基于紋理特征和SVM的QuickBird影像蘋果園提取

宋榮杰 寧紀(jì)鋒 劉秀英 常慶瑞

(1.西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院， 陜西楊凌 712100； 2.西北農(nóng)林科技大學(xué)信息工程學(xué)院， 陜西楊凌 712100；3.河南科技大學(xué)農(nóng)學(xué)院， 洛陽(yáng) 471003)

基于紋理特征和SVM的QuickBird影像蘋果園提取

宋榮杰1,2寧紀(jì)鋒2劉秀英1,3常慶瑞1

(1.西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院， 陜西楊凌 712100； 2.西北農(nóng)林科技大學(xué)信息工程學(xué)院， 陜西楊凌 712100；3.河南科技大學(xué)農(nóng)學(xué)院， 洛陽(yáng) 471003)

為提高高空間分辨率遙感影像(高分影像)中蘋果園提取精度，基于QuickBird遙感數(shù)據(jù)，研究綜合光譜特征和紋理特征的蘋果園自動(dòng)提取方法。該方法首先采用最佳指數(shù)因子(OIF)獲取多光譜波段最佳組合，然后采用不同大小滑動(dòng)窗口(從3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩陣(GLCM)、分形和空間自相關(guān)3種紋理特征并分別與光譜特征組合，最后通過(guò)支持向量機(jī)(SVM)分類進(jìn)行蘋果園分類識(shí)別。研究表明：在分類特征上，與單一光譜或紋理特征相比，光譜特征結(jié)合紋理特征能有效提高蘋果園提取精度(Fa)和總體分類精度(OA)，其中光譜+GLCM紋理(9像素×9像素)分類精度最高，F(xiàn)a和OA分別為96.99%和96.16%，比光譜+分形紋理分別提高0.63個(gè)百分點(diǎn)和1.56個(gè)百分點(diǎn)，比光譜+空間自相關(guān)紋理顯著提高11.92個(gè)百分點(diǎn)和9.20個(gè)百分點(diǎn)。在分類方法上，通過(guò)對(duì)比分析SVM、最大似然和神經(jīng)網(wǎng)絡(luò)3種方法的分類結(jié)果，探明SVM分類識(shí)別蘋果園精度最高。最后對(duì)蘋果園提取結(jié)果進(jìn)行面積統(tǒng)計(jì)，結(jié)果表明GLCM紋理結(jié)合SVM分類的蘋果園面積估算與目視解譯結(jié)果的一致性超過(guò)98%。

蘋果園； 遙感識(shí)別； 信息提?。?灰度共生矩陣； 支持向量機(jī)； QuickBird

引言

蘋果是我國(guó)栽培面積最大、產(chǎn)量最多的果樹(shù)品種。陜西省地處黃土高原蘋果優(yōu)勢(shì)產(chǎn)區(qū)，蘋果種植面積和產(chǎn)量均居全國(guó)前列[1]，已成為當(dāng)?shù)卮龠M(jìn)經(jīng)濟(jì)發(fā)展和農(nóng)民增收的特色產(chǎn)業(yè)。因此，對(duì)主要蘋果種植產(chǎn)區(qū)進(jìn)行遙感監(jiān)測(cè)，明確蘋果園的空間分布，對(duì)于蘋果產(chǎn)業(yè)布局優(yōu)化、種植適宜性評(píng)價(jià)以及促進(jìn)蘋果產(chǎn)業(yè)可持續(xù)發(fā)展具有重要意義。

目前，利用遙感技術(shù)對(duì)小麥、玉米和水稻等作物進(jìn)行遙感識(shí)別和空間分布提取研究較多，取得了較好的結(jié)果[2-6]，但對(duì)蘋果園進(jìn)行遙感識(shí)別的研究相對(duì)偏少?，F(xiàn)有的蘋果園提取研究[7-10]主要采用Landsat5和SPOT5等遙感影像，這些影像空間分辨率(10～30 m)相對(duì)較低，限制了蘋果園提取精度，研究結(jié)果無(wú)法滿足精細(xì)農(nóng)業(yè)應(yīng)用需求。目前采用QuickBird等高分辨率(1～4 m)影像提取蘋果園空間分布信息的研究較少。

高空間分辨率遙感影像(高分影像)能夠提供豐富的地物空間結(jié)構(gòu)和細(xì)節(jié)信息，為更加精細(xì)的遙感作物識(shí)別提供新的數(shù)據(jù)來(lái)源。另一方面，由于高分影像光譜波段減少和光譜分辨率降低，傳統(tǒng)依靠光譜特征的分類方法嚴(yán)重制約著高分影像分類的精度。因此在實(shí)際應(yīng)用中，通常將高分影像的紋理信息與光譜信息相結(jié)合，以提高地物分類的精度。但由于研究目標(biāo)和使用遙感影像不同，研究中采用的紋理提取方法[11-14]有一定差異。對(duì)于蘋果園提取來(lái)說(shuō)，不同紋理提取方法對(duì)基于高分影像的蘋果園提取是否有效尚不明確，其適用性尚需進(jìn)一步研究。

在分類方法方面，支持向量機(jī)(Support vector machine，SVM)是一種基于統(tǒng)計(jì)學(xué)理論的監(jiān)督分類技術(shù)，它在小樣本學(xué)習(xí)、非線性和高維數(shù)據(jù)模式識(shí)別中具有更快的學(xué)習(xí)速度和較高的精度，已廣泛應(yīng)用于高分影像土地利用分類和作物提取研究中[15-17]。

鑒于上述分析，本文以快速、準(zhǔn)確獲取高分影像中的蘋果園分布信息為目標(biāo)，利用QuickBird遙感影像數(shù)據(jù)，選取陜西關(guān)中西部蘋果主產(chǎn)區(qū)扶風(fēng)縣杏林鎮(zhèn)為研究區(qū)域，通過(guò)分析比較灰度共生矩陣方法、分形方法和空間自相關(guān)3種紋理特征提取方法，研究綜合光譜特征、紋理特征和SVM分類技術(shù)的蘋果園識(shí)別技術(shù)，為基于高分影像的蘋果園提取研究提供技術(shù)依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

