周靜平　李存軍，2　史磊剛　史　姝　胡海棠　淮賀舉

(1.北京農(nóng)業(yè)信息技術(shù)研究中心， 北京 100097； 2.北京智慧農(nóng)業(yè)物聯(lián)網(wǎng)產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟， 北京 100097；3.四川省第三測(cè)繪工程院， 成都 610500)

?

基于決策樹(shù)和面向?qū)ο蟮淖魑锓植夹畔⑦b感提取

周靜平1李存軍1，2史磊剛1史姝3胡海棠1淮賀舉1

(1.北京農(nóng)業(yè)信息技術(shù)研究中心， 北京 100097； 2.北京智慧農(nóng)業(yè)物聯(lián)網(wǎng)產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟， 北京 100097；3.四川省第三測(cè)繪工程院， 成都 610500)

利用我國(guó)2012年4—11月覆蓋主要農(nóng)作物全生育期的23幅中分辨率HJ-1A/1B衛(wèi)星時(shí)序影像，采用決策樹(shù)和面向?qū)ο笙嘟Y(jié)合的分類方法提取黑龍江省雙河農(nóng)場(chǎng)主要農(nóng)作物分布信息，并與傳統(tǒng)決策樹(shù)分類方法進(jìn)行對(duì)比。通過(guò)影像預(yù)處理構(gòu)建時(shí)序HJ星影像集，先利用面向?qū)ο蠓椒ㄌ崛〉缆罚瑸樽魑锾崛∨懦镩g道路及附屬地物干擾；再結(jié)合作物物候歷分析不同地物光譜和時(shí)序特征，篩選出7個(gè)特征指數(shù)和14個(gè)敏感時(shí)相，建立決策樹(shù)分類模型，提取出玉米和水稻。研究表明，多特征指數(shù)輔助作物分類十分有效，尤其是歸一化水指數(shù)NDWI對(duì)水稻提取非常有效；較之傳統(tǒng)決策樹(shù)分類，決策樹(shù)和面向?qū)ο笙嘟Y(jié)合的分類方法能有效剔除田間道路及附屬林帶溝渠對(duì)作物分類的干擾，總體分類精度從89.22%提升至95.18%，該方法可為其他地區(qū)利用中分辨率遙感影像低成本高精度提取作物分布信息提供借鑒。

遙感; 作物分布； 信息提?。?決策樹(shù); 面向?qū)ο?/p>

引言

農(nóng)作物空間分布信息是研究農(nóng)業(yè)生產(chǎn)和發(fā)展的基礎(chǔ)信息，通過(guò)遙感監(jiān)測(cè)及時(shí)準(zhǔn)確地獲取農(nóng)作物分布信息、掌握農(nóng)作物種植面積，對(duì)于確保我國(guó)農(nóng)業(yè)的可持續(xù)發(fā)展和糧食安全具有重要意義。但我國(guó)農(nóng)田間普遍分布著林網(wǎng)林帶及道路溝渠，雖然對(duì)于提升農(nóng)田質(zhì)量有重要的促進(jìn)作用，但在中低分辨率遙感影像上，這些田間道路及附屬地物與農(nóng)田交錯(cuò)分布，農(nóng)田邊界區(qū)域極易存在混合像元，嚴(yán)重影響著農(nóng)作物高精度遙感分類。

目前，農(nóng)作物遙感監(jiān)測(cè)精度提高主要通過(guò)改善影像的時(shí)間分辨率、空間分辨率和光譜分辨率來(lái)實(shí)現(xiàn)[1-3]。由于高空間分辨率和高光譜分辨率影像價(jià)格昂貴、不易獲取，且不同作物的光譜比較相似，加上有地被植物干擾，僅依靠單一影像進(jìn)行分類，精度十分受限。高時(shí)間分辨率影像盡管在空間和光譜上不夠精細(xì)，但重訪周期短、數(shù)據(jù)成本低，利用多時(shí)相影像即可對(duì)不同作物生長(zhǎng)時(shí)間差異和物候特征進(jìn)行精細(xì)刻畫(huà)，特別是MODIS、HJ-1A/1B等國(guó)內(nèi)外高時(shí)間分辨率影像可免費(fèi)獲得，這也為其在作物遙感監(jiān)測(cè)上的廣泛應(yīng)用提供了便利[4-6]。時(shí)序遙感影像不僅具有單一時(shí)相影像的光譜信息，還具有豐富的時(shí)間序列信息，在作物分布信息提取中具有重要意義。目前已有很多學(xué)者利用多時(shí)相數(shù)據(jù)進(jìn)行遙感監(jiān)測(cè)[7-15]。這些研究大多是根據(jù)作物生育期內(nèi)某些時(shí)相植被指數(shù)的時(shí)序特征通過(guò)單一遙感算法進(jìn)行作物分類的，采用多種遙感分類方法優(yōu)勢(shì)互補(bǔ)及常用植被指數(shù)外其他多特征指數(shù)綜合應(yīng)用的研究還較少，且未充分考慮田間林網(wǎng)林帶及道路溝渠對(duì)農(nóng)田邊界提取的影響。因此，有必要利用農(nóng)作物多特征指數(shù)的時(shí)序特征，結(jié)合決策樹(shù)和面向?qū)ο蟮姆诸惙椒ǎ_(kāi)展田間道路及附屬林帶監(jiān)測(cè)和作物分布信息提取研究。

