太湖流域果树提取的光谱和纹理特征选择研究*

姚新华, 金 佳, 徐飞飞, 冯险峰, 罗 明, 毕雷雷, 陆 洲**

太湖流域果树提取的光谱和纹理特征选择研究*

姚新华1, 金 佳2, 徐飞飞2, 冯险峰2, 罗 明2, 毕雷雷1, 陆 洲2**

(1. 苏州市林业站 苏州 215128; 2. 中国科学院地理科学与资源研究所 北京 100101)

准确获取果树的空间种植分布信息, 对于开展果树长势监测、产量估算等具有重要意义。为提取太湖流域金庭镇果树的空间分布, 本研究以冬夏时期的两景高分二号(GF-2)遥感影像为数据源, 利用归一化植被指数(NDVI)和归一化水体指数(NDWI)结合纹理特征构建了基于光谱指数和纹理特征的决策树模型, 提取了金庭镇2017年果树的空间分布信息。通过分析研究区各地类的光谱曲线发现, 植被与非植被区分明显, 但果树与茶树的光谱存在混淆。GF-2影像包含丰富的纹理信息, 果树与茶树在GF-2影像上纹理特征明显, 易于区分。纹理可作为果树提取的重要特征。为了确定最佳纹理窗口的大小, 研究中提出了累计差()的方法。通过比较每一个纹理变量在15种不同尺度窗口(3´3, 5´5, 7´7, 9´9, 11´11, 13´13, 15´15, 17´17, 19´19, 21´21, 23´23, 25´25, 27´27, 29´29, 31´31)下的, 确定了最佳纹理窗口为15´15。在最佳纹理窗口下根据累计差选取了5大纹理组合: 均值(mean)、方差(variance)、对比度(contrast)、信息熵(entropy)和相关性(correlation)。研究结果表明基于光谱指数NDVI和NDWI结合纹理特征构建的决策树模型可有效区分果树与茶树。累计差的方法能够快速确定最佳纹理窗口和纹理组合。提取结果说明果树分布于金庭镇的各个位置, 主要分布在平原区, 种植比较整齐, 南部种植面积多于北部。本研究果树的提取精度为95.23%, 模型总体分类精度为89.57%, Kappa系数为89.00%, 果树的生产精度为90.00%, 用户精度为87.30%。与单一光谱、纹理模型相比, 本文模型总体分类精度更高, 精度分别提升了10.65%和12.04%。该方法能够适用于大区域果树的遥感提取, 可为亚米级遥感影像研究果树的纹理特征提供重要参考和借鉴价值。此外, 文中提出的累计差可为选取最佳纹理窗口提供一种新的思路。

GF-2影像; 果树提取; 光谱特征; 纹理特征; 累计差; 决策树分类

太湖流域因其优越的自然条件和社会条件, 历来是我国果树种植的主要区域, 在全国果树种植结构中占有举足轻重的地位。快速、准确地获取太湖流域果树种植区对果树长势监测、产量估算以及农业生产具有重要意义。传统的人工调查方法效率低、成本高, 而遥感技术以其客观、及时、大面积等优势, 在作物种植面积估算以及种植区域提取方面得到广泛应用。

目前, 果树种植区的提取大多是基于果树光谱特征以及植被指数实现的。例如罗卫等[1]利用环境卫星的CCD影像, 综合NDVI、波段运算、地形地貌等多种辅助信息, 构建了东江源地区果园的决策树模型, 并对柑桔(Blanco.)园和脐橙(Osbeck)园进行遥感提取和分类。刑东兴等[2]、李雪等[3]、Zhou等[4]和Immitzer等[5]利用光谱信息提取果树种植区并对果树树种分类。由于地物的复杂性使得果树的提取很容易出现错分、漏分现象, 基于光谱与植被指数的果树提取精度往往较低[6-7]。为提高精度, 国内外学者开展了光谱组合纹理特征的果树提取方法研究[8-9]。例如岳俊等[10]基于2 m、8 m、16 m不同分辨率的高分1号(GF-1)影像, 分别采用最大似然法、马氏距离、神经网络和支持向量机4种分类方法, 结合光谱与纹理特征对南疆盆地4种主栽果树: 核桃(L.)、红枣[(L.)H. Karst.]、香梨(spp.)和苹果(L. Borkh)进行遥感识别, 结果表明基于光谱与纹理特征的分类精度在3种分辨率下分类精度分别为76.91%、67.46%、61.23%。PU等[11]和Dian等[12]利用光谱和纹理特征对果树树种进行分类, 证实了空间结合光谱信息可以提高树种分类准确性。宋荣杰等[13]结合小波变换、纹理特征和随机森林分类方法针对QuickBird影像提出了猕猴桃(Planch)果园的自动提取方法。郝剑南等[14]、黄昕[15]、陈亮等[16]分别基于中、高分辨率遥感影像从纹理、形状和面向对象的角度来提取果树的分布信息, 结果表明光谱结合纹理特征的影像分类的方法能够显著提高高分辨率遥感影像的分类精度。

