楊栩　楊潤書　朱大明

摘要 受城市快速發(fā)展及氣候變化等因素影響，耕地面積和產(chǎn)量逐年波動，準確、快速提取耕地信息，對精確預測作物產(chǎn)量、提高作物管理、優(yōu)化作物種植結構有重要意義。采用非監(jiān)督分類、監(jiān)督分類以及面向對象分類的方法提取Landsat8 OLI影像數(shù)據(jù)，其中非監(jiān)督分類運用ISODATA算法，監(jiān)督分類選擇最大似然法，面向對象分類則采用基于樣本的面向對象分類方法和基于規(guī)則的面向對象分類方法。經(jīng)實驗分析，基于樣本的面向對象的提取方法避免了“椒鹽現(xiàn)象”且精度最高，總體精度達93.0175%，在進行耕地信息提取時能得到較好的結果。

關鍵詞 遙感技術；Landsat8 OLI；耕地信息；信息提取

DOIDOI：10.11907/rjdk.182110

中圖分類號：TP319

文獻標識碼：A文章編號文章編號：16727800（2018）009016605

英文標題Research on Cultivated Land Information Extraction Method Based on Remote Sensing Data

——副標題

英文作者YANG Xu1， YANG Runshu2， ZHU Daming3， GUO Qiaozhen4

英文作者單位（1.College of Land and Resources Engineering， Kunming University of Science and Technology， Kunming 650031， China；

2.Yunnan Institute of Geology and Mineral Survey， Kunming 650217， China；

3.Kunming University of Science and Technology， Kunming 650031， China；

4.College of Geology and Surveying， Tianjin Chengjian University， Tianjin 300384， China）

英文摘要Abstract：Due to the rapid development of cities and the influence of climate changes and other factors， the areas and outputs of cultivated land fluctuate year by year. Accurate and rapid extraction of information on cultivated land is of great significance for accurately predicting crop yield， improving crop management and optimizing crop planting structure. Landsat8 OLI image data is extracted by unsupervised classification， supervised classification and objectoriented classification. Unsupervised classification uses ISODATA algorithm， supervised classification selects maximum likelihood method， objectoriented classification uses samplebased objectoriented classification method and rulesbased objectoriented classification method. Through experimental analysis， the samplebased objectoriented extraction method avoids the “salt and pepper phenomenon” with the highest precision， and the overall accuracy is 93.0175%. It can get better results when extracting cultivated land information.

英文關鍵詞Key Words：remote sensing technology； Landsat8 OLI； cultivated land information； information extraction

0引言

城市發(fā)展速度加快，市區(qū)面積不斷擴張，導致城市周邊耕地范圍縮小，為了解城市耕地分布，需要對耕地進行精確提取。遙感技術以其觀測面積大、觀測周期短、數(shù)據(jù)具有較強的綜合性和可比性等特點[1]，被廣泛應用于農林業(yè)、氣象、水文、規(guī)劃、環(huán)境監(jiān)測等多個領域。利用遙感技術提取耕地信息，了解耕地分布、耕地類型及耕地面積等對有效管理作物種植和優(yōu)化作物種植結構有重要意義。耕地信息提取的難點在于耕地覆蓋在背景地物之上，由于種植的作物類型不同、灌溉方式及土壤類型不同，可能導致不同地物光譜特征差別不明顯[2]。常用提取耕地信息方法有目視解譯、監(jiān)督分類、非監(jiān)督分類、面向對象分類及多時相分析法等。目視解譯雖然分類精度高但耗時長、工作量大、效率低。對研究區(qū)沒有深入了解但需快速得到分類結果時可使用自動化程度較高的非監(jiān)督分類方法[3]。監(jiān)督分類需要用戶選擇并根據(jù)訓練樣區(qū)進行分類，當對研究區(qū)域比較了解時可以使用該方法。面向對象的分類方法不再以單個像素為分類單元，而是把更具有實際意義的目標對象作為分類單元。多時相分析法常用于分析雷達遙感或高時間分辨率的多光譜遙感影像[4]。綜合各方法特點，本文選擇監(jiān)督分類、非監(jiān)督分類和面向對象分類的方法進行耕地提取。

