基于GF-2遙感影像的葡萄大棚信息提取

湯紫霞, 李蒙蒙, 汪小欽, 邱鵬勛

(福州大學(xué), 空間數(shù)據(jù)挖掘和信息共享教育部重點實驗室, 衛(wèi)星空間信息技術(shù)綜合應(yīng)用國家地方聯(lián)合工程研究中心, 數(shù)字中國研究院(福建), 福州350108)

自20世紀80年代以來，設(shè)施農(nóng)業(yè)面積不斷擴大，逐漸在蔬菜瓜果的供應(yīng)上占有重要地位，成為部分地區(qū)的支柱產(chǎn)業(yè)，我國已成為設(shè)施農(nóng)業(yè)大國。截至2015年底，我國設(shè)施農(nóng)業(yè)面積達410.9萬hm2，除去地膜后農(nóng)業(yè)塑料薄膜總用量為113.88萬t[1]。農(nóng)業(yè)大棚的增加反映了農(nóng)業(yè)現(xiàn)代化的高速發(fā)展，準確快速地獲取大棚空間分布情況，不僅有助于農(nóng)作物監(jiān)測和農(nóng)業(yè)產(chǎn)值估算，對實現(xiàn)農(nóng)業(yè)資源的高效和可持續(xù)利用也具有重要意義[2]。

遙感技術(shù)憑借宏觀、實時、覆蓋面積廣和成本低等特點已成為現(xiàn)代農(nóng)業(yè)信息獲取的重要途徑，在農(nóng)業(yè)大棚信息提取和變化監(jiān)測方面發(fā)揮著重要作用?；趯＜抑R與規(guī)則[3]、支持向量機(SVM)[4-5]、隨機森林模型[4]等方法，農(nóng)業(yè)大棚分布信息提取取得較好的精度，學(xué)者構(gòu)建了大棚遙感指數(shù)為農(nóng)業(yè)大棚提取研究提供參考[6-7]。由于衛(wèi)星傳感器性能的限制，以上方法大多以中低分辨率影像為數(shù)據(jù)源，無法有效利用地物的空間信息。近年來，高分辨率影像逐漸被應(yīng)用于農(nóng)業(yè)大棚提取研究，如Agüera等[8-10]基于QuickBird和Ikonos衛(wèi)星影像，利用最大似然法開展農(nóng)業(yè)大棚自動化提取，雖然均取得了較高的精度，為后續(xù)基于高分影像的大棚檢測提供了研究思路，但基于像元的方法制約著高分影像信息提取的精度。

隨著高空間分辨率遙感數(shù)據(jù)的廣泛應(yīng)用，基于面向?qū)ο蟮姆诸惙椒ū然谙裨姆椒ň哂懈蟮膬?yōu)勢[11]，如Tarantino等[12]應(yīng)用面向?qū)ο笥跋穹治龇椒ǎ诟叻直媛收鎸嵅噬娇諗?shù)據(jù)對葡萄大棚進行檢測，精度達90%；Aguilar等[13-14]結(jié)合高分辨率影像的空間信息和中分辨率影像的光譜、紋理等信息，利用決策樹分類法獲取了精細的農(nóng)業(yè)大棚空間分布圖。利用面向?qū)ο蠓椒ㄓ行岣吡宿r(nóng)業(yè)大棚的提取精度，但也增加了特征維度，影響提取效率。Gonzalez-Yebra等[15]結(jié)合面向?qū)ο蠓椒ê碗S機森林模型,基于國外高分辨率航空正射影像提取農(nóng)業(yè)大棚信息，一定程度上有效處理了高維數(shù)據(jù)，提高了農(nóng)業(yè)大棚信息提取精度。GF-2衛(wèi)星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(xué)遙感衛(wèi)星，具有亞米級空間分辨率、高定位精度和快速姿態(tài)機動能力等特點[16]。但基于國內(nèi)GF-2數(shù)據(jù)將面向?qū)ο蠓椒ê碗S機森林模型結(jié)合提取農(nóng)業(yè)大棚信息的研究卻鮮有報道。此外，基于面向?qū)ο蠓椒ㄟM行信息提取，分辨率制約著提取結(jié)果的形狀完整性，因此，對提取結(jié)果的形狀不確定性進行評價具有重要意義。

