TM影像中基于光谱特征的棉花识别模型

第20卷第4期2004年7月农业工程学报
Tr ansactions of the CSAE V ol.20　N o.4July 2004
TM 影像中基于光谱特征的棉花识别模型
曹卫彬1,杨邦杰2※,宋金鹏1
(1.石河子大学机械电气工程学院,新疆石河子832003;　2.中国农业工程研究设计院,北京100026)
摘　要:为快速、准确地在遥感图像上从各种农作物中识别提取棉花作物的信息,满足大尺度、运行化棉花遥感监测系统的要求。

作者在试验区的棉花主要生长期里,同期进行了棉花与其它主要农作物的地面光谱测量并采集了同期的Landsa t T M 图像。

通过对各时期棉花及主要农作物的地面测量光谱与TM 图像光谱特征的差异性及规律性分析,确定了试验区棉花遥感识别的最佳时相期为9月中下旬,研究开发了基于光谱特征的棉花识别模型。

经数学分析与实际应用验证,该模型简单、操作方便并且识别的准确度较高,适用于大尺度的“新疆棉花遥感监测运行系统”。

关键词:T M 图像;棉花识别模型;光谱特征;遥感
中图分类号:S127;T P391.41 文献标识码:A 文章编号:1002-6819(2004)04-0112-05
收稿日期:2004-03-17　修订日期:2004-06-14
基金项目:农业部“全国棉花遥感监测运行系统”项目资助
作者简介:曹卫彬,工学博士,教授,副院长,新疆石河子市北四路　
石河子大学机械电气工程学院,832003。

Email :w bc 828@ 通讯作者:杨邦杰,工学博士,研究员,副院长,总工程师,北京市朝阳区麦子店街41号　中国农业工程研究设计院,100026。

Email
:bjyang @agri .gov .cn 0　引　言
在遥感图像上利用光谱特征进行地物识别是一种普遍而有效的方法。

美国耶鲁大学的Prasad S .Thenkabail 探索建立高光谱最佳窄波段来识别小麦、大麦、鹰嘴豆、小扁豆、野豌豆与孜然芹6种农作物并提高了识别率,由原来的6个最佳窄波段的73%的识别率提高到84%。

再由12个最佳窄波段上升到稳定的30个窄波段,其识别率也提高到94%
[1]。

日本学者T .M URAKAM I 等利用9景SPO T /HRV 影像图对日本佐贺平原的作物识别进行了评估,用每年一次的N DV I 剖面图表示水稻、大豆、睡莲与灯心草作物的季节趋势的特征。

作物的可分性分析表明,最佳的遥感图像组合可获得作物分类的最高准确度[2]。

另外,其他国外学者也提出了多种遥感图像地物识别的方法
[3-7]。

国内杨存建等从居民地的遥感机理分析入手,分析了居民地在La ndsat TM2、TM 3、TM4、TM 5和TM 7等各个波段上与其它地类的可分性,从TM 影像中提取居民地信息[8]。

刘建波等利用密度分割法从TM 图像中提取水体的分布范围[9];李祚泳等提出了从地物TM 影像中分辨出地物的一般原则,并采用遗传算法,根据不同地物与函数值分布范围的对应关系,对TM 影像图中的不同地物进行识别
[10]。

另外,国内学者对各种农
作物的冠层与群体的光谱特征有许多研究[11-13]。

以上研究大多数是在地物的一级分类识别上进行光谱特征的研究,对各种农作物间的遥感二级分类识别,即从作物图像上识别不同的作物,尤其棉花的遥感识别研究与应用并不多。

在农作物遥感监测中,从遥感影像图中正确识别目标作物是非常关键的一个环节。

目
前,中国在农作物的大尺度遥感监测运行系统中,小麦、玉米和水稻的识别技术较为成熟,但棉花的识别技术还有待提高和完善。

在棉花遥感监测中,尤其在大尺度的
棉花遥感监测运行系统中,建立一种操作简单、准确度较高的农作物识别方法或模型是非常重要的。

新疆是中国的重要棉花产区,本研究的目的是:通过试验区棉花与其它主要农作物多时相的地面光谱测定,结合TM 影像光谱数据,分析研究试验区棉花与其它主要农作物在多时相中的光谱特征,确定棉花遥感识别的最佳时相期,建立快速、准确的遥感图像棉花识别模型,并应用于大尺度的新疆棉花遥感监测运行系统中。

