一種面向對象的人工草地遙感監測方法

陳藝華,陳振杰

摘要：城市綠化帶動人工草地草需求量增大和經濟效益提升，部分種植主體會選擇種植人工草地草替代傳統糧食作物，種植人工草地草會嚴重損害耕地質量，快速有效地監測在耕地上種植人工草地草很有必要。本研究通過面向對象的方法，利用高分辨率遙感影像來獲取江蘇省常州市新北區西夏墅鎮東南部人工草地信息，研究影像分割的最佳分割參數、最優特征選取和分類方法等問題。通過比較2013年和2017年的人工草地草種植范圍，了解該地區人工草地草種植的變化情況。結果表明，（1）面向對象的高分遙感監測方法在提取人工草地信息時，能使提取的人工草地信息更加完整，獲取的信息更加豐富;（2）最優分類特征選擇對于面向對象遙感信息提取至關重要，驗證了J-M距離對特征選擇的有效性，該方法可以適用于不同影像，但所選的特征依賴于具體影像和待提取要素的特性;（3）試驗區人工草地呈現團塊狀的集聚分布，主要分布在城鎮周邊，多沿道路分布。2013-2017年，人工草地草種植范圍呈擴張趨勢，增加的區域大部分來自耕地。

關鍵詞：人工草地;遙感監測;面向對象分類;多尺度分割;特征選擇

中圖分類號：TP75文獻標識碼：A文章編號：1000-4440（2021）06-1545-09

An object-oriented remote sensing monitoring method for artificial grassland

CHEN Yi-hua1，2，CHEN Zhen-jie1，2

（1.School of Geography and Ocean Science， Nanjing University， Nanjing 210023， China;2.Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology， Nanjing 210023， China）

Abstract：Urban afforestation promotes the demand and economic benefits of artificial grassland. Some farmer households will choose to plant artificial grassland instead of traditional food crops. In addition， planting artificial grassland will seriously damage the quality of cultivated land. So it is necessary to quickly and effectively monitor the area and intensity of artificial grassland planting on basic farmland. In this study， high-resolution remote sensing images were used to obtain artificial grassland information in the southeast area of Xixiashu town， Xinbei district， Changzhou city， Jiangsu province. By using the object-oriented approach， the problems of the best segmentation parameters， the best feature selection and the classification method of the image were studied. The planting range of artificial grassland in 2013 and 2017 was compared to understand the changes of artificial grassland planting in this area. The results showed that using the object-oriented high-resolution remote sensing monitoring method to extract the artificial grassland information could make the extracted artificial grassland infarmation more complete and obtain more abundant information. The selection of optimal classification features was significant for the extraction of object-oriented remote sensing information. The validity of J-M distance to feature selection was verified. The method could be applied to different images， but the selected features depended on specific images and characteristics of the elements to be extracted. The artificial grassland presented a cluster of lump-like distribution， mainly distributed around the town and along the road. From 2013 to 2017， the planting area of artificial grassland showed an expansion trend， and most of the increased areas came from cultivated land.

Key words：artificial grassland;remote sensing monitoring;object-oriented classification;multi-scale segmentation;feature selection

在優質耕地不斷減少及人口持續增長的背景下，中國耕地保護面臨嚴峻的挑戰[1-3]。相關調查結果表明，農業產業結構調整、種糧經濟效益低、勞動力生產資料價格的提升等因素，導致中國耕地“非糧化”現象呈現逐步擴大趨勢[4-5]。近年來，城市綠化帶動了人工草地草需求的攀升，人工草地草種植效益迅速提高[6-7]，相關種植主體會選擇種植人工草地草替代傳統糧食作物。人工草地草作為一種高消耗的植被作物，其生長周期短、種植收獲頻率高于一般農作物，這會破壞耕地的土壤耕作層，影響土壤質量[8]。因此，快速有效地監測在耕地上是否種植了人工草地草及人工草地規模很有必要，可為該區域的農業種植結構調整、相關政策制定提供依據，對于保障國家糧食安全具有重要意義。

