關(guān)中平原耕地RS影像精準(zhǔn)提取方法研究

摘 要：【目的】高效獲取大面積耕地影像分布數(shù)據(jù)，助力關(guān)中平原地區(qū)耕地保護(hù)動(dòng)態(tài)監(jiān)測(cè)和管理。【方法】以陜西省西安市臨潼區(qū)為研究區(qū)，基于SNAP平臺(tái)和ENVI處理軟件，使用監(jiān)督分類(lèi)中的最大似然分類(lèi)法對(duì)哨兵二號(hào)高分辨率遙感影像耕地RS（Remote Sensing）遙感數(shù)據(jù)進(jìn)行識(shí)別提取，獲取耕地空間分布及面積等地理信息?！窘Y(jié)果】提取耕地總面積為411.57 km2，主要分布于臨潼區(qū)北部相橋、交口、棟陽(yáng)等街道及中東部何寨、零口街道等平緩地區(qū)，與官方統(tǒng)計(jì)面積相近，誤差僅為0.92%，提取總體分類(lèi)精度為96.07%，Kappa系數(shù)為0.94，符合精度要求。【結(jié)論】通過(guò)最大似然分類(lèi)法提取耕地結(jié)果與實(shí)際數(shù)據(jù)較為貼合，證明最大似然分類(lèi)法在實(shí)際耕地地類(lèi)識(shí)別檢測(cè)應(yīng)用中有著較高的匹配度，可以較為精準(zhǔn)地實(shí)現(xiàn)土地利用類(lèi)型識(shí)別。

關(guān)鍵詞：最大似然分類(lèi)法；Sentinel-2高分遙感影像；耕地；ENVI

中圖分類(lèi)號(hào)：TP753" " "文獻(xiàn)標(biāo)志碼：A" " "文章編號(hào)：1003-5168（2024）09-0096-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.09.020

Research on Accurate Extraction Method of RS Image of Cultivated Land in Guanzhong Plain

XU Qinghao" "ZHOU Haohao

（School of Land Engineering， Chang'an University， Xi'an 710061，China）

Abstract： [Purposes] This paper aims to assist in the dynamic monitoring and management of farmland protection in the Guanzhong Plain region， and efficiently obtain large-scale farmland image distribution data. [Methods] Taking Lintong District， Xi'an City， Shaanxi Province as the research area， and based on the SNAP platform and ENVI processing software， the maximum likelihood classification method in supervised classification is used to identify and extract the remote sensing data of remote sensing imagery of Sentinel 2's high-resolution farmland RS （Remote Sensing）， and obtain geographic information such as spatial distribution and area of farmland. [Findings] The total area of cultivated land extracted is 411.57 square kilometers， mainly distributed in the northern part of Lintong District， including Xiangqiao， Jiaokou， Dongyang and other streets， as well as in the gentle areas of Hezhai and Lingkou streets in the central and eastern parts. It is similar to the official statistical area， with an error of only 0.92%. The overall classification accuracy of the extraction is 96.15%， and the Kappa coefficient is 0.94， which meets the accuracy requirements. [Conclusions] The maximum likelihood classification method is more suitable for extracting cultivated land results and actual data， which proves that the maximum likelihood classification method has a high matching degree in the recognition and detection of actual cultivated land types， and can accurately achieve land use type recognition.

Keywords： maximum likelihood classification; Sentinel-2 high-resolution remote sensing images; cultivated land; ENVI

0 引言

耕地是人類(lèi)賴(lài)以生存和發(fā)展的基礎(chǔ)性資源，是糧食安全和生態(tài)安全的基石。我國(guó)是耕地總面積世界第三的糧食大國(guó)，耕地現(xiàn)狀為耕地總量大，人均耕地?cái)?shù)量少；高質(zhì)量耕地少，可開(kāi)發(fā)的后備耕地資源少。由于我國(guó)國(guó)土遼闊、地形復(fù)雜多樣，在開(kāi)展耕地保護(hù)利用過(guò)程中，工作內(nèi)容復(fù)雜、難度大。當(dāng)下全國(guó)大部分地區(qū)的耕地信息提取工作主要方式仍是通過(guò)傳統(tǒng)的實(shí)地調(diào)研、逐級(jí)匯總上報(bào)，進(jìn)行統(tǒng)計(jì)［1］，不僅調(diào)查范圍有限，而且耗費(fèi)大量人力物力。通過(guò)遙感技術(shù)高效獲取大面積耕地影像分布數(shù)據(jù)，有助于降低土地資源監(jiān)測(cè)管理工作難度，提升土地信息數(shù)據(jù)庫(kù)的準(zhǔn)確性。

