多源衛(wèi)星數(shù)據(jù)的農(nóng)用地膜信息提取

李佳雨，王華斌，王光輝，翟浩然，韓 旻，程 前

(1. 遼寧工程技術(shù)大學(xué)，遼寧 阜新 123000； 2. 國家測繪地理信息局衛(wèi)星測繪應(yīng)用中心，北京 100048)

20世紀(jì)中葉，地膜覆蓋技術(shù)最先由西方發(fā)達國家使用，其對農(nóng)作物具有增溫、保墑、抑制雜草等功能。地膜覆蓋技術(shù)在20世紀(jì)80年代傳入中國，在高寒、干旱及半干旱地區(qū)的農(nóng)作物種植中得到廣泛使用。地膜覆蓋技術(shù)的使用改變了原有的農(nóng)業(yè)生產(chǎn)方式，在大范圍內(nèi)將糧食單產(chǎn)提高20%～30%，為保障我國糧食安全做出了重大貢獻[1]。目前，地膜覆蓋技術(shù)已在40多種農(nóng)作物的種植上成功推廣應(yīng)用，并呈現(xiàn)出逐漸增長的趨勢。1982—2016年的《中國農(nóng)業(yè)統(tǒng)計年鑒》數(shù)據(jù)顯示，1982年中國農(nóng)作物地膜覆蓋面積僅為1.5萬hm2，2001年上升到1096萬hm2，2015年已達到1 831.8 hm2，33年間擴大了1000余倍。大規(guī)模的地膜覆蓋面積變化，對于地表生物多樣性及土壤能量平衡都有一定影響，而且在耕作過程中，由于原有地膜回收方式的局限性及環(huán)保意識的缺乏，農(nóng)田中存在較高比例的地膜殘留。這些地膜殘留不僅會對農(nóng)田造成面源污染、破壞土壤結(jié)構(gòu)，而且阻礙水肥輸導(dǎo)，影響土壤通透性和作物生長發(fā)育，對農(nóng)業(yè)環(huán)境構(gòu)成重大威脅[2]。傳統(tǒng)方法采用實地調(diào)查、逐級上報的方式獲取地膜覆蓋信息，該方法受主觀因素影響大，且耗費大量的人力物力，仍然難以得到準(zhǔn)確的監(jiān)測結(jié)果。而衛(wèi)星遙感技術(shù)可以克服現(xiàn)場調(diào)查的不足，具有覆蓋面積廣、重訪周期短、監(jiān)測成本低等特點，可以實現(xiàn)大面積同步觀測，實時準(zhǔn)確地獲取地膜覆蓋面積及地理分布等信息，該信息對于國家農(nóng)業(yè)規(guī)劃、資源管理、環(huán)境保護等方面具有重要的意義[3]。

近年來，一些學(xué)者開始研究利用遙感手段對農(nóng)用地膜進行監(jiān)測與信息提取。Eufemia Tarantino等[4]采用面向?qū)ο笞罱彿诸惖姆椒◤暮脚挠跋裰刑崛〉孛娴啬ば畔ⅰu等[5]通過分析典型地物的波譜特征建立決策樹分類器，對Landsat 5時間序列影像進行地膜信息提取。之后，Lu等[6]又通過對MODIS時間序列影像建立閾值模型的方式來提取地膜信息，并與Landsat提取結(jié)果對比以驗證方法的可行性。Hasituya等[7]通過光譜特征與紋理特征相結(jié)合的方式，分別使用MLC、MDC和SVM分類器進行地膜提取，試驗結(jié)果證明了SVM分類器的優(yōu)勢性。Hasituya等[8]又采用RF和SVM分類器對多時相Landsat衛(wèi)星數(shù)據(jù)進行地膜提取，通過試驗得出最佳的地膜提取時間為4月，并得出光譜、NDVI、GI等特征在提取過程中更具重要性的結(jié)論。從上述相關(guān)研究可以看出，目前學(xué)術(shù)界對于地膜提取的研究相對較少，已有的研究多采用Landsat衛(wèi)星等對地觀測數(shù)據(jù)，分辨率相對較低，提取結(jié)果的誤差相對較大。

本文采用資源三號與Landsat衛(wèi)星融合數(shù)據(jù)作為數(shù)據(jù)源，采用多特征優(yōu)選面向?qū)ο箅S機森林分類的方式，對甘肅省張掖市臨澤縣部分地區(qū)進行地膜提取。該方法計算特征少、實現(xiàn)簡便，在保證地膜提取能力的同時，有效降低了數(shù)據(jù)處理量，對于高分辨率影像農(nóng)用地膜提取具有良好的適用性。

1 數(shù)據(jù)來源

1.1 研究區(qū)概況

本文研究區(qū)位于甘肅省張掖市臨澤縣。臨澤縣地處甘肅省河西走廊中部，東經(jīng)99°51′—100°30′，北緯38°57′—39°42′之間。該地區(qū)屬于大陸性荒漠草原氣候，氣候干燥，降水稀少，日照時間長，蒸發(fā)量大，多風(fēng)，農(nóng)作物種植多采用地膜覆蓋的方式進行增溫保墑。研究區(qū)位置如圖1所示。

