一種基于Sentinel-2的塑料大棚提取方法

劉天宇，趙 展，史同廣

(山東建筑大學測繪地理信息學院，山東 濟南250101)

0 引言

作為集約農業(yè)興起的作物保護設施，塑料大棚的優(yōu)勢體現(xiàn)在能夠降低環(huán)境氣候的限制，滿足消費人群的需求，減輕種植業(yè)的投資風險，因而在很多國家大規(guī)模推廣。據(jù)2016年的統(tǒng)計數(shù)據(jù)，估計130個國家的商用塑料大棚覆蓋面積總和超過44.5萬hm2(約110萬英畝)，其中位于中國的面積占比在80%以上[1-2]。近年來，我國塑料大棚仍然呈現(xiàn)逐年增加趨勢，且隨著塑料大棚的擴張，大量使用農用塑料膜。因塑料膜回收不完全而導致的土壤結構與地表水循環(huán)變化等生態(tài)環(huán)境問題，已經(jīng)日益引起研究者的重視[3-5]。因此關于塑料大棚的精準提取、定期監(jiān)測具有重要意義。

相較于傳統(tǒng)人工實地觀測獲取塑料大棚信息，遙感觀測具有成本低、范圍廣、可動態(tài)連續(xù)監(jiān)測等突出優(yōu)勢。由于受光學衍射極限、調制傳遞函數(shù)、信噪比等因素的影響，目前，單一多光譜原始影像數(shù)據(jù)還難以在擁有高空間分辨率的同時兼顧較高的光譜分辨率[6]。GF-2、Worldview-2等擁有亞米級空間分辨率的遙感影像能夠清晰呈現(xiàn)出地物的幾何結構，可以為更精細的地物分類制圖提供基礎，同時高空間分辨率下地物的空間細節(jié)被放大，可能會令同類型地物內的異質性變高，進而影響到分類精度[7-8]。

高分辨率多光譜影像一般光譜覆蓋范圍較窄，所含光譜信息較少，因此紋理等空間特征被認為是其用于地物分類的主要特征。吳錦玉等[9]提出一種基于高空間分辨率影像和面向對象法的多紋理特征塑料大棚識別方法。高夢婕等[10]以GF-2影像數(shù)據(jù)作為單一數(shù)據(jù)源，將光譜特征、指數(shù)特征和灰度共生矩陣(gray-level co-occurrence matrix，GLCM)紋理特征相結合用于提取塑料大棚。高分辨率衛(wèi)星影像存在的問題是通常不能免費獲取，商業(yè)購買成本較高。

相比高分辨率影像，中低空間分辨率多光譜影像雖然欠缺空間細節(jié)信息，不利于微觀尺度地物觀測，但其傳感器一般具有更寬的成像波譜范圍，能更好地捕捉到地物光譜反射特性，并且通?？梢悦赓M獲取[9]。國內外研究者利用Landsat系列、Sentinel-2 MSI等中低分辨率多光譜影像展開了一系列大棚提取研究。YANG D等[11]設計了一個溫室大棚指數(shù)(plastic greenhouse index，PGI)，并證明了該指數(shù)在Landsat-7 ETM+(enhanced thematic mapper plus，ETM+)影像中提取大棚的性能。NOVELLI A等[12]將Landsat-8 OLI(operational land imager，OLI)多光譜數(shù)據(jù)和TIRS(thermal infrared sensor，TIRS)熱紅外數(shù)據(jù)相結合，提取了塑料大棚覆蓋下的葡萄園。BALCIK F B等[13]在Sentinel-2 MSI的基礎上，證明了RPGI指數(shù)(retrogressive plastic greenhouse index，RPGI)對提取溫室具有重要作用。

總的來說，中低分辨率多光譜影像受空間分辨率的限制，紋理等空間特征不明顯，塑料大棚提取主要依賴于光譜特征及基于光譜的指數(shù)特征。實際中的大棚存在不同類型，其光譜特征存在一定的差異，單一大棚指數(shù)的普適性仍然受到制約。