尽管光谱结合纹理特征的分类方法可以提高影像的分类精度, 但是将亚米级遥感影像纹理特征应用到果树提取的研究则较少。GF-2于2014年8月19日成功发射, 是我国自主研制的首颗空间分辨率优于1 m的民用光学遥感卫星, 具有亚米级空间分辨率、高定位精度等特点。相对于中低分辨率遥感影像而言, GF-2影像包含丰富的纹理信息, 在图像分类中日益呈现出重要的作用。国内外已利用GF-2进行了作物与建筑物的提取[17-21], 但是鲜有利用亚米级遥感影像的纹理特征提取果树, 尤其缺少纹理窗口的确定以及纹理特征选择的研究。

本研究以苏州吴中区的金庭镇为研究区, 针对金庭镇地物复杂, 提取难度大、精度低的问题, 通过分析研究区内不同地物的光谱特征, 进行植被与非植被的区分。由于果树与茶树的纹理特征差异明显, 纹理组合光谱构建了果树的决策树模型, 实现了亚米级遥感影像对果树与茶树的区分。研究中提出了累计差()的方法用以确定最佳纹理窗口以及纹理特征组合。

1 材料与方法

1.1 研究区概况

金庭镇(中心位置31°08′N, 120°18′E, 图1)是江苏省的历史文化名镇, 位于苏州市吴中区, 总面积84.22 km2。金庭镇属亚热带湿润性季风气候, 四季分明、温暖湿润、降水丰沛, 年平均温度在16 ℃左右, 年降水量1 000~1 500 mm, 全年降雨日数120 d左右。年均日照时数约2 100 h。金庭镇地块破碎, 其主要种植果树和茶树[(L.) O. Ktze.], 具有茶果相间的种植模式。金庭镇果树种类多样化, 主要含枇杷[(Thunb.) Lindl.]、杨梅[(Lour.) S. et Zucc.]、柑橘(Blanco.)等, 是苏州市果树种植面积最多的小镇, 具备典型性和代表性。

图1 金庭镇位置示意及训练样本和验证样本的分布

1.2 数据来源

本研究的数据由GF-2多光谱与全色波段融合得到, 分辨率为0.81 m, 为亚米级遥感影像数据。GF-2[22]全色和多光谱波段的分辨率分别为0.81 m和3.24 m, 多光谱数据由蓝光(0.45~0.52 μm, Band1)、绿光(0.52~0.59 μm, Band2)、红光(0.63~0.69 μm, Band3)、近红外(0.77~0.89 μm, Band4)4个波段组成, 具体波段设置如表1所示。GF-2遥感影像的预处理主要包括多光谱数据的正射校正、自动配准、图像融合、投影转换、图像裁剪以及图像镶嵌。

金庭镇的主要作物为油菜(L.)、冬小麦(L.)、水稻(L.)、茶树、果树等。研究区内茶树以碧螺春为例, 其在冬季进入休眠期, 2月中下旬至3月上旬为萌发期, 3月上中旬至4月中下旬为茶叶采摘期。研究区的果树以枇杷、柑橘、杨梅等为例, 在秋天或初冬开花、春天至初夏成熟, 成熟期是5月底至6月初; 杨梅成熟期为6月下旬。油菜和冬小麦的生长期基本一致, 10月中下旬开始播种, 次年的5月底成熟。根据研究区植被物候期的特点, 充分考虑遥感影像过境时间、天气情况及影像质量, 选取最佳成像日期为2017年8月5日和2017年12月17日。其中2017年12月17日的GF-2影像作为果树提取的主体影像。此时, 果树是常绿林, 草地已经开始枯萎, 大部分的农用地处于休耕或播种初期, 有利于果树的提取。

表1 GF-2卫星影像数据参数

1.3 分析技术与方法

不同农作物具有其独特的光谱特征, 这种特征是区分该作物与其他绿色植被的重要依据之一[10]。本研究中所用的光谱指数有归一化差分植被指数(NDVI)和归一化差分水体指数(NDWI)。NDVI是应用最为广泛的指示因子, 水体、人工表面、裸土、植被等几种主要的地面覆被类型在NDVI图像上区分鲜明。同时, NDVI也是植被生长状态及植被覆盖度的最佳指示因子[23]。NDWI是基于绿波段与近红外波段的归一化比值指数, 一般用来提取影像中的水体信息[24]。

本研究中所用的纹理[25-26]包括均值(mean)、方差(variance)、对比度(contrast)、信息熵(entropy)和相关性(correlation)。这些统计量既能反映地物空间特征差异, 又可以从不同的角度量化影像局部的纹理结构。均值反映纹理图像亮度; 方差表示纹理的周期, 反映灰度变化的大小; 对比度用来度量纹理的强烈程度、边缘效应和全局一致性等; 信息熵则表示图像亮度信息的空间复杂性和纹理的混乱程度, 地物亮度差别越小、纹理越简单, 则熵值越小[27]; 相关性用以衡量灰度共生矩阵的元素在行或列方向上的相似程度。

