基于GF-2數據結合多紋理特征的塑料大棚識別

吳錦玉，劉曉龍,2，柏延臣，史正濤，付 卓

基于GF-2數據結合多紋理特征的塑料大棚識別

吳錦玉1，劉曉龍1,2※，柏延臣3，史正濤1，付 卓4

（1. 云南師范大學旅游與地理科學學院，昆明 650500；2. 云南師范大學高原地理過程與環境變化云南省重點實驗室，昆明 650500；3. 北京師范大學地理科學學部，北京 100875；4. 生態環境部衛星環境應用中心，北京 100094）

塑料大棚在全球范圍的大量使用帶來經濟效益，同時也引發了很多環境問題，及時準確的塑料大棚空間分布信息是農業生產和土壤治理決策的重要依據。塑料大棚的使用改變了土壤表面的光譜特性和空間結構，塑料薄膜材質的特殊性，使其反射光譜具有強烈的方向性和不確定性，因而僅依靠地物反射光譜特征難以準確識別塑料大棚。本文以GF-2影像作為單一數據源，針對塑料大棚特有的空間分布細節信息，分析不同紋理提取算法對塑料大棚識別的適用性。結果表明：1）紋理能有效提高基于遙感影像的塑料大棚識別精度；2）使用單一紋理算法識別不同空間分布結構塑料大棚的分類方案中，采用LBP (local binary pattern)紋理算法的塑料大棚識別精度均優于GLCM (gray-level co-occurrence matrix)、PSI (pixel shape index)紋理算法，其中研究區A基于LBP紋理特征的塑料大棚識別總體精度為96.85%，Kappa系數為0.95，研究區B的總體識別精度為95.58%，Kappa系數為 0.94；3）本文使用3種不同的紋理特征組合分類方案，均能提高塑料大棚的識別精度，但不同紋理特征組合算法運用到空間結構差異較大的2個區域時表現不同。加入GLCM的紋理特征組合能提高分布范圍較大且聚集度高的塑料大棚識別精度（研究區A塑料大棚斑塊平均面積為3.39 hm2，聚集度指數為80.64），對于塑料大棚使用面積小且分布破碎的區域識別精度提升效果不明顯（研究區B塑料大棚斑塊平均面積為1.37 hm2，聚集度指數為72.98）。本試驗結果中研究區A的地物光譜特征、NDVI和3種紋理特征組合的大棚識別精度最高，總體識別精度和Kappa系數分別達到了98.13%和0.97，研究區B的地物光譜特征、NDVI、PSI和LBP紋理特征組合識別精度最高（總體精度為96.13%，Kappa系數為0.95）。基于影像對象的多紋理特征能夠實現塑料大棚的精細識別，該方法對塑料大棚空間分布精確制圖具有重要意義。

遙感；溫室；GF-2數據；影像紋理；塑料大棚；面向對象分類

0 引 言

塑料大棚的使用可有效改善極端環境對農業生產的影響，實現保產增收，提高土地利用率[1]，為滿足日益增長的農產品需求，近年來塑料大棚在全球范圍內得到廣泛使用[2]。塑料大棚的使用雖然產生了顯著的經濟效益，但同時也改變了區域小氣候和土壤理化特性，造成了不可忽視的環境污染問題。已有的研究表明，塑料大棚薄膜具有較強光學投射性、氣密性和高反射率，這些特性使大棚薄膜改變了地表和大氣之間的能量與水交換，最終影響地球生物化學循環、能量交換和水體質量[3-5]；長期使用塑料大棚顯著降低了土壤有機碳含量和pH值，加劇土壤鹽堿化和養分失衡，土壤生態功能逐步退化[6]。此外，大棚使用的塑料薄膜耐腐蝕且不易降解，長期存在于土壤團聚體中的薄膜碎片導致土壤中微塑性物質含量增加[7-8]，這種微塑性物質表面易吸附污染物和病原體，易被蚯蚓等無脊椎生物群吸收，從而影響土壤生物群的生長和繁殖能力[9-10]。還有研究指出，與周圍裸露土壤相比，受塑料大棚影響的土壤更容易積累抗生素、重金屬和鄰苯二甲酸酯類等污染物，大棚作物吸收積累此類污染物后，給人類健康埋下隱患[11-12]。準確獲取塑料大棚的使用范圍及其時空分布信息，有助于相關部門對塑料大棚的使用和分布進行監管和優化，提高對土壤污染的防治能力。

相比于傳統地面調查，遙感技術具有高效、低成本、大范圍同步觀測能力，在作物識別、作物估產、農業用地變化、植被重金屬污染[13]等領域得到廣泛應用。目前，不同空間分辨率可見光遙感影像均可用于塑料大棚識別，并取得了可觀的進展。

