农业生产是当今社会发展至关重要的环节，它具有生产分散性、时空变异性、灾害突发性等人们用常规技术难以掌握与控制的基本特点，这是农业生产长期以来处于被动地位的原因。随着科学技术的发展，遥感技术成为及时掌握农业信息分布情况、作物长势、病虫害等农业灾害信息的有效手段^[1-3]。

近些年，随着各类高空间分辨率民用卫星的出现，3S技术、计算机技术、航天技术、物联网技术发展相结合在农业生产、管理和作业等方面取得了不错的成绩，得到了广泛的应用和推广^[4-6]。基于遥感技术在农业方面的应用研究主要有：尚松浩等对基于遥感的农业用水效率评价方法研究进展进行了论述^[7]；史舟等简要回顾了农业遥感发展历程及其应用的理论基础，再从农作物估产、农业资源调查、农业灾害监测和精准农业管理4个领域阐述了国内外相关研究和应用情况^[2]；付碧玉、苑慧丽等也分别对遥感技术在农业方面的应用方法作了深入研究^[8-9]。

不同遥感卫星传感器具有不同的参数和特性，针对相同的地物要素，影像数据有不完全一致的表现结果。同样，相同的遥感信息提取方法，对不同来源影像的提取结果也不一样。本文针对这一问题，对高分二号(GF2)号卫星影像进行波谱分析，从波谱角度分析GF2号卫星影像的波段特性^[10]。试验数据包括融合影像和原始多光谱影像，选择阈值法^[11]、波谱间关系法^[11]、非监督分类法^[12]和面向对象法^[13]分别对试验数据进行研究区农业信息提取。

1、 研究数据及影像预处理 1.1 研究区概况

蔡甸区位于武汉市西郊，地处汉江与长江汇流的三角地带，江汉平原东缘，蔡甸区境内地势由中部向南北逐减降低，中部均为丘陵岗地，坡度较缓，全境地貌是垄岗为主体的丘陵性湖沼平原。研究区农业已初步形成区域化布局。有居民地、农用地及水域等空间结构不同的区域，包含居民地、耕地、河流、水塘、道路、裸地等土地覆盖类型，以耕地为主。

1.2 数据源

GF2卫星于8月19日成功发射，8月21日首次开机成像并下传数据，影像星下点空间分辨率可达0.8 m。本次研究选择的影像获取时间为2015年2月12日，数据级别为传感器校正级，数据云量为0，无噪声条带，色彩正常，无偏色情况存在。对遥感影像进行波段组合、几何校正、重采样和影像融合等处理。同时，GF2卫星遥感影像原始数据波段为16 bit数据，为了便于不同融合方法结果的对比与分析，将遥感影像波段数据均重采样为8 bit。

2、 影像处理 2.1 波谱分析

为了能够更好地提取研究区的农业信息，首先要对研究区地类信息进行分类，本次研究结合研究区土地利用数据，通过目视判读方法，分别对耕地、河流、水塘、草地、道路、居民地和荒地进行了取样，其中耕地分为耕地1(无作物)和耕地2(有作物)，因为研究区内有作物和无作物耕地在颜色上区别较大，因此在此次研究中将耕地分为有作物耕地(耕地2)和无作物耕地(耕地1)。通过统计各地类的灰度均值(见表 1)，从而得到相应的地物光谱特征曲线，如图 1所示。

结合研究区地类灰度均值表和不同地物均值曲线图可以看出耕地1和耕地2均在第1波段，与居民地、道路易于区分，与其他地类混淆。河流在第4波段与其他地类区分。水塘在第3波段与其他地类区分。草地与荒地在4个波段均与其他地类混淆，不易提取。道路在第1波段与居民地相近，与其他地类易于区分。居民地在第3波段均值最大，且与其他地类区分，易于提取。

2.2 影像融合

本次研究中的遥感影像融合属于像素级融合，通过参考相关文献，选择主成分变换法、Brovey变换法、Subtractive法和Pansharp法^[14]。影像融合过程均选择ENVI5.0软件，影像波段选择Band3、Band2和Band1波段进行组合，因为这3个波段组合后影像为自然色，更适合人眼的视觉习惯。同时，也利于之后通过人机交互解译的方式获取研究区农业信息，从而利用这些信息对通过各种信息提取手段获取的信息进行精度验证，如图 2所示。

2.3 融合质量评价

评价融合影像质量采用基于视觉效果的定性分析和基于数理统计的定量分析。定性分析主要从视觉效果简单直观地分析融合影像的光谱保真度和空间纹理特征^[15]；定量分析从融合影像的光谱信息，纹理特征等方面进行评价分析，减少评价的随机性，使得评价更加科学全面^[16]。定性评价主要借助专家经验，从影像的清晰度、色彩、纹理等方面进行评价，定量评价选择相关系数和信息熵作为评价因子。相关系数反映融合后影像对原多光谱影像的光谱信息的保存能力。相关系数越高，保留原多光谱影像的光谱信息越多。信息熵反映了影像信息的丰富程度，融合影像的信息熵越大，表明融合后影像的信息量增加，所含信息越丰富，融合质量越好，见表 2。