本文利用2012年黑龍江省雙河農(nóng)場(chǎng)HJ-1A/1B衛(wèi)星時(shí)序影像，根據(jù)遙感影像中不同農(nóng)作物多特征指數(shù)的差異，采用決策樹(shù)和面向?qū)ο笙嘟Y(jié)合的分類方法，在排除田間道路及附屬林帶溝渠干擾的基礎(chǔ)上進(jìn)行主要農(nóng)作物分布信息提取。

1　數(shù)據(jù)和方法

1.1研究區(qū)概況

研究區(qū)雙河農(nóng)場(chǎng)位于黑龍江省齊齊哈爾市甘南縣中東部，阿倫河西岸，大興安嶺南坡與松嫩平原交界處(120°38′～120°57′E,47°41′～48°01′N)。雙河農(nóng)場(chǎng)所處區(qū)域?qū)俸疁貛Т箨懠撅L(fēng)氣候，四季分明；正常年均氣溫2.6℃，最高溫度39.2℃，最低溫度-35.4℃；日平均氣溫大于10℃有139 d，積溫2 562.9℃；年均降水量455.2 mm。雙河農(nóng)場(chǎng)是規(guī)?；G色生產(chǎn)基地，農(nóng)場(chǎng)耕地約2萬(wàn)hm2，地勢(shì)平坦、土地連片、田塊整齊、土壤肥沃、光照充足、水資源豐富。主要種植玉米和水稻，其他作物有大豆、雜糧(綠豆、黑豆、紅小豆等)及蔬菜等，農(nóng)場(chǎng)內(nèi)部林地零星分布，東部邊界區(qū)域遍布草地和葦?shù)貫┩浚⑶覔碛邢鄳?yīng)的建筑及附屬設(shè)施，主要農(nóng)作物玉米、水稻及其他作物的生育期在每年4—10月份。

1.2數(shù)據(jù)及預(yù)處理

1.2.1遙感數(shù)據(jù)

根據(jù)雙河農(nóng)場(chǎng)玉米、水稻等主要農(nóng)作物的生育期，選用2012年4月3日—11月9日覆蓋主要農(nóng)作物全部生育期的HJ-1A/1B衛(wèi)星影像數(shù)據(jù)，共計(jì)23幅(表1)。影像的空間分辨率為30 m，時(shí)間分辨率為2 d，云量均少于3%，全部影像數(shù)據(jù)均源自中國(guó)資源衛(wèi)星應(yīng)用中心網(wǎng)站。另外，還選用已經(jīng)過(guò)校正的1幅研究區(qū)2000年6月28日的Landsat TM數(shù)據(jù)，用于對(duì)HJ-1A/1B衛(wèi)星影像數(shù)據(jù)進(jìn)行幾何校正；選用雙河農(nóng)場(chǎng)土地利用現(xiàn)狀圖、農(nóng)場(chǎng)行政矢量邊界和實(shí)地調(diào)研資料等來(lái)輔助影像數(shù)據(jù)進(jìn)行分類。

表1　HJ-1A/1B衛(wèi)星影像數(shù)據(jù)Tab.1　HJ-1A/1B satellite images data

1.2.2樣點(diǎn)數(shù)據(jù)

通過(guò)野外實(shí)地調(diào)研，發(fā)現(xiàn)地物主要有水稻、玉米、其他作物、林木、天然草地、建筑、道路、閑田、葦?shù)貫┩?類地物，調(diào)查了41個(gè)樣點(diǎn)和16個(gè)樣區(qū)的地物類型并記錄了GPS位置信息。由于田塊內(nèi)作物長(zhǎng)勢(shì)存在空間變異，以致同一地塊內(nèi)相同作物的光譜曲線也會(huì)存在一定差別，為削弱相同作物的光譜差異、精確設(shè)定決策樹(shù)規(guī)則閾值及精度檢驗(yàn)，在調(diào)研樣地內(nèi)，以Google Earth高分辨率影像和雙河農(nóng)場(chǎng)土地利用現(xiàn)狀圖為基準(zhǔn)，按照樣點(diǎn)數(shù)量充足、主要地物多樣點(diǎn)和樣點(diǎn)均勻分布的原則，對(duì)樣點(diǎn)進(jìn)行加密，最終樣點(diǎn)總數(shù)為3 545個(gè)(其中水稻988個(gè)，玉米931個(gè)，其他作物112個(gè)，林木179個(gè)，天然草地289個(gè)，建筑200個(gè)，道路423個(gè)，閑田238個(gè)，葦?shù)貫┩?85個(gè))，如圖1所示。