本文以GF-2影像為數(shù)據(jù)源，以福建省福安市葡萄大棚集中分布的城鎮(zhèn)為研究區(qū)，基于面向?qū)ο髨D像分析模式，充分挖掘隨機森林算法在特征選擇和專題分類提取上的優(yōu)勢，開展南方丘陵地區(qū)葡萄大棚信息提取研究，采用改進的面向?qū)ο笤u價指數(shù)對基于GF2影像提取結(jié)果的形狀不確定性進行評價。同時分析面向?qū)ο蠓椒ê碗S機森林算法模型結(jié)合在GF-2影像上的適用性，推進國產(chǎn)高分辨率衛(wèi)星的應(yīng)用，也為日后其他地區(qū)農(nóng)業(yè)大棚信息提取提供借鑒。

1 材料與方法

1.1 研究區(qū)概況

福安市位于福建省寧德市中部，地處鷲峰山脈東南坡，太姥山脈西南部、洞宮山脈東南延伸部分；地理位置介于北緯26°41′—27°24′、東經(jīng)119°23′—119°52′之間。該地區(qū)氣候溫暖濕潤、光照充足，屬中亞熱帶海洋性季風(fēng)氣候，年均氣溫13.6～19.8℃，年降雨量1 350～2 050 mm，有利于葡萄的生長。為隔絕雨水和防治病蟲害，福安市一直采用以農(nóng)業(yè)大棚為主的葡萄栽培方式，一般3月葡萄發(fā)芽開始覆膜，4—7月葡萄處于結(jié)果期和成熟期，該階段大棚基本處于穩(wěn)定覆蓋薄膜階段。獨特的氣候、種植方式使得福安市葡萄產(chǎn)業(yè)化發(fā)展擁有了堅實的基礎(chǔ)，成為了我國東南沿海最大的葡萄生產(chǎn)基地，有“南國葡萄之鄉(xiāng)”的美譽。研究區(qū)位于福安市南部(圖1)，涵蓋了賽岐、灣塢、甘棠和松羅等鄉(xiāng)鎮(zhèn)，是葡萄大棚最集中分布的區(qū)域，可以很好地反映當(dāng)?shù)仄咸训乩砦恢梅植肌?/p>

1.2 數(shù)據(jù)源

采用2017年5月28日的GF-2影像作為數(shù)據(jù)源，包括分辨率為4 m的多光譜影像和分辨率為1 m的全色影像。該時間段內(nèi)研究區(qū)大棚處于穩(wěn)定覆膜階段，同時農(nóng)田作物處于非生長季，對提取精度的影響較小。 首先利用ENVI軟件對遙感影像進行正射校正，并使用NND(nndiffuse pan sharpening)方法融合得到1 m分辨率的多光譜影像，圖1展示預(yù)處理后的研究區(qū)真彩色遙感圖像。

圖1 研究區(qū)地理位置及考察點在GF-2 真影像上的分布Fig.1 Study location and distribution of sample on GF-2 image

1.3 研究流程

首先利用eCognition軟件中的多尺度分割算法對預(yù)處理后的GF-2影像進行分割，并結(jié)合ESP (estimation of scale parameter) 尺度評價工具和鄰域差分絕對值與標準差比RMAS [ratio of mean diff.to neighbors (abs) to standard deviation]方法為圖像分割設(shè)置最優(yōu)分割尺度參數(shù)；然后基于隨機森林進行特征重要性度量，構(gòu)建最優(yōu)特征空間后提取葡萄大棚信息；最后基于面向?qū)ο蟮木仍u價指數(shù)對葡萄大棚提取結(jié)果進行精度評價與分析。

對分割后的圖像對象計算包含光譜、紋理、形狀等在內(nèi)的多種對象特征，其中光譜特征反映了遙感影像上不同地物的光譜信息，是最基本的特征。根據(jù)實地調(diào)研和目視解譯，將研究區(qū)土地類型分為建筑物、裸地、植被、水體、道路和葡萄大棚六類，對以上土地類型各選取約60個樣本區(qū)域，統(tǒng)計不同地物在4個波段上的均值，繪制光譜曲線。

