吳錦玉，劉曉龍,2，柏延臣，史正濤，付 卓

基于GF-2數(shù)據(jù)結(jié)合多紋理特征的塑料大棚識(shí)別

吳錦玉1，劉曉龍1,2※，柏延臣3，史正濤1，付 卓4

（1. 云南師范大學(xué)旅游與地理科學(xué)學(xué)院，昆明 650500；2. 云南師范大學(xué)高原地理過(guò)程與環(huán)境變化云南省重點(diǎn)實(shí)驗(yàn)室，昆明 650500；3. 北京師范大學(xué)地理科學(xué)學(xué)部，北京 100875；4. 生態(tài)環(huán)境部衛(wèi)星環(huán)境應(yīng)用中心，北京 100094）

塑料大棚在全球范圍的大量使用帶來(lái)經(jīng)濟(jì)效益，同時(shí)也引發(fā)了很多環(huán)境問(wèn)題，及時(shí)準(zhǔn)確的塑料大棚空間分布信息是農(nóng)業(yè)生產(chǎn)和土壤治理決策的重要依據(jù)。塑料大棚的使用改變了土壤表面的光譜特性和空間結(jié)構(gòu)，塑料薄膜材質(zhì)的特殊性，使其反射光譜具有強(qiáng)烈的方向性和不確定性，因而僅依靠地物反射光譜特征難以準(zhǔn)確識(shí)別塑料大棚。本文以GF-2影像作為單一數(shù)據(jù)源，針對(duì)塑料大棚特有的空間分布細(xì)節(jié)信息，分析不同紋理提取算法對(duì)塑料大棚識(shí)別的適用性。結(jié)果表明：1）紋理能有效提高基于遙感影像的塑料大棚識(shí)別精度；2）使用單一紋理算法識(shí)別不同空間分布結(jié)構(gòu)塑料大棚的分類(lèi)方案中，采用LBP (local binary pattern)紋理算法的塑料大棚識(shí)別精度均優(yōu)于GLCM (gray-level co-occurrence matrix)、PSI (pixel shape index)紋理算法，其中研究區(qū)A基于LBP紋理特征的塑料大棚識(shí)別總體精度為96.85%，Kappa系數(shù)為0.95，研究區(qū)B的總體識(shí)別精度為95.58%，Kappa系數(shù)為 0.94；3）本文使用3種不同的紋理特征組合分類(lèi)方案，均能提高塑料大棚的識(shí)別精度，但不同紋理特征組合算法運(yùn)用到空間結(jié)構(gòu)差異較大的2個(gè)區(qū)域時(shí)表現(xiàn)不同。加入GLCM的紋理特征組合能提高分布范圍較大且聚集度高的塑料大棚識(shí)別精度（研究區(qū)A塑料大棚斑塊平均面積為3.39 hm2，聚集度指數(shù)為80.64），對(duì)于塑料大棚使用面積小且分布破碎的區(qū)域識(shí)別精度提升效果不明顯（研究區(qū)B塑料大棚斑塊平均面積為1.37 hm2，聚集度指數(shù)為72.98）。本試驗(yàn)結(jié)果中研究區(qū)A的地物光譜特征、NDVI和3種紋理特征組合的大棚識(shí)別精度最高，總體識(shí)別精度和Kappa系數(shù)分別達(dá)到了98.13%和0.97，研究區(qū)B的地物光譜特征、NDVI、PSI和LBP紋理特征組合識(shí)別精度最高（總體精度為96.13%，Kappa系數(shù)為0.95）?；谟跋駥?duì)象的多紋理特征能夠?qū)崿F(xiàn)塑料大棚的精細(xì)識(shí)別，該方法對(duì)塑料大棚空間分布精確制圖具有重要意義。

遙感；溫室；GF-2數(shù)據(jù)；影像紋理；塑料大棚；面向?qū)ο蠓诸?lèi)

0 引 言

塑料大棚的使用可有效改善極端環(huán)境對(duì)農(nóng)業(yè)生產(chǎn)的影響，實(shí)現(xiàn)保產(chǎn)增收，提高土地利用率[1]，為滿(mǎn)足日益增長(zhǎng)的農(nóng)產(chǎn)品需求，近年來(lái)塑料大棚在全球范圍內(nèi)得到廣泛使用[2]。塑料大棚的使用雖然產(chǎn)生了顯著的經(jīng)濟(jì)效益，但同時(shí)也改變了區(qū)域小氣候和土壤理化特性，造成了不可忽視的環(huán)境污染問(wèn)題。已有的研究表明，塑料大棚薄膜具有較強(qiáng)光學(xué)投射性、氣密性和高反射率，這些特性使大棚薄膜改變了地表和大氣之間的能量與水交換，最終影響地球生物化學(xué)循環(huán)、能量交換和水體質(zhì)量[3-5]；長(zhǎng)期使用塑料大棚顯著降低了土壤有機(jī)碳含量和pH值，加劇土壤鹽堿化和養(yǎng)分失衡，土壤生態(tài)功能逐步退化[6]。此外，大棚使用的塑料薄膜耐腐蝕且不易降解，長(zhǎng)期存在于土壤團(tuán)聚體中的薄膜碎片導(dǎo)致土壤中微塑性物質(zhì)含量增加[7-8]，這種微塑性物質(zhì)表面易吸附污染物和病原體，易被蚯蚓等無(wú)脊椎生物群吸收，從而影響土壤生物群的生長(zhǎng)和繁殖能力[9-10]。還有研究指出，與周?chē)懵锻寥老啾龋芩芰洗笈镉绊懙耐寥栏菀追e累抗生素、重金屬和鄰苯二甲酸酯類(lèi)等污染物，大棚作物吸收積累此類(lèi)污染物后，給人類(lèi)健康埋下隱患[11-12]。準(zhǔn)確獲取塑料大棚的使用范圍及其時(shí)空分布信息，有助于相關(guān)部門(mén)對(duì)塑料大棚的使用和分布進(jìn)行監(jiān)管和優(yōu)化，提高對(duì)土壤污染的防治能力。

相比于傳統(tǒng)地面調(diào)查，遙感技術(shù)具有高效、低成本、大范圍同步觀測(cè)能力，在作物識(shí)別、作物估產(chǎn)、農(nóng)業(yè)用地變化、植被重金屬污染[13]等領(lǐng)域得到廣泛應(yīng)用。目前，不同空間分辨率可見(jiàn)光遙感影像均可用于塑料大棚識(shí)別，并取得了可觀的進(jìn)展。