國(guó)內(nèi)外學(xué)者對(duì)遙感識(shí)別進(jìn)行了大量的研究。張峰等［2］基于多光譜衛(wèi)星影像的空間紋理特征，按區(qū)域?qū)M影像進(jìn)行分割，采用模糊函數(shù)的方法對(duì)選取的識(shí)別特征進(jìn)行定義，耕地提取精度達(dá)到90%；鄧勁松等［3］添加植被指數(shù)作為新波段，使用決策樹(shù)模型提取SPOT5衛(wèi)星影像中的耕地信息，對(duì)耕地中的旱地和水田進(jìn)行進(jìn)一步劃分，同時(shí)減小了園地對(duì)識(shí)別結(jié)果的干擾；舒煒等［4］對(duì)QuickBird影像進(jìn)行分析，采用光譜閾值法進(jìn)行耕地信息的提??；吳卓蕾等［5］分析“北京一號(hào)”衛(wèi)星數(shù)據(jù)的波段特征，計(jì)算6種典型的植被指數(shù)，利用Erdas進(jìn)行耕地提取；吳及［6］基于1990—2010年Landsat4-5TM衛(wèi)星遙感數(shù)據(jù)，采用最大似然分類(lèi)法提取三峽庫(kù)區(qū)4種土地利用類(lèi)型面積，利用灰色關(guān)聯(lián)模型分析各土地類(lèi)型變化驅(qū)動(dòng)力；孫坤等［7］比較了監(jiān)督分類(lèi)6種分類(lèi)方法的分類(lèi)精度，發(fā)現(xiàn)最大似然分類(lèi)法具有較高精度，分類(lèi)效果更好。

本研究以西安市臨潼區(qū)為例，基于ENVI（The Environment for Visualizing Images）遙感圖像處理平臺(tái)，采用最大似然分類(lèi)法針對(duì)關(guān)中平原現(xiàn)狀耕地利用進(jìn)行遙感識(shí)別，為耕地遙感監(jiān)測(cè)識(shí)別提供參考。

1 研究區(qū)概況與數(shù)據(jù)來(lái)源

1.1 研究區(qū)概況

臨潼區(qū)隸屬于陜西省西安市，地處關(guān)中平原東部，位于東經(jīng)109°05′49″E～109°27′50″E，北緯34°16′49″N～34°44′11″N，地處大陸性溫帶季風(fēng)氣候區(qū)，總面積為915 km2 ，耕地實(shí)際占地面積為420 km2，約占全區(qū)總面積的45.90%。是關(guān)中地區(qū)重要的糧食生產(chǎn)基地。

1.2 數(shù)據(jù)來(lái)源

高分辨率衛(wèi)星影像是研究的基礎(chǔ)，本研究使用歐洲航空局（ESA）官方網(wǎng)站下載的哨兵二號(hào)（Sentinel-2）光學(xué)衛(wèi)星影像為數(shù)據(jù)源。哨兵二號(hào)是高分辨率多光譜成像衛(wèi)星，搭載多光譜成像儀（MSI），覆蓋13個(gè)工作波段，圖像采集時(shí)間分辨率是每顆衛(wèi)星10天，具有較高的時(shí)效性和準(zhǔn)確性。

1.3 數(shù)據(jù)預(yù)處理

圖像預(yù)處理是遙感圖像處理工程中非常重要的環(huán)節(jié)。本研究使用哨兵數(shù)據(jù)應(yīng)用平臺(tái)SNAP（Sentinel Applications Platform）對(duì)哨兵二號(hào)數(shù)據(jù)進(jìn)行預(yù)處理。SNAP是由歐洲航空局官方提供的所有Sentinel-2工具箱的基礎(chǔ)平臺(tái)，功能全面，具有可擴(kuò)展性、可移植性和模塊化界面。通過(guò)SNAP軟件對(duì)Sentinel-2數(shù)據(jù)進(jìn)行重采樣，將波段重新采集至10 m×10 m的空間分辨率。

