黃邵東，徐偉恒, *，熊 源，吳 超，代 飛, ,徐海峰，王雷光，寇衛(wèi)利

1. 西南林業(yè)大學(xué)大數(shù)據(jù)與智能工程學(xué)院，云南 昆明 650233 2. 西南林業(yè)大學(xué)大數(shù)據(jù)與智能工程研究院，云南 昆明 650233 3.西南林業(yè)大學(xué)林業(yè)生態(tài)大數(shù)據(jù)國(guó)家林業(yè)與草原局重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650233

引 言

茶葉起源于中國(guó)，中國(guó)是最早發(fā)現(xiàn)和種植茶葉的國(guó)家，中國(guó)茶文化源遠(yuǎn)流長(zhǎng)[1]。茶葉是包括中國(guó)、 斯里蘭卡，肯尼亞和印度在內(nèi)等諸多發(fā)展中國(guó)家重要的經(jīng)濟(jì)支柱[2]。21世紀(jì)初以來(lái)，全球茶產(chǎn)業(yè)發(fā)展迅速，茶葉種植面積與產(chǎn)量都有了顯著的增長(zhǎng)。截止2018年，中國(guó)茶葉種植面積為2 985.80千公頃，產(chǎn)量達(dá)261.04萬(wàn)噸。而云南省作為我國(guó)重要的產(chǎn)茶大省，茶葉成為當(dāng)?shù)剞r(nóng)民的主要經(jīng)濟(jì)來(lái)源以及當(dāng)?shù)刎?cái)政稅收的重要來(lái)源。2018年云南省茶葉種植面積達(dá)46.66萬(wàn)公頃，茶葉產(chǎn)量達(dá)42.33萬(wàn)噸，同比2017年增長(zhǎng)7.6%。茶園快速擴(kuò)張，提高了茶葉產(chǎn)量，進(jìn)而推動(dòng)了當(dāng)?shù)氐慕?jīng)濟(jì)發(fā)展，但同時(shí)產(chǎn)生了森林資源減少、 生物多樣性及生態(tài)系統(tǒng)服務(wù)降低等一系列負(fù)面影響[3]。因此準(zhǔn)確識(shí)別茶園分布范圍，對(duì)有關(guān)部門(mén)制定相應(yīng)的土地政策，合理種植茶園、 茶園病害預(yù)防及茶葉估產(chǎn)、 保護(hù)生態(tài)環(huán)境等具有科學(xué)的指導(dǎo)意義。

傳統(tǒng)的應(yīng)用遙感影像對(duì)地物進(jìn)行提取大多是基于像元的方法，無(wú)法充分利用高空間分辨率影像豐富的地物信息(紋理、 空間信息)，且會(huì)造成信息冗余，容易導(dǎo)致地物錯(cuò)分、 漏分，且出現(xiàn)“椒鹽現(xiàn)象”[4]。而面向?qū)ο蠓诸?lèi)方法則是基于地物類(lèi)內(nèi)一定同質(zhì)性進(jìn)行對(duì)象分割獲得基元，因此可以充分利用高空間分辨率影像豐富的光譜信息、 紋理信息、 上下文語(yǔ)義信息、 鄰域信息和空間信息等相關(guān)信息，彌補(bǔ)了傳統(tǒng)基于像元分類(lèi)容易造成的地物分類(lèi)破碎化的弊端[5]。以云南省重點(diǎn)山地茶園區(qū)域的一景GF-1 PMS影像為數(shù)據(jù)源，采用多尺度分割(multiresolution segmentation, MRS)方法對(duì)影像進(jìn)行分割，采用面向?qū)ο蟮谋O(jiān)督分類(lèi)方法[貝葉斯(Bayes)、 決策樹(shù)(decision tree，DT)、 隨機(jī)森林(random forest，RF)]實(shí)現(xiàn)茶園的提取，探索適合山區(qū)茶園提取最優(yōu)的分割參數(shù)和分類(lèi)特征組合的高精度、 精細(xì)化提取方法。

