王月如， 韓鵬鵬， 關舒婧， 韓宇， 易琳， 周廷剛， 陳勁松

(1.西南大學地理科學學院三峽庫區(qū)生態(tài)環(huán)境教育部重點實驗室，重慶 400715；2.中國科學院深圳先進技術研究院，深圳 518055)

0 引言

富貴竹(Dracaena sanderiana var. virescens[1])是百合科龍血樹屬多年生常綠草本植物。作為一種觀賞型植物，因其外形優(yōu)美，名字富含美好寓意而為人喜愛。在20世紀80年代，富貴竹被引入中國。種植富貴竹具有較好的經濟效益，在我國南方的廣東、福建、海南等省有較大片的富貴竹生產基地[2]。

由于富貴竹種植區(qū)分散分布于南方廣泛且破碎的水田中，傳統(tǒng)的野外實地測量的方法耗時耗力，不能及時有效地監(jiān)測其種植變化信息，而遙感技術對于監(jiān)測作物的種植空間和種植面積等信息有及時、準確的優(yōu)勢，使用遙感技術能夠方便地獲取作物種植的動態(tài)變化信息[3]，因此遙感監(jiān)測方法是富貴竹種植信息提取的一種有效手段?；谶b感影像的富貴竹種植信息提取可以宏觀快速地掌握區(qū)域富貴竹種植情況，降低作物種植監(jiān)測的人力物力成本，為區(qū)域作物種植管理提供決策支持。目前基于遙感影像提取大范圍種植的常見農作物(如水稻、小麥等)的種植區(qū)域和種植面積已被廣泛研究與應用[4]。宋盼盼等[5]提出一種基于時間序列高分一號(GF-1)遙感影像識別中稻和晚稻的方法； 牛魯燕等[6]使用Landsat8 OLI遙感影像對山東省的耕地信息提取進行了研究； 陳杰等[7]提出了一種多尺度分層的耕地提取方法，使用高空間分辨率遙感影像，提取出了不同類型、不同光譜的耕地目標。上述研究對常見農作物的信息提取進行了嘗試并取得了一定成果。但通過查詢文獻，尚未見有針對小范圍種植的特種作物富貴竹信息提取情況的相關研究。

本研究選取廣東省臺山市海宴鎮(zhèn)為研究區(qū)，利用Landsat8 OLI遙感影像數據，結合富貴竹的種植特點，通過分析富貴竹的光譜特征，構建輔助遙感識別的光譜特征組合，采用面向對象的分類方法，建立一種針對小范圍種植的特種作物富貴竹的種植區(qū)域信息提取方法，并通過對該方法與常規(guī)方法提取結果精度的對比分析，證明該方法的有效性，以期為小范圍特種作物的信息提取與遙感監(jiān)測提供借鑒，也為作物的種植管理提供決策支持。

1 研究區(qū)概況與數據源

1.1 研究區(qū)概況

本研究選擇的研究區(qū)為廣東省臺山市海宴鎮(zhèn)。該鎮(zhèn)位于廣東省臺山市西南部，地處E112°29′～112°42′，N21°45′～21°55′之間，面朝南海，面積約為256.69 km2(圖1)。研究區(qū)地勢平坦，土地肥沃，屬亞熱帶海洋季風氣候，水源充足，年均氣溫為23 ℃，全年無霜凍。海宴鎮(zhèn)自然條件適合花卉生長，鎮(zhèn)內分布著大面積的花卉種植基地，花卉業(yè)已成為海宴鎮(zhèn)農業(yè)的支柱產業(yè)。富貴竹是海宴鎮(zhèn)花卉種植中主要的種植作物之一，產品遠銷海內外。

圖1 研究區(qū)地理位置與野外調查樣點Fig.1 Geographical location of the study area and sample map

1.2 數據源

本研究所選擇的遙感數據為2016年9月18日的Landsat8 OLI遙感影像，軌道號為122/045。Landsat8 OLI遙感影像共9個波段，其中全色波段空間分辨率為15 m，其余波段空間分辨率為30 m。本文選取其中的第2至8波段，分別為6個多光譜波段和1個全色波段。