使用SNAP重采樣處理后的ENVI格式數(shù)據(jù)內(nèi)容波段文件多且復(fù)雜，采用遙感處理軟件ENVI5.3進(jìn)行哨兵二號(hào)數(shù)據(jù)真彩色影像的合成，最終得到經(jīng)過(guò)圖像幾何校正、圖像裁剪等預(yù)處理過(guò)后的高分遙感影像。

2 影像提取方法

2.1 定義訓(xùn)練樣本

訓(xùn)練樣本即ROI（Region of Interest），也是對(duì)遙感影像進(jìn)行分類(lèi)的前期準(zhǔn)備，訓(xùn)練樣本的定義主要依靠人工目視解譯，通過(guò)構(gòu)建點(diǎn)、線(xiàn)、面等空間矢量形狀。同時(shí)ROI也是按掩膜提取遙感影像、分析處理影像信息等相關(guān)操作的重要工具，ROI建立流程如圖1所示。

對(duì)于選取的訓(xùn)練樣本，通過(guò)分析Jeffries-Matusita距離參數(shù)評(píng)價(jià)訓(xùn)練樣本分離性的差異程度，計(jì)算公式為式（1）。

[Jmn=xp（x/m）?p（x/n）2dx12]" " "（1）

式中：[Jmn]指每組樣本區(qū)的 J-M距離；[pxm]指在每組ROI中任意像元x出現(xiàn)在m類(lèi)中的概率； [pxn]表示所選樣本區(qū)內(nèi)任意像元x出現(xiàn)在n類(lèi)中的概率。

根據(jù)式（1）計(jì)算任意兩類(lèi)樣本的Jeffries-Matusita（J-M）距離參數(shù)，衡量選取ROI檢驗(yàn)各區(qū)的分離性［8］，確定兩個(gè)類(lèi)別間的差異性程度。J-M距離的取值范圍是［0，2］［9］，0表示兩個(gè)類(lèi)別在某一特征上幾乎完全混淆，2表示兩個(gè)類(lèi)別在某一特征上能夠完全分開(kāi)。

2.2 最大似然分類(lèi)法

衛(wèi)星遙感影像具有輻射面廣、信息更新速度快等特性，已廣泛應(yīng)用于地類(lèi)識(shí)別與地物提取等方面的研究。隨著傳感器技術(shù)的提高，遙感影像的空間與時(shí)間分辨率也得到提升，分類(lèi)算法不斷涌現(xiàn)?；谶b感影像的監(jiān)督分類(lèi)是現(xiàn)在主流的分類(lèi)方法，主要包括平行六面體法、最小距離法、馬氏距離法、最大似然法和支持向量機(jī)等［10］。最大似然法通過(guò)假設(shè)衛(wèi)星影像的每一個(gè)波段的每一類(lèi)統(tǒng)計(jì)都呈正態(tài)分布［11］，計(jì)算給定像元屬于某一訓(xùn)練樣本的似然度，像元最終被歸并到似然度最大的一類(lèi)當(dāng)中，其主要原理為貝葉斯公式，見(jiàn)式（2）。

[gix=Pwi|x=Px|wiPwi|Px] （2）

式中：[gix]為最大似然分類(lèi)結(jié)果函數(shù)；[Pwi|x]為像元類(lèi)別判定屬于[wi]的概率；[Px|wi]為像元[x]的似然概率；[Pwi]表示[wi]這一類(lèi)別中出現(xiàn)像元[x]的概率；[Px] 為變量[x]與樣本類(lèi)別相互之間沒(méi)有聯(lián)系的情況出現(xiàn)的概率。該公式常用來(lái)表示不同土地利用類(lèi)別之間的判定中的非線(xiàn)性函數(shù)集的非線(xiàn)性判別。

2.3 精度評(píng)價(jià)

