摘要 為實(shí)現(xiàn)快速且準(zhǔn)確地獲取南方復(fù)雜地區(qū)覆膜農(nóng)田信息，探索一種基于決策融合規(guī)則的單時相遙感提取方法。首先基于Sentinel-2影像數(shù)據(jù)，在南方丘陵山區(qū)這一典型地表混雜區(qū)域，應(yīng)用特征提取算法與最小距離、最大似然、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林5種單分類器進(jìn)行遙感影像分類，在此基礎(chǔ)上依據(jù)各分類器分類結(jié)果與分類性能，構(gòu)建一種結(jié)合層次分析與投票機(jī)制的自適應(yīng)決策融合規(guī)則，進(jìn)行了覆膜農(nóng)田信息的提取，并評估其精度。對比5種單分類器與決策融合模型的分類性能，結(jié)果表明決策融合模型在精度評價指標(biāo)上均顯著優(yōu)于單一分類器，總體精度達(dá)到91.82%，Kappa系數(shù)達(dá)到0.89，對覆膜農(nóng)田的提取識別能力也表現(xiàn)優(yōu)異，其生產(chǎn)者精度、用戶精度和F1Score分別達(dá)到92.68%、81.74%和0.87。提出的方法有效提高了覆膜農(nóng)田的提取準(zhǔn)確率、復(fù)雜度和計(jì)算成本較低，具有較強(qiáng)的泛化性與可操作性，適用于南方復(fù)雜農(nóng)業(yè)環(huán)境，為實(shí)際生產(chǎn)應(yīng)用提供了可靠的解決方案。

關(guān)鍵詞 決策融合；多分類器；覆膜農(nóng)田；Sentinel-2；復(fù)雜地區(qū)

中圖分類號 S 127" 文獻(xiàn)標(biāo)識碼 A" 文章編號 0517-6611（2025）03-0229-07

doi：10.3969/j.issn.0517-6611.2025.03.046

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Rapid Extraction of Plastic Mulched Farmland Information in Complex Southern Regions Based on Decision Fusion

LIN Na， CHEN Hong， XIE Qian et al

（ Institute of Digital Agriculture， Fujian Academy of Agricultural Sciences， Fuzhou， Fujian 350003）

Abstract To achieve rapid and accurate plastic mulched farmland information in the complex regions of southern China， this study explores a single temporal remote sensing extraction method based on decision fusion rules.Utilizing sentinel 2 imagery data in the southern hilly areas， a typical region with mixed land surfaces， the Jeffries Matusita （JM） distance feature extraction method along with five individual classifiers including minimum distance， maximum likelihood， support vector machine， BP Neural Network， and random forest were employed for remote sensing image classification. Based on the classification results and performance of these individual classifiers， an adaptive decision fusion rule combining the Analytic Hierarchy Process （AHP） and voting mechanism was developed for the extraction of plastic mulched farmland information， and its accuracy was evaluated.By comparing the classification performance of the five individual classifiers and the decision fusion model， results indicate that the decision fusion model significantly outperforms the individual classifiers in terms of accuracy metrics， achieving an overall accuracy of 91.82% and a Kappa coefficient of 0.89. The model also demonstrated superior capability in identifying plastic mulched farmland， with producer accuracy （PA）， user accuracy （UA）， and F1Score reaching 92.68%， 81.74%， and 0.87， respectively.The proposed method fully leverages the advantages of multiple classifiers and decision fusion， enabling more accurate classification decisions for plastic mulched farmland. It not only reduces complexity and computational cost but also exhibits strong generalization and operability， making it suitable for complex agricultural environments in southern regions. This work provides a reliable solution for practical production applications.

Key words Decision fusion;Multiple classifiers;Plastic mulched farmland;Sentinel 2;Complex regions

基金項(xiàng)目 福建省農(nóng)業(yè)高質(zhì)量發(fā)展協(xié)同創(chuàng)新工程項(xiàng)目（XTCXGC2021015）；福建省農(nóng)業(yè)科學(xué)院科技創(chuàng)新團(tuán)隊(duì)項(xiàng)目（CXTD2021031）；福建省農(nóng)業(yè)科學(xué)院自由探索科技創(chuàng)新項(xiàng)目（ZYTS2023022）。

作者簡介 林娜（1988—），女，福建福州人，研究實(shí)習(xí)員，碩士，從事農(nóng)業(yè)遙感研究。*通信作者，研究員，博士，從事農(nóng)業(yè)信息化研究。

收稿日期 2024-09-24

農(nóng)田覆膜的使用可有效改善不良環(huán)境對農(nóng)作物生產(chǎn)的影響，具有保溫、抑制雜草生長、提高作物產(chǎn)量和質(zhì)量等作用，因此在水熱不協(xié)調(diào)地區(qū)覆膜種植技術(shù)被廣泛應(yīng)用^［1-2］。我國地膜年使用量及覆蓋面積均居世界前列，并保持著增長態(tài)勢，覆膜農(nóng)田已成為我國農(nóng)業(yè)景觀的重要組成部分^［3］。然而大量覆膜的長期使用及后期的未完全處理造成了嚴(yán)重的環(huán)境污染問題，不僅破壞土壤結(jié)構(gòu)，而且影響水肥輸送，導(dǎo)致農(nóng)作物產(chǎn)量減少，甚至危害人畜健康^［4-5］。因此，準(zhǔn)確獲取覆膜農(nóng)田的空間分布和使用面積等信息，可以為相關(guān)農(nóng)業(yè)部門提供關(guān)鍵的管理決策參考，幫助了解農(nóng)資投入情況、農(nóng)業(yè)固體廢棄物回收、優(yōu)化種植結(jié)構(gòu)以及環(huán)境保護(hù)措施施行等。

