煙田地膜為特征的高分辨率遙感影像煙草種植面積提取

喻 俊，王 杲，帥開德，楚天舒

（1.湖南省煙草公司張家界市公司，湖南 張家界 427000；2.張家界市測繪院，湖南 張家界 427000）

0 引言

煙草是中國最重要的經(jīng)濟作物之一。而煙草的生長發(fā)育對光、熱、水等自然環(huán)境條件反應(yīng)敏感，對自然環(huán)境要求較高，煙葉生長周期長、種植勞動強度大、用工投入多、技術(shù)要求高?？焖?、實時、準確地獲取煙草的生長信息是實現(xiàn)煙草精益生產(chǎn)的關(guān)鍵。目前為止，煙草種植面積的核實仍以實地勘查和人工測量估算為主，且多為點狀數(shù)據(jù)，測定范圍小。在逐級上報的過程當中存著在很多的人為因素，不僅導(dǎo)致上報數(shù)據(jù)不夠準確，而且浪費了大量的人力、物力和財力[1]。

遙感在監(jiān)測和區(qū)分不同類型植被、反演植被健康狀況和作物成熟度方面具有重要作用，已經(jīng)廣泛被應(yīng)用于作物監(jiān)測領(lǐng)域。孟秀軍等[2]利用無人機自動高效、高分、生產(chǎn)周期短等特點設(shè)計出了無人機遙感方式監(jiān)測煙田形態(tài)和種植情況的解決方案，計算得出了煙田區(qū)域位置、面積及株樹等詳盡信息。薛宇飛等[3]以莽市煙草物候期Sentinel-2 多光譜數(shù)據(jù)為數(shù)據(jù)源，以NDVI、各波段不同地表反射率等數(shù)據(jù)構(gòu)建特征變量集，構(gòu)建地表光譜特征、植被指數(shù)、紅邊指數(shù)等特征分類規(guī)則。采用閾值法和最近鄰分類法，準確提取了莽市主要作物煙草的種植面積信息。彭光雄等[4]以云南省魯西縣做為研究區(qū)，分析移植物后的煙田膜可作為煙草識別的特征標志，可知5 月下旬至6 月上旬為煙區(qū)遙感監(jiān)測的最佳時間。羅貞寶等[5]以畢節(jié)市七星關(guān)區(qū)大河鄉(xiāng)煙草苗期（覆膜）和成熟期的GF-1/2 影像數(shù)據(jù)為數(shù)據(jù)源，基于面向?qū)ο蟮姆诸惙椒?，以光譜、形狀和NDVI 植被指數(shù)為分類特征，對研究區(qū)主要地物類型進行分類，準確提取了研究區(qū)煙草種植面積。

利用衛(wèi)星遙感技術(shù)對不同植被類型的監(jiān)控與識別，反演植被的生態(tài)環(huán)境及農(nóng)作物的成熟程度有著十分關(guān)鍵的意義，已經(jīng)在農(nóng)作物的監(jiān)控中得到了越來越多的運用。利用無人機拍攝的航空影像能計算得出了煙田區(qū)域位置、面積及株樹等詳盡信息[5]，但是無法做到宏觀大面積測量。利用衛(wèi)星遙感數(shù)據(jù)可以對煙草種植面積完成精準提取，但是提取周期過長，無法利用提取結(jié)果完成當年的煙葉生產(chǎn)的再調(diào)整。由于煙草部門需要根據(jù)當年的觀測數(shù)據(jù)實時調(diào)配相關(guān)生產(chǎn)物料，所以快速、準確測量出煙田面積才能更好滿足生產(chǎn)的需要。

本研究利用多源遙感數(shù)據(jù)，以煙田地膜為主要特征，采用面向?qū)ο蟮姆诸惙椒?，加以閾值分類方法掩膜提取，完成煙田面積精準且實時的提取。

1 研究區(qū)概況

研究區(qū)位于湖南省桑植縣以北龍?zhí)镀烘?zhèn)，地形以高山丘陵為主，垂直差異顯著，氣候?qū)賮啛釒Ъ撅L濕潤氣候，雨量充沛，氣候溫和。充足的雨水，由于立體的氣候條件，可以制造出不同類型的卷煙產(chǎn)品，其他主要種植的農(nóng)作物有玉米、油菜以及水稻。

