太湖流域果樹提取的光譜和紋理特征選擇研究*

姚新華, 金 佳, 徐飛飛, 馮險峰, 羅 明, 畢雷雷, 陸 洲**

太湖流域果樹提取的光譜和紋理特征選擇研究*

姚新華1, 金 佳2, 徐飛飛2, 馮險峰2, 羅 明2, 畢雷雷1, 陸 洲2**

(1. 蘇州市林業(yè)站 蘇州 215128; 2. 中國科學院地理科學與資源研究所 北京 100101)

準確獲取果樹的空間種植分布信息, 對于開展果樹長勢監(jiān)測、產(chǎn)量估算等具有重要意義。為提取太湖流域金庭鎮(zhèn)果樹的空間分布, 本研究以冬夏時期的兩景高分二號(GF-2)遙感影像為數(shù)據(jù)源, 利用歸一化植被指數(shù)(NDVI)和歸一化水體指數(shù)(NDWI)結(jié)合紋理特征構(gòu)建了基于光譜指數(shù)和紋理特征的決策樹模型, 提取了金庭鎮(zhèn)2017年果樹的空間分布信息。通過分析研究區(qū)各地類的光譜曲線發(fā)現(xiàn), 植被與非植被區(qū)分明顯, 但果樹與茶樹的光譜存在混淆。GF-2影像包含豐富的紋理信息, 果樹與茶樹在GF-2影像上紋理特征明顯, 易于區(qū)分。紋理可作為果樹提取的重要特征。為了確定最佳紋理窗口的大小, 研究中提出了累計差()的方法。通過比較每一個紋理變量在15種不同尺度窗口(3′3, 5′5, 7′7, 9′9, 11′11, 13′13, 15′15, 17′17, 19′19, 21′21, 23′23, 25′25, 27′27, 29′29, 31′31)下的, 確定了最佳紋理窗口為15′15。在最佳紋理窗口下根據(jù)累計差選取了5大紋理組合: 均值(mean)、方差(variance)、對比度(contrast)、信息熵(entropy)和相關性(correlation)。研究結(jié)果表明基于光譜指數(shù)NDVI和NDWI結(jié)合紋理特征構(gòu)建的決策樹模型可有效區(qū)分果樹與茶樹。累計差的方法能夠快速確定最佳紋理窗口和紋理組合。提取結(jié)果說明果樹分布于金庭鎮(zhèn)的各個位置, 主要分布在平原區(qū), 種植比較整齊, 南部種植面積多于北部。本研究果樹的提取精度為95.23%, 模型總體分類精度為89.57%, Kappa系數(shù)為89.00%, 果樹的生產(chǎn)精度為90.00%, 用戶精度為87.30%。與單一光譜、紋理模型相比, 本文模型總體分類精度更高, 精度分別提升了10.65%和12.04%。該方法能夠適用于大區(qū)域果樹的遙感提取, 可為亞米級遙感影像研究果樹的紋理特征提供重要參考和借鑒價值。此外, 文中提出的累計差可為選取最佳紋理窗口提供一種新的思路。

GF-2影像; 果樹提取; 光譜特征; 紋理特征; 累計差; 決策樹分類

太湖流域因其優(yōu)越的自然條件和社會條件, 歷來是我國果樹種植的主要區(qū)域, 在全國果樹種植結(jié)構(gòu)中占有舉足輕重的地位。快速、準確地獲取太湖流域果樹種植區(qū)對果樹長勢監(jiān)測、產(chǎn)量估算以及農(nóng)業(yè)生產(chǎn)具有重要意義。傳統(tǒng)的人工調(diào)查方法效率低、成本高, 而遙感技術(shù)以其客觀、及時、大面積等優(yōu)勢, 在作物種植面積估算以及種植區(qū)域提取方面得到廣泛應用。

目前, 果樹種植區(qū)的提取大多是基于果樹光譜特征以及植被指數(shù)實現(xiàn)的。例如羅衛(wèi)等[1]利用環(huán)境衛(wèi)星的CCD影像, 綜合NDVI、波段運算、地形地貌等多種輔助信息, 構(gòu)建了東江源地區(qū)果園的決策樹模型, 并對柑桔(Blanco.)園和臍橙(Osbeck)園進行遙感提取和分類。刑東興等[2]、李雪等[3]、Zhou等[4]和Immitzer等[5]利用光譜信息提取果樹種植區(qū)并對果樹樹種分類。由于地物的復雜性使得果樹的提取很容易出現(xiàn)錯分、漏分現(xiàn)象, 基于光譜與植被指數(shù)的果樹提取精度往往較低[6-7]。為提高精度, 國內(nèi)外學者開展了光譜組合紋理特征的果樹提取方法研究[8-9]。例如岳俊等[10]基于2 m、8 m、16 m不同分辨率的高分1號(GF-1)影像, 分別采用最大似然法、馬氏距離、神經(jīng)網(wǎng)絡和支持向量機4種分類方法, 結(jié)合光譜與紋理特征對南疆盆地4種主栽果樹: 核桃(L.)、紅棗[(L.)H. Karst.]、香梨(spp.)和蘋果(L. Borkh)進行遙感識別, 結(jié)果表明基于光譜與紋理特征的分類精度在3種分辨率下分類精度分別為76.91%、67.46%、61.23%。PU等[11]和Dian等[12]利用光譜和紋理特征對果樹樹種進行分類, 證實了空間結(jié)合光譜信息可以提高樹種分類準確性。宋榮杰等[13]結(jié)合小波變換、紋理特征和隨機森林分類方法針對QuickBird影像提出了獼猴桃(Planch)果園的自動提取方法。郝劍南等[14]、黃昕[15]、陳亮等[16]分別基于中、高分辨率遙感影像從紋理、形狀和面向?qū)ο蟮慕嵌葋硖崛」麡涞姆植夹畔? 結(jié)果表明光譜結(jié)合紋理特征的影像分類的方法能夠顯著提高高分辨率遙感影像的分類精度。

