高光谱遥感技术助力农作物精细分类
在之前的《【行业专题】新疆到底种了多少棉花？遥感技术告诉你》，我们探讨了如何利用高光谱遥感影像数据估算农作物面积。文中提到，高光谱遥感技术可以客观、准确、及时地提供农作物生态环境和作物生长的各种信息，它是精确农业获得田间数据的重要来源。本期案例，我们就来探讨一下，如何利用高光谱遥感影像数据进行农作物精细分类。
农作物精细分类对于农作物长势监测、产量预估、灾害评估、保障国家粮食安全具有重要意义。同时也是农业生产过程中合理分配资源、精准施肥的重要依据。随着空间技术的发展，利用高光谱遥感卫星实时对地观测，通过分析高光谱遥感影像数据进行农作物精细分类逐渐成为一种主流方式。
本次的案例我们采用“珠海一号”高光谱卫星OHS-2（贵阳一号）的影像——河北雄安新区，作为实验区域。高光谱遥感影像数据经过辐射定标，并在定标结果的基础上进行了FLAASH大气校正。为了实验的准确性，我们还对研究区域进行实地调查，调查样点如图1所示。
图为“珠海一号”卫星星座传回的卫星图片：河北雄安新区
图（1）
去云处理
从图1的“珠海一号”高光谱遥感卫星影像中可以看到，研究区域的东南区域存在部分云量，在分类之前需要先将云掩膜去除。云的光谱特征曲线如图2所示，云的反射率在480nm~866nm之间具有较高的值，而在红光范围内640nm附近处于相对较低的反射率。根据这一特点，将云提取出来。结果如图3所示。
图（2）
图（3）
分类过程
我们将实地提取的农作物进行分析得出平均光谱，如下图所示，将农作物分为玉米、红薯、大豆、花生、蔬菜、草地、林地、其他植被和非植被（水体、建筑、裸地和道路）。
影像中不同地物的光谱特征曲线
图（4）
分析方法
（1）首先利用归一化植被指数NDVI，进行区分遥感影像中的植被与非植被。
计算公式：
NDVI=(NIR-RED)/(NIR+RED)
NIR为地物在近红外波段的反射值，RED为地物在红光波段的反射值。
-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；NDVI=0表示有岩石或裸土等，NIR和RED近似相等；NDVI为正值，表示有植被覆盖，且随覆盖度增大而增大；
（2）根据图（4）各地物光谱以及NDVI特征构建分类决策树进行农作物分类，决策树如下图（5）所示：
图（5）
通过图（5）的分类决策树进行分类法得到图（6）的分类结果。
分类精度评价
实验利用“珠海一号”高光谱遥感卫星影像数据，结合实地调查样点，基于决策树分类方法，对研究区土地覆盖类型进行分类，利用验证样点基于混淆矩阵并利用实测点对分类结果进行精度验证Kappa系数为0.95，总体精度达95.94%，精度评价结果如下表1所示，其中花生、玉米、大豆、红薯、蔬菜具有较高的分类精度，花生和玉米存在小部分混分，由于遥感影像不可避免会存在“同谱异物”现象，导致蔬菜和其他植被存在混分现象。
表1 分类结果精度验证（%）
农作物面积统计
根据分类结果对研究区农作物面积进行统计，利用像元数乘以单位像元面积（“珠海一号”高光谱卫星分辨率为10米），即乘以10米×10米。
表2 研究区农作物面积统计
从表2可以看出，研究区中玉米面积占农作物比例最大，达到65.89%，面积为997.64km²。而蔬菜面积所占比例最小，为2.53%，面积为38.32km²。
结语：随着国家空间基础设施建设的完善和物联网、互联网＋、大数据、人工智能等技术的发展，以及精准农业和智慧农业发展的需求，农业高光谱遥感技术将会得到更广泛地应用。
转自：珠海欧比特