蒋 怡，李宗南，任国业，王 昕，李章成

(四川省农业科学院遥感应用研究所，成都 610066)

基于GF-1 PMS影像的柠檬种植面积估算*

蒋 怡，李宗南※，任国业，王 昕，李章成

(四川省农业科学院遥感应用研究所，成都 610066)

为应用国产高空间分辨率影像快速、准确估算丘陵区柠檬种植面积，文章基于GF-1 PMS影像使用不同数据预处理及分类法估算柠檬种植面积。通过对影像进行大气校正、数据融合、滤波等处理，分别得到光谱反射率数据、融合影像和纹理特征数据(分辨率分别为8m、2m、2m)。通过可分离性分析，发现荒草地和未成林柠檬的可分性最差，二者在光谱反射率数据、融合影像和纹理图像中的可分性数值均小于1.8，是影响柠檬分类精度的主要因素。基于最大似然法的分类精度评价结果显示，纹理图像数据估算精度好于8m分辨率的多光谱反射率数据和2m分辨率的融合图像，适当的影像预处理有助于提高监督分类精度。对比基于最大似然法的精度，基于面向对象法的柠檬面积估算精度达95.09%，高于监督分类法的，使用GF-1 PMS影像估算柠檬面积最优方法为面向对象法。该研究为应用国产高分辨率遥感数据快速、准确估算丘陵地区果树种植面积提供了相关参考。

GF-1 PMS影像 柠檬 丘陵 种植面积 精度

0 引言

柠檬是一种芸香科柑橘属的小乔木植物，其果实富含维生素C、柠檬酸等，广泛用来调制饮料菜肴以及提炼化妆品、药品原料，具有良好的经济价值。四川省安岳县是中国最重要的柠檬种植区。根据安岳县柠檬局统计数据，其种植规模、产量及市场占有率均占全国80%以上，产值70亿元； 柠檬种植及加工已成为是该县重要的特色产业。准确的柠檬种植空间分布、面积等空间信息是柠檬种植、生产等信息化管理的基础数据，对产业优化、科学管理有重要作用。卫星遥感具有快速获取大面积地面信息的优点，已成为经济林木、果树等空间信息的重要数据来源及方法。董芳[1]等利用遥感技术对丘陵地苹果园区信息进行了提取，分析了苹果园地遥感识别最佳时相，采用多种分类方法确定苹果园地面积。雷彤[2]等通过对苹果果期冠层光谱特征进行一系列分析，对苹果的果期、果量进行了精确估测。胡佩敏[3]等通过采用归一化植被指数阈值法和特征提取法，对宜都市柑橘空间的分布情况进行了研究。李雪[4]等利用卫星遥感数据分析了4种果树林与其他地物的差异，为果树面积的提取提供依据。刘克宝[5]等以高空间分辨率 Rapid-Eye影像为数据源，基于最大似然监督分类方法提取了肇东市2011年农作物种植结构空间分布。2013年以来，随着国产高分专项实施，国产高分卫星数据获取能力得到极大提升，但高分数据民用项目大范围使用过程中存在数据量大、数据处理耗时长等问题，因此研究及选择适合的数据预处理、分类方法，对提高数据处理效率和估算精度有重要作用。文章旨在研究GF-1 PMS遥感数据在柠檬种植空间分布及面积信息提取过程中的数据预处理及地物分类方法，为应用高分卫星遥感准确估算安岳县柠檬种植面积提供参考。

图1 安岳县行政区划

表1 GF-1 PMS数据波谱范围

波段波长范围(nm)中心波长(nm)全色580～895738蓝色450～520504绿色520～590579红色630～690680近红外770～890810

1 材料与方法

1.1 研究区概况

安岳县隶属四川省资阳市，位于四川盆地东部，中心位于104°56′E，29°40′N，面积为2 690km2，行政区划图详见图1。该县地势西北向东南倾斜，中部高，两边低，海拔247～551m； 属亚热带季风性气候区，年均气温17.6℃，年降水量1 026mm，无霜期314d，气候适宜柠檬种植、生长。

