基于GF-1 PMS影像的檸檬種植面積估算*

蔣 怡，李宗南，任國業，王 昕，李章成

(四川省農業科學院遙感應用研究所，成都 610066)

基于GF-1 PMS影像的檸檬種植面積估算*

蔣 怡，李宗南※，任國業，王 昕，李章成

(四川省農業科學院遙感應用研究所，成都 610066)

為應用國產高空間分辨率影像快速、準確估算丘陵區檸檬種植面積，文章基于GF-1 PMS影像使用不同數據預處理及分類法估算檸檬種植面積。通過對影像進行大氣校正、數據融合、濾波等處理，分別得到光譜反射率數據、融合影像和紋理特征數據(分辨率分別為8m、2m、2m)。通過可分離性分析，發現荒草地和未成林檸檬的可分性最差，二者在光譜反射率數據、融合影像和紋理圖像中的可分性數值均小于1.8，是影響檸檬分類精度的主要因素。基于最大似然法的分類精度評價結果顯示，紋理圖像數據估算精度好于8m分辨率的多光譜反射率數據和2m分辨率的融合圖像，適當的影像預處理有助于提高監督分類精度。對比基于最大似然法的精度，基于面向對象法的檸檬面積估算精度達95.09%，高于監督分類法的，使用GF-1 PMS影像估算檸檬面積最優方法為面向對象法。該研究為應用國產高分辨率遙感數據快速、準確估算丘陵地區果樹種植面積提供了相關參考。

GF-1 PMS影像 檸檬 丘陵 種植面積 精度

0 引言

檸檬是一種蕓香科柑橘屬的小喬木植物，其果實富含維生素C、檸檬酸等，廣泛用來調制飲料菜肴以及提煉化妝品、藥品原料，具有良好的經濟價值。四川省安岳縣是中國最重要的檸檬種植區。根據安岳縣檸檬局統計數據，其種植規模、產量及市場占有率均占全國80%以上，產值70億元； 檸檬種植及加工已成為是該縣重要的特色產業。準確的檸檬種植空間分布、面積等空間信息是檸檬種植、生產等信息化管理的基礎數據，對產業優化、科學管理有重要作用。衛星遙感具有快速獲取大面積地面信息的優點，已成為經濟林木、果樹等空間信息的重要數據來源及方法。董芳[1]等利用遙感技術對丘陵地蘋果園區信息進行了提取，分析了蘋果園地遙感識別最佳時相，采用多種分類方法確定蘋果園地面積。雷彤[2]等通過對蘋果果期冠層光譜特征進行一系列分析，對蘋果的果期、果量進行了精確估測。胡佩敏[3]等通過采用歸一化植被指數閾值法和特征提取法，對宜都市柑橘空間的分布情況進行了研究。李雪[4]等利用衛星遙感數據分析了4種果樹林與其他地物的差異，為果樹面積的提取提供依據。劉克寶[5]等以高空間分辨率 Rapid-Eye影像為數據源，基于最大似然監督分類方法提取了肇東市2011年農作物種植結構空間分布。2013年以來，隨著國產高分專項實施，國產高分衛星數據獲取能力得到極大提升，但高分數據民用項目大范圍使用過程中存在數據量大、數據處理耗時長等問題，因此研究及選擇適合的數據預處理、分類方法，對提高數據處理效率和估算精度有重要作用。文章旨在研究GF-1 PMS遙感數據在檸檬種植空間分布及面積信息提取過程中的數據預處理及地物分類方法，為應用高分衛星遙感準確估算安岳縣檸檬種植面積提供參考。

圖1 安岳縣行政區劃

表1 GF-1 PMS數據波譜范圍

波段波長范圍(nm)中心波長(nm)全色580～895738藍色450～520504綠色520～590579紅色630～690680近紅外770～890810

1 材料與方法

1.1 研究區概況

安岳縣隸屬四川省資陽市，位于四川盆地東部，中心位于104°56′E，29°40′N，面積為2 690km2，行政區劃圖詳見圖1。該縣地勢西北向東南傾斜，中部高，兩邊低，海拔247～551m； 屬亞熱帶季風性氣候區，年均氣溫17.6℃，年降水量1 026mm，無霜期314d，氣候適宜檸檬種植、生長。