不同空間分辨率數據在大棚識別中各具優勢。相比于高空間分辨率數據，中低分辨率影像的傳感器波譜特性較好，能準確捕捉地物光譜反射特性，適合宏觀尺度地表覆蓋類型監測，如Lu等[14]基于Landsat 5 TM影像的光譜特征，實現大面積塑料大棚的時空動態監測。但是塑料薄膜對可見光具有較高反射率和透明度，導致塑料大棚具有復雜的光譜反射特性，所以用單一的光譜特征很難準確識別塑料大棚[15]。對于這個問題，Lu等[16]根據大棚不同時期光譜特征的變化，采用MODIS數據的時間序列光譜特征和NDVI指數，通過閾值模型識別塑料大棚。此外，在影像數據中塑料大棚具有特殊的空間結構（包括紋理、尺度、形狀等），不同于光譜特性，塑料大棚的空間結構與光譜分辨率無關，僅與遙感觀測尺度（主要指影像空間分辨率）具有密切關系，所以，部分研究中采用塑料大棚空間分布的紋理特征彌補光譜特征的局限性，如：Aguilar等[17]基于Landsat 8 OLI時間序列和WorldView-2數據的光譜特征、紋理特征進行大棚識別。Chen等[4]基于Landsat 8 OLI數據分析不同特征在大棚識別中的貢獻，結果顯示光譜特征和指數信息的組合方案有更好的表現。Hasituya等[15]，Agüera等[18]發現以中低分辨率數據識別大棚時，單獨使用光譜特征的總體精度高于單獨使用紋理特征。這是由于影像數據空間分辨率不足，地物空間細節信息有限，且受中低分辨率遙感影像混合像元影響，雖然中低分辨率遙感影像光譜信息豐富，但是其紋理信息在提高大棚識別精度上表現并不理想。因此，中低分辨率數據更適用于大棚分布的宏觀監測，對大棚的精細識別則需要更高空間分辨率的遙感數據。

隨著對地觀測能力的提高，高空間分辨率遙感數據的獲取變得簡單，基于該數據獲取的更加詳細空間結構信息被應用于塑料大棚識別[18-19]。但基于像元的分類方法以像元為基本單位，忽略相鄰像元的空間分布關系，提取影像信息的尺度較單一，而面向對象分類方法則關注與現實世界對應的空間模式，能夠顧及遙感影像中待識別對象的空間特征及上下文關系[20]。對此，很多研究中對基于像元和面向對象的方法進行對比，結果表明面向對象分類方法能有效運用地物的空間信息、幾何結構和紋理，甚至語義、拓撲關系等特征，消除了基于像元分類中的“椒鹽”現象，地物識別精度優于基于像元的分類方法[21-23]。

然而，高分辨率影像光譜分辨率低，同時，隨著分辨率的提高，同一地物內部的異質性增強，導致類內差異增大，影響分類精度[24]。因此，僅利用高空間分辨率數據的光譜特征很難滿足地物精細分類的需求。長期以來，紋理特征被認為是區分具有相似光譜、不同空間分布結構特性地物的有效信息，因此針對大棚這類呈現出明顯紋理結構的地物，高分影像的紋理特征便成為重要的地物識別特征[15]。高夢婕等[25]基于GF-2數據提取大棚研究中主要探討最佳分割尺度確定和分類特征選擇，結果表明光譜特征、指數特征和GLCM紋理特征是提取塑料大棚的重要特征。但針對塑料大棚特殊的紋理結構，當前方法中應用的紋理算法僅為傳統的灰度共生矩陣算法，當使用更先進的紋理提取算法突出塑料大棚紋理結構特征時，是否可以有效地提高塑料大棚識別精度，尚缺乏深入研究。針對這一問題，本文探討不同紋理識別方法在基于高空間分辨率遙感影像的塑料大棚識別中的表現，通過對不同紋理算法的對比分析，提出一種面向對象的基于高空間分辨率遙感影像多紋理特征的塑料大棚識別方法，以提高塑料大棚的識別精度。

1 研究區概況和數據處理

1.1 研究區概況

研究區位于昆明市周邊，屬于低緯度高原山地季風氣候，年降水約1 000 mm，年平均氣溫15℃，年平均日照2 200 h，無霜期240 d以上[26]。研究區內常規農田改為塑料大棚集約型農田已有超過20年的歷史，長期的高強度作物種植、污水污泥灌溉和過度施肥對滇池的水環境治理構成了直接威脅[7]。為保證大棚作物有最佳的溫濕環境、光照條件和通風速度，該地區大棚之間留有0.5～3 m的板車道，棚頭間距不少于4～5 m，大棚的朝向和形狀基本一致，所以在高空間分辨率影像中呈現集中連片分布特點。研究區包含2個塑料大棚空間分布差別較大的相鄰區域（研究區A和研究區B），如圖1所示。其中，研究區A位于24.8° N、102.7° E，影像覆蓋城鄉過渡帶和滇池，土地利用類型復雜，但區域內大棚使用面積較大且集中分布；研究區B位于24.5° N、102.6° E，塑料大棚零散分布。本文選取這2個具有不同空間分布格局的塑料大棚區域作為試驗區，以驗證本研究中大棚識別方法的魯棒性。

1.2 數據獲取和處理

本試驗選用GF-2影像數據，GF-2衛星搭載2臺PMS（多光譜/全色）可見光傳感器，左右2臺傳感器成像總幅寬為45 km，側擺能力為±35°，星下點空間分辨率為0.8 m。全色波段（450～900 nm）空間分辨率為1 m，4 個多光譜波段：藍（450～520 nm）、綠（520～590 nm）、紅（630～690 nm）、近紅外（770～890 nm），空間分辨率為4 m（中國資源衛星應用中心：http://www.cresda.com/ CN/Satellite/3128.shtml）。研究區A的GF-2影像（PMS1）獲取時間為2017年3月14日12∶16∶07，研究區B影像（PMS2）獲取時間為2017年3月24日12∶19∶03，上述2個時段內研究區內無云、霧覆蓋。A、B研究區影像成像時的太陽方位角分別為148.746°和147.105°，該時段研究區內大棚覆蓋無變化，影像獲取的時相差對大棚識別影響較小。