决策树分类[28]属于计算机自动分类的一种, 具有运算速度快, 分类效率高等特点。常用的决策树算法包括ID3、C4.5、CART、SLIQ和SPRINT等[29-30]。本研究基于光谱指数和纹理特征知识库构建果树的决策树分类方法。该决策树充分利用地物的物候特征、光谱特征和空间特征, 使分类过程更加科学、可信。决策树分类规则的建立会影响最终分类结果的优劣, 所以根据GPS调查样点资料, 结合Google影像及林地小班数据对2017年12月17日的GF-2遥感影像进行目视解译, 研究区各地类解译标志如表2所示。

表2 研究区地类解译标志

GPS调查样点资料是在野外实地调查中使用GPS的标记功能, 实时记录的样点信息。林业小班数据为吴中区林业站提供的林地落界成果图。由于以往小班数据的时效性较差, 且与遥感影像有偏移, 因此, 小班数据只作为研究中的辅助数据。

选择研究区内水体、建设用地、裸地、非林地(草地、耕地和苗圃地等)、果树林、茶树林以及其他林地7种地物。根据各地类解译标志, 每类地物各选取样本150个, 共1 050个样本, 一半作为训练样本建立决策树分类规则, 一半用于精度检验。以上7类地物的训练样本和验证样本的空间分布情况如图1所示。

2 结果与分析

2.1 研究区主要地物的光谱特征分析

研究区内各主要地物的光谱曲线如图2a所示, 各地物的NDVI和NDWI如图2b所示。

图2 研究区内各主要地物光谱曲线(a)与光谱指数(b)

DN: digital number; NDVI: normalized vegetation index; NDWI: normalized water index.

由图2a可见, 在蓝波段(Band1)和绿波段(Band2)各地物的光谱值十分相近, 红波段(Band3)和近红外波段(Band4)植被和非植被有较大的差异, 尤其是近红外波段植被的灰度值较高。茶树、果树和其他林地的光谱曲线大致相同, 仅在近红外波段有差异。对于非植被中裸地与建设用地近红外波段的灰度值相差较大, 建设用地的灰度值小于181, 而裸地高于181。图2b中不同种地物的NDVI与NDWI呈现出较大的差异, 植被的NDWI值较低, 非植被的NDWI值较高, 其中水域的NDWI最大, 大于0.42。因此, 可以用设置NDWI阈值大于0.42提取水体信息。果树林、茶树林和其他林地属于常绿林, 在12月中下旬仍保持NDVI值大于0, 而建筑等非林地的NDVI小于0。因而利用NDVI阈值-0.1区分植被和非植被。

2.2 纹理特征及纹理窗口的选择

选取3´3、5´5、7´7、9´9、11´11、13´13、15´15、17´17、19´19、21´21、23´23、25´25、27´27、29´29和31´31共15种不同尺寸的窗口, 比较3种地物(茶树、果树、其他林地)的8个纹理变量(均值、方差、均一性、对比度、相异性、信息熵、二阶矩、相关性)在15种窗口下累计差的变化, 如图3a所示。图3a中随着窗口的增大, 累计差先增加后减小,在窗口15´15时累计差达最大, 因此选择15´15作为纹理特征提取的最佳窗口。图3b所示为最佳窗口下各个纹理变量的值, 可以作为区分地物选择统计量指标的依据。其中, 均值和方差的累计差较高, 其次是对比度和信息熵, 同质性、相异性、二阶距和相关性的累计差较低, 不同地物对各个纹理变量的敏感程度不同。因此纹理特征选择累计差较高的均值、方差、对比度、信息熵以及相关性。

2.3 纹理特征分析

在确定了最佳窗口15´15和均值、方差、对比度、信息熵、相关性这5大纹理组合后, 计算在不同波段各纹理变量的变化情况, 如图4所示。图4a中茶树的均值在Band4最大(Meanb4>34), 果树与其他林地的均值在Band1至Band4波段基本一致, 且在近红外波段均小于34。图4b中茶树的纹理方差与果树、其他林地明显不同, 在Band1、Band2、Band3时, 茶树的方差均不大于1即Varianceb1-b3<1。因此均值和方差可作为识别茶树的纹理特征之一。图4c中茶树与果树、其他林地的对比度在Band1、Band2、Band3的区分度较大, 果树的对比度在前3个波段最高, 大于0.87即Contrastb1>0.87、Contrastb2>1.1、Contrastb3>1.1, 因此可利用这3个波段的对比度提取果树。图4d茶树的信息熵与果树、其他林地明显不同, 其在前3个波段均低于2.0即Entropyb1-b3<2.0, 可作为识别茶树的另一个依据。图4e其他林地的相关性在蓝、绿、红波段均大于0.6, 而茶树和果树的相关性小于0.6。因此, 相关性Correlationb1-b3<0.6可作为区分其他林地的依据。

