基于Landsat 8 OLI影像的山區(qū)園地提取方法

王剛，王加勝，苗旺元，陳波

（1.云南師范大學(xué)信息學(xué)院，昆明650500；2.西部資源環(huán)境地理信息技術(shù)教育部工程研究中心，昆明650500）

0 引言

山區(qū)園地的提取在國內(nèi)國外的相關(guān)研究普遍比較少，利用遙感技術(shù)對山區(qū)園地的提取也比較難。近年來，果園的提取主要是用光譜特征和植被指數(shù)來操作的。例如羅等人[1]把環(huán)境衛(wèi)星遙感影像作為數(shù)據(jù)基礎(chǔ)影像，把NDVI、波段、高程和紋理信息等作為提取果園的特征，然后使用決策樹的分類模型對研究區(qū)的果園進(jìn)行遙感提取和分類。李等人[2]和Immitzer等人[3]綜合了光譜信息提取并且對其進(jìn)行分類。因?yàn)榈孛嫣卣飨鄬碚f比較復(fù)雜，結(jié)合光譜和植被指數(shù)特征的果樹提取精度通常是比較低的，容易出現(xiàn)分類錯(cuò)誤和遺漏的現(xiàn)象[4-5]。為了提高分類精度，國內(nèi)外的學(xué)者運(yùn)用了光譜結(jié)合紋理特征的提取方法進(jìn)行果樹研究[6-7]。例如岳等人[8]把不同高精度分辨率的高分一號遙感數(shù)據(jù)作為基礎(chǔ)影像，把光譜和紋理特征作為提取特征，分別使用多種遙感分類模型對研究區(qū)主要栽培的果樹進(jìn)行遙感識別分類。PU等人[9]和Dian等人[10]把空間信息和光譜特征作為提取特征對果樹進(jìn)行遙感提取分類，證明了把空間信息和光譜特征結(jié)合起來可以很大地提高果樹分類的準(zhǔn)確性。宋等人[11]把QuickBird影像作為基礎(chǔ)遙感影像，先利用小波變換的方法對紋理信息進(jìn)行提取，然后使用隨機(jī)森林這個(gè)分類方法自動(dòng)提取出獼猴桃果園。郝等人[12]利用面向?qū)ο蟮母叻直媛视跋窠Y(jié)合紋理特征對耕地進(jìn)行提取。黃等人[13]從紋理、形狀和對象的角度來進(jìn)行提取和分析影像的特征，在這個(gè)基礎(chǔ)上，用三個(gè)分辨率比較高的對影像有實(shí)際應(yīng)用的案例來驗(yàn)證自己提出的方法。陳等人[14]利用高分辨率影像，把光譜和紋理特征作為提取特征數(shù)據(jù)，通過比較選取最好的紋理特征組合，使用決策樹這個(gè)分類方法進(jìn)行分類。

綜上所述，在現(xiàn)有的果園提取方法中，結(jié)合光譜與植被指數(shù)特征的果樹提取精度相對較低，然而后來提出的一種把光譜和紋理特征作為提取特征的方法，很好地提升了對遙感影像的分類精度。但是因?yàn)檫b感影像空間分辨率的限制和制約，對影像的分類精度來說仍然具有比較大的提高空間。為此，亟需開展基于高分辨影像、融合光譜、地形、紋理等多特征的園地提取研究。

GEE（Google Earth Engine）是一個(gè)綜合科學(xué)分析和地理信息數(shù)據(jù)可視化的平臺。本身存儲了近40年來主要公開的遙感影像數(shù)據(jù)集，并每天不斷進(jìn)行更新，使得GEE用戶可以方便地提取、調(diào)用和分析海量的遙感大數(shù)據(jù)資源。與常規(guī)影像處理軟件相比，GEE可以實(shí)現(xiàn)更加快速、在線批量處理大數(shù)據(jù)等功能，對各種植被指數(shù)、水體指數(shù)具有快速且精確計(jì)算的特點(diǎn)。

本文擬以云南省昭通市昭陽區(qū)為研究區(qū)域，以GEE為軟件平臺，把Landsat 8 OLI遙感影像作為基礎(chǔ)的數(shù)據(jù)影像，地形圖等地理數(shù)據(jù)作為輔助，對園地的特征進(jìn)行提取，主要包括了光譜特征、紋理特征、地形特征和纓帽變換特征，然后采用隨機(jī)森林（Random For-est）這個(gè)比較常見的分類方法進(jìn)行分類并且采用決策樹（Decision Tree）的分類方法和支持向量機(jī)（Support Vector Machine）的分類方法進(jìn)行提取2019年以昭陽區(qū)為研究區(qū)的園地并加以對比。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

