潘俊虹，蘇寧寧，廖曉莉，梁明

（1.武夷學(xué)院數(shù)學(xué)與計算機學(xué)院，武夷山 354300；2.認(rèn)知計算與智能信息處理福建省高校重點實驗室，武夷山 354300）

0 引言

茶葉是閩北地區(qū)重要的經(jīng)濟作物。然而近年來，由于茶葉種植盲目擴張，導(dǎo)致茶葉種植結(jié)構(gòu)失衡，茶葉品質(zhì)下降、土地資源浪費、破壞生態(tài)環(huán)境等問題逐漸顯現(xiàn)。因此，快速地對茶葉種植區(qū)進(jìn)行信息提取，對于茶葉長勢監(jiān)測、病蟲害預(yù)警、茶葉產(chǎn)量估算等方面都具有重要的支撐作用，有利于茶園資源管理，合理利用優(yōu)良生態(tài)地質(zhì)環(huán)境，為茶產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、鄉(xiāng)村振興以及精準(zhǔn)扶貧策略實施提供決策依據(jù)，對優(yōu)化茶葉種植的總體布局與武夷山國家公園生態(tài)風(fēng)險控制具有現(xiàn)實科學(xué)指導(dǎo)意義。

傳統(tǒng)人工方法對茶園進(jìn)行大范圍的調(diào)查費時、費力且成本高昂，人工也無法做到持續(xù)性地獲取茶園種植面積和空間分布數(shù)據(jù)。近年來，隨著我國高分系列多顆遙感衛(wèi)星的成功發(fā)射升空，極大地方便了研究區(qū)域某個窗口期的高分辨率的衛(wèi)星影像的獲取。而茶園本身有較為規(guī)律的區(qū)別于其他植被的紋理特征，也比較適合通過衛(wèi)星遙感影像進(jìn)行信息的提取，因此通過衛(wèi)星高空遙感可以對茶園的動態(tài)變化進(jìn)行有效監(jiān)測［1］。任成冕等［2］利用高分1號衛(wèi)星實現(xiàn)對貴州某縣典型丘陵地帶的茶園進(jìn)行監(jiān)測；黃艷紅［3］采用四種不同衛(wèi)星遙感數(shù)據(jù)對茶園進(jìn)行信息提取并對比了不同分類器對信息提取的影響；而朱澤潤［4］則利用詞袋模型對高分率衛(wèi)星影像進(jìn)行茶園場景進(jìn)行提取。陳慧等［5］對茶園信息進(jìn)行提取時面向?qū)ο蟮淖顑?yōu)分割尺度進(jìn)行了較為深入的研究。

本文選取典型閩北復(fù)雜山區(qū)典型武夷巖茶種植區(qū)為研究對象，選取高分2號高分辨率衛(wèi)星遙感影像，在對影像進(jìn)行全色和多光譜數(shù)據(jù)融合的基礎(chǔ)上，基于ENVI 5.3軟件分別采用了最小距離、最大似然、支持向量機和面向?qū)ο蟮?種常用的分類方法對影像進(jìn)行分類和茶園提取。分類精度評價采用基于混淆矩陣的總體精度和Kappa系數(shù)，并對實驗結(jié)果進(jìn)行對比分析，為相關(guān)研究提供一定的借鑒和參考。

1 研究區(qū)域及影像

1.1 研究區(qū)域概況

研究區(qū)域所在星村鎮(zhèn)是武夷巖茶的典型種植區(qū)，位于福建省北部武夷山市境內(nèi)。星村鎮(zhèn)地處武夷山自然與文化遺產(chǎn)地和武夷山國家公園核心地帶，其氣候?qū)偎募痉置鞯闹衼啛釒Ъ撅L(fēng)濕潤氣候，常年光照充足、雨量充沛，年平均氣溫16～17℃。星村鎮(zhèn)地勢由西北向東南傾斜，境內(nèi)高差超過1900 m，地形復(fù)雜，森林覆蓋率超過80%。主要包含天然林地、茶園、農(nóng)業(yè)用地、居民區(qū)、河流道路等地表區(qū)域，以天然林地為主。星村鎮(zhèn)是中國烏龍茶和紅茶的發(fā)源地，境內(nèi)擁有茶園有5.3萬畝，年產(chǎn)茶葉超過5萬擔(dān)，產(chǎn)值達(dá)5億元，素有“武夷巖茶第一鎮(zhèn)”之稱。

