利用中空间分辨率卫星数据进行塑料大棚的检测及制图：开发一种新的光谱指数外文翻译资料

英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

利用中空间分辨率卫星数据进行塑料大棚的检测及制图：开发一种新的光谱指数

摘要：塑料温室 (PGs) 是一种重要的农业发展技术, 用于保护和控制粮食作物的生长环境。塑料温室的广泛使用可以改变农业景观, 影响当地环境。准确测绘和估算塑料温室的覆盖面积是现代农业战略规划的必然。很不幸的是，大面积的塑料温室面积估算极具难度，比如中空间分辨率卫星影像（例如Landsat数据）用于影像分析时缺乏空间细节且存在光谱变异。为了缩小这一差距，本文提出了一种基于光谱，灵敏度，可分离性分析的利用塑料温室中空间分辨率图像的新型塑料温室指数（PGI）。 在陆地卫星增强型专题绘图仪图像的背景之下，本文考察了提出的塑料温室指数的有效性和能力。结果表明，如果塑料温室部分在混合像元中大于12%，那么Landsat ETM 图像中的塑料温室可以成功被检测到。在中国山东潍坊地区应用提出的塑料温室指数达到了0.83的卡帕系数和91.2%的总准确度。这些结果表明，该指数可应用于大气校正的陆地卫星影像中对塑料温室进行清晰识别，具有进行大面积塑料温室覆盖区域数字制图的潜力。

简介：自从20世纪50年代初塑料大棚问世以来，以温室大棚为导向的农业实践已经革新了世界各地的食品业。由于温室大棚使用透明，节能的覆盖材料，因此可保护粮食作物免受不利生长条件的影响,一定意义上提高作物产量。(Takakura, 1993; Levin et al., 2007; Katan, 1981; Cantliffe, 2001; Picuno et al., 2011; Picuno, 2014).到2016年，塑料大棚在全球已经达到3.019公顷的总覆盖率，Briassoulis et al., 2016)且分布地主要在欧洲、北非、中东和中国。(Wu et al., 2016; Levin et al., 2007; Aguilar et al., 2014) 塑料大棚被认为是传统农业向工业化农业转化的过渡手段，同时促使微型控制技术利益的转变。另一方面，塑料大棚因为环境问题而备受指责，例如塑料废料，土壤污染和生物多样性破坏。(KnickelandEhrendorfer, 1999;Picunoet al., 2011)其原因在于温室大棚使用的塑料棚盖不易被自然环境分解。(Sica and Picuno, 2007; Picuno et al., 2012; Picuno, 2014). 主要用作塑料大棚覆盖膜的塑料材料在光学透明性，气密性，高反应性方面具有独特的特点。(Von Elsner et al., 2000) 这些特征改变了陆地表面与大气层之间的能量和水交换(Fig. 1b)。第一，塑料大棚顶部的塑料材料可以增加陆地表面的反射率，导致更多的太阳辐射反射回太空。(Von Elsner et al., 2000; Levin et al., 2007) 其次, 从植被和土壤中反射的太阳能量可以被塑料罩部分拦截, 减弱来自陆地表面反射的能量。第三, 塑料大棚覆盖膜是气密的。在蒸散的过程中, 这一独特的特性可以防止水蒸气逸出到外界的大气层。因此，以塑料大棚为导向的农业在缓和区域气候中起着潜在的作用。(Campra et al., 2008; Campra and Millstein, 2013) 准确地测绘和估算塑料大棚覆盖范围对区域农业的可持续发展和环境影响的预测至关重要。

遥感图像已被广泛应用于不同空间分辨率和时间频率下的土地利用绘图。近年来，使用高空间分辨率图像的塑料大棚制图（即，0.5和2m之间，Navulur，2006）已经引起越来越多的关注。

例如，Levin等人（2007）探讨了使用遥感数据监测塑料景观的可行性，文中提到，塑料材料通过现场光谱测量和高光谱AISA-ES进行图像识别。Aguuml;era等（2006）提出了使用Quickbird图像进行新的PG检测的分类方法。这种方法确定了PG提取的最佳波段组合是绿色，蓝色和近红外。之后，Aguuml;era等人（2008）使用高分辨率图像和纹理分析改进了基于像素的PG分类方法。 Koc-San（2013）评估了WorldView-2图像中不同分类技术检测玻璃和塑料PGs的性能。 Aguilar 等人（2014）提出了一种用于GeoEye-1（0.5m）和WorldView-2（0.5m）立体影像的基于对象的塑料大棚分类方法。尽管以相对有效的方式识别塑料大棚，但是它们受到高空间分辨率图像固有的几个缺陷的影响。这些缺陷包括有限的空间范围，耗时的数据处理和昂贵的数据采购。因此，诸如Landsat传感器搭载的中等空间分辨率传感器获得的卫星数据（2-30米，Navulur，2006）能作为大面积塑料大棚检测制图更为适合的仪器。这个领域的案例研究领域包括荷兰（Van der Wel，2001; Mesev等，2000），西南部东南部（Sanjuan，2004），意大利南部（Picuno等，2011）和中国（Lu et al。 ，2014）。

