面向对象多层次多尺度分割的农用大棚类型信息提取

Information extraction of agricultural greenhouses types based on object-oriented multi-level multi-scale segmentation

摘要

为对不同农用大棚类型信息进行识别分类和精细化提取，以内蒙古河套灌区不同大棚类型为研究对象，基于Sentinel-2A卫星数据，采用面向对象结合多层多尺度分割技术和阈值分类方法，对大棚类型信息进行提取并对最终提取结果展开精度评价和分析研究。首先利用尺度参数估计（Estimation of Scale Parameter2， ESP2）方法进行了分层分割并优选出最佳分割尺度，在各层最优分割尺度上进行光谱、指数、几何、纹理等特征的提取与优化，获取最优特征组合；然后运用多层多尺度分割阈值分类方法提取不同大棚类型信息。结果表明不同大棚类型信息总体精度达94.8%，kappa系数达0.93。其中：塑料大棚的制图精度和用户精度分别为95.3%和96.6%；单屋面温室大棚制图精度和用户精度分别为88.5%和92.6%。基于多层多尺度分割分类的信息提取方法分别考虑了不同地物最优分割尺度，在不同地物各自的最优分割尺度上提取其信息，以抑制过度分割或亚分割现象，从而降低错分或漏分。因此，高分辨率卫星数据与面向对象多层多尺度分割分类的信息提取方法能够有效提高大棚类型信息提取精度，且能为地物信息精细提取技术体系提供一定参考思路。

Abstract

In order to refine the extraction and identification and classification of different agricultural shed types， this study takes different shed types in Hetao Irrigation District of Inner Mongolia as the research object， and based on Sentinel-2A satellite data， adopts object-oriented combined with multi-layer and multi-scale segmentation technology and threshold classification method to extract information on shed types and carry out accuracy evaluation and analysis research on the final extraction results. Firstly， the Estimation of Scale Parameter2 （ESP2） method is used to perform hierarchical segmentation and the optimal segmentation scales were obtained for different levels. Then， the spectral features， indices feature， geometric features and the textural features were extracted and optimized on the optimal segmentation scale to obtain the optimal feature combination. A threshold classification method of multi-level multi scale segmentation methodology was developed to map the different types of greenhouses. The results indicated that the overall accuracy of mapping different types of greenhouses achieved 94.8%， and the Kappa coefficient was 0.93. The producer’s and user’s accuracy of plastic greenhouse were 95.3% and 96.6%， respectively. While， the producer’s and user’s accuracy of single roof greenhouse were 88.5% and 92.6%， respectively. The object-oriented multi-level multi-scale segmentation methodology for mapping different types of greenhouses considers the different optimal segmentation scales of different ground objects at different levels respectively， therefore this method can suppress the over-segmentation or sub-segmentation problems and reduce the misclassification/missing ratio. Therefore， the combination of the high-resolution satellite data with object-oriented multi-level multi-scale segmentation method mapping different types of greenhouses can effectively improve the mapping accuracy and provide a certain reference for the technical system for precious mapping of ground object distribution.

Graphical abstract

关键词

大棚类型 / 精细提取 / Sentinel-2A卫星数据 / 面向对象影像分析 / 多层多尺度分割分类

Key words

greenhouses types / precious mapping / Sentinel-2 satellite data / object-based image analysis / multi-level multi-scale segmentation

农用大棚因其具有增温、保墒、改善土壤条件以及促进农作物生长的特点而得到广泛应用^[1]。截至2019年底，我国农用大棚占地面积已经突破410×10⁴ hm^2[2]，位居世界首位^[3]。然而，农用大棚占地面积的扩张对环境造成了不少负面影响，如土壤退化^[4]、生态平衡受影响^[5]以及环境污染^[6-9]等。此外，还会导致农田景观向集约化转变^[10]，进而影响了生态系统的构成以及功能^[5]。农用大棚种类繁多，由于使用材质、结构以及塑料覆盖面积的不同，对农业生产、地气能量平衡以及塑料污染程度产生不同影响。因此，精确获取大棚类型信息至关重要。

