秦 泉，王 冰，李 峰*，王 昊，趙 紅，舒美君

（1.山東省氣候中心，山東 濟南250031；2.煙臺市氣象局，山東 煙臺264003；3.濟南軌道交通集團第一運營有限公司，山東 濟南250306）

蘋果是世界四大水果之冠， 也是中國種植面積最廣的溫帶水果之一。近些年，隨著人們對蘋果經(jīng)濟價值的追求，蘋果樹種植面積逐年擴大，各大主要產(chǎn)區(qū)的地方政府對蘋果樹種植面積和空間分布的重視程度逐漸加大。 棲霞市是渤海灣蘋果產(chǎn)區(qū)中規(guī)?；潭茸罡叩奶O果種植區(qū)， 其種植面積與產(chǎn)量對渤海灣蘋果產(chǎn)區(qū)有很大影響。 傳統(tǒng)的蘋果資源信息統(tǒng)計數(shù)據(jù)多是通過人工調(diào)查統(tǒng)計獲得，這種方法效率低、時效差、精度不高，在大尺度空間分布調(diào)查時存在較多問題[1]，難以滿足現(xiàn)代農(nóng)業(yè)發(fā)展的需求。 快速、有效、準(zhǔn)確的獲取蘋果樹種植面積及空間分布，可為政府部門進行蘋果樹種植布局調(diào)整、 蘋果估產(chǎn)及災(zāi)害預(yù)防應(yīng)急等提供數(shù)據(jù)支撐。

遙感技術(shù)作為一門前沿的現(xiàn)代信息技術(shù)，具有快速、客觀、監(jiān)測范圍廣等優(yōu)點。自應(yīng)用以來，國內(nèi)外學(xué)者開展了大量利用遙感技術(shù)提取農(nóng)作物種植信息的研究。如Wardlow 等[2]、Sun 等[3]和許文波等[4]使用MODIS（moderate-resolution imaging spectroradiometer） 產(chǎn)品數(shù)據(jù)， 通過構(gòu)建時間序列的方法對農(nóng)作物進行分類和提取，取得了較好的效果；顧曉鶴等[5]、程乾等[6]和樊香所等[7]通過MODIS、FY-3 等數(shù)據(jù)，采用特征指數(shù)法對玉米、 水稻和冬小麥種植面積提取進行研究，結(jié)果精度都達到80%以上。 以上學(xué)者的研究多是基于中等分辨衛(wèi)星數(shù)據(jù)，其空間分辨率較低，分類精度會受到一定限制。 隨著衛(wèi)星數(shù)據(jù)空間分辨率的不斷提高，采用面向?qū)ο蠓诸惙椒╗8]或者基于高分辨率衛(wèi)星數(shù)據(jù)[9]進行作物提取的研究逐漸增多，陳燕麗等[10]和任傳帥等[11]利用SPOT 衛(wèi)星影像通過多尺度分割， 建立分類規(guī)則對水稻和芒果林進行了提取研究；石濤等[12]和于新洋等[13]基于TM 影像數(shù)據(jù)通過特征參數(shù)分析建立提取模型對冬小麥和果園信息進行提取，提取精度在85%以上；羅衛(wèi)等[14]以環(huán)境衛(wèi)星的CCD 影像為數(shù)據(jù)源，綜合NDVI、波段信息、地形地貌等特征構(gòu)建決策樹模型， 對東江源果園進行提取，提取精度達89%；姬忠林等[15]基于GF-1 影像對揚州市冬小麥和油菜進行了提取，總體精度達97%和96%；黃健熙等[16]基于GF-1/WFV 影像進行主成分變換建立多特征數(shù)據(jù)集，通過構(gòu)建決策樹模型，分別提取水稻和玉米，精度達95%以上。 上述研究充分說明采用面向?qū)ο蠓诸惙椒ɑ蛘呋诟叻直媛市l(wèi)星數(shù)據(jù)在農(nóng)作物信息提取方面有巨大的應(yīng)用潛力。