近年來，運(yùn)用遙感技術(shù)監(jiān)測成為農(nóng)業(yè)土地資源調(diào)查的主要手段。在數(shù)據(jù)源方面，由于南方地區(qū)地形復(fù)雜，作物類型多樣，散戶耕種情況居多，播種時間以及管理方式的不同導(dǎo)致農(nóng)作物種植結(jié)構(gòu)龐雜，加上南方多是陰雨天氣，遙感影像的覆蓋頻率受限，從而無法獲取連續(xù)觀測期內(nèi)的影像數(shù)據(jù)，這些因素限制了運(yùn)用遙感數(shù)據(jù)及時提取覆膜信息的應(yīng)用。在研究方法上，不同學(xué)者基于單一或多源遙感數(shù)據(jù)通過不同分類器進(jìn)行了覆膜農(nóng)田信息的提取研究，如Lu等^［6］基于Landsat-5 TM影像運(yùn)用決策樹閾值分類器進(jìn)行了覆膜信息提取，取得了較高的精度；Lanorte等^［7］基于Landsat-8影像運(yùn)用支持向量機(jī)分類器研究覆膜農(nóng)田信息提取效果；Hasituya等^［8-10］分別基于Landsat-8、GF-1、全極化Radarsat-2等影像數(shù)據(jù)，結(jié)合特征優(yōu)選算法研究不同分類器運(yùn)用于覆膜農(nóng)田信息的提取能力，試驗(yàn)表明隨機(jī)森林及支持向量機(jī)分類器能取得較好的提取效果；李佳雨等^［11］融合資源三號和Landsat衛(wèi)星數(shù)據(jù)，研究表明面向?qū)ο箅S機(jī)森林方法能夠取得較高的農(nóng)用覆膜信息提取精度；朱秀芳等^［12］采用融合最大似然監(jiān)督分類和圖像形態(tài)學(xué)算法在無人機(jī)遙感影像上取得了精確的覆膜農(nóng)田分布信息。以上研究結(jié)論表明不同數(shù)據(jù)源和分類方法在對覆膜信息提取性能上表現(xiàn)出明顯差異，即不同分類器對遙感影像及研究區(qū)域的適用性各有不同，沒有一種單分類器能夠在所有場景下表現(xiàn)最優(yōu)^［13］。

研究指出，由于學(xué)習(xí)能力、分類性能、容錯機(jī)制的差別，不同分類器正確分類的像元可能分布在影像的不同位置，通過一定的規(guī)則對多個單分類器的結(jié)果進(jìn)行有效互補(bǔ)及綜合，能夠提高目標(biāo)地類的判別效果，這種基于不同分類器運(yùn)行產(chǎn)生互補(bǔ)效果的集成系統(tǒng)被稱為“決策融合”^［14-16］。經(jīng)典決策融合通過統(tǒng)計(jì)各單分類器分類結(jié)果的投票數(shù)或概率來進(jìn)行最終判決，在分配權(quán)重系數(shù)時，多采用平均或加權(quán)原則^［17］。這種方法利用了各分類器的優(yōu)勢，通過綜合不同分類器的結(jié)果，提升了分類的準(zhǔn)確性和可靠性。然而需要注意的是，無論采用何種方法實(shí)現(xiàn)決策融合，相比單分類器，分類速度都會顯著降低，實(shí)際上對于大部分容易區(qū)分的像元，多數(shù)分類器通常會給出相同且高可信度的結(jié)果，在這種情況下使用多個分類器進(jìn)行決策幾乎沒有意義^［13］。再者，決策融合的有效性取決于分類器的選擇和權(quán)重的合理分配，在針對特定地物提取的情況下，單分類器的輸出結(jié)果不能簡單按照固定的權(quán)值被融合在一起，由于不同單分類器關(guān)于某一地類樣本的置信度是不一致的，因此需要根據(jù)具體應(yīng)用場景和數(shù)據(jù)特點(diǎn)進(jìn)行優(yōu)化，才能對分類結(jié)果起到更優(yōu)的篩選作用。

基于此，該研究采用了一種結(jié)合層次分析（analytic hierarchy process，AHP）與投票機(jī)制的自適應(yīng)決策融合方法，在南方丘陵山區(qū)這一典型地表混雜區(qū)域，通過5種單分類器進(jìn)行遙感影像分類，并根據(jù)決策融合策略，最終得到快速準(zhǔn)確的覆膜農(nóng)田提取效果。

