油菜是我国五大油料作物之首，是重要的食用油源和蛋白质饲料，果实也具有一定的药用价值，同时在工业上也有广泛的用途，其种植面积占全国油料作物总面积的 40% 以上，产量占全国油料总产量的 30% 以上，居世界首位。在带来经济效益的同时，油菜花盛开时也是一道亮丽的风景线，对当地的旅游产业也起到了重要的推动作用。

本文使用 国产遥感图像处理软件PIE，基于哨兵2号（Sentinel-2）中分辨率遥感影像数据，结合油菜的光谱、纹理、灰度等特征，利用传统目视解译、非监督分类、监督分类、决策树分类以及面向对象（或基于对象）分类等方法，实现了安义县油菜作物的提取，并对各提取方法适用性进行总结说明，以期为基于多源遥感数据进行大范围农作物提取提供参考解决方案。

01

实验区域及数据介绍

本文试验区域为安义县，安义县位于江西省中北部，全境666平方公里，地形概貌为“五山一水三分田，一分道路和庄园”。安义县粮食作物以水稻为主，还盛产油菜、枇杷等。下表为安义县油菜的种植物候。

展开全文

安义县油菜种植物候

本文采用数据为 哨兵-2（Sentinel-2 ）L1C级10米分辨率可见光及近红外卫星影像数据，（Sentinel-2 的数据可通过网站https://scihub.copernicus.eu/进行免费下载）。根据油菜的物候信息，选择2019年10月2日、2020年3月15日以及2020年5月24日三期哨兵-2（Sentinel-2）10米分辨率遥感影像作为本次作物分布提取的数据源，其中3月15日为油菜的开花结荚期，在影像上光谱特征明显，因此选择该时期的影像作为本次油菜提取的主要影像，其余两期作为辅助影像。

02

PIE软件及提取方法介绍

使用遥感技术进行农作物提取的常用方法包括目视解译、监督分类、非监督分类、面向对象分类、决策树分类等。下面详细介绍基于PIE软件采用上述方法进行油菜提取的过程。

2.1

PIE软件介绍

本文油菜提取过程使用的PIE软件包括PIE-Basic遥感图像基础处理软件V6.3（简称PIE-Basic 6.3）以及PIE-SIAS尺度集影像分析软件V6.3（简称PIE-SIAS 6.3）。

PIE-Basic6.3是一款集遥感与GIS于一体的高度自动化、简单易用的遥感图像基础处理软件，主要面向国内外主流的多源遥感影像数据提供遥感图像基础处理、辅助解译、信息提取及专题制图等全流程处理功能。

PIE-SIAS 6.3尺度集影像分析软件是航天宏图自主研发的一款影像分析工具，软件采用面向对象的分析方法，在影像信息挖掘方面取得了质的飞跃。PIE-SIAS 6.3拥有面向多源遥感数据的全流程解译分析能力，功能覆盖尺度集分割（可实现一次分割，分割尺度无极变换）、人工样本选择、自动样本选择、面向对象分类、规则集分类、分类后处理、半自动交互式信息提取、变化检测、专题制图等。

2.2

提取流程

本次提取流程主要包括：数据准备，数据预处理，分别采用目视解译、非监督分类、监督分类、决策树分类以及面向对象分类等方法进行作物分类，分类结果专题制图及成果分析与讨论等，流程图如下图所示。

2.3

数据预处理

首先使用PIE-Basic软件对10米分辨率的Sentinel-2数据进行大气校正，将大气校正后的蓝、绿、红、近红外 4 个波段进行合成，再使用安义县的矢量对波段合成的数据进行裁剪，得到覆盖研究区的4波段影像，如下图所示。

安义县2020年3月15日影像(RGB显示)