為消除大氣對地物光譜反射的影響，本文對GF-2一級數據產品進行輻射定標和大氣校正。輻射定標中將像元灰度值轉換為輻亮度值（見式（1））[27]，定標參數由中國資源衛星應用中心提供（http://www. cresda.cn/CN/Downloads/dbcs/index.shtml）。大氣校正采用FLAASH模型。為了提高數據的光譜和空間分辨率，本文采用NNDiffuse Pan Sharpening算法融合GF-2多光譜和全色波段，融合后得到空間分辨率為1 m的（R、G、B、NIR波段）影像（如圖1）。

結合2016年12月的無人機實測數據，對2個研究區進行人工目視解譯，生成地面“真值”樣本集，用于訓練分類器和分類結果的精度評價。無人機（DJI Phantom 3 Advanced）作業時飛行高度為120 m，地面分辨率為5 cm。樣本包含的地類分別為水體、塑料大棚、植被和其他（建筑用地、道路和未利用地）。樣本以2∶1的比例劃分為訓練樣本集和驗證樣本集（如表1所示）。由于研究區A內土地利用類型復雜，大棚的使用面積大于研究區B，因此在研究區A選取了較多的樣本點而研究區B樣本較少。研究區及樣本分布見圖1。

表1 樣本點數量及分布

圖1 研究區域及樣本點分布

2 研究方法

2.1 影像分割

地學面向對象影像分析（GeOBIA：geographic object-based image analysis）以影像對象作為影像分析的基本單位，影像對象的實質是相似像元的集合（即地理空間實體，如本文的塑料大棚）[28]。如何通過影像分割準確地生成空間實體的影像對象，對地物識別精度有直接的影響[29-30]。Ba?tz提出[31]的多尺度分割算法綜合考慮遙感影像的光譜、空間、上下文、長寬比和紋理等信息，該方法被廣泛用于遙感影像分割。影響多尺度分割算法分割結果的主要參數有分割尺度、形狀指數、緊密度指數，其中分割尺度根據分割對象的大小進行調節，是最重要的因素[32]。

本試驗采用eCognition Developer 9.0軟件中的多尺度分割算法進行遙感影像分割。分割過程中，多尺度分割算法分割尺度取值范圍設置為50～200，步長為10；形狀指數取值范圍為0.1～1，步長取0.1；緊密度指數取值范圍為0.1～1，步長為0.1。雖然高空間分辨率影像有利于地物細節的識別，但同一地物內部的差異性也隨空間分辨率的增高而增高。針對異質地表的分割結果易出現過分割或欠分割的情況，Liu等[33]研究表明，過分割對面向對象分類的影響在可接受范圍內，相反欠分割會嚴重影響分類結果精度。通過對比分析，本試驗得到的最佳分割結果的多尺度分割算法參數分別為：分割尺度100、形狀指數0.6、緊密度指數0.9。雖然上述參數得到的分割結果存在部分過分割現象，但分割邊界與真實地類邊界接近且確保了每個分割對象均接近同質對象。

2.2 塑料大棚識別特征

由于塑料薄膜具有透光特性，部分大棚的反射光譜中包含棚內植被反射信息，這將導致大棚與低覆蓋度植被混淆，為了區分2者，本文使用歸一化植被指數（NDVI，normalized difference vegetation index）[34]增強植被信息。一般情況下，植被區的NDVI值大于0，非植被區的NDVI值小于0，但由于研究區A內的滇池水體富營養化嚴重，水體葉綠素濃度較高，因此研究區A中水體NDVI值出現大片偏高區域，這一現象導致常用的水體識別指數對水體識別產生較大誤差。針對這一問題，本試驗對研究區A影像進行主成分變換并設定最佳閾值單獨提取水體；研究區B內水體較少，因此直接參與分類。

Haraclick等[35]提出的灰度共生矩陣（gray-level co-occurrence matrix，GLCM）紋理提取算法，依據興趣區內不同的空間結構和紋理生成與之對應的共生矩陣，同時可以導出14種紋理特征指標用于定量分析紋理，其中常用的指標有均值、方差、同質性、對比度、熵、相關性，通過這些指標能有效區別類間的空間結構差異[36]。本試驗基于預處理后的全色影像提取GLCM紋理特征，為避免窗口邊緣效應的影響，保證所得紋理信息穩定且清晰，并依據當地大棚設置的預留寬度，將數據降維至64個灰度級，移動窗口設置為5×5，移動步長為3個像元。采用常用的5個指標作為GLCM紋理特征，分別與影像光譜特征和NDVI組成5組分類方案，在SVM分類器中進行分類，其中GLCM均值與光譜特征、NDVI組合的方案分類精度最高，總體精度為93.93%，Kappa系數為0.91，所以選擇均值作為GLCM提取大棚紋理信息。常用GLCM紋理指標的分類精度對比情況如表2所示。

