第11卷第2期2009年4月地球信息科学学报JOURNAL OF GE O 2I N F OR MATI O N SC I E NCE Vol 111,No 12Ap r 1,2009收稿日期:2008-11-7;修回日期:2009-03-05.基金项目:中国博士后科学基金项目(20080430586);国家自然科学基金(40801161、40701114);国际科技合作计划项目(2007DF A20640);中国科学院王宽诚博士后工作奖励基金。

作者简介:彭光雄(1978-),男,湖南永州人,中国科学院遥感应用研究所博士后,主要从事资源环境遥感研究。

E 2mail:pgx457600@g mail 1com 。

3通讯作者:宫阿都(1976-),男,山东烟台人,讲师,博士,主要从事GI S 与城镇信息系统研究。

E 2mail:gad@ires 1cn多时相影像的典型区农作物识别分类方法对比研究彭光雄1,宫阿都32,崔伟宏1,明　涛3,陈锋锐1(1中国科学院遥感应用研究所,北京　100101;2北京师范大学减灾与应急管理研究院,北京　100875;3中国科学院地理科学与资源研究所,北京　100101)摘要:基于甘蔗和玉米的物候特征差异,对多时相影像典型分类方法处理的适宜性和准确性进行了比较研究。

并以目视解译结果作为参考数据,利用全样本检验法,对自动分类的结果进行了精度检验。

试验结果表明:面向对象法的分类精度最高,总体Kappa 系数为01655,是最适宜的方法;其次是BP 神经网络法和光谱角制图法,总体Kappa 系数分别为01635和01631;而最大似然法和分类后比较法则是不适宜采纳的分类方法,总体Kappa 系数分别为01601和01577。

上述分析可见,它们对遥感分类处理多时相影像识别算法的适用性选取有一定参考意义。

关键词:多时相影像;遥感分类;方法比较1　引言农作物的遥感识别分类是农作物遥感估产的前提和出发点,成为农业遥感的焦点之一。

然而相对于其他地物类型而言,农作物在光谱上具有更多的相似性,遥感影像难以区分,高光谱、高空间分辨率和多时相是解决此问题的三个主要途径。

高光谱遥感影像具有能区分农作物更细微的光谱差异,探测农作物在更窄波谱范围的变化特点,利于提高识别作物的准确性[124],但高光谱遥感数据不容易获取,限制了其大面积的使用。

高空间分辨率遥感影像能够提供农作物丰富的纹理信息,有利于农作物类型的区分,然而高空间分辨率遥感影像便于人工判读解译,不利于计算机自动分类[529]。

由于不同农作物类型之间的物候特征存在差异,利用多时相的遥感影像区分不同农作物类型是一种行之有效的方法[10213]。

地表类型的遥感分类方法多种多样,对于不同特点的影像各种方法的适用性也存在很大差异[14]。

而通过试验以比较分析典型的分类方法,对多时相影像遥感分类的适宜性和准确性的研究也很少,因而,这类研究对于指导多时相影像的遥感识别分类和基于物候特征的遥感监测具有重要的参考价值。

本文应用两个不同时相的遥感影像,针对甘蔗和玉米物候特征的差异,采用多种典型的遥感分类方法对其进行识别提取和对比研究。

2　研究区数据源及其处理分析研究区选择在云南省弥勒县境内的竹园坝地区,位于103°20′～103°26′E,24°2′～24°9′N 之间,是南北走向的山间谷地,为弥勒县的重要甘蔗基地,南北长约13km ,东西宽约6km (如图1)。

该区为亚热带季风气候,平均海拔1170m ,年平均气温1914℃,无霜期340天,年平均降雨量953mm ,年平均相对湿度70%,光照充足、有效温期长、昼夜温差大、霜雪日短,十分有利于甘蔗糖分的积累,具有发展蔗糖业得天独厚的自然条件。

竹园镇光热资源充足,土壤肥沃,水利条件好,蔗糖、粮食、畜牧、蔬菜为该地区的四大传统产业,玉米和水稻是主要粮食作物。

图1　研究区两个不同时相的CCD 与T M 影像Fig 11CC D and T M i m age of study area in different date phases211　数据源与处理本文以中巴地球资源卫星CBERS02B -CCD 和Landsat -5T M 为遥感数据源。

T M 除T M6波段外,其余波段空间分辨率均为30m 。

CBERS02B 的多光谱CCD 1-4波段的光谱特性与T M 对应波段十分相似,空间分辨率为20m 。

根据研究区内农作物的生长物候特征和遥感影像的云量状况,选用了2008年3月18日的CBERS02B 2CCD 影像和2008年4月6日的Landsat -5T M 影像作为遥感数据源。

另外,还采用DE M 、基础地理信息,以及野外GPS 调查数据等作为辅助。

图2　典型地块甘蔗和玉米的影像特征Fig 12　I m age characteristics of sugarcane and corn in typ ical p l ots进行多时相影像遥感分类时,由于不同传感器性能的差异以及成像条件与大气的影响,需要对两幅遥感影像进行辐射校正和匹配。

