□ 郭锦涛 洪 亮

（1.云南师范大学地理学部, 云南 昆明 650500；2.云南师范大学西部资源环境地理信息技术教育部工程技术研究中心, 云南 昆明 650500）

农业塑料大棚的使用有助于提高作物产量，但是，长期大量使用塑料大棚会破坏土壤结构，同时，农业化肥产生的残留物质（如氮、磷等）会随着地表径流汇入河网，对生态环境造成负面影响［1］。因此，需要一种能够动态监测并绘制塑料大棚时空分布的方法，从而为当地政府更好地管理、规划塑料大棚使用以及环境保护提供参考。相比传统测量技术，遥感技术能够快速获取大范围内塑料大棚覆盖的信息。

基于遥感技术的塑料大棚覆盖信息提取方法主要分为两类：（1）基于光谱特征和分类器的提取方法［2］，此类方法依赖于样本的质量，分类成本较高。（2）基于光谱指数和阈值模型的提取方法，该方法计算效率高、精度可靠、成本较低、提取规则可重复利用，Wang等［3］、Yang等［4］基于中低等分辨率遥感影像提出了一些塑料大棚的自动识别模型，并取得一定的研究成果。

目前研究成果主要适用于塑料大棚成片、连续分布或地表覆盖类型相对简单的区域，随着城市化和农业现代化的进程，大部分区域地表覆盖类型正趋于复杂化，以上方法在复杂区域对塑料大棚的提取效果仍需进一步验证。而流域是在分水线约束下形成的闭合性区域，区域内地理环境复杂，地物类型多样，是研究和讨论已有方法制图效果的良好样区。基于此，本文选择滇池流域为研究区，比较分析三种塑料大棚光谱指数方法的分类效果，以期为复杂环境下塑料大棚提取提供参考。

一、研究区

滇池流域位于云南省中部，24°29～25°28N，102°29～103°01E之间。流域内土地覆盖类型复杂，农业生产水平较高，主要生产蔬菜、花卉和苗木等经济作物，流域东南及南部大量农田被改造为塑料大棚。

二、数据和方法

（一）数据及预处理

本文使用由欧空局（ESA）提供的Sentinel-2光学遥感影像进行塑料大棚提取。本文选择两幅2019年3月15日采集的Sentinel-2ALevel-1C产品，并使用SNAP7.0软件进行预处理。

（二）特征分析

滇池流域内农业塑料大棚在真彩色影像上主要呈现为五种类型：黑色塑料大棚、棕色塑料大棚、灰蓝色塑料大棚、绿色塑料大棚和白色塑料大棚。本文将五种类型塑料大棚统一归类为塑料大棚，并将背景地物归类为其他类型。通过选取13种地物的样本各200个，根据5%～95%的置信区间统计并绘制样本在Sentinel-2的12个波段和8个光谱指数的特征均值曲线图（图1）。由图1可知，五种类型塑料大棚的光谱特征差异较大，且五种类型塑料大棚分别与不同背景地物在各个特征上存在相似性，区分度较低。

图1 不同类型塑料大棚特征分析

（三）光谱指数方法

塑料薄膜在近红外（NIR）、短波红外1（SWIR1）和短波红外2（SWIR2）处具有三个吸收带，在实际分类中，地表地物类型复杂，且塑料大棚与其他地物在各光谱指数中类间差异较小，仅使用单一光谱指数提取塑料大棚精度较低，因此，已有研究通常采用多个指数构建阈值模型进行塑料大棚提取。决策树分类法是一种基于规则逐级分层的非参数分类模型［3］，被广泛使用于阈值模型的构建。

1.指数

（Green house vegetable landex traction model）指数由Zhao等［5］提出，公式如（1）所示。指数主要利用塑料大棚在短波红外1波段反射率＞近红外波段反射率＞红波段（R）反射率的性质进行构建。指数的阈值上限为0.05。

式中，slope为坡度特征。

2.PGI指数

PGI（PlasticGreenhouseIndex）指数由Yang等［4］提出。综上可知，对于地物类型较复杂，且塑料大棚类型多样的区域，PGHI具有更好的分类效果。PGI指数提取塑料大棚的阈值上限为6.7，阈值下限为1.3。