表2 GLCM紋理提取算法常用指標分類精度

局域二值模型（local binary pattern，LBP）[37]具有較強的紋理鑒別能力且計算簡單，并被改進為多尺度LBP[38]、旋轉不變LBP[39]等多種紋理分析模型。旋轉不變性是指在圖像發生一定角度的旋轉后，圖像內的對象沒有改變，但是常用的紋理算法在對旋轉后的圖像進行紋理計算時，其紋理特征值發生了改變，這不利于圖像中運動目標的識別。針對這一問題，M?enp??等[39]對LBP做了如下定義：

像元形狀指數（pixel shape index，PSI）[40]根據中心像元及其不同方向鄰域上的光譜相似性，生成多條長短各異的方向線描述該鄰域的形狀特征和鄰域中心像元的形狀指數。PSI通過計算具有相似光譜特性的相鄰像元組維數，表征像元的空間上下文特征，通過擴大不同形狀區域之間的特征值，突出高分辨率影像的空間細節信息。PSI共有3個參數：同質性閾值（1）、空間擴展閾值（2）、方向線總數（）。1表示同質性區域內中心和領域像元的最大光譜差異，用平均類間距離的平方根表示，高分辨率數據類內方差較大，本試驗設1為90。2表征方向線延伸的長度限制，為尺度因子，本試驗2取30，能較好反映出形狀檢測的目標尺寸。控制方向線的夾角和疏密程度，表示PSI對領域形狀的探測能力，值設為20已能達到預期的探測能力，設置更大的方向數只會增加計算量，不能提高精度。

2.3 支持向量機分類器

2.4 分類方案

為分析紋理特征對面向對象分類的影響，并評價不同紋理提取模型對識別塑料大棚的表現，本文提出8組分類方案，每個分類方案中各特征數據的空間分辨率均為1 m，具體分類方案及其特征組合如表3所示。

表3 不同紋理特征組合的分類方案

2.5 精度驗證

目前對分類結果精度分析最常用的方法是混淆矩陣法，該方法通過混淆矩陣計算分類結果的生產者精度（PA，producer accuracy）（式（4）），用戶精度（UA，user accuracy）（式（5）），總體精度（OA，overall accuracy）（式（6））和Kappa系數（式（7））[44]，分析分類結果的精度和可靠性。

3 研究方法

3.1 紋理特征提取分析

圖2為通過GLCM、PSI和LBP算法提取的地物紋理特征結果，3種算法提取的紋理特征能夠體現不同地物紋理方向及紋理特征值的差異，其中基于GLCM算法提取的紋理存在顯著的類內異質性且紋理清晰度低，如圖 2b所示。基于PSI算法提取的紋理突出影像的各向異性，紋理分布也較清晰，如圖2c所示。在3種算法中，使用LBP算法提取的紋理特征（圖2d）最清晰，能夠體現影像中地物紋理的細微特征。

圖2 不同算法提取的地物紋理特征

為分析不同特征組合對地物可分性影響，選用距離（jeffreys-matusitadistance）作為可分性指標[45]，當特征類別服從正態分布時，距離用公式（8）表示[46-47]。

圖3 研究區A、B不同分類方案各類別間J-M距離

3.2 分類結果分析

2個研究區的8種方案的分類結果如圖4、圖5所示，表4為不同方案的分類精度。

從圖4、圖5和表4看出，在塑料大棚空間格局不同的2個區域中，未加入紋理特征的方案I分類精度最低：研究區A的OA和Kappa系數分別為92.69%和0.89；研究區B的OA和Kappa系數分別為92.22%和0.89，與方案I相比，使用紋理特征的各方案分類精度均有不同程度的提升。其中，加入單個紋理信息的方案中，LBP（方案V）提升分類精度最顯著。方案V與方案I相比，研究區A的總體精度（OA）和Kappa系數分別是96.85%和0.95，OA和Kappa系數分別提高了4.16個百分點和0.06；研究區B的OA和Kappa系數分別是95.58%和0.94，OA和Kappa分別提高了3.36個百分點和0.05。PSI和GLCM分類精度變化較小，對比分類精度，加入紋理特征組合的分類方案識別精度高。研究區A中加入GLCM、PSI和LBP這3種紋理特征時（方案VIII）分類精度達到最佳，OA和Kappa系數分別為98.13%和0.97，與方案I相比OA和Kappa系數分別提升了5.44個百分點和0.08，研究區B中使用PSI的方案VI最佳，OA和Kappa系數分別為96.13%和0.95，與方案I相比OA和Kappa系數分別提高了3.91個百分點和0.06。其中研究區B中的方案VIII與方案VI的分類精度相同，對比分類效率，使用2種紋理組合的方案VI優于3種紋理組合的方案VIII，因此研究區B中最佳分類方案為方案VI。

圖4 研究區A影像不同分類方案分類結果

此外，不同紋理特征的使用，對塑料大棚、其他、水體和植被的識別精度影響不同。在8個分類方案中塑料大棚的PA、UA值變化較大：研究區A中未加入紋理特征的方案I，塑料大棚的PA、UA精度最低，分別為78.29%、90.62%，研究區B中大棚的PA、UA為80.49%、89.47%。與方案I相比，加入紋理特征的7個方案中大棚的PA、UA均有不同程度提高，在研究區A中，同時加入3種不同紋理特征的分類方案VIII表現最佳，PA提升了18.18個百分點，UA提升了7.31個百分點。研究區B中加入2種紋理特征的分類方案VI表現最佳，與未加入紋理特征的分類方案I相比，PA提升了10.18個百分點，UA提升了10.21個百分點。因此，不同紋理算法對大棚識別的精度影響不同。

圖5 研究區B影像不同分類方案分類結果

表4 不同分類方案的分類精度

注：PA為生產者精度，%；UA為用戶精度，%。

Note：PA means producer accuracy, %; UA means user accuracy, %.