綜上所述，MODIS、FY-3 等衛(wèi)星影像空間分辨率偏低， 在作物提取精度方面會受到限制；TM、SPOT 和GF-1 等高分辨率衛(wèi)星影像可以提供更豐富的空間信息，但分類多是應(yīng)用在小麥、水稻、玉米等大宗農(nóng)作物， 對山地丘陵蘋果樹信息提取的研究相對較少， 以往的研究中很少將國產(chǎn)高分辨率衛(wèi)星GF-1 影像用于山地丘陵蘋果樹信息的提取。 基于此，本研究基于GF-1/WFV 衛(wèi)星影像數(shù)據(jù)，以山地丘陵城市棲霞為研究區(qū)， 采用面向?qū)ο鬀Q策樹分類方法， 將植被覆蓋度和坡度信息融入影像的多尺度分割，以DEM、坡度、光譜信息為輔助數(shù)據(jù)，開展山地丘陵地區(qū)蘋果樹種植信息分層提取方法研究，建立適合山地丘陵地區(qū)蘋果樹種植信息遙感提取模型， 以期為國產(chǎn)高分辨率衛(wèi)星GF-1 在山地丘陵地區(qū)果園信息遙感提取方面提供科學(xué)性的參考和技術(shù)支撐。

1 數(shù)據(jù)源與方法

1.1 研究區(qū)概況

本研究選取山地丘陵城市棲霞為研究區(qū)， 該區(qū)域地形復(fù)雜下墊面信息豐富，丘陵、山地和平原均種植蘋果樹，是渤海灣重要的蘋果產(chǎn)區(qū)，蘋果是該區(qū)域的支柱產(chǎn)業(yè)。棲霞市位于山東半島東部，屬山區(qū)丘陵地形，有“膠東屋脊”之稱，海拔約800 m，四季分明，光照充足， 年平均氣溫11.3 ℃， 降雨量650 mm 左右，年日照總時2690 h，屬暖溫帶季風(fēng)型半濕潤氣候，是我國最適宜果樹生長的地區(qū)之一，研究區(qū)地理位置如圖1 所示。據(jù)統(tǒng)計2016 年棲霞累積出口鮮蘋果10.9 萬t，出口量位居全國縣級市首位，全市蘋果年總收入近100 億元，80%的農(nóng)民經(jīng)濟收入來源于蘋果業(yè)[17]。

圖1 研究區(qū)地理位置和GF-1 假彩色合成影像

1.2 數(shù)據(jù)源及預(yù)處理

GF-1 號衛(wèi)星作為中國高分辨率對地觀測系統(tǒng)的第一顆衛(wèi)星， 搭載了4 臺16 m 分辨率多光譜相機，包括綠、藍(lán)、紅和近紅外4 個波段，其主要衛(wèi)星參數(shù)見表1。 本研究使用的GF-1/WFV 衛(wèi)星影像數(shù)據(jù)獲取時間為2016 年4 月25 日，產(chǎn)品級別為1 級（相對輻射校正產(chǎn)品），云量＜3%，數(shù)據(jù)來自中國資源衛(wèi)星中心（http://www.cresda.com/CN/）。

表1 GF-1 衛(wèi)星參數(shù)

GF-1/WFV 衛(wèi)星影像數(shù)據(jù)預(yù)處理主要包括正射校正、 輻射定標(biāo)和大氣校正， 預(yù)處理所有過程在ENVI 軟件環(huán)境中完成。 借助30 m 分辨率DEM 數(shù)據(jù)對影像進行正射校正， 影像的誤差控制在一個像元內(nèi)； 通過資源衛(wèi)星應(yīng)用中心提供的輻射定標(biāo)系數(shù)進行輻射定標(biāo)； 利用ENVI 的Flaash 模塊進行大氣校正，以消除大氣在傳輸過程中對地物反射的影響。

坡度（SLOPE）作為重要的地形因素之一，能在一定程度上反映土地利用類型及植被的分布狀況[18]，特別對于山地丘陵地區(qū)，坡度信息可作為識別地物的一個重要因子。 研究區(qū)坡度信息通過30 m分辨率DEM 數(shù)據(jù)進行提取，DEM 數(shù)據(jù)來自地理空間數(shù)據(jù)云（www.gscloud.cn），通過3 次卷積內(nèi)插進行重采樣與衛(wèi)星數(shù)據(jù)進行匹配。