根據(jù)圖像處理的最小單元是單一像素還是若干像素組成的影像對象，目前存在面向像元和面向對象兩種方法。AGUERA F等[14-15]分別在Ikonos和QuickBird影像上利用最大似然法(maximum likelihood classification，MLC)識別并提取塑料大棚。KOC-SAN D[16]選取WorldView-2作為數(shù)據(jù)源，比較了MLC、RF(random forest，RF)及SVM(support vector machine，SVM)3種分類算法應用于塑料與玻璃溫室提取的性能，精度評估表明，SVM分類效果最優(yōu)。MLC是基于像元分類中較為常用的算法，普遍用于早期的溫室分類研究中。在TARANTINO E等[17]首次將基于對象分析法(object-based image analysis，OBIA)引入到塑料大棚提取研究之后，面向對象法開始被廣泛地應用。JI L等[18]通過建立一種基于對象和光譜分析的閾值模型，從Landsat-8 OLI中提取零散分布的溫室。SHI L等[19]提出的3步驟提取溫室法在高空間分辨率影像GF-2中具有較強的魯棒性。AGUILAR M A等[20]將WorldView-2和Landsat-8 OLI時間序列數(shù)據(jù)相結合，先在WorldView-2上進行多尺度分割(multi-resolution segmentation，MRS)，然后根據(jù)兩類數(shù)據(jù)的多種特征信息，利用DT(decision tree，DT)算法提取多時相下的塑料大棚。

比較已有研究中對面向像元和面向對象兩類地物提取方法，發(fā)現(xiàn)以單一像元為基礎的面向像元法主要考慮的是地物的光譜特性，缺少紋理和空間特征信息的引入，導致影像信息流失較嚴重[21]。面向對象法能夠綜合利用各個對象形狀、紋理和光譜等多種特征提取所需信息，從而有效減少了“椒鹽現(xiàn)象”、錯分誤分的出現(xiàn)，所以面向對象法更廣泛地應用于地物分類提取研究中[22-23]。

在目前可用的遙感數(shù)據(jù)源中，Sentinel-2多光譜數(shù)據(jù)兼具較高的空間分辨率和光譜分辨率，而目前已有的關于塑料大棚提取的文獻中，僅采用Sentinel-2 MSI作為數(shù)據(jù)源進行提取的研究較少。本文以Sentinel-2多光譜影像為數(shù)據(jù)源，充分利用Sentinel-2數(shù)據(jù)各波段光譜信息，考慮到不同類型大棚的光譜信息差異，設計一套塑料大棚的指數(shù)集，通過面向對象的多尺度逐層提取的方式實現(xiàn)大棚準確提取。

1 研究區(qū)域及試驗數(shù)據(jù)

1.1 研究區(qū)域

如圖1所示，研究區(qū)域地處濰坊市寒亭區(qū)與壽光市交界處，面積約6 520.68 hm2，地理范圍在北緯36°49′15″～36°52′35″和東經(jīng)118°57′19″～119°04′26″，屬暖溫帶季風區(qū)大陸性氣候，四季分明，適宜蔬菜等農作物的種植。研究區(qū)域內主要包括露天綠色農作物、塑料大棚、居住區(qū)(含人工設施)、裸土地和道路5種地表覆蓋類型，塑料大棚的空間布局既有密集分布又有稀疏分布。

1.2 試驗數(shù)據(jù)

Sentinel-2是由歐洲航天局(European Space Agency，ESA)發(fā)射的一組衛(wèi)星，負責全球環(huán)境與安全監(jiān)視系統(tǒng)中的多光譜遙感成像任務，用于農業(yè)估產、勘察土壤和水體覆蓋等領域的監(jiān)測，包含2015年發(fā)射的2A與2017年發(fā)射的2B兩顆同組衛(wèi)星，均攜帶一枚多光譜成像裝置(MSI)，能夠覆蓋從可見光到短波紅外13個光譜波段，存在10、20和60 m共3種不同的空間分辨率，影像幅寬可達290 km，兩顆衛(wèi)星互補條件下的重訪周期為5 d。通過歐空局哥白尼科學中心下載可以反映大氣底層反射率(bottom-of-atmosphere corrected reflectance)的L2A級數(shù)據(jù)，L2A級影像是在L1C級影像(正射校正和幾何精校正過的產品)基礎上經(jīng)過輻射定標和大氣校正后的產品，總共含有12個波段(不含B10-卷云波段)。本文選取時相為2020年9月18日的Sentinel-2B MSI作為數(shù)據(jù)源，具體影像參數(shù)信息如表1所示。