2017年6月23日、24日對研究區(qū)進行了實地調(diào)研。本次調(diào)研共涉及200個樣本地塊，在保證樣本地塊均勻分布的前提下，對典型區(qū)域進行了重點判讀。調(diào)查過程包括記錄地塊的作物類型、作物高度、是否覆蓋地膜、地膜顏色與材質(zhì)、地塊面積與經(jīng)緯度信息并拍攝地塊照片。調(diào)查結(jié)果顯示，該地區(qū)除河流附近部分玉米田未覆蓋地膜外，其余耕地中的大部分均被地膜覆蓋。實地調(diào)研數(shù)據(jù)為目視解譯提供了可靠的先驗知識，并能為地膜提取結(jié)果提供可靠的精度驗證參考。依據(jù)實地調(diào)研數(shù)據(jù)獲得的解譯標(biāo)準(zhǔn)見表1。在后續(xù)識別過程中，將二者視為同一種類進行識別。

1.2 數(shù)據(jù)及預(yù)處理

在我國西北地區(qū)，春季覆膜一般在3月上旬開始鋪設(shè)，4月中旬基本鋪設(shè)完畢。因此選取的資源三號數(shù)據(jù)的影像獲取時間為2017年4月22日，Landsat影像獲取時間為2017年4月27日。該組數(shù)據(jù)既保證了地膜提取的時效性，又兼顧了地膜的覆蓋率，使提取結(jié)果更為準(zhǔn)確。

在進行預(yù)處理時，首先對資源三號衛(wèi)星2.1 m 分辨率全色影像與Landsat衛(wèi)星30 m分辨率多光譜影像依次進行正射校正、輻射校正與大氣校正；而后對兩幅影像進行空間配準(zhǔn)，使得同名點像元一一對應(yīng)；然后對Landsat 8 OLI 30 m多光譜數(shù)據(jù)進行重采樣至資源三號影像的多光譜分辨率，在ArcGIS軟件中對重采樣后的多光譜數(shù)據(jù)進行投影變換，使之與全色影像投影一致；最后在ENVI軟件中使用Gram-Schmidt Pan Sharpening方法進行圖像融合，融合后影像大小為3800×3500。

2 方法與實現(xiàn)

本文將Landsat衛(wèi)星的光譜分辨率優(yōu)勢與資源三號衛(wèi)星的空間分辨率優(yōu)勢相結(jié)合，首先通過改進Mean-Shift分割算法將處理基元轉(zhuǎn)化為小對象；再提取融合影像的光譜、指數(shù)與紋理等特征，以O(shè)FS特征選擇算法對所有特征構(gòu)成的特征空間進行優(yōu)選；最后將優(yōu)選特征子空間導(dǎo)入隨機森林分類器內(nèi)進行訓(xùn)練并分類，以達到高精度快速識別地膜的目的。具體技術(shù)路線如圖2所示。

圖2 技術(shù)路線

2.1 融合顏色-紋理模型的均值漂移分割

影像分割是面向?qū)ο蠓诸惣夹g(shù)的基礎(chǔ)，影像分割的好壞直接決定遙感影像分類的精度[9]。本文以 Mean-Shift 初始分割結(jié)果為基礎(chǔ)，通過圖像的同等組濾波和顏色量化[10]得到類圖，將類圖視為顏色-紋理模型并融合到均值漂移算法中。以顏色-紋理模型的相似性評價準(zhǔn)則和分割對象輪廓信息評估相鄰區(qū)域合并條件，并進行區(qū)域合并，最終得到有效分割結(jié)果。將顏色-紋理模型融合到Mean-Shift 分割算法中，有效地克服了傳統(tǒng)Mean-Shift 算法易造成過分割的缺點，實現(xiàn)遙感影像的高準(zhǔn)確度分割。該方法在文獻[11]中已詳細論述。

2.2 特征提取

本文選取的特征包括4類，分別是光譜特征(7波段)、指數(shù)特征、幾何特征與各波段紋理特征，總計87個特征參數(shù)(見表2)。

表2 特征空間

2.3 特征選擇

特征提取與優(yōu)化對遙感影像分類的精度有重要的影響。在遙感影像自動分類中，特征越多所表達的影像信息越全面，但并非數(shù)量越多越好。首先，由于不同特征對影像分類的貢獻率不同，且部分特征之間存在較大的相關(guān)性，過多的重復(fù)使用可能導(dǎo)致分類精度的降低；其次，特征維數(shù)過高會造成“維數(shù)災(zāi)難”，將大量的特征參數(shù)應(yīng)用于分類器，會使計算量增大、分類效率降低。因此，選擇合適的特征空間對分類模型性能的提升具有重要作用。

為更好地確定合適的特征進行分類，本文采用特征空間優(yōu)化(FSO)算法進行特征優(yōu)選。FSO算法依據(jù)訓(xùn)練樣本的特征值，通過特征組合計算出不同類別訓(xùn)練樣本間的最大、平均、最小距離，得到優(yōu)化特征子空間，最后將特征子空間應(yīng)用于隨機森林分類器中。