1　试验区选择与农作物光谱测定
1.1　试验区选择
试验区位于新疆石河子市附近,近年来,石河子垦区每年棉花种植面积超过10万hm 2,已成为新疆主要的植棉区。

石河子垦区位于北疆棉区的中部,从地理位置、气候条件、棉花种植品种与棉花种植比例在北疆棉区都具有代表性。

1.2　棉花及农作物的同期地面光谱测定
对农作物进行地面光谱测定,能不受大气等的影响,可较真实地反映农作物的光谱特征。

对棉花遥感最佳时相的选择、在遥感图像上从各种农作物中正确识别棉花具有指导性与标准性的作用。

石河子垦区种植的主要农作物有棉花、玉米、小麦、番茄,而其它粮食作物、油料作物与瓜果等比例很小。

农作物地面光谱测定,应根据各种农作物的物候历选择恰当的期间进行。

根据石河子垦区主要农作物物候历(见表1)与实地调查的分析,在6月中旬以前除小麦外各种作物基本都处于苗期没有封陇,在此期间进行作物光谱测定会受到土壤的干扰,不能正确反映作物冠层的光谱特征;9月下旬后除棉花外其它作物基本都已基本成熟,再进行棉花光谱测定已失去与其它作物比较的意义。

为此,农作物光谱的测定选择在6月底至9月中旬这段时间内进行。

另外,冬小麦在6月底已进入成熟期,
112
失去比较的意义,在此不进行其光谱测定。

为与过境遥感卫星时间相一致,在天气允许的情况下,每隔15d 左
右进行一次作物光谱测定。

表1　石河子垦区主要作物物候历
Table 1　M ain c rops ca lenda r in Shihe zi,Xinjiang Reg io
n
1.3　测量仪器选择与测量方法
测量仪器选择美国ASD 公司FieldSpec Hand Held 手持便携式光谱分析仪。

主要技术指标为,波长范围:
300～1100nm ;光谱采样间隔:1.6nm ;灵敏度线性:±1%。

测量仪器数据选择:起始波长,325nm;终止波长,1075nm;波长步长,1nm;光谱分辨率,5nm 。

测试方法:选择晴朗、无云、无风之日,在上午11:30～14:30(北京时间)进行测量,每种作物光谱测量前,先对准标准参考板进行定标校准;为使所测数据能与卫星传感器所获得的数据进行比较,测量仪器均垂直向下距农作物冠层1m 进行测量。

测量时作物状况:测量时,选择在单一作物的大田里进行,面积都在20hm 2
左右,测量点距地边20m 以上,各种作物生长茂盛、状态良好。

除9月的番茄由于近枯萎冠层不能完全遮盖土壤外,各种作物在所有被测时间里形成的冠层均能完全遮盖土壤。

2　作物光谱测定数据处理与分析
2.1　农作物光谱测定数据处理与结果
为便于比较分析,使农作物地面光谱测量数据与遥
感图像光谱波段数据具有可比性的关系,在此将作物光谱测量数据按TM 遥感图像的光谱波段进行处理。

测量结果原始曲线如图1所示,按TM 遥感图1～4波段处理后的结果曲线如图2所示。

图1　农作物地面测量光谱曲线图Fig.1　Spectr al reflec ta nce curv es for different
cro ps measured in
field
图2　农作物地面测量光谱波段曲线图
Fig.2　Spec tral ba nd curv es fo r cr ops measured in field
2.2　最佳时相确定
各种农作物的光谱反射率曲线一方面反映了它们对太阳光从可见光到近红外区间各波段的反射强度,另外也反映出各种作物由于内部组织结构、冠层结构的不同在各波段反射光谱结构的差异性,如图3所示。