式中，NDVI=（NIR-R）/（NIR+R），

NDBI=（SWIR1-NIR）/（SWIR1+NIR）

3.PGHI指数

式中，CSBI=SWIR2/SWIR1，

Brightness=（R+G+B）/3，PMLI=R/B

PGHI（PGHIndex）指数由Ji等［6］提出，公式如（3）所示，该方法使用亮度特征（Brightness）去除暗水体、植被和暗不透水面，近红外波段（NIR）用于去除亮水体，塑料地膜覆盖指数（Plastic-mulchedLandcoverIndex，PMLI）用于去除农用塑料地膜覆盖农田，彩钢瓦建筑指数（Color Steel Buildings Index，CSBI）用于去除彩钢瓦建筑，PGHI指数用于去除裸地和亮不透水面，PGHI指数的阈值下限为0.43。

（四）地物可分性评价

为比较地物在不同指数中的可分性，本文采用J-M距离（Jeffreys-matusitaDistance）作为评价类别间可分性的指标。J-M距离公式如下：

式中，J为J-M距离，Bij为i类别和j的样本之间在某一特征上的巴氏距离，μi为i类别在某一特征的均值，δi为i类别在某一特征的标准差。J-M距离的取值范围为0～2，当J＜1时，表明不同类别之间在该特征下不具备可分性；当J＞1时，值越大，其分可分性越高。

（五）精度评价方法

为了定量评价三种方法的提取精度，本文使用混淆矩阵评估分类准确性。基于GoogleEarth提供的高分辨率遥感影像进行人工样本选择，确保样本均匀分布在整个研究区，包含塑料大棚、水体、植被、不透水表面和裸土等五类地物。其中塑料大棚样本总面积为81.35km2，背景地物样本总面积80.75km2。

三、结果分析

（一）精度评价

三种指数分类精度如表1所示，可知，基于决策树方法分类的总体精度均在76%以上，Kappa系数均在0.5以上，所有地物的制图精度均在60%以上。三种方法中，PGHI指数对于塑料大棚的漏分误差和错分误差均最低；指数对于塑料大棚的漏分误差最高；PGI指数对于塑料大棚的错分误差最高，为14.71%。总体而言，PGHI指数各项精度评价指标均最高。

表1 不同方法提取塑料大棚精度

（二）塑料大棚提取结果对比

图2为三种方法提取塑料大棚的分类结果，结合图1可知，塑料大棚主要分布在滇池东南沿岸，三种方法均能有效提取塑料大棚。但三种方法都存在将其他地物误分为塑料大棚的情况，其中，和PGI这两种方法误分比较严重。PGI指数的误分主要发生在城市和山区，主要错分类型为暗裸土；指数的误分主要发生在城市区域，主要误分地物为植被和；PGHI指数的误分主要发生在城市区域，主要为低矮建筑和公路等不透水面与植被混合的像元。

图2 滇池流域塑料大棚覆盖图

由图3可知，三种方法在不同区域提取效果存在差异。在山谷地带（区域1），指数对塑料大棚的漏提取现象严重；在农业生产区（区域2），指数将大量暗裸土误分为塑料大棚，PGI指数将部分亮度较高的裸土误分为塑料大棚，而PGHI指数可以将塑料大棚之间的小路去除，分类结果精细程度更高；在郊区（区域3），三种指数均存在错误分类问题，主要为植被和不透水面混合的像元，其中，指数错误分类问题最严重。

图3 不同区域塑料大棚提取结果

针对误分、漏分问题，计算不同类型塑料大棚与其他地物之间三种塑料大棚指数的J-M距离如图4所示。可知，（1）受类内光谱差异较大、类间光谱差异较小的影响，三种指数均无法涵盖所有类型塑料大棚；（2）PGHI指数分类的漏分误差主要来源于黑色、棕色、白色三种类型塑料大棚的漏提取；（3）PGHI和PGI指数中五种塑料大棚与其他地物的整体可分性高于指数，其中，灰蓝色、绿色和白色塑料大棚SWIR1波段的反射率小于NIR波段（图1），不满足指数的构建规则，导致该方法对塑料大棚的漏分误差较高，达到39.25%。

图4 不同指数塑料大棚与地物的分离度

五、结语

本文以Sentinel-2为数据源，采用三种塑料大棚光谱指数方法对滇池流域塑料大棚进行制图，结合对地物的特征和J-M距离进行分析，结果表明：基于PGHI指数的阈值模型整体分类效果最佳，总体精度为89.13%，Kappa为0.7817，塑料大棚的制图精度和用户精度分别为83.42%和93.42%，该方法能够识别出塑料大棚之间的间隔，制图精细程度较高，能够适用于流域尺度等复杂地理环境的塑料大棚提取，为获取流域尺度塑料大棚覆盖信息提供了一种有效的方法。但目前方法均无法涵盖所有类型塑料大棚，需要通过进一步的分析，构造出泛化性更强的塑料大棚光谱指数。