鄭 茜，邱春霞，李存軍，周靜平，淮賀舉，王佳宇，張清燕

（1.西安科技大學測繪科學與技術學院，陜西 西安710054；2.北京農業(yè)信息技術研究中心，北京100097）

近些年，中國農業(yè)朝著規(guī)?；?、精準化、現(xiàn)代化方向發(fā)展[1]，全國各地涌現(xiàn)出大批的家庭農場、農業(yè)合作社、農業(yè)社會化服務組織等[2]。亞田塊邊界信息是規(guī)?；F(xiàn)代農業(yè)發(fā)展必須掌握的基礎信息[3-4]，隨著空天遙感技術的快速發(fā)展，高空間分辨率遙感影像能夠更加精細地反映地物的空間分布特征，給田塊邊界和亞田塊邊界的提取提供了有效的數(shù)據(jù)支撐。本文以無人機高空間分辨率影像為數(shù)據(jù)，運用面向對象方法來進行亞田塊邊界的提取。

1 材料與方法

1.1 研究區(qū)數(shù)據(jù)

本研究區(qū)位于河北省滄州市泊頭市西辛店鄉(xiāng)，地處河北省中南部，東臨渤海，背靠京津，地屬海河沖積平原。研究區(qū)地勢平坦，土地資源豐富，是京津冀的主要糧食生產基地。所在區(qū)域主要以小麥和玉米農作物為主，采用秋收玉米冬種小麥輪作耕種方式。田塊形狀一般為規(guī)則矩形，方便農業(yè)機械的統(tǒng)一管理。本研究區(qū)對于耕地邊界的提取具有一定的代表性。于2020-11末獲取的無人機RGB影像，此時正值小麥越冬分蘗期，地塊邊界比較清晰。

1.2 亞田塊邊界提取方法

1.2.1 圖像分割

多尺度分割是面向對象中最常用的分割算法，是一種從單像素對象開始的自下而上的區(qū)域合并技術，根據(jù)均質性與異質性標準將像素在空間聚類為影像對象，使得異質性權重最小化，異質性標準主要包括光譜異質性標準與形狀異質性標準，計算公式如下。

光譜異質性hcolor：

形狀異質性hshape：

式（1）～（4）中：wc為各層的權重；n為對象的大??；merge表示合并后的影像對象；obj1與obj2分別表示2個用來合并的影像對象；σc為光譜值得標準差；wcompact為用戶規(guī)定的緊致度參數(shù)；l為對象的周長；b為對象外切矩形的周長。

1.2.2 閾值分類與亞田塊邊界提取

本文基于面向對象開展亞田塊邊界提取，利用eCognition軟件中提供的強大的特征庫，但并不是特征越多分類精度越高，特征過多將會產生信息冗余，過少將得不到高精度的分類結果。本文使用eCognition軟件提供的“FeatureSpaceOptimization”工具，對光譜特征、紋理特征、空間特征以及自定義植被指數(shù)特征進行基于分離度的特征優(yōu)選，評價指標為最佳分離距離度量，公式為：

式（5）中：fi為特征空間的第i個特征；vfi(s)、vfi(o)分別代表訓練樣本s、o在特征i上的特征值；Qfi為特征空間內所有影像地塊特征fi的標準差。

由于研究區(qū)無人機影像波段僅有RGB三通道，所以借鑒一些有利于分類的可見光植被指數(shù)較少，針對這個缺點，有些學者提出一些自定義特征，如表1所示。

表1 可見光波段植被指數(shù)

對表1中可見光植被指數(shù)進行定量與定性分析，將篩選出的植被指數(shù)來參與規(guī)則集的構建，主要篩選指標包括像元統(tǒng)計均值和變動絕對差值，其公式為：

式（6）（7）中：Dij為第i類地物中的第j個像元值；n為第i個地物類中的像元個數(shù)。

將選取的特征規(guī)則集用閾值分類法進行分類，閾值分類法是“真”和“假”邏輯判定的一種硬分類器，如果某個對象符合某類的閾值條件，則為“真”，若相反，則為“假”。閾值分類后的圖像進行合并以及去除一些小圖斑的影響，最終提取農田邊界。

2 結果與分析

2.1 最優(yōu)空間分辨率選取

通過采樣得出在不同空間分辨率下，影像分割結果有很大差別，空間分辨率越高，地物的光譜特征與紋理特征越清晰，過分割現(xiàn)象越明顯（4cm、6cm）；相反，空間分辨率越低，越容易產生欠分割現(xiàn)象（30cm、60cm），并且在一些其他情況下（8cm、15cm）也會產生錯分現(xiàn)象。因此，需平衡過分割現(xiàn)象與欠分割現(xiàn)象，選擇適宜的空間分辨率，使得地塊邊界提取的精度更高，本文選取研究區(qū)地塊的最優(yōu)空間分辨率為10cm。根據(jù)實地調研，田埂寬度一般為40cm左右，恰好說明10cm空間分辨率能有效提取農田。

