面向對象的GF-1 衛星影像蘋果樹種植面積遙感提取研究
——以山地丘陵地區的棲霞市為例

秦 泉，王 冰，李 峰*，王 昊，趙 紅，舒美君

（1.山東省氣候中心，山東 濟南250031；2.煙臺市氣象局，山東 煙臺264003；3.濟南軌道交通集團第一運營有限公司，山東 濟南250306）

蘋果是世界四大水果之冠， 也是中國種植面積最廣的溫帶水果之一。近些年，隨著人們對蘋果經濟價值的追求，蘋果樹種植面積逐年擴大，各大主要產區的地方政府對蘋果樹種植面積和空間分布的重視程度逐漸加大。 棲霞市是渤海灣蘋果產區中規模化程度最高的蘋果種植區， 其種植面積與產量對渤海灣蘋果產區有很大影響。 傳統的蘋果資源信息統計數據多是通過人工調查統計獲得，這種方法效率低、時效差、精度不高，在大尺度空間分布調查時存在較多問題[1]，難以滿足現代農業發展的需求。 快速、有效、準確的獲取蘋果樹種植面積及空間分布，可為政府部門進行蘋果樹種植布局調整、 蘋果估產及災害預防應急等提供數據支撐。

遙感技術作為一門前沿的現代信息技術，具有快速、客觀、監測范圍廣等優點。自應用以來，國內外學者開展了大量利用遙感技術提取農作物種植信息的研究。如Wardlow 等[2]、Sun 等[3]和許文波等[4]使用MODIS（moderate-resolution imaging spectroradiometer） 產品數據， 通過構建時間序列的方法對農作物進行分類和提取，取得了較好的效果；顧曉鶴等[5]、程乾等[6]和樊香所等[7]通過MODIS、FY-3 等數據，采用特征指數法對玉米、 水稻和冬小麥種植面積提取進行研究，結果精度都達到80%以上。 以上學者的研究多是基于中等分辨衛星數據，其空間分辨率較低，分類精度會受到一定限制。 隨著衛星數據空間分辨率的不斷提高，采用面向對象分類方法[8]或者基于高分辨率衛星數據[9]進行作物提取的研究逐漸增多，陳燕麗等[10]和任傳帥等[11]利用SPOT 衛星影像通過多尺度分割， 建立分類規則對水稻和芒果林進行了提取研究；石濤等[12]和于新洋等[13]基于TM 影像數據通過特征參數分析建立提取模型對冬小麥和果園信息進行提取，提取精度在85%以上；羅衛等[14]以環境衛星的CCD 影像為數據源，綜合NDVI、波段信息、地形地貌等特征構建決策樹模型， 對東江源果園進行提取，提取精度達89%；姬忠林等[15]基于GF-1 影像對揚州市冬小麥和油菜進行了提取，總體精度達97%和96%；黃健熙等[16]基于GF-1/WFV 影像進行主成分變換建立多特征數據集，通過構建決策樹模型，分別提取水稻和玉米，精度達95%以上。 上述研究充分說明采用面向對象分類方法或者基于高分辨率衛星數據在農作物信息提取方面有巨大的應用潛力。

綜上所述，MODIS、FY-3 等衛星影像空間分辨率偏低， 在作物提取精度方面會受到限制；TM、SPOT 和GF-1 等高分辨率衛星影像可以提供更豐富的空間信息，但分類多是應用在小麥、水稻、玉米等大宗農作物， 對山地丘陵蘋果樹信息提取的研究相對較少， 以往的研究中很少將國產高分辨率衛星GF-1 影像用于山地丘陵蘋果樹信息的提取。 基于此，本研究基于GF-1/WFV 衛星影像數據，以山地丘陵城市棲霞為研究區， 采用面向對象決策樹分類方法， 將植被覆蓋度和坡度信息融入影像的多尺度分割，以DEM、坡度、光譜信息為輔助數據，開展山地丘陵地區蘋果樹種植信息分層提取方法研究，建立適合山地丘陵地區蘋果樹種植信息遙感提取模型， 以期為國產高分辨率衛星GF-1 在山地丘陵地區果園信息遙感提取方面提供科學性的參考和技術支撐。