雖然在不同區域加入紋理特征能提升分類精度，有效區分大棚和其他類別，但是各紋理特征組合方案在2個研究區中的分類結果存在差異。對比方案II和方案IV，研究區A中加入PSI、GLCM的紋理特征組合的分類精度比加入PSI單一紋理特征的精度高，總體精度提高了1.47個百分點，Kappa系數提高了0.03；研究區B中2 個分類方案的精度差別不大，總體精度僅提高0.25個百分點，Kappa系數僅提高0.01。對比方案V和方案VII，研究區A中加入LBP、GLCM紋理特征組合的分類精度比加入LBP單一紋理特征的精度高，總體精度提高了0.94個百分點，Kappa系數提高了0.02；研究區B中這2 個分類方案的精度沒有差異。對比方案VI和方案VIII，研究區A中加入PSI、LBP、GLCM的紋理特征組合的分類精度比加入PSI、LBP的紋理特征組合的精度高，總體精度提高了1.12個百分比，Kappa系數提高了0.01；研究區B中這2個方案的分類精度沒有差異。此外，由表4可知，使用同一分類方案對2個研究區進行分類，研究區A的分類精度高于研究區B。

針對上述2個研究區分類結果的差異，本文運用景觀異質性分析研究區塑料大棚分布的空間異質性對分類結果精度的影響。以最優分類結果為參考數據，選用斑塊平均面積（average patch area, AREA_MN）、聚集度指數（aggregation index, AI）對景觀空間格局及其分布情況進行定量分析。AREA_MN（hm2）表征景觀類型的破碎化程度，綜合測度景觀類型和數量[48]。AI（無量綱）描述景觀內不同景觀類型的團聚程度，取值范圍0～100，值越大表示景觀類別分布越集中[49-51]。采用Fragstas軟件計算上述2個指數的結果如表 5所示，研究區A中，大棚、其他和植被的斑塊平均面積和聚集度指數值相差不大，3種地類的斑塊平均面積僅在3～5 hm2之間，但聚集度指數均在80以上，表明塑料大棚面積雖小但分布的聚集程度較高，呈集中分布特征。研究區B中植被的斑塊平均面積、聚集度指數最大，分別為17.21 hm2和90.60，表明植被是研究區B中的主要地表覆蓋類型，其他類別次之，大棚和水體的2個指數值最小，斑塊平均面積小于1.5 hm2，聚集度指數小于73，表明大棚和水體面積小且分布零碎。

表5 研究區A、B的景觀格局指數

注：AREA_MN為斑塊平均面積，hm2；AI為聚集度指數。

Note：AREA_MN means average patch area, hm2; AI means aggregation index.

綜合2個研究區的地類景觀破碎度和塑料大棚分類結果可知，加入紋理特征對空間分布集中且面積較大的塑料大棚識別精度高于分布零碎的情況；聚集度高的區域加入GLCM的紋理特征組合能提升識別精度，但對塑料大棚使用面積小且分布破碎的區域（如本研究中的研究區B）影響較小。

4 結 論

本文以GF-2作為單一數據源，針對大棚特殊的空間分布結構，提出了一種面向對象的基于高分辨率影像對象紋理特征組合的塑料大棚識別方法，分別用GLCM、PSI、LBP紋理提取算法提取了影像紋理特征。不同紋理特征對塑料大棚識別精度影響的分析結果表明：

1）GF-2數據的空間紋理信息能夠有效彌補光譜特征的局限，提高大棚的識別精度。GF-2數據光譜波段僅有可見光和近紅外波段，但空間分辨率較高，能夠清晰地捕捉地物空間細節信息，適用于識別具有特殊紋理特征的地類。大棚覆蓋薄膜的特性導致地物光譜特征變得復雜，使得塑料大棚與其他（建筑用地、道路、未利用地）地類產生嚴重混淆，加入紋理特征能有效提高大棚與其他地類（建筑用地、道路、未利用地）的區分度。

2）面向對象方法的大棚識別中，不同算法提取的紋理特征對提高大棚識別精度的貢獻不同。本文使用LBP、PSI和GLCM紋理提取算法在2個空間格局不同的研究區分類結果顯示，單一紋理特征中的LBP表現最佳，組合地物光譜特征、NDVI的大棚識別精度最高。紋理組合方案中，研究區A中光譜特征、NDVI和3種不同紋理特征組合的大棚識別精度最高，總體精度為98.13%，Kappa系數為0.97，研究區B中光譜特征、NDVI和PSI、LBP紋理特征組合的大棚識別精度最高，總體精度為96.13%，Kappa系數為0.95，實現了塑料大棚的高精度精細識別。

3）本文選用2個大棚空間分布格局不同的區域作為研究區，對比2個研究區的分類結果表明：加入GLCM的紋理特征組合能提升大范圍使用且聚集度高的大棚識別精度，但對于面積小且分布破碎的塑料大棚識別精度提升效果并不顯著。同時，研究區B中各分類方案計算得到的分類精度總體低于研究區A，所以地物的空間異質性對地物識別精度影響很大。

[1] Godfray H C, Beddington J R, Crute I R, et al. Food security: the challenge of feeding 9 billion people[J]. Science, 2010, 327(12): 812－818.