已知几种提出的方法能够用来改善使用中等空间分辨率图像的塑料大棚检测的严谨性。例如，最早的尝试者之一是赵等人（2004）提出了使用Landsat专题Mapper（TM）图像在中国山东省进行PG绘图的基于指数的方法（VI）。 Lu 等人（2014）提出了一种决策树分类器，用于提取透明塑料覆盖地坪（PML），在他们的工作中，提出了一个新的PLM指数（PMLI）用来

提取PML。 Aguilar 等人（2015）使用基于对象的图像分析（OBIA）和决策树技术识别塑料大棚区域。最近，吴等人（2016）在Landsat-8图像中使用基于对象的方法提取郊区塑料大棚区域。 Novelli等人（2016年）比较了Sentinel-2多光谱仪器（MSI）和Landsat-8操作用地成像仪（OLI）的温室检测性能。这些方法的基于光谱变化考虑存在一些现有的差距。 PGs的光谱信息可以随着作物生长周期的不断变化而变化。因此，使用相同的标准来识别PG包裹缺乏捕捉季节变化的灵活性，并且可能会模糊真实的像素信息。为了克服这个问题，Chen 等人 （2016年）采用Landsat-8 OLI图像，通过考虑光谱和纹理信息来进行塑料覆盖的棉田的监测制图。他们发现4月中下旬是PG检测最合适的时间段。 Aguilar等人（2016年）通过在OBIA和决策树分类的文章中组合非常高分辨率的卫星数据和多时空Landsat-8 OLI图像来解决这个问题。在他们的工作中也探讨了PG提取的瞬间距离指数（MDI）的能力。然而，现有方法只能估计像元内的PG的存在，而不能近似混合像素中的PG区域的百分比（即，PG分数）。考虑到在中等空间分辨率卫星数据中呈现的有限的空间信息，使用PG指数是对PG区域的更可靠的估计。然而，导出PG指数极具挑战性，主要是由于三个因素：（1）PG的光谱性质随时间变化，并且高度依赖于PG下的作物; （2）PG和其他人造基础设施之间的光谱和纹理特征相似（Levin 等人，2007）; （3）同一像素内不同土地覆盖层的混合使得PG检测难以处理（Aguilar等人，2014，2015; Levin 等人，2007）

最后，本文提出使用中等分辨率卫星数据（例如Landsat系列）的大规模PG盖度估算的新方法。 这种方法有两个步骤：第一，新的PG指数旨在区分PG区域与包含露天农田，土壤和人造表面（如建筑物，道路，屋顶）的背景; 第二，通过应用对数模型来估算PG指数。

2.研究区域和数据

2.1研究区

研究区 (图二) 位于中国山东省潍坊市西北部（北纬36°40rsquo;30”和东经118°41rsquo;50”）。地处农村, 毗邻长乐、青州、寿光、临朐和潍坊 (无花果二)。这一地区受温和的季风气候影响, 其特点是夏季炎热多雨适合农业生产，其他季节相对不利于耕作。因此, 塑料大棚在过去几十年中变得非常普遍, 占总耕作面积的20%。根据我们的土地调查, 透明塑料是这一地区塑料大棚顶部最广泛使用的材料。塑料大棚下农作物的高速生长期是三月到五月。

2.2．Landsat图像和预处理

两幅陆地卫星的增强型专题绘图仪获取的影像被收集用于开发和验证塑料大棚指数。（路径/行：121/34和35，采集日期：2012年4月17日）使用完整的遥感图像处理平台和遥感开发二次语言（ENVI IDL）软件中的FLAASH模块进行辐射校准和大气校正。该预处理步骤消除了大气效应，并将遥感影像像元亮度值（DN）转换为表面反射。采用邻域相似像素内插（NSPI）方法（Chenet al，2011）对Landsat ETM 图像进行了Landsat扫描行校正（SLC）的分析。然后根据面边界从这些ETM 图像中提取了研究区域。