T M 传感器具有较高辐射定标精度,可将它为标准对CCD 影像进行交叉定标。

通过同名地物采样,利用经验统计线性模型来实现T M 与CCD 影像的交叉定标处理[15]。

利用研究区1∶5万地形图为基准,对CCD 和T M 影像进行几何精校正,并将T M 影像重采样至20m ,校正时的R MS 误差确保小于1个像元。

将CCD 124波段与T M 125、7波段按时间先后叠合成一个类似具有10个波段的多光谱遥感影像文件,空间分辨率为20m 。

212　农作物影像特征及光谱分析研究区内甘蔗、玉米和水稻是几种最主要的农作物。

盛叶时的甘蔗和玉米在光谱曲线和影像特征上十分相似,难以区分。

而水稻基本生长在水生环境中,水稻叶与水体形成的混合光谱与甘蔗、玉米等农作物存在一定的差异,比较容易区分。

研究区内甘蔗和玉米的物候特征是不同的。

甘蔗为多年生植物,收割时仅收割甘蔗茎,将根仍留在土壤内,即宿根,来年宿根重新分枝生茎。

研究区内的甘蔗一般12月至来年1月间收割,于3～4月间开始重新分枝生茎长出新叶。

研究区内的早熟玉米采用温室育秧移栽技术,在2月份移栽秧苗,至3月中旬玉米具有了一定的植被覆盖度,在遥感影像上植被特征比较显著。

因此,利用研究区内甘蔗和早熟玉米生长期的这种时间差,可以用来进行遥感区分。

如图2中,图2a 是2008年3月18日的CCD 影像,1号地块为甘蔗地,此时甘蔗刚开始长新芽,植被覆盖度很低,影像呈灰白色;2号地块为玉米地,此时玉米已经长出枝叶,植被覆盖度较高,影像呈绿色。

图2b 为4月6日的T M 影像,此时甘蔗和玉米的植被覆盖度比前一时期都增高了,表现为1号和2号地块在影像上均呈现出深绿色。

图2c 是甘蔗和玉米的目视解译结果。

622地球信息科学学报 2009年在CCD 与T M 叠合成的10个波段时间序列影像上对甘蔗、玉米、水稻和树林等几种典型植被类型各采集16组光谱曲线,然后求得各个植被类型光谱的平均值,最后得到它们的时间序列光谱曲线,如图3所示。

由图3可以看出,甘蔗和玉米在4月6日的T M 光谱曲线十分接近,因此,单凭这一个时相的影像难以将两者区分开。

而在3月18日的CCD 光谱曲线中,甘蔗和玉米存在显著差异,其中以CCD 324波段尤为明显,CCD3和CCD4分别对应红光和近红外波段,正是对植被最为敏感的波段组合。

玉米在CCD 324波段斜率很大而陡峭,植被覆盖度较高,而甘蔗在CCD 324波段斜率较小而平缓,植被覆盖度较低。

虽然此图3　典型地物的时间序列光谱曲线Fig 13　The ti m e series s pectru m of typ ical land covers时的甘蔗与玉米容易区分,却与裸地容易混淆(如图3中曲线a 和e ),因此,只有结合CCD 和T M 两个时相的影像才能最佳区分甘蔗和玉米。

水稻与其他农作物的时间序列光谱曲线差异明显,容易区分。

树林与玉米的时间序列光谱曲线稍有相似,会产生一定的混淆。

但是玉米基本分布在坝区的平坦谷地,而树林大都分布在坝区周围的山地,可以通过DE M 和坡度进行筛选过滤。

3　研究区主要作物的影像识别分类试验311　识别分类方法用于多时相影像遥感分类比较研究的几种典型方法是目视解译法(V isual I nter p retati on,V I )、光谱角制图法(SpectralAngle Mapper,S AM )、最大似然分类法(Maxi m u m L ikelihood Classifier,MLC )、面向对象分类法(Object 2O riented Classificati on,OOC )、BP 神经网络法(Back Pr opagati on Neural Net 2work,BP NN )、分类后比较法(comparis on AfterClassificati on,CAC )[14]。

目视解译在A rcGI S 910中进行,面向对象分类(OOC )在eCogniti on 410软件中实现,其他分类均在ENV I 413中进行。

除分类后比较(CAC )法外,自动分类均采用两时相叠合的10波段全部参与分类的方式。

为了便于比较分析,选择水体、裸地、甘蔗、玉米、树林和水稻六种类型,每种方法均选择16个相同的训练样区,各种分类方法具体的分类参数选择,通过多次对比试验寻找最优结果,主要分类措施如表1所示。

表1　各方法的分类方法描述Tab 11　The descr i pti on of d i fferen t cl a ssi f i ca ti on m ethods分类方法方法描述目视解译(V I )基于GPS 野外调查数据,对两个时相影像交互判读,人工勾绘光谱角制图(S AM )取样区中心点的光谱平均值,为样本光谱最大似然分类(MLC )采用非可能性阈值模式面向对象分类(OOC )基于eCogniti on 410,通过试验选择最佳分割参数和特征参数BP 神经网络(BP NN )采用Logistic 模式,样本训练次数为1000分类后比较(CAC )先用MLC 法对两幅影像分别分类,然后叠加分析求得最终结果312　全样本精度检验常规的分类结果检验方法是在分类结果中随机选取一定数量的检验像元,将检验像元的分类结果与实际地类比较,由此得出分类精度[16,17]。

然而抽样方式对分类精度评价结果存在较大的影响,全样本精度评价方法可避免抽样带来的不确定性,从而提高分类结果检验的准确性[17]。

目视解译相对自动分类而言,具有更高的地物识别精度,可作为对自动分类进行精度评价的参考数据[17]。