辅以NDVI/DEM的面向对象木薯提取方法研究
——以广西壮族自治区武鸣县为例
2015-06-07马洋洋,张彩霞,张继超,谢高地,张雷明*
马 洋 洋,张 彩 霞,张 继 超,谢 高 地,张 雷 明*
(1.中国科学院地理科学与资源研究所,北京 100101;2.黑龙江工业学院,黑龙江 鸡西158100;3.辽宁工程技术大学测绘与地理科学学院,辽宁 阜新 123000)
辅以NDVI/DEM的面向对象木薯提取方法研究
——以广西壮族自治区武鸣县为例
马 洋 洋1,2,张 彩 霞1,张 继 超3,谢 高 地1,张 雷 明1*
(1.中国科学院地理科学与资源研究所,北京 100101;2.黑龙江工业学院,黑龙江 鸡西158100;3.辽宁工程技术大学测绘与地理科学学院,辽宁 阜新 123000)
木薯作为重要的非粮能源作物,因其种植分散、与易混淆作物缺乏生长时相差,从而导致其种植分布信息难以正确获取,一直是困扰木薯乙醇资源正确评估的技术问题。该研究以广西壮族自治区武鸣县为研究区,应用高分辨率RapidEye影像数据,探讨利用面向对象分类方法合理提取木薯种植面积及其空间分布信息。研究表明,将归一化植被指数(NDVI)和数字高程数据(DEM)应用于遥感影像的多尺度分割,并结合基于隶属度函数和阈值的面向对象分类方法,提取木薯种植面积的精度达85%,分类精度(以Kappa系数表示)为0.9。相比最大似然监督分类方法和未辅以NDVI/DEM的面向对象分类方法,该方法的总精度分别提高了5%和12%,Kappa系数分别提高了0.2和0.3。因此,NDVI和DEM数据参与影像分割的面向对象的信息提取方法,可以有效地提高遥感图像分类的精度,并为提取种植分散、与相关植被时相差异小的作物的空间分布提供了有效的技术借鉴。
RapidEye影像;NDVI/DEM;面向对象分类;空间分布;木薯
0 引言
木薯作为我国唯一投入规模化生产的非粮生物燃料乙醇的原料来源,准确提取其时空分布是客观评估其化石燃料替代潜力的前提和基础[1]。木薯对土壤肥力和水分供应等种植条件要求不高,在我国广西壮族自治区适宜地区的不同类型土壤和地形上均有分布[2],但多为分散性种植,并与玉米、豆类和瓜类等套作种植[3],其种植面积难以准确提取。木薯与甘蔗种植区域往往相互交错,并且二者的种植、生长和收获期基本重合,因此,直接利用作物生长时相对二者进行区分的不确定性很大,而传统的统计抽样方法在大尺度作物空间分布调查时的时效性和客观性也存在较多问题[4]。因此,准确刻画分散性种植木薯的空间分布特征是客观评价我国木薯乙醇资源潜力所面临的重要技术难点。
面向对象的遥感影像分析技术是基于图像对象的一种新分类方法[5],通过对影像的分割,使同质像元组成大小不同的对象[6],能克服传统基于像素的分类方法中出现的“椒盐”现象[5,7],实现较高层次的遥感图像分类和目标地物提取[7,8],提高地物分类结果的精度和价值[7-10]。目前,该方法虽已在国内得到较多应用[5,10-12],但较少使用其他辅助信息参与影像分割分类,而且对于面积较小、分散种植的作物,特别是与周边作物不具有明显生长时相差的作物分布的提取较罕见。
本文选择我国木薯种植第一大县——广西壮族自治区武鸣县为研究区,在常规面向对象分类方法的基础上,探讨辅以归一化植被指数(NDVI)和数字高程数据(DEM)的木薯种植面积提取方法,通过与未考虑辅助信息的分类方法的对比分析,建立区域尺度木薯种植面积及其空间分布的提取技术,为正确评估我国木薯乙醇资源潜力提供技术参考。
1 研究区与数据获取
1.1 研究区域概况
武鸣县位于广西壮族自治区南部(22°55′~23°33′N,107°50′~108°38′E),属亚热带湿润季风气候,年均气温21.7℃,年降雨量1 100~1 700 mm,无霜期270~300 d。全县面积约3 366 km2,多山地丘陵。据武鸣县木薯产业发展办公室统计,2012年武鸣县木薯的种植面积为2.2万 hm2,约占广西木薯种植面积的10%。由于受木薯产品价格走低的影响,原种植木薯的农田大量转种了香蕉、甘蔗和桉树,使得该县集中连片的大面积木薯种植区域逐渐减少,而更多地呈现出分散性的小面积种植,且常与玉米、花生、南瓜等作物间作套种,加大了木薯影像判别提取难度。研究区试验影像如图1。