1 數據源與方法

1.1 研究區概況

本研究選取山地丘陵城市棲霞為研究區， 該區域地形復雜下墊面信息豐富，丘陵、山地和平原均種植蘋果樹，是渤海灣重要的蘋果產區，蘋果是該區域的支柱產業。棲霞市位于山東半島東部，屬山區丘陵地形，有“膠東屋脊”之稱，海拔約800 m，四季分明，光照充足， 年平均氣溫11.3 ℃， 降雨量650 mm 左右，年日照總時2690 h，屬暖溫帶季風型半濕潤氣候，是我國最適宜果樹生長的地區之一，研究區地理位置如圖1 所示。據統計2016 年棲霞累積出口鮮蘋果10.9 萬t，出口量位居全國縣級市首位，全市蘋果年總收入近100 億元，80%的農民經濟收入來源于蘋果業[17]。

圖1 研究區地理位置和GF-1 假彩色合成影像

1.2 數據源及預處理

GF-1 號衛星作為中國高分辨率對地觀測系統的第一顆衛星， 搭載了4 臺16 m 分辨率多光譜相機，包括綠、藍、紅和近紅外4 個波段，其主要衛星參數見表1。 本研究使用的GF-1/WFV 衛星影像數據獲取時間為2016 年4 月25 日，產品級別為1 級（相對輻射校正產品），云量＜3%，數據來自中國資源衛星中心（http://www.cresda.com/CN/）。

表1 GF-1 衛星參數

GF-1/WFV 衛星影像數據預處理主要包括正射校正、 輻射定標和大氣校正， 預處理所有過程在ENVI 軟件環境中完成。 借助30 m 分辨率DEM 數據對影像進行正射校正， 影像的誤差控制在一個像元內； 通過資源衛星應用中心提供的輻射定標系數進行輻射定標； 利用ENVI 的Flaash 模塊進行大氣校正，以消除大氣在傳輸過程中對地物反射的影響。

坡度（SLOPE）作為重要的地形因素之一，能在一定程度上反映土地利用類型及植被的分布狀況[18]，特別對于山地丘陵地區，坡度信息可作為識別地物的一個重要因子。 研究區坡度信息通過30 m分辨率DEM 數據進行提取，DEM 數據來自地理空間數據云（www.gscloud.cn），通過3 次卷積內插進行重采樣與衛星數據進行匹配。

植被遙感監測中，歸一化植被指數（NDVI）是植被生長狀況和植被覆蓋度的重要指示因子， 本文通過NDVI 進行植被覆蓋度的估算，NDVI 計算公式如下：

式中，NIR 為近紅外波段反射率，R 為紅光波段反射率。

植被覆蓋度（FVC）是指植被地面垂直投影面積與統計區地面總面積的百分比[19]。 它能反映植被的生長狀況和空間分布密度， 可有效剔除非植被及植被覆蓋較低的地物。 根據像元二分模型[20-22]，假設每個像元地表均為無植被覆蓋和植被覆蓋兩個部分構成，因此可通過NDVI 進行植被覆蓋度的估算。計算公式為：

式中，NDVIsoil為無植被覆蓋地表或裸地NDVI 值，NDVIveg為植被完全覆蓋地表NDVI 值。 為保證植被覆蓋度精度，NDVIsoil值選取NDVI 影像頻率累積率為5%的NDVI 值，NDVIveg值選取NDVI 影像頻率累積率為95%的NDVI 值。

為掌握研究區蘋果樹的種植分布情況， 本研究對研究區進行了野外實地調查， 同時結合在線高分辨率影像，按照樣本點數量充足、均勻分布的原則，共選取456 個蘋果樹樣本點及125 個非蘋果樹樣本點。

