基于GF-2影像的平原河网区规模化生猪养殖场提取方法研究

2020-11-25陈俊松李文静范佳辉田佳榕廖小文姚世浩李明诗王文林

生态与农村环境学报 2020年11期

陈俊松，施舫，杜薇，李文静，范佳辉，田佳榕，廖小文，郭鹏，姚世浩,李明诗①，王文林②

(1.南京林业大学林学院，江苏南京 210037；2.生态环境部南京环境科学研究所，江苏南京 210042；3.南通大学地理科学学院，江苏南通 226007)

随着经济的快速发展，我国生猪养殖业集约化、规模化程度不断提高[1-2]，规模化养殖在增加经济效益的同时带来的污染也愈发严重[3-4]。围绕精准治污目标，农业、环保等相关部门需精准快速地掌握规模化生猪养殖场空间分布信息[5-6]，而目前获取其空间分布信息的手段仍以人工实地核查为主，费时费力且效率不高。遥感技术具有观测范围大、时效性强、准确性高、数据具有较强代表性和综合性等特点[7-8]，尤其是近年来国产高分系列卫星的成功发射，推动了其在地物提取方面的广泛运用[9]，借助遥感技术可快速准确地获取大范围的规模化生猪养殖场空间分布信息。

国内外学者基于高空间分辨率遥感影像的地物提取研究主要集中于建筑物、水体等方面。如采用面向对象提取方法，利用上下文语义、几何特征、光谱、纹理等特征提取不同类型建筑物[10-11]；发展各种水体指数，如归一化差异水体指数(normalized difference water index，NDWI)、增强阴影水体指数(enhanced shadow water index，ESWI等)，提取不同区域内水体[12-13]；上述研究均取得了精度较高的结果。这些研究可为基于高空间分辨率影像的生猪养殖场猪舍、蓄水池和粪污池的提取方法提供参考。目前，关于养殖场这一综合地物的提取研究较少，林俊杰等[14]基于Landsat-5 TM影像，以福建省新罗区为研究区，视畜禽养殖场为建筑物的一种，运用基于指数的建筑用地指数(index-based built-up index，IBI)提取建筑物，再根据谱间分析剔除裸地和乡村居民地，最后结合地理信息系统提取畜禽养殖场，提供了相对及时准确的畜禽养殖场分布数据。由于采用的遥感数据源空间分辨率(30 m)不高，因而无法精确提取单个养殖场空间分布信息。

基于GF-2遥感影像，选取典型平原河网区——江苏省如皋市相邻两镇(石庄镇、江安镇)为研究区，以石庄镇境内的规模化生猪养殖场(根据原江苏省农业委员会规定[5]，江苏省内规模化生猪养殖场界定标准为：年存栏生猪200头以上或年出栏生猪500头以上)为样本对象，明确其主要组成要素，基于eCognition平台先后进行棋盘、多尺度分割，根据各组成要素面向分割后对象选择光谱、几何、纹理及类相关特征等，构建规模化生猪养殖场的提取规则集。以江安镇境内的规模化生猪养殖场(以下简称养猪场)为验证对象，对验证对象执行隶属度模糊分类，自动提取养猪场的主要组成地物，通过GIS空间叠加与距离分析方法提取养猪场空间分布；最后，实地考察验证对象并结合高空间分辨率遥感影像勾绘，得到其实际空间分布，验证提取结果的空间一致性。

1 材料与方法

1.1 研究区概况

石庄镇和江安镇为江苏省如皋市(县级市，由南通市代管)下辖镇，地处如皋市西南，两镇境内河网纵横，内河水域直通长江，属于典型的长江中下游平原河网区。石庄镇、江安镇中心位置分别为北纬32°8″、东经120°31″和北纬32°10″、东经120°24″。如皋作为我国生猪调出大县，生猪养殖是其传统产业，也是当地农民增收的支柱产业之一。截至2014年底，全市生猪存栏量86万头，规模养殖占比达87.3%[15]。石庄镇、江安镇是如皋市生猪养殖业较为发达的下辖镇，选取上述两镇为研究区进行养猪场的提取，具有典型代表意义。

1.2 数据源

1.2.1遥感数据

采用2017年12月22日采集的国产“高分二号”(GF-2 Satellite PMS)数据，共两景(产品系列号为2869788和2869942)，拼接后覆盖整个研究区。GF-2卫星搭载1 m全色、4 m多光谱两台高分辨率相机，其相关技术参数见表1。

