杨栩　杨润书　朱大明

摘要 受城市快速发展及气候变化等因素影响，耕地面积和产量逐年波动，准确、快速提取耕地信息，对精确预测作物产量、提高作物管理、优化作物种植结构有重要意义。采用非监督分类、监督分类以及面向对象分类的方法提取Landsat8 OLI影像数据，其中非监督分类运用ISODATA算法，监督分类选择最大似然法，面向对象分类则采用基于样本的面向对象分类方法和基于规则的面向对象分类方法。经实验分析，基于样本的面向对象的提取方法避免了“椒盐现象”且精度最高，总体精度达93.0175%，在进行耕地信息提取时能得到较好的结果。

关键词 遥感技术；Landsat8 OLI；耕地信息；信息提取

DOIDOI：10.11907/rjdk.182110

中图分类号：TP319

文献标识码：A文章编号文章编号：16727800（2018）009016605

英文标题Research on Cultivated Land Information Extraction Method Based on Remote Sensing Data

——副标题

英文作者YANG Xu1， YANG Runshu2， ZHU Daming3， GUO Qiaozhen4

英文作者单位（1.College of Land and Resources Engineering， Kunming University of Science and Technology， Kunming 650031， China；

2.Yunnan Institute of Geology and Mineral Survey， Kunming 650217， China；

3.Kunming University of Science and Technology， Kunming 650031， China；

4.College of Geology and Surveying， Tianjin Chengjian University， Tianjin 300384， China）

英文摘要Abstract：Due to the rapid development of cities and the influence of climate changes and other factors， the areas and outputs of cultivated land fluctuate year by year. Accurate and rapid extraction of information on cultivated land is of great significance for accurately predicting crop yield， improving crop management and optimizing crop planting structure. Landsat8 OLI image data is extracted by unsupervised classification， supervised classification and objectoriented classification. Unsupervised classification uses ISODATA algorithm， supervised classification selects maximum likelihood method， objectoriented classification uses samplebased objectoriented classification method and rulesbased objectoriented classification method. Through experimental analysis， the samplebased objectoriented extraction method avoids the “salt and pepper phenomenon” with the highest precision， and the overall accuracy is 93.0175%. It can get better results when extracting cultivated land information.

英文關键词Key Words：remote sensing technology； Landsat8 OLI； cultivated land information； information extraction

0引言

城市发展速度加快，市区面积不断扩张，导致城市周边耕地范围缩小，为了解城市耕地分布，需要对耕地进行精确提取。遥感技术以其观测面积大、观测周期短、数据具有较强的综合性和可比性等特点[1]，被广泛应用于农林业、气象、水文、规划、环境监测等多个领域。利用遥感技术提取耕地信息，了解耕地分布、耕地类型及耕地面积等对有效管理作物种植和优化作物种植结构有重要意义。耕地信息提取的难点在于耕地覆盖在背景地物之上，由于种植的作物类型不同、灌溉方式及土壤类型不同，可能导致不同地物光谱特征差别不明显[2]。常用提取耕地信息方法有目视解译、监督分类、非监督分类、面向对象分类及多时相分析法等。目视解译虽然分类精度高但耗时长、工作量大、效率低。对研究区没有深入了解但需快速得到分类结果时可使用自动化程度较高的非监督分类方法[3]。监督分类需要用户选择并根据训练样区进行分类，当对研究区域比较了解时可以使用该方法。面向对象的分类方法不再以单个像素为分类单元，而是把更具有实际意义的目标对象作为分类单元。多时相分析法常用于分析雷达遥感或高时间分辨率的多光谱遥感影像[4]。综合各方法特点，本文选择监督分类、非监督分类和面向对象分类的方法进行耕地提取。

近年来，由于遥感技术能快速、准确提取耕地信息等优势，引起众多学者关注。Julien等[5]以西班牙巴拉克斯地区作为研究区，采用最大似然法分类提取耕地信息，精度达87 %。Ramita Manandhar等[6]对澳大利亚新南威尔斯州地区Landsat图像进行处理后利用最大似然法提取耕地信息，提取精度达到83%。李峰等[7]采用多时相NDVI阈值剔除法与监督分类两种方法相结合的分类方法，提取出菏泽市玉米种植地分布区域，总体分类精度为90.2 %。曹倩倩等[8]使用Landsat8数据对安徽省泗县进行耕地信息提取，分别使用非监督分类的ISODATA和K-means算法，提取精度分别为80.48%和81.02%。牛鲁燕等[9]利用ENVI软件对山东省区域的Landsat8 OLI影像进行了校正和增强等处理，通过目视解释、非监督分类等方法提取山东省耕地信息，提取精度达到91.8%。Frohn等[10]将影像分割与面向对象分析相结合，基于Landsat7影像数据提取佛罗里达州湿地信息，生产者精度和用户精度分别达到了97%和95%。李敏等[11]以盐城市作为研究区域，利用了eCognition软件提取该地耕地信息，采用面向对象的方法，最终提取精度为94.1%。Goodin等[12]以位于波兰和乌克兰之间一个农业用地类型较复杂的重农业区作为研究区，进行土地利用类型分类测试，结果发现，运用面向对象方法能够利用影像光谱、几何、纹理、空间等特征，使分类效果得到明显改善。但以上方法多是采用简单的分类方法，使提取出来的耕地分布不连续，并且有较多的错分或漏分现象，因此本文利用NDVI、Elongation等规则，通过面向对象方法进行耕地信息提取，消除传统方法提取结果中的“椒盐”现象以提高分类精度。