盡管光譜結(jié)合紋理特征的分類方法可以提高影像的分類精度, 但是將亞米級遙感影像紋理特征應用到果樹提取的研究則較少。GF-2于2014年8月19日成功發(fā)射, 是我國自主研制的首顆空間分辨率優(yōu)于1 m的民用光學遙感衛(wèi)星, 具有亞米級空間分辨率、高定位精度等特點。相對于中低分辨率遙感影像而言, GF-2影像包含豐富的紋理信息, 在圖像分類中日益呈現(xiàn)出重要的作用。國內(nèi)外已利用GF-2進行了作物與建筑物的提取[17-21], 但是鮮有利用亞米級遙感影像的紋理特征提取果樹, 尤其缺少紋理窗口的確定以及紋理特征選擇的研究。

本研究以蘇州吳中區(qū)的金庭鎮(zhèn)為研究區(qū), 針對金庭鎮(zhèn)地物復雜, 提取難度大、精度低的問題, 通過分析研究區(qū)內(nèi)不同地物的光譜特征, 進行植被與非植被的區(qū)分。由于果樹與茶樹的紋理特征差異明顯, 紋理組合光譜構(gòu)建了果樹的決策樹模型, 實現(xiàn)了亞米級遙感影像對果樹與茶樹的區(qū)分。研究中提出了累計差()的方法用以確定最佳紋理窗口以及紋理特征組合。

1 材料與方法

1.1 研究區(qū)概況

金庭鎮(zhèn)(中心位置31°08′N, 120°18′E, 圖1)是江蘇省的歷史文化名鎮(zhèn), 位于蘇州市吳中區(qū), 總面積84.22 km2。金庭鎮(zhèn)屬亞熱帶濕潤性季風氣候, 四季分明、溫暖濕潤、降水豐沛, 年平均溫度在16 ℃左右, 年降水量1 000~1 500 mm, 全年降雨日數(shù)120 d左右。年均日照時數(shù)約2 100 h。金庭鎮(zhèn)地塊破碎, 其主要種植果樹和茶樹[(L.) O. Ktze.], 具有茶果相間的種植模式。金庭鎮(zhèn)果樹種類多樣化, 主要含枇杷[(Thunb.) Lindl.]、楊梅[(Lour.) S. et Zucc.]、柑橘(Blanco.)等, 是蘇州市果樹種植面積最多的小鎮(zhèn), 具備典型性和代表性。

圖1 金庭鎮(zhèn)位置示意及訓練樣本和驗證樣本的分布

1.2 數(shù)據(jù)來源

本研究的數(shù)據(jù)由GF-2多光譜與全色波段融合得到, 分辨率為0.81 m, 為亞米級遙感影像數(shù)據(jù)。GF-2[22]全色和多光譜波段的分辨率分別為0.81 m和3.24 m, 多光譜數(shù)據(jù)由藍光(0.45~0.52 μm, Band1)、綠光(0.52~0.59 μm, Band2)、紅光(0.63~0.69 μm, Band3)、近紅外(0.77~0.89 μm, Band4)4個波段組成, 具體波段設置如表1所示。GF-2遙感影像的預處理主要包括多光譜數(shù)據(jù)的正射校正、自動配準、圖像融合、投影轉(zhuǎn)換、圖像裁剪以及圖像鑲嵌。

金庭鎮(zhèn)的主要作物為油菜(L.)、冬小麥(L.)、水稻(L.)、茶樹、果樹等。研究區(qū)內(nèi)茶樹以碧螺春為例, 其在冬季進入休眠期, 2月中下旬至3月上旬為萌發(fā)期, 3月上中旬至4月中下旬為茶葉采摘期。研究區(qū)的果樹以枇杷、柑橘、楊梅等為例, 在秋天或初冬開花、春天至初夏成熟, 成熟期是5月底至6月初; 楊梅成熟期為6月下旬。油菜和冬小麥的生長期基本一致, 10月中下旬開始播種, 次年的5月底成熟。根據(jù)研究區(qū)植被物候期的特點, 充分考慮遙感影像過境時間、天氣情況及影像質(zhì)量, 選取最佳成像日期為2017年8月5日和2017年12月17日。其中2017年12月17日的GF-2影像作為果樹提取的主體影像。此時, 果樹是常綠林, 草地已經(jīng)開始枯萎, 大部分的農(nóng)用地處于休耕或播種初期, 有利于果樹的提取。

表1 GF-2衛(wèi)星影像數(shù)據(jù)參數(shù)

1.3 分析技術(shù)與方法

不同農(nóng)作物具有其獨特的光譜特征, 這種特征是區(qū)分該作物與其他綠色植被的重要依據(jù)之一[10]。本研究中所用的光譜指數(shù)有歸一化差分植被指數(shù)(NDVI)和歸一化差分水體指數(shù)(NDWI)。NDVI是應用最為廣泛的指示因子, 水體、人工表面、裸土、植被等幾種主要的地面覆被類型在NDVI圖像上區(qū)分鮮明。同時, NDVI也是植被生長狀態(tài)及植被覆蓋度的最佳指示因子[23]。NDWI是基于綠波段與近紅外波段的歸一化比值指數(shù), 一般用來提取影像中的水體信息[24]。