1.2 數據來源

1.2.1 遙感數據

以GF-1遙感衛星的PMS影像為數據源，影像拍攝日期為2014年4月12日，產品級別為Level 1A級。GF-1衛星搭載了二臺PMS相機，該相機可獲取空間分辨率為8m的多光譜影像和空間分辨率為2m的全色波段影像，單幅影像幅寬可達34km。影像光譜性能見表1。

1.2.2 驗證數據

于2015年8月17日～21日在安岳縣進行野外調查。通過實地調查建立解譯標志，將研究區內的典型地物分為成林檸檬、未成林檸檬、水體、林地、荒草地、油菜、旱地以及居民地和道路等8類。根據野外調查，該研究中成林檸檬是指4年以上樹齡的檸檬樹林，見圖2。未成林檸檬是指樹齡在3年以下裸土明顯的檸檬園地，見圖3。驗證區內檸檬面積數據，是以0.5m分辨率的數字正射圖像為底圖，結合野外調查通過目視解譯得到； 驗證區范圍在安岳縣內，長寬為10km×3km。0.5m分辨率的數字正射圖像由2014年4月12日獲取Pléiades 遙感影像生產，日期正好與高分影像拍攝日期一致。

1.3 影像預處理

對GF-1 L1A級的影像的預處理包括正射校正、輻射定標、大氣校正、圖像融合及紋理濾波等。大氣校正采用FLAASH模塊進行； 數據融合[6-8]采用超分辨率貝葉斯融合方法[9]； 紋理濾波采用基于二階概率統計的濾波方法[10-11]。其中正射校正所用DEM為ASTER GDEM V2版； 輻射定標及大氣校正所需參數和光譜響應函數來源于中國資源衛星應用中心。通過一系列預處理，得到了8m分辨率的多光譜反射率數據、2m分辨率的融合圖像和紋理圖像，圖像效果(RGB321)見圖4～6。

1.4 可分離性分析

遙感影像存在異物同譜和同物異譜現象，影響感興趣地物分類精度及面積估算精度。該研究通過評價檸檬在影像中的可分離性，分析應用GF-1 PMS影像識別區分檸檬的影響因素。該分析運用了Jeffries-Matusita距離和Transformed散度算法[12]，其結果值分布在0～2之間，不同類別間的數值大小代表二者區分度的好壞。數值接近或者小于1，表示2個類別的區分度很差，難以從圖像中將其區分； 數值小于1.8，一般表示可分離性較差； 數值大于1.9，表示所選擇感興趣區的可分離性良好。

該研究將對不同預處理得到的8m分辨率的多光譜反射率數據、2m分辨率的融合圖像和紋理圖像進行檸檬可分離性分析。不同地物在形狀、空間結構上有差異，紋理濾波處理需根據需求選擇適宜的濾波窗口，因此該研究對融合影像進行了15×15、21×21和23×23等3種窗口的濾波[13-15]，得出了3種窗口下的可分離性，并選擇分離性最佳的進行比較分析。

圖2 成林檸檬 圖3 未成林檸檬

圖4 多光譜反射率圖像 圖5 融合圖像 圖6 紋理圖像

1.5 檸檬種植面積估算

監督分類和面向對象分類均是可人工經驗干預分類的常用方法，在不同數據源、不同應用中二者有不同的效率和精度表現。該研究使用監督分類法和面向對象法提取檸檬種植空間分布，然后估算面積，通過比較二者面積精度選擇最優方法。

1.5.1 最大似然監督分類法

使用的監督分類法為最大似然法。對八類地物建立感興趣區； 分別對多光譜反射率圖像、融合圖像和紋理圖像進行分類，然后結合地面調查和專業知識對分類結果進行后處理[16]，剔除明顯錯分為檸檬的地物，最后統計檸檬圖斑面積。分類精度通過Kappa系數評價； 面積估算精度通過對比驗證區的檸檬面積進行評價。Kappa 系數是由 Cohen 在1960年提出的用于評價遙感圖像分類的正確程度的和比較圖件一致性的指數[17-18]。一般情況下，K<0.4，表示分類精度很差； K在0.4～0.8之間，表示分類精度屬于中等； K>0.8，表示分類精度高。

