“珠海一号”高光谱卫星在“基本农田草皮种植”监测中的应用

摘 要：为探索“珠海一号”高光谱卫星数据在“基本农田草皮种植”监测中的适用性，针对研究区基本农田中作物特点，将多时间序列的“珠海一号”高光谱影像与高分辨率多光谱影像、最新国土变更调查成果数据相结合，在计算机智能识别技术（光谱特征、纹理特征）与SVM分类算法的支撑下，有效地提取了研究区域基本农田中的草皮信息，证明“珠海一号”高光谱影像在基本农田草皮监测中适用性强。结果表明：在未经人工修正的情况下，提取草皮的总体精度为75.79%，Kappa系数为0.79，经过人工修正后，草皮提取的总体精度提高至91.3%，Kappa系数提高至0.92，整体提取效果良好。其中，人工修正前的两项评价指标一般，主要原因包括部分因“异物同谱”导致的错分、国土变更调查成果数据和影像数据时相不一致、有限的外业举证条件导致验证样本和解译样本存在误差等。若能解决此类问题，针对基本农田中的草皮提取精度将得到显著提高。

关键词：高光谱遥感；“珠海一号”；草皮监测；信息提取

中图分类号：S28 文献标志码：B 文章编号：1674-7909（2024）3-142-4

DOI：10.19345/j.cnki.1674-7909.2024.03.034

0 引言

耕地是粮食生产的根基和命脉，也是保障国家粮食安全的重要前提和基础。守牢耕地红线，支撑保障国家粮食安全一直是国家坚守的底线。然而，耕地“非农化”和“非粮化”等突出问题依然屡禁不止。商业草皮种植因为成本低、利润高而受到工商资本和农民的青睐，导致许多基本农田被非法流转用于种植草皮。种植草皮会破坏表土并损害耕作层，导致土地肥力下降，未来要想恢复为种植粮食的农田也十分困难。因此，对基本农田种植草皮的监测势在必行。

“珠海一号”高光谱卫星于2018年4月26日发射，具有256个波段（有效成像波段数32个），空间分辨率为10 m，幅宽为150 km［1］。该卫星具备幅宽大、时间分辨率高、空间分辨率高和光谱分辨率高的特点，对地面目标的光谱敏感性较高［2］。“珠海一号”影像的高光谱特征能够反映不同作物之间光谱的微小差异，拥有对耕地范围内粮食作物和其他作物进行识别和区分的巨大优势［3］。此外，由于重访周期仅为2.5 d，因而该卫星能够快速、及时地为各地区各部门监督耕地的“非粮化”和“非农化”提供有力的数据支撑。

1 研究区域概况与数据源

1.1 研究区域概况

通过调研和实地走访，此次选取湘潭县东北部分区域作为研究区域。该区域临近长沙市，经济发展速度快，违规占用基本农田种植草皮现象普遍，适合开展“基本农田草皮种植”监测研究。

1.2 遥感数据源与数据预处理

综合监测区域实际情况、监测周期和影像质量等要求，最终选取2023年5月18日、7月6日、9月5日、10月10日、11月17日等5个时期的10 m分辨率的“珠海一号”高光谱（OHS）影像和0.5 m分辨率的“吉林一号”宽幅01C星多光谱影像。其中，“珠海一号”高光谱影像须进行辐射校正、大气校正、正射校正等预处理以生成正射高光谱影像，0.5 m分辨率的“吉林一号”宽幅01C星多光谱数据须进行辐射校正、正射纠正、影像融合等预处理以生成正射多光谱影像。

2 监测技术方法

与建筑物、水体、林地等常见“非农化”地类不同的是，草皮与水田收割后（或撂荒）自然长草、水稻、旱生作物等植物的光谱信息十分相似，属于“非农化”中较为特殊的一类，光靠单一时相的影像数据，无法将草皮与其他植物有效区分。因此，此研究在充分考虑各地作物生长物候信息的情况下，将高光谱、多光谱等多源、多时间序列卫星遥感影像与最新国土变更调查成果相结合，利用计算机智能识别技术（光谱特征、纹理特征）与SVM分类算法，开展“基本农田草皮种植”监测。

研究区域基本农田中主要种植水稻、草皮，其次用于种植其他旱生作物，还有一些农田用于建造种植葡萄等作物的大棚。因此，针对这一特点将研究区域内的农田植被分为草皮、水稻、其他旱生作物、大棚作物4大类，具体检测技术流程如图1所示。