不同空間分辨率數(shù)據(jù)在大棚識(shí)別中各具優(yōu)勢(shì)。相比于高空間分辨率數(shù)據(jù)，中低分辨率影像的傳感器波譜特性較好，能準(zhǔn)確捕捉地物光譜反射特性，適合宏觀尺度地表覆蓋類(lèi)型監(jiān)測(cè)，如Lu等[14]基于Landsat 5 TM影像的光譜特征，實(shí)現(xiàn)大面積塑料大棚的時(shí)空動(dòng)態(tài)監(jiān)測(cè)。但是塑料薄膜對(duì)可見(jiàn)光具有較高反射率和透明度，導(dǎo)致塑料大棚具有復(fù)雜的光譜反射特性，所以用單一的光譜特征很難準(zhǔn)確識(shí)別塑料大棚[15]。對(duì)于這個(gè)問(wèn)題，Lu等[16]根據(jù)大棚不同時(shí)期光譜特征的變化，采用MODIS數(shù)據(jù)的時(shí)間序列光譜特征和NDVI指數(shù)，通過(guò)閾值模型識(shí)別塑料大棚。此外，在影像數(shù)據(jù)中塑料大棚具有特殊的空間結(jié)構(gòu)（包括紋理、尺度、形狀等），不同于光譜特性，塑料大棚的空間結(jié)構(gòu)與光譜分辨率無(wú)關(guān)，僅與遙感觀測(cè)尺度（主要指影像空間分辨率）具有密切關(guān)系，所以，部分研究中采用塑料大棚空間分布的紋理特征彌補(bǔ)光譜特征的局限性，如：Aguilar等[17]基于Landsat 8 OLI時(shí)間序列和WorldView-2數(shù)據(jù)的光譜特征、紋理特征進(jìn)行大棚識(shí)別。Chen等[4]基于Landsat 8 OLI數(shù)據(jù)分析不同特征在大棚識(shí)別中的貢獻(xiàn)，結(jié)果顯示光譜特征和指數(shù)信息的組合方案有更好的表現(xiàn)。Hasituya等[15]，Agüera等[18]發(fā)現(xiàn)以中低分辨率數(shù)據(jù)識(shí)別大棚時(shí)，單獨(dú)使用光譜特征的總體精度高于單獨(dú)使用紋理特征。這是由于影像數(shù)據(jù)空間分辨率不足，地物空間細(xì)節(jié)信息有限，且受中低分辨率遙感影像混合像元影響，雖然中低分辨率遙感影像光譜信息豐富，但是其紋理信息在提高大棚識(shí)別精度上表現(xiàn)并不理想。因此，中低分辨率數(shù)據(jù)更適用于大棚分布的宏觀監(jiān)測(cè)，對(duì)大棚的精細(xì)識(shí)別則需要更高空間分辨率的遙感數(shù)據(jù)。

隨著對(duì)地觀測(cè)能力的提高，高空間分辨率遙感數(shù)據(jù)的獲取變得簡(jiǎn)單，基于該數(shù)據(jù)獲取的更加詳細(xì)空間結(jié)構(gòu)信息被應(yīng)用于塑料大棚識(shí)別[18-19]。但基于像元的分類(lèi)方法以像元為基本單位，忽略相鄰像元的空間分布關(guān)系，提取影像信息的尺度較單一，而面向?qū)ο蠓诸?lèi)方法則關(guān)注與現(xiàn)實(shí)世界對(duì)應(yīng)的空間模式，能夠顧及遙感影像中待識(shí)別對(duì)象的空間特征及上下文關(guān)系[20]。對(duì)此，很多研究中對(duì)基于像元和面向?qū)ο蟮姆椒ㄟM(jìn)行對(duì)比，結(jié)果表明面向?qū)ο蠓诸?lèi)方法能有效運(yùn)用地物的空間信息、幾何結(jié)構(gòu)和紋理，甚至語(yǔ)義、拓?fù)潢P(guān)系等特征，消除了基于像元分類(lèi)中的“椒鹽”現(xiàn)象，地物識(shí)別精度優(yōu)于基于像元的分類(lèi)方法[21-23]。

然而，高分辨率影像光譜分辨率低，同時(shí)，隨著分辨率的提高，同一地物內(nèi)部的異質(zhì)性增強(qiáng)，導(dǎo)致類(lèi)內(nèi)差異增大，影響分類(lèi)精度[24]。因此，僅利用高空間分辨率數(shù)據(jù)的光譜特征很難滿(mǎn)足地物精細(xì)分類(lèi)的需求。長(zhǎng)期以來(lái)，紋理特征被認(rèn)為是區(qū)分具有相似光譜、不同空間分布結(jié)構(gòu)特性地物的有效信息，因此針對(duì)大棚這類(lèi)呈現(xiàn)出明顯紋理結(jié)構(gòu)的地物，高分影像的紋理特征便成為重要的地物識(shí)別特征[15]。高夢(mèng)婕等[25]基于GF-2數(shù)據(jù)提取大棚研究中主要探討最佳分割尺度確定和分類(lèi)特征選擇，結(jié)果表明光譜特征、指數(shù)特征和GLCM紋理特征是提取塑料大棚的重要特征。但針對(duì)塑料大棚特殊的紋理結(jié)構(gòu)，當(dāng)前方法中應(yīng)用的紋理算法僅為傳統(tǒng)的灰度共生矩陣算法，當(dāng)使用更先進(jìn)的紋理提取算法突出塑料大棚紋理結(jié)構(gòu)特征時(shí)，是否可以有效地提高塑料大棚識(shí)別精度，尚缺乏深入研究。針對(duì)這一問(wèn)題，本文探討不同紋理識(shí)別方法在基于高空間分辨率遙感影像的塑料大棚識(shí)別中的表現(xiàn)，通過(guò)對(duì)不同紋理算法的對(duì)比分析，提出一種面向?qū)ο蟮幕诟呖臻g分辨率遙感影像多紋理特征的塑料大棚識(shí)別方法，以提高塑料大棚的識(shí)別精度。

1 研究區(qū)概況和數(shù)據(jù)處理

1.1 研究區(qū)概況

研究區(qū)位于昆明市周邊，屬于低緯度高原山地季風(fēng)氣候，年降水約1 000 mm，年平均氣溫15℃，年平均日照2 200 h，無(wú)霜期240 d以上[26]。研究區(qū)內(nèi)常規(guī)農(nóng)田改為塑料大棚集約型農(nóng)田已有超過(guò)20年的歷史，長(zhǎng)期的高強(qiáng)度作物種植、污水污泥灌溉和過(guò)度施肥對(duì)滇池的水環(huán)境治理構(gòu)成了直接威脅[7]。為保證大棚作物有最佳的溫濕環(huán)境、光照條件和通風(fēng)速度，該地區(qū)大棚之間留有0.5～3 m的板車(chē)道，棚頭間距不少于4～5 m，大棚的朝向和形狀基本一致，所以在高空間分辨率影像中呈現(xiàn)集中連片分布特點(diǎn)。研究區(qū)包含2個(gè)塑料大棚空間分布差別較大的相鄰區(qū)域（研究區(qū)A和研究區(qū)B），如圖1所示。其中，研究區(qū)A位于24.8° N、102.7° E，影像覆蓋城鄉(xiāng)過(guò)渡帶和滇池，土地利用類(lèi)型復(fù)雜，但區(qū)域內(nèi)大棚使用面積較大且集中分布；研究區(qū)B位于24.5° N、102.6° E，塑料大棚零散分布。本文選取這2個(gè)具有不同空間分布格局的塑料大棚區(qū)域作為試驗(yàn)區(qū)，以驗(yàn)證本研究中大棚識(shí)別方法的魯棒性。