1.3 研究方法

1.3.1 分類方法

面向對象決策樹分類。 以影像分割后的同質區域為分析目標， 通過構建特征指數及分割后所得對象的形狀、 語義等多種特征作為建立決策樹的判斷準則，對影像的各個對象進行逐層識別和歸類，逐步將目標地物分離出來。 多尺度影像分割是面向對象決策樹分類的關鍵， 分割尺度直接影響目標地物的提取精度[23-24]。 根據目標地物及研究區的不同，融入輔助信息參與影像分割可以提高分類精度[25]。 本文研究區屬于山地丘陵地形， 影像分割時將坡度（SLOPE）和植被覆蓋度（FVC）數據融入影像分割，經過多次對比分析，將分割尺度設為15，合并尺度設為70， 蘋果樹大多被分割到同一多邊形區域，同時對零碎地塊也有較好的分割， 通過對研究區不同地物樣本的統計分析， 建立決策樹分類模型對目標地物進行提取。

最大似然監督分類。 最常用的遙感影像監督分類方法之一[26-27]，該方法基本原理是通過對遙感數據像元統計分析，假定各類地物均為正態分布，通過訓練樣本，根據判決準則構建非線性判別函數，判定每個對象的歸屬度，把各對象分配到相應類別中去[28]。

1.3.2 研究方案

分別利用面向對象決策樹分類和最大似然監督分類法對研究區蘋果樹進行識別提取， 通過對分類結果分析及精度驗證， 得到山地丘陵的蘋果樹最優提取方法。在面向對象決策樹分類中，為了驗證輔助信息參與影像分割是否能進一步提高蘋果樹提取精度， 將面向對象決策樹分類按輔助信息SLOPE 和FVC 數據是否參與影像分割分為2 種方法。 研究方案分3 種：（1）SLOPE 和FVC 數據作為輔助信息參與影像分割的面向對象決策樹分類， 記為K1；（2）無輔助信息參與影像分割的面向對象決策樹分類，記為K2；（3）最大似然監督分類，記為K3。 具體技術路線如圖2 所示。

圖2 研究技術路線

2 特征分析及決策樹構建

2.1 特征參數的分析與選取

地物特征參數的選取和確定是構建決策樹的重要前提，尤其是在復雜下墊面的區域，不同地物的光譜特征及其周圍的地形環境因子是遙感影像中最直觀的特征。光譜特征是光學遙感進行地物識別的基礎，地物光譜特征分析有助于提取目標地物；而地形因子是植被種植生長的特征之一。相比于平原地區，山地丘陵地形較為復雜， 因此植被具有顯著的地帶性空間分布特征[29]。

通過調查和查閱研究區的相關資料發現， 研究區地物類型主要為蘋果樹、林地、冬小麥、水體、建設用地和未利用地。基于此，本研究對研究區典型地物樣本光譜及環境地形特征進行選取和分析。 由于本研究主要討論的對象為蘋果樹， 故先將地物類型分為非植被和植被兩大類， 其中， 非植被主要包括水體、建設用地和未利用地，植被主要包括冬小麥、林地和蘋果樹。然后，統計樣本數據并且生成非植被和植被的植被覆蓋度（FVC） 的概率密度柱狀圖（圖3）。 從圖3 可以看出，非植被地物FVC 值分布在0～0.6，主要集中在0～0.4，并且隨著FVC 值的增加概率密度逐漸減小。 相比而言，植被地物的FVC 值范圍在0.3～0.9，主要集中在0.5～0.9，并且隨著FVC 值的增加概率密度逐漸增大。 考慮到非植被與植被的FVC 值在部分區間存在交集， 但是所占比例較小，因此本研究可以通過設置FVC 閾值來區分植被與非植被。