近年來，由于遙感技術能快速、準確提取耕地信息等優(yōu)勢，引起眾多學者關注。Julien等[5]以西班牙巴拉克斯地區(qū)作為研究區(qū)，采用最大似然法分類提取耕地信息，精度達87 %。Ramita Manandhar等[6]對澳大利亞新南威爾斯州地區(qū)Landsat圖像進行處理后利用最大似然法提取耕地信息，提取精度達到83%。李峰等[7]采用多時相NDVI閾值剔除法與監(jiān)督分類兩種方法相結合的分類方法，提取出菏澤市玉米種植地分布區(qū)域，總體分類精度為90.2 %。曹倩倩等[8]使用Landsat8數(shù)據(jù)對安徽省泗縣進行耕地信息提取，分別使用非監(jiān)督分類的ISODATA和K-means算法，提取精度分別為80.48%和81.02%。牛魯燕等[9]利用ENVI軟件對山東省區(qū)域的Landsat8 OLI影像進行了校正和增強等處理，通過目視解釋、非監(jiān)督分類等方法提取山東省耕地信息，提取精度達到91.8%。Frohn等[10]將影像分割與面向對象分析相結合，基于Landsat7影像數(shù)據(jù)提取佛羅里達州濕地信息，生產(chǎn)者精度和用戶精度分別達到了97%和95%。李敏等[11]以鹽城市作為研究區(qū)域，利用了eCognition軟件提取該地耕地信息，采用面向對象的方法，最終提取精度為94.1%。Goodin等[12]以位于波蘭和烏克蘭之間一個農業(yè)用地類型較復雜的重農業(yè)區(qū)作為研究區(qū)，進行土地利用類型分類測試，結果發(fā)現(xiàn)，運用面向對象方法能夠利用影像光譜、幾何、紋理、空間等特征，使分類效果得到明顯改善。但以上方法多是采用簡單的分類方法，使提取出來的耕地分布不連續(xù)，并且有較多的錯分或漏分現(xiàn)象，因此本文利用NDVI、Elongation等規(guī)則，通過面向對象方法進行耕地信息提取，消除傳統(tǒng)方法提取結果中的“椒鹽”現(xiàn)象以提高分類精度。

1研究區(qū)概況與數(shù)據(jù)源

研究區(qū)域位于天津市武清區(qū)，地處京津之間。土質疏松肥沃，宜于農業(yè)生產(chǎn)，耕地約占全區(qū)土地面積58%，地物類型多樣，研究把該區(qū)域地物概括為水體、耕地、林地、裸地、居民地5類。

本文選用2016年5月13日獲取的Landsat8數(shù)據(jù)。在該時間段試驗區(qū)處于夏季，無云，所以提取信息時可基本忽略天氣對結果的影響。

2耕地信息提取

2.1影像預處理

（1）輻射定標。對因外界因素、數(shù)據(jù)的獲取以及傳輸系統(tǒng)等引起的輻射失真或輻射畸變進行校正處理，消除因輻射誤差引起影像畸變的過程稱為輻射校正[13]。利用ENVI 5.1軟件進行輻射定標和大氣校正，定標時比例因子設置為0.1，光譜子集為Landsat 8的前7個波段。

（2）大氣校正。大氣校正是為了消除大氣和光照等因素對地物反射的影響，輻射透過地球大氣層時會與其發(fā)生相互作用、散射、反射或吸收，使能量衰減，并導致光譜分布發(fā)生變化[14]。大氣校正選用經(jīng)過輻射定標后的數(shù)據(jù)，設置大氣校正參數(shù)時需參考研究區(qū)影像信息，具體參數(shù)為：傳感器類型：Landsat 8 OLI ；緯度：38°53′54.46″ ；經(jīng)度：117°48′44.12″ ；衛(wèi)星高度：705.00km ；拍攝日期：2016-5-13 ；拍攝時間：2：47：16 ；影像地域特征：Rural 。

（3）圖像裁剪及影像融合。選定原圖像中的一塊區(qū)域進行裁剪，并將裁剪好的圖像與Landsat 8第8波段進行融合。由于Landsat 8第8波段是全色波段，分辨率為15m，其余波段分辨率為30m，因此與第8波段融合后圖像分辨率將變成15m。

（4）圖像增強。圖像增強能夠使圖像感興趣的特征得到強調，使圖像更清晰，更容易判讀[15]。圖像增強的操作主要有對比度增強、圖像平滑、圖像銳化、多波段圖像增強和彩色增強及圖像變換[16]。本文主要運用圖像銳化。

