农田防护林，作为防护林的一种重要类型，是为调整与改善脆弱、多灾的农田生态系统的结构和功能，增强农田生态系统的抗干扰能力而在农田景观中建立的由树木组成的具有多种功能的廊道网络系统(曹新孙等，1983；姜凤岐等，2003)。该系统可保护土壤免受风蚀，提高作物对土壤水分的利用效率，改善农田小气候环境，提高作物产量，并为野生动物提供栖息环境，增加农田生态系统的生物多样性，其最高目标是建立或恢复持续而稳定的高生产力、高生态效益的农田生态系统(朱金兆等，2010；Brandle et al., 2004; Campi et al., 2009；Shi et al., 2011)。 农田防护林在农业现代化进程中扮演着重要角色，世界各国在进行农业现代化建设尤其在生态农业建设中，都把农田防护林体系看作重要的内容(朱教君，2013)。因此，快速掌握农田防护林的动态变化信息，为相关管理和服务提供及时有效的信息支持，提高农、林业的经营管理效率，具有非常重要的意义。

遥感技术使大范围、多尺度观测地面信息成为可能(赵英时，2003；梅安新等，2001；梁顺林等，2013)，国内外众多学者已经开展了基于遥感技术监测防护林状态的研究。邓荣鑫等(2011)、扈晶晶(2014)分别利用TM数据和ZY-3数据分析了农田防护林的光谱特征、形状信息，并采用决策树方法提取农田防护林，但其提取结果是含多类地物的栅格数据，不利于在农田防护林进行更深层次的信息挖掘。郑晓等(2013)利用多尺度遥感影像估算三北地区农田防护林面积，取得了较好的效果，但其使用的TM和CBERS-02B影像分辨率较低，对于更新期的幼林及残次林的提取效果较差，造成信息遗漏。Czerepowicz等(2012)利用高分影像QuickBird2对农田防护林碳储量估算建模，在提取防护林时，提出利用Feature Analyst软件中面向对象的方法，但该方法需要大量的人工参与，属于半自动提取方法。还有很多学者对提取线性目标地物信息做了大量工作(黎夏，1995；郭海涛等，2004；He Y et al., 2009；Deng et al., 2013)，对于自动提取农田防护林信息具有一定启示。本文旨在找出一种基于农田防护林基本特征，提取效果能与目视解译相媲美、编辑量小、速度快的提取方法。

农田防护林林带属于线性地物，常规遥感自动提取方法存在一定难度，且精度低，无法满足实际需求，因而农田防护林遥感信息提取多采用传统人机交互目视解译的方法，通过专业人员直接观察或者借助判读仪器在遥感图像上获取特定目标地物信息；尽管精度较高，但费工费时、效率低，因此急需一种速度快、精度高的自动提取技术。本研究根据农田防护林的光谱特征及空间几何特征，基于ZY-3数据、Landsat8辅助数据，综合利用数学形态学和面向对象的方法提取出农田防护林，然后使用GIS技术进行矢量化，最终得到自动提取结果。

吉林省中部地区的德惠、农安、榆树和扶余等为三北防护林工程农田防护林重点建设区，本研究选择德惠和农安境内50 km×50 km范围为研究区域(125°6′8″—125°51′22″E，44°14′1″—44°48′48″N)。如图 1所示，左上图为东北地区农田防护林分布范围，右上图为影像覆盖范围，右下图为局部放大区域。研究区地处松辽平原中部腹地，地势平坦，属寒温带半湿润大陆性气候，春季风害严重。区从20世纪50年代就开始兴建农田防护林，特别是1978年三北防护林工程实施以来，农田防护林建设更加系统、完善，已实现林网化，是东北农田防护林建设典型区。

	图1 研究区(标准假彩色显示影像) Fig.1 Study area(st and ard false color images)