表1 “高分二号”卫星有效载荷技术指标Table 1 The payload specifications of GF-2 Satellite

1.2.2养猪场实地数据

选取石庄镇境内24家养猪场作为样本对象，在相关部门及养猪场业主的积极配合下，携带手持GPS沿着养猪场周界定位足够数量的点，在遥感影像上定位到这些点，勾绘养猪场周界，从而获取样本对象的实地空间分布(图1)。

图1 石庄镇样本养猪场实地空间分布Fig.1 The spatial distribution of the sampled pig farms in Shizhuang Township

1.3 研究方法

1.3.1遥感数据预处理

根据此次研究目的及数据特点，“高分二号”影像预处理基于ENVI 5.3平台进行，具体过程包括辐射校正(辐射定标、FLAASH大气校正)、正射校正、图像融合、图像去噪和增强、图像镶嵌及图像裁剪等。

1.3.2面向对象的养猪场提取

1.3.2.1明确提取要素

养猪场是由各种不同类型地物组成的综合体。经实地详细考察部分典型养猪场并结合遥感影像判别可知，作为样本对象的24家养猪场按组成要素可分为两大类(表2)，从而可知其提取要素，所提取的要素可明确为猪舍(包括高亮养殖大棚及一般猪舍)、粪污池和蓄水池3类4种。

表2 石庄镇24家养猪场组成要素Table 2 The compositional elements of the 24 pig farms in Shizhuang Township

1.3.2.2去除成片建筑物

明确提取要素后，可知一般猪舍顶部呈蓝色或红色，易与工厂等成片建筑物混分，部分典型养猪场周边影像见图2。由图2可知，养猪场一般不成片分布，与民房等有一定空间距离且其面积明显小于工厂等成片建筑物，故对于成片建筑物这一易与养猪场混分的地物，可基于eCognition平台对预处理后的遥感影像进行棋盘分割，选择合适的棋盘分割目标大小使遥感影像分割为若干个大小一致的方格，再利用建筑物面积指数(building area index，BAI)[16]选择合适的阈值达到去除目的。建筑物面积指数计算公式见表3。

图2 部分典型养猪场周边遥感影像特征Fig.2 The image features presented by targets adjacent to certain typical pig farms

表3 部分选取的特征类型、名称及计算公式[12,16,19]Table 3 Selected feature types, names and calculation formulas

一般地，建筑物面积指数越大，该区域内建筑面积就越大，而将养猪场包含在内的方格建筑面积明显小于将工厂等成片建筑物包含在内的方格，故可选择一个合适的阈值将工厂等成片建筑物去除。

1.3.2.3多尺度分割

基于eCognition平台，对去除工厂等成片建筑物后的石庄镇GF-2影像进行多尺度分割。进行多尺度分割需要设置如下参数：影像图层权重、尺度参数、一致性组合，其中，一致性组合包括形状因子和紧致度因子。

由于需综合考虑各种地类的光谱异质性，故各图层波段权重均设置为1。对于一致性组合，从大量的对照实验中选择较为合适的参数设置，确定形状因子和紧致度因子。尺度参数确定了生成的影像对象最大允许异质度，尺度参数值越大，分割对象结果越大。ESP(estimation of scale parameter)工具通过计算不同分割尺度参数下影像对象同质性的局部变化(local variance，LV)的变化率值ROC-LV(rates of change of LV)来指示对象分割效果最佳参数[17]。当LV变化率值最大即出现峰值时，该点对应的分割尺度即为最佳分割尺度。一般来说，ESP计算得到的最优分割尺度并非只有一个，这是由于几个最优分割尺度是针对影像内不同地物得出的。该研究使用ESP工具初步确定一系列最优分割尺度并通过目视判别进行筛选，选择适用于该研究的最优分割尺度。

1.3.2.4确定提取特征及规则集

根据明确的猪舍(包括高亮养殖大棚及一般猪舍)、粪污池和蓄水池3类4种提取要素，针对高亮养殖大棚，基于其在影像中发亮发白的特点，利用平均亮度值这一光谱特征设置阈值进行提取[18]。针对一般猪舍，其房顶多呈蓝色、红色或砖红色，可分别利用蓝光、红光波段平均值设置阈值进行提取。对于粪污池和蓄水池可利用归一化水体指数等指数设置阈值进行提取。综合考虑各提取要素的光谱、几何和纹理等特征，共选取3类17种特征(部分主要特征详细描述见表3[12,16,19])。根据这些特征，在对应分割层内针对各提取要素设置阈值，多个特征阈值的交集即为该提取要素的提取规则。

