劉 蕓，李 雪，廖 瑤，宋善海，石 悅，李慧璇

(貴州省生態(tài)氣象和衛(wèi)星遙感中心，貴州 貴陽 550002)

0 引言

烤煙作為國家管控的特殊經(jīng)濟作物，在國民經(jīng)濟中發(fā)揮著非常重要的作用。長期以來，烤煙種植面積是科學優(yōu)化種植區(qū)域，規(guī)范煙葉種植，維護煙草市場秩序，科學定量化生產(chǎn)管理的重要科學依據(jù)[1]。目前，煙草部門主要的烤煙種植監(jiān)管手段基本依靠人工調(diào)查，這種方式不僅耗費大量的人工和時間，還存在精度不高等問題。因此，運用遙感手段對烤煙進行精確估產(chǎn)顯得尤為迫切。

我國于1979年逐步開始遙感估產(chǎn)，發(fā)展至今遙感估產(chǎn)已取得了一定的成就，利用遙感手段監(jiān)測煙草種植也得到了初步的應用。彭光雄等研究了烤煙遙感監(jiān)測的最佳時相[2]；吳孟泉等利用SPOT-5和TM融合技術對復雜山區(qū)煙草種植遙感監(jiān)測和提取方法進行了研究[3]；董梅等利用無人機遙感影像監(jiān)測和提取煙草種植面積[4]。

貴州地處云貴高原，地塊破碎導致烤煙種植區(qū)域零散且面積偏小，傳統(tǒng)的衛(wèi)星遙感數(shù)據(jù)不能滿足對貴州省煙草種植區(qū)域的提取。因此，本文擬基于高分六號2 m分辨率衛(wèi)星數(shù)據(jù)，采用面向?qū)ο蠓诸惙椒?，以石阡縣聚鳳鄉(xiāng)為研究區(qū)域，通過構建烤煙種植區(qū)域的NDVI特征、光譜特征、紋理特征及形狀特征，對貴州烤煙的分布提取方法進行研究，旨在及時監(jiān)控烤煙種植面積，為煙草部門決策提供一定的理論依據(jù)和決策參考。

1 研究區(qū)域概況及衛(wèi)星影像預處理

1.1 研究區(qū)域概況

研究區(qū)為貴州省銅仁市石阡縣聚鳳鄉(xiāng)，地處貴州省省級風景名勝區(qū)佛頂山腳下，是石阡縣西南大門。全鄉(xiāng)國土面積157平方公里。全鄉(xiāng)屬武陵山區(qū)喀斯特地貌，平均海拔在800米左右，境內(nèi)屬亞熱帶溫暖濕潤季風氣候。

主要經(jīng)濟作物有烤煙、茶葉、油菜、大豆等，特色產(chǎn)業(yè)有“一煙兩茶”(烤煙、綠茶、油茶)。

1.2 資料收集

1.2.1 衛(wèi)星影像資料

1.2.2 無人機影像資料

無人機遙感技術具有影像空間分辨率高、抗干擾能力強、機動性強、操作簡單等特點，在農(nóng)業(yè)監(jiān)測中得到了廣泛的應用[6-9]。處于成熟期的烤煙在無人機影像上具有非常強烈的特點，此時的烤煙具有黃綠色的色調(diào)，規(guī)則的行列狀紋理，很容易目視解譯(圖1)。

表1 研究區(qū)主要作物物候期Tab.1 Phenological phase of the main crops in the study area

圖1 無人機影像上的烤煙地Fig.1 UAV image of tobacco fields

本文采用無人機航拍的方式提取聚鳳鄉(xiāng)部分烤煙種植區(qū)作為精度驗證所需的樣本點。無人機航拍采用大疆無人機航拍系統(tǒng)對種植區(qū)進行航拍，通過預處理流程(圖2)處理成ArcGIS軟件能識別的正射影像，再通過目視解譯方法提取無人機影像的烤煙地塊信息。研究區(qū)域共執(zhí)行飛行9架次，無人機航拍影像分布圖如圖3。

圖2 無人機航拍影像的預處理流程Fig.2 Preprocessing of UAV images

圖3 無人機航拍影像分布圖Fig.3 Distribution map of UAV images

1.3 衛(wèi)星影像預處理

運用ENVI軟件，對GF6影像按如圖4步驟進行預處理，預處理結果如圖5。

圖4 衛(wèi)星影像預處理流程Fig.4 Preprocessing of satellite images

圖5 聚鳳鄉(xiāng)GF6影像預處理結果Fig.5 Preprocessing results of GF6 image of Jufeng Village

2 面向?qū)ο罂緹煼N植面積提取

2.1 影像分割

本文采用eCognition軟件對衛(wèi)星影像進行多尺度分割，分割參數(shù)設置如下：分割尺度50，形狀參數(shù)：0.5，緊致度參數(shù)：0.4。分割效果如圖6。