2.2 邊界提取

2.2.1 可見光植被指數(shù)計算與篩選

根據(jù)表1所述公式分別計算6種可見光植被指數(shù)，得到各可見光植被指數(shù)的空間分布影像區(qū)域，得出除了VEG植被指數(shù)的空間分布為色調越亮植被指數(shù)值越小，其余植被指數(shù)的空間分布為色調越亮植被指數(shù)值越大，色調越暗植被指數(shù)值越小。其中，RGBVI、MRGVI、EGRBDI和GLI植被指數(shù)中小麥與裸地灰度值差異較大，小麥顯示為亮白色，裸地顯示為灰黑色和黑色，并且小麥區(qū)域的邊界清晰，從整體看小麥提取效果較好。而NGBDI和VEG植被指數(shù)中小麥稀疏區(qū)域與裸地的灰度值相差較小，小麥區(qū)域邊界較為模糊，不利于小麥邊界的提取。

上述植被指數(shù)的空間分布只能定性地根據(jù)目視方法來評價，為了更好地比較和分析這幾種植被指數(shù)，本文選取各典型地物的ROI，統(tǒng)計各典型地物在各植被指數(shù)中的像元均值和變動絕對差值，統(tǒng)計結果如表2所示。

由表2可知，各植被指數(shù)的像元均值在小麥與裸地地物之間無交叉現(xiàn)象，并且VEG、MGRVI和GLI植被指數(shù)在小麥與裸地之間像元均值差異較大，NGBDI、GLI和EGRBDI植被指數(shù)的變動絕對差值最小，均為0.1，因此選擇GLI植被指數(shù)參與小麥地塊的提取。

2.2.2 多尺度分割

結合本實驗地塊的特點，并根據(jù)一些公認特征，地塊為規(guī)則矩形或者長條帶狀時，則可以考慮形狀特征和范圍特征，比如形狀指數(shù)（ShapeIndex）、長寬比（Length/Width）特征，并且結合光譜特征、紋理特征以及自定義植被指數(shù)特征（GLI）進行特征優(yōu)選，篩選出進行閾值分類的最優(yōu)特征，當維數(shù)為5時分離距離最大，表明適合提取亞田塊邊界的特征有5種，相對應的規(guī)則集參數(shù)如表3所示。

根據(jù)上述構建的規(guī)則集，首先結合光譜特征和紋理特征對影像進行閾值分類第一步，然后針對未分類出的田埂利用形狀因子、長寬比和GLI植被指數(shù)對影像進行再分類，最后得出精確的分類結果，將分類后的影像進行后處理，后處理主要對影像進行合并，并去除一些小圖斑的影響，最終得到亞田塊邊界，如圖1（a）所示。

為了更好地分析本文方法在田塊提取方面的優(yōu)劣性，本文結合ENVI軟件中FeatureExtraction模塊進行對比，F(xiàn)eatureExtraction模塊是提取田塊當前比較主流的方法，在提取耕地時，將地物主要分為小麥與裸地2類，主要設置的參數(shù)為分割尺度、合并尺度以及分類方法的選擇，針對本文田塊的特點，經過多次實驗，最終確定分割尺度為60，合并尺度為80，分類算法選擇支持向量機（SVM）算法，最終提取結果如圖1（b）所示。

2.3 亞田塊邊界提取精度

通過目視對比1（a）和1（b）可知，本文方法比支持向量機方法的耕地誤提取較少，這是由于本文方法構建的規(guī)則集可以很好地區(qū)分耕地與非耕地，而用支持向量機提取的耕地誤提取與漏提取較多，將一些長勢不好的小麥誤分為耕地。綜上分析可知，本文方法提取亞田塊邊界較好。

為了使評價結果更加客觀，以人工目視解譯邊界為參考，將本文方法與支持向量機方法提取的耕地進行定量評價，如圖1（c）所示。本文方法提取耕地總體精度較支持向量機方法高12.8%以上，用多尺度分割和構建規(guī)則集來進行分類，比支持向量機手動選擇樣本效果更好，在一定程度上說明本文方法提取亞田塊是可行的。

圖1 不同算法的亞田塊邊界提取結果

3 小結

總體來說，本文方法在亞田塊邊界提取中取得較好效果，特別是在華北平原地區(qū)劃定亞田塊邊界具有很大的潛力。本文研究區(qū)選取小麥越冬分蘗期進行實驗，分蘗時期小麥長勢弱以及不均勻，田塊間小麥不能夠完全覆蓋裸土，使得漏分現(xiàn)象較明顯，田塊邊界提取較難。在接下來的研究中，需結合多時相影像進行實驗，使亞田塊邊界的提取更加精確。本文僅局限于泊頭市西辛店鄉(xiāng)進行實驗，在后續(xù)實驗中，應選取多個試驗區(qū)進行適宜性分析。