1.4 最優(yōu)分割尺度確定

為探索GF-2影像上對于葡萄大棚的最優(yōu)分割尺度，本文設(shè)定形狀因子和緊湊度因子均為0.5，分割尺度取值范圍為[50，120]，以步長1進行遞增。本文將ESP尺度評價工具和RMAS法結(jié)合選擇最優(yōu)分割尺度，即首先通過ESP工具對分割尺度進行初步評價，確定不同地物的潛在最優(yōu)尺度，然后選擇鄰域?qū)ο蟮匚锔鼮樨S富的葡萄大棚對象進行RMAS值統(tǒng)計，以得到葡萄大棚的最優(yōu)分割尺度。

①ESP尺度評價。通過統(tǒng)計影像同質(zhì)性的局部方差 LV(local variance)以及其變化率值 ROC(rate of change)來確定最優(yōu)分割尺度[17]。當(dāng)ROC達到峰值時，所對應(yīng)的分割尺度極有可能為某種地物最優(yōu)分割尺度。

(1)

式中，Li+1表示第i+1層對象的平均標準差，Li表示第i層中對象的平均標準差。

②鄰域差分絕對值與標準差比(RMAS)。其利用對象內(nèi)部的標準差與鄰域的均值差分絕對值來構(gòu)建分割評價指數(shù)[18]。對于特定地物，當(dāng)RMAS值最大時，其分割效果最好。

(2)

(3)

(4)

1.5 隨機森林算法

隨機森林是2001年由Breiman等[19]提出的一種基于決策樹的多分類器集成機器學(xué)習(xí)方法。作為一種分類預(yù)測模型，它能有效地避免過度擬合，降低分類的泛化誤差，適用于存在大量未知特征的數(shù)據(jù)集，并估計出每個特征對分類的重要性。隨機森林通過Bootstrap進行抽樣，從原始數(shù)據(jù)集中有放回地隨機抽取k個訓(xùn)練集合，每次約抽取原始數(shù)據(jù)集的 2/3作為的訓(xùn)練集，未被抽取的數(shù)據(jù)稱為袋外數(shù)據(jù)(out-of-bag，OOB)；然后從M個特征中隨機抽取m個(m<

1.6 特征提取

為降低傳統(tǒng)基于反射率分類中“同物異譜”和“異物同譜”現(xiàn)象對影像分類的影響，綜合光譜特征、紋理特征和形狀特征共50個特征構(gòu)建初始特征變量(表1)，其中光譜特征主要包括各波段對象均值、亮度值和標準差，以及利用波段構(gòu)建的指數(shù)特征，如歸一化植被指數(shù)(normalized vegetation index，NDVI)[21]和歸一化差值濕度指數(shù)(normalized difference water index，NDWI)[22]；紋理特征基于灰度共生矩陣(GLCM)計算，主要選取0°、45°、90°和135°四個方向下的平均值(mean)、方差(variance)、同質(zhì)性(homogeneity)、對比度(contrast)、非相似性 (non-similarity)、熵 (entropy)、二階矩 (second)和相關(guān)性(correlation)等；幾何特征主要包括面積、長寬比、形狀指數(shù)和對稱性等。

表1 特征變量Table 1 Details of object’s features

1.7 特征重要性度量

隨機森林作為分類預(yù)測模型一個重要特點是能對每個特征變量進行重要性評估和排序，從而去除冗余特征，構(gòu)建最優(yōu)特征空間。其中最常用的是Gini指數(shù)法，其通過在每個決策樹結(jié)點上實現(xiàn)計算特征子集中每個特征的重要性得分[23]。

假設(shè)樣本集合S中含有n個類別的樣本，則其Gini指數(shù)[24]公式如下。

(5)

式中，Pi表示第i類樣本的概率。在一次分割后，集合S分成了m個子集(Sj，j=1，2，…，m)。分割Gini指數(shù)如式(6)所示。

(6)

Gini重要性最終由分割節(jié)點前節(jié)點的Gini指數(shù)減去計算候選特征子集中每一個特征分割該節(jié)點后的Ginisplit值得到。其值越大，說明重要性程度越高，對分類結(jié)果的影響越大。

1.8 精度評價

本文首先通過混淆矩陣計算生產(chǎn)者精度(PA)、用戶精度(UA)，并利用F值[25]對葡萄大棚提取結(jié)果進行檢驗，F(xiàn)值可以更好地判斷分類方法和數(shù)據(jù)源優(yōu)劣。

F=2×UA×PA/(UA+PA)

(7)

(8)

(9)

(10)

