基于GF-2影像的梯田田坎自動(dòng)提取研究

唐磊 周波 馬濤

摘 要：田坎系數(shù)測(cè)算精度直接影響糧食總產(chǎn)量統(tǒng)計(jì)、梯田區(qū)土壤侵蝕量測(cè)算的準(zhǔn)確度，為解決傳統(tǒng)的遙感影像目視解譯方法提取梯田及田坎精確度不穩(wěn)定且耗時(shí)較長的問題，基于GF-2影像和面向?qū)ο蟮募夹g(shù)方法，確定了各地類最優(yōu)分割尺度和空間、光譜、紋理等特征參數(shù)，建立各土地利用類型提取規(guī)則并進(jìn)行自動(dòng)提取，其中梯田提取精度為82.55%、Kappa系數(shù)達(dá)到0.75，田坎面積自動(dòng)提取精度為68.83%，進(jìn)而計(jì)算的田坎系數(shù)為0.153，比實(shí)地測(cè)量的田坎系數(shù)0.151大0.002。陰坡田坎陰影和田坎上林草的投影會(huì)導(dǎo)致提取的田坎面積增大，對(duì)此可結(jié)合后期人工修正，進(jìn)一步提高精度。

關(guān)鍵詞：梯田;田坎系數(shù);GF-2遙感影像;自動(dòng)提取;提取規(guī)則

Abstract：The accuracy of the calculation of the ridge coefficient directly affects the statistics of the total grain output and the accuracy of the calculation of soil erosion in the terraced area. In order to solve the issue that the traditional remote sensing image visual interpretation extraction method for extracting the accuracy of terraces and ridge is not stable enough and takes a long time， based on GF-2 remote sensing image and object-oriented technical methods， the optimal segmentation scale and feature parameters such as space， spectrum， texture， etc. were determined for various types of land and extraction rules for each land use type were established and automatically extracted. Of which， the extraction accuracy of terraces was 82.55%， the Kappa coefficient reached 0.75 and the automatic extraction accuracy of the ridge area was 68.83%. The calculated ridge coefficient was 0.153， which was 0.002 larger than the ridge coefficient that field measured of 0.151. Ridge on shady slopes had shadows. At the same time， the projection surface of the forest and grass growing on the ridge would also increase the area of the extracted ridge. This could be combined with later manual corrections to further improve the accuracy.

Key words： terraces; ridge coefficient; GF-2 remote sensing image; automatic extraction; extraction rules

梯田具有顯著的保水、保土、保肥作用，是黃土高原地區(qū)重要的水土保持措施[1]。長期以來，基于遙感影像提取梯田信息的方法主要是目視解譯法，其依賴解譯人員的經(jīng)驗(yàn)與判讀水平，精確度不夠穩(wěn)定且耗時(shí)較長[2-3]。隨著遙感技術(shù)的發(fā)展，高分辨率遙感影像的色彩和紋理越來越清晰，為梯田信息的快速、精確提取提供了條件[4-5]。于浩等[6]利用1 m分辨率的IKONOS遙感影像提取陜北地區(qū)梯田信息，精度達(dá)到81.3%;買凱樂等[7]以分辨率為2.5 m的ALOS遙感影像為數(shù)據(jù)源，對(duì)黃土丘陵溝壑區(qū)第Ⅱ副區(qū)的燕溝流域進(jìn)行梯田信息提取，精度達(dá)到74.36%;李夢(mèng)華等[8]利用0.8 m分辨率的GF-2影像數(shù)據(jù)，將位于黃土丘陵溝壑區(qū)第Ⅱ副區(qū)的彭陽縣劃分為4個(gè)生態(tài)區(qū)，采用面向?qū)ο蟮姆诸惙椒ǎ謩e對(duì)4個(gè)生態(tài)區(qū)自動(dòng)提取梯田信息，精度在65%～77%之間。