1 數(shù)據(jù)說明與方法

1.1 研究區(qū)概況及數(shù)據(jù)預(yù)處理

福建省西北部的光澤縣崇仁鄉(xiāng)是我國南方典型的以農(nóng)業(yè)為主的山區(qū)鄉(xiāng)鎮(zhèn)（117°11′～117°24′E、27°33′～27°41′N），地形多山地丘陵，土地覆蓋類型復(fù)雜，包括耕地、林地、城鎮(zhèn)用地、水域、裸土等，如圖1所示。該地區(qū)耕作由農(nóng)民自由支配，間套作現(xiàn)象普遍，導(dǎo)致地塊破碎嚴(yán)重，其覆膜農(nóng)田種植作物多為烤煙及蔬菜類，地膜類型基本為黑膜。

歐洲航天局（ESA）發(fā)射的Sentinel-2衛(wèi)星搭載一枚多光譜成像儀，覆蓋從藍(lán)綠波段到短波紅外的13個光譜波段，A、B星的設(shè)置使得時間分辨率縮短至5 d，最高空間分辨率可達(dá)10 m。研究表明，Sentinel-2衛(wèi)星數(shù)據(jù)在一定程度上能夠綜合光譜和紋理兩方面的需求，適合于種植結(jié)構(gòu)復(fù)雜地區(qū)的遙感影像分類研究^［18］。在研究區(qū)內(nèi)，主要覆膜作物煙葉多于2月中下旬播種，3月至5月出苗生長，農(nóng)田覆膜作業(yè)也在此期間。因此，通過歐洲航天局網(wǎng)站選擇2020年4月16日無云且質(zhì)量良好的一幅Sentinel-2A影像作為研究數(shù)據(jù)源。該數(shù)據(jù)為經(jīng)過正射校正和幾何精校正后的L1C大氣表觀反射率產(chǎn)品。大氣校正處理過程采用ESA提供的SNAP軟件調(diào)用Sen2cor插件完成，并使用Sen2Res插件對數(shù)據(jù)進(jìn)行10 m超分辨率合成，經(jīng)過圖像裁剪，最后得到研究區(qū)遙感影像（圖1）。

1.2 樣本與特征說明

樣本數(shù)據(jù)來自現(xiàn)場實(shí)地踏查采集及Google Earth高分辨率影像目視解譯的結(jié)果。實(shí)地踏勘采用路線調(diào)查方式，重點(diǎn)采集了研究區(qū)覆膜農(nóng)田基本信息，包括覆膜作物及覆膜類型，并進(jìn)行定位記錄與拍照。根據(jù)研究區(qū)土地覆蓋情況確定了6種主要地物類型：覆膜農(nóng)田、無覆膜農(nóng)田、城鎮(zhèn)與建設(shè)用地、林地、水體、裸地，最終選取具有代表性、典型性的樣本共479個，其中覆膜農(nóng)田樣本點(diǎn)61個，各類樣本均勻分布在研究區(qū)空間上。樣本數(shù)據(jù)主要使用在分類方法的訓(xùn)練樣本與特征優(yōu)化、分類結(jié)果的精度驗(yàn)證樣本等。

通過提取光譜特征、指數(shù)特征、紅邊指數(shù)特征及紋理特征作為主要輸入特征集。其中，光譜特征為Sentinel-2 影像的10個波段反射率。研究表明，由不同波段構(gòu)建的光譜指數(shù)在反映土地覆蓋類型時比單一波段更有優(yōu)勢^［19］，因此選擇具有代表性的植被指數(shù)NDVI、增強(qiáng)植被指數(shù)EVI、水體指數(shù)NDWI、建筑指數(shù)NDBI、裸土指數(shù)NDSI作為常見指數(shù)特征。為探究Sentinel-2影像紅邊波段在覆膜信息提取上的作用，該研究把紅邊指數(shù)單獨(dú)作為一類特征進(jìn)行評價，共選取常見的7種紅邊指數(shù)進(jìn)行提取。由于覆膜農(nóng)田表面紋理與周邊地物有較為明顯的差異，可以借助紋理特征來提高覆膜農(nóng)田的識別和提取精度^［20］。該研究選取灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）提取影像的紋理特征。參考前人的研究經(jīng)驗(yàn)，先對原始影像進(jìn)行主成分分析，可以避免紋理分析后統(tǒng)計(jì)分量多且存在交叉信息的影響。其中第1主成分累積貢獻(xiàn)率達(dá)到65.37%，第2主成分累積貢獻(xiàn)率達(dá)到95.29%，因此取第1和第2主成分來提取紋理特征，包括均值（mean）、方差（variance）、協(xié)同性（homogeneity）、對比度（contrast）、相異性（dissimilarity）、熵（entropy）、二階矩（second moment）、相關(guān)性（correlation）共8個參數(shù)。該研究共提取了光譜特征、指數(shù)特征、紅邊指數(shù)特征及紋理特征總計(jì)38個構(gòu)成特征集合，如表1所示。

1.3 研究方法

1.3.1 決策融合規(guī)則。

針對覆膜農(nóng)田的提取效率及融合效果，該研究在決策融合規(guī)則中引入AHP算法，并結(jié)合投票機(jī)制進(jìn)行分類結(jié)果融合。該融合模型分為兩級處理，第一級采用眾數(shù)投票方法，如果超過50%的單分類器判斷為同一類，則判定輸出屬于此類型；如果50%或是不到50%的分類器認(rèn)為屬于某一類型，則進(jìn)入第二級處理，流程如圖2所示。第二級結(jié)合AHP與加權(quán)投票法，AHP是由Saaty^［21］提出的一種將結(jié)構(gòu)不良的復(fù)雜問題分解成層次的系統(tǒng)方法，通過成對比較法及比較尺度構(gòu)造成對比矩陣，綜合確定各評價指標(biāo)的權(quán)重。判斷矩陣使用以下三個公式進(jìn)行一致性檢驗(yàn)。

