基于GF-2影像融合方法的棉花种植面积提取_阿依谢姆·米吉提.pdf

第 46 卷 第 4 期2023 年 4 月测绘与空间地理信息GEOMATICS&SPATIAL INFORMATION TECHNOLOGYVol.46,No.4Apr.,2023收稿日期:2021-03-08作者简介:阿依谢姆米吉提(1992-),女,维吾尔族,新疆沙雅人,地理学专业硕士研究生,主要研究方向为地图学与地理信息系统。通信作者:买买提沙吾提(1976-),男,维吾尔族,新疆喀什人,副教授,博士,2012 年毕业于新疆大学自然地理学专业,主要从事干旱区资源环境及农业遥感应用方面的研究工作。基于 GF-2 影像融合方法的棉花种植面积提取阿依谢姆米吉提1,2,3,买买提沙吾提1,2,3(1.新疆大学 资源与环境科学学院,新疆 乌鲁木齐 830046;2.新疆绿洲生态教育部重点实验室,新疆 乌鲁木齐 830046;3.新疆智慧城市与环境建模普通高校重点实验室,新疆 乌鲁木齐 830046)摘要:首先,针对研究区 GF-2 影像进行 Brovey 变换、G-S 变换、NNDpansharp 变换、PC 变换4 种融合,对融合结果进行定量评价;其次,利用随机森林分类方法对研究区作物进行分类,并进行精度验证,提出了研究区域农作物信息。结果表明:1)对研究区进行 4 种方法融合,提高遥感影像分辨率;2)从评价结果可知,4 种融合影像中,NNDpansharp 融合影像质量最佳。分类结果说明,NNDpansharp 融合影像的随机森林分类总精度和 Kappa 系数最高,该方法和结果可为农业部门将高分二号遥感影像融合提取棉花面积方法提供选择性参考。关键词:GF-2 影像;融合图像;信息熵;随机森林分类中图分类号:P228 文献标识码:A 文章编号:1672-5867(2023)04-0081-04Study on Cotton Growing Area Extraction Based onGF-2 Image Fusion MethodAYIXIEMU Mijiti1,2,3,MAIMAITI Shawuti1,2,3(1.Collge of Resources and Environmental Sciences,Xinjiang University,Urumqi 830046,China;2.Ministry of Education Key Laboratory of Oasis Ecology at Xinjiang University,Urumqi 830046,China;3.Xinjiang Agricultural Resources and Regional Planning Office,Urumqi 830046,China)Abstract:In order to obtain the most accurate cotton area data,four commonly used remote sensing image fusion methods,such as Brovey,G-S,NNDpansharp and PC are applied to full-color and multi-spectral band fusion for sub-meter GF-2 satellite data.Be-sides,visual interpretation based subjective evaluation and grey average,standard deviation,information entropy,average gradient,correlation coefficient and other quality parameters based objective evaluation methods are applicated to assess the four fusion results.Finally,the random forest classification method was used to classify the five types of land features such as cotton,corn,orchard,wa-ter body and other areas in the study area,and classification accuracy was calculated to identify the optimal fusion image.The calcula-tion results showed that:1)Among four fusion methods,the NNDpansharp fusion quality was the best.2)Explanation of classification results,NNDpansharp fusion images have the highest total accuracy of random forest classification and Kappa coefficient.This method and results can provide a selective reference for the agricultural department to extract cotton area by fusion of GF-2 remote sensing im-ages.Key words:GF-2 images;image fusion;information entropy;random forest classification0 引 言及时、准确地掌握棉花种植面积对政府部门制定相应的农业生产和农村政策具有十分重要的意义1。遥感技术具有探测范围广、同步、现势性强、可不依赖于地表状况进行灵活调查等特点,迅速成为监测棉花种植面积的重要手段2。