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

魏本贊，田言亮，盧輝雄，3，牛海威，董雙發(fā)，張建永，3　(.核工業(yè)航測遙感中心，河北石家莊 05000；.中國地質(zhì)科學(xué)院水文地質(zhì)環(huán)境地質(zhì)研究所，河北石家莊 05006；3.東華理工大學(xué)地球科學(xué)學(xué)院，江西南昌 33003)

?

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

魏本贊1，田言亮2，盧輝雄1，3，牛海威1，董雙發(fā)1，張建永1，3(1.核工業(yè)航測遙感中心，河北石家莊 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，河北石家莊 050061；3.東華理工大學(xué)地球科學(xué)學(xué)院，江西南昌 330013)

摘要根據(jù)Landsat8遙感數(shù)據(jù)，利用eCognition軟件，以黃淮海平原饒陽縣某地區(qū)為試驗區(qū)，通過對分割參數(shù)的定量試驗，確定了地物對象的最佳分割尺度；在此基礎(chǔ)上分析植被、非植被的典型特征，采用面向?qū)ο蠓椒ㄑ芯恐脖坏男畔⑻崛。μ崛〗Y(jié)果進行了精度評價。試驗結(jié)果表明：面向?qū)ο笥跋穹诸惙椒軜O大地提高分類精度，并實現(xiàn)了植被信息的準(zhǔn)確提取，為我國主要糧食基地農(nóng)作物遙感調(diào)查與監(jiān)測提供了技術(shù)支撐。

關(guān)鍵詞Landsat8；面向?qū)ο螅挥跋穹指睿恍畔⑻崛。痪仍u價

Application of Object-oriented Classification and Extraction Method in Remote Sensing Interpretation of Crop

WEI Ben-zan1, TIAN Yan-liang2, LU Hui-xiong1,3et al

(1. Aerial Remote Sensing Center of Nuclear Industry, Shijiazhuang, Hebei 050002; 2. Institute of Hydrogeololgy and Environmental Geology, Chinese Academy of Geological Sciences, Shijiazhuang, Hebei 050061; 3. School of Geosciences, East China Institute of Technology, Nanchang, Jiangxi 330013)

AbstractAccording to the Landsat8 remote sensing data, quantitative test on splitting parameter was carried out by eCognition software, with a given area in Raoyang County of Huang-Huai-Hai Plain as the research region. The optimal splitting scale of earth object was determined. Based on these, typical characteristics of vegetation and non-vegetation were analyzed. The information extraction of vegetation was researched by object-oriented method. Extraction results were precisely evaluated. Research results showed that object-oriented image classification method greatly enhanced the classification accuracy, realized the accurate extraction of vegetation information, and provided technical support for the crop remote sensing investigation and monitoring of main grain base.

Key wordsLandsat8; Object-oriented; Image segmentation; Information extraction; Precision evaluation

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)信息的快速獲取和定量分析，反應(yīng)迅速，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年就開始倡導(dǎo)遙感估產(chǎn)[1]；LENNGTON等[2]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；徐希孺等[3]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；QUARMBY等[4]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(dá)到了89%的精度。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ǎ指钍腔A(chǔ)，分割尺度的選擇又是其中一個關(guān)鍵性問題；為了提高信息提取的可靠性與準(zhǔn)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。筆者利用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)的定量試驗，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，以期實現(xiàn)大面積農(nóng)作物遙感信息的準(zhǔn)確提取和快速更新。

1試驗區(qū)概況及遙感影像特征

1.1試驗區(qū)概況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1.587萬hm2，森林覆蓋率達(dá)30%；耕地面積3.867萬hm2，其中有效灌溉面積2.533萬hm2。試驗區(qū)處于我國主要糧食基地黃淮海平原，農(nóng)作物種類較多，完全可以滿足此次試驗的需要。

1.2遙感數(shù)據(jù)特征此次試驗主要選擇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OLI和TIRS這2個主要載荷，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。該研究主要使用Landsat8 OLI數(shù)據(jù)。

OLI陸地成像儀包括9個波段(表1)，空間分辨率為30 m，其中包括一個15 m的全色波段，成像寬幅為185 km×185 km。Landsat8遙感數(shù)據(jù)特征見表1。

2基于面向?qū)ο笥跋穹诸惻c提取方法的農(nóng)作物遙感解譯

2.1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(zhǔn)、圖像鑲嵌等處理。

2.2面向?qū)ο蟮亩喑叨扔跋穹指畲舜卧囼灢捎妹嫦驅(qū)ο蟮亩喑叨扔跋穹指罘椒ǎ喑叨扔跋穹指羁梢岳斫鉃橐粋€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。

表1　Landsat8 OLI遙感數(shù)據(jù)特征

影像分割時應(yīng)遵循2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盡可能使用形狀因子[7-8]。在滿足必要的精細(xì)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15 m，該研究根據(jù)多次試驗結(jié)果，光譜因子取值0.8，形狀因子為0.2，光滑度為0.7，緊湊度為0.3，影像分割效果好。