人們利用衛星遙感數據對草地資源進行調查、分類和制圖始于20世紀80年代初[9]。隨著遙感影像分辨率的提高，傳統面向像元的遙感信息提取方法適用于中低分辨率的集中連片的自然草地植被的識別[10]，難以適用于小片、分散種植的人工草地的信息提取。對于人工草地這種形狀較為規則、邊緣比較分明，而且分布面積不大的地物類別，在高分影像中有更豐富的地物形狀和紋理信息[11]，采用面向對象的方法可以較完整地獲得對象的信息，較高地保持形狀和屬性一致[12]。Zhao等[13]利用面向對象的方法，將多光譜影像與無人機影像結合用于植被分類識別。由于人工草地和耕地的特征相近，在提取人工草地的方法上可以借鑒耕地的提取方法，Goodin等[14]運用面向對象的方法并同時利用影像幾何、光譜、紋理等特征提取耕地信息，Pea-Barragán等[15]通過基于對象的方法結合光譜、紋理和層次特征，并使用決策樹算法進行農作物識別。陳杰等[16]通過研究最優的分割尺度使用多尺度分割方法提取耕地信息，證明選擇合適的分割尺度能提高地物提取精度;覃能[17]采用面向對象的分層分類方式并采用SEaTH（Separability and threshold）算法有效地提取了耕地地塊信息，孫家波等[18]運用SEaTH算法自動獲取分類規則并實現了對耕地信息的快速提取，反映了SEaTH算法在提取耕地地塊上的適用性，因此本研究應用SEaTH方法特征優選提取人工草地信息。

在高分辨率遙感影像耕地信息提取中，現有方法多采用確定性規則分類，在每一個確定性的規則中，僅采用單一的一種分類特征，在試驗中容易出現相似類別混淆的現象，對于人工草地草這種需要與其他植被區分開來的地物提取，需要更加完善的信息判斷，因此如何基于高分辨率遙感影像利用面向對象的方法，優選分割對象的分類特征，從而建立人工草地信息提取方法仍有待研究。

本試驗基于高分辨率遙感影像，使用面向對象的方法提取人工草地信息，研究遙感影像分割方法，篩選最優分類特征，運用不同分類方法對分割對象進行分類提取，并分析研究區人工草地時空變化情況。

1研究區及數據

研究區位于江蘇省常州市新北區西夏墅鎮東南部（圖1）。該地人工草地草種植始于2003年，由于市場需求量大，人工草地種植業漸漸發展壯大，到2015年，全鎮已有近一半耕地發展為人工草地。

本研究采用的數據源如表1所示。2013年和2017年2幅影像用于提取2年的人工草地分布范圍，獲取人工草地種植面積的變化情況。

由于遙感影像成像過程中，受各種因素的影響，影像存在一定的幾何和輻射畸變，這種誤差會使影像提取的地物信息不準確，為了消除這種誤差，在對影像進行解譯之前先對原始影像進行數據預處理，處理過程為先從基礎底圖上采集糾正控制點，結合高程數據，正射糾正全色遙感數據，再將多光譜遙感數據與之配準、融合，并裁切出研究區的影像。

2人工草地遙感信息提取方法

對研究區的高分辨率遙感影像選擇合適的分割參數進行多尺度分割。對分割得到的對象進行特征分析，篩選出最優分類特征。在整幅影像上隨機選取均勻分布的訓練樣本，運用不同分類方法對整幅影像的對象進行分類，提取出人工草地，對提取的人工草地信息進行精度評價。比較2013年和2017年提取的人工草地范圍，獲取4年間人工草地草種植范圍的變化。技術路線如圖2。

2.1多尺度遙感影像分割

在面向對象的高分辨率遙感影像分析中，要先進行影像分割，獲取與內部像元相似的對象。多尺度分割算法是以圖像同質性作為區域合并的依據[19]，該方法綜合考慮了圖像的光譜信息和形狀信息，可以根據提取地物的特征，選擇合適的分割參數，達到最優的分割效果[20]。多尺度影像分割時，通過設置形狀參數、緊致度參數、尺度參數優化影像分割結果。參數通過試驗比較確定，最優分割尺度由ESP自動獲得最佳分割效果尺度參數工具確定[21]。

