任澤茜,丁麗霞1,2,，劉麗娟1,2,，謝錦瑩2,，敖伊潁,張繼艷,何嘉瑩

(1.浙江農(nóng)林大學(xué)省部共建亞熱帶森林培育國(guó)家重點(diǎn)實(shí)驗(yàn)室,浙江 杭州 311300; 2.浙江農(nóng)林大學(xué)浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點(diǎn)實(shí)驗(yàn)室,浙江 杭州 311300; 3.浙江農(nóng)林大學(xué)環(huán)境與資源學(xué)院,浙江 杭州 311300)

隨著中國(guó)農(nóng)業(yè)普查和精準(zhǔn)農(nóng)業(yè)的發(fā)展，我國(guó)迫切需要實(shí)現(xiàn)農(nóng)作物面積快速精準(zhǔn)監(jiān)測(cè)，而高分辨率圖像可以提供豐富的地表信息[1-5]。例如，圖像中地物的尺寸、形狀及鄰近地物之間的關(guān)系能夠得到有效反映；不同地物的紋理特征更加豐富；同一地物內(nèi)要素的各項(xiàng)細(xì)節(jié)信息得到表征，可用于精細(xì)農(nóng)業(yè)規(guī)劃、資源調(diào)查監(jiān)測(cè)等各個(gè)領(lǐng)域。無(wú)人機(jī)遙感技術(shù)憑借靈活性強(qiáng)、周期短、成本低、操作簡(jiǎn)單等優(yōu)點(diǎn)成為目前高分辨率遙感數(shù)據(jù)獲取的重要手段[6-9]，是目前農(nóng)業(yè)監(jiān)測(cè)的研究熱點(diǎn)和未來(lái)發(fā)展趨勢(shì)。

農(nóng)作物種植面積遙感監(jiān)測(cè)已在農(nóng)業(yè)和統(tǒng)計(jì)等部門(mén)得到了廣泛的應(yīng)用。中、低分辨率遙感數(shù)據(jù)用于全球、全國(guó)、全省等大區(qū)域范圍的小麥、水稻、玉米等作物面積監(jiān)測(cè)。近年來(lái)，隨著高空間分辨率遙感數(shù)據(jù)獲取成本的降低，已有許多高分遙感數(shù)據(jù)監(jiān)測(cè)小麥、玉米、大豆等農(nóng)作物種植面積的成功案例[10-11]。這些研究大多是針對(duì)單一作物大面積耕種的北方地區(qū)進(jìn)行的試驗(yàn)研究[15-16],而針對(duì)南方破碎地塊的農(nóng)作物種植面積的遙感監(jiān)測(cè)卻很少。我國(guó)南方地區(qū)具有耕地破碎、農(nóng)作物種植品種多樣且空間分布混雜等特點(diǎn)，使得利用中、低空間分辨率遙感技術(shù)精確監(jiān)測(cè)各種作物面積十分困難。國(guó)家農(nóng)業(yè)普查項(xiàng)目于2016年啟動(dòng)，全面利用高分遙感數(shù)據(jù)監(jiān)測(cè)農(nóng)作物面積。目前，無(wú)人機(jī)遙感測(cè)量農(nóng)作物面積試點(diǎn)工作已在很多地方開(kāi)展，但其僅將無(wú)人機(jī)航拍數(shù)據(jù)作為影像地圖使用，結(jié)合PDA現(xiàn)場(chǎng)測(cè)繪與登記實(shí)現(xiàn)農(nóng)作物面積測(cè)量，這種工作流程耗時(shí)、費(fèi)工，效率較低，并未充分利用遙感自動(dòng)分類(lèi)技術(shù)提取農(nóng)作物面積。

為充分發(fā)揮無(wú)人機(jī)遙感數(shù)據(jù)高分辨率的優(yōu)勢(shì)，提高農(nóng)作物面積監(jiān)測(cè)效率,本文以杭州市余杭區(qū)瓶窯鎮(zhèn)為研究區(qū)域，挖掘無(wú)人機(jī)航拍數(shù)據(jù)的光譜信息、紋理信息、耕地形狀信息，運(yùn)用面向?qū)ο蟮亩喑叨确指罘椒ㄈ诤咸卣魈崛∨c隨機(jī)森林法，獲取農(nóng)作物空間分布及面積信息，為農(nóng)作物種植面積的精確遙感監(jiān)測(cè)探索一套可行的方法，以推進(jìn)無(wú)人機(jī)遙感在農(nóng)業(yè)方面的深入應(yīng)用。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