2.4 果树种植区提取规则

基于上述分析, 果树的提取可依据不同地物的光谱和纹理特征进行。本研究使用的遥感影像为2017年12月17日的GF-2影像。首先可设定NDVI的阈值-0.1来区分植被与非植被。NDVI小于-0.1时为非植被, 其中包括水体、非林地、裸地和建设用地。针对非植被利用NDWI的阈值0.42可剔除水体, 利用NDVI小于0.01进一步区分出非林地,NDVI即NDVI的时相差, 计算公式为:

NDVI=NDVI-NDVI(2)

其中, NDVI和NDVI分别为2017年12月17日和2017年08月05日的NDVI图像。近红外波段的灰度值(Nir)可有效地区分出裸地和建设用地。当Nir灰度值小于181时为建设用地, 否则为裸地。

对于光谱特征难以区分的茶树、果树和其他林地, 利用纹理特征进行区分。根据近红外波段的纹理均值(Meanb4)大于34和蓝光波段、绿光波段和红光波段的方差(Varianceb1-b3)小于1.0, 可提取出茶树。然后, 在此基础上依据蓝波段的对比度(Contrastb1)大于0.87、绿波段和红波段的对比度(Contrastb2、Contrastb3)大于1.1, 且近红外波段的熵值(Entropyb4)小于3.3, 以及蓝光波段的相关性(Correlationb1)小于0.6, 区分出果树和其他林地。果树判识的具体流程图如图5所示。

2.5 提取结果与精度评价

通过构建的决策树模型, 金庭镇地物的分类结果如图6a所示, 从整体来看建筑与水体所占面积较大, 其次为非林地。果树和茶树的分布较散, 平原和山区均有分布。从图6b果树和茶树的提取结果来看, 果树分布于金庭镇的各个位置, 且南部种植的面积多于北部, 茶树多分布于中部山区。从图6c和6d果树和茶树的局部细节图中能够看出果树主要分布在平原区, 种植比较整齐; 茶树主要分布在低山丘陵区, 通常种植于山坡处, 呈条带状, 整体层次分明; 部分区域茶果种植相互交错, 鳞次栉比。这与实际调查情况相符。

苏州市林业站提供的2017年金庭镇果树种植面积为24.46 km², 通过本文遥感监测方法提取得到的果树种植面积为23.30 km², 果树的提取精度为95.23%。基于验证样本得到的混淆矩阵如表3所示, 其中总体分类精度为89.57%, Kappa系数为89.00%, 果树的生产精度为90.00%, 用户精度为87.30%, 果树的错分率和漏分率分别为10.10%和12.70%。为定量比较不同特征的分类精度, 将单一光谱特征模型(光谱特征模型)、单一纹理特征模型(纹理特征模型)、光谱结合纹理特征即本文模型分别对影像进行分类。其中, 单一光谱特征模型是仅利用地物的光谱信息进行地物分类, 常用的方法有最大似然法、马氏距离、神经网络和支持向量机等, 本文选用支持向量机法, 利用GF-2影像的Band1至Band4 4个波段灰度值借助ENVI软件进行分类。单一纹理特征模型与此类似, 只是在分类时使用Band1至Band4的每个波段的均值、方差、均一性、对比度、相异性、信息熵、二阶矩、相关性, 共32个纹理变量参与分类。此32个纹理变量由ENVI软件计算而得, 纹理窗口大小均设置为15×15。然后, 根据纹理特征模型以及光谱特征模型的分类结果, 利用验证样本计算混淆矩阵结果如表3所示。就总体分类精度而言, 在单一特征模型中光谱特征及纹理特征模型总体分类精度近似相等, 分别为78.92%和77.53%。而本文模型的总体分类精度为89.57%, 精度分别提升了10.65%和12.04%。不论是果树的生产精度还是用户精度, 本文提出的决策树精度最高, 表明果树的漏分误差和错分误差达到了最小。

图4 不同波段下果树、茶树、其他林地的均值(a)、方差(b)、对比度(c)、信息熵(d)、相关性(e)的变化

图5 基于光谱和纹理特征的金庭镇果树提取流程图

Meanb4: Band4的均值; Varianceb1-b3: Band1至Band3的方差; Entropyb1-b3: Band1至Band3的熵; Contrastb1、Contrastb2、Contrastb3: Band1、Band2、Band3的对比度; Entropyb4: Band4的熵; Correlationb1: Band1的相关性。NDVI: 归一化植被指数; NDWI: 归一化水体指数;NDVI: 2017年12月17日与2017年8月5日的NDVI图像差值; Nir: Band4的灰度值。Meanb4: mean of Band4; Varianceb1-b3: variance of Band1 to Band3; Entropyb1-b3: entropy of Band1 to Band3; Contrastb1, Contrastb2, Contrastb3: contrast of Band1, Band2 and Band3, respectively; Entropyb4: entropy of Band4; Correlationb1: correlation of Band1; NDVI: normalized vegetation index; NDWI: normalized water index;NDVI: the difference between the NDVI images of December 17, 2017 and August 5, 2017; Nir: the digital number (DN) of Band4.

