(山東師范大學(xué)地理與環(huán)境學(xué)院 山東 濟(jì)南 250300)

引言

隨著“菜籃子”工程的實(shí)施及“智慧農(nóng)業(yè)”的興起，蔬菜產(chǎn)業(yè)快速發(fā)展，傳統(tǒng)農(nóng)業(yè)加速精準(zhǔn)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(fā)市場，傳統(tǒng)的人工野外調(diào)查因時(shí)效性、經(jīng)濟(jì)性等限制，難以滿足農(nóng)情監(jiān)測的需要，遙感技術(shù)以其多波段、大尺度、快速高效等優(yōu)點(diǎn)在農(nóng)業(yè)領(lǐng)域凸顯出較大優(yōu)勢。

基于遙感影像的農(nóng)業(yè)大棚監(jiān)測，及時(shí)、準(zhǔn)確的掌握大棚與其他地物分布狀況對國家制定相應(yīng)的經(jīng)濟(jì)計(jì)劃和農(nóng)業(yè)政策具有十分重要的意義。國內(nèi)外學(xué)者針對農(nóng)業(yè)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(jīng)濟(jì)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(shù)據(jù)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(diào)查和Google Earth高分辨率遙感數(shù)據(jù)配合解譯分析的基礎(chǔ)上選取樣本點(diǎn)，采用人工神經(jīng)網(wǎng)絡(luò)(ANN)、最大似然法(MLC)、支持向量機(jī)(SVM)三種分類方法對壽光市大棚菜區(qū)進(jìn)行分類提取，并根據(jù)得到的分類結(jié)果，采用混淆矩陣和kappa系數(shù)對分類結(jié)果進(jìn)行精度評價(jià)，以期確定利用中低分辨率影像的大棚菜區(qū)分類的最佳方法，為大棚蔬菜空間分布及發(fā)展提供基礎(chǔ)技術(shù)支持。

一、數(shù)據(jù)與方法

(一)研究區(qū)概況

壽光市地處魯中北部沿海平原區(qū)，跨東經(jīng)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(qū)，屬暖溫帶季風(fēng)區(qū)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(shù)73.7天；平均日照總時(shí)數(shù)2548.8小時(shí)，日照百分率為57%。據(jù)統(tǒng)計(jì)，壽光市總面積2200km2，糧食播種面積130.0hm2。優(yōu)越的自然條件及人文條件為壽光大棚蔬菜發(fā)展奠定了良好的環(huán)境基礎(chǔ)，使壽光市成為全國最大的蔬菜生產(chǎn)和集散中心。

圖1 壽光市位置圖

二、實(shí)驗(yàn)數(shù)據(jù)選擇及處理

(一)Landsat 8數(shù)據(jù)

研究區(qū)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(shí)農(nóng)田小麥處于返青期，長勢較好，而大棚菜地處于穩(wěn)定的覆膜期，與農(nóng)田內(nèi)作物光譜及紋理差異較為明顯。因此實(shí)驗(yàn)根據(jù)對大棚蔬菜及其他農(nóng)作物生長的物候期分析，選擇實(shí)驗(yàn)區(qū)內(nèi)無云影響、質(zhì)量較高的2017年3月6日的Landsat8 OLI影像，圖像經(jīng)過系統(tǒng)的幾何校正和輻射校正，投影坐標(biāo)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(shù)據(jù)

2018年2月6日至12日進(jìn)行野外實(shí)地調(diào)查，共獲取528個(gè)樣本數(shù)據(jù)，其中日光溫室點(diǎn)134個(gè)，塑料大拱棚點(diǎn)126個(gè)，居民點(diǎn)93個(gè)，水澆地點(diǎn)92個(gè)，裸地點(diǎn)83個(gè)。

本文根據(jù)研究區(qū)實(shí)地調(diào)查數(shù)據(jù)，結(jié)合Google Earth高分辨率遙感數(shù)據(jù)，共選取7803個(gè)樣本點(diǎn)均勻分布在研究區(qū)范圍內(nèi)：包含日光溫室、塑料大拱棚、居民點(diǎn)、水澆地、水體、裸地6類典型地物，其中10%作為訓(xùn)練樣本，其余作為驗(yàn)證樣本。

(三)數(shù)據(jù)預(yù)處理

影像預(yù)處理的主要目的是對圖像中無關(guān)的信息進(jìn)行消除，恢復(fù)可用的真實(shí)信息，最大限度地簡化數(shù)據(jù)，增強(qiáng)可用數(shù)據(jù)的可檢測性，從而改進(jìn)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(tài)等不穩(wěn)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(jìn)行幾何校正及輻射校正，使得RMS控制在0.5個(gè)像元以內(nèi)；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(jīng)過處理的數(shù)據(jù)按照研究區(qū)行政區(qū)劃矢量圖進(jìn)行裁剪。

三、分類方法的實(shí)現(xiàn)和精度評價(jià)

(一)訓(xùn)練樣本的選擇與提純

圖像假彩色合成顯示后，對圖像進(jìn)行Enhance Linear 2%增強(qiáng)處理，使得目視解譯效果更好。根據(jù)人工野外調(diào)查數(shù)據(jù)、壽光市政府網(wǎng)站、結(jié)合Google Earth高分辨率遙感數(shù)據(jù)，建立每種地物類型解譯標(biāo)志，并對每一類別選取一定數(shù)量的訓(xùn)練樣本。

