基于資源三號(hào)衛(wèi)星遙感影像的山區(qū)套種煙草面積估測(cè)

劉明芹，李新舉* ，楊永花，牛紀(jì)軍，徐冬云

(1.山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，山東泰安 271018；2.山東臨沂煙草有限公司，山東臨沂 276400)

?

基于資源三號(hào)衛(wèi)星遙感影像的山區(qū)套種煙草面積估測(cè)

劉明芹1，李新舉1*，楊永花2，牛紀(jì)軍2，徐冬云1

(1.山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，山東泰安 271018；2.山東臨沂煙草有限公司，山東臨沂 276400)

摘要[目的]針對(duì)傳統(tǒng)實(shí)地測(cè)量難以實(shí)現(xiàn)山區(qū)大面積套種煙草面積監(jiān)控的問題，研究一種快捷、高精度的估測(cè)途徑。[方法]利用ENVI5.1軟件處理資源三號(hào)衛(wèi)星2.1 m全色影像和5.8 m多光譜影像，導(dǎo)入1∶1萬DEM數(shù)據(jù)進(jìn)行正射校正以糾正地形起伏引起影像上的誤差。野外獲得具有代表性的地面控制點(diǎn)(GCP)，利用面向?qū)ο蠓诸惙椒ǎ瑢?duì)影像進(jìn)行智能化的分割和合并，以GCP的光譜、紋理和形狀屬性創(chuàng)建規(guī)則，進(jìn)而提取煙草面積。[結(jié)果]經(jīng)過分類后處理提取的研究區(qū)煙草面積為14 088.46 hm2，分類精度達(dá)到94.63%。[結(jié)論]面向?qū)ο蠓诸惙椒ㄌ崛∵b感影像信息的實(shí)用性較高。

關(guān)鍵詞資源三號(hào)衛(wèi)星遙感影像；ENVI5.1；面向?qū)ο蠓诸悾粺煵莘N植面積

Estimation of the Intercropped Tobacco Area in Mountainous Area Based on ZY-3 Remote Sensing Images

LIU Ming-qin1, LI Xin-ju1*, YANG Yong-hua2et al(1. College of Resources and Environment, Shandong Agricultural University, Taian, Shandong 271018; 2. Linyi Tobacco Co. Ltd., Linyi, Shandong 276400)

Abstract [Objective] To find a rapid and high-precision estimation approach for estimation of the intercropped tobacco area in Mountainous Area. [Method] ZY-3 2.1 m panchromatic image and 5.8 m multispectral image were researched by ENVI5.1 software. Orthorectification was carried out by introducing 1∶10 000DEM data, so as to correct the image error induced by topographic relief. Representative ground control points (GCPs) were obtained in outdoor. [Result] Images were intelligently combined and divided by object-oriented classification method. Regulations were established based on the GCP spectrum, texture and shape properties. The tobacco area was extracted, which was 14 088.46 hm2. The classification accuracy reached 94.63%. [Conclusion] Extracting remote sensing images by object-oriented classification method had relatively high practicability.

Key wordsZY-3 remote sensing image; ENVI5.1; Object-oriented classification; Tobacco planting area

煙草是我國(guó)重要的經(jīng)濟(jì)作物，煙草種植面積監(jiān)測(cè)在煙草產(chǎn)業(yè)中有重要地位。資源三號(hào)衛(wèi)星影像的處理研究已經(jīng)取得較多的成果[1-4]，并廣泛應(yīng)用于國(guó)情普查、水體和植被等的信息提取等方面[5-7]。面向?qū)ο蟮姆椒ㄔ缭?0世紀(jì)70年代就被運(yùn)用到影像信息提取中來。近年來，隨著影像質(zhì)量的提高和處理軟件的升級(jí)，面向?qū)ο笥跋穹诸愌芯恐饾u成熟，并廣泛應(yīng)用于實(shí)際[8-11]。煙草信息的遙感監(jiān)測(cè)起步相對(duì)較晚，彭光雄等[12]分析了遙感監(jiān)測(cè)烤煙面積的最佳時(shí)相，近年來，利用衛(wèi)星遙感提取煙草信息和相關(guān)生態(tài)的研究眾多[12-16]。筆者基于研究區(qū)特殊的山地套種模式，利用資源三號(hào)衛(wèi)星2.1 m全色影像和5.8 m多光譜影像，通過在影像上提取地面控制點(diǎn)(GCP)的光譜、紋理和形狀信息來建立分類規(guī)則，進(jìn)而進(jìn)行面向?qū)ο竺娣e提取，旨在快速獲取準(zhǔn)確的套種煙田面積，為煙草生產(chǎn)管理服務(wù)。

