顧云志 曹月娥 趙珮珮

摘要：以新疆和田地區(qū)墨玉縣闊依其鄉(xiāng)薩達(dá)克村為研究區(qū)，利用高分二號(hào)遙感影像的紋理和光譜特征，采用閾值分割與數(shù)學(xué)形態(tài)學(xué)算法，研究出一種面向?qū)ο蟮亩嗵卣魅诤系母珊祬^(qū)水澆地地塊提取方法。結(jié)果表明，利用閾值分割算法和數(shù)學(xué)形態(tài)學(xué)算法4個(gè)幾何特征參數(shù)面積、周長(zhǎng)、完整度、延伸率可以有效剔除細(xì)小圖斑，準(zhǔn)確提取水澆地邊界及面積。通過(guò)研究區(qū)實(shí)地核查，地塊面積提取精度為90.08%，利用隨機(jī)樣本點(diǎn)驗(yàn)證水澆地總體分類精度達(dá)到96.33%，Kappa系數(shù)為91.72%。

關(guān)鍵詞：水澆地;地塊提取;特征融合

中圖分類號(hào)： S127 ?文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)：1002-1302（2021）10-0176-07

水澆地作為中國(guó)北方地區(qū)糧食生產(chǎn)的主要載體，掌握其使用現(xiàn)狀及面積變化，對(duì)于保證國(guó)家糧食安全和農(nóng)業(yè)可持續(xù)發(fā)展具有重要作用。以往水澆地監(jiān)測(cè)是依據(jù)地面調(diào)查方法，進(jìn)行逐級(jí)匯總，對(duì)于小范圍地域的精細(xì)化種植管理具有重要作用[1]，但這種方法消耗大量的人力、物力及財(cái)力，實(shí)施效率低下。隨著農(nóng)業(yè)現(xiàn)代化的發(fā)展，大范圍實(shí)時(shí)耕地監(jiān)測(cè)成為一種新趨勢(shì)，航空攝影、遙感衛(wèi)星提供高時(shí)空分辨率圖像已經(jīng)成為耕地監(jiān)測(cè)的主要數(shù)據(jù)源[2-3]。利用圖像通過(guò)地物的光譜、紋理、形狀特征能夠比較準(zhǔn)確地提取水澆地的分布現(xiàn)狀，能夠?qū)r(nóng)作物的播種、生長(zhǎng)狀況進(jìn)行監(jiān)測(cè)，同時(shí)對(duì)糧食估產(chǎn)也可以提供基礎(chǔ)數(shù)據(jù)。

當(dāng)前，多光譜、高光譜和光學(xué)合成孔徑雷達(dá)（SAR）等圖像數(shù)據(jù)已經(jīng)在資源調(diào)查、環(huán)境監(jiān)測(cè)等方面廣泛應(yīng)用[4]，多光譜和高光譜數(shù)據(jù)融合成為提取土地利用的主要手段。根據(jù)研究?jī)?nèi)容及尺度，現(xiàn)有研究數(shù)據(jù)源涉及低、中、高等3種分辨率圖像，其中MODIS[5]、NOAA等低空間分辨率的影像主要用于大尺度的植被變化監(jiān)測(cè)及生態(tài)環(huán)境變化研究，而中高空間分辨率影像Sentinel-2、LandSet TM、SPOT、QuickBird、WorldView-1等在中小尺度地物識(shí)別及土地利用類型變化監(jiān)測(cè)中應(yīng)用較多。隨著中國(guó)高分遙感系列衛(wèi)星取得重大成功，其高時(shí)空分辨率影像產(chǎn)品應(yīng)用于建筑物、河流湖泊、農(nóng)業(yè)種植等各類地物提取[6]，為土地合理利用開發(fā)提供了基礎(chǔ)數(shù)據(jù)保障。水澆地提取關(guān)鍵就是對(duì)圖像進(jìn)行分割，主要利用圖像灰度值特征[7]、紋理特征及形態(tài)學(xué)特征[8]對(duì)地塊進(jìn)行分割。圖像分割算法常用的主要有4個(gè)：基于閾值的分割方法[9-10]，利用二值化圖像灰度直方圖進(jìn)行分割[11];基于邊緣檢測(cè)的分割方法[12]，通過(guò)計(jì)算圖像局部的微分算子進(jìn)行分割[13]，主要算法包括Roberts算子、Sobel算子、Canny邊緣檢測(cè)器[14];基于區(qū)域的分割方法，依據(jù)像素的灰度級(jí)進(jìn)行分割與合并[15];形態(tài)學(xué)分水嶺算法，首先將圖像抽象化為三維，再依據(jù)圖像梯度劃定其分水嶺分割線[16]，進(jìn)而再對(duì)圖像分割?；谕粓D像高頻和低頻分量的不同，在不同地物邊緣分割時(shí)采用雙閾值和多結(jié)構(gòu)數(shù)學(xué)形態(tài)學(xué)算法進(jìn)行[17]。深度學(xué)習(xí)蓬勃發(fā)展過(guò)程中，聚類分析、模糊集理論[18]、基因編碼、小波變換[19]等理論逐步融入到圖像分割中，使分割精度提升。如何利用圖像自身特征及適宜算法提升耕地提取精度成為農(nóng)業(yè)信息獲取的研究熱點(diǎn)。