本研究中所用的紋理[25-26]包括均值(mean)、方差(variance)、對比度(contrast)、信息熵(entropy)和相關性(correlation)。這些統(tǒng)計量既能反映地物空間特征差異, 又可以從不同的角度量化影像局部的紋理結(jié)構(gòu)。均值反映紋理圖像亮度; 方差表示紋理的周期, 反映灰度變化的大小; 對比度用來度量紋理的強烈程度、邊緣效應和全局一致性等; 信息熵則表示圖像亮度信息的空間復雜性和紋理的混亂程度, 地物亮度差別越小、紋理越簡單, 則熵值越小[27]; 相關性用以衡量灰度共生矩陣的元素在行或列方向上的相似程度。

決策樹分類[28]屬于計算機自動分類的一種, 具有運算速度快, 分類效率高等特點。常用的決策樹算法包括ID3、C4.5、CART、SLIQ和SPRINT等[29-30]。本研究基于光譜指數(shù)和紋理特征知識庫構(gòu)建果樹的決策樹分類方法。該決策樹充分利用地物的物候特征、光譜特征和空間特征, 使分類過程更加科學、可信。決策樹分類規(guī)則的建立會影響最終分類結(jié)果的優(yōu)劣, 所以根據(jù)GPS調(diào)查樣點資料, 結(jié)合Google影像及林地小班數(shù)據(jù)對2017年12月17日的GF-2遙感影像進行目視解譯, 研究區(qū)各地類解譯標志如表2所示。

表2 研究區(qū)地類解譯標志

GPS調(diào)查樣點資料是在野外實地調(diào)查中使用GPS的標記功能, 實時記錄的樣點信息。林業(yè)小班數(shù)據(jù)為吳中區(qū)林業(yè)站提供的林地落界成果圖。由于以往小班數(shù)據(jù)的時效性較差, 且與遙感影像有偏移, 因此, 小班數(shù)據(jù)只作為研究中的輔助數(shù)據(jù)。

選擇研究區(qū)內(nèi)水體、建設用地、裸地、非林地(草地、耕地和苗圃地等)、果樹林、茶樹林以及其他林地7種地物。根據(jù)各地類解譯標志, 每類地物各選取樣本150個, 共1 050個樣本, 一半作為訓練樣本建立決策樹分類規(guī)則, 一半用于精度檢驗。以上7類地物的訓練樣本和驗證樣本的空間分布情況如圖1所示。

2 結(jié)果與分析

2.1 研究區(qū)主要地物的光譜特征分析

研究區(qū)內(nèi)各主要地物的光譜曲線如圖2a所示, 各地物的NDVI和NDWI如圖2b所示。

圖2 研究區(qū)內(nèi)各主要地物光譜曲線(a)與光譜指數(shù)(b)

DN: digital number; NDVI: normalized vegetation index; NDWI: normalized water index.

由圖2a可見, 在藍波段(Band1)和綠波段(Band2)各地物的光譜值十分相近, 紅波段(Band3)和近紅外波段(Band4)植被和非植被有較大的差異, 尤其是近紅外波段植被的灰度值較高。茶樹、果樹和其他林地的光譜曲線大致相同, 僅在近紅外波段有差異。對于非植被中裸地與建設用地近紅外波段的灰度值相差較大, 建設用地的灰度值小于181, 而裸地高于181。圖2b中不同種地物的NDVI與NDWI呈現(xiàn)出較大的差異, 植被的NDWI值較低, 非植被的NDWI值較高, 其中水域的NDWI最大, 大于0.42。因此, 可以用設置NDWI閾值大于0.42提取水體信息。果樹林、茶樹林和其他林地屬于常綠林, 在12月中下旬仍保持NDVI值大于0, 而建筑等非林地的NDVI小于0。因而利用NDVI閾值-0.1區(qū)分植被和非植被。

2.2 紋理特征及紋理窗口的選擇

選取3′3、5′5、7′7、9′9、11′11、13′13、15′15、17′17、19′19、21′21、23′23、25′25、27′27、29′29和31′31共15種不同尺寸的窗口, 比較3種地物(茶樹、果樹、其他林地)的8個紋理變量(均值、方差、均一性、對比度、相異性、信息熵、二階矩、相關性)在15種窗口下累計差的變化, 如圖3a所示。圖3a中隨著窗口的增大, 累計差先增加后減小,在窗口15′15時累計差達最大, 因此選擇15′15作為紋理特征提取的最佳窗口。圖3b所示為最佳窗口下各個紋理變量的值, 可以作為區(qū)分地物選擇統(tǒng)計量指標的依據(jù)。其中, 均值和方差的累計差較高, 其次是對比度和信息熵, 同質(zhì)性、相異性、二階距和相關性的累計差較低, 不同地物對各個紋理變量的敏感程度不同。因此紋理特征選擇累計差較高的均值、方差、對比度、信息熵以及相關性。