一致性指標(biāo)：

CI=λmax-nn-1（1）

隨機(jī)一致性指標(biāo)：

RI=CI1+CI2+…+CInn（2）

一致性比率：

CR=CIRI（3）

式中：λmax為矩陣的最大特征根，n為矩陣維度，當(dāng)CRlt;0.1時，則認(rèn)為判斷矩陣一致性檢驗(yàn)通過^［22］。

該研究根據(jù)單分類器提取覆膜農(nóng)田信息的各性能程度使用AHP算法作為權(quán)重系數(shù)結(jié)果進(jìn)行融合。具體步驟如下：①通過判決矩陣記錄單分類器對訓(xùn)練樣本的識別能力，將各分類器精度評價指標(biāo)作為評估分類器性能的依據(jù)。②引入AHP算法，將各評價指標(biāo)進(jìn)行正規(guī)化處理，兩兩求比值構(gòu)建相對重要性的成對比矩陣。③通過AHP算法計(jì)算權(quán)向量，得到每個分類器的重要性權(quán)重系數(shù)。④對進(jìn)入第二級處理的圖像分類結(jié)果進(jìn)行加權(quán)投票融合。

1.3.2 分類器選擇。

決策融合（decision fusion，DF）是將不同單分類器的分類結(jié)果融合為一個更準(zhǔn)確更可靠的分類結(jié)果，使用該方法提高分類精度的程度依賴于各分類器表現(xiàn)的獨(dú)立性^［23］。融合選擇的各個單分類器輸出如果一致或者相似，則融合結(jié)果對系統(tǒng)的優(yōu)化較小，因此單分類器的選擇最好存在一定的差異性^［24］。參考遙感影像分類研究中較常用且穩(wěn)定的分類器算法，選擇了5種異質(zhì)分類器，分別為最小距離（minimum distance，MinD）分類、最大似然（maximum likelihood，MaxL）分類、BP神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）分類、支持向量機(jī)（support vector machine，SVM）分類、隨機(jī)森林（random forest，RF）分類（表2）。

1.3.3 特征優(yōu)選方法。

采用基于Jeffries-Matusita（JM）距離的特征優(yōu)選方法來剔除冗余和不相關(guān)的特征，以此保證各單分類器的分類性能。JM距離法是一種基于信息熵的特征選擇方法，能夠定量反映類別間特征分離度，能有效提高分類器的效率和對地物的區(qū)分能力，在多種分類器研究中滿足特征優(yōu)化要求^［25-27］。在樣本滿足正態(tài)分布的前提下，計(jì)算類別樣本間的JM距離可以評估不同類別基于某一特征的可分離性，計(jì)算方法如下：

JM=2（1-e^-B）（4）

B=18（vi-vj）2（2σ2i+σ2j）+12ln（σ2i+σ2j2σ2iσ2j）（5）

式中：B為基于某一特征的巴氏距離；v為對應(yīng)類別樣本的特征均值；σ2為對應(yīng)類別樣本的特征方差；JM的取值范圍為［0，2］，其值越接近2表明該特征下不同類別間的可分性越高^［28］。

已有研究表明，在多分類器融合中采用不同特征子集未能明顯增強(qiáng)單分類器之間的獨(dú)立性，即采用不同訓(xùn)練特征的融合分類精度并不高于相同訓(xùn)練特征的融合分類精度^［23］。因此，為避免特征子集的過分干擾及對分類效率的影響，該研究暫未討論不同特征子集下的多分類器融合效果。針對不同特征對覆膜農(nóng)田信息提取的重要性，該研究通過計(jì)算覆膜農(nóng)田同其他地類的JM距離并選取超過均值的特征構(gòu)成每種分類器的優(yōu)選特征子集。

1.3.4 精度評價。

使用混淆矩陣對不同單分類器及決策融合模型進(jìn)行性能優(yōu)劣衡量及精度評估，具體評價指標(biāo)包括總體精度（overall accuracy，OA）、Kappa系數(shù)、生產(chǎn)者精度（producer’s accuracy，PA）、用戶精度（user’s accuracy，UA）及F1Score指標(biāo)。其中，OA和Kappa系數(shù)可反映總體分類效果，PA、UA及F1Score指標(biāo)用來衡量覆膜農(nóng)田信息的錯分或漏分等誤差情況。運(yùn)用交叉驗(yàn)證方法，選取70%的隨機(jī)樣本用于模型訓(xùn)練，30%的樣本用作精度驗(yàn)證測試樣本。

2 結(jié)果與分析

2.1 研究區(qū)覆膜農(nóng)田光譜特征優(yōu)選結(jié)果與分析

通過JM距離法最終篩選出對覆膜農(nóng)田與其他地類間有較高分離度的25個特征，按照分離度由高到低分別為：EVI、Variance_PC1、Contrast_PC 1、Band5、Band3、Band2、Variance_PC2、Band4、Contrast_PC2、IRECI、Band11、Band12、NDVIre2、Band6、NDre1、CIre、Dissimilarity_PC1、Band8、Band7、Band8a、Ndre2、NDVIre3、NDVIre1、NDWI、NDVI。對優(yōu)選特征按不同特征類型進(jìn)行了分類統(tǒng)計(jì)，見表3。