圖1　雙河農(nóng)場(chǎng)樣點(diǎn)分布圖Fig.1　Sampling point distribution map in Shuanghe Farm

1.2.3遙感數(shù)據(jù)預(yù)處理

對(duì)所獲HJ-1A/1B衛(wèi)星影像進(jìn)行一系列預(yù)處理可提高影像質(zhì)量，構(gòu)建研究區(qū)時(shí)間序列影像集。預(yù)處理主要包括：①輻射校正。依據(jù)輻射亮度和行星反射率進(jìn)行輻射校正，所用參數(shù)來(lái)自影像數(shù)據(jù)頭文件、中國(guó)資源衛(wèi)星應(yīng)用中心及USGS網(wǎng)站[16-19]。②幾何校正。以研究區(qū)2000年6月28日的Landsat TM影像為基準(zhǔn)，對(duì)HJ-1A/1B衛(wèi)星所有影像進(jìn)行幾何校正，誤差控制在0.5個(gè)像元內(nèi)，保證了23幅影像的良好匹配，在此基礎(chǔ)上構(gòu)建了研究區(qū)2012年包含23個(gè)時(shí)相的HJ-1A/1B衛(wèi)星時(shí)間序列影像集。

Lλ=GDN+B

(1)

式中Lλ——輻射亮度

DN——影像的像元灰度

G——增益B——偏置

(2)

式中ρ——行星反射率

D——日地距離

Eλ——大氣層外太陽(yáng)光譜輻照度

θ——太陽(yáng)天頂角

1.3指數(shù)選擇與計(jì)算

植被指數(shù)是利用遙感影像不同波段數(shù)據(jù)組合而成的能夠反映植物生長(zhǎng)狀況的指數(shù)[20]。物理原理是依據(jù)植物葉片組織在藍(lán)光和紅光波段有強(qiáng)烈的吸收特性，在綠光尤其是近紅外波段有強(qiáng)烈的反射特性[21]。植被指數(shù)隨植物生物量的增加而迅速增大，已被廣泛地應(yīng)用于地物識(shí)別和植被信息提取中。為了使不同農(nóng)作物能夠有效被區(qū)分，采用NDVI(Normalized difference vegetation index)、DVI(Difference vegetation index)、EVI(Enhanced vegetation index)和RVI(Ratio vegetation index)4種植被指數(shù)。

水稻是雙河農(nóng)場(chǎng)的主要農(nóng)作物之一，并且是唯一的水生作物，根據(jù)其水生特點(diǎn)，還選用了歸一化水指數(shù)NDWI(Normalized difference water index)。通過(guò)計(jì)算，構(gòu)建出雙河農(nóng)場(chǎng)2012年23個(gè)時(shí)相的HJ-1A/1B衛(wèi)星5個(gè)指數(shù)時(shí)間序列影像集，用于作物分類。各指數(shù)計(jì)算公式分別為

(3)

VDVI=ρNIR-ρR

(4)

(5)

(6)

(7)

式中VNDVI——?dú)w一化植被指數(shù)

VDVI——差值植被指數(shù)

VEVI——增強(qiáng)型植被指數(shù)

VRVI——比值植被指數(shù)

VNDWI——?dú)w一化水指數(shù)

ρNIR——近紅外波段反射率

ρR——紅波段反射率

ρG——綠波段反射率

ρB——藍(lán)波段反射率

L——土壤調(diào)節(jié)系數(shù)，取1

1.4分類方法

圖2　雙河農(nóng)場(chǎng)2012年7月16日綠波段影像及道路分布圖Fig.2　Green band image on July 16, 2012 and road map in Shuanghe Farm

針對(duì)研究區(qū)不同地物的空間和物候特征，采用面向?qū)ο蠓诸惙椒▽?duì)田間道路及附屬林帶進(jìn)行監(jiān)測(cè)，在排除田間道路及附屬林帶溝渠干擾的基礎(chǔ)上，利用決策樹(shù)分類方法對(duì)研究區(qū)進(jìn)行主要農(nóng)作物分布信息提取。

面向?qū)ο蠓诸惙椒ㄊ且杂跋穹指詈蟮耐|(zhì)區(qū)域?yàn)榉治瞿繕?biāo)，充分利用空間信息(如地物大小、形狀、紋理、拓?fù)潢P(guān)系等)并結(jié)合光譜信息進(jìn)行影像分類。由于雙河農(nóng)場(chǎng)道路多為田間小路，道路與田塊毗鄰，路邊還種植樹(shù)木，且有供水排澇溝渠，田間道路區(qū)域存在混合像元現(xiàn)象，利用基于像素的分類方法較難將道路及其附屬林帶溝渠與相鄰田塊分離；但是研究區(qū)土地連片，田塊整齊，道路紋理特征明顯，比較適合使用面向?qū)ο蠓诸惙椒ㄟM(jìn)行道路提取，為后續(xù)作物信息提取排除田間道路及附屬林帶溝渠干擾。

