基于國產(chǎn)高分二號數(shù)據(jù)的壩區(qū)辣椒種植分布提取研究*

宋善海，胡 鋒，石 悅，黃林峰，李慧璇，劉 蕓

(貴州省生態(tài)氣象和衛(wèi)星遙感中心，貴州 貴陽 550002)

貴州憑借獨(dú)特的地形地貌特征，加之水、熱氣候環(huán)境適宜，非常有利于辣椒的生長，辣椒種植已經(jīng)發(fā)展成為貴州省十大特色產(chǎn)業(yè)之一。據(jù)統(tǒng)計(jì)貴州辣椒種植面積可達(dá)500萬畝，居全國首位[1-2]。因此，在貴州開展壩區(qū)辣椒種植的遙感提取研究，可為后期估產(chǎn)、長勢監(jiān)測、病蟲害監(jiān)測等提供數(shù)據(jù)與技術(shù)支撐，有效助推農(nóng)業(yè)現(xiàn)代化、信息化的新發(fā)展。

目前關(guān)于辣椒的研究主要有微觀和宏觀兩個(gè)方面。微觀上學(xué)者們關(guān)注如下幾個(gè)方面：①微量元素、肥料、生長劑等對辣椒生長過程的影響[3-6]；② 辣椒栽培技術(shù)與改進(jìn)研究[7-12]；③ 辣椒的基因分析與改良、品質(zhì)評價(jià)、病蟲害防治等[13-19]。在宏觀層面上的研究可分為兩個(gè)方面：一是氣候適宜性評價(jià)，多數(shù)學(xué)者在不同的地理區(qū)域、不同的地理單元?jiǎng)澐殖霾煌燃壍姆N植適宜區(qū)，為各地辣椒種植提供參考，直接服務(wù)于農(nóng)業(yè)生產(chǎn)活動[20-24]；另一方面較為關(guān)注辣椒及其相關(guān)配套設(shè)施的市場狀況及未來發(fā)展趨勢研究[25-30]。由此可見，宏觀上缺乏對種植面積與種植分布信息的評估，辣椒種植規(guī)模等信息仍是以傳統(tǒng)的統(tǒng)計(jì)手段為主，利用遙感技術(shù)進(jìn)行提取的研究尚不多見。在中國知網(wǎng)以GIS、辣椒作為關(guān)鍵詞進(jìn)行搜索僅有7篇文獻(xiàn)，且多是關(guān)于適宜性的評價(jià)方面的；以遙感、辣椒作為關(guān)鍵詞進(jìn)行搜索也只有2篇文獻(xiàn)，內(nèi)容也與辣椒種植分布無關(guān)。隨著我國高分辨率對地觀測重大專項(xiàng)啟動，國產(chǎn)高分辨率衛(wèi)星遙感數(shù)據(jù)自給率大幅提升，為滿足貴州地區(qū)農(nóng)業(yè)壩區(qū)利用遙感數(shù)據(jù)開展辣椒這一特色產(chǎn)業(yè)種植分布提供了可靠的數(shù)據(jù)支撐。因此，在貴州地區(qū)開展基于遙感技術(shù)的辣椒分布提取，對輔助政府及農(nóng)業(yè)部門掌握壩區(qū)農(nóng)業(yè)特色產(chǎn)業(yè)種植分布及工作開展具有理論和現(xiàn)實(shí)意義。

研究以榕江縣忠誠-車江壩區(qū)為研究區(qū)，以高分二號(下文簡稱：GF-2)衛(wèi)星影像作為數(shù)據(jù)源，通過對影像進(jìn)行輻射定標(biāo)、大氣校正、正射校正、圖像融合等預(yù)處理，運(yùn)用面向?qū)ο髨D像分類法中的基于規(guī)則的面向?qū)ο蠓诸惙ㄅc基于樣本的面向?qū)ο蠓诸惙ㄟM(jìn)行辣椒種植面積的提取，并對二者的提取精度進(jìn)行對比分析。

