关中平原耕地RS影像精准提取方法研究

摘 要：【目的】高效获取大面积耕地影像分布数据，助力关中平原地区耕地保护动态监测和管理。【方法】以陕西省西安市临潼区为研究区，基于SNAP平台和ENVI处理软件，使用监督分类中的最大似然分类法对哨兵二号高分辨率遥感影像耕地RS（Remote Sensing）遥感数据进行识别提取，获取耕地空间分布及面积等地理信息。【结果】提取耕地总面积为411.57 km2，主要分布于临潼区北部相桥、交口、栋阳等街道及中东部何寨、零口街道等平缓地区，与官方统计面积相近，误差仅为0.92%，提取总体分类精度为96.07%，Kappa系数为0.94，符合精度要求。【结论】通过最大似然分类法提取耕地结果与实际数据较为贴合，证明最大似然分类法在实际耕地地类识别检测应用中有着较高的匹配度，可以较为精准地实现土地利用类型识别。

关键词：最大似然分类法；Sentinel-2高分遥感影像；耕地；ENVI

中图分类号：TP753" " "文献标志码：A" " "文章编号：1003-5168（2024）09-0096-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.09.020

Research on Accurate Extraction Method of RS Image of Cultivated Land in Guanzhong Plain

XU Qinghao" "ZHOU Haohao

（School of Land Engineering， Chang'an University， Xi'an 710061，China）

Abstract： [Purposes] This paper aims to assist in the dynamic monitoring and management of farmland protection in the Guanzhong Plain region， and efficiently obtain large-scale farmland image distribution data. [Methods] Taking Lintong District， Xi'an City， Shaanxi Province as the research area， and based on the SNAP platform and ENVI processing software， the maximum likelihood classification method in supervised classification is used to identify and extract the remote sensing data of remote sensing imagery of Sentinel 2's high-resolution farmland RS （Remote Sensing）， and obtain geographic information such as spatial distribution and area of farmland. [Findings] The total area of cultivated land extracted is 411.57 square kilometers， mainly distributed in the northern part of Lintong District， including Xiangqiao， Jiaokou， Dongyang and other streets， as well as in the gentle areas of Hezhai and Lingkou streets in the central and eastern parts. It is similar to the official statistical area， with an error of only 0.92%. The overall classification accuracy of the extraction is 96.15%， and the Kappa coefficient is 0.94， which meets the accuracy requirements. [Conclusions] The maximum likelihood classification method is more suitable for extracting cultivated land results and actual data， which proves that the maximum likelihood classification method has a high matching degree in the recognition and detection of actual cultivated land types， and can accurately achieve land use type recognition.

Keywords： maximum likelihood classification; Sentinel-2 high-resolution remote sensing images; cultivated land; ENVI

0 引言

耕地是人类赖以生存和发展的基础性资源，是粮食安全和生态安全的基石。我国是耕地总面积世界第三的粮食大国，耕地现状为耕地总量大，人均耕地数量少；高质量耕地少，可开发的后备耕地资源少。由于我国国土辽阔、地形复杂多样，在开展耕地保护利用过程中，工作内容复杂、难度大。当下全国大部分地区的耕地信息提取工作主要方式仍是通过传统的实地调研、逐级汇总上报，进行统计［1］，不仅调查范围有限，而且耗费大量人力物力。通过遥感技术高效获取大面积耕地影像分布数据，有助于降低土地资源监测管理工作难度，提升土地信息数据库的准确性。

国内外学者对遥感识别进行了大量的研究。张峰等［2］基于多光谱卫星影像的空间纹理特征，按区域对TM影像进行分割，采用模糊函数的方法对选取的识别特征进行定义，耕地提取精度达到90%；邓劲松等［3］添加植被指数作为新波段，使用决策树模型提取SPOT5卫星影像中的耕地信息，对耕地中的旱地和水田进行进一步划分，同时减小了园地对识别结果的干扰；舒炜等［4］对QuickBird影像进行分析，采用光谱阈值法进行耕地信息的提取；吴卓蕾等［5］分析“北京一号”卫星数据的波段特征，计算6种典型的植被指数，利用Erdas进行耕地提取；吴及［6］基于1990—2010年Landsat4-5TM卫星遥感数据，采用最大似然分类法提取三峡库区4种土地利用类型面积，利用灰色关联模型分析各土地类型变化驱动力；孙坤等［7］比较了监督分类6种分类方法的分类精度，发现最大似然分类法具有较高精度，分类效果更好。

本研究以西安市临潼区为例，基于ENVI（The Environment for Visualizing Images）遥感图像处理平台，采用最大似然分类法针对关中平原现状耕地利用进行遥感识别，为耕地遥感监测识别提供参考。