扶風(fēng)縣(107°45′00″～108°03′28″E、34°12′43″～34°38′10″N)位于陜西省關(guān)中平原西部，地勢(shì)北高南低、西高東低，以平原、臺(tái)、塬地為主，屬于大陸性濕潤(rùn)季風(fēng)氣候，四季分明，全年平均氣溫12.4℃，年降水量592 mm，適宜蘋果種植，是國(guó)家和陜西省優(yōu)質(zhì)蘋果生產(chǎn)基地縣。

本文研究區(qū)位于扶風(fēng)縣東南部杏林鎮(zhèn)，是扶風(fēng)縣蘋果最佳適生區(qū)之一，蘋果種植歷史悠久，果園面積大，具有較強(qiáng)的代表性，因此被選作分析和研究的實(shí)驗(yàn)區(qū)。根據(jù)研究區(qū)土地利用特點(diǎn)和實(shí)地調(diào)查結(jié)果，將研究區(qū)的土地利用劃分為蘋果園、夏玉米、苗木用地、居民地、道路、裸地和水渠7種類別。研究區(qū)內(nèi)蘋果園大多處于盛果期，蘋果樹(shù)每年3—4月份開(kāi)始萌芽生長(zhǎng)到9—10月份果實(shí)成熟，其中6—8月份蘋果樹(shù)處于穩(wěn)定生長(zhǎng)期，果園內(nèi)植被覆蓋度較大。

1.2 數(shù)據(jù)源

1.2.1 遙感數(shù)據(jù)

圖1 研究區(qū)QuickBird影像及地面參考數(shù)據(jù)Fig.1 QuickBird image and its ground truth reference of research area

試驗(yàn)選用2014年7月25日獲取的研究區(qū)QuickBird高分影像，包括同期獲取的空間分辨率為0.61 m的全色波段(0.45～0.90 μm)和空間分辨率為2.4 m的4個(gè)多光譜波段(B1(0.45～0.52 μm)、B2(0.52～0.60 μm)、B3(0.63～0.69 μm)、B4(0.76～0.90 μm))，其中多光譜影像及其地面參考數(shù)據(jù)如圖1所示。研究區(qū)圖像大小為835行、1 225列，總面積為5.89 km2。根據(jù)目視解譯結(jié)果，蘋果園、夏玉米、苗木、居民地、道路、裸地和水渠所占研究區(qū)總面積的比例分別為34.31%、29.26%、9.26%、10.55%、6.03%、9.84%、0.76%。此時(shí)研究區(qū)內(nèi)不同作物的生長(zhǎng)特征較為明顯，蘋果園光譜反射特征與夏玉米有一定差別，但與苗木的光譜特征較為相似，僅利用光譜特征區(qū)分蘋果園存在一定困難。

1.2.2 樣本數(shù)據(jù)

研究中通常采用單個(gè)像元、種子像元和多邊形塊3種方法選取訓(xùn)練樣本[18-19]。本次試驗(yàn)根據(jù)野外實(shí)地調(diào)查數(shù)據(jù)，充分考慮各類地物的光譜和紋理特征，參考各類別面積比例，在ENVI軟件中利用不規(guī)則多邊形塊在遙感圖像中隨機(jī)選取訓(xùn)練樣本2 167像素，另選取驗(yàn)證樣本4 224像素(表1)，分別用于分類模型構(gòu)建和分類精度評(píng)價(jià)。根據(jù)文獻(xiàn)[20]，訓(xùn)練樣本數(shù)量通常需達(dá)到分類波段數(shù)的10～30倍才能獲得較高分類精度，但如果研究只針對(duì)單一類別提取，樣本數(shù)量還可以大大減少。本研究主要針對(duì)蘋果園的提取，各類別訓(xùn)練樣本數(shù)量均超過(guò)波段數(shù)的10倍，其中蘋果園、夏玉米、居民地和裸地等面積較大的4類地物樣本數(shù)量均超過(guò)分類波段數(shù)的30倍，滿足現(xiàn)有研究[20]對(duì)樣本數(shù)量的一般要求。

表1 訓(xùn)練樣本和驗(yàn)證樣本Tab.1 Training and testing samples for research area

2 研究方法

本文采用基于像素的監(jiān)督分類技術(shù)，綜合運(yùn)用QuickBird高分影像的光譜和紋理特征提取蘋果園分布信息。首先通過(guò)最佳指數(shù)因子(Optimum index factor，OIF)獲取多光譜最佳波段組合；為分析不同紋理計(jì)算方法對(duì)蘋果園提取的適用性，分別采用灰度共生矩陣(Gray level co-occurrence matrix，GLCM)、分形和空間自相關(guān)3種方法提取全色波段的紋理特征，并將提取的紋理特征作為新的波段分別與光譜波段組合；然后利用SVM分類提取蘋果園分布信息；最后對(duì)不同方法的蘋果園提取精度和總體分類精度進(jìn)行評(píng)價(jià)。

2.1 遙感數(shù)據(jù)預(yù)處理

首先利用影像RPC(Rational polynomial coefficients)參數(shù)文件和數(shù)字高程模型(Digital evaluation model，DEM)數(shù)據(jù)，在ENVI 5.1軟件中對(duì)影像進(jìn)行正射校正，然后將多光譜影像與全色影像配準(zhǔn)并將全色影像空間分辨率重采樣為2.4 m[21]，最后裁剪得到研究區(qū)影像尺寸為835像素×1 225像素。本研究中遙感影像的投影參數(shù)均為UTM(zone49)/WGS84。

2.2 光譜特征選擇

通過(guò)對(duì)研究區(qū)QuickBird影像多光譜波段進(jìn)行相關(guān)性分析發(fā)現(xiàn)，部分波段之間相關(guān)性較大(如B1和B2相關(guān)性達(dá)到0.97)，存在信息冗余。為保留主要光譜特征，同時(shí)對(duì)數(shù)據(jù)進(jìn)行降維，本文采用OIF指數(shù)[22]對(duì)不同的波段組合效果進(jìn)行對(duì)比，其計(jì)算公式為

(1)

式中Si——第i波段的標(biāo)準(zhǔn)差Rij——i、j波段之間的相關(guān)系數(shù)