2.2耕地信息提取

2.2.1ISODATA算法

研究中非監(jiān)督分類運用ISODATA算法，將地物分為水體、耕地、林地、裸地、居民地5類。分類后結果為灰度圖像，要將屬性表中不同灰度設置成不同顏色以對應不同地物。分類結果中存在許多面積很小的圖斑、碎點，無論從專題制圖角度還是實際應用角度都要將其剔除，故需進行分類后處理。

本研究通過分類重編碼（Recode）、鄰域分析（Neighborhood Function）、聚類處理（Clump）、去除分析（Eliminate）等操作，設置Neighborhood definition大小為5×5，Eliminate最小距離為5個像素，分類結果如圖1（a）所示。

2.2.2最大似然法

監(jiān)督分類需要先選擇訓練樣區(qū)再分類，分類規(guī)則有最大似然法、最短距離法和馬氏距離法，分別運用以上3種算法進行分類。觀察結果發(fā)現(xiàn)，最大似然法相對于其它兩種方法精度更高。故本文最終選取最大似然法為監(jiān)督分類方法。分類后處理結果如圖1（b）所示（彩圖見封二）。

2.2.3面向對象分類

在ENVI5.1軟件中主要有兩種面向對象的分類方法：基于樣本工作流（Examplebased Feature Extraction Workflow）和基于規(guī)則工作流（Rulebased Feature Extraction Workflow），本文分別應用以上兩種分類方法進行耕地提取。面向對象的分類方法將地物分成單獨的塊，在此基礎上進行分類。分類過程利用ENVI5.1軟件工具箱中Feature Extraction工具進行，首先設置分割尺度參數(shù)和合并尺度參數(shù)。在面向對象分類中分割尺度參數(shù)和合并尺度參數(shù)的選擇對分類精度有巨大影響。例如，一幅影像中有較破碎的地物類型也有面積較大的地物類型，選擇合適的參數(shù)可以有效分割不同類型地物[17]。影像分割時，當閾值設置過低，一些特征會被錯分，此時需要通過合并解決該問題[18]。

本文分割算法是基于邊緣檢測算法，利用Full Lambda Schedule合并如耕地等大塊、紋理性較強的區(qū)域[19]。從試驗結果可以看出，若分割尺度太小，相同地物會被劃分為許多小塊，太大又會漏分、錯分一些地物；若合并尺度太小則得到小碎塊圖斑。因此選擇一個合適的合并分割尺度參數(shù)值能夠大幅提高信息提取精度。經(jīng)試驗后本文選取分割尺度參數(shù)為51，合并尺度參數(shù)為94。

基于樣本的面向對象分類在設置分割合并尺度參數(shù)后需要進行樣本選擇，在樣本中分別選擇5類樣本：水體、耕地、林地、裸地、居民地。設置算法為K最近鄰法（KNN），極限值設置為5，鄰域值設為1。從預覽中可以看到分類結果中存在一些未定義類型的細小圖斑，需要進行修改、定義。最終分類結果如圖1（c）所示。

基于規(guī)則的面向對象特征提取需要在設置分割合并尺度參數(shù)后制定提取地物規(guī)則，本研究中不同地物制定的規(guī)則為：耕地（NDVI>0.32 194，Spectral Mean Band 3<9 962.582 59，Elongation>3.803 83）；林地（NDVI[0.286 71， 0.321 94]）；水體（NDVI<0.117 14，Spectral Max Band 3<15 055.618 95）；居民地（Spectral Mean Band 3>10 848.401 44 & NDVI[0.12 374 ， 0.216 24]）；裸地（NDVI[0.19 642 ， 0.25 588] ，Spectral Mean Band 3<1 174.485 07）（Elongation為延伸性，主要用于去除細長條狀的地物）。

經(jīng)反復試驗發(fā)現(xiàn)，當NDVI值在0.286 71～0.321 94之間，可以基本區(qū)別林地和耕地信息，但耕地大多是呈塊狀分布，基本沒有細長條分布，故將其延伸值設置為高于3.803 83，即可剔除長條地物。水體NDVI指數(shù)通常很低，城市中許多房子屋頂反射率很高，所以將其光譜屬性中的灰度值設定大于10 848.401 44，該設定可將耕地信息基本提取出來，但是其它地物信息提取不完全，特別是居民地信息，部分未分類部分基本都屬于居民地。分類結果見圖1（d）。