新疆南疆地區(qū)土地利用狀況復(fù)雜，防風(fēng)沙林地及土地?cái)U(kuò)張，導(dǎo)致耕地破碎化程度變高。因此，為提升耕地利用效率需要準(zhǔn)確提取耕地的邊界和面積。本研究利用GF-2遙感影像，選取新疆和田地區(qū)墨玉縣薩達(dá)克村為研究區(qū)，以薩達(dá)克村耕地（水澆地）為研究對(duì)象，綜合利用影像光譜、紋理、形狀特征，結(jié)合閾值分割、數(shù)學(xué)形態(tài)學(xué)算法，研究一種面向?qū)ο蟮亩嗵卣魅诤系乃疂驳靥崛》椒?，以期為新時(shí)期干旱區(qū)農(nóng)業(yè)發(fā)展提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

薩達(dá)克村位于新疆和田地區(qū)墨玉縣（圖1），處于喀拉喀什河沖積扇平原、塔克拉瑪干沙漠南緣，屬于暖溫帶干燥荒漠氣候，常年受風(fēng)沙侵害。薩達(dá)克村經(jīng)濟(jì)發(fā)展以第一產(chǎn)業(yè)為主，糧食作物耕種是耕地利用的主要形式，其土地利用現(xiàn)狀為耕地與居民點(diǎn)、交通用地、防護(hù)林交錯(cuò)，造成耕地信息統(tǒng)計(jì)困難。

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

本研究采用2019年12月5日國(guó)產(chǎn)高分二號(hào)（GF-2）影像數(shù)據(jù)，GF-2衛(wèi)星擁有極高的空間分辨率，對(duì)于地物類型提取擁有高精確度，其有效荷載技術(shù)指標(biāo)見表1。

基于研究目的及數(shù)據(jù)特點(diǎn)，利用幾何校正模型（RPC）對(duì)影像數(shù)據(jù)進(jìn)行正射校正，然后依據(jù)中國(guó)資源衛(wèi)星應(yīng)用中心公布的高分二號(hào)的定標(biāo)參數(shù)和光譜響應(yīng)函數(shù)對(duì)處理后的影像進(jìn)行輻射校正，并采用基于最小二乘法的光譜銳化（Gram-Schmidt pan sharpening，GS）影像融合方法對(duì)全色影像與多光譜影像進(jìn)行疊加融合，同時(shí)對(duì)圖像進(jìn)行去噪處理，并利用行政邊界進(jìn)行裁剪，獲取薩達(dá)克村的GF-2影像數(shù)據(jù)。

