孫佩 汪權(quán)方 易潔偉 康全國 張馳 尹偉 袁知洋

(1.湖北省地質(zhì)科學(xué)院研究院，湖北 武漢 430000；2.湖北省硒生態(tài)環(huán)境效應(yīng)檢測中心，湖北 武漢 430000；3.湖北大學(xué)資源環(huán)境學(xué)院，湖北 武漢 430062)

引言

小麥?zhǔn)枪任锏囊环N,年產(chǎn)量巨大,其產(chǎn)量的87%作為食用,剩余部分基本作為飼料使用,其在我國的種植歷史悠久,如果能夠準(zhǔn)確而及時地獲取到小麥的種植面積信息以及種植變化情況,對維護(hù)國家糧食安全和保障國民經(jīng)濟(jì)穩(wěn)定發(fā)展具有不可忽視的重要意義[3-5]。我國是油菜生產(chǎn)大國,其作為一種不可或缺的經(jīng)濟(jì)作物,在我國種植范圍廣泛[4,5],所以我國油菜的總體面積和全部產(chǎn)量在世界產(chǎn)量和面積中居于第1位。相對于其他農(nóng)作物而言,這2種作物的消費量、生產(chǎn)量以及貿(mào)易量等所占比重都非常大,其在我國的農(nóng)業(yè)生產(chǎn)中有著不可忽視的位置[6]。以前獲得農(nóng)作物種植面積信息的主要途徑是以家庭為單位進(jìn)行人工統(tǒng)計,逐級上報得到農(nóng)作物種植面積數(shù)據(jù)。目前,這種方式所統(tǒng)計出來的結(jié)果偏差很大,同時消耗大量的人力、物力以及財力,已不能夠滿足現(xiàn)階段經(jīng)濟(jì)的快速發(fā)展[3]。近年來,隨著全世界遙感技術(shù)的發(fā)展,農(nóng)業(yè)遙感技術(shù)[7-9]也隨之得到全面發(fā)展及深入各方面的應(yīng)用,對于當(dāng)前農(nóng)業(yè)的轉(zhuǎn)型發(fā)展有著不可或缺的作用。農(nóng)業(yè)遙感己經(jīng)成為一種不可或缺的全新技術(shù)手段,對于當(dāng)前精細(xì)農(nóng)業(yè)的發(fā)展有著不可或缺的作用。

為了準(zhǔn)確獲得研究區(qū)小麥油菜的種植面積,需要對遙感影像進(jìn)行目標(biāo)地物提取。傳統(tǒng)的非監(jiān)督分類和監(jiān)督分類[10,11]的方法對于大面積的目標(biāo)地物提取無法達(dá)到很好的效果,而無人機(jī)[12,13]等先進(jìn)技術(shù)成本高,通過分析2種遙感影像的光譜特征,發(fā)現(xiàn)其它地物跟小麥油菜之間的光譜差異在綠光和紅光波段上有較大的差異,此外利用NDVI指數(shù)、高程和坡度等參數(shù)都可以與其它地物進(jìn)行區(qū)分[14],這些情況與決策樹方法的原理十分吻合,因此本文選取了經(jīng)濟(jì)實用的決策樹分類方法研究提取目標(biāo)地物。

1 研究區(qū)域與數(shù)據(jù)

Landsat系列衛(wèi)星以及高分一號運行時間跨度較長,空間分辨率相對于其他影像數(shù)據(jù)較高,能夠?qū)π←?、油菜的監(jiān)測提供長時間序列的影像數(shù)據(jù)且易獲取,可以通過相關(guān)網(wǎng)站免費下載,降低監(jiān)測成本。因此,本文從國際科學(xué)數(shù)據(jù)服務(wù)平臺以及地理空間數(shù)據(jù)云獲取了荊門市3月的Landsat影像數(shù)據(jù)以及高分一號數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)源,其中Landsat影像數(shù)據(jù)分辨率為30m,高分一號數(shù)據(jù)分辨率為2m。