综合考虑遥感影像的可获得性及农田防护林与农作物的物候特征，选取研究区2013年5月22日空间分辨率为5.8 m的ZY-3多光谱影像作为主要信息源；选择2014年1月4日空间分辨率为30 m的L and sat8 OLI影像作为辅助信息源。

验证数据包括研究区已有成果数据、高分辨率影像数据和野外实地验证数据。全区验证采用中国科学院科学先导项目之农田防护林固碳速率的2013年农田防护林遥感调查矢量数据；高分辨率影像数据采用2014年4月25日分辨率为1.65 m的GeoEye多光谱影像；野外实地验证数据根据影像范围及交通可达性进行野外随机抽样采点，记录所采集点农田防护林状态及GPS信息，采集时间为2015年6月4日。

在ENVI5.1 遥感处理软件中对ZY-3和L and sat8影像进行辐射定标和大气辐射校正，采用正轴等积双标纬线圆锥投影(Albers)为地理参考基准，将3种数据转换到统一的地理坐标系和投影坐标系中，之后按ZY-3数据覆盖范围对Landsat8数据和目视解译产品进行裁剪。

首先对遥感数据进行预处理，包括影像辐射校正、大气校正和几何校正；其次基于ZY-3多光谱数据计算比值植被指数，之后对其进行形态学的膨胀、细化运算，基于L and sat8数据提取居民地边界作为掩膜数据，用来去除居民地内的植被干扰信息；然后基于二值图像和掩膜数据利用面向对象方法及GIS矢量化技术提取出农田防护林；最后对提取结果进行精度验证。具体技术流程如图 2所示。

	图2 技术流程 Fig.2 Technical processes

遥感图像上的植被信息，主要是通过绿色植物叶子和植被冠层的光谱特性及其差异、变化来反应的。根据植被的光谱特性，将卫星可见光红波段(R b and )和近红外波段(NIR b and )进行组合，形成各种植被指数。在植被遥感中，最常用的植被指数有比值植被指数(RVI)和归一化植被指数(NDVI)，其中NDVI应用最为广泛。比值植被指数可以表达为：

对RVI进行非线性归一化处理可得到NDVI，使得其比值限定在[-1，1]范围内。其计算公式为：

NDVI被认为是植被生长状态及植被覆盖度的最佳指示因子，但也有一定的局限性。NDVI是NIR和R波段比值的非线性拉伸，增强了NIR和R通道的对比度，其结果是增强了低值部分，抑制了高值部分(赵英时，2003)。以往在防护林遥感监测中，大部分使用的是应用最广泛的NDVI。

农田防护林林带范围内种植密集，农田防护林在5.8 m分辨率影像中具有较高的覆盖度，与土壤背景差别明显，所以提取农田防护林，NDVI并不是最佳选择，因为其抑制了高值部分的农田防护林，增强了低值背景，低值背景包括土壤、低覆盖度的灌丛、草地等；相反，RVI在植被覆盖浓密的情况下效果较好。本文基于ZY-3影像分别计算NDVI和RVI，取影像中同一区域，且同为2%线性拉伸显示，如图 3所示；表 1为RVI和NDVI的数值统计。

	图3 RVI与NDVI的对比 Fig.3 Comparison of RVI and NDVI

表1 植被指数数值统计 Tab.1 Vegetation index numerical statistics

表 1 植被指数数值统计 Tab.1 Vegetation index numerical statistics 最小值Min. 最大值Max. 平均值Mean 标准差SD RVI 0.083 9.982 1.619 0.834 NDVI -1 1 0.203 0.114

农田防护林种植后由于自然灾害、老化、人为因素等常造成林带不完整，在设定阈值二值化后，存在“断带” 现象。这种“断带”现象有2种情况：一种是“真断带”，一种是“假断带”。“真断带”是指林带已经完全断开，断开处无防护林，林带不完整；“假断带”是指断开处有防护林，但此处防护林稀少或长势不好，在影像中不明显，RVI值偏低。存在很多林带经RVI二值化后断成了多个部分，如图 4A所示，这种“破碎化”给计算机自动提取一条完整林带带来很大的困难。因此，本文根据农田防护林的这一空间特征，提出利用数学形态学方法进行相关处理。