1研究區(qū)概況及圖像預(yù)處理

1.1研究區(qū)概況研究區(qū)域位于臨沂沂水縣城以北，涉及2個(gè)鄉(xiāng)鎮(zhèn)40多個(gè)村莊，地形以低山丘陵為主，屬于暖溫帶季風(fēng)氣候區(qū)，年均氣溫12.3 ℃，年日照時(shí)數(shù)2 414 h，年均降水量為766~800 mm，水文條件優(yōu)越，農(nóng)業(yè)基礎(chǔ)設(shè)施配套完善，是臨沂種植煙草相對(duì)集中的地區(qū)。近年來，沂水縣采用套種地瓜的方式進(jìn)行煙草種植，種植模式有：一行煙草與一行地瓜間隔套種；兩行煙草與一行地瓜間隔套種；兩行煙草與兩行地瓜間隔套種。煙草套種充分節(jié)約集約利用了土地，并在防治病蟲害和增產(chǎn)方面起到了一定的作用。研究區(qū)種植煙草的品種為“NC102”和“NC55”。

1.2資料收集及GCP選定煙草生長(zhǎng)的階段性特征明顯，光譜特征差異大。研究綜合經(jīng)濟(jì)適用和影像質(zhì)量條件選用7月中旬資源三號(hào)衛(wèi)星全色和多光譜遙感影像數(shù)據(jù)進(jìn)行研究。此階段是煙草旺長(zhǎng)階段，與其他作物在顏色、含水量和高度等方面差異明顯，辨識(shí)度高。此外，收集研究區(qū)氣候、水文、灌溉和耕種條件的資料、煙草種植有關(guān)資料、1∶1萬DEM高程數(shù)據(jù)和土地利用現(xiàn)狀圖等。

為了提取套種煙草遙感信息，參考收集到的資料通過野外調(diào)查實(shí)地選取地面控制點(diǎn)(GCP)?？紤]到煙草生長(zhǎng)受地形、氣候、光照、施肥條件、灌溉條件核種植模式等多方面的影響，選取200個(gè)具有代表性的GCP，收集并記錄其自然地理?xiàng)l件、種植戶主和GPS信息。

1.3影像預(yù)處理研究采用FLAASH大氣校正法，應(yīng)用影像自帶的有理函數(shù)模型的參數(shù)文件(*.RPC)和外部1∶1萬DEM數(shù)據(jù)以及實(shí)測(cè)地面控制點(diǎn)(GPS)分別對(duì)全色和多光譜影像進(jìn)行正射校正，采用Gram-Schimdt光譜銳化融合方法進(jìn)行影像融合，并對(duì)影像進(jìn)行裁剪。預(yù)處理結(jié)果見圖1。影像基本無云，清晰度高，植煙區(qū)散狀分布在相對(duì)平坦的地區(qū)。

圖1　研究區(qū)遙感影像預(yù)處理結(jié)果Fig.1　Remote sensing image of research area

2影像面向?qū)ο筇卣鞯匚锾崛?/p>

面向?qū)ο笮畔⑻崛〖夹g(shù)可根據(jù)遙感圖像分類或目標(biāo)地物提取的具體要求，檢測(cè)和提取目標(biāo)地物的光譜、形狀、大小、結(jié)構(gòu)、紋理、陰影、空間位置、相關(guān)布局等特征，從而達(dá)到對(duì)遙感圖像進(jìn)行分類或目標(biāo)地物提取的目的。

ENVI 5.1中的面向?qū)ο髨D像分類工具比較便捷，這個(gè)工具分為3種獨(dú)立的流程化工具：基于規(guī)則、基于樣本、圖像分割，處理速度較快，可以根據(jù)規(guī)則或者樣本情況自行選擇對(duì)象屬性，避免了不必要的計(jì)算，提供了多個(gè)函數(shù)接口。研究選取基于規(guī)則的分類方法，其基本流程為：選擇特征提取文件—影像分割與合并—建立影像提取規(guī)則—選擇屬性—預(yù)覽分類結(jié)果—結(jié)果輸出處理。

