劉天宇，趙 展，史同廣

(山東建筑大學(xué)測(cè)繪地理信息學(xué)院，山東 濟(jì)南250101)

0 引言

作為集約農(nóng)業(yè)興起的作物保護(hù)設(shè)施，塑料大棚的優(yōu)勢(shì)體現(xiàn)在能夠降低環(huán)境氣候的限制，滿足消費(fèi)人群的需求，減輕種植業(yè)的投資風(fēng)險(xiǎn)，因而在很多國(guó)家大規(guī)模推廣。據(jù)2016年的統(tǒng)計(jì)數(shù)據(jù)，估計(jì)130個(gè)國(guó)家的商用塑料大棚覆蓋面積總和超過44.5萬hm2(約110萬英畝)，其中位于中國(guó)的面積占比在80%以上[1-2]。近年來，我國(guó)塑料大棚仍然呈現(xiàn)逐年增加趨勢(shì)，且隨著塑料大棚的擴(kuò)張，大量使用農(nóng)用塑料膜。因塑料膜回收不完全而導(dǎo)致的土壤結(jié)構(gòu)與地表水循環(huán)變化等生態(tài)環(huán)境問題，已經(jīng)日益引起研究者的重視[3-5]。因此關(guān)于塑料大棚的精準(zhǔn)提取、定期監(jiān)測(cè)具有重要意義。

相較于傳統(tǒng)人工實(shí)地觀測(cè)獲取塑料大棚信息，遙感觀測(cè)具有成本低、范圍廣、可動(dòng)態(tài)連續(xù)監(jiān)測(cè)等突出優(yōu)勢(shì)。由于受光學(xué)衍射極限、調(diào)制傳遞函數(shù)、信噪比等因素的影響，目前，單一多光譜原始影像數(shù)據(jù)還難以在擁有高空間分辨率的同時(shí)兼顧較高的光譜分辨率[6]。GF-2、Worldview-2等擁有亞米級(jí)空間分辨率的遙感影像能夠清晰呈現(xiàn)出地物的幾何結(jié)構(gòu)，可以為更精細(xì)的地物分類制圖提供基礎(chǔ)，同時(shí)高空間分辨率下地物的空間細(xì)節(jié)被放大，可能會(huì)令同類型地物內(nèi)的異質(zhì)性變高，進(jìn)而影響到分類精度[7-8]。

高分辨率多光譜影像一般光譜覆蓋范圍較窄，所含光譜信息較少，因此紋理等空間特征被認(rèn)為是其用于地物分類的主要特征。吳錦玉等[9]提出一種基于高空間分辨率影像和面向?qū)ο蠓ǖ亩嗉y理特征塑料大棚識(shí)別方法。高夢(mèng)婕等[10]以GF-2影像數(shù)據(jù)作為單一數(shù)據(jù)源，將光譜特征、指數(shù)特征和灰度共生矩陣(gray-level co-occurrence matrix，GLCM)紋理特征相結(jié)合用于提取塑料大棚。高分辨率衛(wèi)星影像存在的問題是通常不能免費(fèi)獲取，商業(yè)購(gòu)買成本較高。

相比高分辨率影像，中低空間分辨率多光譜影像雖然欠缺空間細(xì)節(jié)信息，不利于微觀尺度地物觀測(cè)，但其傳感器一般具有更寬的成像波譜范圍，能更好地捕捉到地物光譜反射特性，并且通?？梢悦赓M(fèi)獲取[9]。國(guó)內(nèi)外研究者利用Landsat系列、Sentinel-2 MSI等中低分辨率多光譜影像展開了一系列大棚提取研究。YANG D等[11]設(shè)計(jì)了一個(gè)溫室大棚指數(shù)(plastic greenhouse index，PGI)，并證明了該指數(shù)在Landsat-7 ETM+(enhanced thematic mapper plus，ETM+)影像中提取大棚的性能。NOVELLI A等[12]將Landsat-8 OLI(operational land imager，OLI)多光譜數(shù)據(jù)和TIRS(thermal infrared sensor，TIRS)熱紅外數(shù)據(jù)相結(jié)合，提取了塑料大棚覆蓋下的葡萄園。BALCIK F B等[13]在Sentinel-2 MSI的基礎(chǔ)上，證明了RPGI指數(shù)(retrogressive plastic greenhouse index，RPGI)對(duì)提取溫室具有重要作用。