1.2 数据来源

1.2.1 遥感数据

以GF-1遥感卫星的PMS影像为数据源，影像拍摄日期为2014年4月12日，产品级别为Level 1A级。GF-1卫星搭载了二台PMS相机，该相机可获取空间分辨率为8m的多光谱影像和空间分辨率为2m的全色波段影像，单幅影像幅宽可达34km。影像光谱性能见表1。

1.2.2 验证数据

于2015年8月17日～21日在安岳县进行野外调查。通过实地调查建立解译标志，将研究区内的典型地物分为成林柠檬、未成林柠檬、水体、林地、荒草地、油菜、旱地以及居民地和道路等8类。根据野外调查，该研究中成林柠檬是指4年以上树龄的柠檬树林，见图2。未成林柠檬是指树龄在3年以下裸土明显的柠檬园地，见图3。验证区内柠檬面积数据，是以0.5m分辨率的数字正射图像为底图，结合野外调查通过目视解译得到； 验证区范围在安岳县内，长宽为10km×3km。0.5m分辨率的数字正射图像由2014年4月12日获取Pléiades 遥感影像生产，日期正好与高分影像拍摄日期一致。

1.3 影像预处理

对GF-1 L1A级的影像的预处理包括正射校正、辐射定标、大气校正、图像融合及纹理滤波等。大气校正采用FLAASH模块进行； 数据融合[6-8]采用超分辨率贝叶斯融合方法[9]； 纹理滤波采用基于二阶概率统计的滤波方法[10-11]。其中正射校正所用DEM为ASTER GDEM V2版； 辐射定标及大气校正所需参数和光谱响应函数来源于中国资源卫星应用中心。通过一系列预处理，得到了8m分辨率的多光谱反射率数据、2m分辨率的融合图像和纹理图像，图像效果(RGB321)见图4～6。

1.4 可分离性分析

遥感影像存在异物同谱和同物异谱现象，影响感兴趣地物分类精度及面积估算精度。该研究通过评价柠檬在影像中的可分离性，分析应用GF-1 PMS影像识别区分柠檬的影响因素。该分析运用了Jeffries-Matusita距离和Transformed散度算法[12]，其结果值分布在0～2之间，不同类别间的数值大小代表二者区分度的好坏。数值接近或者小于1，表示2个类别的区分度很差，难以从图像中将其区分； 数值小于1.8，一般表示可分离性较差； 数值大于1.9，表示所选择感兴趣区的可分离性良好。

该研究将对不同预处理得到的8m分辨率的多光谱反射率数据、2m分辨率的融合图像和纹理图像进行柠檬可分离性分析。不同地物在形状、空间结构上有差异，纹理滤波处理需根据需求选择适宜的滤波窗口，因此该研究对融合影像进行了15×15、21×21和23×23等3种窗口的滤波[13-15]，得出了3种窗口下的可分离性，并选择分离性最佳的进行比较分析。

图2 成林柠檬 图3 未成林柠檬

图4 多光谱反射率图像 图5 融合图像 图6 纹理图像

1.5 柠檬种植面积估算

监督分类和面向对象分类均是可人工经验干预分类的常用方法，在不同数据源、不同应用中二者有不同的效率和精度表现。该研究使用监督分类法和面向对象法提取柠檬种植空间分布，然后估算面积，通过比较二者面积精度选择最优方法。

1.5.1 最大似然监督分类法

使用的监督分类法为最大似然法。对八类地物建立感兴趣区； 分别对多光谱反射率图像、融合图像和纹理图像进行分类，然后结合地面调查和专业知识对分类结果进行后处理[16]，剔除明显错分为柠檬的地物，最后统计柠檬图斑面积。分类精度通过Kappa系数评价； 面积估算精度通过对比验证区的柠檬面积进行评价。Kappa 系数是由 Cohen 在1960年提出的用于评价遥感图像分类的正确程度的和比较图件一致性的指数[17-18]。一般情况下，K<0.4，表示分类精度很差； K在0.4～0.8之间，表示分类精度属于中等； K>0.8，表示分类精度高。

1.5.2 面向对象分类法

使用面向对象分类法，对融合图像和多光谱图像进行分类处理，然后统计柠檬图斑面积。面向对象分类的对象创建过程中，图像分割及合并的方法、尺度等因素影响对象创建及最终分类精度。在多次试验比较后，该研究采用Edge算法进行分割，采样Full lambda schedule算法进行合并。其中，融合图像的分割尺度参数为30，合并的尺度参数为85，纹理滤波窗口为5； 多光谱图像的分割尺度参数为25，合并的尺度参数为50，纹理滤波窗口为3。

