張 鵬，胡守庚

·農(nóng)業(yè)信息與電氣技術(shù)·

地塊尺度的復(fù)雜種植區(qū)作物遙感精細(xì)分類

張 鵬，胡守庚※

（1. 中國(guó)地質(zhì)大學(xué)（武漢）公共管理學(xué)院，武漢 430074； 2. 國(guó)土資源部法律評(píng)價(jià)工程重點(diǎn)實(shí)驗(yàn)室，武漢 430074）

實(shí)現(xiàn)復(fù)雜農(nóng)區(qū)作物種植信息的精準(zhǔn)、動(dòng)態(tài)監(jiān)測(cè)是中國(guó)農(nóng)業(yè)精細(xì)化管理面臨的迫切需求，而作物種植碎片化和異質(zhì)性給作物遙感精細(xì)分類帶來(lái)了諸多挑戰(zhàn)，該文旨在探索基于高分辨率影像的地塊尺度多種作物同步識(shí)別方法，以滿足實(shí)時(shí)獲取復(fù)雜農(nóng)區(qū)作物詳細(xì)分布信息需要。研究選取武漢市新洲北部為典型區(qū)，以WorldView-2影像為數(shù)據(jù)源，利用ReliefF-Pearson方法優(yōu)選作物遙感特征，采用人工神經(jīng)網(wǎng)絡(luò)、K最近鄰和隨機(jī)森林算法進(jìn)行作物分類，并對(duì)比分析其精度。研究發(fā)現(xiàn)：1）RVI、NDVI、相關(guān)性和邊界長(zhǎng)度等12個(gè)特征構(gòu)成了地塊尺度作物分類的相對(duì)較優(yōu)特征，可在充分表征影像信息同時(shí)降低數(shù)據(jù)冗余；2）相比于人工神經(jīng)網(wǎng)絡(luò)和K最近鄰算法，隨機(jī)森林算法分類精度最高，其總體精度達(dá)79.07%；3）以光譜特征差異為作物區(qū)分基礎(chǔ)，形狀和紋理特征的使用能有效改善地塊尺度作物分類精度，總體精度可提高4%左右；4）研究所采用的方法體系能有效提升復(fù)雜種植區(qū)地物分類精度，水稻、棉花、荷等主要作物以及裸旱地、裸水田等地物分類精度均達(dá)到了80%以上。研究成果可為復(fù)雜種植區(qū)作物遙感精細(xì)分類提供新的思路和方法借鑒，亦可為作物種植信息精準(zhǔn)普查、土地利用精細(xì)化管理以及農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整動(dòng)態(tài)監(jiān)測(cè)等提供參考。

遙感；作物；分類；地塊尺度；復(fù)雜種植區(qū)；隨機(jī)森林；特征選擇；高分辨率影像

0 引 言

作物種植結(jié)構(gòu)是地區(qū)主要農(nóng)作物種植類型、面積及空間分布的綜合反映，是表征農(nóng)業(yè)生產(chǎn)資源利用科學(xué)性、合理性的重要指標(biāo)[1]。及時(shí)、準(zhǔn)確地獲取作物種植結(jié)構(gòu)信息對(duì)農(nóng)情監(jiān)測(cè)、作物產(chǎn)量預(yù)估、農(nóng)業(yè)結(jié)構(gòu)調(diào)整、糧食政策制定等具有重要意義[2-3]。近年來(lái)，農(nóng)業(yè)現(xiàn)代化建設(shè)的大力推進(jìn)進(jìn)一步加速了農(nóng)業(yè)生產(chǎn)要素的合理流動(dòng)和有效配置，促進(jìn)了農(nóng)業(yè)生產(chǎn)向規(guī)?；I(yè)化和智能化方向發(fā)展[4]。而實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)的種植精準(zhǔn)化、管理可視化和決策智能化，不僅需要大尺度農(nóng)業(yè)監(jiān)測(cè)支撐，更需要獲取村級(jí)乃至地塊級(jí)等精細(xì)尺度作物種植信息[5-6]。與此同時(shí)，遙感技術(shù)的高速發(fā)展促使農(nóng)業(yè)生產(chǎn)和研究愈發(fā)趨向于精細(xì)化和定量化，尤其是高分辨率數(shù)據(jù)可獲得性的日益提高使得地物詳細(xì)分類和精準(zhǔn)監(jiān)測(cè)成為可能[7-8]。在此發(fā)展態(tài)勢(shì)下，如何因地制宜地構(gòu)建作物遙感精細(xì)分類方法，獲取復(fù)雜農(nóng)區(qū)作物種植詳細(xì)信息，以服務(wù)于中國(guó)農(nóng)業(yè)現(xiàn)代化建設(shè)和國(guó)家糧食安全保障成為學(xué)術(shù)界關(guān)注的焦點(diǎn)[6-7]。

光譜、時(shí)相和空間特征是作物種植結(jié)構(gòu)遙感提取的主要理論基礎(chǔ)[1]。近年來(lái)，隨著RS和GIS技術(shù)的飛速進(jìn)步以及影像數(shù)據(jù)源的不斷豐富，國(guó)內(nèi)外學(xué)者從區(qū)域、國(guó)家乃至全球尺度出發(fā)，圍繞多源影像數(shù)據(jù)融合[9-10]、特征變量?jī)?yōu)選[11-12]、分類器選擇與參數(shù)優(yōu)化[13-14]等關(guān)鍵技術(shù)，對(duì)作物種植面積提取[15-16]、空間分布制圖[8,10]開展了廣泛且卓有成效的研究。雖然已有研究在作物遙感的理論、方法和應(yīng)用方面取得了長(zhǎng)足進(jìn)展，但不可忽視的是，中國(guó)農(nóng)業(yè)區(qū)的耕地經(jīng)營(yíng)分散、農(nóng)業(yè)景觀破碎和作物種植結(jié)構(gòu)復(fù)雜等特點(diǎn)[17-18]，給精細(xì)尺度作物遙感分類帶來(lái)了持續(xù)性挑戰(zhàn)[6,16-17]。種植景觀的破碎化和異質(zhì)性，使得中低分辨率影像難以有效捕捉以田塊為單元的作物對(duì)象，增加了作物的錯(cuò)誤分類可能。傳統(tǒng)以AVHRR、MODIS、TM/ETM、HJ等影像為數(shù)據(jù)源，采用植被指數(shù)時(shí)間序列分析并結(jié)合作物物候信息的分類方法，難以在復(fù)雜種植區(qū)取得可靠的作物制圖精度[10-11,18]，小尺度、高精度的作物遙感精細(xì)分類方法仍有待進(jìn)一步探索[19-20]。值得注意的是，高分辨率影像能夠以米級(jí)甚至亞米級(jí)的分辨率提供地物對(duì)象的精細(xì)形狀和紋理，在捕捉地塊空間信息方面具有較大優(yōu)勢(shì)[7,21]，為復(fù)雜農(nóng)區(qū)小尺度作物精細(xì)分類帶來(lái)了可能[21-23]。部分學(xué)者利用GF-1、RapidEye等高分辨影像[24-25]，進(jìn)行了小麥、玉米等大宗作物的提取與制圖，但多以區(qū)域尺度上單一作物遙感提取為主，利用高分辨率數(shù)據(jù)精細(xì)到地塊尺度并同步識(shí)別多種作物的研究并不多見[26]。