圖6 多尺度分割效果Fig.6 Multi-scale segmentation result

2.2 烤煙提取規(guī)則建立

2.2.1 植被指數(shù)規(guī)則

電子商務作為“大眾創(chuàng)業(yè)，萬眾創(chuàng)新”的重要手段，將其與軟件工程專業(yè)課程及高校雙創(chuàng)教育相結合，可以進行有益的互補。

歸一化植被指數(shù)[10](NDVI)能夠很好的將植被和非植被區(qū)分開來，其計算公式如下：

NDVI=(NIR-RED)/(NIR+RED)

(1)

式中，NIR為近紅外波段，RED為紅光波段。

表2 烤煙樣地NDVI統(tǒng)計表Tab.2 NDVI statistics of the flue-cured tobacco sampling plot

本文經(jīng)過反復試驗對比，將研究區(qū)成熟期的烤煙NDVI閾值設置在范圍[0.53，0.8]。

2.2.2 光譜規(guī)則

提取樣本點的光譜信息：灰度均值、最大灰度、最小灰度和灰度標準差。統(tǒng)計結果如表3。

表3 烤煙樣地光譜信息統(tǒng)計表Tab.3 Spectral statistics of the flue-cured tobacco sampling plot

本文分別對影像四個波段建立光譜規(guī)則如表4。

表4 烤煙種植區(qū)域光譜規(guī)則表Tab.4 Spectral rules of the flue-cured tobacco planting regions

2.2.3 紋理規(guī)則

eCognition軟件提供了兩種構建紋理特征的方法：基于灰度共生矩陣GLCM和基于歸一化灰度矢量GLDV，基于每種方法又分為八種不同的紋理參數(shù)：均值(Mean)、標準差(StdDev)、同質(zhì)性(Homogeneity)、相異性(Dissimilarity)、對比度(Contrast)、熵(Entropy)、角二階矩(Ang.2nd moment)和相關性(Correlation)。每一個GLCM紋理參數(shù)又基于θ方向的不同取值提供了All directions、Direction 0°、Direction 45°、Direction 90°、Direction 135°五種分析工具[11]。

本文選擇GLCM entroy-all-directions和GLCM homogeneity-0°兩個屬性來建立紋理特征規(guī)則如下：GLCM entroy-all-directions：[6，8.5];GLCM homogeneity-0°：[0.016，0.158]。

2.2.4 形狀規(guī)則

本文所使用的GF6遙感影像空間分辨率為2 m，受影像融合的影響會產(chǎn)生一些混合像元。烤煙屬于經(jīng)濟作物種植規(guī)模一般在1畝以上，按照像素大概為166個像元。為了避免將一些細小的混合像元誤分為烤煙地，我們通過合并進程將分類圖斑進行合并，并剔除面積閾值小于等于166像元的小圖斑。

基于前幾個規(guī)則分類出來的影像，發(fā)現(xiàn)還有部分緊挨農(nóng)作物的機耕道也被誤分類為烤煙地塊，所以增加形狀規(guī)則長寬比。Length/Width≤4.2。

3 結果分析及精度評價

3.1 提取結果分析

由圖7我們可以看到，聚鳳鄉(xiāng)烤煙種植主要分布在中部及北部地區(qū)，種植較為零散。部分提取結果和原始影像對比如圖8，由圖8可以看到，本文的提取方法效果較好，大部分的烤煙地被正確提取。

圖7 石阡縣聚鳳鄉(xiāng)烤煙種植點分布圖Fig.7 Distribution map of flue-cured tobacco planting sites in Jufeng Village，Shiqian County

圖8 烤煙提取效果圖Fig.8 Extraction effect of flue-cured tobacco planting sites

3.2 分類精度評價

本文采用隨機抽樣的方法對分類結果進行精度驗證，在無人機影像上通過目視解譯的方法選出烤煙樣地ROI，共選取烤煙地96個，其他地物50個，精度評價結果如表5。

表5 分類精度評價結果Tab.5 Evaluation of classification accuracy

從表5中可以看到，本分類方法的分類總體精度高達91.78%，總Kappa系數(shù)為0.82，分類質(zhì)量達到很好水平。

4 結論與討論

1)易康多尺度分割綜合考慮了影像的光譜特征和形狀因子，對目標物的分割更具有針對性，本文選擇的多尺度分割參數(shù)如下：分割尺度(scale)50，形狀參數(shù)(shape)：0.5，緊致度參數(shù)(compct)：0.4。

2)本文基于GF6 2m分辨率衛(wèi)星資料，采用面向?qū)ο蠓诸惙椒?，提取石阡縣聚鳳鄉(xiāng)烤煙種植區(qū)域，并運用無人機影像隨機采樣進行精度驗證。結果表明，該方法總體精度高達91.78%，總Kappa系數(shù)為0.82，分類質(zhì)量達到很好水平，可利用該方法較為準

確的進行烤煙種植區(qū)域提取，為煙草部門決策提供一定的理論依據(jù)和決策參考。

3)基于單一時相對烤煙種植區(qū)域的提取分類精度還有待進一步提高，下一步擬根據(jù)多時相、多源衛(wèi)星數(shù)據(jù)對烤煙種植區(qū)域進行提取，以獲得更高的提取精度。