2.2基于J-M距離的最優特征選擇

高分辨率遙感影像在光譜信息基礎上具有更豐富的地物形狀和紋理信息。光譜特征可以記錄不同地表覆蓋的光譜反射率，不同地物對入射電磁波的反射能力是不同的。形狀特征是以圖像分割后的對象的外形輪廓所構成的幾何圖像，通常情況下，地物的形狀輪廓會存在差異。紋理特征不僅反映圖像的亮度統計信息，還反映地物的結構特征和空間排列特性，表現在周期性、方向性、粗糙度、平滑性等方面，在紋理特征的計算中一般用到的是基于Haralick等[22]在1973年提出的灰度共生矩陣（Grey Level Concurrence Matrix，GLCM）的紋理特征參數。自定義特征是根據實際情況選擇的對區分類別有顯著效果的特征，比如歸一化植被指數（NDVI）。通過不同的特征，可以得到不同地物之間可區分的信息。本研究所使用的特征信息如表2所示。

在獲取研究區地物特征信息時，結合影像，綜合統計了人工草地草與其他地物類型具有代表性的特征，一般可以通過合理地選擇特征組合來區分不同地物。但是特征選擇不可能無限增加特征數，一是特征增多會導致其數據量和計算時間大量增加;二是特征之間的相關性會導致特征的冗余和信息的浪費。因此，需要通過選擇合適的特征減少特征維度，即最優特征選擇問題。在提取人工草地時，選擇可顯著區分草地與其他類別的特征，在本研究中利用Jeffries-Matudita距離（簡稱J-M距離，用J表示）來衡量類間可分性。

對于c1和c2，其J距離為：

J=2（1-e-B）（1）

其中，

B=18（m1-m2）22σ21+σ22+12lnσ21+σ222σ1σ2（2）

式中，mi和σ2i （i=1，2）分別為2個類別樣本對象某個特征分布的均值和方差。當均值和方差為0時，2個類別完全重疊。B取值為[0，∞），J取值為[0，2]。當J=2時，表明用該特征進行分類時，類別間不存在錯分，但實際J=2的情況不多見，各類之間總有交疊[23]。對人工草地草和其他地物對象的特征值計算J-M距離值（J值），選擇J值較大的特征，然后計算特征相關性，篩選得到最終選擇的特征[24]。

2.3遙感圖像分類方法

由于遙感數據和對不同地物識別的復雜性，目前還未有一種分類方法對提取任何地物都有普適性，因此需要通過試驗來確定較好的分類方法。比較常用的分類方法有貝葉斯分類法、支持向量機分類法、隨機森林分類法等。貝葉斯分類法（Bayes）是依據某些對象的先驗概率選擇后驗概率最大的類別作為此對象的所屬類別[25]，該算法較為簡單，對小規模的數據表現很好。支持向量機分類法（Support vector machine，SVM）在解決小樣本、非線性及高維模式識別中有優勢[26]，適用于樣本量較少的地物提取。隨機森林分類法是由Breiman[27]提出的一種通過利用多棵決策樹對樣本進行訓練并預測的機器學習算法，該算法對于數據的缺失不敏感，模型泛化能力較強。

在對影像進行多尺度分割后，在整幅影像中隨機選擇均勻分布的若干個訓練樣本進行訓練，選擇優選之后的特征作為訓練樣本的分類特征，分別對分割對象進行分類，得到人工草地提取的結果。

2.4人工草地遙感信息提取精度驗證

本研究選擇混淆矩陣對人工草地提取結果進行評價。混淆矩陣計算的各項指標包括精確度、召回率、F1值（表3）。

3結果與分析

3.12013、2017年人工草地信息提取結果

對研究區2013年高分辨率遙感影像進行試驗，先選擇形狀因子和緊致度因子，通過比較選擇形狀參數為0.1，緊致度參數為0.5，使用ESP工具來獲取人工草地的最優分割尺度。選擇處于峰值的尺度即209（圖3）作為分割尺度取值進行試驗，得到分割結果，其分割結果一定程度上符合實際草地的邊緣輪廓，主要的草地區域都分割為一個完整的整體，分割效果良好（圖4）。