植被遙感監(jiān)測中，歸一化植被指數(shù)（NDVI）是植被生長狀況和植被覆蓋度的重要指示因子， 本文通過NDVI 進行植被覆蓋度的估算，NDVI 計算公式如下：

式中，NIR 為近紅外波段反射率，R 為紅光波段反射率。

植被覆蓋度（FVC）是指植被地面垂直投影面積與統(tǒng)計區(qū)地面總面積的百分比[19]。 它能反映植被的生長狀況和空間分布密度， 可有效剔除非植被及植被覆蓋較低的地物。 根據(jù)像元二分模型[20-22]，假設(shè)每個像元地表均為無植被覆蓋和植被覆蓋兩個部分構(gòu)成，因此可通過NDVI 進行植被覆蓋度的估算。計算公式為：

式中，NDVIsoil為無植被覆蓋地表或裸地NDVI 值，NDVIveg為植被完全覆蓋地表NDVI 值。 為保證植被覆蓋度精度，NDVIsoil值選取NDVI 影像頻率累積率為5%的NDVI 值，NDVIveg值選取NDVI 影像頻率累積率為95%的NDVI 值。

為掌握研究區(qū)蘋果樹的種植分布情況， 本研究對研究區(qū)進行了野外實地調(diào)查， 同時結(jié)合在線高分辨率影像，按照樣本點數(shù)量充足、均勻分布的原則，共選取456 個蘋果樹樣本點及125 個非蘋果樹樣本點。

1.3 研究方法

1.3.1 分類方法

面向?qū)ο鬀Q策樹分類。 以影像分割后的同質(zhì)區(qū)域為分析目標(biāo)， 通過構(gòu)建特征指數(shù)及分割后所得對象的形狀、 語義等多種特征作為建立決策樹的判斷準(zhǔn)則，對影像的各個對象進行逐層識別和歸類，逐步將目標(biāo)地物分離出來。 多尺度影像分割是面向?qū)ο鬀Q策樹分類的關(guān)鍵， 分割尺度直接影響目標(biāo)地物的提取精度[23-24]。 根據(jù)目標(biāo)地物及研究區(qū)的不同，融入輔助信息參與影像分割可以提高分類精度[25]。 本文研究區(qū)屬于山地丘陵地形， 影像分割時將坡度（SLOPE）和植被覆蓋度（FVC）數(shù)據(jù)融入影像分割，經(jīng)過多次對比分析，將分割尺度設(shè)為15，合并尺度設(shè)為70， 蘋果樹大多被分割到同一多邊形區(qū)域，同時對零碎地塊也有較好的分割， 通過對研究區(qū)不同地物樣本的統(tǒng)計分析， 建立決策樹分類模型對目標(biāo)地物進行提取。

最大似然監(jiān)督分類。 最常用的遙感影像監(jiān)督分類方法之一[26-27]，該方法基本原理是通過對遙感數(shù)據(jù)像元統(tǒng)計分析，假定各類地物均為正態(tài)分布，通過訓(xùn)練樣本，根據(jù)判決準(zhǔn)則構(gòu)建非線性判別函數(shù)，判定每個對象的歸屬度，把各對象分配到相應(yīng)類別中去[28]。

1.3.2 研究方案

分別利用面向?qū)ο鬀Q策樹分類和最大似然監(jiān)督分類法對研究區(qū)蘋果樹進行識別提取， 通過對分類結(jié)果分析及精度驗證， 得到山地丘陵的蘋果樹最優(yōu)提取方法。在面向?qū)ο鬀Q策樹分類中，為了驗證輔助信息參與影像分割是否能進一步提高蘋果樹提取精度， 將面向?qū)ο鬀Q策樹分類按輔助信息SLOPE 和FVC 數(shù)據(jù)是否參與影像分割分為2 種方法。 研究方案分3 種：（1）SLOPE 和FVC 數(shù)據(jù)作為輔助信息參與影像分割的面向?qū)ο鬀Q策樹分類， 記為K1；（2）無輔助信息參與影像分割的面向?qū)ο鬀Q策樹分類，記為K2；（3）最大似然監(jiān)督分類，記為K3。 具體技術(shù)路線如圖2 所示。