1 研究區(qū)概況

榕江縣位于貴州省黔東南苗族侗族自治州南部，地跨珠江、長江流域，介于東經(jīng)108°4′～108°44′，北緯25°36′～26°28′之間，研究壩區(qū)位于縣城的東北部，中心經(jīng)緯度為：東經(jīng)108.545°、北緯25.994°，壩區(qū)面積約30000余畝，被貴廣高鐵橫跨后一分為二，形成車江與忠誠兩個(gè)子壩區(qū)。壩區(qū)山地氣候特色明顯，氣候溫和，雨量充沛，年均氣溫18.1 ℃，積溫大于6500 ℃，年降水量1200 mm左右，日照時(shí)長超過1300 h，無霜期超過310 d。土壤肥沃，土層深厚，自然資源條件優(yōu)越，適宜農(nóng)作物和林、果樹木生長。物產(chǎn)品種繁多，糧食作物主要有水稻、小麥、玉米、豆類、薯類等，經(jīng)濟(jì)作物有辣椒、蔬菜、油菜、油桐、油茶、麻類等。近年來，榕江縣不斷創(chuàng)新發(fā)展思路，充分利用壩區(qū)的優(yōu)勢，開展土地整治，調(diào)整種植業(yè)結(jié)構(gòu)，種植高標(biāo)準(zhǔn)蔬菜、水果等經(jīng)濟(jì)作物，壩區(qū)經(jīng)濟(jì)得到快速發(fā)展。

圖1 研究區(qū)概況圖Fig.1 Map of the study area

2 研究方法

2.1 數(shù)據(jù)源與數(shù)據(jù)預(yù)處理

GF-2號衛(wèi)星2014年8月19日在太原衛(wèi)星發(fā)射中心成功發(fā)射，是我國自主研制的首顆空間分辨優(yōu)于1 m的民用光學(xué)遙感衛(wèi)星，搭載有兩臺高分辨率1 m全色、4 m多光譜相機(jī)，具有高輻射精度、高定位精度和快速姿態(tài)機(jī)動能力等特點(diǎn)，國產(chǎn)化技術(shù)到達(dá)98%，標(biāo)志著中國遙感衛(wèi)星進(jìn)入亞米級的“高分時(shí)代”。其特征參數(shù)信息見表1。

表1 GF-2衛(wèi)星有效載荷參數(shù)Tab.1 GF-2 satellite payload parameters

研究選取2020年8月份的GF-2影像數(shù)據(jù)進(jìn)行，當(dāng)天天氣狀況較好，數(shù)據(jù)質(zhì)量較優(yōu)。多光譜數(shù)據(jù)需先進(jìn)行輻射定標(biāo)、FLAASH大氣校正、正射校正等處理，全色數(shù)據(jù)進(jìn)行輻射定標(biāo)與正射校正處理，隨后進(jìn)行多光譜與全色的融合，融合方法采用效果較好的NNDiffuse法。結(jié)果如圖2所示，融合后的壩區(qū)建筑區(qū)與農(nóng)業(yè)壩區(qū)差異顯著，農(nóng)用地塊輪廓清晰，達(dá)到分類的要求。

圖2 影像預(yù)處理前(上)、處理前(下)Fig.2 Image before preprocessing(up)and beforeprocessing(down)

2.2 面向?qū)ο蠓诸惙椒?/h3>

面向?qū)ο蠓诸惣夹g(shù)是近些年來備受關(guān)注的影像分類方法，不同于常用的監(jiān)督分類與非監(jiān)督分類，它能挖掘地物細(xì)節(jié)上的多元信息，更加適用于高空間分辨率下的影像分類。該方法利用臨近的像元為一個(gè)對象整體，充分利用高分辨率的全色和多光譜數(shù)據(jù)在空間、紋理、光譜信息的相似性來進(jìn)行對象的分割和分類，分類結(jié)果以柵格分類結(jié)果或者矢量輸出。分類過程中它主要分成兩個(gè)部分，即高分辨率影像的對象分割和對象分類。

