基于国产高分二号数据的坝区辣椒种植分布提取研究*

宋善海，胡 锋，石 悦，黄林峰，李慧璇，刘 芸

(贵州省生态气象和卫星遥感中心，贵州 贵阳 550002)

贵州凭借独特的地形地貌特征，加之水、热气候环境适宜，非常有利于辣椒的生长，辣椒种植已经发展成为贵州省十大特色产业之一。据统计贵州辣椒种植面积可达500万亩，居全国首位[1-2]。因此，在贵州开展坝区辣椒种植的遥感提取研究，可为后期估产、长势监测、病虫害监测等提供数据与技术支撑，有效助推农业现代化、信息化的新发展。

目前关于辣椒的研究主要有微观和宏观两个方面。微观上学者们关注如下几个方面：①微量元素、肥料、生长剂等对辣椒生长过程的影响[3-6]；② 辣椒栽培技术与改进研究[7-12]；③ 辣椒的基因分析与改良、品质评价、病虫害防治等[13-19]。在宏观层面上的研究可分为两个方面：一是气候适宜性评价，多数学者在不同的地理区域、不同的地理单元划分出不同等级的种植适宜区，为各地辣椒种植提供参考，直接服务于农业生产活动[20-24]；另一方面较为关注辣椒及其相关配套设施的市场状况及未来发展趋势研究[25-30]。由此可见，宏观上缺乏对种植面积与种植分布信息的评估，辣椒种植规模等信息仍是以传统的统计手段为主，利用遥感技术进行提取的研究尚不多见。在中国知网以GIS、辣椒作为关键词进行搜索仅有7篇文献，且多是关于适宜性的评价方面的；以遥感、辣椒作为关键词进行搜索也只有2篇文献，内容也与辣椒种植分布无关。随着我国高分辨率对地观测重大专项启动，国产高分辨率卫星遥感数据自给率大幅提升，为满足贵州地区农业坝区利用遥感数据开展辣椒这一特色产业种植分布提供了可靠的数据支撑。因此，在贵州地区开展基于遥感技术的辣椒分布提取，对辅助政府及农业部门掌握坝区农业特色产业种植分布及工作开展具有理论和现实意义。

研究以榕江县忠诚-车江坝区为研究区，以高分二号(下文简称：GF-2)卫星影像作为数据源，通过对影像进行辐射定标、大气校正、正射校正、图像融合等预处理，运用面向对象图像分类法中的基于规则的面向对象分类法与基于样本的面向对象分类法进行辣椒种植面积的提取，并对二者的提取精度进行对比分析。

1 研究区概况

榕江县位于贵州省黔东南苗族侗族自治州南部，地跨珠江、长江流域，介于东经108°4′～108°44′，北纬25°36′～26°28′之间，研究坝区位于县城的东北部，中心经纬度为：东经108.545°、北纬25.994°，坝区面积约30000余亩，被贵广高铁横跨后一分为二，形成车江与忠诚两个子坝区。坝区山地气候特色明显，气候温和，雨量充沛，年均气温18.1 ℃，积温大于6500 ℃，年降水量1200 mm左右，日照时长超过1300 h，无霜期超过310 d。土壤肥沃，土层深厚，自然资源条件优越，适宜农作物和林、果树木生长。物产品种繁多，粮食作物主要有水稻、小麦、玉米、豆类、薯类等，经济作物有辣椒、蔬菜、油菜、油桐、油茶、麻类等。近年来，榕江县不断创新发展思路，充分利用坝区的优势，开展土地整治，调整种植业结构，种植高标准蔬菜、水果等经济作物，坝区经济得到快速发展。

图1 研究区概况图Fig.1 Map of the study area

2 研究方法

2.1 数据源与数据预处理

GF-2号卫星2014年8月19日在太原卫星发射中心成功发射，是我国自主研制的首颗空间分辨优于1 m的民用光学遥感卫星，搭载有两台高分辨率1 m全色、4 m多光谱相机，具有高辐射精度、高定位精度和快速姿态机动能力等特点，国产化技术到达98%，标志着中国遥感卫星进入亚米级的“高分时代”。其特征参数信息见表1。