本文以杭州市余杭區(qū)瓶窯鎮(zhèn)局部區(qū)域作為研究區(qū)(如圖1所示)，瓶窯為余杭區(qū)水稻機(jī)插高產(chǎn)示范區(qū)，研究區(qū)內(nèi)農(nóng)作物種植品種多樣且空間分布混雜，主要包括水稻、玉米、大棚西瓜、蔬菜等。此外，研究區(qū)還有休耕地、水體、道路、建筑、樹(shù)木等土地覆蓋類(lèi)型(見(jiàn)表1)。

圖1 試驗(yàn)區(qū)位置

1.2 研究數(shù)據(jù)

研究區(qū)影像為無(wú)人機(jī)遙感影像(R、G、B波段)，成像于2016年夏季，面積約164.882 9萬(wàn)m2，幾何校正誤差控制在2 cm，像元大小為0.2 m×0.2 m。

根據(jù)野外實(shí)地考察，在面向?qū)ο笞顑?yōu)分割尺度的分割結(jié)果圖上目視解譯，每種地類(lèi)隨機(jī)選取一定數(shù)量的典型樣本，形成訓(xùn)練樣本集合。樣本選擇在ArcGIS軟件操作完成，各類(lèi)型樣本數(shù)目見(jiàn)表1。

表1 樣本類(lèi)型與數(shù)量

2 研究方法

本文將基于最優(yōu)尺度分割結(jié)果結(jié)合目視判讀選擇訓(xùn)練樣本，提取特征變量，建立隨機(jī)森林預(yù)測(cè)模型，實(shí)施農(nóng)作物種植品種分類(lèi)，結(jié)合GIS技術(shù)提取空間分布信息，并與傳統(tǒng)的最大似然法作比較。

2.1 圖像分割

無(wú)人機(jī)遙感的高空間分辨率在提高目視效果的同時(shí)，增加了同類(lèi)地物內(nèi)部的紋理復(fù)雜程度，不利于分類(lèi)，而面向圖像分割則能克服這一問(wèn)題。本文采用多尺度分割算法對(duì)影像分割后再分類(lèi)。多尺度分割算法是一種自下而上，通過(guò)合并相鄰的像素或小的分割對(duì)象，在保證對(duì)象與對(duì)象之間異質(zhì)性最小、對(duì)象內(nèi)部像元之間同質(zhì)性最大的前提下，基于區(qū)域合并技術(shù)實(shí)現(xiàn)影像分割的方法。分割效果的好壞成為決定遙感圖像分類(lèi)的關(guān)鍵因素之一，它對(duì)提取對(duì)象特征、目標(biāo)分類(lèi)都具有重要影響[17-20]。

本文利用eCognition軟件處理與實(shí)現(xiàn)多尺度分割。分割參數(shù)包括尺度、形狀、光譜，以及緊致度、平滑度的權(quán)重。確定合適的分割尺度、形狀權(quán)重及緊致度權(quán)重，是面向?qū)ο髨D像分割非常重要的環(huán)節(jié)，若分割參數(shù)選擇不當(dāng)，就會(huì)出現(xiàn)地類(lèi)混合在一起的情況，導(dǎo)致分類(lèi)精度降低。本文研究區(qū)域以農(nóng)作物為主，農(nóng)作物的光譜特征在綠色作物信息提取中具有重要的作用，但是南方耕地各地塊具有明顯形狀特征，因此綜合考慮農(nóng)作物的光譜特征及地物的形狀特征，定義形狀權(quán)重參數(shù)為0.5，即光譜權(quán)重為0.5。根據(jù)文獻(xiàn)[21]的研究結(jié)論，平滑權(quán)重較高，分割后的對(duì)象邊界較平滑；反之，若緊致度權(quán)重較高，則分割后對(duì)象形狀較為緊密，且接近矩形。本文研究區(qū)耕地地塊緊密分布，排列整齊，因而將緊致度權(quán)重設(shè)為0.6。文獻(xiàn)[17]證明了平均全局評(píng)分最低的分割尺度，是加權(quán)方差與空間自相關(guān)的最低組合，可被定義為最優(yōu)分割尺度。故本文分割尺度范圍為[20,100]，以10為步長(zhǎng)，對(duì)多尺度分割的9個(gè)結(jié)果分別導(dǎo)出每個(gè)對(duì)象的光譜均值，利用平均全局評(píng)分評(píng)價(jià)出最優(yōu)分割尺度。

