论文部分内容阅读
摘 要：红枣是新疆特色林果业的重要组成部分，为快速准确地获取红枣的种植信息，适应农业管理现信息化，该文以新疆阿拉尔地区为例利用Landsat_8遥感卫星影像结合GoogleEarth以及户外实地定标，通过训练样本进行机器学习后进行支持向量机分类将红枣分类，并通过Majority和Minority分析与聚类分析分别对分类结果进行优化，结果表明：两种分类优化后的准确度分别为93.7%与89.5%以上。该方法运用遥感技术获取计算枣树种植信息，可为相关管理部门在红枣种植面积的估算中提供一个实时有效的参考方法。
关键词：Landsat_8 阿拉尔 枣树面积 支持向量机分类
Abstract： Jujube is an important part of Xinjiang's characteristic forest and fruit industry. In order to quickly and accurately obtain planting information of jujube， and to adapt to the current informatization of agricultural management， this article uses the Landsat_8 remote sensing satellite image combined with GoogleEarth and outdoor field calibration in the Alar region of Xinjiang as an example. The training samples are machine-learned and then classified by support vector machine. The dates are classified by Majority and Minority analysis and cluster analysis. The results show that the accuracy of the two classifications is 93.7% and 89.5%， respectively. the above. This method uses remote sensing technology to obtain information about jujube planting， which can provide a real-time and effective reference method for the relevant management departments in the estimation of jujube planting area.
Key Words： Landsat_8; Alar; Jujube area; Support vector machine classification
林果產业是新疆农业的特色优势产业，红枣业是阿拉尔市（Alar）特色林果业发展的重要组成部分，也是当地农民增收的重要产业之一。在种植信息统计方面传统的面积计算存在着耗时费力、时效性差的一些局限性[1]，随着遥感技术的日益发展，遥感技术在农业资源调查与测量中的作用也日益重要。目前我国对农业遥感监测的主要工作大多运用在水稻和小麦方面，对新疆特色林果业的研究较少，林果种植的遥感识别对疆内林果产业发展情况监测及预测有着非常现实的意义[2]。该文以南疆地区阿拉尔市为例运用遥感技术来监测枣树种植面积在新疆枣树种植面积很大的地方很有意义。该文通过ENVI软件基于Landsat_8卫星遥感影像数据信息进行分析处理后通过机器学习将地物进行识别并分类，从而分辨出阿拉尔地区的红枣种植信息并初步估算出红枣种植面积，再通过Majority和Minority与聚类分析的不同分析方法对初步的分类结果进行优化从而提高精确度并对其差异进行对比分析研究。旨在实时、快速地获得阿拉尔红枣种植面积，为阿拉尔主要林果红枣业的种植、生产与价格预估提供技术支持[3，4]。
1 研究区域