表1 GF-2卫星有效载荷参数Tab.1 GF-2 satellite payload parameters

研究选取2020年8月份的GF-2影像数据进行，当天天气状况较好，数据质量较优。多光谱数据需先进行辐射定标、FLAASH大气校正、正射校正等处理，全色数据进行辐射定标与正射校正处理，随后进行多光谱与全色的融合，融合方法采用效果较好的NNDiffuse法。结果如图2所示，融合后的坝区建筑区与农业坝区差异显著，农用地块轮廓清晰，达到分类的要求。

图2 影像预处理前(上)、处理前(下)Fig.2 Image before preprocessing(up)and beforeprocessing(down)

2.2 面向对象分类方法

面向对象分类技术是近些年来备受关注的影像分类方法，不同于常用的监督分类与非监督分类，它能挖掘地物细节上的多元信息，更加适用于高空间分辨率下的影像分类。该方法利用临近的像元为一个对象整体，充分利用高分辨率的全色和多光谱数据在空间、纹理、光谱信息的相似性来进行对象的分割和分类，分类结果以栅格分类结果或者矢量输出。分类过程中它主要分成两个部分，即高分辨率影像的对象分割和对象分类。

2.2.1 对象构建与分割

对象构建与分割可采用ENVI Feature Extraction模块进行，导入待分类的遥感数据，该模块会根据临近像素亮度、纹理、色差等因素对影像进行对象分割，模型使用了一种基于边缘的分割算法，该算法计算速度很快，可预览分割的结果，反复调整参数，阈值的设定极为关键。影像分割同时需要联合图斑合并功能一起调节，合并阈值如果设置过大，图斑则表现为规整、连片，会忽略部分影像像素之间的微小差异，导致结果不够精确；合并阈值过小，则会导致图斑极其细碎，增加后期处理难度与工作量，不利于开展后期的分类研究。榕江坝区的对象分割结果如图3、图4。

图3 影像分割效果Fig.3 Image segmentation effect

图4 对象分割结果Fig.4 Object segmentation results

2.2.2 基于规则的对象分类

基于规则的面向对象分类是通过设定相应的约束“条件”来筛选出符合全部条件的对象，从而实现对目标物辣椒的提取。在规则分类界面中，每一个分类有若干个规则组成，每一个规则有若干个属性表达式来描述，同一类地物可以由不同规则来描述，每条规则又有若干个属性来描述。辣椒的提取规则分三步走：① 区分作物种植区与非种植区，先通过Spectral规则，利用红色和近红外波段计算的是NDVI植被指数提取建设用地、水体等非种植区域，研究取值为NDVI >0.43或NDVI<0.18；② 区分种植面积大小和种植形状，前期在对榕江坝区实地野外调研中发现，坝区辣椒种植面积均较为连片，斑块面积小、斑块不规则的区域往往都不是辣椒种植区，所以先通过Spatial规则，利用面积(Aera<500 m2)属性和形状属性(Rectangular fit<0.5)，筛选出不符合的区域；③排除其他干扰作物，8月是辣椒的采摘期，榕江坝区此时正进行大规模的轮种交替时期，需对辣椒种植区进行植株收割、松土等措施，此时辣椒的光谱灰度特征明显大于其他正在生长的作物，光谱差异显著。再次通过Spectral规则，通过像元值属性(Spectral Mean)进行区分，研究取Spectral Mean<1587.45为非辣椒种植区。通过三步即可完成对坝区非辣椒种植区域的提取，导出矢量后即可得到坝区辣椒分布结果。

2.2.3 基于样本的对象分类

ENVI Feature Extraction模块中，选用基于样本的对象分类模块(Example Based Feature Extraction Workflow。)为增加方法的对比性，采用相同的分割、合并系数完成对于影像的对象分割。完成后进入分类界面，基于野外采集的多处样本点分布，依次在模型中选择对应的样本对象分割斑块，完成样本的输入，选择合适的分类方法进行分类。ENVI Feature Extraction模块提供了三种分类方法：K邻近法(K Nearest Neighbor)、支持向量机(Support Vector Machine，SVM)和主成分分析法(Principal Components Analysis，PCA)。研究选择K邻近分类方法进行分类，该方法是一个理论上比较成熟的方法，也是最简单的机器学习算法之一，确定后运行模型得到坝区辣椒分布的矢量结果。

