基于小波紋理和隨機(jī)森林的獼猴桃果園遙感提取

宋榮杰　寧紀(jì)鋒　常慶瑞　班松濤　劉秀英　張宏鳴

(1.西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院， 陜西楊凌 712100； 2.西北農(nóng)林科技大學(xué)信息工程學(xué)院， 陜西楊凌 712100；3.河南科技大學(xué)農(nóng)學(xué)院， 洛陽 471003)

0　引言

我國是世界上獼猴桃栽植面積和產(chǎn)量最大的國家[1]。陜西秦嶺北麓是我國優(yōu)質(zhì)獼猴桃最佳優(yōu)生區(qū)和集中種植區(qū)，獼猴桃栽植面積和產(chǎn)量均居全國前列[2]，獼猴桃產(chǎn)業(yè)已成為推動(dòng)當(dāng)?shù)剞r(nóng)村發(fā)展和農(nóng)民致富的優(yōu)勢(shì)特色產(chǎn)業(yè)。因此，利用遙感技術(shù)準(zhǔn)確快速掌握獼猴桃果園的空間分布及其種植面積，對(duì)于優(yōu)化獼猴桃區(qū)域布局和促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整具有重大意義，同時(shí)也為長(zhǎng)勢(shì)分析、產(chǎn)量估測(cè)和災(zāi)害預(yù)防提供基礎(chǔ)數(shù)據(jù)。

高空間分辨率遙感影像(高分影像)已成為農(nóng)作物遙感精細(xì)識(shí)別的重要數(shù)據(jù)支撐[3]，但高分影像受其低光譜分辨率制約，“異物同譜”現(xiàn)象嚴(yán)重；尤其在作物類型識(shí)別應(yīng)用中，多種作物同時(shí)并存、目標(biāo)作物與周圍植被的反射光譜差異不明顯。因此，單純依靠光譜特征區(qū)分作物類型存在明顯不足，提取精度難以滿足應(yīng)用需求。為此，結(jié)合不同作物的種植模式特點(diǎn)挖掘影像的空間紋理信息，并采用高效的機(jī)器學(xué)習(xí)算法構(gòu)建分類決策機(jī)制，已成為提高農(nóng)作物識(shí)別精度的有效途徑[4-5]。

在紋理信息獲取方面，常見的紋理提取方法有統(tǒng)計(jì)方法、模型方法和小波變換方法等[6]，其中小波變換具有良好的時(shí)頻局部化特性，能夠?qū)D像特征變異從空間域轉(zhuǎn)換到頻率域，從而獲取不同尺度和多個(gè)方向的特征信息，已成為多尺度紋理分析的有效工具。與傳統(tǒng)單一尺度的紋理提取方法相比，小波變換有利于更全面表達(dá)高分影像的局部細(xì)節(jié)特征[7]。目前小波紋理在高分影像土地利用分類和變化檢測(cè)方面的研究相對(duì)較多[6,8-9]，但在作物類型提取方面的研究成果整體偏少[10-11]，其適用性有待進(jìn)一步研究。

在分類算法方面，隨機(jī)森林(Random forest，RF)是一種樹型集成分類器，近年來在遙感土地利用分類[12-13]、作物類型識(shí)別[14-16]和森林樹種分類[17]等研究中應(yīng)用廣泛，研究表明，RF具有分類精度高、運(yùn)算速度快和對(duì)噪聲數(shù)據(jù)不敏感等優(yōu)勢(shì)，能取得比支持向量機(jī)(Support vector machine，SVM)、最大似然分類(Maximum likelihood classification，MLC)更好的分類結(jié)果[18-19]。目前，RF分類已成功應(yīng)用于水稻、小麥和玉米等主要糧食作物遙感提取中，但在果園提取方面的研究尚不多見，特別有關(guān)獼猴桃果園提取的研究未見系統(tǒng)報(bào)道。

本文提出基于小波紋理和隨機(jī)森林算法的獼猴桃果園自動(dòng)提取方法，以QuickBird高分影像作為遙感數(shù)據(jù)源，綜合利用影像光譜信息和紋理信息構(gòu)建分類模型，并通過對(duì)比小波紋理、灰度共生矩陣(Gray level co-occurrence matrix，GLCM)紋理和分形紋理3種紋理特征以及RF、SVM和MLC 3種分類方法的效果，探索能夠有效識(shí)別獼猴桃果園的紋理特征與分類模型，以期為基于遙感技術(shù)快速、準(zhǔn)確獲取獼猴桃種植分布信息提供依據(jù)。

1　數(shù)據(jù)來源與研究方法

1.1　研究區(qū)概況

楊凌國家農(nóng)業(yè)高新技術(shù)產(chǎn)業(yè)示范區(qū)(簡(jiǎn)稱楊凌區(qū)，107°59′～108°08′E，34°14′～34°20′N)位于陜西省關(guān)中地區(qū)西部，全區(qū)地勢(shì)北高南低，海拔435～563 m，屬暖溫帶半濕潤半干旱季風(fēng)氣候，年平均氣溫12.9℃，年降水量635 mm，屬獼猴桃種植適宜區(qū)[20]。