[2] Ying Q, Hansen M C, Potapov P V, et al. Global bare ground gain from 2000 to 2012 using Landsat imagery[J]. Remote sensing of environment, 2017, 194(30): 161－176.

[3] Steinmetz Z, Wollmann C, Schaefer M, et al. Plastic mulching in agriculture. Trading short-term agronomic benefits for long-term soil degradation[J]. Science of the Total Environment, 2016, 550(15): 690－705.

[4] Chen Z. Mapping plastic-mulched farmland with multi- emporal Landsat-8 data[J]. Remote Sensing, 2017, 9(6): 557－584.

[5] 孫懷衛，楊金忠，王修貴. 塑料大棚氣流場模擬及作物蒸騰量計算[J]. 農業工程學報，2011，27(11)：236－241. Sun Huaiwei, Yang Jinzhong, Wang Xiugui. Numerical simulation of airflow pattern and calculation of crop transpiration in plastic greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(11): 236－241. (in Chinese with English abstract)

[6] Zhang G S, Hu X B, Zhang X X, et al. Effects of plastic mulch and crop rotation on soil physical properties in rain-fed vegetable production in the mid-Yunnan plateau, China[J]. Soil & Tillage Research, 2015, 145(1): 111－117.

[7] Zhang G S, Liu Y F. The distribution of microplastics in soil aggregate fractions in southwestern China[J]. Science of the Total Environment, 2018, 642(11): 12－20.

[8] Andrady A L. Microplastics in the marine environment[J]. Marine Pollution Bulletin, 2011, 62(8): 1596－1605.

[9] Huerta Lwanga E, Gertsen H, Gooren H, et al. Microplastics in the terrestrial ecosystem: implications for Lumbricus terrestris (Oligochaeta, Lumbricidae)[J]. Environmental science & technology, 2016, 50(5): 2685-2691.

[10] Hodson M E, Duffushodson C, Clark A, et al. Plastic bag derived-microplastics as a vector for metal exposure in terrestrial invertebrates[J]. Environmental Science & Technology, 2017, 51(8): 4714－4721.

[11] Yanxia Z, Biao H, Marianne T, et al. One overlooked source of phthalate exposure-oral intake from vegetables produced in plastic greenhouses in China[J]. Science of the total environment, 2018, 642(15): 1127－1135.

[12] 陳碧華，楊和連，周俊國，等. 大棚菜田種植年限對土壤重金屬含量及酶活性的影響[J]. 農業工程學報，2012，28(1)：213－218. Chen Bihua, Yang Helian, Zhou Junguo, et al. Effect of cultivating years of vegetable field on soil heavy metal content and enzyme activity in plastic shed[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28 (1): 213－218. (in Chinese with English abstract)

[13] Banerjee B P, Raval S, Hao Z, et al. Health condition assessment for vegetation exposed to heavy metal pollution through airborne hyperspectral data[J]. Environmental Monitoring & Assessment, 2017, 189(12): 604－615.

[14] Lu L, Di L, Ye Y. A decision-tree classifier for extracting transparent plastic-mulched landcover from landsat5 TM images[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(11): 4548－4558.

[15] Hasituya, Chen Z, Wang L, et al. Monitoring Plastic-mulched farmland by landsat8 OLI imagery using spectral and textural features[J]. Remote Sensing, 2016, 8(4): 353－369.

[16] Lu L, Hang D, Di L. Threshold model for detecting transparent plastic-mulched landcover using moderate- resolution imaging spectroradiometer time series data: a case study in southern Xinjiang, China[J]. Journal of Applied Remote Sensing, 2015, 9(1): 97094－97108.

[17] Aguilar M A, Vallario A, Aguilar F J, et al. Object-based greenhouse horticultural crop identification from multi-temporal satellite imagery: A case study in Almeria, Spain[J]. Remote Sensing, 2015, 7(6): 7378－7401.

[18] Agüera F, Aguilar F J, Aguilar M A. Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2008, 63(6): 635－646.

[19] Hasituya, Chen Z, Wang L, et al. Selecting appropriate spatial scale for mapping plastic-mulched farmland with satellite remote sensing imagery[J]. Remote Sensing, 2017, 9(3): 265－288.

[20] Blaschke T. What's wrong with pixels? Some recent developments interfacing remote sensing and GIS[J]. GeoBIT/GIS, 2001, 6(1): 12-17.

[21] Blaschke T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2010, 65(1): 2－16.

[22] Duro D C, Franklin S E, Monique G Dubé. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of

agricultural landscapes using SPOT-5 HRG imagery[J]. Remote Sensing of Environment, 2012, 118(6): 259－272.