決策樹(shù)分類主要基于遙感影像等空間數(shù)據(jù)，通過(guò)對(duì)其進(jìn)行邏輯推理、數(shù)理統(tǒng)計(jì)、綜合分析和歸納總結(jié)，采用自頂而下的遞歸方式，形成分類規(guī)則進(jìn)行分類。決策樹(shù)分類非常適合對(duì)無(wú)次序、無(wú)規(guī)則的多種空間數(shù)據(jù)通過(guò)尋找內(nèi)部暗藏規(guī)律進(jìn)行分類。本研究需對(duì)包含23個(gè)時(shí)相的時(shí)序影像集及9個(gè)指數(shù)時(shí)序影像集進(jìn)行空間綜合分析，從中篩選合適的特征參數(shù)和敏感時(shí)相；且不同作物生長(zhǎng)具有明顯的物候特征，在不同特征參數(shù)的敏感時(shí)期存在一定差異，通過(guò)合適的分類規(guī)則和閾值設(shè)定，容易進(jìn)行作物區(qū)分，故采用決策樹(shù)分類方法。

2　結(jié)果分析

2.1道路及附屬林帶溝渠遙感提取

研究區(qū)道路多為田間小路，寬度在10 m以內(nèi)，路邊大多種植行道樹(shù)，且路邊溝渠多生長(zhǎng)雜草，像元分辨率為30 m，所以邊界農(nóng)田、田邊道路、行道樹(shù)及溝渠分布在一個(gè)像元內(nèi)，存在嚴(yán)重的混合像元現(xiàn)象，以致僅依靠波譜時(shí)相特征較難區(qū)分，因此田間道路及附屬提取的精確與否直接影響到邊界地塊內(nèi)農(nóng)作物提取精度。由于雙河農(nóng)場(chǎng)種植規(guī)模較大、地塊規(guī)整、道路及附屬林帶溝渠(以下簡(jiǎn)稱：道路)幾何特征明顯，從2012年7月16日的綠波段影像(圖2a)中能明顯看出道路的大致分布，因此，采用面向?qū)ο蟮姆诸惙椒ǎ褂肨rimble eCognition Developer 64軟件，對(duì)2012年7月16日綠波段影像，根據(jù)影像像素值、要素長(zhǎng)寬比、紋理參數(shù)等，進(jìn)行道路提取，形成了道路分布圖(圖2b)。隨后，利用道路分布圖，對(duì)各特征波段影像進(jìn)行掩膜處理，為后續(xù)田間農(nóng)作物信息的提取排除了田間道路及附屬林帶溝渠干擾。

2.2地物特征參數(shù)和敏感時(shí)相選取

根據(jù)所選樣點(diǎn)，隨機(jī)抽取2/3的樣點(diǎn)，對(duì)研究區(qū)2012年23個(gè)時(shí)相的HJ-1A/1B衛(wèi)星時(shí)間序列影像集及5個(gè)指數(shù)時(shí)間序列影像集進(jìn)行信息提取，得到了9類地物在ρB(藍(lán)波段反射率)、ρG(綠波段反射率)、ρR(紅波段反射率)、ρNIR(近紅外波段反射率)及NDVI、DVI、EVI、RVI、NDWI共9個(gè)特征指數(shù)的像元值。通過(guò)對(duì)各地物計(jì)算各特征參數(shù)像元均值，并繪制曲線圖，結(jié)果如圖3所示。

從圖3中可看出：由于本文影像分辨率為30 m，道路、建筑等地物的特征指數(shù)隨時(shí)間變化本應(yīng)該穩(wěn)定在一個(gè)常值，卻因?yàn)榛旌舷裨拇嬖诙l(fā)生了浮動(dòng)，但整體趨勢(shì)與植被仍有較大差異。藍(lán)波段對(duì)于地物區(qū)分不明顯，故舍棄。紅、綠、近紅外波段對(duì)于地物區(qū)分不十分顯著，但可用于輔助分類。近紅外波段及4個(gè)植被指數(shù)整體趨勢(shì)均較一致，其中近紅外波段和EVI趨勢(shì)最為接近，均是在5月底開(kāi)始，由于植被莖葉等營(yíng)養(yǎng)器官開(kāi)始快速生長(zhǎng)，近紅外波段出現(xiàn)高反射，紅光波段出現(xiàn)高吸收，因此各植被指數(shù)開(kāi)始迅速升高；到7月底，由于植被的營(yíng)養(yǎng)器官發(fā)育趨于完善，葉面積等達(dá)到最大，各植被指數(shù)在此時(shí)到達(dá)峰值；此后植被繼續(xù)生長(zhǎng)，但營(yíng)養(yǎng)器官維持在相對(duì)穩(wěn)定的狀態(tài)，各植被指數(shù)也在高位維持平穩(wěn)；從8月底開(kāi)始，各植被開(kāi)始趨于成熟，營(yíng)養(yǎng)器官開(kāi)始逐步退化，各植被指數(shù)也開(kāi)始降低；直到10月份，各農(nóng)作物開(kāi)始收獲，林木、草地等葉片枯黃掉落，各植被指數(shù)達(dá)到最低；故舍棄EVI，選取近紅外波段用于分類。從圖3可見(jiàn)，NDVI對(duì)于植被和非植被區(qū)分非常明顯；DVI對(duì)于草地區(qū)分明顯；RVI對(duì)于農(nóng)作物區(qū)分明顯；NDWI對(duì)于水稻區(qū)分十分有利；9月20日以后各農(nóng)作物生長(zhǎng)器官逐漸成熟，陸續(xù)開(kāi)始收割，各波段及植被指數(shù)均處于低值，這些時(shí)相影像對(duì)分類作用不大，故舍棄；4月3日—9月20日期間各參數(shù)曲線差異顯著利于分類，其中部分相鄰時(shí)相的參數(shù)曲線趨勢(shì)一致，通過(guò)調(diào)試選擇顯著差異的時(shí)相用于分類。

