū)域的平均大??；其值越大，則合并次數(shù)越多，分割結(jié)果中區(qū)域的平均尺度越大。

2.3 FCM農(nóng)田分類方法

FCM是一種非監(jiān)督分類方法，目前已廣泛應(yīng)用于遙感影像解譯。它是在模糊理論上發(fā)展的一種聚類算法，其實現(xiàn)過程中的目的是最小化下面的目標(biāo)函數(shù)。

（1）

其中，N是圖像中像素的個數(shù)，C是類別數(shù)，xj表示第j個像素值組成的向量，vc是第c個類別的中心的向量，μcj表示第j個像素屬于第c類的程度，m參數(shù)控制聚類過程的模糊度。

FCM的步驟是：（1）輸入?yún)?shù)：待分類的圖像I={x1，x2，......，xN}，類別數(shù)目C，模糊參數(shù)m，停止條件ξ。

（2）初始化隸屬度矩陣u，其維度是C×N，其元素μcj的取值范圍是0～1。

（3）設(shè)置循環(huán)計數(shù)變量L=0。

（4）計算每一類的聚類中心vc：

（2）

（5）根據(jù)新計算的聚類中心，重新計算u：

（3）

其中dcj表示像素xj和聚類中心vc的距離，dcj=xj·vc。

（6）若max（u（L）-u（L+1））<ξ，則停止計算，進行去模糊化；否則，L=L+1，并返回（4）。

去模糊化是根據(jù)隸屬度矩陣u對像素進行分類的過程，其方法是：每個像素隸屬度最大所對應(yīng)的類別，即為該像素的類別。

以上FCM得到的是基于像素的分類結(jié)果。要得到基于區(qū)域的分類結(jié)果，可以結(jié)合分割結(jié)果，采用大多數(shù)投票法。分割結(jié)果中，每個區(qū)域的大多數(shù)像素所對應(yīng)的種類，即為該區(qū)域的類別。該方法可以有效減少基于像素分類結(jié)果產(chǎn)生的椒鹽噪聲效應(yīng)。

3 實驗結(jié)果與分析

該文利用2013年7、8、9三個月的五原縣EO-1 ALI數(shù)據(jù)，開展了農(nóng)田分類實驗。按照圖2的流程，首先對ALI影像進行預(yù)處理，并提取時間序列NDVI，之后對提取的NDVI進行圖像分割和FCM分類，最后得到基于區(qū)域的分類結(jié)果。

根據(jù)時間序列NDVI的分析，并經(jīng)過反復(fù)試驗，得到該區(qū)域的最佳FCM參數(shù)設(shè)置為：C=3，即非農(nóng)田、葵花、小麥；模糊參數(shù)m=2；停止條件ξ=0.001。利用FNEA對時間序列NDVI進行圖像分割，需要選取合適的尺度參數(shù)來得到最佳的分割結(jié)果，以提高作物分類精度。圖3a和b中顯示了小尺度和大尺度參數(shù)的分割結(jié)果，前者的尺度參數(shù)為1.0，后者為4.0。顯然，隨著尺度參數(shù)的增大，分割結(jié)果中區(qū)域的尺度越大。

圖3c和d是不同尺度的基于區(qū)域的分類結(jié)果。由于缺乏現(xiàn)場數(shù)據(jù)，本文定性的評價了尺度參數(shù)對分類精度的影響。首先，非農(nóng)田區(qū)域被準(zhǔn)確的區(qū)分出來；在小尺度分類結(jié)果中，存在很多細(xì)碎的區(qū)域，一些尺度較小的道路、渠道等區(qū)域，被錯誤的分為葵花；在大尺度的分類結(jié)果中，葵花種植區(qū)域的分布更完整。顯然，選用尺度參數(shù)為4.0的分類結(jié)果更為準(zhǔn)確。

4 結(jié)語

該文利用EO-1 ALI提取的時間序列NDVI，對內(nèi)蒙古五原縣的黃河灌區(qū)進行了農(nóng)田分類研究。利用基于區(qū)域的FCM分類算法將葵花、小麥和非農(nóng)田區(qū)域進行了區(qū)分，得到了不同作物的分布信息。

該文主要結(jié)論如下：（1）利用時間序列NDVI可以有效區(qū)分不同種類的作物；（2）利用基于區(qū)域的分類方法時，需要選用合適的尺度參數(shù)，以得到最優(yōu)化的分類結(jié)果。

參考文獻

[1] 苗翠翠，江南，彭世揆，等.基于NDVI時序數(shù)據(jù)的水稻種植面積遙感監(jiān)測分析—— 以江蘇省為例[J].地球信息科學(xué)學(xué)報，2011，13（2）：273-280.

[2] 馬麗，徐新剛，賈建華，等.利用多時相TM影像進行作物分類方法[J].農(nóng)業(yè)工程學(xué)報，2008，24（2）：191-195.