2.3． 高空间分辨率数据

收集了以样本塑料大棚区域（Landsat ETM 168〜168个像元，图2C）为特征的Quickbird-2全色图像（空间分辨率：0.6m，图2d，采集日期：2012年4月17日）作为塑料大棚部分的参考。该样本区域不受SLC间隙的影响。Landsat ETM 和Quickbird图像之间的地图配准在具有35个地面控制点（GCP）的ENVI软件中完成。最终的配准误差小于两个由其他40个独立GCP评估的Quickbird像元（即1.2m）。之后，塑料大棚区域由经验丰富的人员目视解译并进行双重检查，以确保高精确度（图2e，被认为是实际的塑料大棚区域）。然后通过导出Landsat像元中实际PG区域的百分比来生成Landsat PG盖度分布图（30m，图2f）。因此，具有参考PG分数gt; 0的Landsat像素被标记为“塑料大棚”（红色颜料图2g）;具有参考PG分数= 0的像素被标记为“非塑料大棚”。对于没有塑料大棚区域，将监督支持向量机（SVM）分类应用于“地图”图像，将其分类为图像（如图2g所示），包括开阔的农田，人造表面，裸露的土壤和水。我们通过参考Quickbird图像来仔细检查和修改错误分类。对于使用Quickbird图像中的500像元评估的每个类别，总体准确度超过90％。

3. 方法论

3.1塑料大棚的光谱特征

识别PG的光谱特征对于开发合理的塑料大棚指数至关重要。在本研究中，典型土地覆盖类型的基于像素的光谱曲线从Landsat ETM 图像中通过手动方式进行提取（图2d）。由于样地面积在土地利用中相对均匀，我们共采样了160个Landsat像素。这些样本包括八个类别的20个像素：五个部分覆盖的PG像素（约30％，50％，70％，90％PG与露天农田，90％PGs结合土壤，基于PG分数图）三个非PG类别（露天农田，土壤和人造表面，基于高分辨率Quickbird图像）。得出每个类别的平均谱（图3）和方差（表1）。应该指出的是，不考虑进一步区分作物类型，土壤类型和人造表面的二级类别，因为这种类型很难从大地山脉的图像中获得。

如图3所示，由PGs覆盖的部分像素（图3中的红色曲线）具有比露天农田更高的反射率（图3中的绿色曲线）。当像素的塑料大棚部分增加时，其反射率成比例地增加。这种效应表明PG覆盖在整个光谱范围内增强了表面反射率。作物收割后，没有生长作物的几个像素含有约10％的土壤和90％的塑料大棚（图3中的土壤PG（90％））。这些像素比土壤地（图3中的土壤）具有略高的反射率，但类似于人造表面（图3中的人造地物）。根据这一结果，建议在生长季节的时间内提取塑料大棚像素，因为此时PG像素与作物和人造表面更容易区分。

3.2塑料大棚光谱的灵敏度分析

Landsat样图像具有有限的空间分辨率并且包含大量的混合像元（Cracknell，1998; Chen et al。，2009）。混合像元由多个土地覆盖类型组成，这些土地覆盖层的比例决定了混合像元的独特光谱特征。因此，知道每个波长带对塑料大棚区域的灵敏度对于确定塑料大棚检测的标准是至关重要的。在本研究中，我们将Landsat EMT 数据（图2C）与塑料大棚分布图（图2f）相结合进行灵敏度分析。图4显示了每个Landsat EMT 波段的结果：蓝色（band1,0.45-0.515mm），绿色（band2,0.525-0.605mm），红色（band3,0.63-0.690mm），近红外（NIR，band4 ，0.75-0.90mm），短波红外线1（SW1，band5,1.55-1.75mm）和短波红外线2（SW2，band7,2.09-2.35mm）。结果表明，每个波段的反射率与塑料大棚区域呈线性关系。蓝色和绿色波段相对敏感（回归斜率分别为0.1309和0.1302），其次是近红外和红色波段（回归斜率分别为0.1214和0.12）。基于这些证据，这四个波段用于开发塑料大棚指数。如图。 4g描述，NIR和红色（NIR-red）之间的差异随塑料大棚区域的增加而没有显着变化。另一方面，归一化差异植被指数（NDVI，Rouse，1974）与塑料大棚区域呈负相关（图4h）。该结果表明，与NDVI相比，NIR-red较少受塑料大棚区域的影响，可以更好地用于设计指数。 剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26528]，资料为PDF文档或Word文档，PDF文档可免费转换为Word