結(jié)合OC(Mi)和UC(Mi)，總誤差指數(shù)TC(Mi)定義如下。

(11)

此外，利用TC(Mi)獲得用于估計分類結(jié)果全局屬性的全局誤差指數(shù)GTC。

(12)

式中，m是分類圖中指定類分類對象的數(shù)量。

2 結(jié)果與分析

2.1 地物光譜分析

光譜曲線如圖2所示，可以看出，葡萄大棚與水體和植被在綠光波段和紅光波段上的值較為接近，但在藍光和近紅外波段上具有一定的可分性；與裸地在各個波段上的值差別均較明顯；與建筑物和道路只在近紅外波段具有一定可分性，在其余波段亮度值上較為相似，可分離性差。

圖2 地物光譜曲線Fig.2 Spectral curves of ground objects

2.2 最優(yōu)分割尺度定量選擇結(jié)果

利用ESP評價工具對分割尺度進行初步評價(圖3)，ROC曲線整體呈下降趨勢，而下降過程中達到峰值的分割尺度為56、65、78、87、94、107、114、118等，這些峰值極有可能代表某種地物的最優(yōu)分割尺度。

圖3 ESP尺度分割評價Fig.3 Evaluation of ESP scale segmentation

ESP工具并不能準確得到葡萄大棚所對應(yīng)最優(yōu)分割尺度值，仍需進一步的目視判斷，具有主觀性，通過RMAS法進一步確定葡萄大棚的最優(yōu)分割尺度。在ESP所得的初始所選分割尺度下計算RMAS值(表2)，可以看出，當(dāng)分割尺度為78時，RMAS值最大為1.312，因此確定葡萄大棚的最優(yōu)分割尺度為78。

表2 RMAS尺度分割評價表Table 2 RMAS values of various image segmentations

2.3 隨機森林最優(yōu)參數(shù)選擇

確定最優(yōu)的ntree和mtry能有效地提高所構(gòu)建的隨機森林模型的精度和效率。通過討論不同參數(shù)組合下的OOB誤差率，從而確定隨機森林模型的最優(yōu)參數(shù)ntree和mtry，最終結(jié)果如圖4所示。隨著樹的數(shù)量增加，OOB誤差逐漸降低，直至增加到140后OOB誤差率趨于穩(wěn)定。隨著mtry的增大，OOB誤差率降低，當(dāng)mtry為7時，OOB誤差率整體降至最低，之后mtry增大OOB誤差隨之增大，這是因為輸入特征過多造成冗余。因此最佳參數(shù)組合是ntree取值為140，mtry取值為7時，OOB誤差率為5.62%。

圖4 OOB誤差變化Fig.4 Variation of OOB errors

2.4 變量重要性分析

2.4.1特征數(shù)量對分類精度的影響 為探究特征數(shù)量與隨機森林分類精度之間的關(guān)系，本文基于Gini指數(shù)法對所有提取的特征進行重要性排序，通過改變特征變量個數(shù)得到分類精度與特征數(shù)量之間關(guān)系圖如圖5所示。可以看出，隨著參與分類的特征數(shù)量增加，前期分類精度呈現(xiàn)陡增的趨勢，當(dāng)特征數(shù)從1增加到6時，分類精度從70.44%迅速提高到92.23%，這主要是因為特征數(shù)量過少時，分類器識別各種地物的有效信息不足，使得分類精度較低，而隨著特征的增加，有效信息增多，且特征之間的相關(guān)性和冗余特征少，提高了地物類別在特征空間的可分性；隨著特征數(shù)量持續(xù)增加，分類精度提高緩慢；當(dāng)特征數(shù)大于15時，分類精度比較穩(wěn)定，在94%上下波動，主要因為隨著特征數(shù)量的增加，冗余特征和不相關(guān)特征也會隨之增多，從而使得分類器性能下降。本文選擇重要性較高的前15個特征變量構(gòu)建最優(yōu)特征空間。

圖5 特征數(shù)量與分類精度關(guān)系Fig.5 Relationship between the number of features and the accuracy of classification

