基于不同遥感数据源的农作物精细化分类研究

摘要 遥感技术已成为农业信息提取的重要手段。为探究不同遥感数据源下的农作物精细化识别与分类，选取广西壮族自治区贺州市八步区东融供港蔬菜产业示范区为研究区，基于Planet、GF6 WFV、Landsat 8 OLI影像数据，利用支持向量机分类算法，对研究区豆杯、学斗、青仔、尖叶菜心、芥蓝等不同农作物进行识别与提取，通过类别可分离性、总体分类精度、Kappa系数、光谱变化、成图效果等几个方面对提取效果进行评价，结果表明GF6 WFV影像是研究区农作物识别与提取的最佳数据源。

关键词 Landsat 8 OLI；GF6 WFV；Planet；农作物分类；支持向量机

中图分类号 S127  文献标识码 A  文章编号 0517-6611（2024）17-0228-05

doi：10.3969/j.issn.0517-6611.2024.17.052

Crop Refinement Classification Based on Different Remote Sensing Data Sources

LIANG Ming-yue1，2， YANG Qian1，2， HE Wei-jun1，2 et al

（1.Guangxi Remote Sensing Center， Nanning， Guangxi 530023; 2.Guangxi Remote Sensing Geological Engineering Technology Research Center， Nanning， Guangxi 530023）

Abstract Remote sensing technology has become an important means of extracting agricultural information. In order to explore the identification and classification of crops of different remote sensing data sources， we selected Babu District Dongrong vegetable industry demonstration zone supplied to HongKong as the research area. Base on Planet， GF6 WFV， Landsat 8 OLI remote sensing images， we used the support vector machine method to identify and extract different crops of the tip leaves of bean， Xuedou， Qingzai， vegetable heart of pointed leaf， cabbage mustard. We also evaluated the extraction effect through class separability， overall classification， Kappa coefficient， spectral variation and mapping effect. Results showed that GF6 WFV images were the best resource for crop recognition and extraction in the study area.

Key words Landsat 8 OLI; GF6 WFV; Planet; Crop classification; SVM

基金项目 广西壮族自治区地矿局部门预算前期项目“基于多源遥感数据融合的广西特色农产品遥感空间信息平台构建应用示范”（桂地矿综研〔2023〕4 号）。

作者简介 梁明月（1993—），女，广西柳州人，工程师，硕士，从事遥感信息提取工作。

收稿日期 2023-09-27

习近平总书记在党的二十大中强调，锚定建设农业强国目标，切实抓好农业农村工作［1］。中国是一个农业大国，农业是中国经济的重要支柱。农作物的精细化分类是分析农作物种植结构的关键，可有效为农作物产量预测、作物长势监测、农业风险评估、作物种类识别与空间分布研究等提供重要的数据支持［2-3］。传统获取农作物数据的方式有2种：其一为以最小行政区划为单位层层上报；其二为由国家统计局派遣调查人员对选定样本村随机抽取的数个地块作为样方进行测量后推算统计［4］。但这2种方式均存在工作周期长、速度慢、成本高的弊端，不仅耗费较大的人力物力，而且精度与准确性难以验证。

遥感技术具有宏观性、及时性、准确性等优势，越来越多的国内外学者将遥感影像数据应用于农业信息的提取中。朱紫琳等［5］利用多时相Landsat 8数据与全球高精度土地覆盖数据集GlobelLand 30，提取吉林省梨树县玉米种植面积。Sharma等［6］基于多源遥感数据构建农作物生长期内的NDVI时间序列，利用支持向量机算法监测季节性地下水灌溉的农田。解文欢等［7］基于GF-6宽幅数据，利用随机森林算法对黑龙江省拜泉县玉米、水稻和大豆的空间分布进行提取。以往对农作物信息提取局限于利用中低分辨率Landsat 8或中分辨率GF6宽幅影像数据，而近年发展迅猛的商业卫星Planet农作物精细化信息提取探索却鲜见报道。鉴于此，笔者以广西壮族自治区贺州市八步区东融供港蔬菜产业示范区为研究区，采用2022年11月18日的Planet、2022年11月13日的Landsat 8 OLI及2022年11月13日GF-6 WFV卫星遥感影像数据，利用支持向量机算法，对研究区豆杯、学斗、青仔、尖叶菜心、芥蓝等不同农作物进行提取，对提取结果进行对比分析评价，探讨不同影像数据提取农作物方法的优缺点，为未来农作物信息提取研究时数据源的选择提供科学依据。

1 研究区和数据来源

1.1 研究区概况

研究区为东融供港蔬菜产业示范区，位于广西壮族自治区贺州市八步区南部，占地66.67 hm2，周围属南岭山系中低山山地地貌，海拔标高一般为500～800 m，最高为张公岭山，海拔1 103 m，一般相对高差为300～500 m，最大相对高差为878 m。该区域属亚热带季风气候，年均气温19.9 ℃，最低气温-1.9 ℃，日夜温差较大，春天多雾，冬季有短期冰冻；年均降雨量为1 535 mm，4—6月为雨季。研究区2021年11月12日入选《全国农村创业园区（基地）目录（2021）》，该地发挥其区域及生态优势，大力发展绿色生态农业，打造粤港澳大湾区“菜篮子”高品质生产基地，每年约有70%蔬菜、50%生猪供应大湾区市场，享有粤港澳美丽“后花园”之誉。

