賈孟豪 郭群佐 鄧榮鑫

(華北水利水電大學(xué)測繪與地理信息學(xué)院，河南 鄭州 450046)

前言

農(nóng)田防護(hù)林是我國重要的生態(tài)屏障，對于改善生態(tài)環(huán)境、防止水土流失、增加農(nóng)作物產(chǎn)值具有重要意義和價值[1]。因此，快速獲取并監(jiān)測防護(hù)林的結(jié)構(gòu)，空間分布特征，林帶長勢等信息對于研究防護(hù)林結(jié)構(gòu)監(jiān)測與功能發(fā)揮具有重要意義。傳統(tǒng)的防護(hù)林調(diào)查主要依靠人力野外采樣考察，需要消耗大量的人力物力且時效性差，難以滿足科學(xué)研究和生產(chǎn)應(yīng)用需求，亟需設(shè)計一種快速、精準(zhǔn)的農(nóng)田防護(hù)林提取方法。

遙感具有大范圍、重復(fù)觀測等優(yōu)勢，現(xiàn)已廣泛應(yīng)用于大尺度地物識別與動態(tài)監(jiān)測研究。一些學(xué)者也嘗試?yán)貌煌愋偷倪b感影像進(jìn)行農(nóng)田防護(hù)林的提取研究。秦麗梅等[2]基于Landsat 7 ETM衛(wèi)星遙感圖像，采用BP人工神經(jīng)網(wǎng)絡(luò)開展了農(nóng)田防護(hù)林提取研究；鄧榮鑫等[3]利用Landsat TM衛(wèi)星用影像與決策樹分類方法進(jìn)行了農(nóng)田防護(hù)林地與其它林地的區(qū)分；扈晶晶[4]利用HJ-1和ZY-3衛(wèi)星數(shù)據(jù)與決策樹分類的方式進(jìn)行農(nóng)田防護(hù)林的信息提??；幸澤峰[5]利用ZY-3衛(wèi)星數(shù)據(jù)與面向?qū)ο蠓诸惙椒ㄟM(jìn)行全區(qū)分類，并對結(jié)果進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理的分類研究；Wiseman等[6]基于高分辨率多波段影像，參照光譜信息、紋理信息、空間統(tǒng)計信息等，運(yùn)用面向?qū)ο蠓椒▽幽么蟛菰霓r(nóng)田防護(hù)林帶信息進(jìn)行提取。這些方法在防護(hù)林分類提取的研究領(lǐng)域均取得了較好的效果。

本研究以Sentinel-2影像為數(shù)據(jù)源[7]，分析農(nóng)田防護(hù)林分類提取的關(guān)鍵特征，構(gòu)建特征空間，并結(jié)合隨機(jī)森林分類算法和數(shù)學(xué)形態(tài)學(xué)處理算法，研究并建立一種兩步集成的農(nóng)田防護(hù)林自動提取方法。該方法可為大范圍農(nóng)田防護(hù)林的自動提取提供參考，為農(nóng)田防護(hù)林經(jīng)營管理和動態(tài)監(jiān)測提供可靠技術(shù)支持。

1 研究區(qū)概況

研究區(qū)位于吉林省中西部的德惠市和農(nóng)安縣境內(nèi)(E125°12′10″～125°38′34″，N44°18′33″～44°42′37″)，見圖1。該區(qū)域地處吉林省中北部、松遼平原腹地，氣候?qū)儆跍貛О霛駶櫞箨懶詺夂?，多年平均氣溫?.9℃，多年平均降水量為520.13mm，但由于春季風(fēng)害嚴(yán)重，生態(tài)環(huán)境較為脆弱。該地區(qū)農(nóng)田防護(hù)林工作起步早，規(guī)模大，效果較好[8]。

2 數(shù)據(jù)及預(yù)處理

本研究采用歐洲航天局Sentinel-2衛(wèi)星數(shù)據(jù)作為主要數(shù)據(jù)源，采集時間為2017年6月28日，精度評價數(shù)據(jù)為高精度Google地圖歷史衛(wèi)星影像。

本文所下載使用的Sentinel-2A數(shù)據(jù)，為歐空局(ESA)發(fā)布的數(shù)據(jù)產(chǎn)品級別為Level-1C的數(shù)據(jù)，是經(jīng)正射校正和亞像元級幾何精校正后的大氣表觀反射率產(chǎn)品，并沒有進(jìn)行大氣校正。因此預(yù)處理過程主要為基于Level-2A級數(shù)據(jù)提供的參數(shù)對影像進(jìn)行大氣校正。

