張世超，王常穎，李勁華，張志梅

(青島大學(xué) 數(shù)據(jù)科學(xué)與軟件工程學(xué)院，山東 青島 266071)

0 引言

茶屬于山茶科多年生常綠木本植物。作為一種植物飲料，因其含有多種營養(yǎng)物質(zhì)，深受大眾的喜愛與歡迎。改革開放40年來，我國茶產(chǎn)業(yè)發(fā)展取得了巨大的成就，產(chǎn)業(yè)規(guī)模、效益、質(zhì)量均顯著提高[1]，因此，茶種植區(qū)的監(jiān)測工作對我國經(jīng)濟(jì)發(fā)展具有重要意義。

茶種植區(qū)廣泛分布于我國長江以南地區(qū)，傳統(tǒng)的人工野外勘測方法需要耗費(fèi)大量的人力物力，時(shí)效性差，精度低，不能及時(shí)有效地獲取茶種植區(qū)空間分布信息。遙感技術(shù)具有準(zhǔn)確、及時(shí)地獲取信息的天然優(yōu)勢，故使用遙感監(jiān)測的方法實(shí)現(xiàn)對茶種植區(qū)的自動(dòng)提取是可行的。茶樹屬于灌木，大多數(shù)種植在山區(qū)、丘陵地區(qū)，茶樹低矮且呈球形，以小規(guī)模種植為主，由于光譜特征與其他農(nóng)作物種植區(qū)的相似性，茶種植區(qū)的遙感識(shí)別工作具有一定的難度。目前，基于遙感影像的農(nóng)作物提取方法的研究多以常規(guī)作物為主，例如水稻、小麥、棉花、玉米等，對茶種植區(qū)的提取研究較少。鄧媛媛等[2]使用QuickBird遙感影像，采用面向?qū)ο蟮姆诸惣夹g(shù)，進(jìn)行農(nóng)用地精細(xì)分類；任傳帥等[3]提出了一種利用單時(shí)相高分二號(hào)高分辨率衛(wèi)星影像和隨機(jī)森林算法的香蕉林信息提取方法；姬旭升等[4]利用高空間分辨率遙感影像對作物進(jìn)行識(shí)別，更加快速、準(zhǔn)確地獲取棗樹和棉花的種植面積及其分布區(qū)域；黃健熙等[5]利用GF-1 WFV數(shù)據(jù)實(shí)現(xiàn)了玉米與大豆的提??；徐偉燕等[6]使用資源三號(hào)影像數(shù)據(jù)，結(jié)合光譜特征、NDVI時(shí)相差異以及方向強(qiáng)度紋理特征，實(shí)現(xiàn)了茶種植區(qū)的提?。获R超等[7]提出一種基于中尺度光譜和時(shí)序物候特征的茶園提取方法；Li等[8]引入了集成學(xué)習(xí)策略以在訓(xùn)練過程中改進(jìn)經(jīng)典的支持向量機(jī)和反向傳播神經(jīng)網(wǎng)絡(luò)分類器，有效提高了農(nóng)作物分類精度；Zhou等[9]提出了一種基于深度學(xué)習(xí)的時(shí)間序列分析方法，并應(yīng)用于高分辨率ZY-3圖像和Sentinel-1A SAR數(shù)據(jù)集，對湖南和貴州的農(nóng)作物類型進(jìn)行分類；Sun等[10]提出了一種基于層次感知的方法對VHR圖像中的作物進(jìn)行分類；周靜平等[11]采用面向?qū)ο蠛蜎Q策樹相結(jié)合的方法提取了作物分布信息。以上研究對農(nóng)作物的提取取得了一定的成效。

本研究選取貴州省銅仁市4塊矩形區(qū)域作為研究區(qū)，采用的影像數(shù)據(jù)為高分辨率航拍影像。提出了一種基于面向?qū)ο笈c變差函數(shù)的茶種植區(qū)自動(dòng)提取方法。首先，利用eCognition 9.0軟件對原始影像進(jìn)行多尺度分割，采用面向?qū)ο蟮姆椒?gòu)建分類規(guī)則集，去除非植被區(qū)域，包括道路、建筑物、水體；然后，利用茶種植區(qū)與其他植被區(qū)域的變差函數(shù)紋理特征差異構(gòu)建決策樹分類模型，同時(shí)選擇最合適的紋理提取窗口，得到最終的茶種植區(qū)的提取結(jié)果。本研究期望對茶種植區(qū)遙感監(jiān)測提供借鑒，也為作物的種植管理提供幫助。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

