煙田地膜為特征的高分辨率遙感影像煙草種植面積提取

喻 俊，王 杲，帥開德，楚天舒

（1.湖南省煙草公司張家界市公司，湖南 張家界 427000；2.張家界市測繪院，湖南 張家界 427000）

0 引言

煙草是中國最重要的經濟作物之一。而煙草的生長發育對光、熱、水等自然環境條件反應敏感，對自然環境要求較高，煙葉生長周期長、種植勞動強度大、用工投入多、技術要求高。快速、實時、準確地獲取煙草的生長信息是實現煙草精益生產的關鍵。目前為止，煙草種植面積的核實仍以實地勘查和人工測量估算為主，且多為點狀數據，測定范圍小。在逐級上報的過程當中存著在很多的人為因素，不僅導致上報數據不夠準確，而且浪費了大量的人力、物力和財力[1]。

遙感在監測和區分不同類型植被、反演植被健康狀況和作物成熟度方面具有重要作用，已經廣泛被應用于作物監測領域。孟秀軍等[2]利用無人機自動高效、高分、生產周期短等特點設計出了無人機遙感方式監測煙田形態和種植情況的解決方案，計算得出了煙田區域位置、面積及株樹等詳盡信息。薛宇飛等[3]以莽市煙草物候期Sentinel-2 多光譜數據為數據源，以NDVI、各波段不同地表反射率等數據構建特征變量集，構建地表光譜特征、植被指數、紅邊指數等特征分類規則。采用閾值法和最近鄰分類法，準確提取了莽市主要作物煙草的種植面積信息。彭光雄等[4]以云南省魯西縣做為研究區，分析移植物后的煙田膜可作為煙草識別的特征標志，可知5 月下旬至6 月上旬為煙區遙感監測的最佳時間。羅貞寶等[5]以畢節市七星關區大河鄉煙草苗期（覆膜）和成熟期的GF-1/2 影像數據為數據源，基于面向對象的分類方法，以光譜、形狀和NDVI 植被指數為分類特征，對研究區主要地物類型進行分類，準確提取了研究區煙草種植面積。

利用衛星遙感技術對不同植被類型的監控與識別，反演植被的生態環境及農作物的成熟程度有著十分關鍵的意義，已經在農作物的監控中得到了越來越多的運用。利用無人機拍攝的航空影像能計算得出了煙田區域位置、面積及株樹等詳盡信息[5]，但是無法做到宏觀大面積測量。利用衛星遙感數據可以對煙草種植面積完成精準提取，但是提取周期過長，無法利用提取結果完成當年的煙葉生產的再調整。由于煙草部門需要根據當年的觀測數據實時調配相關生產物料，所以快速、準確測量出煙田面積才能更好滿足生產的需要。

本研究利用多源遙感數據，以煙田地膜為主要特征，采用面向對象的分類方法，加以閾值分類方法掩膜提取，完成煙田面積精準且實時的提取。

1 研究區概況

研究區位于湖南省桑植縣以北龍潭坪鎮，地形以高山丘陵為主，垂直差異顯著，氣候屬亞熱帶季風濕潤氣候，雨量充沛，氣候溫和。充足的雨水，由于立體的氣候條件，可以制造出不同類型的卷煙產品，其他主要種植的農作物有玉米、油菜以及水稻。

2 數據源及研究方法

2.1 數據源及預處理

①本研究所需GF-6 衛星的2m 分辨率全色和8m分辨率多光譜相機影像、JLKF01 衛星的1m 分辨率全色數據和4m 分辨率多光譜數據來源為https：//www.img.net/searchData；②三調耕地數據。

遙感影像預處理使用ENVI5.3，處理過程主要有：輻射校正、大氣校正、幾何校正、裁剪與鑲嵌。

2.2 常見作物物候期的分析

經過調查研究發現，龍潭坪鎮屬于多山高山地區，森林面積約占85%，其當地主要農作物為水稻、玉米、茶葉、油菜、煙草。春夏季主要作物為水稻、玉米、煙草。根據煙草的輪作特性，某些病原體，例如，根和莖病害（如黑脛病等），能夠在病株的土壤當中生存3 年甚至更長的時間，使病蟲害得以傳播蔓延。因此，煙草在同一年不會與其他的作物進行輪作種植，而油菜往往與水稻和玉米輪作，同年4 月收割完油菜以后，會繼續輪作種植水稻和玉米，因此在衛星影像上反映出的結果就是4 月中旬之前的煙田處于起隆階段，屬于荒地。

