基于GF-1多尺度多准则地膜覆盖信息自动提取

王 荣，刘世锋

（天水师范学院 资源与环境工程学院，机电与汽车工程学院；甘肃 天水 741001）

20世纪70年代以来，伴随着地膜覆盖栽培技术的广泛使用，农业收成状况有所提高，但农田残膜污染问题已成为国内外农学及环境学界研究的焦点。[1]残膜在农田中长期积累，导致土壤耕层理化、生物学性质恶化，作物生长受阻、减产，对农作物产生的危害已成为不容忽视的问题。遥感为农业资源管理、环境监测等基础工作提供了重要的技术手段及数据来源。随着航天技术的不断发展，高分辨率遥感影像蕴含的纹理，形状及上下语义关系等信息日益丰富，如，2013年4月我国发射成功的首颗高分辨率对地观测卫星——高分一号（GF-1）；[1-2]地物信息提取方法日趋完善。传统基于象元的信息提取方法忽略了高分影像的纹理、形状及语义关系等特征，造成影像信息的浪费。而基于多尺度、多准则面向对象的信息提取方法，以分割对象为基本单元，充分利用GF-1丰富的低-中-高层次的光谱、几何及纹理特征，通过建立多准则规则集的方法，有效提高了目标地物信息的提取精度，成为目前国内外目标地物信息提取的热点，[7-9]弥补了传统方法的不足。影像分割是面向对象信息提取的核心与关键，因此，最优分割尺度的选择至关重要。[2]而Multiresolution segmentation分割算法，将多种子点区域生长与Sobel算法相结合，[3-6]充分利用GF-1光谱、几何形状、纹理等低-中-高多层次特征信息进行分割，弥补了传统算法造成的区域不连通、破碎、过分等现象，分割精度较高。河北省邯郸市邱县，北纬36°38′08″～36°57′49″，东经115°03′02″～115°19′10″，平均海拔36.8m，属于北暖温带亚湿润大陆性季风气候区，年均日照时数2539.2h，年均气温13℃，年均降雨量为524.6mm，以棉花、蔬菜种植产业地膜种植为主，地膜覆盖面积达128km2，占全县总面积28.13%；地膜覆盖影像获取最佳时间为四月中旬。因此，研究以河北省邯郸市东北部的邱县为地膜提取试验区，以2017年4月中下旬GF-1遥感影像为主要数据源，以依据“分割对象内一致性、分割对象与相邻对象间异质性均达最大”为分割依据，提出基于多尺度多准则的GF-1地膜覆盖信息提取方法，通过构建RMDN指标选择最优分割尺度，并对GF-1多光谱影像进行分割、基于多准则规则集的面向对象地膜覆盖信息提取的方法提取邱县地膜覆盖信息，并通过实验对该方法的可行性及信息提取结果精度进行评价，以有效获取地表地膜覆盖状况信息，对广泛使用地膜农业大省的地膜覆盖面积提取，为及时揭膜、合理规范使用地膜及地膜回收，有效保护土壤永续利用奠定基础。

1 数据来源及预处理

作为中国首发高分辨率对地观测系统的高分一号（GF-1）卫星于2013年4月26日成功发射，载有2台全色多光谱高分辨率相机和4台多光谱宽覆盖相机，太阳高度角23.3212°，太阳方位170.211°，宽幅45km、时间分辨率为5d，全色波段（pan:0.45-0.90μm）空间分辨率为2m，多光谱(包括 蓝 波 段 B:0.45～0.52μm、 绿 波 段 G:0.52～0.59μm、红波段 R:0.63～0.69μm、近红外波段NIR:0.77～0.89μm)空间分辨率8m.[10]虽然GF-1全色与多光谱融合可提高影像空间分辨率，但通过实验表明：进行大范围地膜覆盖信息提取时，全色与多光谱数据的融合工作效率低、耗时，融合后的数据量骤增，给遥感影像处理、分析及存储带来了新的难题。由于地膜提取对影像获取时间要求十分严格，因此，主要采用2017年4月中旬地膜覆盖旺盛期邱县GF-1多光谱遥感影像为主要数据；覆盖邱县4景影像轨道号及多光谱影像（图1）。

图1 覆盖邱县GF-1影像轨道号及多光谱影像

由于ENVI5.2版本直接支持通过中国资源卫星中心提供的RPC函数进行GF-1数据的辐射定标、Flash大气校正、正射校正、图像裁剪等，因此，利用ENVI5.2软件平台对GF-1多光谱数据进行各波段数据配准，严格使误差控制小于1个像元、辐射定标、FLAASH大气校正，并利用Layer Stacking功能处理多波段的多光谱数据；在此基础上，GF-1的L1A级包括了RPC文件，利用GF-1自带的RPC文件做基于无控制点的全色与多光谱数据正射校正；最后，利用ERDAS IMAGINE9.2中的Sub⁃tractive融合方法融合全色与多光谱数据，并进行几何校正、拼接及裁剪子区，以便进一步的分析使用。