梯田凈面積是毛面積按照田坎系數(shù)扣除田坎面積之后的面積[9]，梯田田坎系數(shù)是指田坎面積與梯田毛面積的比值[10-11]。田坎面積由田坎和地埂面積組成，與田坎高度、坡度和地埂寬度及長度相關(guān)，田坎系數(shù)越大耕地的實(shí)際可耕作面積越小，因此梯田田坎系數(shù)測(cè)算精度直接影響糧食總產(chǎn)量統(tǒng)計(jì)、梯田區(qū)土壤侵蝕量測(cè)算的準(zhǔn)確度[11-16]。田坎系數(shù)與地面坡度顯著正相關(guān)，通過對(duì)數(shù)字高程模型（DEM）進(jìn)行分析處理是獲取田坎系數(shù)的重要方法[17]。筆者以1 m分辨率的GF-2影像為數(shù)據(jù)源，采用面向?qū)ο蟮募夹g(shù)方法，在提取研究區(qū)梯田面積的基礎(chǔ)上，探討了自動(dòng)提取田坎面積和計(jì)算田坎系數(shù)的方法。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于甘肅省莊浪縣柳梁鄉(xiāng)牛溝村，屬黃土丘陵溝壑區(qū)，面積為482.20 hm2，海拔1 650～1 950 m，多年平均降水量565.0 mm，年均氣溫為9.0 ℃，無霜期142 d，年均日照時(shí)數(shù)為2 179 h。土地利用類型主要有住宅用地、耕地、林地、草地、交通運(yùn)輸用地（道路）等。1998年莊浪縣被水利部命名為“中國梯田化模范縣”，坡耕地已全部梯田化，主要種植作物有小麥、玉米、馬鈴薯，果樹主要為蘋果。梯田田坎穩(wěn)定，基本沒有利用，多數(shù)自然生長雜草和稀疏喬灌木。據(jù)實(shí)地調(diào)查，研究區(qū)原地形坡度10°～25°，梯田毛寬10～30 m;田坎坡度65°～90°，高度為2～7 m，寬度為1～5 m;地埂寬度為0.5～0.9 m。

1.2 數(shù)據(jù)源

GF-2影像成像時(shí)間為2015年9月4日，分辨率為1 m，為全色影像與多光譜影像融合數(shù)據(jù)。本研究使用軟件主要有ENVI 5.3、eCognition 9.0和ArcGIS 10.5。

1.3 土地利用類型劃分

根據(jù)國標(biāo)《土地利用現(xiàn)狀分類》（GB/T 21010—2017）和行業(yè)規(guī)范《水土保持工程可行性研究報(bào)告編制規(guī)程》（SL 448—2009），將研究區(qū)土地利用類型劃分為梯田、草地、喬木林地、道路、工業(yè)用地、水體、農(nóng)村宅基地等。

1.4 研究方法

1.4.1 紋理特征計(jì)算參數(shù)的確定

軟件ENVI 5.3的二階概率統(tǒng)計(jì)工具（Co-occurrence measures）能夠計(jì)算包括角二階矩（ASM）、熵（Entropy）、對(duì)比度（Contrast）、相關(guān)性（Correlation）等8種基于二階矩陣的紋理特征參數(shù)。侯群群[18]經(jīng)過試驗(yàn)，驗(yàn)證了角二階矩、熵、對(duì)比度、相關(guān)性4種紋理特征參數(shù)之間不相關(guān)。

紋理特征計(jì)算參數(shù)根據(jù)如下三方面的設(shè)置效果來選擇：①處理窗口像元分別按1×1、3×3、5×5、7×7設(shè)置;②二階概率矩陣像元分別按1×1、3×3、5×5、7×7設(shè)置;③灰度量化級(jí)別分別按16、32、64設(shè)置。通過試驗(yàn)，對(duì)比不同設(shè)置組合的紋理特征識(shí)別效果，選擇紋理特征最清晰的設(shè)置組合來確定紋理特征計(jì)算參數(shù)。

1.4.2 多尺度分割

影像分割尺度直接影響影像信息提取的精度[19]，多層次分割提取影像信息精度高于單一層次分割提取精度[20]。先設(shè)置20、40、60、80、100、120等6個(gè)分割尺度參數(shù)，通過目視判斷，持續(xù)修改尺度，得到不同地類最優(yōu)分割尺度。

