高分辨率遙感影像農田林網自動識別

呂雅慧 張 超,2 鄖文聚 李鵬山 桑玲玲 陳英義

(1.中國農業大學信息與電氣工程學院， 北京 100083； 2.國土資源部農用地質量與監控重點實驗室， 北京 100035；3.國土資源部土地整治中心， 北京 100035； 4.成都市國土規劃地籍事務中心， 成都 610074)

0 引言

農田防護與生態環境保護是高標準農田建設和土地整治工程的重要內容，其中農田林網工程是建設重點[1]。農田林網能夠降低風速、減小土壤風蝕、平緩溫濕變化以及增加農田生物多樣性，實現農田生態系統的可持續發展[2]。此外，農田林網的合理布設可以增加土地整治區廊道的數量、長度和密度，豐富廊道類型，提高廊道的連通性，能起到改善土地整治區景觀結構、美化景觀環境的作用[3-4]。農田林網信息的準確獲取可為高標準農田建設和土地整治項目監管及效益評價提供基礎數據。

農田林網具有林地的光譜及高分辨率遙感影像紋理特征。任芯雨[5]基于GF-2影像，對比時間序列模型和機器學習與多種分類方法相結合的方案，實現了城市森林的有效分類；林雪[6]以GF-1影像為基礎，結合多尺度紋理特征的面向對象分類方法實現森林資源的有效提取；任沖[7]以SPOT5、GF-1和Landsat TM/OLI等為主要數據源，綜合利用各類信息及輔助數據，對比了多種分類方法在森林精細識別中的適用情況。以上研究均圍繞森林提取展開，雖對農田林網識別具有借鑒意義，但農田林網具有條帶狀、不連續等特點，森林遙感分類的方法并不能完全適用且效果不佳。農田林網與道路、溝渠等具有相似的條帶狀或線狀高分辨率遙感影像特征：VALERO等[8]利用形態學方法提取了道路；SHAO等[9]設計了一種適用于道路提取的線狀特征快速提取方法；SINGH等[10]利用道路不透水面的特征，構建了兩階段道路提取架構；吳健生等[11]基于面向對象方法研究了農田灌排溝渠系統自動提取。以上研究多利用地物與背景之間的光譜差異實現分類，不適用于以作物種植農田為背景，且背景與目標地物光譜相近的林網識別。目前，基于遙感技術的農田林網自動識別相關研究較少，WISEMAN等[12]定量描述了農田防護林網的特征；鄧榮鑫等[13]用假彩色合成LandSat TM和ETM+影像，采用人機交互的方法提取農田防護林；姜魯光等[14]以LandSat TM為數據源，通過面向對象分類與目視判讀結合的方法提取了林線；幸澤峰等[15]基于ZY-3多光譜影像提取了東北地區的農田防護林。以上研究均為高分辨率遙感影像農田林網的識別提供了思路。但在高分辨率遙感影像中，農田林網的紋理等空間信息豐富，且與農田具有相近的光譜特征，已有研究仍難以滿足精度和效率需求。

針對農田林網在高分辨率遙感數據中的影像特征，本文擬利用光譜及紋理信息，設計基于歸一化差值植被指數(Normalized difference vegetation index，NDVI)和二維熵的決策樹分類方法，初步提取條帶狀農田林網；進一步構建形態學處理[16-18]方法，以期最終實現農田林網的自動識別。

1 數據及研究區概況

采用美國GeoEye-1衛星遙感影像作為數據源，采集時間為2014年7月13日，原始影像數據包括0.5 m的全色影像和2 m的4波段多光譜影像。對二者進行融合處理，獲得0.5 m的多光譜影像，最后通過幾何校正，得到研究區的高分辨率遙感影像數據。此外，還采用1∶10 000的2014年耕地質量等別年度更新數據作為輔助數據。

研究區位于甘肅省臨澤縣河西走廊中部，巴丹吉林沙漠南緣，地理坐標為100°12′ ～ 100°15′E，39°16′ ～ 39°18′N。該區域屬大陸性荒漠草原氣候，干燥少雨，蒸發量大。主要災害性天氣有大風、沙塵暴等。臨澤縣耕地面積近20 000 hm2，主要種植作物為玉米，近些年先后開展農村土地整治項目近30余個，形成了現代化生態農業發展格局，農田林網是該區域高標準農田建設和土地整治工程的重要內容之一。該區域農田防護林網目前處于成熟期、過熟期，“缺株斷行、缺行斷帶”的現象突出，防護效能衰退等問題嚴重[19]。本文基于當地規模化和均一化的生產生活模式，綜合考慮在地物種類、面積規模和林地分布等方面的適宜性，最終確定具有區域代表性的3塊研究區進行實例驗證(①、②、③號研究區)，位置和數據如圖1所示。