總的來說，中低分辨率多光譜影像受空間分辨率的限制，紋理等空間特征不明顯，塑料大棚提取主要依賴于光譜特征及基于光譜的指數(shù)特征。實(shí)際中的大棚存在不同類型，其光譜特征存在一定的差異，單一大棚指數(shù)的普適性仍然受到制約。

根據(jù)圖像處理的最小單元是單一像素還是若干像素組成的影像對(duì)象，目前存在面向像元和面向?qū)ο髢煞N方法。AGUERA F等[14-15]分別在Ikonos和QuickBird影像上利用最大似然法(maximum likelihood classification，MLC)識(shí)別并提取塑料大棚。KOC-SAN D[16]選取WorldView-2作為數(shù)據(jù)源，比較了MLC、RF(random forest，RF)及SVM(support vector machine，SVM)3種分類算法應(yīng)用于塑料與玻璃溫室提取的性能，精度評(píng)估表明，SVM分類效果最優(yōu)。MLC是基于像元分類中較為常用的算法，普遍用于早期的溫室分類研究中。在TARANTINO E等[17]首次將基于對(duì)象分析法(object-based image analysis，OBIA)引入到塑料大棚提取研究之后，面向?qū)ο蠓ㄩ_始被廣泛地應(yīng)用。JI L等[18]通過建立一種基于對(duì)象和光譜分析的閾值模型，從Landsat-8 OLI中提取零散分布的溫室。SHI L等[19]提出的3步驟提取溫室法在高空間分辨率影像GF-2中具有較強(qiáng)的魯棒性。AGUILAR M A等[20]將WorldView-2和Landsat-8 OLI時(shí)間序列數(shù)據(jù)相結(jié)合，先在WorldView-2上進(jìn)行多尺度分割(multi-resolution segmentation，MRS)，然后根據(jù)兩類數(shù)據(jù)的多種特征信息，利用DT(decision tree，DT)算法提取多時(shí)相下的塑料大棚。

比較已有研究中對(duì)面向像元和面向?qū)ο髢深惖匚锾崛》椒ǎl(fā)現(xiàn)以單一像元為基礎(chǔ)的面向像元法主要考慮的是地物的光譜特性，缺少紋理和空間特征信息的引入，導(dǎo)致影像信息流失較嚴(yán)重[21]。面向?qū)ο蠓軌蚓C合利用各個(gè)對(duì)象形狀、紋理和光譜等多種特征提取所需信息，從而有效減少了“椒鹽現(xiàn)象”、錯(cuò)分誤分的出現(xiàn)，所以面向?qū)ο蠓ǜ鼜V泛地應(yīng)用于地物分類提取研究中[22-23]。

在目前可用的遙感數(shù)據(jù)源中，Sentinel-2多光譜數(shù)據(jù)兼具較高的空間分辨率和光譜分辨率，而目前已有的關(guān)于塑料大棚提取的文獻(xiàn)中，僅采用Sentinel-2 MSI作為數(shù)據(jù)源進(jìn)行提取的研究較少。本文以Sentinel-2多光譜影像為數(shù)據(jù)源，充分利用Sentinel-2數(shù)據(jù)各波段光譜信息，考慮到不同類型大棚的光譜信息差異，設(shè)計(jì)一套塑料大棚的指數(shù)集，通過面向?qū)ο蟮亩喑叨戎饘犹崛〉姆绞綄?shí)現(xiàn)大棚準(zhǔn)確提取。

1 研究區(qū)域及試驗(yàn)數(shù)據(jù)

1.1 研究區(qū)域

如圖1所示，研究區(qū)域地處濰坊市寒亭區(qū)與壽光市交界處，面積約6 520.68 hm2，地理范圍在北緯36°49′15″～36°52′35″和東經(jīng)118°57′19″～119°04′26″，屬暖溫帶季風(fēng)區(qū)大陸性氣候，四季分明，適宜蔬菜等農(nóng)作物的種植。研究區(qū)域內(nèi)主要包括露天綠色農(nóng)作物、塑料大棚、居住區(qū)(含人工設(shè)施)、裸土地和道路5種地表覆蓋類型，塑料大棚的空間布局既有密集分布又有稀疏分布。

1.2 試驗(yàn)數(shù)據(jù)