表1 Sentinel-2 MSI(L2A)波段范圍及分辨率

2 研究方法

2.1 影像分割

分割是面向對象法圖像處理過程的第1步，分割效果直接影響到后續(xù)分類精度。BAATZ M等[24]提出的MRS算法被廣泛應用在基于影像對象的地物分類研究中，該算法作為一種自下而上的分割方法，其原理是將相鄰的像元或較小的分割對象進行合并，在保證不同影像對象間平均異質性最小、相同對象內部像元間同質性最大的前提下，通過區(qū)域合并實現(xiàn)影像分割[25]。通過分割尺度(segmentation scale)、形狀(shape)和緊致度(compactness)等參數(shù)控制分割效果，其中分割尺度直接調節(jié)各個分割對象的大小，是最為重要的參數(shù)因子；形狀(shape)與顏色(color)、緊致度(compactness)與平滑度(smoothness)的權重和為1，且取值范圍均為0.1～0.9。

Sentinel-2數(shù)據(jù)中，空間分辨率最高為10 m，對于塑料大棚的提取，該分辨率仍然較低，如僅使用單一分割尺度，分割結果中普遍出現(xiàn)“過分割”與“欠分割”現(xiàn)象；非塑料大棚類地物復雜多樣，且面積占比差異較大。綜合以上因素，研究者決定根據(jù)不同分割尺度構建影像對象層次結構，從而實現(xiàn)地物的分層提取。經(jīng)過反復試驗，以人工目視結合最佳分割尺度評價工具ESP2的方式，建立3層尺度分割層。其中形狀和緊致度參數(shù)的設置采用控制變量法，緊致度因子的大小對影像對象分割的影響可忽略不計，因此取默認值0.5；對于較大尺度分割層，形狀因子值的確定主要根據(jù)道路的影像對象內部是否包含塑料大棚，在0.2～0.9區(qū)間內取值均存在“欠分割”，而在較小尺度的分割層內，不同賦值的分割差異對塑料大棚的提取影響較小，所以3個層次的形狀因子均取0.1，詳細分割參數(shù)如表2所示。

表2 影像分割參數(shù)設置

2.2 地物特性分析

露天綠色農作物因品種、生長期的不同，覆蓋密度存在差異，可分為高密度和低密度兩種類型，較容易與大棚進行區(qū)分。居住區(qū)(含人工設施)部分所含地物種類繁多且復雜，很容易出現(xiàn)混淆誤分，并且由圖2各類地物典型樣本(regions of interest，ROI)光譜曲線可以看出，裸土地與部分居住區(qū)(含人工設施)光譜曲線相近。塑料大棚按照結構的差異可分為日光溫室、大拱棚、小拱棚和連棟溫室等類型[26]。研究區(qū)域內所包含的塑料大棚類型如圖3所示，因為大棚的“透光”特性、塑料薄膜材質及所覆蓋作物長勢的影響，大棚之間的光譜信息也不盡相同。受空間分辨率的限制，道路受混合像元影響嚴重，部分道路與大棚的光譜曲線較為接近，需要其他特征加以輔助區(qū)分。

隧道整體施工質量對鐵路安全穩(wěn)定運營至關重要。二次襯砌作為隧道主體結構的重要組成部分，對圍巖穩(wěn)定、承載作用重大，通過先進的技術方法查找原因，制定合理的處理措施，科學的組織施工，加強二次檢測，形成二襯厚度缺陷的閉合式流程處理方法，消除厚度不足產生的質量隱患，從而提高隧道整體的安全性和可靠性。

圖2 地物典型樣本(ROI)光譜曲線

注：(a)～(d)為高空間分辨率影像；(e)～(h)為Sentinel-2影像

2.3 特征模型與設計思路

對比各類地物樣本光譜曲線，發(fā)現(xiàn)塑料大棚與其他地物在很多波段上灰度值接近，依據(jù)各波段灰度值(digital number，DN)均值(mean)或標準差(standard deviation)等光譜特征不易于區(qū)分塑料大棚與干擾地物。因而考慮不同地物在多波段上的反射差異構建地物指數(shù)特征，通過不同波段間四則運算突出不同地物的反射波譜特性區(qū)分大棚和其他地物。此外，研究區(qū)域內“同物異譜”現(xiàn)象普遍，不同類型的大棚光譜特征差異較大，單一指數(shù)不足以將目標地物較精準地提取，為此研究設計了一套指數(shù)集，特征模型信息如表3所示。

表3 特征模型

通過圖2光譜曲線能夠直觀看出各類地物的高反射率、低反射率波段，并根據(jù)曲線上升或下降趨勢設計指數(shù)。

(1)Sentinel-2數(shù)據(jù)包括寬、窄兩種近紅外波段(B8、B8A)，經(jīng)過光譜曲線對比，發(fā)現(xiàn)露天綠色農作物或植被在兩種近紅外波段處的反射率相近，均具有較高的反射率，研究采用窄近紅外波段(B8A)構建NDVI來提取高密度綠色農作物。