昭陽區(qū)隸屬于昭通市，在昭通市的西南方向，金沙江的南邊，在27.1°N-27.6°N、103.1°E-103.9°E之間，位于云貴高原的西北部（如圖1所示）。東、南、西、北邊分別與貴州省的威寧縣、昭通市的魯?shù)榭h、四川省的金陽縣、昭通市的彝良縣，大關(guān)縣和永善縣三縣相鄰，是昭通市最富裕的縣區(qū)，占地總面積大約2167平方公里，占昭通市總面積的9.4%。昭陽區(qū)的氣候類型屬于北緯高原大陸季風(fēng)氣候，春夏秋冬四季的溫差比較小，干季濕季差別比較明顯，垂直差異比較大。全年無霜期約為220天，相對北方來說比較長，全年平均氣溫約為11.6攝氏度，比較適合水果的生長，全年平均降水量約為735毫米，全年平均日照時(shí)間約為1902.02小時(shí)，晝夜的溫差較大，日溫差也比較大。該地區(qū)以紅壤為主，多為山區(qū)，山區(qū)占64.3%，境內(nèi)水系發(fā)達(dá)。獨(dú)特的水文氣候條件，造就了“昭通蘋果”等水果品牌。

1.2 數(shù)據(jù)與預(yù)處理

（1）Landsat 8 OLI數(shù)據(jù)。

根據(jù)昭陽區(qū)果園生長期以及影像的質(zhì)量等因素，選取來自GEE（https://earthengine.google.com/）平臺的28景Landsat 8 OLI遙感影像數(shù)據(jù)。時(shí)間是從2019年2月1日到2019年10月31日，包括果樹的發(fā)芽期、開花期、幼果期、膨大期、著色期和成熟期，分辨率為30m。首先對在GEE上獲取的Landsat 8 OLI遙感衛(wèi)星數(shù)據(jù)進(jìn)行數(shù)據(jù)的預(yù)處理工作，由于GEE中的Landsat 8 OLI遙感數(shù)據(jù)已經(jīng)進(jìn)行了大氣校正的工作，所以后續(xù)的預(yù)處理主要包括影像去云，影像融合鑲嵌，影像裁剪等過程，然后進(jìn)行特征提取。

圖1 研究區(qū)位置示意圖

（2）SRTM數(shù)據(jù)。

本文使用SRTMGL1_003數(shù)據(jù)，空間分辨率30 m。運(yùn)用STRM數(shù)據(jù)進(jìn)行特征提取，包括DEM、坡度、坡向和陰影等信息。

（3）樣本數(shù)據(jù)。

選擇合適的樣本點(diǎn)是提高植被分類結(jié)果的可靠性以及精度的前提。根據(jù)昭陽區(qū)的地形圖，土地利用方式和分布，將研究區(qū)的主要的土地作物種植類型化分成6種，分別為水體、草地、耕地、林地、建筑用地和園地，這6種土地作物種植類型在Google Earth平臺本身提供的高分辨率影像上具有非常明顯的識別特征。通過Google Earth平臺提供的2019年左右的高分辨率影像，利用目視解譯的辦法得到所有土地類型的樣本數(shù)據(jù)，收集得到的樣本點(diǎn)隨機(jī)且均勻分布于整個(gè)昭陽區(qū)。把目標(biāo)年份的樣本數(shù)據(jù)先進(jìn)行隨機(jī)的分配，比例按照7:3來分配，其中采集到的70%的樣本數(shù)據(jù)放入三種分類器進(jìn)行分類訓(xùn)練，而剩下的30%的樣本數(shù)據(jù)用來進(jìn)行混淆矩陣的精度評價(jià)。樣本數(shù)如表1所示。

2 研究方法

研究技術(shù)路線如圖2所示。首先要對Landsat 8 OLI遙感影像進(jìn)行預(yù)處理的工作，由于GEE上的Land-sat數(shù)據(jù)已經(jīng)進(jìn)行了大氣校正，所以在這里主要進(jìn)行其他的一些預(yù)處理，包括影像去云、影像融合鑲嵌和影像裁剪等一系列過程，然后結(jié)合地形圖作為輔助數(shù)據(jù)進(jìn)行特征信息提取，包括物候特征、地物光譜特征、紋理特征、地形特征和纓帽變換特征，最后采用RF、CART、CART這三種常見的分類模型進(jìn)行分類并且進(jìn)行精度評價(jià)。