2.3 紋理特征提取方法

2.3.1 GLCM紋理提取

在圖像紋理特征計(jì)算方法中，應(yīng)用最為廣泛的是HARALICK等[23]提出的灰度共生矩陣GLCM方法。GLCM通過(guò)統(tǒng)計(jì)的方法來(lái)構(gòu)造概率矩陣，進(jìn)而反映圖像關(guān)于方向、距離和灰度級(jí)變化等綜合信息。通常用概率密度函數(shù)P(i，j，d，θ)表示θ方向上距離為d時(shí)，灰度級(jí)分別為i、j的一對(duì)像素出現(xiàn)的條件概率。為減少計(jì)算量，研究中θ一般選取0°、45°、90°和135° 4個(gè)方向，d通常取1[24-26]。

HARALICK等共定義了14種用于描述紋理的二階統(tǒng)計(jì)量，由于這些紋理量之間存在一定相關(guān)性，并且紋理計(jì)算量大會(huì)影響分類效率，因此在實(shí)際應(yīng)用中一般選取少量幾個(gè)紋理量組合。研究表明[27-28]，對(duì)比度(CON)、熵(ENT)、角二階炬(ASM)和相關(guān)性(COR)之間相關(guān)性小且具有很好的分辨率，能夠有效的表征地物的紋理信息，本文采用這4個(gè)紋理量(計(jì)算公式見(jiàn)文獻(xiàn)[29])分析GLCM紋理特征。

由于QuickBird全色波段空間分辨率較高，紋理特征更為明顯，因此本文基于全色波段提取紋理特征。為簡(jiǎn)化計(jì)算，將全色波段灰度級(jí)降為64級(jí)，采用距離d為1個(gè)像素計(jì)算不同窗口大小和方向下的灰度共生矩陣，并討論窗口尺寸(3像素×3像素、5像素×5像素、7像素×7像素、9像素×9像素、11像素×11像素和13像素×13像素)對(duì)蘋果園提取精度的影響。為避免紋理方向?qū)?shí)驗(yàn)結(jié)果的影響，每個(gè)GLCM紋理量均計(jì)算其在0°、45°、90°和135° 4個(gè)方向的平均值。

2.3.2 分形紋理提取

分形能夠反映圖像紋理的自相似性，在遙感影像中有廣泛的應(yīng)用[30-32]。分形維數(shù)是定量描述分形的重要參數(shù)。本文采用較常用的雙毯覆蓋模型[31]來(lái)計(jì)算分形維數(shù)，其基本思路為：將圖像灰度值看作第三維坐標(biāo)，形成一個(gè)灰度曲面，在圖像灰度曲面的上下ε距離處構(gòu)成一個(gè)厚度為2ε的“毯子”，毯子的表面積是關(guān)于ε的函數(shù)，記為A(ε)。分形維數(shù)D與ε的對(duì)應(yīng)關(guān)系為

(2)

式中D——分形維數(shù)ε——面積計(jì)算尺度A(ε)——毯子表面積

改變式(2)中ε大小，可以計(jì)算得到不同的A(ε)，通過(guò)最小二乘線性回歸法擬合出(lgA(ε)，lgε)的斜率，即可求出分形維數(shù)D。

本次實(shí)驗(yàn)利用Matlab編程實(shí)現(xiàn)對(duì)QuickBird全色波段的雙毯分形特征提取，基于不同滑動(dòng)窗口計(jì)算每個(gè)像素的分形維數(shù)。由于分形維數(shù)取值在2～3之間，將其擴(kuò)展到0～255，最終得到影像的分形紋理特征。

2.3.3 空間自相關(guān)紋理提取

空間自相關(guān)分析對(duì)于提高遙感影像分類精度具有重要作用[14,33]。Moran’sI和Geary’sC是常用度量空間自相關(guān)性的統(tǒng)計(jì)指數(shù)，分別用于探測(cè)空間地物聚集狀況和變異性，定義公式分別為

(3)

(4)

式中wij——空間權(quán)重矩陣元素W——空間權(quán)重矩陣各元素之和zi——空間單元i的屬性值與距離d范圍內(nèi)的各空間單元平均屬性值之差

yi——空間單元i的屬性值

n——空間單元數(shù)量

本研究對(duì)QuickBird全色波段進(jìn)行局部空間統(tǒng)計(jì)分析，以Rook’s Case為鄰域計(jì)算規(guī)則提取不同鄰域窗口對(duì)應(yīng)的Moran’sI指數(shù)和Geary’sC指數(shù)，分析研究區(qū)影像的空間自相關(guān)紋理特征。

2.4SVM圖像分類

SVM的思想是在由核函數(shù)確定的特征空間上構(gòu)造軟間隔分離超平面，使分類間隔最大的分類面為最優(yōu)分類面，應(yīng)用二次規(guī)劃方法可求出最優(yōu)決策函數(shù)為

(5)

核函數(shù)類型及其參數(shù)選取直接影響SVM分類精度[34]。常用的核函數(shù)類型有線性函數(shù)、多項(xiàng)式函數(shù)、徑向基(Radial basis function，RBF)函數(shù)和Sigmoid函數(shù)，其中RBF核函數(shù)應(yīng)用較為廣泛[15]。實(shí)驗(yàn)利用上述4種核函數(shù)分別對(duì)研究區(qū)多光譜數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn)，結(jié)果表明RBF核函數(shù)分類精度最高，因此本研究選擇RBF核函數(shù)。RBF核函數(shù)需要設(shè)置懲罰系數(shù)c和核參數(shù)g，本文利用Libsvm 3.2軟件提供的Grid.py“網(wǎng)格搜索”模型，采用5折交叉驗(yàn)證法獲取c和g最優(yōu)取值。

2.5 精度評(píng)價(jià)

首先根據(jù)實(shí)地調(diào)查結(jié)果選取驗(yàn)證樣本(表1)，采用混淆矩陣對(duì)不同方法的分類結(jié)果進(jìn)行精度驗(yàn)證。基于混淆矩陣計(jì)算生產(chǎn)者精度(Production accuracy，PA)、用戶精度(User accuracy，UA)、總體分類精度(Overall accuracy，OA)和Kappa系數(shù)等評(píng)價(jià)指標(biāo)。其中，OA和Kappa系數(shù)用于比較整體分類精度，PA和UA用于評(píng)價(jià)特定類別的分類精度。由于分類結(jié)果中可能存在某種類別的PA較高而UA較低或者相反情況，不便于分類精度的比較，因此本文采用綜合PA和UA的F統(tǒng)計(jì)量[29,35]對(duì)分類結(jié)果中的某一類別進(jìn)行精度評(píng)價(jià)，其定義公式為

