南京农业大学学报  2018, Vol. 41 Issue (4): 691-700   PDF    
http://dx.doi.org/10.7685/jnau.201711016
0

文章信息

韩涛, 潘剑君, 罗川, 周涛, 张培育
HAN Tao, PAN Jianjun, LUO Chuan, ZHOU Tao, ZHANG Peiyu
多时相Sentinel-2A与SPOT-7影像在油菜识别中的差异
Differences between multi-temporal Sentinel-2A and SPOT-7 imagery in rape identification
南京农业大学学报, 2018, 41(4): 691-700
Journal of Nanjing Agricultural University, 2018, 41(4): 691-700.
http://dx.doi.org/10.7685/jnau.201711016

文章历史

收稿日期: 2017-11-08
多时相Sentinel-2A与SPOT-7影像在油菜识别中的差异
韩涛 , 潘剑君 , 罗川 , 周涛 , 张培育     
南京农业大学资源与环境科学学院, 江苏 南京 210095
摘要[目的]研究多时相Sentinel-2A识别种植结构复杂的小尺度区域中的油菜面积,获取高精度的作物分布信息。[方法]以多时相Sentinel-2A和一景SPOT-7数据为数据源,选取种植结构复杂的小尺度区农业区为研究区,构建不同特征向量组合,利用支持向量机(support vector machine,SVM)的方法提取油菜种植面积。[结果]通过对比分析基于不同特征向量组合的油菜识别精度,利用一景油菜最佳识别期内的Sentinel-2A影像可以得到高达89.1%的制图精度和92.1%的用户精度;添加油菜最佳纹理特征后,多时相Sentinel-2A数据的制图精度与用户精度分别提高了2.9%和2.5%,仅比SPOT-7影像的识别精度低了1.7%和2.1%,2种数据的油菜提取精度差异进一步减小;Sentinel-2A与SPOT-7数据油菜最优分类结果对比后,一致性精度和Kappa系数分别为93.3%和0.89。[结论]多时相Sentinel-2A数据可以很好地识别种植结构复杂地区的油菜,加入最佳纹理信息能够提高油菜的识别精度;Sentinel-2A可以广泛应用于小尺度区域作物分布信息的快速提取。
关键词Sentinel-2A   SPOT-7   油菜   纹理信息   小尺度   
Differences between multi-temporal Sentinel-2A and SPOT-7 imagery in rape identification
HAN Tao, PAN Jianjun , LUO Chuan, ZHOU Tao, ZHANG Peiyu    
College of Resources and Environmental Sciences, Nanjing 210095, China
Abstract: [Objectives] The study is to explore the ability of Sentinel-2A to identify rape in complex planting areas and the possibility to extract rape with the same high accuracy as high spatial resolution images. [Methods] The study site was the Gaochun District of Nanjing, the capital of Jiangsu Province, China. Multi-temporal Sentinel-2A and one SPOT-7 images were obtained during the flowering stage of rape. Different combinations of spectral and texture information of two images were classified to map rape by using support vector machine, and then classification accuracy achieved using different combinations were evaluated. [Results] When using spectral information only, the producer's and user's accuracy of Sentinel-2A were 89.1% and 92.1%, respectively. After adding the best sensitive texture characteristics of rape, the producer's and user's accuracy of Multi-temporal Sentinel-2A data increased by 2.9% and 2.5% respectively, which were 1.7% and 2.1% lower than the accuracy of SPOT-7 respectively. By resampling the optimal rape classification results of SPOT-7 to 10 m, and then comparing them with Sentinel-2A, the consistency and Kappa efficiency were 93.3% and 0.89, respectively. [Conclusions] Sentinel-2A data can identify rape in areas with complex planting structure, and the recognition accuracy can be improved after adding the optimum texture information, and Sentinel-2A can replace high resolution image to extract crop area with high accuracy.
Key words: Sentinel-2A    SPOT-7    rape    texture information    small scale   

油菜是中国重要的经济作物, 准确、及时掌握油菜种植面积及其分布信息对政府的农业政策实施以及经济发展具有重要意义[1]。与传统农业统计报表和采样调查法相比, 遥感具有实时、迅速、范围广等特点, 已经被大规模地应用在农作物识别研究中[2-3]