1.3 研究方法

1.3.1 紋理特征提取 紋理信息是地表覆被類型細(xì)節(jié)的反映，不同類型地物的紋理特征表現(xiàn)形式是不同的[20]，主要通過(guò)圖像區(qū)域內(nèi)灰度變化為特征，顯示為色調(diào)作為等級(jí)函數(shù)在空間上的變化。圖像紋理特征通過(guò)交互式直方圖均衡化拉伸實(shí)現(xiàn)輻射增強(qiáng)，通過(guò)凸顯地物的內(nèi)部具體紋理構(gòu)造，對(duì)不同地物進(jìn)行細(xì)致劃分。由于影像各波段紋理特征具有同一性，因此利用單波段對(duì)影像紋理特征提取就能夠?qū)Φ匚锝Y(jié)構(gòu)、影紋等紋理基本單元進(jìn)行深度數(shù)據(jù)挖掘[21]。圖像多光譜、紋理特征兩者結(jié)合可以體現(xiàn)圖像中不同地物類型的宏觀屬性與微觀特征，有效提升整個(gè)圖像中的地物識(shí)別度及分類精度。因此，本研究利用紅波段對(duì)水澆地紋理特征進(jìn)行提取，采用灰色空間相關(guān)性矩陣（gray level co-occurrence matrix，GLCM）計(jì)算圖像紋理特征值。其中，紋理特征值是通過(guò)計(jì)算圖像中特定距離和方向計(jì)算某個(gè)像元周邊各個(gè)灰度級(jí)之間的聯(lián)合概率密度獲取該像元像素的最大概率灰度值，常用的主要紋理特征因子[22]有均值ME=∑N-1i，j=0iPi，j、方差VA=∑N-1i，j=0iPi，j（i-ME）2、對(duì)比度CO=∑N-1i，j=0iPi，j（i-j）2、同質(zhì)性HO=∑N-1i，j=0iPi，j1+（i-j）2、異質(zhì)性DI=∑N-1i，j=0iPi，j|i-j|、熵EN=∑N-1i，j=0iPi，j（-lnPi，j）、二階矩SM=∑N-1i，j=0iPi，j2、相關(guān)性CC=∑N-1i，j=0iPi，j（i-ME）（j-ME）VAiVAj。其中Pi，j=Vi，j/∑N-1i，j=0Vi，j，式中，Vi，j為窗口單元格的第i行和第j列的數(shù)值;N為行列數(shù)。

紋理信息作為空間范疇內(nèi)特征，選擇合適的觀察窗口對(duì)地物邊界提取十分重要。較小的觀察窗口利用波段紋理同一性的變化可以區(qū)分不同地物類型紋理邊界，但圖斑細(xì)碎化程度高;較大的觀察窗口在紋理同一性檢測(cè)方面效果好，能夠準(zhǔn)確識(shí)別連片地物，但紋理邊界辨別度較差，在不同地物分界線劃定時(shí)誤差率高。因此本研究采取多個(gè)像元觀察窗口（3×3、5×5、7×7、9×9）提取圖像紋理特征，然后將不同觀察窗口紋理提取結(jié)果進(jìn)行對(duì)比，確定最適宜觀察窗口，以準(zhǔn)確分離出各地類邊界。

1.3.2 閾值分割及邊緣檢測(cè) 高分二號(hào)遙感影像中，同一地物中內(nèi)部光譜紋理信息相對(duì)一致，但其中普遍存在“椒鹽”現(xiàn)象，呈現(xiàn)出由噪聲產(chǎn)生的各種形狀不一、破碎的像元，嚴(yán)重影響提取準(zhǔn)確性。通過(guò)閾值分割可以有效消除噪聲影響，但在提取過(guò)程中，水澆地與小塊建設(shè)用地、林地圖斑相似性較高，會(huì)出現(xiàn)較多相互融合像元，不易被分割，因此采用Canny邊緣檢測(cè)算子對(duì)地物邊界進(jìn)行分割提取。Canny邊緣檢測(cè)算子[23]主要分為5個(gè)步驟：利用高斯濾波器將圖像平滑及消除噪聲;計(jì)算像元區(qū)域周圍梯度強(qiáng)度和近似偏移方向;通過(guò)非極大值抑制消除像元雜散響應(yīng);利用雙閾值或多閾值探測(cè)潛在的地類邊緣;抑制孤立的像元弱邊緣，最終完成整個(gè)圖像各地類的邊緣檢測(cè)。Canny邊緣檢測(cè)算子能夠從不同視覺方向提取地物類別結(jié)構(gòu)信息，準(zhǔn)確分離每個(gè)地類的邊界，將影像細(xì)分為不同地物圖斑，對(duì)于干旱區(qū)水澆地中破碎地塊提取效果顯著。