(6)

式中PAm——類別m的生產(chǎn)者精度UAm——類別m的用戶精度

其次，結(jié)合Google Earth同期影像對(duì)研究區(qū)Quickbird影像進(jìn)行目視解譯，將目視解譯得到的蘋果園面積數(shù)據(jù)作為準(zhǔn)真值，用以對(duì)比分析不同方法提取蘋果園面積的效果。

3 結(jié)果與分析

3.1 基于OIF指數(shù)的光譜特征選取

表2列出研究區(qū)QuickBird影像多光譜不同波段組合的OIF值。由表2可知，B2、B3、B43個(gè)波段組合的OIF值(142.92)最大，表明這種波段組合質(zhì)量最優(yōu)。為檢驗(yàn)OIF方法選取的光譜特征有效性，對(duì)不同波段組合進(jìn)行SVM分類(c=128，g=8)。分類結(jié)果(表2)表明雖然B2、B3、B4波段組合時(shí)OA(85.56%)稍低于B1、B2、B4波段組合(85.91%)，但其Fa(蘋果園的F統(tǒng)計(jì)值)值最大(84.95%)，說(shuō)明B2、B3、B4波段組合能較全面的反映原始光譜信息中用于區(qū)分蘋果園的有效信息。因此本文選取B2、B3、B4波段組合作為后續(xù)分類的光譜特征。表2還反映出單純利用光譜特征分類時(shí)蘋果園提取精度較低，F(xiàn)a均未超過(guò)85%。

表2 不同光譜波段組合的OIF值及分類精度Tab.2 OIF values and classification accuracy with different band combinations

3.2 紋理特征提取及最優(yōu)紋理窗口選擇

采用2.3節(jié)所述方法計(jì)算GLCM紋理、分形紋理和空間自相關(guān)紋理，為分析紋理窗口尺寸對(duì)分類結(jié)果的影響，采用3像素×3像素、5像素×5像素、7像素×7像素、9像素×9像素、11像素×11像素和13像素×13像素共6個(gè)滑動(dòng)窗口提取上述3種紋理特征，并分別與光譜特征組合進(jìn)行SVM分類，分類結(jié)果的精度隨窗口尺寸變化情況見(jiàn)圖2。

圖2 紋理窗口尺寸對(duì)分類精度的影響Fig.2 Influence of texture window size on classification accuracy

分析圖2可知，紋理窗口尺寸從3像素×3像素增加到13像素×13像素，GLCM紋理對(duì)應(yīng)的Fa隨窗口增大呈現(xiàn)先增大后減小趨勢(shì)，并在9像素×9像素時(shí)達(dá)到最大值，其總體分類精度則隨窗口增大逐漸上升并在9像素×9像素時(shí)趨于穩(wěn)定，表明GLCM方法提取紋理的最佳窗口為9像素×9像素。對(duì)于分形紋理，滑動(dòng)窗口為7像素×7像素時(shí)Fa最大，雖然此時(shí)OA較窗口為11像素×11像素時(shí)小，綜合考慮本文研究目的以及窗口增大會(huì)導(dǎo)致計(jì)算量增大，最終選取7像素×7像素作為分形紋理計(jì)算窗口。空間自相關(guān)紋理的Fa和OA隨鄰域窗口變化幅度相對(duì)較小，F(xiàn)a在3像素×3像素時(shí)取最大值并隨窗口增大呈下降趨勢(shì)，OA變化基本呈水平趨勢(shì)，說(shuō)明窗口尺寸對(duì)總體分類精度的影響相對(duì)較小，本次試驗(yàn)選取計(jì)算量較小的3像素×3像素紋理窗口計(jì)算空間自相關(guān)紋理。

圖3是3種紋理特征在最優(yōu)紋理窗口下的提取結(jié)果。由圖3可知，GLCM 4個(gè)統(tǒng)計(jì)量(圖3b～3e)對(duì)不同地物具有不同的區(qū)分能力。例如，圖3b中居民地較其他區(qū)域的亮度大，表明其對(duì)比度較大；蘋果園和居民地在圖3c亮度較大，反映出這2類地物的熵值較大；而夏玉米和裸地等紋理相對(duì)均勻的地類則在ASM圖像(圖3d)上較亮，表明其ASM值較大。從分形紋理特征圖像(圖3f)可以看出，蘋果園、居民地和道路等紋理相對(duì)粗糙的地物較亮，表明其分形維數(shù)較大，而夏玉米和裸地等紋理相對(duì)光滑的地物亮度較低，表明其分形維數(shù)較小?？臻g自相關(guān)統(tǒng)計(jì)結(jié)果顯示居民地和道路的Moran’sI指數(shù)較大(圖3g)，而蘋果園和居民地的Geary’sC指數(shù)大(圖3h)。

圖3 不同方法提取的紋理特征Fig.3 Texture features based on different extraction methods

3.3 不同分類特征的蘋果園提取精度分析

為定量比較不同特征的分類結(jié)果，將單一光譜特征(光譜)、單一紋理特征(GLCM紋理、分形紋理、空間自相關(guān)紋理)、光譜特征結(jié)合紋理特征(光譜+GLCM紋理、光譜+分形紋理、光譜+空間自相關(guān)紋理)共3類7種分類特征分別進(jìn)行SVM分類，SVM分類參數(shù)設(shè)置及分類結(jié)果精度見(jiàn)表3，其中PAa和UAa分別為蘋果園的生產(chǎn)者精度和用戶精度。分析表3可知：

表3 利用不同特征進(jìn)行SVM分類結(jié)果Tab.3 SVM classification results based on different features

對(duì)比單一光譜和單一紋理特征的分類精度，光譜特征分類的Fa為84.95%、OA為85.56%(Kappa系數(shù)為0.82)。單一紋理特征分類時(shí)，GLCM紋理和分形紋理的Fa和PAa均高于光譜特征分類結(jié)果，空間自相關(guān)紋理的Fa和PAa低于光譜特征。但3種紋理特征單獨(dú)參與分類時(shí)，其OA(47.56%～70.60%)和Kappa系數(shù)(0.34～0.63)均低于光譜特征分類結(jié)果。上述分析表明GLCM紋理或分形紋理單獨(dú)分類即可獲得高于光譜特征的蘋果園識(shí)別精度，但僅利用紋理特征區(qū)分研究區(qū)所有土地利用類型的效果較差，OA較低。