圖1 研究區地理位置和高分辨率遙感影像圖Fig.1 Geographical position and high-resolution remote sensing image of study region

2 工作流程與研究方法

2.1 技術路線

首先，基于高分辨率遙感影像的光譜及紋理特征進行決策樹分類，并通過分類后處理初步提取農田林網：利用多光譜影像計算的NDVI區分植被類與非植被類，利用全色影像的二維熵將植被類細分到農田類與林地類，進一步通過分類后處理和輔助數據的篩選，得到條帶狀農田林網的初步識別結果；其次，針對初步識別結果的不連續問題，采用膨脹、細化等形態學手段，得到連續且抽象成線狀的農田林網；最后對識別結果進行精度評價。具體技術路線如圖2所示。

圖2 技術路線Fig.2 Technology route

2.2 農田林網初步識別

7月是研究區農田作物和樹木的生長茂盛期。NDVI能夠反映地表植被覆蓋及長勢狀況，通過設定閾值可有效區分道路、村莊等非植被類和農田、林地等植被類[20-21]。NDVI計算式為

(1)

式中NIR——近紅外波段反射率R——紅光波段的反射率

在高分辨率遙感影像中，農田和林地的紋理特征差異明顯：農田作物種植規整且生長狀況均一，對應紋理細膩平滑；林木種植零散，對應紋理分異粗糙。圖像熵反映了圖像的平均信息量，一維熵表示圖像中灰度分布聚集特征所包含的信息量，但不能反映其空間特征，二維熵把鄰域灰度均值作為圖像的空間特征向量，與圖像一維特征向量組合成特征二元組，能夠定量表達圖像的紋理特征[22-23]，從而在植被類中區分農田與林地。二維熵的計算式為

(2)

其中

式中pij——某像素點灰度與其周圍像素灰度分布的綜合特征

i——某點像素灰度

j——某點鄰域灰度

f(i，j)——二元組(i，j)出現的頻數

N——鄰域尺度

對融合得到的多光譜影像計算NDVI，對全色影像計算二維熵，并通過實驗獲得二值化閾值，據此構建分類決策樹。林地分類結果中不可避免地存在一些微小圖斑，本文采用聚類、過濾等分類后處理予以解決；同時參考耕地質量等別年度更新數據，刪除在村莊和農田中零星分布的樹木及成片分布的樹林，得到條帶狀農田林網類的初步識別結果。

2.3 基于形態學的精細化處理

膨脹、腐蝕、開變換和閉變換等形態學處理，可有效改善圖像識別效果。本文基于農田林網初步識別的二值化圖像，通過形態學膨脹、腐蝕等方法實現斷線連接和去除噪聲等。圖像細化是一種受某些條件約束的收縮算法，要求在保持圖像區域連通性的前提下，抽象出圖像的中心線，實現線狀特征的提取，原理為

W=A-A↑B

(3)

式中W——二值圖像細化后的像素集合A——原始圖像二值化后的像素集合B——用來進行細化處理的二值結構元素，是有一個中心的任意形狀圖形式中， ↑表示擊中擊不中變換。細化處理的實質就是在A的全部像素點中，除去擊中擊不中變換結果之后的集合。圖像的擊中擊不中變換是尋找在待處理圖像A中結構元素B出現位置的運算，是對B形狀的匹配，擊中是指A中包含B，擊不中則是指A中不包含B。本文在形態學基本處理的基礎上，通過圖像細化得到光滑、無毛刺且完全八鄰連接的林網線劃骨架，即農田林網識別的最終結果。

3 實驗結果與分析

3.1 農田林網初步識別結果

通過實驗得到如圖3所示計算結果(以①號研究區為例)，當NDVI大于0.6可以將地物分為道路、村莊等非植被類和農田、林地等植被類；采用5×5窗口計算二維熵，利用二維熵值大于1.6可將植被類進一步劃分為農田類和林地類。據此構建如圖4所示決策樹規則，并結合輔助數據進行分類后處理和條帶狀林網的篩選，得到如圖5所示的初步識別結果。在連片性好的農田區域，林網識別情況好，反之則較差。但識別結果中存在明顯的斷點、離散點和毛刺等問題。

圖3 NDVI和二維熵的二值化結果(以①號研究區為例)Fig.3 Binaryzation results of NDVI and two-dimensional entropy (taking No.① research area as an example)

