朱 爽，張錦水，崔有禎

(1.北京工業(yè)職業(yè)技術學院，北京 100042； 2.北京師范大學遙感科學與工程研究院地理科學學部，北京 100875； 3.北京師范大學地理科學學部，北京 100875)

0 引言

我國是農業(yè)大國，及時、準確地獲取農作物播種面積信息，對于制定國家/區(qū)域農業(yè)經(jīng)濟發(fā)展規(guī)劃、指導種植業(yè)結構調整，提高農業(yè)生產(chǎn)管理水平具有重要的意義[1]。遙感技術具有覆蓋范圍廣、探測周期短的特點，是進行農作物種植面積提取的重要技術手段[2-3]。利用多期遙感影像進行作物檢測識別，能夠根據(jù)作物短期內的光譜變化，定量刻畫出作物的生長物候特征，以此為基礎進行作物識別，有效消除作物光譜相混的問題，提高作物的識別精度[4]。在眾多遙感變化檢測方法中，軟硬變化檢測是一種新型的農作物識別方法，該方法是依據(jù)遙感影像作為格網(wǎng)模型產(chǎn)生軟硬變化區(qū)共存現(xiàn)象提出的[5-6]。

軟硬變化檢測識別實施的關鍵是有效地識別出軟變化區(qū)(Soft change region，SCR)、硬變化區(qū)(Hard change region，HCR)[7-9]。當前常用的方法是利用像元變化強度計算生成變化強度圖，通過閾值來確定地表的變化、未變化區(qū)域(Non change region，NCR)[10-11]。顯然，閾值的設定是關鍵。目前，設定閾值的方法多采用人工目視判讀[12-13]，但該方法受到人為主觀因素的影響比較大，且操作困難，難以形成統(tǒng)一的標準進行推廣應用。自動分類法[14-15]是選擇樣本進行直接分類，如SVM分類方法[16-17]或自動聚類方法，該類方法速度快、效率比較高，在研究中應用較多。此外，還有一種閾值確定方法介于兩者之間，即交互式確定閾值，如陳晉等[18]提出雙窗口變步長閾值設定方法確定變化區(qū)域，從變化強度影像上分別選出變化、未變化的樣本，通過迭代設定閾值來不斷地逼近最高識別精度，確定全局最優(yōu)的劃分閾值。雙窗口變步長閾值確定方法只要選擇出合適的變化樣本，就能夠快速確定閾值，且對變化對象的標識精度較高。但是，上述方法不適合中分辨率遙感影像的SCR、HCR與NCR的劃分，原因在于該劃分是3類地物特征的劃分，而傳統(tǒng)閾值劃分多用于2類地物分割。

文章提出了一種基于變化強度圖的剖線梯度變化方法(Profile based Gradient Change Magnitude，PGCM)來確定閾值，通過從提取的作物圖斑內部向外部繪制剖線，計算剖線變化強度的梯度，根據(jù)梯度變化的突變特性確定閾值進行HCR、SCR和NCR劃分，為作物的軟硬變化檢測提取提供基礎。

1 研究區(qū)與數(shù)據(jù)

研究區(qū)位于北京市大興區(qū)，覆蓋范圍為10km×10km(圖1a)，屬永定河沖積平原。該地區(qū)農作物種類較多，主要包括小麥、玉米、花生、大豆等，作物種植地塊破碎是這一區(qū)域典型的農業(yè)景觀特征，耕地地塊尺寸在0.03～8.53hm2范圍之內， 0.67hm2以下的耕地地塊占90%以上，在遙感影像上表現(xiàn)為典型的純凈、混合像元共存現(xiàn)象。因此，該區(qū)域適合開展PGCM方法進行冬小麥軟硬變化區(qū)劃分的實驗研究。