过去由于缺少自主的高分数据,众多研究人员使用中低分辨率的遥感数据,通过分类方法实现对棉花种植面积的识别和面积监测,也取得了一定的成果3-6,但是不能很好地满足复杂地貌条件下棉花种植面积监测精度要求。GF-2 卫星是我国自主研制的首颗空间分辨率优于1 m 的民用光学遥感卫星,搭载有 2 台高分辨率 1 m 全色、4 m 多光谱相机,宽幅 45 km2,具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点,必将成为我国棉花、小麦和玉米等大宗农作物遥感监测最主要的数据源之一。但是由于卫星发射时间较短,基于 GF-2 卫星数据棉花种植面积监测研究少有涉及,目前融合方法比较多,其中针对 GF-2 数据融合方法研究未有报道,然而数据融合在农作物遥感识别中日益发挥重要作用,其在很大程度上弥补了单一数据和分类方法的缺陷。针对以上问题,本文以找出最佳棉花识别融合方法为目标,采用 Brovey 变换、NND 变换、PC 变换和 G-S 变换 4 种融合方法对 GF-2 卫星多光谱与全色影像分别进行融合,结合随机森林分类法对融合影像进行棉花识别,根据分类精度找出适合 GF-2 影像棉花面积提取的最佳融合方法。1 材料与方法1.1 研究区概况研究区位于天山和塔里木盆地之间,南邻塔里木盆地,北靠天山,渭干河-库车河三角洲的中南部,沙雅县和库车市 的 边 界 地 区,隶 属 于 阿 克 苏 地 区,面 积 约 为1 480 km2。该绿洲气候属于大陆性暖温带干旱气候,年降水量为 50.066.5 mm,年蒸发量为 2 0002 092 mm,蒸发量远高于降水量,水资源缺乏,年内分配不均7。研究区主要土地利用类型为农业用地,该地区主要粮食作物包括冬小麦和夏玉米,主要经济作物有棉花、红枣等,作物生长期为 410 月,棉花生长的旺盛期在 7 月初至 9月初8。1.2 数据选择与预处理遥感数据:2 幅 GF-2 卫星 PMS2 遥感数据,采集时间为 2018 年 9 月 17 日,有效载荷技术指标见表 1。研究区包含棉花、玉米、林地、草地、水体和其他地物信息,其中棉花和林地所占比例较大。在进行遥感影像融合实验之前,分别对全色和多光谱数据进行了正射校正,自动配准和拼接;正射校正输出的像元大小为 1 m,图像自动配准误差控制在 0.5 个像元内,以保证融合效果。表 1 GF-2 卫星有效载荷技术指标Tab.1 Technical indicators of GF-2 satellite payload1 m 分辨率全色/4 m 分辨率多光谱相机光谱范围全色多光谱0.450.90 m0.450.52 m0.520.59 m0.630.69 m0.770.89 m空间分辨率全色1 m多光谱4 m幅宽45 km(2 台相机组合)重访周期(侧摆时)5 d覆盖周期(不侧摆)69 d成像时间2018-9-17 现场调查数据:分别于 2018 年 7 月 3 日至 7 月 12日、2019 年 2 月 5 日至 2 月 9 日赴研究区域开展了 2 次现场调查,采用 GPS 等多种手段实地获取了包括棉花在内的多种地物类型的现场数据。主要包括 699 个样点的地物类型,其中 444 个作为训练样本,5 个样方和 250 个作为检验样本。现场调查样点分布如图 2 所示。1.3 影像融合方法和融合质量评价本文用 Brovey 变换9、NND 变换10、PC 变换11、G-S 变换12-16等 4 种融合方法对 GF-2 全色影像和多光谱影像进行融合实验。Brovey 变换:原理是利用经过锐化处理后的高空间分辨率进行增强处理,这一方法只针对 2 幅融合影像中相对应的波普范围进行融合,其余非对应的波普范围不会进行融合。NND 变换:该方法基于统计原理,利用最少方差技术对参与融合波段的灰度值进行最佳匹配,调整单个波段的灰度分布以减少融合结果的颜色偏差。融合结果对人为主观因素与数据本身质量的依赖性较小,有优越的锐化效果,最大限度地保留原始图像的光谱特性。PC 变换:是针对高分辨率的波普影像进行融合的方法。首先,对低分辨率多光谱影像进行主成分变换,再用全色影像中的波段替换多光谱影像中的第一主成分,在波段替换过程中,为了避免波普信息失真,通常将 PAN 影像中的波段进行缩放后,与第一主成分波段进行直方图匹配,再进行主成分逆变换后,对多光谱影像进行重采样,最后得出与全色影像像元大小相同的融合影像。G-S 变换:利用 G-S 变换将多光谱图像转换到正交空间,再将高分辨率图像替换第一分量,最后反变换获得融合后图像。对于融合的遥感影像无波段限制,具有较高的光谱信息保持度。本文对影像融合的结果用 2 种方法进行评价:一是目视效果分析;二是基于数学统计的定量特征分析,该指标中,灰度均值和标准差的计算在 ENVI 5.3 软件中实现,其余在 Matlab 软件中实现。评价指标及说明见表 2。1.4 随机森林分类与精度验证随机森林分类是一种统计学习理论,它是利用自助抽样法从原始样本集中抽取多个样本集,抽取样本集的样本个数与原始样本集的样本个数相等,对每个 bootstrap样本集进行决策树(Decision Tree,DT)建模,每个样本的最后分类结果是通过多棵决策树的结果投票决定的17。本研究为进一步验证最佳融合方法,本文对不同的 4种融合影像进行随机森林分类,提取更准确的棉花种植面积分类精度。利用随机森林方法将其划分棉花、玉米、林地、水体、其他地物等 5 类。为了验证并得到最准确的定量数据依据,结合训练样本、样方和实测样本数据进行精度验证。对已拼接后的 4 种融合影像进行分类时采用的训练样本相同,样本点可分离度(J-M 距离)都高于1.8,表明样本分离性很好。28 测绘与空间地理信息 2023 年表 2 评价指标及说明Tab.2 Evaluation index and description指标计算公式说明灰度均值?X=1m nmi=1ni=1