鑒于此，本文以遙感信息“圖-譜”認(rèn)知理論為基礎(chǔ)，利用高分辨率WorldView-2影像，通過提取并篩選影像光譜、形狀和紋理特征，對(duì)比隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)和K最近鄰等分類算法，選取武漢市新洲復(fù)雜種植區(qū)為典型區(qū)，探索復(fù)雜農(nóng)區(qū)的作物精細(xì)分類方法，以期獲得地塊尺度多種作物同步識(shí)別的相對(duì)較優(yōu)特征和方法模型，為作物遙感精準(zhǔn)監(jiān)測(cè)以及農(nóng)業(yè)精細(xì)化管理等提供參考。

1 研究區(qū)與試驗(yàn)數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于湖北省武漢市新洲區(qū)，東經(jīng)114°56′10″～114°58′00″，北緯30°54′31″～30°55′57″，如圖1所示。該地區(qū)地處江漢平原北緣、大別山余脈南端，地勢(shì)北高南低，平均海拔約46 m；夏季高溫多雨，冬季寒冷干燥，屬于典型亞熱帶季風(fēng)氣候。研究區(qū)年平均氣溫16.6 ℃，年平均日照時(shí)長(zhǎng)2018.6 h，無(wú)霜期226~278 d，年平均降水量848.5～2165.4 mm；四季明顯，光照充足，雨水充沛，嚴(yán)寒期短，無(wú)霜期長(zhǎng)，適合多種作物生長(zhǎng)。研究區(qū)耕地細(xì)碎化現(xiàn)象嚴(yán)重，地塊平均面積約500 m2；6至8月份主要種植有水稻、棉花、蓮藕（荷）、花生、芝麻、紅薯和大豆等作物。

注：圖中影像由紅、綠、藍(lán)波段的真彩色合成；為確保地塊邊界完整性，研究選取紅線劃定的區(qū)域?yàn)樽魑锓诸惛信d趣區(qū)。

1.2 WorldView-2影像

研究使用覆蓋感興趣區(qū)的WorldView-2影像進(jìn)行作物分類，該數(shù)據(jù)采集于2013年7月13日，域內(nèi)無(wú)云量，大小范圍為2.9 km×2.6 km。WorldView-2衛(wèi)星發(fā)射于2009年，提供了0.5 m分辨率的全色圖像和2 m的多光譜圖像，包括海岸藍(lán)（0.40～0.45m）、藍(lán)（0.45～0.51m）、綠（0.51～0.58m）、黃（0.59～0.63m）、紅（0.63～0.69m）、紅邊（0.71～0.75m）、近紅外1（0.77～0.90m）和近紅外2（0.86～1.04m）8個(gè)波段[27]。影像預(yù)處理在ENVI5.3軟件平臺(tái)完成，對(duì)全色和多光譜數(shù)據(jù)分別進(jìn)行輻射定標(biāo)、大氣校正，而后采用PC光譜銳化方法對(duì)二者進(jìn)行融合，利用地面實(shí)測(cè)控制點(diǎn)和二次多項(xiàng)式方法對(duì)融合影像進(jìn)行幾何精校正，校正后RMS（root mean squared）誤差小于0.5個(gè)像元，滿足影像分析要求。

1.3 實(shí)地調(diào)查數(shù)據(jù)

為掌握研究區(qū)主要作物種植類型及分布，研究于2015年8月對(duì)感興趣區(qū)進(jìn)行野外實(shí)地調(diào)查。調(diào)查時(shí)測(cè)量了特征地塊經(jīng)緯度坐標(biāo)，并準(zhǔn)確記錄了地塊耕作情況及植被類型。為避免地面采樣數(shù)據(jù)與獲取的遙感影像時(shí)間滯后影響，在采樣過程中，以2013年遙感影像為基準(zhǔn)期，采集2015年同期土地利用類型未發(fā)生變化的地塊作為樣本點(diǎn)。此次調(diào)查共獲取樣本點(diǎn)1242個(gè)，參考已有研究，按照1:1劃分比例[7]，將其隨機(jī)分為兩部分，分別用作模型訓(xùn)練和精度驗(yàn)證。

表1 訓(xùn)練樣本及驗(yàn)證樣本個(gè)數(shù)

研究所識(shí)別地物類型有棉花、水稻、荷、花生、裸水田、裸旱地、撂荒農(nóng)田和其他作物共8種（圖2）。實(shí)地調(diào)查發(fā)現(xiàn)，研究區(qū)內(nèi)有少量農(nóng)田被撂荒，且存在部分土壤裸露的旱地，以及被少量水體覆蓋但幾乎無(wú)作物生長(zhǎng)的裸水田；考慮到地塊尺度耕地利用分類完整性，將撂荒農(nóng)田、裸旱地以及裸水田納入本次地物分類系統(tǒng)。此外，研究區(qū)內(nèi)芝麻、紅薯、大豆等作物雖有零星種植，但面積較小，為保證樣本數(shù)量有效性，研究將其歸為一類，統(tǒng)稱為其他作物。圖2表示RGB色彩模式下各地物影像特征，影像的亮度、色相及紋理差異可為后續(xù)分類所用的特征變量選取提供參考。