地膜是一種塑料薄膜，該研究中獲取的影像時期覆膜農(nóng)田主要處于地膜被鋪開后至植被全覆蓋前的階段，但不同地塊、不同作物的覆膜實(shí)施時間有所不同，因此在此階段覆膜農(nóng)田其光譜特性主要受塑料地膜、膜下作物及土壤等共同影響，存在一定的混合像元現(xiàn)象。根據(jù)優(yōu)選特征個數(shù)統(tǒng)計(jì)結(jié)果可知，Sentinel-2影像的光譜波段及紅邊指數(shù)波段在影像分類中發(fā)揮著較大作用，紅邊指數(shù)特征的分離度高于光譜特征分離度，其中紅邊指數(shù)特征中分離度最高的是新型倒紅邊葉綠素指數(shù)IRECI，光譜特征中分離度最高的是紅邊波段B5。由此可見，利用紅邊波段及由其構(gòu)成的指數(shù)可以有效提高覆膜農(nóng)田的識別能力，由于紅邊波段位于可見光與近紅外波段之間，能夠反映植被冠層中葉綠素含量的變化，因此在土地覆蓋類型復(fù)雜的影像分類中能加大覆膜農(nóng)田與其他植被的區(qū)分度，提高影像分類精度。四類特征中分離度均值最高的是紋理特征，這是由于農(nóng)田覆膜在影像上降低了粗糙度，使得表面更光滑，且在遙感影像上呈現(xiàn)一定的結(jié)構(gòu)特性，因此加入紋理特征更能加劇反映覆膜農(nóng)田與其他地類間的信息差異，提高了覆膜農(nóng)田提取精度。常見指數(shù)特征在四類特征中的分離度均值最低，但其中的EVI增強(qiáng)植被指數(shù)分離度最高，可見其對覆膜農(nóng)田信息的提取起到積極作用。

2.2 分類結(jié)果精度比較

為客觀定量評估各分類器的分類效果，該研究通過驗(yàn)證樣本數(shù)據(jù)集建立混淆矩陣，統(tǒng)計(jì)OA、Kappa系數(shù)及覆膜農(nóng)田提取精度評價指標(biāo)，對6種試驗(yàn)方案的分類結(jié)果進(jìn)行對比，精度評價結(jié)果見表4。

通過精度評價結(jié)果可知，5種單分類器的分類精度具有差異，RF、SVM相比MinD、MaxL、BPNN具有較高的分類精度，總體分類精度超過90%，Kappa系數(shù)超過0.85。進(jìn)行決策融合后分類精度有了進(jìn)一步的提升，DF總體精度達(dá)到91.82%，Kappa系數(shù)達(dá)到0.89，各精度評價指標(biāo)均優(yōu)于各單分類器評價結(jié)果。在覆膜農(nóng)田信息提取上，決策融合分類方案也具有更優(yōu)的提取效果，其PA、UA和F1Score得分值顯示最高，分別達(dá)到92.68%、81.74%和0.87。各分類模型均存在制圖精度較高但用戶精度較低的現(xiàn)象，說明有較多其他地類被錯分為覆膜農(nóng)田，但采用決策融合方案后在用戶精度上有很大的提高，DF相較于RF、SVM、BPNN、MaxL、MinD分類器，UA分別提高了10.31%、3.13%、12.68%、0.17%、17.56%，PA也分別提高了0.32%、2.55%、0.96%、6.69%、7.65%。

2.3 分類細(xì)節(jié)對比與分析

通過目視解譯方法將使用單分類器與決策融合規(guī)則后的分類結(jié)果對比原始影像（圖3a），可以看出，5種單分類器模型對林地分類圖斑都較為規(guī)整，但其他類別之間還存在較多錯分現(xiàn)象，對覆膜農(nóng)田的提取效果也具有差異。如MinD（圖3b）和MaxL（圖3c）分類結(jié)果中水體漏分錯分現(xiàn)象明顯，城鎮(zhèn)與建設(shè)用地較多錯分為裸地與覆膜農(nóng)田，覆膜農(nóng)田較多錯分為無覆膜農(nóng)田；BPNN（圖3d）分類結(jié)果中則有較多無覆膜農(nóng)田錯分為覆膜農(nóng)田；SVM（圖3e）和RF（圖3f）提取出的覆膜農(nóng)田空間分布總體較為一致，但有部分裸地和建筑用地被較多錯分為覆膜農(nóng)田，導(dǎo)致用戶精度相對偏低。由于南方丘陵地區(qū)田塊集中程度低，作物分散種植、交錯混雜種植現(xiàn)象也普遍存在，導(dǎo)致分類結(jié)果會產(chǎn)生較多的碎圖斑，加上混合像元及同譜異物現(xiàn)象，對覆膜農(nóng)田的提取效果產(chǎn)生很大的影響。結(jié)合AHP投票法的決策融合方案（DF）能夠?qū)Σ煌姆诸惤Y(jié)果進(jìn)行自適應(yīng)優(yōu)選，減少誤分錯分的像元數(shù)量，得到的分類結(jié)果信息連通性、完整性更強(qiáng)，在提高分類精度的同時，對分類結(jié)果中的“椒鹽現(xiàn)象”也得到了一定程度的減輕（圖3g）。