该研究以新疆阿拉尔地区作为研究区，阿拉尔地处天山南麓，塔里木盆地北部，塔里木河上游，地理位置位于东经80°30′～81°58′，北纬40°22′～40°57′之间。阿拉尔市地处塔里木河冲积细土平原，属于暖温带极端大陆性干旱荒漠气候，极端最高气温35℃（沙井子垦区每隔5～10年遇最高温40℃），极端最低气温-28℃（四团垦区最低气温为-33.2℃）。垦区太阳辐射年均133.7～146.3kcal/cm2。年均日照2556.3～2991.8h，日照率为5869%。垦区雨量稀少，冬季少雪，地表蒸发强烈，年均降水量为40.1～82.5mm，年均蒸发量1876.6～2558.9mm[5]。随着大力推动特色林果业发展以及防风治沙、退耕还林等政策的实施[6]，现如今阿拉尔垦区红枣的种植面积和产量位居当地林果业首位。对其种植信息的监测也应有更先进的技术。
2 技术路线
该研究是通过Landsat_8卫星影像为基本的成图数据，并结合GoogleEarth影像以及实地调查通过全球定位系统（Global Positioning System）获取的坐标数据作为训练样本，通过对图像信息进行正射校正、辐射定标、大气校正以及镶嵌于裁剪的预处理分析后通过支持向量机（Support Vector Machine，SVM）的监督分类方法获取地物在影像上的特征，从而得出红枣的特征信息，最终解译出研究区里红枣空间栽种的分布信息并通过Majority和Minority与聚类分析对分类结果分别进行小斑块去除处理并对不同方法进行对比分析。 3 数据收集
该研究的数据采用Landsat 8 OLI_TIRS不同时期的卫星数字产品，数据来源于地理数据空间云。选择Landsat8遥感数据，波段8全色影像分辨率为15M，覆盖阿拉尔市及阿瓦提县、沙雅县部分地区，包括2017年和2018年的影像。遥感图像覆盖面积如图1所示。
由于阿拉尔地区NDVI最明显时期的红枣与棉花的光谱特征相似容易混淆，针对此问题该研究采用通过研究其物候信息，选取了7月28日LC81460322018115LGN00遥感影像与4月26日LC81460322017208LGN00遥感影像，通过同地不同时的卫星数据，根据棉花播种前后的不同光谱对红枣与棉花进行对比区分，可有效减少“同谱异物”带来的误差[7]。遥感信息如表1所示。
阿拉尔地区主要种植与红枣光谱相似度高的为棉花的苗期至开花期，阿拉尔地区红枣与红枣的物候信息如表2、表3所示;表4为实地获取的部分枣园坐标作为训练样本表;图2为LC81460322018115LGN00原始遥感信息图。
4 Landsat_8遥感数据处理
4.1 遥感数据预处理
该文研究主要使用Landsat8遥感数据，参考数据为通过全球定位系统实地获取的地物位置经纬度信息。为提高图像数据信息提高分类精度在分类之前先对遥感信息进行正射校正、辐射定标、大气校正以及镶嵌于裁剪的预处理如图3所示。
4.2 遥感图像的辐射量校正（辐射定标）
在遥感图像产生的过程中受太阳角度、大气状况等因素影响，难以避免的会产生不同程度的失真，为获得准确的辐射特征就必须消除失真，所以就需要对图像进行辐射校正[8]。
4.3 传感器辐射校正
传感器所获得的目标测量值与目标光谱反射率之间的差值成为辐射误差，传感器的辐射校正一般传感器可自动完成，主要的操作还是在大气校正上。
4.4 大气校正与图像镶嵌剪裁处理
通过正射校正、辐射定标以尽可能消除因太阳位置及角度条件、传感器自身条件及雾霾等因素引起的失真现象;通过大气校正来尽量消除大气、光照等因素对反射造成的影响使不同地物的植被归一化指数差异较大提高分类精度。
在该研究中运用了Atmospheric Correction Module模块通过波段的对比对阿拉尔地区进行大气校正。
最后将阿拉尔地区从大气校正后的遥感信息图中进行裁剪处理得到阿拉尔地区的遥感信息预处理图，如图4所示。
5 结果分析
5.1 种植信息提取
将预处理完成的遥感信息图的RGB调整为5、4、1波段的非标准假彩色图像使地物图像丰富鲜明、层次好，使植被信息显示更为突出有利于研究植物分类，如图5所示。
将已知的红枣、棉花、空地、水以及建筑物位置选出作为ROI分类，然后将所选的感兴趣区域作为进行支持向量机（Support Vector Machine）分类的训练样本进行训练学习（图6），最终得到分类结果如图7所示的深色區域为枣树种植区域。
在通过支持向量机（Support Vector Machine）分类后会存在一些小斑块影响到最终统计结果的精确度，在该研究中分类之后有通过Majority和Minority分析与聚类分析两种方法来进行小斑块去除，并通过对比找到效果较好的一种方法。两种不同分析进行的小斑块去除效果如图8、图9所示。
5.2 结果分析