目前, 高空间分辨率卫星影像在种植结构复杂的小尺度区域内取得广泛应用[4], 它能够提供更丰富的地表信息, 因此其影像内部不同地物之间的关系也能很好地被反映出来[5-6]。然而, 高空间分辨率影像数据重返周期较长, 且获取的成本较高, 从而使它在小尺度区域内的使用受到了很多限制[7-8]。低空间分辨影像又因其分辨率等问题, 面向结构复杂的小尺度区域容易出现较大的错误[8]。近年来, 欧洲航天局启动了“哥白尼计划”[9], 其中Sentinel-2A属光学卫星, 覆盖13个波段, 重返周期仅为10 d, 红、绿、蓝和近红外波段的分辨率为10 m, 国内外很多学者都对其进行了研究[10-13]。Giorgos等[14]利用Sentinel-2A数据对地中海地区松林生态系统的火灾严重程度进行了监测; Lauri等[15]使用Sentinel-2A数据提取了森林树冠覆盖度和叶面积指数。目前, 利用Sentinel-2A数据进行农作物监测方面的研究还很少, 并且Sentinel-2A数据能否同高空间分辨遥感影像一样, 在种植结构复杂的小尺度区域获取高精度的作物面积还有待进一步研究。此外, “同物异谱”或“同谱异物”现象的存在使基于单时相遥感影像的分类容易出现较多的错误, 因此应使用多时相的遥感影像[3]

遥感影像常用的分类方法有最大似然数、决策树方法以及支持向量机(support vector machine, SVM)分类法等[16]。最大似然数和决策树分类器并不稳定, 它们的分类精度不仅受到样本数量的限制, 而且很难解决非线性、小样本、高维数据和局部极小等实际问题[16]。支持向量机由于能够较好地解决这些问题, 因此被公认为是一种有效的算法[17]。很多学者对支持向量机分类法与其他方法的实际应用效果进行了比较, 结果都表明了SVM分类法的提取结果更优[18]。此外, 长期研究表明仅利用光谱信息的分类算法对“异物同谱”或“同谱异物”的地物区分效果较差, 因此仅采用光谱信息对目标地物进行识别是不够的, 而纹理信息的加入有利于遥感分类精度的进一步提升[19-20]

Sentinel-2A数据在农作物种植面积监测方面的应用有待进一步研究, 并且它是否能同高分辨率影像一样在种植结构复杂的小尺度区域获取高精度的作物分布信息也是个未知的问题。并且, 大多数研究的识别对象注重粮食作物如水稻、小麦等, 而对经济作物油菜的研究较少。因此, 本研究选取种植结构复杂、地块细碎的小尺度农业区——南京市高淳区为研究区, 获取了2017年油菜生育期内完全覆盖该研究区的多时相Sentinel-2A影像和一景SPOT-7影像, 构建基于光谱信息和复合光谱信息与纹理信息的油菜提取模型, 并以支持向量机为分类器, 对比分析面积提取精度, 探索Sentinel-2A数据提取地块细碎、种植结构复杂地区油菜种植面积的准确性, 并在此基础上进一步评价Sentinel-2A数据与SPOT-7数据最佳分类结果的一致性, 以期为该数据在农作物识别方面的广泛应用提供理论基础。

1 研究区和数据 1.1 研究区概况

高淳区位于江苏省南京市最南端(图 1), 全区总面积802.8 km2, 是北亚热带和中亚热过度季风气候区, 年平均气温和降雨量分别为15.9 ℃和1 157 mm。地形东高西低, 东部为丘陵山区, 西部为河网密集的圩区。实地考察后发现该地区作物种植结构复杂、地块细碎。此外, 高淳区还是华东地区特色现代化农业基地, 境内的主要农作物有油菜、冬小麦、水稻等, 其中油菜生育期为10月中旬至次年5月下旬。

图 1 研究区地理位置图 Figure 1 The location of study area
1.2 数据来源及预处理

Sentinel-2A是欧洲“哥白尼计划”的第二颗卫星, 于2015年6月23日成功发射[9]。该卫星数据覆盖13个光谱波段, 重返周期10 d, 其中前4个波段——可见光和近红外波段空间分辨率为10 m。本研究使用的4景影像已经过几何校正处理, 完全覆盖研究区, 获取日期为2017年2月28日、4月2日、4月19日和4月29日。其中, 4月的3个时相的影像是根据油菜的生育期选取的, 4月2日油菜处在开花期, 4月19日为结荚期, 4月29日为成熟期。利用欧洲航天局的Snap软件进行Sentinel-2A数据的辐射定标、大气校正, 其中大气校正在Sen2Cor-2.4.0模块[10]下进行。

SPOT-7卫星于2014年6月30日在印度达万航天发射中心发射, 该卫星由欧洲空客防务与航天公司研制[21]。SPOT-7全色分辨率1.5 m, 多光谱分辨率6 m。本文使用一景覆盖研究区的SPOT-7多光谱影像, 成像时间为2017年3月31日。利用ENVI软件进行SPOT数据的预处理, 包括辐射定标和大气校正等, 最终获得分辨率为6 m的多光谱影像。

本文中所用到的2种影像的具体波段信息见表 1

表 1 Sentinel-2A与SPOT-7数据的波段与分辨率信息 Table 1 Spectral bands and resolution of Sentinel-2A and SPOT-7 sensors
波段
Band
Sentinel-2A 波段
Band
SPOT-7
波长/mm
Wavelength
分辨率/m
Resolution
波长/mm
Wavelength
分辨率/m
Resolution
蓝光Blue 458~523 10 蓝光Blue 455~525 6
绿光Green 543~578 10 绿光Green 530~590 6
红光Red 650~680 10 红光Red 625~695 6
近红外Near infrared 785~900 10 近红外Near infrared 760~890 6
1.3 野外验证数据