3 研究方法

3.1 農(nóng)田防護(hù)林分類特征空間構(gòu)建

研究區(qū)內(nèi)農(nóng)作物多以高桿玉米為主，直觀上會對同是植被的防護(hù)林識別帶來干擾，所以僅參照光譜波段和某些植被指數(shù)進(jìn)行分類難以滿足精度和效率需求。本研究將前人研究防護(hù)林分類時選取的分類特征[3-6，9-12]與研究區(qū)實際情況相結(jié)合，進(jìn)行分類特征的選取，最終共選取分類特征42個，包含了光譜特征、紋理特征、植被指數(shù)與空間特征4大類，構(gòu)建農(nóng)田防護(hù)林分類特征空間。

3.2 基于隨機(jī)森林分類的農(nóng)田防護(hù)林初步提取

隨機(jī)森林(Random Forest，RF)分類算法是一種多決策樹集成的機(jī)器學(xué)習(xí)算法。大量研究表明，集成分類器的分類精度優(yōu)于單一分類器。近幾年，RF作為一種較新的機(jī)器學(xué)習(xí)算法，因其運(yùn)算速度快，分類精度高并且對噪聲數(shù)據(jù)不敏感等優(yōu)勢，被廣泛應(yīng)用與遙感數(shù)據(jù)的研究當(dāng)中[13]。

本研究共選取了42個分類特征，通過多次實驗剔除相同的冗余信息，與OOB曲線計算分類特征的重要性排序，最終選擇NDVI、RVI、紅光波段等14個特征變量構(gòu)成特征空間集。

3.3 基于數(shù)學(xué)形態(tài)學(xué)的農(nóng)田防護(hù)林精細(xì)提取

對農(nóng)田防護(hù)林初步提取結(jié)果進(jìn)行基于數(shù)學(xué)形態(tài)學(xué)的精細(xì)提取，以解決城建區(qū)噪聲與林網(wǎng)數(shù)據(jù)破碎的問題。數(shù)學(xué)形態(tài)學(xué)被廣泛應(yīng)用在圖像處理、模式識別等領(lǐng)域。尤其在遙感影像提取河流、溝渠、道路等線性地物方面，已有學(xué)者進(jìn)行研究，并達(dá)到了較高的識別精度[14]。

本研究綜合利用Matlab的Imfill函數(shù)及Floodfill算法也就是種子填充算法[15]對基于NDBI提取的城建區(qū)數(shù)據(jù)進(jìn)行孔洞填充，并通過使用該數(shù)據(jù)掩膜處理解決城建區(qū)噪聲問題。

對提取后的結(jié)果進(jìn)行合理閉運(yùn)算可以剔除細(xì)碎噪聲點，并連接臨近區(qū)域。但是部分區(qū)域由于閉運(yùn)算參數(shù)的設(shè)定無法連接所有符合條件的防護(hù)林，所以這時候形態(tài)學(xué)膨脹運(yùn)算就十分必要，但由于膨脹后腐蝕會造成短小防護(hù)林的信息缺失。所以本文最終采用膨脹后細(xì)化運(yùn)算，最終得到的是由單一像元構(gòu)成的連續(xù)不斷的防護(hù)林帶，更利于長度信息的統(tǒng)計。

在進(jìn)行上述操作后幾乎剔除了所有誤差，但是仍有一些高稈農(nóng)作物、村莊部分邊界樹木，以及孤立不連通的獨立樹木難以剔除。本研究采用設(shè)置連通面積閾值的方式對此類噪聲點進(jìn)行剔除。

經(jīng)過上述方案處理最終得到的農(nóng)田防護(hù)林分類處理結(jié)果是連續(xù)不斷的，且已經(jīng)剔除了絕大部分噪聲點和不具備防護(hù)效益的林木。

3.4 精度評價

綜合上述的兩步集成農(nóng)田防護(hù)林提取方案，精度評價分為2個部分：初步分類精度評價，精細(xì)化處理結(jié)果精度評價。

針對隨機(jī)森林分類后的初步結(jié)果，結(jié)合1m分辨率的谷歌衛(wèi)星影像準(zhǔn)確地構(gòu)建評價樣本集合。構(gòu)建預(yù)測與實際對應(yīng)像元個數(shù)構(gòu)建3行3列的混淆矩陣，計算總體精度(Overall Accuracy)、Kappa系數(shù)進(jìn)行精度評價。

農(nóng)田防護(hù)林的典型特點是線狀地物，通常都將長度作為評價參數(shù)[9]。綜合研究提取結(jié)果，本文提出冗余度、吻合度、遺漏度及長度正確率4種參數(shù)，定量對精細(xì)化提取結(jié)果的長度和空間位置進(jìn)行評價。計算公式：