2 提取方法

2.1 小麥油菜解譯標(biāo)志建立

因為遙感影像質(zhì)量受天氣影響較大,因此為了保證完全提取荊門市小麥油菜的種植面積,本文同時使用Landsat系列影像和GF-1影像。利用光譜影像提取目標(biāo)地物,需判斷出目標(biāo)地物在遙感影像中呈現(xiàn)的光學(xué)特征,本文通過在荊門市采集樣點,將獲得的GPS點來疊加2種遙感影像,從而確定出小麥油菜的光譜特征,如圖1所示。

圖1 荊門市小麥油菜的解譯標(biāo)志

從圖1可以很明顯看出,小麥在影像中呈現(xiàn)的光譜特征為深色,油菜在影像中呈現(xiàn)的光譜特征為淺色。

2.2 基于決策樹分類方法的小麥油菜面積提取

2.2.1 決策樹分類概述

決策樹分類法是一種典型的多級分類方法,是由一系列的二叉決策樹構(gòu)成,見圖2,是對數(shù)據(jù)集合從上而下逐層細(xì)分的分類方法用于將像元劃分到相應(yīng)的類別,一般情況下,每個決策樹在1個分類規(guī)則的表達(dá)式的基礎(chǔ)上將圖像中的像元劃分為2大類,新的生成類別可以根據(jù)其他分類規(guī)則繼續(xù)向下一級分類,達(dá)到預(yù)期分類結(jié)果滿意程度[15]。

圖2 決策樹分類結(jié)構(gòu)示意圖

其分類的基本原理是參照各個類別的相近程度逐層向上聚類,每個聚類點形成1個葉結(jié)點,在預(yù)知各個地物類別樣本信息的條件下,同時還可以將該節(jié)點繼續(xù)向下細(xì)分,將樣本數(shù)據(jù)細(xì)分成若干個子集；以此類推逐層向上聚類,到根節(jié)點為止,完成對不同類別的劃分提取。一個完整的決策樹只有1個根節(jié)點,但可以有多個分支和結(jié)點,結(jié)點有父結(jié)點和葉結(jié)點之分,每個葉結(jié)點只能從屬于1個父結(jié)點,對于父結(jié)點來說,至少含有2個葉結(jié)點?？v觀決策樹的組織結(jié)構(gòu),起始端為根節(jié)點,末端以葉結(jié)點為止。根據(jù)決策樹的組織結(jié)構(gòu),將選定的數(shù)據(jù)集作為分類對象逐層劃分出樹的結(jié)點,每個父結(jié)點上記錄參與計算的數(shù)據(jù)樣本以及對應(yīng)的分類判別函數(shù),樹末端的葉結(jié)點記錄某一類別的最終分類結(jié)果[17]。

利用決策樹分類方法對研究區(qū)小麥油菜進(jìn)行種植面積信息提取,能夠充分利用影像光譜信息,與此同時在疊合不同數(shù)據(jù)源的基礎(chǔ)上來實現(xiàn)從多層次多角度去獲取地物分類特征指標(biāo),獲得不同地物的分類類別信息。同時,在此基礎(chǔ)上,決策樹分類方法能夠更有效率地處理大量數(shù)據(jù)以及高維數(shù)據(jù),能夠全方位分辨目標(biāo)地物。并且不需要太多的先驗知識作為假設(shè)條件,其操作過程簡單,運行速度較快。所以本文將上述選取的指標(biāo)和參數(shù)作為小麥油菜種植面積的提取依據(jù),運用決策樹分類方法對湖北省荊門市研究區(qū)域進(jìn)行地物分類。