Sentinel-2是由歐洲航天局(European Space Agency，ESA)發(fā)射的一組衛(wèi)星，負(fù)責(zé)全球環(huán)境與安全監(jiān)視系統(tǒng)中的多光譜遙感成像任務(wù)，用于農(nóng)業(yè)估產(chǎn)、勘察土壤和水體覆蓋等領(lǐng)域的監(jiān)測(cè)，包含2015年發(fā)射的2A與2017年發(fā)射的2B兩顆同組衛(wèi)星，均攜帶一枚多光譜成像裝置(MSI)，能夠覆蓋從可見光到短波紅外13個(gè)光譜波段，存在10、20和60 m共3種不同的空間分辨率，影像幅寬可達(dá)290 km，兩顆衛(wèi)星互補(bǔ)條件下的重訪周期為5 d。通過歐空局哥白尼科學(xué)中心下載可以反映大氣底層反射率(bottom-of-atmosphere corrected reflectance)的L2A級(jí)數(shù)據(jù)，L2A級(jí)影像是在L1C級(jí)影像(正射校正和幾何精校正過的產(chǎn)品)基礎(chǔ)上經(jīng)過輻射定標(biāo)和大氣校正后的產(chǎn)品，總共含有12個(gè)波段(不含B10-卷云波段)。本文選取時(shí)相為2020年9月18日的Sentinel-2B MSI作為數(shù)據(jù)源，具體影像參數(shù)信息如表1所示。

表1 Sentinel-2 MSI(L2A)波段范圍及分辨率

2 研究方法

2.1 影像分割

分割是面向?qū)ο蠓▓D像處理過程的第1步，分割效果直接影響到后續(xù)分類精度。BAATZ M等[24]提出的MRS算法被廣泛應(yīng)用在基于影像對(duì)象的地物分類研究中，該算法作為一種自下而上的分割方法，其原理是將相鄰的像元或較小的分割對(duì)象進(jìn)行合并，在保證不同影像對(duì)象間平均異質(zhì)性最小、相同對(duì)象內(nèi)部像元間同質(zhì)性最大的前提下，通過區(qū)域合并實(shí)現(xiàn)影像分割[25]。通過分割尺度(segmentation scale)、形狀(shape)和緊致度(compactness)等參數(shù)控制分割效果，其中分割尺度直接調(diào)節(jié)各個(gè)分割對(duì)象的大小，是最為重要的參數(shù)因子；形狀(shape)與顏色(color)、緊致度(compactness)與平滑度(smoothness)的權(quán)重和為1，且取值范圍均為0.1～0.9。

Sentinel-2數(shù)據(jù)中，空間分辨率最高為10 m，對(duì)于塑料大棚的提取，該分辨率仍然較低，如僅使用單一分割尺度，分割結(jié)果中普遍出現(xiàn)“過分割”與“欠分割”現(xiàn)象；非塑料大棚類地物復(fù)雜多樣，且面積占比差異較大。綜合以上因素，研究者決定根據(jù)不同分割尺度構(gòu)建影像對(duì)象層次結(jié)構(gòu)，從而實(shí)現(xiàn)地物的分層提取。經(jīng)過反復(fù)試驗(yàn)，以人工目視結(jié)合最佳分割尺度評(píng)價(jià)工具ESP2的方式，建立3層尺度分割層。其中形狀和緊致度參數(shù)的設(shè)置采用控制變量法，緊致度因子的大小對(duì)影像對(duì)象分割的影響可忽略不計(jì)，因此取默認(rèn)值0.5；對(duì)于較大尺度分割層，形狀因子值的確定主要根據(jù)道路的影像對(duì)象內(nèi)部是否包含塑料大棚，在0.2～0.9區(qū)間內(nèi)取值均存在“欠分割”，而在較小尺度的分割層內(nèi)，不同賦值的分割差異對(duì)塑料大棚的提取影響較小，所以3個(gè)層次的形狀因子均取0.1，詳細(xì)分割參數(shù)如表2所示。