2.2 影像特征提取

遙感影像特征的提取能夠充分利用圖像的光譜與紋理信息，是提高圖像分類(lèi)精度的重要途徑[22]。本文基于分割后的影像對(duì)象提取光譜、形狀及紋理特征參數(shù)作為隨機(jī)森林分類(lèi)的變量。

光譜特征變量主要分為兩部分，一是基礎(chǔ)的光譜變量，即各個(gè)波段均值和標(biāo)準(zhǔn)差；二是由原始波段運(yùn)算得到的植被指數(shù)。本文研究數(shù)據(jù)只有紅(R)、綠(G)、藍(lán)(B)波段，故在農(nóng)作物監(jiān)測(cè)分類(lèi)中多基于上述波段構(gòu)建特征變量，如可見(jiàn)光抗大氣指數(shù)VARI，綠色植被可見(jiàn)光抗大氣指數(shù)VARIgreen及差值植被指數(shù)EXG等(見(jiàn)表2)。其中，根據(jù)文獻(xiàn)[23]的研究，基于R、G、B 3個(gè)波段的綠色植被抗大氣指數(shù)VARI能夠突出農(nóng)作物的綠色光譜特征，為農(nóng)作物監(jiān)測(cè)提供重要信息。

表2 基于R、G、B 3波段的植被指數(shù)

基于統(tǒng)計(jì)描述的灰度共生矩陣(GLCM)被證明在植被分類(lèi)中發(fā)揮著重要作用[25-26]，本文利用灰度共生矩陣得到的同質(zhì)性(GLCM Homogeneity)、灰度共生矩陣中值(GLCM Mean)、灰度共生矩陣標(biāo)準(zhǔn)方差(GLCM StdDev)參數(shù)提取對(duì)象的紋理信息。耕地地塊幾何特征較規(guī)則，形狀參數(shù)有利于識(shí)別農(nóng)作物地塊。本文選取邊界指數(shù)(border index)、真圓度(roundness)、形狀指數(shù)(shape index)、多邊形最長(zhǎng)邊長(zhǎng)度(length of longest edge)、距離(Distance)、坐標(biāo)(coordinate)等幾何參數(shù)用作分類(lèi)變量。

2.3 隨機(jī)森林分類(lèi)法

面向?qū)ο蟮碾S機(jī)森林分類(lèi)的最小單元不再是單個(gè)像素，而是“同質(zhì)”對(duì)象(圖斑)?；诿嫦?qū)ο笞顑?yōu)分割后的圖像，對(duì)遙感影像的光譜、形狀與紋理特征進(jìn)行融合，進(jìn)而運(yùn)用隨機(jī)森林分類(lèi)器實(shí)現(xiàn)面向?qū)ο蟮牡乩硪刈詣?dòng)分類(lèi)[27]。

3 研究結(jié)果

3.1 圖像分割結(jié)果

圖2所示為3個(gè)不同分割尺度的結(jié)果，可以看出，同一區(qū)域分割尺度較低時(shí)，地塊過(guò)于破碎，不利于分類(lèi)，且直接影響運(yùn)算速度；而隨著分割尺度的增加，分割對(duì)象的數(shù)量越來(lái)越少，分割不夠完整，存在一個(gè)碎片對(duì)象包含了多種地物的現(xiàn)象。因此，在多尺度分割中，最優(yōu)分割結(jié)果能夠相對(duì)兼顧研究區(qū)各種農(nóng)作物地塊的局部細(xì)節(jié)及空間幾何分布特征。

圖2 最優(yōu)分割尺度全局評(píng)分

圖3所示為所有多尺度分割的平均全局評(píng)分，可知分割尺度為60的圖像分割具有最低的平均全局評(píng)分0.815，且其在紅波段、綠波段、藍(lán)波段的平均全局評(píng)分也是最低的。這表明分割尺度為60時(shí)，對(duì)象內(nèi)部同質(zhì)性最大，對(duì)象間的差異性最大，因此本文將其定義為最優(yōu)分割尺度。不同尺度的分割結(jié)果如圖4所示。