	图4 形态学处理过程 Fig.4 Morphological processing

数学形态学在图像处理、医学及模式识别领域已经得到了广泛应用(Haralick et al., 1987)；尤其在遥感影像提取道路等线性地物方面，已经有很多学者做了大量研究，并取得了很好的提取效果(栾学晨等，2014；王耀革，2003；顾徐博君等，2014；戴青云等，2001)。数学形态学的基本思想是利用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到对图像分析和识别的目的(Serra，1986)，有腐蚀、膨胀、开运算、闭运算4种基本运算，基于这些基本运算可以推导和组合成各种实用算法。数学形态学中二值图像的形态变换是一种针对几何的处理过程，其算法实质是表达物体或者几何与结构元素之间的运算，结构元素的形状决定了提取的形状信息。结构元素是形态学中最基本的概念，等效于信号处理中的“滤波器”。用B(x)表示结构元素，对图像A中的任一点x，膨胀和腐蚀定义为：

膨胀和腐蚀是数学形态学中2种最基本的运算。先对图像进行膨胀后腐蚀运算的过程为闭运算，闭运算可以填充物体内细小空洞、平滑边界、连接临近物体等；其逆过程为开运算，可以过滤掉细小物体，并且分离连接薄弱的物体。细化相当于对目标图像A的边界进行逐层剥落，最后宽度上只剩单一像素来表示图像对象的几何特征，是一种“瘦身”的过程。

选取具有代表性的几条林带进行如图 4所示的图像对比试验： 图 4A为对RVI二值化结果(阈值设为2.5)，图 4B为对图 4A做膨胀处理结果，图 4C为对图 4A做细化处理结果，图 4D为对图 4B做细化处理结果。由图 4可以看出，经过膨胀处理，可以把一条一定断裂宽度的林带连接上，再经过细化运算，可以达到提取整条林带长度信息的效果。

面向对象的遥感影像分类技术是针对高分辨率影像应用而兴起的，其基本思想是通过对影像的分割，使纹理、光谱、形状等相同特征的像元组成大小不同的对象。由于所分割出来的图像对象内部光谱差异小，所以可以忽略对象的空间纹理信息，从光谱信息和形状信息去刻画(陈云浩等，2006；梅天灿等，2005；胡进刚等，2006；Wiseman et al., 2009)。这种利用图像对象的空间信息和光谱信息进行分类，可以有效地克服纯基于像元分类的不足。面向对象方法的基本过程包括影像分割、对象合并、影像分类3个步骤，一般应用于全色影像或者多光谱影像；但在高分辨率影像中，这种更多考虑地物空间特征的方法往往能取得更好的分类效果。

通过分析ZY-3影像发现，居民地内的植被会影响农田防护林的提取，如能去除其影响，将会明显提高最终提取精度。东北地区冬季寒冷漫长，降雪充足，居民地在影像中与农业用地特征差别明显，可以利用面向对象方法提取出居民地的边界，作为掩膜参与农田防护林的自动提取。掩膜数据可以很好地去除居民地内的植被干扰成分，达到区分农田防护林的目的。Landsat8影像分辨率为30 m，可以免费获取，本研究选其作为辅助数据。

选取2014年1月4日成像的L and sat8多光谱影像，经过预处理后，采用基于规则的面向对象方法提取居民地边界。图像经分割合并后的对象具有长度、面积、波段平均亮度值等属性，定义如下规则： length≥700 m、area≥40 000 m²、R∈[1 500，5 300]、G∈[1 600，5 900]、B∈[1 800，6 000]、NIR∈[1 800，6 600]。length为对象长度;area为面积;R，G，B，NIR分别为红波段、绿波段、蓝波段和近红外波段。结果如图 5，左图为真彩色图像，右图为掩模结果。