2 研究方法

首先，利用分割多边形对象的标准差代表分割对象内部一致性，与领域均值差分的绝对值代表分割多边形对象与相邻分割多边形对象间的异质性，通过GF-1多光谱影像各波段的归一标准化处理，构建RMDN(Ratio ofMean Difference to Neighbors to Average Deviation)指标[11]选择最优分割尺度对GF-1多光谱影像进行多尺度分割；其次，综合考虑利用GF-1多光谱影像光谱、纹理及上下语义关系特征，建立分割对象多特征规则集的方法，提取实验区地膜覆盖信息；信息提取结果精度的评价至关重要，本文在有效自动提取地膜覆盖信息的基础上，结合野外调查样本，利用ArcMap自带Generaliza⁃tion工具集Smooth Polygon平滑处理工具对矢量多边形进行平滑处理，经后期人工修改，可获得手动提取的地膜覆盖信息提取结果，以便为地膜覆盖信息提取结果精度的评价提供参考依据；最后，利用改进加权对象匹配指数指标ASFI3、[12]混淆矩阵及Kappa系数等分别对分割、面向对象地膜覆盖信息自动提取结果的可行性、有效性进行分析、探讨及精度验证；研究方法流程图（图2）。

2.1 最优分割尺度的选择

在面向对象多尺度分割中，分割尺度的选择是关键，分割尺度决定了分割对象所允许的最大分割限度。最优分割尺度是指针对特定的地物，能用一个或几个对象来表达，对象与地物目标大小很接近，且对象多边形不能太破碎、边界不能太模糊，类别内部对象的差异最小。[10]根据最优分割尺度的定义及“分割后多边形对象内部一致性及其与相邻多边形对象间的异质性均达到最大”最优分割尺度选择的依据，利用分割对象的标准差Sd(Standard deviation)、与领域均值差分的绝对值abs(MDn)（Mean Diff.to neighbors(abs)）构建RMDN指标，[11]定量选择最优分割尺度；为避免多光谱波段的光谱、纹理、形状等特征对分割结果的影响，对多光谱各波段赋予不同权重值，各波段分割对象与领域均值差分绝对值标准差进行标准化，以统计分析地膜典型代表样本在不同分割尺度参数效益RMDN指标值变化趋势。

图2 研究方法流程图

按样本均匀分布的原则，每层分割尺度随机选取20个已知地膜样本，在6个不同层次分割尺度水平进行分割，尺度范围为[50,300]（分割尺度小于50时，分割耗时、分割斑块破碎化程度高；分割尺度大于300时，过分割现象明显），步长为50，统计模拟地膜样本的不同分割尺度效应（图3），及RMDN变化趋势（表1），以获取最优分割尺度。

图3 多尺度分割参数的尺度效应

表1 不同分割尺度地膜样本RMDN指标值统计表

分割对象的标准差越趋近于0，分割对象内部同质性越好；分割对象“与领域均值差分绝对值”越大，其与相邻分割对象的异质性越大；即地膜样本的RMDN值达到最大时，最大值对应的分割尺度即为最优分割尺度，分割效果达到最佳；不同分割尺度地膜样本RMDN变化趋势统计曲线图（图4）。

依据“与领域绝对均值差分方差加权比RM⁃DN”达到峰值时，分割对象内部一致性及其与相邻分割对象间的异质性达到最大值，峰值对应的分割尺度即为最优分割尺度。由图4可知：研究区地膜样本RMDN值达到峰值时对应的最优分割尺度为200.

图4 不同分割尺度参数RMDN变化趋势统计图

2.2 基于最优分割尺度影像的分割

Definiens平台提供的Multiresolution segmenta⁃tion算法，依据多特征加权准则，利用多种子点生长、区域递归融合的思想，综合考虑低-中-高多层次信息，由光谱异质性Hcolour、形状异质性Hshape（形状差异性准则由光谱Hcolour、紧密度Hcom和光滑度Hsmooth共同度量）及纹理参数Htexture加权共同决定，结合RMDN选择的最优分割尺度进行多尺度分割，弥补了传统单一尺度分割的不足，且有效提高了GF-1多光谱影像分割精度。因此，研究在利用RMDN指标选择最优分割尺度的基础上，主要采用Definiens平台提供的Multiresolution segmentation分割算法[12]进行多尺度分割。