1.5.2 面向對象分類法

使用面向對象分類法，對融合圖像和多光譜圖像進行分類處理，然后統計檸檬圖斑面積。面向對象分類的對象創建過程中，圖像分割及合并的方法、尺度等因素影響對象創建及最終分類精度。在多次試驗比較后，該研究采用Edge算法進行分割，采樣Full lambda schedule算法進行合并。其中，融合圖像的分割尺度參數為30，合并的尺度參數為85，紋理濾波窗口為5； 多光譜圖像的分割尺度參數為25，合并的尺度參數為50，紋理濾波窗口為3。

2 結果與分析

2.1 不同圖像中檸檬的可分離性

在3類不同圖像上，通過對相同的訓練樣本進行評價，得出不同圖像內檸檬與其他地物的可分離性數值，結果見表2。

表2 基于不同圖像的檸檬可分離性

多光譜反射率圖像融合圖像紋理圖像成林檸檬未成林檸檬成林檸檬未成林檸檬成林檸檬未成林檸檬成林檸檬0.0000.0000.000未成林檸檬1.8420.0001.8370.0001.8730.000居民地、道路1.9971.9331.9981.9551.9981.931水體2.0002.0002.0002.0002.0002.000林地1.9982.0001.9951.9991.9982.000荒草地1.9981.6131.9981.4411.9991.547油菜1.8102.0001.8041.9991.8012.000旱地2.0001.9052.0001.9581.9981.918

根據表2的結果，在不同圖像中，成林檸檬與油菜的可分離性均低于成林檸檬與其他地物的，分別為1.810、1.804及1.801，但數值均大于1.8，屬于可分離性較好的范圍； 未成林檸檬與荒草地之間的可分離性均低于未成林檸檬與其他地物的，分別為1.613、1.441及1.547，數值均低于1.8； 說明荒草地與未成林檸檬在3種圖像中均較難區分。根據野外調查，該研究中的荒草地主要包括2類：一是丘陵坡地表層土層薄、生長有稀疏雜草及灌木的土地； 另一是未種小春作物而長有稀疏雜草的土地。未成林檸檬為新種植的檸檬，根據圖3，未成林檸檬樹體矮小，樹體周圍有裸露土及雜草生長，故造成未成林檸檬和雜草地在像元視場有相似特征。綜合地面調查和可分離性評價，該研究認為荒草地是影響未成林檸檬分類及面積估算精度的主要因素。

表3 基于最大似然法的分類精度評價結果

類型多光譜反射率圖像融合圖像紋理圖像總體精度(%)97.2595.9598.05KAPPA系數0.96760.95160.9766

表4 監督分類面積精度

表5 面向對象分類面積精度

2.2 基于監督分類的檸檬面積估算精度

根據表3，在相同訓練樣區條件下，3種不同類型圖像的分類總體精度均超過95%，KAPPA系數也均超過0.95； 其中紋理圖像的總體精度最高，達到98.05%，Kappa系數為0.976 6。

將3種類型的圖像通過最大似然分類法得到的檸檬種植面積與驗證數據進行比對，其結果見表4。根據表4，基于紋理圖像的檸檬面積估算精度好于多光譜反射率圖像和融合圖像，其總面積精度達88.42%，其中成林檸檬的面積精度為91.97%，未成林檸檬的面積精度為85.11%。該結果說明增加紋理濾波處理，在一定程度上有助于提高基于最大似然分類法的檸檬面積估算精度。

2.3 基于面向對象分類的面積估算精度

將面向對象分類得到的檸檬種植面積同驗證數據比較，估算精度結果見表5。根據表5，使用融合圖像估算檸檬總面積的精度高于多光譜反射率圖像的，精度達95.09%，其中成林檸檬和未成林檸檬的面積精度分別為97.83%和92.55%。對比二者精度，多光譜反射率圖像的未成林檸檬面積估算精度明顯低于融合圖像的。該結果說明融合圖像集成2m空間分辨和多光譜的優勢，在使用面向對象法中可提高分類精度。

與使用紋理圖像的監督分類法比較，面向對象分類法的估算精度明顯好于前者。其主要原因為面向對象方法加入分割、合并、邊緣提取等數據處理，更充分的利用GF-1 PMS的2m全色影像和8m多光譜影像的地物的光譜、紋理特征。因此在GF-1 PMS影像估算檸檬面積的應用中，面向對象分類法是更好的選擇。