由于所占篇幅原因,在此每月仅列出1次农作物光谱测量结果曲线图。

通过对棉花和其它主要农作物的反射光谱分析可看出,在可见光波段内(前3个波段)棉花与其它作物的反射率差别较小,但在近红外波段(第4波段)差别就变得比较明显。

从4
个月的农作物光谱测量曲线分析
图3　地面测量农作物的1-4波段光谱曲线图(2003)
Fig .3
　The 1-4band spec tral curv es fo r c rops measured in field in 2003
113
　第4期曹卫彬等:TM 影像中基于光谱特征的棉花识别模型
看出,9月份棉花与其它作物的反射率在各波段的差异较大,尤其在第4波段,其次在6月份,7月、8月差异性都较小。

光谱反射率差异大,也说明在TM遥感图像上容易将棉花从其它作物中识别,反之就难以识别。

由此说明在9月中旬到下旬为棉花遥感识别最佳时相期,次佳时相期为6月中下旬,从石河子垦区农作物物候历也可证明这一点。

2.3　遥感图像农作物光谱数据分析
本研究最终目标是确定棉花遥感识别最佳时相与建立棉花遥感识别方法,必须分析研究遥感图像上棉花与其它主要农作物的光谱在各时相期的变化规律与差异性。

为此作者分别在6～9月各订购一幅T M图像,其过境时间为:6月26日、7月16日、8月17日、9月14日,时间上与地面光谱测定基本一致,并对这4幅图像进行了辐射校正、几何精校正与大气校正。

通过对4幅遥感图像上的棉花与其它主要农作物4个时相期的光谱数据曲线(见图4)特征分析可看出,在各时相期的变化规律与差异性与地面测量结果基本一致。

同样得出9月份棉花与其它主要作物的反射率在各波段的差异较大,其次在6月份,7月、8月差异性都较小,即在9月中旬到下旬为棉花遥感识别最佳时相期,次佳时相期为6月中下旬。

从农作物的地面光谱特征与遥感图像光谱特征分析得出:石河子垦区棉花遥感识别的最佳时相期为9月中下旬,次佳时相期为6月中下旬。

3　棉花遥感识别模型的建立
3.1　棉花及其它主要农作物的光谱均值特征分析
为分析棉花与其它主要农作物在光谱特征上差别的规律性,对各种农作物在最佳时相的TM图像上进行采样。

对所有采样数据在T M的6个波段上进行均值、最小值、最大值的统计计算,其平均值结果如表2所示,利用这些数据做出农作物光谱曲线图(图5所示)。

图4　T M图像1-4波段农作物光谱曲线图(2003) Fig.4　T M1-T M4curv es for cro ps in a T M
ima ge o btained in
2003
图5　棉花及主要农作物T M图像的光谱均值曲线图Fig.5　Spectr al curv es fo r cot ton and
main cro ps in a T M imag e
表2　棉花及主要农作物采样光谱的平均值
T able2　Sample spec tral av e rag e v alues fo r co tto n and main cro ps
农作物TM1TM2TM3TM4TM5TM7样本数棉　花0.0017530.0416510.0482270.4098690.1802180.08754370番　茄0.0240180.0731340.1002670.2600450.229480.18132870玉　米0.005990.0507780.0660820.2677980.1909210.12060270
根据表2与图5的数据结果,在各个波段上对农作物进行排序,以分析农作物之间在各波段上的光谱差异。

在TM1上,番茄>玉米>棉花,棉花与玉米容易混淆。

在TM2上,番茄>玉米>棉花,棉花与玉米容易混淆。

在TM3上,番茄>玉米>棉花,棉花与玉米容易混淆。

在TM4上,棉花>玉米>番茄,番茄与玉米容易混淆。

在TM5上,番茄>玉米>棉花,棉花与玉米容易混淆。

在TM7上,番茄>玉米>棉花,棉花与玉米容易混淆。

棉花与其它作物差异最大的波段是在TM4上,在其它波段上都容易与其它农作物混淆。

3.2　基于光谱知识的棉花识别模型的建立
不同植被的反射率光谱特征在可见光波段内差别很小,但到了近红外和中红外波段,就变得比较明显[14]。

TM4波段位于植物的高反射区,光谱特征受植物细胞结构控制,反映大量植物信息,可用于植物识别分类等方面[15]。

通过对TM图像的棉花与其它农作物的光谱特征分析研究发现,明显的差异主要集中在TM4波段上,棉花在TM4的光谱反射率值明显高于其它农作物,即棉花光谱反射率具有在TM4最大的特征。