圖2 真彩色影像下的典型樣本

2 作物分類方法

2.1 分類方案

研究基于面向?qū)ο蠓诸愃枷?，通過提取地塊級(jí)別影像光譜、形狀和紋理信息，選取隨機(jī)森林（random forest, RF）算法對(duì)目標(biāo)地物進(jìn)行監(jiān)督分類。具體方法流程：1）對(duì)WorldView-2影像進(jìn)行目視解譯，獲取研究區(qū)農(nóng)田/非農(nóng)田分布，掩膜掉影像中的非農(nóng)田信息；2）利用人工矢量化獲取的地塊邊界數(shù)據(jù)分割預(yù)處理后影像，提取影像光譜、形狀和紋理特征；3）采用ReliefF-Pearson方法剔除特征冗余，獲得優(yōu)選特征集；4）使用優(yōu)選特征和實(shí)地采樣數(shù)據(jù)執(zhí)行RF分類，并對(duì)結(jié)果進(jìn)行精度評(píng)價(jià)，通過與人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）和K最近鄰（K-nearest neighbor, KNN）算法比較，驗(yàn)證RF算法有效性；5）基于優(yōu)選特征選取并構(gòu)建4種特征組合集（①光譜特征集，②光譜、形狀特征集，③光譜、紋理特征集，④光譜、形狀和紋理特征集），再次執(zhí)行RF分類，對(duì)比分析4種特征組合下作物分類精度，測(cè)評(píng)形狀、紋理特征對(duì)作物分類貢獻(xiàn)，技術(shù)路線如圖3。

圖3 分類流程圖

2.2 特征構(gòu)建

有效選用多種特征變量是提高作物分類精度的關(guān)鍵[12]，WorldView-2影像的形狀、紋理等空間信息豐富[27]，為地塊尺度作物精細(xì)分類提供了便利。研究使用eCongnition9.0軟件，在影像分割基礎(chǔ)上，提取對(duì)象的光譜、形狀和紋理信息參與分類。光譜特征包括影像對(duì)象的各波段均值、最大差分、亮度值以及歸一化植被指數(shù)（normalized difference vegetation index, NDVI）、比值植被指數(shù)（ratio vegetation index, RVI）、增強(qiáng)型植被指數(shù)（enhanced vegetation index, EVI）和歸一化水體指數(shù)（normalized difference water index, NDWI）。形狀特征以構(gòu)成影像對(duì)象的像素的空間分布統(tǒng)計(jì)為理論基礎(chǔ)，基于像素坐標(biāo)的協(xié)方差矩陣提取，包括面積、邊界長(zhǎng)度、長(zhǎng)度、長(zhǎng)寬比、寬度、主方向、緊湊性、密度、形狀指數(shù)和圓度。紋理特征基于全方位（all dir.）灰度共生矩陣（gray-level co-occurrence matrix, GLCM）提取，包括均值、標(biāo)準(zhǔn)差、熵、同質(zhì)度、對(duì)比度、相異性、角二階矩、相關(guān)性。光譜特征中RVI、NDVI、EVI和NDWI的計(jì)算公式如下：

式中NIR1為近紅外1波段反射率，R為紅波段反射率，B為藍(lán)波段反射率，G為綠波段反射率；為土壤調(diào)節(jié)參數(shù)，這里取1。

2.3 特征降維

為盡可能消除冗余信息對(duì)分類精度干擾，以獲得類內(nèi)聚合性強(qiáng)和類間可分性高的特征變量，研究選取ReliefF算法對(duì)所提取影像特征進(jìn)行優(yōu)選。ReliefF算法源自對(duì)Relief擴(kuò)展[28]，主要用于多類別分類時(shí)特征降維及缺失數(shù)據(jù)處理，已被廣泛應(yīng)用于土地利用遙感分類中的特征變量?jī)?yōu)選[29]。它通過計(jì)算樣本“假設(shè)間隔”給特征賦予分類能力權(quán)重，特征權(quán)值越大，表示其分類能力越強(qiáng)。假設(shè)間隔是指當(dāng)保持樣本分類不變時(shí)分類決策面可以移動(dòng)的最大距離[29]，計(jì)算公式如下：

式中()、()分別表示與樣本同類和異類最鄰近樣本點(diǎn)。

研究使用ReliefF算法對(duì)32個(gè)初始特征進(jìn)行篩選，保留對(duì)目標(biāo)類貢獻(xiàn)較大的23個(gè)，并利用Pearson相關(guān)系數(shù)剔除冗余，得到12個(gè)優(yōu)選特征。ReliefF特征選擇借助Weka3.6軟件實(shí)現(xiàn)，使用ReliefF主函數(shù)執(zhí)行核心算法并計(jì)算初始特征分類權(quán)重，保留權(quán)值大于0.02的23個(gè)（圖4）。根據(jù)“相關(guān)性越強(qiáng)信息冗余越大、權(quán)值越低分類能力越弱”原則，剔除同保留特征相關(guān)性強(qiáng)（相關(guān)系數(shù)絕對(duì)值大于0.8）但自身權(quán)值相對(duì)較低的NIR1、G-diss、Length等11個(gè)特征（圖4中白色柱）；例外的是，雖然NDVI與RVI相關(guān)性較強(qiáng)，但考慮到二者分類權(quán)值遠(yuǎn)高于其他特征，故均予以保留；最終保留RVI、NDVI、Max diff.、G-cor、Width等12個(gè)（圖4中灰色柱）作為優(yōu)選特征參與分類，特征權(quán)重如圖4所示。

2.4 模型構(gòu)建

2.4.1 RF、ANN和KNN分類

研究選用RF算法進(jìn)行作物分類，其對(duì)樣本容錯(cuò)能力較強(qiáng)且訓(xùn)練效率較高[30]，已被廣泛用于作物遙感分類[11,13-14]。為驗(yàn)證RF算法有效性，同時(shí)使用12個(gè)優(yōu)選特征構(gòu)建ANN和KNN分類模型，并將RF與ANN、KNN算法進(jìn)行分類精度對(duì)比分析。

1）隨機(jī)森林分類

RF是一種由多顆決策樹組合而成的集成學(xué)習(xí)算法[30]。它通過自助法重采樣，從原始訓(xùn)練樣本集中有放回地抽取組訓(xùn)練集，每組大小約為原始訓(xùn)練集的2/3；然后，利用組訓(xùn)練集使用完全分裂方式建立棵決策樹，在每顆樹生長(zhǎng)過程中，從全部個(gè)特征中隨機(jī)抽取（<<）個(gè)進(jìn)行內(nèi)部節(jié)點(diǎn)劃分；最后，集合顆決策樹預(yù)測(cè)結(jié)果，采用投票方式?jīng)Q定新樣本類別。在訓(xùn)練集抽取過程中，約1/3的數(shù)據(jù)未被抽中，這些數(shù)據(jù)稱為袋外數(shù)據(jù)（OOB），它可用于類別錯(cuò)分誤差評(píng)估和變量重要性估計(jì)。已有研究表明，關(guān)于參數(shù)和的確定，模型默認(rèn)值可提供良好的結(jié)果[13,30]，即取500、取輸入特征數(shù)目的二次方根。