(2)對于低密度的綠色農作物，其NDVI值一般為0.60～0.76，在此區(qū)間內的地物類型繁多，僅利用NDVI閾值無法將其精準提取，因此利用在紅邊波段(B6、B7)和近紅外波段反射率高于其他地物且在藍光和紅光波段(B2、B4)反射率較低的特性，設計了指數(shù)VI，并與NDVI結合來提取低密度綠色農作物具有較好的效果。

(3)居住區(qū)(含人工設施)和裸土地是“同物異譜”的典型干擾地物，除少量人工設施外，大部分隸屬于二者的地物光譜曲線總體呈上升趨勢，在可見光波段和紅邊B5波段處的反射率差異較大，在短波紅外波段(B11、B12)處的反射率要明顯高于塑料大棚，利用以上特性設計了3個BLI指數(shù)。

(5)由于塑料大棚的光譜信息受其框架結構、薄膜材質、是否有黑布遮蓋及覆蓋作物長勢等多種因素的影響，光譜曲線呈現(xiàn)出多樣性。大多數(shù)大棚在藍光和紅光波段(B2、B4)處的反射率接近，再者，紅邊波段B5和B6、短波紅外B11和B12的差值異于其他地物，按照上述光譜信息設計PGI1和PGI2兩個指數(shù)以提取塑料大棚。

2.4 多層次分類

研究平臺選擇eCognition Developer(9.0)。在影像空間分辨率較低且地物類型復雜的條件下，僅利用少量樣本的監(jiān)督分類來提取大棚效果并不理想，誤分、錯分現(xiàn)象嚴重，而根據(jù)閾值進行分類能極大地減少誤分、錯分現(xiàn)象，為此研究以基于閾值規(guī)則的監(jiān)督分類方法提取塑料大棚。

依據(jù)各類地物的特性分析決定每個層次所提取出的地物類型。首先，對于第1級分割層(50尺度)，利用影像對象較大的優(yōu)勢，便于提取出綠色農作物、部分道路和居住區(qū)(含人工設施)。第2級分割層(33尺度)內，已很大程度上降低了影像對象的異質性，在此尺度下易提取出以居住區(qū)(含人工設施)和裸土地為主的干擾地物。在最后一級分割層(22尺度)中，塑料大棚的影像對象中基本不再包含干擾地物，并且上面兩個層次已過濾掉大部分干擾地物，按照圖4總流程圖中的閾值規(guī)則即可提取出塑料大棚，最終分類結果如圖5所示。

注：每個序號代表一條閾值規(guī)則，規(guī)則之間用或連接。

圖5 塑料大棚提取結果

3 精度評定與討論

通過目視解譯結合其他月份的高分辨率影像作為真實參考，以精度檢查樣本定量評價大棚提取精度，利用檢查樣本計算混淆矩陣來評價大棚和非大棚兩類地物的提取精度，選取的檢查樣本如圖6所示，衡量精度的指標包括生產者精度、用戶精度、總體精度和Kappa系數(shù)，各指標數(shù)值如表4所示。

圖6 檢驗樣本選擇

表4 精度評價

圖7是一個錯分示例，從圖7中能夠明顯看出，少量居住區(qū)和道路被錯分成塑料大棚，從而造成了提取大棚的用戶精度較低。鑒于Sentinel-2影像最高10 m的空間分辨率，紋理特征和形狀特征均受制約條件影響，光譜和指數(shù)特征是主要的分類特征，而在地物類型較為復雜的區(qū)域，“同物異譜”現(xiàn)象是限制大棚精度提高的一個重要因素。

圖7 錯分示例

4 結論

以Sentinel-2影像作為數(shù)據(jù)源，針對不同類型大棚及干擾地物的特征設計了一套指數(shù)集及提取流程，通過面向對象方法實現(xiàn)了研究區(qū)域內塑料大棚的多尺度提取，獲得了較高的提取精度，對利用Sentinel-2影像提取塑料大棚圖像提供了重要的參考。提取結果與精度評價在一定程度上反映了Sentinel-2 MSI應用于塑料大棚提取研究的潛能。

應用本研究提出的指數(shù)集來提取塑料大棚，仍然存在少量居住區(qū)、人工設施和道路的干擾。下一步將Sentinel-2影像與高分辨率影像融合，改進大棚提取指數(shù)以降低干擾地物影響，并對不同時相下的塑料大棚設計更利于精準提取的特征模型，進一步提升大棚提取的精度和方法的魯棒性。