影像的預處理方面，使用ENVI5.1的“radiometric calibration”和“FLAASH atomospheric correction”功能對Landsat8 OLI的多光譜波段進行輻射定標與大氣校正，并對全色波段進行輻射定標； 將預處理后的多光譜波段與全色波段使用“Gram-Schmidt pan sharpening”功能進行融合，得到15 m空間分辨率融合影像； 利用海宴鎮(zhèn)矢量邊界裁剪得到研究區(qū)遙感影像。

野外實測樣本數據點為2016年9月29日進行的土地覆被類型野外調查樣點(圖1)，數據采集方式為實地調查，數據類別包括但不限于富貴竹類、水體類、建設用地類、林地類、耕地類。本研究的檢驗方法為群樣本檢驗[8]，檢驗樣本為在該區(qū)域野外實測樣本基礎上的目視解譯分類圖。

2 研究方法

2.1 富貴竹生長特性分析

富貴竹是一種喜陰濕的植物，光照過強、曝曬會引起葉片變黃、褪綠、生長慢等現(xiàn)象。所以在大田栽植富貴竹時，要將富貴竹田上覆蓋以黑色的遮陽網[1]，創(chuàng)造半陰陽、散射光照的環(huán)境，從而提高富貴竹的生長速度，提高經濟效益。根據調查，海宴鎮(zhèn)的富貴竹種植田全年覆蓋以遮陽網，且覆蓋以遮陽網的作物僅有富貴竹一種。根據這一特性，提取富貴竹種植區(qū)域則可以通過提取覆蓋于富貴竹上的遮陽網區(qū)域來實現(xiàn)。

當影像分別以模擬真彩色和標準假彩色顯示時，影像特征上，遮陽網都與水體的表現(xiàn)效果很相似(圖2)，而海宴鎮(zhèn)水資源豐富，水庫坑塘面積較大且分布零散，給富貴竹種植區(qū)遮陽網的提取工作造成了很大的困難，沒有經驗的分類者很難將兩者區(qū)分開。所以將富貴竹遮陽網與水體區(qū)分開成為了本研究中的難點。

(a) 模擬真彩色顯示(b) 標準假彩色顯示

圖2富貴竹與水體顯示效果對比

Fig.2ComparisonofDracaenasanderianaandwaterdisplayeffects

2.2 光譜特征分析

為了有效區(qū)分富貴竹與其他地物類型，對比分析研究區(qū)內的各地類光譜特征。在預處理后得到的實驗數據基礎上，提取富貴竹、水體、植被和其他共4種地類的光譜值并生成光譜特征曲線(圖3)。其中富貴竹類為本研究要提取的富貴竹種植區(qū)，水體類中包含有近海和內陸的水庫坑塘，植被類為覆蓋有植被的耕地與林地，其他類則包含未耕作的耕地、建設用地和裸土。

圖3 各地類光譜特性Fig.3 Spectral characteristics of various ground features

從光譜特性上看，對于水體和富貴竹而言，在藍波段(B)和紅波段(R)二者反射率值一致； 在綠波段(G)水體的反射率值高于富貴竹的反射率值，這反映了綠色植被信息透過遮陽網顯露了出來； 在近紅外波段(NIR)、短波紅外波段1(SWIR1)和短波紅外波段2(SWIR2)富貴竹的反射率值高于水體的反射率值。因為茂密的富貴竹與其上覆被的黑色遮陽網之間互相影響，使富貴竹類NIR的反射率值呈現(xiàn)出相對于其他植物較低而相對于水體又較高的特點。

2.3 DENWI指數構建

構建特定的指數作為特征參數輔助分類是有效提高分類精度的方法[9-10]。在目前的水體遙感信息提取研究中，通常使用B與NIR波段來構建的歸一化水體指數(normalized difference water index, NDWI)，以區(qū)分水體與其他地類。在本實驗中，雖然水體與富貴竹類在NIR的光譜差異性較大，但實驗證明，該波段中水體與富貴竹類的混淆性較高，使用該波段區(qū)分水體與富貴竹意義不大。基于以上原因，本研究構建了一個新的指數： 網體—水體差異增強指數(difference enhence between net and water index，DENWI)，以解決本研究中遇到的問題。