1.3.3 數(shù)學(xué)形態(tài)學(xué)算法 地理環(huán)境因素條件下，干旱區(qū)水澆地四周環(huán)繞著大片林地，因此在閾值分割和邊緣檢測(cè)之后還需要利用數(shù)學(xué)形態(tài)學(xué)算法對(duì)地類與已定義的目標(biāo)結(jié)構(gòu)元素進(jìn)行特定運(yùn)算，以得到水澆地的具體形態(tài)邊界，實(shí)現(xiàn)地塊識(shí)別與分類[24]。形態(tài)學(xué)是基于特定目標(biāo)形狀的一種算法，體現(xiàn)為圖像中每個(gè)像元的分類結(jié)果值取決于鄰近區(qū)域的像元像素值及整體目標(biāo)的形態(tài)。數(shù)學(xué)形態(tài)學(xué)運(yùn)算中，主要是利用結(jié)構(gòu)采集獲取圖像的信息，通過(guò)自身所擁有的灰度、形狀特征，在移動(dòng)過(guò)程中對(duì)其所經(jīng)過(guò)的區(qū)域進(jìn)行邏輯運(yùn)算，并將運(yùn)算的結(jié)果保留在原始的像元點(diǎn)上[25]。目標(biāo)結(jié)構(gòu)元素中形狀特征的類型主要有任意型、線型、方型、矩型、菱型、碟型等。對(duì)于干旱區(qū)水澆地而言，其呈現(xiàn)為不規(guī)則形狀，存在顯著的向異性特點(diǎn)，因此選用任意型結(jié)構(gòu)元素。任意型結(jié)構(gòu)能夠有效地去除不同尺度下的噪聲和與目標(biāo)不相關(guān)的圖像像元，最終留下水澆地的圖斑信息。

數(shù)學(xué)形態(tài)學(xué)基本運(yùn)算包括膨脹、腐蝕、開運(yùn)算、閉運(yùn)算等[26]。膨脹運(yùn)算能夠?qū)⒛繕?biāo)地類背景融合，填充目標(biāo)中所存在的孔隙;腐蝕運(yùn)算使目標(biāo)縮小，可以消除圖像中小于結(jié)構(gòu)元素的像元;開運(yùn)算在膨脹和腐蝕運(yùn)算的基礎(chǔ)上，突出圖像明亮細(xì)節(jié)及平滑圖像的較大地類的邊緣;閉運(yùn)算基于膨脹及腐蝕運(yùn)算突出圖像中較暗的細(xì)節(jié)，并使地類的位置及面積保持不變?；跀?shù)學(xué)形態(tài)學(xué)運(yùn)算類型特征，為準(zhǔn)確獲取水澆地的邊界及面積信息，本研究采取開運(yùn)算與閉運(yùn)算相結(jié)合的混合算法提取水澆地信息。

1.3.4 混淆矩陣精度驗(yàn)證 水澆地提取精度結(jié)果利用圖像分類常用的混淆矩陣進(jìn)行驗(yàn)證。通過(guò)將實(shí)地調(diào)查結(jié)果與提取結(jié)果進(jìn)行混淆矩陣運(yùn)算，論證多特征融合算法的準(zhǔn)確性與可靠性?；煜仃嚨木闰?yàn)證一般考慮總體分類精度和Kappa系數(shù)（K）[27]，兩者數(shù)值越高，則表明采用的分類方法越好，分類效果越顯著。

總體分類精度=（TP+TN）/（TP+FN+FP+TN）;K=N∑xk-∑xkk∑x∑kN2-∑xkk∑x∑k

式中：TP為正確分類到水澆地的像元數(shù)，為真正類;TN為準(zhǔn)確分到非水澆地的像元數(shù)，為真負(fù)類;FN為水澆地誤分到其他類別中的像元數(shù)，為假負(fù)類;FP為其他類誤分到水澆地像元數(shù)，為假正類。N=TP+FN+FP+TN，代表像元總數(shù);x為類別數(shù)目，k為對(duì)角線上的數(shù)目，∑xkk為混淆矩陣對(duì)角線上的和，∑xkk∑x∑k為某一類別中真實(shí)參考像元總數(shù)與該類別中被分類的像元總數(shù)之積對(duì)所有類別求和的結(jié)果。