1.2 研究數(shù)據(jù)

本文所用數(shù)據(jù)為研究區(qū)域的高分2號衛(wèi)星遙感影像。高分2號衛(wèi)星軌道高度為631 km，寬幅45 km，星載傳感器全色空間分辨率1 m，多光譜空間分辨率為4 m，影像包括紅、綠、藍(lán)以及近紅外4個波段，波長范圍為0.45～0.89 um。本次影像成像時間為2019年5月19日，云量覆蓋度為0。5月中旬是茶葉生長的旺盛期，茶葉顏色翠綠，但已過采摘期，經(jīng)過采摘的茶園紋理更加清晰易辨，且研究區(qū)域內(nèi)其他種類作物如烤煙、玉米、水稻等都處于幼苗期，與茶園也較易區(qū)分。因此，選取該時間窗口的衛(wèi)星影像作為研究數(shù)據(jù)是比較合適的。

2 數(shù)據(jù)預(yù)處理

本文獲取的高分2號衛(wèi)星影像數(shù)據(jù)為原始L1級數(shù)據(jù)產(chǎn)品，利用ENVI 5.3軟件對全色和多光譜影像分別進(jìn)行輻射定標(biāo)、大氣校正、正射校正、拼接與裁剪等預(yù)處理。為了使得后續(xù)的圖像分類和信息有更好的效果，需要對兩種不同分辨率的影像進(jìn)行圖像融合，目前用于衛(wèi)星影像融合的算法較多，常用的包括基于色彩標(biāo)準(zhǔn)化變換融合的Brovey法、基于光譜銳化融合的Gram-Schmidt法、基于色度空間變換和波段替換的HSV法、基于主成分替換和逆變換PCA法和基于最小二乘估算灰度值關(guān)系的Pansharp法等，根據(jù)文獻(xiàn)［6，7］等的研究成果，Pansharp算法融合的高分2號圖像在圖像細(xì)節(jié)及光譜信息都能保持較好的效果，PanSharp融合算法要求輸入的多光譜和全色數(shù)據(jù)的空間分辨率是整數(shù)倍的，因此正射校正時分別將多光譜的全色的分辨率重采樣為4 m和1 m。利用ENVI中的NNDiffuse PanSharp工具將全色和多光譜影像進(jìn)行融合操作。從圖1中可以看出融合之后的多光譜影像與融合之前的多光譜影像對比，在保留光譜波段信息的同時，空間分辨率得到明顯提升，地物紋理形態(tài)等更加清晰易辨。

圖1 融合前與融合后影像對比

3 影像分類及精度評價

3.1 影像分類

本文采用4種在遙感影像分類中常用的監(jiān)督分類方法對進(jìn)行分類對比。監(jiān)督分類基于統(tǒng)計識別函數(shù)理論的分類和信息提取方法。監(jiān)督分類本質(zhì)上是一種從傳感器的測量空間到標(biāo)簽域的映射關(guān)系。監(jiān)督分類需要對分類器進(jìn)行訓(xùn)練，訓(xùn)練是在有正確標(biāo)記的樣本上進(jìn)行的。訓(xùn)練的目的是對分類器所需要的參數(shù)進(jìn)行估計，分類器通過訓(xùn)練來選擇特征參數(shù)，建立樣本的特征決策規(guī)則和判別函數(shù)，之后再將其用于待分類遙感影像進(jìn)行分類。因此在對分類器進(jìn)行訓(xùn)練時樣本的選擇較為關(guān)鍵。根據(jù)研究區(qū)域的特點，我們通過人工解譯方式確定了4種地物類別：茶園、林地、水體以及其他用地4類主要的地表區(qū)域。在ENVI中可通過感興趣區(qū)（region of interest，ROI）在影像中繪制每個類別的訓(xùn)練樣本，然后計算所有樣本之間的可分離性來優(yōu)化樣本選擇。樣本的可分離性值在0～2之間，值越大可分離性越好，反之則可分離性越差。通常監(jiān)督分類樣本的可分離性值需大于1.8。我們通過樣本的選擇和優(yōu)化，最終使得4個類別相互之間的可分離性均在1.94以上（如圖2所示），表明這些樣本具有較好的可分離性。