1 研究区概况与数据来源

1.1 研究区概况

临潼区隶属于陕西省西安市，地处关中平原东部，位于东经109°05′49″E～109°27′50″E，北纬34°16′49″N～34°44′11″N，地处大陆性温带季风气候区，总面积为915 km2 ，耕地实际占地面积为420 km2，约占全区总面积的45.90%。是关中地区重要的粮食生产基地。

1.2 数据来源

高分辨率卫星影像是研究的基础，本研究使用欧洲航空局（ESA）官方网站下载的哨兵二号（Sentinel-2）光学卫星影像为数据源。哨兵二号是高分辨率多光谱成像卫星，搭载多光谱成像仪（MSI），覆盖13个工作波段，图像采集时间分辨率是每颗卫星10天，具有较高的时效性和准确性。

1.3 数据预处理

图像预处理是遥感图像处理工程中非常重要的环节。本研究使用哨兵数据应用平台SNAP（Sentinel Applications Platform）对哨兵二号数据进行预处理。SNAP是由欧洲航空局官方提供的所有Sentinel-2工具箱的基础平台，功能全面，具有可扩展性、可移植性和模块化界面。通过SNAP软件对Sentinel-2数据进行重采样，将波段重新采集至10 m×10 m的空间分辨率。

使用SNAP重采样处理后的ENVI格式数据内容波段文件多且复杂，采用遥感处理软件ENVI5.3进行哨兵二号数据真彩色影像的合成，最终得到经过图像几何校正、图像裁剪等预处理过后的高分遥感影像。

2 影像提取方法

2.1 定义训练样本

训练样本即ROI（Region of Interest），也是对遥感影像进行分类的前期准备，训练样本的定义主要依靠人工目视解译，通过构建点、线、面等空间矢量形状。同时ROI也是按掩膜提取遥感影像、分析处理影像信息等相关操作的重要工具，ROI建立流程如图1所示。

对于选取的训练样本，通过分析Jeffries-Matusita距离参数评价训练样本分离性的差异程度，计算公式为式（1）。

[Jmn=xp（x/m）−p（x/n）2dx12]" " "（1）

式中：[Jmn]指每组样本区的 J-M距离；[pxm]指在每组ROI中任意像元x出现在m类中的概率； [pxn]表示所选样本区内任意像元x出现在n类中的概率。

根据式（1）计算任意两类样本的Jeffries-Matusita（J-M）距离参数，衡量选取ROI检验各区的分离性［8］，确定两个类别间的差异性程度。J-M距离的取值范围是［0，2］［9］，0表示两个类别在某一特征上几乎完全混淆，2表示两个类别在某一特征上能够完全分开。

2.2 最大似然分类法

卫星遥感影像具有辐射面广、信息更新速度快等特性，已广泛应用于地类识别与地物提取等方面的研究。随着传感器技术的提高，遥感影像的空间与时间分辨率也得到提升，分类算法不断涌现。基于遥感影像的监督分类是现在主流的分类方法，主要包括平行六面体法、最小距离法、马氏距离法、最大似然法和支持向量机等［10］。最大似然法通过假设卫星影像的每一个波段的每一类统计都呈正态分布［11］，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中，其主要原理为贝叶斯公式，见式（2）。

[gix=Pwi|x=Px|wiPwi|Px] （2）

式中：[gix]为最大似然分类结果函数；[Pwi|x]为像元类别判定属于[wi]的概率；[Px|wi]为像元[x]的似然概率；[Pwi]表示[wi]这一类别中出现像元[x]的概率；[Px] 为变量[x]与样本类别相互之间没有联系的情况出现的概率。该公式常用来表示不同土地利用类别之间的判定中的非线性函数集的非线性判别。

2.3 精度评价

执行完监督分类后，需要结合实际对分类结果进行精度评价。ENVI平台提供了多种评价方法，包括分类结果叠加、混淆矩阵和ROC曲线等。本研究选取混淆矩阵评价分类结果精度，使用Confusion Matrix工具将分类结果的精度显示到一个混淆矩阵中，以此来比较分类结果和地表真实信息。在输出的混淆矩阵结果信息中，包含了总体分类精度、 Kappa系数、混淆矩阵、错分误差、漏分误差、制图精度及用户精度。

其中，总体分类精度代表被正确分类的像元占像元总数的比重；Kappa系数是指把所有真实参考的像元总数[M]乘以混淆矩阵对角线的和[Xii]，再减去其中一类中真实参考像元数[Xi+]与该类中被分类像元总数[X+i]之积之后，再除以像元总数[M]的平方减去某一类中真实参考像元总数[Xi+]与该类中被分类像元总数[X+i]之积对所有类别求和的结果[12]，计算公式为式（3）。