1研究区概况与数据源

研究区域位于天津市武清区，地处京津之间。土质疏松肥沃，宜于农业生产，耕地约占全区土地面积58%，地物类型多样，研究把该区域地物概括为水体、耕地、林地、裸地、居民地5类。

本文选用2016年5月13日获取的Landsat8数据。在该时间段试验区处于夏季，无云，所以提取信息时可基本忽略天气对结果的影响。

2耕地信息提取

2.1影像預处理

（1）辐射定标。对因外界因素、数据的获取以及传输系统等引起的辐射失真或辐射畸变进行校正处理，消除因辐射误差引起影像畸变的过程称为辐射校正[13]。利用ENVI 5.1软件进行辐射定标和大气校正，定标时比例因子设置为0.1，光谱子集为Landsat 8的前7个波段。

（2）大气校正。大气校正是为了消除大气和光照等因素对地物反射的影响，辐射透过地球大气层时会与其发生相互作用、散射、反射或吸收，使能量衰减，并导致光谱分布发生变化[14]。大气校正选用经过辐射定标后的数据，设置大气校正参数时需参考研究区影像信息，具体参数为：传感器类型：Landsat 8 OLI ；纬度：38°53′54.46″ ；经度：117°48′44.12″ ；卫星高度：705.00km ；拍摄日期：2016-5-13 ；拍摄时间：2：47：16 ；影像地域特征：Rural 。

（3）图像裁剪及影像融合。选定原图像中的一块区域进行裁剪，并将裁剪好的图像与Landsat 8第8波段进行融合。由于Landsat 8第8波段是全色波段，分辨率为15m，其余波段分辨率为30m，因此与第8波段融合后图像分辨率将变成15m。

（4）图像增强。图像增强能够使图像感兴趣的特征得到强调，使图像更清晰，更容易判读[15]。图像增强的操作主要有对比度增强、图像平滑、图像锐化、多波段图像增强和彩色增强及图像变换[16]。本文主要运用图像锐化。

2.2耕地信息提取

2.2.1ISODATA算法

研究中非监督分类运用ISODATA算法，将地物分为水体、耕地、林地、裸地、居民地5类。分类后结果为灰度图像，要将属性表中不同灰度设置成不同颜色以对应不同地物。分类结果中存在许多面积很小的图斑、碎点，无论从专题制图角度还是实际应用角度都要将其剔除，故需进行分类后处理。

本研究通过分类重编码（Recode）、邻域分析（Neighborhood Function）、聚类处理（Clump）、去除分析（Eliminate）等操作，设置Neighborhood definition大小为5×5，Eliminate最小距离为5个像素，分类结果如图1（a）所示。

2.2.2最大似然法

监督分类需要先选择训练样区再分类，分类规则有最大似然法、最短距离法和马氏距离法，分别运用以上3种算法进行分类。观察结果发现，最大似然法相对于其它两种方法精度更高。故本文最终选取最大似然法为监督分类方法。分类后处理结果如图1（b）所示（彩图见封二）。

2.2.3面向对象分类

在ENVI5.1软件中主要有两种面向对象的分类方法：基于样本工作流（Examplebased Feature Extraction Workflow）和基于规则工作流（Rulebased Feature Extraction Workflow），本文分别应用以上两种分类方法进行耕地提取。面向对象的分类方法将地物分成单独的块，在此基础上进行分类。分类过程利用ENVI5.1软件工具箱中Feature Extraction工具进行，首先设置分割尺度参数和合并尺度参数。在面向对象分类中分割尺度参数和合并尺度参数的选择对分类精度有巨大影响。例如，一幅影像中有较破碎的地物类型也有面积较大的地物类型，选择合适的参数可以有效分割不同类型地物[17]。影像分割时，当阈值设置过低，一些特征会被错分，此时需要通过合并解决该问题[18]。

本文分割算法是基于边缘检测算法，利用Full Lambda Schedule合并如耕地等大块、纹理性较强的区域[19]。从试验结果可以看出，若分割尺度太小，相同地物会被划分为许多小块，太大又会漏分、错分一些地物；若合并尺度太小则得到小碎块图斑。因此选择一个合适的合并分割尺度参数值能够大幅提高信息提取精度。经试验后本文选取分割尺度参数为51，合并尺度参数为94。

基于样本的面向对象分类在设置分割合并尺度参数后需要进行样本选择，在样本中分别选择5类样本：水体、耕地、林地、裸地、居民地。设置算法为K最近邻法（KNN），极限值设置为5，邻域值设为1。从预览中可以看到分类结果中存在一些未定义类型的细小图斑，需要进行修改、定义。最终分类结果如图1（c）所示。