2 結(jié)果與分析

2.1 影像紋理特征提取最優(yōu)窗口選擇

本研究基于ENVI中的Co-occurrence 度量工具，采用3×3、5×5、7×7、9×9等4種不同觀察窗口確定最優(yōu)窗口。利用最優(yōu)觀察窗口初步劃分水澆地與其他地類的邊界，同時(shí)弱化其他用地對(duì)水澆地提取的影響。通過(guò)卷積濾波中高通濾波器消除特定空間頻率，將圖像做增強(qiáng)處理，使其能夠保持圖像的高頻信息，銳化地塊紋理、邊緣信息。通過(guò)基于GLCM的主要紋理特征因子組合得出紋理信息，對(duì)不同觀察窗口進(jìn)行分析。各個(gè)觀察窗口紋理特征顯示及提取結(jié)果見圖2。結(jié)果表明，3×3像元的觀察窗口較小，會(huì)使圖斑細(xì)碎化程度變高，水澆地邊緣區(qū)域像元被誤分到道路、房屋等建設(shè)用地中，同時(shí)還造成水澆地邊緣過(guò)于曲折;隨著觀察窗口變大，7×7、9×9像元觀察窗口中圖像紋理特征值計(jì)算量變大和計(jì)算時(shí)間延長(zhǎng)，使得較小的農(nóng)業(yè)設(shè)施及道路被同化到水澆地中，體現(xiàn)為水澆地邊界向外延伸，突破固有水澆地的形狀，提取效果變差。從整個(gè)圖像紋理信息提取效果來(lái)看，隨著像元窗口增大，光譜反射率高的建筑用地信息更加完整，而反射率較低的林地、水澆地信息則比較破碎。通過(guò)分析不同地類內(nèi)部紋理特征，分布散亂的林地信息及形狀規(guī)則的水澆地信息被從整個(gè)圖像中分離出來(lái)，形成單獨(dú)的紋理圖層。經(jīng)過(guò)平衡地類誤分割概率、計(jì)算時(shí)間及計(jì)算量，最終選取5×5觀察窗口作為最優(yōu)觀察窗口提取地物信息。

2.2 紋理與光譜特征結(jié)合

利用圖像紅波段的光譜特征提取水澆地信息，分類結(jié)果顯示其與建設(shè)用地分離程度明顯，但水澆地與林地仍存在較多像元混合的現(xiàn)象（圖3）。從整個(gè)過(guò)程來(lái)看，紋理信息特征展現(xiàn)了地類內(nèi)部細(xì)節(jié)特點(diǎn)，而光譜特征依據(jù)每個(gè)地類的光譜響應(yīng)曲線能夠判定其具體屬性，將圖像2個(gè)特征疊加后提取的水澆地結(jié)果見圖4。結(jié)果顯示，單波段提取水澆地過(guò)程中，水澆地與成片建設(shè)用地可以分離，但會(huì)出現(xiàn)與小面積建筑物、道路相互混淆的情況，而且地塊完整度較低，誤分概率大。但通過(guò)紋理與光譜信息結(jié)合則可以剔除細(xì)碎建筑用地及分散林地的干擾，提高水澆地地塊完整度，更好地凸顯水澆地邊緣信息。

2.3 閾值分割與形態(tài)學(xué)算法提取水澆地

基于紋理及光譜特征信息提取的結(jié)果，通過(guò)ENVI中基于特征提取的分割（segment only feature extraction workflow）工具對(duì)分割閾值進(jìn)行優(yōu)化調(diào)整，基于IDL平臺(tái)利用Canny邊緣檢測(cè)算法對(duì)水澆地邊界信息進(jìn)行提?。▓D5），主要代碼如下。結(jié)果顯示，建設(shè)用地周邊的破碎地塊與林地仍存在部分像元相連，需要進(jìn)一步分割。

;Read a greyscale image

image=READ_TIFF（FILEPATH（‘Area_clip55_canny.tif，$ SUBDIRECTORY=[‘examples，‘data]））

;Resize the image

image=REBIN（image，505，605）

image=reverse（image，2）;數(shù)組x;水平翻轉(zhuǎn)：reverse（x，1）;垂直翻轉(zhuǎn)：reverse（x，2）

;Perform edge detection using defaults

filtered=CANNY（image）

;Create a window

WINDOW，XSIZE=758，YSIZE=605;