注：RVI、NDVI和NDWI分別代表比值植被指數(shù)、歸一化植被指數(shù)和歸一化水體指；Max diff. 和Bri 分別代表最大差分和亮度值；Coastal、Blue、Green、Yellow、Red、Red edge、NIR1和NIR2分別代表海岸藍(lán)、藍(lán)、綠、黃、紅、紅邊、近紅外1和近紅外2波段光譜反射率均值；G-cor、G-diss、G-con、G-ent、G-SD、G-ASM和G-hom分別代表基于灰度共生矩陣計(jì)算的相關(guān)性、相異性、對(duì)比度、熵、標(biāo)準(zhǔn)差、角二階矩和同質(zhì)性；Bor. len.、Width和Length分別代表邊界長(zhǎng)度、寬度和長(zhǎng)度。下同。

2）人工神經(jīng)網(wǎng)絡(luò)分類

研究選用BP（back propagation）神經(jīng)網(wǎng)絡(luò)作為ANN的實(shí)現(xiàn)，它是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前最具代表性和廣泛應(yīng)用的人工神經(jīng)網(wǎng)絡(luò)之一。BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前描述這種映射。根據(jù)分類需要，研究將BP-ANN設(shè)計(jì)為3層結(jié)構(gòu)，輸入層、中間隱藏層和輸出層各1個(gè)，分別由12個(gè)、8個(gè)和1個(gè)節(jié)點(diǎn)組成。BP-ANN最優(yōu)參數(shù)設(shè)定借助于訓(xùn)練樣本交叉驗(yàn)證優(yōu)化實(shí)現(xiàn)，采用logistic激活函數(shù)，權(quán)值遞減值為0.05，最大迭代訓(xùn)練500次。

3）K最近鄰分類

KNN是一種基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)算法。它通過計(jì)算各樣本到待分類對(duì)象距離，尋找待分類對(duì)象的K個(gè)近鄰對(duì)象；而后，根據(jù)最大所屬原則，在K個(gè)近鄰對(duì)象中，將擁有最多個(gè)近鄰對(duì)象的類別分配給該待分類對(duì)象。由于它不需要其他輔助數(shù)據(jù)來(lái)對(duì)分類規(guī)則進(jìn)行描述，且分類效果較好、訓(xùn)練過程迅速，目前在影像分類中已得到廣泛運(yùn)用。KNN最優(yōu)參數(shù)設(shè)定同樣借助于訓(xùn)練樣本交叉驗(yàn)證優(yōu)化實(shí)現(xiàn)，采用歐氏距離、triangular函數(shù)，最近鄰K值為10。

2.4.2 不同特征組合下的分類

為檢測(cè)形狀、紋理特征的使用對(duì)作物分類精度影響，研究基于12個(gè)優(yōu)選特征，通過特征組合構(gòu)建了4種不同的特征變量集，并將其分別導(dǎo)入RF算法生成4個(gè)分類模型，模型1：僅使用光譜特征的RF分類；模型2：使用光譜和形狀特征組合的RF分類；模型3：使用光譜和紋理特征組合的RF分類；模型4：使用光譜、形狀和紋理特征組合的RF分類。研究將對(duì)比這些分類模型的精度，以測(cè)評(píng)形狀、紋理特征對(duì)作物分類貢獻(xiàn)。

2.4.3 特征重要性評(píng)估

特征重要性使用RF算法自帶的平均精度減少（mean decrease in accuracy, MDA）指標(biāo)評(píng)估，MDA定義為特征變量值發(fā)生輕微擾動(dòng)后與擾動(dòng)前所對(duì)應(yīng)的分類正確率的平均減少量[30]。MDA值越大表示該特征越重要，它通過OBB錯(cuò)誤率計(jì)算得到：在RF每棵樹中，使用隨機(jī)抽取的訓(xùn)練自助樣本建樹，并計(jì)算OBB的預(yù)測(cè)錯(cuò)誤率；然后，隨機(jī)置換特征變量的觀測(cè)值后再次建樹并計(jì)算OBB預(yù)測(cè)錯(cuò)誤率；最后，計(jì)算兩次OBB錯(cuò)誤率的差值經(jīng)過標(biāo)準(zhǔn)化處理后在所有樹中的平均值，即為該特征的置換重要性，也即是MDA得分。

2.5 精度評(píng)價(jià)

研究基于地面采樣數(shù)據(jù)，使用混淆矩陣精度評(píng)價(jià)方法計(jì)算分類結(jié)果的用戶精度、制圖精度、總體精度和Kappa系數(shù)，相關(guān)定義見文獻(xiàn)[31]。為檢測(cè)不同算法之間的分類精度差異，研究對(duì)兩兩算法分類結(jié)果進(jìn)行McNemar’s檢驗(yàn)，它是基于兩個(gè)分類算法的誤差矩陣計(jì)算的非參數(shù)檢驗(yàn)，具體公式[32]如下

式中12表示被算法1錯(cuò)分類但被算法2正確分類的樣本數(shù)目，而21表示被算法1正確分類但被算法2錯(cuò)分類的樣本數(shù)目；若Z值大于1.96，則表明在0.05檢驗(yàn)水平下，兩個(gè)算法的分類精度差異性顯著[32]。

3 結(jié)果與分析

3.1 耕地細(xì)碎化程度分析

對(duì)地塊面積描述性分析發(fā)現(xiàn)，研究區(qū)內(nèi)耕地細(xì)碎化現(xiàn)象明顯，地塊面積的頻率分布近似呈對(duì)數(shù)正態(tài)分布（圖5）。通過實(shí)地調(diào)查結(jié)合專家知識(shí)，對(duì)感興趣區(qū)內(nèi)WorldView-2影像人工矢量化，得到地塊7 441個(gè)；地塊面積的平均值為483.23 m2，中值為368.00 m2，上下四分位數(shù)分別為225.25、615.81 m2。感興趣區(qū)內(nèi)78.50%的地塊面積小于666.67 m2，說明研究區(qū)耕地細(xì)碎化嚴(yán)重；也間接說明，在類似破碎景觀區(qū)開展地塊級(jí)作物分類，高空間分辨影像相比中低分辨率影像將更有優(yōu)勢(shì)。

圖5 地塊面積的頻率分布直方圖

3.2 不同算法的分類精度對(duì)比

研究使用12個(gè)優(yōu)選特征，基于同一實(shí)地采樣數(shù)據(jù)，分別采用ANN、KNN和RF算法進(jìn)行作物分類。目視評(píng)估來(lái)看，ANN、KNN分類（圖6）與RF分類結(jié)果（圖7d）差異并不顯著，均能從整體上呈現(xiàn)目標(biāo)地物空間分布特征。

