基于ALOS影像纹理特征的日光温室信息提取方法研究

摘要 日光温室为解决我国西北部地区冬季蔬菜供应问题发挥了重要作用。本文通过计算不同方向的纹理特征，采用支持向量机（SVM）提取日光温室，研究纹理方向对信息提取精度的影响。结果表明：①纹理特征能提高分类精度，但提升幅度不大。②日光温室的最佳纹理方向为45°，总精度为93.57%，Kappa系数为0.90，且最佳纹理方向与地物的主方向大致相同。

关键词 支持向量机；基于对象影像分析，ALOS影像；日光温室；纹理特征

中图分类号 TP753 文献标识码 A 文章编号 1007-5739（2016）02-0342-02

Abstract Greenhouse plays a critical role in coping with difficulties of winter shortage of vegetables in northwestern China. In this article，greenhouses were extracted on textural features by different direction，and using Support Vector Machine（SVM），in which the effects of texture direction on classification accuracy were examined. The results showed that：①texture feature could slightly improve classification accuracy.②the best texture direction for extracting greenhouse was 45 degrees，overall accuracy and Kappa reached 93.57% and 0.90，and the best texture direction was the same as the main direction of the object.

Key words Support Vector Machine；ALOS Image；greenhouses；object-based image analysis；texture feature

日光温室在中国分布广泛，自20世纪80年代以来，发展迅速，面积已超过25万km2 [1]。日光温室主要由墙体[2]（北边为后墙、东西两边为山墙、南边为前墙）、前屋面（为透明屋面，由前屋架和塑料薄膜组成）、后屋面（由后屋架、屋板、保温层和防水层组成、保温被（棉被或毡被）等构成。它在解决长期困扰我国北方地区冬季的蔬菜淡季供应、增加农民收入、节约能源、促进农业产业结构调整、带动相关产业发展等方面做出了历史性贡献。因此，利用高分辨率影像提取日光温室信息，不仅对研究其分布规律、收益预测、生产计划有巨大作用，还对管理日光温室的废弃物（绿色垃圾、塑料、玻璃、化肥等），防止破坏生态环境具有很强的社会经济意义。

传统的日光温室信息提取方法大多基于中低分辨率的遥感影像。由于影像空间分辨率较低，混合像元对分类结果影响较大，导致分类结果的可靠性和精度不高[3-4]。随着遥感影像的空间分辨率和时间分辨率不断提高，为此项研究创造了新的条件。以Agiiera为代表的一些学者采用基于像元的分类方法在高分辨率遥感影像上在一定程度上解决了日光温室精度问题[5-9]。然而基于像元的分类方法无法解决“同物异谱、异物同谱”的问题，以及无法克服“椒盐现象”，分类质量提高的程度十分有限。2000年以来，基于对象的分类方法得到快速发展并在日光温室提取方面开始得到应用。Arcidiacono等对基于像元和基于对象的影像分析方法提取日光温室进行了精度比较，证明基于对象的影像分类精度较高[10]。孟育红提出了影像分割的参数优选方案，还研究了单栋和连片日光温室的最大适宜影像空间分辨率[11]。Tarantino等综合利用航空影像的光谱特征、形状特征和纹理特征，采取最近邻法提取塑料薄膜温室[12]。Aguilar等讨论了纹理特征和高程数据对提取日光温室精度的影响，试验表明高程数据能显著提高分类精度[13]。然而，如何利用纹理特征，在高分辨率影像上有效地进行日光温室的信息提取，特别是应对干旱、半干旱地区日光温室的信息提取，仍有待探讨。本文运用基于对象的影像分析方法，采用支持向量机讨论纹理方向和光谱特征对提取日光温室精度的影响，从而找到一种提取日光温室的高效方法。

1 研究区及数据

研究区位于宁夏回族自治区中卫市（图1），地理坐标介于东经37°00′10″～37°03′35″、北纬105°08′25″～105°13′42″，面积约49.8 km2。中卫市深居内陆，远离海洋，靠近沙漠，属半干旱气候，具有典型的大陆性季风气候和沙漠气候的特点。ALOS影像包含蓝、绿、红、近红外4个空间分辨率为10 m的多光谱波段和一个空间分辨率为2.5 m的全色波段，获取时间为2010年9月10日。首先利用影像自带的RPC文件和GMTED2010数据进行正射校正，然后采用Gram-Schmidt算法获得2.5 m空间分辨率的4波段融合影像，最后进行影像裁剪得到研究区影像。

2 研究方法

2.1 多尺度分割

eCognition中的多尺度分割是将每个像元作为一个种子点，然后有根据同质性标准，把相邻的特征相似的像元或者对象进行合并，最终的分割结果能符合地理实体在现实中的表现。主要控制参数包括尺度、形状、紧凑度，不同的参数组合设置会导致不同的分割结果。本文采用Liu等提出的不一致法来评价不同参数组合的分割结果，最终确定分割参数为：40（尺度因子），0.3（形状因子），0.8（紧凑度因子）[14]。

2.2 纹理特征提取

本文在提取ALOS纹理特征时，首先对影像进行主成分分析，第一主分量贡献率为92.79%，然后分别计算第一主成分的4个方向（0°、45°、90°、135°）的灰度共生矩阵（GLCM）的统计量（均值、方差、协同性、对比度、差异性、熵、二阶矩、相关性），计算公式如下：