2.3精度評定

（1）ISODATA算法整體分類精度（Overall Classification Accuracy）為77.00%，整體Kappa統(tǒng)計（Overall Kappa Statistics）為 0.680 6，分類精度評定結果見表1。

（2）最大似然法分類整體分類精度（Overall Classification Accuracy）為87.00%，整體Kappa統(tǒng)計（Overall Kappa Statistics）為 0.811 8，精度評定結果見表2。

（3）面向對象分類的方法有兩種 ：①基于樣本分類整體分類精度（Overall Classification Accuracy）為93.017 5%，Kappa系數(shù)（Kappa Coefficient）為0.889 4，精度評定結果見表3；②基于規(guī)則分類整體分類精度（Overall Clas

中耕地分類生產(chǎn)者精度為 92.86%，用戶精度為79.59%，總體分類精度是77.00%，Kappa系數(shù)為0.680 6；最大似然法分類中生產(chǎn)者精度為90.00%，用戶精度為97.30%，總體分類精度是87.00%，Kappa系數(shù)為0.811 8；基于規(guī)則的面向對象分類中，用戶精度為139 2/144 7（96.20%），總體分類精度達91.940 9%，Kappa系數(shù)為0.870 4；基于樣本的面向對象分類中，用戶精度為139 2/144 7（96.20%），總體分類精度達到93.017 5%，Kappa系數(shù)達到0.889 4。

3結果與分析

3.1二值化獲取耕地信息結果

通過監(jiān)督分類、非監(jiān)督分類和面向對象分類得到5類地物劃分，需要將耕地歸為一類得到單獨的耕地信息，除耕地以外的其它分類地物歸為另一類并進行二值化處理。二值化處理的目的是將一類地物賦值為1，其余地物賦值為0，本文選用ArcMap的Spatial Analyst Tools進行重分類。重分類是在處理柵格圖像時常用方法，主要用于重分類（或更改）柵格中的值，在重分類工具中獲取唯一值，舊值不變，將屬于耕地的新值設置為1，其余地物新值設置為0，結果顯示耕地和其它地物分別為兩種顏色，為了使區(qū)分明顯，將耕地設置為白色、其它為深色以單獨顯示耕地。

ISODATA算法提取結果見圖2（a），最大似然法提取結果見圖2（b），基于規(guī)則的面向對象分類提取結果見圖2（c），基于樣本的面向對象分類提取結果見圖2（d）。

3.2結果分析

根據(jù)精度評定結果進行分析，林地與裸地、林地與耕地容易被錯分，分類精度較低，主要由于林地和耕地光譜反射特征比較相近引起。最大似然法分類結果比ISODATA算法分類結果精度高，但是對裸地提取效果較差，精度最高的是面向對象的分類結果，但同樣林地和耕地混淆也較多。Kappa系數(shù)在0.61～0.80時表示高度一致，0.81～1表示幾乎完全一致[20]。因此從該系數(shù)可以看出ISODATA算法分類結果良好，面向對象分類結果優(yōu)秀，最大似然法分類結果介于兩者之間。

將ISODATA算法和最大似然法分類的結果進行分類處理后，雖然能夠去除小噪點，減少部分“椒鹽”現(xiàn)象，但與面向對象分類提取的結果相比，依然能看出多處存在噪點。以ISODATA算法提取結果與基于樣本的面向對象提取結果為例，如圖3（a）和3（b）所示。

從兩幅圖對比可以看出，兩種分類方法提取同一區(qū)域耕地圖像有明顯差別，ISODATA算法（或最大似然法）提取耕地的結果近似于顆?；旌?，連續(xù)性、集聚性不強；面向對象提取的結果則是整塊的，而且前者提取的耕地少于后者提取的結果，主要是由于面向對象分類過程中通過分割把地物分成塊狀，就能清晰地顯示邊界，使每塊耕地邊緣都能夠被提取出來，而ISODATA算法和最大似然法對于邊界的提取不準確。由于面向對象分類不僅是基于像素的分類，所以避免了“椒鹽”現(xiàn)象，也明顯提高了分類精度。

4結語

通過對天津市武清區(qū)某塊區(qū)域進行耕地信息提取，并對提取精度進行分析，將4種不同方法的分類結果進行二值化，獲得耕地信息的單獨顯示，最終得到該區(qū)域耕地分布圖，本文研究得出主要結論如下：