1.2 數(shù)據(jù)獲取和處理

本試驗(yàn)選用GF-2影像數(shù)據(jù)，GF-2衛(wèi)星搭載2臺(tái)PMS（多光譜/全色）可見(jiàn)光傳感器，左右2臺(tái)傳感器成像總幅寬為45 km，側(cè)擺能力為±35°，星下點(diǎn)空間分辨率為0.8 m。全色波段（450～900 nm）空間分辨率為1 m，4 個(gè)多光譜波段：藍(lán)（450～520 nm）、綠（520～590 nm）、紅（630～690 nm）、近紅外（770～890 nm），空間分辨率為4 m（中國(guó)資源衛(wèi)星應(yīng)用中心：http://www.cresda.com/ CN/Satellite/3128.shtml）。研究區(qū)A的GF-2影像（PMS1）獲取時(shí)間為2017年3月14日12∶16∶07，研究區(qū)B影像（PMS2）獲取時(shí)間為2017年3月24日12∶19∶03，上述2個(gè)時(shí)段內(nèi)研究區(qū)內(nèi)無(wú)云、霧覆蓋。A、B研究區(qū)影像成像時(shí)的太陽(yáng)方位角分別為148.746°和147.105°，該時(shí)段研究區(qū)內(nèi)大棚覆蓋無(wú)變化，影像獲取的時(shí)相差對(duì)大棚識(shí)別影響較小。

為消除大氣對(duì)地物光譜反射的影響，本文對(duì)GF-2一級(jí)數(shù)據(jù)產(chǎn)品進(jìn)行輻射定標(biāo)和大氣校正。輻射定標(biāo)中將像元灰度值轉(zhuǎn)換為輻亮度值（見(jiàn)式（1））[27]，定標(biāo)參數(shù)由中國(guó)資源衛(wèi)星應(yīng)用中心提供（http://www. cresda.cn/CN/Downloads/dbcs/index.shtml）。大氣校正采用FLAASH模型。為了提高數(shù)據(jù)的光譜和空間分辨率，本文采用NNDiffuse Pan Sharpening算法融合GF-2多光譜和全色波段，融合后得到空間分辨率為1 m的（R、G、B、NIR波段）影像（如圖1）。

結(jié)合2016年12月的無(wú)人機(jī)實(shí)測(cè)數(shù)據(jù)，對(duì)2個(gè)研究區(qū)進(jìn)行人工目視解譯，生成地面“真值”樣本集，用于訓(xùn)練分類(lèi)器和分類(lèi)結(jié)果的精度評(píng)價(jià)。無(wú)人機(jī)（DJI Phantom 3 Advanced）作業(yè)時(shí)飛行高度為120 m，地面分辨率為5 cm。樣本包含的地類(lèi)分別為水體、塑料大棚、植被和其他（建筑用地、道路和未利用地）。樣本以2∶1的比例劃分為訓(xùn)練樣本集和驗(yàn)證樣本集（如表1所示）。由于研究區(qū)A內(nèi)土地利用類(lèi)型復(fù)雜，大棚的使用面積大于研究區(qū)B，因此在研究區(qū)A選取了較多的樣本點(diǎn)而研究區(qū)B樣本較少。研究區(qū)及樣本分布見(jiàn)圖1。

表1 樣本點(diǎn)數(shù)量及分布

圖1 研究區(qū)域及樣本點(diǎn)分布

2 研究方法

2.1 影像分割

地學(xué)面向?qū)ο笥跋穹治觯℅eOBIA：geographic object-based image analysis）以影像對(duì)象作為影像分析的基本單位，影像對(duì)象的實(shí)質(zhì)是相似像元的集合（即地理空間實(shí)體，如本文的塑料大棚）[28]。如何通過(guò)影像分割準(zhǔn)確地生成空間實(shí)體的影像對(duì)象，對(duì)地物識(shí)別精度有直接的影響[29-30]。Ba?tz提出[31]的多尺度分割算法綜合考慮遙感影像的光譜、空間、上下文、長(zhǎng)寬比和紋理等信息，該方法被廣泛用于遙感影像分割。影響多尺度分割算法分割結(jié)果的主要參數(shù)有分割尺度、形狀指數(shù)、緊密度指數(shù)，其中分割尺度根據(jù)分割對(duì)象的大小進(jìn)行調(diào)節(jié)，是最重要的因素[32]。

本試驗(yàn)采用eCognition Developer 9.0軟件中的多尺度分割算法進(jìn)行遙感影像分割。分割過(guò)程中，多尺度分割算法分割尺度取值范圍設(shè)置為50～200，步長(zhǎng)為10；形狀指數(shù)取值范圍為0.1～1，步長(zhǎng)取0.1；緊密度指數(shù)取值范圍為0.1～1，步長(zhǎng)為0.1。雖然高空間分辨率影像有利于地物細(xì)節(jié)的識(shí)別，但同一地物內(nèi)部的差異性也隨空間分辨率的增高而增高。針對(duì)異質(zhì)地表的分割結(jié)果易出現(xiàn)過(guò)分割或欠分割的情況，Liu等[33]研究表明，過(guò)分割對(duì)面向?qū)ο蠓诸?lèi)的影響在可接受范圍內(nèi)，相反欠分割會(huì)嚴(yán)重影響分類(lèi)結(jié)果精度。通過(guò)對(duì)比分析，本試驗(yàn)得到的最佳分割結(jié)果的多尺度分割算法參數(shù)分別為：分割尺度100、形狀指數(shù)0.6、緊密度指數(shù)0.9。雖然上述參數(shù)得到的分割結(jié)果存在部分過(guò)分割現(xiàn)象，但分割邊界與真實(shí)地類(lèi)邊界接近且確保了每個(gè)分割對(duì)象均接近同質(zhì)對(duì)象。

