王勝利，張連蓬，朱壽紅，吉 莉，柴 琪，沈 揚，張 蕊

(1. 江蘇師范大學地理測繪與城鄉(xiāng)規(guī)劃學院，江蘇 徐州 221116；2. 江蘇省蘭德土地工程技術(shù)有限公司，江蘇 南京 210019)

隨著能源短缺和環(huán)境污染問題的日益加劇，太陽能光伏電站因其無污染、可再生等優(yōu)勢受到人類的重視，且在世界范圍內(nèi)大量建設(shè)。根據(jù)我國《可再生能源中長期發(fā)展規(guī)劃》，預計到2020年光伏電站累計裝機容量將達1億千瓦，穩(wěn)居世界第一[1]。如何及時、準確地獲取全國光伏電站的分布情況及變化信息，對于政府管理部門實現(xiàn)科學決策具有重要意義[2]。人工解譯因其成本高、效率低等缺點，已經(jīng)很難滿足實際需求，而觀測范圍廣、時效性強的遙感技術(shù)提供了一個重要的監(jiān)測手段[3-4]。

遙感圖像監(jiān)督學習是地物提取常用的手段，然而監(jiān)督學習算法的性能具有高度的樣本依賴性，即依賴于所選訓練樣本的數(shù)量、純度、分布位置、統(tǒng)計分布特性，以及對數(shù)據(jù)特征的可區(qū)分性表述能力等[5]。在地物提取領(lǐng)域往往需要多時相遙感影像進行時序分析，在土地覆被變化監(jiān)測中常需要由多幅圖像拼接起來的大尺度遙感圖像來制圖。然而，不同時期圖像和上述的大尺度遙感圖像在大氣、輻射、光照和成像幾何條件上的差異會帶來數(shù)據(jù)統(tǒng)計分布特性的改變(像元亮度值的改變)，進而造成利用某幅遙感圖像獲取的訓練樣本訓練的模型在另一幅遙感圖像上分類性能降低，甚至模型失效。上述現(xiàn)象被稱為數(shù)據(jù)偏移，這給地物提取帶來極大的困擾[6-7]。鑒于此，若能夠避開運用像元亮度特征而選擇相對不變的共性特征進行地物提取將能夠有效提高精度。此外，地物在影像上表現(xiàn)為一定的光譜、紋理和幾何形狀信息的綜合體，地物光譜不確定的廣泛存在使得僅利用單一特征進行信息提取具有較大的局限性[8]。近年來，多特征綜合應(yīng)用已經(jīng)成為當前研究的熱點，但研究的重點大多在于輔助空間特征改善分類結(jié)果中的椒鹽現(xiàn)象，缺乏對本文論述問題的關(guān)注[9-12]。

光譜角制圖算法[13](spectral angle mapper，SAM)因具備對照度變化不敏感的特性而得到廣泛的應(yīng)用，然而SAM不具備對波形細節(jié)變異捕捉的能力；色度、飽和度具有區(qū)分地物材料的特性[14]，從而具有一定的特征可區(qū)分性表述能力；紋理是刻畫物體表面形態(tài)的工具，大量研究表明輔助紋理進行地物提取能夠顯著改善效果[9,15]；波段比值作為刻畫波形局部細節(jié)特征的手段，同樣對照度變化不敏感，且能夠與SAM起到互補作用[16]。利用上述不受亮度值統(tǒng)計分布特性改變的地物共性特征提取光伏電站理論上能夠取得更好的效果?；谝陨戏治?，本文提出一種多共性特征聯(lián)合的光伏電站提取方法。首先，選取對照度變化不敏感的波形特征(如光譜夾角、波段比值)和色彩空間變換后的光譜特征(色度和飽和度)作為復合光譜特征；然后，利用亮度維計算傅里葉紋理特征，并與復合光譜特征融合輸入一類支持向量機[3](one-class support vector machine,OCSVM)進行光伏電站提取。利用Landsat 8 OLI影像作為數(shù)據(jù)源，通過在寧夏地區(qū)選取電站樣本訓練OCSVM模型提取甘肅地區(qū)的光伏電站，并利用人工解譯的結(jié)果進行精度評定。本文將設(shè)計不同的提取方案，并對各方案進行對比分析。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)(39°41′N—39°45′N，98°05′E—98°39′E)位于甘肅省中部，兩個光伏電站分別位于酒泉市西部和東南部。華電嘉峪關(guān)航天機電10兆瓦沙漠電站示范項目位于酒泉市城區(qū)以西，于2010年5月并網(wǎng)發(fā)電，占地面積0.4 km2，未來總規(guī)劃面積162 km2，裝機容量500兆瓦以上；酒泉東洞灘100兆瓦沙漠電站于2014年1月正式并網(wǎng)發(fā)電，該項目位于酒泉市城區(qū)東南12 km處，占地面積約5 km2；研究區(qū)內(nèi)的地物類型主要包括沙漠、山脈、建筑區(qū)、光伏電站、植被和道路。研究區(qū)波段(4、3、2)合成假彩色影像及光伏電站的局部放大如圖1所示(上圖為假彩色影像圖，下圖左側(cè)為華電嘉峪關(guān)光伏電站、右側(cè)為酒泉東洞灘光伏電站)。