銅仁市位于貴州省東北部，武陵山區(qū)腹地，處于云貴高原向湘西丘陵過度的斜坡地帶，西北高，東南低。全境以山地為主，占全境總面積的67.8%。銅仁市鏡內(nèi)地形復(fù)雜，氣候立體分布特征明顯，大多數(shù)地域?qū)僦衼啛釒Ъ撅L(fēng)濕潤氣候區(qū)。春溫多變，綿雨較多；夏季炎熱，光照充足；秋季陰雨天較多；冬季低溫寡照，物長季長。年平均氣溫15 ℃到17 ℃。銅仁市境內(nèi)降水充沛，平均降雨量為1 100～1 300 mm，地表河流密度高，地下補(bǔ)給基流多。由于這些外部環(huán)境條件優(yōu)勢，非常適合茶等常綠植物種植，其中銅仁市石阡縣享有“最美茶鄉(xiāng)”的美譽(yù)。貴州的茶樹70%種植于海拔800～2 000 m的高原地區(qū)，茶種植區(qū)附近有大量林地、梯田、農(nóng)田等其他植被區(qū)，茶樹成排種植，非常適合采用遙感影像對茶種植區(qū)信息進(jìn)行提取。

1.2 數(shù)據(jù)源

實(shí)驗(yàn)數(shù)據(jù)為獲取于2014年6月6日的航拍遙感影像，總共包含3個(gè)波段，空間分辨率為0.5 m。本文首先選取了一景位于貴州省銅仁市、大小為25 292像元×19 192像元的影像數(shù)據(jù)作為面向?qū)ο蠓椒ǖ膶?shí)驗(yàn)數(shù)據(jù)，經(jīng)緯度范圍為27°29′54″N～27°35′05″N，108°22′26″E～108°30′05″E。裁剪7景局部影像作為選擇提取窗口大小的實(shí)驗(yàn)數(shù)據(jù)，之后，選取4塊位于貴州省銅仁市的矩形區(qū)域作為測試數(shù)據(jù)，其大小分別為5 561像元×4 479像元、4 421像元×4 857像元、3 821像元×3 569像元、8 001像元×11 501像元。經(jīng)緯度范圍分別為：27°41′05″N～27°42′18″N，108°27′50″E～108°29′32″E；27°50′01″N～27°51′20″N，108°26′41″E～108°28′03″E；27°42′02″N～27°43′01″N，108°36′25″E～108°37′35″E；27°35′05″N～27°38′12″N，108°35′06″E～108°37′31″E。研究區(qū)總面積為37.98 km2。研究區(qū)內(nèi)地物種類多樣，適合做茶提取實(shí)驗(yàn)。

2 研究方法

2.1 基于面向?qū)ο蟮姆侵脖粎^(qū)信息提取

1)影像分割。傳統(tǒng)的基于像元的分類方法單純考慮遙感影像的光譜信息，未利用紋理、形狀等非光譜信息。由于高分辨率遙感影像中存在大量的同物異譜、同譜異物現(xiàn)象，分類精度往往不高，而面向?qū)ο蟮姆椒ㄓ行Ы鉀Q了這個(gè)問題。影像分割是面向?qū)ο蠓诸惙椒ǖ幕A(chǔ)[12-14]。目前最常用的影像分割方法是eCongition軟件中的多尺度分割，即分形網(wǎng)絡(luò)演化法。分形網(wǎng)絡(luò)演化法從像元層次開始，基于保證整體異質(zhì)性最小的原則，采用相鄰影像區(qū)域兩兩合并增長的方法形成更大影像對象，直到在規(guī)定的尺度上不能再進(jìn)行任何對象的合并為止。面向?qū)ο蠓诸惙椒ㄒ杂跋駥ο笞鳛樽钚》诸悊卧?，綜合利用光譜、紋理、形狀等信息，有效提高了分類精度。本研究采用eCongition 9.0中的多尺度分割方法，分割參數(shù)設(shè)置如下：分割尺度為175；3個(gè)波段權(quán)重都為1；形狀因子為0.4；緊湊度因子為0.5。