研究區(qū)位于楊凌區(qū)五泉鎮(zhèn)，這里是楊凌區(qū)獼猴桃集中種植區(qū)和標(biāo)準(zhǔn)化生產(chǎn)示范基地，有利于開展獼猴桃果園提取研究。研究區(qū)農(nóng)用地以果園為主，包括獼猴桃果園、蘋果園和櫻桃園。結(jié)合野外實(shí)地調(diào)查和室內(nèi)目視判讀結(jié)果，將研究區(qū)土地利用劃分為獼猴桃園、蘋果園、櫻桃園、苗木、林地、建筑用地、道路和裸地共8種類型。研究區(qū)內(nèi)獼猴桃園多為已進(jìn)入結(jié)果期的成齡果園，獼猴桃樹每年從3—4月開始萌芽生長(zhǎng)，到9—10月果實(shí)成熟，其中夏季7月是獼猴桃樹生長(zhǎng)旺盛期，果園內(nèi)枝葉繁茂、植被覆蓋度大。此時(shí)區(qū)內(nèi)獼猴桃果園與蘋果園、櫻桃園之間的光譜特征較為相似，增加了區(qū)分難度。

1.2　遙感數(shù)據(jù)與預(yù)處理

研究選用QuickBird高分影像數(shù)據(jù)，包括一個(gè)4波段的多光譜影像和一個(gè)單波段的全色影像(表1)。根據(jù)研究需要，首先在ENVI軟件中對(duì)遙感影像進(jìn)行正射校正，并將全色波段重采樣為2.4 m[21]，與多光譜影像分辨率保持一致同時(shí)減少紋理提取的計(jì)算量，最終裁剪得到研究區(qū)影像大小為768行、1 249列(圖1)，覆蓋面積約為5.53 km2。

根據(jù)目視解譯結(jié)果，研究區(qū)獼猴桃果園分布面積最大，約占總面積的28.59%，其他類別的面積比例分別為蘋果園5.17%、櫻桃園2.59%、苗木7.76%、林地10.79%、建筑用地27.54%、道路4.51%、裸地13.05%。

表1　QuickBird影像波段參數(shù)(2014年7月25日)Tab.1　Parameters of QuickBird data

圖1　研究區(qū)QuickBird數(shù)據(jù)和地面參考數(shù)據(jù)Fig.1　QuickBird data of study site and corresponding ground truth data

1.3　樣本數(shù)據(jù)選取

為訓(xùn)練監(jiān)督分類模型并進(jìn)行分類精度定量評(píng)價(jià)，根據(jù)2015年同期實(shí)地調(diào)查數(shù)據(jù)，結(jié)合Google Earth歷史高分影像數(shù)據(jù)，利用ENVI 5.1軟件的感興趣區(qū)(Region of intrest, ROI)工具以不規(guī)則多邊形塊為單元隨機(jī)選取樣本。為進(jìn)行可靠分類，許多研究建議訓(xùn)練樣本數(shù)量應(yīng)達(dá)到10d～30d(d為波段數(shù))[22]，本研究中各類別訓(xùn)練樣本數(shù)量均超過10d，其中獼猴桃果園、建筑用地、裸地等面積較大的地類樣本數(shù)量超過30d。研究還利用J-M距離計(jì)算不同樣本之間的可分離度來優(yōu)化樣本集[23]，最終選取訓(xùn)練樣本2 327個(gè)(像素：獼猴桃園566，蘋果園258，櫻桃園138，苗木205，建筑用地343，道路153，裸地450，林地214)，另隨機(jī)選取驗(yàn)證樣本4 659個(gè)(像素：獼猴桃園1 133，蘋果園517，櫻桃園276，苗木410，建筑用地687，道路307，裸地900，林地429)。

雖然實(shí)地調(diào)查數(shù)據(jù)和遙感影像時(shí)間相差1 a，考慮到同一季節(jié)的相同時(shí)間段，同一區(qū)域中農(nóng)林作物的生長(zhǎng)狀況具有相似性，且研究區(qū)果園多為成齡果園，種植時(shí)間較長(zhǎng)，面積相對(duì)穩(wěn)定。因此，可認(rèn)為由此獲得的樣本數(shù)據(jù)具有代表性和正確性[24-25]。

1.4　紋理特征提取方法

通過對(duì)影像進(jìn)行小波變換提取紋理特征。首先采用金字塔分解算法將圖像進(jìn)行二維離散小波變換[26]，每級(jí)分解產(chǎn)生1個(gè)低頻子帶和水平、垂直、對(duì)角3個(gè)方向的高頻子帶；將低頻子帶再次分解，得到第2級(jí)分解的4個(gè)小波子帶，重復(fù)這個(gè)過程實(shí)現(xiàn)多尺度小波分解。圖像f(x,y)第j級(jí)小波分解的小波系數(shù)計(jì)算公式為[9]

(1)

φ——1維尺度函數(shù)

ψ——1維小波函數(shù)