2.3 紋理特征分析

在確定了最佳窗口15′15和均值、方差、對比度、信息熵、相關性這5大紋理組合后, 計算在不同波段各紋理變量的變化情況, 如圖4所示。圖4a中茶樹的均值在Band4最大(Meanb4>34), 果樹與其他林地的均值在Band1至Band4波段基本一致, 且在近紅外波段均小于34。圖4b中茶樹的紋理方差與果樹、其他林地明顯不同, 在Band1、Band2、Band3時, 茶樹的方差均不大于1即Varianceb1-b3<1。因此均值和方差可作為識別茶樹的紋理特征之一。圖4c中茶樹與果樹、其他林地的對比度在Band1、Band2、Band3的區(qū)分度較大, 果樹的對比度在前3個波段最高, 大于0.87即Contrastb1>0.87、Contrastb2>1.1、Contrastb3>1.1, 因此可利用這3個波段的對比度提取果樹。圖4d茶樹的信息熵與果樹、其他林地明顯不同, 其在前3個波段均低于2.0即Entropyb1-b3<2.0, 可作為識別茶樹的另一個依據(jù)。圖4e其他林地的相關性在藍、綠、紅波段均大于0.6, 而茶樹和果樹的相關性小于0.6。因此, 相關性Correlationb1-b3<0.6可作為區(qū)分其他林地的依據(jù)。

2.4 果樹種植區(qū)提取規(guī)則

基于上述分析, 果樹的提取可依據(jù)不同地物的光譜和紋理特征進行。本研究使用的遙感影像為2017年12月17日的GF-2影像。首先可設定NDVI的閾值-0.1來區(qū)分植被與非植被。NDVI小于-0.1時為非植被, 其中包括水體、非林地、裸地和建設用地。針對非植被利用NDWI的閾值0.42可剔除水體, 利用NDVI小于0.01進一步區(qū)分出非林地,NDVI即NDVI的時相差, 計算公式為:

NDVI=NDVI-NDVI(2)

其中, NDVI和NDVI分別為2017年12月17日和2017年08月05日的NDVI圖像。近紅外波段的灰度值(Nir)可有效地區(qū)分出裸地和建設用地。當Nir灰度值小于181時為建設用地, 否則為裸地。

對于光譜特征難以區(qū)分的茶樹、果樹和其他林地, 利用紋理特征進行區(qū)分。根據(jù)近紅外波段的紋理均值(Meanb4)大于34和藍光波段、綠光波段和紅光波段的方差(Varianceb1-b3)小于1.0, 可提取出茶樹。然后, 在此基礎上依據(jù)藍波段的對比度(Contrastb1)大于0.87、綠波段和紅波段的對比度(Contrastb2、Contrastb3)大于1.1, 且近紅外波段的熵值(Entropyb4)小于3.3, 以及藍光波段的相關性(Correlationb1)小于0.6, 區(qū)分出果樹和其他林地。果樹判識的具體流程圖如圖5所示。

2.5 提取結(jié)果與精度評價

通過構(gòu)建的決策樹模型, 金庭鎮(zhèn)地物的分類結(jié)果如圖6a所示, 從整體來看建筑與水體所占面積較大, 其次為非林地。果樹和茶樹的分布較散, 平原和山區(qū)均有分布。從圖6b果樹和茶樹的提取結(jié)果來看, 果樹分布于金庭鎮(zhèn)的各個位置, 且南部種植的面積多于北部, 茶樹多分布于中部山區(qū)。從圖6c和6d果樹和茶樹的局部細節(jié)圖中能夠看出果樹主要分布在平原區(qū), 種植比較整齊; 茶樹主要分布在低山丘陵區(qū), 通常種植于山坡處, 呈條帶狀, 整體層次分明; 部分區(qū)域茶果種植相互交錯, 鱗次櫛比。這與實際調(diào)查情況相符。

蘇州市林業(yè)站提供的2017年金庭鎮(zhèn)果樹種植面積為24.46 km2, 通過本文遙感監(jiān)測方法提取得到的果樹種植面積為23.30 km2, 果樹的提取精度為95.23%?；隍炞C樣本得到的混淆矩陣如表3所示, 其中總體分類精度為89.57%, Kappa系數(shù)為89.00%, 果樹的生產(chǎn)精度為90.00%, 用戶精度為87.30%, 果樹的錯分率和漏分率分別為10.10%和12.70%。為定量比較不同特征的分類精度, 將單一光譜特征模型(光譜特征模型)、單一紋理特征模型(紋理特征模型)、光譜結(jié)合紋理特征即本文模型分別對影像進行分類。其中, 單一光譜特征模型是僅利用地物的光譜信息進行地物分類, 常用的方法有最大似然法、馬氏距離、神經(jīng)網(wǎng)絡和支持向量機等, 本文選用支持向量機法, 利用GF-2影像的Band1至Band4 4個波段灰度值借助ENVI軟件進行分類。單一紋理特征模型與此類似, 只是在分類時使用Band1至Band4的每個波段的均值、方差、均一性、對比度、相異性、信息熵、二階矩、相關性, 共32個紋理變量參與分類。此32個紋理變量由ENVI軟件計算而得, 紋理窗口大小均設置為15×15。然后, 根據(jù)紋理特征模型以及光譜特征模型的分類結(jié)果, 利用驗證樣本計算混淆矩陣結(jié)果如表3所示。就總體分類精度而言, 在單一特征模型中光譜特征及紋理特征模型總體分類精度近似相等, 分別為78.92%和77.53%。而本文模型的總體分類精度為89.57%, 精度分別提升了10.65%和12.04%。不論是果樹的生產(chǎn)精度還是用戶精度, 本文提出的決策樹精度最高, 表明果樹的漏分誤差和錯分誤差達到了最小。

