徐翔燕 侯瑞環(huán) 牛 榮

（塔里木大學(xué)信息工程學(xué)院，新疆阿拉爾843300）

引言

新疆南疆地區(qū)是我國紅棗主產(chǎn)區(qū)之一，由于獨特的地理氣候，生產(chǎn)的棗均是在樹上自然風(fēng)干的吊干棗，具有皮薄、肉厚、質(zhì)地較密、色澤鮮亮、含糖量高、口感松軟、純正香甜的優(yōu)良特點。及時準(zhǔn)確的獲取地區(qū)紅棗種植信息，對紅棗產(chǎn)量的評估和后期的運輸都有著重要的意義。

當(dāng)前研究農(nóng)作物種植信息主要依靠多光譜遙感影像數(shù)據(jù)進(jìn)行作物分類提取，現(xiàn)有的遙感影像大致有三種類型，即高、中高和中低分辨率影像。高分辨率影像主要有美國的QuickBird和IKONOS。通過這些遙感影像數(shù)據(jù)對農(nóng)作物的種植以及生長情況檢測相關(guān)的研究成果非常豐富，宋榮杰等［1］基于Quick-Bird遙感數(shù)據(jù)，綜合光譜特征和紋理特征對蘋果園自動提取方法進(jìn)行研究。陳旭等［2］借助QuickBird遙感數(shù)據(jù)研究了廣東省黑石頂自然保護(hù)區(qū)，并得到了更均一的內(nèi)部同質(zhì)和更明確邊界的分類結(jié)果。劉保生［3］基于IKONOS影像的城市植被信息提取方法進(jìn)行分析，為用戶提供了更清晰的視覺感受,為提取城市植被信息開辟了新的道路.高中分辨率的影像主要有 LandsatETM+、LandsatOLI等。劉云鵬等［4］基于Landsat遙感影像研究了楊樹信息提取方法，運用最大似然法、隨機(jī)森林法和光譜角填圖法進(jìn)行分類，結(jié)合小班數(shù)據(jù)，對各方法的分類結(jié)果進(jìn)行精度評價。結(jié)果表明，光譜角填圖分類法在楊樹信息提取時精度更高，對楊樹的區(qū)分精度達(dá)到42.67%.劉煥軍等［5］基于時間序列Landsat_5_TM、Landsat_7_ETM 遙感影像數(shù)據(jù)，結(jié)合野外實測產(chǎn)量數(shù)據(jù)，進(jìn)行棉花產(chǎn)量遙感預(yù)測模型研究，結(jié)果表明：基于Landsat影像純像元的植被指數(shù)時間序列準(zhǔn)確地揭示了棉花整個生長期的長勢情況，不同長勢的棉花植被指數(shù)隨時間變化在花鈴期差異比較顯著。中低分辨率的遙感影像主要有AVHRR和MODIS。利用MODIS數(shù)據(jù)［6-10］在大區(qū)域范圍進(jìn)行農(nóng)作物分類精度較高。QuickBird和IKONOS雖然分辨率高，但是時間分辨率低；MODIS等時間分辨率高，但是空間分辨率不足［11］。近些年，GF-1感影像數(shù)據(jù)用于檢測農(nóng)作物生長的研究較多。GF-1衛(wèi)星是國產(chǎn)高分辨率地測系統(tǒng)的第一顆衛(wèi)星，于2013年4月26日經(jīng)長征2號火箭送入太空，其搭載著2臺2分辨率全色、8m分辨率多光譜相機(jī)，4臺16m多光譜寬幅高達(dá)800km的相機(jī)，能夠為國土資源部門、農(nóng)業(yè)部門、環(huán)境保護(hù)部門提供較高精度較大范圍的空間觀測服務(wù)，同時也為地理測繪、氣象觀測以及水利農(nóng)林業(yè)資源監(jiān)測提供可靠數(shù)據(jù)。黃健熙等［12］基于GF-1 WFV數(shù)據(jù)研究了黑龍江地區(qū)玉米和大豆種植面積的提取方法，得到了玉米的91.49%、93.48%的用戶精度和制圖精度以及大豆的91.14%、82.76%用戶精度和制圖精度。而GF-1遙感影像數(shù)據(jù)既能夠滿足對棗樹分類研究的時間分辨率，同時空間分辨率也滿足要求，并且鮮有文獻(xiàn)通過GF-1影像數(shù)據(jù)對紅棗種植區(qū)域提取的研究，所以本文基于GF-1 WFV影像數(shù)據(jù)對新疆南疆地區(qū)—以阿拉爾市為例的紅棗種植面積的提取與分析。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)概況