基于规则的面向对象特征提取需要在设置分割合并尺度参数后制定提取地物规则，本研究中不同地物制定的规则为：耕地（NDVI>0.32 194，Spectral Mean Band 3<9 962.582 59，Elongation>3.803 83）；林地（NDVI[0.286 71， 0.321 94]）；水体（NDVI<0.117 14，Spectral Max Band 3<15 055.618 95）；居民地（Spectral Mean Band 3>10 848.401 44 & NDVI[0.12 374 ， 0.216 24]）；裸地（NDVI[0.19 642 ， 0.25 588] ，Spectral Mean Band 3<1 174.485 07）（Elongation为延伸性，主要用于去除细长条状的地物）。

经反复试验发现，当NDVI值在0.286 71～0.321 94之间，可以基本区别林地和耕地信息，但耕地大多是呈块状分布，基本没有细长条分布，故将其延伸值设置为高于3.803 83，即可剔除长条地物。水体NDVI指数通常很低，城市中许多房子屋顶反射率很高，所以将其光谱属性中的灰度值设定大于10 848.401 44，该设定可将耕地信息基本提取出来，但是其它地物信息提取不完全，特别是居民地信息，部分未分类部分基本都属于居民地。分类结果见图1（d）。

2.3精度评定

（1）ISODATA算法整体分类精度（Overall Classification Accuracy）为77.00%，整体Kappa统计（Overall Kappa Statistics）为 0.680 6，分类精度评定结果见表1。

（2）最大似然法分类整体分类精度（Overall Classification Accuracy）为87.00%，整体Kappa统计（Overall Kappa Statistics）为 0.811 8，精度评定结果见表2。

（3）面向对象分类的方法有两种 ：①基于样本分类整体分类精度（Overall Classification Accuracy）为93.017 5%，Kappa系数（Kappa Coefficient）为0.889 4，精度评定结果见表3；②基于规则分类整体分类精度（Overall Clas

中耕地分类生产者精度为 92.86%，用户精度为79.59%，总体分类精度是77.00%，Kappa系数为0.680 6；最大似然法分类中生产者精度为90.00%，用户精度为97.30%，总体分类精度是87.00%，Kappa系数为0.811 8；基于规则的面向对象分类中，用户精度为139 2/144 7（96.20%），总体分类精度达91.940 9%，Kappa系数为0.870 4；基于样本的面向对象分类中，用户精度为139 2/144 7（96.20%），总体分类精度达到93.017 5%，Kappa系数达到0.889 4。

3结果与分析

3.1二值化获取耕地信息结果

通过监督分类、非监督分类和面向对象分类得到5类地物划分，需要将耕地归为一类得到单独的耕地信息，除耕地以外的其它分类地物归为另一类并进行二值化处理。二值化处理的目的是将一类地物赋值为1，其余地物赋值为0，本文选用ArcMap的Spatial Analyst Tools进行重分类。重分类是在处理栅格图像时常用方法，主要用于重分類（或更改）栅格中的值，在重分类工具中获取唯一值，旧值不变，将属于耕地的新值设置为1，其余地物新值设置为0，结果显示耕地和其它地物分别为两种颜色，为了使区分明显，将耕地设置为白色、其它为深色以单独显示耕地。

ISODATA算法提取结果见图2（a），最大似然法提取结果见图2（b），基于规则的面向对象分类提取结果见图2（c），基于样本的面向对象分类提取结果见图2（d）。

3.2结果分析

根据精度评定结果进行分析，林地与裸地、林地与耕地容易被错分，分类精度较低，主要由于林地和耕地光谱反射特征比较相近引起。最大似然法分类结果比ISODATA算法分类结果精度高，但是对裸地提取效果较差，精度最高的是面向对象的分类结果，但同样林地和耕地混淆也较多。Kappa系数在0.61～0.80时表示高度一致，0.81～1表示几乎完全一致[20]。因此从该系数可以看出ISODATA算法分类结果良好，面向对象分类结果优秀，最大似然法分类结果介于两者之间。

将ISODATA算法和最大似然法分类的结果进行分类处理后，虽然能够去除小噪点，减少部分“椒盐”现象，但与面向对象分类提取的结果相比，依然能看出多处存在噪点。以ISODATA算法提取结果与基于样本的面向对象提取结果为例，如图3（a）和3（b）所示。

从两幅图对比可以看出，两种分类方法提取同一区域耕地图像有明显差别，ISODATA算法（或最大似然法）提取耕地的结果近似于颗粒混合，连续性、集聚性不强；面向对象提取的结果则是整块的，而且前者提取的耕地少于后者提取的结果，主要是由于面向对象分类过程中通过分割把地物分成块状，就能清晰地显示边界，使每块耕地边缘都能够被提取出来，而ISODATA算法和最大似然法对于边界的提取不准确。由于面向对象分类不仅是基于像素的分类，所以避免了“椒盐”现象，也明显提高了分类精度。

4结语

通过对天津市武清区某块区域进行耕地信息提取，并对提取精度进行分析，将4种不同方法的分类结果进行二值化，获得耕地信息的单独显示，最终得到该区域耕地分布图，本文研究得出主要结论如下：