1.2 數(shù)據(jù)源

試驗數(shù)據(jù)為從美國地質(zhì)調(diào)查局(USGS)網(wǎng)站上免費獲取的Landsat 8 OLI影像，訓練數(shù)據(jù)采用2015年10月10號寧夏地區(qū)的影像，條帶號為130、34；測試數(shù)據(jù)采用2016年10月15號甘肅酒泉的影像，條帶號為135、32，覆蓋范圍包括酒泉市和嘉峪關(guān)市及周圍的部分區(qū)域。數(shù)據(jù)影像共包含11個波段，除8波段(全色波段)的空間分辨率為15 m和10、11波段(熱紅外波段)的空間分辨率為100 m外，其他波段空間分辨率均為30 m。由于試驗選取的兩幅影像云覆蓋率在1.5%左右，因此無需采用9波段(卷云波段)作去云處理；考慮數(shù)據(jù)的用途為地物提取，因此選擇1～7波段進行試驗分析。

2 多共性特征聯(lián)合分析

考慮輻射強度偏差給傳統(tǒng)基于像元亮度值統(tǒng)計分布特性進行提取的算法帶來的巨大挑戰(zhàn)，本文選取多種對地物照度變化不敏感的共性特征進行聯(lián)合分析，然后輸入OCSVM進行光伏電站提取。

2.1 色彩空間變換特征(HLS)

HLS是色度H(hue)、亮度L(luminance)和飽和度S(saturation)的簡稱，因其和人眼觀察事物的方式類似，利于圖像處理，因此在遙感圖像處理領(lǐng)域也得到了運用[14]。H實質(zhì)上是色彩的基本顏色，表示該顏色最接近何種光譜波長；L即圖像原色的明暗度，反映的是物體表面的起伏特性；S是描述顏色與標準顏色之間相近程度的物理量，即彩色的純度。色度和飽和度通常由地物材料的反射和吸收特性決定，因此利用這兩個光譜維度作為輔助特征，能夠提高不同地物間的特征可分性。

圖1 研究區(qū)

2.2 波形特征

成像輻射偏差會使同種地物的像元亮度值產(chǎn)生較大波動，對于不同空間位置和不同時相的遙感影像更甚，造成基于統(tǒng)計特性的傳統(tǒng)算法泛化性能不足。根據(jù)地物光譜形狀線性尺度變化或接近線性尺度變化的特性，一些學者從波形相似性度量的角度出發(fā)提取地物，大大改善了提取效果?？紤]兩個光譜向量的方向相對于長度不易改變的特性，本文利用SAM影像替代原始影像進行目標地物提取。SAM是通過計算影像上每一個像元與端元像元之間的夾角來度量像元之間的相似性程度，根據(jù)閾值來判斷該像元是否為目標地物的一種方法[17]。