2.2.1 對象構(gòu)建與分割

對象構(gòu)建與分割可采用ENVI Feature Extraction模塊進(jìn)行，導(dǎo)入待分類的遙感數(shù)據(jù)，該模塊會根據(jù)臨近像素亮度、紋理、色差等因素對影像進(jìn)行對象分割，模型使用了一種基于邊緣的分割算法，該算法計(jì)算速度很快，可預(yù)覽分割的結(jié)果，反復(fù)調(diào)整參數(shù)，閾值的設(shè)定極為關(guān)鍵。影像分割同時(shí)需要聯(lián)合圖斑合并功能一起調(diào)節(jié)，合并閾值如果設(shè)置過大，圖斑則表現(xiàn)為規(guī)整、連片，會忽略部分影像像素之間的微小差異，導(dǎo)致結(jié)果不夠精確；合并閾值過小，則會導(dǎo)致圖斑極其細(xì)碎，增加后期處理難度與工作量，不利于開展后期的分類研究。榕江壩區(qū)的對象分割結(jié)果如圖3、圖4。

圖3 影像分割效果Fig.3 Image segmentation effect

圖4 對象分割結(jié)果Fig.4 Object segmentation results

2.2.2 基于規(guī)則的對象分類

基于規(guī)則的面向?qū)ο蠓诸愂峭ㄟ^設(shè)定相應(yīng)的約束“條件”來篩選出符合全部條件的對象，從而實(shí)現(xiàn)對目標(biāo)物辣椒的提取。在規(guī)則分類界面中，每一個(gè)分類有若干個(gè)規(guī)則組成，每一個(gè)規(guī)則有若干個(gè)屬性表達(dá)式來描述，同一類地物可以由不同規(guī)則來描述，每條規(guī)則又有若干個(gè)屬性來描述。辣椒的提取規(guī)則分三步走：① 區(qū)分作物種植區(qū)與非種植區(qū)，先通過Spectral規(guī)則，利用紅色和近紅外波段計(jì)算的是NDVI植被指數(shù)提取建設(shè)用地、水體等非種植區(qū)域，研究取值為NDVI >0.43或NDVI<0.18；② 區(qū)分種植面積大小和種植形狀，前期在對榕江壩區(qū)實(shí)地野外調(diào)研中發(fā)現(xiàn)，壩區(qū)辣椒種植面積均較為連片，斑塊面積小、斑塊不規(guī)則的區(qū)域往往都不是辣椒種植區(qū)，所以先通過Spatial規(guī)則，利用面積(Aera<500 m2)屬性和形狀屬性(Rectangular fit<0.5)，篩選出不符合的區(qū)域；③排除其他干擾作物，8月是辣椒的采摘期，榕江壩區(qū)此時(shí)正進(jìn)行大規(guī)模的輪種交替時(shí)期，需對辣椒種植區(qū)進(jìn)行植株收割、松土等措施，此時(shí)辣椒的光譜灰度特征明顯大于其他正在生長的作物，光譜差異顯著。再次通過Spectral規(guī)則，通過像元值屬性(Spectral Mean)進(jìn)行區(qū)分，研究取Spectral Mean<1587.45為非辣椒種植區(qū)。通過三步即可完成對壩區(qū)非辣椒種植區(qū)域的提取，導(dǎo)出矢量后即可得到壩區(qū)辣椒分布結(jié)果。