2.4.2特征變量作用分析 統(tǒng)計前15個特征變量的重要性并進行排序(圖6)，可以發(fā)現(xiàn)，不同特征變量的重要性得分差異較大，光譜特征排名均比較靠前，說明光譜特征是區(qū)分葡萄大棚和其他地物的重要特征。其中，光譜最大差分(Max_diff)重要性得分最高，這是因為覆膜時新舊薄膜反射率差異較大導(dǎo)致葡萄大棚內(nèi)部亮度值變化大，和其他地物差異明顯；且由于在栽種的葡萄上覆蓋白色塑料膜，削弱了葡萄的植被信息，使其兼具了建設(shè)用地等不透水面的光譜特征，結(jié)合圖2各地物光譜曲線圖可以看出，在藍、綠、紅三個波段上葡萄大棚與建筑物和道路可分離性不大，但因為大棚受內(nèi)部種植作物的影響，具有一定的植被信息，所以在紅外波段和以近紅外波段所構(gòu)建的光譜指數(shù)上與其他地物具有較大差異，因此，近紅外波段均值和基于近紅外波段構(gòu)建的指數(shù)NDWI和NDVI重要性排名靠前。紋理特征中，由于南方丘陵區(qū)局部空間變化較大，而葡萄大棚在空間分布上具有密集性和規(guī)劃性，使得其在影像的紋理表現(xiàn)出一致性和均勻性，和其他地物在紋理上表現(xiàn)出很好的可分離性，因此相關(guān)性和熵等特征起到重要作用，且為了種植和運輸方便，葡萄種植一般靠近公路，種植方向也大多垂直或平行于公路，具有規(guī)劃性，這也使得紋理特征在90°或135°上和其他地物差異更加明顯。幾何特征中密度特征對于葡萄大棚的提取有重要作用，這與葡萄大棚主要集中分布在賽江平原和坡度較為平緩的山坡上有關(guān)。

圖6 特征重要性Fig.6 Features ranked according to their importance

2.4.3優(yōu)選特征比重分析 對優(yōu)選的特征進一步分析可以發(fā)現(xiàn)，當(dāng)特征個數(shù)不同時，各類別特征參與分類時所占比重也不同。因此,對重要性得分較高的前30個特征變量，以1為步長計算特征數(shù)量變化下各類別特征所占的比重。如圖7所示，從占比可以看出，前12個特征中，光譜特征占據(jù)絕對優(yōu)勢，且排名前兩位的特征均為光譜特征，說明光譜特征是區(qū)分葡萄大棚和其他地物的重要特征；從整體上看，隨著特征個數(shù)的增加，光譜特征所占比重在逐漸下降，紋理特征的比重一直穩(wěn)定上升，這雖然與光譜特征總個數(shù)較少有關(guān)，但也證明紋理特征在葡萄大棚提取中的作用較為顯著；幾何特征個數(shù)直至增加到14個才發(fā)揮作用，說明其對于葡萄大棚和其他地物的區(qū)分性相對較小。

圖7 不同特征所占比重Fig.7 Proportion of different types of features

2.5 提取結(jié)果分析

利用構(gòu)建的最優(yōu)特征空間和參數(shù)優(yōu)化后的隨機森林模型提取研究區(qū)的葡萄大棚信息，提取結(jié)果如圖8所示。可以看出，葡萄大棚集中分布在賽江平原上和坡度較為平緩的山坡上，其中山坡上的葡萄大棚更為破碎零散。研究區(qū)葡萄大棚總面積為15.34 km2，與實際情況相符，其中賽岐鎮(zhèn)葡萄大棚種植面積最大為5.67 km2，這是因為賽岐鎮(zhèn)平原面積較大，路網(wǎng)發(fā)達，便于葡萄種植和運輸；溪柄鎮(zhèn)種植面積為3.15 km2，稍小于賽岐鎮(zhèn)；下白石和灣塢的葡萄種植面積分別為1.99和1.63 km2；甘棠和溪尾鎮(zhèn)則由于地形起伏較大，葡萄大棚分布較少。

圖8 葡萄大棚空間分布與面積統(tǒng)計Fig.8 Locations and planting areas of grape greenhouses

2.6 提取精度分析

結(jié)合野外實地考察數(shù)據(jù)和Google Earth 高分辨率影像,通過人工目視解譯共獲取826個驗證樣本點構(gòu)建精度評價數(shù)據(jù)庫。用于驗證葡萄大棚的樣本338個，其中錯分37個，生產(chǎn)者精度為89.1%，用戶精度為92.3%，總體精度為92.5%，F(xiàn)值為0.91。本文進一步選取葡萄大棚種植面積最大的賽岐鎮(zhèn)進行評估，通過計算加權(quán)的分割和過分割幾何誤差指數(shù)得到基于面向?qū)ο蟮木仍u價指數(shù)GTC為0.12，全局誤差指數(shù)較小，從精度評價結(jié)果圖(圖9)可看出，大部分分類結(jié)果整體誤差小于0.2，提取結(jié)果的形狀完整性較好，表明本文方法能提高模型性能和分類精度，有效區(qū)分葡萄大棚和其他地物。