2.2.2 決策樹分類規(guī)則的建立

決策樹分類方法具有很多優(yōu)點,如有較高的分類結(jié)果精確,較直觀的分類結(jié)構(gòu),效率較高的運算結(jié)果等。本文在ENVI操作軟件的基礎(chǔ)上構(gòu)建提取小麥油菜種植面積的決策樹模型[16],需建立分類規(guī)則,本文將通過對遙感影像圖上主要地物的光譜特征進(jìn)行仔細(xì)分析,從而獲得決策樹分類所需的分類規(guī)則。

2.2.2 .1 光譜特征分析

在空間分辨率為30m的Landsat影像上采集主要典型地物的光譜特征,第8波段為全色波段,因此本文沒有使用該波段的光譜特征,如圖3,在第3波段(紅光波段)上裸地和建筑用地的DN值明顯高于其它地物；在第4波段(近紅外)上小麥和油菜的DN值明顯高于其它地物,且油菜的DN值最高；在第5波段(紅光波段)上小麥和油菜的DN值明顯小于居民地和裸地的DN值；第6波段(短波紅外)上小麥和油菜的DN值明顯大于水體；在第7波段上小麥和油菜的DN值明顯小于居民地和裸地；第10波段上裸地的DN值明顯的高于其他主要地物。

圖3 Landsat影像地物光譜特征曲線圖

綜上可以發(fā)現(xiàn),不同地物在不同波段上表現(xiàn)出不同的差異,不論地物光譜特征怎么混淆總是會在某個波段上的光譜值具有明顯的差異,因此通過不同地物的光譜特征可以有效提取目標(biāo)地物——小麥和油菜。為了獲得更加精確的光譜特征分析結(jié)果,本文總共采集600個樣點覆蓋主要地物,從而獲取得到主要地表物質(zhì)在不同波段上的光譜灰度區(qū)間,見表1。

表1 不同地物在差異波段上的光譜灰度值區(qū)間

同理,利用相同的方法也可以得到GF-1影像的光譜特征曲線,見圖4。

圖4 GF-1影像地物光譜特征曲線圖

同樣采集600個樣點覆蓋影像中的主要地物,獲取GF-1影像中主要地表物質(zhì)在不同波段上的光譜灰度區(qū)間,見表2。

表2 不同地物在差異波段上的光譜灰度值區(qū)間

2.2.2 .2 分類規(guī)則的建立

通過上面的分析,進(jìn)而獲得決策樹分類規(guī)則,過程如下。

第5波段上水體的DN值明顯小于其它地物,根據(jù)表1,取第5波段上水體的最大DN值與小麥油菜的最小DN值的平均值來制定約束條件B5(表示地物波段,下同)＞12050,作為小麥識別決策樹模型的第1層約束條件,見圖5,從而分離了水體和其它地物。

圖5 Landsat影像小麥油菜決策樹模型

裸地在第10波段上的DN值較大,明顯大于其它地物的DN值,結(jié)合表1,取B10上裸地的最小DN值與小麥油菜的最大DN值的平均值作為的指定約束條件B10＜27750作為小麥識別決策樹模型的第2層約束條件[16],從而分離出裸地。

根據(jù)圖3,裸地和建筑用地在第4波段上的像元DN值小于第5波段上的像元DN值,而小麥、油菜和植被在第4波段上的像元DN值大于第5波段上的像元DN值,所以指定約束條件B5＞B6作為小麥識別決策樹的第3層約束條件[16],從而分離了小麥、油菜、植被和裸地、建筑用地。

為了進(jìn)一步分離出其它非目標(biāo)地物,將小麥和油菜的DN值在B3、B6上較低這一光譜特征引入一些約束條件,小麥的DN值在B3上的區(qū)間為7395～7740,在B6上的區(qū)間為7953～9025；油菜的DN值在B3上的區(qū)間為7967～8255,在B6上的區(qū)間為9634～10390[16],綜合2個灰度區(qū)間,得到7300＜B3＜8300,7900＜B6＜10400。

植被和小麥油菜的光譜特征非常相似,在除了第4波段以外的所有波段幾乎都無法分離出植被,因此利用第4波段上植被的像元DN值較小這一特征分離出植被,取第4波段植被最大DN值與小麥的最小DN值的平均值作為小麥油菜識別決策樹的第5層約束條件B4＞15000。