2 结果与分析

2.1 不同图像中柠檬的可分离性

在3类不同图像上，通过对相同的训练样本进行评价，得出不同图像内柠檬与其他地物的可分离性数值，结果见表2。

表2 基于不同图像的柠檬可分离性

多光谱反射率图像融合图像纹理图像成林柠檬未成林柠檬成林柠檬未成林柠檬成林柠檬未成林柠檬成林柠檬0.0000.0000.000未成林柠檬1.8420.0001.8370.0001.8730.000居民地、道路1.9971.9331.9981.9551.9981.931水体2.0002.0002.0002.0002.0002.000林地1.9982.0001.9951.9991.9982.000荒草地1.9981.6131.9981.4411.9991.547油菜1.8102.0001.8041.9991.8012.000旱地2.0001.9052.0001.9581.9981.918

根据表2的结果，在不同图像中，成林柠檬与油菜的可分离性均低于成林柠檬与其他地物的，分别为1.810、1.804及1.801，但数值均大于1.8，属于可分离性较好的范围； 未成林柠檬与荒草地之间的可分离性均低于未成林柠檬与其他地物的，分别为1.613、1.441及1.547，数值均低于1.8； 说明荒草地与未成林柠檬在3种图像中均较难区分。根据野外调查，该研究中的荒草地主要包括2类：一是丘陵坡地表层土层薄、生长有稀疏杂草及灌木的土地； 另一是未种小春作物而长有稀疏杂草的土地。未成林柠檬为新种植的柠檬，根据图3，未成林柠檬树体矮小，树体周围有裸露土及杂草生长，故造成未成林柠檬和杂草地在像元视场有相似特征。综合地面调查和可分离性评价，该研究认为荒草地是影响未成林柠檬分类及面积估算精度的主要因素。

表3 基于最大似然法的分类精度评价结果

类型多光谱反射率图像融合图像纹理图像总体精度(%)97.2595.9598.05KAPPA系数0.96760.95160.9766

表4 监督分类面积精度

表5 面向对象分类面积精度

2.2 基于监督分类的柠檬面积估算精度

根据表3，在相同训练样区条件下，3种不同类型图像的分类总体精度均超过95%，KAPPA系数也均超过0.95； 其中纹理图像的总体精度最高，达到98.05%，Kappa系数为0.976 6。

将3种类型的图像通过最大似然分类法得到的柠檬种植面积与验证数据进行比对，其结果见表4。根据表4，基于纹理图像的柠檬面积估算精度好于多光谱反射率图像和融合图像，其总面积精度达88.42%，其中成林柠檬的面积精度为91.97%，未成林柠檬的面积精度为85.11%。该结果说明增加纹理滤波处理，在一定程度上有助于提高基于最大似然分类法的柠檬面积估算精度。

2.3 基于面向对象分类的面积估算精度

将面向对象分类得到的柠檬种植面积同验证数据比较，估算精度结果见表5。根据表5，使用融合图像估算柠檬总面积的精度高于多光谱反射率图像的，精度达95.09%，其中成林柠檬和未成林柠檬的面积精度分别为97.83%和92.55%。对比二者精度，多光谱反射率图像的未成林柠檬面积估算精度明显低于融合图像的。该结果说明融合图像集成2m空间分辨和多光谱的优势，在使用面向对象法中可提高分类精度。

与使用纹理图像的监督分类法比较，面向对象分类法的估算精度明显好于前者。其主要原因为面向对象方法加入分割、合并、边缘提取等数据处理，更充分的利用GF-1 PMS的2m全色影像和8m多光谱影像的地物的光谱、纹理特征。因此在GF-1 PMS影像估算柠檬面积的应用中，面向对象分类法是更好的选择。