1 實(shí)驗(yàn)部分

1.1 研究區(qū)簡(jiǎn)介

研究區(qū)位于云南省南部，是典型的山地茶園分布區(qū)域。世界紀(jì)錄認(rèn)證機(jī)構(gòu)(World Record Certification Agency，WRCA)認(rèn)證的“世界最大連片茶園”的大渡崗萬(wàn)畝茶園位于本文研究區(qū)內(nèi)。地理范圍(100°43′34″E—101°29′39″E, 22°02′30″N—22°45′11″N)，面積約為4 412 km2, 如圖1所示。研究區(qū)內(nèi)地物類(lèi)型主要有森林、 茶園、 農(nóng)田、 不透水層以及水體等。

圖1 研究區(qū)示意圖Fig.1 Schematic diagram of study area

1.2 面向?qū)ο蠓诸?lèi)的茶園提取方法

基于eCognition9.0軟件，采用MRS方法對(duì)影像進(jìn)行不同尺度分割，并利用ED3Modified對(duì)分割結(jié)果進(jìn)行評(píng)估，確定茶園提取的最優(yōu)分割尺度。在研究區(qū)分割對(duì)象上隨機(jī)選取了茶園、 農(nóng)田、 森林、 水體及不透水層5種地物類(lèi)型共600個(gè)分割對(duì)象用作訓(xùn)練樣本，并結(jié)合2018年12月份對(duì)普洱、 西雙版納地區(qū)茶園的實(shí)地調(diào)查及Google Earth影像數(shù)據(jù)對(duì)訓(xùn)練樣本進(jìn)行核對(duì)校正。通過(guò)優(yōu)化特征空間組合后，分別利用Bayes，DT及RF分類(lèi)方法對(duì)茶園進(jìn)行提取并對(duì)茶園提取結(jié)果進(jìn)行精度比較。

1.3 遙感數(shù)據(jù)及預(yù)處理

以一景GF-1 PMS遙感影像(拍攝日期： 2019年2月21日)為數(shù)據(jù)源，包括2m分辨率的全色波段，4個(gè)8 m分辨率的多光譜波段[藍(lán)(Blue)、 綠(Green)、 紅(Red)、 近紅外(NIR)]。利用ENVI5.3進(jìn)行影像預(yù)處理，采用NNDiffuse PAN Sharpening算法進(jìn)行全色與多光譜數(shù)據(jù)融合，最終獲得2 m分辨率的融合影像。

1.4 影像分割及最優(yōu)分割尺度評(píng)價(jià)

GF-1影像分割效果主要受輸入影像波段，形狀，緊致度及尺度4個(gè)因素影響[6]。若分割尺度不當(dāng)，則會(huì)導(dǎo)致一些地物存在“欠分割”或“過(guò)分割”現(xiàn)象，難以保證分類(lèi)精度。為克服不當(dāng)尺度造成的上述弊端，采用MRS方法對(duì)影像進(jìn)行分割并進(jìn)行最優(yōu)分割尺度評(píng)估，借助ED3Modified方法及樣地疊加進(jìn)行目視解譯確定影像的最優(yōu)分割尺度[6]。該方法的原理是當(dāng)與一個(gè)參考多邊形的重疊面積超過(guò)參考多邊形或被分割對(duì)象面積的50%時(shí)，被分割的對(duì)象才能被標(biāo)記為相對(duì)應(yīng)的參考多邊形的分割對(duì)象。ED3Modified值為0～1的歸一化指數(shù)，計(jì)算見(jiàn)式(1)。ED3Modified值越低則表示影像分割質(zhì)量越高。在分割對(duì)象中隨機(jī)選取茶園、 森林、 農(nóng)田、 不透水層、 水體樣地各30個(gè)參考多邊形，采用ArcGIS10.5計(jì)算ED3Modified值，最佳分割尺度由ED3Modified的最低值決定。

ED3Modified=

(1)

式(1)中，ri為參考多邊形；I為參考多邊形的數(shù)量；S為面積；sj為對(duì)應(yīng)的參考多邊形的分割對(duì)象；Ji為相對(duì)應(yīng)的分割數(shù)。