圖4 決策樹分類模型Fig.4 Decision tree model

圖5 初步識別結果Fig.5 Preliminary extraction results

3.2 農田林網形態學處理和細化

針對初步識別結果中存在的問題，通過膨脹、腐蝕等基本形態學處理，去除圖像噪聲及離散點，同時填充斷點、平滑邊界，結果如圖6(左)所示，尤其是在連片農田區域，實現了林網條帶基本幾何特征的提取；進一步通過抽取線劃骨架，實現農田林網細化處理，結果如圖6(右)所示。由此不僅抽象量化了林網的識別結果，也使其線性特征更加明顯，同時有效改良了斷點、噪聲和毛刺等問題，獲得了精細化的農田林網識別結果。

圖6 形態學處理結果(左)和細化結果(右)Fig.6 Morphological processing results (left) and thinning results (right)

3.3 精度評價

通過實地調研與目視解譯相結合的方式，獲得各研究區的林網實測數據，并在各研究區內分別選取2個樣區(即1號樣區～6號樣區)，從數量和空間兩方面對農田林網的識別結果進行精度評價，如圖7所示。

圖7 樣區分布(左)及識別結果與實測數據對比(右)Fig.7 Distributions of field samples (left) and comparison charts of recognation results with measured data (right)

在數量驗證方面，對各樣區的識別林網進行長度統計，與相應實測林網總長度進行對比，6個樣區的正確率均在92%以上，平均正確率達到92.97%；在空間驗證方面，用緩沖區、疊加分析和標識等手段量化空間吻合度，對林網識別結果做5 m閾值的緩沖區，統計實測林網落在識別林網緩沖區內長度與實測林網總長度之比，用于表示識別結果與實測數據的空間吻合度，6個樣區的空間吻合度均在86%以上，平均吻合度達到93.13%，具體如表1所示。

4 結論

(1)根據農田林網在高分辨率遙感影像中的光譜和紋理特性，利用研究區不同地類NDVI和二維熵的可分性邏輯規則，構建相應決策樹，結合分類后處理及耕地圖斑等輔助數據，刪除分布在村莊和農田中的離散樹木和成片樹林，實現帶狀農田林網的初步識別。

表1 精度統計Tab.1 Precision statistics

(2)針對初步識別結果中的斷點、離散點和毛刺等問題，設計了基于膨脹、腐蝕等形態學處理和細化抽象相結合的方法，得到單像素寬度且具有線狀特性的最終識別結果，識別精度均在92%以上，平均精度達到92.97%；空間位置吻合度均在86%以上，平均吻合度達到93.13%。

1 中華人民共和國國家質量監督檢驗檢疫總局，中國國家標準化委員會. 高標準農田建設通則：GB/T 30600—2014[S].北京：中國標準出版社，2014.

2 劉文平,宇振榮,鄖文聚,等.土地整治過程中農田防護林的生態景觀設計[J].農業工程學報,2012,28(18)：233-240． LIU Wenping,YU Zhenrong,YUN Wenju, et al.Ecological and landscape design of farmland shelterbelt in land consolidation [J].Transactions of the CSAE,2012,28(18):233-240.(in Chinese)

3 SHI X,LI Y,DENG R.A method for spatial heterogeneity evaluation on landscape pattern of farmland shelterbelt networks: a case study in Midwest of Jilin Province, China[J].Chinese Geographical Science,2011,21(1):48-56.

4 王軍,嚴慎純,白中科,等.土地整理的景觀格局與生態效應研究綜述[J].中國土地科學,2012,26(9):87-94. WANG Jun,YAN Shenchun,BAI Zhongke, et al.Review on landscape patterns of land consolidation and the ecological effects [J].China Land Sciences,2012,26(9):87-94. (in Chinese)

5 任芯雨.考慮植被季相節律的高分辨率遙感影像城市森林分類[D].南京:南京林業大學,2016. REN Xinyu.Urban forest vegetation classification in consideration of vegetation phenology based on high spatial resolution satellite imagery [D].Nanjing:Nanjing Forestry University,2016.(in Chinese)

6 林雪.面向林地信息的高分一號遙感影像融合與分類研究[D].北京:北京林業大學,2016. LIN Xue.Study on fusion algorithms and classification methods for GF-1 data oriented to forestland informmation[D].Beijing:Beijing Forestry University,2016.(in Chinese)

7 任沖.中高分辨率遙感影像森林類型精細分類與森林資源變化監測技術研究[D].北京:中國林業科學研究院,2016. REN Chong.Forest types precise classification and forest resources change monitoring based on medium and high spatial resolution remote sensing images[D].Beijing:Chinese Academy of Forestry Sciences,2016.(in Chinese)

8 VALERO S,CHANUSSOT J,BENEDIKTSSON J, et al.Advanced directional mathematical morphology for the detection of the road network in very high resolution remote sensing images[J].Pattern Recognition Letters,2010,31(10):1120-1127.

9 SHAO Y,GUO B,HU X, et al.Application of a fast linear feature detector to road extraction from remotely sensed imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2011, 4(3):626-631.