2.3 训练样本的选取

根据研究区影像的特点，将研究区土地利用/土地覆被类型划分为耕地、日光温室、水体、建筑用地4类，其中建筑用地包含居民地和交通用地。选取了124个具有典型性的分割对象作为训练样本，654个对象为对应层的检验样本，样本具体分布情况见表1。

2.4 纹理特征参与的SVM分类

本文采用支持向量机（SVM）作为分类器进行分类，将RBF作为核函数，本文选取libsvm3.20软件提供的参数选择模型Grid. Py（交叉验证法）确定核参数γ和惩罚因子C。即将训练样本随机分成n份，其中n-1份作为模型的训练样本，剩下的一份作为检验样本，利用检验样本来验证n-1部分数据分类结果的精度。再将选取的参数应用于eCognition 9.0软件中的SVM，实现ALOS影像的信息提取。

3 结果与分析

3.1 纹理特征对分类精度的影响

采用不同特征组合方案，得到了不同特征组合的分类精度柱状图（图2）。可以看出，纹理特征的加入小幅度提高分类精度，其中在0°和135°方向约提高3.4%，90°方向只提高了1.6%，平均提高3%左右。

3.2 纹理方向对不同地物分类精度的影像

表2为采用不同纹理方向得到的不同地物的精度。其中，日光温室的最佳纹理方向为45°，耕地的最佳纹理方向为135°，建筑用地和水体的最佳纹理方向均为0°。结论验证了地物具有方向性，不同地物在影像上主方向有所不同，且最佳纹理方向与地物的主方向大致相同。

4 结语

本文采用纹理特征参与的SVM分类方法是ALOS影像提取日光温室的快速、有效的方法。研究结果表明：①纹理特征能提高分类精度，但提升幅度不大；②日光温室的最佳纹理方向为45°，耕地的最佳纹理方向为135°，建筑用地和水体的最佳纹理方向均为0°，且最佳纹理方向与地物的主方向大致相同。

基于ALOS影像纹理特征的提取日光温室在以下几个方面还需要进一步深入研究：①本文讨论了基于影像对象纹理特征对分类精度的影响，还需讨论各纹理特征分量及不同特征分量组合对分类精度的贡献。②本文讨论了纹理方向对提取日光温室精度的影响，还需探究影响最佳纹理方向的因素，以及定量描述各因素的贡献量。

5 参考文献

[1] 李天来.我国日光温室产业发展现状与前景[J].沈阳农业大学学报，2005（2）：131-138.

[2] 毛同艳，陈学峰.高效节能日光温室的类型、结构与建造[J].中国农村小康科技，2005（7）：36-39.

[3] WARNER T.Utilizing Landsat TM Imagery to Map Greenhouses in Qingzhou，Shandong Province，China[J].Pedosphere，2004（3）：363-369.

[4] PICUNO P，TORTORA A，CAPOBIANCO R L.Analysis of plasticulture landscapes in Southern Italy through remote sensing and solid modelling techniques[J].Landscape and Urban Planning，2011，100（1）：45-56.

[5] AGERA F，AGUILAR M，AGUILAR F.Detecting greenhouse changes from QuickBird imagery on the Mediterranean coast[J].International Journal of Remote Sensing，2006，27（21）：4751-4767.

[6] AGERA F，AGUILAR F J，AGUILAR M A.Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses[J].ISPRS Journal of Photogrammetry and Remote Sensing，2008，63（6）：635-646.

[7] AGERA F，LIU J.Automatic greenhouse delineation from QuickBird and Ikonos satellite images[J].Computers and Electronics in Agriculture，2009，66（2）：191-200.

[8] CARVAJAL F，AGERA F，AGUILAR F，et al.Relationship between atmospheric corrections and training-site strategy with respect to accuracy of greenhouse detection process from very high resolution imagery[J].International Journal of Remote Sensing，2010，31（11）：2977-2994.

[9] TASDEMIR K，KOC-SAN D.Unsupervised extraction of greenhouses using WorldView-2 images[C]//Geoscience and Remote Sensing Sympo-sium（IGARSS），2014 IEEE International，2014：4914-4917.

[10] ARCIDIACONO C，PORTO S M.Classification of crop-shelter coverage by RGB aerial images：A compendium of experiences and findings[J].Journal of agricultural engineering，2010，41（3）：1-11.

[11] 孟育红.基于对象影像分析技术提取日光温室遥感信息方法研究[D].兰州：兰州大学，2012.

[12] TARANTINO E，FIGORITO B.Mapping rural areas with widespread plastic covered vineyards using true color aerial data[J].Remote Sensing，2012，4（7）：1913-1928.

[13] AGUILAR M A，BIANCONI F，AGUILAR F J，et al.Object-Based Greenhouse Classification from GeoEye-1 and WorldView-2 Stereo Imagery[J].Remote Sensing，2014，6（5）：3554-3582.

[14] LIU Y，BIAN L，MENG Y，et al.Discrepancy measures for selecting optimal combination of parameter values in object-based image analysis[J].ISPRS Journal of Photogrammetry and Remote Sensing，2012，68：144-156.