2017年4月28日对研究区进行野外调查, 野外GPS点的位置见图 1。最终确定了6种分类类型, 分别为小麦、油菜、林地、裸地、水体、居民地(表 2)。在野外GPS调查数据的基础上, 结合目视解译方法, 根据每种类型在区域内的比例来确定每种类型的样本数据, 获得了总计17 468个地面验证像素点。利用分层随机抽样方法选取样本集。首先, 将17 468个验证像素点按照分类类型分为6类(或层), 计算不同地物类型地面验证像素点占总体像素点的比例, 然后确定选取的样本集总数, 如表 2所示。6类共13 448个样本点, 根据获取的比例确定这些样本点中各种类型要抽取的样本数量。最后, 按照随机原则从17 468个验证像素点选取出各类型所需的样点数目。在获取的13 448个样本点中选取其中50%作为训练样本, 剩下的50%被用于评定分类精度。除了利用混淆矩阵评价分类结果以外, 本研究还进一步对Sentinel-2A数据和SPOT-7数据的最佳分类结果进行一致性分析, 以期能够更好地探索Sentinel-2A数据获取高精度作物分布信息的能力。

表 2 不同类型样本像素集 Table 2 Numbers of pixels for different classes
土地类别Land cover class 训练样本数Numbers of training pixels 验证样本数Number of validation pixels
油菜Rape 1 048 1 134
林地Forest 1 113 1 122
居民地Residence 1 137 1 173
水体Water 1 126 1 149
裸地Bare land 1 071 1 109
冬小麦Winter wheat 1 037 1 229
2 研究方法 2.1 纹理特征的选择

灰度共生矩阵是一种具有很好鉴别能力的图像纹理特征计算方法, 是一种公认、有效的纹理信息提取方法[22]。目前常用的纹理提取方法有平均值、方差、均一性、方差、相异性、熵、角二阶矩、灰度相关共8种, 如下所示。

方差(variance):

(1)

一致性(homogeneity):

(2)

对比度(contrast):

(3)

相异性(dissimilarity):

(4)

熵(entropy):

(5)

均值(mean):

(6)

角二阶矩(angular second moment):

(7)

灰度相关(correlation):

(8)

式中:n为灰度值的阶数; p(i, j)为n × n的归一化共生矩阵; up(i, j)的均值; sp(i, j)的方差。

2.1.1 纹理信息复合的最佳窗口确定

Zhang等[23]对SPOT-7数据在不同纹理特征组合下的分类精度进行了研究, 结果表明MEAN+ENT+ASM+COR+DIS的提取精度是所有组合中最高的。因此, 本文以该组合为基础, 分别提取SPOT和Sentinel-2A数据在7种不同窗口下的纹理信息, 利用支持向量机分类器对这7种不同窗口下的纹理组合进行分类, 通过分析不同窗口对纹理信息分类精度的影响, 从而确定最佳提取窗口。

2.1.2 最佳纹理信息与光谱信息复合组合的确定

加入有效纹理信息对研究结果至关重要[24]。提取SPOT-7数据和Sentinel-2A数据在各自最佳窗口下的8种纹理特征, 通过目视对比直接选出其中对油菜最为敏感的一种纹理特征。同时, 对这2种影像进行光谱特征主成分分析, 将分析取得的主成分变量与得到的1种最佳纹理特征进行叠加组合, 获取最佳纹理与光谱信息融合影像。

2.2 分类方法

支持向量机算法是通过解算最优化问题, 在高维特征空间中寻找最优分类超平面, 从而解决复杂数据的分类问题, 因此具有较高的分类准确性[25]。为探究不同特征向量组合提取油菜种植面积的潜力, 对比分析它们在支持向量机分类器下的油菜识别精度(表 3), 从而得到最佳特征向量组合。

表 3 不同特征向量组合 Table 3 Combination of different characteristic vector
序号
No.
组合方式缩写
Abbreviation forcombination way
特征向量组合方式Combination ways of different vector
1 2A 单时相Sentinel-2A光谱信息组合The combination of single Sentinel-2A spectral information
2 2AS 多时相Sentinel-2A光谱信息组合The combination of multi-temporal Sentinel-2A spectral information
3 2AS+M 多时相Sentinel-2A光谱信息与最佳纹理特征组合The combination of 2AS and optimal texture information
4 ZAS+E 多时相Sentinel-2A光谱信息与8种纹理特征组合The combination of 2AS and eight texture information
5 TS SPOT-7光谱信息组合The combination of SPOT-7 spectral information
6 TS+M SPOT-7光谱信息与最佳纹理特征组合The combination of TS and optimal texture information
7 TS+E SPOT-7光谱信息与8种纹理特征组合The combination of TS and eight texture information
Note:2A:One Sentinel-2A;T:One SPOT-7;S:Spectral; 2AS:Multi-temporal Sentinel-2A;M:Most; E:Eight. The same as follows.
3 结果与分析 3.1 不同尺度窗口下纹理特征组合分类精度分析