對(duì)比不同算法分類精度可知（表2），RF算法精度顯著高于ANN和KNN算法。與ANN、KNN相比，RF的總體精度提高了2.58%和4.51%、Kappa系數(shù)提高了0.03和0.06。從單個(gè)地物分類精度來(lái)看，相比于ANN和KNN，RF提高了裸旱地、棉花、花生以及撂荒農(nóng)田的用戶精度，提高0.16%至11.6%不等；同時(shí)，RF提高了荷、其他作物和水稻的制圖精度，提高1.22%至12.20%不等。此外，研究利用式（6）進(jìn)行RF與ANN、KNN的分類結(jié)果McNemar’s檢驗(yàn)，Z值分別為3.77、4.80且大于1.96，表明在0.05檢驗(yàn)水平下，RF與ANN、KNN的分類精度差異性顯著。綜上，相比于ANN和KNN，RF有助于提高研究區(qū)地物分類精度，究其原因，RF算法能夠通過構(gòu)建多棵決策樹進(jìn)行投票決定最終分類結(jié)果，在一定程度上避免了ANN、KNN算法的一次分類帶來(lái)的誤差。

圖6 基于優(yōu)選特征的ANN和KNN分類結(jié)果

表2 基于優(yōu)選特征的ANN, KNN和RF分類精度

Note：BPF: Bare paddy field; BUF: Bare upland field; OC: Other crops; AC: Abandoned cropland; OA: Overall accuracy; KC: Kappa coefficient; UA: User’s accuracy; PA: Producer’s accuracy. The same below.

3.3 不同特征組合的分類精度對(duì)比

研究使用4種特征組合下的RF模型分別進(jìn)行作物分類，將分類結(jié)果（圖7）與驗(yàn)證樣本計(jì)算混淆矩陣，得到不同特征組合下的作物分類精度（表3）。由表3可知，4種特征組合下的地物總體分類精度都超過了70%；其中使用光譜、形狀及紋理特征組合的分類精度最高，總體精度和Kappa系數(shù)分別達(dá)79.07%、0.76；僅使用光譜特征的分類精度最低，總體精度和Kappa系數(shù)分別為74.24%、0.70。對(duì)比不同特征組合的分類精度可知（表3），與單獨(dú)使用光譜特征相比，形狀特征的添加可有效提升分類精度，總體精度和Kappa系數(shù)分別提高3.86%、0.04；同樣，在光譜特征中添加紋理特征亦可有效改善分類精度，總體精度和Kappa系數(shù)分別提高3.05%、0.03。值得一提的是，與單獨(dú)添加形狀（或紋理）特征相比，在光譜特征中同時(shí)添加形狀和紋理特征，可進(jìn)一步地改善地物分類精度，但改善較為有限，總體精度和Kappa系數(shù)僅增加0.97%（1.78%）、0.02（0.03）。

從單個(gè)地物分類精度來(lái)看（表3），與僅使用光譜特征相比，形狀和紋理特征的加入大大地改善了荷、花生、水稻和撂荒農(nóng)田的分類精度，四者的用戶精度和制圖精度分別提高了5.39%至15.88%、5.88%至19.70%不等。7月份荷葉盛展，荷田紋理清晰（圖2），加之田塊尺寸較大（圖7），因此，形狀和紋理特征的加入可有效提升荷的識(shí)別精度。相較于其他地物來(lái)看，花生地塊明顯較小（圖7），形狀特征的加入有助于將花生與其他地物進(jìn)行區(qū)分。而稻田擁有規(guī)整尺寸和均質(zhì)紋理（圖2和圖7），形狀和紋理特征的使用也有助于水稻的識(shí)別。由于長(zhǎng)期拋荒，撂荒農(nóng)田的植被生長(zhǎng)復(fù)雜多樣，致使地塊間光譜差異較大，僅用單一光譜信息難以對(duì)其精準(zhǔn)識(shí)別，隨著形狀和紋理特征的加入，顯著地增加了識(shí)別維度，有效地提高了識(shí)別精度。

圖7 基于不同特征組合的RF分類結(jié)果

表3 基于不同特征組合的RF分類精度

3.4 特征重要性分析

研究采用“基于RF算法和12個(gè)優(yōu)選特征”的分類模型進(jìn)行特征重要性評(píng)估，平均精度減少（mean decrease in accuracy, MDA）測(cè)算結(jié)果見圖8。從類別整體的特征重要性來(lái)看（圖8a），Max diff.等6個(gè)光譜特征變量的MDA均高于0.08，且數(shù)倍于形狀和紋理特征的MDA；說明光譜特征是作物遙感分類基礎(chǔ)，其分類重要性顯著高于形狀和紋理特征；進(jìn)一步來(lái)看，光譜特征中Max diff.和Red變量最為重要，兩者M(jìn)DA顯著高于其余光譜特征。

圖8 基于‘平均精度減少（MDA）’測(cè)算的特征重要性

從單一地物的特征重要性來(lái)看（圖8b-8i），光譜、紋理和形狀特征的重要性差異顯著，但總體上仍呈現(xiàn)光譜特征高于形狀和紋理特征的趨勢(shì)。此外，同一特征對(duì)不同類別地物分類貢獻(xiàn)的非均衡性明顯，以Width特征為例，其對(duì)荷、花生的重要性較高，MDA均超過了0.04，但對(duì)其他地物（例如裸水田、棉花等）的重要性極低，MDA均小于0.01；究其原因，相比其他地物，荷田尺寸極大而花生地塊尺寸極小，Width變量剛好能有效刻畫這一特征，為荷及花生的識(shí)別提供了幫助。另外，對(duì)于‘其他作物’類，Max diff. 特征的重要性遠(yuǎn)高于其余特征（圖8f），這種“一個(gè)變量極為重要，其余變量極為不重要”的現(xiàn)象在其余7種地物的特征重要性分析中是沒有的；究其原因，‘其他作物’是混合地類，類內(nèi)光譜差異性明顯，而Max diff. 變量有效刻畫了這一特征，有助于對(duì)‘其他作物’進(jìn)行識(shí)別。此外，對(duì)于水稻，有兩個(gè)紋理特征（G-SD 和 G-cor）的重要性都超過了0.09（圖8h），這在其余地物的特征重要性分析中也是罕見的；深入分析可知，稻田比較規(guī)整，其紋理特征尤為明顯，一定程度上有助于水稻的識(shí)別。綜合來(lái)看，雖然形狀和紋理特征相較于光譜特征的重要性較低，但它們對(duì)于部分作物（例如，荷、水稻等）的識(shí)別精度提高是不可或缺的。

