基于高分六号宽幅影像的油菜种植分布区域提取方法
姜 楠(1998— ),男,江西南昌人,硕士生,主要研究方向为农业遥感。E-mail: hqyjiang@163.com |
收稿日期: 2021-04-27
要求修回日期: 2021-06-18
网络出版日期: 2022-02-25
基金资助
国家自然科学基金项目(41871239)
江苏高校“青蓝工程”项目
河北省省级科技计划资助(21567624H)
版权
Extraction Method of Rapeseed Planting Distribution Area based on GF-6 WFV Image
Received date: 2021-04-27
Request revised date: 2021-06-18
Online published: 2022-02-25
Supported by
National Natural Science Foundation of China(41871239)
Qing Lan Project of Jiangsu Province
S&T Program of Hebei(21567624H)
Copyright
油菜作为我国主要的农业经济作物及食用油的主要来源,及时、准确地获取其种植分布信息,是全面掌握油菜种植状况、加强生产管理、优化作物种植空间格局的重要依据。高分六号(GF-6)的宽视场(Wide Field View,WFV)传感器在可见光-近红外波段基础上增设了2个红边波段、1个黄波段和1个紫波段,为油菜遥感识别提供了更加丰富的光谱信息,进而相较于蓝、绿、红、近红外4个“传统波段”的识别精度有所提升。本文以油菜开花期内两景不同时相GF-6 WFV影像拼接图像作为数据源,选择油菜生产优势区的河南省固始县为研究区,针对油菜同其他地物的“异物同谱”现象以及不同生长阶段油菜的“同物异谱”现象,利用油菜开花期独特的反射光谱特征,结合均值间标准化近距离提出了NDSI28、S34、NDSI23和NDSI46共4个光谱指数,并由此构建油菜种植区域提取的决策树模型。研究结果表明,基于4个指数组合构建的决策树模型对油菜种植分布信息的提取达到了较好的效果,总体精度为96.17%,与随机森林、支持向量机、最大似然法相比分别高出0.31%、0.88%和1.24%;制图精度方面,决策树法为98.15%,比随机森林、支持向量机、最大似然法分别高4.72%、4.21%和5.59%;对于用户精度,决策树法为86.89%,较随机森林、最大似然法分别低2.2%和1.63%,比支持向量机高0.11%。由此说明,GF-6 WFV数据中的新增波段极大地丰富了其光谱信息,使其在包括油菜在内的农作物种植分布信息提取中具有独特的优势和巨大潜力。
姜楠 , 张雪红 , 汶建龙 , 葛州徽 . 基于高分六号宽幅影像的油菜种植分布区域提取方法[J]. 地球信息科学学报, 2021 , 23(12) : 2275 -2291 . DOI: 10.12082/dqxxkx.2021.210233
Rapeseed is the main agricultural cash crop and the main source of cooking oil in China. Timely and accurate acquisition of the spatial distribution of rape plants is important for understanding the status of rape planting, strengthening production management, and optimizing the spatial pattern of crop planting. The Wide Field View (WFV) sensor of Gaofen-6 (GF-6) adds a purple band, a yellow band, and two red edge bands to the visible-near-infrared bands, which provides more spectral information for rape identification from remote sensing, thus improving the identification accuracy compared with the "traditional bands" of blue, green, red and near-infrared. In this paper, the Gushi county, Henan province, a dominant area of rape, was selected as the research area. Two GF-6 WFV images within the flowering period of rape were mosaiced as the data source. Due to the phenomenon of "same spectrum with different species" between rape and other land objects and the phenomenon of "same species with different spectrum" for rape at different growth phases, we put forward four spectral indices including NDSI28、S34、NDSI23, and NDSI46, based on the unique spectral reflectance characteristics of rape at flowering phase and the algorithm of standardized close range between means. A decision tree model for rape identification was then constructed based on these indices. The results show that the decision tree model based on the combination of four indices achieved a high accuracy in extracting rape, with an overall accuracy of 96.17%, which was 0.31%, 0.88%, and 1.24% higher than that of random forest, Support Vector Machine(SVM), and maximum likelihood method, respectively. The cartography accuracy of decision tree model was 98.15%, which was 4.72%, 4.21%, and 5.59% higher than that of random forest, SVM, and maximum likelihood method, respectively. The user accuracy of the decision tree model was 86.89%, which was 2.2% lower than that of random forest, 1.63% lower than that of the maximum likelihood method, and 0.11% higher than that of the SVM. The cartographic accuracy of different classification methods was greater than 90%, and in particular, the decision tree model showed the highest cartographic accuracy. In terms of the user accuracy, the random forest showed the highest value (89.09%), the Support Vector Machine (SVM) showed the lowest value (86.78%), and the decision tree method showed an user accuracy of 86.89%. As a result, the new bands in the GF-6 WFV data can greatly enrich the spectral information of rape. Our results demonstrated the unique advantages and great potential of the new bands in the GF-6 WFV data in the extraction of crop planting region and distribution information, including rape.