阿拉爾市隸屬于新疆維吾爾自治區(qū)阿克蘇地區(qū)，地處天山南麓，塔克拉瑪干沙漠北緣，阿克蘇河、葉爾羌河、和田河三河交匯之處的塔里木河上游，地理位置位于東經(jīng)80°30′至81°58′，北緯40°22′至40°57′之間，屬于暖溫帶極端大陸性干旱荒漠氣候，極端最高氣溫35℃，極端最低氣溫-28℃。年均日照2 556.3～2 991.8小時，日照率為5 869%。雨量稀少，冬季少雪，地表蒸發(fā)強(qiáng)烈，年均降水量為40.1～82.5毫米，年均蒸發(fā)量1 876.6～2 558.9毫米。該地區(qū)是南疆紅棗主要種植地區(qū)之一。

1.2 數(shù)據(jù)概況

本文的研究采用空間分辨率為16 m的GF-1 WFV遙感影像數(shù)據(jù)，2016年研究地區(qū)的實測數(shù)據(jù)見圖1。

圖1紅棗實測點

研究地區(qū)紅棗物候數(shù)據(jù)見表1，研究主要針對紅棗種植信息提取，但是考慮到研究區(qū)域有大量棉花種植，故將研究區(qū)域植被部分分為三類，即紅棗、棉花以及其他植被。同時，根據(jù)目視解譯，將空地視為一類，居民區(qū)、道路等視為建筑物。根據(jù)以上所分類別，依照實測數(shù)據(jù)與解析數(shù)據(jù)選取研究樣本點，構(gòu)建訓(xùn)練樣本集。在精度驗證時，將非紅棗和棉花的其它植被統(tǒng)一為其他，所以驗證樣本由紅棗、棉花與其他地物類型進(jìn)行選擇。

表1研究區(qū)域紅棗物候數(shù)據(jù)

2 研究方法

根據(jù)影像數(shù)據(jù)計算所需要的特征變量，建立包含多個特征的數(shù)據(jù)集合，利用決策樹分類的方法對地類進(jìn)行識別，并得到相應(yīng)分類結(jié)果。

具體為：首先對所研究區(qū)域的遙感影像數(shù)據(jù)做輻射定標(biāo)、大氣校正、幾何校正預(yù)處理；其次計算所需特征變量，結(jié)合實測數(shù)據(jù)和目視解譯結(jié)果，建立分類模型；最后進(jìn)行分類識別，并對分類結(jié)果進(jìn)行精度檢驗。

2.1 遙感影像的獲取與預(yù)處理

本文的研究主要使用GF-1 WFV遙感數(shù)據(jù)，輔助數(shù)據(jù)為GPS測量的地物經(jīng)緯度數(shù)據(jù)。在此選取了2景阿拉爾市秋季的GF-1 WFV影像作為研究數(shù)據(jù)，采集時間分別為2017年9月10與2017年9月16日，此數(shù)據(jù)來源于中國資源衛(wèi)星中心。

為了能夠有效提高多元數(shù)據(jù)的使用品質(zhì)，減少影像波段之間信息的交互影響，提高分類的精度，對得到的數(shù)據(jù)做如下預(yù)處理。

（1）輻射定標(biāo)。對GF-1 WFV記錄的原始DN值轉(zhuǎn)換為大氣外層表面反射率。主要是利用定標(biāo)斜率、衛(wèi)星載荷觀測值的乘積加上定標(biāo)距離計算得到，具體計算公式為：

上式中大氣外層表面反射率L的單位一般為W/(cm2×mm×sr)。

（2）大氣校正。為了消除大氣散射、吸收以及反射所引起的誤差。將大氣外層表面反射率轉(zhuǎn)換為地標(biāo)實際反射率。

（3）正射校正。借助參數(shù)RPC（rational polynomial coefficients）以及 DEM（Digital Elevation Model）消除地形的影響或者衛(wèi)星相機(jī)方位引起的變形，從而得到平面正射影像。

