刘天宇，赵 展，史同广

(山东建筑大学测绘地理信息学院，山东 济南250101)

0 引言

作为集约农业兴起的作物保护设施，塑料大棚的优势体现在能够降低环境气候的限制，满足消费人群的需求，减轻种植业的投资风险，因而在很多国家大规模推广。据2016年的统计数据，估计130个国家的商用塑料大棚覆盖面积总和超过44.5万hm2(约110万英亩)，其中位于中国的面积占比在80%以上[1-2]。近年来，我国塑料大棚仍然呈现逐年增加趋势，且随着塑料大棚的扩张，大量使用农用塑料膜。因塑料膜回收不完全而导致的土壤结构与地表水循环变化等生态环境问题，已经日益引起研究者的重视[3-5]。因此关于塑料大棚的精准提取、定期监测具有重要意义。

相较于传统人工实地观测获取塑料大棚信息，遥感观测具有成本低、范围广、可动态连续监测等突出优势。由于受光学衍射极限、调制传递函数、信噪比等因素的影响，目前，单一多光谱原始影像数据还难以在拥有高空间分辨率的同时兼顾较高的光谱分辨率[6]。GF-2、Worldview-2等拥有亚米级空间分辨率的遥感影像能够清晰呈现出地物的几何结构，可以为更精细的地物分类制图提供基础，同时高空间分辨率下地物的空间细节被放大，可能会令同类型地物内的异质性变高，进而影响到分类精度[7-8]。

高分辨率多光谱影像一般光谱覆盖范围较窄，所含光谱信息较少，因此纹理等空间特征被认为是其用于地物分类的主要特征。吴锦玉等[9]提出一种基于高空间分辨率影像和面向对象法的多纹理特征塑料大棚识别方法。高梦婕等[10]以GF-2影像数据作为单一数据源，将光谱特征、指数特征和灰度共生矩阵(gray-level co-occurrence matrix，GLCM)纹理特征相结合用于提取塑料大棚。高分辨率卫星影像存在的问题是通常不能免费获取，商业购买成本较高。

相比高分辨率影像，中低空间分辨率多光谱影像虽然欠缺空间细节信息，不利于微观尺度地物观测，但其传感器一般具有更宽的成像波谱范围，能更好地捕捉到地物光谱反射特性，并且通常可以免费获取[9]。国内外研究者利用Landsat系列、Sentinel-2 MSI等中低分辨率多光谱影像展开了一系列大棚提取研究。YANG D等[11]设计了一个温室大棚指数(plastic greenhouse index，PGI)，并证明了该指数在Landsat-7 ETM+(enhanced thematic mapper plus，ETM+)影像中提取大棚的性能。NOVELLI A等[12]将Landsat-8 OLI(operational land imager，OLI)多光谱数据和TIRS(thermal infrared sensor，TIRS)热红外数据相结合，提取了塑料大棚覆盖下的葡萄园。BALCIK F B等[13]在Sentinel-2 MSI的基础上，证明了RPGI指数(retrogressive plastic greenhouse index，RPGI)对提取温室具有重要作用。

总的来说，中低分辨率多光谱影像受空间分辨率的限制，纹理等空间特征不明显，塑料大棚提取主要依赖于光谱特征及基于光谱的指数特征。实际中的大棚存在不同类型，其光谱特征存在一定的差异，单一大棚指数的普适性仍然受到制约。