表2 GF-6卫星WFV传感器技术指标(按波长升序排列)Tab. 2 Technical specifications of WFV sensor for GF-6 satellite (sort by wavelength in ascending order) |
波段号 | 波段范围/μm | 波段名称 | 空间分辨率/m | 幅宽/km |
---|---|---|---|---|
B01 | 0.40~0.45 | 紫波段 | 16 | 800 |
B02 | 0.45~0.52 | 蓝波段 | ||
B03 | 0.52~0.59 | 绿波段 | ||
B04 | 0.59~0.63 | 黄波段 | ||
B05 | 0.63~0.69 | 红波段 | ||
B06 | 0.69~0.73 | 红边1波段 | ||
B07 | 0.73~0.77 | 红边2波段 | ||
B08 | 0.77~0.89 | 近红外波段 |
表3 3类分类器参数Tab. 3 Parameters of three classifiers |
分类器 | 参数 |
---|---|
随机森林 | Number of Trees:250 |
支持向量机 | Kernel Type:RBF;Gamma:0.125;Penalty:100 |
最大似然 | Probability Threshold:Single Value |
表4 与NDVI光谱指数可分性Tab. 4 Separability of and NDVI spectral index |
地物类型 | NDVI | ||
---|---|---|---|
抽薹期油菜 | 冬小麦 | 1.19 | 1.32 |
常绿林地 | 0.34 | 0.18 | |
落叶林地 | 2.60 | 2.35 | |
裸地 | 5.19 | 5.35 | |
人工建筑 | 5.17 | 4.90 | |
水体 | 8.28 | 5.23 | |
冬小麦+道路 | 0.59 | 0.63 | |
盛花期油菜 | 冬小麦 | 1.22 | 3.24 |
常绿林地 | 0.31 | 1.04 | |
落叶林地 | 2.56 | 1.55 | |
裸地 | 5.11 | 4.53 | |
人工建筑 | 5.11 | 4.16 | |
水体 | 8.20 | 4.60 | |
冬小麦+道路 | 0.56 | 0.33 | |
绿熟期油菜 | 冬小麦 | 1.29 | 2.03 |
常绿林地 | 0.37 | 0.29 | |
落叶林地 | 2.75 | 2.03 | |
裸地 | 5.67 | 5.01 | |
人工建筑 | 5.50 | 4.59 | |
水体 | 8.84 | 4.96 | |
冬小麦+道路 | 0.62 | 0.26 |
表5 典型地物的 与NDVI均值及标准差Tab. 5 Mean & Standard Deviation of and NDVI spectral index |
地物类型 | NDVI | |
---|---|---|
抽薹期油菜 | 0.63±0.03 | 0.64±0.04 |
盛花期油菜 | 0.62±0.03 | 0.53±0.03 |
绿熟期油菜 | 0.63±0.03 | 0.59±0.04 |
冬小麦 | 0.69±0.03 | 0.74±0.03 |
常绿林地 | 0.60±0.05 | 0.62±0.06 |
落叶林地 | 0.37±0.07 | 0.35±0.08 |
裸地 | 0.32±0.03 | 0.18±0.04 |
人工建筑 | 0.20±0.05 | 0.15±0.06 |
水体 | -0.02±0.05 | -0.05±0.07 |
冬小麦+道路 | 0.57±0.07 | 0.56±0.08 |
表6 典型地物的 均值及标准差Tab. 6 Mean & Standard Deviation of integrated spectral index |
积分光谱指数 | 抽薹期油菜 | 盛花期油菜 | 绿熟期油菜 | 冬小麦 | 常绿林地 | 冬小麦+道路 |
---|---|---|---|---|---|---|
6.15±0.29 | 8.36±0.39 | 7.02±0.46 | 4.47±0.26 | 5.00±0.29 | 5.52±0.34 |