首先基于MEAN+ENT+ASM+COR+DIS组合选择最佳提取窗口。从表 4可以看出:随着窗口的增大, 多时相Sentinel-2A数据纹理信息组合分类精度逐渐减小, 即3 × 3窗口下Sentinel-2A数据的分类效果最好, 纹理信息提取效果最佳; 与Sentinel-2A数据相比, SPOT-7数据纹理信息组合在不同窗口下的变化趋势略有不同, 5 × 5窗口下获取的分类精度最高, 纹理信息提取效果最好。

表 4 不同窗口下纹理信息对Sentinel-2A与SPOT-7分类精度的影响 Table 4 Effects of windows size of texture information on classification accuracy for Sentinel-2A and SPOT-7
窗口大小
Windowssize
多时相Sentinel-2A数据
Multi-temporal Sentinel-2A data
SPOT-7数据
SPOT-7 data
总体精度/%
Overall accuracy
Kappa系数
Kappa coefficient
总体精度/%
Overall accuracy
Kappa系数
Kappa coefficient
3×3 74.9 0.65 77.8 0.71
5×5 73.6 0.63 80.9 0.75
7×7 72.4 0.60 79.1 0.72
9×9 70.0 0.57 76.7 0.69
11×11 65.4 0.52 68.9 0.61
13×13 62.3 0.48 65.3 0.56
15×15 61.1 0.43 65.9 0.54
3.2 最佳纹理信息与光谱信息组合的获取

在3 × 3和5 × 5窗口下分别提取油菜开花期内的Sentinel-2A和SPOT-7数据的均值、熵等纹理特征进行直接目视对比(图 2图 3)。图像灰度共生矩阵的均值反映纹理的规则程度。图像的纹理杂乱无章, 且难以描述的, 值较小; 图像规律性强, 且易描述的, 值较大。在Sentinel-2A和SPOT-7数据中, 油菜与周围的地物相比, 呈规则分布, 因此均值较高, 与其他地物差异明显。在其他纹理特征中, 油菜很难分离出来, 所以选定均值为油菜的最佳纹理特征, 与光谱信息进行组合。

图 2 Sentinel-2A纹理分析结果 Figure 2 The result of texture analysis of Sentinel-2A A.油菜Rape; B.均值Mean; C.变异性Variance; D.对比度Contrast; E.非相似性Dissimilarity; F.角二阶矩Angular second moment; G.熵Entropy; H.相关性Correlation; I.一致性Consistence.
图 3 SPOT-7纹理分析结果 Figure 3 The result of texture analysis of SPOT-7 A.油菜Rape; B.均值Mean; C.变异性Variance; D.对比度Contrast; E.非相似性Dissimilarity; F.角二阶矩Angular second moment; G.熵Entropy; H.相关性Correlation; I.一致性Consistence.
3.3 油菜分类精度评价 3.3.1 基于光谱信息组合油菜识别精度分析

在进行地物分类之前, 首先对2种影像中地物的光谱特征进行分析。图 4图 5为2017年4月2日的Sentinel-2A数据与3月31日的SPOT-7数据的光谱特征影像。图 4中蓝色部分为油菜, 与周围地物差异明显; 图 5中橙色油菜可以直接辨别出来。这是因为此时期为油菜的开花期, 它的光谱及背景特征与其他地物差异明显, 是提取油菜的“关键物候期”。

图 4 Sentinel-2A油菜光谱特征 Figure 4 Spectral characteristics of rape in Sentinel-2A image
图 5 SPOT-7油菜光谱特征 Figure 5 Spectral characteristics of rape in SPOT-7 image

表 5可见:2A特征组合下的油菜制图精度和用户精度分别为89.1%和92.1%, 与2AS组合的提取精度相比, 并无明显差异。这说明对于特定识别对象油菜, 一景开花期内的影像就可以将其与其他地物分离, 从而获得高精度的分布信息。另外, 在2AS组合中选取了4月三景时相相近的Sentinel-2A影像, 这是由于这3个时相油菜所处的生育期都不相同, 并且光谱特征也有差异, 进行组合以后不会产生冗余。与2A组合相比, 加入这几个影像虽然对油菜的提取精度并没有明显的影响, 但总体精度上升了6.68%。这说明与单时相影像相比, 多时相遥感影像能够获得更高的总体精度, 在一定程度上能够解决单时相影像中存在的“同物异谱”或“同谱异物”问题。基于SPOT-7数据TS特征组合提取的油菜制图精度和用户精度为92.2%和93.7%, 比2AS特征组合分别高出2.5%和2.4%。这是由于SPOT-7数据的空间分辨率更高, 对于一些细碎分布的油菜以及其他地物也能识别出来, 但SPOT-7数据的分类结果也存在错分、漏分现象。以上结果表明, 虽然Sentinel-2A影像的总体精度和油菜提取精度要低于SPOT-7影像, 但仅对于特定识别对象油菜来说, Sentinel-2A已经能够获取高精度的油菜分布信息。

