□ 郭錦濤 洪 亮

（1.云南師范大學地理學部, 云南 昆明 650500；2.云南師范大學西部資源環(huán)境地理信息技術教育部工程技術研究中心, 云南 昆明 650500）

農業(yè)塑料大棚的使用有助于提高作物產量，但是，長期大量使用塑料大棚會破壞土壤結構，同時，農業(yè)化肥產生的殘留物質（如氮、磷等）會隨著地表徑流匯入河網(wǎng)，對生態(tài)環(huán)境造成負面影響［1］。因此，需要一種能夠動態(tài)監(jiān)測并繪制塑料大棚時空分布的方法，從而為當?shù)卣玫毓芾?、?guī)劃塑料大棚使用以及環(huán)境保護提供參考。相比傳統(tǒng)測量技術，遙感技術能夠快速獲取大范圍內塑料大棚覆蓋的信息。

基于遙感技術的塑料大棚覆蓋信息提取方法主要分為兩類：（1）基于光譜特征和分類器的提取方法［2］，此類方法依賴于樣本的質量，分類成本較高。（2）基于光譜指數(shù)和閾值模型的提取方法，該方法計算效率高、精度可靠、成本較低、提取規(guī)則可重復利用，Wang等［3］、Yang等［4］基于中低等分辨率遙感影像提出了一些塑料大棚的自動識別模型，并取得一定的研究成果。

目前研究成果主要適用于塑料大棚成片、連續(xù)分布或地表覆蓋類型相對簡單的區(qū)域，隨著城市化和農業(yè)現(xiàn)代化的進程，大部分區(qū)域地表覆蓋類型正趨于復雜化，以上方法在復雜區(qū)域對塑料大棚的提取效果仍需進一步驗證。而流域是在分水線約束下形成的閉合性區(qū)域，區(qū)域內地理環(huán)境復雜，地物類型多樣，是研究和討論已有方法制圖效果的良好樣區(qū)?；诖?，本文選擇滇池流域為研究區(qū)，比較分析三種塑料大棚光譜指數(shù)方法的分類效果，以期為復雜環(huán)境下塑料大棚提取提供參考。

一、研究區(qū)

滇池流域位于云南省中部，24°29～25°28N，102°29～103°01E之間。流域內土地覆蓋類型復雜，農業(yè)生產水平較高，主要生產蔬菜、花卉和苗木等經濟作物，流域東南及南部大量農田被改造為塑料大棚。

二、數(shù)據(jù)和方法

（一）數(shù)據(jù)及預處理

本文使用由歐空局（ESA）提供的Sentinel-2光學遙感影像進行塑料大棚提取。本文選擇兩幅2019年3月15日采集的Sentinel-2ALevel-1C產品，并使用SNAP7.0軟件進行預處理。

（二）特征分析

滇池流域內農業(yè)塑料大棚在真彩色影像上主要呈現(xiàn)為五種類型：黑色塑料大棚、棕色塑料大棚、灰藍色塑料大棚、綠色塑料大棚和白色塑料大棚。本文將五種類型塑料大棚統(tǒng)一歸類為塑料大棚，并將背景地物歸類為其他類型。通過選取13種地物的樣本各200個，根據(jù)5%～95%的置信區(qū)間統(tǒng)計并繪制樣本在Sentinel-2的12個波段和8個光譜指數(shù)的特征均值曲線圖（圖1）。由圖1可知，五種類型塑料大棚的光譜特征差異較大，且五種類型塑料大棚分別與不同背景地物在各個特征上存在相似性，區(qū)分度較低。

圖1 不同類型塑料大棚特征分析

（三）光譜指數(shù)方法

塑料薄膜在近紅外（NIR）、短波紅外1（SWIR1）和短波紅外2（SWIR2）處具有三個吸收帶，在實際分類中，地表地物類型復雜，且塑料大棚與其他地物在各光譜指數(shù)中類間差異較小，僅使用單一光譜指數(shù)提取塑料大棚精度較低，因此，已有研究通常采用多個指數(shù)構建閾值模型進行塑料大棚提取。決策樹分類法是一種基于規(guī)則逐級分層的非參數(shù)分類模型［3］，被廣泛使用于閾值模型的構建。

1.指數(shù)

（Green house vegetable landex traction model）指數(shù)由Zhao等［5］提出，公式如（1）所示。指數(shù)主要利用塑料大棚在短波紅外1波段反射率＞近紅外波段反射率＞紅波段（R）反射率的性質進行構建。指數(shù)的閾值上限為0.05。

式中，slope為坡度特征。

2.PGI指數(shù)

PGI（PlasticGreenhouseIndex）指數(shù)由Yang等［4］提出。綜上可知，對于地物類型較復雜，且塑料大棚類型多樣的區(qū)域，PGHI具有更好的分類效果。PGI指數(shù)提取塑料大棚的閾值上限為6.7，閾值下限為1.3。

式中，NDVI=（NIR-R）/（NIR+R），

NDBI=（SWIR1-NIR）/（SWIR1+NIR）

3.PGHI指數(shù)

