高分1 號數據用于云南文山三七種植信息提取

朱 贊， 袁希平， 甘 淑,3， 張良潔， 趙慶會

（1. 昆明理工大學 國土資源工程學院， 云南 昆明650093； 2. 滇西應用技術大學， 云南 大理671006；3. 昆明理工大學 云南省高校高原山區空間信息測繪技術應用工程研究中心， 云南 昆明650093）

受市場經濟背景下供需關系的影響， 農作物尤其是農業經濟作物的產量與價格波動之間存在著緊密聯系。 如何及時準確地掌握農作物的面積、 產量是地方政府農業主管部門進行種植業結構調整［1］和價格宏觀調控的重要依據。 遙感技術具有高效、 快速、 動態、 宏觀和實施成本低等優點， 目前已廣泛應用于農業經濟作物的面積調查［2-3］、 產量估算［4-5］以及長勢監測［6］等方面。 農業遙感已經成為傳統農業向信息化農業過渡的主要支撐技術之一［7］。 與糧食、 蔬菜等農作物相比， 中草藥具有產地區域性較強、 經濟價值較高、 且市場需求量彈性較弱等特點， 如果政府相關部門不加以引導， 很容易造成與市場供求失衡相伴隨的價格大幅度波動， 從而對藥農的經濟利益和生產生活造成很大影響。 這就要求相關部門須掌握時效性強且準確的產量數據。 三七Panax notoginseng為五加科Araliaceae 人參屬Panax植物［8］， 為中國名貴中藥材， 云南文山三七因其優質和獨特的道地性而著稱于世， 具有較高的經濟價值。 周應群等［9］采用5 m 分辨率的SPOT 5 影像和30 m 分辨率的TM 5 影像相配合， 采用目視解譯的方法分別對三七種植面積較大的文山州馬關縣和丘北縣的三七種植面積進行提取并與相關部門的實際統計數據相對比， 最終發現5 m 分辨率的SPOT 5 影像提取成果相對面積精度為92.7%， 而30 m 分辨率的TM 5 影像提取成果相對面積精度為74.4%， 取得了相對理想的效果。 上述方法主要是在高分辨率商業影像目視解譯的三七資源遙感調查， 需要大量的人力和資金， 成本較高， 因此無法保證每年都進行1 次完整的三七種植資源調查。 戴晨曦等［10］基于Landsat TM/ETM+ /OLI 數據， 結合數字高程模型 （digital elevation model， DEM）和歸一化植被指數（normalized difference vegetation index， NDVI）等提出了一種基于遙感影像自動提取三七種植面積的方法， 并利用該方法對云南文山、 紅河兩州2010-2015 年三七種植面積進行監測， 驗證了該方法的可靠性。 2013 年4 月26 日發射成功的高分1 號（GF-1）衛星是中國高分辨率對地觀測系統的首發星， 它突破了高空間分辨率、 多光譜與高時間分辨率結合的光學遙感技術［1］。 目前該衛星獲取的影像已被廣泛應用于森林蓄積量估測［11-12］、 精準農業［13-14］、 國土資源調查和環境監測等方面。 基于GF-1 數據進行三七種植資源的調查， 目前僅有少量學者做過探索： 史婷婷等［15］通過對研究區內各地物的光譜特征進行分析構建了基于GF-1 數據估算文山三七種植面積的決策樹模型， 然而并沒有對該模型的提取精度進行計算和驗證。 本研究對史婷婷等［15］提出的決策樹模型進行改進， 然后基于16 m 分辨率的GF-1 影像對文山州4 個三七主產縣的三七種植面積進行提取， 并通過與同時段的高分辨率谷歌影像進行抽樣監測的方法對該方法的識別精度進行評價； 最后以同區域內目視解譯提取的三七圖斑為基準， 對該決策樹模型的面積提取精度進行計算。

1 研究區概況與數據獲取

1.1 研究區概況

云南省文山壯族苗族自治州（22°40′～24°28′N， 103°35′～106°12′E）位于云貴高原東南部， 為典型的高原山地區域， 北回歸線貫穿全州。 文山州干濕季分明， 5-10 月為雨季， 雨量占全年的82%， 11 月至次年4 月為干季。 獨特的土壤和氣候條件使這里成為全國最主要的三七產區， 三七種植面積和產量均占全國的90%以上。 1995 年文山州被命名為“中國三七之鄉”［16］。 文山州三七主產地主要集中在丘北、 廣南、 硯山和文山等4 個縣地勢相對平坦的盆地和河谷區域。 本研究選取該4 個縣作為主要研究區域。