通过实地调查获取大棚信息不仅费时、费力、费钱、时效性差，而且很难在大尺度上获取或更新大棚空间分布数据。因此，已有研究尝试应用遥感技术来获取大棚信息，并取得了良好进展。目前大棚信息遥感提取方法可分为基于像元和面向对象2种。采用基于像元尺度的最大似然^［11］、人工神经网络^［12］、决策树^［5］、支持向量机^［13］和随机森林^［14］等监督分类进行大棚信息提取，信息提取精度基本都能达80%以上，充分证明了遥感技术在大棚信息提取中的作用和优势。然而，这些方法通常受到光谱阈值和物候特征的影响，也容易与建筑物产生混淆，因此，为了解决这些问题，基于高空间分辨率光学卫星数据（高分二号图像）提出一种稳定性和普适性兼优的双系数植被筛分指数、高密度植被抑制指数和归一化植被指数（Normalized Difference Vegetation Index， NDVI）3步合成塑料大棚制图方法，进行大棚分类并分析，结果发现：总体精度达97.34%；塑料大棚精度达95.2%^［15］。随着遥感技术的快速发展，高及超分辨率遥感数据不断问世，能够提供更多空间结构细节信息，为提高地物信息提取精度提供了新的可能。然而，基于像元的方法并不能够充分发挥高分辨率影像的空间结构信息的优势，很难避免“同物异谱”“异物同谱”的现象，导致信息提取结果出现“胡椒效应”^［16］。Arcidiacono等^［17］和Wu等^［10］研究指出由于面向对象的分类方法能够同时考虑光谱、几何、空间结构等多源特征，在大棚信息提取上表现优于基于像元分类方法能够有效提高大棚信息提取精度。然而，影像分类中对象特征参与数量并不是越多精度越高，为此，已有研究展开了特征优选研究力求对多源特征进行降维处理，以提高大棚信息提取精度^［18-19］。虽然上述基于塑料大棚的监督分类方法都能取得较理想的结果，但是高度依赖于样本数据，且运行时间较长。为此，Aguilar等^［20-21］提出利用高分辨率WorldView-2影像进行分割获取对象，在此基础上，利用中分辨率Landsat-8影像时序特征，构建决策树方法，从而有效获取大棚空间分布。此外，也有采用多时相影像数据进行温室提取研究，发现单期影像在了解其时空动态方面受到了限制^［22］。

综上，目前大部分研究主要集中在塑料大棚信息的提取上，尚缺乏对不同大棚类型信息的精细提取方法研究。近年来随着高分辨率卫星，像高分系列、Sentinel系列等卫星的逐步发射，为土地分类研究提供了更多空间结构细节信息，对提高地物信息提取精度提供了新的依据。然而，单一尺度的面向对象分类，忽略了各类地物不存在普适性的分割尺度问题，而多层次分类则能够弥补该缺点，达到进一步提高分类精度的要求^［23-24］。因此，本研究拟以河套灌区不同大棚类型为研究对象，基于Sentinel-2A卫星数据，通过运用面向对象的多层多尺度分割分类方法，提取内蒙古河套灌区不同大棚类型信息，并对其进行精细化识别和分类，以期提高不同农用大棚类型的遥感识别精度，为农业大棚二级分类提供新思路，并为研究区未来农用大棚布局监控及规划管理提供技术方法。

1　研究区与数据来源

1.1　研究区概况

研究区位于内蒙古河套灌区，地理坐标经纬度范围为40°19′~41°18′N， 106°20′~109°09′E（图1）。土地总面积约为119×10⁴ hm^{2 ［25］}，是我国三大灌区之一，也是国家和内蒙古重要的商品粮油生产基地。河套灌区属于典型的寒旱地区，平均年降水量为159.8 mm，年蒸发量约为2 200 mm^［26］；灌区地形平坦，坡度在0.13%~0.20%，海拔高度1 007~1 050 m^［27］。河套灌区地物类型复杂且不同类型大棚（塑料大棚、单屋面温室大棚）分散分布，采用大棚种植的主要作物包括西瓜、华莱士、薄皮甜瓜、灯笼红瓜、黄柿子和番茄等。

1.2　数据获取及处理

1.2.1　遥感数据获取和处理

大棚的影像反射率会随着棚内作物生长而发生显著变化，出苗前大棚的影像反射率呈现土壤的特征，出苗后棚内作物植被覆盖度越高反射率越接近植被的特征。因此根据农田和大棚作物的物候特征结合高时-空-谱分辨率Sentinel-2卫星过境时间及影像质量，选择在2018年5月17日影像数据上提取大棚类型信息。此时间段的农田作物除小麦（小麦处于生长状态）以外处于刚种植时期，因此无论哪个类型大棚，此时棚内作物正生长旺盛，是提取大棚类型信息的最佳时间窗口。对Sentinel-2数据进行10 m重采样、波段组合、镶嵌、裁剪、去云等预处理。

1.2.2　样本数据采集

结合实地调查和Google Earth高分辨率影像目视解译，对研究区塑料大棚、单屋面温室大棚、覆膜-灌水农田、覆膜-未灌水农田、植被、水体、建设用地和未利用地等8种主要地物进行样本数据采集。具体地物类型与对应的影像特征如表1所示。共选取4 800个样本。其中：确定阈值样本为2 400，每个地物各300；验证样本为2 400，每个地物各300。

2　研究方法与技术路线

本研究针对土地覆盖类型多样区域不存在普适性的分割尺度问题，运用多层多尺度分类方法，实现多个目标地物同时精细提取。具体技术路线详见图2。首先，根据Sentinel-2A原始数据获得研究区每个地物的最佳分割尺度并进行分层分割，构成具有继承和被继承关系的多个对象层；每个层由不同数量、不同形状的多边形对象组成，而被继承对象层（上层）中的对象是由其相对应的继承对象层（下层）中的部分对象组成。面向对象多层多尺度分割结构见图3。可知：各对象层中的长方形代表该层中不同的对象，每个长方形上的点与另一个长方形上的点连在一起代表2种对象存在某种关联（在同一层中代表对象与对象之间存在横向关联，不同层次之间存在纵向关联）；对象层4中的不同颜色的圆点代表不同的目标提取地物。其次，在各层最优分割尺度上进行光谱、指数、几何、纹理等特征的提取与优化，获取最优特征组合提高分类精度。在此基础上，根据样本计算出各地物类型最优特征值的阈值范围并进行分类。最后，将提取的分类结果进行精度验证和空间分布分析。