表 5 不同特征向量组合油菜分类精度 Table 5 Classification accuracy of rape with different characteristic vector
特征向量组合
Variable set
总体精度/%
Overall accuracy
制图精度/%
Producer’s accuracy
用户精度/%
User’s accuracy
Kappa系数
Kappa coefficient
2A 78.21 89.1 92.1 0.69
2AS 84.89 89.7 91.3 0.79
2AS+M 85.75 92.6 93.8 0.81
2AS+E 89.45 90.8 91.9 0.85
TS 90.25 92.2 93.7 0.88
TS+M 90.90 94.3 95.9 0.90
TS+E 92.67 93.1 94.2 0.91
3.3.2 加入油菜最佳纹理特征后油菜识别精度分析

2AS+M特征组合分类获得的油菜制图精度与用户精度为92.6%和93.8%, 与仅利用光谱信息的2AS特征组合相比, 制图精度和用户精度分别提高了2.9%和2.5%。这说明在光谱信息的基础上加入油菜最佳纹理特征能够提高分类精度。2AS+M特征组合的总体精度与Kappa系数只有85.75%和0.81。这是因为只选择对油菜敏感的均值纹理特征, 而对其他地物如居民地、裸地等的纹理特征并未进行研究, 所以与2AS特征组合相比, 总体精度只提高了0.86%, 差异并不显著。在TS特征组合基础上加入均值纹理信息后, 油菜的制图精度和用户精度提高了2.1%和2.2%, 再一次验证了加入最佳纹理特征能够提高油菜的提取精度。此外, 2AS+M特征组合油菜的制图精度与用户精度比TS+M组合减少了1.7%和2.1%, 小于2AS和TS特征组合的制图精度与用户精度之间的差值, 即2组数据的油菜提取精度差距进一步缩小。这说明加入最佳纹理特征后, 多时相Sentinel-2A与SPOT-7数据的油菜提取精度更加接近, 多时相Sentinel-2A数据也可以获得与SPOT-7数据同样高精度的油菜分布信息。

3.3.3 加入8种纹理特征后油菜识别精度分析

对比分析引入8种纹理特征前后油菜识别精度分析结果表明:2AS+E特征组合的总体精度比2AS+M高3.7%。这是因为加入多种纹理信息后, 其他地物如居民地、裸地等的分类精度显著提高。这也表明复合多种纹理特征组合的总体精度要高于单纹理特征组合。油菜的制图精度和用户精度分别下降了1.8%和1.9%, 表明多纹理信息组合并不能提高油菜的识别精度。TS+E特征组合的总体精度和Kappa系数与TS+M组合相比也有所提高, 但油菜的制图精度与用户精度分别下降了1.2%和1.7%。这说明对于特定识别对象油菜, 只需加入对其最为敏感的均值纹理特征就能够获得最高的提取精度。此外, 2种影像之间总体精度的差值也进一步减小, 这说明多时相Sentinel-2A影像也可以获得高精度的土地利用信息。从表 5还可以看出:在2AS特征向量组合的基础上, 加入8种纹理信息后, 能够显著提高总体精度。这是因为加入纹理信息后, 不同地物之间的错分现象明显减少, 多种纹理信息组合能够较好地解决“同物异谱”和“同谱异物”现象。

3.3.4 Sentinel-2A和SPOT-7数据比较分析

图 6图 7可知:将SPOT-7影像的最优分类结果图(TS+M)重采样到空间分辨率为10 m的图像, 与Sentinel-2A最佳分类结果进行对比分析, 油菜一致性精度为93.3%, Kappa系数达到了0.89。这表明Sentinel-2A数据的提取结果与SPOT-7数据的结果相似度很高, 也说明了Sentinel-2A数据也可以同SPOT-7数据一样获得种植结构复杂地区高精度的油菜分布信息。

图 6 Sentinel-2A油菜最优分类结果 Figure 6 The optimal classification result of rape in Sentinel-2A data
图 7 SPOT-7油菜最优分类结果 Figure 7 The optimal classification result of rape in SPOT-7 data
4 结论与讨论

纹理信息的选择对分类精度有很大的影响。Zhang等[23]对各种纹理信息进行不同组合的研究结果表明, 3~4种纹理信息组合的效果相对较好。本文只选择了其中1种对油菜最敏感的纹理特征信息, 这是因为组合各种纹理进行分类的方法需要进行反复的试验求证, 费时费力, 这与Shaban等[24]的研究结论相同。姜青香等[26]直接利用对菜地敏感的熵值进行地物分类, 成功区分了菜地与耕地; 朱秀芳等[27]在冬小麦面积测量中, 选择了与冬小麦密切相关的纹理信息, 获得了更高的小麦提取精度。本研究在油菜识别过程中选择了对油菜最敏感的均值特征, 最终获得了高精度的油菜分布信息, 这说明在进行农作物识别研究时, 应选择与识别对象密切相关的纹理特征。