分类统计获得聚类分析后对红枣种植信息的统计结果如图9所示，其种植面积为676895.4亩，与统计年鉴上红枣面积为682723亩相比误差在5%以内，Majority和Minority分析进后获得的红枣种植面积为733945.05亩，与统计年鉴上红枣面积误差为6.98%，可以判断两种方法精度基本都达到要求。因统计年鉴中数据具有一定主观性，为保证结果客观将实地获取样本50%作为训练样本，剩余50%作为检验样本，通过对检验样本的对比验证，两种不同分类最终验证结果准确率分别为93.7%与89.5%。图10为聚类分析统计结果图。
6 结语
由结果分析可以认为该研究可行准确度较高，在阿拉尔地区红枣的种植面积信息的获取中Majority和Minority分析比聚类分析所得结果在精度上更高一些。该方法的准确率较高，通过ENVI的监督分类遥感技术快速识别计算出枣树种植面积可行，该方法也可以广泛应用于满足条件的南疆垦区，通过此方法可以快速地掌握红枣种植信息为阿拉尔市红枣业发展提供信息支持，助力阿拉尔市红枣产业健康发展，也为南疆林果业种植信息化发展提供一种可供参考的方案。
参考文献
[1] 李子艺，王振锡，岳俊，等.基于BP神经网络的高光谱果树树种识别研究[J].江苏农业科学，2016，44（5）：410-414.
[2] 李金叶，袁强，蒋慧.基于区域适应性的特色林果业发展探讨[J].新疆农业科学，2010，47（4）：741-749.
[3] 吴桂芳，蒋益虹，王艳艳，等.基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别[J].光谱学与光谱分析，2009，29（5）：1268-1271.
[4] 邵咏妮，何勇，鲍一丹.基于独立组分分析和BP神经网络的可见/近红外光谱蜂蜜品牌的鉴别[J].光谱学与光谱分析，2008（3）：602-605.
[5] 师市概况，第一师阿拉尔市人民政府网[EB/OL].[2019-09-23].https：//www.ale.gov.cn/ssgk/ssgk1.
[6] 訾莉莉.阿拉尔垦区枣树“两虫一病”的防治研究[D].塔里木大学，2018.
[7] 徐翔燕，侯瑞环，牛荣.基于GF-1号的红枣种植面积提取方法[J].塔里木大学学报，2019，31（3）：32-38.
[8] 韦玉春，汤国安，杨昕.遥感数字图像处理教程[M].北京：科学出版社，2007.
关键词：Landsat_8 阿拉尔 枣树面积 支持向量机分类
Abstract： Jujube is an important part of Xinjiang's characteristic forest and fruit industry. In order to quickly and accurately obtain planting information of jujube， and to adapt to the current informatization of agricultural management， this article uses the Landsat_8 remote sensing satellite image combined with GoogleEarth and outdoor field calibration in the Alar region of Xinjiang as an example. The training samples are machine-learned and then classified by support vector machine. The dates are classified by Majority and Minority analysis and cluster analysis. The results show that the accuracy of the two classifications is 93.7% and 89.5%， respectively. the above. This method uses remote sensing technology to obtain information about jujube planting， which can provide a real-time and effective reference method for the relevant management departments in the estimation of jujube planting area.