2.1　影像分割尺度参数确定

影像分割是面向对象分析方法的关键步骤，分割优劣直接影响地物信息提取精度。众多分割方法中多尺度分割算法是影像分割最常用的方法^［28］。多尺度分割需要3个重要参数：分割参数（Scale Parameter）、形状因子（Shape）和紧致度因子（Compactness）。最优分割参数的选择常常通过分割参数的不断调整和分割效果的目视判断来实现，但该方法明显受人为主观影响。为此，已有研究发展了最优分割尺度参数评价工具（Estimation of Scale Parameter2， ESP2）。ESP2是通过统计影像同质性的局部方差（Local Variance， LV）以及其变化率（Rate of Change， ROC）来确定最优分割尺度。当ROC呈现峰值时，相对应的分割尺度是某种地物的最优分割尺度^［29］。即ESP2工具初步给出分割尺度评价，再进行反复测试来确定感兴趣地物的最优分割尺度。为探究不同大棚类型信息精细提取最优分割尺度参数，以Sentinel-2原始波段为基础数据，经过反复训练设定分割尺度取值范围为［60~160］，以步长1进行递增。变化率\mathrm{R}\mathrm{O}\mathrm{C}的计算公式如下：

\mathrm{R}\mathrm{O}\mathrm{C}=\frac{L_{i+\mathrm{1}}-L_i}{L_i}\times \mathrm{100}\mathrm{\%}(1)

式中：L_i\mathrm{为第}i\mathrm{层对}\mathrm{象的}\mathrm{平均}\mathrm{标准}\mathrm{差};L_{i+\mathrm{1}}为第i+\mathrm{1}层对象的平均标准差。

基于以上工作确定不同地物的最优分割尺度，按尺度由大到小的顺序依次进行分层分割。从而进行多层多尺度分割分类。

2.2　初始特征构建及优化

为了在特征层面扩大地物之间的可分离性，本研究综合光谱特征（均值波段、亮度和光谱最大差分）、指数特征，包括归一化植被指数、归一化水体指数（Normalized Difference Water Index， NDWI）、建筑物指数（Normalized Difference Building Index， BAI）、几何特征（长宽比、形状指数和不对称性）和纹理特征（灰度共生矩阵产生的平均值、标准差、同质性、对比度、异质性、熵、二阶矩和相关性的0°、45°、90° 、135° 4个方向），构建包含 52 个特征的初始特征变量（表2）。

在此基础上，利用eCognition软件特征空间优化功能进行样本可分离性计算，并得出最适合分类的特征组合，评价指标为最佳分离距离度量^［30］，地物特征可分离度计算公式如下：

D=\sqrt[]{{{\sum }_{\mathrm{f}\mathrm{i}}\left[\frac{\mathrm{v}\mathrm{f}{\mathrm{i}}^{\left(s\right)}-\mathrm{v}\mathrm{f}{\mathrm{i}}^{\left(o\right)}}{\mathrm{Q}\mathrm{f}\mathrm{i}}\right]}^{\mathrm{2}}}(2)

式中：\mathrm{f}\mathrm{i}为特征空间的第i个特征；\mathrm{v}\mathrm{f}{\mathrm{i}}^{\left(s\right)}为训练样本s在特征i上的特征值；\mathrm{v}\mathrm{f}{\mathrm{i}}^{\left(o\right)}为训练样本o在特征i上的特征值；\mathrm{Q}\mathrm{f}\mathrm{i}为特征空间内所有影像地块特征\mathrm{f}\mathrm{i}的标准差。

2.3　面向对象阈值分类方法

为了同时提取不同大棚类型信息，在构建分割层的基础上分析样本数据构建一个阈值分类规则。阈值分类^［31］，是依据遥感影像中目标地物与其他地物的特征信息差异，选择相应的阈值进行分类操作，该方法的关键在于确定最佳的阈值规则。阈值分类方法的优点在于只要找到阈值范围就可以进行相应的分类，处理过程较快且效率高。缺点是该方法的分类精度不高，容易产生分类错误现象，主要原因是该方法以一个特定的阈值对遥感影像进行分类处理，而这个特定的阈值不易确定。然而，为了提高特征阈值的准确性，本研究利用箱型图计算方法分析样本数据。从而实现不同层次下相应地物的分类。最终通过层次对象语义关系实现对前面层地物类别信息的继承，形成完整的分类结果图。

2.4　不同分类方法的精度对比

为了验证面向对象多层多尺度分割分类方法对提取大棚类型信息的优势，利用基于像元的支持向量机算法和面向对象的随机森林算法进行对比，比较不同算法的适用性。得到3种分类器的分类结果后，再利用影像分类中常用的精度检验方法混淆矩阵法^［32］进行不同大棚类型信息提取精度评价，主要评价指标包括用户精度（User Accuracy， UA）、制图精度（Producer Accuracy， PA）、总体分类精度（Overall Accuracy， OA）和Kappa系数。