2.2 塑料大棚識(shí)別特征

由于塑料薄膜具有透光特性，部分大棚的反射光譜中包含棚內(nèi)植被反射信息，這將導(dǎo)致大棚與低覆蓋度植被混淆，為了區(qū)分2者，本文使用歸一化植被指數(shù)（NDVI，normalized difference vegetation index）[34]增強(qiáng)植被信息。一般情況下，植被區(qū)的NDVI值大于0，非植被區(qū)的NDVI值小于0，但由于研究區(qū)A內(nèi)的滇池水體富營(yíng)養(yǎng)化嚴(yán)重，水體葉綠素濃度較高，因此研究區(qū)A中水體NDVI值出現(xiàn)大片偏高區(qū)域，這一現(xiàn)象導(dǎo)致常用的水體識(shí)別指數(shù)對(duì)水體識(shí)別產(chǎn)生較大誤差。針對(duì)這一問(wèn)題，本試驗(yàn)對(duì)研究區(qū)A影像進(jìn)行主成分變換并設(shè)定最佳閾值單獨(dú)提取水體；研究區(qū)B內(nèi)水體較少，因此直接參與分類(lèi)。

Haraclick等[35]提出的灰度共生矩陣（gray-level co-occurrence matrix，GLCM）紋理提取算法，依據(jù)興趣區(qū)內(nèi)不同的空間結(jié)構(gòu)和紋理生成與之對(duì)應(yīng)的共生矩陣，同時(shí)可以導(dǎo)出14種紋理特征指標(biāo)用于定量分析紋理，其中常用的指標(biāo)有均值、方差、同質(zhì)性、對(duì)比度、熵、相關(guān)性，通過(guò)這些指標(biāo)能有效區(qū)別類(lèi)間的空間結(jié)構(gòu)差異[36]。本試驗(yàn)基于預(yù)處理后的全色影像提取GLCM紋理特征，為避免窗口邊緣效應(yīng)的影響，保證所得紋理信息穩(wěn)定且清晰，并依據(jù)當(dāng)?shù)卮笈镌O(shè)置的預(yù)留寬度，將數(shù)據(jù)降維至64個(gè)灰度級(jí)，移動(dòng)窗口設(shè)置為5×5，移動(dòng)步長(zhǎng)為3個(gè)像元。采用常用的5個(gè)指標(biāo)作為GLCM紋理特征，分別與影像光譜特征和NDVI組成5組分類(lèi)方案，在SVM分類(lèi)器中進(jìn)行分類(lèi)，其中GLCM均值與光譜特征、NDVI組合的方案分類(lèi)精度最高，總體精度為93.93%，Kappa系數(shù)為0.91，所以選擇均值作為GLCM提取大棚紋理信息。常用GLCM紋理指標(biāo)的分類(lèi)精度對(duì)比情況如表2所示。

表2 GLCM紋理提取算法常用指標(biāo)分類(lèi)精度

局域二值模型（local binary pattern，LBP）[37]具有較強(qiáng)的紋理鑒別能力且計(jì)算簡(jiǎn)單，并被改進(jìn)為多尺度LBP[38]、旋轉(zhuǎn)不變LBP[39]等多種紋理分析模型。旋轉(zhuǎn)不變性是指在圖像發(fā)生一定角度的旋轉(zhuǎn)后，圖像內(nèi)的對(duì)象沒(méi)有改變，但是常用的紋理算法在對(duì)旋轉(zhuǎn)后的圖像進(jìn)行紋理計(jì)算時(shí)，其紋理特征值發(fā)生了改變，這不利于圖像中運(yùn)動(dòng)目標(biāo)的識(shí)別。針對(duì)這一問(wèn)題，M?enp??等[39]對(duì)LBP做了如下定義：

像元形狀指數(shù)（pixel shape index，PSI）[40]根據(jù)中心像元及其不同方向鄰域上的光譜相似性，生成多條長(zhǎng)短各異的方向線描述該鄰域的形狀特征和鄰域中心像元的形狀指數(shù)。PSI通過(guò)計(jì)算具有相似光譜特性的相鄰像元組維數(shù)，表征像元的空間上下文特征，通過(guò)擴(kuò)大不同形狀區(qū)域之間的特征值，突出高分辨率影像的空間細(xì)節(jié)信息。PSI共有3個(gè)參數(shù)：同質(zhì)性閾值（1）、空間擴(kuò)展閾值（2）、方向線總數(shù)（）。1表示同質(zhì)性區(qū)域內(nèi)中心和領(lǐng)域像元的最大光譜差異，用平均類(lèi)間距離的平方根表示，高分辨率數(shù)據(jù)類(lèi)內(nèi)方差較大，本試驗(yàn)設(shè)1為90。2表征方向線延伸的長(zhǎng)度限制，為尺度因子，本試驗(yàn)2取30，能較好反映出形狀檢測(cè)的目標(biāo)尺寸。控制方向線的夾角和疏密程度，表示PSI對(duì)領(lǐng)域形狀的探測(cè)能力，值設(shè)為20已能達(dá)到預(yù)期的探測(cè)能力，設(shè)置更大的方向數(shù)只會(huì)增加計(jì)算量，不能提高精度。

2.3 支持向量機(jī)分類(lèi)器

2.4 分類(lèi)方案

為分析紋理特征對(duì)面向?qū)ο蠓诸?lèi)的影響，并評(píng)價(jià)不同紋理提取模型對(duì)識(shí)別塑料大棚的表現(xiàn)，本文提出8組分類(lèi)方案，每個(gè)分類(lèi)方案中各特征數(shù)據(jù)的空間分辨率均為1 m，具體分類(lèi)方案及其特征組合如表3所示。

表3 不同紋理特征組合的分類(lèi)方案

2.5 精度驗(yàn)證

目前對(duì)分類(lèi)結(jié)果精度分析最常用的方法是混淆矩陣法，該方法通過(guò)混淆矩陣計(jì)算分類(lèi)結(jié)果的生產(chǎn)者精度（PA，producer accuracy）（式（4）），用戶(hù)精度（UA，user accuracy）（式（5）），總體精度（OA，overall accuracy）（式（6））和Kappa系數(shù)（式（7））[44]，分析分類(lèi)結(jié)果的精度和可靠性。

3 研究方法

3.1 紋理特征提取分析

圖2為通過(guò)GLCM、PSI和LBP算法提取的地物紋理特征結(jié)果，3種算法提取的紋理特征能夠體現(xiàn)不同地物紋理方向及紋理特征值的差異，其中基于GLCM算法提取的紋理存在顯著的類(lèi)內(nèi)異質(zhì)性且紋理清晰度低，如圖 2b所示?；赑SI算法提取的紋理突出影像的各向異性，紋理分布也較清晰，如圖2c所示。在3種算法中，使用LBP算法提取的紋理特征（圖2d）最清晰，能夠體現(xiàn)影像中地物紋理的細(xì)微特征。

圖2 不同算法提取的地物紋理特征

為分析不同特征組合對(duì)地物可分性影響，選用距離（jeffreys-matusitadistance）作為可分性指標(biāo)[45]，當(dāng)特征類(lèi)別服從正態(tài)分布時(shí)，距離用公式（8）表示[46-47]。