選擇分割尺度范圍為100～300(分割步長(zhǎng)為25)對(duì)影像進(jìn)行分割。如圖2所示，ED3Modified值呈現(xiàn)為“中間低兩頭高”的趨勢(shì)，說(shuō)明ED3Modified表現(xiàn)為先減少后增加的變化，即在分割尺度為225時(shí)ED3Modified最小(0.44)，則與之對(duì)應(yīng)的尺度225為最優(yōu)分割尺度。

圖2 ED3Modified值隨分割尺度的變化Fig.2 The ED3Modified values vs the segmentation scale

不同分割尺度的分割效果如圖3所示。分割尺度過(guò)小，會(huì)導(dǎo)致過(guò)分割，如圖3(a—e)所示，大面積連片區(qū)域的地物分割過(guò)于細(xì)碎化(森林、 茶園)； 分割尺度過(guò)大，導(dǎo)致欠分割，一些夾雜在大面積地物內(nèi)的其他零散地物就會(huì)被合并為大面積地物，造成地物分割對(duì)象混淆，如圖3(g—i)所示。在最佳分割尺度下，地物分割不僅對(duì)離散的不透水層、 水體以及連片的茶園、 森林都達(dá)到了較為良好分割效果，合并了同類(lèi)地物小區(qū)域，又與其他地物有明確的邊界，如圖3(f)所示。因此，針對(duì)本研究區(qū)域，當(dāng)分割尺度為225時(shí)，不論是小面積的不透水層，水體，或者是大面積連片的森林、 茶園、 農(nóng)田都能較好的與參考圖斑重合，獲得良好的分割效果。

1.5 面向?qū)ο蠓诸?lèi)的特征提取

分類(lèi)過(guò)程采用分割對(duì)象的紋理、 光譜及空間特征，見(jiàn)表1。選取了GF-1影像的4個(gè)波段(Blue，Green，Red和NIR)的光譜反射率均值及標(biāo)準(zhǔn)差、 調(diào)整土壤亮度的植被指數(shù)(soil adjust vegetation index，SAVI)、 歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、 燃燒面積指數(shù)(burned area index，BAI)及歸一化水體指數(shù)(normalized difference water index，NDWI)，亮度指數(shù)(brightness)均值和對(duì)象內(nèi)部最大差值(Max.diff)等14個(gè)光譜特征； 基于灰度共生矩陣(gray level co-occurrence matrix, GLCM) 的角二矩陣(angular second moment)、 相異度(dissimilarity)、 相關(guān)性(correlation)、 熵(entropy)、 及同質(zhì)性(homogeneity)和對(duì)比度(contrast)等6個(gè)紋理特征； 緊致度(compactness)、 面積(area)及長(zhǎng)寬比(length/width)等3個(gè)空間特征。最終構(gòu)建了23維分類(lèi)特征。

圖3 不同尺度下的影像分割結(jié)果Fig.3 Image segmentation results at different scales

1.6 特征的空間優(yōu)化

將表1中的23維特征組合為一個(gè)特征空間，基于eCognition9.0計(jì)算5類(lèi)樣本在此特征空間中的分離度，通過(guò)比較不同特征空間產(chǎn)生的分離度，找出在兩兩不同地類(lèi)樣本之間產(chǎn)生最大的平均最小距離的特征組合，各地物在此特征空間下具有最好的可分性，則此特征空間為最優(yōu)特征組合。如圖4所示，當(dāng)特征維度達(dá)到16維時(shí)，地物可分離度已達(dá)到1.82，再增加特征對(duì)于地物樣本之間的可分離效果趨勢(shì)逐漸下降，也即增加特征已經(jīng)造成了分類(lèi)特征冗余，因此將最優(yōu)特征空間定為16維，分別為BAI，Homogeneity，Area，NIR_Mean，NIR_Std，Length/Width, Dissimilarity，Compactness，Red_Mean，Max.diff，Entropy, Blue_Mean，NDVI，Correlation，Brightness以及SAVI。

表1 面向?qū)ο蠓诸?lèi)的對(duì)象特征Table 1 The features of object-oriented classification