圖2 研究技術(shù)路線

2 特征分析及決策樹構(gòu)建

2.1 特征參數(shù)的分析與選取

地物特征參數(shù)的選取和確定是構(gòu)建決策樹的重要前提，尤其是在復(fù)雜下墊面的區(qū)域，不同地物的光譜特征及其周圍的地形環(huán)境因子是遙感影像中最直觀的特征。光譜特征是光學(xué)遙感進行地物識別的基礎(chǔ)，地物光譜特征分析有助于提取目標(biāo)地物；而地形因子是植被種植生長的特征之一。相比于平原地區(qū)，山地丘陵地形較為復(fù)雜， 因此植被具有顯著的地帶性空間分布特征[29]。

通過調(diào)查和查閱研究區(qū)的相關(guān)資料發(fā)現(xiàn)， 研究區(qū)地物類型主要為蘋果樹、林地、冬小麥、水體、建設(shè)用地和未利用地。基于此，本研究對研究區(qū)典型地物樣本光譜及環(huán)境地形特征進行選取和分析。 由于本研究主要討論的對象為蘋果樹， 故先將地物類型分為非植被和植被兩大類， 其中， 非植被主要包括水體、建設(shè)用地和未利用地，植被主要包括冬小麥、林地和蘋果樹。然后，統(tǒng)計樣本數(shù)據(jù)并且生成非植被和植被的植被覆蓋度（FVC） 的概率密度柱狀圖（圖3）。 從圖3 可以看出，非植被地物FVC 值分布在0～0.6，主要集中在0～0.4，并且隨著FVC 值的增加概率密度逐漸減小。 相比而言，植被地物的FVC 值范圍在0.3～0.9，主要集中在0.5～0.9，并且隨著FVC 值的增加概率密度逐漸增大。 考慮到非植被與植被的FVC 值在部分區(qū)間存在交集， 但是所占比例較小，因此本研究可以通過設(shè)置FVC 閾值來區(qū)分植被與非植被。

圖3 2016 年4 月研究區(qū)植被與非植被地物植被覆蓋度（FVC）概率密度對比

研究區(qū)的蘋果樹在4 月下旬處于花期， 其光譜表現(xiàn)為花與葉的綜合光譜特征[30]，而冬小麥處于孕穗—抽穗期。 蘋果樹的光譜特性與冬小麥和林地存在一定差異（圖4）。3 種植被在藍(lán)和紅波段表現(xiàn)為吸收谷，在綠和近紅外波段為反射峰。在可見光波段范圍，蘋果樹的反射率最高，其次為林地，冬小麥最低。在近紅外波段處，蘋果樹和冬小麥的反射率相近，并且高于林地?；谏鲜龇治?，通過綠和近紅外波段反射率閾值可以實現(xiàn)蘋果樹與冬小麥和林地的區(qū)分。

圖4 2016 年4 月研究區(qū)植被光譜曲線

坡度作為一個重要的地形因子， 在一定程度上反映植被的種植分布情況，特別在山地丘陵地區(qū)。針對本文的研究區(qū)，中部及東部山區(qū)坡度較大，北部、西部和南部地勢較低緩， 林地多分布在海拔較高且坡度較陡的地方[30]。 通過實地調(diào)查和相關(guān)文獻的查閱可知， 棲霞蘋果樹種植坡度在不同DEM 區(qū)域存在一定差異性。 因此，在前人研究的基礎(chǔ)上，本文通過DEM 對研究區(qū)進行具體分層， 進而對不同層的蘋果樹種植坡度進行分層統(tǒng)計分析。在本研究中，依據(jù)研究區(qū)的地形特征，將DEM 共分為3 層，即（1）DEM＜150 m；（2）150～250 m；（3）250～400 m。在此基礎(chǔ)上，對不同DEM 層的蘋果樹樣本點進行統(tǒng)計，生成不同DEM 層的蘋果樹種植坡度柱狀圖（圖5）。從圖5 中統(tǒng)計結(jié)果可以看出，DEM 在150 m 以下，蘋果樹種植坡度在3°以下；DEM 在150～250 m 蘋果樹種植坡度在9.3°以下；DEM 在250～400 m 蘋果樹種植坡度在13.5°以下。 由此可見，蘋果樹種植坡度特征可作為提取蘋果樹種植信息的一個重要參數(shù)。