3 討論

該研究分析了檸檬分類、面積估算精度的影響因素，通過對比不同影像預處理和分類方法的檸檬面積估算精度，確定了GF-1 PMS影像估算安岳縣檸檬種植面積的最優方法。檸檬多年來作為安岳縣的特色種植產業，得到良好發展； 其種植規模不同于傳統破碎化的農業種植，而越來越多地呈現連片規模種植； 連片檸檬種植降低了其遙感識別及解譯的難度。在該研究中，成林檸檬與未成林檸檬之間由于樹體大小、閉郁度等因素，遙感特征差異明顯； 在真彩色合成的遙感圖像中，未成林檸檬的色彩特征與一般裸土的很相似，異物同譜極易造成地物錯分。解決該問題，進一步提高未成林檸檬解譯精度，可考慮采樣多時相影像、增加先驗知識改進解譯后處理等方法。利用多時相遙感影像的時間變化特征是一種解決遙感解譯異物同譜問題常用的方法； 我國大力發展高分遙感，影像獲取能力極大提高，因此加強該地區影像收集，可實現多時相遙感解譯。另外，根據實地調查建立的相關先驗知識有助于提高判讀精度。該縣新建果園均為檸檬園，主要分布在土壤水分充足、交通便利的田地，呈連片種植，分類后圖斑大； 荒草地通常分布在土層淺薄的丘陵坡地上，圖斑小且破碎。因此對未成林檸檬異物同譜分類結果，可在后處理中通過圖斑大小、破碎程度判斷未成林檸檬。

通過驗證數據檢驗，使用GF-1 PMS影像估算檸檬面積的精度達到了95%； 使用5景GF-1 PMS影像進行拼接，即可覆蓋整個安岳縣及部分周邊地區，進而獲取該縣檸檬種植面積，表現了GF-1 PMS影像同時具備較大幅寬覆蓋和較高分辨率的遙感優勢，因此該數據在調查大宗農作物及果樹種植面積中有巨大應用前景，可為農業信息化管理快速提供大量準確數據。

4 結論

通過在安岳縣進行野外實地調查，建立解譯標志，同時收集遙感衛星影像，并對GF-1 L1A級影像進行正射校正、輻射定標、大氣校正、圖像融合及紋理濾波等一系列預處理，得到了8m分辨率的多光譜反射率數據、2m分辨率的融合圖像和紋理圖像，然后在3種圖像中對感興趣類別進行了可分離性評價，結果表明未成林檸檬的與荒草地的可分性較差，荒草地是影響檸檬面積估算誤差的重要因素； 分別使用最大似然法和面向對象法對檸檬種植面積進行了估算，最大似然法的分類精度結果表明，紋理圖像數據估算精度好于8m分辨率的多光譜反射率數據和2m分辨率的融合圖像，適當的影像預處理有助于提高監督分類精度； 對比2種方法精度，結果表明基于面向對象法的檸檬面積估算精度高于監督分類法的，估算精度達95.09%，使用GF-1 PMS影像估算檸檬面積最優方法為面向對象法。

[1] 董芳.基于多源數據的丘陵區蘋果園地信息遙感提取技術研究.山東：山東農業大學， 2012

[2] 雷彤， 趙庚星，朱西存，等.基于高光譜的蘋果果期冠層光譜特征及其果量估測.生態學報， 2010, 30(9): 2276～2285

[3] 胡佩敏， 李正躍，李傳仁，等.宜都市柑橘空間分布的遙感反演.湖北農業科學， 2014, 53(4): 795～798

[4] 李雪， 鐘仕全，王蕾，等.基于HJ衛星遙感數據的林果光譜特征分析.新疆農業科學， 2011, 48(11): 1967～1973

[5] 劉克寶， 劉述彬，陸忠軍，等.利用高空間分辨率遙感數據的農作物種植結構提取.中國農業資源與區劃， 2014, 35(1): 21～26

[6] 劉錕， 付晶瑩，李飛.高分一號衛星4種融合方法評價.遙感技術與應用， 2015, 30(5): 980～986

[7] 劉克， 趙文吉.遙感影像融合方法評價——以 SPOT5 自身融合為例.首都師范大學學報(自然科學版)， 2008, 29(6): 83～104

[8] 褚進海， 彭鵬，李鄭，等.礦山遙感監測中 Quick Bird 數據融合方法研究.國土資源遙感, 2009，(3)： 107～113

[9] Laben Craig A,Brower Bernard V.Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening.US，2000-01-04