執(zhí)行完監(jiān)督分類(lèi)后，需要結(jié)合實(shí)際對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)。ENVI平臺(tái)提供了多種評(píng)價(jià)方法，包括分類(lèi)結(jié)果疊加、混淆矩陣和ROC曲線(xiàn)等。本研究選取混淆矩陣評(píng)價(jià)分類(lèi)結(jié)果精度，使用Confusion Matrix工具將分類(lèi)結(jié)果的精度顯示到一個(gè)混淆矩陣中，以此來(lái)比較分類(lèi)結(jié)果和地表真實(shí)信息。在輸出的混淆矩陣結(jié)果信息中，包含了總體分類(lèi)精度、 Kappa系數(shù)、混淆矩陣、錯(cuò)分誤差、漏分誤差、制圖精度及用戶(hù)精度。

其中，總體分類(lèi)精度代表被正確分類(lèi)的像元占像元總數(shù)的比重；Kappa系數(shù)是指把所有真實(shí)參考的像元總數(shù)[M]乘以混淆矩陣對(duì)角線(xiàn)的和[Xii]，再減去其中一類(lèi)中真實(shí)參考像元數(shù)[Xi+]與該類(lèi)中被分類(lèi)像元總數(shù)[X+i]之積之后，再除以像元總數(shù)[M]的平方減去某一類(lèi)中真實(shí)參考像元總數(shù)[Xi+]與該類(lèi)中被分類(lèi)像元總數(shù)[X+i]之積對(duì)所有類(lèi)別求和的結(jié)果[12]，計(jì)算公式為式（3）。

[Kappa=M×i=1nXii?i=1nXi+×X+iM2?i=1nXi+×X+i] （3）

錯(cuò)分誤差是指像元被分到某一類(lèi)其原本不屬于的類(lèi)別中；漏分誤差指沒(méi)有被分類(lèi)器分到相應(yīng)類(lèi)別中的像元數(shù)；用戶(hù)精度是指正確分到某類(lèi)的像元總數(shù)與分類(lèi)器將整個(gè)圖像的像元分為該類(lèi)的像元總數(shù)比率。

3 區(qū)域示例

按照上述研究方法，通過(guò)設(shè)置時(shí)間、云量等參數(shù)，自歐航局網(wǎng)站獲取成像時(shí)間為2022年6月27日，云層覆蓋度較低的Level-A產(chǎn)品數(shù)據(jù)，經(jīng)SNAP軟件重采樣后空間分辨率為10 m。經(jīng)預(yù)處理后的研究區(qū)原始影像如圖2所示。

3.1 樣本提取

本研究將地類(lèi)樣本劃分為耕地、草地、林地、水體、建設(shè)用地和未利用地等6類(lèi)樣本數(shù)據(jù)。通過(guò)人工目視解譯判讀結(jié)合實(shí)地核實(shí)獲得各個(gè)分類(lèi)的樣本數(shù)據(jù)。

各樣本分離度評(píng)價(jià)見(jiàn)表1。由表1可知，各樣本的分離度均大于1.8，屬于樣本分可分離性好、差異性明顯。耕地與草地、耕地與林地、耕地與水體、耕地與建設(shè)用地及耕地與未利用地的樣本分離度都達(dá)到了1.9以上，屬于特征明顯的合格樣本。

3.2 分類(lèi)結(jié)果

基于劃分的6種土地利用類(lèi)型，通過(guò)研究方法中的最大似然分類(lèi)法使其可視化，得到臨潼區(qū)6類(lèi)土地利用類(lèi)型分布情況。去除草地、林地等其他5種土地利用類(lèi)型后，清晰展示了耕地的分布情況，如圖3所示，耕地在臨潼區(qū)的主要分布位于其北部及中東部平緩地區(qū)，與當(dāng)?shù)貙?shí)際情況符合。

對(duì)使用最大似然法獲得的分類(lèi)結(jié)果進(jìn)行統(tǒng)計(jì)，總計(jì)提取耕地像元總數(shù)為4 701 633個(gè)，占全域總像元數(shù)的44.98%，與臨潼區(qū)實(shí)際耕地面積占比相差僅為0.92%，統(tǒng)計(jì)結(jié)果見(jiàn)表2。

基于ENVI平臺(tái)，使用Confusion Matrix工具將分類(lèi)精度以混淆矩陣的結(jié)果呈現(xiàn)，混淆矩陣如圖4所示?？傮w分類(lèi)精度達(dá)96.07%，Kappa系數(shù)為0.94，表示分類(lèi)結(jié)果前后幾乎完全一致，樣本分類(lèi)結(jié)果精度顯著，耕地錯(cuò)分誤差及漏分誤差都在0.08以下，生產(chǎn)者精度與用戶(hù)精度達(dá)0.95以上，分類(lèi)結(jié)果精度較高。

