计算机自动分类适用于分辨率较低的遥感图像, 包括非监督分类与监督分类。

2.1.1 非监督分类

邹金秋等^[17]基于MOIDS EVI数据, 选取冬小麦生长过程中关键的分蘖期和抽穗期进行非监督分类, 得到冬小麦的种植面积, 精度达96%; 并得出提取冬小麦种植面积的最佳时相和最佳波段组合。李寄等^[18]利用非监督分类方法对时间序列MODIS NDVI图像进行植被指数的分级处理, 得到全省的冬小麦种植面积分布百分比图, 精度达99.67%。非监督分类法省时省力, 对中、高分辨率遥感图像分类精度较高, 可以快速地提取冬小麦种植面积, 但分类后处理需要用人的知识和经验干预。

2.1.2 监督分类

张群等^[19]对3个时相的Landsat TM数据进行监督分类, 研究多年来冬小麦种植面积的变化趋势; 韩素芹等^[20]运用监督分类的最大似然法对MODIS图像进行分类, 得到天津市冬小麦统计面积及分布图, 分类精度达90%。采用监督分类法提取冬小麦种植面积过程中, 遥感图像的最佳时相选择对提高分类精度至关重要。

面向像元的分类方法包括基于像元分类和基于亚像元分类2种。基于像元的分类是传统分类方法, 分类过程中处理的最小单元是像元, 通过对遥感图像中各波段像元的光谱亮度值或反射率值进行计算, 设定阈值, 得到分类结果; 基于亚像元的分类则进入像元内部, 将包含不同地物类型的混合像元分解为不同的“ 端元” (endmember), 并求得每个像元内各个端元所占的比例^[21]。

2.2.1 基于像元分类

武永利等^[22]基于FY-3A MERSI数据, 采用神经网络方法提取山西省南部冬小麦种植面积, 精度达81.53%。刘磊等^[23]基于Landsat TM数据、利用光谱角制图分类法对呼伦贝尔地区农业种植区的冬小麦进行提取, 精度达86.9%。行晓黎等^[24]和李苓苓等^[25]均采用环境减灾卫星数据、基于支持向量机二分法的分类后验概率空间变化向量分析法进行冬小麦提取, 精度达到预期目标。基于像元的分类是直接的分类方法, 在冬小麦种植面积提取过程中, 对于种植结构单一(仅冬小麦)且冬小麦分布广的区域, 冬小麦提取的精度较高; 但对于冬小麦分布分散、地形复杂的地区, 冬小麦提取的精度有待提高。

2.2.2 基于亚像元分类

由于目前常用传感器的空间分辨率的限制, 加之我国目前的耕地现状为田块分布较破碎、作物类别多样, 因此一个像元内会包含不同的土地覆盖类型, 混合像元较多^[26]; 而大多数图像分类中并未考虑混合像元的问题, 使得混合像元中所占面积比例较小的地物被误分到其他类别中, 因而降低了地物面积估算精度^[27]。混合像元分解法可以解决因混合像元归属问题而产生的错分、误分问题^[28]。目前, 国内外学者常用的混合像元分解模型包括线性模型、几何光学模型及概率模型等, 其中线性光谱混合模型因方法构造简单、物理含义明确、操作运算比较简单、便利并且能够满足精度要求, 而被广泛应用于混合像元分解中^[27]。线性分解模型的原理是将图像中每一个像元点的反射率值看作是由组成该像元各地物纯净像元反射率的线性组合, 并把其中每种地物类别在该像元内所占的面积比作为线性方程的权重系数^[29]。

MODIS数据具有中等空间分辨率、高时间分辨率的特点, 采用混合像元分解方法可以弥补其空间分辨率的不足, 而高时间分辨率在监测冬小麦整个生长周期内光谱特征的变化具有优势, 所以混合像元分类法提取冬小麦种植面积多采用MODIS图像数据。许文波等^[30]采用MODIS数据, 通过线性光谱混合模型得到河南省冬小麦种植面积, 总体精度为94.75%; 蔡薇等^[29]以山东省菏泽市曹县为研究区, 基于MODIS数据采用混合像元分解提取冬小麦种植面积, 分类精度达98.6%; 武永利等^[31]基于MODIS数据采用混合像元分解方法提取山西运城市冬小麦种植面积, 精度达95.1%; 刘茜等^[32]分别采用监督分类法、K-T变换法及混合像元分解法计算冬小麦种植面积, 最终结果说明采用混合像元分解法估算的冬小麦面积最接近利用航空图像监测得到的。混合像元分解法中端元的选择是关键, 不当的端元选择会导致不稳定解、噪声和不正确的丰度图像, 因此端元的选择决定着分类的精度。