圖3 多尺度分割的全局評(píng)分

圖4 研究區(qū)局部不同尺度的分割結(jié)果

3.2 分類(lèi)結(jié)果

最大似然法對(duì)研究區(qū)分類(lèi)的結(jié)果如圖5(a)所示。本文將訓(xùn)練樣本的光譜特征、紋理特征、幾何特征等特征值作為變量，由數(shù)據(jù)挖掘工具Weka軟件運(yùn)行隨機(jī)森林分類(lèi)方法(如圖5(b)所示)，建立分類(lèi)預(yù)測(cè)模型，隨機(jī)森林法樹(shù)的數(shù)目為100棵，交叉驗(yàn)證10次，預(yù)測(cè)分類(lèi)總體精度達(dá)到92.79%，Kappa系數(shù)為0.918 4，模型可用于進(jìn)行預(yù)測(cè)分類(lèi)。將整個(gè)研究區(qū)分割對(duì)象的特征參數(shù)作為變量，輸入預(yù)測(cè)模型，輸出分類(lèi)結(jié)果如圖6所示。研究區(qū)屬于水稻高產(chǎn)園區(qū)，面積比例最大的農(nóng)作物為水稻，大棚西瓜和玉米次之，水稻和大棚西瓜多集中連片種植，玉米在該研究區(qū)僅有一塊地塊種植，菜園較分散，還有部分休閑耕地。

圖5 最大似然分類(lèi)與隨機(jī)森林分類(lèi)對(duì)比

圖6 基于隨機(jī)森林模型的分類(lèi)結(jié)果

3.3 精度評(píng)價(jià)

本文采用分層隨機(jī)抽樣的方法對(duì)分類(lèi)結(jié)果精度進(jìn)行評(píng)價(jià)，以結(jié)果圖每類(lèi)作為一層，每層創(chuàng)建隨機(jī)點(diǎn)30個(gè)，共計(jì)390個(gè)，通過(guò)目視解譯隨機(jī)點(diǎn)得到混淆矩陣與精度評(píng)價(jià)結(jié)果(見(jiàn)表3)。面向?qū)ο笞顑?yōu)分割結(jié)合隨機(jī)森林分類(lèi)總體精度達(dá)到88.46%，Kappa系數(shù)為0.880 3。就農(nóng)作物分類(lèi)而言，玉米的制圖精度最高，達(dá)到100%，分類(lèi)結(jié)果最好；水稻、蔬菜次之(蔬菜包括毛豆、秋葵、豇豆等作物)；制圖精度較差的為西瓜和樹(shù)木。

表3 基于最優(yōu)尺度分割和隨機(jī)森林模型分類(lèi)結(jié)果的混淆矩陣和精度評(píng)價(jià)

在ENVI軟件中利用傳統(tǒng)的最大似然法分類(lèi)所得總體精度為67.774 7%，Kappa系數(shù)為0.640 5，精度較低。從圖6可以看出，最大似然分類(lèi)結(jié)果椒鹽現(xiàn)象較嚴(yán)重，而結(jié)合了面向?qū)ο蟮碾S機(jī)森林分類(lèi)方法基本沒(méi)有椒鹽現(xiàn)象。

3.4 農(nóng)作物種植面積監(jiān)測(cè)

利用ArcMap10.2軟件，結(jié)合目視判讀，對(duì)隨機(jī)森林分類(lèi)結(jié)果中的農(nóng)作物地塊(水稻、蔬菜、西瓜、玉米、休耕地)進(jìn)行修正并矢量化(如圖7所示)，獲取各類(lèi)型農(nóng)作物精確面積，與隨機(jī)森林分類(lèi)結(jié)果進(jìn)行比較，評(píng)價(jià)農(nóng)作物面積監(jiān)測(cè)精度，見(jiàn)表4。

圖7 實(shí)際農(nóng)作物地塊矢量圖

根據(jù)表4可知，各地類(lèi)面積誤差都較小，其中面積誤差最大的作物為蔬菜，也只有1.11%，其余都小于1%。

表4 瓶窯鎮(zhèn)局部區(qū)域分類(lèi)面積與實(shí)際面積對(duì)比

4 討 論

4.1 基于面向?qū)ο蠓指顚?duì)分類(lèi)結(jié)果的影響

無(wú)人機(jī)遙感圖像分辨率較高，目視判讀效果很好，但同時(shí)也增加了同類(lèi)地物內(nèi)部的異質(zhì)性。運(yùn)用傳統(tǒng)的基于像元分類(lèi)的最大似然法分類(lèi)結(jié)果不佳，椒鹽現(xiàn)象嚴(yán)重[28]。而利用面向?qū)ο蠓指顒t解決了該問(wèn)題。本文將面向?qū)ο蠓指畹慕Y(jié)果用于隨機(jī)森林分類(lèi)，取得了很好的分類(lèi)效果。對(duì)于高分辨率的無(wú)人機(jī)遙感圖像，最優(yōu)尺度的圖像分割是保障高精度分類(lèi)的基礎(chǔ)。