該文采用QuickBird多光譜影像，分辨率為2.4m，包含4個波段(藍光： 0.45～0.52μm，綠光： 0.52～0.60μm，紅光： 0.63～0.69μm，近紅外： 0.76～0.90μm)，獲取日期為2006年4月23日，處于冬小麥物候的拔節(jié)期(圖1b)。采用文獻[19]所使用的方法，以拔節(jié)期QB影像為基礎，對播種期影像(2005年10月，圖1c)進行模擬。在構建模擬影像過程中，充分考慮到各種地物的物候特征和遙感影像的成像特點，將拔節(jié)期的休耕地地塊按照10%比例模擬為植被； 將冬小麥光譜模擬為裸地光譜信息； 對于在拔節(jié)期與冬小麥相混的林地、草地等自然植被，考慮到不同地物在時相上地物反射率的變化，需要在保留各自地物光譜的基礎上，隨機混入10%的其他類型地物光譜，作為播種期的地物光譜(S±10%S，S為林地、草地的光譜信息)。播種期模擬影像和拔節(jié)期真實影像的結合，可有效表達出各種地物的物候特征變化，尤其是準確地刻畫出冬小麥從裸地到植被這一獨特的光譜特征變化，真實表達冬小麥的生長情況。此外，模擬數(shù)據(jù)與真實數(shù)據(jù)之間不存在配準誤差的問題，消除了這些因素對變化檢測影響。因此，該套研究數(shù)據(jù)能夠有效支撐軟硬變化檢測的軟硬變化區(qū)劃分的研究。

(a)研究區(qū) (b)4月23日QB影像 (c)10月QB模擬影像圖1 研究區(qū)及數(shù)據(jù)

2 基于剖線梯度變化方法(PGCM)

對拔節(jié)期影像(圖1b)與播種期影像(圖1c)逐波段進行差值計算，得到差值影像圖。圖2是差值影像的一個子區(qū)圖(以30 m分辨率為例)，能夠有效地表達冬小麥的空間分布。圖2a中紅色光譜代表一種作物，作為要提取的目標對象。圖2b為對應的變化強度圖，高亮的區(qū)域變化程度劇烈，為HCR； 黑色區(qū)域為NCR； 灰色過渡區(qū)域為SCR，直線AB為從小麥地塊內部到外部的剖線A→B。圖2c為剖線A→B上10個像元的變換強度，顯示出冬小麥的變化強度從地塊內部向外呈現(xiàn)逐步降低的趨勢，這與冬小麥地塊內部的HCR向SCR逐步過渡的趨勢相吻合(圖2c)。

(a) 差值影像(組合RGB=紅光、 (b)變化強度圖 (c)剖線上像元變化強度 綠光、藍光差值波段)圖2 差值影像子圖

圖3定量地表達出從地塊內部向外部過渡的過程中，整體的變化強度呈逐步降低的趨勢(圖3a)和變化強度的梯度變化(即剖線上的下一個像元變化強度與上一個像元變化強度之差，圖3b)。從剖線上來看(圖2c和圖3)，硬變化區(qū)域中多為純凈冬小麥像元，變化強度處于高值，因此在這一范圍內變化強度的差值變化不大(1～3個點)，但隨著距離的增加，由純凈冬小麥像元進入混合區(qū)域的冬小麥像元，第3點至第4點的差值幅度突然增大，且為負值，記為T1，該位置可定義為SCR像元的上限； 隨著距離的進一步增加，變化幅度繼續(xù)降低，在第6個像元的時候，差值幅度又一次突然增大(即第5個點與第6個點之間的差值)，這正好位于從軟變化區(qū)向未變化區(qū)過渡的狀態(tài)，記為T2，該位置可定義為SCR像元的下限。

(a)剖線上的變化強度 (b)剖線上變化強度的梯度變化圖3 剖線上變化強度和梯度變化

根據(jù)上述分析，在此提出基于剖線梯度變化方法(PGCM)進行硬、軟和未變化區(qū)域劃分方法。具體思路見式(1)(2)：

ΔCG=CMpj-CMpi，i=1， 2…，n-1，j=i+1

(1)

(2)

其中，CMpi、CMpj分別代表了剖線上的第i個點與下一個點j(j=i+1)之間的變化強度值;BVi(T1)與BVi(T2)分別代表像元i在T1和T2時期k波段的上的光譜值，波段k取值為[1， 2， 3，…，n];n代表總的波段數(shù);ΔCG代表i，j相鄰兩點之間變化強度的差值(圖3b)。