圖5 研究區(qū)不同DEM 層的蘋果樹種植坡度統(tǒng)計結(jié)果

2.2 面向?qū)ο蟮臎Q策樹模型構(gòu)建

基于研究區(qū)地物特征分析結(jié)果， 本研究選擇植被覆蓋度（FVC）、DEM、坡度和光譜參數(shù)進行決策樹分類方法的構(gòu)建，圖6 為決策樹分類規(guī)則路線。通過各節(jié)點的分類規(guī)則， 逐層分類， 最終提取蘋果樹信息。 首先，通過DEM 閾值篩選出蘋果樹種植區(qū)；其次，通過植被覆蓋度閾值進行植被與非植被的分離；然后通過DEM 閾值對蘋果樹種植區(qū)進行分層提取，即DEM 在150 m 以下的區(qū)域，通過綠波段反射率閾值進行蘋果樹與冬小麥的區(qū)分；DEM 在150～250 m 的區(qū)域， 通過坡度和綠波段反射率閾值進行蘋果樹與冬小麥和林地的區(qū)分，DEM 在250～400 m的區(qū)域， 通過坡度和近紅外波段反射率閾值進行蘋果樹與林地的區(qū)分。

根據(jù)上述決策樹分類規(guī)則，同時應(yīng)用到SLOPE和FVC 數(shù)據(jù)作為輔助信息參與遙感影像分割的面向?qū)ο蠛蜔o輔助信息參與影像分割的面向?qū)ο笾?，以作為對比?/p>

圖6 決策樹分類規(guī)則

3 結(jié)果與分析

根據(jù)上述決策樹分類規(guī)則， 通過統(tǒng)計得到的合理閾值對研究區(qū)進行分類， 最終得到3 種不同分類方法提取的蘋果樹種植分布結(jié)果（圖7）。在空間上，3 種方法在北部和南部海拔較低的區(qū)域提取蘋果樹種植信息效果較為理想。棲霞北部和南部多為平原，其地勢平坦， 蘋果樹種植區(qū)多為連片種植的大面積地塊，種植面積比例較大；中部地區(qū)多為山地丘陵，特別是中東部山區(qū)，蘋果樹種植區(qū)地塊較為破碎，由于受到地形及種植條件的影響， 大多種植在村莊附近或者地勢坡度較緩區(qū)域，種植面積相對較少。從分類結(jié)果（圖7）可以看出，棲霞蘋果樹種植分布存在差異性， 隨著DEM 和坡度的增加蘋果樹種植區(qū)域呈現(xiàn)遞減趨勢，這與張迎萍等[31]對膠東山區(qū)蘋果樹種植適宜性分布的研究結(jié)果較為吻合。

為了定量地評估3 種分類方法的分類結(jié)果精度， 本研究采用實測樣本點與在線高分辨率影像數(shù)據(jù)選取的混合樣本點為真值， 采用混淆矩陣生成的生產(chǎn)精度和用戶精度定量評估分類結(jié)果的精度（表2）。3 種分類方法中引入SLOPE 和FVC 參與影像分割的面向?qū)ο蠓诸惙ǎ↘1）精度最高，利用混合樣本點驗證的生產(chǎn)精度為87.3%，用戶精度為90.3%，相較于其他兩種分類方法（K2 和K3），K1 分類方法的生產(chǎn)精度提高了2.6%和10.1%， 用戶精度提高了2.8%和10.1%； 利用實測樣本點驗證的生產(chǎn)精度為91.6%，用戶精度為90.8%，相較于其他兩種分類方法（K2 和K3），K1 分類方法的生產(chǎn)精度提高了2.4%和7.3%，用戶精度提高了2.1%和5.4%。 由此可見，在山地丘陵地區(qū)，單純依靠地物光譜信息并不能有效地提取蘋果樹種植信息。然而，通過引入輔助信息的面向?qū)ο鬀Q策樹分類可以提高蘋果樹種植面積的提取精度，此外將輔助信息（SLOPE 和FVC）融合到遙感影像多尺度分割的面向?qū)ο鬀Q策樹分類則可以進一步提高其提取精度。