A： 區(qū)域I的全局誤差分布；B：賽岐鎮(zhèn)影像與參考圖層；C：區(qū)域Ⅱ的全局誤差分布A: Total error distribution map of region I；B: Image and reference layer of Saiqi; C:Total error distribution map of region Ⅱ圖9 基于面向?qū)ο蟮木仍u價Fig.9 Object-based evaluation of extracted grape greenhouses

3 討論

本文以GF-2遙感影像為數(shù)據(jù)源，基于最優(yōu)特征空間的隨機森林模型對南方丘陵地區(qū)葡萄大棚進行信息提取。影像分割是面向?qū)ο笥跋穹诸惖氖滓襟E。目前，各種圖像分割算法層出不窮，基于多尺度分割算法的圖像分割被廣泛應(yīng)用于高空間分辨率遙感圖像分類中。但對于不同影像不同地物不存在普適的尺度，分割尺度的選擇直接決定了影像對象的大小以及信息提取的精度，特定地物最優(yōu)分割尺度的選擇仍然是一個難以攻克的難題[28-29]。針對以往高分辨率影像分割常采用的試誤法確定分割尺度所存在的弊端[30]，本文結(jié)合ESP尺度評價和RMAS法實現(xiàn)了對于葡萄大棚的最優(yōu)分割尺度選擇，為特定地物最優(yōu)分割參數(shù)的選擇提供定量依據(jù)；基于面向?qū)ο蟮姆诸惙椒〞黾犹卣骶S度，許多研究學(xué)者將面向?qū)ο蠛蜎Q策樹分類、隨機森林和支持向量機等結(jié)合來處理高維數(shù)據(jù)[15,31]，但并未對多特征進行綜合優(yōu)化，過多的特征會影響模型復(fù)雜度和分類精度，基于此問題，利用Gini指數(shù)對所提取的對象特征進行重要性評分和排序，構(gòu)建最優(yōu)特征空間，能有效提高南方丘陵地區(qū)葡萄大棚提取精度；此外，國產(chǎn)GF-2數(shù)據(jù)的分辨率依然制約面向?qū)ο蠓椒ㄌ崛〗Y(jié)果的形狀完整性，引入面向?qū)ο笤u價指數(shù)對基于GF2影像提取結(jié)果的形狀不確定性進行評價，得到全局誤差指數(shù)GTC為0.12，表明該方法對GF-2影像上葡萄大棚信息提取的位置和形狀完整性方面具有潛在優(yōu)勢。目前，基于國內(nèi)GF-2數(shù)據(jù)將面向?qū)ο蠓椒ê碗S機森林模型結(jié)合應(yīng)用到農(nóng)業(yè)大棚信息提取方面還鮮有報道，而本文方法對基于GF-2影像的南方丘陵區(qū)域葡萄大棚信息提取具有較大的應(yīng)用潛力，并可為其他地區(qū)的農(nóng)業(yè)大棚信息提取提供較好的解決思路。

雖然本文研究方法在南方復(fù)雜丘陵地區(qū)的葡萄大棚提取上獲得了較好的結(jié)果。但也存在很多不足：①未曾探討優(yōu)選特征的穩(wěn)定性和可遷移性，這些特征在其他農(nóng)業(yè)大棚分類中的適用性還需要進一步的探討；②隨機森林模型在某種程度上屬于黑箱模型，雖然文中對輸入的特征變量個數(shù)mtry和決策樹的數(shù)量ntree的最優(yōu)參數(shù)組合進行了分析，但具體節(jié)點閾值的設(shè)置還需要更細致的研究；③本文方法暫時只在GF-2影像上實現(xiàn)了葡萄大棚的精確提取，在其他國產(chǎn)衛(wèi)星數(shù)據(jù)如GF-1、ZY-3上的應(yīng)用潛力還需要進一步驗證。