本研究根據歸一化差值指數的構建原理[11]來構建該指數。該原理是指將多光譜波段中的最強反射波段作為分子，將最弱反射波段作為分母，通過歸一化比值運算擴大其差別，達到增強感興趣地物，減弱非感興趣地物的目的。6個波段中富貴竹與水體差異較大的波段為G，NIR，SWIR1和SWIR2波段，并且實驗發(fā)現(xiàn)，水體與植被交界處的混合像元與富貴竹在NIR波段的光譜值較接近，混淆性較大，故本文使用G，SWIR1和SWIR2來構建此指數。在G波段，富貴竹與水體的反射率差值為負值，而SWIR1和SWIR2波段為正值，所以為了使富貴竹類呈現(xiàn)出高值，故將SWIR1和SWIR2設置為被減數，G設置為減數； 為了避免分子太小分母太大而造成指數值偏低而將SWIR1和SWIR2除以2，即

(1)

式中SWIR1，SWIR2與G分別為影像的2個短波紅外波段與綠光波段像元亮度值。DENWI值域為[-1，1]，被增強的信息基本大于0，被抑制的信息基本小于等于0。

在影像上選擇一定量的水體類和富貴竹類區(qū)域作為樣本，分別作出DENWI和NDWI關于該類樣本像元個數總值百分比的直方圖(圖4)?？梢钥吹剑褂肈ENWI作為特征值時，水體與富貴竹類的值重合區(qū)域較小； 而使用NDWI作為特征值時，富貴竹類和水體類的值域疊合在一起，難以找到較優(yōu)的值作為分類時的閾值。

(a) DENWI值直方圖(b) NDWI值直方圖

圖4特征值對比直方圖

Fig.4Eigenvaluecontrasthistogram

分別使用DENWI與NDWI做特征參數的效果如圖5所示。從圖中可以看出，在使用DENWI做特征參數時，水體對象的影像顯示效果變得更暗，富貴竹遮陽網對象的顯示效果變得更亮，這說明通過DENWI計算出的特征值中，水體的特征值普遍被壓抑，富貴竹遮陽網對象的特征值被增強，水體與富貴竹遮陽網對象的差異被拉大。在使用NDWI時，效果則不如前者明顯。

(a) DENWI值顯示效果(b) NDWI值顯示效果

圖5特征值顯示效果示意圖

Fig.5Characteristicvaluedisplayeffect

3 面向對象的富貴竹信息提取

3.1 影像分割

傳統(tǒng)的基于像元的分類方法只考慮到遙感影像的光譜信息，而忽略了隱含在遙感影像中的紋理、形狀、空間位置等非光譜信息[12-13]，分類結果往往因為“同物異譜”、“同譜異物”問題而出現(xiàn)錯分現(xiàn)象[14]，也會因混合像元的問題而出現(xiàn)碎小錯分圖斑。而面向對象的遙感分類方法是將相鄰的同質像元合并成對象，并將對象作為最小分類單元進行分類的過程，能夠充分利用圖像中的紋理、形狀等信息，提高分類的精度[15-16]。

影像分割是面向對象分類的基礎工作[17]。分割操作的目的是將同種類型的相鄰斑塊聚合成一個對象，為接下來的分類工作提供基礎[18-19]。分割操作的原則是盡可能地將不同類型的斑塊分割開來，但同時又要防止產生過量的碎小圖斑影響分類結果的完整性。

本研究使用eCognition9.0軟件進行分割與分類操作，分割方法是四叉樹分割輔以光譜差異分割。四叉樹分割時設置的分割閾值為500，即四叉樹正方形網格內最大的光譜差異為500； 光譜差異分割時使用的分割閾值為1 800，即相鄰分割對象間的最大光譜差異為1 800。實驗表明使用該分割閾值時能使分割后的影像符合影像分割原則，能夠滿足下一步分類的條件。