图6 金庭镇地物分类结果(a)、果树林和茶树林的提取结果(b)、果树局部提取结果(c)和茶树局部提取结果(d)

综上, 针对试验数据和研究区域特征, 本研究构建的基于光谱与纹理特征的决策树分类法最优, 分类精度最高。该方法综合考虑了各地物的多维度特征知识, 分类结果更加科学、客观, 由此也说明了在遥感影像分类过程中, 纹理特征的应用效果优于单纯光谱特征的分类效果。

表3 本文模型与单一光谱和纹理模型的分类结果对比

3 讨论

以往的研究多将果树作为单独地物进行提取, 且多利用地物的物候和植被指数特征。但在地形复杂的太湖流域, 地块破碎度高、茶树与果树混合种植、果树与茶树的光谱十分相似, 使得金庭镇果树提取效果较差。胡琼等[31]指出使用单景影像提取作物存在弊端, 结合光谱与空间特征是提高分类精度的关键。

GF-2影像分辨率高, 星下点空间分辨率为0.8 m, 达到了亚米级。相对于中低分辨率遥感影像而言, 高空间分辨率影像具有地物信息丰富且细致, 布局清晰, 几何、光谱、纹理等信息也更加精确等特点, 在作物提取方面具有无法比拟的优势。本研究在亚米级GF-2遥感影像的支持下, 综合利用果树的光谱和纹理特征, 提取了果树的种植区, 结果证实了亚米级遥感影像的纹理特征可作为作物提取的有效因子, 基于光谱和纹理特征知识库的决策树分类结果更加符合真实地物分布状况, 且有效减弱了同谱异物和同物异谱的影响。Dian等[12]、陈晨等[32]、邵晓敏等[33]的研究结果均表明纹理参与的影像分类确实能够显著提高影像的分类精度。本研究的结果与其观点一致。

研究中为了确定纹理窗口大小提出了累计差的概念。计算在不同大小的纹理窗口下, 两两地物在各个纹理指标变量中的差值, 并累计求和, 当累计差之和达最大时, 所对应的窗口大小即为最佳纹理窗口, 这种方法简单、快速且效果显著。本研究在窗口15×15时累计差达最大, 确定其为最佳窗口, 经过累计差筛选的最佳纹理组合为均值、方差、对比度、信息熵和相关性。王妮等[34]、岳俊等[10]分别基于Quickbird和GF-1遥感影像对森林树种进行分类研究中, 利用J-M距离确定最佳窗口大小, 得到的适宜窗口分别为19×19和23×23、21×21、13×13。由此可见, 不同影像源和不同地物类型使得最佳纹理窗口的大小发生变化。

本研究仍存在改进之处, 如在果树提取中纹理特征仅用到了均值、方差、对比度、信息熵和相关性, 对于果树的其他纹理特征文中未作详细介绍。此外, 由于不同作物立地条件不一致, 作物种植信息提取过程中仍需考虑地形等因素。引入高程、坡度等信息, 进一步提高果树提取精度, 这将是后续的研究方向。

4 结论

太湖流域茶树与果树混合种植, 果树与茶树的光谱特征十分相似, 这给果树的提取带来了很大的困难。亚米级遥感影像包含丰富的纹理信息, 可作为果树提取的有效因子之一。本研究以苏州市吴中区的金庭镇为例, 以亚米级遥感影像为数据源, 针对光谱难以区分的果树、茶树, 综合利用作物的物候期将NDVI、NDWI和纹理特征进行决策树构建, 提取了金庭镇2017年果树的空间分布信息。通过研究获得如下结论:

1)高分二号WFV数据的光谱与纹理特征相结合可以较好地应用于果树的提取。

2)以累计差确定的最佳纹理窗口为15´15, 最佳纹理组合为均值、方差、对比度、信息熵和相关性。

3)与单一光谱或纹理模型相比, 本研究提出的方法总体精度最高, 分类结果最优, 该方法能够在地形复杂、地块破碎的太湖流域显著提高影像的分类精度。总体分类精度为89.57%, Kappa系数为89.00%, 果树的生产精度为90.00%, 用户精度为87.30%。

该方法可为利用亚米级遥感影像纹理特征提取果树提供理论依据, 文中提出的累计差可为确定最佳纹理窗口提供一种新的思路。该研究的提取结果可为精准农业补贴、农业灾害定损等提供依据, 为政府管理果树、制定农业政策提供参考。

