太湖流域果树提取的光谱和纹理特征选择研究

准确获取果树的空间种植分布信息,对于开展果树长势监测、产量估算等具有重要意义。为提取太湖流域金庭镇果树的空间分布,本研究以冬夏时期的两景高分二号（GF-2）遥感影像为数据源,利用归一化植被指数（NDVI）和归一化水体指数（NDWI）结合纹理特征构建了基于光谱指数和纹理特征的决策树模型,提取了金庭镇2017年果树的空间分布信息。通过分析研究区各地类的光谱曲线发现,植被与非植被区分明显,但果树与茶树的光谱存在混淆。GF-2影像包含丰富的纹理信息,果树与茶树在GF-2影像上纹理特征明显,易于区分。纹理可作为果树提取的重要特征。为了确定最佳纹理窗口的大小,研究中提出了累计差（Δf）的方法。通过比较每一个纹理变量在15种不同尺度窗口（3×3,5×5,7×7,9×9,11×11,13×13,15×15,17×17,19×19,21×21,23×23,25×25,27×27,29×29,31×31）下的Δf,确定了最佳纹理窗口为15×15。在最佳纹理窗口下根据累计差选取了5大纹理组合：均值（mean）、方差（variance）、对比度（contrast）、信息熵（entropy）和相关性（correlation）。研究结果表明基于光谱指数NDVI和NDWI结合纹理特征构建的决策树模型可有效区分果树与茶树。累计差的方法能够快速确定最佳纹理窗口和纹理组合。提取结果说明果树分布于金庭镇的各个位置,主要分布在平原区,种植比较整齐,南部种植面积多于北部。本研究果树的提取精度为95.23%,模型总体分类精度为89.57%,Kappa系数为89.00%,果树的生产精度为90.00%,用户精度为87.30%。与单一光谱、纹理模型相比,本文模型总体分类精度更高,精度分别提升了10.65%和12.04%。该方法能够适用于大区域果树的遥感提取,可为亚米级遥感影像研究果树的纹理特征提供重要参考和借鉴价值。此外,文中提出的累计差可为选取最佳纹理窗口提供一种新的思路。