由于桑植縣在4—6 月處于梅雨季，獲取單一數據源的難度比較大，所以采用GF6 衛星影像和JLKF 衛星組合的數據作為數據源。根據桑植縣煙草物候節律來確定影像獲取時間，本研究采用GF6 衛星影像和JLKF衛星組合的數據作為數據源。根據桑植縣煙草物候節律確定影像獲取時間，選取了2022 年4 月4 日和5 月5 日拍攝兩個時間段共8 景衛星影像，分別對應煙草的移栽期和還苗期做了調研。如表1 所示[6]。

表1 煙草物候期對應調查時間信息

2.3 多尺度分割

影像分割是一種既能自動生成遙感影像的影像對象，又能將這些影像對象按等級結構聯接起來的一門技術[7]。圖像分割后獲得圖像目標，各圖像目標內部大致均勻，紋理和頻譜特性相近。

多尺度分割從多個尺度對圖像進行分割，生成多個尺度的目標層，然后根據形狀和光譜相似性進行分割，對影像對象進行自底向上的聚類合并，分割尺度大的對象包含更多像元數目，相反小尺度對象包含較少的像元。

2.4 最鄰近分類

K 最鄰近（Kˉnearest neighbor, KNN）算法是一種在特征空間中基于最鄰近的訓練樣本來區分對象的方法。為了判斷未知樣本的類別，利用已知的各類型樣品，分別對未知樣品和已知樣品的間距進行了分析，選擇了K 個與未知樣品相鄰的K 個樣品，采用“少數優先”的投票原則；將該未知樣品與K 個最相近的、屬多個分類的樣品進行分類[8]。

2.5 閾值分類

閾值分類（assign class）指定類算法通過建立閾值條件來來判定分割對象是否屬于某一類別，所需抽取的分類可以作為目標分類，其他分類可以作為背景分類。在目標類型和背景類型之間有明顯差別的情況下，利用閾值分類方法構造出相應的分類規則，本研究利用歸一化植被指數（NDVI）和亮度平均值作為閾值分類的特征。其中NDVI 的計算公式如式（1）所示。

式中：NIR——近紅外波段；R——紅波段。

2.6 精度評價

遙感圖像分類后對象與其實際地物對比的精度是反應圖像分類結果優劣的定量評價方式，其中，混淆矩陣是一種常用的方法來表示分類的精度。用來代表種類數目，由參照分類的結果判定的種類數目是一個對比的。該系統包括了與真實得分有關的參考分類和真實得分。通過混淆矩陣，可以看出各類型的遺漏和誤差，以及可以計算出全局精度（overall accuracy, OA）和Kappa 系數，以及用戶精度和生產者精度。OA 的具體公式如式（2）所示。

Kappa 系數可以用更客觀的指標來評價分類質量。Kappa 因子所生成的評估指數叫做Khat 統計學，它能反應出所抽取的數據與實際地形的一致性。在Kappa 因子低于0.4 的情況下，其一致性不佳；Kappa因子在0.4～0.6 范圍內表示符合程度比較正常，Kappa因子大于0.6 則表示兩者具有很好的一致性。如式（3）所示。

式中：r——混亂矩陣中的全部列（也就是總體分類號）；Xii——在迷惑矩陣中第i 行和i 列上的象素的數目（也就是，被適當地劃分的數）；Xi+及X+i——第i 列中的象素總數；H——精確估計所需的全部象素數目。

2.7 煙田提取技術路線

首先，對4 月拍攝的JLKF01 和5 月拍攝的GF-6數據進行數據預處理；其次，對5 月研究區的遙感影像使用面向對象的分類方法粗提取提取煙田覆膜信息，再利用4 月遙感影像的荒地和三調數據對其他地類進行掩膜，準確提取煙田種植面積；最后對分類的結果進行精度評價，從而獲得龍潭坪鎮煙草種植區域圖。技術路線如圖1 所示。