1.4.3 影像分類及田坎提取

為了提高提取效率，先對(duì)農(nóng)村道路等線狀地物及建筑用地進(jìn)行人工勾繪，將梯田分為有植被梯田（梯田1）、無植被梯田（梯田2）、田坎三部分。在不同地類最優(yōu)分割尺度層，分析各地類的特征參數(shù)并建立規(guī)則集，選用隸屬度函數(shù)分類器對(duì)影像進(jìn)行分類。依據(jù)特征參數(shù)建立梯田及田坎提取規(guī)則，分別提取各地類及其面積。

1.4.4 田坎系數(shù)計(jì)算

1.4.5 精度評(píng)價(jià)

對(duì)研究區(qū)影像進(jìn)行目視解譯，采用混淆矩陣法對(duì)自動(dòng)分類結(jié)果進(jìn)行精度（準(zhǔn)確度）評(píng)價(jià)，即用Kappa系數(shù)衡量分類精度。同時(shí)，將自動(dòng)提取計(jì)算的田坎系數(shù)與實(shí)地測(cè)算的田坎系數(shù)進(jìn)行對(duì)比，驗(yàn)證自動(dòng)提取計(jì)算田坎系數(shù)的精度。

2 結(jié)果與分析

2.1 紋理特征參數(shù)設(shè)置

窗口越大越能反映影像的粗紋理，而窗口越小越能有效突出影像紋理的細(xì)節(jié)特征[21]。試驗(yàn)表明，處理窗口像元設(shè)置為3×3、二階概率矩陣像元設(shè)置為1×1、灰度量化級(jí)別設(shè)置為16時(shí)田坎紋理最清晰，因此按此設(shè)置進(jìn)行田坎的提取。計(jì)算出16個(gè)波段紋理特征值，分別為ASM（B、G、R、NIR）、Entropy（B、G、R、NIR）、Contrast（B、G、R、NIR）、Correlation（B、G、R、NIR）。

2.2 多尺度分割

將研究區(qū)影像及4個(gè)波段（B、G、R、NIR，分別為藍(lán)、綠、紅、近紅外波段）的角二階矩、熵、對(duì)比度、相關(guān)性參數(shù)導(dǎo)入軟件eCognition 9.0中。多尺度分割的B、G、R、NIR波段權(quán)重均設(shè)為1，其余波段權(quán)重設(shè)為0，形狀指數(shù)設(shè)為0.1，緊致度設(shè)為0.5。改變分割尺度，目視判斷各地類分割效果（見圖1），各地類多層次最優(yōu)分割尺度見表1。

2.3 各地類提取規(guī)則

在各地類的最優(yōu)分割層上，根據(jù)光譜、紋理、形狀三方面的特征參數(shù)，即波段平均值（Mean）、亮度平均值（Brightness）、長寬比（Length/Width）、不對(duì)稱性（Asymmetry）、密度（Density）、形狀指數(shù)（Shape index）、歸一化植被指數(shù)（NDVI）等，分析建立各地類提取規(guī)則，見表2。

（1）按照表2中的規(guī)則，在Level1層提取水體、道路及工業(yè)用地。為了提高提取效率，先對(duì)道路等線狀地物及工業(yè)用地進(jìn)行人工勾繪。水體的近紅外波段值小于其他地類的，因此提取水體的規(guī)則為NIR<120;道路用地狹長，依據(jù)Length/Width>3來提取，但會(huì)有部分梯田田坎及農(nóng)村宅基地被提取成道路，而規(guī)則B>350能去除農(nóng)村宅基地，規(guī)則G>300、NDVI<0.12能剔除田坎;工業(yè)用地的亮度比梯田2高，提取規(guī)則為Brightness>82、NDVI<0，但會(huì)誤提部分農(nóng)村宅基地，而規(guī)則300

（2）在Level2層提取梯田2和田坎。將Level1層確定的地類同步到Level2層，在Level2層從未分類部分提取梯田2和田坎[20]。梯田2的植被覆蓋度較低，其提取規(guī)則為NDVI<0.06、Contrast_R<0.6、B<390;田坎比較長，提取規(guī)則為Length/Width>1.9，為了避免部分梯田1、農(nóng)村宅基地及喬木林地被作為田坎提取出來，用規(guī)則Density<0.89剔除梯田1、用B<300剔除農(nóng)村宅基地、用NIR<300和NDVI<0.37剔除喬木林地。