2.2.3 基于樣本的對象分類

ENVI Feature Extraction模塊中，選用基于樣本的對象分類模塊(Example Based Feature Extraction Workflow。)為增加方法的對比性，采用相同的分割、合并系數(shù)完成對于影像的對象分割。完成后進(jìn)入分類界面，基于野外采集的多處樣本點(diǎn)分布，依次在模型中選擇對應(yīng)的樣本對象分割斑塊，完成樣本的輸入，選擇合適的分類方法進(jìn)行分類。ENVI Feature Extraction模塊提供了三種分類方法：K鄰近法(K Nearest Neighbor)、支持向量機(jī)(Support Vector Machine，SVM)和主成分分析法(Principal Components Analysis，PCA)。研究選擇K鄰近分類方法進(jìn)行分類，該方法是一個(gè)理論上比較成熟的方法，也是最簡單的機(jī)器學(xué)習(xí)算法之一，確定后運(yùn)行模型得到壩區(qū)辣椒分布的矢量結(jié)果。

圖5 野外樣本點(diǎn)選擇現(xiàn)場照片F(xiàn)ig.5 Photos of sample sites

3 結(jié)果分析

3.1 提取結(jié)果對比

由圖6、圖7可知，榕江壩區(qū)辣椒種植受地形地貌影像，大致呈南北走向，集中成片分布在壩區(qū)道路兩側(cè)，表現(xiàn)為從南向北逐漸減少的分布狀況。兩種提取方法的結(jié)果分布趨勢類似，這與實(shí)地野外調(diào)研的結(jié)果較為吻合。其中，基于規(guī)則的面向?qū)ο蠓诸悎D斑相對集中、連片，一共提取辣椒圖斑數(shù)量為87個(gè)，提取面積為4163.44畝，該方法不足之處是會將一些非辣椒種植區(qū)被誤分的現(xiàn)象，地塊邊界不明顯?；跇颖镜拿嫦?qū)ο蠓诸悎D斑相對分散且規(guī)整，一共提取辣椒圖斑數(shù)量126個(gè)，提取面積為3853.47畝。該方法分類結(jié)果地塊邊界清晰、辣椒地塊規(guī)整，地塊被錯(cuò)分的現(xiàn)象明顯得到改善，但也存在著少量的漏分情況。

圖6 基于規(guī)則的面向?qū)ο蠓诸惤Y(jié)果Fig.6 Rule-based object-oriented classification results

圖7基于樣本的面向?qū)ο蠓诸惤Y(jié)果Fig.7 Sample-based object-oriented classification results

3.2 提取精度驗(yàn)證

為驗(yàn)證基于規(guī)則的面向?qū)ο蠓址ê突跇颖綤鄰近法的面向?qū)ο蠓诸惙ǖ玫椒诸惤Y(jié)果，結(jié)果評價(jià)共選取了兩個(gè)指標(biāo)：一是表示正確分類斑塊數(shù)占提取分類總斑塊數(shù)比例的總體精度，即利用實(shí)地調(diào)查得到的樣方數(shù)據(jù)與高分辨率無人機(jī)影像進(jìn)行逐斑塊的驗(yàn)證；二是比較兩種方法的面積誤差率情況，采用黔東南苗族侗族自治州官網(wǎng)發(fā)布的關(guān)于榕江壩區(qū)2020年辣椒種植面積4300畝規(guī)劃值作為參考，通過與實(shí)際提取的面積做差后求其誤差率。分類精度評價(jià)結(jié)果如表2所示。