圖4 不同波段下果樹、茶樹、其他林地的均值(a)、方差(b)、對比度(c)、信息熵(d)、相關性(e)的變化

圖5 基于光譜和紋理特征的金庭鎮(zhèn)果樹提取流程圖

Meanb4: Band4的均值; Varianceb1-b3: Band1至Band3的方差; Entropyb1-b3: Band1至Band3的熵; Contrastb1、Contrastb2、Contrastb3: Band1、Band2、Band3的對比度; Entropyb4: Band4的熵; Correlationb1: Band1的相關性。NDVI: 歸一化植被指數(shù); NDWI: 歸一化水體指數(shù);NDVI: 2017年12月17日與2017年8月5日的NDVI圖像差值; Nir: Band4的灰度值。Meanb4: mean of Band4; Varianceb1-b3: variance of Band1 to Band3; Entropyb1-b3: entropy of Band1 to Band3; Contrastb1, Contrastb2, Contrastb3: contrast of Band1, Band2 and Band3, respectively; Entropyb4: entropy of Band4; Correlationb1: correlation of Band1; NDVI: normalized vegetation index; NDWI: normalized water index;NDVI: the difference between the NDVI images of December 17, 2017 and August 5, 2017; Nir: the digital number (DN) of Band4.

圖6 金庭鎮(zhèn)地物分類結(jié)果(a)、果樹林和茶樹林的提取結(jié)果(b)、果樹局部提取結(jié)果(c)和茶樹局部提取結(jié)果(d)

綜上, 針對試驗數(shù)據(jù)和研究區(qū)域特征, 本研究構(gòu)建的基于光譜與紋理特征的決策樹分類法最優(yōu), 分類精度最高。該方法綜合考慮了各地物的多維度特征知識, 分類結(jié)果更加科學、客觀, 由此也說明了在遙感影像分類過程中, 紋理特征的應用效果優(yōu)于單純光譜特征的分類效果。

表3 本文模型與單一光譜和紋理模型的分類結(jié)果對比

3 討論

以往的研究多將果樹作為單獨地物進行提取, 且多利用地物的物候和植被指數(shù)特征。但在地形復雜的太湖流域, 地塊破碎度高、茶樹與果樹混合種植、果樹與茶樹的光譜十分相似, 使得金庭鎮(zhèn)果樹提取效果較差。胡瓊等[31]指出使用單景影像提取作物存在弊端, 結(jié)合光譜與空間特征是提高分類精度的關鍵。

GF-2影像分辨率高, 星下點空間分辨率為0.8 m, 達到了亞米級。相對于中低分辨率遙感影像而言, 高空間分辨率影像具有地物信息豐富且細致, 布局清晰, 幾何、光譜、紋理等信息也更加精確等特點, 在作物提取方面具有無法比擬的優(yōu)勢。本研究在亞米級GF-2遙感影像的支持下, 綜合利用果樹的光譜和紋理特征, 提取了果樹的種植區(qū), 結(jié)果證實了亞米級遙感影像的紋理特征可作為作物提取的有效因子, 基于光譜和紋理特征知識庫的決策樹分類結(jié)果更加符合真實地物分布狀況, 且有效減弱了同譜異物和同物異譜的影響。Dian等[12]、陳晨等[32]、邵曉敏等[33]的研究結(jié)果均表明紋理參與的影像分類確實能夠顯著提高影像的分類精度。本研究的結(jié)果與其觀點一致。

研究中為了確定紋理窗口大小提出了累計差的概念。計算在不同大小的紋理窗口下, 兩兩地物在各個紋理指標變量中的差值, 并累計求和, 當累計差之和達最大時, 所對應的窗口大小即為最佳紋理窗口, 這種方法簡單、快速且效果顯著。本研究在窗口15×15時累計差達最大, 確定其為最佳窗口, 經(jīng)過累計差篩選的最佳紋理組合為均值、方差、對比度、信息熵和相關性。王妮等[34]、岳俊等[10]分別基于Quickbird和GF-1遙感影像對森林樹種進行分類研究中, 利用J-M距離確定最佳窗口大小, 得到的適宜窗口分別為19×19和23×23、21×21、13×13。由此可見, 不同影像源和不同地物類型使得最佳紋理窗口的大小發(fā)生變化。

本研究仍存在改進之處, 如在果樹提取中紋理特征僅用到了均值、方差、對比度、信息熵和相關性, 對于果樹的其他紋理特征文中未作詳細介紹。此外, 由于不同作物立地條件不一致, 作物種植信息提取過程中仍需考慮地形等因素。引入高程、坡度等信息, 進一步提高果樹提取精度, 這將是后續(xù)的研究方向。

4 結(jié)論

太湖流域茶樹與果樹混合種植, 果樹與茶樹的光譜特征十分相似, 這給果樹的提取帶來了很大的困難。亞米級遙感影像包含豐富的紋理信息, 可作為果樹提取的有效因子之一。本研究以蘇州市吳中區(qū)的金庭鎮(zhèn)為例, 以亞米級遙感影像為數(shù)據(jù)源, 針對光譜難以區(qū)分的果樹、茶樹, 綜合利用作物的物候期將NDVI、NDWI和紋理特征進行決策樹構(gòu)建, 提取了金庭鎮(zhèn)2017年果樹的空間分布信息。通過研究獲得如下結(jié)論:

1)高分二號WFV數(shù)據(jù)的光譜與紋理特征相結(jié)合可以較好地應用于果樹的提取。

2)以累計差確定的最佳紋理窗口為15′15, 最佳紋理組合為均值、方差、對比度、信息熵和相關性。

3)與單一光譜或紋理模型相比, 本研究提出的方法總體精度最高, 分類結(jié)果最優(yōu), 該方法能夠在地形復雜、地塊破碎的太湖流域顯著提高影像的分類精度?？傮w分類精度為89.57%, Kappa系數(shù)為89.00%, 果樹的生產(chǎn)精度為90.00%, 用戶精度為87.30%。

該方法可為利用亞米級遙感影像紋理特征提取果樹提供理論依據(jù), 文中提出的累計差可為確定最佳紋理窗口提供一種新的思路。該研究的提取結(jié)果可為精準農(nóng)業(yè)補貼、農(nóng)業(yè)災害定損等提供依據(jù), 為政府管理果樹、制定農(nóng)業(yè)政策提供參考。

[1] 羅衛(wèi), 況潤元. 利用環(huán)境衛(wèi)星影像的東江源地區(qū)果園信息提取[J]. 測繪科學, 2014, 39(8): 135–139 LUO W, KUANG R Y. Orchard information extraction of Dongjiang Source region with HJ satellite data[J]. Science of Surveying and Mapping, 2014, 39(8): 135–139

[2] 邢東興, 常慶瑞. 基于花期果樹冠層光譜反射率的果樹樹種辨識研究[J]. 紅外與毫米波學報, 2009, 28(3): 207–211 XING D X, CHANG Q R. Identification of species of fruit trees based on the spectral reflectance of canopies of fruit trees during flowering period[J]. Journal of Infrared and Millimeter Waves, 2009, 28(3): 207–211

[3] 李雪, 鐘仕全, 王蕾, 等. 基于HJ衛(wèi)星遙感數(shù)據(jù)的林果光譜特征分析[J]. 新疆農(nóng)業(yè)科學, 2011, 48(11): 1967–1973 LI X, ZHONG S Q, WANG L, et al. Analysis of spectral characteristics of fruit trees based on HJ satellite remote sensing data[J]. Xinjiang Agricultural Sciences, 2011, 48(11): 1967–1973

[4] ZHOU J H, QIN J, GAO K, et al. SVM-based soft classification of urban tree species using very high-spatial resolution remote-sensing imagery[J]. International Journal of Remote Sensing, 2016, 37(11): 2541–2559

[5] IMMITZER M, ATZBERGER C, KOUKAL T. Tree species classification with random forest using very high spatial resolution 8-band worldview-2 satellite data[J]. Remote Sensing, 2012, 4(9): 2661–2693

[6] PE?A M A, BRENNING A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley, Chile[J]. Remote Sensing of Environment, 2015, 171: 234–244

[7] PE?A M A, LIAO R, BRENNING A. Using spectrotemporal indices to improve the fruit-tree crop classification accuracy[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 128: 158–169

[8] KULIKOVA M S, MANI M, SRIVASTAVA A, et al. Tree species classification using radiometry, texture and shape based features[C]//Proceedings of the 15th European Signal Processing Conference. Poznan, Poland: IEEE

[9] OTHMANI A, PIBOULE A, DALMAU O, et al. Tree species classification based on 3D bark texture analysis[C]//Proceedings of the 6th Pacific-Rim Symposium on Image and Video Technology. Guanajuato, Mexico: Springer, 2013

[10] 岳俊, 王振錫, 馮振峰, 等. 基于光譜與紋理特征的南疆盆地果樹樹種遙感識別研究[J]. 新疆農(nóng)業(yè)大學學報, 2015, 38(4): 326–333 YUE J, WANG Z X, FENG Z F, et al. Studies on remote sensing recognition on fruit trees species based on spectrum and texture features in southern Xinjiang Basin[J]. Journal of Xinjiang Agricultural University, 2015, 38(4): 326–333

[11] PU R L, LANDRY S. A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species[J]. Remote Sensing of Environment, 2012, 124: 516–533

[12] DIAN Y Y, LI Z Y, PANG Y. Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery[J]. Journal of the Indian Society of Remote Sensing, 2015, 43(1): 101–107

[13] 宋榮杰, 寧紀鋒, 常慶瑞, 等. 基于小波紋理和隨機森林的獼猴桃果園遙感提取[J]. 農(nóng)業(yè)機械學報, 2018, 49(4): 222–231 SONG R J, NING J F, CHANG Q R, et al. Kiwifruit orchard mapping based on wavelet textures and random forest[J]. Transactions of The Chinese Society for Agricultural Machinery, 2018, 49(4): 222–231

[14] 郝劍南, 王瑞紅. 紋理特征與面向?qū)ο蠼Y(jié)合的高分影像耕地提取應用[J]. 安徽農(nóng)業(yè)科學, 2018, 46(19): 72–75 HAO J N, WANG R H. Application of high-resolution image farmland extraction combining texture feature and object-oriented[J]. Journal of Anhui Agricultural Sciences, 2018, 46(19): 72–75

[15] 黃昕. 高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D]. 武漢: 武漢大學, 2009 HUANG X. Multiscale texture and shape feature extraction and object-oriented classification for very high resolution remotely sensed imagery[D]. Wuhan: Wuhan University, 2009

[16] 陳亮, 張友靜, 陳波. 結(jié)合多尺度紋理的高分辨率遙感影像決策樹分類[J]. 地理與地理信息科學, 2007, 23(4): 18–21 CHEN L, ZHANG Y J, CHEN B. High spatial resolution remote sensing image classification based on decision tree classification combined with multiscale texture[J]. Geography and Geo-information Science, 2007, 23(4): 18–21