圖2 各類別的可分離性

本研究采用了最小距離法（minimum distance，MD）、最大似然分類法（maximum likelihood，ML）、支持向量機（support vector machine，SVM）分類法以及基于規(guī)則的面向?qū)ο蠓诸惙ǖ?種方法對影像進(jìn)行分類和信息提取，前三種方法使用同一訓(xùn)練樣本，面向?qū)ο蠓诸惙ㄍㄟ^多次試驗，基于邊緣分割尺度選擇40，基于Full Lambda Schedule的融合尺度選擇90，紋理核大小設(shè)置為5，并指定了光譜、紋理等4種規(guī)則，所有分類結(jié)果再經(jīng)過分類后處理，最終得到的結(jié)果如圖3所示。

圖3 不同方法分類結(jié)果對比（續(xù)）

圖3 不同方法分類結(jié)果對比

3.2 精度評價

混淆矩陣可以對分類模型預(yù)測結(jié)果的情形進(jìn)行分析，在遙感影像分類中是最常用的精度評價方法?；煜仃嚨拿恳涣斜硎绢A(yù)測類別，每一列的總數(shù)表示預(yù)測為該類別的像元的數(shù)目；每一行表示數(shù)據(jù)的真實類別，每一行的數(shù)據(jù)總數(shù)表示該類別的像元實例數(shù)［8］。通過混淆矩陣可得到該分類器分類的總體精度、用戶精度等信息，其中總體精度表示分類正確的樣本個數(shù)占總體樣本個數(shù)的比例。基于混淆矩陣計算得出的Kappa系數(shù)也是一種常用的精度評價指標(biāo)。Kappa系數(shù)值通常在范圍0～1之間，值越大表明類別一致性越高，值越小表明兩者之間的一致性越低。本文采用總體分類精度和Kappa系數(shù)作為影像分類結(jié)果的精度評價指標(biāo)。結(jié)合實地調(diào)查和人工目視解譯在融合過的圖像中選擇驗證樣本共64個，在樣本符合要求的情況下對分類結(jié)果進(jìn)行評估，分類結(jié)果的精度比較見表1。

表1 不同分類方法精度對比

4 結(jié)果分析

從上文的分類結(jié)果以及表1的精度評價中可以看出最小距離分類法的總體精度和Kappa系數(shù)分別為86.97%和0.77，在所做實驗中分類精度是最低的。最小距離分類器也可稱為類均值距離最小分類器，訓(xùn)練樣本只是用來決定類均值向量，不利用方差信息而是利用光譜類別的平均位置信息，將某一個像素劃歸到距離該像素最近的均值向量類別中。本實驗中單從光譜角度來看，林地和茶園的光譜較為相似，因此將林地錯分為茶園的地方較多，一小部分建筑也被錯分為水體類別，但是因其只考慮每一類的樣本的均值，所以分類速度快，可用于一些快速概況分類場景中。