Key Words： Landsat_8; Alar; Jujube area; Support vector machine classification
林果產业是新疆农业的特色优势产业，红枣业是阿拉尔市（Alar）特色林果业发展的重要组成部分，也是当地农民增收的重要产业之一。在种植信息统计方面传统的面积计算存在着耗时费力、时效性差的一些局限性[1]，随着遥感技术的日益发展，遥感技术在农业资源调查与测量中的作用也日益重要。目前我国对农业遥感监测的主要工作大多运用在水稻和小麦方面，对新疆特色林果业的研究较少，林果种植的遥感识别对疆内林果产业发展情况监测及预测有着非常现实的意义[2]。该文以南疆地区阿拉尔市为例运用遥感技术来监测枣树种植面积在新疆枣树种植面积很大的地方很有意义。该文通过ENVI软件基于Landsat_8卫星遥感影像数据信息进行分析处理后通过机器学习将地物进行识别并分类，从而分辨出阿拉尔地区的红枣种植信息并初步估算出红枣种植面积，再通过Majority和Minority与聚类分析的不同分析方法对初步的分类结果进行优化从而提高精确度并对其差异进行对比分析研究。旨在实时、快速地获得阿拉尔红枣种植面积，为阿拉尔主要林果红枣业的种植、生产与价格预估提供技术支持[3，4]。
1 研究区域
该研究以新疆阿拉尔地区作为研究区，阿拉尔地处天山南麓，塔里木盆地北部，塔里木河上游，地理位置位于东经80°30′～81°58′，北纬40°22′～40°57′之间。阿拉尔市地处塔里木河冲积细土平原，属于暖温带极端大陆性干旱荒漠气候，极端最高气温35℃（沙井子垦区每隔5～10年遇最高温40℃），极端最低气温-28℃（四团垦区最低气温为-33.2℃）。垦区太阳辐射年均133.7～146.3kcal/cm2。年均日照2556.3～2991.8h，日照率为5869%。垦区雨量稀少，冬季少雪，地表蒸发强烈，年均降水量为40.1～82.5mm，年均蒸发量1876.6～2558.9mm[5]。随着大力推动特色林果业发展以及防风治沙、退耕还林等政策的实施[6]，现如今阿拉尔垦区红枣的种植面积和产量位居当地林果业首位。对其种植信息的监测也应有更先进的技术。
2 技术路线
该研究是通过Landsat_8卫星影像为基本的成图数据，并结合GoogleEarth影像以及实地调查通过全球定位系统（Global Positioning System）获取的坐标数据作为训练样本，通过对图像信息进行正射校正、辐射定标、大气校正以及镶嵌于裁剪的预处理分析后通过支持向量机（Support Vector Machine，SVM）的监督分类方法获取地物在影像上的特征，从而得出红枣的特征信息，最终解译出研究区里红枣空间栽种的分布信息并通过Majority和Minority与聚类分析对分类结果分别进行小斑块去除处理并对不同方法进行对比分析。 3 数据收集
该研究的数据采用Landsat 8 OLI_TIRS不同时期的卫星数字产品，数据来源于地理数据空间云。选择Landsat8遥感数据，波段8全色影像分辨率为15M，覆盖阿拉尔市及阿瓦提县、沙雅县部分地区，包括2017年和2018年的影像。遥感图像覆盖面积如图1所示。
由于阿拉尔地区NDVI最明显时期的红枣与棉花的光谱特征相似容易混淆，针对此问题该研究采用通过研究其物候信息，选取了7月28日LC81460322018115LGN00遥感影像与4月26日LC81460322017208LGN00遥感影像，通过同地不同时的卫星数据，根据棉花播种前后的不同光谱对红枣与棉花进行对比区分，可有效减少“同谱异物”带来的误差[7]。遥感信息如表1所示。
阿拉尔地区主要种植与红枣光谱相似度高的为棉花的苗期至开花期，阿拉尔地区红枣与红枣的物候信息如表2、表3所示;表4为实地获取的部分枣园坐标作为训练样本表;图2为LC81460322018115LGN00原始遥感信息图。
4 Landsat_8遥感数据处理
4.1 遥感数据预处理
该文研究主要使用Landsat8遥感数据，参考数据为通过全球定位系统实地获取的地物位置经纬度信息。为提高图像数据信息提高分类精度在分类之前先对遥感信息进行正射校正、辐射定标、大气校正以及镶嵌于裁剪的预处理如图3所示。