1.3.3提取规则集的验证

根据提取规则集提取养猪场各提取要素后，根据各提取要素空间距离较近的特点，叠加分析各提取要素，可得养猪场空间分布。选取与石庄镇相邻的江安镇境内养猪场作为验证对象。对预处理后的江安镇遥感影像进行与石庄镇相同的处理，提取江安镇境内的养猪场；最后实地考察提取结果所在位置，验证其空间一致性。将养猪场空间分布提取结果与现场实地考察获取的养猪场实地空间分布数据进行叠加分析，得出各养猪场提取结果与对应养猪场实地位置的重叠区域，将重叠区域面积与对应养猪场实际面积之比的平均值作为该次提取结果空间一致性验证指标(A)，其计算公式为

(1)

式(1)中，n为养猪场数量，家；Se为养猪场各提取要素面积之和，m2；Sr为养猪场实地面积，m2。

2 结果与分析

2.1 试验结果

2.1.1去除成片建筑物

基于eCognition平台，对石庄镇的遥感影像进行棋盘分割，设置不同的棋盘分割目标大小，对应选择不同的Ib,a阈值，经过多次试验，最终发现棋盘分割目标大小为516时去除效果最佳，Ib,a阈值确定为-0.150 923；故去除成片建筑物的阈值条件设为棋盘分割尺度目标大小为516，Ib,a>-0.150 923，可去除4 782 878个像元。棋盘分割目标大小为516时影像分割效果见图3(a)，去除成片建筑物后的石庄镇影像见图3(b)。图3中的典型养猪场周边成片建筑物去除效果见图4。

图3 石庄镇成片建筑物去除效果Fig.3 The effect of removing buildings in clusters of Shizhuang Township

图4 部分典型养猪场周边成片建筑物去除效果Fig.4 The effect of removing buildings in clusters adjacent to certain typical pig farms

2.1.2多尺度分割

ESP工具将相对良好的分割尺度集中在50～500区间内，通过对比分析石庄镇24家养猪场影像，确定了80、142和200这3个最优分割尺度，确定的各层次参数及对应提取要素见表4。尺度参数分别为80、142和200时单个典型养猪场分割效果分别见图5(a)～(c)。

图5 部分典型养猪场多尺度分割结果Fig.5 The multiresolution segmentation results of certain typical pig farms

表4 多尺度分割参数设置Table 4 The parameter settings of multiresolution segmentation

2.1.3确定的提取规则集

根据选取特征，在80、142和200这3个尺度参数分割层内，针对各提取要素分别确定其对应特征的取值范围，各特征取值范围的交集即为对应提取要素的提取规则集，各提取要素主要对应特征取值范围见表5。

表5 各提取要素主要对应特征取值范围Table 5 The certain value range of main corresponding features of each extracted element

2.2 提取规则集的验证

2.2.1提取验证对象

先对江安镇遥感影像进行去除工厂等成片建筑物的操作，再进行分割尺度参数分别为80、142和200的多尺度分割。根据确定的提取规则集在3个分割层中分别完成隶属度模糊分类，提取高亮养殖大棚、一般猪舍、蓄水池和粪污池3类4种要素，将提取结果输出为矢量文件，利用养猪场各提取要素空间距离较近的特点，设置空间距离<200 m，叠加分析各提取要素，得到江安镇各养猪场空间分布提取结果(图6)。

2.2.2空间一致性验证

验证对象空间分布提取结果(图6)与其实地分布数据叠加效果见图7，各养猪场空间一致性由低至高排序见表6。

图6 江安镇各养猪场空间分布提取结果Fig.6 The spatial distribution of the extracted pig farms in Jiangan Township

图7 养猪场空间分布提取结果与实地数据叠加效果Fig.7 The coincidence effects of the extracted pig farms and their corresponding field inventory data

由表6可知，各养猪场空间分布提取的空间一致性均值为82.24%；就此次验证对象的37家养猪场而言，提取结果空间一致性达到70%以上的为36家，占比为97.30%；空间一致性达到80%以上的为31家，占比为83.78%。验证样本的提取试验结果表明，由样本对象获取的养猪场提取规则集总体精度达82.24%。

表6 各养猪场空间一致性计算结果Table 6 The calculation result of spatial agreement

3 讨论

(1)畜禽养殖场多为由不同地物组成的综合地物[20]，若仅视其为单一地物进行空间分布提取研究，则提取结果实用性较低。笔者基于实地考察与高空间分辨率(1 m)遥感影像判别的方法，明确养猪场是一种由不同要素组成的综合地物，分别提取各组成要素进而提取得到养猪场空间分布。这与基于中空间分辨率(30 m)遥感影像且视养猪场为建筑物的养猪场提取[14]方法相比具有更高的空间精度和更强的实用价值。近期由于猪价持续上涨[21]，部分业主为追求经济效益，违反相关规定私自扩大养殖规模，而养殖规模的扩大往往伴随着猪舍的扩建、粪便的产生和养殖污染物排放量的增加[22]。人工实地核查不易发现上述变化，而采用笔者的研究方法可基于采集时间不同的多景高空间分辨率遥感影像分别提取不同时间养猪场的猪舍、粪污池等组成要素，得出其面积变化，从而实现对养猪场实际养殖情况的动态识别，及时向相关部门反馈。此外，由于畜禽养殖场在选址、污染物处理和组成结构等方面具有一定相似性[23]，故笔者研究还可为养鸡场、养牛场等其他规模化畜禽养殖场的提取研究提供科学合理的借鉴。