4 討 論

研究充分挖掘高分辨率影像光譜、形狀和紋理信息，提取并優(yōu)化遙感特征參量，在對(duì)比分析RF、ANN和KNN等算法基礎(chǔ)上，構(gòu)建了能夠?qū)?fù)雜種植區(qū)地塊尺度多種作物同步識(shí)別的相對(duì)較優(yōu)特征及方法模型。該方法體系對(duì)于復(fù)雜農(nóng)區(qū)作物精準(zhǔn)制圖具有參考價(jià)值，是農(nóng)田作物調(diào)查的有效補(bǔ)充手段。與鄧劉洋等[16]、黃啟廳等[21]學(xué)者的地塊尺度作物遙感分類相比，本研究不僅實(shí)現(xiàn)了水稻、棉花等大宗作物分類識(shí)別，更嘗試提取了荷、花生等小宗作物以及裸耕地、撂荒農(nóng)田等常見地物，是地塊尺度多種地物詳細(xì)分類的有益探索，這可為作物種植信息精準(zhǔn)普查以及土地利用精細(xì)化管理提供參考。

然而，基于高分辨率遙感的作物精細(xì)分類具有很強(qiáng)挑戰(zhàn)性。研究依據(jù)優(yōu)選特征構(gòu)建的RF分類模型總體精度約有80%，但對(duì)于花生等小宗作物的分類精度僅為60%左右，究其原因有：一是，作物生長(zhǎng)狀態(tài)不一導(dǎo)致的“同物異征”干擾了分類精度提高，例如，由于播種時(shí)間差異，導(dǎo)致同類作物包含多個(gè)生長(zhǎng)期特征，整體識(shí)別度降低[1]；二是，對(duì)于部分小宗作物，由于作物間作模式導(dǎo)致地塊內(nèi)作物種類不一，同一地塊上處在相同生長(zhǎng)期內(nèi)的花生、紅薯、芝麻等存在間作種植，這對(duì)地塊尺度的作物精準(zhǔn)識(shí)別造成了干擾。針對(duì)以上問題，下一步努力的方向?yàn)椋浩湟?，借助無(wú)人機(jī)影像或激光掃描儀獲取作物三維空間信息（如點(diǎn)云、株高等），并將其作為特征變量參與分類，以提高作物分類精度；其二，對(duì)于作物間作模式，可借助于高空間分辨率衛(wèi)星影像或者無(wú)人機(jī)影像進(jìn)行地塊內(nèi)物種級(jí)別的作物制圖，并進(jìn)一步提取作物間作結(jié)構(gòu)。

研究采用人工矢量化獲取地塊邊界信息，這是在對(duì)比eCongnition等軟件自動(dòng)化地分割影像并提取地物邊界的精度后做出的選擇。通過影像分割試驗(yàn)發(fā)現(xiàn)，使用軟件自帶的多尺度分割算法分割影像，生成的影像對(duì)象并不能很好地匹配現(xiàn)實(shí)地物，尤其在細(xì)碎化種植區(qū)，存在影像對(duì)象與地塊邊界不吻合、部分對(duì)象包含多個(gè)地塊的現(xiàn)象，這將對(duì)地塊尺度作物精準(zhǔn)分類造成干擾，同時(shí)，這也是現(xiàn)階段研究采用人工矢量化獲取地塊邊界的原因。未來(lái)進(jìn)一步研究影像分割技術(shù)，盡可能保證分割對(duì)象與地理實(shí)體的一致性，或者發(fā)展新的地塊邊界檢測(cè)技術(shù)[33]，將會(huì)大大提高地塊尺度作物遙感分類的準(zhǔn)確性和自動(dòng)性。

隨著越來(lái)越多的地塊數(shù)據(jù)作為普查成果實(shí)現(xiàn)共享[26]，研究所構(gòu)建的方法體系有望助推地塊尺度作物種植信息大范圍監(jiān)測(cè)的實(shí)現(xiàn)。這不僅有助于大區(qū)域土地利用精細(xì)化管理水平的提高，更有助于精準(zhǔn)農(nóng)業(yè)和智慧的農(nóng)業(yè)建設(shè)。與此同時(shí)，隨著中國(guó)高分專項(xiàng)穩(wěn)步推進(jìn)，增加了在復(fù)雜農(nóng)區(qū)大面積獲取高分辨率衛(wèi)星數(shù)據(jù)的能力，這也將有助于所構(gòu)建方法體系在大區(qū)域的推廣應(yīng)用。但值得說明的是，研究所采用的衛(wèi)星遙感數(shù)據(jù)從獲取到傳輸至地面有一定滯后性，這會(huì)在一定程度上影響作物種植信息監(jiān)測(cè)的實(shí)時(shí)性。隨著互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算等相關(guān)信息技術(shù)發(fā)展，將通信、導(dǎo)航和遙感等技術(shù)進(jìn)行集成，開發(fā)能在軌實(shí)時(shí)處理與傳輸?shù)闹悄芑?、自?dòng)化天基信息網(wǎng)絡(luò)，并構(gòu)建天空地一體化農(nóng)業(yè)遙感信息獲取技術(shù)體系，將是快速獲取農(nóng)田信息的有效手段，是實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)作物種植信息的重要研究方向。

5 結(jié) 論

研究以高分辨率WorldView-2影像為數(shù)據(jù)源，提取地塊級(jí)作物光譜、形狀和紋理信息，采用ReliefF-Pearson方法優(yōu)選作物遙感特征，對(duì)比分析人工神經(jīng)網(wǎng)絡(luò)ANN、K最近鄰算法KNN和隨機(jī)森林分類算法RF，構(gòu)建了地塊尺度多種作物同步識(shí)別的相對(duì)較優(yōu)特征和方法體系，實(shí)現(xiàn)了復(fù)雜種植區(qū)作物遙感精細(xì)分類。主要結(jié)論如下：

1）RF算法整體分類效果優(yōu)于ANN和KNN分類。McNemar’s檢驗(yàn)顯示，RF與ANN、KNN的分類精度差異性顯著；結(jié)合精度評(píng)價(jià)結(jié)果來(lái)看，RF算法分類精度最高，總體精度可達(dá)79.07%、分別高出ANN和KNN算法2.58%和4.51%。

2）與僅使用光譜特征相比，形狀或紋理特征的添加均能有效改善地塊尺度作物分類精度，總體精度分別提高了3.86%、3.05%。此外，與單獨(dú)添加形狀或紋理特征之一相比，同時(shí)添加二者可進(jìn)一步改善作物分類精度，但改善較為有限，總體精度僅分別增加了0.97%、1.78%。因此，實(shí)際應(yīng)用過程中應(yīng)綜合考慮模型精度和特征變量數(shù)目增加帶來(lái)的執(zhí)行效率。

3）研究所構(gòu)建的方法體系能有效改善復(fù)雜種植區(qū)地物分類精度，對(duì)水稻、棉花、荷等主要作物以及裸旱地、裸水田等常見地物的分類效果較好，其分類精度均達(dá)到了80%以上。該方法體系可為復(fù)雜種植區(qū)作物分布信息的實(shí)時(shí)獲取提供參考，未來(lái)可結(jié)合多時(shí)相高分辨率無(wú)人機(jī)影像進(jìn)一步提升分類精度。

[1]胡瓊，吳文斌，宋茜，等. 農(nóng)作物種植結(jié)構(gòu)遙感提取研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2015，48(10)：1900－1914.