10 SINGH P P,GARG R D.A two-stage framework for road extraction from high-resolution satellite images by using prominent features of impervious surfaces[J].International Journal of Remote Sensing,2014,35(35):8074-8107.

11 吳健生,劉建政,黃秀蘭.基于面向對象分類的土地整理區農田排灌系統自動化識別[J].農業工程學報,2012,28(8):25-31． WU Jiansheng,LIU Jianzheng,HUANG Xiulan.Automatic identification of irrigation and drainage system in land reclamation area based on object-oriented classification[J].Transactions of the CSAE,2012,28(8): 25-31. (in Chinese)

12 WISEMAN G,KORT J,WALKER D.Quantification of shelterbelt characteristics using high-resolution imagery[J].Agriculture Ecosystems & Environment,2009,131(1):111-117.

13 鄧榮鑫,李穎,張樹文,等.農田防護林經營階段的遙感識別方法[J].農業工程學報,2012,28(增刊2):64-68． DENG Rongxin,LI Ying,ZHANG Shuwen, et al.Recognition of managing phase of shelterbelt by remote sensing[J].Transactions of the CSAE,2012,28(Supp.2):64-68.(in Chinese)

14 姜魯光,劉曉娜,封志明.三江并流區高山林線的遙感識別及其空間格局分析[J].資源科學,2014,36(2):259-266． JIANG Luguang,LIU Xiaona,FENG Zhiming.Remote sensing identification and spatial pattern analysis of the alpine timberline in the three parallel rivers region[J]. Resources Science,2014,36(2):259-266.(in Chinese)

15 幸澤峰,李穎,鄧榮鑫,等.基于ZY-3影像的農田防護林自動提取[J].林業科學,2016,52(4):11-20． XING Zefeng,LI Ying,DENG Rongxin, et al.Extracting farmland shelterbelt automatically based on ZY-3 remote sensing images[J].Scientia Silvae Sinice,2016,52(4):11-20．(in Chinese)

16 吳露露,馬旭,齊龍,等.基于葉片形態的田間植物檢測方法[J/OL].農業機械學報,2013,44(11):241-246,240. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20131141&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2013.11.041. WU Lulu, MA Xu, QI Long, et al. Field plants detection based on leaf morphology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(11):241-246,240.(in Chinese)

17 李麗,柴文婷,梅樹立.基于自適應全局閾值融合標記的遙感圖像建筑群分割[J/OL].農業機械學報,2013,44(7):222-228.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130739&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2013.07.039. LI Li,CHAI Wenting,MEI Shuli.Segmentation of remote sensing images based on adaptive global threshold and fused markers[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(7):222-228.(in Chinese)

18 羅陸鋒,鄒湘軍,王成琳,等.基于輪廓分析的雙串疊貼葡萄目標識別方法[J/OL].農業機械學報,2017,48(6):15-22.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170602&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.06.002. LUO Lufeng,ZOU Xiangjun,WANG Chenglin, et al.Recognition method for two overlaping and adjacent grape clusters based on image contour analysis[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(6):15-22.(in Chinese)

19 張掖市人民政府.關于加快農田林網更新改造的意見[R].2015-05-04.

20 申健,常慶瑞,李粉玲,等.基于時序NDVI的關中地區冬小麥種植信息遙感提取[J/OL].農業機械學報,2017,48(3):215-220,260.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170327&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.03.027. SHEN Jian,CHANG Qingrui,LI Fenling,et al.Extraction of winter wheat information based on time-series NDVI in Guanzhong area[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(3):215-220,260.(in Chinese)

21 黃健熙,侯矞焯,武洪峰,等.基于時間序列MODIS的農作物類型空間制圖方法[J/OL].農業機械學報,2017,48(10):142-147,285.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20171017&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.10.017. HUANG Jianxi,HOU Yuzhuo,WU Hongfeng,et al.Crop type mapping method based on time-series MODIS data in Heilongjiang Province[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(10):142-147,285.(in Chinese)

22 胡清平,張曉暉.基于熵空間理論和小波變換的紅外圖像紋理分割[J].紅外技術,2013,35(8):497-501. HU Qingping,ZHANG Xiaohui.The texture segmentation of infrared image based on the theory of entropy space and CWT[J].Infrared Technology,2013,35(8):497-501.(in Chinese)

23 吳澤鵬,郭玲玲,朱明超,等.結合圖像信息熵和特征點的圖像配準方法[J].紅外與激光工程,2013,42(10):2846-2852. WU Zepeng,GUO Lingling,ZHU Mingchao, et al.Improved image registration using feature points combined with image entropy[J].Infrared and Laser Engineering,2013,42(10):2846-2852.(in Chinese)