[10]胡玉福， 鄧良基，匡先輝，等.基于紋理特征的高分辨率遙感圖像土地利用分類研究.地理與地理信息科學， 2011， 27(5)： 42～45， 68

[11]李金蓮， 劉曉玫，李恒鵬.SPOT5影像紋理特征提取與土地利用信息識別方法.遙感學報， 2006, 10(6): 926～931

[12]John a.richards Xiuping-Jia.Springer Berlin Heidelberg.Berlin：Springer-Verlag， 2006， 240

[13]李丹丹， 劉佳，周清波，等.尺度變化對油菜種植面積遙感監測精度的影響.中國農業資源與區劃， 2014, 35(6): 85～92

[14]岳俊， 王振錫，馮振峰，等.基于光譜與紋理特征的南疆盆地果樹樹種遙感識別研究.新疆農業大學學報， 2015, 38(4): 326～333

[15]王長耀， 劉正軍，顏春燕.成像光譜數據特征選擇及小麥品種識別實驗研究.遙感學報， 2006, 10(2): 249～255

[16]李志鵬， 劉珍環，李正國，等.水稻空間分布遙感提取研究進展與展望.中國農業資源與區劃， 2014, 35(6): 9～18

[17]劉淼， 胡遠滿，布仁倉，等.基于 RS 和 GIS 的松潘縣景觀變化研究.遼寧工程技術大學學報， 2007, 26(3): 351～353

[18]謝國雪， 黃文校，盧遠，等.基于高分辨率遙感影像的桑樹信息提取研究.中國農業資源與區劃， 2015, 36(2): 44～53

ESTIMATION OF LEMON PLANTED AREA BASED ON GF-1 PMS IMAGE*

Jiang Yi，Li Zongnan※，Ren Guoye，Wang Xin，Li Zhangcheng

(Institute of Remote Sensing Application，Sichuan Academy of Agricultural Sciences，Chengdu 610066，China)

Lemon has good economic value. The most important growing region of lemon in China is in Anyue county Sichuan province, where the lemon planting and processing has become an important characteristic industry. Accurate spatial information of lemon planting is dispensable for lemon management. High-resolution remote sensing is an efficient technology in agricultural information. This study aims to find an optimum method of estimating lemon acreage base on GF-1 PMS image which drives from the first satellite of high resolution remotely sensed project in China. Three preprocessing included atmospheric correction, data fusion and texture filtering were employed, and two classifications were compared in this paper. After preprocessing, three images included 8 m spectral reflectance image, 2 m fusion image and 2 m texture image were produced. Then the separability between lemon and other interest categories were evaluated using algorithms of Jeffries-Matusita distance and Transformed divergence. The result showed that the separability between weed field and immature lemon in spectral reflectance image, fusion image and texture image was 1.613, 1.441 and 1.547, respectively, which was the worst in all interest categories. The values less than 1.8 meant that it was hard to accurately classify weed field and immature lemon. Therefore, weed field was the main factor influencing the estimated accuracy of lemon planting area. By classify 8 interest categories using the algorithm of maximum likelihood base on the three images, it showed that the precision (which resultant accuracy of classification was up to 98.05%, the Kappa coefficient was up to 0.9766, and the accuracy of lemon planting area was 88.42%.) based on texture image was better than the multi-spectral reflectance image and the fusion image. Appropriate image preprocessing can improve the classification precision of lemon up to 95.09% using the maximum algorithm. Compared with the result of supervised classification, the accuracy of object-oriented approach was higher than the former in estimation of lemon planting area. Accordingly, object-oriented approach was the better method to estimate the lemon planting area using the GF-1 PMS image. The application of high resolution remote sensing data provided references for estimating fruit tree planting in the hilly area quickly and accurately.

GF-1 PMS image; lemon; hills; planted area; precision

10.7621/cjarrp.1005-9121.20161108

2016-04-15

蔣怡(1984—)，女，四川成都人，碩士、助理研究員。研究方向：農業遙感、土地利用。※通訊作者：李宗南(1983—)男，廣西南寧人，博士、助理研究員。研究方向：農業遙感、土地資源利用等。Email：lizongnan@aliyun.com

*資助項目：四川省農業科學院青年基金項目“基于數據同化的成都平原水稻估產方法研究”(2015QNJJ-022)； 四川省財政創新能力提升工程專項資金項目“基于遙感技術的四川盆地主要農作物估產系統研究”(2016GXTZ-012)

S127; S59

A

1005-9121[2016]11-0050-06