目前, 利用GIS地块数据的分类方法和面向对象的分类方法是逐块分类方法的2大研究方向^[33]。

2.3.1 利用GIS地块数据分类

地块数据具有明显的边界和明确的位置, 在一定程度上光谱差异和混合像元的复杂程度有所降低。因此, 与基于像元的分类相比, 基于地块的分类具有更高的精度和稳定性^[34]。李乐等^[33]建立MODIS-NDVI数据与TM耕地地块识别结果的定量关系, 进行MODIS-NDVI时间序列下基于地块的冬小麦种植面积测量, 该方法证明了地块数据可有效地改善因空间分辨率低导致的MODIS-NDVI时序数据在冬小麦遥感识别中引起的误差; 朱长明等^[35]利用数据融合后的高空间分辨率SPOT5遥感图像提取农田地块专题信息, 在地块专题层控制下提取冬小麦种植面积, 精度达90%以上。利用基于GIS的地块数据进行冬小麦种植信息提取, 可以避免因遥感图像空间分辨率低而产生的边界问题, 将耕地以外的植被信息排除, 则可以弥补直接进行冬小麦分类的不足。

2.3.2 面向对象的分类

基于像元的分类以单个像元为基本单位进行信息提取, 存在忽略地物几何结构特征的情况, 并且在分类结果中“ 椒盐” 现象普遍, 而混合像元分类方法中端元的选择和组合又成为难点。面向对象的分类方法是基于目标对象的分类方法, 其基本原理是首先根据设定的阈值对图像像元进行合并和分割, 形成目标对象; 进而对其进行分类, 分类时不仅依靠地物的光谱特性, 更多的是根据目标对象的上下文、空间、纹理等结构信息和几何特征, 把具有相同规则的目标对象归为一类^[5]。面向对象分类法在分类过程中集成了专家知识和多种辅助数据, 更符合人们认知地理客体的规律。面向对象分类法与面向像元分类法最大的区别在于前者是基于图像的对象或基元, 而后者是基于单个像元^[33]。范磊等^[5]应用面向对象方法, 对遥感图像进行多尺度分割, 提取冬小麦种植面积及空间分布, 精度达94.06%; 李卫国等^[3]以江苏省的3个城市为研究区, 基于Landsat TM数据、采用面向对象分类法对冬小麦面积进行提取, 分类精度达94.16%; 王启田等^[33]采用TM数据, 通过易康(eCognition)软件对研究区采取面向对象分类方法, 得到冬小麦种植面积及其分布信息, 精度为95.58%; 张建国等^[36]以山东省恒台县为研究区, 基于ETM⁺数据, 通过图像分割和基于知识的面向对象分类方法提取研究区冬小麦面积, 精度达99.5%。用面向对象分类法进行冬小麦种植面积提取时, 将冬小麦归为一个对象, 从而避免了一般直接分类结果中的“ 椒盐” 现象; 但因图像分割的尺度问题, 有可能将田间小道、房屋等分类为冬小麦, 造成冬小麦分类结果的面积增大, 若能解决好图像分割尺度问题, 便可进一步提高冬小麦提取精度。

遥感解译的本质是遥感分类, 遥感解译模型就是通过分析、识别不同作物在遥感图像中表现出不同的光谱、纹理等影像特征, 达到区分作物类别、监测作物空间分布格局和提取作物种植面积的目标^[37]。在冬小麦种植面积提取的遥感方法研究中, 常用到的解译模型包括基于NDVI阈值建立的模型及决策树模型; 此外, GIS辅助数据的引用也为冬小麦种植面积监测提供了新的思路。