（3）在Level3層提取喬木林地、草地及梯田1。將Level2層確定的地類同步至Level3層，然后提取喬木林地、草地及梯田1。喬木林地的NDVI值較高，提取規(guī)則為NDVI>0.37、ASM_NIR<0.32、Entropy_NIR>1.34;梯田撂荒生長的雜草與草地的各特征參數(shù)很接近，導(dǎo)致二者在提取時(shí)較難區(qū)分，按規(guī)則ASM_R<0.63、Asymmetry>0.88提取草地時(shí)會(huì)有部分梯田1被作為草地提取，在多次優(yōu)化特征參數(shù)后仍然無法將梯田1區(qū)分出來，需要根據(jù)實(shí)地調(diào)查采用目視解譯的方法人工修正，將錯(cuò)分的梯田1修正過來;提取梯田1時(shí)，用規(guī)則Contrast_R<1.6、NDVI>0將其與農(nóng)村宅基地區(qū)分開。

（4）在Level4層提取農(nóng)村宅基地。同步Level3層確定的地類至Level4層，Level4層未分類部分全部為農(nóng)村宅基地。

2.4 田坎精準(zhǔn)提取及系數(shù)計(jì)算

合并Level4中的梯田1、梯田2為梯田，分別選擇梯田田面樣本、田坎樣本，對(duì)比樣本各特征參數(shù)的區(qū)別，建立田坎精準(zhǔn)提取規(guī)則（見表3），提取Level4中的田坎，命名為田坎1，提取效果見圖2（a）。Level4中梯田的分割尺度為55，仍有分割潛力，可以對(duì)剩下的梯田進(jìn)行分割，每隔5個(gè)尺度分割一次，目視判斷分割后田坎的分割效果，在分割尺度分別為35、25時(shí)效果較好，作為Level5、Level6，按照這兩種分割尺度選擇樣本、建立規(guī)則（見表3）并提取田坎，分別命名為田坎2（提取效果見圖2（b））、田坎3。在田坎提取時(shí)，僅對(duì)明顯錯(cuò)分的田坎進(jìn)行修正。

合并所有田坎，導(dǎo)出Level6中所有地類為shp格式，再將其導(dǎo)入到ArcGIS 10.5中，統(tǒng)計(jì)得出田坎面積為55.49 hm2，梯田田面面積為306.25 hm2，按式（1）計(jì)算田坎系數(shù)為0.153。

2.5 精度評(píng)價(jià)

結(jié)合實(shí)地調(diào)查資料對(duì)研究區(qū)土地利用類型進(jìn)行目視解譯，利用混淆矩陣法對(duì)提取結(jié)果進(jìn)行精度評(píng)價(jià)，梯田提取精度達(dá)到82.55%、Kappa系數(shù)達(dá)到0.75;田坎的提取精度為68.83%、Kappa系數(shù)為0.61，見表4。田坎的提取精度較梯田的低，主要原因是部分田坎未被分割出來，提取較困難。

隨機(jī)選擇30塊梯田，實(shí)地測(cè)量梯田的田坎面積與田面面積，按式（1）計(jì)算田坎系數(shù)為0.151。與此結(jié)果相比，自動(dòng)提取結(jié)果僅相差0.002。

3 結(jié) 論

基于1 m分辨率的GF-2影像，采用面向?qū)ο蟮募夹g(shù)方法，確定了各地類最優(yōu)分割尺度和空間、光譜、紋理等特征參數(shù)，建立各土地利用類型提取規(guī)則并進(jìn)行自動(dòng)提取，其中梯田提取精度為82.55%、Kappa系數(shù)達(dá)到0.75;在提取梯田面積的基礎(chǔ)上，采用分層分割提取的方式，實(shí)現(xiàn)了田坎面積的自動(dòng)提取，提取精度為68.83%;進(jìn)而計(jì)算的田坎系數(shù)為0.153，比實(shí)地測(cè)量的田坎系數(shù)0.151大0.002。分析認(rèn)為，陰坡田坎陰影和田坎上林草的投影會(huì)導(dǎo)致提取的田坎面積增大，對(duì)此可結(jié)合后期人工修正，進(jìn)一步提高精度。

參考文獻(xiàn)：

[1] 寇權(quán)，王愿昌，吳永紅，等.基于高分辨率衛(wèi)星影像的梯田監(jiān)測(cè)方法研究[J].中國水土保持，2005（12）：24-25.

