面向?qū)ο笥跋穹诸惻c提取法在農(nóng)作物遙感解譯中的應(yīng)用研究

魏本贊 田言亮 盧輝雄,3 牛海威 董雙發(fā) 張建永,3

（1.核工業(yè)航測遙感中心，石家莊 050002；2.中國地質(zhì)科學(xué)院水文地質(zhì)環(huán)境地質(zhì)研究所，石家莊050061；3.東華理工大學(xué)地球科學(xué)學(xué)院，南昌 330013）

一、前言

遙感技術(shù)作為地球信息科學(xué)的前沿技術(shù)，可以在短期內(nèi)連續(xù)獲取大范圍的地面信息，實現(xiàn)農(nóng)業(yè)信息的快速收集和定量分析，反應(yīng)迅速，經(jīng)濟，客觀性強，是目前最為有效的對地觀測技術(shù)和信息獲取手段。國內(nèi)外學(xué)者對遙感影像信息提取開展了大量的工作，我國早在1979年陳述彭先生就開始倡導(dǎo)遙感估產(chǎn)[1]，LENNGTON等首先利用陸地衛(wèi)星數(shù)據(jù)的混合像元分解進行了作物種植面積提取的試驗[2]，徐希孺等利用混合像元的因子分析方法用NOAA/AVHRR數(shù)據(jù)講行了河南省冬小專播種而積的估算，提取的結(jié)果與TM影像的提取結(jié)果趨勢一致，具有較好的相關(guān)性[3]，N A QUARMBY等1992年采用混合像元線性分解方法用NOAA/AV HRR數(shù)據(jù)進行了農(nóng)作物種植面積的估算，達到了89%的精度[4]。傳統(tǒng)的基于像元的信息提取方法（如監(jiān)督分類與非監(jiān)督分類），主要利用影像的光譜特征進行，但隨著技術(shù)發(fā)展，越來越多的研究工作圍繞著面向?qū)ο蟮姆诸惙椒ㄟM行。

基于面向?qū)ο笏枷氲挠跋穹治龇椒?，分割是基礎(chǔ)，分割尺度的選擇又是其中一個關(guān)鍵性問題；其次，為了提高信息提取的可靠性與準確性，對尺度選擇進行定量化己經(jīng)成為面向?qū)ο蟮倪b感影像信息提取的一個亟待解決的問題。本文利用eCognition軟件，以面向?qū)ο筮b感影像分類為主線，通過對影像分割參數(shù)的定量實驗，分析各個分割參數(shù)在影像對象生成中所起的作用，論證最佳影像分割尺度，采用全局精度、混淆矩陣及Kappa系數(shù)對信息提取結(jié)果進行評價，以期對實現(xiàn)大面積農(nóng)作物遙感信息準確提取和快速更新。

二、試驗區(qū)概況及遙感影像特征

2.1 試驗區(qū)概況

本文以河北省衡水市饒陽縣某地區(qū)作為影像分類與信息提取的試驗區(qū)。饒陽縣屬于暖溫帶亞濕潤季風(fēng)氣候，共有林地面積23.8萬畝，森林覆蓋率達30%；有耕地58萬畝，有效灌溉面積38萬畝。試驗區(qū)處于我國主要糧食基地黃淮海平原上，農(nóng)作物種類較多，完全可以滿足本次試驗的需要。

2.2 遙感數(shù)據(jù)特征

本次主要選擇Landsat8數(shù)據(jù)作為遙感數(shù)據(jù)源，該數(shù)據(jù)從中國對地觀測中心免費獲取。Landsat8上攜帶有兩個主要載荷：OLI和TIRS，Landsat8 OLI數(shù)據(jù)主要為可見光到短波紅外波段，TIRS為熱紅外波段，本次研究工作主要使用Landsat8 OLI數(shù)據(jù)。其具有如下特征：

OLI陸地成像儀包括9個波段（表1），空間分辨率為30m，其中包括一個15m的全色波段，成像寬幅為185×185km。

?

?

2.3 數(shù)據(jù)預(yù)處理

遙感數(shù)據(jù)預(yù)處理，旨在改正或補償成像過程中的輻射失真、幾何畸變、各種噪聲以及高頻信息的損失等，為進一步做各類增強或分類處理等提供高質(zhì)量的圖像數(shù)據(jù)。試驗區(qū)所選用的遙感數(shù)據(jù)，均進行了圖像預(yù)處理，主要包括大氣校正、幾何校正、圖像配準、圖像鑲嵌等處理。