2 數(shù)據(jù)源及研究方法

2.1 數(shù)據(jù)源及預(yù)處理

①本研究所需GF-6 衛(wèi)星的2m 分辨率全色和8m分辨率多光譜相機影像、JLKF01 衛(wèi)星的1m 分辨率全色數(shù)據(jù)和4m 分辨率多光譜數(shù)據(jù)來源為https：//www.img.net/searchData；②三調(diào)耕地數(shù)據(jù)。

遙感影像預(yù)處理使用ENVI5.3，處理過程主要有：輻射校正、大氣校正、幾何校正、裁剪與鑲嵌。

2.2 常見作物物候期的分析

經(jīng)過調(diào)查研究發(fā)現(xiàn)，龍?zhí)镀烘?zhèn)屬于多山高山地區(qū)，森林面積約占85%，其當?shù)刂饕r(nóng)作物為水稻、玉米、茶葉、油菜、煙草。春夏季主要作物為水稻、玉米、煙草。根據(jù)煙草的輪作特性，某些病原體，例如，根和莖病害（如黑脛病等），能夠在病株的土壤當中生存3 年甚至更長的時間，使病蟲害得以傳播蔓延。因此，煙草在同一年不會與其他的作物進行輪作種植，而油菜往往與水稻和玉米輪作，同年4 月收割完油菜以后，會繼續(xù)輪作種植水稻和玉米，因此在衛(wèi)星影像上反映出的結(jié)果就是4 月中旬之前的煙田處于起隆階段，屬于荒地。

由于桑植縣在4—6 月處于梅雨季，獲取單一數(shù)據(jù)源的難度比較大，所以采用GF6 衛(wèi)星影像和JLKF 衛(wèi)星組合的數(shù)據(jù)作為數(shù)據(jù)源。根據(jù)桑植縣煙草物候節(jié)律來確定影像獲取時間，本研究采用GF6 衛(wèi)星影像和JLKF衛(wèi)星組合的數(shù)據(jù)作為數(shù)據(jù)源。根據(jù)桑植縣煙草物候節(jié)律確定影像獲取時間，選取了2022 年4 月4 日和5 月5 日拍攝兩個時間段共8 景衛(wèi)星影像，分別對應(yīng)煙草的移栽期和還苗期做了調(diào)研。如表1 所示[6]。

表1 煙草物候期對應(yīng)調(diào)查時間信息

2.3 多尺度分割

影像分割是一種既能自動生成遙感影像的影像對象，又能將這些影像對象按等級結(jié)構(gòu)聯(lián)接起來的一門技術(shù)[7]。圖像分割后獲得圖像目標，各圖像目標內(nèi)部大致均勻，紋理和頻譜特性相近。

多尺度分割從多個尺度對圖像進行分割，生成多個尺度的目標層，然后根據(jù)形狀和光譜相似性進行分割，對影像對象進行自底向上的聚類合并，分割尺度大的對象包含更多像元數(shù)目，相反小尺度對象包含較少的像元。

2.4 最鄰近分類

K 最鄰近（Kˉnearest neighbor, KNN）算法是一種在特征空間中基于最鄰近的訓練樣本來區(qū)分對象的方法。為了判斷未知樣本的類別，利用已知的各類型樣品，分別對未知樣品和已知樣品的間距進行了分析，選擇了K 個與未知樣品相鄰的K 個樣品，采用“少數(shù)優(yōu)先”的投票原則；將該未知樣品與K 個最相近的、屬多個分類的樣品進行分類[8]。

2.5 閾值分類

閾值分類（assign class）指定類算法通過建立閾值條件來來判定分割對象是否屬于某一類別，所需抽取的分類可以作為目標分類，其他分類可以作為背景分類。在目標類型和背景類型之間有明顯差別的情況下，利用閾值分類方法構(gòu)造出相應(yīng)的分類規(guī)則，本研究利用歸一化植被指數(shù)（NDVI）和亮度平均值作為閾值分類的特征。其中NDVI 的計算公式如式（1）所示。