1.2 數據獲取

文山州的11 月至次年4 月為旱季， 為保證影像的能見效果， 結合文山州的天氣和三七的耕作時段規律， 本研究選取了2016 年2 月13 日、 4 月15 日和5 月1 日的3 景16 m 分辨率的GF-1 開源數據作為基礎數據。 此外， 還獲取了覆蓋該區域的6 景30 m 分辨率DEM 數據作為輔助數據。

2 三七蔭棚圖斑提取的決策樹構建

2.1 三七蔭棚

三七屬于喜陰植物， 光照強度對三七的生長有較大影響， 人工栽培的三七一般都要架設蔭棚。 因此， 基于遙感影像進行三七種植面積的提取主要是提取出三七蔭棚的圖斑。 崔秀明等［17］研究發現： 當蔭棚的透光率為12%時， 三七的單位產量達到峰值。 目前大部分三七蔭棚都以透光力更易于控制的黑色塑料遮陽網代替傳統的枯枝棚（圖1）［18］。

圖1 三七專用遮陽網（左）和GF-1（16 m）影像上的三七蔭棚（右）Figure 1 P. notoginseng special net （left） and the shade on the GF-1（16 m） image （right）

2.2 三七蔭棚分類決策樹構建

史婷婷等［15］構建了基于GF-1 影像進行三七種植區提取的決策樹分類模型。 依據三七的生長區域一般為5°～15°的緩坡地帶［14］的特點， 本研究對此分類決策樹模型進行改進（圖2）。 在構建決策樹過程中， 基于預處理后的DEM 構建坡度值，坡度值用變量 “Slope” 表示， 然后通過執行決策樹分類提取出三七的蔭棚圖斑。 針對該決策樹模型所完成的分類成果如圖3 所示。

2.3 分類成果精化處理

根據GF-1 影像上三七蔭棚和其他地物的圖像機理特征的對比， 可以觀察到部分區域水體和三七蔭棚在目視效果上可分離度不高（圖4A 和圖4B）。 且在三七蔭棚的決策樹分類成果中有部分水體的邊緣區域被錯分為三七蔭棚（圖4C）。 為剔除分類成果中被錯分的部分， 對分類結果進行基于GIS 空間分析的精化處理。 經過統計得出決策樹分析提取的三七蔭棚圖斑中水體邊緣被誤判的區域平均約1.5 個像元， 最大約3.0 個像元（約48 m）， 且一般而言在水域周圍50 m 范圍內很少有三七種植區。 因此， 數據處理中在GIS 平臺上針對提取的水體圖斑構建50 m 緩沖區， 并將緩沖區圖斑與決策樹分類提取的三七蔭棚圖斑進行疊置分析， 用以剔除水體邊緣被誤分的區域， 進而實現對提取成果的精化處理。 精化前后成果對比如圖4C 和圖4D 所示。

圖2 提取三七蔭棚圖斑的決策樹模型Figure 2 Decision tree model for extracting shade patches of P.notoginseng

3 提取成果的精度驗證與分析

3.1 分類精度的驗證方法

對決策樹分類所提取的三七蔭棚成果進行精度驗證主要包括2 項內容： ①三七蔭棚地類識別精度驗證； ②專家決策樹分類的三七蔭棚面積提取精度驗證。 對決策樹分類提取成果的精度驗證主要是以三七蔭棚的目視解譯成果為基準的， 在目視解譯過程中對于目標判定困難的地物， 進一步采用了谷歌地球（Google Earth）提供的同時段2.18 m 分辨率的影像作為參考進行解譯（圖5）。

3.2 三七蔭棚的地類識別精度驗證

采用專家決策樹分類方法提取并經過精化處理的成果和采用目視解譯方法在研究區域內勾繪的三七蔭棚的圖斑成果如圖6 所示， 研究區內各縣三七蔭棚圖斑的提取成果統計如表1 所示。 根據本研究2.18 m分辨率的同時段Google 影像對三七蔭棚提取成果的判定精度進行驗證。 具體方案為： 分別在在研究區內對精化后三七蔭棚的專家決策樹分類成果和目視解譯成果各均勻選取100 組圖斑作為檢驗樣本， 并與同時段的Google 影像中相對應位置的圖像進行對比， 用以對三七蔭棚判定的正確性進行檢驗。 判定成果精度的統計如表2 所示。