3 讨论

该研究分析了柠檬分类、面积估算精度的影响因素，通过对比不同影像预处理和分类方法的柠檬面积估算精度，确定了GF-1 PMS影像估算安岳县柠檬种植面积的最优方法。柠檬多年来作为安岳县的特色种植产业，得到良好发展； 其种植规模不同于传统破碎化的农业种植，而越来越多地呈现连片规模种植； 连片柠檬种植降低了其遥感识别及解译的难度。在该研究中，成林柠檬与未成林柠檬之间由于树体大小、闭郁度等因素，遥感特征差异明显； 在真彩色合成的遥感图像中，未成林柠檬的色彩特征与一般裸土的很相似，异物同谱极易造成地物错分。解决该问题，进一步提高未成林柠檬解译精度，可考虑采样多时相影像、增加先验知识改进解译后处理等方法。利用多时相遥感影像的时间变化特征是一种解决遥感解译异物同谱问题常用的方法； 我国大力发展高分遥感，影像获取能力极大提高，因此加强该地区影像收集，可实现多时相遥感解译。另外，根据实地调查建立的相关先验知识有助于提高判读精度。该县新建果园均为柠檬园，主要分布在土壤水分充足、交通便利的田地，呈连片种植，分类后图斑大； 荒草地通常分布在土层浅薄的丘陵坡地上，图斑小且破碎。因此对未成林柠檬异物同谱分类结果，可在后处理中通过图斑大小、破碎程度判断未成林柠檬。

通过验证数据检验，使用GF-1 PMS影像估算柠檬面积的精度达到了95%； 使用5景GF-1 PMS影像进行拼接，即可覆盖整个安岳县及部分周边地区，进而获取该县柠檬种植面积，表现了GF-1 PMS影像同时具备较大幅宽覆盖和较高分辨率的遥感优势，因此该数据在调查大宗农作物及果树种植面积中有巨大应用前景，可为农业信息化管理快速提供大量准确数据。

4 结论

通过在安岳县进行野外实地调查，建立解译标志，同时收集遥感卫星影像，并对GF-1 L1A级影像进行正射校正、辐射定标、大气校正、图像融合及纹理滤波等一系列预处理，得到了8m分辨率的多光谱反射率数据、2m分辨率的融合图像和纹理图像，然后在3种图像中对感兴趣类别进行了可分离性评价，结果表明未成林柠檬的与荒草地的可分性较差，荒草地是影响柠檬面积估算误差的重要因素； 分别使用最大似然法和面向对象法对柠檬种植面积进行了估算，最大似然法的分类精度结果表明，纹理图像数据估算精度好于8m分辨率的多光谱反射率数据和2m分辨率的融合图像，适当的影像预处理有助于提高监督分类精度； 对比2种方法精度，结果表明基于面向对象法的柠檬面积估算精度高于监督分类法的，估算精度达95.09%，使用GF-1 PMS影像估算柠檬面积最优方法为面向对象法。

[1] 董芳.基于多源数据的丘陵区苹果园地信息遥感提取技术研究.山东：山东农业大学， 2012

[2] 雷彤， 赵庚星，朱西存，等.基于高光谱的苹果果期冠层光谱特征及其果量估测.生态学报， 2010, 30(9): 2276～2285

[3] 胡佩敏， 李正跃，李传仁，等.宜都市柑橘空间分布的遥感反演.湖北农业科学， 2014, 53(4): 795～798

[4] 李雪， 钟仕全，王蕾，等.基于HJ卫星遥感数据的林果光谱特征分析.新疆农业科学， 2011, 48(11): 1967～1973

[5] 刘克宝， 刘述彬，陆忠军，等.利用高空间分辨率遥感数据的农作物种植结构提取.中国农业资源与区划， 2014, 35(1): 21～26

[6] 刘锟， 付晶莹，李飞.高分一号卫星4种融合方法评价.遥感技术与应用， 2015, 30(5): 980～986

[7] 刘克， 赵文吉.遥感影像融合方法评价——以 SPOT5 自身融合为例.首都师范大学学报(自然科学版)， 2008, 29(6): 83～104

[8] 褚进海， 彭鹏，李郑，等.矿山遥感监测中 Quick Bird 数据融合方法研究.国土资源遥感, 2009，(3)： 107～113

[9] Laben Craig A,Brower Bernard V.Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening.US，2000-01-04