式中：NIR——近紅外波段；R——紅波段。

2.6 精度評價

遙感圖像分類后對象與其實際地物對比的精度是反應(yīng)圖像分類結(jié)果優(yōu)劣的定量評價方式，其中，混淆矩陣是一種常用的方法來表示分類的精度。用來代表種類數(shù)目，由參照分類的結(jié)果判定的種類數(shù)目是一個對比的。該系統(tǒng)包括了與真實得分有關(guān)的參考分類和真實得分。通過混淆矩陣，可以看出各類型的遺漏和誤差，以及可以計算出全局精度（overall accuracy, OA）和Kappa 系數(shù)，以及用戶精度和生產(chǎn)者精度。OA 的具體公式如式（2）所示。

Kappa 系數(shù)可以用更客觀的指標來評價分類質(zhì)量。Kappa 因子所生成的評估指數(shù)叫做Khat 統(tǒng)計學，它能反應(yīng)出所抽取的數(shù)據(jù)與實際地形的一致性。在Kappa 因子低于0.4 的情況下，其一致性不佳；Kappa因子在0.4～0.6 范圍內(nèi)表示符合程度比較正常，Kappa因子大于0.6 則表示兩者具有很好的一致性。如式（3）所示。

式中：r——混亂矩陣中的全部列（也就是總體分類號）；Xii——在迷惑矩陣中第i 行和i 列上的象素的數(shù)目（也就是，被適當?shù)貏澐值臄?shù)）；Xi+及X+i——第i 列中的象素總數(shù)；H——精確估計所需的全部象素數(shù)目。

2.7 煙田提取技術(shù)路線

首先，對4 月拍攝的JLKF01 和5 月拍攝的GF-6數(shù)據(jù)進行數(shù)據(jù)預(yù)處理；其次，對5 月研究區(qū)的遙感影像使用面向?qū)ο蟮姆诸惙椒ù痔崛√崛熖锔材ば畔ⅲ倮? 月遙感影像的荒地和三調(diào)數(shù)據(jù)對其他地類進行掩膜，準確提取煙田種植面積；最后對分類的結(jié)果進行精度評價，從而獲得龍?zhí)镀烘?zhèn)煙草種植區(qū)域圖。技術(shù)路線如圖1 所示。

圖1 技術(shù)路線

3 結(jié)果

3.1 確定最優(yōu)分割尺度

本研究利用eCognition 軟件來實現(xiàn)圖像的分割，為了驗證分割的最優(yōu)參數(shù)，采用“試錯法”來確定尺度參數(shù)（Scale Parameter）、同質(zhì)性（Compactness）、形狀因子（shape）。尺度參數(shù)（Scale Parameter）是定義影像對象層的均一性準則的最大標準差，尺度參數(shù)值越大，影像對象層的輪廓越大。形態(tài)因子和顏色因子（color）呈反比，若遙感影像中的彩色不夠顯著，則應(yīng)將形態(tài)因子降低到合適的程度；當影像的輪廓不清楚時，適當調(diào)整形態(tài)因子。緊密度與平滑度（Smoothness）呈反比例關(guān)系，光順度對邊沿光滑度的大小產(chǎn)生一定的作用，而緊密度則會對整體的緊密性產(chǎn)生一定的作用，有助于區(qū)分緊密的和不緊密的區(qū)域。本研究分別對4 月和5 月的影像進行分割，如圖2、圖3 所示，在尺度參數(shù)都是20，緊致度不變，形狀因子分別為0.1 和0.4 的分割圖像?？梢钥闯?，由于圖像的顏色很豐富，兩個參數(shù)的色彩差異不大，右邊的圖形在邊緣上要比左邊的要精細得多。

圖2 形狀因子0.1 效果

圖3 形狀因子0.4 效果

3.2 分類規(guī)則與分類結(jié)果

本研究采用各波段反射率平均值、亮度、形狀為面向?qū)ο笞钹徑诸愄卣?，通過目視解譯選擇煙田、林地、水體、建設(shè)用地、耕地種植地、耕地裸地6 種地類各20～40 個訓練樣本，執(zhí)行面向?qū)ο笞钹徑诸?。然后利用NDVI 和亮度值作為閾值分類的特征對最鄰近分類結(jié)果進行再分類，分類操作在eCognition 軟件中操作實現(xiàn)。分類結(jié)果如圖4 所示。