表2 影像分割參數(shù)設(shè)置

2.2 地物特性分析

露天綠色農(nóng)作物因品種、生長(zhǎng)期的不同，覆蓋密度存在差異，可分為高密度和低密度兩種類型，較容易與大棚進(jìn)行區(qū)分。居住區(qū)(含人工設(shè)施)部分所含地物種類繁多且復(fù)雜，很容易出現(xiàn)混淆誤分，并且由圖2各類地物典型樣本(regions of interest，ROI)光譜曲線可以看出，裸土地與部分居住區(qū)(含人工設(shè)施)光譜曲線相近。塑料大棚按照結(jié)構(gòu)的差異可分為日光溫室、大拱棚、小拱棚和連棟溫室等類型[26]。研究區(qū)域內(nèi)所包含的塑料大棚類型如圖3所示，因?yàn)榇笈锏摹巴腹狻碧匦?、塑料薄膜材質(zhì)及所覆蓋作物長(zhǎng)勢(shì)的影響，大棚之間的光譜信息也不盡相同。受空間分辨率的限制，道路受混合像元影響嚴(yán)重，部分道路與大棚的光譜曲線較為接近，需要其他特征加以輔助區(qū)分。

隧道整體施工質(zhì)量對(duì)鐵路安全穩(wěn)定運(yùn)營(yíng)至關(guān)重要。二次襯砌作為隧道主體結(jié)構(gòu)的重要組成部分，對(duì)圍巖穩(wěn)定、承載作用重大，通過先進(jìn)的技術(shù)方法查找原因，制定合理的處理措施，科學(xué)的組織施工，加強(qiáng)二次檢測(cè)，形成二襯厚度缺陷的閉合式流程處理方法，消除厚度不足產(chǎn)生的質(zhì)量隱患，從而提高隧道整體的安全性和可靠性。

圖2 地物典型樣本(ROI)光譜曲線

注：(a)～(d)為高空間分辨率影像；(e)～(h)為Sentinel-2影像

2.3 特征模型與設(shè)計(jì)思路

對(duì)比各類地物樣本光譜曲線，發(fā)現(xiàn)塑料大棚與其他地物在很多波段上灰度值接近，依據(jù)各波段灰度值(digital number，DN)均值(mean)或標(biāo)準(zhǔn)差(standard deviation)等光譜特征不易于區(qū)分塑料大棚與干擾地物。因而考慮不同地物在多波段上的反射差異構(gòu)建地物指數(shù)特征，通過不同波段間四則運(yùn)算突出不同地物的反射波譜特性區(qū)分大棚和其他地物。此外，研究區(qū)域內(nèi)“同物異譜”現(xiàn)象普遍，不同類型的大棚光譜特征差異較大，單一指數(shù)不足以將目標(biāo)地物較精準(zhǔn)地提取，為此研究設(shè)計(jì)了一套指數(shù)集，特征模型信息如表3所示。

表3 特征模型

通過圖2光譜曲線能夠直觀看出各類地物的高反射率、低反射率波段，并根據(jù)曲線上升或下降趨勢(shì)設(shè)計(jì)指數(shù)。

(1)Sentinel-2數(shù)據(jù)包括寬、窄兩種近紅外波段(B8、B8A)，經(jīng)過光譜曲線對(duì)比，發(fā)現(xiàn)露天綠色農(nóng)作物或植被在兩種近紅外波段處的反射率相近，均具有較高的反射率，研究采用窄近紅外波段(B8A)構(gòu)建NDVI來提取高密度綠色農(nóng)作物。

(2)對(duì)于低密度的綠色農(nóng)作物，其NDVI值一般為0.60～0.76，在此區(qū)間內(nèi)的地物類型繁多，僅利用NDVI閾值無法將其精準(zhǔn)提取，因此利用在紅邊波段(B6、B7)和近紅外波段反射率高于其他地物且在藍(lán)光和紅光波段(B2、B4)反射率較低的特性，設(shè)計(jì)了指數(shù)VI，并與NDVI結(jié)合來提取低密度綠色農(nóng)作物具有較好的效果。

(3)居住區(qū)(含人工設(shè)施)和裸土地是“同物異譜”的典型干擾地物，除少量人工設(shè)施外，大部分隸屬于二者的地物光譜曲線總體呈上升趨勢(shì)，在可見光波段和紅邊B5波段處的反射率差異較大，在短波紅外波段(B11、B12)處的反射率要明顯高于塑料大棚，利用以上特性設(shè)計(jì)了3個(gè)BLI指數(shù)。