通過(guò)調(diào)試，最終選取了7個(gè)地物特征參數(shù)：NDWI、NDVI、RVI、DVI、ρNIR、ρR、ρG，14個(gè)敏感時(shí)相：2012年4月3日、2012年4月9日、2012年4月29日、2012年5月2日、2012年5月11日、2012年5月17日、2012年7月7日、2012年7月16日、2012年7月23日、2012年7月31日、2012年8月6日、2012年8月12日、2012年8月26日、2012年9月20日。根據(jù)研究區(qū)地物光譜特征和時(shí)相特征，依據(jù)光譜值差異最大、時(shí)相間差異最大的原則，當(dāng)單地物差異明顯時(shí)進(jìn)行單地物提取，多地物差異明顯時(shí)采取先多地物然后逐個(gè)提取的方法，通過(guò)不同時(shí)相影像數(shù)據(jù)的單加、多加、單減、多減、混合加減等手段，形成決策樹(shù)分類規(guī)則，進(jìn)行地物分類，具體參數(shù)閾值如圖4所示。

圖3　雙河農(nóng)場(chǎng)地物的9種特征指數(shù)時(shí)序變化曲線Fig.3　Time series curve of nine characteristic indexes in Shuanghe Farm

圖4　雙河農(nóng)場(chǎng)地物分類流程圖Fig.4　Flow chart of terrain classification in Shuanghe Farm

2.3主要農(nóng)作物分布結(jié)果

根據(jù)選取的地物特征參數(shù)和敏感時(shí)相，經(jīng)過(guò)多次分析調(diào)試，確定出各地物分類閾值，形成雙河農(nóng)場(chǎng)決策樹(shù)分類規(guī)則。利用道路分布圖對(duì)各特征波段影像進(jìn)行掩膜處理后的影像，依據(jù)決策樹(shù)分類規(guī)則，通過(guò)ENVI軟件對(duì)研究區(qū)進(jìn)行決策樹(shù)分類。最后，對(duì)主要農(nóng)作物分布和道路分布進(jìn)行疊加，將農(nóng)場(chǎng)地物分成了玉米、水稻、其他作物、林木、天然草地、道路、建閑葦(建筑、閑田、葦?shù)貫┩?7類，最終形成雙河農(nóng)場(chǎng)主要農(nóng)作物分布圖。地物分類流程見(jiàn)圖4(流程表中上一步影像是下一步參數(shù)的數(shù)據(jù)源，參數(shù)采用縮寫(xiě)形式，下標(biāo)代表時(shí)相，例如：N0502表示5月2日的NDVI值，G0409表示4月9日的ρG影像值，N0716+0723表示7月16日和7月23日的NDVI值之和)，主要農(nóng)作物提取結(jié)果見(jiàn)圖5a。此外，為對(duì)比驗(yàn)證，單獨(dú)采用決策樹(shù)分類方法，對(duì)上述所篩選影像根據(jù)所確定的特征參數(shù)和參數(shù)閾值進(jìn)行作物分類，主要農(nóng)作物提取結(jié)果見(jiàn)圖5b。

圖5　雙河農(nóng)場(chǎng)主要農(nóng)作物分布圖Fig.5　Major crops map in Shuanghe Farm

對(duì)比圖5a和圖5b可以看出，采用單純決策樹(shù)分類方法的道路提取結(jié)果較差，不少道路被誤分進(jìn)玉米和其他作物，決策樹(shù)和面向?qū)ο笙嘟Y(jié)合的分類方法的道路提取結(jié)果較好，誤分現(xiàn)象明顯改觀，地塊邊界凸顯，作物分類結(jié)果較好。從圖5a中可以看出，玉米和水稻是雙河農(nóng)場(chǎng)種植的主要農(nóng)作物，成片分布，且種植地塊十分規(guī)整；其他作物(包括大豆、綠豆、黑豆、紅小豆等雜糧)也有分布，這與實(shí)地調(diào)研結(jié)果吻合。

2.4精度評(píng)估

通過(guò)計(jì)算混淆矩陣的方法對(duì)分類結(jié)果進(jìn)行精度分析。根據(jù)所選全部樣點(diǎn)，將地物的最終分類結(jié)果與樣點(diǎn)屬性進(jìn)行比對(duì)分析(表2)。