2.4 隨機森林分類

隨機森林的概念最早由Breiman在2001年提出[12]。通過Bootstrap重抽樣方法從訓(xùn)練樣本集中抽取樣本，對抽取到的每個樣本進行決策樹分類。在生成決策樹時，每個節(jié)點都是從隨機選出的幾個變量中最優(yōu)分裂產(chǎn)生的。生成所有決策樹之后，用投票的方法對所有決策樹的分類結(jié)果進行整合，歸納匯總形成最終分類結(jié)果[13]。

應(yīng)用隨機森林分類時，在訓(xùn)練樣本數(shù)量一定的情況下，影響分類精度的兩個主要參數(shù)分別是最大特征數(shù)和最大決策樹數(shù)。①最大特征數(shù)即生成一棵決策樹所使用特征數(shù)的最大值。最大特征數(shù)的最優(yōu)參數(shù)可根據(jù)袋外數(shù)(out of bag， OOB)誤差率進行調(diào)整，以達到更高的精度[14]。②最大決策樹數(shù)即分類完成時所生成的決策樹數(shù)量。Breiman在文獻[15]中證明了，依據(jù)大數(shù)定理，當(dāng)最大決策樹數(shù)增加時模型泛化誤差收斂，不用擔(dān)心過訓(xùn)練的情況。因此在內(nèi)存允許的前提下，可選取盡量大的數(shù)量。本文分類時最大決策樹數(shù)設(shè)為100。

3 結(jié)果與分析

3.1 特征優(yōu)選分析

本文采用eCognition軟件中的FSO特征選擇工具，依據(jù)樣本選擇結(jié)果對提取的80多個特征進行特征優(yōu)選。通過測試結(jié)果可知，當(dāng)特征數(shù)量達到23時，類別間分離度達到最大值2.48，分離度曲線如圖3所示。FSO選取的特征包括光譜特征11個、指數(shù)特征1個、幾何特征4個、紋理特征7個。

3.2 分類結(jié)果對比

為了驗證該方法的有效性，本文共設(shè)計了4組試驗方案，試驗A采用光譜特征，試驗B采用光譜指數(shù)特征，試驗C采用光譜特征+指數(shù)特征+紋理特

征+幾何特征，試驗D采用多特征優(yōu)選(如圖4所示)。將4組提取結(jié)果在與原始圖進行目視對比可以發(fā)現(xiàn)：試驗B、C將部分河流錯分為地膜，在研究區(qū)右下角部分試驗A、B、C均有部分地膜被錯分為裸地等類型，而采用特征優(yōu)選的試驗D則具有較好的分類結(jié)果，錯分和漏分明顯少于其他3組試驗。

圖3 分離度曲線

圖4 各試驗分類結(jié)果

3.3 精度驗證

本文采用選取隨機點的方式，將研究區(qū)調(diào)研結(jié)果與同時期高分二號衛(wèi)星數(shù)據(jù)對試驗結(jié)果進行對照以驗證試驗精度，獲取試驗區(qū)分類結(jié)果的混淆矩陣；再通過混淆矩陣計算得到用戶精度、制圖精度、總體精度、Kappa系數(shù)等評價指標(biāo)。精度評價結(jié)果如圖5所示。

總體精度是分類對象與對應(yīng)地區(qū)真實地物類型的一致性概率，Kappa系數(shù)綜合了用戶精度和制圖精度兩個參數(shù)，是一個檢驗分類正確度的指標(biāo)，值越高說明分類結(jié)果越準(zhǔn)確。通過表2中4組試驗的精度分析結(jié)果可知，在研究區(qū)內(nèi)，總體區(qū)分能力由高到低依次為試驗D>試驗C>試驗B>試驗A，其中試驗D總體精度高于92%，Kappa系數(shù)高于0.90，其余3個試驗總體精度均低于86%，Kappa系數(shù)均低于0.83。

通過4組試驗分類結(jié)果與原始影像的對比可以發(fā)現(xiàn)，在引入指數(shù)特征與紋理特征后，總體分類精度與Kappa系數(shù)均有了不同程度的提升，這說明在分類過程中，不同類型特征之間存在著優(yōu)勢互補；而在進行特征優(yōu)選之后分類精度進一步提升，則說明特征優(yōu)選過程消除了部分特征之間的信息冗余。

4 結(jié) 論

針對目前農(nóng)用地膜遙感識別中存在的問題，本文提出了一種結(jié)合資源三號與Landsat 8 OLI衛(wèi)星影像數(shù)據(jù)的面向?qū)ο蟮啬ぷ詣犹崛》椒āＴ摲椒ňC合多源衛(wèi)星數(shù)據(jù)特點，采用改進的Mean-Shift算法完成影像的準(zhǔn)確分割，以調(diào)研數(shù)據(jù)為基準(zhǔn)采集樣本，通過FSO方法對光譜、指數(shù)、紋理等特征進行優(yōu)選，利用隨機森林分類器實現(xiàn)了地表地膜的自動識別。本文所提出的方法在有效識別地膜精度的同時，降低了訓(xùn)練特征維度，提升了地膜的識別效率，方法簡便，普適性強，具有一定的實際應(yīng)用價值。

圖5 精度對比