4.2 隨機(jī)森林模型對(duì)分類(lèi)結(jié)果的影響

本文所用無(wú)人機(jī)影像只有3個(gè)通道，波段較少，是植被分類(lèi)的不利因素。為了彌補(bǔ)這種缺陷，本文引入了植被指數(shù)，并充分利用高分辨率遙感影像紋理特征與幾何特征信息豐富的優(yōu)勢(shì)，基于最優(yōu)分割對(duì)象單元，融合多種特征數(shù)據(jù)，有效地保障了隨機(jī)森林預(yù)測(cè)模型的建立，并在地塊破碎、作物類(lèi)型混雜的情況下取得了較高的分類(lèi)精度。這說(shuō)明基于面向?qū)ο蠓指?，結(jié)合了特征參數(shù)融合的隨機(jī)森林法適用于無(wú)人機(jī)高分辨率影像的南方農(nóng)作物分類(lèi)。

西瓜制圖精度較低，主要是由于西瓜多培植于大棚內(nèi)，而灰白色大棚與高速公路光譜特征相似，分類(lèi)時(shí)導(dǎo)致兩者易混淆，難以區(qū)分。因此，應(yīng)加強(qiáng)其形狀與紋理特征的比例或數(shù)量，大棚與高速公路具有較大的形狀與紋理的差異。而遙感影像圖中的樹(shù)木由于涵蓋各類(lèi)型樹(shù)種，混雜分布，紋理特征復(fù)雜多樣，導(dǎo)致制圖精度最低。這可能是由于選取的訓(xùn)練樣本沒(méi)有充分代表各類(lèi)樹(shù)種的特征，可以考慮選取足夠的典型標(biāo)志樣本。

5 結(jié) 論

由于南方耕地具有地塊破碎、農(nóng)作物種植品種多且空間分布混雜程度高的特點(diǎn)，利用傳統(tǒng)遙感方法高精度獲取農(nóng)作物品種難度較大。本文利用無(wú)人機(jī)航拍數(shù)據(jù)，基于面向?qū)ο蟮亩喑叨确指罘椒ㄅc隨機(jī)森林法相結(jié)合對(duì)農(nóng)作物分類(lèi)。結(jié)果表明：

(1)本文運(yùn)用面向?qū)ο蟮膱D像分割方法對(duì)航拍數(shù)據(jù)進(jìn)行多尺度分割，并基于平均全局評(píng)分法定量評(píng)價(jià)最優(yōu)分割尺度為60，充分考慮了多尺度分割對(duì)象的對(duì)象內(nèi)部的同質(zhì)性和對(duì)象間的異質(zhì)性，克服了主觀評(píng)價(jià)最優(yōu)尺度的缺點(diǎn)。

(2)特征數(shù)據(jù)融合充分利用高分辨率遙感數(shù)據(jù)的光譜信息、紋理信息、地物幾何信息等特征信息，對(duì)提高分類(lèi)精度十分有利。

(3)將面向?qū)ο蠓指罱Y(jié)果與特征信息融合后，運(yùn)用隨機(jī)森林法的農(nóng)作物分類(lèi)精度達(dá)到88.46%，且克服了傳統(tǒng)分類(lèi)方法中圖斑凌亂、地物混雜的缺點(diǎn)。

(4)無(wú)人機(jī)遙感監(jiān)測(cè)農(nóng)作物面積精度高。水稻是本文研究區(qū)的主要農(nóng)作物，結(jié)合最優(yōu)分割尺度與隨機(jī)森林方法后得出的種植面積精度最高，誤差僅為0.33%，因此，該方法能夠高效準(zhǔn)確地對(duì)南方農(nóng)作物種植面積進(jìn)行監(jiān)測(cè)。

本文方法對(duì)利用無(wú)人機(jī)航拍高分辨率遙感影像實(shí)現(xiàn)農(nóng)作物分類(lèi)快速精準(zhǔn)監(jiān)測(cè)，以及大范圍的無(wú)人機(jī)農(nóng)作物遙感監(jiān)測(cè)具有借鑒意義。