;Display the original and filtered images

TVSCL，image，0

TVSCL，filtered，1

對(duì)于水澆地中破碎地塊與分散林地像元混合的現(xiàn)象，采用數(shù)學(xué)形態(tài)學(xué)算法進(jìn)行細(xì)分割。通過(guò)對(duì)閾值分割后的影像進(jìn)行數(shù)學(xué)形態(tài)學(xué)開運(yùn)算和閉運(yùn)算，銳化水澆地邊緣信息和建設(shè)用地周邊地物的細(xì)節(jié)信息，再利用水澆地固有的幾何特征（面積Area、周長(zhǎng)Perimeter、完整度Solidity、延伸率Elongation）去除非水澆地圖斑。經(jīng)過(guò)多次幾何特征參數(shù)調(diào)整，使水澆地提取達(dá)到良好效果。本研究采用的幾何特征參數(shù)為：Ar<40，去除孤立的細(xì)碎圖斑;Ar>40、Per<30去除規(guī)則的細(xì)小圖斑;Sol>0.25、El<1去除其他不規(guī)則圖斑。通過(guò)上述算法及幾何特征運(yùn)算，水澆地最終提取結(jié)果見圖6。

2.4 精度驗(yàn)證

通過(guò)ArcGIS將水澆地提取結(jié)果轉(zhuǎn)換成矢量數(shù)據(jù)，并對(duì)圖層進(jìn)行投影坐標(biāo)轉(zhuǎn)換，利用獲取的水澆地分布狀況，統(tǒng)計(jì)水澆地面積。采用混淆矩陣中總體分類精度及Kappa系數(shù)對(duì)分類精度進(jìn)行評(píng)價(jià)。為保證精度準(zhǔn)確性，通過(guò)在區(qū)域內(nèi)隨機(jī)生成300個(gè)樣本點(diǎn)（圖7），獲取樣本點(diǎn)落在水澆地（圖8）及其他用地類型上的數(shù)量，進(jìn)而得到TP、TN、FP、FN數(shù)據(jù)，制作混淆矩陣（表2）?；诙嗵卣魅诤纤惴ㄌ崛〗Y(jié)果與實(shí)地調(diào)查結(jié)果匯總比較，得到最終分析結(jié)果。精度評(píng)價(jià)結(jié)果顯示，面向?qū)ο蟮亩嗵卣魅诤纤惴ㄌ崛∷疂驳孛娣e為97.29 hm2，而實(shí)地核查統(tǒng)計(jì)面積為108.00 hm2，自動(dòng)提取精度達(dá)到90.08%，能夠準(zhǔn)確提取出水澆地空間位置分布及其現(xiàn)有面積。通過(guò)隨機(jī)生成的樣本點(diǎn)評(píng)價(jià)分類精度，結(jié)果顯示水澆地總體分類精度達(dá)到96.33%，Kappa系數(shù)為91.72%，證明面向?qū)ο蟮亩嗵卣魅诤纤惴軌蛴行M足水澆地提取需求，能夠?yàn)楦珊祬^(qū)農(nóng)業(yè)可持續(xù)發(fā)展提供基礎(chǔ)耕地信息支持。

3 結(jié)論與討論

本研究利用GF-2影像的紋理、光譜、幾何特征，結(jié)合閾值分割、數(shù)學(xué)形態(tài)學(xué)算法，研究一種面向?qū)ο蟮亩嗵卣魅诤系母珊祬^(qū)水澆地提取方法。通過(guò)驗(yàn)證該算法能夠準(zhǔn)確地提取干旱區(qū)水澆地邊界及面積，經(jīng)過(guò)與實(shí)地核查水澆地面積數(shù)據(jù)對(duì)比，提取精度達(dá)到90.08%。通過(guò)隨機(jī)樣本點(diǎn)驗(yàn)證，結(jié)果顯示水澆地總體分類精度達(dá)到96.33%，Kappa系數(shù)為91.72%，地塊提取精度較高。在以往研究中，對(duì)于耕地提取主要是利用影像時(shí)相特征并結(jié)合光譜、紋理特征進(jìn)行[28-29];研究區(qū)域主要集中在農(nóng)業(yè)發(fā)展條件良好、耕地平整地區(qū);提取方法主要集中在圖像物理分割的算法方面[30]。而本研究依據(jù)已有研究成果，將幾個(gè)方面有機(jī)融合，提出一種基于多特征融合的水澆地提取方法，為準(zhǔn)確提取水澆地邊界及面積作出參考。此提取方法能夠有效發(fā)現(xiàn)耕地的變更狀況，準(zhǔn)確了解水澆地的分布狀況，為新時(shí)期干旱區(qū)農(nóng)業(yè)發(fā)展提供基礎(chǔ)耕地利用數(shù)據(jù)。