當(dāng)光譜特征結(jié)合紋理特征分類時(shí)，其OA均在86%以上、Fa均超過(guò)85%，較單一光譜或單一紋理的分類精度均有不同程度的提高。其中OA較單一光譜特征分類提高1.40～10.60個(gè)百分點(diǎn)，較單一紋理特征分類顯著提高25.56～39.40個(gè)百分點(diǎn)。僅分析蘋果園分類精度，F(xiàn)a比單一光譜分類提高0.12～12.04個(gè)百分點(diǎn)，比單一紋理分類明顯提高6.10～24.73個(gè)百分點(diǎn)。這說(shuō)明將光譜和紋理特征組合能夠發(fā)揮不同特征區(qū)分不同地物的優(yōu)勢(shì)，使特征空間的可分離性提高，從而使蘋果園提取精度和總體分類精度均有提高。

對(duì)比分析3種紋理特征用于蘋果園識(shí)別，發(fā)現(xiàn)GLCM紋理參與分類的Fa最高，其次是分形紋理，空間自相關(guān)紋理對(duì)應(yīng)的Fa最低。單一GLCM紋理和分形紋理的Fa均超過(guò)85%，尤其是GLCM紋理的Fa超過(guò)90%，而空間自相關(guān)紋理的Fa僅為60.34%，表明3種紋理特征中GLCM紋理和分形紋理特征較空間自相關(guān)紋理更適合用于蘋果園識(shí)別。與光譜特征結(jié)合后，光譜+GLCM紋理、光譜+分形紋理的Fa均在96%以上，而光譜+空間自相關(guān)紋理的Fa僅為85.07%。對(duì)比結(jié)果表明光譜+GLCM紋理特征識(shí)別蘋果園精度最高，F(xiàn)a和OA分別為96.99%和96.16%(Kappa系數(shù)為0.95)，分類結(jié)果較準(zhǔn)確，可以用于蘋果園提取。通過(guò)對(duì)比還可發(fā)現(xiàn)光譜+分形紋理特征的Fa、OA和Kappa系數(shù)分別為96.36%、94.60%和0.93，僅次于光譜+GLCM紋理特征，表明光譜+分形紋理識(shí)別蘋果園的效果也比較好。

3.4 不同分類方法的蘋果園提取精度比較

為進(jìn)一步驗(yàn)證3種紋理特征的分類效果并且衡量SVM分類性能，分別采用遙感圖像分類中常用的最大似然分類(Maximum likelihood classification，MLC)、神經(jīng)網(wǎng)絡(luò)(Neural network，NN)分類方法，基于相同的訓(xùn)練樣本和驗(yàn)證樣本數(shù)據(jù)對(duì)光譜結(jié)合紋理特征進(jìn)行分類實(shí)驗(yàn)。表4是采用光譜+紋理特征時(shí)3種分類方法對(duì)應(yīng)的分類結(jié)果。

表4 不同分類方法的分類結(jié)果Tab.4 Classification results based on different classification methods

由表4可知，當(dāng)分類特征為光譜+GLCM紋理時(shí)，從蘋果園提取精度Fa來(lái)看，效果較好的分類方法為SVM和MLC，這2種分類方法的Fa均大于96%，但MLC分類的Fa略低于SVM；NN分類的Fa最低。綜合Fa和OA來(lái)看，SVM分類的精度是最好的。同樣，當(dāng)分類特征為光譜+分形紋理、光譜+空間自相關(guān)紋理時(shí)，F(xiàn)a和OA最高的也是SVM分類。SVM分類在采用上述3種分類特征時(shí)Fa和OA均大于85%，表明SVM穩(wěn)定性較好。另外，通過(guò)對(duì)比發(fā)現(xiàn)，當(dāng)分類特征為光譜+GLCM紋理、光譜+分形紋理時(shí)，MLC分類結(jié)果與SVM非常接近，且Fa均超過(guò)95%、OA均在93%以上，說(shuō)明MLC分類方法與這2種分類特征結(jié)合也可以用于蘋果園識(shí)別。

綜合表3和表4分類結(jié)果來(lái)看，光譜+GLCM紋理、光譜+分形紋理相比光譜+空間自相關(guān)紋理更適合用于提取蘋果園，SVM和MLC分類精度明顯高于NN，綜合光譜+GLCM紋理特征和SVM分類的方法提取蘋果園精度最高。

3.5 蘋果園提取結(jié)果評(píng)價(jià)

為直觀對(duì)比不同分類特征和不同分類方法的分類結(jié)果，選擇光譜特征、紋理特征(僅選擇效果較好分形紋理、GLCM紋理)、光譜+分形紋理、光譜+GLCM紋理的SVM分類和光譜+GLCM紋理的MLC分類6個(gè)模型的分類結(jié)果進(jìn)行對(duì)比，并制作實(shí)驗(yàn)區(qū)的土地利用分類圖，如圖4所示。

對(duì)比圖4a～4e，僅利用光譜特征的SVM分類結(jié)果(圖4a)中椒鹽現(xiàn)象嚴(yán)重，蘋果園與苗木、夏玉米混分情況較多；而單一紋理特征不能很好地區(qū)分紋理相似的地類，如圖4b中蘋果園與苗木、裸地與夏玉米混分嚴(yán)重；綜合利用光譜與紋理特征分類(圖4d、4e)，蘋果園提取結(jié)果較完整，與苗木、夏玉米的混淆現(xiàn)象明顯改善，特別是光譜+GLCM紋理的蘋果園提取效果最好(圖4e)，總體分類效果得到明顯改善。對(duì)比圖4e、4f，基于光譜+GLCM特征的MLC分類與SVM分類中蘋果園提取結(jié)果較為相似，但兩種分類方法中道路提取結(jié)果存在明顯差異。上述分析表明，綜合光譜和紋理特征的蘋果園提取效果最好，其分類結(jié)果較單純光譜或單純紋理特征有明顯改善，基于光譜+GLCM紋理特征和SVM分類方法的蘋果園提取效果和總體分類效果最好，這與表3和表4的定量分析一致。

圖4 分類結(jié)果比較Fig.4 Comparisons of classification results based on different methods