4 結(jié)論

本研究針對(duì)關(guān)中平原區(qū)內(nèi)的陜西省西安市臨潼區(qū)，使用當(dāng)下所廣泛使用的最大似然分類(lèi)法，在哨兵二號(hào)高分辨率遙感影像的基礎(chǔ)上，實(shí)現(xiàn)了對(duì)關(guān)中重要糧食生產(chǎn)區(qū)——臨潼區(qū)耕地的空間分布的快速、準(zhǔn)確獲取。遙感提取統(tǒng)計(jì)該地區(qū)耕地總面積為411.57 km2，與官方統(tǒng)計(jì)面積相近，誤差僅為0.92%，總分類(lèi)精度為0.96，Kappa系數(shù)為0.94，證明分類(lèi)結(jié)果準(zhǔn)確性高、可靠性強(qiáng)。

本研究嘗試建立快速、簡(jiǎn)單、操作性強(qiáng)的耕地識(shí)別提取方法，基于哨兵二號(hào)衛(wèi)星遙感影像，構(gòu)建最大似然分類(lèi)模型，從而證明最大似然分類(lèi)法在實(shí)際耕地地類(lèi)識(shí)別檢測(cè)應(yīng)用中有著較高的匹配度，可以較為精準(zhǔn)地實(shí)現(xiàn)土地利用類(lèi)型識(shí)別。

參考文獻(xiàn)：

［1］左憲禹，韓林果，葛強(qiáng)，等.基于GF-1衛(wèi)星的縣域冬小麥面積提取及年際變化監(jiān)測(cè)［J］.河南大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，49（1）：69-77.

［2］張峰，吳炳方，黃慧萍，等.泰國(guó)水稻種植區(qū)耕地信息提取研究［J］.自然資源學(xué)報(bào)，2003（6）：766-772，784.

［3］鄧勁松，王珂，沈掌泉，等.基于特征波段的SPOT-5衛(wèi)星影像耕地信息自動(dòng)提取的方法研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2004（6）：145-148.

［4］舒煒，鄧小菲.基于QuickBird影像耕地信息提取方法研究：以綿陽(yáng)市游仙區(qū)為例［J］.綿陽(yáng)師范學(xué)院學(xué)報(bào)，2008（11）：115-120.

［5］吳卓蕾，李偉建，曾永年，等.植被指數(shù)在“北京一號(hào)”數(shù)據(jù)耕地提取中的應(yīng)用研究［J］.測(cè)繪科學(xué)，2008（2）：98-100.

［6］吳及.三峽工程對(duì)庫(kù)區(qū)土地利用變化的影響研究：基于1990—2010年庫(kù)區(qū)遙感影像［J］.海河水利，2020（1）：30-36.

［7］孫坤，魯鐵定.監(jiān)督分類(lèi)方法在遙感影像分類(lèi)處理中的比較［J］.江西科學(xué)，2017，35（3）：367-371，468.

［8］金興，祝新友，王晨昇，等.“高分一號(hào)”衛(wèi)星數(shù)據(jù)遙感影像分類(lèi)方法研究：以?xún)?nèi)蒙古維拉斯托地區(qū)為例［J］.礦產(chǎn)勘查，2017，8（6）：1069-1078.

［9］張佳琪. 基于多源衛(wèi)星遙感的昌吉市棉花種植面積信息提取研究［D］.新疆：新疆農(nóng)業(yè)大學(xué)，2017.

［10］ZHANG K，XI W J，ZHU Z B. Comparison of accuracy of different supervised classification methods based on landsat8 images ［J］.Geographical Science Research，2020，9（3）：156-165.

［11］童威.基于ENVI的遙感影像監(jiān)督分類(lèi)方法的研究［J］.科技創(chuàng)新與應(yīng)用，2019（23）：6-9.

［12］唐廷元，付波霖，何素云，等.基于GF-1和Sentinel-1A的漓江流域典型地物信息提?。跩］.遙感技術(shù)與應(yīng)用，2020，35（2）：448-457.