圖3 2016 年4 月研究區植被與非植被地物植被覆蓋度（FVC）概率密度對比

研究區的蘋果樹在4 月下旬處于花期， 其光譜表現為花與葉的綜合光譜特征[30]，而冬小麥處于孕穗—抽穗期。 蘋果樹的光譜特性與冬小麥和林地存在一定差異（圖4）。3 種植被在藍和紅波段表現為吸收谷，在綠和近紅外波段為反射峰。在可見光波段范圍，蘋果樹的反射率最高，其次為林地，冬小麥最低。在近紅外波段處，蘋果樹和冬小麥的反射率相近，并且高于林地。基于上述分析，通過綠和近紅外波段反射率閾值可以實現蘋果樹與冬小麥和林地的區分。

圖4 2016 年4 月研究區植被光譜曲線

坡度作為一個重要的地形因子， 在一定程度上反映植被的種植分布情況，特別在山地丘陵地區。針對本文的研究區，中部及東部山區坡度較大，北部、西部和南部地勢較低緩， 林地多分布在海拔較高且坡度較陡的地方[30]。 通過實地調查和相關文獻的查閱可知， 棲霞蘋果樹種植坡度在不同DEM 區域存在一定差異性。 因此，在前人研究的基礎上，本文通過DEM 對研究區進行具體分層， 進而對不同層的蘋果樹種植坡度進行分層統計分析。在本研究中，依據研究區的地形特征，將DEM 共分為3 層，即（1）DEM＜150 m；（2）150～250 m；（3）250～400 m。在此基礎上，對不同DEM 層的蘋果樹樣本點進行統計，生成不同DEM 層的蘋果樹種植坡度柱狀圖（圖5）。從圖5 中統計結果可以看出，DEM 在150 m 以下，蘋果樹種植坡度在3°以下；DEM 在150～250 m 蘋果樹種植坡度在9.3°以下；DEM 在250～400 m 蘋果樹種植坡度在13.5°以下。 由此可見，蘋果樹種植坡度特征可作為提取蘋果樹種植信息的一個重要參數。

圖5 研究區不同DEM 層的蘋果樹種植坡度統計結果

2.2 面向對象的決策樹模型構建

基于研究區地物特征分析結果， 本研究選擇植被覆蓋度（FVC）、DEM、坡度和光譜參數進行決策樹分類方法的構建，圖6 為決策樹分類規則路線。通過各節點的分類規則， 逐層分類， 最終提取蘋果樹信息。 首先，通過DEM 閾值篩選出蘋果樹種植區；其次，通過植被覆蓋度閾值進行植被與非植被的分離；然后通過DEM 閾值對蘋果樹種植區進行分層提取，即DEM 在150 m 以下的區域，通過綠波段反射率閾值進行蘋果樹與冬小麥的區分；DEM 在150～250 m 的區域， 通過坡度和綠波段反射率閾值進行蘋果樹與冬小麥和林地的區分，DEM 在250～400 m的區域， 通過坡度和近紅外波段反射率閾值進行蘋果樹與林地的區分。

根據上述決策樹分類規則，同時應用到SLOPE和FVC 數據作為輔助信息參與遙感影像分割的面向對象和無輔助信息參與影像分割的面向對象中，以作為對比。

圖6 決策樹分類規則

3 結果與分析

根據上述決策樹分類規則， 通過統計得到的合理閾值對研究區進行分類， 最終得到3 種不同分類方法提取的蘋果樹種植分布結果（圖7）。在空間上，3 種方法在北部和南部海拔較低的區域提取蘋果樹種植信息效果較為理想。棲霞北部和南部多為平原，其地勢平坦， 蘋果樹種植區多為連片種植的大面積地塊，種植面積比例較大；中部地區多為山地丘陵，特別是中東部山區，蘋果樹種植區地塊較為破碎，由于受到地形及種植條件的影響， 大多種植在村莊附近或者地勢坡度較緩區域，種植面積相對較少。從分類結果（圖7）可以看出，棲霞蘋果樹種植分布存在差異性， 隨著DEM 和坡度的增加蘋果樹種植區域呈現遞減趨勢，這與張迎萍等[31]對膠東山區蘋果樹種植適宜性分布的研究結果較為吻合。