試驗(yàn)選用coif5雙正交小波基。研究表明，增加小波分解級(jí)數(shù)有利于獲得圖像在多尺度上的細(xì)節(jié)特征，但小波分解級(jí)數(shù)越高，特征圖像的邊界效應(yīng)就越明顯，從而影響分類精度；此外，小波變換的計(jì)算量隨分解級(jí)數(shù)增加而增大[26-28]。為有效表達(dá)紋理信息并降低計(jì)算復(fù)雜度，本文對(duì)全色波段進(jìn)行3級(jí)小波分解，并通過對(duì)比不同分解層次特征的分類識(shí)別效果來確定最佳分解級(jí)數(shù)b。

通常采用小波變換系數(shù)的統(tǒng)計(jì)值來描述圖像紋理特征[8]，常用統(tǒng)計(jì)量有均值、標(biāo)準(zhǔn)差、能量和熵等特征[26-27]，研究分別計(jì)算上述4種特征并進(jìn)行比較，最終選用效果最好的能量特征，其計(jì)算方法為

(2)

式中p(r，s)——像元(r,s)的小波系數(shù)

R、S——小波子帶影像的行、列數(shù)

通過Matlab編程實(shí)現(xiàn)小波紋理特征提取：首先以原始影像中每個(gè)像元為中心，選取一定大小的鄰域窗口實(shí)施小波變換；并根據(jù)式(2)計(jì)算各小波子帶的能量值賦給中心像元，獲得該像元在不同頻率子帶的能量值；然后移動(dòng)鄰域窗口計(jì)算得到整個(gè)影像的能量特征；最后通過特征組合構(gòu)建一個(gè)4b維小波特征向量。為分析不同鄰域窗口對(duì)分類精度的影響，試驗(yàn)選取6個(gè)不同的窗口(7像素×7像素、11像素×11像素、15像素×15像素、19像素×19像素、23像素×23像素、27像素×27像素)提取紋理特征。

為明確小波紋理特征識(shí)別獼猴桃果園的效果，本文還分別提取全色波段的GLCM和分形紋理特征[29]。為簡(jiǎn)化計(jì)算并考慮分類識(shí)別效果，試驗(yàn)選用64級(jí)灰度級(jí)、1個(gè)像元距離計(jì)算常用的8個(gè)GLCM統(tǒng)計(jì)量[30]：均值(MEA)、方差(VAR)、同質(zhì)性(HOM)、對(duì)比度(CON)、不相似性(DIS)、熵(ENT)、角二階矩(ASM)和相關(guān)性(COR)；通過試驗(yàn)對(duì)比0°、45°、90°和135°方向的紋理分類效果，選用分類精度較高的135°方向計(jì)算GLCM。分形紋理提取方法詳見文獻(xiàn)[29]。

1.5　遙感圖像監(jiān)督分類

1.5.1RF算法

隨機(jī)森林是一種由多棵分類與回歸樹(Classification and regression tree，CART)構(gòu)成的集成分類器，主要包括訓(xùn)練和分類2個(gè)階段。在訓(xùn)練階段，首先采用隨機(jī)可重復(fù)的自助取樣策略(bootstrap)選取訓(xùn)練樣本，然后針對(duì)每個(gè)訓(xùn)練樣本集利用CART算法構(gòu)建分類樹，對(duì)樹中每個(gè)節(jié)點(diǎn)，先從所有特征中為其隨機(jī)選取Mtry個(gè)特征，并依據(jù)基尼系數(shù)進(jìn)行分裂測(cè)試并選取最優(yōu)特征。重復(fù)上述取樣、建樹過程N(yùn)tree次，最終建立由Ntree棵決策樹構(gòu)成的隨機(jī)森林。在分類階段，每棵決策樹都對(duì)新樣本的類別進(jìn)行獨(dú)立判斷，最后匯總所有決策樹的分類結(jié)果，采用多數(shù)投票原則輸出最終結(jié)果。

在bootstrap取樣過程中，約有1/3的樣本未被選中，這些樣本稱為袋外(Out of bag，OOB)數(shù)據(jù)[31-32]，使用OOB數(shù)據(jù)對(duì)RF模型進(jìn)行評(píng)估可得到OOB精度或OOB誤差。本研究通過OOB誤差分析對(duì)RF模型構(gòu)建所需的2個(gè)關(guān)鍵參數(shù)(Ntree和Mtry)進(jìn)行參數(shù)尋優(yōu)[17,31]，并評(píng)估分類特征變量的重要性。

1.5.2圖像RF分類

首先利用ENVI 5.1軟件將小波紋理特征與光譜特征疊加，獲得光譜+小波紋理復(fù)合分類特征；其次以復(fù)合分類特征和訓(xùn)練樣本為輸入，利用EnMap Box軟件訓(xùn)練并構(gòu)建RF分類模型[33]；最后利用構(gòu)建好的RF模型對(duì)整個(gè)遙感圖像分類，獲得研究區(qū)土地利用分類圖。

1.5.3分類精度評(píng)價(jià)