圖3 決策樹分類成果示意圖Figure 3 Decision tree classification results

圖4 提取成果精化處理Figure 4 Refined processing of extraction results

如表2 所示： 利用決策樹分析法和目視解譯法對三七蔭棚進行地類識別， 判定正確率分布可達到87%和99%。 通過總結， 決策樹分類法判定錯誤的原因一方面是由于混合像元的影響產生的，尤其是細小的蔭棚斑塊所形成的像元產生影響較大； 另一方面是由于新舊蔭棚之間的光譜特征存在差異而導致誤判。 目視解譯法產生誤判的原因主要是部分水體像元和山體陰影產生的像元與三七蔭棚像元在目視判別時難以區分。

圖5 Google 影像（左， 2.18 m）和GF-1 中的三七蔭棚（右， 16 m）Figure 5 Google image （left, 2.18 m） and the P. notoginseng special net on the GF-1 image（right, 16 m）

3.3 決策樹分類的面積提取精度驗證

郭燕等［1］利用GF-1 影像提取玉米Zea mays種植面積， 并將提取的圖斑與實測的實地面積進行對比， 最終得出影像上面積的準確率達91.8%， 驗證了基于GF-1 影像提取農作物面積的方法是可靠的。 同理， 為驗證GF-1 影像上三七蔭棚面積的準確性， 以相關部門在三七種植資源抽查中獲取的部分實地調繪數據為基準， 分別在三七種植較為集中的丘北和硯山兩縣各選擇10 塊三七蔭棚作為樣本， 在GIS 平臺上分別對相應地塊的實地調繪圖斑和GF-1 影像上的目視解譯圖斑進行疊置分析， 并統計其面積重合率。 經統計， 二者的平均面積重合率為丘北縣85.4%，硯山縣89.2%。 可得出GF-1 影像與實地的三七蔭棚面積符合度較高， 將GF-1 影像用于提取三七蔭棚面積的方法是可行的。 因此， 針對專家決策樹分類提取三七蔭棚的面積精度評價， 本研究采用專家決策樹分類提取的蔭棚成果與目視解譯的蔭棚成果進行疊加分析， 然后對兩類成果的重疊部分面積進行統計。專家決策樹分類提取的面積精度按下式進行計算。

圖6 決策樹分類法（A）和目視解譯法（B）提取三七蔭棚的成果示意圖Figure 6 Decision tree classification （A） and Visual interpretation （B） of the extracted results

表1 實驗區各縣蔭棚圖斑提取面積精度統計Table 1 Accuracy of statistical experimentation area shade extraction counties

表2 三七蔭棚地類識別精度評價Table 2 P. notoginseng of the land intensive evaluation shed recognition

式（1）中： P 為專家決策樹分類提取成果的面積精度； So為2 類成果重合的面積； SV為目視解譯提取的三七蔭棚面積。 實驗區內各縣專家決策樹分類提取的三七蔭棚面積精度統計如表1 所示。 通過對研究區域4 個縣的專家決策樹分類和目視解譯提取的蔭棚圖斑數和面積進行統計， 并根據式（1）對各產區專家決策樹分類提取的面積精度進行計算得出： 專家決策樹分類和目視解譯提取的圖斑數總計分別為3 185和2 942 個； 提取的蔭棚面積總計分別為70.11 km2和62.11 m2； 專家決策樹分類提取的平均面積精度為80%； 4 個主產縣的蔭棚圖斑面積提取精度都能達76%以上。

4 結論與討論

本研究基于16 m 分辨率的GF-1 開源影像對云南文山州4 個三七主產縣的三七的種植面積進行提取。 在遙感提取方法上， 主要考慮三七生長區域自然條件對文獻［15］所構建的決策樹模型進行改進， 并在對決策樹分類成果進行觀察、 分析和統計的基礎上對分類成果進行精化處理。 最后采用谷歌影像、 實地調繪和目視解譯數據相配合的方式分別對提取成果的圖斑識別精度和面積提取精度進行驗證。 結果表明： 本研究所提出的基于專家決策樹和分類精化處理提取三七種植面積的方法是可行的， 三七蔭棚圖斑識別精度可達87%， 面積提取的平均識別精度可達80%。

綜上所述， 基于國產高分系列數據開展三七種植面積快速調查的方法雖然從技術層面而言已經日趨成熟， 然而三七蔭棚面積的提取精度仍有待提高， 一方面是由于三七種植區域氣候和其他地物信息的影響， 另一方面是由于不同年份鋪設的新舊三七蔭棚存在一定光譜差異， 這為決策樹分類閾值的確定帶來一定難度。 因此， 下一步的研究可以聚焦于2 個方面： ①結合地面采集數據對新舊三七蔭棚和三七生長環境內的各類地物進行更有針對性和更精細化的光譜特征分析； ②結合地面實測數據和光譜特征分析構建精度更高的三七種植信息分類提取模型。