[1] 罗卫, 况润元. 利用环境卫星影像的东江源地区果园信息提取[J]. 测绘科学, 2014, 39(8): 135–139 LUO W, KUANG R Y. Orchard information extraction of Dongjiang Source region with HJ satellite data[J]. Science of Surveying and Mapping, 2014, 39(8): 135–139

[2] 邢东兴, 常庆瑞. 基于花期果树冠层光谱反射率的果树树种辨识研究[J]. 红外与毫米波学报, 2009, 28(3): 207–211 XING D X, CHANG Q R. Identification of species of fruit trees based on the spectral reflectance of canopies of fruit trees during flowering period[J]. Journal of Infrared and Millimeter Waves, 2009, 28(3): 207–211

[3] 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[J]. 新疆农业科学, 2011, 48(11): 1967–1973 LI X, ZHONG S Q, WANG L, et al. Analysis of spectral characteristics of fruit trees based on HJ satellite remote sensing data[J]. Xinjiang Agricultural Sciences, 2011, 48(11): 1967–1973

[4] ZHOU J H, QIN J, GAO K, et al. SVM-based soft classification of urban tree species using very high-spatial resolution remote-sensing imagery[J]. International Journal of Remote Sensing, 2016, 37(11): 2541–2559

[5] IMMITZER M, ATZBERGER C, KOUKAL T. Tree species classification with random forest using very high spatial resolution 8-band worldview-2 satellite data[J]. Remote Sensing, 2012, 4(9): 2661–2693

[6] PEÑA M A, BRENNING A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley, Chile[J]. Remote Sensing of Environment, 2015, 171: 234–244

[7] PEÑA M A, LIAO R, BRENNING A. Using spectrotemporal indices to improve the fruit-tree crop classification accuracy[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 128: 158–169

[8] KULIKOVA M S, MANI M, SRIVASTAVA A, et al. Tree species classification using radiometry, texture and shape based features[C]//Proceedings of the 15th European Signal Processing Conference. Poznan, Poland: IEEE

[9] OTHMANI A, PIBOULE A, DALMAU O, et al. Tree species classification based on 3D bark texture analysis[C]//Proceedings of the 6th Pacific-Rim Symposium on Image and Video Technology. Guanajuato, Mexico: Springer, 2013

[10] 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[J]. 新疆农业大学学报, 2015, 38(4): 326–333 YUE J, WANG Z X, FENG Z F, et al. Studies on remote sensing recognition on fruit trees species based on spectrum and texture features in southern Xinjiang Basin[J]. Journal of Xinjiang Agricultural University, 2015, 38(4): 326–333

[11] PU R L, LANDRY S. A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species[J]. Remote Sensing of Environment, 2012, 124: 516–533

[12] DIAN Y Y, LI Z Y, PANG Y. Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery[J]. Journal of the Indian Society of Remote Sensing, 2015, 43(1): 101–107

[13] 宋荣杰, 宁纪锋, 常庆瑞, 等. 基于小波纹理和随机森林的猕猴桃果园遥感提取[J]. 农业机械学报, 2018, 49(4): 222–231 SONG R J, NING J F, CHANG Q R, et al. Kiwifruit orchard mapping based on wavelet textures and random forest[J]. Transactions of The Chinese Society for Agricultural Machinery, 2018, 49(4): 222–231

[14] 郝剑南, 王瑞红. 纹理特征与面向对象结合的高分影像耕地提取应用[J]. 安徽农业科学, 2018, 46(19): 72–75 HAO J N, WANG R H. Application of high-resolution image farmland extraction combining texture feature and object-oriented[J]. Journal of Anhui Agricultural Sciences, 2018, 46(19): 72–75

[15] 黄昕. 高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 武汉: 武汉大学, 2009 HUANG X. Multiscale texture and shape feature extraction and object-oriented classification for very high resolution remotely sensed imagery[D]. Wuhan: Wuhan University, 2009

[16] 陈亮, 张友静, 陈波. 结合多尺度纹理的高分辨率遥感影像决策树分类[J]. 地理与地理信息科学, 2007, 23(4): 18–21 CHEN L, ZHANG Y J, CHEN B. High spatial resolution remote sensing image classification based on decision tree classification combined with multiscale texture[J]. Geography and Geo-information Science, 2007, 23(4): 18–21

[17] 张飞飞, 杨光, 田亦陈. 基于国产GF-2遥感影像的大麻地块提取方法研究——以安徽省六安市苏埠镇为例[J]. 安徽农业大学学报, 2016, 43(4): 582–586 ZHANG F F, YANG G, TIAN Y C. Study on the extraction method of cannabis plot based on China-made GF-2 remote sensing image-taking Subu Town in Anhui Province as an example[J]. Journal of Anhui Agricultural University, 2016, 43(4): 582–586

[18] 袁泽. 基于GF-2遥感影像的城镇地物信息提取分割尺度研究[D]. 乌鲁木齐: 新疆大学, 2016 YUAN Z. Research on segmentation scale of information extraction with towns based on GF-2 image[D]. Urumqi: Xinjiang University, 2016