[17] 張飛飛, 楊光, 田亦陳. 基于國產(chǎn)GF-2遙感影像的大麻地塊提取方法研究——以安徽省六安市蘇埠鎮(zhèn)為例[J]. 安徽農(nóng)業(yè)大學學報, 2016, 43(4): 582–586 ZHANG F F, YANG G, TIAN Y C. Study on the extraction method of cannabis plot based on China-made GF-2 remote sensing image-taking Subu Town in Anhui Province as an example[J]. Journal of Anhui Agricultural University, 2016, 43(4): 582–586

[18] 袁澤. 基于GF-2遙感影像的城鎮(zhèn)地物信息提取分割尺度研究[D]. 烏魯木齊: 新疆大學, 2016 YUAN Z. Research on segmentation scale of information extraction with towns based on GF-2 image[D]. Urumqi: Xinjiang University, 2016

[19] 馮啟翔. 基于GF-2衛(wèi)星數(shù)據(jù)的國情普查地表覆蓋解譯研究[J]. 地理空間信息, 2018, 16(4): 24–27 FENG Q X. Study on interpretation of surface cover in national census based on GF-2 satellite data[J]. Geospatial Information, 2018, 16(4): 24–27

[20] 梁文海, 劉吉凱, 張偉, 等. 基于面向?qū)ο蠓椒ǖ腉F-2影像桉樹林信息提取[J]. 浙江農(nóng)林大學學報, 2017, 34(4): 721–729 LIANG W H, LIU J K, ZHANG W, et al. Extractinginformation using GF-2 images based on an object-oriented method[J]. Journal of Zhejiang A&F University, 2017, 34(4): 721–729

[21] 鄔志剛, 丁嘉樹. 基于GF-2與LandSat-8影像的土地覆蓋分類比較[J]. 科技風, 2016, (16): 90 WU Z G, DING J S. Comparison in land cover classification between based on images of GF-2 and LandSate-8[J]. Technolgy Wind, 2016, (16): 90

[22] 潘騰. 高分二號衛(wèi)星的技術(shù)特點[J]. 中國航天, 2015, (1): 3–9 PAN T. Technology characteristics of GF-2 satellite[J]. Aerospace China, 2015, (1): 3–9

[23] 苑惠麗, 馬榮華, 李吉英. 一種平原區(qū)園地遙感信息提取的新方法[J]. 中國科學院大學學報, 2015, 32(3): 342–348 YUAN H L, MA R H, LI J Y. A new method for extracting remote sensing information of orchard in plain terrain[J]. Journal of University of Chinese Academy of Sciences, 2015, 32(3): 342–348

[24] 段秋亞, 孟令奎, 樊志偉, 等. GF-1衛(wèi)星影像水體信息提取方法的適用性研究[J]. 國土資源遙感, 2015, 27(4): 79–84 DUAN Q Y, MENG L K, FAN Z W, et al. Applicability of the water information extraction method based on GF-1 image[J]. Remote Sensing for Land & Resources, 2015, 27(4): 79–84

[25] 馮建輝, 楊玉靜. 基于灰度共生矩陣提取紋理特征圖像的研究[J]. 北京測繪, 2007, (3): 19–22 FENG J H, YANG Y J. Study of texture images extraction based on gray level cooccurence matrix[J]. Beijing Surveying and Mapping, 2007, (3): 19–22

[26] LI L H, JIA X M, ZHANG J T. Research on extraction and assistant classification of remote sensing for texture feature[J]. Advanced Materials Research, 2014, 1073/1076: 1881–1885

[27] 王大鵬, 王周龍, 李德一. 基于NDVI紋理的山東丘陵地區(qū)SPOT-5影像果園信息識別研究[J]. 測繪科學, 2007, 32(1): 126–127 WANG D P, WANG Z L, LI D Y. Orchard information recognition of hill region in Shandong Peninsula from SPOT-5 image based on NDVI texture[J]. Science of Surveying and Mapping, 2007, 32(1): 126–127

[28] 潘琛, 杜培軍, 張海榮. 決策樹分類法及其在遙感圖像處理中的應用[J]. 測繪科學, 2008, 33(1): 208–211 PAN C, DU P J, ZHANG H R. Decision tree classification and its application in processing of remote sensing images[J]. Science of Surveying and Mapping, 2008, 33(1): 208–211

[29] 張雪紅. 基于決策樹方法的Landsat8 OLI影像紅樹林信息自動提取[J]. 國土資源遙感, 2016, 28(2): 182–187 ZHANG X H. Decision tree algorithm of automatically extracting mangrove forests information from Landsat 8 OLI imagery[J]. Remote Sensing for Land & Resources, 2016, 28(2): 182–187

[30] 陳靜秋. 基于遙感影像提取土地利用信息的決策樹方法研究[D]. 南京: 南京農(nóng)業(yè)大學, 2013 CHEN J Q. Study on decision tree method for land use information extraction based on remote sensing images[D]. Nanjing: Nanjing Agricultural University, 2013

[31] 胡瓊, 吳文斌, 宋茜, 等. 農(nóng)作物種植結(jié)構(gòu)遙感提取研究進展[J]. 中國農(nóng)業(yè)科學, 2015, 48(10): 1900–1914 HU Q, WU W B, SONG Q, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10): 1900–1914

[32] 陳晨, 張友靜. 基于多尺度紋理和光譜信息的SVM分類研究[J]. 測繪科學, 2009, 34(1): 29–31 CHEN C, ZHANG Y J. The classification of SVM based on the multi-scale texture information and spectral information[J]. Science of Surveying and Mapping, 2009, 34(1): 29–31