根据基于RMDN选择的最优分割尺度对研究区GF-1多光谱影像进行多分层次分割、基于多准则规则集提取地膜覆盖信息及不同尺度对应的非感兴趣目标地物的融合，便可获得最优分割尺度不同层次分割结果图（图5）：

图5 最优分割尺度不同层次分割结果图

分割结果表明：面向对象多尺度分割算法与基于“加权与领域绝对均值差分方差比RMDN”指标的最优分割尺度的分割参数选择方法相结合，可以有效地进行分割。

2.3 面向对象地膜覆盖信息的提取

邱县GF-1多光谱影像地膜具有显著的几何、光谱、纹理等特征：（1）几何特征：地膜覆盖区属于耕地，除道路等基础设施的限制，基本呈规则的正四边形、形状特征明显；（2）光谱特征：研究主要采用2017年4月22日GF-1多光谱影像，4月中下旬是邱县地膜覆盖旺盛期，聚乙烯白色地膜具有很强的反光性，因此，使得地膜覆盖覆盖区光谱亮度值明显高于其它地物覆盖区，且GF-1影像中Layer3波段特征更加明显，但该特征易与道路、建设用地等反射光谱强的地物混淆；（3）纹理特征：与其他地物纹理相比，等间距的地膜覆盖区在影像上表现为规则等间距条带状纹理分布，该特征是地膜区别于其它地物的最明显的标志（图6）；因此，结合分割多边形对象的长宽比、边缘破碎度、纹理异致性等几何（Geo）、光谱（Brightness）、纹理（GLCM）等相关指标，建立分割多边形对象的多准则规则集从而有效提取GF-1遥感影像中的地膜覆盖信息（形状指数Shape：0.1，紧密度指数Compactness：0.5）；典型地膜样本与其它地物GL⁃CM Dissimilarity(all dir.)纹理指标统计对比图（图6）：

图6典型地膜样本与其他地物GLCM Dissim ilarity(alldir.)纹理指标统计对比图

图6 表明：GLCM Dissimilarity(alldir.)纹理指标是区别地膜覆盖区与其他地物覆盖区的一种很好的纹理指示器（典型地膜覆盖区GLCM Dissimilarity(alldir.)≥2），再结合光谱、几何特征准则规则集的基础上，可以利用GLCM Dissimilarity(all dir.)纹理指标有效提取地膜覆盖信息。因此，本文以邱县GF-1多光谱遥感影像为基础，在选择了地膜覆盖区最优分割尺度的基础上，通过建立不同准则规则集的面向对象地膜信息提取方法，选取邱县为典型研究区，提取地膜覆盖信息。不同分割尺度层次对应不同目标地物多准则规则集，以图层3的平均光谱均值(Mean Layer3)、与相邻斑块的异质性(Mean Diff.to neighbors)、分割斑块的长宽比(Length/Width)及 GLCM Homogeneity、GLCM Contrast等纹理特征指数多准则相结合建立的多准则规则集（图7）为依据，借助Definiens平台，综合利用GF-1多光谱遥感影像低-中-高层次对应的光谱及空间特征，采用面向最优分割尺度分割结果的分割斑块对象，提取GF-1高分辨率遥感影像中的地膜覆盖信息。

图7 面向对象多准则规则集

2.4 结果精度评价

结果精度评价包括分割结果精度评价及地膜覆盖信息提取结果的评价。分割结果的好坏取决于分割多边形对象与实际地物多边形边界的吻合程度。因此，本文综合考虑不同波段权重、光谱与面积信息，通过取总面积平均值的方法，避免分割斑块面积对评价结果的影响，采用改进加权对象匹配AS⁃FI3指标[13]作为指标选取最优分割尺度的验证与评价；即分割结果中的最大分割斑块对象的ASFI3为最小时，分割结果与实际地物目标的差异最小，分割斑块对象与实际目标地物斑块的吻合程度达到了最大（图8），该方法为GF-1遥感影像最优分割尺度的选择提供有效的评价方法。

图8 分割斑块对象与实际目标地物拓扑示意图

地膜覆盖信息提取结果精度，以与Google earth对比获得手动地膜修改后的面向对象地膜覆盖信息提取结果矢量数据为参考，利用最常用的混淆矩阵及Kappa系数指数指标[14-16]衡量地膜覆盖信息提取结果精度的好坏。

3 结果分析

为论证研究的可行性，选取邱县为典型实验区对分割结果及地膜覆盖信息提取结果精度进行评价。

GF-1多光谱遥感影像分割结果评价，指Multi⁃resolution segmentation算法分割结果的评价与分析。本文主要采用加权对象匹配指数ASFI3指标法来评价基于RMDN指数指标选择最优分割尺度的面向对象多尺度分割算法分割结果的好坏。