1.2 数据源

1.2.1 Landsat 8 OLI。

Landsat 8是美国陆地卫星计划的第8颗卫星，2013年2月11日在加利福尼亚范登堡空军基地Atlas-V火箭塔发射，30 m多光谱中低分辨率陆地成像仪OLI含9个谱段。该研究下载2022年11月13日的Landsat 8 OLI Collection 2 Level 2数据，含7个谱段（表1），数据下载平台为地理空间数据云。

1.2.2 GF-6 WFV。

GF-6是中国高分辨率对地观测系统重大专项系列卫星，2018年6月2日于酒泉卫星发射中心发射，16 m多光谱中分辨率宽幅相机（WFV）含8个谱段（表2），是我国首颗增加“红边”谱段的卫星。该研究采用2022年11月13日的GF-6 WFV影像数据对研究区进行农作物精细化分类提取。数据申请网站：http：//rs.dnr.gxzf.gov.cn：8080/platform。

1.2.3 Planet。Planet曾命名为Planet Lab，是由数以百计的Dove卫星组成的全球最大的微小卫星群，可以在2～3 d对全球绝大多数地区进行覆盖，2022年3月1日，Planet宣布新一代数据监测产品PlanetScope上市，在提供4个光谱谱段的

数据服务基础上新增至8个光谱谱段（表3），在海岸带、地表类型识别、农作物长势评估、产量估算及环境监测等方面应用广泛。该研究采用 Planet数据时相为2022年11月18日。数据申请平台为www.earthstar-cloud.com。

1.2.4 外业数据。2022年11月对研究区开展野外实地调查，共采集研究区及周边林地、水体、厂房、居民地、道路、豆杯、学斗、青仔、尖叶菜心、芥蓝等不同地物类型信息，采集野外点共127个，作为支持向量机算法的训练样本。利用野外点结合奥维地图及国产高分辨率影像数据目视解译研究区内不同地物类型，用于构建混淆矩阵，验证提取精度。

2 研究方法

基于ENVI 5.3遥感图像处理软件平台，对Planet、Landsat 8 OLI及GF6 WFV影像数据进行辐射定标、大气校正、正射校正、几何校正、裁剪等预处理，对研究区豆杯、学斗、青仔、尖叶菜心、芥蓝等不同农作物利用支持向量机算法进行提取分析，对比分析不同遥感数据源下的提取结果。

2.1 类别可分离性

根据研究区内主要农作物野外实地调查采集信息，利用空间特征及光谱信息分析不同地类样本图斑之间的可分离性。该参数值域区间为［0，2］，两地物间光谱信息的冗余度随该参数值的增加而减小。该值大于1.8表明训练样本图斑满足分类需求，大于1.9表明两地物间训练样本图斑光谱可分离性很好。该研究基于野外实地调查点，建立研究区林地、水体、厂房、居民地、道路、豆杯、学斗、青仔、尖叶菜心、芥蓝等地物训练样本图斑共计127个。

2.2 支持向量机（SVM）算法

基于预处理后的影像数据，采用监督分类的方法对研究区进行农作物精细化分类。ENVI5.3遥感图像处理软件平台的监督分类包括平行六边形、最大似然、神经网络、支持向量机、马氏距离、最小距离、波谱角等算法，其中支持向量机分类算法有较高的分类准确率和较好的推广性。该算法是以统计学理论为基础的一种机器学习方法，可自动寻找对分类有较大区分能力的支持向量，可将各类之间的间隔最大化，有效避免因噪声引起的分类错误［8-10］。因此，该研究采用ENVI 5.3下监督分类中支持向量机分类算法，对研究区的豆杯、学斗、青仔、尖叶菜心、芥蓝等进行分类提取。

2.3 精度验证方法

通过对不同遥感数据源分类图像的精度评价，客观分析分类结果。混淆矩阵是评价遥感分类结果的常用指标。该研究基于野外调查点，结合奥维地图及国产高分辨率影像数据目视解译研究区内不同农作物，构建混淆矩阵，利用总体分类精度及Kappa系数，对Planet、GF6 WFV、Landsat 8 OLI影像分类结果进行精度验证。

2.3.1 总体分类精度（Overall Accuracy）。总体分类精度为被正确分类的像元总和与总像元数量的比值。表达式为：

OA=Mi=1aiiN（1）

式中：OA为总体分类精度；N为总像元数量；m为类型总数；i为类型数；aii为被正确分类的像元。总体分类精度越大，分类精度越高。

2.3.2 Kappa系数（Kappa Coefficient）［11-12］。Kappa系数是基于混淆矩阵，用于一致性检验及衡量分类精度的指标。该指标将总像元数量与被正确分类的像元总数相乘，减去混淆矩阵中每类行列像元总数乘积之和，再除以纵像元数平方减去混淆矩阵中每类行列像元总数乘积之和。表达式为：

K=Nmi=1aii-mi=1（aii×aji）N2-mi=1（aii×aji）（2）