[23] 胡榮明，魏曼，楊成斌，等. 以SPOT5遙感數據為例比較基于像素與面向對象的分類方法[J]. 遙感技術與應用，2012，27(3)：366－371. Hu Rongming, Wei Man, Yang Chengbin, et al. Taking SPOT5 remote sensing data for example to compare pixel-based and object-oriented classification[J]. Remote Sensing Technology And Application, 2012, 27(3): 366－371. (in Chinese with English abstract)

[24] 劉曉龍. 集成多源遙感數據的植被類型分類方法研究[D]. 北京：北京師范大學，2015. Liu Xiaolong. Study of Multi-Source Remote Sensing Data Integrated Classification Method of Vegetation[D]. Beijing: Beijing Normal University, 2015. (in Chinese with English abstract)

[25] 高夢婕，姜群鷗，趙一陽，等. 基于GF-2遙感影像的塑料大棚提取方法對比[J]. 中國農業大學學報，2018，23(8)：125－134. Gao Mengjie, Jiang Qunou, Zhao Yiyang, et al. Comparison of plastic greenhouse extraction method based on GF-2 remote-sensing imagery[J]. Journal of China Agricultural University, 2018, 23(8): 125－134. (in Chinese with English abstract)

[26] 張薇，劉淼，戚與珊. 基于CLUE-S模型的昆明市域土地利用預案模擬[J]. 生態學雜志，2014，33(6):1655－1662. Zhang Wei, Liu Miao, Qi Yushan. Land-use scenarios simulation based on the CLUE-S model in Kunming[J]. Chinese Journal of Ecology, 2014, 33(6):1655－1662. (in Chinese with English abstract)

[27] 童慶禧，張兵，鄭蘭芬. 高光譜遙感——原理、技術與應用[M]. 北京：高等教育出版社，2006.

[28] Blaschke T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2－16.

[29] Zhang B, Song M, Zhou W. Exploration on method of auto-classification for main ground objects of Three Gorges Reservoir area[J]. Chinese Geographical Science, 2005, 15(2): 157－161.

[30] Hay G J, Castilla G, Wulder M A, et al. An automated object-based approach for the multiscale image segmentation of forest scenes[J]. International Journal of Applied Earth Observations & Geoinformation, 2005, 7(4): 339－359.

[31] Ba?tz M, Sch?pe A, Strobl J, et al. Multiresolution segmentation: An optimization approach for high quality multi-scale image segmentation[J]. Angewandte Geographische Informations-Verarbeitung XII, 2000: 12-23.

[32] 楊盼盼. 基于高分辨率遙感影像紋理特征的面向對象植被分類方法研究[D]. 昆明：云南師范大學，2017. Yang Panpan. Reaesrch on Object-Oriented Vegetation Classification Method Based on Texture Feature of High Resolition Remote Sensting Image[D]. Kunming: Yunnan Normal University, 2017. (in Chinese with English abstract)

[33] Liu D, Xia F. Assessing object-based classification: advantages and limitations[J]. Remote Sensing Letters, 2009, 1(4): 187－194.

[34] Rouse J W J, Haas R H, Schell J A, et al. Monitoring Vegetation Systems in the Great Plains with Erts[J]. Nasa Special Publication, 1973, 351(1): 309－317.

[35] Haraclick R M. Texture features for image classification[J]. Studies in Media and Communication, 1973, 3(6): 610－621.

[36] Kaplan L M, Kuo C C J. Extending self-similarity for fractional Brownian motion[J]. IEEE Transactions on Signal Processing, 1994, 42(12): 3526-3530.

[37] Ojala T, Harwood I. A comparative study of texture measures with classification based on feature distributions[J]. Pattern Recognition, 1996, 29(1): 51－59.

[38] Ojala T, Pietik?inen M, M?enp?? T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 24(7): 971－987.

[39] M?enp?? T, Pietik?inen M. Texture analysis with local binary patterns[J]. Handbook of Pattern Recognition & Computer Vision, 2005, 354 (6): 115－118.

[40] 黃昕，張良培，李平湘. 融合形狀和光譜的高空間分辨率遙感影像分類[J]. 遙感學報，2007，11(2)：193－200. Huang xin, Zhang Linpei, Li Peixiang. Classification of high Spatial resolution remotely sensed imagery based on the fusion of spectral and shape features[J]. Journal of remote sensng, 2007, 11(2): 193－200. (in Chinese with English abstract)

[41] V. Vapnik, S. Kotz. Estimation of dependences based on empirical data[M]. New York: Springer-Verlag, 1982.

[42] Milan Sonka, Vaclav Hlavac, Roger Boyle. Image processing, analysis, and machine vision[M]. Mason, OH: Thomson, 2007.

[43] Koc-San D. Evaluation of different classification techniques for the detection of glass and plastic greenhouses from WorldView-2 satellite imagery[J]. Journal of Applied Remote Sensing , 2013, 7(1): 73551－73553.

[44] Russell G. Congalton, Kass Green. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, Second Edition (Mapping Science)[M]. [S.l.]: CRC Press, 2008.

[45] Hofmann W. Remote sensing: The quantitative approach[J]. Earth-Science Reviews, 1980, 16(6): 386－387.

[46] John A. Richards, Xiuping Jia. Remote Sensing Digital Image Analysis: An Introduction [M]. [S.l.]: Springer, 2005.

[47] Kailath T. The divergence and bhattacharyya distance measures in signal selection[J]. IEEE Transactions on Communication Technology, 1967, 15(1): 52－60.

[48] 余新曉，李秀彬，夏兵. 森林景觀格局與土地利用/覆被變化及其生態水文響應[M]. 北京：科學出版社，2010.