研究發(fā)現(xiàn)，水澆地與林地混交在道路及居民點(diǎn)附近，是造成水澆地提取困難、影響提取精度的主要因素。這種現(xiàn)象廣泛分布于中西部干旱區(qū)，主要是由于以耐旱樹種為代表的林地具有重要的生態(tài)作用，林地為保障以耕地及建設(shè)用地為代表的生產(chǎn)生活用地正常運(yùn)轉(zhuǎn)被種植在其周邊區(qū)域。農(nóng)林混交種植一直被看作農(nóng)業(yè)信息提取精度提高的最大阻礙，隨著高分辨率影像作為數(shù)據(jù)源，并結(jié)合高程、蒸散發(fā)等多源數(shù)據(jù)和差值、土壤調(diào)節(jié)、比值等植被指數(shù)[22]，耕地信息提取精度才得到極大提高。未來(lái)耕地信息獲取必將以多源數(shù)據(jù)為基礎(chǔ)，依據(jù)長(zhǎng)時(shí)間序列的圖像光譜、紋理、幾何特征，并結(jié)合多種算法及模型進(jìn)行。

本研究基于圖像紋理特征和光譜特征，運(yùn)用閾值分割及數(shù)學(xué)形態(tài)學(xué)算法，并結(jié)合水澆地幾何特征的面積、周長(zhǎng)、完整度、延伸率等4個(gè)參數(shù)對(duì)圖像細(xì)分割，最終自動(dòng)提取獲得水澆地邊界及面積。在研究過(guò)程中，閾值分割及幾何特征中參數(shù)設(shè)置都是基于過(guò)往經(jīng)驗(yàn)及經(jīng)過(guò)人為因素多次調(diào)試獲得，以尋求最佳參數(shù)值，獲取最優(yōu)提取結(jié)果。最優(yōu)參數(shù)值獲取需要在干旱區(qū)采集大量樣本進(jìn)行樣本數(shù)據(jù)集訓(xùn)練，運(yùn)用大數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)進(jìn)行擬合，通過(guò)仿真模擬，選取符合區(qū)域特點(diǎn)的參數(shù)特征值，提高提取精度，在這方面未來(lái)會(huì)進(jìn)行更加深入研究。

參考文獻(xiàn)：

[1]周 霞，劉彥文，姜宇榕，等. Landsat-8與GF-1遙感影像土地利用數(shù)據(jù)提取比較——以咸寧市為例[J]. 安徽農(nóng)業(yè)科學(xué)，2017，45（31）：213-215，237.

[2]龐新華，朱文泉，潘耀忠，等. 基于高分辨率遙感影像的耕地地塊提取方法研究[J]. 測(cè)繪科學(xué)，2009，34（1）：48-49.

[3]李 敏，崔世勇，李成名，等. 面向?qū)ο蟮母叻直媛蔬b感影像信息提取——以耕地提取為例[J]. 遙感信息，2008（6）：63-66，89.

[4]董彥芳，龐 勇，許麗娜，等. 高光譜遙感影像與機(jī)載 LiDAR 數(shù)據(jù)融合的地物提取方法研究[J]. 遙感信息，2014，29（6）：73-76，83.

[5]董婷婷，左麗君，張?jiān)鱿? MODIS數(shù)據(jù)的水澆地提取[J]. 遙感學(xué)報(bào)，2009，13（3）：522-534.

[6]張銀輝. 農(nóng)用土地區(qū)衛(wèi)星遙感耕地信息提取及其動(dòng)態(tài)監(jiān)測(cè)技術(shù)研究[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2002.