為驗(yàn)證不同方法識(shí)別蘋果園的效果，對(duì)分類結(jié)果做二值化處理[36]，整理為1表示蘋果園，2表示非蘋果園；然后將不同方法得到的分類結(jié)果進(jìn)行顯著性分析(McNemar檢驗(yàn)[37])。表5表明光譜+GLCM紋理與其他分類特征的檢驗(yàn)統(tǒng)計(jì)量(Z值)均大于1.96，說(shuō)明在95%的置信水平上光譜+GLCM紋理顯著優(yōu)于其他分類特征的分類結(jié)果；光譜+分形紋理的分類結(jié)果也顯著優(yōu)于單一紋理或光譜特征(Z值均大于1.96)，這與表3的定量分析一致。表6為采用光譜+GLCM紋理特征時(shí)，SVM與其他2種分類器的分類性能顯著性檢驗(yàn)結(jié)果，Z值均大于1.96，表明SVM較MLC和NN分類結(jié)果有顯著改善(95%置信水平)，這與表4的分析結(jié)果一致。

表5 不同特征分類結(jié)果的差異顯著性Tab.5 McNemar test for different feature experiments

注：*置信度小于0.05。

表6 不同分類器分類結(jié)果的差異顯著性Tab.6 McNemar test for different classifier experiments

利用本文方法提取的蘋果園分布與以Quickbird影像目視解譯得到的結(jié)果進(jìn)行對(duì)比，從圖5可知，相對(duì)僅利用光譜特征，光譜+GLCM紋理特征能有效提高蘋果園提取結(jié)果的完整性，更接近目視解譯結(jié)果。針對(duì)光譜、光譜+分形和光譜+GLCM 3種方法提取的蘋果園面積量算值及與目視解譯結(jié)果的一致性如表7所示。

圖5 蘋果園面積提取結(jié)果對(duì)比Fig.5 Comparisons of extracted area results in research area表7 蘋果園面積量算結(jié)果和一致性Tab.7 Extracted area from different methods and its consistency

方法提取面積/m2一致性/%目視解譯面積/m2光譜,SVM169879184.04光譜+分形,SVM189536293.772021241光譜+GLCM,SVM199435998.67

表7表明GLCM和分形紋理的加入均能有效提升研究區(qū)蘋果園面積量算精度，其中基于光譜+GLCM紋理的面積量算精度更高，與目視解譯蘋果園面積量算值的一致性超過(guò)98%，說(shuō)明光譜+GLCM紋理和SVM方法結(jié)合估算蘋果園分布面積能夠達(dá)到接近目視解譯面積的量算精度。

4 結(jié)論

(1)基于QuickBird高分影像和SVM監(jiān)督分類技術(shù)，綜合運(yùn)用光譜信息和紋理信息，在對(duì)研究區(qū)進(jìn)行土地利用分類基礎(chǔ)上實(shí)現(xiàn)了蘋果園分布信息的自動(dòng)提取，對(duì)比分析了GLCM、雙毯分形和空間自相關(guān)3種紋理提取方法及不同紋理窗口大小對(duì)蘋果園提取精度的影響。結(jié)果表明：綜合光譜與紋理特征的SVM分類方法的Fa和OA均超過(guò)85%，能有效提取蘋果園分布信息，其中光譜+GLCM紋理(9像素×9像素)和光譜+分形紋理(7像素×7像素)的Fa均高于96%、OA均在94%以上，其結(jié)果精度較單純光譜或紋理分類有明顯提高，而光譜+空間自相關(guān)紋理的分類精度僅略高于單純光譜分類。不同分類方法對(duì)比試驗(yàn)表明，SVM集成高分影像的光譜和紋理特征進(jìn)行蘋果園分類識(shí)別精度要優(yōu)于MLC和NN。

(2)采用QuickBird影像目視解譯結(jié)果對(duì)加入紋理信息和SVM分類的蘋果園提取結(jié)果進(jìn)行評(píng)估，對(duì)比分析不同方法提取的蘋果園面積統(tǒng)計(jì)結(jié)果，發(fā)現(xiàn)光譜+GLCM紋理以及光譜+分形紋理的蘋果園面積量算結(jié)果與目視解譯提取結(jié)果的一致性均超過(guò)93%，其中光譜+GLCM紋理對(duì)應(yīng)的面積一致性超過(guò)98%。

(3)本文研究方法可為其他高分影像應(yīng)用中蘋果園分布信息提取提供參考，具有一定的實(shí)用價(jià)值。但本文研究結(jié)果對(duì)于不同生育期、不同樹(shù)齡蘋果園提取的適用性有待進(jìn)一步研究。此外，分類結(jié)果存在“椒鹽現(xiàn)象”，對(duì)蘋果園提取精度造成一定的影響，從這一角度出發(fā)，如何利用面向?qū)ο蠹夹g(shù)以提高研究的實(shí)用性仍需深入研究。

1 高義民. 陜西渭北蘋果園土壤養(yǎng)分特征時(shí)空分析及施肥效應(yīng)研究[D]. 楊凌: 西北農(nóng)林科技大學(xué), 2013. GAO Yimin. Study on spatio-temporal characteristic of soil nutrient and effect of fertilization in apple orchard of Shaanxi Weibei area[D]. Yangling: Northwest A&F University, 2013. (in Chinese)

2 石濤,張麗,楊元建. 基于Landsat-8和LSMM的冬小麥面積提取研究——以皖北為例[J]. 麥類作物學(xué)報(bào),2015,35(12): 1727-1732. SHI Tao, ZHANG Li, YANG Yuanjian. Study on extraction of winter wheat area based on Landsat-8 and LSMM in case of northern Anhui[J]. Journal of Triticeae Crops, 2015, 35(12): 1727-1732. (in Chinese)

3 朱爽,張錦水,帥冠元,等. 通過(guò)軟硬變化檢測(cè)識(shí)別冬小麥[J]. 遙感學(xué)報(bào),2014, 18(2): 476-496. ZHU Shuang, ZHANG Jinshui, SHUAI Guanyuan, et al. Winter wheat mapping by soft and hard land use/cover change detection[J]. Journal of Remote Sensing, 2014, 18(2): 476-496. (in Chinese)