為定量評(píng)價(jià)各分類方案的分類精度，分別從獼猴桃果園提取精度和總體分類效果兩個(gè)層面構(gòu)建評(píng)價(jià)指標(biāo)。首先利用表1中的驗(yàn)證樣本和計(jì)算分類結(jié)果混淆矩陣，得到用戶精度(User accuracy，UA)、生產(chǎn)者精度(Production accuracy，PA)、總體分類精度(Overall accuracy，OA)和Kappa系數(shù)；其次，根據(jù)獼猴桃果園的UA和PA計(jì)算獼猴桃果園提取精度Fk[5,34]。本文用OA和Kappa系數(shù)評(píng)價(jià)總體分類效果，用Fk評(píng)價(jià)獼猴桃果園提取精度，并結(jié)合目視解譯結(jié)果對(duì)獼猴桃果園提取面積進(jìn)行檢驗(yàn)。

2　結(jié)果與分析

2.1　不同地物樣本的光譜特征分析

對(duì)本研究選取的8種典型地物樣本的光譜均值進(jìn)行統(tǒng)計(jì)，結(jié)果如圖2所示。由圖2可以看出，獼猴桃果園與非植被類別(建筑用地、道路和裸地)在各波段上的光譜差異較明顯，但與林地、櫻桃園和蘋果園等類別的光譜特征較為相似，除B4波段外光譜區(qū)分性不大。因此，僅依靠光譜特征提取獼猴桃果園將面臨一定難度，有必要引入紋理信息提升其識(shí)別精度。

圖2　典型地物在不同波段上光譜均值Fig.2　Mean spectral values of each class across four multi-spectral bands

2.2　紋理窗口優(yōu)選及小波紋理提取結(jié)果

為明確最佳紋理窗口，分別選取6個(gè)不同的鄰域窗口提取小波紋理、GLCM紋理和分形紋理，并將不同窗口提取的紋理特征分別與光譜特征組合進(jìn)行RF分類，分類結(jié)果如圖3所示。

圖3　分類精度隨紋理窗口變化情況Fig.3　Classification accuracy with different texture window sizes

由圖3可知，隨著紋理窗口增大，3種紋理特征對(duì)應(yīng)的分類精度均呈現(xiàn)先增大后減少的趨勢(shì)，其中小波紋理的獼猴桃果園提取精度和總體分類精度均在窗口大小為19像素×19像素時(shí)取最大值，故確定此窗口為最佳小波紋理窗口。同理，GLCM紋理和分形紋理最佳提取窗口分別為19像素×19像素、15像素×15像素。

表2是不同分解水平的小波紋理特征分類精度，其中L1表示第1級(jí)小波紋理與光譜特征疊加，L1～L2表示第1級(jí)和第2級(jí)小波紋理與光譜特征疊加。

表2　不同分解水平的小波紋理特征分類精度Tab.2　Classification accuracy with different wavelet decomposition levels

分析表2可知，小波分解各級(jí)特征對(duì)分類精度的影響不同。單一層級(jí)的小波紋理特征疊加光譜特征分類時(shí)，L1的分類精度(OA和Fk)最高，隨著分解級(jí)數(shù)增加，L2、L3的OA和Fk依次降低。多級(jí)小波紋理特征疊加光譜特征的分類效果優(yōu)于單一層級(jí)，其中L1～L2的分類精度最高(Fk和OA均高于94%)且優(yōu)于L1～L3的分類精度。由于2級(jí)小波分解既有較好的分類效果又能減少計(jì)算量，因此，本文選用2級(jí)小波分解提取紋理特征。

圖4是采用最佳窗口、2級(jí)小波分解提取的小波紋理特征，其中E1、E2、E3和E4分別是1級(jí)小波分解水平、垂直、對(duì)角高頻子帶和低頻子帶的能量特征，E5～E8為第2級(jí)分解的4個(gè)紋理特征。圖像中地物亮度越大，表明其能量值越大，反映其空間變異性大?？煽闯?，建筑用地的亮度在各個(gè)特征圖像中普遍較大，而裸地則普遍較暗。獼猴桃果園在圖4d中的亮度相對(duì)較大；圖4c中蘋果園和櫻桃園亮度較大，與獼猴桃果園差異相對(duì)明顯。從整體來看，與1級(jí)分解紋理圖像相比，第2級(jí)分解對(duì)應(yīng)的紋理圖像整體偏暗。

2.3　RF參數(shù)選取及分類模型構(gòu)建

圖4　小波紋理特征提取結(jié)果Fig.4　Texture features derived from wavelet transform

圖5　決策樹數(shù)量和特征數(shù)量對(duì)總體分類精度的影響Fig.5　Influence of different Ntree and Mtry values on OOB OA

2.4　不同分類特征的分類精度對(duì)比

為比較不同特征識(shí)別獼猴桃果園的效果，構(gòu)建以下7種分類特征：?jiǎn)渭児庾V特征(SF)、小波紋理特征(wavelet TF)、GLCM紋理特征(GLCM TF)、分形紋理特征(fractal TF)、光譜結(jié)合小波紋理(SF+wavelet TF)、光譜結(jié)合GLCM紋理(SF+GLCM TF)、光譜結(jié)合分形紋理(SF+ fractal TF)。表3為7種特征的RF分類結(jié)果，其中PAk、UAk分別為獼猴桃果園的生產(chǎn)者精度和用戶精度。