2.3 紋理-光譜特征

紋理是描述地物內(nèi)部屬性的特征，部分學者將紋理描述為像素亮度在局部空間以一定形式變化而產(chǎn)生的模式[18]。研究表明紋理和光譜特征聯(lián)合能夠顯著提高地物提取精度[10-11,19-20]。傅里葉變換[16,21]將圖像從空間域轉(zhuǎn)換到頻率域，具有旋轉(zhuǎn)不變的特性。由于影像上不同地物的形狀不同，進而對應(yīng)的頻率域產(chǎn)生的能量譜亦不相同，因此依據(jù)能量譜的統(tǒng)計信息就夠區(qū)分不同地物[22]。

對于一個長度為N的一維序列f(x)，其離散傅里葉變換為

(1)

式中，F(xiàn)(u)為頻域譜；x為圖像(空間)域變量；u為頻率域變量；j為復數(shù)的虛部部分。

因此，傅里葉變換的功率譜表示為

(2)

局部傅里葉變換(local Fourier transform,LFT)通過選擇合適的窗口大小來突出對地物特定紋理細節(jié)的描述，彌補了傳統(tǒng)傅里葉變換只能分析信號全局頻域內(nèi)容的缺陷[18]。傅里葉譜紋理含有大量的信息和冗余，如何高效、恰當?shù)乩酶道锶~譜的統(tǒng)計量去準確描述地物形狀特征依然是當前的研究難點。目前常用的方法有多種，如周烽等[23]利用LFT功率譜的幅度和相位直方圖作為紋理特征輔助分類，取得了比灰度共生矩陣更好的分類精度，但存在直方圖等級難以量化的缺點；Chun等[22]直接利用LFT功率譜的方差和均值作為紋理特征用于圖像檢索，也取得了較好的效果；王煥萍等[18]在利用高分影像進行圖像分割時，對比了功率譜的4個統(tǒng)計量(方差、均值、最大值和平方和)作為紋理時的地物分割效果，得到的方差能更好地描述紋理這一結(jié)論，同時指出對于不同特征的地物，應(yīng)選擇與之匹配的窗口大小和統(tǒng)計量；佃袁勇等[15]將頻率變量從笛卡爾坐標系轉(zhuǎn)到極坐標系中，并以窗口內(nèi)的徑向譜向量的平均值作為紋理特征，取得了較高的精度；張志龍等[24]對LFT功率譜各階矩的紋理鑒別性能進行對比分析，得到偶數(shù)階矩刻畫的紋理特征優(yōu)于奇數(shù)階矩的結(jié)論。

從以上分析可看出，目前如何利用LFT功率譜刻畫紋理還沒有形成共識，還需要根據(jù)地物特征進行具體分析。由于光伏電站在空間的分布呈現(xiàn)出顯著的塊狀特征，而沙漠的表面更為平滑，裸露山體的表面起伏明顯，其在頻域上也勢必會表現(xiàn)出不同。對于本文的Landsat影像，受分辨率限制3種地物均表現(xiàn)出低頻特性?；诖?，本文根據(jù)光伏電站在影像上分布的幾何特征，采取文獻[24]的方法，選擇15×15的窗口進行試驗，通過將其展開為225的一維序列計算一維離散傅里葉功率譜來提取紋理特征。計算結(jié)果表明，幾種地物的功率譜均在第一個分量處形成峰值，除裸露山體第二分量較大外，其余分量均較小，表現(xiàn)出類似噪聲的擾動。因此，本文將功率譜的方差和前兩維作為紋理特征輔助地物提取。

光譜響應(yīng)曲線隨著地物材料光譜反射率的不同而變化。光伏電站與部分地物如水體、建筑和植被，在光譜形狀上有較大差異，易于區(qū)分；但是光伏電站與相似材料構(gòu)成的地物(如沙漠、裸露山體)光譜形狀差異較小(如圖2所示)，SAM從整體波形出發(fā)已經(jīng)無法區(qū)分此類地物。但是這些易混淆地物的光譜形狀在局部卻存在微小差異，如光伏電站的波段6～7間的下降趨勢明顯快于其余地物，捕捉并利用此特征將會是提高提取精度的關(guān)鍵。因此，本文引入局部波段比值(local band ratio,LBR)特征參與光伏電站提取[16]。LBR特征計算步驟如下：