2.4

油菜分类提取

基于PIE-Basic的目视解译分类提取

基于PIE-Basic的非监督分类提取

非监督分类是不加入任何先验知识，利用遥感图像特征的相似性，即自然聚类的特性进行的分类。分类结果区分了存在的差异，但不能确定类别的属性。类别的属性需要通过目视判读或实地调查后确定。PIE中非监督分类包括 ISODATA 分类、K-Means 分类和神经网络聚类三种方法。本次以ISODATA 分类方法为例，共分为5类：树木（绿色）、建筑1（橘色）、建筑2（粉色）、油菜（黄色）和其他用地（紫色），分类结果如下图：

非监督分类结果图（ISODATA分类）

基于PIE-Basic的监督分类提取

基于像元的监督分类方法是一种应用广、适应性强的方法。监督分类是根据已知训练场地提供的样本，通过选择特征参数、建立判别函数，然后把图像中各个像元归化到给定类中的分类处理。PIE提供的监督分类包括：距离分类、最大似然分类和 SVM分类。

利用随机设置样点和目视判断方法筛选安义县各地物类型样点数据，分类方法选择最大似然分类方法，共分为5类：油菜、建筑物、水体、树木和其他地物，结果如下图所示。

人工选择样本的监督分类结果图

基于PIE-Basic的决策树分类提取

基于知识的决策树分类是基于遥感影像数据及其他空间数据，通过专家经验总结、简单数学统计和归纳方法等，获得分类规则并进行遥感分类。本次决策树分类所用方法如下：首先用 NDVI 值将影像分为植被与非植被，NDVI>0.1为植被，反之为非植被；然后基于植被区域，区分树木与农作物，NDVI>0.38且亮度>2880为农作物，最后根据比值植被指数（RVI）的值区分油菜与非油菜，RVI>3为油菜。得到分类结果如下图所示。

决策树分类结果图

基于PIE-SIAS的面向对象分类提取

面向对象的遥感影像地物分类主要包括以下两种常用的方法，一种是基于规则的分类方法，一种是基于监督的分类方法。该两种方法均需要在分割的基础上进行分类。分类的精度在很大程度上取决于分割尺度。因此在进行分类前，需要反复试验调整，确定最优分割尺度。

关于分割尺度的选取

根据经验，针对农作物分类，平原区域分割尺度通常设置为30-35、形状参数为0.3-0.5、紧致度参数为0.5。在初始按照该参数设置分割后，发现分布在山区及其他区域的小面积油菜未实现有效分割，经过反复测试，实时调整分割尺度，最终确定分割尺度参数设为25、形状参数设为 0.3、紧致度参数设为0.5为最佳参数。

基于对象的规则集分类方法

PIE-SIAS提供了丰富的地物特征信息（光谱特征，纹理特征，形状特征，任意用户自定义特征集），利于快速构建地物规则集，实现不同地物的分类。不同地物各个波段的光谱值不同，因此可根据不同地物的各个波段光谱值的差异来区分油菜、水稻、树木，油菜、水稻以及树木各个波段的光谱值如下表所示。

2020年3月15日影像各波段光谱特征

根据油菜的物候信息，2019年10月2日和2020年5月24日分别处于油菜的播种期和收割期，因此大部分油菜种植区域在影像上处于裸地状态。通过对比光谱特征，相比于2020年3月15日的影像，2019年10月份和2020年5月份该区域的NDVI值较低。根据油菜在不同时期影像上的光谱特征变化确定油菜的大致种植区域后，经过多次试验，选择如下特征值来实现油菜的精细提取：

1：NDVI是区分植被与非植被的主要参考参数，油菜、林地等植被地物在2020年3月份覆盖密度较高，取NDVI值>0.38。

2：3月份属于油菜的开花期，在影像上亮度高于林地等其他地物，油菜的亮度值>2880。

3：由上表可知，油菜的近红外波段光谱值明显高于其他地物，因此选择比值植被指数（RVI）作为重要参考数据，取值>3；

4：考虑到油菜的颜色偏黄色，因此自定义蓝波段的值与绿波段的值做差，该值>15，可作为判断依据。

根据上述特征值建立规则集，进行油菜提取，提取结果如下图所示：

基于面向对象的规则集分类结果图

基于对象的监督分类方法

采用规则集分类的方法进行纯净样本的选择，相比于人工选择样本，在样本选取的数量、效率及纯净度等方面具有很大的优势，减少了人工干预的不确定性。因本次提取目标作物为油菜，故本次只选择油菜样本，根据分割对象的纯净度，本次选择最优分割尺度为25，共选择油菜样本5447个，采用随机森林分类方法进行分类。样本局部放大及总体分类结果如下图。