Hu Qiong, Wu Wenbin, Song Qian, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10): 1900－1914. (in Chinese with English abstract)

[2]Salmon J M, Friedl M A, Frolking S, et al. Global rain-fed, irrigated, and paddy croplands: A new high resolution map derived from remote sensing, crop inventories and climate data[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 38: 321－334.

[3]陳仲新，任建強(qiáng)，唐華俊，等. 農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望[J]. 遙感學(xué)報(bào)，2016，20(5)：748－767.

Chen Zhongxin, Ren Jianqiang, Tang Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5): 748－767. (in Chinese with English abstract)

[4]隋斌，張慶東，張正堯. 論鄉(xiāng)村振興戰(zhàn)略背景下農(nóng)業(yè)工程科技創(chuàng)新[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(4)：1－10.

Sui Bin, Zhang Qingdong, Zhang Zhengyao. Science and technology innovation in agricultural engineering under background of rural revitalization strategy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 1－10. (in Chinese with English abstract)

[5]劉煥軍，邱政超，孟令華，等. 黑土區(qū)田塊尺度遙感精準(zhǔn)管理分區(qū)[J]. 遙感學(xué)報(bào)，2017，21(3)：470－478.

Liu Huanjun, Qiu Zhengchao, Meng Linghua, et al. Site-specific management zone of field scale based on remote sensing image in a black soil area[J]. Journal of Remote Sensing, 2017, 21(3): 470－478. (in Chinese with English abstract)

[6]劉哲，劉帝佑，朱德海，等. 作物遙感精細(xì)識(shí)別與自動(dòng)制圖研究進(jìn)展與展望[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(12)：1－12.

Liu Zhe, Liu Diyou, Zhu Dehai, et al. Review on crop type fine identification and automatic mapping using remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(12): 1－12. (in Chinese with English abstract)

[7]Wu M, Huang W, Niu Z, et al. Fine crop mapping by combining high spectral and high spatial resolution remote sensing data in complex heterogeneous areas[J]. Computers and Electronics in Agriculture, 2017, 139: 1－9.

[8]Yu B, Shang S. Multi-year mapping of maize and sunflower in Hetao irrigation district of China with high spatial and temporal resolution vegetation index series[J]. Remote Sensing, 2017, 9(8): 855.

[9]Zheng Y, Wu B, Zhang M, et al. Crop phenology detection using high spatio-temporal resolution data fused from SPOT5 and MODIS products[J]. Sensors, 2016, 16(12): 2099.

[10]Gao F, Anderson M C, Zhang X, et al. Toward mapping crop progress at field scales through fusion of Landsat and MODIS imagery[J]. Remote Sensing of Environment, 2017, 188: 9－25.

[11]Hao P, Zhan Y, Wang L, et al. Feature selection of time series MODIS data for early crop classification using random forest: A case study in Kansas, USA[J]. Remote Sensing, 2015, 7(5): 5347－5369.

[12]王娜，李強(qiáng)子，杜鑫，等. 單變量特征選擇的蘇北地區(qū)主要農(nóng)作物遙感識(shí)別[J]. 遙感學(xué)報(bào)，2017，21(4)：519－530.

Wang Na, Li Qiangzi, Du Xin, et al. Identification of main crops based on the univariate feature selection in Subei[J]. Journal of Remote Sensing, 2017, 21(4): 519－530. (in Chinese with English abstract)

[13]Sonobe R, Tani H, Wang X, et al. Parameter tuning in the support vector machine and random forest and their performances in cross-and same-year crop classification using TerraSAR-X[J]. International Journal of Remote Sensing, 2014, 35(23): 7898－7909.

[14]Pelletier C, Valero S, Inglada J, et al. Assessing the robustness of Random Forests to map land cover with high resolution satellite image time series over large areas[J]. Remote Sensing of Environment, 2016, 187: 156－168.

[15]Dong J, Xiao X, Menarguez M A, et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185: 142－154.

[16]鄧劉洋，沈占鋒，柯映明，等. 基于地塊尺度多時(shí)相遙感影像的冬小麥種植面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(21)：157－164.

Deng Liuyang, Shen Zhanfeng, Ke Yingming, et al. Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 157－164. (in Chinese with English abstract)

[17]田海峰，鄔明權(quán)，牛錚，等. 基于Radarsat-2影像的復(fù)雜種植結(jié)構(gòu)下旱地作物識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(23)：154－159.

Tian Haifeng, Wu Mingquan, Niu Zheng, et al. Dryland crops recognition under complex planting structure based on Radarsat-2 images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(23): 154－159. (in Chinese with English abstract)

[18]Wang J, Huang J, Zhang K, et al. Rice fields mapping in fragmented area using multi-temporal HJ-1A/B CCD images[J]. Remote Sensing, 2015, 7(4): 3467－3488.

[19]Lebourgeois V, Dupuy S, Vintrou é, et al. A combined random forest and OBIA classification scheme for mapping smallholder agriculture at different nomenclature levels using multisource data (simulated Sentinel-2 time series, VHRS and DEM)[J]. Remote Sensing, 2017, 9(3): 259.

[20]Kussul N, Lemoine G, Gallego F J, et al. Parcel-based crop classification in Ukraine using Landsat-8 data and Sentinel-1A data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016, 9(6): 2500－2508.

[21]黃啟廳，覃澤林，曾志康. 多星數(shù)據(jù)協(xié)同的地塊尺度作物分類與面積估算方法研究[J]. 地球信息科學(xué)學(xué)報(bào)，2016，18(5)：708－717.

Huang Qiting, Qin Zelin, Zeng Zhikang. Study on the crop classification and planting area estimation at land parcel scale using multi-sources satellite data[J]. Journal of Geo-Information Science, 2016, 18(5): 708－717. (in Chinese with English abstract)

[22]Inglada J, Arias M, Tardy B, et al. Assessment of an operational system for crop type map production using high temporal and spatial resolution satellite optical imagery[J]. Remote Sensing, 2015, 7(9): 12356－12379.