表7 积分光谱指数可分性Tab. 7 Separability of integrated spectral index |
地物类型 | ||
---|---|---|
抽薹期油菜 | 冬小麦 | 2.85 |
常绿林地 | 1.76 | |
冬小麦+道路 | 0.57 | |
盛花期油菜 | 冬小麦 | 5.97 |
常绿林地 | 4.86 | |
冬小麦+道路 | 3.25 | |
绿熟期油菜 | 冬小麦 | 3.21 |
常绿林地 | 2.35 | |
冬小麦+道路 | 1.30 |
表8 光谱指数可分性Tab. 8 Separability of spectral index |
光谱指数 | 抽薹期油菜-冬小麦+道路 | 盛花期油菜-冬小麦+道路 | 绿熟期油菜-冬小麦+道路 |
---|---|---|---|
0.45 | 3.20 | 2.07 |
表9 典型地物的 均值及标准差Tab. 9 Mean & Standard Deviation of spectral index |
光谱指数 | 抽薹期油菜 | 盛花期油菜 | 绿熟期油菜 | 冬小麦+道路 |
---|---|---|---|---|
0.11±0.02 | 0.23±0.03 | 0.17±0.02 | 0.09±0.02 |
表10 典型地物的 均值、标准差及可分性Tab. 10 Mean, Standard Deviation & Separability of spectral index |
光谱指数 | 抽薹期油菜 | 冬小麦+道路 | 抽薹期油菜-冬小麦+道路可分性 |
---|---|---|---|
0.17±0.02 | 0.09±0.03 | 1.80 |
表11 油菜提取精度评价Tab. 11 Related data of rapeseed extraction accuracy (%) |
提取方法 | 油菜识别精度 | |||
---|---|---|---|---|
生产者精度 | 用户精度 | 总体精度 | ||
决策树法 | 98.15 | 86.89 | 96.17 | |
随机森林法 | 93.43 | 89.09 | 95.86 | |
SVM法 | 93.94 | 86.78 | 95.29 | |
最大似然法 | 89.56 | 88.52 | 94.93 |
表12 不同分类特征选择方案下油菜提取总体精度评价对比Tab. 12 Comparison of overall accuracy evaluation of rape extraction under different classification feature selection schemes (%) |
数据源 | 油菜识别精度 | |||||
---|---|---|---|---|---|---|
决策树(CART) | 随机森林 | SVM | 最大似然 | |||
4指数组合 | 96.48 | 95.86 | 95.29 | 94.93 | ||
4传统波段 | 93.46 | 95.12 | 94.54 | 94.89 | ||
8原始波段 | 94.93 | 95.63 | 94.62 | 94.93 |
[1] |
甄晓菊, 张雪红, 吴国明, 等. 基于Sentinel-2A NDVI时间序列数据的冬小麦识别[J]. 江苏农业科学, 2019, 47(16):239-245.
[
|
[2] |
吴炳方. 中国农情遥感速报系统[J]. 遥感学报, 2004, 8(6):481-497.
[
|
[3] |
|
[4] |
梁益同, 万君. 基于HJ-1A/B-CCD影像的湖北省冬小麦和油菜分布信息的提取方法[J]. 中国农业气象, 2012, 33(4):573-578.
[
|
[5] |
王东, 方圣辉, 王政. 基于光谱特征和颜色特征的油菜提取研究[J]. 农业机械学报, 2018, 49(3):158-165.
[
|
[6] |
杨泽宇, 张洪艳, 明金, 等. 深度学习在高分辨率遥感影像冬油菜提取中的应用[J]. 测绘通报, 2020(9):110-113.
[
|
[7] |
魏传文, 黄敬峰, 杨玲波. 基于多时相环境卫星的冬前油菜种植面积估算[J]. 中国农业信息, 2019, 31(5):38-48.