從圖3b可以分析出，從HCR→SCR、SCR→NCR兩個階段的ΔCG均發(fā)生了突變。從農業(yè)景觀特征角度分析，耕地多以規(guī)整地塊的方式排布，農田周邊以休耕地為主。對于從作物地塊跨越到周邊其他地物區(qū)域，遙感影像上產(chǎn)生混合像元，這些混合像元內部一般含有一定比例的作物和其他地物。例如，從作物地塊(像元內作物種植面積為100%)向休耕地過渡，休耕地像元內部可能含有70%的作物和30%的其它地物，這一突變是能夠通過ΔCG表現(xiàn)出來的。為了客觀、快速、準確地確定T1、T2，在此提出一個假設：T1定義為當剖線上第1個出現(xiàn)差值下降且幅度最大時所對應的變化強度取值，T2定義為第2個出現(xiàn)最大差值下降且幅度最大時所對應的像元變化強度值。其中，p1代表剖線上第1個落差最大的點對應的像元位置，p2代表剖線上第2個落差最大的點對應的像元位置。由剖線A→B生成的SCR混合像元為p1→p2-1對應的像元集合Si。如果有n條剖線，則會生成n個SCR(n個Si)像元集合，定義為SCRP，即：

圖4 試驗流程

T1=max(SCRP)

(3)

T2=min(SCRP)

(4)

通過變化強度來確定3個區(qū)域(I)：HCR、SCR和NCR，見式(5)。

(5)

由式4可以看出，基于PGCM方法來劃分HCR、SCR和NCR,3個區(qū)域的關鍵步驟是確定T1、T2。其中，HCR、SCR是進一步進行作物識別的基礎。

考慮到作物地塊內部仍然存在光譜的不確定性，在提取出SCR后，采用3×3窗口濾波，當窗口內有1/3以上的SCR像元時，保留中心像元，定義為SCR像元； 否則將該像元歸屬到窗口內占主導的HCR或NCR。如果HCR和NCR個數(shù)相同，則先歸屬為HCR，再進一步通過變化方向確定該像元的類別歸屬。

3 實驗設計與結果分析

該研究針對單維度多時相構成的變化強度圖來繪制空間剖線，計算軟硬變化區(qū)變化強度梯度落差的閾值； 基于閾值來確定軟硬變化區(qū)域； 針對軟變化區(qū)進行窗口濾波，消除環(huán)境、傳感器等因素造成的“椒鹽”現(xiàn)象，具體實驗流程見圖4。

在影像圖上選擇34個耕地地塊，從地塊中心出發(fā)向外繪制剖線，并通過PGCM方法自動確定出混合像元。由于該次實驗是針對冬小麥進行提取，只需要在冬小麥地塊上選取剖線，其他地物不予考慮。剖線要從典型的耕地地塊內部向外部繪制，穿越耕地地塊后進入由混合像元構成的過渡帶，再進入非耕地。由于作物地塊種植一般為東西和南北方向，因此剖線方向也要求為東西、南北方向，以避免任意方向剖線穿越地塊帶來的誤差。當?shù)貕K尺寸比較大時，剖線在地塊內、外需要各自跨越至少5個像元。之后將剖線輸入到相對應的變化強度影像中，進行 HCR、SCR、NCR劃分(圖5)。

表1 不同分辨率下變化強度閾值

尺度(m)T1T2517353101705020168463016545401634350160416015839

為驗證本方法的有效性，將2.4m分辨率影像下選擇出的地塊樣本聚合到5m、10m、20m、30m、40m、50m和60m 分辨率，分別得到閾值集合，進行不同分辨率下作物軟硬區(qū)的劃分。圖6表明了不同分辨率下研究區(qū)子區(qū)變化強度圖和其對應的HCR、SCR和NCR劃分結果。從圖6可以看出，在不同分辨率尺度下，PGCM均能識別出SCR像元，變化強度閾值見表1。在較高分辨率尺度時，SCR像元主要分布在兩個位置：地塊邊緣和地塊內部。例如， 5m分辨率的模擬影像，SCR像元多產(chǎn)生在冬小麥地塊的邊緣； 另外，當影像分辨率較高時，盡管冬小麥像元多以純凈像元的形式存在，但長勢、環(huán)境因素或種植情況的不同會導致冬小麥像元之間存在一定的光譜差異，因此還有一部分SCR像元存在于冬小麥地塊內部； 除這兩種情況之外，部分冬小麥像元的變化強度比較低，與地塊邊界混合像元的變化強度接近，也被劃為SCR像元。已有研究證明，當圖像分辨率增高時，地物光譜的異質性會導致地物識別精度的降低[20]。