2.4.1 NDVI阈值法

植被指数可以定性和定量地评价植被生物量、生长活力及植被覆盖度等, 常见的植被指数有归一化差值植被指数NDVI、差值植被指数、比值植被指数等^[21]。国内很多学者将2期或多期NDVI图像做简单运算(相减或相除), 通过设定适当的阈值提取冬小麦种植面积信息, 得到较高的精度^{[38, 39, 40, 41]}。还有一些学者在分析冬小麦生长期内物候特征的基础上, 根据几个关键期冬小麦NDVI阈值的变化建立规则, 得到冬小麦的提取模型, 精度均在90%以上^{[42, 43, 44, 45, 46]}。NDVI阈值法充分利用了冬小麦生长期内几个关键时期在遥感图像中反映的特殊光谱特征, 加大冬小麦与其他地物的差异, 提高冬小麦提取精度; 但对图像的选择要求较高, 一般需要使用时间分辨率较高的遥感图像(如MODIS数据、HJ减灾小卫星数据等)。

2.4.2 决策树分类法

决策树分类法具有分类结构直观、运算效率高等优点^[47], 大多以“ 二类判别” 为基础, 通过分层、逐次比较, 最后达到分类的目的。冯美臣等^[49]采用TM图像, 通过搭建决策树结构进行不同灌溉类型冬小麦种植面积的提取, 分别得到了水地冬小麦和旱地冬小麦的种植面积, 2种耕地类型的冬小麦提取精度分别为86.15%和86.16%; 赵晶晶等^[50]选取2个时期的MODIS-NDVI图像, 采用决策树方法设定NDVI阈值、提取冬小麦种植面积, 总体分类精度达87.2%; 张健康等^[37]运用多时相TM/ETM⁺数据和MODIS EVI数据, 建立决策树识别模型, 对黑龙港地区冬小麦种植信息进行提取, 总体分类精度达91.3%; 秦元伟等^[51]在分析研究区典型地物光谱特征的基础上, 采用决策树分类方法提取冬小麦种植面积, 分类精度在96%以上。决策树分类法通过不同地物在遥感图像某个波段的差异, 引入GIS数据或气象数据等, 进行目标地物提取; 有效的判别规则是决策树分类法提取冬小麦种植面积的关键; 但对某些光谱特征或空间特征相似的地物, 还需要辅以其他分类方法。

2.4.3 GIS辅助数据法

在使用单一遥感数据监测冬小麦种植信息的同时, 若再分析冬小麦与其生长环境的关系, 并加入GIS数据辅助分析, 则可以为利用遥感图像提取冬小麦种植面积提供新的思路。王来刚等^[52]根据冬小麦的种植区划对研究区进行分区, 在分区的前提下根据地形地貌因素、种植结构差异和遥感图像受大气噪声影响的程度等3方面因素再进行细分分区, 基于我国环境减灾卫星图像, 通过遥感分类提取出冬小麦的种植信息; 贾建华等^[53]基于地形高度对地物光谱反射值的影响, 借助DEM数据对研究区域进行划分, 在分析研究区主要农作物时间谱曲线特征的基础上, 成功地提取出冬小麦种植面积。GIS与RS的结合是3S技术发展的方向, GIS辅助数据的引入为冬小麦种植面积在空间上的判别提供了依据。

单纯的光谱分类器只考虑图像的光谱特征, 但自然界存在大量“ 同物异谱” 与“ 异物同谱” 现象, 而地物都是具有一定空间结构特征和纹理特征的。因此, 利用地物的空间特征和纹理特征的差异, 可以比较容易地区分地物类型, 而只利用单纯的光谱信息则不一定能很好地区分不同地物。利用不同的定量化方法计算地物的纹理特征并应用于地物分类中, 已得到许多人的提倡^[21]。顾晓鹤等^[54]采用TM图像、引入纹理信息对冬小麦种植面积进行估算, 结果证明纹理信息的引入有助于进一步提高地块分类的精度; 朱秀芳等^[55]选取7种纹理信息和5种植被指数信息分别加入到TM多光谱数据中, 结果表明同一种信息特征对不同分类器的响应是不同的; 张楠楠^[56]则将农作物的物候特征、光谱特征和纹理特征纳入作物种植结构的遥感监测和分析, 识别冬小麦。