圖2 技術(shù)路線圖

2.1 特征提取

特征變量的選擇對遙感分類來說非常重要，把不同的特征變量有機(jī)的組合起來可以使遙感分類的準(zhǔn)確性有比較明顯的改善[15]。本文綜合利用光譜特征、紋理特征、纓帽變換特征和地形特征進(jìn)行果園的遙感提取。

（1）光譜特征。

本文的光譜特征主要使用了一些多光譜波段和一些光譜指數(shù)[16]來表示的，光譜指數(shù)發(fā)展到今天有很多，本文使用了一些方便區(qū)分園地的光譜指數(shù)，分別是歸一化植被指數(shù)（NDVI）、歸一化濕度指數(shù)（NDMI）、調(diào)整土壤亮度的植被指數(shù)（SAVI）、比值植被指數(shù)（RVI）和差值植被指數(shù)（DVI）。計(jì)算公式如表2所示。

表2 光譜指數(shù)公式

其中L表示的是土壤調(diào)整系數(shù)，當(dāng)L=0時(shí)，SAVI=NDVI，在研究中，L=0.5，植覆蓋度處于中等水平。

（2）紋理特征。

本文使用的紋理特征主要是通過灰度共生矩陣（GLCM）[17]計(jì)算得到的，分別是二階矩、對比度、相關(guān)性、方差和熵，計(jì)算公式如表3所示。

表3 紋理特征和公式

（3）纓帽變換特征。

纓帽變換是根據(jù)固定的變換矩陣將原始影像投影綜合變換到具有物理意義的亮度（Brightness）、綠度（Greenness）和濕度（Wetness）特征向量的三維特征空間，分別反映了裸土巖石、植被覆蓋度和水分信息。這個(gè)變換的過程達(dá)到了減少特征維數(shù)、增強(qiáng)影像信息的效果。其變換公式如下：

式中，X、Y分別為變換前后的多光譜空間的像元矢量；C為變換矩陣；b表示的是避免出現(xiàn)負(fù)值所添加的常數(shù)。Landsat 8 OLI影像下纓帽變換矩陣系數(shù)如表4所示[18]。

表4 Landsat 8 OLI影像下纓帽變換矩陣系數(shù)

（4）地形特征。

地形特征包括基于SRTM的數(shù)字化高程模型（DEM）及其衍生產(chǎn)品（坡度、坡向、陰影）[19]，引入地形特征作為限定條件，增加部分限定條件以提升精度。

2.2 分類方法

隨機(jī)森林分類算法是一種包含多個(gè)決策樹（CART）的機(jī)器學(xué)習(xí)算法，已被大量應(yīng)用在許多領(lǐng)域，例如土地利用變化圖等，這種分類方法在分類特征比較多的情況下被認(rèn)為具有比較好的分類效果[20-21]。隨機(jī)森林主要包括2個(gè)階段，分別是訓(xùn)練和分類。在訓(xùn)練這個(gè)階段，首先對輸入的數(shù)據(jù)通過每棵樹自舉重的方法對采集樣本進(jìn)行采樣，隨機(jī)重復(fù)抽取N個(gè)新的樣本集合來替代原來的訓(xùn)練樣本集合，然后通過這個(gè)樣本集合生成幾個(gè)獨(dú)立的CART決策樹。在分類這個(gè)階段，通過算術(shù)平均計(jì)算所有樹產(chǎn)生各種類別的概率，由每棵樹的分類結(jié)果通過投票得到[22-23]。最后通過GEE這個(gè)二次開發(fā)平臺，使用隨機(jī)森林分類算法對2019年目標(biāo)年份的所有輸入的特征集合來進(jìn)行分類得到分類結(jié)果。

2.3 精度評價(jià)

在分類精度檢驗(yàn)與評估中，遙感分類結(jié)果需要使用參數(shù)指標(biāo)來片判別分類結(jié)果與實(shí)際土地類型的差異程度。把混淆矩陣（也稱誤差矩陣）作為評價(jià)分類的指標(biāo)[24]來展示結(jié)果的好壞，包括總體分類精度（OA）、Kap-pa系數(shù)（KC）、錯(cuò)分誤差（CE）、漏分誤差（OE）、用戶精度（UA）和生產(chǎn)者精度（PA）等，遙感影像分類的準(zhǔn)確性就是用這些評價(jià)指標(biāo)從不同的方面來表現(xiàn)出來的[25-26]。本文運(yùn)用了混淆矩陣中總體分類精度與Kappa系數(shù)來衡量試驗(yàn)區(qū)分類結(jié)果質(zhì)量。用驗(yàn)證樣本來計(jì)算目標(biāo)年份分類結(jié)果的OA、KC、UA、PA，用這些結(jié)果的好壞來評估果園遙感提取的準(zhǔn)確性。評價(jià)指標(biāo)如表5所示。