图1 研究区RapidEye影像
Fig.1 RapidEye image of the study area
1.2 技术流程
在获取武鸣县高分辨率RapidEye遥感影像的基础上,通过影像的预处理和资料收集,分别提取得到该区域归一化植被指数(NDVI)和数字高程数据(DEM)。利用德国eCognition8.7软件进行遥感影像分割处理,将NDVI和DEM数据作为辅助信息参与遥感影像的面向对象分类,并与无辅助信息的面向对象分类和最大似然监督分类两种方法的分类结果进行对比分析,以准确提取区域尺度木薯种植的空间分布信息。具体技术流程如图2所示。
图2 技术流程
Fig.2 Technical flowchart of this study
1.3 影像数据及其预处理
本研究所用的遥感影像为经过辐射校正和系统几何校正的RapidEye 1B级影像数据,拍摄时间为2012年9月30日,此时正是木薯生长旺盛、接近成熟的季节,其主要卫星参数见表1。
表1 RapidEye卫星参数
Table 1 The parameters of RapidEye satellite
名称参数名称参数波段数5卫星重访周期<1d波长蓝440~510nm绿520~590nm红630~685nm红边690~730nm近红外760~850nm最大航天器滚转角25°空间分辨率6.5m扫描方式推帚扫描仪幅宽77km影像获取能力400万km2/d
获取RapidEye影像原始数据后,对其进行了如下预处理:1)影像几何校正:经过几何粗校正的遥感影像的精度不能满足试验的空间定位要求,需做几何精校正,主要通过选择地面控制点,在原始畸变的图像与标准空间寻找控制点对,通过不同函数参数的选择、坐标变换、最近邻/双线性内插、三次卷积重采样的选择等步骤完成[7]。依据IKONOS几何模型并结合DEM数据,利用美国ERDAS9.3软件在遥感影像上均匀选择控制点,对影像进行正射校正,控制误差在一个像元内,以满足木薯种植面积的提取要求。2)影像裁剪和投影转换:经过几何精校正后的影像,在ERDAS9.3中完成研究区遥感影像的裁剪,并在WGS84坐标系下,利用ArcGIS 10.1将其他数据进行投影转换,使所有的数据具有相同的空间参考,方便后续操作。
1.4 NDVI信息提取
RapidEye影像有5个波段,可用于地表NDVI信息反演,但在ERDAS9.3软件中并没有直接提取该影像NDVI的模型,因此,本研究利用空间模型工具编辑了NDVI的提取和计算模型;同时,对NDVI运算公式中分母为0的情况进行特殊处理,避免运算结果产生溢出情况,进而获取基于RapidEye影像的高分辨率NDVI数据。
1.5 DEM信息提取
由ASTER GDEM网站(http://gdem. ersdac.jspacesystems.or.jp/)获取分辨率为30 m的DEM数据,并进一步提取地表坡度数据,根据我国退耕还林(还草)政策法规的要求,选择25°作为木薯分布的坡度上限。
1.6 地面验证数据
为了对影像分类结果进行有效验证,本研究在2012年12月和2013年10月组织开展了两次实地调查,获取了227个实地采样数据。同时,由地球系统科学数据共享网(www.geodata.cn)获取了1∶25万土地覆被信息。
2 地面覆被信息提取方法
面向对象分类中的隶属度函数以[0,1]统一范围表达不同类别特征值范围,每类特征值都通过逻辑运算符组合进行类赋值运算,每个影像对象被赋予隶属度最高的类别[13]。隶属度函数分类方法易于对每个特征值进行编辑和调整,提供了特征值和隶属度之间的关系。
2.1 分割尺度的选择
