基于资源三号遥感影像的农田提取方法研究
2022-06-09
【摘要】随着我国航天事业的发展，我国拥有了自主的遥感卫星，打破了国外卫星的垄断地位，如何将国产卫星影像更好的应用于生产实践变得非常重要。本文以资源三号遥感影像为基础，采用了像素级分类与对象级分割相结合，并引入坡度数据作为参考的思想，总结出了一套科学的农田提取方法，使之更好的应用于实际生产。
【关键词】资源三号；像素级分类；对象级分割；Kappa系数；误差矩阵
引言
伴随着航天技术的飞速发展，遥感技术也迅速成长起来。遥感影像凭借其覆盖范围广和获取周期短等特点，已经成为测绘行业数据源获取的首选。过去数据源的选择上主要使用的是国外的卫星，例如SPOT（法国）、ALOS（日本）、IKONOS（美国）等，在价格和获取时间等方面都受制于人。随着我国航天事业的发展，我国拥有了自主的遥感卫星，打破了国外卫星的垄断地位，资源三号、天绘一号卫星数据的获取，提供了更广阔的数据源选择空间，如何将国产卫星影像更好的应用于生产实践变得非常重要。
本文主要介绍了以资源三号遥感影像为基础，采用了像素级分类与对象级分割相结合，并引入坡度数据作为参考的思想，总结出了一套科学的农田提取方法，使之更好的应用与实际生产。
1、试验区及数据
本次试验区选取全国耕地最多的农业大省黑龙江，按照均匀分布的原则，选取6景资源三号卫星影像进行农田提取试验。
2、农田提取原理
农田提取过程中了采用了像素级分类与对象级分割相结合的思想，并引入坡度数据作为参考。首先分别对资源三号影像影像进行多尺度面向对象分割和基于光谱纹理特征的像素级分类（MLC），然后计算分为农田的像元在每一分割块中所占的比例。同时计算该分割块中坡度小于某给定阈值delta（delta=25°，国家规定退耕还林的坡度标准，不过在操作过程中该阈值可根据实际情况进行适当调整）的像元数目占该块中像元总数的比例。如果两个比例值分别大于给定阈值delta1和delta2，则判定该分割块为农田。逐一判定每个分割块是否为农田，直至遍历完成。最终可得到以分割块为基本单元的农田分类结果。最后由人工进行检查，对提取质量进行进一步控制。
3、农田提取流程
3.1农田的定义
农田在地理学中定义为用来种植农作物的土地。农田不同于森林、草原和灌木等植被覆盖，其与人类活动密切相关。人们按照一定的节气时令在农田上种植不同的作物，成熟后进行收割，并有时对农田进行休耕。
3.2农田提取具体步骤：
1）首先对资源三号影像进行分割。由于单一农田块面积较大，因此在分类过程中选择尺度参数较大，经过试验分割尺度设为20。分割完成后得到栅格形式保存的分割文件。分割文件有若干分割块组成，每一分割块都有唯一的标识码进行标识。
2）对资源三号影像进行像素级的光谱纹理分类。首先对资源三号影像进行TC变换，取变换后信息保存最丰富的亮度分量计算纹理特征。纹理特征计算方法是：计算3×3和5×5窗口大小的灰度共生矩阵，并取均值作为纹理的衡量指标，得到3×3和5×5两个纹理波段。选取资源三号影像的1、2、3、4和两个纹理波段合成新的影像文件进行监督分类。监督分类方法可以选择SVM或者MLC。
3）运用规则进行决策树分类。逐一统计分割影像中每一分割块中，像素级分类结果分为农田的像元占该分割块中像元总数的比例delta1和符合坡度限制条件（<30度）的坡度像元比例delta2。若delta1>0.75且delta2>0.75，则判定该分割块为农田。
4）分类后处理与人工编辑。完成决策数分类之后，可以得到以分割对象为最小分类单元农田分类数据，边界亦为分割对象的边界。人工编辑可以通过增加、减少或修改分割对象的属性方便进行。完成之后，得到最终农田提取结果。
4、农田提取成果的精度分析
我们使用误差矩阵对试验区的最终分类结果进行了详细的评价。总体精度为78.6141%，Kappa系数为0.7198，其中农田提取的精度为80.85%。从误差矩阵中可以看出，农田与人造覆盖、草地错分比较严重，错分率分别达到了18.3%和10.47%；农田漏分现象主要表现在农田漏分到草地类型中。
5、结论
通过对分类结果的综合评价，证明了农田提取方法兼顾了像素级分类与对象级分割的优点，有效的避免了椒盐效应，地物分类边界不准确等传统分类方法的弊端，提高了农田的分类精度。本次试验选取黑龙江省局部地区，提取流程的通用性还需要在更多的地区进行试验。建议获取全国或更大范围的资源三号影像，对其它地区农田提取试验，对提取方法进一步完善。
参考文献
[1]史文中等.从遥感影像提取道路特征的方法综述与展望[J].测绘学报，2001，（03）：257-261.