Δα=L1/LT

(1)

Δρ=L2/LT

(2)

Δβ=L3/LT

(3)

Δγ=LC/LT

(4)

式中，L1表示冗余長度；L2表示空間吻合長度；L3表示遺漏未提取長度；LC表示分類結(jié)果長度；LT表示實際長度。

4 結(jié)果與分析

4.1 基于隨機(jī)森林方法的農(nóng)田防護(hù)林初步提取結(jié)果

利用綜合前人研究和研究區(qū)特點所構(gòu)建的分類特征集合，構(gòu)建訓(xùn)練樣本集合。使用隨機(jī)森林算法進(jìn)行分類，多次實驗并結(jié)合OOB曲線進(jìn)行優(yōu)化，得到分類結(jié)果如圖2所示，分類混淆矩陣見表1。

表1 分類混淆矩陣

圖2 分類結(jié)果示意圖

通過選取對植被反應(yīng)敏感的紅光，近紅外等共6個光譜波段及NDBI、NDVI、RVI、NDWI 4個光譜指數(shù)和2個高通濾波圖像、2個紋理特征影像，共計14個分類特征構(gòu)建分類特征空間。訓(xùn)練樣區(qū)的選擇一定程度上直接影響了分類精度，進(jìn)行合理的樣區(qū)選擇，準(zhǔn)確且均勻分布的采樣，建立ROI訓(xùn)練樣區(qū)。

多次實驗，最終進(jìn)行3類地物劃分，分別為城建區(qū)、農(nóng)田防護(hù)林以及其他(農(nóng)田，水體等)。在連片性較好的農(nóng)田附近農(nóng)田防護(hù)林網(wǎng)識別情況較好，反之則質(zhì)量略差，整體識別精度達(dá)到95.2%。

雖然整體識別精度達(dá)到了95.2%，但還是存在大量問題。如，明顯的斷點，邊界毛刺，部分像元噪聲，以及研究區(qū)域內(nèi)的村莊綠化林帶造成的誤統(tǒng)計。大量防護(hù)林帶斷裂現(xiàn)象不利于統(tǒng)計，如圖2a所示，部分錯誤分類需要篩選剔除如圖2b所示，還有大量的破碎圖斑出現(xiàn)在城建區(qū)內(nèi)如圖2c所示。

4.2 農(nóng)田防護(hù)林精細(xì)提取結(jié)果

針對農(nóng)田防護(hù)林初步提取結(jié)果展示出的不足，通過膨脹、填充等基于形態(tài)學(xué)處理與掩膜、細(xì)化等處理，去除圖像噪聲及離散點，同時填充斷點、平滑邊界，提取效果如圖3所示。

圖3 初步分類結(jié)果與精細(xì)化處理結(jié)果對比

由圖3可知，在精細(xì)提取后得到的農(nóng)田防護(hù)林分類處理結(jié)果是連續(xù)不斷的，且已經(jīng)剔除了絕大部分噪聲和不具備防護(hù)效益的林木，極大改善了圖像噪聲及離散點問題。

在圖4所展示的試驗區(qū)1中使用ArcGIS統(tǒng)計分類識別長度，結(jié)合高精度衛(wèi)星影像圖矢量化標(biāo)準(zhǔn)防護(hù)林，對試驗區(qū)1的精細(xì)化處理結(jié)果進(jìn)行定量評價，精度評價結(jié)果見表2。

表2 試驗區(qū)1定量精度評價

圖4 精細(xì)化處理結(jié)果

5 結(jié)論

綜合考慮光譜波段、光譜指數(shù)、紋理特征、空間濾波構(gòu)建多維的分類特征集合，可以更加準(zhǔn)確地提取農(nóng)田防護(hù)林，最終準(zhǔn)確識別精度達(dá)到95.2%。

相比初步分類結(jié)果，經(jīng)過精細(xì)化提取處理操作的農(nóng)田防護(hù)林網(wǎng)識別結(jié)果，在減少城建區(qū)綠化植株過統(tǒng)計，降低噪聲(高桿作物、部分錯誤分類)，去除毛刺，以及改良由于斷裂造成的防護(hù)林提取斷帶方面均有巨大提升，結(jié)合4個實驗樣區(qū)進(jìn)行4個定量參數(shù)精度評價，平均精度均在90%以上。該結(jié)果充分說明了本方法在大范圍農(nóng)田防護(hù)林自動提取方面的可行性，并可為農(nóng)田防護(hù)林自動提取提供參考，為農(nóng)田防護(hù)林動態(tài)監(jiān)測提供可靠技術(shù)支持。