	图5 掩膜提取结果 Fig.5 The result of mask extraction

本研究提出利用面向对象方法处理二值图像，对二值图像进行分割，然后根据其分割后的空间特征设定规则进行特征选择。邓荣鑫等(2011)在分析防护林几何特征的基础上，提出利用形状指数来衡量其形状上的差异。本文使用的是与形状指数类似的指标——圆度(roundness)来提取农田防护林。圆度在提取直线特征中可取得很好的效果，其定义如下:

由上述方法自动提取的农田防护林结果如图 6所示。左图为提取结果与ZY-3真彩色影像叠加效果图，提取的矢量结果分3个等级： 正确提取的用红色线表示；错误提取的用黄色线表示；遗漏的用浅蓝色线表示。右侧3幅小图A，B，C分别对应左图的A，B，C处，为左图 3处的局部放大，是提取结果的典型代表区。其中，A处为提取效果好的区域，B处为提取效果一般、存在部分遗漏提取现象的区域，C处为提取效果较差、存在较多错误提取和遗漏提取现象的区域。

	图6 农田防护林提取结果及典型区 Fig.6 The result of farml and shelterbelt extraction and typical areas

精度验证是对2幅图像进行比较，其中一幅是需要进行评价的提取结果图像，另一幅是已知的认为精确的参考图(赵英时，2003)。一般图像分类使用混淆矩阵，并由此计算出基本的精度指标(如总体精度、用户精度、制图精度和Kappa系数)进行精度评价。为了对提取结果的精度进行评价，并结合农田防护林特征，本研究采用3种验证方式： 全区验证、野外实地验证和高分辨率影像验证。

全区验证采用中国科学院科学先导项目之农田防护林固碳速率的2013年农田防护林遥感调查成果数据，并结合ZY-3多光谱影像进行更新，将已有结果数据与验证数据叠加显示，对已有结果数据逐条林带进行编号，1为正确提取，2为错误提取，遗漏的防护林根据ZY-3影像画出，编号为3。农田防护林是典型的线性目标，所以通常将防护林的长度作为评价参数，提出了3个定量分析评价指标： 准确度、冗余误差和遗漏误差，其计算公式如下：

通过对矢量结果编号确定正确提取、多余提取的非防护林及遗漏提取的农田防护林，在ArcGIS中统计分析得出： L₁=286.42 km，L₂=18.05 km，L₃=14.19 km，L_T=318.65 km，并计算得到Δα=89.89%，Δβ=5.67%，Δγ=4.45%。

野外实地验证根据影像覆盖范围和交通的可达性设定路线，在路线附近随机采点，每个样点采集2条不同方向的林带，并使采样点在图像中大致均匀分布，记录林带的GPS位置信息，共采集到22条防护林。将22条林带按位置与ZY-3影像和自动提取结果叠加显示，逐一进行确认，22条林带都能提取出来，但提取长度误差有所差别。

为进一步确定这22条林带的提取精度，本研究采用GeoEye影像进行验证。将野外采集的农田防护林GPS位置信息加载到GeoEye影像中，经过目视判读提取对应林带的长度，22条林带总长度为11 258 m，对应自动提取结果的22条林带总长度为10 575 m，提取精度为93.93%，每条林带提取长度误差如图 7所示。其中，采样点7和14误差较大，对比ZY-3影像、GeoEye影像及野外实地观测数据，采样点7和14的林带提取误差较大是因为林带缺失比较严重，断带距离较大，造成信息遗漏，而目视解译的验证数据是将整条林带包括断带处都提取出来。其余20个样点的提取误差较小，接近林带实际长度。

