成像光谱数据特征选及小麦品种识别实验研究.docVIP

基于遗传算法的成像光谱数据农作物识别研究 王长耀1，刘正军2，颜春燕3 (1 中国科学院遥感应用研究所 遥感信息国家重点实验室， 北京 100101) (2 中国测绘科学研究院，北京 100039) （3 中国地质大学，北京，100083） 摘要：针对河北栾城获得的MAIS成像光谱仪数据用于小麦品种识别进行了特征选择和分类。利用遗传算法以JM距离为准则并结合实验区小麦的生物物理特性，进行了最佳波段选择；利用Fuzzy-Artmap分类器及选出的最佳波段对成像光谱数据进行了分类，区分出了4种小麦品种，小麦的总体分类精度超过97%。 关键词：成像光谱仪；波段指数；品种识别 1 引 言 改革开放以来，随着人民生活水平的提高和农业经济的发展，市场对农产品的需求不再仅仅是数量而是越来越重视其品质，使用高新技术和减少资源浪费成为提高农业生产效益的主要手段。在“精细农业”的时代，遥感也将以更高的数据质量和更加定量化的分析方法在精细农业体系中扮演新的角色[1-4]。 分类是遥感数据分析的一个基本方法，也是为农业生产管理直接提供参考的数据之一。过去的多波段遥感数据提供的信息不足以区分不同的植被类型，更谈不上区分一种作物的不同品种。随着成像光谱技术的发展，它提供的地物连续光谱信息为植被的品种识别提供了可能，人们也开展了一些利用成像光谱数据进行品种识别的工作[5-8]，但是这些工作大部分都是针对林业进行的，关于作物的还很少。 此外，成像光谱数据波段间的相关性较强，相关系数大，数据的冗余现象十分明显。由于通道的增加，使得用于分类的训练样本数目必须呈指数级增长才能使分类器对特征空间进行合理有效的划分。因此，需要研究在保留重要信息的前提下，如何将其从高维数据空间投影到低维空间，降低数据维数，同时减小类内差异，增大类间距，以便更方便、快捷、有效、准确地提取有用的信息。 本文利用国产成像光谱仪MAIS数据对冬小麦品种识别进行了尝试。由于作物的不同品种间区别细微，特别是在其生长的旺季，叶片内部的主要生化成分含量基本相同，决定冠层光谱的主要因素是冠层覆盖率（即长势），因此此时即使高光谱数据也很难区分出作物的品种。相比之下，作物籽粒的成分则直接关系到农产品的品质，而随着品种的不同，籽粒的成分也表 现出明显的差异。因此，我们首先通过实验探讨了腊熟期的冬小麦冠层光谱与籽粒生化成分之间的关系，在此基础之上，选择了冬小麦腊熟期获取的机载成像光谱数据进行波段选择和分类，分类结果表明这个时期的高光谱数据可用于区分不同的冬小麦品种且准确性较大。 2 实验数据简介 本文所用遥感数据由中国科学院上海技术物理研究所研制的71波段成像光谱仪MAIS获得。成像时间为2000-06-05，一共在石家庄地区飞行了6个航带，本文截取栾城县内的部分图像做实验。由于受记录器的限制，一次飞行最多只能记录32个波段，因此，实际获得的数据只有32个波段，各波段的光谱范围见表１。 表１ 河北栾城成像光谱仪MAIS数据波段范围 Table 1 the band range of imaging spectrometer MAIS 波段 波段范围/(m /(m 波段 波段范围/(m 波段 波段范围/(m 1 0.44-0.46 9 0.66-0.68 17 1.53-1.56 25 2.10-2.13 2 0.46-0.48 10 0.68-0.70 18 1.56-1.59 26 2.13-2.16 3 0.52-0.54 11 0.70-0.72 19 1.59-1.62 27 2.16-2.19 4 0.54-0.56 12 0.94-0.96 20 1.62-1.65 28 2.19-2.22 5 0.56-0.58 13 0.96-0.98 21 1.65-1.68 29 2.22-2.25 6 0.58-0.60 14 0.98-1.00 22 1.68-1.71 30 2.31-2.34 7 0.62-0.64 15 1.00-1.02 23 2.04-2.07 31 2.34-2.37 8 0.64-0.66 16 1.02-1.04 24 2.07-2.10 32 2.37-2.40 飞机飞行成像期间，第一、二航带的飞行方向于地面同步采集了小麦田块、水体、沙滩地等典型地物的地面光谱，以进行后续的图像反射率转换，所用仪器为美国GER公司研制的红外智能野外地物光谱辐射计，型号为MARK-V。 另外还选取了一个小试验区，该试验区（北纬37度50分，东经114度41分）位于河北省石家庄市东南25km中国科学院石家庄农业现代化研究所栾城实验站内。该实验区地形平坦，海拔高度50.1m；土壤类型为褐土类潮褐土亚类，小麦、玉米一年两熟。成像时间地面种植为小麦，生育期处于腊熟