根据图像处理的最小单元是单一像素还是若干像素组成的影像对象，目前存在面向像元和面向对象两种方法。AGUERA F等[14-15]分别在Ikonos和QuickBird影像上利用最大似然法(maximum likelihood classification，MLC)识别并提取塑料大棚。KOC-SAN D[16]选取WorldView-2作为数据源，比较了MLC、RF(random forest，RF)及SVM(support vector machine，SVM)3种分类算法应用于塑料与玻璃温室提取的性能，精度评估表明，SVM分类效果最优。MLC是基于像元分类中较为常用的算法，普遍用于早期的温室分类研究中。在TARANTINO E等[17]首次将基于对象分析法(object-based image analysis，OBIA)引入到塑料大棚提取研究之后，面向对象法开始被广泛地应用。JI L等[18]通过建立一种基于对象和光谱分析的阈值模型，从Landsat-8 OLI中提取零散分布的温室。SHI L等[19]提出的3步骤提取温室法在高空间分辨率影像GF-2中具有较强的鲁棒性。AGUILAR M A等[20]将WorldView-2和Landsat-8 OLI时间序列数据相结合，先在WorldView-2上进行多尺度分割(multi-resolution segmentation，MRS)，然后根据两类数据的多种特征信息，利用DT(decision tree，DT)算法提取多时相下的塑料大棚。

比较已有研究中对面向像元和面向对象两类地物提取方法，发现以单一像元为基础的面向像元法主要考虑的是地物的光谱特性，缺少纹理和空间特征信息的引入，导致影像信息流失较严重[21]。面向对象法能够综合利用各个对象形状、纹理和光谱等多种特征提取所需信息，从而有效减少了“椒盐现象”、错分误分的出现，所以面向对象法更广泛地应用于地物分类提取研究中[22-23]。

在目前可用的遥感数据源中，Sentinel-2多光谱数据兼具较高的空间分辨率和光谱分辨率，而目前已有的关于塑料大棚提取的文献中，仅采用Sentinel-2 MSI作为数据源进行提取的研究较少。本文以Sentinel-2多光谱影像为数据源，充分利用Sentinel-2数据各波段光谱信息，考虑到不同类型大棚的光谱信息差异，设计一套塑料大棚的指数集，通过面向对象的多尺度逐层提取的方式实现大棚准确提取。

1 研究区域及试验数据

1.1 研究区域

如图1所示，研究区域地处潍坊市寒亭区与寿光市交界处，面积约6 520.68 hm2，地理范围在北纬36°49′15″～36°52′35″和东经118°57′19″～119°04′26″，属暖温带季风区大陆性气候，四季分明，适宜蔬菜等农作物的种植。研究区域内主要包括露天绿色农作物、塑料大棚、居住区(含人工设施)、裸土地和道路5种地表覆盖类型，塑料大棚的空间布局既有密集分布又有稀疏分布。

1.2 试验数据

Sentinel-2是由欧洲航天局(European Space Agency，ESA)发射的一组卫星，负责全球环境与安全监视系统中的多光谱遥感成像任务，用于农业估产、勘察土壤和水体覆盖等领域的监测，包含2015年发射的2A与2017年发射的2B两颗同组卫星，均携带一枚多光谱成像装置(MSI)，能够覆盖从可见光到短波红外13个光谱波段，存在10、20和60 m共3种不同的空间分辨率，影像幅宽可达290 km，两颗卫星互补条件下的重访周期为5 d。通过欧空局哥白尼科学中心下载可以反映大气底层反射率(bottom-of-atmosphere corrected reflectance)的L2A级数据，L2A级影像是在L1C级影像(正射校正和几何精校正过的产品)基础上经过辐射定标和大气校正后的产品，总共含有12个波段(不含B10-卷云波段)。本文选取时相为2020年9月18日的Sentinel-2B MSI作为数据源，具体影像参数信息如表1所示。

表1 Sentinel-2 MSI(L2A)波段范围及分辨率

2 研究方法

2.1 影像分割

分割是面向对象法图像处理过程的第1步，分割效果直接影响到后续分类精度。BAATZ M等[24]提出的MRS算法被广泛应用在基于影像对象的地物分类研究中，该算法作为一种自下而上的分割方法，其原理是将相邻的像元或较小的分割对象进行合并，在保证不同影像对象间平均异质性最小、相同对象内部像元间同质性最大的前提下，通过区域合并实现影像分割[25]。通过分割尺度(segmentation scale)、形状(shape)和紧致度(compactness)等参数控制分割效果，其中分割尺度直接调节各个分割对象的大小，是最为重要的参数因子；形状(shape)与颜色(color)、紧致度(compactness)与平滑度(smoothness)的权重和为1，且取值范围均为0.1～0.9。