规则集选择样本的局部放大图

基于面向对象的监督分类结果图

03

结论与讨论

通过目视的方法将基于PIE软件的5种油菜提取结果与遥感影像进行对比分析，并对五种方法的适应性进行总结如下：

目视解译方法适用于精细化分类，如数据量大且数据中结构复杂，该方法会耗费大量的人力和时间，并且结果的正确性也和解译者的知识、经验和掌握的相关资料有很大关系。

非监督分类ISODATA方法中初始类别的数量直接影响提取油菜分布范围的精度。经验证当初始分类数量较少，则存在大量地类混合的情况，分类结果不准确，不适合单一地物提取；初始分类数量多，分类的结果较琐碎且很难确定所属类别。相比于其他分类方法，非监督分类效率较高，比较适合地物粗分类。

监督分类方法，选择样本的过程比较耗时耗力，但是分类结果明显优于非监督分类。由于该方法单一地依靠地物的光谱特征来进行分类，受限于遥感影像本身的空间分辨率及“同物异谱”“异物同谱”现象的存在，导致分类精度不高，因此对某些地区，某些地物的分类提取，需要对分类器加以改进或者与其他分类方法结合使用来提高分类精度。监督分类方法能够满足应用人员对大区域遥感影像的快速分类处理需求。可以为行业用户提供一种信息提取的快速解决方案。

决策树分类方法无需进行样本选择且结构清晰、运行速度快，但对从影像中获取的先验知识的依赖性较大，分类的效率和精度均优于非监督和监督分类方法，该方法适用于影像特征空间分布复杂的地物提取。

将油菜的光谱特征、指数等信息进行结合，采用基于对象的规则集分类方法，进行油菜提取，相较其他方法，具有更高的可行性和实用性，分类效率较高，精度可靠。但对于分类人员的经验知识要求较高，综合考虑效率和精度，该分类方法通常适用于单一或者几类典型地物的分类提取。

相比于传统基于像元的监督分类方法，采用基于对象的、根据不同地物特征建立规则集进行样本选取的监督分类方法，其选取的样本数量和质量更高，分类精度也较高；适用于全要素分类提取的工程化应用。

综上，兼顾效率和精度，采用基于对象的监督分类方法视为工程化程度最高的方法，其分类的精度某种程度上也依赖于专家经验知识，是一种高级影像分析方法。

本文给出的油菜提取方法暂未考虑到地形因素，如待处理影像地形复杂，可考虑将地形进行分区分割，不同区域使用不同尺度进行分割，并考虑采用不同的分类方法对不同的区域进行分类，以此来提高最终分类精度。

在完成地物分类的基础上，PIE软件还提供分类后处理功能，如分类统计分析、分类合并、类别转换、矢量平滑、栅矢转换、精度验证等。

由于时间原因，本次提取结果暂未进行实地验证，后续用户在使用软件进行工程化应用时，可根据情况，采集实测数据对软件提取结果进行精度验证，PIE-Basic和PIE-SIAS软件均具有精度评价功能模块，如下图所示：

PIE中的精度评价功能模块界面

在农作物信息提取方面，相比于其他商业软件，PIE软件仍有提升空间，如目前规则集的特征库不够丰富、软件缺少大量实际工程化应用案例等。

进入软件下载界面

产品使用问题建议及反馈邮箱：

[email protected]

PIE-Ortho卫星影像测绘处理软件V6.0使用建议