(1) 計算訓練影像每個像元的NIR、SWIR1、SWIR2波段的比值。其定義如下

(3)

(4)

(5)

式中，NIR、SWIR1、SWIR2代表這3個波段的像元亮度值；NIRRatio、SWIR1Ratio、SWIR2Ratio分別為NIR、SWIR1、SWIR2波段比值。

(2) LBR的定義為

LBR={NIRRatio,SWIR1Ratio,SWIR2Ratio}

(6)

圖2 易混淆地物的光譜曲線

3 研究方法與試驗分析

3.1 研究方法

首先，對影像進行幾何校正、大氣校正和裁剪等預處理。然后，計算SAM、LBR特征，將原圖像的RGB波段轉(zhuǎn)換為HLS格式后，H和S作為變換特征，而L用來計算LFT紋理，將以上提取的特征影像聯(lián)合輸入OCSVM提取光伏電站，并利用人工標定地面參考對提取結(jié)果進行精度評定。技術(shù)流程如圖3所示。為了最大程度提高訓練樣本的正確度，本文輔助Google Earth來進行樣本采集，并結(jié)合多波段假彩色影像進一步驗證。

圖3 技術(shù)流程

3.2 試驗分析

為了驗證多特征聯(lián)合提取策略的有效性和優(yōu)越性，本文設(shè)計了不同輸入特征用于電站提取。具體試驗方案如下：

方案1 OCSVM，將原始影像輸入OCSVM。

方案2 SAM-OCSVM，將SAM特征影像輸入OCSVM。

方案3 SAM-HS-OCSVM，將SAM特征影像和變換后的光譜HS特征影像聯(lián)合輸入OCSVM。

方案4 SAM-HS-FT-OCSVM，將SAM特征影像、變換后的光譜HS特征影像和紋理FT特征影像聯(lián)合輸入OCSVM。

方案5 SAM-HS-FT-LBR-OCSVM，將SAM特征影像、變換后的光譜特征HS、紋理FT特征影像和波段比值LBR影像聯(lián)合輸入OCSVM。

根據(jù)前面介紹的提取方案進行試驗，提取嘉峪關(guān)和酒泉東洞灘光伏電站的結(jié)果分別如圖4和圖5所示。表1為不同方法的提取精度對比，可以看出，利用多個特征的提取結(jié)果(方案3—方案5)優(yōu)于單一特征的提取結(jié)果(方案2)，本文采用的多共性特征聯(lián)合算法(方案5)的提取精度最高，誤分像元個數(shù)最少，顯著優(yōu)于未加入紋理特征的提取結(jié)果(方案3)，略優(yōu)于未考慮波形局部細節(jié)特征的提取結(jié)果(方案4)。

圖4 嘉峪關(guān)光伏電站提取結(jié)果

由于輻射強度偏差造成寧夏和甘肅兩地的光伏電站像元亮度值存在較大差異，OCSVM算法基于像元亮度值統(tǒng)計分布特性的特點，使得在寧夏訓練好的OCSVM模型未能有效識別到甘肅地區(qū)的光伏電站，而是將其余像元值接近的地物誤識別為光伏電站，如圖4(b)所示。SAM-OCSVM算法從地物光譜形狀的角度出發(fā)，具備對像元亮度值不敏感的特性，能夠識別到大部分的光伏電站，但是由于裸露山體、沙漠和光伏電站的整體波形較為接近，因此僅靠波形無法有效地將噪聲與目標地物區(qū)分開。SAM-HS-OCSVM由于引入了色度、飽和度兩種能夠區(qū)分地物材料的光譜特征，因此提取的光伏電站更加完整，但由于光伏電站、裸露的山體和沙漠的材料中均存在“硅”元素，因此將大量的裸露山體和沙漠誤識別為光伏電站，且光伏電站周邊區(qū)域噪聲現(xiàn)象嚴重。相反的，裸露山體和沙漠與光伏電站的紋理特征存在一定的差異，方案4和方案5由于考慮了地物的紋理特征，因此兩種地物噪聲能夠有效地被過濾掉，其光伏電站提取結(jié)果更加緊湊，且斑點噪聲明顯減少。尤其是本文方法在紋理特征的基礎(chǔ)上引入局部波段比值LBR，使其效果優(yōu)于方案3和方案4，提取結(jié)果具有較好的空間一致性和平滑性，易混淆地物的干擾噪聲大量減少，原因在于LBR能夠捕捉到光譜曲線局部的細節(jié)變異，而這些細節(jié)特征恰恰是提高地物提取精度的關(guān)鍵；此外，多共性特征聯(lián)合能夠提高地物的識別精度和模型自身的泛化性能，每種特征在OCSVM模型中均起到了自己獨特的作用，最終將目標地物從周圍地物中很好地凸顯出來。