圖3 研究區(qū)A、B不同分類(lèi)方案各類(lèi)別間J-M距離

3.2 分類(lèi)結(jié)果分析

2個(gè)研究區(qū)的8種方案的分類(lèi)結(jié)果如圖4、圖5所示，表4為不同方案的分類(lèi)精度。

從圖4、圖5和表4看出，在塑料大棚空間格局不同的2個(gè)區(qū)域中，未加入紋理特征的方案I分類(lèi)精度最低：研究區(qū)A的OA和Kappa系數(shù)分別為92.69%和0.89；研究區(qū)B的OA和Kappa系數(shù)分別為92.22%和0.89，與方案I相比，使用紋理特征的各方案分類(lèi)精度均有不同程度的提升。其中，加入單個(gè)紋理信息的方案中，LBP（方案V）提升分類(lèi)精度最顯著。方案V與方案I相比，研究區(qū)A的總體精度（OA）和Kappa系數(shù)分別是96.85%和0.95，OA和Kappa系數(shù)分別提高了4.16個(gè)百分點(diǎn)和0.06；研究區(qū)B的OA和Kappa系數(shù)分別是95.58%和0.94，OA和Kappa分別提高了3.36個(gè)百分點(diǎn)和0.05。PSI和GLCM分類(lèi)精度變化較小，對(duì)比分類(lèi)精度，加入紋理特征組合的分類(lèi)方案識(shí)別精度高。研究區(qū)A中加入GLCM、PSI和LBP這3種紋理特征時(shí)（方案VIII）分類(lèi)精度達(dá)到最佳，OA和Kappa系數(shù)分別為98.13%和0.97，與方案I相比OA和Kappa系數(shù)分別提升了5.44個(gè)百分點(diǎn)和0.08，研究區(qū)B中使用PSI的方案VI最佳，OA和Kappa系數(shù)分別為96.13%和0.95，與方案I相比OA和Kappa系數(shù)分別提高了3.91個(gè)百分點(diǎn)和0.06。其中研究區(qū)B中的方案VIII與方案VI的分類(lèi)精度相同，對(duì)比分類(lèi)效率，使用2種紋理組合的方案VI優(yōu)于3種紋理組合的方案VIII，因此研究區(qū)B中最佳分類(lèi)方案為方案VI。

圖4 研究區(qū)A影像不同分類(lèi)方案分類(lèi)結(jié)果

此外，不同紋理特征的使用，對(duì)塑料大棚、其他、水體和植被的識(shí)別精度影響不同。在8個(gè)分類(lèi)方案中塑料大棚的PA、UA值變化較大：研究區(qū)A中未加入紋理特征的方案I，塑料大棚的PA、UA精度最低，分別為78.29%、90.62%，研究區(qū)B中大棚的PA、UA為80.49%、89.47%。與方案I相比，加入紋理特征的7個(gè)方案中大棚的PA、UA均有不同程度提高，在研究區(qū)A中，同時(shí)加入3種不同紋理特征的分類(lèi)方案VIII表現(xiàn)最佳，PA提升了18.18個(gè)百分點(diǎn)，UA提升了7.31個(gè)百分點(diǎn)。研究區(qū)B中加入2種紋理特征的分類(lèi)方案VI表現(xiàn)最佳，與未加入紋理特征的分類(lèi)方案I相比，PA提升了10.18個(gè)百分點(diǎn)，UA提升了10.21個(gè)百分點(diǎn)。因此，不同紋理算法對(duì)大棚識(shí)別的精度影響不同。

圖5 研究區(qū)B影像不同分類(lèi)方案分類(lèi)結(jié)果

表4 不同分類(lèi)方案的分類(lèi)精度

注：PA為生產(chǎn)者精度，%；UA為用戶(hù)精度，%。

Note：PA means producer accuracy, %; UA means user accuracy, %.

雖然在不同區(qū)域加入紋理特征能提升分類(lèi)精度，有效區(qū)分大棚和其他類(lèi)別，但是各紋理特征組合方案在2個(gè)研究區(qū)中的分類(lèi)結(jié)果存在差異。對(duì)比方案II和方案IV，研究區(qū)A中加入PSI、GLCM的紋理特征組合的分類(lèi)精度比加入PSI單一紋理特征的精度高，總體精度提高了1.47個(gè)百分點(diǎn)，Kappa系數(shù)提高了0.03；研究區(qū)B中2 個(gè)分類(lèi)方案的精度差別不大，總體精度僅提高0.25個(gè)百分點(diǎn)，Kappa系數(shù)僅提高0.01。對(duì)比方案V和方案VII，研究區(qū)A中加入LBP、GLCM紋理特征組合的分類(lèi)精度比加入LBP單一紋理特征的精度高，總體精度提高了0.94個(gè)百分點(diǎn)，Kappa系數(shù)提高了0.02；研究區(qū)B中這2 個(gè)分類(lèi)方案的精度沒(méi)有差異。對(duì)比方案VI和方案VIII，研究區(qū)A中加入PSI、LBP、GLCM的紋理特征組合的分類(lèi)精度比加入PSI、LBP的紋理特征組合的精度高，總體精度提高了1.12個(gè)百分比，Kappa系數(shù)提高了0.01；研究區(qū)B中這2個(gè)方案的分類(lèi)精度沒(méi)有差異。此外，由表4可知，使用同一分類(lèi)方案對(duì)2個(gè)研究區(qū)進(jìn)行分類(lèi)，研究區(qū)A的分類(lèi)精度高于研究區(qū)B。

針對(duì)上述2個(gè)研究區(qū)分類(lèi)結(jié)果的差異，本文運(yùn)用景觀異質(zhì)性分析研究區(qū)塑料大棚分布的空間異質(zhì)性對(duì)分類(lèi)結(jié)果精度的影響。以最優(yōu)分類(lèi)結(jié)果為參考數(shù)據(jù)，選用斑塊平均面積（average patch area, AREA_MN）、聚集度指數(shù)（aggregation index, AI）對(duì)景觀空間格局及其分布情況進(jìn)行定量分析。AREA_MN（hm2）表征景觀類(lèi)型的破碎化程度，綜合測(cè)度景觀類(lèi)型和數(shù)量[48]。AI（無(wú)量綱）描述景觀內(nèi)不同景觀類(lèi)型的團(tuán)聚程度，取值范圍0～100，值越大表示景觀類(lèi)別分布越集中[49-51]。采用Fragstas軟件計(jì)算上述2個(gè)指數(shù)的結(jié)果如表 5所示，研究區(qū)A中，大棚、其他和植被的斑塊平均面積和聚集度指數(shù)值相差不大，3種地類(lèi)的斑塊平均面積僅在3～5 hm2之間，但聚集度指數(shù)均在80以上，表明塑料大棚面積雖小但分布的聚集程度較高，呈集中分布特征。研究區(qū)B中植被的斑塊平均面積、聚集度指數(shù)最大，分別為17.21 hm2和90.60，表明植被是研究區(qū)B中的主要地表覆蓋類(lèi)型，其他類(lèi)別次之，大棚和水體的2個(gè)指數(shù)值最小，斑塊平均面積小于1.5 hm2，聚集度指數(shù)小于73，表明大棚和水體面積小且分布零碎。

表5 研究區(qū)A、B的景觀格局指數(shù)

注：AREA_MN為斑塊平均面積，hm2；AI為聚集度指數(shù)。

Note：AREA_MN means average patch area, hm2; AI means aggregation index.