[33] 邵曉敏, 劉勇. 基于紋理的烏蘭布和沙漠地區(qū)植被信息提取[J]. 遙感技術(shù)與應用, 2010, 25(5): 687–694 SHAO X M, LIU Y. Deriving vegetation information in Ulan Buh Desert based on texture[J]. Remote Sensing Technology and Application, 2010, 25(5): 687–694

[34] 王妮, 彭世揆, 李明詩. 基于樹種分類的高分辨率遙感數(shù)據(jù)紋理特征分析[J]. 浙江農(nóng)林大學學報, 2012, 29(2): 210–217 WANG N, PENG S K, LI M S. High-resolution remote sensing of textural images for tree species classification[J]. Journal of Zhejiang A&F University, 2012, 29(2): 210–217

Research on spectral and texture feature selection for fruit tree extraction in the Taihu Lake Basin*

YAO Xinhua1, JIN Jia2, XU Feifei2, FENG Xianfeng2, LUO Ming2, BI Leilei1, LU Zhou2**

(1. Suzhou Forestry Station, Suzhou 215128, China; 2. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China)

The accurate acquisition of planting area and spatial distribution information is essential to monitor the growth and estimate the production of fruit trees (orchard). Remote sensing has been widely used in crop identification and monitoring in recent decades. Numerous classification algorithms have been developed based on various requirements for remote sensing data analysis. However, distinguishing fruit tree orchard and tea garden remains challenging, due to their similar spectral characteristics.Two GF-2 WFV (wide field of view) images, taken in summer and winter, were used to extract the spatial distribution of fruit trees in Jinting Town in the Taihu Lake Basin in this study. The normalized difference vegetation index (NDVI), normalized difference water index (NDWI), and texture features were used to construct a decision tree model. Vegetation and non-vegetation were quickly identified by analyzing the spectral curves of ground features in the study area. However, spectral characteristic was a poor parameter to differentiate fruit trees from tea trees. Since fruit trees and tea trees have distinct textural features, GF-2 images with rich texture information on ground objects can help distinguish fruit trees from tea trees. Thus, texture is one of the most important features in fruit tree extraction. In this study, the method of cumulative difference (was used to determine the optimal size of the texture window. Among thevalues of each texture under 15 different window scales (3 × 3, 5 × 5, 7 × 7, 9′9, 11 × 11, 13 × 13, 15 × 15, 17 × 17, 19 × 19, 21 × 21, 23 × 23, 25 × 25, 27 × 27, 29 × 29, 31 × 31), the 15 × 15 window was determined as the optimum texture window. In addition, five texture features that were easy to distinguish from other objects were selected according to the cumulative difference of variables such as mean, variance, contrast, entropy, and correlation under the optimal texture window. The results showed that the decision tree model based on spectral index NDVI and NDWI, combined with texture features, effectively distinguished fruit trees from tea trees. The method of cumulative difference can quickly determine the best texture window size and texture combination. The extraction results showed that fruit trees were widely distributed in all locations of Jinting Town and that the planting area in the south was larger than that in the north. The local detail map indicated that the distribution of fruit trees was relatively neat and mainly in the plain area. The extraction accuracy of fruit trees in this study was 95.23%. The overall accuracy of the model in this study was 89.57% and the kappa coefficient was 89.00%. The producer accuracy and user accuracy were 90.00% and 87.30%, respectively. Using spectral indices combined with textural features achieved a higher overall accuracy than using spectral indices or textural features alone, with an overall accuracy increase of 10.65% and 12.04%, respectively. This method can be applied to the remote sensing extraction of fruit trees on a large scale and can provide an important reference in fruit tree extraction by using texture characteristics of sub-meter images. Moreover, the cumulative difference proposed in this study provides a new method for selecting the best texture window.

GF-2 images; Fruit tree extraction; Spectral features; Textural features; Cumulative difference; Decision tree classification

, E-mail: luzhou@igsnrr.ac.cn

Oct. 30, 2018;

Mar. 28, 2019

S127

2096-6237(2019)10-1596-11

10.13930/j.cnki.cjea.180955

姚新華, 金佳, 徐飛飛, 馮險峰, 羅明, 畢雷雷, 陸洲. 太湖流域果樹提取的光譜和紋理特征選擇研究[J]. 中國生態(tài)農(nóng)業(yè)學報(中英文), 2019, 27(10): 1596-1606

YAO X H, JIN J, XU F F, FENG X F, LUO M, BI L L, LU Z. Research on spectral and texture feature selection for fruit tree extraction in the Taihu Lake Basin[J]. Chinese Journal of Eco-Agriculture, 2019, 27(10): 1596-1606

* 國家重點研發(fā)計劃項目(2016YFD0300201)、江蘇省農(nóng)業(yè)科技自主創(chuàng)新資金項目[CX(16)1042]和蘇州市科技計劃項目(SNG201643、SNG2018100)資助

陸洲, 主要從事農(nóng)業(yè)遙感應用研究。E-mail: luzhou@igsnrr.ac.cn

姚新華, 主要從事森林經(jīng)理學及3S林業(yè)應用技術(shù)研究。E-mail: 1304659769@qq.com

2018-10-30

2019-03-28

* This study was supported by the National Key R&D Program of China (2016YFD0300201), the Jiangsu Agricultural Science and Technology Innovation Fund [CX(16)1042] and the Suzhou Science and Technology Project (SNG201643, SNG2018100).