胡琼等[7]曾在研究中指出农作物的种植结构信息仅利用单期或少数几期影像就可以成功获取。该方法的重点是寻找待分农作物的光谱特征与背景光谱特征具有最大差异的特定时期, 也就是作物的“关键物候期”。Mathur等[28]就曾利用一期IRS-1D影像的光谱特征成功分离出旁遮普区域的棉花和水稻。本文选取的3月31日与4月2日的影像刚好就在油菜的关键物候期——开花期内, 因此取得了较高的精度。Skakun等[29]曾在研究中指出当一种作物的制图精度和用户精度都大于85%时, 一般可认为这种分类是可靠的。而2A特征组合下油菜的制图精度和用户精度分别为89.1%和92.1%, 且在使用多时相影像后, 油菜的提取精度并无明显提升, 这说明对于特定识别对象油菜, 利用一景开花期的影像就可以获得较高精度、可靠的作物分布信息。此外, 游炯等[20]利用GF-1光谱信息提取的冬小麦制图精度和用户精度分别为81.12%和86.50%, 都明显低于本研究的油菜制图精度和用户精度, 这进一步证明Sentinel-2A具有获取高精度、可靠油菜面积提取的潜力。

在2AS组合的基础上, 加入最佳纹理信息后, 油菜的制图精度和用户精度分别提高了2.9%和2.5%, 表明最佳纹理信息能够提高特定识别对象的分类精度。王文静等[19]利用Landsat-8数据提取棉花分布信息, 结果表明加入纹理信息后可以提高棉花分类精度。此外, 2种数据的油菜提取精度差距进一步缩小, 这更说明了多时相Sentinel-2A数据也可以获得与SPOT-7数据同样高精度的油菜分布信息。并且, 本文是在种植结构复杂的地区提取油菜, 若面向结构较为简单的地区, Sentinel-2A必然能够获取更高精度的油菜分布信息。

加入8种纹理信息后, 多时相Sentinel-2A和SPOT数据的油菜制图精度和用户精度都有所下降, 但总体精度都有较大提高。这说明复合多种纹理特征虽然能提高总体精度, 降低无关信息的影响, 提升地物识别的图像环境, 但是过多的信息会使图像的不确定性和模糊性增加[29]。此外, 2种影像的总体精度差距也在逐渐减小, 表明多时相Sentinel-2A也可以获得较高精度的土地利用信息。

将2种数据的油菜最佳分类结果进行对比分析, 一致性精度和Kappa系数分别为93.3%和0.89, 这证明了Sentinel-2A具有获得高精度油菜分布信息的能力。Sentinel-2A与15 m分辨率的Landsat7 ETM+数据相比, 具有更高的空间分辨率, 并且一致性精度和Kappa系数更高。Labib等[11]的研究也表明了Sentinel-2A数据要优于Landsat系列数据。与其他油菜面积提取研究相比, 本研究利用2AS+M的油菜提取精度有较大的提高。王凯等[1]利用MODIS数据提取湖北省油菜种植分布信息, 油菜的总体精度只在85%左右。本研究利用多时相Sentinel-2A数据的光谱信息与纹理信息组合进行分类, 因此能够很好地避免“同物异谱”或“同谱异物”现象的发生, 并且Sentinel-2A数据的分辨率也更高, 从而提高了分类精度。

本研究中, Sentinel-2A的油菜提取精度低于SPOT-7数据的提取精度, 这是由于高淳地区种植结构复杂造成的。野外调查中, 一些油菜、小麦直接分布在路边或田埂上。若在种植结构单一地区, 两者的提取精度会更加接近或相同。高分辨率的遥感影像能获取高精度的作物分布信息, 但是否为了提高1%~2%的精度而增加影像的获取成本仍需要进一步讨论。若仅获取一景或少数几景影像, 成本还能接受; 若需要多景遥感影像来获得小尺度区域高精度的作物分布信息, 那么影像获取的成本将难以估算。因此, 本研究结果可以为Sentinel-2A数据在小尺度区域农作物识别方面的广泛应用提供理论基础。

此外, 作为新一代免费光学卫星, Sentinel-2A还增加了红边波段, 该波段能够很好地表征一些有特殊光谱的植物, 因为这些植物在可见光近红外波段下难以表征[10]。在本研究中, 油菜的光谱特征在可见光近红外波段下与其他植被如林地、小麦等差异明显, 并且红边波段对大气条件以及天气环境有很高的要求, 所以未使用红边波段进行分类。下一步的研究重点可能会利用红边波段对可见光近红外波段下难以表征的植物进行分类识别。随着光学卫星技术的不断发展, 获取高精度、实时的农作物种植面积将是未来重要的研究趋势。