最大似然法分類精度和Kappa系數(shù)達(dá)到了94.47%和0.90，分類精度較高，最大似然分類法是遙感影像分類中最常用的一種監(jiān)督分類方法，它從統(tǒng)計學(xué)的角度對待分類問題，基于貝葉斯分類準(zhǔn)則的，從訓(xùn)練樣本中計算出某一個像素屬于某一個光譜空間的的條件概率，并給給出分布函數(shù)表達(dá)式，然后根據(jù)計算出的最大后驗概率給某一個像素分配類別標(biāo)簽。在本實驗中，最大似然在水體、其他用地分類中給出較為準(zhǔn)確的結(jié)果，但它將茶園某一些顏色較為深地方錯分成林地，林地某些顏色較淺的小區(qū)域也錯分成了茶園，但是基本上能夠?qū)⒂跋裰胁鑸@的范圍確定。

支持向量機分類法分類精度稍優(yōu)于最大似然法，分類精度和Kappa系數(shù)分別達(dá)到了95.77%和0.93，從分類結(jié)果圖中可以看出依然有少部分顏色較深的茶園區(qū)域被錯分成林地，但林地中零散小塊茶園區(qū)域能夠被正確分類。SVM分類方法是將特征向量從低維空間映射到多維空間，在多維特征空間中找到最優(yōu)分類超平面,以解決復(fù)雜數(shù)據(jù)的分類問題［9］。因此分類耗時相較于最小距離和最大似然法都要長得多。

基于規(guī)則面向?qū)ο蠓诸惙ㄔ谒囼灥姆诸惙ㄖ蝎@得了最高的分類精度，不同于前三種基于像元的分類方法，它首先根據(jù)指定尺度和規(guī)則將遙感影像分割成若干個對象，然后統(tǒng)計并分析對象的特征參數(shù)，尋找合適分類方法對目標(biāo)進(jìn)行分類［10］。該方法充分利用了對象區(qū)域包含的光譜、紋理、形狀等特征信息，因此獲得較好的分類效果，一些顏色較深的茶園由于加入紋理信息后也能得到準(zhǔn)確的分類，不過一些零星的林地區(qū)域依然被錯分成茶園。面向?qū)ο蠓诸愡^程會產(chǎn)生較多的中間數(shù)據(jù)，對于硬件要求較高。

5 結(jié)語

本文選取典型武夷巖茶種植區(qū)的高分2號高分辨率影像，基于ENVI 5.3采用常用分類方法對實驗區(qū)進(jìn)行了典型地物分類和茶園提取實驗。實驗結(jié)果表明，在優(yōu)選訓(xùn)練樣本的基礎(chǔ)上，最小距離、最大似然、支持向量機以及基于規(guī)則的面向?qū)ο蠓诸惙椒ň艿玫捷^好的分類精度，但是對于光譜特征非常相近林地和部分茶園區(qū)域都存在不同程度的錯分漏分的情況，因此光譜特征只適合單要素信息提取，不適合全要素信息提取。復(fù)雜山區(qū)的不同植被光譜相似，“異物同譜”等現(xiàn)象較多，對于茶園的精細(xì)提取是一個挑戰(zhàn)。而面向?qū)ο蠓诸惙ㄍㄟ^不同尺度分割和規(guī)則的確定，可以綜合利用光譜和紋理等不同特征信息，在所有分類方法中獲得了最好的分類效果，說明融合紋理等空間信息能進(jìn)一步提高分類精度，多源信息融合有利于類似茶園這種紋理較為顯著的地物信息的提取，適用于各類精細(xì)分類的場景。但是對象分割尺度和分類規(guī)則需要多次試驗才能確定，并且對硬件的性能有較高的要求。綜合對比可以看出，采用最大似然方法對高分2號影像進(jìn)行分類，同時具有較高的分類精度和較快的分類速度，在較為復(fù)雜的山區(qū)依然可作為常用影像分類手段。綜上所述，高分辨率遙感影像可用于復(fù)雜山區(qū)地物提取和精細(xì)制圖，在農(nóng)業(yè)信息調(diào)查、農(nóng)業(yè)規(guī)劃等領(lǐng)域都具有較好的實際應(yīng)用前景。