表2 3 種分類方法的蘋果樹分類精度

圖7 3 種不同分類方法提取的蘋果樹種植分布

此外， 通過將3 種分類方法提取蘋果樹種植面積結(jié)果與當(dāng)?shù)剞r(nóng)業(yè)部門統(tǒng)計數(shù)據(jù)進行對比分析（表3） 發(fā)現(xiàn)，2 種面向?qū)ο鬀Q策樹分類法提取蘋果樹種植面積精度要高于最大似然監(jiān)督分類。其中，SLOPE和FVC 數(shù)據(jù)參與影像分割的面向?qū)ο蠓诸惙ǎ↘1）提取面積精度達到了94.1%， 相較于無輔助信息參與影像分割的面向?qū)ο鬀Q策樹分類法（K2）和最大似然監(jiān)督分類法（K3） 提取面積精度分別提高了0.3%和17.4%。

表3 3 種分類方法的蘋果樹面積提取精度

為了較好地比較上述3 種分類方法在研究區(qū)的效果和精度， 計算和對比分析了這3 種方法針對不同DEM 層蘋果樹種植分布面積的提取結(jié)果（表4）。針對K1 和K2 分類方法，這2 種方法提取的蘋果樹種植面積在3 種DEM 層（DEM≤150 m、150 m＜DEM≤250 m 和250 m

表4 3 種分類方法分層提取蘋果樹面積比例

4 結(jié)論與討論

面向?qū)ο鬀Q策樹分類方法多用于高分辨率衛(wèi)星影像，不僅可以避免基于像元分類的“椒鹽現(xiàn)象”，同時可以融合多種輔助信息對目標(biāo)地物進行提取。 針對山地丘陵地區(qū)， 本研究對比分析了基于GF-1/WFV 衛(wèi)星影像的3 種蘋果樹信息提取方法，面向?qū)ο鬀Q策樹分類中將植被覆蓋度和坡度信息融入影像的多尺度分割，以DEM、坡度、光譜信息為輔助數(shù)據(jù)， 構(gòu)建決策樹模型對山地丘陵地區(qū)蘋果樹種植信息進行提取，蘋果樹種植面積提取精度達94.1%，生產(chǎn)精度達87.3%，用戶精度達90.3%，相較于無輔助信息參與影像分割的面向?qū)ο鬀Q策樹分類法和最大似然監(jiān)督分類法提取面積精度提高了0.3%和17.4%，生產(chǎn)精度提高了2.6%和10.1%，用戶精度分別提高了2.8%和10.1%。 說明基于國產(chǎn)高分辨率衛(wèi)星GF-1 影像數(shù)據(jù)的面向?qū)ο鬀Q策樹分類法通過引入目標(biāo)地物自身特征及地形因素作為輔助分類信息， 一定程度上可以提高山地丘陵地區(qū)蘋果樹種植信息提取精度。

在山地丘陵地區(qū)，蘋果樹種植受到土地開發(fā)、水澆、管理等條件的限制，隨著DEM 和坡度的增加，種植面積分布逐漸減小， 根據(jù)不同DEM 層蘋果樹種植分布的地形特點進行相應(yīng)坡度閾值的設(shè)定，可有效的提高信息提取精度。 山地丘陵地區(qū)作物種植結(jié)構(gòu)相對零散， 面向?qū)ο鬀Q策樹分類雖然可以充分利用光譜和輔助信息， 但分割尺度太大或太小都會對提取結(jié)果有一定的影響，因此針對不同目標(biāo)地物，確定最優(yōu)分割尺度仍是今后研究的重點。