3.2 富貴竹分類規(guī)則

本研究在區(qū)分各地類時采用分層信息提取[20]的方法，通過建立富貴竹信息提取規(guī)則集來分類。人工選擇恰當的地塊作為樣本，針對不同類別基于樣本計算、統(tǒng)計各特征參數的均值和取值范圍，通過變量值的調整使各類別具有較好的可區(qū)分性，人工獲取各特征變量的分類閾值。

3.2.1 分類特征

本研究通過實驗得到，除DENWI外使用以下特征參數能獲得較優(yōu)的分類效果。

1)歸一化差異植被指數(normalized difference vegetation index，NDVI)。NDVI是植被生長狀態(tài)及植被覆蓋度的最佳指示因子，可使植被從水和土中分離出來。NDVI值域為[-1,1],NDVI<0時，表示地表覆蓋有云、雨和雪等；NDVI=0時，表示地面為裸露的巖石、泥土；NDVI>0時，表示地面覆蓋有植被，且植被覆蓋率越高NDVI值越大。公式為

(2)

式中NIR與R分別為近紅外和紅光波段的像元亮度值。

2)裸土指數(bare soil index，BSI)。BSI值域為[-1,1],當地表地物為裸地和建設用地時，影像的BSI值較大； 當地表覆蓋有植被或者水體時，影像的BSI值較小。

(3)

式中B和SWIR1分別為藍光波段和短波紅外波段1的像元亮度值。

3)面積(Area)。表征影像對象的面積大小，單個像素的面積為1。

4)密度(Density)。可以表示為影像對象面積除以它的半徑，用來描述影像對象的緊致程度。一個影像對象的形狀越接近正方形，它的密度就越高。

5)SWIR1，SWIR2與G波段的光譜均值之和。光譜均值是由構成一個對象的所有像素的圖層值計算得到的圖層平均值。由光譜特征(圖3)可知富貴竹對象的光譜反射率較植被和其他地類對象來說基本處在較低的水平上，使用波段光譜均值之和作為特征參數可以輔助剔除前期提取不完善的富貴竹對象中的光譜反射率較高的錯分對象。富貴竹對象的光譜反射率在SWIR1和SWIR2波段與另3類對象差別較明顯，混淆程度小，在G波段的光譜反射率呈現(xiàn)為4類中的最低值，所以選擇該3個波段的光譜均值之和作為特征參數之一，通過實驗對比得出較好的閾值以輔助分類。

3.2.2 分類流程

本文方法分類的流程圖如圖6所示。

圖6 分類流程Fig.6 Classification flow chart

具體的分類流程如下： 首先，利用DENWI區(qū)分出水體1與非水體2類，再利用BSI與NDVI特征[21]，將非水體類分為裸地植被和富貴竹(雜)2類； 然后，利用SWIR1，SWIR2與G這3個波段光譜均值之和、對象面積大小特征和對象密度特征，將富貴竹(雜)類分成富貴竹、水體2和裸地1等3類； 再分別利用NDVI和DENWI特征，將裸地植被類分成裸地2與植被2類； 最后，將水體1和2合并為水體類，裸地1和2合并為其他類。

4 分類結果與精度評價

為比較不同分類方法的特點，本研究分別對研究區(qū)進行了目視解釋、本文方法分類、最大似然法分類和最鄰近法分類(圖7)。對比分析表明，本文方法能夠提取出絕大部分的富貴竹區(qū)域。目視解譯提取出的富貴竹面積約為2.55 km2，本文方法提取出的富貴竹面積為2.42 km2，面積精度約為94.90%。

將目視解譯結果作為評價樣本，對本文方法得到的結果進行精度評價(表1)，使用本文方法提取出的富貴竹類生產者精度為85.74%，用戶精度為90.53%，總體精度為98.46%，Kappa系數為0.969 9。這說明提取結果能夠滿足后續(xù)分析的需要。