Sentinel-2数据中，空间分辨率最高为10 m，对于塑料大棚的提取，该分辨率仍然较低，如仅使用单一分割尺度，分割结果中普遍出现“过分割”与“欠分割”现象；非塑料大棚类地物复杂多样，且面积占比差异较大。综合以上因素，研究者决定根据不同分割尺度构建影像对象层次结构，从而实现地物的分层提取。经过反复试验，以人工目视结合最佳分割尺度评价工具ESP2的方式，建立3层尺度分割层。其中形状和紧致度参数的设置采用控制变量法，紧致度因子的大小对影像对象分割的影响可忽略不计，因此取默认值0.5；对于较大尺度分割层，形状因子值的确定主要根据道路的影像对象内部是否包含塑料大棚，在0.2～0.9区间内取值均存在“欠分割”，而在较小尺度的分割层内，不同赋值的分割差异对塑料大棚的提取影响较小，所以3个层次的形状因子均取0.1，详细分割参数如表2所示。

表2 影像分割参数设置

2.2 地物特性分析

露天绿色农作物因品种、生长期的不同，覆盖密度存在差异，可分为高密度和低密度两种类型，较容易与大棚进行区分。居住区(含人工设施)部分所含地物种类繁多且复杂，很容易出现混淆误分，并且由图2各类地物典型样本(regions of interest，ROI)光谱曲线可以看出，裸土地与部分居住区(含人工设施)光谱曲线相近。塑料大棚按照结构的差异可分为日光温室、大拱棚、小拱棚和连栋温室等类型[26]。研究区域内所包含的塑料大棚类型如图3所示，因为大棚的“透光”特性、塑料薄膜材质及所覆盖作物长势的影响，大棚之间的光谱信息也不尽相同。受空间分辨率的限制，道路受混合像元影响严重，部分道路与大棚的光谱曲线较为接近，需要其他特征加以辅助区分。

隧道整体施工质量对铁路安全稳定运营至关重要。二次衬砌作为隧道主体结构的重要组成部分，对围岩稳定、承载作用重大，通过先进的技术方法查找原因，制定合理的处理措施，科学的组织施工，加强二次检测，形成二衬厚度缺陷的闭合式流程处理方法，消除厚度不足产生的质量隐患，从而提高隧道整体的安全性和可靠性。

图2 地物典型样本(ROI)光谱曲线

注：(a)～(d)为高空间分辨率影像；(e)～(h)为Sentinel-2影像

2.3 特征模型与设计思路

对比各类地物样本光谱曲线，发现塑料大棚与其他地物在很多波段上灰度值接近，依据各波段灰度值(digital number，DN)均值(mean)或标准差(standard deviation)等光谱特征不易于区分塑料大棚与干扰地物。因而考虑不同地物在多波段上的反射差异构建地物指数特征，通过不同波段间四则运算突出不同地物的反射波谱特性区分大棚和其他地物。此外，研究区域内“同物异谱”现象普遍，不同类型的大棚光谱特征差异较大，单一指数不足以将目标地物较精准地提取，为此研究设计了一套指数集，特征模型信息如表3所示。

表3 特征模型

通过图2光谱曲线能够直观看出各类地物的高反射率、低反射率波段，并根据曲线上升或下降趋势设计指数。

(1)Sentinel-2数据包括宽、窄两种近红外波段(B8、B8A)，经过光谱曲线对比，发现露天绿色农作物或植被在两种近红外波段处的反射率相近，均具有较高的反射率，研究采用窄近红外波段(B8A)构建NDVI来提取高密度绿色农作物。