[23]Vaudour E, Noirot-Cosson P E, Membrive O. Early-season mapping of crops and cultural operations using very high spatial resolution Pléiades images[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 42: 128－141.

[24]王利民，劉佳，楊福剛，等. 基于GF-1衛(wèi)星遙感的冬小麥面積早期識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(11)：194－201.

Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(11): 194－201. (in Chinese with English abstract)

[25]劉佳，王利民，滕飛，等. RapidEye衛(wèi)星紅邊波段對(duì)農(nóng)作物面積提取精度的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(13)：140－148.

Liu Jia, Wang Limin, Teng Fei, et al. Impact of red-edge waveband of RapidEye satellite on estimation accuracy of crop planting area [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 140－148. (in Chinese with English abstract)

[26]韓衍欣，蒙繼華. 面向地塊的農(nóng)作物遙感分類研究進(jìn)展[J]. 國(guó)土資源遙感，2019，31(2)：1－9.

Han Yanxin, Meng Jihua. A review of per-field crop classification using remote sensing[J]. Remote Sensing for Land and Resources, 2019, 31(2):1－9. (in Chinese with English abstract)

[27]Chellasamy M, Zielinski R T, Greve M H. A multievidence approach for crop discrimination using multitemporal worldview-2 imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(8): 3491－3501.

[28]Kononenko I. Estimating attributes: Analysis and extensions of RELIEF[C]//European conference on machine learning. Springer, Berlin, Heidelberg, 1994: 171－182.

[29]肖艷，姜琦剛，王斌，等. 基于ReliefF和PSO混合特征選擇的面向?qū)ο笸恋乩梅诸怺J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(4)：211－216.

Xiao Yan, Jiang Qigang, Wang Bin, et al. Object based land-use classification based on hybrid feature selection method of combining Relief F and PSO[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(4): 211－216. (in Chinese with English abstract)

[30]Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5－32.

[31]Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35－46.

[32]Foody G M. Classification accuracy comparison: hypothesis tests and the use of confidence intervals in evaluations of difference, equivalence and non-inferiority[J]. Remote Sensing of Environment, 2009, 113(8): 1658－1663.

[33]Debats S R, Luo D, Estes L D, et al. A generalized computer vision approach to mapping crop fields in heterogeneous agricultural landscapes[J]. Remote Sensing of Environment, 2016, 179: 210－221.

Fine crop classification by remote sensing in complex planting areas based on field parcel

Zhang Peng, Hu Shougeng※

(1.,,430074,;2.,430074,)

Timely and accurate information of crop planting structure is of great significance for monitoring agricultural conditions, estimating crop yield, adjusting agricultural structure and formulating food policies. However, currently only little explicit information about spatial crop patterns is known, especially in China where the farmland landscapes are extremely fragmented and heterogeneous. At present, techniques for quantifying crop spatial patterns may be insufficient to map crops in complex planting areas, the plot sizes of which are smaller than the spatial resolution of ready-to-use satellite data. In order to achieve the fine mapping of crops in complex planting areas,this study aimed to explore approaches that simultaneously mapping multiple crops on parcel scales with high spatial resolution images. A 2.9 km×2.6 km complex heterogeneous planting area in the suburb of Wuhan, Hubei Province was selected as the typical study area. Combined with high spatial resolution images, an improved method of fine crop mapping based on geo-parcels was presented. Using the spectral, shape and texture information of images, combined with random forest (RF), artificial neural network (ANN), and K-nearest neighbor (KNN) algorithms, WorldView-2 images were accurately classified through the following steps. First, Worldview-2 images were visually interpreted to obtain the distribution of cropland and non-cropland in this study area, so as to mask out non-cropland information in remote sensing images. Second, the pre-processed WorldView-2 images were segmented by using the land parcel boundary vector data obtained from manual visual interpretation, and32 feature variables of the image object were extracted, including NDVI, area, GLCM-correlation, etc. Third, the ReliefF-Pearson feature dimension reduction method was adopted to remove redundant features with high correlation and weak classification ability. Then, RF classification was performed with optimal features and field sampling data, and the accuracy of the classification results was evaluated.Subsequently, the accuracy of RF classification was compared with that of ANN and KNN to verify the effectiveness of RF algorithm.Finally, four feature combination sets were constructed based on optimal features, and RF classification accuracy was compared under four feature combinations to evaluate the contribution of shape and texture features to crop classification. The results showed that 1) The12 feature variables, such as RVI, NDVI, GLCM-correlation and border length, were the optimal features of parcel-level crop classification based on high spatial resolution images, which can fully characterize image features and reduce data redundancy;2) The RF method had the highest classification accuracy, with an overall accuracy of 79.07%, kappa coefficient of 0.76, and the overall accuracy of KNN and ANN method was above 70%; 3) Compared with the method of only using spectral features, adding shape or texture information could effectively improve the accuracy of crop classification, and the overall accuracy could be improved by 3.86% and 3.05%, respectively;4)Based on the optimal features and RF classification method, the classification accuracy of rice, cotton, lotus, bare upland field and bare paddy field was over 80%, while that of abandoned cropland, peanut and ‘other crops’was only about 60%.This study provides new ideas, methods and technical means for realizing the fine classification of crops by remote sensing in complex planting areas, and can provide references for accurate survey of crop planting information, refined management of rural land use and dynamic monitoring of agricultural industrial structure adjustment.In the future, the image segmentation technology will be further studied to ensure the consistency between segmentation objects and geographical entities as much as possible, and improve the accuracy and automaticity of crop remote sensing classification on parcel scales.

remote sensing; crops; classification; parcel scale; complex planting area; random forest; feature selection; high resolution image

張 鵬，胡守庚. 地塊尺度的復(fù)雜種植區(qū)作物遙感精細(xì)分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(20)：125－134.doi：10.11975/j.issn.1002-6819.2019.20.016 http://www.tcsae.org

Zhang Peng, Hu Shougeng. Fine crop classification by remote sensing in complex planting areas based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 125－134. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.20.016 http://www.tcsae.org

2019-05-13

2019-08-14

國(guó)家社科基金重大項(xiàng)目（18ZDA053）；國(guó)家自然科學(xué)基金項(xiàng)目（41671518）；教育部人文社科基金項(xiàng)目（16YJAZH018，14YJCZH192）

張 鵬，博士生，主要從事土地利用時(shí)空信息分析與模擬研究。Email：zhangpeng_cug@163.com

胡守庚，博士，教授，博士生導(dǎo)師，主要從事土地利用與城鄉(xiāng)發(fā)展研究。Email：husg2009@gmail.com

10.11975/j.issn.1002-6819.2019.20.016

Tp79; S127

A

1002-6819(2019)-20-0125-10