2.1影像分割合并

2.1.1分割合并方法的選擇。ENVI5.1提供2種分割算法——Edge和Intensity；2種合并算法——Full lambda Schedule和Fast lambda。因?yàn)闊煵莸貕K具有較為規(guī)整的邊界，不同種地塊間研究選用Edge分割算法和Full lambda Schedule合并方法。

2.1.2影像分割及分割尺度的選擇。影像分割波段選擇RGB波段。研究區(qū)煙草地塊相對(duì)較小，通過反復(fù)的調(diào)試，參考失量距離最優(yōu)分割尺度選擇法[8]，分割尺度為28時(shí)具有較好的分割效果。

2.1.3影像合并及合并尺度的選擇。影像合并波段默認(rèn)所有波段。通過對(duì)比不同分割參數(shù)在預(yù)覽窗口中的分割效果選定最合適的合并參數(shù)75。

2.2煙草信息提取規(guī)則和屬性研究提取煙草基于光譜、形狀和紋理這3個(gè)規(guī)則，每個(gè)規(guī)則選取相應(yīng)合適的屬性。

2.2.1光譜規(guī)則。光譜規(guī)則屬性有：灰度均值、最大灰度、最小灰度和灰度標(biāo)準(zhǔn)差。

將樣本GPS導(dǎo)入影像，提取樣本對(duì)應(yīng)點(diǎn)的光譜值。為了消除手持GPS測(cè)量誤差和影像融合導(dǎo)致的系統(tǒng)誤差，采用SAS軟件對(duì)光譜數(shù)據(jù)進(jìn)行處理，繪制分布擬合圖、QQ圖和正態(tài)性檢驗(yàn)來檢驗(yàn)數(shù)據(jù)的正態(tài)性，剔除邊界異常值。

對(duì)光譜數(shù)據(jù)進(jìn)行處理形成樣本參考如表1所示灰度值范圍。

表1　樣本灰度值范圍

以采集樣本波譜范圍為基準(zhǔn)，分別對(duì)4個(gè)波段進(jìn)行屬性描述。由于1、2和3波段對(duì)綠色植被具有較好的識(shí)別作用，且3波段融合4波段的特征，因而將前3個(gè)波段的權(quán)重分別設(shè)為3。

2.2.2形狀規(guī)則。形狀規(guī)則屬性有：面積、長(zhǎng)度、多邊形的緊密性、堅(jiān)固性、凸性、延伸性、矩形形狀度、圓形形狀度、主要方向、孔數(shù)、孔面積比等。丘陵地形導(dǎo)致煙田地塊面積不大，經(jīng)土地整理，丘陵地區(qū)地塊呈梯度分布，部分呈細(xì)長(zhǎng)的條帶狀并排分布，地形平整地區(qū)則沿道路分布相對(duì)規(guī)整。受村莊布局和地形影響煙田整體分布零散。綜上，選用面積屬性作為煙田識(shí)別的形狀規(guī)則。

調(diào)查得知存在少數(shù)面積小于1 hm2的煙田，但多數(shù)與其他煙草地塊相鄰，為了保證較小的地塊不被遺漏，分割尺度較大，分割后產(chǎn)生了部分微小的斑塊。該研究最后將面積閾值設(shè)定為600 m2，以剔除區(qū)域內(nèi)細(xì)小的破碎邊界、混合象元和其他對(duì)象。

2.2.3紋理規(guī)則。紋理屬性有：數(shù)據(jù)范圍、平均值、方差和信息熵。煙草由于起壟種植和間隔種植使得煙田有較為特殊的紋理特征。采用概率統(tǒng)計(jì)的濾波對(duì)各波段進(jìn)行紋理特征分析，得到樣點(diǎn)統(tǒng)計(jì)值、同一地塊穩(wěn)定性和與其他地物區(qū)別度信息。紋理屬性特征見表2。

表2　紋理屬性特征

選擇波段4紋理平均值作為煙田紋理特征屬性，其值范圍為5 660~6 630。

根據(jù)以上光譜、形狀和紋理規(guī)則執(zhí)行面向?qū)ο蠓诸悺?/p>

3分類結(jié)果分析及精度評(píng)價(jià)