4 劉哲,李智曉,張延寬,等. 基于時(shí)序EVI決策樹(shù)分類與高分紋理的制種玉米識(shí)別[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2015, 46(10): 321-327. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20151043&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.10.043. LIU Zhe, LI Zhixiao, ZHANG Yankuan, et al. Seed maize identification based on time-series EVI decision tree classification and high resolution remote sensing texture analysis[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10): 321-327. (in Chinese)

5 楊閆君,黃彥,田慶久,等. 基于高分一號(hào)衛(wèi)星WFV影像的水稻信息提取模式[J]. 光譜學(xué)與光譜分析,2015, 35(11): 3255-3261. YANG Yanjun, HUANG Yan, TIAN Qingjiu, et al. The extraction model of paddy rice information based on GF-1 satellite WFV images[J]. Spectroscopy and Spectral Analysis, 2015, 35(11): 3255-3261. (in Chinese)

6 趙春江. 農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2014, 45(12): 277-293. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20141241&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2014.12.041. ZHAO Chunjiang. Advances of research and application in remote sensing for agriculture[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 277-293. (in Chinese)

7 王大鵬,王周龍,李德一. 基于NDVI紋理的山東丘陵地區(qū)SPOT-5影像果園信息識(shí)別研究[J]. 測(cè)繪科學(xué),2007, 32(1): 126-127, 121. WANG Dapeng, WANG Zhoulong, LI Deyi. Orchard information recognition of hill region in Shandong peninsula from SPOT-5 image based on NDVI texture[J]. Science of Surveying and Mapping, 2007, 32(1): 126-127, 121. (in Chinese)

8 董芳,趙庚星,王凌,等. 基于實(shí)測(cè)光譜混合像元分解的蘋果園地遙感提取技術(shù)[J]. 應(yīng)用生態(tài)學(xué)報(bào),2012, 23(12): 3361-3368. DONG Fang, ZHAO Gengxing, WANG Ling, et al. Remote sensing techniques of apple orchard information extraction based on linear spectral unmixing with measured data[J]. Chinese Journal of Applied Ecology, 2012, 23(12): 3361-3368. (in Chinese)

9 LI Yi, GONG Jianhua, IBRAHIM Abdoul Nasser, et al. Orchard identification using landform and landscape factors based on a spatial-temporal classification framework[J]. International Journal of Remote Sensing, 2014, 35(6): 2118-2135.

10 KUMAR A, SINGH K N, LAL B, et al. Mapping of apple orchards using remote sensing techniques in cold desert of Himachal Pradesh, India[J]. Journal of the Indian Society of Remote Sensing, 2008, 36(4): 387-392.

11 楊紅衛(wèi),童小華. 高分辨率影像的橡膠林分布信息提取[J]. 武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2014, 39(4): 411-416. YANG Hongwei, TONG Xiaohua. Distribution information extraction of rubber woods using remote sing images with high resolution[J]. Geomatics and Information Science of Wuhan University, 2014, 39(4): 411-416. (in Chinese)

12 張振興,李寧,劉陽(yáng). 基于Worldview-II多光譜遙感數(shù)據(jù)紋理特征提取方法[J]. 系統(tǒng)工程與電子技術(shù),2013, 35(10): 2044-2049. ZHANG Zhenxing, LI Ning, LIU Yang. Texture features extraction method based on Worldview-II multi-spectral remote sensing data[J]. Systems Engineering and Electronics, 2013, 35(10): 2044-2049. (in Chinese)

13 鄭淑丹,鄭江華,石明輝,等. 基于分形和灰度共生矩陣紋理特征的種植型藥用植物遙感分類[J]. 遙感學(xué)報(bào),2014, 18(4): 868-886. ZHENG Shudan, ZHENG Jianghua, SHI Minghui, et al. Classification of cultivated Chinese medicinal plants based on fractal theory and gray level co-occurrence matrix textures[J]. Journal of Remote Sensing, 2014, 18(4): 868-886. (in Chinese)

14 SU Wei, LI Jing, CHEN Yunhao, et al. Textural and local spatial statistics for the object-oriented classification of urban areas using high resolution imagery[J]. International Journal of Remote Sensing, 2008, 29(11): 3105-3117.

15 DIHKAN Mustafa, GUNEROGLU Nilgun, KARSLI Fevzi, et al. Remote sensing of tea plantations using an SVM classifier and pattern-based accuracy assessment technique[J]. International Journal of Remote Sensing, 2013, 34(23): 8549-8565.

16 MOUNTRAKIS Giorgos, IM Jungho, OGOLE Caesar. Support vector machines in remote sensing: a review[J]. ISPRS Journal of Photogrammetry & Remote Sensing,2011, 66(3): 247-259.

17 GALAL Omer, ONISIMO Mutanga, ABDEL-RAHMAN Elfatih M, et al. Performance of support vector machines and artificial neural network for mapping endangered tree species using Worldview-2 data in Dukuduku forest, South Africa[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2015,8(10)： 4825-4840.

18 STOW D, CHEN D. The effect of training strategies on supervised classification at different spatial resolutions[J]. Photogrammetric Engineering & Remote Sensing,2002, 68(11): 1155-1162.

19 FENG Quanlong, LIU Jiantao, GONG Jianhua. UAV remote sensing for urban vegetation mapping using random forest and texture analysis[J]. Remote Sensing, 2015, 7(1): 1074-1094.

20 FOODY Giles M, MATHUR Ajay, SANCHEZ-HERNANDEZ Carolina, et al. Training set size requirements for the classification of a specific class[J]. Remote Sensing of Environment, 2006, 104(1): 1-14.

21 AGüERA Francisco, AGUILAR Fernando J, AGUILAR Manuel A. Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(6): 635-646.

22 趙慶展,劉偉,尹小君,等. 基于無(wú)人機(jī)多光譜影像特征的最佳波段組合研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(3): 242-248.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160334&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.03.034. ZHAO Qingzhan, LIU Wei, YIN Xiaojun, et al. Selection of optimum bands combination based on multispectral images of UAV[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(3): 242-248. (in Chinese)

23 HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, 3(6): 610-621.

24 PUISSANT Anne. The utility of texture analysis to improve per-pixel classification for high to very high spatial resolution imagery[J]. International Journal of Remote Sensing, 2005, 26(4): 733-745.