[Kappa=M×i=1nXii−i=1nXi+×X+iM2−i=1nXi+×X+i] （3）

错分误差是指像元被分到某一类其原本不属于的类别中；漏分误差指没有被分类器分到相应类别中的像元数；用户精度是指正确分到某类的像元总数与分类器将整个图像的像元分为该类的像元总数比率。

3 区域示例

按照上述研究方法，通过设置时间、云量等参数，自欧航局网站获取成像时间为2022年6月27日，云层覆盖度较低的Level-A产品数据，经SNAP软件重采样后空间分辨率为10 m。经预处理后的研究区原始影像如图2所示。

3.1 样本提取

本研究将地类样本划分为耕地、草地、林地、水体、建设用地和未利用地等6类样本数据。通过人工目视解译判读结合实地核实获得各个分类的样本数据。

各样本分离度评价见表1。由表1可知，各样本的分离度均大于1.8，属于样本分可分离性好、差异性明显。耕地与草地、耕地与林地、耕地与水体、耕地与建设用地及耕地与未利用地的样本分离度都达到了1.9以上，属于特征明显的合格样本。

3.2 分类结果

基于划分的6种土地利用类型，通过研究方法中的最大似然分类法使其可视化，得到临潼区6类土地利用类型分布情况。去除草地、林地等其他5种土地利用类型后，清晰展示了耕地的分布情况，如图3所示，耕地在临潼区的主要分布位于其北部及中东部平缓地区，与当地实际情况符合。

对使用最大似然法获得的分类结果进行统计，总计提取耕地像元总数为4 701 633个，占全域总像元数的44.98%，与临潼区实际耕地面积占比相差仅为0.92%，统计结果见表2。

基于ENVI平台，使用Confusion Matrix工具将分类精度以混淆矩阵的结果呈现，混淆矩阵如图4所示。总体分类精度达96.07%，Kappa系数为0.94，表示分类结果前后几乎完全一致，样本分类结果精度显著，耕地错分误差及漏分误差都在0.08以下，生产者精度与用户精度达0.95以上，分类结果精度较高。

4 结论

本研究针对关中平原区内的陕西省西安市临潼区，使用当下所广泛使用的最大似然分类法，在哨兵二号高分辨率遥感影像的基础上，实现了对关中重要粮食生产区——临潼区耕地的空间分布的快速、准确获取。遥感提取统计该地区耕地总面积为411.57 km2，与官方统计面积相近，误差仅为0.92%，总分类精度为0.96，Kappa系数为0.94，证明分类结果准确性高、可靠性强。

本研究尝试建立快速、简单、操作性强的耕地识别提取方法，基于哨兵二号卫星遥感影像，构建最大似然分类模型，从而证明最大似然分类法在实际耕地地类识别检测应用中有着较高的匹配度，可以较为精准地实现土地利用类型识别。

参考文献：

［1］左宪禹，韩林果，葛强，等.基于GF-1卫星的县域冬小麦面积提取及年际变化监测［J］.河南大学学报（自然科学版），2019，49（1）：69-77.

［2］张峰，吴炳方，黄慧萍，等.泰国水稻种植区耕地信息提取研究［J］.自然资源学报，2003（6）：766-772，784.

［3］邓劲松，王珂，沈掌泉，等.基于特征波段的SPOT-5卫星影像耕地信息自动提取的方法研究［J］.农业工程学报，2004（6）：145-148.

［4］舒炜，邓小菲.基于QuickBird影像耕地信息提取方法研究：以绵阳市游仙区为例［J］.绵阳师范学院学报，2008（11）：115-120.

［5］吴卓蕾，李伟建，曾永年，等.植被指数在“北京一号”数据耕地提取中的应用研究［J］.测绘科学，2008（2）：98-100.

［6］吴及.三峡工程对库区土地利用变化的影响研究：基于1990—2010年库区遥感影像［J］.海河水利，2020（1）：30-36.

［7］孙坤，鲁铁定.监督分类方法在遥感影像分类处理中的比较［J］.江西科学，2017，35（3）：367-371，468.

［8］金兴，祝新友，王晨昇，等.“高分一号”卫星数据遥感影像分类方法研究：以内蒙古维拉斯托地区为例［J］.矿产勘查，2017，8（6）：1069-1078.

［9］张佳琪. 基于多源卫星遥感的昌吉市棉花种植面积信息提取研究［D］.新疆：新疆农业大学，2017.

［10］ZHANG K，XI W J，ZHU Z B. Comparison of accuracy of different supervised classification methods based on landsat8 images ［J］.Geographical Science Research，2020，9（3）：156-165.

［11］童威.基于ENVI的遥感影像监督分类方法的研究［J］.科技创新与应用，2019（23）：6-9.

［12］唐廷元，付波霖，何素云，等.基于GF-1和Sentinel-1A的漓江流域典型地物信息提取［J］.遥感技术与应用，2020，35（2）：448-457.