從表2可以看出，決策樹(shù)和面向?qū)ο笙嘟Y(jié)合的分類方法明顯優(yōu)于單純的決策樹(shù)分類方法，利用決策樹(shù)和面向?qū)ο笙嘟Y(jié)合進(jìn)行作物提取的總精度達(dá)95.18%，Kappa系數(shù)為0.939 6，而單純利用決策樹(shù)進(jìn)行作物提取的分類總精度只有89.22%，Kappa系數(shù)為0.8643。道路樣點(diǎn)共423個(gè)，單純決策樹(shù)分類結(jié)果中有115個(gè)被誤分為其他作物，177個(gè)被誤分為玉米，6個(gè)被誤分為水稻，總計(jì)有298個(gè)道路樣點(diǎn)因混合像元被誤分為農(nóng)作物；決策樹(shù)和面向?qū)ο笙嘟Y(jié)合的分類結(jié)果較之大幅改善，僅有36個(gè)被誤分為玉米，19個(gè)被誤分為其他作物，1個(gè)被誤分為水稻。從用戶精度來(lái)看，玉米精度從81.1%提升至93.49%，水稻精度也從98.78%提升至99.29%。值得一提的是，NDWI能夠?qū)Φ匚锼痔卣鬟M(jìn)行良好反映，利用該指數(shù)可以有效地將水稻與其他旱地作物進(jìn)行區(qū)分，因此，水稻提取精度較高，制圖精度為98.99%、用戶精度為99.29%。

在地物分類過(guò)程中，其他作物的制圖精度為86.61%，用戶精度為56.73%，精度較低。這主要是由于其他作物種類較多，共同特征信息較難提取，與閑田等地物可分離度較差，因此有不少閑田、葦?shù)貫┩康缺徽`分為其他作物。盡管如此，天然草地、林木、建閑葦和道路的分類精度仍均在85%以上，在分類過(guò)程中，被有效地剔除出主要農(nóng)作物，保證了信息提取的精度。主要農(nóng)作物玉米和水稻的分類精度均在93%以上，可以滿足雙河農(nóng)場(chǎng)生產(chǎn)管理者掌握主要農(nóng)作物種植情況和合理調(diào)整農(nóng)場(chǎng)種植結(jié)構(gòu)的生產(chǎn)發(fā)展的需要。因此，利用決策樹(shù)和面向?qū)ο笙嘟Y(jié)合的分類方法能有效去除田間道路及附屬林帶溝渠對(duì)作物提取的影響，作物提取精度較高，比較適合用于雙河農(nóng)場(chǎng)主要農(nóng)作物分布信息的提取。

表2　雙河農(nóng)場(chǎng)地物分類精度Tab.2　Terrain classification accuracy in Shuanghe Farm

3　結(jié)論

(1)決策樹(shù)和面向?qū)ο笙嘟Y(jié)合的分類方法能有效去除田間道路及附屬林帶溝渠對(duì)作物提取的影響，比較適合雙河農(nóng)場(chǎng)及其他大農(nóng)場(chǎng)類區(qū)域的高精度作物分布信息提取。雙河農(nóng)場(chǎng)規(guī)模較大、田塊規(guī)整，地物幾何紋理特性較為凸顯，采用面向?qū)ο蠓诸惙椒ㄏ忍崛〕鎏镩g道路及附屬林帶溝渠，排除此干擾后對(duì)地物進(jìn)行決策樹(shù)分類，作物提取精度較高。

(2)采用NDVI、NDWI、RVI、DVI、ρNIR、ρR、ρG多特征指數(shù)輔助分類十分有效，尤其是NDWI對(duì)水稻的分類提取很有幫助。

(3)本文地物分類精度總體較好，其中其他作物的用戶精度較低，這是因?yàn)檠芯繀^(qū)其他作物種類較多，各種作物種植面積較小，與葦?shù)貫┩康鹊匚镙^易混淆；道路提取時(shí)，主干道提取效果較好，田間小徑提取效果較差，這是因?yàn)楸疚乃玫腍J-1A/1B星影像空間分辨率為30 m，對(duì)于路面太過(guò)狹窄的小徑不便提取。

1郝衛(wèi)平，梅旭榮，蔡學(xué)良，等. 基于多時(shí)相遙感影像的東北三省作物分布信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(1)：201-207.

HAO Weiping, MEI Xurong, CAI Xueliang, et al. Crop planting extraction based on multi-temporal remote sensing data in northeast China[J]. Transactions of the CSAE, 2011, 27(1): 201-207. (in Chinese)

2許文波，田亦陳. 作物種植面積遙感提取方法的研究進(jìn)展[J]. 云南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2005，20(1)：94-98.