综合以上对不同融合算法融合影像进行定性评价和定量评价分析，Pansharp法融合影像效果最好，融合后影像信息丰富、色彩正常、纹理清晰；其次是Subtractive算法，该算法融合影像定性指标评价结果与Pansharp算法相近，但在定量评价中其信息熵值偏小；主成分变换法和Brovey变换法色彩存在偏差，纹理和清晰度均一般，其中Brovey变换法融合影像存在虚影。

3、 研究方法

本次研究的信息提取方法是阈值法、波谱间关系法、非监督分类法和面向对象法，农业信息提取方法及具体实施过程如下：

(1) 阈值分割法是一种基于区域分割的图像分割技术，它的基本原理是通过设定不一样的特征阈值，将图像的像素点分为若干类。由表 2中的数据和图 1所示波谱间关系建立阈值法提取公式，其中，居民地：Band3>185；耕地2：Band4>220；水塘：Band2 < 35；河流：15 < Band3 < 55；草地、道路和荒地无法通过阈值法进行信息提取。

(2) 波谱间关系法：通过对波段间进行运算，可以增大不同地类之间的差异，从而达到提取目标信息的目的，以耕地1为例，通过Band2与Band1进行差值运算，会发现差值后的影像，耕地1的灰度均值最大，利用公式Band2-Band1>40对研究区耕地1信息进行提取。

(3) 非监督分类法：也称聚类分析。通过对研究区的分析，将研究区地类信息分为耕地、河流、水塘、草地、道路、居民地和荒地。

(4) 面向对象法：BaatzM等^[13]提出了面向对象的方法，面向对象的地物信息分类提取方法是将一个影像对象作为一个研究对象，并从影像的空间、纹理结构、光谱等综合信息出发对该影像对象进行归属判定，即对象分类。此次研究使用的软件为ENVI5.0，基于规则对影像进行了分类，通过试验，其分割尺度为30，融合尺度为50，分类结果存储格式为*.shp，研究区农业信息提取结果如图 3所示。

4、 精度验证 4.1 精度验证

本次研究中，通过阈值法提取了研究区的河流信息，通过谱间关系法提取了研究区耕地信息，通过非监督分类法和面向对象法提取了研究区土地利用信息全要素。为了验证信息提取精度，基于Pansharp融合影像，通过人机交互解译法对研究区土地利用信息进行提取，对于不同地类要素，分别选取300个验证点，用于作为验证地类信息提取精度的参考数据，表 3中阈值法和谱间关系法只给出了单要素的提取精度，阈值法的单要素对象是河流，谱间关系法的单要素对象是耕地。不同方法提取信息精度详细情况见表 3。

4.2 结果分析

利用阈值法提取河流信息的结果中，河流与水深较深的水塘存在混淆情况，河流边缘处存在信息缺失。谱间关系法提取的耕地为有作物耕地，部分水深较浅的水塘和部门无作物耕地与结果信息混淆，影响了有作物耕地信息的提取精度。非监督分类法和面向对象法是对研究区全要素进行提取，非监督分类法全要素信息精度偏低，其中河流和耕地信息提取精度也低于阈值法和谱间关系法。面向对象法全要素提取精度尚可，河流信息精度低于阈值法，高于非监督分类法，耕地信息精度介于谱间关系法和非监督分类之间。

5、 结论

本文旨在基于高分二号进行农业信息的提取研究，分别运用阈值法对研究区的河流信息进行了提取，运用谱间关系法对研究区的有作物耕地进行了提取，运用非监督分类法和面向对象法对研究区全要素信息进行了提取，得到如下结论：阈值法对于提取单要素农业信息具有速度快，原理简单的优势，不过其提取精度建立在目标地类信息与其他地类信息均值易于区分的前提下。谱间关系法同样只适用于单要素目标信息的提取，并不适用于全要素信息的提取。非监督分类法提取研究区农业信息的优势在于原理简单，不需要对研究区农业信息具有先验知识，但信息提取精度偏低，影响精度的因素主要有研究区地类信息复杂程度和遥感影像的光谱信息是否丰富等。面向对象法基于面向对象思想，运用尺度概念，综合考虑农业信息在遥感影像上的纹理、颜色和形状等因素，适用于提取研究区农业全要素信息，其精度高但要求对研究区目标农业信息具有详细的了解，包括目标信息的颜色、纹理和形状等要素，同时对于分割尺度和合并尺度的选择也要通过多次试验才能确定，整个信息提取过程耗费时间长，且对信息提取人员专业知识要求高。

通过本次研究可知，基于GF2卫星影像，不同信息提取方法适用于特定的农业信息提取，对于今后利用GF2卫星影像在农业规划、农业调查、农业灾害预测等方面具有一定的实际应用意义，同时，对于基于GF2卫星高空间分辨率影像和高光谱数据进行精细农业信息的提取具有一定的参考和借鉴意义。