由表3可知，單一紋理特征分類時(shí)，wavelet TF分類的Fk最高(87.61%)，其次是GLCM TF(Fk=84.03%)，fractal TF的Fk僅為54.68%，說明小波紋理或GLCM紋理均能有效表達(dá)獼猴桃果園的空間特征，但分形紋理識(shí)別效果較差。采用SF分類時(shí)Fk和OA分別為82.85%和86.71%，其OA比單一紋理分類高出4.87%以上，但Fk卻比wavelet TF、GLCM TF分別降低5.74%和1.42%，這表明雖然光譜特征總體分類效果優(yōu)于各紋理特征，但其識(shí)別

獼猴桃果園的能力不如小波紋理和GLCM紋理。

將光譜與紋理特征結(jié)合得到的復(fù)合特征(SF+ wavelet TF、SF+ GLCM TF、SF+ fractal TF)的分類效果優(yōu)于單一光譜或單一紋理分類，其中，SF+wavelet TF分類的Fk和OA較SF分類分別大幅提高15.03%和8.94%，較wavelet TF分類分別提高8.78%和14.25%。在3種復(fù)合特征中，SF+wavelet TF特征的分類精度最高，F(xiàn)k和OA均超過94%，比SF+GLCM TF分類分別提高6.70%和2.88%，比SF+ fractal TF分類顯著提高13.43%和6.98%。上述分析表明光譜和紋理特征結(jié)合能充分發(fā)揮多源信息優(yōu)勢(shì)互補(bǔ)作用，有利于增加不同地類之間的可區(qū)分性，從而提升總體分類效果和獼猴桃果園提取精度，其中SF+wavelet TF特征效果最佳。

表3　不同分類特征的RF分類結(jié)果Tab.3　Classification accuracy with different input features based on RF

為進(jìn)一步明確SF+ wavelet TF復(fù)合特征中各特征變量對(duì)分類精度的影響，利用RF算法的OOB誤差分析計(jì)算特征變量重要性(Normalized variable importance，NVI)，NVI越大表明該變量的重要性和貢獻(xiàn)度越大[35]。圖6是該復(fù)合特征12個(gè)特征分量的NVI計(jì)算結(jié)果排序?？梢钥闯?，不同變量的NVI差異較大，其中小波紋理E2的NVI最大，其次是多光譜B4波段，說明這2個(gè)特征分量對(duì)分類精度提升最為重要；E1、E8、B3的NVI較為接近，表明這些分量對(duì)分類精度貢獻(xiàn)相似；而B2、E5和E6的NVI排序靠后，表明這些特征分量對(duì)分類精度的貢獻(xiàn)度相對(duì)較小。

圖6　光譜疊加小波紋理特征變量重要性Fig.6　Variable importance of spectral features combined with wavelet texture features

保留圖6中NVI最大的6個(gè)特征分量進(jìn)行RF分類，F(xiàn)k和OA分別為93.78%和92.51%，即特征維數(shù)減少50%時(shí)Fk和OA分別降低1.62%和2.11%，但結(jié)果仍優(yōu)于表3中其他分類結(jié)果，表明NVI分析能夠自動(dòng)標(biāo)識(shí)最優(yōu)特征子集，在有效降維的同時(shí)保證較高的分類精度。

2.5　不同分類方法結(jié)果對(duì)比

為評(píng)估RF算法的分類性能，基于相同樣本集進(jìn)行SVM和MLC分類。表4為采用復(fù)合分類特征時(shí)3種算法的分類結(jié)果。

由表4可知，RF分類的Fk和OA高于相同特征下的SVM和MLC分類結(jié)果，與SVM分類相比OA和Fk最高分別提升3.38%和2.34%，與MLC分類相比OA和Fk最高分別提升4.89%和6.07%，表明RF提取獼猴桃果園效果和穩(wěn)定性好。此外，除SF+GLCM TF特征外，SVM結(jié)合其他2種特征的分類精度均高于MLC分類，其中Fk較MLC提高3%以上，表明SVM與這2種特征結(jié)合識(shí)別獼猴桃果園的效果優(yōu)于MLC。

此外，SF+wavelet TF特征的分類精度(OA和Fk)在3種分類算法中均高于其他2種特征分類，表明小波紋理對(duì)不同分類算法的普適性好。綜合表3和表4，結(jié)合光譜與小波紋理特征和RF分類算法提取獼猴桃果園的效果最佳。

表4　不同分類算法的分類精度Tab.4　Classification accuracy using different classifiers

2.6　獼猴桃果園提取結(jié)果評(píng)價(jià)

圖7為不同分類方案得到的研究區(qū)土地利用分類圖?？梢灾庇^看出，光譜分類結(jié)果(圖7a)中存在明顯的椒鹽現(xiàn)象，獼猴桃果園和其他植被之間的錯(cuò)分現(xiàn)象較為嚴(yán)重，建筑用地顯得非常破碎。wavelet TF分類結(jié)果中道路等帶狀地物的邊緣明顯被擴(kuò)大，窗口效應(yīng)較明顯(圖7b)。SF+wavelet TF分類結(jié)果(圖7c)中椒鹽噪聲整體減少，提取的獼猴桃果園分布完整性較好，與其他果園的混分狀況有較大改善。由圖7d可以看出，SVM分類與RF分類結(jié)果較為相似，但獼猴桃果園和蘋果園混分現(xiàn)象增多。上述結(jié)果表明，綜合采用SF+wavelet TF特征和RF分類算法提取的獼猴桃果園完整性較好，影像整體分類效果比其他分類方案有明顯改善，這與表3和表4的定量分析一致。