2.2 特征變量的選擇

為了能夠?qū)⒅脖慌c地面很好的分開，還能夠?qū)⒌匚镏兄脖慌c非植被分開，所以選擇歸一化植被指數(shù)（NDVI）比較合理，計算公式如下：

式中bRED與bNIR分別為紅波段和近紅外波段的反射率。

同時將用于紋理波段融合的土、沙地檢測識別研究的主成分分析(Principal component analysis)方法引入棗樹種植面積提取中，通過對影像數(shù)據(jù)做主成分分析，根據(jù)多元統(tǒng)計分析中的選取主成分原則，考慮到前3個主成分的累積貢獻(xiàn)率超過85%，并達(dá)到了99.7%，在此選擇前3個成分即可。分析原始波段與所選主成分特征值、所選特征值對應(yīng)特征向量的相關(guān)矩陣進(jìn)行特征分解，在實現(xiàn)數(shù)據(jù)降維的同時保證了研究數(shù)據(jù)信息的最少流失。

因此，本文的研究選擇NDVI、3個主成分、原始波長作為特征變量集合，并對其進(jìn)行分析，選擇更加合理的分類特征對研究區(qū)域地物進(jìn)行分類。

首先考慮到不同地物對各類不同波段的吸收與反射有差異，這也導(dǎo)致不同波段所含地物信息有差異，故而在此對遙感影像的原始波段做基本統(tǒng)計分析，并得到其期望值與標(biāo)準(zhǔn)差，結(jié)果見表2。

表2 影像波段基本信息統(tǒng)計表

其次計算所選特征變量的相關(guān)矩陣。如果各個特征變量之間相關(guān)性較大，表明這些特征之間交互信息較多，不易區(qū)分；如果各個波段之間相關(guān)性較大，則表明各個波段之間的重復(fù)信息量較大，將導(dǎo)致總信息量的使用降低。結(jié)果見表3。

表3 各特征值與波段間的相關(guān)矩陣

由表2的結(jié)果可知，四個波段中包含信息量最多的為Band4，其統(tǒng)計信息明顯高于其它三個波段，Band4可以作為植被分類的特征閾值參與分類過程。同時由表3的分析結(jié)果，在這些所選的特征變量中，Band4與PC2、PC3以及NDVI之間的相關(guān)性較小，因此可以用這四個特征變量進(jìn)行分類，既能夠確保信息量的最大使用，同時也降低了信息的重復(fù)。

2.3 決策樹分類

決策樹是以樹形結(jié)構(gòu)建立的模型，有回歸樹和分類樹。該模型本身包含一系列的邏輯決策，帶有表明根據(jù)某一特征屬性作出決策的決策節(jié)點。決策樹由根節(jié)點出發(fā)，從這些節(jié)點發(fā)出的分支可做選擇，由葉節(jié)點終止。這種模型最能夠預(yù)測目標(biāo)類的特征。加之決策樹分類具有靈活性、直觀、運算效率高等特點，所以在遙感分類問題中表現(xiàn)出巨大優(yōu)勢［13,14］。在對棗樹特征變量選好的基礎(chǔ)上，在此用決策樹分類方法建立紅棗種植面積的提取模型，逐步掩膜掉其它類別的地物對紅棗的干擾，實現(xiàn)紅棗種植面積的提取。

具體是將研究數(shù)據(jù)分成兩類，分類后形成的兩個子類間數(shù)據(jù)相較分類前有更好的一致性，對分類產(chǎn)生的子集按此要求，依次分類，直到滿足分類要求停止，并對分類所產(chǎn)生的決策樹進(jìn)行修剪與評估，最終得到最合理的那棵樹。

本文通過實測數(shù)據(jù)和對遙感影像目視解譯數(shù)據(jù)來選取訓(xùn)練集，根據(jù)樣本集所選特征變量，建立數(shù)據(jù)集。并利用ENVI軟件生成決策樹。

3 分類結(jié)果與分析

3.1 特征變量數(shù)據(jù)集的分析

將遙感影像數(shù)據(jù)的原始波段Band4、歸一化植被指數(shù)NDVI、主成分分析得到的第二主成分PC2與第三主成分PC3進(jìn)行合成，運用所選的訓(xùn)練樣本對特征變量Band4、NDVI、PC2、PC3進(jìn)行分類，并按照不同地物類型進(jìn)行統(tǒng)計不同特征變量的平均信息，形成不同地物的曲線圖，結(jié)果如圖2所示。