参考文献(References)
[1] 王凯, 张佳华. 基于MODIS数据的湖北省油菜种植分布信息提取[J]. 国土资源遥感, 2015, 27(3): 65-70.
Wang K, Zhang J H. Extraction of rape seed cropping distribution information in Hubei Province based on MODIS images[J]. Remote Sensing for Land and Resources, 2015, 27(3): 65-70. DOI: 10.6046/gtzyyg.2015.03.12 (in Chinese with English abstract)
[2] 李瑶, 张立福, 黄长平, 等. 基于MODIS植被指数时间谱的太湖2001年-2013年蓝藻爆发监测[J]. 光谱学与光谱分析, 2016, 36(5): 1406-1411.
Li Y, Zhang L F, Huang C P, et al. Monitor of cyanobacteria bloom in lake taihu from 2001 to 2013 based on modis temporal spectral data[J]. Spectroscopy and Spectral Analysis, 2016, 36(5): 1406-1411. (in Chinese with English abstract)
[3] 周涛, 潘剑君, 韩涛, 等. 基于多时相合成孔径雷达和光学影像数据的冬小麦种植面积提取[J]. 农业工程学报, 2017, 33(10): 215-221.
Zhou T, Pan J J, Han T, et al. Combined use of multi-temporal optical and synthetic aperture radar(SAR)imagery for winter wheat mapping in southern China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(10): 215-221. DOI: 10.11975/j.issn.1002-6819.2017.10.028 (in Chinese with English abstract)
[4] 杨红卫, 童小华. 中高分辨率影像在农业中的应用现状[J]. 农业工程学报, 2012, 28(24): 138-149.
Yang H W, Tong X H. Application status of middle and high resolution remote sensing images in agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(24): 138-149. (in Chinese with English abstract)
[5] 吴炳方, 许文波, 孙明, 等. 高精度作物分布图制作[J]. 遥感学报, 2004, 8(6): 688-695.
Wu B F, Xu W B, Sun M, et al. QuickBird imagery for crop pattern mapping[J]. Journal of Remote Sensing, 2004, 8(6): 688-695. DOI: 10.11834/jrs.20040620 (in Chinese with English abstract)
[6] 陈君颖, 田庆久. 高分辨率遥感植被分类研究[J]. 遥感学报, 2007, 11(2): 221-227.
Chen J Y, Tian Q J. Vegetation classification based on high-resolution satellite image[J]. Journal of Remote Sensing, 2007, 11(2): 221-227. DOI: 10.11834/jrs.20070230 (in Chinese with English abstract)
[7] 胡琼, 吴文斌, 宋茜, 等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学, 2015, 48(10): 1900-1914.
Hu Q, Wu W B, Song Q, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10): 1900-1914. DOI: 10.3864/j.issn.0578-1752.2015.10.004 (in Chinese with English abstract)
[8] Clement A, Felix R. Mapping the spatial distribution of winter crops at sub-pixel level using AVHRR NDVI time series and neural nets[J]. Remote Sensing, 2013, 5: 1335-1354. DOI: 10.3390/rs5031335
[9] Drusch M, Bello U D, Carlier S, et al. Sentinel-2:ESA's optical high-resolution mission for GMES operational services[J]. Remote Sensing of Environment, 2012, 120: 25-36. DOI: 10.1016/j.rse.2011.11.026
[10] 苏伟, 张明政, 蒋坤萍, 等. Sentinal-2卫星影像的大气校正方法研究[J]. 光学学报, 2018, 38(1): 0128001.
Su W, Zhang M Z, Jiang K P, et al. Study on atmospheric correction method of Sentinel-2 image[J]. Acta Optica Sinica, 2018, 38(1): 0128001. (in Chinese with English abstract)
[11] Labib S M, Harris A. The potential of Sentinel-2A and Landsat-8 data in green infrastructure extraction, using object based image analysis(OBIA)method[J]. European Journal of Remote Sensing, 2018, 51(1): 231-240. DOI: 10.1080/22797254.2017.1419441
[12] 郑阳, 吴炳方, 张淼. Sentinel-2数据的冬小麦地上干生物量估算及评价[J]. 遥感学报, 2017, 21(2): 318-328.
Zheng Y, Wu B F, Zhang M. Estimating the above ground biomass of winter wheat using the Sentinel-2 data[J]. Journal of Remote Sensing, 2017, 21(2): 318-328. (in Chinese with English abstract)
[13] Nicoleta I, Florian S, Iustina L. Analysis of land cover and land use changes using Sentinel-2 images[J]. Present Environment and Sustainable Development, 2016, 10(2): 161-172.
[14] Giorgos M, Ioannis M, Irene C. Evaluating and comparing Sentinel-2A and Landsat-8 operational land imager(OLI)spectral indices for estimating fire severity in a mediterranean pine ecosystem of Greece[J]. GIScience and Remote Sensing, 2018, 55(1): 1-18. DOI: 10.1080/15481603.2017.1354803