圖4 分類結(jié)果

3.3 煙田精提取

3.3.1 掩膜耕地裸地

分析5 月遙感影像的分類結(jié)果，發(fā)現(xiàn)耕地裸地存在與煙田地類相似光譜特征，出現(xiàn)部分煙田錯分為裸地和部分裸地錯分為煙田的情況，煙田地膜由于反光，NDVI＜0，裸地反射率低于地膜反射率NDVI＞0。因此，對NDVI＞0 的對象進行掩膜。

3.3.2 煙田地膜精提取

根據(jù)對煙草物候特征，煙草在覆蓋地膜前是裸地，因此利用4 月的遙感影像在5 月遙感影像的分類結(jié)果的基礎(chǔ)上進行煙田地膜精提取[9]。鑒于此，對4 月遙感影像亮度值（Brightness）大于112，小于145 的對象進行提取。

3.3.3 掩膜非耕地

部分高亮的建設(shè)用地和水體也被分類到煙田和耕地裸地類別中，利用三調(diào)數(shù)據(jù)掩膜掉非耕地數(shù)據(jù)，進一步剔除上述煙田提取過程中的建設(shè)用地和水體類別[10]。最終煙田提取結(jié)果如圖5 所示。

圖5 煙田提取分布

3.4 分類精度結(jié)果與評價

利用面向?qū)ο蟮姆诸惙椒ń庾g無人機獲取的高分辨率遙感影像可以獲得精確的煙草種植信息。通過基于樣本點的混淆矩陣精度評價方法（Error Matrix based on Samples）來定量評價面向?qū)ο蠓诸惤Y(jié)果精度[11]。在ArcGIS 中生成隨機點，通過對研究區(qū)衛(wèi)星影像目視解譯，給樣本點添加地類名稱，如圖6 所示，共包括200個樣本點，耕地裸地30 個，耕地種植地19 個，建設(shè)用地29 個，林地70 個，水體13 個，煙田39 個。

圖6 煙田實地驗證點和其他地類目視解譯點分布

分類結(jié)果OA 達到83.5%，Kappa 系數(shù)為0.79，對于單一地類精度，完成煙田精提取后，煙田生產(chǎn)者精度（producer accuracy, PA）達到86.04%，用戶精度（user accuracy, UA）達到87.17%。其余地類如林地和耕地裸地的PA 和UA 也較高，是易區(qū)分的地類，如表2 所示。

表2 分類精度

4 結(jié)語

煙草行業(yè)具有顯著的經(jīng)濟效應(yīng)，煙草種植面積的遙感提取值得深入研究。煙田面積監(jiān)測對煙葉生產(chǎn)有重要的指導(dǎo)意義，利用煙葉生產(chǎn)旺季對煙田面積提取往往無法滿足當年計劃生產(chǎn)的再部署。本研究利用煙田地膜是煙田信息提取的重要特征，再結(jié)合煙葉、水稻、油菜等作物的物候特征，對兩個時段的遙感影像進行面向?qū)ο蟮姆诸悾罱K掩膜提取得到煙田分布范圍，從而在煙草生長初期掌握到煙田的種植面積。通過對該方法的精確性評估，該方法的整體準確率達到83.5%，Kappa 因子0.79，煙田提取的用戶精度可達92.23%，能滿足煙草生產(chǎn)經(jīng)營的需要。

本文是利用4 月JLKF01 和5 月拍攝的GF-6 組合的數(shù)據(jù)集進行觀測，分別是1m 和2m 的空間分辨率。但是，5 月的GF-6 遙感影像拍攝時間為5 月5 日，通過實地驗證，部分煙田在5 月5 日后才進行蓋膜的工作，而煙草進行成活和生長期在5 月底和6 月初左右，導(dǎo)致部分煙田被分類到裸地，因此該研究區(qū)最佳的采集時間在5 月15 日，能幫助獲取好的觀測精度。