圖4 最優(yōu)特征空間維度評(píng)價(jià)Fig.4 Evaluation of the optimal feature spaces dimensions

1.7 不同分類(lèi)方法精度對(duì)比

基于特征優(yōu)化得到16維分類(lèi)特征，選用常用的三種監(jiān)督分類(lèi)方法(Bayes，DT，RF)進(jìn)行茶園提取并進(jìn)行精度對(duì)比。對(duì)比了(1)三種面向?qū)ο蟮谋O(jiān)督分類(lèi)[多分類(lèi)(森林、 茶園、 農(nóng)田、 不透水層及水體)]精度； (2)面向?qū)ο蟮腞F二分類(lèi)(茶園、 其他)與面向?qū)ο蟮腞F多分類(lèi)茶園提取精度； (3)面向?qū)ο驲F二分類(lèi)與基于像元的RF多分類(lèi)的茶園提取精度。

2 結(jié)果與討論

2.1 分類(lèi)結(jié)果

面向?qū)ο蟮腞F的多分類(lèi)[圖5(a)]以及RF二分類(lèi)的茶園提取結(jié)果[圖5(b)]。多分類(lèi)結(jié)果與茶園混淆的作物主要為農(nóng)田，而二分類(lèi)由于將森林、 不透水層、 農(nóng)田及水體歸為一類(lèi)，增加了與茶園的類(lèi)間差異，因此，二分類(lèi)較多分類(lèi)對(duì)于農(nóng)田的過(guò)濾效果較明顯。

圖5 隨機(jī)森林(RF)茶園提取結(jié)果Fig.5 Extraction results of random forest tea plantations

選取研究區(qū)茶園分布較為典型的大渡崗茶園 (100°57′16.62″E, 22°21′3.12″N)進(jìn)行局部地區(qū)茶園提取效果展示及面積比較。圖6(a)為大渡崗影像真彩色合成圖(藍(lán)、 綠、 紅波段合成)； 圖6(b)為面向?qū)ο蟮腞F多分類(lèi)結(jié)果； 圖6(c)為基于像元的RF多分類(lèi)結(jié)果。大渡崗連片茶園的官方統(tǒng)計(jì)面積為65 246畝，面向?qū)ο蠖喾诸?lèi)對(duì)于茶園的提取面積為59 851畝，與統(tǒng)計(jì)面積相對(duì)誤差為-8.27%； 基于像元多分類(lèi)對(duì)于茶園的提取面積為55 142畝，與統(tǒng)計(jì)面積相對(duì)誤差為-15.49%。

圖6 面向?qū)ο笈c基于像元的RF分類(lèi)結(jié)果對(duì)比Fig.6 Comparison of the object-oriented and pixel-based classifications

2.2 精度驗(yàn)證

本研究采用ArcGIS10.5在GF-1號(hào)影像上生成3 000個(gè)隨機(jī)點(diǎn)結(jié)合Google Earth進(jìn)行地物類(lèi)型標(biāo)記，然后與野外實(shí)地調(diào)查的1 006個(gè)數(shù)據(jù)點(diǎn)相結(jié)合，利用ENVI5.3生成分類(lèi)混淆矩陣進(jìn)行精度驗(yàn)證，其中驗(yàn)證點(diǎn)個(gè)數(shù)分別為茶園(603)、 森林(2 728)、 農(nóng)田(372)、 不透水層(188)及水體(115)。

2.3 分類(lèi)結(jié)果對(duì)比分析

由表2可知，對(duì)于本研究區(qū)中5類(lèi)地物分類(lèi)中，面向?qū)ο蟮腂ayes，DT及RF分類(lèi)的總體精度(overall accuracy, OA)與Kappa系數(shù)分別為87.73%，0.70； 88.52%，0.72； 91.23%，0.78。對(duì)于茶園提取效果而言，DT與RF分類(lèi)效果優(yōu)于Bayes，以RF分類(lèi)效果更為顯著，生產(chǎn)者精度(producer accuracy, PA)與使用者精度(user accuracy, UA)分別達(dá)到了70.54%及87.13%。