[2] 黨恬敏，穆興民，孫文義，等.高分辨率遙感影像梯田快速提取方法研究進(jìn)展[J].人民黃河，2017，39（3）：85-89.

[3] 孫悅.基于eCognition的衛(wèi)星遙感影像分析技術(shù)[J].無線電工程，2014，44（3）：35-39.

[4] 白曉燕，陳曉宏，王兆禮.基于面向?qū)ο蠓诸惖耐恋乩眯畔⑻崛〖捌鋾r(shí)空變化研究[J].遙感技術(shù)與應(yīng)用，2015，30（4）：798-809.

[5] 張雨果，王飛，孫文義，等.基于面向?qū)ο蟮腟POT衛(wèi)星影像梯田信息提取研究[J].水土保持研究，2016，23（6）：345-351.

[6] 于浩，劉志紅，張曉萍，等.基于傅立葉變換的梯田紋理特征提取[J].國土資源遙感，2008，20（2）：39-42.

[7] 買凱樂，張文輝.黃土丘陵溝壑區(qū)遙感影像信息面向?qū)ο蠓诸惙椒ㄌ崛J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（4）：153-158.

[8] 李夢(mèng)華，石云，馬永強(qiáng)，等.基于面向?qū)ο蟮狞S土丘陵溝壑區(qū)梯田信息提取研究[J].測(cè)繪與空間地理信息，2019，42（5）：50-54.

[9] 趙彥棟，魏春蕾，王桂鋼，等.基于高分影像的國土三調(diào)田坎系數(shù)測(cè)算方法探討[J].礦山測(cè)量，2019，47（3）：82-86.

[10] 王杲，梁亮.基于高分辨率遙感影像的田坎系數(shù)測(cè)算[J].測(cè)繪與空間地理信息，2009，32（5）：99-101.

[11] 趙佳琪，陳英.分家析產(chǎn)對(duì)耕地田坎系數(shù)的影響：以河西走廊地區(qū)永昌縣為例[J].資源科學(xué)，2012，34（8）：1461-1468.

[12] 劉軍芳.土地開發(fā)整理與糧食安全的關(guān)系探析[J].山西農(nóng)業(yè)科學(xué)，2008（9）：3-6.

[13] 楊利民，孫鐵軍，劉專，等.面向多對(duì)象的耕地田坎系數(shù)測(cè)算方法探討[J].測(cè)繪科學(xué)，2009，34（5）：36-38.

[14] 陳正，周同，桑玲玲.整治田坎新增耕地的潛力分析[J].中國土地，2017（5）：49-51.

[15] 陳登，劉俊，郝小亮.土地調(diào)查中田坎系數(shù)獲取途徑探討[J].地理空間信息，2009，7（增刊1）：54-58.

[16] 劉軍芳，杜慧平.高分辨率遙感影像和GIS在田坎系數(shù)測(cè)算中應(yīng)用方法的探析[J].山西農(nóng)業(yè)科學(xué)，2009，37（10）：35-38.

[17] 李巍.田坎系數(shù)測(cè)算的新技術(shù)與方法研究[D].長沙：中南大學(xué)，2009：5-9.

[18] 侯群群.面向?qū)ο蟮倪b感影像水土保持措施信息提取研究[D].楊凌：西北農(nóng)林科技大學(xué)，2013：33-34，66-67.

[19] 薛牡丹，張宏鳴，楊江濤，等.無人機(jī)影像與地形指數(shù)結(jié)合的梯田信息提取[J].計(jì)算機(jī)應(yīng)用研究，2019，36（8）：2527-2533.

[20] 何少林，徐京華，張帥毅.面向?qū)ο蟮亩喑叨葻o人機(jī)影像土地利用信息提取[J].國土資源遙感，2013，25（2）：107-112.

[21] 李智峰，朱谷昌，董泰鋒.基于灰度共生矩陣的圖像紋理特征地物分類應(yīng)用[J].地質(zhì)與勘探，2011，47（3）：456-461.

【責(zé)任編輯 張智民】