綜合2個(gè)研究區(qū)的地類(lèi)景觀破碎度和塑料大棚分類(lèi)結(jié)果可知，加入紋理特征對(duì)空間分布集中且面積較大的塑料大棚識(shí)別精度高于分布零碎的情況；聚集度高的區(qū)域加入GLCM的紋理特征組合能提升識(shí)別精度，但對(duì)塑料大棚使用面積小且分布破碎的區(qū)域（如本研究中的研究區(qū)B）影響較小。

4 結(jié) 論

本文以GF-2作為單一數(shù)據(jù)源，針對(duì)大棚特殊的空間分布結(jié)構(gòu)，提出了一種面向?qū)ο蟮幕诟叻直媛视跋駥?duì)象紋理特征組合的塑料大棚識(shí)別方法，分別用GLCM、PSI、LBP紋理提取算法提取了影像紋理特征。不同紋理特征對(duì)塑料大棚識(shí)別精度影響的分析結(jié)果表明：

1）GF-2數(shù)據(jù)的空間紋理信息能夠有效彌補(bǔ)光譜特征的局限，提高大棚的識(shí)別精度。GF-2數(shù)據(jù)光譜波段僅有可見(jiàn)光和近紅外波段，但空間分辨率較高，能夠清晰地捕捉地物空間細(xì)節(jié)信息，適用于識(shí)別具有特殊紋理特征的地類(lèi)。大棚覆蓋薄膜的特性導(dǎo)致地物光譜特征變得復(fù)雜，使得塑料大棚與其他（建筑用地、道路、未利用地）地類(lèi)產(chǎn)生嚴(yán)重混淆，加入紋理特征能有效提高大棚與其他地類(lèi)（建筑用地、道路、未利用地）的區(qū)分度。

2）面向?qū)ο蠓椒ǖ拇笈镒R(shí)別中，不同算法提取的紋理特征對(duì)提高大棚識(shí)別精度的貢獻(xiàn)不同。本文使用LBP、PSI和GLCM紋理提取算法在2個(gè)空間格局不同的研究區(qū)分類(lèi)結(jié)果顯示，單一紋理特征中的LBP表現(xiàn)最佳，組合地物光譜特征、NDVI的大棚識(shí)別精度最高。紋理組合方案中，研究區(qū)A中光譜特征、NDVI和3種不同紋理特征組合的大棚識(shí)別精度最高，總體精度為98.13%，Kappa系數(shù)為0.97，研究區(qū)B中光譜特征、NDVI和PSI、LBP紋理特征組合的大棚識(shí)別精度最高，總體精度為96.13%，Kappa系數(shù)為0.95，實(shí)現(xiàn)了塑料大棚的高精度精細(xì)識(shí)別。

3）本文選用2個(gè)大棚空間分布格局不同的區(qū)域作為研究區(qū)，對(duì)比2個(gè)研究區(qū)的分類(lèi)結(jié)果表明：加入GLCM的紋理特征組合能提升大范圍使用且聚集度高的大棚識(shí)別精度，但對(duì)于面積小且分布破碎的塑料大棚識(shí)別精度提升效果并不顯著。同時(shí)，研究區(qū)B中各分類(lèi)方案計(jì)算得到的分類(lèi)精度總體低于研究區(qū)A，所以地物的空間異質(zhì)性對(duì)地物識(shí)別精度影響很大。

[1] Godfray H C, Beddington J R, Crute I R, et al. Food security: the challenge of feeding 9 billion people[J]. Science, 2010, 327(12): 812－818.

[2] Ying Q, Hansen M C, Potapov P V, et al. Global bare ground gain from 2000 to 2012 using Landsat imagery[J]. Remote sensing of environment, 2017, 194(30): 161－176.

[3] Steinmetz Z, Wollmann C, Schaefer M, et al. Plastic mulching in agriculture. Trading short-term agronomic benefits for long-term soil degradation[J]. Science of the Total Environment, 2016, 550(15): 690－705.

[4] Chen Z. Mapping plastic-mulched farmland with multi- emporal Landsat-8 data[J]. Remote Sensing, 2017, 9(6): 557－584.

[5] 孫懷衛(wèi)，楊金忠，王修貴. 塑料大棚氣流場(chǎng)模擬及作物蒸騰量計(jì)算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(11)：236－241. Sun Huaiwei, Yang Jinzhong, Wang Xiugui. Numerical simulation of airflow pattern and calculation of crop transpiration in plastic greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(11): 236－241. (in Chinese with English abstract)

[6] Zhang G S, Hu X B, Zhang X X, et al. Effects of plastic mulch and crop rotation on soil physical properties in rain-fed vegetable production in the mid-Yunnan plateau, China[J]. Soil & Tillage Research, 2015, 145(1): 111－117.

[7] Zhang G S, Liu Y F. The distribution of microplastics in soil aggregate fractions in southwestern China[J]. Science of the Total Environment, 2018, 642(11): 12－20.

[8] Andrady A L. Microplastics in the marine environment[J]. Marine Pollution Bulletin, 2011, 62(8): 1596－1605.

[9] Huerta Lwanga E, Gertsen H, Gooren H, et al. Microplastics in the terrestrial ecosystem: implications for Lumbricus terrestris (Oligochaeta, Lumbricidae)[J]. Environmental science & technology, 2016, 50(5): 2685-2691.

[10] Hodson M E, Duffushodson C, Clark A, et al. Plastic bag derived-microplastics as a vector for metal exposure in terrestrial invertebrates[J]. Environmental Science & Technology, 2017, 51(8): 4714－4721.

[11] Yanxia Z, Biao H, Marianne T, et al. One overlooked source of phthalate exposure-oral intake from vegetables produced in plastic greenhouses in China[J]. Science of the total environment, 2018, 642(15): 1127－1135.