(1)亮度(brightness)。亮度是影像對象各波段光譜均值的加權(quán)平均值。本文所用遙感數(shù)據(jù)有3個(gè)波段，且設(shè)置各個(gè)波段權(quán)重都為1。

(2)形狀指數(shù)(shape index)。反映了影像對象邊界的平滑度。

(3)灰度共生矩陣標(biāo)準(zhǔn)差(GLCM StdDev)。反映了像元值與均值偏差的度量。

(4)灰度共生矩陣熵(GLCM Entropy)。反映了圖像信息量的度量。

3)分類規(guī)則構(gòu)建。本研究基于不同地物在6種特征上的差異性，實(shí)驗(yàn)了每個(gè)特征的閾值，通過構(gòu)建分類規(guī)則集來對非植被區(qū)進(jìn)行高精度提取。構(gòu)建的分類規(guī)則如表1所示。

表1 分類規(guī)則

4)非植被區(qū)提取結(jié)果。本文選取一景25 292像元×19 192像元大小的影像數(shù)據(jù)作為面向?qū)ο蠓椒ǖ膶?shí)驗(yàn)數(shù)據(jù)，圖1展示了原始影像和去除非植被區(qū)后的掩膜結(jié)果。

圖1 原始影像和去除非植被區(qū)后的掩膜結(jié)果

2.2 基于變差函數(shù)的茶種植區(qū)信息提取

1)變差函數(shù)。地統(tǒng)計(jì)學(xué)中的變差函數(shù)(variogram function,VF)是對區(qū)域化變量結(jié)構(gòu)分析的工具，同時(shí)也是描述對象非均質(zhì)性的手段。從地統(tǒng)計(jì)學(xué)的角度看，遙感影像的像元灰度值可以看作是滿足內(nèi)蘊(yùn)假設(shè)的區(qū)域化變量，它既具有隨機(jī)性，又具有空間相關(guān)性[15-16]。本文采用3個(gè)波段下的像元值計(jì)算影像的變差函數(shù)值。

2)變差函數(shù)紋理分析及決策樹模型構(gòu)建。本文選取了茶種植區(qū)與包括農(nóng)田區(qū)、梯田區(qū)及林地區(qū)在內(nèi)的其他植被區(qū)的7處感興趣區(qū)域，其中包括3處茶種植區(qū)、2處農(nóng)田區(qū)、1處梯田區(qū)及1處林地區(qū)。感興趣區(qū)域如圖2所示。由于滯后距離h具有方向性，本研究計(jì)算了0°、45°、90°和135° 4個(gè)方向上，滯后距離h從1到40之間不同地物的變差函數(shù)值。構(gòu)建的變差函數(shù)曲線如圖3所示，其中水平軸代表滯后距離，垂直軸代表變差函數(shù)值，即VF值。

圖2 感興趣區(qū)域

圖3 茶區(qū)和其他植被區(qū)的VF曲線

從滯后距離4個(gè)方向上茶區(qū)和其他植被區(qū)的VF曲線可以看出，對于茶區(qū)來說，由于茶樹成排種植方式的緣故，在某些滯后距離方向上，變差函數(shù)曲線為波浪狀的曲線；以第2景茶的感興趣區(qū)域?yàn)槔?，茶的種植方向?yàn)?0°方向，當(dāng)滯后距離方向同樣為90°方向時(shí)，即當(dāng)茶的種植方向與滯后距離方向平行時(shí)，其變差函數(shù)曲線是呈現(xiàn)一個(gè)逐漸上升的趨勢，變差函數(shù)曲線沒有呈現(xiàn)波浪狀，而在滯后距離為其他3個(gè)方向時(shí)，變差函數(shù)曲線均呈現(xiàn)波浪狀。對于其他植被區(qū)，在任何一個(gè)滯后距離方向上，變差函數(shù)曲線均呈現(xiàn)持續(xù)上升的趨勢，最后趨于一個(gè)較為穩(wěn)定的值。由此得出，至少存在一個(gè)滯后距離方向上，茶區(qū)在滯后距離h在[3，7]范圍內(nèi)變差函數(shù)值取得第一個(gè)極大值，在[8，13]范圍內(nèi)變差函數(shù)值取得第一個(gè)極小值，且從極大值到極小值有較大下降幅度，而其他植被區(qū)在任一滯后距離方向上，此滯后距離大小范圍內(nèi)不存在極大值和極小值。