XU Wenbo, TIAN Yichen. Overview of extraction of crop area from remote sensing[J]. Journal of Yunnan Agricultural University, 2005, 20(1): 94-98. (in Chinese)

3徐新剛，李強(qiáng)子，周萬(wàn)村，等. 應(yīng)用高分辨率遙感影像提取作物種植面積[J]. 遙感技術(shù)與應(yīng)用，2008，23(1)：17-23.

XU Xin’gang, LI Qiangzi, ZHOU Wancun, et al. Classification application of quickbird imagery to obtain crop planting area[J]. Remote Sensing Technology and Application, 2008, 23(1): 17-23. (in Chinese)

4余旭初，馮伍法，楊國(guó)鵬，等. 高光譜影像分析與應(yīng)用[M]. 北京：科學(xué)出版社，2013.

5賈樹(shù)海，楊亮，王瀟雪. 基于多時(shí)相遙感影像的花生種植面積提取——以彰武縣北部為例[J]. 國(guó)土與自然資源研究，2014(1)：68-70.

JIA Shuhai, YANG Liang, WANG Xiaoxue. The area extraction of peanut in sandy soils based on multi-temporal remote sensing images—taking north of Zhangwu county as an example[J]. Territory & Natural Resources Study, 2014(1): 68-70. (in Chinese)

6李瑞平. 高光譜林業(yè)遙感分類研究進(jìn)展[J]. 安徽農(nóng)業(yè)科學(xué)，2014，42(9)：2801-2805.

LI Ruiping. Research progress analysis of hyperspectral remote sensing classification in forestry[J]. Journal of Anhui Agricultural Sciences, 2014, 42(9): 2801-2805. (in Chinese)

7DEFRIES R, HANSEN M, TOWNSHEND J R G, et al. A new global 1km data set of percentage tree cover derived from remote sensing[J]. Global Change Biology, 2000, 6(2): 247-254.

8JAKUBAUSKAS M E, LEGATES D R, KASTENS J H. Crop identification using harmonic analysis of time-series AVHRR NDVI data[J]. Computers and Electronics in Agriculture, 2002, 37(1): 127-139.

9BARRETT B, NITZE I, GREEN S, et al. Assessment of multi-temporal, multi-sensor radar and ancillary spatial data for grasslands monitoring in Ireland using machine learning approaches[J]. Remote Sensing of Environment, 2014, 152: 109-124.

10ZHENG B, MYINT S W, THENKABAIL P S, et al. A support vector machine to identify irrigated crop types using time-series Landsat NDVI data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34: 103-112.

11馬麗，徐新剛，賈建華，等. 利用多時(shí)相TM影像進(jìn)行作物分類方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24(增刊2)：191-195.

MA Li, XU Xin’gang, JIA Jianhua, et al. Crop classification method using multi-temporal TM images[J]. Transactions of the CSAE, 2008, 24(Supp.2): 191-195. (in Chinese)

12張榮群，王盛安，高萬(wàn)林，等. 基于時(shí)序植被指數(shù)的縣域作物遙感分類方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(增刊)：246-252.

ZHANG Rongqun, WANG Sheng’an, GAO Wanlin, et al. Remote-sensing classification method of county-level agricultural crops using time-series NDVI[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Supp.): 246-252. (in Chinese)

13李志鵬，李正國(guó)，劉珍環(huán)，等. 基于中分辨TM數(shù)據(jù)的水稻提取方法對(duì)比研究[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃，2014，35(1)：27-33.

LI Zhipeng, LI Zhengguo, LIU Zhenhuan, et al. Contrasting two classification methods in mapping paddy rice using the mid-resolution TM images[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2014, 35(1): 27-33. (in Chinese)

14李鑫川，徐新剛，王紀(jì)華，等. 基于時(shí)間序列環(huán)境衛(wèi)星影像的作物分類識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(2)：169-176.

LI Xinchuan, XU Xin’gang, WANG Jihua, et al. Crop classification recognition based on time-series images from HJ satelite[J]. Transactions of the CSAE, 2013, 29(2): 169-176. (in Chinese)

15王久玲，黃進(jìn)良，王立輝，等. 面向?qū)ο蟮亩鄷r(shí)相HJ星影像甘蔗識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30(11)：145-151.

WANG Jiuling, HUANG Jinliang, WANG Lihui, et al. Identification of sugarcane based on object-oriented analysis using time-series HJ CCD data[J]. Transactions of the CSAE, 2014, 30(11): 145-151. (in Chinese)

16池宏康，周廣勝，許振柱，等. 表觀反射率及其在植被遙感中的應(yīng)用[J]. 植物生態(tài)學(xué)報(bào)，2005，29(1)：74-80.

CHI Hongkang, ZHOU Guangsheng, XU Zhenzhu, et al. Apparent reflectance and its applications in vegetation remote sensing[J]. Acta Phytoecologica Sinica, 2005, 29(1): 74-80. (in Chinese)

17韋玉春，黃家柱. Landsat5圖像的增益、偏置取值及其對(duì)行星反射率計(jì)算分析[J]. 地球信息科學(xué)，2006，8(1)：110-113.