表5 評價(jià)指標(biāo)

3 結(jié)果與分析

3.1 不同分類方法結(jié)果的精度對比

用相同的樣本集合進(jìn)行SVM和CART的分類來評估RF算法的分類性能的好壞。3種算法的分類結(jié)果如表6所示。

目標(biāo)年份的果園提取結(jié)果利用分類精度評價(jià)參數(shù)來評估。由表6可知，RF分類的OA、Kappa系數(shù)、UA和PA高于相同特征下的SVM和CART分類結(jié)果，與CART分類相比OA、KAPPA系數(shù)、UA和PA分別提升2%、3%、7%和6%，與SVM分類相比OA、Kappa系數(shù)、UA和PA分別提升6%、8%、11%和15%，表明RF提取果園的效果和穩(wěn)定性比較好。

表6 分類結(jié)果

3.2 三種不同分類方法的果園空間分布對比

圖3表示的是通過不同的分類算法獲得的昭陽區(qū)的土地利用分類圖?？梢悦黠@的看出，SVM分類結(jié)果中果園和耕地草地之間的錯(cuò)分現(xiàn)象較為嚴(yán)重，CART分類結(jié)果中果園分布完整性較好，與其他地物類型的混分狀況有較大改善。由圖3可以看出，CART分類與RF分類結(jié)果相對來說比較相似，但是果園和耕地之間錯(cuò)分漏分的現(xiàn)象有所增加。綜合三種分類結(jié)果表明，采用RF分類算法提取的果園與其他兩種分類方案相比具有更好的連續(xù)性，影像的整體分類效果在果園的提取上有明顯的提高，這與表6中的定量分析相符。經(jīng)統(tǒng)計(jì)，基于RF分類算法提取的果園面積為318.9hm2。2019年果園分布圖顯示，昭陽區(qū)果園主要集中分布與灑漁、永豐、舊圃、北閘、小龍洞等鎮(zhèn)。

3.3 研究區(qū)果園空間分布

經(jīng)統(tǒng)計(jì)，基于隨機(jī)森林分類算法提取的果園面積為318.9hm2，占昭陽區(qū)總面積的14.7%。2019年果園分布圖（如圖4所示）表明，昭陽區(qū)果園主要集中分布于灑漁、永豐、舊圃、北閘、小龍洞等鎮(zhèn)。

4 結(jié)語

本文通過GEE平臺，選用覆蓋昭陽區(qū)的2019年共28個(gè)時(shí)相的Landsat 8 OLI遙感衛(wèi)星影像并完成數(shù)據(jù)的預(yù)處理，構(gòu)建包括光譜、紋理、地形、纓帽特征在內(nèi)的分類特征集，使用隨機(jī)森林分類算法，對昭陽區(qū)進(jìn)行園地信息提取，最終得到了2019年昭通區(qū)果園空間分布情況，對研究區(qū)園地栽種面積進(jìn)行估算，提取精度較高。研究得到的主要結(jié)論如下：

圖3 三種分類方法結(jié)果圖

圖4 果園分布圖

（1）通過比較RF、CART和SVM這三種分類器的分類性能，結(jié)果表明，在相同分類特征下，RF算法的分類結(jié)果最好，OA和Kappa系數(shù)比其他兩種分類器要高，與CART分類相比OA提高了2%，與SVM分類相比OA提高了6%。

（2）根據(jù)RF分類方法提取的園地結(jié)果，制作了昭陽區(qū)的園地分布圖，結(jié)果顯示，昭陽區(qū)園地總面積為318.9 hm2，占昭陽區(qū)總面積的14.7%，RF分類的OA達(dá)到96%，Kappa系數(shù)達(dá)到0.95，分類效果相對其他兩種分類器來說比較好。

（3）在昭陽區(qū)各鎮(zhèn)均分布有園地，其中，灑漁鎮(zhèn)園地分布最多，果業(yè)為該鎮(zhèn)農(nóng)業(yè)產(chǎn)業(yè)中的主導(dǎo)產(chǎn)業(yè)。

但是，基于像元的分類將無法避免導(dǎo)致“椒鹽現(xiàn)象”的發(fā)生，如何確定最佳的影像分割閾值，如何更有效地選取訓(xùn)練區(qū)域樣本，以及如何更準(zhǔn)確地選擇分類指標(biāo)與規(guī)則，都需要在后面繼續(xù)積極探索。