圖7　不同方法的分類結(jié)果Fig.7　Classified maps using different methods

圖8　獼猴桃果園提取結(jié)果Fig.8　Spatial distributions of kiwifruit orchard produced with different methods

利用ENVI 5.1軟件的majority分析功能對(duì)分類結(jié)果進(jìn)行3像素×3像素的平滑濾波以減少椒鹽噪聲[36]；并將結(jié)果整理為獼猴桃果園和非獼猴桃果園2類，得到研究區(qū)獼猴桃果園的空間分布如圖8a所示，目視解譯提取的獼猴桃果園分布如圖8b所示。經(jīng)統(tǒng)計(jì)，本文方法、基于光譜特征提取的獼猴桃果園面積分別為1 688 486 m2和1 754 669 m2，目視解譯方法提取的獼猴桃果園面積為1 579 628 m2。與目視解譯結(jié)果相比，本文提取的獼猴桃果園面積相對(duì)誤差為6.89%，基于光譜特征的面積提取誤差為11.08%?？梢?，本文方法能夠有效降低獼猴桃果園的面積提取誤差。

2.7　對(duì)其他果園提取的適用性分析

為進(jìn)一步驗(yàn)證本文方法對(duì)其他果園遙感提取的適用性，選取另一研究區(qū)的蘋果園為提取對(duì)象進(jìn)行試驗(yàn)。該試驗(yàn)選取的研究區(qū)土地利用類型包含蘋果園、夏玉米、苗木、居民地、道路、裸地和水渠共7種典型地物，遙感數(shù)據(jù)選用與上述獼猴桃果園提取試驗(yàn)同一景QuickBird影像，影像大小為835行、1 225列(研究區(qū)及試驗(yàn)數(shù)據(jù)見文獻(xiàn)[5])。分別采用本文1.4節(jié)和1.5節(jié)所述方法進(jìn)行小波紋理特征提取和RF分類，得到蘋果園提取精度(Fa)和總體分類精度(OA)如表5所示。其中，PAa、UAa分別為蘋果園的生產(chǎn)者精度和用戶精度；wavelet TF紋理窗口尺寸為13像素×13像素。

由表5可以看出，單獨(dú)采用wavelet TF特征進(jìn)行RF分類(wavelet TF，RF)，雖然OA只有82.01%，但Fk達(dá)到95.52%，表明利用本文方法提取的小波紋理特征能有效識(shí)別蘋果園；將小波紋理與光譜特征組合后進(jìn)行RF分類(SF+wavelet TF，RF)，F(xiàn)a和OA均提升到96%以上，說明本文方法用于蘋果園提取是可行的且具有較高提取精度。SF+wavelet TF分類結(jié)果比單獨(dú)利用wavelet TF分類在精度上有明顯提高，這與上述獼猴桃果園提取試驗(yàn)結(jié)果一致。與文獻(xiàn)[5]的研究方法(SF+GLCM TF，SVM)相比，本文方法能獲得更高的提取精度(Fa和OA分別提升0.80%和0.28%)。上述分析表明，本文方法對(duì)基于QuickBird影像的蘋果園提取具有較好的適用性。

表5　蘋果園提取試驗(yàn)分類精度Tab.5　Classification accuracy of apple orchard extraction experiment

3　結(jié)論

(1)構(gòu)建了一種結(jié)合高分影像光譜信息和紋理信息以及隨機(jī)森林算法的集成分類模型，利用該模型對(duì)QuickBird高分影像中獼猴桃果園進(jìn)行有效識(shí)別和自動(dòng)提取，獼猴桃果園提取精度(Fk)為95.30%、總體分類精度(OA)為94.46%。

(2)通過對(duì)比不同分類特征的分類精度，發(fā)現(xiàn)采用coif5小波函數(shù)、2級(jí)小波分解、窗口大小為19像素×19像素提取的小波紋理特征能夠有效識(shí)別獼猴桃果園，其Fk明顯優(yōu)于光譜特征和其他紋理特征；光譜與紋理信息結(jié)合能有效提升Fk和OA，其中光譜+小波紋理分類精度最高，F(xiàn)k和OA比光譜+GLCM紋理分類分別提高6.70%和2.88%，比光譜+分形紋理分類顯著提高13.43%和6.98%。

(3)通過對(duì)比RF、SVM和MLC分類器性能，結(jié)果表明，RF算法在相同分類特征中Fk和OA最高，與SVM分類相比分類精度提升幅度超過2%，與MLC分類相比分類精度提升超過4%。對(duì)獼猴桃果園提取結(jié)果進(jìn)行面積統(tǒng)計(jì)，本文提取的獼猴桃種植面積與目視解譯結(jié)果的相對(duì)誤差小于7%。

1屈振江，周廣勝. 中國主栽獼猴桃品種的氣候適宜性區(qū)劃[J]. 中國農(nóng)業(yè)氣象, 2017, 38(4): 257-266.