[12] 陳碧華，楊和連，周俊國(guó)，等. 大棚菜田種植年限對(duì)土壤重金屬含量及酶活性的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(1)：213－218. Chen Bihua, Yang Helian, Zhou Junguo, et al. Effect of cultivating years of vegetable field on soil heavy metal content and enzyme activity in plastic shed[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28 (1): 213－218. (in Chinese with English abstract)

[13] Banerjee B P, Raval S, Hao Z, et al. Health condition assessment for vegetation exposed to heavy metal pollution through airborne hyperspectral data[J]. Environmental Monitoring & Assessment, 2017, 189(12): 604－615.

[14] Lu L, Di L, Ye Y. A decision-tree classifier for extracting transparent plastic-mulched landcover from landsat5 TM images[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(11): 4548－4558.

[15] Hasituya, Chen Z, Wang L, et al. Monitoring Plastic-mulched farmland by landsat8 OLI imagery using spectral and textural features[J]. Remote Sensing, 2016, 8(4): 353－369.

[16] Lu L, Hang D, Di L. Threshold model for detecting transparent plastic-mulched landcover using moderate- resolution imaging spectroradiometer time series data: a case study in southern Xinjiang, China[J]. Journal of Applied Remote Sensing, 2015, 9(1): 97094－97108.

[17] Aguilar M A, Vallario A, Aguilar F J, et al. Object-based greenhouse horticultural crop identification from multi-temporal satellite imagery: A case study in Almeria, Spain[J]. Remote Sensing, 2015, 7(6): 7378－7401.

[18] Agüera F, Aguilar F J, Aguilar M A. Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2008, 63(6): 635－646.

[19] Hasituya, Chen Z, Wang L, et al. Selecting appropriate spatial scale for mapping plastic-mulched farmland with satellite remote sensing imagery[J]. Remote Sensing, 2017, 9(3): 265－288.

[20] Blaschke T. What's wrong with pixels? Some recent developments interfacing remote sensing and GIS[J]. GeoBIT/GIS, 2001, 6(1): 12-17.

[21] Blaschke T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2010, 65(1): 2－16.

[22] Duro D C, Franklin S E, Monique G Dubé. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of

agricultural landscapes using SPOT-5 HRG imagery[J]. Remote Sensing of Environment, 2012, 118(6): 259－272.

[23] 胡榮明，魏曼，楊成斌，等. 以SPOT5遙感數(shù)據(jù)為例比較基于像素與面向?qū)ο蟮姆诸?lèi)方法[J]. 遙感技術(shù)與應(yīng)用，2012，27(3)：366－371. Hu Rongming, Wei Man, Yang Chengbin, et al. Taking SPOT5 remote sensing data for example to compare pixel-based and object-oriented classification[J]. Remote Sensing Technology And Application, 2012, 27(3): 366－371. (in Chinese with English abstract)

[24] 劉曉龍. 集成多源遙感數(shù)據(jù)的植被類(lèi)型分類(lèi)方法研究[D]. 北京：北京師范大學(xué)，2015. Liu Xiaolong. Study of Multi-Source Remote Sensing Data Integrated Classification Method of Vegetation[D]. Beijing: Beijing Normal University, 2015. (in Chinese with English abstract)

[25] 高夢(mèng)婕，姜群鷗，趙一陽(yáng)，等. 基于GF-2遙感影像的塑料大棚提取方法對(duì)比[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，23(8)：125－134. Gao Mengjie, Jiang Qunou, Zhao Yiyang, et al. Comparison of plastic greenhouse extraction method based on GF-2 remote-sensing imagery[J]. Journal of China Agricultural University, 2018, 23(8): 125－134. (in Chinese with English abstract)

[26] 張薇，劉淼，戚與珊. 基于CLUE-S模型的昆明市域土地利用預(yù)案模擬[J]. 生態(tài)學(xué)雜志，2014，33(6):1655－1662. Zhang Wei, Liu Miao, Qi Yushan. Land-use scenarios simulation based on the CLUE-S model in Kunming[J]. Chinese Journal of Ecology, 2014, 33(6):1655－1662. (in Chinese with English abstract)

[27] 童慶禧，張兵，鄭蘭芬. 高光譜遙感——原理、技術(shù)與應(yīng)用[M]. 北京：高等教育出版社，2006.

[28] Blaschke T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2－16.

[29] Zhang B, Song M, Zhou W. Exploration on method of auto-classification for main ground objects of Three Gorges Reservoir area[J]. Chinese Geographical Science, 2005, 15(2): 157－161.

[30] Hay G J, Castilla G, Wulder M A, et al. An automated object-based approach for the multiscale image segmentation of forest scenes[J]. International Journal of Applied Earth Observations & Geoinformation, 2005, 7(4): 339－359.

[31] Ba?tz M, Sch?pe A, Strobl J, et al. Multiresolution segmentation: An optimization approach for high quality multi-scale image segmentation[J]. Angewandte Geographische Informations-Verarbeitung XII, 2000: 12-23.

[32] 楊盼盼. 基于高分辨率遙感影像紋理特征的面向?qū)ο笾脖环诸?lèi)方法研究[D]. 昆明：云南師范大學(xué)，2017. Yang Panpan. Reaesrch on Object-Oriented Vegetation Classification Method Based on Texture Feature of High Resolition Remote Sensting Image[D]. Kunming: Yunnan Normal University, 2017. (in Chinese with English abstract)

[33] Liu D, Xia F. Assessing object-based classification: advantages and limitations[J]. Remote Sensing Letters, 2009, 1(4): 187－194.

[34] Rouse J W J, Haas R H, Schell J A, et al. Monitoring Vegetation Systems in the Great Plains with Erts[J]. Nasa Special Publication, 1973, 351(1): 309－317.

[35] Haraclick R M. Texture features for image classification[J]. Studies in Media and Communication, 1973, 3(6): 610－621.

[36] Kaplan L M, Kuo C C J. Extending self-similarity for fractional Brownian motion[J]. IEEE Transactions on Signal Processing, 1994, 42(12): 3526-3530.

[37] Ojala T, Harwood I. A comparative study of texture measures with classification based on feature distributions[J]. Pattern Recognition, 1996, 29(1): 51－59.

[38] Ojala T, Pietik?inen M, M?enp?? T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 24(7): 971－987.

[39] M?enp?? T, Pietik?inen M. Texture analysis with local binary patterns[J]. Handbook of Pattern Recognition & Computer Vision, 2005, 354 (6): 115－118.

[40] 黃昕，張良培，李平湘. 融合形狀和光譜的高空間分辨率遙感影像分類(lèi)[J]. 遙感學(xué)報(bào)，2007，11(2)：193－200. Huang xin, Zhang Linpei, Li Peixiang. Classification of high Spatial resolution remotely sensed imagery based on the fusion of spectral and shape features[J]. Journal of remote sensng, 2007, 11(2): 193－200. (in Chinese with English abstract)

[41] V. Vapnik, S. Kotz. Estimation of dependences based on empirical data[M]. New York: Springer-Verlag, 1982.