图9 地膜覆盖区样本加权对象匹配指数ASFI3统计分析图

地膜覆盖区样本的加权对象匹配指数ASFI3统计分析图（图9）表明：地膜覆盖区在分割尺度为200时，对应的ASFI3为128.4393，在不同分割尺度下的同系列数据中，对应的ASFI3达到最小，与RMDN指数指标法得到的最优分割尺度相吻合；即说明基于RMDN指数指标的最优分割尺度选择方法可行。

在基于多尺度多准则面向对象提取的矢量数据的基础上，以最优分割尺度选择中所选择的样本为地膜覆盖区典型样本，以面向最优分割尺度分割结果的分割斑块对象为研究对象，根据地膜覆盖区的光谱、纹理及几何等特征，以建立的多准则规则集（图9）为依据，借助Definiens平台，综合利用GF-1多光谱遥感影像低-中-高层次特征，提取GF-1高分辨率遥感影像中的地膜覆盖信息。在基于多准则规则集面向对象地膜覆盖信息提取结果的基础上，利用ArcMap自带Generalization工具集下的Smooth Polygon平滑处理工具，对比googleerath对基于多尺度多准则面向对象地膜覆盖信息提取结果矢量多边形做平滑处理，通过对提取的地膜覆盖信息矢量数据后期人工手动修改，可获得手动修改后的地膜覆盖信息提取结果，以便为地膜覆盖信息提取结果精度的评价提供参考。面向对象及手动修改后地膜覆盖信息提取结果图（图10）。

在此基础上，利用最常用的混淆矩阵及Kappa系数指数指标衡量地膜覆盖信息提取结果精度的好坏（表2）。

图10 面向对象与目视解译地膜覆盖信息提取结果对比图

表2 基于多尺度、多准则、面向对象信息提取结果精度

表2表明：基于多尺度、多准则、面向对象信息提取的斑块及面积精度分别可以达到95.51%、92.32%，Kappa系数达到0.8927，信息提取精度较高；与对比Google earth手动提取结果相比，基于多尺度多准则面向对象信息提取结果中多边形个数偏低，通过图8可知，由于邱县中东部棚膜覆盖区比较破碎，易与建筑物形成“同谱异物”现象，两者易混淆，导致分割效果不是很理想，进一步导致道路信息提取结果精度不高。

4 结 论

本文以GF-1多光谱影响为主要数据源，通过构建RMDN指标定量地选择最优分割尺度并综合利用GF-1光谱、形状、纹理及上下语义关系等低-中-高多层次信息，构建分割多边形对象的GLCM Dissimilarity(all dir.)等多准则规则特征集的方法，提取GF-1多光谱影像中的地膜覆盖信息，并利用ASFI3、混淆矩阵及Kappa系数分别对分割与地膜信息提取结果精度进行评价，通过实验得出以下三方面结论：

（1）“加权与领域绝对均值差分方差比RM⁃DN”可以有效选择最优分割尺度，且ASFI3指标可以作为评价最优分割尺度选择是否合理的标准。

（2）GLCM Dissimilarity(all dir.)纹理指标是区分地膜覆盖区与其他地物覆盖区的一种很好的指示器。

（3）基于多尺度、综合利用GF-1多光谱影像光谱、形状、纹理及上下语义关系等低-中-高多层次特征信息的面向分割多边形对象的地膜覆盖信息提取方法，能有效提取研究区的地膜覆盖信息，且信息提取结果更好、精度更高。

5 结束语

对于邯郸市邱县的地膜覆盖信息提取，面向对象的方法地膜信息提取结果效果最佳，通过面向对象的方法提取地膜，可在分类初期就利用地物的光谱及纹理、形状、拓扑等空间特征信息进行分类，信息提取结果较理想、后期处理比较简单。通过利用国产GF-1影像多光谱数据对地膜面积提取实验证明，地膜提取对高分影像数据的时相要求比较严格，如果做大面积提取地膜范围，应该对不同区域进行野外了解它们最佳覆膜期，才能做到提取的面积更准确更详细，避免减少漏提或误提的可能性。通过实验验证可知，与手动修改后地膜信息提取结果相比，直接利用GF-1多光谱数据的基于多尺度多准则面向对象信息方法，不仅可以消除地膜信息提取结果中的破碎斑块，而且地膜覆盖信息提取精度最高，后期人工修改工作量相对其它两种方法较小；提取过程中与地膜混合地物（交通用地、居住地等）较多、地膜朝向杂乱各不同，主要通过人工删除与修改去除错分的稀疏地物。