3 討論

基于單時相Sentinel-2影像數(shù)據(jù)，利用5種異質(zhì)分類器的分類結(jié)果與性能評估結(jié)果，采用自適應(yīng)的AHP投票規(guī)則進(jìn)行決策融合，取得了較高的覆膜農(nóng)田提取精度?，F(xiàn)有覆膜農(nóng)田遙感提取研究多基于多源或多時相遙感影像^［10-11］，但南方地區(qū)云雨天氣頻繁，可用光學(xué)影像的數(shù)量有限，尤其是地膜這類短期地物的識別更為受限，時序光學(xué)影像的獲取條件常常無法滿足。再者，多源及多時相數(shù)據(jù)需要進(jìn)行復(fù)雜的配準(zhǔn)、融合等預(yù)處理，尤其在丘陵山區(qū)這類地形起伏變化區(qū)域增加了更多的計(jì)算復(fù)雜度和處理時間。該研究提出的方法可基于單時相遙感數(shù)據(jù)實(shí)現(xiàn)覆膜農(nóng)田信息高效提取，解決了復(fù)雜地形條件下數(shù)據(jù)一致性和準(zhǔn)確性問題，在現(xiàn)實(shí)應(yīng)用中更為可行且更具實(shí)際意義。

當(dāng)然，遙感數(shù)據(jù)的單一性對分類器的識別精度與性能提出了更高的要求，相對平原地區(qū)，丘陵山區(qū)需要更復(fù)雜和更魯棒的分類算法來應(yīng)對復(fù)雜地形和變化多樣的地物類型。已有大量研究對不同分類器的應(yīng)用進(jìn)行了討論和比較，但對分類精度與性能優(yōu)劣評價尚未形成統(tǒng)一的結(jié)論^［29-30］。不同單分類器的精度受到研究區(qū)地物特點(diǎn)、遙感數(shù)據(jù)類型和質(zhì)量、遙感特征提取等因素的影響，分類效果各異；此外，單分類器通常只能提取圖像中的部分信息，處理復(fù)雜分類問題的能力不足，難以取得更高的分類精度^［23］。使用決策融合被認(rèn)為是一種有效方案，相關(guān)研究表示決策融合方法對不同地區(qū)及數(shù)據(jù)有較強(qiáng)的適用性，能夠有效提高分類精度和魯棒性，但同時也需要消耗更多的計(jì)算資源和時間^{［13，16，23］}。

該研究提出的決策融合方案相比傳統(tǒng)決策融合的優(yōu)勢主要體現(xiàn)在2個方面：①第一層規(guī)則使用眾數(shù)投票方式，對分類結(jié)果有較高一致性的像元僅進(jìn)行一次決策輸出，大量減少了現(xiàn)有決策融合研究中對所有像元均進(jìn)行多次分類而產(chǎn)生的時間和資源消耗。②第二層規(guī)則結(jié)合AHP法采用加權(quán)投票方式，重要性程度及權(quán)重賦值的確定均基于測試樣本對研究區(qū)目標(biāo)地物識別精度的反饋完成，即從各單分類器對覆膜農(nóng)田提取性能的優(yōu)劣自適應(yīng)地調(diào)整重要性大小，將提取精度較差的分類器的權(quán)重系數(shù)減少，提取精度較好的分類器權(quán)重系數(shù)增大，這種方法避免了傳統(tǒng)決策融合由于均勻考慮地類樣本置信度導(dǎo)致提取效果不佳的問題，能夠針對研究地物做出更正確的歸類決策。

從驗(yàn)證結(jié)果來看，該研究采用的決策融合方法提高了各單分類器模型的分類精度與覆膜農(nóng)田提取精度，OA達(dá)到91.82%，Kappa系數(shù)達(dá)到0.89，覆膜農(nóng)田的PA、UA和F1Score分別達(dá)到92.68%、81.74%和0.87。該方法通過綜合評估不同分類器的性能優(yōu)劣，能夠充分發(fā)揮多分類器與決策融合策略的優(yōu)勢，融合后分類結(jié)果可信度較高。當(dāng)數(shù)據(jù)源和研究區(qū)發(fā)生變化時，決策融合系統(tǒng)可以根據(jù)樣本測試性能進(jìn)行自適應(yīng)調(diào)整，因此從理論上來看，該研究提出的方法具備較強(qiáng)的通用性與可操作性。由于該研究的田間試驗(yàn)以及地面調(diào)查工作還不夠完善，后續(xù)將在更大尺度上開展覆膜農(nóng)田的提取研究工作，以檢驗(yàn)該研究結(jié)論的適用性。