圖2　研究區(qū)遙感影像煙草種植分類結(jié)果Fig.2　Classification result of tobacco planting remote sensing image in research area

3.1結(jié)果分析經(jīng)過分類后處理提取的研究區(qū)煙草種植面積為14 088.46 hm2。根據(jù)相關(guān)部門提供的統(tǒng)計(jì)資料，研究區(qū)下發(fā)煙苗純種理論種植面積為8 765 hm2，煙民根據(jù)地塊實(shí)際寬度合理分配種植，套種地瓜，以兩行煙草與一行甘薯間隔套種為主。煙草種植技術(shù)人員根據(jù)經(jīng)驗(yàn)對(duì)面積進(jìn)行折合，下發(fā)煙苗純種面積與實(shí)際面積折合比率為0.65。遙感提取面積折合后的純種面積為9 157.46 hm2，在數(shù)值上比下發(fā)煙苗純種面積偏大。

3.2精度評(píng)價(jià)采用非監(jiān)督分類和決策樹分類方法對(duì)影像進(jìn)行分類，對(duì)比面向?qū)ο蠓ǚ诸惤Y(jié)果對(duì)3種分類方法進(jìn)行分類后的處理結(jié)果進(jìn)行評(píng)價(jià)。3種處理分類處理結(jié)果見圖3。

從圖3可以看出，3種分類方法中，非監(jiān)督分類冗余信息較多，漏分混分現(xiàn)象嚴(yán)重；決策樹分類效果優(yōu)于非監(jiān)督分類，但經(jīng)主要分析處理后零碎地物被錯(cuò)分，漏分現(xiàn)象也比較嚴(yán)重；面向?qū)ο蠓诸惙椒┓皱e(cuò)分現(xiàn)象較少，基本與植煙區(qū)相符合。

參考GCP，分別在影像中手動(dòng)選取有代表性的煙田和其他地塊創(chuàng)建感興趣區(qū)域作為樣本，對(duì)分類結(jié)果進(jìn)行檢驗(yàn)。部分評(píng)價(jià)參數(shù)見表3。

圖3　分類結(jié)果比較Fig.3　Comparation of classification results

Table 3Comparison of classification accuracies of three methods

%

從表3可以看出，非監(jiān)督分類方法錯(cuò)分率和漏分率較高，分別為 37.9%和43.5%；面向?qū)ο蠓诸惙椒ǖ穆┓终`差和錯(cuò)分誤差比非監(jiān)督分類較小，為28.4%和20.8%。面向?qū)ο蠓诸愋Ч^好，錯(cuò)分誤差和漏分誤差相對(duì)較小，分別為10.52%和4.42%，其分類總精度為為94.63%，Kappa系數(shù)為0.956，明顯優(yōu)于其他3種分類，可用于實(shí)際應(yīng)用。

4結(jié)論

該研究結(jié)合實(shí)地調(diào)查對(duì)遙感影像進(jìn)行面向?qū)ο蠓诸愡M(jìn)而獲取煙草種植面積數(shù)據(jù)，具有較高的準(zhǔn)確度，得出以下結(jié)論：

(1)利用1∶1萬DEM數(shù)據(jù)進(jìn)行正射校正對(duì)地形起伏引起的影像誤差有較好的糾正效果。GS影像融合可結(jié)合資源三號(hào)衛(wèi)星影像高分和多光譜的雙重特性，保持光譜值的真實(shí)性。

(2)根據(jù)實(shí)地調(diào)查采集具有代表性的GCP，使得影像提取煙田信息更加準(zhǔn)確便捷。

(3)面向?qū)ο筮b感影像特征地物提取的基礎(chǔ)是影像分割，對(duì)影像信息提取的準(zhǔn)確性和可靠性有直接影像。分割合并閾值的設(shè)定要根據(jù)實(shí)地考察資料和特征地物具體特點(diǎn)，反復(fù)試驗(yàn)，才能獲得較好的效果。面向?qū)ο蠓诸惙椒ú粌H利用地物本身的光譜信息，而且充分利用可量化的地物空間和紋理信息，影像的信息利用率和分類精度提高。

參考文獻(xiàn)

[1] 吳曉萍，楊武年，李國(guó)明.資源三號(hào)衛(wèi)星正視全色與多光譜影像融合及評(píng)價(jià)[J].物探化探計(jì)算技術(shù)，2014，36(1)：113-119．

[2] 李向英，何勁，王素敏.遙感影像自動(dòng)化處理系統(tǒng)處理資源三號(hào)影像的方法[J].影像技術(shù)，2013(4)：35-37.