通過以上步驟已經(jīng)將小麥和油菜從其它地物中分離出來,觀察第4波段,油菜的DN值遠(yuǎn)遠(yuǎn)大于小麥的DN值,因此可以利用這一特征將小麥和油菜區(qū)分,取第4波段小麥的最大DN值與油菜的最小DN值的平均值作為第6層決策樹的約束條件B4＞20500。

同理,運用上述的分析方法可以得到GF-1影像的小麥油菜決策樹模型,如圖6所示。

圖6 GF-1影像小麥油菜決策樹模型

通過上面的步驟就可以完成小麥油菜識別決策樹模型的分類規(guī)則的建立,然后利用ENVI中的決策樹方法,建立分類規(guī)則,從而達(dá)到精準(zhǔn)分離出目標(biāo)地物——小麥和油菜,排除其他地物對提取結(jié)果的干擾。分類結(jié)果主要以Landsat影像為主,GF-1影像數(shù)據(jù)作為補(bǔ)充。

3 實驗結(jié)果與分析

3.1 分類結(jié)果與分析

通過創(chuàng)建分類規(guī)則,使用決策樹分類的方法不斷剔除掉與小麥、油菜混合的地物,從而得到小麥、油菜的種植面積,在Arcgis中獲取矢量化的結(jié)果,并對結(jié)果進(jìn)行局部的修改,去除自動分類不精確的部分,如錯分、漏分等,從而提高分類結(jié)果的精度,圖7、圖8分別為小麥、油菜分類結(jié)果與原始影像的疊加效果圖,可以很明顯地發(fā)現(xiàn),通過決策樹分類獲得的矢量結(jié)果與影像中的地物十分吻合,說明分類效果很好,可靠性高,可以用于后續(xù)的數(shù)據(jù)分析。

圖7 小麥分類結(jié)果與影像疊加圖

圖8 油菜解譯結(jié)果與影像疊加圖

3.2 精度驗證

使用決策樹分類方法,可以將不像小麥油菜信息以及一些明顯易混信息進(jìn)行逐次剔除,為了能夠得到更準(zhǔn)確的分類驗證結(jié)果,需對影像分類結(jié)果生成600個隨機(jī)點,同時和影像真實值進(jìn)行對比分析,在識別過程中發(fā)現(xiàn)小麥油菜與水體、道路以及其他植被的錯分情況比較小,小麥油菜提取精度的錯分情況主要是由于其他農(nóng)作物的混淆造成。600個隨機(jī)樣點中正確數(shù)有520個,錯分?jǐn)?shù)僅80個,總體精度達(dá)到了86.67%,說明所構(gòu)建的決策樹分類結(jié)果基本可以滿足研究需要。

4 結(jié)論與討論

我國是農(nóng)業(yè)大國,而農(nóng)業(yè)的發(fā)展最主要還是取決于耕地面積的多少,我國土地面積雖然廣闊,人均耕地面積極少,這是我國農(nóng)業(yè)發(fā)展的主要限制問題,但是不合理的土地利用又會造成大面積的土地浪費或者污染。

根據(jù)本文試驗研究,Landsat影像數(shù)據(jù)和高分一號影像數(shù)據(jù)能夠滿足對于小麥油菜信息提取的精度需要,通過決策樹分類的方法能夠更有效地將影像多個波段信息有機(jī)組織結(jié)合起來,詳細(xì)利用不同光譜信息以及指標(biāo)參數(shù)提取了較長時間序列的影像數(shù)據(jù),其分類精度也達(dá)到了本文研究需求。決策樹分類方法可以規(guī)避非監(jiān)督分類里面出現(xiàn)的一些缺點,同時可以避免監(jiān)督分類中其他分類方法的缺點,發(fā)揮其優(yōu)點。