圖5 酒泉東洞灘光伏電站提取結(jié)果

表1列出了各種方法的總體提取精度和落在背景區(qū)的誤分像元個數(shù)。其中，本文方法精度最高且誤分像元數(shù)明顯減少，嘉峪關(guān)和酒泉東洞灘2個地區(qū)的光伏電站識別精度分別為91.39%和86.33%，且誤分像元個數(shù)較次優(yōu)的方案4分別從2777和4665減少到142和1204；此外，本文方法提取的光伏電站能夠保證較好的空間一致性，面向?qū)ο筇卣黠@著，且能夠?qū)⒔^大部分的裸露山體和沙漠同光伏電站分開，進一步表明了該方法的有效性和優(yōu)越性，且對后續(xù)研究有一定借鑒意義。

表1 不同方法的提取精度對比

4 結(jié) 語

本文提出一種多共性特征聯(lián)合的Landsat 8 OLI影像光伏電站提取方法。通過分析傳統(tǒng)地物提取算法泛化性能不足的成因，提出了利用波形特征提取地物的思路，之后聯(lián)合通過色彩空間變換和特征深度挖掘得到的色度、飽和度、紋理和局部波形細節(jié)特征得到對電站多角度的描述。通過在寧夏地區(qū)訓練模型，遷移到甘肅酒泉2處光伏電站進行提取試驗，結(jié)果表明：

(1) 不同時相和不同空間位置的同類地物易受輻射強度偏差的影響造成像元亮度值差異，傳統(tǒng)基于樣本數(shù)值統(tǒng)計分布特性的提取模型難以克服數(shù)據(jù)偏移帶來的挑戰(zhàn)。

(2) 由于SAM從波形角度出發(fā)，具備對像元亮度值不敏感的特性，其與OCSVM相結(jié)合時能夠有效克服光譜不確定性的影響，提高算法的泛化性能，但帶有大量波形相似地物的干擾。

(3) 本文方法采用對光譜不確定性不敏感的多共性特征相聯(lián)合的思路去識別光伏電站，共性特征較強的泛化性在很大程度上彌補了學習算法對樣本高度依賴性的不足；從多個角度拉大目標地物與背景地物的可分性，保證了較好的識別效果，且算法的泛化和穩(wěn)健性能得到顯著提升；尤其是LBR能夠刻畫光譜形狀的細節(jié)特征，與SAM之間形成互補效應(yīng)。試驗結(jié)果表明，本文提取的光伏電站提取算法具備較高的識別精度和較低的誤識別率。

但是，試驗結(jié)果仍存在部分噪聲未能被有效排除的現(xiàn)象，該現(xiàn)象一方面是由于部分地物的特征確實和光伏電站異常類似，另一方面與提取過程中缺乏面向?qū)ο蠓治鲇嘘P(guān)。因此，下一步工作的重點是挖掘更深層次的隱含特征或引入多視圖集成學習策略，更好地區(qū)分光伏電站和背景，同時利用影像分割獲得的拓展知識提取光伏電站，以獲得更加完整的提取效果。