本文定義了滯后距離在[3，7]范圍內(nèi)變差函數(shù)值取得的最大值A(chǔ)，滯后距離在[8，13]范圍內(nèi)變差函數(shù)取得的最小值B，以及滯后距離在[3，7]范圍內(nèi)的取得的最大值A(chǔ)和滯后距離在[8，13]范圍內(nèi)的取得的最小值B之差與滯后距離在[3，7]范圍內(nèi)的取得的最大值A(chǔ)的比值descender 3個(gè)特征變量，表達(dá)如式(1)至式(3)所示。

A=max{γ(3)，γ(4)，γ(5)，γ(6)，γ(7)}

(1)

B=min{γ(8)，γ(9)，γ(10)，γ(11)，γ(12)，γ(13)}

(2)

(3)

式中：γ(x)為當(dāng)滯后距離為x時(shí)的變差函數(shù)值。

以A和descender作為輸入特征，構(gòu)建了茶區(qū)與其他植被區(qū)的決策樹分類模型，如圖4所示。

圖4 決策樹分類模型

3 結(jié)果與分析

3.1 最佳茶區(qū)提取窗口大小及窗口滑動(dòng)步長分析

本文在采用面向?qū)ο蟮姆椒ㄌ蕹侵脖粎^(qū)的基礎(chǔ)上，利用決策樹中的分類規(guī)則區(qū)分茶區(qū)與其他植被區(qū)。采用滑窗法進(jìn)行茶區(qū)檢測，對于影像中的每一個(gè)像元，在包含這個(gè)像元的所有正方形窗口(邊長為k)中，如果其中超過一半的窗口被判斷為茶區(qū)，則將該像元?dú)w為茶區(qū)。提取窗口大小k及窗口滑動(dòng)步長s的選擇直接影響到最終的提取精度。本文選取了7景含有茶的局部影像，采用40×40、50×50、60×60、70×70、80×80、90×90和100×100共7種尺寸窗口，每種尺寸窗口下采用10、15、20、25 4種窗口滑動(dòng)步長來對茶種植區(qū)進(jìn)行提取，并對每種情況下的提取精度進(jìn)行評價(jià)。原始影像、目視解譯圖及當(dāng)窗口滑動(dòng)步長為10，不同窗口大小下的茶提取結(jié)果如圖5至圖11所示。

為了衡量不同窗口大小與窗口滑動(dòng)距離下的提取精度，本文采用查準(zhǔn)率(precision)和查全率(recall)作為參考，F(xiàn)1度量作為主要評價(jià)依據(jù)，其定義分別如式(4)至式(6)所示。

(4)

(5)

(6)

式中：TP為真正例，表示提取的茶區(qū)為真實(shí)茶區(qū)的像元數(shù)目；FP為假正例，表示提取的茶區(qū)為非茶區(qū)的像元數(shù)目；FN表示假反例，表示提取的非茶區(qū)為茶區(qū)的像元數(shù)目。

構(gòu)建了窗口滑動(dòng)距離為10、15、20、25下的3種評價(jià)指標(biāo)隨窗口大小的變化曲線圖，如圖12所示。分析4張曲線圖可以得出，在任意一種窗口滑動(dòng)距離下，均為當(dāng)窗口大小為60像元×60像元時(shí)F1度量達(dá)到最大值。同時(shí)，當(dāng)窗口大小為60像元×60像元時(shí)，窗口滑動(dòng)距離為10，F(xiàn)1度量是最高的，達(dá)到81.34%。這說明窗口滑動(dòng)距離選擇10，窗口大小選擇60像元×60像元提取效果是最佳的。