三、研究方法

3.1 面向?qū)ο蟮亩喑叨葓D像分割

首先進行多尺度分割，多尺度影像分割可以理解為一個局部優(yōu)化過程。影像分割的參數(shù)主要有分割尺度、光譜因子、形狀因子等[5-6]。其中，分割尺度決定了分割對象的大小，不同的地物類別需要在不同尺度上分割；光譜因子決定了均質(zhì)性由圖像層的光譜值所決定的百分比；光滑度和緊湊度同屬于形狀因子，光滑度因子是通過光滑邊界來優(yōu)化圖像對象的，而緊湊度因子是通過聚集度來優(yōu)化圖像對象。異質(zhì)性則是由對象的形狀和光譜差異決定的，形狀的異質(zhì)性則是由其光滑度和緊湊度來衡量。

分割時應(yīng)遵循兩個原則：一是盡可能設(shè)置較大的光譜因子權(quán)值；二是對于邊界不很光滑，但聚集度較高的影像可能使用形狀因子[7-8]。在滿足必要的精細條件下，盡量以最大的分割尺度獲取影像對象。影像分割參數(shù)，無既定的規(guī)則可行，需要通過試驗獲得[9]。Landsat8數(shù)據(jù)空間分辨率15m，本文經(jīng)過多次試驗結(jié)果，光譜因子取值0.8，形狀因子0.2，光滑度0.7，緊湊度0.3，影像分割效果好（圖1）。

本次試驗主要選擇3個分割尺度：20、60、100對試驗區(qū)的Landsat8影像進行分割，分別得到3個分割結(jié)果（圖1～圖3）。通過對比分析（表2），在尺度60上，裸地、耕地、道路等地物能夠較好地區(qū)分開，同時由較少的對象表示。

3.2 信息提取

3.2.1 植被指數(shù)分析

植被在紅波段、近紅外波段的反射值具有較大差異，通常對紅波段、近紅外波段進行數(shù)學(xué)預(yù)算來設(shè)計植被指數(shù)，突出植被信息。本次信息提取主要運用歸一化植被指數(shù)NDVI。

式（1）中，NIR表示近紅外波段，R表示紅外波段。NDVI取值范圍（-1，1），負值表示地面覆蓋云、水、雪等，對可見光高反射；0表示有巖石或裸土等，NIR和R近似相等；正值表示植被覆蓋，NDVI越大表示植被覆蓋度越大。

3.2.2 隸屬度函數(shù)分類

試驗區(qū)Landsat8數(shù)據(jù)時相為7月份，本次信息提取采用隸屬度函數(shù)分類法對植被與非植被進行分類。

隸屬度函數(shù)（成員函數(shù)）是一個模糊表達式，通過將影像對象的仟意特征值轉(zhuǎn)換為0～1之間的數(shù)值，表示該對象屬于某類地物的可能性，值越大，則該對象屬于此類的可能性就越大。本次植被與非植被信息提取中隸屬度函數(shù)設(shè)置分別如圖4、圖5所示。

運用S函數(shù)和反S函數(shù)，根據(jù)NDVI值，提取植被信息。在Landsat8影像中，對象的NDVI值越大，則屬于植被的可能性就越大，當(dāng)對象的NDVI值達到0.01或更大，則該對象確認為植被。對象的NDVI值越小，則屬于非植被的可能性就越小，當(dāng)對象NDVI值為0或更小時，則該對象被確定為非植被。

基于Landsat8影像植被信息提取結(jié)果如圖6所示。

四、精度評價

4.1 精度評價指標

全局精度（QA）是所有準確分類中所占的比例，是一個比較粗的精度衡量指標，只能給出整體的精度信息，不能給出某一具體類別的精度信息。全局精度計算公式如下：

式（2）中，n為所涉及的像素總數(shù)，QA為混淆矩陣對角線上的總和除以所涉及的像素總數(shù)值。

利用全局精度進行精度評價時，像素類別的小變動可能導(dǎo)致百分比的變化，運用這些指標的客觀性依賴于采集樣本及方法。許多專家學(xué)者對信息提取結(jié)果精度評價指標進行過研究與探討，其中Kappa系數(shù)法應(yīng)用非常廣泛。蒲智、曹雪、葛春青、熊軼群、周春艷、莫登奎等[10-15]，都采用Kappa系數(shù)對信息提取的結(jié)果進行精度評價。

kappa系數(shù)采用一種離散的多元技術(shù)，克服了像素類別小的變動可能導(dǎo)致百分比變化的缺點，可以更客觀地評價分類質(zhì)量，既考慮了對角線上被正確分類的像素，也考慮了不在對角線上的各種漏分和混分誤差。Kappa分析產(chǎn)生的評價指標被稱為Khat統(tǒng)計，統(tǒng)計公式如式（2）所示。