(2)对于低密度的绿色农作物，其NDVI值一般为0.60～0.76，在此区间内的地物类型繁多，仅利用NDVI阈值无法将其精准提取，因此利用在红边波段(B6、B7)和近红外波段反射率高于其他地物且在蓝光和红光波段(B2、B4)反射率较低的特性，设计了指数VI，并与NDVI结合来提取低密度绿色农作物具有较好的效果。

(3)居住区(含人工设施)和裸土地是“同物异谱”的典型干扰地物，除少量人工设施外，大部分隶属于二者的地物光谱曲线总体呈上升趋势，在可见光波段和红边B5波段处的反射率差异较大，在短波红外波段(B11、B12)处的反射率要明显高于塑料大棚，利用以上特性设计了3个BLI指数。

(5)由于塑料大棚的光谱信息受其框架结构、薄膜材质、是否有黑布遮盖及覆盖作物长势等多种因素的影响，光谱曲线呈现出多样性。大多数大棚在蓝光和红光波段(B2、B4)处的反射率接近，再者，红边波段B5和B6、短波红外B11和B12的差值异于其他地物，按照上述光谱信息设计PGI1和PGI2两个指数以提取塑料大棚。

2.4 多层次分类

研究平台选择eCognition Developer(9.0)。在影像空间分辨率较低且地物类型复杂的条件下，仅利用少量样本的监督分类来提取大棚效果并不理想，误分、错分现象严重，而根据阈值进行分类能极大地减少误分、错分现象，为此研究以基于阈值规则的监督分类方法提取塑料大棚。

依据各类地物的特性分析决定每个层次所提取出的地物类型。首先，对于第1级分割层(50尺度)，利用影像对象较大的优势，便于提取出绿色农作物、部分道路和居住区(含人工设施)。第2级分割层(33尺度)内，已很大程度上降低了影像对象的异质性，在此尺度下易提取出以居住区(含人工设施)和裸土地为主的干扰地物。在最后一级分割层(22尺度)中，塑料大棚的影像对象中基本不再包含干扰地物，并且上面两个层次已过滤掉大部分干扰地物，按照图4总流程图中的阈值规则即可提取出塑料大棚，最终分类结果如图5所示。

注：每个序号代表一条阈值规则，规则之间用或连接。

图5 塑料大棚提取结果

3 精度评定与讨论

通过目视解译结合其他月份的高分辨率影像作为真实参考，以精度检查样本定量评价大棚提取精度，利用检查样本计算混淆矩阵来评价大棚和非大棚两类地物的提取精度，选取的检查样本如图6所示，衡量精度的指标包括生产者精度、用户精度、总体精度和Kappa系数，各指标数值如表4所示。

图6 检验样本选择

表4 精度评价

图7是一个错分示例，从图7中能够明显看出，少量居住区和道路被错分成塑料大棚，从而造成了提取大棚的用户精度较低。鉴于Sentinel-2影像最高10 m的空间分辨率，纹理特征和形状特征均受制约条件影响，光谱和指数特征是主要的分类特征，而在地物类型较为复杂的区域，“同物异谱”现象是限制大棚精度提高的一个重要因素。

图7 错分示例

4 结论

以Sentinel-2影像作为数据源，针对不同类型大棚及干扰地物的特征设计了一套指数集及提取流程，通过面向对象方法实现了研究区域内塑料大棚的多尺度提取，获得了较高的提取精度，对利用Sentinel-2影像提取塑料大棚图像提供了重要的参考。提取结果与精度评价在一定程度上反映了Sentinel-2 MSI应用于塑料大棚提取研究的潜能。

应用本研究提出的指数集来提取塑料大棚，仍然存在少量居住区、人工设施和道路的干扰。下一步将Sentinel-2影像与高分辨率影像融合，改进大棚提取指数以降低干扰地物影响，并对不同时相下的塑料大棚设计更利于精准提取的特征模型，进一步提升大棚提取的精度和方法的鲁棒性。