(2)传统的地物提取[7-11]多为基于研究区的整幅遥感影像直接进行提取。而笔者研究在基于研究区整幅遥感影像直接提取养猪场时，发现猪舍提取结果中往往混杂有大量工厂等建筑物。为解决这一问题，利用BAI，基于棋盘分割通过选择合适的阈值，先去除城镇、工厂等成片建筑物对养猪场提取的干扰，为后续养猪场猪舍提取打下坚实基础。这一方法可减少数据量，提高运行效率，为后续目标地物的提取提供坚实保障。此次研究区为典型长江中下游平原河网区，由于平原河网区海拔较低，地势平坦[24]，处处均可建房，因而该区域内养猪场一般不成片分布且距离城镇、工厂等地物较远，故笔者研究中可采用上述方法去除工厂等成片建筑物。而对于山区等其他地区而言，该方法可能并不适用，山区多山的地形使得其建筑物较为集中地分布于山脚盆地处[25]，养猪场亦多分布于此。故笔者研究中去除工厂等成片建筑物的方法可能不适用于山区等其他地区，对于这些区域内养猪场的提取还需进一步研究。

(3)各养猪场有部分空间分布未被提取出来(表6)，这部分面积占对应养猪场空间分布面积的比例为4.60%～29.45%。受太阳照射角度的影响，建筑物在遥感影像上不可避免地存在阴影[26]，而阴影极易与农田等周边地物分割为一个部分，从而导致部分猪舍未被成功提取，影响提取结果的空间一致性。此外，极个别养猪场(28号养猪场)空间一致性过低，极大地影响了整个验证对象提取结果空间一致性均值。究其原因，经实地考察并结合遥感影像判别可知部分养猪场内种植有成片的经济作物等绿色植物，其组成要素除前文提到的3大类外，还应包括绿色植物。而笔者研究考虑到遥感数据覆盖整个研究区的完整性及云障等因素，采用2017年12月22日采集的GF-2影像，影像采集时间为冬季，研究区内大部分经济作物业已收割完毕，此时养猪场内的绿色植被接近裸土〔图8(a)〕，而裸土极易与农田等周边地物混分割为一个部分，故绿色植被这一组成要素未被提取，从而导致28号养猪场空间一致性过低。针对该养猪场，选取一景采集时间为2018年5月9日的GF-2影像(产品系列号为3174229)对其进行提取，提取结果见图8(b)。对比图8中冬夏两季提取细节可知，夏季提取效果明显好于冬季。因此，在后续研究中，在考虑其他因素的前提下，应尽可能优先选择处于植被生长旺期(如春末夏初)的遥感影像作为遥感数据源[27]。

图8 28号养猪场冬夏两季空间分布提取细节Fig.8 The extracted spatial details of No. 28 pig farm in winter and summer

(4)笔者研究的研究对象仅为规模化生猪养殖场，散养的养猪专业户(以下简称散户)由于其大多分布在民房周围且光谱、几何特征与民房差异不大，故未将其考虑在内。而“私搭乱建”“偷排养殖废物”等现象在这些散户养殖过程中时有发生，对于散户的提取还需进一步研究。由于散户的光谱、几何、纹理特征与民房相差不大，且其与民房的空间距离较近，故在基于遥感数据提取散户时可充分考虑其与民房其他方面的差异进行辅助。这些差异可能包括：猪舍附近由于生猪排泄的粪污存在，容易产生难闻气体[28]；由于猪舍附近存在生猪粪便管理系统和饲料粮运输加工作业，其温室气体浓度在特定时间段内明显高于民房[29]等。此外，考虑到部分散户猪舍面积较小(十几～几十m2)[30]，其在GF-2影像上可能只占少数像元(十几～几十个)，1 m空间分辨率影像不适用于研究，可采用空间分辨率更高的的遥感影像(如空间分辨率为0.3 m的WorldView-3[31]等)进行散户猪舍的提取研究。基于更高空间分辨率的遥感数据并充分考虑猪舍与民房在各方面的差异信息进行提取，是后续提取散户猪舍的努力方向。