	图7 GeoEye影像验证 Fig.7 Verification by GeoEye images

利用上述方法自动提取农田防护林的准确度为89.89%，冗余误差为5.67%，遗漏误差为4.45%，能够基本完整地提取出整个试验区的农田防护林。通过对比分析RVI和NDVI，RVI的对比度明显高于NDVI，RVI的数值分布范围也比NDVI更广，因此RVI更适用于提取农田防护林。将提取结果与原始ZY-3影像叠加显示可以发现，错误提取部分与防护林几何特征相似，居民地外围栽植的四旁树被判定为农田防护林，分布在河流两岸的灌丛、护岸林与防护林有相似特征，也被错分为农田防护林；去除居民地内植被影响所建立的掩膜具有一定的误差。根据这些特点，在特征提取后处理过程中将错误提取的防护林删除，可降低冗余误差，提高准确度。遗漏的防护林带一般紧挨着居民地，与居民地内的植被连成片，面向对象方法提取过程中，将其与居民地内的植被分割合并成同一对象而去除；而且，一部分林带由于其自然灾害或者认为破坏，导致林带缺失严重而漏分；另一部分由于影像有云覆盖使农田防护林不具有明显的植被特征而造成缺失。此外，在面向对象方法处理过程中，影像分割尺度大小及特征参数阈值的设定也会给防护林的提取带来一定程度的不确定性。

相比于目视解译方法，其提取精度低，而且存在一定的漏分、错分现象；但是，其提取速度远快于目视解译方法，位置精度也高于目视解译结果，因为目视解译提取的矢量线往往与林带的中心位置有偏移。数学形态学的细化算法是一个逐层剥离的过程，最终得到的是林带“骨架”，即林带的中心位置。与现有的线性地物提取方法相比，可以得出本文所用方法的优点： 1)数学形态学方法处理具有明显线性几何特征数据具有明显优势。通过对二值图像的膨胀处理可以将间隔一定短距离的防护林连接上，形成一条完整的林带。通过对其细化处理可以对林带进行“瘦身”，得到林带的骨架结构信息，单像素的骨架为林带的中心，位置精确度高。2)面向对象方法对影像进行分割，可以综合利用多种特征，如形状上的、空间上的特征，而且对于二值图像，其运算速度快。3)提取的矢量结果后处理方便。矢量数据可以直接应用到GIS空间分析中，加入适量的人工目视判读，可以快速将错误提取的防护林删除，并且这种以矢量形式输出的结果可以直接作为数据源应用到进一步的分析研究中。

农田防护林在遥感影像中具有典型的植被特征，但要从复杂的绿色植被中提取出来，不仅要分析其光谱特征，也需充分利用其独特的空间几何特征。本文从农田防护林的光谱特征和空间几何特征出发，合理选择5.8 m空间分辨率的国产ZY-3多光谱影像作为试验数据，提出了利用面向对象方法处理二值图像，并结合数学形态学方法及GIS技术，最终提取出了农田防护林的矢量化结果。数学形态学处理二值图像的形态变换是一种针对几何特征的处理过程，所以利用形态学处理这种具有明显线性几何特征的地物具有较好的效果；且面向对象方法在高分辨率影像分类中能取得比较满意的结果。本文提出利用面向对象方法对二值图像进行分割，分割后的对象具有相应的几何特征，选择圆度作为林带的几何特征参数，从试验效果来看，也证明了此方法可行。

虽然此提取结果精度比目视解译低，但是提取速度快，并且在提取后处理过程中，提取的结果为矢量数据，结合少量的目视解译，可以大幅度减小冗余误差，提高准确度。因此，本文所用方法在提取其他线性地物，如城市道路网、河流等也有一定的参考意义。当然，该方法也存在一些不足，如数据处理过程中横跨了3个图像处理平台ENVI/IDL、Matlab和ArcGIS，在3个平台间数据切换会有一定的麻烦，之后的研究应该基于ENVI或ArcGIS进行二次开发，集中到同一平台下处理。而且，农田防护林具有一定的方向性特征，针对这一特征可以进一步研究其方向特征参数，综合其他几何特征，将会进一步提高农田防护林的提取精度。