QU Zhenjiang, ZHOU Guangsheng. Regionalization of climatic suitability for major kiwifruit cultivars in China[J]. Chinese Journal of Agrometeorology, 2017, 38(4): 257-266. (in Chinese)

2胡凡，石磊，李茹，等. 陜西關(guān)中地區(qū)獼猴桃施肥現(xiàn)狀評(píng)價(jià)[J]. 中國土壤與肥料, 2017(3): 44-49.

HU Fan, SHI Lei, LI Ru, et al. Fertilization evaluation of kiwifruit in Guanzhong region of Shaanxi province[J]. Soil and Fertilizer Sciences in China, 2017(3): 44-49. (in Chinese)

3陳仲新，任建強(qiáng)，唐華俊，等. 農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望[J]. 遙感學(xué)報(bào), 2016, 20(5): 748-767.

CHEN Zhongxin, REN Jianqiang, TANG Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5): 748-767. (in Chinese)

4AKAR ?, GüNG?R O. Integrating multiple texture methods and NDVI to the random forest classification algorithm to detect tea and hazelnut plantation areas in northeast Turkey[J]. International Journal of Remote Sensing, 2015, 36(2): 442-464.

5宋榮杰，寧紀(jì)鋒，劉秀英，等. 基于紋理特征和SVM的QuickBird影像蘋果園提取[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(3): 188-197. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170324&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.03.024.

SONG Rongjie, NING Jifeng, LIU Xiuying, et al. Apple orchard extraction with QuickBird imagery based on texture features and support vector machine[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 188-197. (in Chinese)

6LI Qingyu, HUANG Xin, WEN Dawei, et al. Integrating multiple textural features for remote sensing image change detection[J]. Photogrammetric Engineering and Remote Sensing, 2017, 83(2): 109-121.

7MYINT S W, MESEV V. A comparative analysis of spatial indices and wavelet-based classification[J]. Remote Sensing Letters, 2012, 3(2): 141-150.

8MYINT S W, ZHU Tong, ZHENG Baojuan. A novel image classification algorithm using overcomplete wavelet transforms[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(6): 1232-1236.

9黃昕,張良培,李平湘.基于小波的高分辨率遙感影像紋理分類方法研究[J]. 武漢大學(xué)學(xué)報(bào):信息科學(xué)版, 2006, 31(1): 66-69.

HUANG Xin, ZHANG Liangpei, LI Pingxiang. Methods for classification of the high spatial resolution remotely sensed images based on wavelet transform[J]. Geomatics and Information Science of Wuhan University, 2006, 31(1): 66-69. (in Chinese)

10REGNIERS O, BOMBRUN L, LAFON V, et al. Supervised classification of very high resolution optical images using wavelet-based textural features[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(6): 3722-3735.

11CIRIZA R, SOLA I, ALBIZUA L, et al. Automatic detection of uprooted orchards based on orthophoto texture analysis[J]. Remote Sensing, 2017, 9(5): 492-513.

12DEBATS S R., LUO D, ESTES L D, et al. A generalized computer vision approach to mapping crop fields in heterogeneous agricultural landscapes[J]. Remote Sensing of Environment, 2016, 179: 210-221.

13馬玥，姜琦剛，孟治國，等. 基于隨機(jī)森林算法的農(nóng)耕區(qū)土地利用分類研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(1): 297-303. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160140&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.01.040.

MA Yue, JIANG Qigang, MENG Zhiguo, et al. Classification of land use in farming area based on random forest algorithm[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1): 297-303. (in Chinese)

14SON N T, CHEN C F, CHEN Chengru, et al. Assessment of Sentinel-1A data for rice crop classification using random forests and support vector machines[J]. Geocarto International, 2017, 32(10): 1-32.

15LIU Jiantao, FENG Quanlong, GONG Jianhua, et al. Winter wheat mapping using a random forest classifier combined with multi-temporal and multi-sensor data[J]. International Journal of Digital Earth, 2017, 10(11): 1-20.

16黃健熙，侯矞焯，蘇偉，等. 基于GF-1 WFV數(shù)據(jù)的玉米與大豆種植面積提取方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(7): 164-170.

HUANG Jianxi, HOU Yuzhuo, SU Wei, et al. Mapping corn and soybean cropped area with GF-1 WFV data[J]. Transactions of the CSAE, 2017, 33(7): 164-170. (in Chinese)

17GAO Tian, ZHU Jiaojun, ZHENG Xiao, et al. Mapping spatial distribution of larch plantations from multi-seasonal Landsat-8 OLI imagery and multi-scale textures using random forests[J]. Remote Sensing, 2015, 7(2): 1702-1720.

18OTHMAN A A, GLOAGUEN R. Integration of spectral, spatial and morphometric data into lithological mapping: a comparison of different machine learning algorithms in the Kurdistan region, NE Iraq[J]. Journal of Asian Earth Sciences, 2017, 146: 90-102.