對人工草地草和其他地物類型對象的特征計算J-M距離值，根據J值選擇Ratio_coastal、HSI、StdDev_rededge、StdDev_red、StdDev_green、StdDev_NIR1、Mean_rededge、Mean_green、Roundness、Border_index、NDVI這11個特征，人工草地與非人工草地分類特征J-M距離計算值如表4所示，運用不同分類方法對整幅影像的對象進行分類，提取出人工草地信息。

對2017年高分辨率遙感影像以同樣的方法進行面向對象遙感解譯來提取人工草地信息，由于2017年影像缺少近紅外波段，因此只計算光譜、形狀、紋理特征，得到的結果與2013年影像提取的結果進行對比分析。2017年人工草地提取過程中，影像多尺度分割參數選擇，波段權重均為1、分割尺度為155、形狀因子為0.2、緊致度因子為0.5，分類特征選擇Mean_green、Ratio_red、Ratio_green、Ratio_blue、Density、Shape_index、GLCM_Entropy_alldir、GLCM_Homogeneity_alldir，人工草地與非人工草地分類特征J-M距離計算值如表5所示，使用貝葉斯分類法分類，得到2017年人工草地提取結果，精度檢驗較好（基于對象數量F1值為0.826，基于總面積F1值為0.880）。

3.23種分類方法分類結果對比

由于研究區范圍較小，因此本研究采用多人目視解譯對整幅影像的人工草地進行判別提取作為驗證數據，然后對不同分類方法提取后的人工草地對象逐個比對，進行個數和面積的統計并計算分類精度。對2013年3種分類方法提取結果進行檢驗，統計混淆矩陣，并計算各項指標（精確度、召回率、F1值），經統計得到各分類方法的精度評價（表6）。由表6可知，貝葉斯分類法F1值最高，其次是支持向量機分類法，最后是隨機森林分類法。對于貝葉斯分類法，其召回率較低，說明有一部分人工草地被漏檢了，但是精確度較高，說明檢出的對象是人工草地的正確率較高;對于支持向量機分類法，其精確度不高，說明該分類法并不能很好地區分人工草地與其他對象，但是召回率較高，說明大部分的人工草地對象都能被檢索到。

3.3人工草地時空變化特征分析

將2013-2017年人工草地草種植范圍（圖5a）進行對比，可以看出，人工草地呈現團塊狀的集聚分布，主要分布在城鎮周邊，多沿道路分布。2013-2017年土地利用轉移矩陣如表7所示，除人工草地外其他數據來源于2013年和2017年常州市土地變更調查數據。由圖5和表7可知，2013年人工草地草種植區域面積為1.44 km2，2017年人工草地草種植區域面積為2.59 km2，4年間，人工草地草種植區域不變的面積有0.69 km2，種植區域增加的面積為1.89 km2，種植區域減少的面積為0.75 km2。2013年人工草地草的種植區域還比較小，至2017年，人工草地草種植區域有了很大的增加，這主要是因為：一是該地區城鎮化的發展帶動了人工草地草需求的快速增長;二是人工草地草價格的逐年提升，農民在作物種植的選擇上會出現變化，經濟效益高的作物取代經濟效益低的作物[28-29]，與其他農作物相比，人工草地草作為一種經濟作物，其帶來的經濟效益產出大大高于其他糧食作物。除此之外，有小部分區域人工草地面積減少，可能由于道路的修建占用了一部分人工草地，導致其面積的減小。

由圖5b、圖5c可以看出，人工草地占用耕地和永久基本農田現象嚴重。研究區2017年人工草地占用耕地1.68 km2，占區域耕地總面積的12.50%;占用永久基本農田1.09 km2，占區域永久基本農田總面積的18.80%。