隨著影像分辨率尺度逐步增大，地塊內部的光譜異質性逐步降低，光譜異質性對于HCR、SCR之間的劃分影響減小。但是，由于研究區(qū)作物地塊面積較小，地塊破碎，隨著分辨率的逐步降低，地塊中的純凈冬小麥像元數(shù)量迅速減少，混合像元現(xiàn)象嚴重，到了30m分辨率時，大部分冬小麥地塊為混合像元或長勢不好的冬小麥像元，而HCR冬小麥像元則很少。從識別結果來看，在任何尺度上，PGCM均能檢測出相應的SCR像元，針對這些像元如果采用硬變化檢測方法進行作物類型提取將會產(chǎn)生誤差，因而需要使用軟變化檢測方法。

(a)研究區(qū)數(shù)字化解譯結果 (b)研究區(qū)子區(qū)數(shù)字化解譯結果圖5 研究區(qū)及子區(qū)數(shù)字化解譯結果注：以QB數(shù)據(jù)為底圖，結合野外數(shù)據(jù)，解譯數(shù)字化獲得冬小麥真值(黃色框表示)； 藍色框為研究區(qū)子區(qū)

圖6 研究區(qū)子區(qū)HCR、SCR和NCR劃分結果(白色為HCR，紅色為SCR，黑色為NCR)

以人工數(shù)字化冬小麥為基礎，采用聚合方式將整個區(qū)域劃分為HCR、SCR和NCR 3個區(qū)域。表2中的HCR_真值、SCR_真值和NCR_真值代表尺度下的3個區(qū)域內的像元數(shù)，SCR1 _ PGCM、SCR2 _ PGCM、SCR3_ PGCM分別對應HCR、SCR和NCR 3個區(qū)域內PGCM方法提取出的SCR像元個數(shù)?？梢钥闯?，真值獲取的3個區(qū)域均含有PGCM方法提取出的SCR像元，但HCR、NCR區(qū)域混入的比例相對較低。其中，HCR區(qū)混入比例為11%～16%，混入比例隨著分辨率下降(5～60m)而降低； NCR區(qū)混入比例更低，為3%～4%，且受影像分辨率尺度的影響不大。對于SCR的真值區(qū)域，SCR_ PGCM所占比例高達74%～86%，表明PGCM識別的SCR像元的精度較高。整體而言，PGCM對于HCR、SCR和NCR，3個區(qū)域SCR像元的提取精度較高，對于在HCR_真值、NCR_真值混入的SCR像元，將進一步通過限制性端元SVM(Constrained Endmember SVM，CESVM)[21]的方式確定端元類型和數(shù)量來進行混合像元分解，以消除SCR_PGCM識別誤差帶來的問題。

表2 PCGM識別出的SCR像元個數(shù)

尺度(m)HCR_真值SCR1_PGCMSCR_真值SCR2_PGCMNCR_真值SCR3_PGCM5747 820120 476331 624246 826984 523119 22210150 17822 303157 422119 188707 38424 6472023 5402 97169 86856 163160 5925 539306 49977941 15034 95465 2382 010402 35526727 53624 25033 6091 5515098512019 67416 33019 941906604385014 79412 71912 991552

4 結論與討論

硬變化區(qū)/軟變化區(qū)的劃分是進行軟、硬變化檢測的基礎。該文針對檢測過程中變化強度閾值劃分的問題，提出了一種基于剖線梯度變化方法(Profile based Gradient Change Magnitude，PGCM)來確定閾值，進行HCR、SCR和NCR 3個區(qū)域的劃分，以提高軟硬變化檢測方法的效率和準確性。

從識別結果來看，PGCM方法能夠在地塊邊界探測到軟變化像元，根據(jù)閾值進一步劃分出HCR、SCR像元。在多個尺度下(像元分辨率為5～60 m)HCR區(qū)識別誤差控制在11%～16%，NCR區(qū)混入比例為3%～4%，SCR區(qū)識別比例74%～86%，識別精度較高，為作物SHCD變化檢測打下了基礎，識別結果與冬小麥空間分布結果保持一致性。

研究仍有一些方面有待研究：目前該研究使用的方法無法解決轉換方向的問題，會導致其他的變化類型混入到作物SCR之中，這一點需要通過在CESVM變化檢測中進一步的確定，排除其他地物的影響。另一方面，同期作物光譜與目標作物相似，對劃分結果造成了一定的影響，需要進一步深入研究。