4.2 遥感图像的辐射量校正（辐射定标）
在遥感图像产生的过程中受太阳角度、大气状况等因素影响，难以避免的会产生不同程度的失真，为获得准确的辐射特征就必须消除失真，所以就需要对图像进行辐射校正[8]。
4.3 传感器辐射校正
传感器所获得的目标测量值与目标光谱反射率之间的差值成为辐射误差，传感器的辐射校正一般传感器可自动完成，主要的操作还是在大气校正上。
4.4 大气校正与图像镶嵌剪裁处理
通过正射校正、辐射定标以尽可能消除因太阳位置及角度条件、传感器自身条件及雾霾等因素引起的失真现象;通过大气校正来尽量消除大气、光照等因素对反射造成的影响使不同地物的植被归一化指数差异较大提高分类精度。
在该研究中运用了Atmospheric Correction Module模块通过波段的对比对阿拉尔地区进行大气校正。
最后将阿拉尔地区从大气校正后的遥感信息图中进行裁剪处理得到阿拉尔地区的遥感信息预处理图，如图4所示。
5 结果分析
5.1 种植信息提取
将预处理完成的遥感信息图的RGB调整为5、4、1波段的非标准假彩色图像使地物图像丰富鲜明、层次好，使植被信息显示更为突出有利于研究植物分类，如图5所示。
将已知的红枣、棉花、空地、水以及建筑物位置选出作为ROI分类，然后将所选的感兴趣区域作为进行支持向量机（Support Vector Machine）分类的训练样本进行训练学习（图6），最终得到分类结果如图7所示的深色區域为枣树种植区域。
在通过支持向量机（Support Vector Machine）分类后会存在一些小斑块影响到最终统计结果的精确度，在该研究中分类之后有通过Majority和Minority分析与聚类分析两种方法来进行小斑块去除，并通过对比找到效果较好的一种方法。两种不同分析进行的小斑块去除效果如图8、图9所示。
5.2 结果分析
分类统计获得聚类分析后对红枣种植信息的统计结果如图9所示，其种植面积为676895.4亩，与统计年鉴上红枣面积为682723亩相比误差在5%以内，Majority和Minority分析进后获得的红枣种植面积为733945.05亩，与统计年鉴上红枣面积误差为6.98%，可以判断两种方法精度基本都达到要求。因统计年鉴中数据具有一定主观性，为保证结果客观将实地获取样本50%作为训练样本，剩余50%作为检验样本，通过对检验样本的对比验证，两种不同分类最终验证结果准确率分别为93.7%与89.5%。图10为聚类分析统计结果图。
6 结语
由结果分析可以认为该研究可行准确度较高，在阿拉尔地区红枣的种植面积信息的获取中Majority和Minority分析比聚类分析所得结果在精度上更高一些。该方法的准确率较高，通过ENVI的监督分类遥感技术快速识别计算出枣树种植面积可行，该方法也可以广泛应用于满足条件的南疆垦区，通过此方法可以快速地掌握红枣种植信息为阿拉尔市红枣业发展提供信息支持，助力阿拉尔市红枣产业健康发展，也为南疆林果业种植信息化发展提供一种可供参考的方案。
参考文献
[1] 李子艺，王振锡，岳俊，等.基于BP神经网络的高光谱果树树种识别研究[J].江苏农业科学，2016，44（5）：410-414.
[2] 李金叶，袁强，蒋慧.基于区域适应性的特色林果业发展探讨[J].新疆农业科学，2010，47（4）：741-749.
[3] 吴桂芳，蒋益虹，王艳艳，等.基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别[J].光谱学与光谱分析，2009，29（5）：1268-1271.
[4] 邵咏妮，何勇，鲍一丹.基于独立组分分析和BP神经网络的可见/近红外光谱蜂蜜品牌的鉴别[J].光谱学与光谱分析，2008（3）：602-605.
[5] 师市概况，第一师阿拉尔市人民政府网[EB/OL].[2019-09-23].https：//www.ale.gov.cn/ssgk/ssgk1.
[6] 訾莉莉.阿拉尔垦区枣树“两虫一病”的防治研究[D].塔里木大学，2018.
[7] 徐翔燕，侯瑞环，牛荣.基于GF-1号的红枣种植面积提取方法[J].塔里木大学学报，2019，31（3）：32-38.
[8] 韦玉春，汤国安，杨昕.遥感数字图像处理教程[M].北京：科学出版社，2007.