總體來說，作為新型的現代農業，人工草地草種植的行業現狀依舊還未形成完整的產業體系，發展空間也有限，但國家的戰略和方針政策為人工草地草種植帶來了新機遇，在生態文明建設的指導下，各大城市新一輪的城市更新和市政建設項目中，都需要大量的人工草地草。然而，耕地不能“非農化”、永久基本農田不能“非糧化”，因此，采取有力措施，強化監測管理，落實最嚴格的耕地保護制度是目前的重要任務[30]。

a：2013-2017年人工草地種植變化; b：2017年占用永久基本農田的人工草地; c：2017年占用耕地的人工草地。

4結論

（1）本研究驗證了面向對象的高分遙感監測方法在提取人工草地信息時，能使提取的人工草地信息更加完整，獲取的信息更加豐富。最優分類特征選擇對于面向對象遙感信息提取至關重要，本研究基于光譜、形狀、紋理等特征，通過J-M距離進行特征選擇，選取了最優分類特征。驗證了J-M距離對特征選擇的有效性，該方法可以適用于不同影像，但所選的特征依賴于具體影像和待提取要素的特性。

（2）以西夏墅鎮東南部為例，監測人工草地草種植范圍。2013-2017年，該地區人工草地草種植范圍有了很大的增加，人工草地呈現團塊狀的集聚分布，主要分布在城鎮周邊，多沿道路分布。人工草地草種植范圍較大，且呈擴張趨勢，增加的區域大部分來自耕地，部分地區人工草地草種植范圍有所減少。人工草地占用耕地和永久基本農田現象較嚴重。

考慮到人工草地提取的影響因素，本研究還存在值得探究的地方。影像分辨率對于人工草地提取的影響在于，人工草地作為一種形狀規則、邊緣平整分明的地物類別，邊界的有效識別很重要，因此對遙感影像的空間分辨率有較高的要求，且基于面向對象的方法能夠較好保留地物信息提取的完整性。遙感影像時相是影響人工草地提取的主要因素，因為高分影像的時間分辨率低，且人工草地草種植呈現年際周期變化的特點，所以存在一些人工草地草由于取出出售而在影像上顯示為裸地（或淺色草地）的地物特征，這部分人工草地被判定為裸地，無法根據單幅影像提取，在以后的研究中可以考慮高分影像與中分影像相結合，通過時間序列方法獲取人工草地變化特征。不同的種植方式或管理模式等人為因素會使人工草地草長勢不均，其顏色和紋理會產生差異，會對人工草地的提取產生一定的影響，因此本研究提出的方法還需要在更大范圍、不同區域、多年度的時空尺度上進行驗證和完善。

參考文獻：

[1]陳東湘，周生路，吳紹華. 基于遙感評價城市擴張對耕地質量等級結構及產能的影響[J]. 農業工程學報， 2017， 33（13）： 264-269，316.

[2]孔祥斌. 當前耕地保護面臨的問題分析及對策研究[J]. 中國土地， 2020 （12）： 4-7.

[3]孫福軍，李華蕾，王秋兵. 當前遼寧省耕地保護工作面臨的主要問題及對策分析[J]. 農業經濟， 2013 （6）： 87-89.

[4]王勇，陳印軍，易小燕，等. 耕地流轉中的“非糧化”問題與對策建議[J]. 中國農業資源與區劃， 2011， 32（4）： 13-16.

[5]孔祥斌. 耕地“非糧化”問題、成因及對策[J]. 中國土地， 2020 （11）： 17-19.

[6]單華佳，李夢璐，孫彥，等. 近10年中國草坪業發展現狀[J]. 草地學報， 2013， 21（2）： 222-229.

[7]高雅，林慧龍. 草業經濟在國民經濟中的地位、現狀及其發展建議[J]. 草業學報， 2015， 24（1）： 141-157.

[8]余高鏡，柯慶明，黃立洪，等. 論大面積種植草坪的利與弊[J]. 草業科學， 2005 （1）： 82-85.

[9]ZILLMANN E， GONZALEZ A， HERRERO E J M， et al. Pan-European grassland mapping using seasonal statistics from multisensor image time series[J]. IEEE Journal of Selected Topics in Applied Earth Observations， 2014， 7（8）： 3461-3472.