(a) 本文方法分類結果(b) 目視解譯結果

(c) 最大似然法分類結果(d) 最鄰近法分類結果

圖7不同分類方法分類結果對比
Fig.7Compartionsofdifferentclassificationresults

表1 本文方法精度評價表Tab.1 Accuracy evaluation of rule set classification results

3種分類方法結果精度對比見表2。

表2 精度評價對比Tab.2 Compartions of accuracy evaluation

分類結果精度評價表明，使用本文方法提取出的富貴竹類總體精度優(yōu)于最鄰近法和最大似然法。最大似然法提取的富貴竹類的用戶精度較好，而生產者精度較差，僅為51.46%； 最鄰近法提取出的富貴竹類的生產者精度較好，而用戶精度較差，僅為27.34%。對于面積精度來說，本文方法提取出的富貴竹面積精度遠高于另外二者。

分類結果表明，本文方法提取富貴竹類產生較多錯分和漏分情況的概率很小，也沒有很多碎小的圖斑； 最大似然法提取的富貴竹類中混有的其他類像元較少，但真實的富貴竹區(qū)域中有近一半因為其像元光譜特點與水體較接近而被錯分到了水體類中； 最鄰近法提取富貴竹類時基本能將真實的富貴竹區(qū)域提取出來，然而提取出的富貴竹類中混有的其他類區(qū)域遠大于真實富貴竹區(qū)域，同時形狀也比較破碎。2種傳統(tǒng)方法分類精度不高的原因是富貴竹與植被的混合像元和水體與植被的混合像元之間光譜差別不大，這2種像元很容易因為其光譜特征而被全部分為水體(如最大似然法)或者全部分為富貴竹(如最鄰近法)。

雖然從分類圖來看使用本文方法得到的結果遠遠優(yōu)于傳統(tǒng)方法，但是也存在著一些不足，例如沒有提取出研究區(qū)北部的小面積富貴竹區(qū)域，南部仍有少量坑塘被錯分成富貴竹區(qū)域。

5 結論

本文構建了DENWI指數，提出基于Landsat OLI數據的富貴竹種植區(qū)域提取方法。得到如下結論：

1)廣東的富貴竹大田栽植區(qū)常年覆有遮陽網，使用遙感影像提取富貴竹種植區(qū)時，遮陽網與富貴竹的相互影響使得富貴竹的光譜顯示效果與水體易混淆。本文對比了富貴竹遮陽網與水體的光譜特性，構建了新型指數DENWI，該指數可以有效地增強富貴竹遮陽網區(qū)域的信息，抑制與其相似的水體區(qū)域的信息，對于區(qū)分富貴竹種植區(qū)域和水體的效果優(yōu)于指數NDWI。

2)針對富貴竹種植區(qū)域的特點，本文構建了規(guī)則集，使用了DENWI，BSI，NDVI和斑塊對象的面積、密度、光譜均值等特點做特征參數，通過面向對象的方法提取出了廣東省臺山市海宴鎮(zhèn)富貴竹的種植區(qū)域與種植面積。經精度驗證后得到本文方法總體精度為98.46%，Kappa系數為0.969 9，面積精度為94.90%，均高于2種傳統(tǒng)分類方法(最鄰近法和最大似然法)的精度。

3)從實驗監(jiān)測的結果來看，新方法較傳統(tǒng)分類法而言減少了細碎圖斑的數量，且精度較高，說明該方法進行富貴竹種植區(qū)的提取是可行且有優(yōu)勢的。本文方法也可以被應用于我國其他類似地區(qū)富貴竹種植區(qū)的提取工作中，對于了解和監(jiān)控富貴竹種植區(qū)位和面積有良好的應用前景。

4)本研究主要討論對覆蓋有遮陽網的富貴竹種植區(qū)進行提取，還有很多可以改進及有待進一步研究的內容。例如對分類過程進行簡化、探究可以適應大多數影像情況的閾值選擇問題、研究富貴竹沒有覆蓋遮陽網或者多種作物同時覆被遮陽網時進行作物區(qū)分的方法等。