基于Landsat OLI影像的壽光市農業大棚分類方法對比研究

(山東師范大學地理與環境學院 山東 濟南 250300)

引言

隨著“菜籃子”工程的實施及“智慧農業”的興起，蔬菜產業快速發展，傳統農業加速精準化、智能化。山東省是中國重要的蔬菜種植基地，擁有全國最大的蔬菜集散中心—壽光蔬菜批發市場，傳統的人工野外調查因時效性、經濟性等限制，難以滿足農情監測的需要，遙感技術以其多波段、大尺度、快速高效等優點在農業領域凸顯出較大優勢。

基于遙感影像的農業大棚監測，及時、準確的掌握大棚與其他地物分布狀況對國家制定相應的經濟計劃和農業政策具有十分重要的意義。國內外學者針對農業大棚的分類提取方法展開了一系列研究，按照影像分辨率可以分為兩類：基于中低等分辨率影像(如TM、Landst-8、HJ-1等)的大棚提取算法[2-3]和基于高分辨率影像(Quickbird、IKONOS等)的大棚提取算法[3-4]。相對于高分辨率影像，中低分辨率影像雖然紋理信息較模糊，但是幅寬大，經濟易獲取，因此更加適合于大范圍的大棚面積提取工作。

本文以中分辨率Landsat OLI影像為數據源，將多光譜波段和全色波段融合得到15m分辨率圖像，在人工野外調查和Google Earth高分辨率遙感數據配合解譯分析的基礎上選取樣本點，采用人工神經網絡(ANN)、最大似然法(MLC)、支持向量機(SVM)三種分類方法對壽光市大棚菜區進行分類提取，并根據得到的分類結果，采用混淆矩陣和kappa系數對分類結果進行精度評價，以期確定利用中低分辨率影像的大棚菜區分類的最佳方法，為大棚蔬菜空間分布及發展提供基礎技術支持。

一、數據與方法

(一)研究區概況

壽光市地處魯中北部沿海平原區，跨東經118°32′～119°10′，北緯36°41′～37°19′(圖1)，海岸線長56千米。全境屬于自南向北緩慢降低的平原區，屬暖溫帶季風區大陸性氣候，年平均氣溫12.7°；平均降水量593.8毫米，全年平均降水日數73.7天；平均日照總時數2548.8小時，日照百分率為57%。據統計，壽光市總面積2200km2，糧食播種面積130.0hm2。優越的自然條件及人文條件為壽光大棚蔬菜發展奠定了良好的環境基礎，使壽光市成為全國最大的蔬菜生產和集散中心。

圖1 壽光市位置圖

二、實驗數據選擇及處理

(一)Landsat 8數據

研究區大棚菜地與其他地類具有明顯光譜差異在3月、4月份，此時農田小麥處于返青期，長勢較好，而大棚菜地處于穩定的覆膜期，與農田內作物光譜及紋理差異較為明顯。因此實驗根據對大棚蔬菜及其他農作物生長的物候期分析，選擇實驗區內無云影響、質量較高的2017年3月6日的Landsat8 OLI影像，圖像經過系統的幾何校正和輻射校正，投影坐標為UTM-WGS84，波段具體信息如表1所示。

表1 Landsat8 星載OLI波段信息

(二)樣本數據

2018年2月6日至12日進行野外實地調查，共獲取528個樣本數據，其中日光溫室點134個，塑料大拱棚點126個，居民點93個，水澆地點92個，裸地點83個。

本文根據研究區實地調查數據，結合Google Earth高分辨率遙感數據，共選取7803個樣本點均勻分布在研究區范圍內：包含日光溫室、塑料大拱棚、居民點、水澆地、水體、裸地6類典型地物，其中10%作為訓練樣本，其余作為驗證樣本。

(三)數據預處理

影像預處理的主要目的是對圖像中無關的信息進行消除，恢復可用的真實信息，最大限度地簡化數據，增強可用數據的可檢測性，從而改進特征識別，提高提取的可靠性[5]。

由于傳感器平臺本身的高度、姿態等不穩定，或地球曲率及空氣折射的變化及地形的變化，影像存在較大的幾何變形，需要對影像進行幾何校正及輻射校正，使得RMS控制在0.5個像元以內；Landsat 8多光譜波段空間分辨率為30米，全色波段為15米，將二者融合處理得到分辨率15米的影像，最后對經過處理的數據按照研究區行政區劃矢量圖進行裁剪。

三、分類方法的實現和精度評價

(一)訓練樣本的選擇與提純

圖像假彩色合成顯示后，對圖像進行Enhance Linear 2%增強處理，使得目視解譯效果更好。根據人工野外調查數據、壽光市政府網站、結合Google Earth高分辨率遙感數據，建立每種地物類型解譯標志，并對每一類別選取一定數量的訓練樣本。

ENVI中的N-Dimensional Visualizer可以選擇的訓練樣本進行提純，但某些像元聚集在一起運動時，這些就是最純的像元；若運動時，像元分成了兩個部分，則說明選擇了兩類地物的訓練區，需要對此訓練區進行優化提純。要驗證兩個類別間的差異性程度，可計算樣本的可分離性，本文樣本可分離性均大于1.9，屬于合格樣本。

(二)神經網絡分類

神經網絡分類(Neural Networks Classification，NNC)是用計算機模擬人腦的結構，用許多小的處理單元模擬生物的神經元，用算法實現人腦的識別、記憶、思考過程應用于圖像分類。

在Toolbox工具箱中，雙擊Neural Net Classification工具，在文件輸入對話框中選擇待分類圖像，在打開的Neural Net Classification面板中設置參數，得到分類結果圖如圖2(a)，利用Confusion Matrix Using Ground Truth ROIs工具，得到精度分析統計表如表2所示：