[10]張麗華，王春霞，包玉海，等. 基于數學形態學的遙感影像人工草地提取研究[J]. 應用基礎與工程科學學報， 2016， 24（6）： 1075-1086.

[11]杜鳳蘭，田慶久，夏學齊，等. 面向對象的地物分類法分析與評價[J]. 遙感技術與應用， 2004 （1）： 20-23，77.

[12]LOBO A， CHIC O， CASTERAD A. Classification of Mediterranean crops with multisensor data： per-pixel versus per-object statistics and image segmentation[J]. International Journal of Remote Sensing， 1996， 17（12）： 2385-2400.

[13]ZHAO F， WU X， WANG S. Object-oriented vegetation classification method based on UAV and satellite image fusion[J]. Procedia Computer Science， 2020， 174： 609-615.

[14]GOODIN D G， ANIBAS K L， Bezymennyi M. Mapping land cover and land use from object-based classification： an example from a complex agricultural landscape[J]. International Journal of Remote Sensing， 2015， 36（18）： 4702-4723.

[15]PEA-BARRAGN J M， NGUGI M K， PLANT R E， et al. Object-based crop identification using multiple vegetation indices， textural features and crop phenology[J]. Remote Sensing of Environment， 2011， 115（6）： 1301-1316.

[16]陳杰，陳鐵橋，劉慧敏，等. 高分辨率遙感影像耕地分層提取方法[J]. 農業工程學報， 2015， 31（3）： 190-198.

[17]覃能. 基于高分辨率遙感影像耕地地塊提取方法研究[J]. 測繪標準化， 2019， 35（2）： 29-32.

[18]孫家波，張曉艷，牛魯燕，等. 基于高分辨率遙感影像的耕地信息快速提取方法研究[J]. 山東農業科學， 2018， 50（3）： 132-136，141.

[19]BAATZ M， SCHPE A， STROBL J， et al. Multiresolution Segmentation-an optimization approach for high quality multi-scale image segmentation[J]. Angewandte Geographische Informationsverarbeitung， 2000， 12： 12-23.

[20]張宏民. 南京市典型區域城市綠地的多尺度分割優化[D].南京：南京大學， 2017.

[21]DRGU L， TIEDE D， LEVICK S R. ESP： a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science， 2010， 24（6）： 859-871.

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

[23]NUSSBAUM S， NIEMEYER I， CANTY M. SEATH-a new tool for automated feature extraction in the context of object-based image analysis[C]. Salzburg： Austria， 2006.

[24]余曉敏，湛飛并，廖明生，等. 利用改進SEaTH算法的面向對象分類特征選擇方法[J]. 武漢大學學報（信息科學版）， 2012， 37（8）： 921-924.

[25]朱述龍，朱寶山，王紅衛. 遙感圖像處理與應用[M]. 北京：科學出版社， 2006.

[26]CORTES C， VAPNIK V. Support-vector networks[J]. Machine learning， 1995， 20（3）： 273-297.

[27]BREIMAN L. Random forests[J]. Machine Learning， 2001， 45（1）： 5-32.

[28]高珊，黃賢金，鐘太洋，等. 農業市場化對農戶種植效益的影響——基于滬蘇皖農戶調查的實證研究[J]. 地理研究， 2013， 32（6）： 1103-1112.

[29]梁俊芬，周懷康. 廣東水稻生產成本收益比較分析[J]. 中國稻米， 2017， 23（1）： 60-64.

[30]劉彥隨，喬陸印. 中國新型城鎮化背景下耕地保護制度與政策創新[J]. 經濟地理， 2014， 34（4）： 1-6.

（責任編輯：陳海霞）

收稿日期：2021-01-11

基金項目：國家自然科學基金面上項目（ 41571378、41671386）

作者簡介：陳藝華（1996-），女，江蘇無錫人，碩士研究生，主要從事土地利用變化、遙感圖像目標提取的研究。（E-mail）njucyh@163.com

通訊作者：陳振杰，（E-mail）chenzj@nju.edu.cn