表2 提取結(jié)果精度驗(yàn)證表Tab.2 Accuracy verification of the extraction results

從分類結(jié)果評價(jià)精度表可以得到，基于樣本KNN面向?qū)ο蠓诸惙ǖ玫降姆诸惤Y(jié)果總體精度為88.89%，而基于規(guī)則的面向?qū)ο蠓址ǖ玫降姆诸惤Y(jié)果總體精度僅為80.46%。表明在壩區(qū)辣椒提取中，基于樣本算法的精度優(yōu)于基于規(guī)則算法。規(guī)則分類法在提取建筑物、水體、道路等特征顯著的地物上具備優(yōu)勢，在進(jìn)行農(nóng)作物類型的精確提取中其精度略顯不足，雖然通過了三個(gè)規(guī)則的設(shè)定，但由于不同的作物直接在光譜特征和空間特征有一定的相似性，該法極易將辣椒與其他地類混合，進(jìn)而導(dǎo)致結(jié)果錯(cuò)判、多判。從規(guī)劃的誤差率指標(biāo)來看，2020年辣椒規(guī)劃種植面積4300畝，基于規(guī)則的面向?qū)ο蠓诸惙ㄌ崛∶娣e為4163.44畝，誤差率為3.17%，基于樣本KNN的面向?qū)ο蠓诸惙ㄌ崛》N植面積為3853.47畝，誤差率為10.38%。在現(xiàn)場采樣過程中，發(fā)現(xiàn)規(guī)劃面積比實(shí)際種植面積偏大的現(xiàn)象，其原因主要是土地流轉(zhuǎn)過程進(jìn)度不一、種植類型發(fā)生改變等導(dǎo)致辣椒種植面積達(dá)不到規(guī)劃面積，這與研究中提取的種植面積小于規(guī)劃面積這一實(shí)際狀況符合。綜上所述，基于規(guī)則的面向?qū)ο蠓诸惙▽傩哉`差大，由于錯(cuò)分現(xiàn)象偏多導(dǎo)致面積誤差小；基于樣本的則是屬性誤差小；由于漏分現(xiàn)象偏多，面積誤差偏大，后者的可信度更高。

4 結(jié)論與討論

本文結(jié)合壩區(qū)種植結(jié)構(gòu)遙感監(jiān)測這一需求，通過獲取窗口期的GF-2號高分辨率遙感影像，分別采取了基于規(guī)則和基于樣本的面向?qū)ο蠓诸惙椒?，進(jìn)行壩區(qū)辣椒種植區(qū)的面積提取研究，兩者的分類結(jié)果分別為4163.44畝、3853.47畝。通過外業(yè)調(diào)查驗(yàn)證和精度對比分析，前者精度為80.46%，后者精度達(dá)到88.89%，表明基于樣本的面向?qū)ο蠓诸惙ㄐ畔⑻崛》ㄟM(jìn)行辣椒種植區(qū)的提取結(jié)果精度較高，與實(shí)際較為吻合。證明了運(yùn)用GF-2號衛(wèi)星在農(nóng)業(yè)壩區(qū)開展作物遙感監(jiān)測的可行性，為后續(xù)開展壩區(qū)農(nóng)業(yè)遙感應(yīng)用奠定了基礎(chǔ)。

貴州壩區(qū)農(nóng)業(yè)遙感應(yīng)用也面臨著以下問題：①由于其特殊的地形地貌特征和氣候狀況，云霧的影響導(dǎo)致難以對作物的生長過程進(jìn)行形成連續(xù)的、多頻次的觀測，進(jìn)而不利于開展作物的長勢研究；②貴州是全國唯一沒有平原支撐的省份，五百畝以上壩區(qū)有1725個(gè)，但萬畝以上壩區(qū)僅有17個(gè)，壩子分布散且面積較小，使得壩區(qū)作物種植呈現(xiàn)“散、小、雜”的特征，作物特征識別度遠(yuǎn)不及平原地區(qū)。為解決上述難題，亟待探索不同源、不同分辨率的數(shù)據(jù)融合以及無人機(jī)+衛(wèi)星遙感技術(shù)的融合技術(shù)，通過技術(shù)創(chuàng)新來彌補(bǔ)數(shù)據(jù)上的不足。同時(shí)要注重開展基礎(chǔ)研究，諸如壩區(qū)作物光譜的采集、作物生長觀測、作物習(xí)性分析等，以豐富的觀測數(shù)據(jù)作為輔助資料，推進(jìn)壩區(qū)遙感應(yīng)用研究，進(jìn)而提高服務(wù)水平。