為了定量地評估3 種分類方法的分類結果精度， 本研究采用實測樣本點與在線高分辨率影像數據選取的混合樣本點為真值， 采用混淆矩陣生成的生產精度和用戶精度定量評估分類結果的精度（表2）。3 種分類方法中引入SLOPE 和FVC 參與影像分割的面向對象分類法（K1）精度最高，利用混合樣本點驗證的生產精度為87.3%，用戶精度為90.3%，相較于其他兩種分類方法（K2 和K3），K1 分類方法的生產精度提高了2.6%和10.1%， 用戶精度提高了2.8%和10.1%； 利用實測樣本點驗證的生產精度為91.6%，用戶精度為90.8%，相較于其他兩種分類方法（K2 和K3），K1 分類方法的生產精度提高了2.4%和7.3%，用戶精度提高了2.1%和5.4%。 由此可見，在山地丘陵地區，單純依靠地物光譜信息并不能有效地提取蘋果樹種植信息。然而，通過引入輔助信息的面向對象決策樹分類可以提高蘋果樹種植面積的提取精度，此外將輔助信息（SLOPE 和FVC）融合到遙感影像多尺度分割的面向對象決策樹分類則可以進一步提高其提取精度。

表2 3 種分類方法的蘋果樹分類精度

圖7 3 種不同分類方法提取的蘋果樹種植分布

此外， 通過將3 種分類方法提取蘋果樹種植面積結果與當地農業部門統計數據進行對比分析（表3） 發現，2 種面向對象決策樹分類法提取蘋果樹種植面積精度要高于最大似然監督分類。其中，SLOPE和FVC 數據參與影像分割的面向對象分類法（K1）提取面積精度達到了94.1%， 相較于無輔助信息參與影像分割的面向對象決策樹分類法（K2）和最大似然監督分類法（K3） 提取面積精度分別提高了0.3%和17.4%。

表3 3 種分類方法的蘋果樹面積提取精度

為了較好地比較上述3 種分類方法在研究區的效果和精度， 計算和對比分析了這3 種方法針對不同DEM 層蘋果樹種植分布面積的提取結果（表4）。針對K1 和K2 分類方法，這2 種方法提取的蘋果樹種植面積在3 種DEM 層（DEM≤150 m、150 m＜DEM≤250 m 和250 m

表4 3 種分類方法分層提取蘋果樹面積比例

4 結論與討論

面向對象決策樹分類方法多用于高分辨率衛星影像，不僅可以避免基于像元分類的“椒鹽現象”，同時可以融合多種輔助信息對目標地物進行提取。 針對山地丘陵地區， 本研究對比分析了基于GF-1/WFV 衛星影像的3 種蘋果樹信息提取方法，面向對象決策樹分類中將植被覆蓋度和坡度信息融入影像的多尺度分割，以DEM、坡度、光譜信息為輔助數據， 構建決策樹模型對山地丘陵地區蘋果樹種植信息進行提取，蘋果樹種植面積提取精度達94.1%，生產精度達87.3%，用戶精度達90.3%，相較于無輔助信息參與影像分割的面向對象決策樹分類法和最大似然監督分類法提取面積精度提高了0.3%和17.4%，生產精度提高了2.6%和10.1%，用戶精度分別提高了2.8%和10.1%。 說明基于國產高分辨率衛星GF-1 影像數據的面向對象決策樹分類法通過引入目標地物自身特征及地形因素作為輔助分類信息， 一定程度上可以提高山地丘陵地區蘋果樹種植信息提取精度。

在山地丘陵地區，蘋果樹種植受到土地開發、水澆、管理等條件的限制，隨著DEM 和坡度的增加，種植面積分布逐漸減小， 根據不同DEM 層蘋果樹種植分布的地形特點進行相應坡度閾值的設定，可有效的提高信息提取精度。 山地丘陵地區作物種植結構相對零散， 面向對象決策樹分類雖然可以充分利用光譜和輔助信息， 但分割尺度太大或太小都會對提取結果有一定的影響，因此針對不同目標地物，確定最優分割尺度仍是今后研究的重點。