[3] FANG L，WANG M，LI D，et al.MOC-based parallel preprocessing of ZY-3 satellite images[J].Geoscience and remote sensing letters，IEEE，2015，12(2)：419-423.

[4] HUANG X，WEN D W，XIE J F，et al.Quality assessment of panchromatic and multispectral image fusion for the ZY-3 satellite：From an information fxtraction perspective[J].Geoscience and remote sensing letters，IEEE，2014，11(4)：753-757.

[5] 趙芳，朱豐琪，馮仲科，等.運(yùn)用資源三號(hào)衛(wèi)星影像數(shù)據(jù)提取水體信息的方法研究[J].測(cè)繪通報(bào)，2014(3)：25-28.

[6] 殷濤，張姝娟，李德江.資源三號(hào)影像融合技術(shù)在地理國(guó)情普查中的應(yīng)用[J].測(cè)繪與空間地理信息，2014，37(6)：122-124.

[7] 王野.基于資源三號(hào)衛(wèi)星影像的城市綠地信息提取方法探討[J].測(cè)繪工程，2014.23(7)：65-67.

[8] 于歡，張樹清，孔博，等.面向?qū)ο筮b感影像分類的最優(yōu)分割尺度選擇研究[J].中國(guó)圖像圖形學(xué)報(bào)，2010，15(2)：353-360．

[9] 別強(qiáng)，何磊，趙傳燕.基于影像融合和面向?qū)ο蠹夹g(shù)的植被信息提取研究[J].遙感技術(shù)與應(yīng)用，2014，29(1)：164-171.

[10] SHI X L，LI Y，DENG R X.Object-oriented information extraction of farmland shelterbelts from remote sensing image[J].Key engineering materials，2012，1485( 500)：500-505.

[11] WU J，PENG D L.Tree-crown information extraction of farmland returned to forests using quickBird image based on object-oriented approach[J].Spectroscopy and spectral analysis，2010，30(9)：2533-2536.

[12] 彭光雄，沈蔚，郭繼發(fā).瀘西縣烤煙面積遙感監(jiān)測(cè)最佳時(shí)相的選擇[J].山地學(xué)報(bào)，2009，27(3)：326-332.

[13] 李石華，李佛琳，譚國(guó)超，等.衛(wèi)星遙感融合技術(shù)在植煙生態(tài)研究中的應(yīng)用[J].云南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2011，26(S2)：159-163.

[14] 鄒益民.衛(wèi)星遙感技術(shù)在內(nèi)蒙古自治區(qū)煙草種植中的應(yīng)用[J].內(nèi)蒙古大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011，42(6)：708-711.

[15]王政，陳燕麗，莫建飛，等.HJ-1影像中基于光譜特征的烤煙識(shí)別方法[J].煙草科技，2014(1)：72-76.

[16] PENG G X，DENG L，CUI W H，et al.Remote sensing monitoring of tobacco field based on phenological characteristics and time series image:A case study of Chengjiang County，Yunnan Province，China[J].Chinese geographical science，2009，19(2)：186-193.

收稿日期2015-12-24

作者簡(jiǎn)介劉明芹(1991- )女，山東濰坊人，碩士研究生，研究方向：煙草估產(chǎn)。*通訊作者，教授，博士生導(dǎo)師，從事土地管理和規(guī)劃研究。

基金項(xiàng)目國(guó)家自然科學(xué)基金項(xiàng)目(41171425)；山東省煙草公司重點(diǎn)項(xiàng)目(2014-7-1)；上海煙草集團(tuán)公司重點(diǎn)科技項(xiàng)目(SZBCW2013-01140)。

中圖分類號(hào)S 127；P 407.8

文獻(xiàn)標(biāo)識(shí)碼A

文章編號(hào)0517-6611(2016)03-291-03