[19] 冯启翔. 基于GF-2卫星数据的国情普查地表覆盖解译研究[J]. 地理空间信息, 2018, 16(4): 24–27 FENG Q X. Study on interpretation of surface cover in national census based on GF-2 satellite data[J]. Geospatial Information, 2018, 16(4): 24–27

[20] 梁文海, 刘吉凯, 张伟, 等. 基于面向对象方法的GF-2影像桉树林信息提取[J]. 浙江农林大学学报, 2017, 34(4): 721–729 LIANG W H, LIU J K, ZHANG W, et al. Extractinginformation using GF-2 images based on an object-oriented method[J]. Journal of Zhejiang A&F University, 2017, 34(4): 721–729

[21] 邬志刚, 丁嘉树. 基于GF-2与LandSat-8影像的土地覆盖分类比较[J]. 科技风, 2016, (16): 90 WU Z G, DING J S. Comparison in land cover classification between based on images of GF-2 and LandSate-8[J]. Technolgy Wind, 2016, (16): 90

[22] 潘腾. 高分二号卫星的技术特点[J]. 中国航天, 2015, (1): 3–9 PAN T. Technology characteristics of GF-2 satellite[J]. Aerospace China, 2015, (1): 3–9

[23] 苑惠丽, 马荣华, 李吉英. 一种平原区园地遥感信息提取的新方法[J]. 中国科学院大学学报, 2015, 32(3): 342–348 YUAN H L, MA R H, LI J Y. A new method for extracting remote sensing information of orchard in plain terrain[J]. Journal of University of Chinese Academy of Sciences, 2015, 32(3): 342–348

[24] 段秋亚, 孟令奎, 樊志伟, 等. GF-1卫星影像水体信息提取方法的适用性研究[J]. 国土资源遥感, 2015, 27(4): 79–84 DUAN Q Y, MENG L K, FAN Z W, et al. Applicability of the water information extraction method based on GF-1 image[J]. Remote Sensing for Land & Resources, 2015, 27(4): 79–84

[25] 冯建辉, 杨玉静. 基于灰度共生矩阵提取纹理特征图像的研究[J]. 北京测绘, 2007, (3): 19–22 FENG J H, YANG Y J. Study of texture images extraction based on gray level cooccurence matrix[J]. Beijing Surveying and Mapping, 2007, (3): 19–22

[26] LI L H, JIA X M, ZHANG J T. Research on extraction and assistant classification of remote sensing for texture feature[J]. Advanced Materials Research, 2014, 1073/1076: 1881–1885

[27] 王大鹏, 王周龙, 李德一. 基于NDVI纹理的山东丘陵地区SPOT-5影像果园信息识别研究[J]. 测绘科学, 2007, 32(1): 126–127 WANG D P, WANG Z L, LI D Y. Orchard information recognition of hill region in Shandong Peninsula from SPOT-5 image based on NDVI texture[J]. Science of Surveying and Mapping, 2007, 32(1): 126–127

[28] 潘琛, 杜培军, 张海荣. 决策树分类法及其在遥感图像处理中的应用[J]. 测绘科学, 2008, 33(1): 208–211 PAN C, DU P J, ZHANG H R. Decision tree classification and its application in processing of remote sensing images[J]. Science of Surveying and Mapping, 2008, 33(1): 208–211

[29] 张雪红. 基于决策树方法的Landsat8 OLI影像红树林信息自动提取[J]. 国土资源遥感, 2016, 28(2): 182–187 ZHANG X H. Decision tree algorithm of automatically extracting mangrove forests information from Landsat 8 OLI imagery[J]. Remote Sensing for Land & Resources, 2016, 28(2): 182–187

[30] 陈静秋. 基于遥感影像提取土地利用信息的决策树方法研究[D]. 南京: 南京农业大学, 2013 CHEN J Q. Study on decision tree method for land use information extraction based on remote sensing images[D]. Nanjing: Nanjing Agricultural University, 2013

[31] 胡琼, 吴文斌, 宋茜, 等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学, 2015, 48(10): 1900–1914 HU Q, WU W B, SONG Q, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10): 1900–1914

[32] 陈晨, 张友静. 基于多尺度纹理和光谱信息的SVM分类研究[J]. 测绘科学, 2009, 34(1): 29–31 CHEN C, ZHANG Y J. The classification of SVM based on the multi-scale texture information and spectral information[J]. Science of Surveying and Mapping, 2009, 34(1): 29–31

[33] 邵晓敏, 刘勇. 基于纹理的乌兰布和沙漠地区植被信息提取[J]. 遥感技术与应用, 2010, 25(5): 687–694 SHAO X M, LIU Y. Deriving vegetation information in Ulan Buh Desert based on texture[J]. Remote Sensing Technology and Application, 2010, 25(5): 687–694