2.1 最佳时间窗口选择

针对植被在不同时期拥有不同的生理特征与光谱特征这一特点，利用多时序高光谱影像数据对比分析研究区域基本农田中不同地物一年四季植被指数变化特征来提取草皮的最佳时间窗口［4］。此研究主要对草皮、水稻2种主要地物在不同时期的光谱特征进行分析，从而选择最佳时间窗口。

2.2 影像信息提取与融合

将影像光谱特征、纹理特征、物候特征等相结合进行分类，可以有效减少异物同谱等现象。在充分考虑各地物候特征的情况下，计算影像特征（纹理特征和植被指数）。

2.2.1 纹理特征提取

像斑的纹理特征通常通过灰度共生矩阵（GLCM）方法提取。该方法在理论和实践上被证明是最有效的纹理分析方法之一，具有较强的适应能力和鲁棒性。纹理窗口大小的选取会直接影响地物分类结果，过小会受到像元亮度不均匀的影响，过大会降低地物区分时的灵敏度，增加计算时间和复杂度。此研究通过灰度共生矩阵进行纹理特征的提取，并计算对比度（CON）、角二阶矩（ASM）、同质性（HOM）、熵（ENT）等常用的纹理特征。通过试验，综合分析比较最终选择窗口为7×7，步长设定为1，灰度级别为16级的结果。

2.2.2 植被指数的选取

植被指数是通过2个或多个波段的光谱反射率，以线性或非线性组合的方式来压缩高光谱和多光谱数据中的重要光谱信息，从而得到一个植被指数通道。这个指数通道可以在一定条件下定量反映植物的生长状况。目前，科学文献中已经发布了超过150种植被指数模型，但其中只有少数经过了系统的实践验证，例如比值植被指数（RVI）、归一化植被指数（NDVI）等。

植物叶面在可见光红光波段具有强吸收特性，在近红外波段具有强反射特性，这是开展植被遥感监测的物理基础。与红光波段和近红外波段相关的植被指数中，归一化植被指数（NDVI）是反演植被覆盖状况的最佳指示因子。因此，选用归一化植被指数（NDVI）用于后续草皮分类提取，其计算公式见式（1）。

NDVI=（RNIR-RRED）/（RNIR+RRED）           （1）

式（1）中，RNIR、RRED分别为近红外波段、红外波段的反射率值，NDVI越大，表示植被覆盖度越大。“珠海一号”高光谱数据在近红外、红外波段波长范围内涉及多个波段。通过试验比较，最终选择“珠海一号”高光谱数据中的b14、b24分别对应公式中的RNIR、RRED。

2.3 SVM分类

支持向量机（SVM）是一种用于分类和回归分析的机器学习算法。其目标是在特征空间中找到一个最优的超平面，以尽可能将不同类别的样本分隔开。SVM方法在模型估计和阈值选取时能够有效降低不确定性，可提高变化检测过程的可靠性，已成为机器学习和数据挖掘领域的重要工具。SVM还具有适应性强、泛化性能好、训练时间短等多种优势，被广泛应用于遥感影像分类和多源遥感影像数据信息融合等多个领域。相较于其他分类方法，SVM更适用于高光谱影像的分类研究。

2.4 精度验证方法

采用基于混淆矩阵进行计算的总体分类精度（OA）、Kappa系数2项评价指标。

2.4.1 混淆矩阵

混淆矩阵是用于评估分类模型性能的一种工具，是验证遥感分类结果的常用方法，可以统计一系列评价指标。混淆矩阵将模型的预测结果与真实标签进行对比，可展示模型在不同类别上的预测情况。

2.4.2 总体分类精度

总体分类精度是在遥感影像分类中，对所有样本进行分类的准确性的评价指标。通常通过计算正确分类的样本数与总样本数之比来表示，即总体分类精度=正确分类的样本数/总样本数。

2.4.3 Kappa系数

Kappa系数是一种常用的统计指标，用于评估遥感影像分类模型的精度。它衡量了分类结果与实际观察值之间的一致性，考虑了分类结果中由于随机分配造成的误差。因此，在评估遥感影像分类模型时，Kappa系数是一个更为准确和可靠的评估指标。其计算公式见式（2）。