[15] Lauri K, Ha di, Petteri P, et al. Comparison of Sentinel-2 and Landsat8 in the estimation of boreal forest canopy cover and leaf area index[J]. Remote Sensing of Environment, 2017, 195: 259-274. DOI: 10.1016/j.rse.2017.03.021
[16] 何灵敏, 沈掌泉, 孔繁胜, 等. SVM在多源遥感影像分类中的应用研究[J]. 中国图像图形学报, 2007, 12(4): 648-654.
He L M, Shen Z Q, Kong F S, et al. Study on multi-source remote sensing images classification with SVM[J]. Journal of Image and Graphics, 2007, 12(4): 648-654. (in Chinese with English abstract)
[17] 骆剑承, 周成虎, 梁怡, 等. 支撑向量机及其遥感影像空间特征提取和分类的应用研究[J]. 遥感学报, 2002, 6(1): 50-55.
Luo J C, Zhou C H, Liang Y, et al. Support vector machine for spatial feature extraction and classification of remotely sensed imagery[J]. Journal of Remote Sensing, 2002, 6(1): 50-55. DOI: 10.11834/jrs.20020110 (in Chinese with English abstract)
[18] Huang C, Davis L S, Townshend J R G. An assessment of support vector machines for land cover classification[J]. International Journal of Remote Sensing, 2002, 23(4): 725-749. DOI: 10.1080/01431160110040323
[19] 王文静, 张霞, 赵银娣, 等. 综合多特征的Landsat8时序遥感图像棉花分类方法[J]. 遥感学报, 2017, 21(1): 115-124.
Wang W J, Zhang X, Zhao Y D, et al. Cotton extraction method of integrated multi-features based on multi-temporal Landsat8 images[J]. Journal of Remote Sensing, 2017, 21(1): 115-124. (in Chinese with English abstract)
[20] 游炯, 裴志远, 王飞. 基于改进多元纹理模型和GF-1影像的县域冬小麦面积提取[J]. 农业工程学报, 2016, 32(13): 131-139.
You J, Pei Z Y, Wang F. Area extraction of winter wheat at county scale based on modified multivariate texture and GF-1 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(13): 131-139. DOI: 10.11975/j.issn.1002-6819.2016.13.019 (in Chinese with English abstract)
[21] Liu Q X, Trinder J, Turner L. A comparison of sub-pixel mapping methods for coastal areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 3(7): 67-74.
[22] Haralick R M. Statistical and structural approaches to textures[J]. Proceedings of IEEE, 1979, 67: 786-804. DOI: 10.1109/PROC.1979.11328
[23] Zhang Q, Wang J, Gong P, et al. Study of urban spatial patterns from SPOT panchromatic using textural analysis[J]. International Journal of Remote Sensing, 2003, 24(21): 4137-4160. DOI: 10.1080/0143116031000070445
[24] Shaban M A, Dikshit O. Improvement of classification in urban areas by the use of textural features:the case study in Lucknow City, Uttar Pradesh[J]. International Journal of Remote Sensing, 2001, 22: 565-593. DOI: 10.1080/01431160050505865
[25] 邓树斌. ENVI遥感影像处理方法[M]. 北京: 高等教育出版社, 2014.
Deng S B. The Processing Method of Remote Sensing Images in ENVI[M]. Beijing: Higher Education Press, 2014. (in Chinese with English abstract)
[26] 姜青香, 刘慧平. 利用纹理分析方法提取TM图像信息[J]. 遥感学报, 2004, 8(5): 458-463.
Jiang Q X, Liu H P. Extraction TM image information using texture analysis[J]. Journal of Remote Sensing, 2004, 8(5): 458-463. DOI: 10.11834/jrs.20040512 (in Chinese with English abstract)
[27] 朱秀芳, 贾斌, 潘耀忠, 等. 不同特征信息对TM尺度冬小麦面积测量精度影响研究[J]. 农业工程学报, 2007, 23(9): 122-129.
Zhu X F, Jia B, Pan Y Z, et al. Effects of various feature information on the accuracy of winter wheat planting area measurement[J]. Transactions of the Chinese Society of Agricultural Engineering, 2007, 23(9): 122-129. (in Chinese with English abstract)
[28] Mathur A, Foody G M. Crop classification by support vector machine with intelligently selected training data for an operational application[J]. International Journal of Remote Sensing, 2008, 29(8): 2227-2240. DOI: 10.1080/01431160701395203
[29] Skakun S, Kuaaul N, Shelestov A Y, et al. Efficiency assessment of multi-temporal C-Bang Radarsat-2 intensity and Landsat-8 surface reflectance satellite imagery for crop classification in Ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 9(8): 1-8.