分割尺度的选择是图像分割的关键因素之一,选择合适的分割尺度,不仅能将地物类型分割完整,而且能够防止分割对象的边界过于破碎。经过多次试验和目视比较,确定3个分割尺度,分割参数分别设定为200、150和55,同时,确立3个与其对应的目标提取图层,具体分割设置和过程如下:1)确定Level 1的分割尺度为200,以便在大尺度上对村庄、裸地和水体进行分类,然后利用掩膜将其从影像中去除;2)Level 2的分割尺度为150,由于香蕉和桉树多为大面积种植,该尺度上两种作物的影像对象边界清晰且没有出现与周围地物混合的现象;3)Level 3的分割尺度为55,在该尺度上能够很好地分割出木薯、甘蔗和水稻,分割边界清晰且地类分布完整。
2.2 波段权重的设置
研究中共有7个波段参与分割,由于光谱信息对植被提取尤为重要,其光谱权重设置较大,而地形等信息为辅助要素,其权重设置较小。根据这一原则,植被在近红外波段具有高反射特性,将其波段权重设置为5,将DEM图层权重设置为3,以分析地形因素与木薯分布。为区分植被和非植被,提高木薯的分类精度,将NDVI图层权重设置为3,其他图层权重均设置为1。
2.3 遥感影像分割
本研究采用多尺度分割方法对遥感影像进行分割,即先将单个像元作为一个对象,根据相邻像元之间的光谱异质性和形状异质性及设定的光谱异质阈值和形状异质阈值对图像的像元进行合并和分割,再用形状异质性对产生的影像对象形状进行修正,最终得到具有相似形状、颜色和纹理等特征的多边形[14]。
NDVI和DEM包含了重要的地标属性信息,充分利用这些信息可提高遥感影像分割的准确性。研究中利用eCognition软件,将NDVI和DEM两个图层信息叠加到预处理后的影像中一并参与影像分割;同时,考虑到研究区木薯种植分布情况,以DEM提取的坡度信息对木薯分布区域进行约束。图3(见封3)和图4(见封3)分别给出了NDVI和DEM信息参与影像分割与否的效果,可以看出,同等分割尺度条件下,辅以NDVI和DEM分割后的影像对象边界完整,而无辅助信息参与分割的村庄边界破碎,耕地分割不完整,不利于后续对作物的提取。
2.4 地表覆被信息的提取过程
在提取木薯之前,需要将其他非植被信息剔除,并且在植被信息中利用提取信息提取出木薯种植面积信息。
(1)村庄。虽然村庄的建筑较集中,亮度特征值较高,但往往与道路亮度特征值有重叠,无法单独利用亮度准确提取村庄信息。考虑到村庄内有植被分布,但面积较小,其NDVI值仅高于水体和裸地,明显低于其他植被,因此,基于NDVI和亮度特征值构造隶属度函数,提取村庄空间分布信息。
(2)水体。水体在近红外波段具有强烈的吸收作用,而在绿波段的反射率较高,利用归一化差异水体指数(NDWI)作为水体提取的特征值,并在eCognition软件中自定义NDWI特征算法[15]提取水体。
(3)裸地。裸地NDVI值较小,介于村庄和水体之间,但裸地的亮度值明显区别于水体和村庄,可以依据NDVI和亮度特征提取裸地信息。
(4)香蕉和桉树。完成上述地物信息提取后,对尚未分类区域进一步提取,对影像进行二次分割,生成Level 2分割影像对象层。由于香蕉和桉树种植相对集中且面积较大,可利用阈值分类分别提取出香蕉和桉树分布区。
(5)木薯、甘蔗和水稻。通过对影像的第三次分割,生成Level 3分割影像对象层,以提取木薯、甘蔗和水稻的空间分布信息。首先,木薯和甘蔗在近红外波段反演值差异明显,甘蔗的近红外值范围为[7 570,9 272],而木薯的近红外值大于9 272,可通过构造隶属度函数区分二者。其次,在尚未分类的区域中,利用SAVI、NDVI和近红外波段值三者共同提取水稻种植面积信息,分类规则如表2。最后,对影像中错分和漏分类别进行目视检查和修正,得到木薯及其他几种作物种植的最终分类结果。
表2 分类规则
Table 2 Classification rules
分类特征隶属度函数特征值范围木薯NIRSlope927225甘蔗NIR7570,9272香蕉NIRNDVI9400,110000.49,0.63桉树NIRNDVI8100,89950.45,0.5水稻NIRNDVISAVI9000,105500.44,0.5669,84水体NDWI-0.09,2.8村庄NDVIBrightness0.03,0.175230,6065裸地NDVIBrightness-0.01,0.014870,5226