該研究主要選擇20、60、100這3個分割尺度對試驗區(qū)的Landsat8影像進行分割，結(jié)果見圖1。通過對比分析，由表2可知，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。

圖1　不同分割尺度的Landsat 8影像分割結(jié)果Fig.1　Landsat8 image segmentation results of different segmemtation scales

編號Code分割尺度Segmemtationscale分割特征描述Descriptionofsegmemtationfeatures耗時Consumedtime∥s120分割出地物對象數(shù)目多,裸地、耕地、道路等地物出現(xiàn)不同程度的混合,不利于信息提取8.745260分割出地物對象數(shù)目一般,裸地、耕地、道路等地物分割效果較理想7.2573100分割地物對象數(shù)目較少,部分地物對象沒有分割開,未達(dá)到分割目的6.083

2.3信息提取

2.3.1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。此次信息提取主要運用歸一化植被指數(shù)NDVI，公式為：

NDVI=(NIR-R)/(NIR+R)

式中，NIR表示近紅外波段；R表示紅外波段，NIR和R近似相等。NDVI取值范圍為(-1，1)，負(fù)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；正值表示植被覆蓋，NDVI越大表示植被覆蓋度越大。

2.3.2隸屬度函數(shù)分類。試驗區(qū)Landsat8影像時相為7月份，此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(dá)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。該研究植被與非植被信息提取中隸屬度函數(shù)設(shè)置分別見圖2、3。

圖2　植被類NDVI特征隸屬度函數(shù)設(shè)置Fig.2　Membership function design of vegetation NDVI features

圖3　非植被類NDVI特征隸屬度函數(shù)設(shè)置Fig.3　Membership function design of non-vegetation NDVI features

運用S函數(shù)和反S函數(shù)，根據(jù)NDVI值，提取植被信息。在Landsat 8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(dá)到0.01或更大，則該對象確認(rèn)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Landsat 8影像的植被信息提取結(jié)果見圖4。

圖4　基于Landsat 8影像的植被信息提取結(jié)果Fig.4　Results of vegetation information extraction based on Landsat 8 image

3解譯精度評價

3.1精度評價指標(biāo)全局精度(QA)是所有準(zhǔn)確分類中所占的比例，是一個比較粗的精度衡量指標(biāo)，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。計算公式為：

式中，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(biāo)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(biāo)進行過研究與探討，其中Kappa系數(shù)法應(yīng)用非常廣泛[10-16]。

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(biāo)被稱為Khat統(tǒng)計，公式為：

式中，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。

3.2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。基于Landsat8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5)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)。

圖5　遙感目視解譯分類結(jié)果Fig.5　Classification results of visual interpretation based on remote sensing image

面向?qū)ο驦andsat8影像植被信息提取結(jié)果的混淆矩陣見表3。

表3　植被與非植被混淆矩陣

根據(jù)混淆矩陣計算，面向?qū)ο蟮腖andsat 8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[17]，分類精度較好。

4結(jié)論

該研究運用面向?qū)ο笥跋穹诸惻c提取法對試驗區(qū)農(nóng)作物遙感解譯進行分析，得出以下結(jié)論：

(1)通過面向?qū)ο蠖喑叨确指钤囼灒_定了試驗區(qū)基于Landsat8 OLI影像的分割尺度以60為最優(yōu)。

(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)試驗結(jié)果論證了面向?qū)ο笥跋穹诸惻c信息提取效果好，可以有效地應(yīng)用于農(nóng)作物遙感快速解譯與監(jiān)測中。

參考文獻

[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] LENNGTON R K，SORENSEN C T，HEYDORN R P.A mixture model approach for estimating 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] QUARMBY N A，TOWNSHEND J R G，SETTLE J J，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 under-standing and post-earthquake damage assessment for the 2003 Bam，Iran，Earthquake[J].Earthquake spectra，2005，21(Sl)：225-238.

[7] 馬春林．基于植被指數(shù)NDVI的遙感信息提取[J]．中國高新技術(shù)企業(yè)，2009(10)：114．

[8] MAO J，JAIN A.Texture classification and segmentation using multiresolution simultaneous autoregressive models [J].Pattern recognition，1992，25：173-188.

[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)：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]．遙感信息，2009(2)：86-90．

[16] 張桂珂,王智芳.遙感技術(shù)在新鄉(xiāng)市人民公園綠化調(diào)查中的應(yīng)用[J].河南科技學(xué)院學(xué)報(自然科學(xué)版),2014(3):40-43.

[17] LUCAS I F J，F(xiàn)RANS J M.Accuracy assessment of satellite deriverd land-cover date：A review[J].Photogrammetric engineering&remote sensing，1994，60(4)：410-432.

中圖分類號S 126

文獻標(biāo)識碼A

文章編號0517-6611(2016)06-313-03

收稿日期2016-01-08

作者簡介魏本贊(1985- )，男，江蘇連云港人，工程師，從事遙感技術(shù)應(yīng)用研究。

基金項目中國地質(zhì)調(diào)查局資助項目(1212011220941)。