(5)由于塑料大棚的光譜信息受其框架結(jié)構(gòu)、薄膜材質(zhì)、是否有黑布遮蓋及覆蓋作物長(zhǎng)勢(shì)等多種因素的影響，光譜曲線呈現(xiàn)出多樣性。大多數(shù)大棚在藍(lán)光和紅光波段(B2、B4)處的反射率接近，再者，紅邊波段B5和B6、短波紅外B11和B12的差值異于其他地物，按照上述光譜信息設(shè)計(jì)PGI1和PGI2兩個(gè)指數(shù)以提取塑料大棚。

2.4 多層次分類

研究平臺(tái)選擇eCognition Developer(9.0)。在影像空間分辨率較低且地物類型復(fù)雜的條件下，僅利用少量樣本的監(jiān)督分類來提取大棚效果并不理想，誤分、錯(cuò)分現(xiàn)象嚴(yán)重，而根據(jù)閾值進(jìn)行分類能極大地減少誤分、錯(cuò)分現(xiàn)象，為此研究以基于閾值規(guī)則的監(jiān)督分類方法提取塑料大棚。

依據(jù)各類地物的特性分析決定每個(gè)層次所提取出的地物類型。首先，對(duì)于第1級(jí)分割層(50尺度)，利用影像對(duì)象較大的優(yōu)勢(shì)，便于提取出綠色農(nóng)作物、部分道路和居住區(qū)(含人工設(shè)施)。第2級(jí)分割層(33尺度)內(nèi)，已很大程度上降低了影像對(duì)象的異質(zhì)性，在此尺度下易提取出以居住區(qū)(含人工設(shè)施)和裸土地為主的干擾地物。在最后一級(jí)分割層(22尺度)中，塑料大棚的影像對(duì)象中基本不再包含干擾地物，并且上面兩個(gè)層次已過濾掉大部分干擾地物，按照?qǐng)D4總流程圖中的閾值規(guī)則即可提取出塑料大棚，最終分類結(jié)果如圖5所示。

注：每個(gè)序號(hào)代表一條閾值規(guī)則，規(guī)則之間用或連接。

圖5 塑料大棚提取結(jié)果

3 精度評(píng)定與討論

通過目視解譯結(jié)合其他月份的高分辨率影像作為真實(shí)參考，以精度檢查樣本定量評(píng)價(jià)大棚提取精度，利用檢查樣本計(jì)算混淆矩陣來評(píng)價(jià)大棚和非大棚兩類地物的提取精度，選取的檢查樣本如圖6所示，衡量精度的指標(biāo)包括生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)，各指標(biāo)數(shù)值如表4所示。

圖6 檢驗(yàn)樣本選擇

表4 精度評(píng)價(jià)

圖7是一個(gè)錯(cuò)分示例，從圖7中能夠明顯看出，少量居住區(qū)和道路被錯(cuò)分成塑料大棚，從而造成了提取大棚的用戶精度較低。鑒于Sentinel-2影像最高10 m的空間分辨率，紋理特征和形狀特征均受制約條件影響，光譜和指數(shù)特征是主要的分類特征，而在地物類型較為復(fù)雜的區(qū)域，“同物異譜”現(xiàn)象是限制大棚精度提高的一個(gè)重要因素。

圖7 錯(cuò)分示例

4 結(jié)論

以Sentinel-2影像作為數(shù)據(jù)源，針對(duì)不同類型大棚及干擾地物的特征設(shè)計(jì)了一套指數(shù)集及提取流程，通過面向?qū)ο蠓椒▽?shí)現(xiàn)了研究區(qū)域內(nèi)塑料大棚的多尺度提取，獲得了較高的提取精度，對(duì)利用Sentinel-2影像提取塑料大棚圖像提供了重要的參考。提取結(jié)果與精度評(píng)價(jià)在一定程度上反映了Sentinel-2 MSI應(yīng)用于塑料大棚提取研究的潛能。

應(yīng)用本研究提出的指數(shù)集來提取塑料大棚，仍然存在少量居住區(qū)、人工設(shè)施和道路的干擾。下一步將Sentinel-2影像與高分辨率影像融合，改進(jìn)大棚提取指數(shù)以降低干擾地物影響，并對(duì)不同時(shí)相下的塑料大棚設(shè)計(jì)更利于精準(zhǔn)提取的特征模型，進(jìn)一步提升大棚提取的精度和方法的魯棒性。