WEI Yuchun, HUANG Jiazhu. The gains/biases values and their effects on the calculation results of planetary reflectance in Landsat5 image[J]. Geo-Information Science, 2006, 8(1): 110-113. (in Chinese)18李莘莘，陳良富，陶金花，等. 基于HJ-1-CCD數(shù)據(jù)的地表反射率反演與驗(yàn)證[J]. 光譜學(xué)與光譜分析，2011，31(2)：516-520.

LI Shenshen, CHEN Liangfu, TAO Jinhua, et al. Retrieval and validation of the surface reflectance using HJ-1-CCD data[J]. Spectroscopy and Spectral Analysis, 2011, 31(2): 516-520. (in Chinese)

19張周威，余濤，孟慶巖，等. HJ-1A/B衛(wèi)星數(shù)據(jù)幾何校正與輻射校正順序研究[J]. 武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)與工程版，2013，37(4)：680-684.

ZHANG Zhouwei, YU Tao, MENG Qingyan, et al. Research on radiometric and geometric correction order of HJ-1A/B satellite data[J]. Journal of Wuhan University of Technology： Transportation Science & Engineering, 2013, 37(4): 680-684. (in Chinese)

20田慶久，閔祥軍. 植被指數(shù)研究進(jìn)展[J]. 地球科學(xué)進(jìn)展，1998，13(4)：327-333.

TIAN Qingjiu, MIN Xiangjun. Advances in study on vegetation indices[J]. Advance in Earth Sciences, 1998,13(4): 327-333. (in Chinese)

21王正興，劉闖，HUETE Alfredo.植被指數(shù)研究進(jìn)展：從AVHRR-NDVI到MODIS-EVI[J].生態(tài)學(xué)報(bào)，2003，23(5)：979-987.

WANG Zhengxing, LIU Chuang, HUETE Alfredo. From AVHRR-NDVI to MODIS-EVI: advances in vegetation index research[J]. Acta Ecologica Sinica, 2003, 23(5): 979-987. (in Chinese)

Crops Distribution Information Extracted by Remote Sensing Based on Decision Tree and Object-oriented Method

Zhou Jingping1Li Cunjun1,2Shi Leigang1Shi Shu3Hu Haitang1Huai Heju1

(1.BeijingResearchCenterforInformationTechnologyinAgriculture,Beijing100097,China2.BeijingTechnologyInnovationStrategicAllianceforIntelligenceInternetofThingsIndustryinAgriculture,Beijing100097,China3.TheThirdSurveyingandMappingEngineeringInstituteofSichuan,Chengdu610500，China)

Accurately acquiring crops distribution information is of great significance for agricultural production management and yield estimation, but the roads, forest belts and ditches in the farmland seriously affect the accuracy of crops classification and extraction. Chinese small satellite constellation of small satellites for environment and disaster monitoring and forecasting (HJ-1A/1B satellite) is a good data source for crops classification, because it is free for researchers and has a higher spatial resolution of 30 m and a higher time resolution of two days. In this paper, Shuanghe farm in Heilongjiang province of China was the research area, 23 time-series HJ-1A/1B images which cover the growth period of the major crops from April 3th to November 9th, 2012, were used to monitor the roads and forest belts in the farm, extract spatial distribution of the major crops based on decision tree and object-oriented method, and the classification result was compared to traditional decision tree. The time-series image set and the time-series characteristic index set such as NDVI, DVI, RVI, EVI and NDWI were built after the original image data pretreatment. Firstly, the road in the farm was extracted with object-oriented classification based on elements of length-width ratio and other parameters, then the time-series set was masked by the road in order to rule out the interference of roads, forest belts and ditches for the extraction of crops information. Secondly, seven effective characteristic parameters and 14 sensitive time phases were chosen by using the object spectrum, time phase and time series characteristics. The thresholds of characteristic parameters were determined, and the decision tree classification model of major crops was established. Finally, the major crops in Shuanghe farm such as corn and rice were extracted. The result showed that using many characteristic indices to classify crops was very effective, and especially NDWI was very helpful for rice extraction. The method of decision tree and object-oriented classification was better than the traditional decision tree for extracting the spatial distribution of major crops in Shuanghe farm, it could effectively eliminate the interference of roads, forest belts and ditches in the farm for crops classification, and the total accuracy was increased from 89.22% to 95.18%. The integration of decision tree and object-oriented classification can provide reference for crops distribution information extraction in other agricultural areas with low cost and high precision.

remote sensing; crops distribution; information extraction; decision tree; object-oriented

10.6041/j.issn.1000-1298.2016.09.043

2016-05-17

2016-06-27

國(guó)家自然科學(xué)基金項(xiàng)目(41171281)

周靜平(1987—)，女，研究實(shí)習(xí)員，主要從事“3S”技術(shù)農(nóng)業(yè)應(yīng)用研究，E-mail： zhoujp@nercita.org.cn

李存軍(1975—)，男，副研究員，主要從事農(nóng)業(yè)遙感應(yīng)用研究，E-mail： licj@nercita.org.cn

S127

A

1000-1298(2016)09-0318-09