不同特征變量對于遙感分類器提取地物精度有一定的影響^{［26，28］}，該研究針對覆膜農(nóng)田信息的提取，采用JM距離法進(jìn)行了類別分離度評估以確定最優(yōu)特征子集。研究表明，Sentinel-2影像的紅邊光譜特征、紅邊指數(shù)特征、紋理特征及增強(qiáng)植被指數(shù)特征在復(fù)雜地區(qū)覆膜農(nóng)田信息提取中發(fā)揮了重要作用，這與哈斯圖亞等^{［3，31-32］}的研究結(jié)果一致?？紤]不同特征優(yōu)選方法的選擇結(jié)果對影像分類具有一定的不確定性，未來將基于不同特征優(yōu)選子集進(jìn)行單分類器分類精度對比與多分類器融合研究。通過擴(kuò)展研究范圍和進(jìn)一步優(yōu)化及驗(yàn)證決策融合系統(tǒng)性能，期待能夠?yàn)楦材まr(nóng)田的快速精準(zhǔn)提取提供更可靠的技術(shù)支持和應(yīng)用依據(jù)。

4 結(jié)論

提出了一種結(jié)合層次分析（AHP）與投票機(jī)制的自適應(yīng)決策融合方法，針對南方丘陵山區(qū)這一典型地表混雜區(qū)域，利用Sentinel-2影像數(shù)據(jù)，并結(jié)合最小距離、最大似然、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林5種分類算法，建立了決策融合規(guī)則，實(shí)現(xiàn)多分類器結(jié)果協(xié)同判別，提高了覆膜農(nóng)田提取結(jié)果的準(zhǔn)確性和可靠性。研究結(jié)果表明：

（1）Sentinel-2影像的紅邊光譜特征、紅邊指數(shù)特征、紋理特征及增強(qiáng)植被指數(shù)特征在南方復(fù)雜地區(qū)覆膜農(nóng)田信息提取中發(fā)揮了重要作用。

（2）最小距離、最大似然、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林5種單分類器作為獨(dú)立分類算法有各自不同的特點(diǎn)，通過比較其在復(fù)雜地區(qū)的分類精度及對覆膜農(nóng)田信息提取效果得知，隨機(jī)森林的分類結(jié)果與提取精度最佳，支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)識別精度一般，最小距離和最大似然法分類精度相對較差。

（3）該研究采用的決策融合方法相比其他5種單分類器的分類性能有顯著提升，各項(xiàng)精度評價指標(biāo)均有較大提高，尤其在覆膜農(nóng)田識別方面表現(xiàn)出色，其PA、UA和F1Score分別達(dá)到92.68%、81.74%和0.87，能夠?qū)崿F(xiàn)復(fù)雜種植結(jié)構(gòu)地區(qū)的覆膜農(nóng)田信息高精度快速提取。

該方法能夠減少對數(shù)據(jù)一致性和準(zhǔn)確性的依賴，彌補(bǔ)南方地區(qū)覆膜農(nóng)田遙感提取相關(guān)研究的不足，在一定程度上簡化數(shù)據(jù)處理流程，解決傳統(tǒng)決策融合過程中由于均勻考慮地類樣本置信度導(dǎo)致研究地物識別不佳以及時間與資源浪費(fèi)的問題，不僅提升了覆膜農(nóng)田提取的精度和效率，也展示了其在南方多變天氣和復(fù)雜種植條件下的實(shí)用性和可操作性，提出的研究思路可以為復(fù)雜農(nóng)業(yè)環(huán)境中農(nóng)作物信息提取研究提供有價值的參考，且研究成果可以為當(dāng)?shù)剞r(nóng)業(yè)部門開展農(nóng)情物資規(guī)劃管理、投入調(diào)查、回收處理和環(huán)境效應(yīng)研究提供重要的數(shù)據(jù)支撐和參考依據(jù)。

參考文獻(xiàn)

［1］ INGMAN M，SANTELMANN M V，TILT B.Agricultural water conservation in China：Plastic mulch and traditional irrigation［J］.Ecosystem health and sustainability，2015，1（4）：1-11.

［2］ VEETTIL B K，VAN D D，QUANG N X，et al.Remote sensing of plastic covered greenhouses and plastic mulched farmlands：Current trends and future perspectives［J］.Land degradation amp; development，2023，34（3）：591-609.

［3］ 哈斯圖亞，陳仲新，李彩，等.面向?qū)ο蟮母材まr(nóng)田信息遙感表征方法［J］.測繪科學(xué)，2021，46（3）：140-146.

［4］ 嚴(yán)昌榮，何文清，劉恩科，等.作物地膜覆蓋安全期概念和估算方法探討［J］.農(nóng)業(yè)工程學(xué)報(bào)，2015，31（9）：1-4.

［5］ 嚴(yán)昌榮，劉恩科，舒帆，等.我國地膜覆蓋和殘留污染特點(diǎn)與防控技術(shù)［J］.農(nóng)業(yè)資源與環(huán)境學(xué)報(bào)，2014，31（2）：95-102.

［6］ LU L Z，DI L P，YE Y M.A decision tree classifier for extracting transparent plastic mulched landcover from Landsat 5 TM images［J］.IEEE journal of selected topics in applied earth observations and remote sensing，2014，7（11）：4548-4558.

［7］ LANORTE A，DE SANTIS F，NOL G，et al.Agricultural plastic waste spatial estimation by Landsat 8 satellite images［J］.Computers and electronics in agriculture，2017，141：35-45.