[49] 崔閃閃，劉慶，王靜. 空間粒度變化對縣域農村居民點景觀指數的影響－以江蘇省大豐市為例[J]. 中國農業資源與區劃，2017，38(3)：20－26. Cui Shangshang. Liu Qing, Wang Jing. Effects of changing grain size on landscape indices of rural settlement at county scale of Binhai development zone－A case study of Dafeng county in Jiangsu province[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(3): 20－26. (in Chinese with English abstract)

[50] 冀亞哲，張小林，吳江國，等. 多空間粒度下鎮江市土地利用景觀格局差異[J]. 中國土地科學，2013，27(5)：54－63. Ji Yazhe, Zhang Xiaolin, Wu Jiangguo, et al. Research on the differences of landscape patterns under several spatial granularities in Zhenjiang City[J]. China Land Sciences, 2013, 27(5): 54－63. (in Chinese with English abstract)

[51] 趙玉濤，余新曉，關文彬. 景觀異質性研究評述_趙玉濤[J]. 應用生態學報，2002，13(4)：495－500.Zhao Yutao, Yu Xinxiao, Guan Wenbin. Review on landscape terogeneity[J]. Chinese Journal of Applid Ecology, 2002, 3(4): 495－500. (in Chinese with English abstract)

Plastic greenhouse recognition based on GF-2 data and multi-texture features

Wu Jinyu1, Liu Xiaolong1,2※, Bo Yanchen3, Shi Zhengtao1, Fu Zhuo4

(1.,,650500,; 2.,650500,; 3.,,100875,;4.,100094,)

The wide use of plastic greenhouses in the word has brought economic benefits, but also caused many environmental problems. Accurate and timely acquisition of spatial distribution information of plastic greenhouse is of great significance to agricultural production and soil management. The use of plastic greenhouse has changed the structure of soil, thus changing the surface spectral characteristics of the soil. Because of the particularity of the plastic film material, the reflection spectrum has strong directionality and uncertainty, so it is difficult to identify plastic greenhouse accurately only depending on the reflectance spectrum characteristics of ground objects. In this paper, Kunming City, Yunnan Province is taken as the research area, using GF-2 image as a single data source, the multi-scale segmentation method is used to obtain the image object efficiently and accurately. According to the detailed spatial information of plastic greenhouse, the applicability of three image object-based texture extraction algorithms, namely GLCM(gray-level co-occurrence matrix), LBP(local binary pattern) and PSI(pixel shape index) for plastic greenhouse identification is analysed and tested. In addition, different texture features are combined with spectral features and NDVI index to form different classification schemes, to explore which one would be the best combination of texture features for identification of plastic greenhouses. In order to explore the robustness of the method, different texture feature combination schemes are applied in the study areas. The results of SVM (support vector machine) classifier are evaluated by confusion matrix. The results show that the overall combination schemes of the two research areas with different landscape patterns have the same trend. The combination of spectral features and NDVI index can accurately identify the scattered waters in each of the two study areas. For plastic greenhouses and impervious surfaces with similar reflectance spectra, adding texture features can make up for limitation of spectral characteristics and improve the overall accuracy. The phenomena of homologous or homologous spectra in spectral features of high spatial resolution image can effectively improve the discrimination between plastic greenhouse and impervious surface. Texture features can significantly improve the identification accuracy of plastic greenhouse following the object-based image classification frame. In the classification scheme of plastic greenhouses with different spatial distribution structures, the LBP (local binary pattern) texture algorithm has the best recognition accuracy, the overall accuracy of study area A is 96.85%, Kappa coefficient is 0.95, and that of study area B is 95.58% and 0.94. Landscape fragment analysis (landscape fragmentation index area mean index, aggregation indices) of the two different study areas showed that the plastic greenhouses in study area A are more fragmented than study area B (area mean indices are 3.39 hm2 and 1.37 hm2, aggregation indices are 80.64 and 72.98 for plastic greenhouses in study area A and B, respectively).The results of fragmentation are consistent with those of classification, and the accuracy of landscape classification with more space fragments is lower (the highest overall classification accuracy for study area A and B are 98.13% and 96.13%, respectively, the PA(producer accuracy) and UA(user accuracy) are 96.47% and 97.93% for study area A, and 90.67%, 99.68% for study area B). The results show that texture features based on image objects can improve the recognition accuracy of small-scale plastic greenhouse. This is of great significance to the accurate mapping of the distribution of plastic greenhouses.

remote sensing; greenhouse; Gf-2 data; image texture features; plastic greenhouse object-based classification

2018-11-05

日期：2019-04-19

國家重點研發計劃項目（2016YFB0501502）；云南省青年基金（2016FD021）；云南省水利廳水利科技項目（2014003）

吳錦玉，主要從事高分植被識別研究。Email：jy_wu_yncj@163.com

劉曉龍，博士，講師，主要從事高分辨率熱帶植被遙感的理論和應用研究。Email：liuxl@mail.bnu.edu.cn

10.11975/j.issn.1002-6819.2019.12.021

TP79,S626

A

1002-6819(2019)-12-0173-11

吳錦玉，劉曉龍，柏延臣，史正濤，付 卓. 基于GF-2數據結合多紋理特征的塑料大棚識別[J]. 農業工程學報，2019，35(12)：173－183. doi：10.11975/j.issn.1002-6819.2019.12.021 http://www.tcsae.org

Wu Jinyu, Liu Xiaolong, Bo Yanchen, Shi Zhengtao, Fu Zhuo. Plastic greenhouse recognition based on GF-2 data and multi-texture features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 173－183. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.12.021 http://www.tcsae.org