另外,棉花、玉米等农作物在可见光波段的反射率呈高度相关,在可见光波段之间的线性组合或非线性组合不会带来更多的信息,农作物的遥感信息主要蕴藏在可见光波段与近红外波段之间的对比、组合及复配的综合
114农业工程学报2004年　
模型及其动态变化之中[16]。

根据以上理论分析和棉花等主要农作物的遥感图像光谱特征,在此建立基于光谱知识的棉花识别模型为:
TM4>K1
TM4/TM3>K2
(1)
其中K1取TM4抽样样本中最小值,K2取样本中TM4最小值与同一像元中的TM3的比值。

在此模型中,如果第一式TM4大于K1,那么,该像元就为棉花,第二式TM4/TM3大于K2,则该像元就为棉花。

采用该模型可减少其它农作物误判为棉花的错误,提高棉花识别的精度。

3.3　棉花识别模型的验证
3.3.1　统计参数假设检验法验证
由于篇幅所限,在此以棉花与番茄的第一表达式为例说明。

随机在TM图像上抽取TM4波段棉花与番茄各100个的数据,数据如下:
棉花:样本数n1=100,平均值x1=0.408982,方差e21=0.029846
番茄:样本数n2=100,平均值x2=0.261096,方差e22=0.010439。

设试验区棉花与番茄的TM4波段反射率值总体服从正态分布,显著水平为:T=0.01,用z检验法。

H0:_1-_2=0
H1:_1-_1≠0
由于T=0.01,|z T
2
|=|z0.005|= 1.84,而
　|z|(x1-x2)-(_1-_
2)
e21
n1
+
e22
n2
=7.368> 1.84(2)
故拒绝H0,棉花与番茄在TM4的光谱反射率存在显著性差异。

同理可证明棉花与玉米存在显著性差异,即棉花容易从其它作物中识别。

3.3.2　实际应用检验法验证
利用该模型对石河子垦区2003年9月14日的Landsa t-7TM影像图进行棉花识别验证,取K1为0.36096(棉花TM4样本中最小值),或K2为6.48(棉花TM4样本中最小值与同一像元的TM3的比值),共随机取各种已知作物像元点100个。