19陳元鵬，鄖文聚，周旭，等. 基于MESMA和RF的山丘區(qū)土地利用信息分類提取[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(7): 136-144. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170717&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.07.017.

CHEN Yuanpeng, YUN Wenju, ZHOU Xu, et al. Classification and extraction of land use information in hilly area based on MESMA and RF classifier[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7): 136-144.(in Chinese)

20賀文麗，李星敏，朱琳，等. 基于GIS的關(guān)中獼猴桃氣候生態(tài)適宜性區(qū)劃[J]. 中國農(nóng)學(xué)通報(bào), 2011, 27(22): 202-207.

HE Wenli, LI Xingmin, ZHU Lin, et al. Climate ecological applicability regionalization for kiwifruit based on GIS in Guanzhong of Shaanxi province[J]. Chinese Agricultural Science Bulletin, 2011, 27(22): 202-207. (in Chinese)

21AGüERA F, AGUILAR F J, AGUILAR M A. Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(6): 635-646.

22MASOUMI F, ESLAMKISH T, ABKAR A A, et al. Integration of spectral, thermal, and textural features of ASTER data using random forests classification for lithological mapping[J]. Journal of African Earth Sciences, 2017, 129: 445-457.

23KESHTKAR H, VOIGT W, ALIZADEH E. Land-cover classification and analysis of change using machine-learning classifiers and multi-temporal remote sensing imagery[J]. Arabian Journal of Geosciences, 2017, 10(6): 154-168.

24楊紅衛(wèi)，童小華. 高分辨率影像的橡膠林分布信息提取[J]. 武漢大學(xué)學(xué)報(bào):信息科學(xué)版, 2014, 39(4): 411-416.

YANG Hongwei, TONG Xiaohua. Distribution information extraction of rubber woods using remote sensing images with high resolution[J]. Geomatics and Information Science of Wuhan University, 2014, 39(4): 411-416.(in Chinese)

25REGNIERS O, BOMBRUN L, GUYON D, et al. Wavelet-based texture features for the classification of age classes in a maritime pine forest[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(3): 621-625.

26OUMA Y O, NGIGI T G, TATEISHI R. On the optimization and selection of wavelet texture for feature extraction from high-resolution satellite imagery with application towards urban-tree delineation[J]. International Journal of Remote Sensing, 2006, 27(1): 73-104.

27韋春桃，王寧，張利恒，等. 基于紋理特征的高分辨率遙感影像分類方法[J]. 桂林理工大學(xué)學(xué)報(bào), 2013, 33(1): 80-85.

WEI Chuntao, WANG Ning, ZHANG Liheng, et al.Remote sensing image classification based on texture features[J]. Journal of Guilin University of Technology, 2013, 33(1): 80-85. (in Chinese)

28倪玲，張劍清，姚巍.基于小波的SAR影像紋理分析[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版, 2004, 29(4):367-370.

NI Ling，ZHANG Jianqing，YAO Wei. SAR image’s texture analysis based on wavelet[J]. Geomatics and Information Science of Wuhan University, 2004,29(4):367-370. (in Chinese)

29鄭淑丹，鄭江華，石明輝，等. 基于分形和灰度共生矩陣紋理特征的種植型藥用植物遙感分類[J]. 遙感學(xué)報(bào), 2014, 18(4): 868-886.

ZHENG Shudan, ZHENG Jianghua, SHI Minghui, et al. Classification of cultivated Chinese medicinal plants based on fractal theory and gray level co-occurrence matrix textures[J]. Journal of Remote Sensing, 2014, 18(4): 868-886. (in Chinese)

30CHUANG Yungchung, SHIU Yishiang. A comparative analysis of machine learning with WorldView-2 pan-sharpened imagery for tea crop mapping[J]. Sensors, 2016, 16(5): 594.

32FENG Quanlong, LIU Jiantao, GONG Jianhua. UAV remote sensing for urban vegetation mapping using random forest and texture analysis[J]. Remote Sensing, 2015, 7(1): 1074-1094.

33DU Peijun, SAMAT A, WASKE B, et al. Random forest and rotation forest for fully polarized SAR image classification using polarimetric and spatial features[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 105: 38-53.

34JOHNSON B A, SCHEYVENS H, SHIVAKOTI B R. An ensemble pansharpening approach for finer-scale mapping of sugarcane with Landsat 8 imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 33(12): 218-225.

35劉舒，姜琦剛，馬玥，等. 基于多目標(biāo)遺傳隨機(jī)森林特征選擇的面向?qū)ο鬂竦胤诸怺J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(1): 119-127. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170116&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.01.016.

LIU Shu, JIANG Qigang, MA Yue, et al. Object-oriented wetland classification based on hybrid feature selection method combining with Relief F,multi-objective genetic algorithm and random forest[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 119-127. (in Chinese)

36ALGANCI U, SERTEL E, OZDOGAN M, et al. Parcel-level identification of crop types using different classification algorithms and multi-resolution imagery in southeastern Turkey[J]. Photogrammetric Engineering & Remote Sensing, 2013, 79(11): 1053-1065.