式中，CSBI=SWIR2/SWIR1，

Brightness=（R+G+B）/3，PMLI=R/B

PGHI（PGHIndex）指數(shù)由Ji等［6］提出，公式如（3）所示，該方法使用亮度特征（Brightness）去除暗水體、植被和暗不透水面，近紅外波段（NIR）用于去除亮水體，塑料地膜覆蓋指數(shù)（Plastic-mulchedLandcoverIndex，PMLI）用于去除農用塑料地膜覆蓋農田，彩鋼瓦建筑指數(shù)（Color Steel Buildings Index，CSBI）用于去除彩鋼瓦建筑，PGHI指數(shù)用于去除裸地和亮不透水面，PGHI指數(shù)的閾值下限為0.43。

（四）地物可分性評價

為比較地物在不同指數(shù)中的可分性，本文采用J-M距離（Jeffreys-matusitaDistance）作為評價類別間可分性的指標。J-M距離公式如下：

式中，J為J-M距離，Bij為i類別和j的樣本之間在某一特征上的巴氏距離，μi為i類別在某一特征的均值，δi為i類別在某一特征的標準差。J-M距離的取值范圍為0～2，當J＜1時，表明不同類別之間在該特征下不具備可分性；當J＞1時，值越大，其分可分性越高。

（五）精度評價方法

為了定量評價三種方法的提取精度，本文使用混淆矩陣評估分類準確性?；贕oogleEarth提供的高分辨率遙感影像進行人工樣本選擇，確保樣本均勻分布在整個研究區(qū)，包含塑料大棚、水體、植被、不透水表面和裸土等五類地物。其中塑料大棚樣本總面積為81.35km2，背景地物樣本總面積80.75km2。

三、結果分析

（一）精度評價

三種指數(shù)分類精度如表1所示，可知，基于決策樹方法分類的總體精度均在76%以上，Kappa系數(shù)均在0.5以上，所有地物的制圖精度均在60%以上。三種方法中，PGHI指數(shù)對于塑料大棚的漏分誤差和錯分誤差均最低；指數(shù)對于塑料大棚的漏分誤差最高；PGI指數(shù)對于塑料大棚的錯分誤差最高，為14.71%?？傮w而言，PGHI指數(shù)各項精度評價指標均最高。

表1 不同方法提取塑料大棚精度

（二）塑料大棚提取結果對比

圖2為三種方法提取塑料大棚的分類結果，結合圖1可知，塑料大棚主要分布在滇池東南沿岸，三種方法均能有效提取塑料大棚。但三種方法都存在將其他地物誤分為塑料大棚的情況，其中，和PGI這兩種方法誤分比較嚴重。PGI指數(shù)的誤分主要發(fā)生在城市和山區(qū)，主要錯分類型為暗裸土；指數(shù)的誤分主要發(fā)生在城市區(qū)域，主要誤分地物為植被和；PGHI指數(shù)的誤分主要發(fā)生在城市區(qū)域，主要為低矮建筑和公路等不透水面與植被混合的像元。

圖2 滇池流域塑料大棚覆蓋圖

由圖3可知，三種方法在不同區(qū)域提取效果存在差異。在山谷地帶（區(qū)域1），指數(shù)對塑料大棚的漏提取現(xiàn)象嚴重；在農業(yè)生產區(qū)（區(qū)域2），指數(shù)將大量暗裸土誤分為塑料大棚，PGI指數(shù)將部分亮度較高的裸土誤分為塑料大棚，而PGHI指數(shù)可以將塑料大棚之間的小路去除，分類結果精細程度更高；在郊區(qū)（區(qū)域3），三種指數(shù)均存在錯誤分類問題，主要為植被和不透水面混合的像元，其中，指數(shù)錯誤分類問題最嚴重。

圖3 不同區(qū)域塑料大棚提取結果

針對誤分、漏分問題，計算不同類型塑料大棚與其他地物之間三種塑料大棚指數(shù)的J-M距離如圖4所示?？芍?，（1）受類內光譜差異較大、類間光譜差異較小的影響，三種指數(shù)均無法涵蓋所有類型塑料大棚；（2）PGHI指數(shù)分類的漏分誤差主要來源于黑色、棕色、白色三種類型塑料大棚的漏提?。唬?）PGHI和PGI指數(shù)中五種塑料大棚與其他地物的整體可分性高于指數(shù)，其中，灰藍色、綠色和白色塑料大棚SWIR1波段的反射率小于NIR波段（圖1），不滿足指數(shù)的構建規(guī)則，導致該方法對塑料大棚的漏分誤差較高，達到39.25%。

圖4 不同指數(shù)塑料大棚與地物的分離度

五、結語

本文以Sentinel-2為數(shù)據(jù)源，采用三種塑料大棚光譜指數(shù)方法對滇池流域塑料大棚進行制圖，結合對地物的特征和J-M距離進行分析，結果表明：基于PGHI指數(shù)的閾值模型整體分類效果最佳，總體精度為89.13%，Kappa為0.7817，塑料大棚的制圖精度和用戶精度分別為83.42%和93.42%，該方法能夠識別出塑料大棚之間的間隔，制圖精細程度較高，能夠適用于流域尺度等復雜地理環(huán)境的塑料大棚提取，為獲取流域尺度塑料大棚覆蓋信息提供了一種有效的方法。但目前方法均無法涵蓋所有類型塑料大棚，需要通過進一步的分析，構造出泛化性更強的塑料大棚光譜指數(shù)。