表2 NNC分類精度評價

(三)支持向量機分類

支持向量機(Support Vector Machine，SVM)適用于小樣本統計學習，很大程度上解決了維數災難問題，泛化性能高，較好地解決了神經網絡的過擬合問題。因其良好的穩定性和具有相對較高的精度，在植被分類中得到廣泛的應用[6]，SVM的目的是找尋一個決策面讓它在訓練數據上的平均分類誤差最低，是機器學習中較優的典型分類方法。

在Toolbox工具箱中，雙擊Support Vector Machine Classification工具，在文件輸入對話框中選擇待分類圖像，在打開的Support Vector Machine Classification面板中設置參數，得到分類結果圖如圖2(b)，利用Confusion Matrix Using Ground Truth ROIs工具，得到精度分析統計表如表3所示：

表3 SVM分類精度評價

(四)最大似然法分類

最大似然分類法(Maximum Likelihood Classification，MLC)，又稱貝葉斯分類，假設每一個波段中每一類統計都呈現出正態分布，計算已給的像元屬于某訓練樣本的似然度，這樣該像元就被分到似然度最大的一類當中，是機器學習中較為穩健的典型分類方法，具有分類效果好，速度快等優點，但分類過程受參數估計限制[7-8]。

在Toolbox工具箱中，雙擊Maximum Likelihood Classification工具，在文件輸入對話框中選擇待分類圖像，在打開的Maximum Likelihood面板中設置參數，得到分類結果圖如圖2(c)，利用Confusion Matrix Using Ground Truth ROIs工具，得到精度分析統計表如表4所示：

表4 MLC分類精度評價

圖2 三種監督分類方法分類結果圖

四、討論

根據精度評價表2-4可得出：三種監督分類方法的總體精度均較高，均在96%以上。其中，最大似然法總體精度最高，達到97.57%；其次是支持向量機分類法，最小是神經網絡分類法，總Kappa系數大小排列也符合此次序。根據圖2也可以看出：最大似然分類法的分類效果最好，斑塊分明，紋理清晰，影像細部優于其他分類法。

最大似然分類法(MLC)用戶分類精度較高的是日光溫室和水體，均在99%以上，精度較差的是居民點，由于居民點內地物錯綜復雜，695個居民點樣本中，有61個被錯分為裸地。制圖精度中，日光溫室、塑料大拱棚、水體、水澆地均在98%以上，而裸地和居民點相對較低，但也維持在88%以上。

支持向量機分類法(SVM)用戶精度較高的是日光溫室和水澆地，均在99%以上。精度最差的是裸地，低至85%，在501個裸地樣本點中，有73個被錯分為居民點。制圖精度中，日光溫室、塑料大拱棚、水體、水澆地均在98%以上，居民點最低，低至79.68%。

神經網絡分類法(NNC)用戶精度最高的是日光溫室和水澆地，均在99%以上。裸地和居民點較差，保持在88%以上。制圖精度中，日光溫室、塑料大拱棚、水體、水澆地均在96%以上，居民點較低至81%，689個居民點樣本點中，46個被錯分為塑料大拱棚，35個被錯分為水體，42個被錯分為裸地，由此可以看出居民點內較為復雜，與其他地物混淆嚴重，不過對農業大棚的分類提取影像不大。

五、結論

本研究利用基于Landsat OLI影像的三種監督分類方法對地形復雜的壽光市農業大棚進行分類分析，快速、準確的利用選定的訓練樣本獲得遙感影像中比較精確的分類規則，由精度評價表和分類結果圖可知分類效果較好，總體精度均高于95%。

基于Landsat OLI影像的農業大棚分類方法，最大似然分類法是整體效果最好的分類器，幾乎具有參數分類器的所有優點，但對于其他地物類型來說，由于真實地物的復雜性、地物光譜的獨特性和不同分類器分類模式的互補性，如何科學、準確的進行分類方法選擇和改進需要進一步探討研究。

【參考文獻】

[1]Lu L,Di L,Ye Y.A decision-tree classifier for extracting transparent plastic-mulched landcover from Landsat-5 TM images[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(11): 4548-4558.

[2]黃振國，陳仲新，劉芳清，等，基于HJ-1影像的大棚菜地遙感監測技術研究—以山東壽光市為例[J].中國農業資源與區劃， 2013，34(5): 102-106.

[3]Aguilar M, Bianconi F, Aguilar F, et al. Object-based greenhouse classification from GeoEye-1 and WorldView-2 stereo imagery[J]. Remote Sensing, 2014, 6(5): 3554-3582.

[4]Aguera F, Aguilar MA, Aguilar FJ. Detecting greenhouse changes from QuickBird imagery on the mediterranean coast[J]. International Journal of Remote Sensing, 2006, 27(21): 4751-4767.

[5]王玉麗，馬震.應用ENVI軟件目視解譯TM影像土地利用分類[J].現代測繪，2014,34(1).11-13.

[6]徐穎，呂斌.基于G1S與ANN的土地轉化模型在城市空間擴展研究中的應用—以北京市為例[J].北京人學學報(自然科學版).2008.44 (2) :262-270.

[7]王明偉，王志平，趙春霞，等基于最大似然和支持向量機方法的遙感影像地物分類精度評估與比較研究[J].山東科技大學學報(自然科學版)，2016，35 (3) :25-32

[8]金杰，朱海巖，李子瀟，等.ENVI遙感圖像處理中幾種監督分類方法的比較[J].水利科技與經濟，2014，20 (1) :146-160