圖2 不同地物的特征變量曲線圖

圖2的（a）與（d）結(jié)果可知，各地物的NDVI值與PC3值均不相同，在圖（a）中空地與建筑物的NDVI明顯較小，圖（d）中空地與建筑物的值與其他地物有明顯的差別，可以通過特征值NDVI和PC3將非植被進(jìn)行掩摸，棉花、紅棗以及其它植被的特種變量值在這兩幅圖中差異不大。

圖2（b）的結(jié)果表明，在原始波段Band4上，其它植被的值明顯高于棉花和紅棗，但是考慮到各地類像素之間有波動，所以圖2中（c）各地物的PC2的值可以將其它植被與棉花和紅棗分開，并且在圖（c）中明顯的發(fā)現(xiàn)，棉花和紅棗的PC2差異非常大，故可以同時將紅棗和棉花分開，從而最終將紅棗提取出來。

3.2 構(gòu)建決策樹提取紅棗

根據(jù)上述的研究，可以得到特征變量的數(shù)據(jù)集，借助所選的訓(xùn)練數(shù)據(jù)和分析得到的特征變量值來構(gòu)建決策樹，提取紅棗的種植區(qū)域，得到最終分類結(jié)果。分類決策樹見圖3。

圖3分類決策樹

綜合圖2與圖3的分析結(jié)果，在決策樹的根節(jié)點處選擇第三主成分值作為分類條件，由于建筑物的第三主成分值比其它地物的都要小，所以首先掩摸的為建筑物；其次根據(jù)NDVI將空地與其它地物分離；然后由于其它植被的原始波段Band4明顯高于紅棗和棉花，所以借助Band4可以將其它植被掩摸；最后，由于棉花和紅棗的第二主成分值差異明顯，所以根據(jù)PC2進(jìn)一步將棉花掩摸，最終得到紅棗，實現(xiàn)了紅棗的提取。

3.3 分類精度的驗證

采用上述方法，將阿拉爾地區(qū)所選研究區(qū)域（經(jīng)度范圍 40.504 2～40.644 0，緯度范圍是 80.981 9～81.313 4）進(jìn)行分類，分類結(jié)果見圖4，其中紅色區(qū)域為紅棗，黑色區(qū)域為建筑物，白色區(qū)域為空地和水體，藍(lán)色區(qū)域為棉花，綠色區(qū)域是其它植被。

圖4研究區(qū)域分類結(jié)果

根據(jù)2017年阿拉爾地區(qū)農(nóng)作物目視解譯結(jié)果可知，使用決策樹分類的結(jié)果與目視解譯結(jié)果大致相同。同時借助實測數(shù)據(jù)，對分類結(jié)果作進(jìn)度分析，得到分析結(jié)果見表4。其中紅棗分類的制圖精度與用戶精度分別為91.23%、89.41%，總體精度為94.47%，kappa系數(shù)為0.93。

表4決策樹分類精度分析結(jié)果

4 結(jié)論

通過上述的研究，因GF-1 WFV遙感影像數(shù)據(jù)時空分辨率相對較高，獲取成本低，并且能夠滿足較大區(qū)域農(nóng)作物種植的相關(guān)檢測與研究。所以在此利用GF-1 WFV遙感影像數(shù)據(jù)，研究了各類地物的NDVI、PC值以及原始波段等特征變量的差異，借助決策樹分類方法來實現(xiàn)紅棗面積提取。研究結(jié)果表明決策樹分類方法有著很好的效果，在對研究區(qū)域地物的分類總體精度達(dá)到94.47%，kappa系數(shù)為0.93。

新疆南疆地區(qū)氣候、地形等條件決定了經(jīng)濟(jì)作物種植類別相對較少，種植面積較大等特點，本文通過對原始波段數(shù)據(jù)、歸一化植被指數(shù)以及做主成分變換所得主成分提取紅棗種植信息的提取方法作為其它地物種植信息提取的參考，同時可以作為其它地區(qū)紅棗研究的參考方法之一。

本文研究存在不足之處，決策樹方法作為比較經(jīng)典的非監(jiān)督分類方法雖然得到廣泛的應(yīng)用，但是隨著分類方法的不斷發(fā)展，決策樹分類模型相對成本較高，追尋一種更加快速且成本較低的模型意義重大；如何消除其它地物類干擾，更加準(zhǔn)確的提取地物信息也需要進(jìn)一步討論與研究。