［8］ HASITUYA，CHEN Z X，WANG L M，et al.Monitoring plastic mulched farmland by Landsat 8 OLI imagery using spectral and textural features［J］.Remote sensing，2016，8（4）：1-16.

［9］ HASITUYA，CHEN Z X，LI F，et al.Mapping plastic mulched farmland with C band full polarization SAR remote sensing data［J］.Remote sensing，2017，9（12）：1-22.

［10］ 哈斯圖亞.基于多源數(shù)據(jù)的地膜覆蓋農(nóng)田遙感識別研究［D］.北京：中國農(nóng)業(yè)科學(xué)院，2017.

［11］ 李佳雨，王華斌，王光輝，等.多源衛(wèi)星數(shù)據(jù)的農(nóng)用地膜信息提?。跩］.測繪通報(bào)，2018（7）：78-82.

［12］ 朱秀芳，李石波，肖國峰.基于無人機(jī)遙感影像的覆膜農(nóng)田面積及分布提取方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2019，35（4）：106-113.

［13］ 李宏達(dá)，高小紅，湯敏.基于決策融合的SPOT-6 影像土地覆被分類研究［J］.地球信息科學(xué)學(xué)報(bào)，2021，23（5）：928-937.

［14］ 許凱，秦昆，杜鹢.利用決策級融合進(jìn)行遙感影像分類［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2009，34（7）：826-829.

［15］ CLINTON N，YU L，GONG P.Geographic stacking：Decision fusion to increase global land cover map accuracy［J］.ISPRS journal of photogrammetry and remote sensing，2015，103（5）：57-65.

［16］ LW F，CONRAD C，MICHEL U.Decision fusion and non parametric classifiers for land use mapping using multi temporal RapidEye data［J］.ISPRS journal of photogrammetry and remote sensing，2015，108：191-204.

［17］ 葉珍，董睿，陳浩鑫，等.高光譜圖像分類的自適應(yīng)決策融合方法［J］.中國圖象圖形學(xué)報(bào)，2021，26（8）：1952-1968.

［18］ 韓濤，潘劍君，張培育，等.Sentinel-2A與Landsat-8影像在油菜識別中的差異性研究［J］.遙感技術(shù)與應(yīng)用，2018，33（5）：890-899.

［19］ 何云，黃翀，李賀，等.基于Sentinel-2A影像特征優(yōu)選的隨機(jī)森林土地覆蓋分類［J］.資源科學(xué)，2019，41（5）：992-1001.

［20］ LU L Z，TAO Y，DI L P.Object based plastic mulched landcover extraction using integrated Sentinel 1 and Sentinel 2 data［J］.Remote sensing，2018，10（11）：1-18.

［21］ SAATY T L.A scaling method for priorities in hierarchical structures［J］.Journal of mathematical psychology，1977，15（3）：234-281.

［22］ 王燕，李國臣，孫曉麗.基于多分類器融合的高光譜圖像分類研究［J］.蘭州理工大學(xué)學(xué)報(bào)，2022，48（1）：98-106.

［23］ 柏延臣，王勁峰.結(jié)合多分類器的遙感數(shù)據(jù)專題分類方法研究［J］.遙感學(xué)報(bào)，2005，9（5）：555-563.

［24］ 李凱，李雪瑩，欒麗麗，等.近紅外光譜和多分類器融合的葡萄酒品種判別研究［J］.光譜學(xué)與光譜分析，2016，36（11）：3547-3551.

［25］ DABBOOR M，HOWELL S，SHOKR M，et al.The Jeffries Matusita distance for the case of complex Wishart distribution as a separability criterion for fully polarimetric SAR data［J］.International journal of remote sensing，2014，35（19）：6859-6873.

［26］ 寧曉剛，常文濤，王浩，等.聯(lián)合GEE與多源遙感數(shù)據(jù)的黑龍江流域沼澤濕地信息提?。跩］.遙感學(xué)報(bào)，2022，26（2）：386-396.

［27］ BRUZZONE L，ROLI F，SERPICO S B.An extension of the Jeffreys Matusita distance to multiclass cases for feature selection［J］.IEEE transactions on geoscience and remote sensing，1995，33（6）：1318-1321.

［28］ 朱夢豪，李國清，彭壯壯.特征優(yōu)選下的農(nóng)作物遙感分類研究［J］.測繪科學(xué)，2022，47（3）：122-128.

［29］ NGUYEN H T T，DOAN T M，TOMPPO E，et al.Land use/land cover mapping using multitemporal Sentinel 2 imagery and four classification methods：A case study from Dak Nong，Vietnam［J］.Remote sensing，2020，12（9）：1-27.

［30］ 谷曉天，高小紅，馬慧娟，等.復(fù)雜地形區(qū)土地利用/土地覆被分類機(jī)器學(xué)習(xí)方法比較研究［J］.遙感技術(shù)與應(yīng)用，2019，34（1）：57-67.

［31］ HAO P Y，CHEN Z X，TANG H J，et al.New workflow of plastic mulched farmland mapping using multi temporal Sentinel 2 data［J］.Remote sensing，2019，11（11）：1-18.

［32］ FU C H，CHENG L，QIN S J，et al.Timely plastic mulched cropland extraction method from complex mixed surfaces in arid regions［J］.Remote sensing，2022，14（16）：4051.