图5 野外样本点选择现场照片Fig.5 Photos of sample sites

3 结果分析

3.1 提取结果对比

由图6、图7可知，榕江坝区辣椒种植受地形地貌影像，大致呈南北走向，集中成片分布在坝区道路两侧，表现为从南向北逐渐减少的分布状况。两种提取方法的结果分布趋势类似，这与实地野外调研的结果较为吻合。其中，基于规则的面向对象分类图斑相对集中、连片，一共提取辣椒图斑数量为87个，提取面积为4163.44亩，该方法不足之处是会将一些非辣椒种植区被误分的现象，地块边界不明显。基于样本的面向对象分类图斑相对分散且规整，一共提取辣椒图斑数量126个，提取面积为3853.47亩。该方法分类结果地块边界清晰、辣椒地块规整，地块被错分的现象明显得到改善，但也存在着少量的漏分情况。

图6 基于规则的面向对象分类结果Fig.6 Rule-based object-oriented classification results

图7基于样本的面向对象分类结果Fig.7 Sample-based object-oriented classification results

3.2 提取精度验证

为验证基于规则的面向对象分法和基于样本K邻近法的面向对象分类法得到分类结果，结果评价共选取了两个指标：一是表示正确分类斑块数占提取分类总斑块数比例的总体精度，即利用实地调查得到的样方数据与高分辨率无人机影像进行逐斑块的验证；二是比较两种方法的面积误差率情况，采用黔东南苗族侗族自治州官网发布的关于榕江坝区2020年辣椒种植面积4300亩规划值作为参考，通过与实际提取的面积做差后求其误差率。分类精度评价结果如表2所示。

表2 提取结果精度验证表Tab.2 Accuracy verification of the extraction results

从分类结果评价精度表可以得到，基于样本KNN面向对象分类法得到的分类结果总体精度为88.89%，而基于规则的面向对象分法得到的分类结果总体精度仅为80.46%。表明在坝区辣椒提取中，基于样本算法的精度优于基于规则算法。规则分类法在提取建筑物、水体、道路等特征显著的地物上具备优势，在进行农作物类型的精确提取中其精度略显不足，虽然通过了三个规则的设定，但由于不同的作物直接在光谱特征和空间特征有一定的相似性，该法极易将辣椒与其他地类混合，进而导致结果错判、多判。从规划的误差率指标来看，2020年辣椒规划种植面积4300亩，基于规则的面向对象分类法提取面积为4163.44亩，误差率为3.17%，基于样本KNN的面向对象分类法提取种植面积为3853.47亩，误差率为10.38%。在现场采样过程中，发现规划面积比实际种植面积偏大的现象，其原因主要是土地流转过程进度不一、种植类型发生改变等导致辣椒种植面积达不到规划面积，这与研究中提取的种植面积小于规划面积这一实际状况符合。综上所述，基于规则的面向对象分类法属性误差大，由于错分现象偏多导致面积误差小；基于样本的则是属性误差小；由于漏分现象偏多，面积误差偏大，后者的可信度更高。

4 结论与讨论

本文结合坝区种植结构遥感监测这一需求，通过获取窗口期的GF-2号高分辨率遥感影像，分别采取了基于规则和基于样本的面向对象分类方法，进行坝区辣椒种植区的面积提取研究，两者的分类结果分别为4163.44亩、3853.47亩。通过外业调查验证和精度对比分析，前者精度为80.46%，后者精度达到88.89%，表明基于样本的面向对象分类法信息提取法进行辣椒种植区的提取结果精度较高，与实际较为吻合。证明了运用GF-2号卫星在农业坝区开展作物遥感监测的可行性，为后续开展坝区农业遥感应用奠定了基础。

贵州坝区农业遥感应用也面临着以下问题：①由于其特殊的地形地貌特征和气候状况，云雾的影响导致难以对作物的生长过程进行形成连续的、多频次的观测，进而不利于开展作物的长势研究；②贵州是全国唯一没有平原支撑的省份，五百亩以上坝区有1725个，但万亩以上坝区仅有17个，坝子分布散且面积较小，使得坝区作物种植呈现“散、小、杂”的特征，作物特征识别度远不及平原地区。为解决上述难题，亟待探索不同源、不同分辨率的数据融合以及无人机+卫星遥感技术的融合技术，通过技术创新来弥补数据上的不足。同时要注重开展基础研究，诸如坝区作物光谱的采集、作物生长观测、作物习性分析等，以丰富的观测数据作为辅助资料，推进坝区遥感应用研究，进而提高服务水平。