3　结果与分析

3.1　地物光谱特征分析

不同地物类型光谱反射特征是构建大棚类型信息精细提取方法的基础，选择8种地物类型，并进行分析，结果见图4。可见：塑料大棚在5~11波段明显高于单屋面温室大棚，2种大棚在该波段具有可分离性；单屋面温室大棚和建设用地在结构特点上具有相似性，导致它的光谱反射率曲线趋势相同，尽管其在6~11波段存在微小差异，但也会增加2种地物在提取过程中相互混淆的可能。

3.2　各地物最优分割参数确定

利用ESP2对研究区各地物尺度进行初步评价，当影像同质性的变化率（ROC）值曲线出现峰值时，表明该尺度可能为某地物最优分割尺度，结果见图5。可见：ROC曲线共有11个峰值（分别是61、66、76、87、97、107、124、132、142、147、158），这11个峰值对应研究区不同地物的最优分割尺度。经过反复尝试，最终从11个峰值中获得了研究区8种类型地物的最优分割尺度参数，根据选定尺度从大到小构建了具有4个层次的多尺度影像分割参数具体见表3。可见：研究区未利用地因分布面积大，在60~160存在过度分割问题，因此选取了较大尺度400为分割参数；水体和覆膜-灌水农田最优分割尺度147；塑料大棚、植被、建设用地最优分割尺度为107；单屋面温室大棚、覆膜-未灌水农田最优分割尺度为87。

3.3　最优特征组合

采用eCognition软件的特征空间优化算法对初始变量进行特征优化，并进行了分析，结果见图6。可见：分离距离最优特征维数为8，分别是NDVI、NDBI、短波红外波段、蓝波段、亮度、熵（45°）、近红外波段、二阶矩（0°）等特征。分离距离，刚开始呈现逐步上升趋势，当达到最大值后呈现稳定状态，随着特征数量的增加分离距离又呈现逐渐下降趋势，这主要是因为特征数量过少时，识别各种地物的有效信息不足，使得分离距离较低，而随着特征的增加，有效信息增多，且特征之间的相关性和冗余特征少，因而提高了地物类别在特征空间的可分性；然而随着特征数量的增加，冗余特征和不相关特征也会随之增多，从而使得分离距离下降。

3.4　各类地物提取规则构建

利用箱型图表示根据样本数据的8个优化特征组合计算出的每个对象层的目标提取地物之间的可分离特征及其阈值范围，结果见图7。可见：8个优化特征中除了近红外波段外，所有优化特征均已参与分类。其中光谱特征、指数特征、纹理特征和几何特征参与分类数量分别为3、2、2和0。表4为样本数据阈值特征构建的地物分类规则。可见塑料大棚NDVI小于植被。表明虽然塑料大棚很大程度上受棚内作物的影响其反射率跟植被反射率趋势相似，但是塑料大棚具有一层塑料膜，这些塑料会使反射率发生微弱的变化。单屋面温室大棚与塑料大棚不同的是，其NDVI小于塑料大棚，且亮度高于建设用地。造成此结果的原因可能是因为其构造复杂（塑料用量少，只有阳面是塑料其余三面是墙）受棚内作物影响相比塑料大棚小，更多呈现建设用地的特征，但由于塑料表面光滑且会增加反射率，因此在一定程度上会受到塑料的影响导致其亮度高于建设用地。

3.5　大棚类型精度及空间分布

利用混淆矩阵法对比面向对象多层多尺度分割分类、面向对象随机森林和基于像元的支持向量机3种分类方法提取的大棚类型信息提取结果精度并进行分析，结果见表5。可见：这3种分类方法中分类效果最优的是多层多尺度分割分类方法OA为94.8%，Kappa为0.93，其OA分别高于随机森林算法和支持向量机算法5.7个百分点和9.7个百分点；Kappa系数分别高于随机森林算法和支持向量机算法0.03和0.16。同时多层多尺度分割分类方法的2种大棚制图精度和用户精度也最高。使用该方法获得的塑料大棚制图精度和用户精度分别高于单屋面温室大棚6.8%和4%。单屋面温室大棚分类精度较差的主要原因是其构造特点（塑料用量少，只有阳面是塑料其余三面是墙）相对于塑料大棚更容易与建设用地混淆，这大体上与大棚和白色建筑容易混合的结论相似^{［10， 33］}。整体看来，使用多层多尺度分割分类方法获得的精度较高，证明了该方法对于地物类型复杂区域提取不同大棚类型信息的有效性和可行性。该分类方法的优势在于可以考虑研究区每个地物的最优分割尺度相比于采用单个分割参数的研究^{［19， 34］}，有效避免了目标地物以外地物的过分割或欠分割导致分类精度降低的风险。可为农用大棚监控、管理以及规划提供技术方法支持。

不同大棚类型空间分布如图8所示。河套灌区大棚总面积为2 200 hm²，在河套灌区总体面积中所占比例较小。其中：塑料大棚面积为900 hm²，集中分布在杭锦后旗；单屋面温室大棚面积为1 300 hm²，集中分布在巴彦卓尔市和五原县城郊附近。