[2]明冬萍等.高分辨率遥感影像信息提取与目标识别技术研究[J].测绘科学，2005，（03）：18-20.
【关键词】资源三号；像素级分类；对象级分割；Kappa系数；误差矩阵
引言
伴随着航天技术的飞速发展，遥感技术也迅速成长起来。遥感影像凭借其覆盖范围广和获取周期短等特点，已经成为测绘行业数据源获取的首选。过去数据源的选择上主要使用的是国外的卫星，例如SPOT（法国）、ALOS（日本）、IKONOS（美国）等，在价格和获取时间等方面都受制于人。随着我国航天事业的发展，我国拥有了自主的遥感卫星，打破了国外卫星的垄断地位，资源三号、天绘一号卫星数据的获取，提供了更广阔的数据源选择空间，如何将国产卫星影像更好的应用于生产实践变得非常重要。
本文主要介绍了以资源三号遥感影像为基础，采用了像素级分类与对象级分割相结合，并引入坡度数据作为参考的思想，总结出了一套科学的农田提取方法，使之更好的应用与实际生产。
1、试验区及数据
本次试验区选取全国耕地最多的农业大省黑龙江，按照均匀分布的原则，选取6景资源三号卫星影像进行农田提取试验。
2、农田提取原理
农田提取过程中了采用了像素级分类与对象级分割相结合的思想，并引入坡度数据作为参考。首先分别对资源三号影像影像进行多尺度面向对象分割和基于光谱纹理特征的像素级分类（MLC），然后计算分为农田的像元在每一分割块中所占的比例。同时计算该分割块中坡度小于某给定阈值delta（delta=25°，国家规定退耕还林的坡度标准，不过在操作过程中该阈值可根据实际情况进行适当调整）的像元数目占该块中像元总数的比例。如果两个比例值分别大于给定阈值delta1和delta2，则判定该分割块为农田。逐一判定每个分割块是否为农田，直至遍历完成。最终可得到以分割块为基本单元的农田分类结果。最后由人工进行检查，对提取质量进行进一步控制。
3、农田提取流程
3.1农田的定义
农田在地理学中定义为用来种植农作物的土地。农田不同于森林、草原和灌木等植被覆盖，其与人类活动密切相关。人们按照一定的节气时令在农田上种植不同的作物，成熟后进行收割，并有时对农田进行休耕。
3.2农田提取具体步骤：
1）首先对资源三号影像进行分割。由于单一农田块面积较大，因此在分类过程中选择尺度参数较大，经过试验分割尺度设为20。分割完成后得到栅格形式保存的分割文件。分割文件有若干分割块组成，每一分割块都有唯一的标识码进行标识。
2）对资源三号影像进行像素级的光谱纹理分类。首先对资源三号影像进行TC变换，取变换后信息保存最丰富的亮度分量计算纹理特征。纹理特征计算方法是：计算3×3和5×5窗口大小的灰度共生矩阵，并取均值作为纹理的衡量指标，得到3×3和5×5两个纹理波段。选取资源三号影像的1、2、3、4和两个纹理波段合成新的影像文件进行监督分类。监督分类方法可以选择SVM或者MLC。
3）运用规则进行决策树分类。逐一统计分割影像中每一分割块中，像素级分类结果分为农田的像元占该分割块中像元总数的比例delta1和符合坡度限制条件（<30度）的坡度像元比例delta2。若delta1>0.75且delta2>0.75，则判定该分割块为农田。
4）分类后处理与人工编辑。完成决策数分类之后，可以得到以分割对象为最小分类单元农田分类数据，边界亦为分割对象的边界。人工编辑可以通过增加、减少或修改分割对象的属性方便进行。完成之后，得到最终农田提取结果。
4、农田提取成果的精度分析
我们使用误差矩阵对试验区的最终分类结果进行了详细的评价。总体精度为78.6141%，Kappa系数为0.7198，其中农田提取的精度为80.85%。从误差矩阵中可以看出，农田与人造覆盖、草地错分比较严重，错分率分别达到了18.3%和10.47%；农田漏分现象主要表现在农田漏分到草地类型中。
5、结论
通过对分类结果的综合评价，证明了农田提取方法兼顾了像素级分类与对象级分割的优点，有效的避免了椒盐效应，地物分类边界不准确等传统分类方法的弊端，提高了农田的分类精度。本次试验选取黑龙江省局部地区，提取流程的通用性还需要在更多的地区进行试验。建议获取全国或更大范围的资源三号影像，对其它地区农田提取试验，对提取方法进一步完善。
参考文献
[1]史文中等.从遥感影像提取道路特征的方法综述与展望[J].测绘学报，2001，（03）：257-261.
[2]明冬萍等.高分辨率遥感影像信息提取与目标识别技术研究[J].测绘科学，2005，（03）：18-20.