3 结果与分析
基于NDVI/DEM分割与否以及最大似然监督3种分类方法的木薯分布提取结果如图5所示(见封3),可以看出,面向对象的分类方法结果图精度明显高于最大似然监督分类结果,而叠加NDVI/DEM辅助信息后的分类效果最佳。
为进一步客观评价基于NDVI/DEM分割的面向对象分类、无NDVI/DEM参与分割的面向对象分类和最大似然监督分类3种方法的分类精度,随机选取研究区验证点170个,每个地物类别验证点的数量与该类别的像元数呈正比,以保证各类别都有足够的分析点。结合研究区的实地勘查数据,对样本点的分类结果进行判读,建立混淆矩阵,对分类结果进行精度验证。3种分类方法的精度比较见表3。
表3 3种分类方法精度比较
Table 3 Accuracy analysis of three classification methods
类别生产者精度(%)用户精度(%)总精度(%)Kappa系数ABCABCABCABC木薯868073888276甘蔗847971868065香蕉908380908582桉树9085789184838580730.90.80.6水稻807769827960水体837874807764村庄828076878178裸地797570757367
注:A为基于NDVI/DEM分割的面向对象分类;B为未基于NDVI/DEM分割的面向对象分类;C为最大似然监督分类。
可以看出,最大似然监督分类的总精度为73%,Kappa系数为0.60。该方法分类结果中,木薯与甘蔗、香蕉、桉树被混分现象严重,有1/3的木薯被错分为甘蔗。面向对象分类方法相比于最大似然分类,虽然NDVI/DEM信息未参与分类,但其总体和个体分类精度都有不同程度的提高,木薯与其他作物被混分的现象有明显改善,分类精度和Kappa系数分别提高了7%和0.2。而基于NDVI/DEM分割的面向对象分类的总精度为85%,Kappa系数达0.9,比最大似然分类方法的总精度和Kappa系数分别提高了12%和0.3。由此可见,辅以NDVI和DEM数据分割的面向对象分类方法能够显著提高木薯等分散种植作物的分类精度,其分类方法具有良好的可行性。
4 结语
本文基于RapidEye遥感影像,在面向对象的分割中引入了NDVI和DEM辅助数据信息,利用面向对象分类方法提取了木薯种植空间分布信息,有效提高了木薯的分类精度,无论总精度还是Kappa系数,都明显优于最大似然监督分类结果和未辅以NDVI/DEM的面向对象分类结果。本研究提出的分类方法不仅适用于木薯种植面积的遥感评估,对于其他类似分散种植作物的空间分布信息提取也具有借鉴作用。面向对象的分类方法不仅能充分利用影像的光谱信息,还能组合光谱信息,挖掘光谱信息之外的有效信息以提高分类精度。但面向对象的分类精度主要依赖于分割尺度的大小,太大或太小都会影响分类的最终结果,因此,最优分割尺度的确定方法仍是今后研究的重点。
[1] 王露,杨海龙,封志明,等.广西能源作物木薯种植的可能规模:自然适宜性与社会限制性评价[J].资源科学,2012,34(1):150-158.
[2] 张彩霞,谢高地,徐增让,等.中国木薯乙醇的资源潜力及其空间分布[J].生态学杂志,2011,30(8):1726-1731.
[3] 罗兴录.广西木薯产业化发展对策[J].中国农学通报,2004,20(6):376-379.
[4] 阳小琼,朱文泉,潘耀忠,等.作物种植面积空间对地抽样方法设计[J].农业工程学报,2007(12):150-155.
[5] 王启田,林祥国,王志军,等.利用面向对象分类方法提取冬小麦种植面积的研究[J].测绘科学,2008,33(2):143-146.
[6] 陈云浩,冯通,史培军,等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报(信息科学版),2006,31(4):316-320.