4　讨　论

4.1　不同大棚类型分割尺度获取问题优化

汤紫霞等^［35］利用单一层面向对象随机森林分类方法开展南方丘陵地区葡萄大棚信息提取，总体精度达到92.5%。然而，丁蕾^［36］面对3种大棚同时提取时，出现3种大棚最优尺度各异以及在相同尺度下不同大棚分割效果不同等问题。针对该问题，本研究采用面向对象多层多尺度分割分类方法对不同大棚类型进行精细提取，并利用混淆矩阵法将面向对象多层多尺度分割分类与单一层面向对象随机森林方法和传统基于像元的支持向量机进行对比分析，结果与卢兴等^［37-38］的研究结果一致，均表明面向对象多层多尺度分割分类方法有效解决不同地物不存在普适性的分割尺度问题，与单一尺度的分割分类相比分别考虑了不同地物最优分割尺度，有效抑制过度分割或亚分割现象，从而降低错分/漏分。然而，多尺度分割方法中如何获取有效尺度是一项具有挑战性的任务^［39-40］，因为其需要人为干预来定义最优的分割参数，以描绘感兴趣区的对象。如：郭鹏等^［41］采用多层多尺度分割技术对种类不同的农作物进行分层分类时进行多次实验结合目视解译获取分割参数。为了对应这一挑战，本研究使用ESP2尺度评价工具自动识别多尺度分割中的参数，并将该算法应用于Sentinel-2A遥感影像，数据中获得的结果与陈柳等^［42］、吴卓恒^［43］和钟浩^［44］的研究结果相似，可用于影像各地物最佳分割参数的获取。ESP2是一种数据驱动的无监督分割评估方法，是完全依赖于图像统计数据来识别各地物最优分割参数，因此，当使用监督分割评估方法时，它独立于所需要的任何参考数据。我们后续的研究主要将从影像分割过程中如何去除连片大棚之间间隔地块等方面展开。

4.2　分类规则构建问题优化

多层多尺度分割技术在不同地物类型分类提取中都获得比较不错的成绩^［45-46］。然而，大部分面向对象结合多层多尺度分割技术分类法，都是利用先验知识建立规则集并进行分类。本研究在此基础上，改善了建立分类规则这一步骤，根据每层样本数据，利用eCognition特征优选方法以及箱型图进行科学分析并获取样本之间分类特征的阈值范围，最终运用到不同大棚类型信息提取研究中。构建规则集过程中发现光谱特征和指数特征贡献最大，其次是纹理特征。Wu等^［10］在面向对象结合单一的Landsat8 pan-sharpened 影像中探测大棚时发现的纹理信息对大棚提取的影响很小，这与本研究获得的结果相反，可能是因为景观的异质性和Landsat卫星影像数据15 m分辨率的限制，然而本研究使用的Sentinel-2遥感影像数据分辨率为10 m，相比之下减少了混合像元的存在，其提供的信息更为明显，因此大大增加了纹理特征的有用性。

总而言之，本研究所使用的面向对象多层多尺度分割分类方法是针对多个目标地物提取的一种检测特定类别而剔除其他类别的一种排他的分类方法，适用于复杂地表的地物提取。该分类方法不需要太多训练样本，不像其他监督分类方法需要在训练图像中标记很多数量的样本信息。因此，面向对象多层多尺度分割分类方法不会增加分类成本，且节省时间和精力，适合在大范围的多个目标精细提取研究中。不足的是，由于大棚反射率受大棚内作物，构造等多个因素的影响，具体特征以及阈值范围因地区而异。

5　结　论

本研究以Sentinel-2卫星影像为数据源，运用面向对象多层多尺度分割分类方法对河套灌区大棚类型信息进行精细提取。主要结论如下：1）利用ESP2尺度评价方法在地物类型复杂地区能够有效的找出每个地物的最佳分割参数，本研究得出塑料大棚的最佳分割尺度为107，而单屋面温室大棚的最佳分割尺度为87；2）利用eCognition软件分析得出样本数据的最优特征维数为8，由此特征组合构建的地物分类规则有效改善了先验知识构建分类规则导致精度低的问题；3）3种分类方法中面向对象多层多尺度分割分类方法提取不同大棚类型精细信息效果最佳，总体精度达94.8%，kappa系数达0.93，表明该方法能够有效获取不同大棚类型空间分布，为农用大棚规划管理提供技术支撑和数据基础。

参考文献

[1] Molina-Aiz F D， Valera D L， Álvarez A J. Measurement and simulation of climate inside Almerı́a-type greenhouses using computational fluid dynamics ［J］. Agricultural and Forest Meteorology， 2004， 125（1-2）： 33-51

[2] 李浩. 我国设施农业发展现状、障碍及对策研究［J］. 南方农机， 2021， 52（23）： 34-37

[3] Li H. Study on the development status， obstacles and countermeasures of facility agriculture in China［J］. China Southern Agricultural Machinery， 2021， 52（23）： 34-37 （in Chinese）