式（3）中，r是混淆矩陣中的總列數(shù)；xii是混淆矩陣中第i行、第i列上像素數(shù)量；xi+和x+i分別是第i行和第i列的總像素數(shù)量；N是用于精度評價的總像素數(shù)量。

4.2 精度評價

通過試驗區(qū)的外接矩形，將其平均分為10行15列，則試驗區(qū)內(nèi)行與列的交點作為精度評價的采樣點，共150個?；贚andsat8影像，通過目視解譯，設(shè)定目視解譯結(jié)果為已知地物類，按試驗信息提取的圖像中特定像元與已知分類的參考像元（圖7）進行比較，用通用的遙感分類圖像質(zhì)量評價混淆計算全局精度及Kappa系數(shù)。

面向?qū)ο驦andsat8影像植被信息提取結(jié)果的混淆舉證如表3所示。

?

通過混淆矩陣計算，面向?qū)ο蟮腖andsat8影像信息提取結(jié)果中，全局精度為85.33%，Kappa系數(shù)為0.67。根據(jù)kappa統(tǒng)計值與分類精度的對應(yīng)關(guān)系[16]，分類精度較好。

五、結(jié)語

（1）通過面向?qū)ο蠖喑叨确指顚嶒?，確定了試驗區(qū)基于Landsat8影像的分割尺度60為最優(yōu)分割尺度。

（2）在最優(yōu)分割尺度的基礎(chǔ)上，采用隸屬度函數(shù)分類法對植被與非植被進行信息提取，

通過精度分析評價，全局精度為85.33%，Kappa系數(shù)為0.67，分類精度較好。

（3）通過本次實驗，論證了面向?qū)ο笥跋穹诸惻c信息提取效果較好，可以有效應(yīng)用在農(nóng)作物遙感快速解譯與監(jiān)測中。

[1]吳炳方.中國農(nóng)情遙感速報系統(tǒng)[J].遙感學(xué)報,2004,8(6):202—205．

[2]R K LENNGTON,C T SORENSEN,R P HEYDORN.A Mixture Model Approach forEstimating Crop Areas from Land sat Data [J].Remote Sensing of Environment.1984,14:197—206.

[3]徐希孺,周蓮芳,朱曉紅.混合像元的因子分析方法及其在大范圍冬小麥播種面積估算中的應(yīng)用探討[J].科學(xué)通報,1989,34(12):946-949.

[4]N A QUARMBY,J R G TOWNSHEND,J J SETTLE,et al.Linear mixture modeling applied to AVHRR data for crop area estimation [J].Int.J.Remote sensing,1992,13(3):415-425.

[5]陽松.面向?qū)ο蟮哪：诸惙ㄔ谕恋乩谜{(diào)查中的應(yīng)用[J].科技情報開發(fā)與經(jīng)濟,2007,(3):184-185

[6]Gusella L.Object-oriented Image Understanding and Postearthquake Damage Assessment for the 2003 Bam,Iran,Earthquake[J].Earthquake Spectra,2005,Sl(21):225-238.

[7]馬春林.基于植被指數(shù)NDVI的遙感信息提取[J].信息科技,2009:114．

[8]Mao J,Jain A.Texture classification and segmentation using multiresolution simultaneous autoregressive models [J].Pattern Recognition,25:173-188.

[9]Woodcock C E,Strahler A H.The factor for scale in remote sensing[J].Remote Sensing of Environment,1987,21:311-332.

[10]曹雪,柯長青.基于對象級的高分辨率遙感影像分類研究[J].應(yīng)用技術(shù),2006,5(87):27-30．

[11]蒲智,劉萍,楊遼,等.面向?qū)ο蠹夹g(shù)在城市綠地信息提取中的應(yīng)用[J].福建林業(yè)科技,2006,33(1):40-44.

[12]周春艷,王萍,張振勇,等.基于面向?qū)ο笮畔⑻崛〖夹g(shù)的城市用地分類[J].遙感技術(shù)與應(yīng)用,2008,23(1):31-35．

[13]莫登奎,林輝,孫華,等.基于高分辨率遙感影像的土地覆蓋信息提取[J].遙感技術(shù)與應(yīng)用,2005,20(4):411-414．

[14]熊軼群,吳健平.面向?qū)ο蟮某鞘芯G地信息提取方法研究[J].華東師范大學(xué)學(xué)報(自然科學(xué)版),2006,4:84-90．

[15]葛春青,張凌寒,楊杰.基于決策樹規(guī)則的面向?qū)ο筮b感影像分類[J].2009,2:86-90．

[16]Lucas,I.F.J,Frans,J.M.Accuracy assessment of satellite deriverd land-cover date:a review[J].Photogrammetric Engineering＆Remote Sensing,1994,60(4):410-432.