25 AGüERA F, AGUILAR F J, AGUILAR M A. Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2008, 63(6): 635-646.

26 REGNIERS O, BOMBRUN L, LAFON V, et al. Supervised classification of very high resolution optical images using wavelet-based textural features[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(6): 1-14.

27 MAILLARD Philippe. Comparing texture analysis methods through classification [J]. Photogrammetric Engineering & Remote Sensing, 2003, 69(4): 357-367.

28 侯群群,王飛,嚴(yán)麗. 基于灰度共生矩陣的彩色遙感圖像紋理特征提取[J]. 國(guó)土資源遙感,2013, 25(4): 26-32. HOU Qunqun, WANG Fei, YAN Li. Extraction of color image texture feature based on gray-level co-occurrence matrix[J]. Remote Sensing for Land & Resources, 2013, 25(4): 26-32. (in Chinese)

29 LU Dengsheng, LI Guiying, MORAN Emilio, et al. The roles of textural images in improving land-cover classification in the Brazilian Amazon[J]. International Journal of Remote Sensing, 2014, 35(24): 8188-8207.

30 LIANG Bingqing, WENG Qihao, TONG Xiaohua. An evaluation of fractal characteristics of urban landscape in Indianapolis, USA, using multi-sensor satellite images[J]. International Journal of Remote Sensing, 2013, 34(3): 804-823.

31 李恒凱,吳立新,李發(fā)帥. 面向土地利用分類的HJ-1CCD 影像最佳分形波段選擇[J]. 遙感學(xué)報(bào),2013, 17(6): 1572-1586. LI Hengkai, WU Lixin, LI Fashuai. Optimal fractal band selection on HJ-1CCD image for land use classification[J]. Journal of Remote Sensing, 2013, 17(6): 1572-1586. (in Chinese)

32 欒海軍,汪小欽,楊娜娜,等. 高空間分辨率遙感影像小波域分形紋理特征提取[J]. 廈門理工學(xué)院學(xué)報(bào),2014,22(3): 65-70. LUAN Haijun, WANG Xiaoqin, YANG Na’na, et al. Extracting wavelet-domain fractal texture of high-resolution remotely sensed imagery[J]. Journal of Xiamen University of Technology, 2014,22(3): 65-70. (in Chinese)

33 朱鐘正,蘇偉. 基于局部空間統(tǒng)計(jì)分析的SPOT5影像分類[J]. 遙感學(xué)報(bào),2011, 15(5): 957-972. ZHU Zhongzheng, SU Wei. The analysis of the classification of SPOT5 image based on local spatial statistics[J]. Journal of Remote Sensing, 2011, 15(5): 957-972. (in Chinese)

34 ZHANG Ce, WANG Tiejun, ATKINSONA Peter M, et al. A novel multi-parameter support vector machine for image classification [J]. International Journal of Remote Sensing, 2015, 36(7): 1890-1906.

36 游炯,裴志遠(yuǎn),王飛,等. 基于改進(jìn)多元紋理信息模型和GF-1影像的縣域冬小麥面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016, 32(13): 131-139. YOU Jiong, PEI Zhiyuan, WANG Fei, et al. Area extraction of winter wheat at county scale based on modified multivariate texture and GF-1 satellite images[J]. Transactions of the CSAE,2016, 32(13): 131-139. (in Chinese)

37 FOODY Giles M. Thematic map comparison: evaluating the statistical significance of differences in classification accuracy [J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(5):627-633.

Apple Orchard Extraction with QuickBird Imagery Based on Texture Features and Support Vector Machine

SONG Rongjie1，2NING Jifeng2LIU Xiuying1，3CHANG Qingrui1

(1.CollegeofNaturalResourcesandEnvironment,NorthwestA&FUniversity,Yangling,Shaanxi712100,China2.CollegeofInformationEngineering,NorthwestA&FUniversity,Yangling,Shaanxi712100,China3.AgronomyCollege,HenanUniversityofScienceandTechnology,Luoyang471003,China)

In order to improve the accuracy of apple orchard extracting in very high spatial resolution (VHSR) remote sensing image, an automated apple orchard extracting method based on texture features together with spectral values and support vector machine (SVM) was studied. This method firstly obtained the optimum combination of multi-spectral bands by using the optimum index factor (OIF); then three kinds of texture features, namely gray level co-occurrence matrix (GLCM), fractal and spatial autocorrelation texture with six different window sizes (from 3 pixels×3 pixels to 13 pixels×13 pixels) were extracted from the panchromatic image for comparison, and further merged with spectral values respectively; finally the above features were used to identify apple orchard by using SVM. Experiments using QuickBird data showed that spectral features combined with texture features could achieve higher apple orchard extraction accuracy (Fa) and overall accuracy (OA) than using spectral features or textures features alone. Among the different features used, the spectral+GLCM features (with 9 pixels×9 pixels) achieved the highest accuracy (Faand OA were 96.99% and 96.16%, respectively), which were slightly higher (0.63 and 1.56 percentages, respectively) than those of spectral+fractal features and significantly higher (11.92 and 9.20 percentages, respectively) than those of spectral+spatial autocorrelation features. Among the different classification methods, three classification techniques (SVM, maximum likelihood and neural networks) were compared for accuracy in apple orchard detection, and results suggested that SVM had the highest accuracy in identifying apple orchard. McNemar test was also computed for statistic significance among spectral+GLCM and other features and also among the three classifiers, and the confidence levels were all less than 5%. Consistency of the extracted apple orchard area and the visual interpretation results according to filed investigation and Google Earth VHSR concurrent image were able to achieve 98% in test regions.

apple orchard; remote sensing identification; information extraction; gray level co-occurrence matrix; support vector machine; QuickBird

10.6041/j.issn.1000-1298.2017.03.024

2016-06-18

2016-09-28

國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)項(xiàng)目(2013AA102401-2)、國(guó)家自然科學(xué)基金項(xiàng)目(31501228)和陜西省自然科學(xué)基金項(xiàng)目(2015JM3110)

宋榮杰(1981—)，女，博士生，講師，主要從事土地資源與空間信息技術(shù)研究，E-mail： srj@nwsuaf.edu.cn

常慶瑞(1959—)，男，教授，博士生導(dǎo)師，主要從事土地資源與空間信息技術(shù)研究，E-mail： changqr@nwsuaf.edu.cn

TP79; S127

A

1000-1298(2017)03-0188-10