[4] 骆飞， 徐海斌， 左志宇， 赵桂东， 郭小山， 王丽平. 我国设施农业发展现状，存在不足及对策［J］. 江苏农业科学， 2020， 48（10）： 57-62

[5] Luo F， Xu H B， Zuo Z Y， Zhao G D， Guo X S， Wang L P. Current situation， deficiency and countermeasures of China’s facility agriculture ［J］. Jiangsu Agricultural Sciences， 2020， 48（10）： 57-62 （in Chinese）

[6] 杜新民， 吴忠红， 张永清， 裴雪霞. 不同种植年限日光温室土壤盐分和养分变化研究［J］. 水土保持学报， 2007， 21（2）： 78-80

[7] Du X M， Wu Z H， Zhang Y Q， Pei X X. Study on changes of soil salt and nutrient in greenhouse of different planting years［J］. Journal of Soil and Water Conservation， 2007， 21（2）： 78-80 （in Chinese）

[8] Lu L Z， Di L P， Ye Y M. A decision-tree classifier for extracting transparent plastic-mulched landcover from Landsat-5 TM images ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2014， 7（11）： 4548-4558

[9] 吕江南， 王朝云， 易永健. 农用薄膜应用现状及可降解农膜研究进展［J］. 中国麻业科学， 2007， 29（3）： 150-157

[10] Lv J N， Wang C Y， Yi Y J. The development status of agricultural plastics mulching film and progress on degradable mulching films［J］. Plant Fiber Sciences in China， 2007， 29（3）： 150-157 （in Chinese）

[11] 闵炬， 陆扣萍， 陆玉芳， 卢伟伟， 周影茹， 孙海军， 邢光熹， 施卫明， 朱兆良. 太湖地区大棚菜地土壤养分与地下水水质调查［J］. 土壤， 2012， 44（2）： 213-217

[12] Min J， Lu K P， Lu Y F， Lu W W， Zhou Y R， Sun H J， Xing G X， Shi W M， Zhu Z L. Investigation of soil fertility and quality of ground water in greenhouse vegetable fields of Tai Lake region［J］. Soils， 2012， 44（2）： 213-217 （in Chinese）

[13] 张斌， 王真， 金书秦. 中国农膜污染治理现状及展望［J］. 世界环境， 2019（6）： 22-25

[14] Zhang B， Wang Z， Jin S Q. Current situation and prospect of agricultural film pollution treatment in China［J］. World Environment， 2019（6）： 22-25 （in Chinese）

[15] 马兆嵘， 刘有胜， 张芊芊， 应光国. 农用塑料薄膜使用现状与环境污染分析［J］. 生态毒理学报， 2020， （4）： 21-32

[16] Ma Z R， Liu Y S， Zhang Q Q， Ying G G. The usage and environmental pollution of agricultural plastic film［J］. Asian Journal of Ecotoxicology， 2020， （4）： 21-32 （in Chinese）

[17] Wu C F， Deng J S， Wang K， Ma L G， Tahmassebi A R S. Object-based classification approach for greenhouse mapping using Landsat-8 imagery ［J］. International Journal of Agricultural and Biological Engineering， 2016， 9（1）： 79-88

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

[19] Carvajal F， Agüera F， Aguilar F J， Aguilar M A. 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

[20] 马群. 大棚菜区土地利用信息遥感提取及其不同方式的土壤质量效应： 以山东省寿光市为例［D］. 泰安： 山东农业大学， 2011

[21] Ma Q. Land use information remote sensing extraction and effects of different land use on soil quality in greenhouse vegetable region： A case study in Shouguang City， Shandong Province ［D］. Taian： Shandong Agricultural University， 2011 （in Chinese）

[22] Koc-San D. Evaluation of different classification techniques for the detection of glass and plastic greenhouses from WorldView-2 satellite imagery［J］. Journal of Applied Remote Sensing， 2013， 7（1）： 073553

[23] Shi L F， Huang X J， Zhong T Y， Taubenböck H. Mapping plastic greenhouses using spectral metrics derived from GaoFen-2 satellite data［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2020， 13： 49-59

[24] 哈斯图亚. 基于多源数据的地膜覆盖农田遥感识别研究［D］. 北京： 中国农业科学院， 2017

[25] Hasituya. Mapping plastic-mulched farmland with multi-source remote sensing data ［D］. Beijing： Chinese Academy of Agricultural Sciences， 2017 （in Chines）

[26] Arcidiacono C， Porto S M C. Classification of crop-shelter coverage by RGB aerial images： A compendium of experiences and findings ［J］. Journal of Agricultural Engineering， 2010， 41（3）： 1

[27] Novelli A， Aguilar M A， Nemmaoui A， Aguilar F J， Tarantino E. Performance evaluation of object based greenhouse detection from Sentinel-2 MSI and Landsat 8 OLI data： A case study from Almería （Spain）［J］. International Journal of Applied Earth Observation and Geoinformation， 2016， 52： 403-411

[28] 高梦婕， 姜群鸥， 赵一阳， 杨文涛， 史明昌. 基于GF-2遥感影像的塑料大棚提取方法对比［J］. 中国农业大学学报， 2018， 23（8）： 125-134