Kappa=（Po-Pe）/（1-Pe）                 （2）

式（2）中，Po为观察到的一致性比例，Pe为预期一致性比例。计算步骤如下：①统计两个观察者在各个分类中的观察次数，并将得到的结果制作成一个混淆矩阵，矩阵的行表示一个观察者的观察结果，列表示另一个观察者的观察结果；②计算Po，即Po=（a11+a22+...+ann）/ N，其中a11、a22、...、ann分别代表混淆矩阵的对角线元素，即2个观察者观察结果一致的次数，N为总的观察次数；③计算Pe，即Pe=（r1c1+ r2c2+...+rncn）/（N×N），其中ri、cj分别代表混淆矩阵的第i行和第j列元素，分别表示2个观察者在分类i和分类j中的观察次数。

3 草皮数据提取结果与分析

先基于多时序“珠海一号”高光谱影像提取草皮，然后结合JL1高分辨率多光谱影像、2022年国土变更调查成果数据等进行人工修正。智能提取的草皮中存在较多图斑碎片（≤400 m2）、漏洞，虽对整理结果影响不大，但十分影响美观。因此，在对比分析之前，先对草皮提取结果中的图斑碎片和漏洞进行处理，处理后的结果如图2所示。

将2组草皮提取数据套合高分辨率影像对比分析发现，提取结果中，主要是部分因“异物同谱”导致错分于草皮的问题，如果园、撂荒农田（长草、长树等）以及部分旱地农田，如图3所示。

这些错分的地类在高分辨率影像中的纹理特征明显，后续可以通过人工目视解译进行剔除。

4 精度评价与分析

采用混淆矩阵的方法，将人工修正前、结合高分辨率影像进行人工修正后的2次分类结果与实地采样数据、验证样本进行比较分析，结果显示：人工修正前提取草皮的总体精度为75.79%，Kappa系数为0.79；人工修正后提取草皮的总体精度提高至91.3%，Kappa系数提高至0.92，整体能达到较好的提取效果。其中，人工修正前的2项评价指标不是特别理想，分析原因主要有3个方面，一是存在部分因“异物同谱”导致的错分；二是尽管前期尽可能选取准确的分类样本，但由于实地外业举证数量有限，部分通过目视解译选取的样本难以保证百分百准确，在一定程度上影响了整体提取结果；三是由于此次获取的影像数据（2023年11月）和所获取的最新变更调查成果（2022年）在时间上相差了一年，部分2022年为基本农田的地块性质已经发生了变化，如基本农田变为果园、基本农田变为林地。因此，即使将提取成果与这份基本农田数据进行了相交，但依然会存在部分因“异物同谱”将果园、林地等错分于草皮地类的现象，若能获取并使用时间晚于影像的最新变更调查成果数据，能最大限度地解决此类问题，从而进一步提高分类精度。

5 结束语

在基本农田中种植草皮，短期来看，经济效益明显，但长远来看，严重威胁粮食安全。通过此研究发现，整体而言，将多时间序列 “珠海一号”高光谱影像、高分辨率多光谱影像与最新国土变更调查成果数据结合，能有效地提取基本农田中的草皮，说明“珠海一号”高光谱影像在“基本农田草皮种植”监测中适应性强。但此研究还存在一定的问题，一是选取的研究区域面积较小，通过外业举证调查的解译样本、验证样本数量有限，对于大面积的草皮提取效果还有待进一步验证；二是选取的研究区域主要是种植水稻，容易错分于草皮的果园、旱地农田面积较小，对于整体精度的影响及后期人工修正工作量都不大。若下次监测果园和旱生作物种植面积较大的区域，虽然利用晚于影像时的国土变更成果数据可以对果园信息进行剔除，但对于旱地农田信息却无法有效剔除，而单靠目视解译进行人工修正又耗时耗力。因此，下一步将考虑如何引入其他特征将旱地农田和草皮进行区分，从而实现大面积区域的“基本农田草皮种植”精准监测。

参考文献：

［1］张信耶，李继旭.珠海一号高光谱卫星在高密市农作物精细分类中的应用［J］.卫星应用，2019（8）：29-33.

［2］林勇，易扬，张桂莲，等.高光谱遥感技术在城市绿地调查中的应用及发展趋势［J］.园林，2020（6）：70-75.

［3］李先怡，范海生，潘申林，等.珠海一号高光谱卫星数据及应用概况［J］.卫星应用，2019（8）：12-18.

［4］龙玉兰，张军，唐莹，等.老龄台地茶园遥感信息提取方法研究：以西双版纳州为例［J］.节水灌溉，2023（12）：51-56，65.