[34] 王妮, 彭世揆, 李明诗. 基于树种分类的高分辨率遥感数据纹理特征分析[J]. 浙江农林大学学报, 2012, 29(2): 210–217 WANG N, PENG S K, LI M S. High-resolution remote sensing of textural images for tree species classification[J]. Journal of Zhejiang A&F University, 2012, 29(2): 210–217

Research on spectral and texture feature selection for fruit tree extraction in the Taihu Lake Basin*

YAO Xinhua1, JIN Jia2, XU Feifei2, FENG Xianfeng2, LUO Ming2, BI Leilei1, LU Zhou2**

(1. Suzhou Forestry Station, Suzhou 215128, China; 2. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China)

The accurate acquisition of planting area and spatial distribution information is essential to monitor the growth and estimate the production of fruit trees (orchard). Remote sensing has been widely used in crop identification and monitoring in recent decades. Numerous classification algorithms have been developed based on various requirements for remote sensing data analysis. However, distinguishing fruit tree orchard and tea garden remains challenging, due to their similar spectral characteristics.Two GF-2 WFV (wide field of view) images, taken in summer and winter, were used to extract the spatial distribution of fruit trees in Jinting Town in the Taihu Lake Basin in this study. The normalized difference vegetation index (NDVI), normalized difference water index (NDWI), and texture features were used to construct a decision tree model. Vegetation and non-vegetation were quickly identified by analyzing the spectral curves of ground features in the study area. However, spectral characteristic was a poor parameter to differentiate fruit trees from tea trees. Since fruit trees and tea trees have distinct textural features, GF-2 images with rich texture information on ground objects can help distinguish fruit trees from tea trees. Thus, texture is one of the most important features in fruit tree extraction. In this study, the method of cumulative difference (was used to determine the optimal size of the texture window. Among thevalues of each texture under 15 different window scales (3 × 3, 5 × 5, 7 × 7, 9´9, 11 × 11, 13 × 13, 15 × 15, 17 × 17, 19 × 19, 21 × 21, 23 × 23, 25 × 25, 27 × 27, 29 × 29, 31 × 31), the 15 × 15 window was determined as the optimum texture window. In addition, five texture features that were easy to distinguish from other objects were selected according to the cumulative difference of variables such as mean, variance, contrast, entropy, and correlation under the optimal texture window. The results showed that the decision tree model based on spectral index NDVI and NDWI, combined with texture features, effectively distinguished fruit trees from tea trees. The method of cumulative difference can quickly determine the best texture window size and texture combination. The extraction results showed that fruit trees were widely distributed in all locations of Jinting Town and that the planting area in the south was larger than that in the north. The local detail map indicated that the distribution of fruit trees was relatively neat and mainly in the plain area. The extraction accuracy of fruit trees in this study was 95.23%. The overall accuracy of the model in this study was 89.57% and the kappa coefficient was 89.00%. The producer accuracy and user accuracy were 90.00% and 87.30%, respectively. Using spectral indices combined with textural features achieved a higher overall accuracy than using spectral indices or textural features alone, with an overall accuracy increase of 10.65% and 12.04%, respectively. This method can be applied to the remote sensing extraction of fruit trees on a large scale and can provide an important reference in fruit tree extraction by using texture characteristics of sub-meter images. Moreover, the cumulative difference proposed in this study provides a new method for selecting the best texture window.

GF-2 images; Fruit tree extraction; Spectral features; Textural features; Cumulative difference; Decision tree classification

, E-mail: luzhou@igsnrr.ac.cn

Oct. 30, 2018;

Mar. 28, 2019

S127

2096-6237(2019)10-1596-11

10.13930/j.cnki.cjea.180955

姚新华, 金佳, 徐飞飞, 冯险峰, 罗明, 毕雷雷, 陆洲. 太湖流域果树提取的光谱和纹理特征选择研究[J]. 中国生态农业学报(中英文), 2019, 27(10): 1596-1606

YAO X H, JIN J, XU F F, FENG X F, LUO M, BI L L, LU Z. Research on spectral and texture feature selection for fruit tree extraction in the Taihu Lake Basin[J]. Chinese Journal of Eco-Agriculture, 2019, 27(10): 1596-1606

* 国家重点研发计划项目(2016YFD0300201)、江苏省农业科技自主创新资金项目[CX(16)1042]和苏州市科技计划项目(SNG201643、SNG2018100)资助

陆洲, 主要从事农业遥感应用研究。E-mail: luzhou@igsnrr.ac.cn

姚新华, 主要从事森林经理学及3S林业应用技术研究。E-mail: 1304659769@qq.com

2018-10-30

2019-03-28

* This study was supported by the National Key R&D Program of China (2016YFD0300201), the Jiangsu Agricultural Science and Technology Innovation Fund [CX(16)1042] and the Suzhou Science and Technology Project (SNG201643, SNG2018100).