ENVI中的N-Dimensional Visualizer可以選擇的訓(xùn)練樣本進(jìn)行提純，但某些像元聚集在一起運(yùn)動時(shí)，這些就是最純的像元；若運(yùn)動時(shí)，像元分成了兩個(gè)部分，則說明選擇了兩類地物的訓(xùn)練區(qū)，需要對此訓(xùn)練區(qū)進(jìn)行優(yōu)化提純。要驗(yàn)證兩個(gè)類別間的差異性程度，可計(jì)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(jīng)網(wǎng)絡(luò)分類

神經(jīng)網(wǎng)絡(luò)分類(Neural Networks Classification，NNC)是用計(jì)算機(jī)模擬人腦的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，用算法實(shí)現(xiàn)人腦的識別、記憶、思考過程應(yīng)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(shè)置參數(shù)，得到分類結(jié)果圖如圖2(a)，利用Confusion Matrix Using Ground Truth ROIs工具，得到精度分析統(tǒng)計(jì)表如表2所示：

表2 NNC分類精度評價(jià)

(三)支持向量機(jī)分類

支持向量機(jī)(Support Vector Machine，SVM)適用于小樣本統(tǒng)計(jì)學(xué)習(xí)，很大程度上解決了維數(shù)災(zāi)難問題，泛化性能高，較好地解決了神經(jīng)網(wǎng)絡(luò)的過擬合問題。因其良好的穩(wěn)定性和具有相對較高的精度，在植被分類中得到廣泛的應(yīng)用[6]，SVM的目的是找尋一個(gè)決策面讓它在訓(xùn)練數(shù)據(jù)上的平均分類誤差最低，是機(jī)器學(xué)習(xí)中較優(yōu)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(shè)置參數(shù)，得到分類結(jié)果圖如圖2(b)，利用Confusion Matrix Using Ground Truth ROIs工具，得到精度分析統(tǒng)計(jì)表如表3所示：

表3 SVM分類精度評價(jià)

(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(shè)每一個(gè)波段中每一類統(tǒng)計(jì)都呈現(xiàn)出正態(tài)分布，計(jì)算已給的像元屬于某訓(xùn)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(dāng)中，是機(jī)器學(xué)習(xí)中較為穩(wěn)健的典型分類方法，具有分類效果好，速度快等優(yōu)點(diǎn)，但分類過程受參數(shù)估計(jì)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(shè)置參數(shù)，得到分類結(jié)果圖如圖2(c)，利用Confusion Matrix Using Ground Truth ROIs工具，得到精度分析統(tǒng)計(jì)表如表4所示：

表4 MLC分類精度評價(jià)

圖2 三種監(jiān)督分類方法分類結(jié)果圖

四、討論

根據(jù)精度評價(jià)表2-4可得出：三種監(jiān)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(dá)到97.57%；其次是支持向量機(jī)分類法，最小是神經(jīng)網(wǎng)絡(luò)分類法，總Kappa系數(shù)大小排列也符合此次序。根據(jù)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(xì)部優(yōu)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(diǎn)，由于居民點(diǎn)內(nèi)地物錯(cuò)綜復(fù)雜，695個(gè)居民點(diǎn)樣本中，有61個(gè)被錯(cuò)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(diǎn)相對較低，但也維持在88%以上。

支持向量機(jī)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(gè)裸地樣本點(diǎn)中，有73個(gè)被錯(cuò)分為居民點(diǎn)。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(diǎn)最低，低至79.68%。

神經(jīng)網(wǎng)絡(luò)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(diǎn)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(diǎn)較低至81%，689個(gè)居民點(diǎn)樣本點(diǎn)中，46個(gè)被錯(cuò)分為塑料大拱棚，35個(gè)被錯(cuò)分為水體，42個(gè)被錯(cuò)分為裸地，由此可以看出居民點(diǎn)內(nèi)較為復(fù)雜，與其他地物混淆嚴(yán)重，不過對農(nóng)業(yè)大棚的分類提取影像不大。

五、結(jié)論

本研究利用基于Landsat OLI影像的三種監(jiān)督分類方法對地形復(fù)雜的壽光市農(nóng)業(yè)大棚進(jìn)行分類分析，快速、準(zhǔn)確的利用選定的訓(xùn)練樣本獲得遙感影像中比較精確的分類規(guī)則，由精度評價(jià)表和分類結(jié)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(nóng)業(yè)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(shù)分類器的所有優(yōu)點(diǎn)，但對于其他地物類型來說，由于真實(shí)地物的復(fù)雜性、地物光譜的獨(dú)特性和不同分類器分類模式的互補(bǔ)性，如何科學(xué)、準(zhǔn)確的進(jìn)行分類方法選擇和改進(jìn)需要進(jìn)一步探討研究。

【參考文獻(xiàn)】

[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(jiān)測技術(shù)研究—以山東壽光市為例[J].中國農(nóng)業(yè)資源與區(qū)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(yīng)用ENVI軟件目視解譯TM影像土地利用分類[J].現(xiàn)代測繪，2014,34(1).11-13.

[6]徐穎，呂斌.基于G1S與ANN的土地轉(zhuǎn)化模型在城市空間擴(kuò)展研究中的應(yīng)用—以北京市為例[J].北京人學(xué)學(xué)報(bào)(自然科學(xué)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(jī)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(xué)學(xué)報(bào)(自然科學(xué)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(jiān)督分類方法的比較[J].水利科技與經(jīng)濟(jì)，2014，20 (1) :146-160