[10]胡玉福， 邓良基，匡先辉，等.基于纹理特征的高分辨率遥感图像土地利用分类研究.地理与地理信息科学， 2011， 27(5)： 42～45， 68

[11]李金莲， 刘晓玫，李恒鹏.SPOT5影像纹理特征提取与土地利用信息识别方法.遥感学报， 2006, 10(6): 926～931

[12]John a.richards Xiuping-Jia.Springer Berlin Heidelberg.Berlin：Springer-Verlag， 2006， 240

[13]李丹丹， 刘佳，周清波，等.尺度变化对油菜种植面积遥感监测精度的影响.中国农业资源与区划， 2014, 35(6): 85～92

[14]岳俊， 王振锡，冯振峰，等.基于光谱与纹理特征的南疆盆地果树树种遥感识别研究.新疆农业大学学报， 2015, 38(4): 326～333

[15]王长耀， 刘正军，颜春燕.成像光谱数据特征选择及小麦品种识别实验研究.遥感学报， 2006, 10(2): 249～255

[16]李志鹏， 刘珍环，李正国，等.水稻空间分布遥感提取研究进展与展望.中国农业资源与区划， 2014, 35(6): 9～18

[17]刘淼， 胡远满，布仁仓，等.基于 RS 和 GIS 的松潘县景观变化研究.辽宁工程技术大学学报， 2007, 26(3): 351～353

[18]谢国雪， 黄文校，卢远，等.基于高分辨率遥感影像的桑树信息提取研究.中国农业资源与区划， 2015, 36(2): 44～53

ESTIMATION OF LEMON PLANTED AREA BASED ON GF-1 PMS IMAGE*

Jiang Yi，Li Zongnan※，Ren Guoye，Wang Xin，Li Zhangcheng

(Institute of Remote Sensing Application，Sichuan Academy of Agricultural Sciences，Chengdu 610066，China)

Lemon has good economic value. The most important growing region of lemon in China is in Anyue county Sichuan province, where the lemon planting and processing has become an important characteristic industry. Accurate spatial information of lemon planting is dispensable for lemon management. High-resolution remote sensing is an efficient technology in agricultural information. This study aims to find an optimum method of estimating lemon acreage base on GF-1 PMS image which drives from the first satellite of high resolution remotely sensed project in China. Three preprocessing included atmospheric correction, data fusion and texture filtering were employed, and two classifications were compared in this paper. After preprocessing, three images included 8 m spectral reflectance image, 2 m fusion image and 2 m texture image were produced. Then the separability between lemon and other interest categories were evaluated using algorithms of Jeffries-Matusita distance and Transformed divergence. The result showed that the separability between weed field and immature lemon in spectral reflectance image, fusion image and texture image was 1.613, 1.441 and 1.547, respectively, which was the worst in all interest categories. The values less than 1.8 meant that it was hard to accurately classify weed field and immature lemon. Therefore, weed field was the main factor influencing the estimated accuracy of lemon planting area. By classify 8 interest categories using the algorithm of maximum likelihood base on the three images, it showed that the precision (which resultant accuracy of classification was up to 98.05%, the Kappa coefficient was up to 0.9766, and the accuracy of lemon planting area was 88.42%.) based on texture image was better than the multi-spectral reflectance image and the fusion image. Appropriate image preprocessing can improve the classification precision of lemon up to 95.09% using the maximum algorithm. Compared with the result of supervised classification, the accuracy of object-oriented approach was higher than the former in estimation of lemon planting area. Accordingly, object-oriented approach was the better method to estimate the lemon planting area using the GF-1 PMS image. The application of high resolution remote sensing data provided references for estimating fruit tree planting in the hilly area quickly and accurately.

GF-1 PMS image; lemon; hills; planted area; precision

10.7621/cjarrp.1005-9121.20161108

2016-04-15

蒋怡(1984—)，女，四川成都人，硕士、助理研究员。研究方向：农业遥感、土地利用。※通讯作者：李宗南(1983—)男，广西南宁人，博士、助理研究员。研究方向：农业遥感、土地资源利用等。Email：lizongnan@aliyun.com

*资助项目：四川省农业科学院青年基金项目“基于数据同化的成都平原水稻估产方法研究”(2015QNJJ-022)； 四川省财政创新能力提升工程专项资金项目“基于遥感技术的四川盆地主要农作物估产系统研究”(2016GXTZ-012)

S127; S59

A

1005-9121[2016]11-0050-06