[7] 彭海涛,柯长青.基于多层次分割的面向对象遥感影像分类方法研究[J].遥感技术与应用,2010,25(1):149-154.
[8] 曹宝,秦其明,马海建,等.面向对象方法在SPOT5遥感图像分类中的应用——以北京市海淀区为例[J].地理与地理信息科学,2006,22(2):46-49,54.
[9] BHASKARAN S,PARAMANANDA S,RAMNARAYAN M.Per-pixel and object-oriented classification methods for mapping urban features using IKONOS satellite data[J].Applied Geography,2010,30:650-665.
[10] 贾明明,王宗明,张柏,等.综合环境卫星与MODIS数据的面向对象土地覆盖分类方法[J].武汉大学学报(信息科学版),2014(3):305-310.
[11] 汤传勇,卢远.利用面向对象的分类方法提取水稻种植面积[J].遥感应用,2010(1):53-56.
[12] 范磊,程永政,王来刚,等.基于多尺度分割的面向对象分类方法提取冬小麦种植面积[J].中国农业资源与区划,2010,31(6):44-51.
[13] 关元秀,程晓阳.高分辨率卫星影像处理指南[M].北京:科学出版社,2008.151-155.
[14] 乔婷,张怀清,陈永福,等.基于NDVI分割与面向对象的东洞庭湖湿地植被信息提取技术[J].西北林学院学报,2013,28(4):170-175.
[15] eCognition,User Guide.Definiens Imaging GmbH,Munich [EB/OL].http://www.definiens imaging.com/product.htm,2009-12-30.
Research on Object-Oriented Classification Method Assisted with NDVI/DEM in Extracting Cassava:Taking Wuming County for Example
MA Yang-yang1,2,ZHANG Cai-xia1,ZHANG Ji-chao3,XIE Gao-di1,ZHANG Lei-ming1
(1.InstituteofGeographicSciencesandNatureResourcesResearch,ChineseAcademyofSciences,Beijing100101;2.HeilongjiangInstituteofTechnology,Jixi158100;3.SchoolofMappingandGeographicSciences,LiaoningTechnicalUniversity,Fuxin123000,China)
Cassava is an important feedstock not only for animal feeding but also for bio-fuel.It has a significant meaning to make it clear where the cassava grows and how much it is.But it has been the technical obstacles to assess the resource of cassava accurately that the cassava is dispersive and has no obvious growth differences with other corps easy to be confused.In this research,taking Wuming County of Guangxi Autonomous Region as the study area,an object-oriented image analysis method to extract the spatial distribution area of cassava was explored based on the RapidEye images with high resolution by eCognition 8.7,ERDAS9.3 and ArcGIS10.1.It is shown in the study that:1)Applying NDVI and DEM data in the multi-scale segmentation and based on membership function and threshold value,the object-oriented classification method has the precision of 85% and the Kappa coefficient of 0.9 for the extraction of cassava distribution area.2)Compared with the maximum-likelihood classification method and the object-oriented classification method without NDVI/DEM segmentation,the object-oriented classification method with NDVI/DEM segmentation in this paper has higher classification accuracy for the extraction of cassava,with the precision higher 5% and 12% and the Kappa coefficient higher 0.2 and 0.3 than that of the former two respectively.Therefore,the object-oriented classification method with adding NDVI and DEM data to the image segmentation can improved efficiently the classification accuracy of remote sensing image,and it can provide an effective technical reference for the extraction of crops with dispersed planting area and having little time differences with other confusing plants.
RapidEye image;NDVI/DEM;object-oriented classification;spatial distribution;cassava
2014-03-31;
2014-08-19
国家自然科学基金项目“广西木薯乙醇的能源替代和减排潜力研究”(41101539);国家重点基础研究发展计划(973计划)项目“中国主要陆地生态系统服务功能与生态安全”(2009CB421106);辽宁省教育厅科学技术研究项目(2009A332);2011年度科学技术研究指导性计划项目(MTKJ2011-323)
马洋洋(1987-),女,硕士研究生,主要从事遥感影像信息提取及资源评价工作。*通讯作者E-mail:zhanglm@igsnrr.ac.cn
10.3969/j.issn.1672-0504.2015.01.011
TP751
A
1672-0504(2015)01-0049-05