由表3可知，基于像元的RF分類(lèi)的OA與Kappa系數(shù)分別為71.42%與0.58，而茶園的PA與UA只達(dá)到了55.43%和63.71%，由圖6大渡崗茶園提取結(jié)果可知，基于像元的RF的茶園提取結(jié)果[圖6(c)]相較于面向?qū)ο蠓诸?lèi)的茶園提取結(jié)果[圖6(b)]“椒鹽”現(xiàn)象比較嚴(yán)重，且茶園、 農(nóng)田以及森林混淆度較高，分類(lèi)結(jié)果較為破碎。而面向?qū)ο驲F二分類(lèi)的OA與Kappa系數(shù)較基于像元RF分類(lèi)的結(jié)果分別提高23.32%和0.27，較面向?qū)ο驲F多分類(lèi)OA與Kappa系數(shù)分別提高3.24%和0.07； 就茶園提取精度而言，面向?qū)ο驲F二分類(lèi)PA與UA比基于像元的RF多分類(lèi)分別提高了21.10%和29.03%，比面向?qū)ο蟮腞F多分類(lèi)分別提高了5.99%和5.61%。

表2 面向?qū)ο蟮谋O(jiān)督分類(lèi)結(jié)果精度對(duì)比Table 2 Comparison of the accuracies of object-oriented supervision classification

表3 基于像元和面向?qū)ο蟮腞F茶園提取精度對(duì)比Table 3 Comparison of the accuracies of pixel-wise RF and object-oriented RF for tea plantations extraction

3 結(jié) 論

僅利用單一時(shí)相多光譜GF1-PMS影像，基于像元的RF分類(lèi)方法，在山區(qū)茶園提取中精度(PA/UA: 55.43%/63.71%)不高。然而，結(jié)合紋理和空間特征，采用面向?qū)ο蠓椒梢蕴岣卟鑸@提取精度。在三種分類(lèi)器(RF，Bayes和DT)中，面向?qū)ο蟮腞F分類(lèi)精度(PA/UA: 70.54%/87.13%)較高。面向?qū)ο驲F二分類(lèi)方法的茶園提取精度(PA/UA: 76.53%/92.74%)高于面向?qū)ο驲F多分類(lèi)方法。本研究利用單一時(shí)相GF-1全色影像融合多光譜對(duì)于山區(qū)茶園提取獲得了較為滿(mǎn)意的精度，說(shuō)明高分影像對(duì)山區(qū)破碎茶園的監(jiān)測(cè)及制圖具有較好的應(yīng)用價(jià)值及潛力。

隨著傳感器數(shù)量的增加，遙感影像的空間分辨率、 光譜分辨率以及時(shí)間分辨率的提高，在充分利用光譜信息的同時(shí)，空間信息及紋理信息對(duì)于地物分類(lèi)越來(lái)越重要[7]。山區(qū)地物類(lèi)型復(fù)雜多樣(橡膠、 香蕉、 甘蔗、 灌草等)與茶園具有相似的光譜特征，“異物同譜”現(xiàn)象增加了高精度提取茶園的難度，而采用面向?qū)ο蟮姆诸?lèi)方法，相比于基于像元的分類(lèi)，在光譜特征基礎(chǔ)上增加了紋理特征與空間特征，提高了茶園的提取精度； 將森林、 水體、 農(nóng)田及不透水層四類(lèi)地物合并為一類(lèi)，平均了四種地物的類(lèi)間差異，而增大了茶園同森林、 農(nóng)田的類(lèi)間差異，因此面向?qū)ο蟮腄T二分類(lèi)較多分類(lèi)進(jìn)一步提高了茶園的提取精度。但面向?qū)ο蠓诸?lèi)方法高精度提取茶園依賴(lài)于影像的高空間分辨率，而諸如高分、 WorldView及SPOT等系列影像獲取成本高。本文僅討論了單一時(shí)相條件下，融合紋理和空間特征的茶園提取方法。如何將多源、 多時(shí)相遙感影像融合，應(yīng)用于山區(qū)復(fù)雜地形條件下茶園提取和精細(xì)化制圖，有待進(jìn)一步研究。