圖5 原始影像1、對應(yīng)的目視解譯結(jié)果及滑動(dòng)步長為10時(shí)不同窗口大小下的茶區(qū)提取結(jié)果

圖6 原始影像2、對應(yīng)的目視解譯結(jié)果及滑動(dòng)步長為10時(shí)不同窗口大小下的茶區(qū)提取結(jié)果

圖7 原始影像3、對應(yīng)的目視解譯結(jié)果及滑動(dòng)步長為10時(shí)不同窗口大小下的茶區(qū)提取結(jié)果

圖8 原始影像4、對應(yīng)的目視解譯結(jié)果及滑動(dòng)步長為10時(shí)不同窗口大小下的茶區(qū)提取結(jié)果

圖9 原始影像5、對應(yīng)的目視解譯結(jié)果及滑動(dòng)步長為10時(shí)不同窗口大小下的茶區(qū)提取結(jié)果

圖10 原始影像6、對應(yīng)的目視解譯結(jié)果及滑動(dòng)步長為10時(shí)不同窗口大小下的茶區(qū)提取結(jié)果

圖11 原始影像7、對應(yīng)的目視解譯結(jié)果及滑動(dòng)步長為10時(shí)不同窗口大小下的茶區(qū)提取結(jié)果

圖12 提取精度變化曲線

3.2 本文方法提取結(jié)果與精度分析

采用本文方法對研究區(qū)域進(jìn)行茶區(qū)提取實(shí)驗(yàn)。原始影像、目視解譯圖、采用本文方法茶區(qū)提取結(jié)果及局部提取結(jié)果如圖13至圖21所示。

圖13 研究區(qū)1結(jié)果

圖14 研究區(qū)2結(jié)果

圖15 研究區(qū)3結(jié)果

圖16 研究區(qū)4結(jié)果

圖17 局部區(qū)域1結(jié)果

圖18 局部區(qū)域2結(jié)果

圖19 局部區(qū)域3結(jié)果

圖20 局部區(qū)域4結(jié)果

圖21 局部區(qū)域5結(jié)果

為了客觀評價(jià)本文方法的提取精度，將目視解譯結(jié)果作為評價(jià)樣本，統(tǒng)計(jì)得到茶區(qū)的提取精度，同時(shí)與文獻(xiàn)[6]的方法進(jìn)行對比，如表2所示?？梢钥闯?，使用本文方法茶區(qū)的生產(chǎn)者精度達(dá)到74.50%，用戶精度達(dá)到83.69%，與文獻(xiàn)[6]的方法相比，生產(chǎn)者精度和用戶精度均有所提高。本文方法依舊存在不足之處，有部分分布比較稀疏的茶區(qū)沒有提取出來，主要原因是這部分茶區(qū)排與排之間的距離偏大，導(dǎo)致這部分茶區(qū)的變差函數(shù)值在指定距離范圍的下降幅度不夠或沒有出現(xiàn)下降趨勢。另外，還有少量的林地被錯(cuò)分為茶區(qū)。

表2 茶提取的精度評價(jià)結(jié)果 %

4 結(jié)束語

本研究基于高精度提取茶種植區(qū)的實(shí)際需要，采用0.5 m空間分辨率的航拍影像，選擇貴州省銅仁市4塊矩形區(qū)域，提出了一種面向?qū)ο蠼Y(jié)合變差函數(shù)的茶種植區(qū)自動(dòng)提取方法。得出了以下結(jié)論。

1)采用面向?qū)ο蟮姆椒▽?shí)現(xiàn)了非植被區(qū)的高精度提取，綜合利用影像的光譜、紋理、形狀等信息，有效解決了基于像元的方法由于高分辨率遙感影像中同物異譜、同譜異物現(xiàn)象的存在而出現(xiàn)大量錯(cuò)分的問題。此外，排除了非植被區(qū)的干擾，為下一步茶種植區(qū)的提取奠定了基礎(chǔ)。

2)基于茶區(qū)與其他植被區(qū)在變差函數(shù)紋理特征上的差異，構(gòu)建了決策樹分類模型，采用滑窗法對茶種植區(qū)進(jìn)行高精度提取。經(jīng)過精度評價(jià)得出本文方法茶區(qū)提取的生產(chǎn)者精度達(dá)到74.50%，用戶精度達(dá)到83.69%，說明本文方法對茶種植區(qū)進(jìn)行提取是可行且有優(yōu)勢的。

3)從實(shí)驗(yàn)監(jiān)測的結(jié)果來看，本文方法依舊存在少量林地被錯(cuò)分為茶區(qū)，少量較稀疏茶區(qū)漏分的情況。在下一步的研究工作中將考慮融合更多的輔助特征數(shù)據(jù)，進(jìn)一步提高茶區(qū)提取精度。