[29] Gao M J， Jiang Q O， Zhao Y Y， Yang W T， Shi M C. Comparison of plastic greenhouse extraction method based on GF-2 remote-sensing imagery ［J］. Journal of China Agricultural University， 2018， 23（8）： 125-134 （in Chinese）

[30] Aguilar M， Vallario A， Aguilar F， Lorca A， Parente C. Object-based greenhouse horticultural crop identification from multi-temporal satellite imagery： A case study in Almeria， Spain ［J］. Remote Sensing， 2015， 7（6）：7378-7401

[31] Aguilar M， Nemmaoui A， Novelli A， Aguilar F， García Lorca A. Object-based greenhouse mapping using very high resolution satellite data and Landsat 8 time series［J］. Remote Sensing， 2016， 8（6）： 513

[32] Ou C， Yang J Y， Du Z R， Liu Y M， Feng Q L， Zhu D H. Long-term mapping of a greenhouse in a typical protected agricultural region using Landsat imagery and the google earth engine［J］. Remote Sensing， 2019， 12（1）： 55

[33] 马浩然. 基于多层次分割的遥感影像面向对象森林分类［D］. 北京： 北京林业大学， 2014

[34] Ma H R. Object-based remote sensing image classification of forest based on multi-level segmentation ［D］. Beijing： Beijing Forestry University， 2014 （in Chinese）

[35] 白韬. 面向对象的GF-2遥感影像多层次分类方法研究［D］. 长春： 吉林大学， 2020

[36] Bai T. Research on object-oriented multi-level classification method of GF-2 remote sensing image ［D］. Changchun： Jilin university， 2020 （in Chinese）

[37] 曹连海， 吴普特， 赵西宁， 王玉宝. 内蒙古河套灌区粮食生产灰水足迹评价［J］. 农业工程学报， 2014， 30（1）： 63-72

[38] Cao L H， Wu P T， Zhao X N， Wang Y B. Evaluation of grey water footprint of grain production in Hetao Irrigation District， Inner Mongolia［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（1）： 63-72 （in Chinese）

[39] 王丽萍， 刘廷玺， 丁艳宏， 王国强， 刘霞. 河套灌区近50年气候变化特征及趋势分析［J］. 北京师范大学学报（自然科学版）， 2016， 52（3）： 402-407

[40] Wang L P， Liu T X， Ding Y H， Wang G Q， Liu X. Characteristics and tendency of climate change in the Hetao irrigation District in the past 50 years［J］. Journal of Beijing Normal University， 2016， 52（3）： 402-407 （in Chinese）

[41] 王燕鑫， 李瑞平， 李夏子， 王思楠， 石玉芬. 融合Kriging算法的河套灌区ET估算方法评价［J］. 生态科学，2020， 39（2）： 8-17

[42] Wang Y X， Li R P， Li X Z， Wang S N， Shi Y F. Evaluation of ET estimation method in Hetao irrigation district based on Kriging algorithm［J］. Ecological Science， 2020， 39（2）： 8-17 （in Chinese）

[43] 洪亮， 楚森森， 彭双云， 许泉立. 顾及全局和局部最优的高分辨率遥感影像多尺度分割优化算法［J］. 遥感学报， 2020， 24（12）： 1464-1475

[44] Hong L， Chu S S， Peng S Y， Xu Q L. Multiscale segmentation-optimized algorithm for high-spatial remote sensing imagery considering global and local optimizations ［J］. National Remote Sensing Bulletin， 2020， 24（12）： 1464-1475 （in Chinese）

[45] 谢文春， 李强峰， 李艳春， 吴振山， 杨正凡. 基于面向对象的吉林一号遥感影像湿地植被群落分类［J］. 林业资源管理， 2023（1）： 141-152

[46] Xie W C， Li Q F， Li Y C， Wu Z S， Yang Z F. Object-oriented classification of wetland vegetation community in Jilin-1 remote sensing image ［J］. Forest Resources Management， 2023（1）： 141-152 （in Chinese）

[47] 郑茜， 邱春霞， 李存军， 周静平， 淮贺举， 王佳宇， 张清燕. 面向对象的无人机遥感影像亚田块边界提取［J］. 科技与创新， 2022（3）： 1-3

[48] Zhen X， Qiu C X， Li C J， Zhou J P， Huai H J， Wang J Y， Zhang Q Y. Object-oriented subfield boundary extraction from UAV remote sensing images ［J］. Science and Technology & Innovation， 2022（3）： 1-3 （in Chinese）

[49] 张煜， 王世航， 夏俊. 基于多时相SAR数据的水稻面积提取［J］. 农业与技术， 2022， 42（12）： 32-35

[50] Zhang Y， Wang S H， Xia J. Rice area extraction based on multi-temporal SAR data［J］. Agriculture and Technology， 2022， 42（12）：32-35 （in Chinese）

[51] Luo C， Liu H J， Lu L P， Liu Z R， Kong F C， Zhang X L. Monthly composites from Sentinel-1 and Sentinel-2 images for regional major crop mapping with Google Earth Engine ［J］. Journal of Integrative Agriculture， 2021， 20（7）： 1944-1957