[7]白金婷，史園莉. 基于高分影像的面向?qū)ο笸恋乩米兓瘷z測(cè)方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（增刊1）：297-303.

[8]覃 能. 基于高分辨率遙感影像耕地地塊提取方法研究[J]. 測(cè)繪標(biāo)準(zhǔn)化，2019，35（2）：29-32.

[9]雍萬(wàn)鈴. 基于面向?qū)ο蠖喑叨确指畹哪繕?biāo)信息提取研究[D]. 蘭州：蘭州交通大學(xué)，2016：9-16.

[10]徐 軍. 多尺度分割與案例推理的高分辨率遙感影像信息提取方法[D]. 武漢：武漢大學(xué)，2017.

[11]Gang L，Xue X. Fusing texture，edge and line features for smoke recognition[J]. The Institution of Engineering and Technology，2019，13（14）：2805-2812.

[12]Hagara M，Kubinec P. About edge detection in digital images[J]. Radioengineering，2018，27（4）：919-929.

[13]曾建華，黃時(shí)杰. 典型圖像邊緣檢測(cè)算子的比較與分析[J]. 河北師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，44（4）：295-301.

[14]Zhou C，Wang G，Huang H，et al. Edge detection based on joint iteration ghost imaging[J]. Optics Express，2019，27（19）：295-307.

[15]張 巖，趙玉濤，李光旭，等. 圖像的邊緣檢測(cè)技術(shù)研究進(jìn)展[J]. 計(jì)算機(jī)與數(shù)字工程，2020，48（5）：1176-1184，1232.

[16]張紫萍，程小凱，李景文. 基于分水嶺和多尺度分割方法的耕地信息提取[J]. 地理空間信息，2012，10（3）：51-53.

[17]崔麗群，張 月，田 鑫. 融合雙閾值和改進(jìn)形態(tài)學(xué)的邊緣檢測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用，2017，53（9）：190-194，200.

[18]王志波，高志海，王琫瑜，等. 基于面向?qū)ο蠓椒ǖ纳郴恋剡b感信息提取技術(shù)研究[J]. 遙感技術(shù)與應(yīng)用，2012，27（5）：770-777.

[19]宋 滸，張 利，許夢(mèng)晗，等. 基于形態(tài)學(xué)和小波變換的圖像邊緣檢測(cè)方法[J]. 西南大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，42（4）：105-111.

[20]吳艷雙，張曉麗. 結(jié)合多尺度紋理特征的高光譜影像面向?qū)ο髽浞N分類[J]. 北京林業(yè)大學(xué)學(xué)報(bào)，2020，42（6）：91-101.

[22]嚴(yán)宇宸. 基于紋理特征提取的圖像識(shí)別方法研究[J]. 電子元器件與信息技術(shù)，2019，3（11）：78-79.

[23]高凱旋，焦海明，王新闖. 融合影像紋理、光譜與地形特征的森林冠頂高反演模型[J]. 國(guó)土資源遙感，2020，32（3）：63-70.

[24]Canny J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8（6）：79-98.

[25]張金波. 灰度圖像的邊緣檢測(cè)算法研究[D]. 南京：東南大學(xué)，2019：23-30.

[26]馬 鵬. 基于形態(tài)學(xué)的遙感圖像地表水體分割與監(jiān)測(cè)方法研究[D]. 蘭州：蘭州交通大學(xué)，2018：7-10.

[27]張海東，田 婷，張 青，等. 基于GF-1影像的耕地地塊破碎區(qū)水稻遙感提取[J]. 遙感技術(shù)與應(yīng)用，2019，34（4）：785-792.

[28]黃啟廳，曾志康，謝國(guó)雪，等. 基于高時(shí)空分辨率遙感數(shù)據(jù)協(xié)同的作物種植結(jié)構(gòu)調(diào)查[J]. 南方農(nóng)業(yè)學(xué)報(bào)，2017，48（3）：552-560.

[29]王晶晶，孫 玲，王志明，等. 基于GF-2影像的江蘇耕地破碎地區(qū)景觀格局空間粒度效應(yīng)分析[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2020，36（3）：606-612.

[30]舒 寧. 衛(wèi)星遙感影像紋理分析與分形分維方法[J]. 武漢測(cè)繪科技大學(xué)學(xué)報(bào)，1998（4）：91-94.