圖1 技術路線

3 結果

3.1 確定最優分割尺度

本研究利用eCognition 軟件來實現圖像的分割，為了驗證分割的最優參數，采用“試錯法”來確定尺度參數（Scale Parameter）、同質性（Compactness）、形狀因子（shape）。尺度參數（Scale Parameter）是定義影像對象層的均一性準則的最大標準差，尺度參數值越大，影像對象層的輪廓越大。形態因子和顏色因子（color）呈反比，若遙感影像中的彩色不夠顯著，則應將形態因子降低到合適的程度；當影像的輪廓不清楚時，適當調整形態因子。緊密度與平滑度（Smoothness）呈反比例關系，光順度對邊沿光滑度的大小產生一定的作用，而緊密度則會對整體的緊密性產生一定的作用，有助于區分緊密的和不緊密的區域。本研究分別對4 月和5 月的影像進行分割，如圖2、圖3 所示，在尺度參數都是20，緊致度不變，形狀因子分別為0.1 和0.4 的分割圖像。可以看出，由于圖像的顏色很豐富，兩個參數的色彩差異不大，右邊的圖形在邊緣上要比左邊的要精細得多。

圖2 形狀因子0.1 效果

圖3 形狀因子0.4 效果

3.2 分類規則與分類結果

本研究采用各波段反射率平均值、亮度、形狀為面向對象最鄰近分類特征，通過目視解譯選擇煙田、林地、水體、建設用地、耕地種植地、耕地裸地6 種地類各20～40 個訓練樣本，執行面向對象最鄰近分類。然后利用NDVI 和亮度值作為閾值分類的特征對最鄰近分類結果進行再分類，分類操作在eCognition 軟件中操作實現。分類結果如圖4 所示。

圖4 分類結果

3.3 煙田精提取

3.3.1 掩膜耕地裸地

分析5 月遙感影像的分類結果，發現耕地裸地存在與煙田地類相似光譜特征，出現部分煙田錯分為裸地和部分裸地錯分為煙田的情況，煙田地膜由于反光，NDVI＜0，裸地反射率低于地膜反射率NDVI＞0。因此，對NDVI＞0 的對象進行掩膜。

3.3.2 煙田地膜精提取

根據對煙草物候特征，煙草在覆蓋地膜前是裸地，因此利用4 月的遙感影像在5 月遙感影像的分類結果的基礎上進行煙田地膜精提取[9]。鑒于此，對4 月遙感影像亮度值（Brightness）大于112，小于145 的對象進行提取。

3.3.3 掩膜非耕地

部分高亮的建設用地和水體也被分類到煙田和耕地裸地類別中，利用三調數據掩膜掉非耕地數據，進一步剔除上述煙田提取過程中的建設用地和水體類別[10]。最終煙田提取結果如圖5 所示。

圖5 煙田提取分布

3.4 分類精度結果與評價

利用面向對象的分類方法解譯無人機獲取的高分辨率遙感影像可以獲得精確的煙草種植信息。通過基于樣本點的混淆矩陣精度評價方法（Error Matrix based on Samples）來定量評價面向對象分類結果精度[11]。在ArcGIS 中生成隨機點，通過對研究區衛星影像目視解譯，給樣本點添加地類名稱，如圖6 所示，共包括200個樣本點，耕地裸地30 個，耕地種植地19 個，建設用地29 個，林地70 個，水體13 個，煙田39 個。

圖6 煙田實地驗證點和其他地類目視解譯點分布

分類結果OA 達到83.5%，Kappa 系數為0.79，對于單一地類精度，完成煙田精提取后，煙田生產者精度（producer accuracy, PA）達到86.04%，用戶精度（user accuracy, UA）達到87.17%。其余地類如林地和耕地裸地的PA 和UA 也較高，是易區分的地類，如表2 所示。

表2 分類精度

4 結語

煙草行業具有顯著的經濟效應，煙草種植面積的遙感提取值得深入研究。煙田面積監測對煙葉生產有重要的指導意義，利用煙葉生產旺季對煙田面積提取往往無法滿足當年計劃生產的再部署。本研究利用煙田地膜是煙田信息提取的重要特征，再結合煙葉、水稻、油菜等作物的物候特征，對兩個時段的遙感影像進行面向對象的分類，最終掩膜提取得到煙田分布范圍，從而在煙草生長初期掌握到煙田的種植面積。通過對該方法的精確性評估，該方法的整體準確率達到83.5%，Kappa 因子0.79，煙田提取的用戶精度可達92.23%，能滿足煙草生產經營的需要。

本文是利用4 月JLKF01 和5 月拍攝的GF-6 組合的數據集進行觀測，分別是1m 和2m 的空間分辨率。但是，5 月的GF-6 遙感影像拍攝時間為5 月5 日，通過實地驗證，部分煙田在5 月5 日后才進行蓋膜的工作，而煙草進行成活和生長期在5 月底和6 月初左右，導致部分煙田被分類到裸地，因此該研究區最佳的采集時間在5 月15 日，能幫助獲取好的觀測精度。