[52] Van der Wel F J M. Assessment and visualisation of uncertainty in remote sensing land cover classifications［D］. Utrecht： Utrecht University， 2000

[53] 李笑含. 基于无人机遥感影像的甘蔗作物倒伏信息提取研究［D］. 长沙： 湖南师范大学， 2021

[54] Li X H. Research on extraction of lodging information of sugarcane crops based on UAV remote sensing images［D］. Changsha： Hunan Normal University， 2021 （in Chinese）

[55] 汤紫霞， 李蒙蒙， 汪小钦， 邱鹏勋. 基于GF-2遥感影像的葡萄大棚信息提取［J］. 中国农业科技导报， 2020， 22（11）： 95-105

[56] Tang Z X， Li M M， Wang X Q， Qiu P X. Extraction of grape greenhouses from GF-2 remote sensing images［J］. Journal of Agricultural Science and Technology， 2020， 22（11）： 95-105 （in Chinese）

[57] 丁蕾. 基于高分辨率遥感影像的设施农用地识别技术研究［D］. 连云港： 江苏海洋大学， 2022

[58] Ding L. Research on facility agricultural land identification technology based on high resolution remote sensing image［D］. Lianyungang： Jiangsu Ocean University， 2022 （in Chinese）

[59] 卢兴. 基于分层次多尺度分割的高分遥感影像分类研究［D］. 南昌： 东华理工大学， 2018

[60] Lu X. Study on classification of high-resolution remote sensing image base on hierarchical multi-scale segmentation ［D］. Nanchang： East China University of Technology， 2018 （in Chinese）

[61] 王露. 面向对象的高分辨率遥感影像多尺度分割参数及分类研究［D］. 长沙： 中南大学， 2014

[62] Wang L. Analyzing classification and segmentation parameters selection in high resolution remote sensing image based on object［D］. Changsha： Central South University， 2014 （in Chinese）

[63] 路春燕， 高弋斌， 陈远丽， 贾明明， 傅玮韦华， 熊怡林. 基于RS/GIS的泉州湾红树林湿地时空动态变化分析［J］. 森林与环境学报， 2019， 39（2）： 143-152

[64] Lu C Y， Gao Y B， Chen Y L， Jia M M， Fu W W H， Xiong Y L. Dynamic change analysis of mangrove swamps based on RS/GIS in Quanzhou Bay［J］. Journal of Forest and Environment， 2019， 39（2）： 143-152 （in Chinese）

[65] 潘俊虹， 梁明. 多尺度分割的高分辨率遥感影像分类对比研究［J］. 现代计算机， 2022， 28（22）： 56-60

[66] Pan J H， Liang M. A comparative study of high-resolution remote sensing image classification based on multi-scale segmentation ［J］. Modern Computer， 2022， 28（22）： 56-60 （in Chinese）

[67] 郭鹏. 黑方台农作物分区种植对地下水分布特征及滑坡灾害影响的研究［D］. 成都： 成都理工大学， 2019

[68] Guo P. Study on the impact of crop zoning on groundwater distribution characteristics and landslide disaster in Heifangtai ［D］. Chengdu： Chengdu University of Technology， 2019 （in Chinese）

[69] 陈柳. 基于无人机影像的一种农田景观小尺度地物的分类方法研究［D］. 沈阳： 沈阳农业大学， 2020

[70] Chen L. A classification method of farmland landscape small-scale features based on UAV image［D］. Shenyang： Shenyang Agricultural University， 2020 （in Chinese）

[71] 吴卓恒. 基于GF-2的沱江岸线变化典型区土地利用提取与变化分析［D］. 成都： 四川师范大学， 2021

[72] Wu Z H. Extraction and change analysis of land use in typical areas of Tuojiang River shoreline change based on GF-2［D］. Chengdu： SiChuan Normal University， 2021 （in Chinese）

[73] 钟浩. 基于高分六号影像的农业大棚信息提取： 以萍乡市为例［D］. 赣州： 江西理工大学， 2021

[74] Zhong H. Information extraction of agricultural greenhouse based on Gaofen No.6 image：A case study of Pingxiang City［D］. Ganzhou： Jiangxi University of Science and Technology， 2021 （in Chinese）

[75] 雍万铃. 基于面向对象多尺度分割的目标信息提取研究［D］. 兰州： 兰州交通大学， 2016

[76] Yong W L. The research of multi-scale segmentation， object-oriented extraction of target information ［D］. Lanzhou： Lanzhou Jiaotong University， 2016 （in Chinese）

[77] 刘天宇， 赵展， 史同广. 一种基于Sentinel-2的塑料大棚提取方法［J］. 农业工程， 2021， 11（10）： 91-98

[78] Liu T Y， Zhao Z， Shi T G. An extraction method of plastic greenhouse based on sentinel-2［J］. Agricultural Engineering， 2021， 11（10）： 91-98 （in Chinese）

基金资助

国家自然科学基金项目(42001366)

国家自然科学基金项目(42261066)

高等学校青年科技人才发展计划项目(NJYT22047)

内蒙古自治区科技计划项目(2021GG0081)

高校基本科研业务费项目-青年教师科研能力提升项目(BR220110)