[
|
[8] |
钟仕全, 陈燕丽, 莫建飞, 等. 基于中巴02B星遥感数据的油菜识别技术研究[J]. 国土资源遥感, 2010, 22(2):77-79,85.
[
|
[9] |
王立辉, 黄进良, 孙俊英. 基于线性光谱混合模型的油菜种植面积遥感监测方法研究[J]. 遥感信息, 2010, 25(3):55-59.
[
|
[10] |
|
[11] |
肖善才. 基于生长气候分区的土地利用农作物种植面积快速提取研究——以南京市油菜种植面积提取为例[J]. 上海国土资源, 2018, 39(1):50-56.
[
|
[12] |
张煦, 马驿, 郑雯, 等. 基于时序MODIS-NDVI的油菜种植面积变化趋势分析——以江汉平原为例[J]. 长江流域资源与环境, 2016, 25(3):412-419.
[
|
[13] |
王松林, 张佳华, 刘学锋. 基于MODIS多时相的江苏启东市油菜种植面积提取[J]. 遥感技术与应用, 2015, 30(5):946-951.
[
|
[14] |
柴振刚, 胡佩敏, 熊勤学. 基于面向对象的光学和Sentinel—1 SAR数据油菜种植空间分布信息提取方法研究[J]. 气象科技进展, 2018, 8(5):58-62.
[
|
[15] |
韩涛, 潘剑君, 张培育, 等. Sentinel-2A与Landsat-8影像在油菜识别中的差异性研究[J]. 遥感技术与应用, 2018, 33(5):890-899.
[
|
[16] |
李中元, 吴炳方, 张淼, 等. 利用物候差异与面向对象决策树提取油菜种植面积[J]. 地球信息科学学报, 2019, 21(5):720-730.
[
|
[17] |
|
[18] |
尤慧, 苏荣瑞, 肖玮钰, 等. 基于MODIS EVI时序数据的江汉平原油菜种植分布信息提取[J]. 国土资源遥感, 2018, 30(1):173-179.
[
|
[19] |
佘宝, 黄敬峰, 石晶晶, 等. 基于红边位置变化特征的油菜种植区域提取[J]. 农业工程学报, 2013, 29(15):145-152.
[
|
[20] |
|
[21] |
王林江, 吴炳方, 张淼, 等. 关键生育期冬小麦和油菜遥感分类方法[J]. 地球信息科学学报, 2019, 21(7):1121-1131.
[
|
[22] |
姬忠林, 张月平, 李乔玄, 等. 基于GF-1影像的冬小麦和油菜种植信息提取[J]. 遥感技术与应用, 2017, 32(4):760-765.
[
|
[23] |
|
[24] |
蒋怡, 董秀春, 王昕, 等. 基于高分六号影像的四川盆地油菜种植调查[J]. 四川农业科技, 2020(1):68-70.
[
|
[24] |
蒋怡, 董秀春, 王昕, 等. 基于高分六号影像的四川盆地油菜种植调查[J]. 四川农业科技, 2020(1):68-70.
[
|
[25] |
|
[26] |
|
[27] |
何昭欣, 张淼, 吴炳方, 等. Google Earth Engine支持下的江苏省夏收作物遥感提取[J]. 地球信息科学学报, 2019, 21(5):752-766.
[
|
[28] |
|
[29] |
骆剑承, 王钦敏, 马江洪, 等. 遥感图像最大似然分类方法的EM改进算法[J]. 测绘学报, 2002, 31(3):234-239.
[
|
[30] |
|
[31] |
|
[32] |
|
[33] |
刘晋阳, 辛存林, 武红敢, 等. GF-6卫星WFV数据在林地类型监测中的应用潜力[J]. 航天返回与遥感, 2019, 40(2):107-116.
[
|
[34] |
曾庆伟, 武红敢. GF-6WFV黄边波段在森林扰动监测中的应用潜力研究[J]. 北京测绘, 2020, 34(2):208-213.
[
|
[35] |
陆春玲, 白照广, 李永昌, 等. 高分六号卫星技术特点与新模式应用[J]. 航天器工程, 2021, 30(1):7-14.
[
|
/
〈 | 〉 |