[42] Milan Sonka, Vaclav Hlavac, Roger Boyle. Image processing, analysis, and machine vision[M]. Mason, OH: Thomson, 2007.

[43] Koc-San D. Evaluation of different classification techniques for the detection of glass and plastic greenhouses from WorldView-2 satellite imagery[J]. Journal of Applied Remote Sensing , 2013, 7(1): 73551－73553.

[44] Russell G. Congalton, Kass Green. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, Second Edition (Mapping Science)[M]. [S.l.]: CRC Press, 2008.

[45] Hofmann W. Remote sensing: The quantitative approach[J]. Earth-Science Reviews, 1980, 16(6): 386－387.

[46] John A. Richards, Xiuping Jia. Remote Sensing Digital Image Analysis: An Introduction [M]. [S.l.]: Springer, 2005.

[47] Kailath T. The divergence and bhattacharyya distance measures in signal selection[J]. IEEE Transactions on Communication Technology, 1967, 15(1): 52－60.

[48] 余新曉，李秀彬，夏兵. 森林景觀格局與土地利用/覆被變化及其生態(tài)水文響應(yīng)[M]. 北京：科學(xué)出版社，2010.

[49] 崔閃閃，劉慶，王靜. 空間粒度變化對(duì)縣域農(nóng)村居民點(diǎn)景觀指數(shù)的影響－以江蘇省大豐市為例[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2017，38(3)：20－26. Cui Shangshang. Liu Qing, Wang Jing. Effects of changing grain size on landscape indices of rural settlement at county scale of Binhai development zone－A case study of Dafeng county in Jiangsu province[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(3): 20－26. (in Chinese with English abstract)

[50] 冀亞哲，張小林，吳江國(guó)，等. 多空間粒度下鎮(zhèn)江市土地利用景觀格局差異[J]. 中國(guó)土地科學(xué)，2013，27(5)：54－63. Ji Yazhe, Zhang Xiaolin, Wu Jiangguo, et al. Research on the differences of landscape patterns under several spatial granularities in Zhenjiang City[J]. China Land Sciences, 2013, 27(5): 54－63. (in Chinese with English abstract)

[51] 趙玉濤，余新曉，關(guān)文彬. 景觀異質(zhì)性研究評(píng)述_趙玉濤[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2002，13(4)：495－500.Zhao Yutao, Yu Xinxiao, Guan Wenbin. Review on landscape terogeneity[J]. Chinese Journal of Applid Ecology, 2002, 3(4): 495－500. (in Chinese with English abstract)

Plastic greenhouse recognition based on GF-2 data and multi-texture features

Wu Jinyu1, Liu Xiaolong1,2※, Bo Yanchen3, Shi Zhengtao1, Fu Zhuo4

(1.,,650500,; 2.,650500,; 3.,,100875,;4.,100094,)

The wide use of plastic greenhouses in the word has brought economic benefits, but also caused many environmental problems. Accurate and timely acquisition of spatial distribution information of plastic greenhouse is of great significance to agricultural production and soil management. The use of plastic greenhouse has changed the structure of soil, thus changing the surface spectral characteristics of the soil. Because of the particularity of the plastic film material, the reflection spectrum has strong directionality and uncertainty, so it is difficult to identify plastic greenhouse accurately only depending on the reflectance spectrum characteristics of ground objects. In this paper, Kunming City, Yunnan Province is taken as the research area, using GF-2 image as a single data source, the multi-scale segmentation method is used to obtain the image object efficiently and accurately. According to the detailed spatial information of plastic greenhouse, the applicability of three image object-based texture extraction algorithms, namely GLCM(gray-level co-occurrence matrix), LBP(local binary pattern) and PSI(pixel shape index) for plastic greenhouse identification is analysed and tested. In addition, different texture features are combined with spectral features and NDVI index to form different classification schemes, to explore which one would be the best combination of texture features for identification of plastic greenhouses. In order to explore the robustness of the method, different texture feature combination schemes are applied in the study areas. The results of SVM (support vector machine) classifier are evaluated by confusion matrix. The results show that the overall combination schemes of the two research areas with different landscape patterns have the same trend. The combination of spectral features and NDVI index can accurately identify the scattered waters in each of the two study areas. For plastic greenhouses and impervious surfaces with similar reflectance spectra, adding texture features can make up for limitation of spectral characteristics and improve the overall accuracy. The phenomena of homologous or homologous spectra in spectral features of high spatial resolution image can effectively improve the discrimination between plastic greenhouse and impervious surface. Texture features can significantly improve the identification accuracy of plastic greenhouse following the object-based image classification frame. In the classification scheme of plastic greenhouses with different spatial distribution structures, the LBP (local binary pattern) texture algorithm has the best recognition accuracy, the overall accuracy of study area A is 96.85%, Kappa coefficient is 0.95, and that of study area B is 95.58% and 0.94. Landscape fragment analysis (landscape fragmentation index area mean index, aggregation indices) of the two different study areas showed that the plastic greenhouses in study area A are more fragmented than study area B (area mean indices are 3.39 hm2 and 1.37 hm2, aggregation indices are 80.64 and 72.98 for plastic greenhouses in study area A and B, respectively).The results of fragmentation are consistent with those of classification, and the accuracy of landscape classification with more space fragments is lower (the highest overall classification accuracy for study area A and B are 98.13% and 96.13%, respectively, the PA(producer accuracy) and UA(user accuracy) are 96.47% and 97.93% for study area A, and 90.67%, 99.68% for study area B). The results show that texture features based on image objects can improve the recognition accuracy of small-scale plastic greenhouse. This is of great significance to the accurate mapping of the distribution of plastic greenhouses.

remote sensing; greenhouse; Gf-2 data; image texture features; plastic greenhouse object-based classification

2018-11-05

日期：2019-04-19

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2016YFB0501502）；云南省青年基金（2016FD021）；云南省水利廳水利科技項(xiàng)目（2014003）

吳錦玉，主要從事高分植被識(shí)別研究。Email：jy_wu_yncj@163.com

劉曉龍，博士，講師，主要從事高分辨率熱帶植被遙感的理論和應(yīng)用研究。Email：liuxl@mail.bnu.edu.cn

10.11975/j.issn.1002-6819.2019.12.021

TP79,S626

A

1002-6819(2019)-12-0173-11

吳錦玉，劉曉龍，柏延臣，史正濤，付 卓. 基于GF-2數(shù)據(jù)結(jié)合多紋理特征的塑料大棚識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(12)：173－183. doi：10.11975/j.issn.1002-6819.2019.12.021 http://www.tcsae.org

Wu Jinyu, Liu Xiaolong, Bo Yanchen, Shi Zhengtao, Fu Zhuo. Plastic greenhouse recognition based on GF-2 data and multi-texture features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 173－183. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.12.021 http://www.tcsae.org