其中,棉花为75个点,判对72个;其它作物为25个点,判对24个点。

验证判对率为96%,说明棉花识别正确率较高。

第一式使用方便,但不如第二式准确率高,当两式结合使用则可使判对率大幅提高。

若结合空间关系的知识可进一步提高识别精度,例如,被识别区域虽然符合本模型的判别条件,但区域内图像呈现明暗不均匀的特点时,被识别的地物可能是果园、林带或林区。

4　结　论
1)利用地面农作物光谱测量数据结合多时相遥感图像光谱数据可准确确定棉花遥感识别最佳时相期。

2)在棉花识别最佳遥感图像上,利用光谱知识可建立棉花识别模型。

所建立的模型经验证,棉花识别提取具有较高的识别精度。

3)模型使用对遥感图像的获取时间与地区是有要求的。

若在其它地区不同时间应用,则应对模型进行标定。

4)本模型在使用中,若结合其它知识和分类方法,如空间关系的知识、神经网络分类、模糊数学分类等可进一步提高棉花的识别精度。

[参　考　文　献]
[1]　Pr asad S The nkaball.Optima l hy per-spec tral nar row-
ba nds fo r discriminating ag ricultura l cro ps[J].Remo te
Sensing of Env iro nment,2002,74:344-358.
[2]　M urakami T,Og awa S,Ishitsuka N,et al.Cro p
discrimina tion with multitempor al SPO T/HRV da ta in th e
Sa ga Plains,Japa n[J].Int J Remo te Sensing,2001,22
(7):1335-1348.
[3]　Seg l K,Ro essne r S,Heiden U,et al.Fusio n of spectr al
a nd sha pe featur es fo r identification of urban sur face cov er
types using r eflectiv e a nd ther mal hyper spectra l da ta[J].
IS PRS J o urnal o f Pho tog ra mmetr y&Remo te Sensing,
2003,58:99-112.
[4]　Brian M Steele.Co mbining multiple cla ssifiers:an
a pplicatio n using spa tial a nd remo tely sensed info r matio n
for land cov er type mapping[J].Remote Sensing o f
Envir onment,2000,74:545-556.
[5]　Olliera S,Chessel D,Couter on P,et a l.Co mpa ring and
classifying one-dime nsio na l spatial pa tter ns:an a pplicatio n
to laser a ltimeter pro files[J].Remo te Sensing o f
Envir onment,2003,85:453-462.
[6]　Lo C P.Set tlement po pulation,and la nd use ana ly sis o n
no r th China plain using shuttle ima ging rada r da ta[J].
Pr ofessio nal Geo g rapher,1986,38(2):141-149.
[7]　H e nderso n F M.A n analysis o f se ttlement chara cteriza t-
io n in central eur ope using SIR-B r ada r imag ery[J].
Remo te Sensing of Env iro nment,1995,54(1):61-70. [8]　杨存建,周成虎.TM影像的居民的信息提取方法研究[J].
遥感学报,2000,4(2):146-151.
[9]　刘建波,戴昌达.TM图像在大型水库库情监测管理中的
应用[J].环境遥感,1996,11(1):54-58.
[10]　李祚泳,汪　淮.地物波谱组合识别模型参数的遗传优化
[J].红外与毫米波学报,2002,21(3):205-208.
[11]　方红亮,田庆久.高光谱遥感在植被监测中的研究综述
[J].遥感技术与应用,1998,13(1):62-69.
[12]　程乘旗,马　廷,王立明.用于植被冠层分析的高光谱波
段的组合方法研究[J].地理学与国土研究,2002,18(2):
23-25.
[13]　张宏名.农田作物光谱特征及其应用[J].光谱学与光谱
分析,1994,14(5):25-30.
[14]　周成虎,骆剑承,等.遥感影像地学理解与分析[M].北
京:科学出版社,1999.
[15]　赵英时.遥感应用分析原理与方法[M].北京:科学出版
社,2003.
[16]　张仁华.实验遥感模型及地面基础[M].北京:科学出版
社,1996.
115
　第4期曹卫彬等:TM影像中基于光谱特征的棉花识别模型
116农业工程学报2004年　
Spectral information based model for cotton identification
on Landsat TM Image
Cao Weibin1,Yang Bangjie2※,Song Jinpeng1
(1.Machinery and Electricity Colle ge,Shihezi University,Shihez i,X injiang832003,China;
2.Chinese Academy of Agricultural Engineering,Beijing100026,China)
Abstract:Fo r meeting the demand fo r large scale a nd o peratio nal co tto n mo nito ring system using the remo te sensing techno log y,the identificatio n of co tton info rmation from all kinds of cro ps o n the remo te sensing image m ust be rapidly,precisely and relia bley conducted.In cotto n g row th season,the spectral informa tio n of co tto n and main crops w as co llected in field m easurem ents using a spectro radiom eter and also from Landsat TM imag es in the ex perimental a rea.Th ro ugh analyzing the spectral features,the best time fo r cotto n identificatio n o n TM imag es was confirm ed and a spectral informa tion based co tton identificatio n model on TM imag es w as dev eloped. The model w as valida ted by m athematical a nalysis and practical applica tion.The w odel is simple,efficient,and m ore accurate,and is suitable to be used in the Co tton Opera tio nal Mo nitoring System using Remo te Sensing in Xinjiang.
Key words:TM imag e;cotto n identificatio n model;spectral features;remo te sensing。