论文部分内容阅读
摘 要：田坎系数测算精度直接影响粮食总产量统计、梯田区土壤侵蚀量测算的准确度，为解决传统的遥感影像目视解译方法提取梯田及田坎精确度不稳定且耗时较长的问题，基于GF-2影像和面向对象的技术方法，确定了各地类最优分割尺度和空间、光谱、纹理等特征参数，建立各土地利用类型提取规则并进行自动提取，其中梯田提取精度为82.55%、Kappa系数达到0.75，田坎面积自动提取精度为68.83%，进而计算的田坎系数为0.153，比实地测量的田坎系数0.151大0.002。阴坡田坎阴影和田坎上林草的投影会导致提取的田坎面积增大，对此可结合后期人工修正，进一步提高精度。
关键词：梯田;田坎系数;GF-2遥感影像;自动提取;提取规则
Abstract：The accuracy of the calculation of the ridge coefficient directly affects the statistics of the total grain output and the accuracy of the calculation of soil erosion in the terraced area. In order to solve the issue that the traditional remote sensing image visual interpretation extraction method for extracting the accuracy of terraces and ridge is not stable enough and takes a long time， based on GF-2 remote sensing image and object-oriented technical methods， the optimal segmentation scale and feature parameters such as space， spectrum， texture， etc. were determined for various types of land and extraction rules for each land use type were established and automatically extracted. Of which， the extraction accuracy of terraces was 82.55%， the Kappa coefficient reached 0.75 and the automatic extraction accuracy of the ridge area was 68.83%. The calculated ridge coefficient was 0.153， which was 0.002 larger than the ridge coefficient that field measured of 0.151. Ridge on shady slopes had shadows. At the same time， the projection surface of the forest and grass growing on the ridge would also increase the area of the extracted ridge. This could be combined with later manual corrections to further improve the accuracy.
Key words： terraces; ridge coefficient; GF-2 remote sensing image; automatic extraction; extraction rules
梯田具有显著的保水、保土、保肥作用，是黄土高原地区重要的水土保持措施[1]。长期以来，基于遥感影像提取梯田信息的方法主要是目视解译法，其依赖解译人员的经验与判读水平，精确度不够稳定且耗时较长[2-3]。随着遥感技术的发展，高分辨率遥感影像的色彩和纹理越来越清晰，为梯田信息的快速、精确提取提供了条件[4-5]。于浩等[6]利用1 m分辨率的IKONOS遥感影像提取陕北地区梯田信息，精度达到81.3%;买凯乐等[7]以分辨率为2.5 m的ALOS遥感影像为数据源，对黄土丘陵沟壑区第Ⅱ副区的燕沟流域进行梯田信息提取，精度达到74.36%;李梦华等[8]利用0.8 m分辨率的GF-2影像数据，将位于黄土丘陵沟壑区第Ⅱ副区的彭阳县划分为4个生态區，采用面向对象的分类方法，分别对4个生态区自动提取梯田信息，精度在65%～77%之间。
梯田净面积是毛面积按照田坎系数扣除田坎面积之后的面积[9]，梯田田坎系数是指田坎面积与梯田毛面积的比值[10-11]。田坎面积由田坎和地埂面积组成，与田坎高度、坡度和地埂宽度及长度相关，田坎系数越大耕地的实际可耕作面积越小，因此梯田田坎系数测算精度直接影响粮食总产量统计、梯田区土壤侵蚀量测算的准确度[11-16]。田坎系数与地面坡度显著正相关，通过对数字高程模型（DEM）进行分析处理是获取田坎系数的重要方法[17]。笔者以1 m分辨率的GF-2影像为数据源，采用面向对象的技术方法，在提取研究区梯田面积的基础上，探讨了自动提取田坎面积和计算田坎系数的方法。
1 材料与方法
1.1 研究区概况
研究区位于甘肃省庄浪县柳梁乡牛沟村，属黄土丘陵沟壑区，面积为482.20 hm2，海拔1 650～1 950 m，多年平均降水量565.0 mm，年均气温为9.0 ℃，无霜期142 d，年均日照时数为2 179 h。土地利用类型主要有住宅用地、耕地、林地、草地、交通运输用地（道路）等。1998年庄浪县被水利部命名为“中国梯田化模范县”，坡耕地已全部梯田化，主要种植作物有小麦、玉米、马铃薯，果树主要为苹果。梯田田坎稳定，基本没有利用，多数自然生长杂草和稀疏乔灌木。据实地调查，研究区原地形坡度10°～25°，梯田毛宽10～30 m;田坎坡度65°～90°，高度为2～7 m，宽度为1～5 m;地埂宽度为0.5～0.9 m。 1.2 数据源
GF-2影像成像时间为2015年9月4日，分辨率为1 m，为全色影像与多光谱影像融合数据。本研究使用软件主要有ENVI 5.3、eCognition 9.0和ArcGIS 10.5。
1.3 土地利用类型划分
根据国标《土地利用现状分类》（GB/T 21010—2017）和行业规范《水土保持工程可行性研究报告编制规程》（SL 448—2009），将研究区土地利用类型划分为梯田、草地、乔木林地、道路、工业用地、水体、农村宅基地等。
1.4 研究方法
1.4.1 纹理特征计算参数的确定
软件ENVI 5.3的二阶概率统计工具（Co-occurrence measures）能够计算包括角二阶矩（ASM）、熵（Entropy）、对比度（Contrast）、相关性（Correlation）等8种基于二阶矩阵的纹理特征参数。侯群群[18]经过试验，验证了角二阶矩、熵、对比度、相关性4种纹理特征参数之间不相关。
纹理特征计算参数根据如下三方面的设置效果来选择：①处理窗口像元分别按1×1、3×3、5×5、7×7设置;②二阶概率矩阵像元分别按1×1、3×3、5×5、7×7设置;③灰度量化级别分别按16、32、64设置。通过试验，对比不同设置组合的纹理特征识别效果，选择纹理特征最清晰的设置组合来确定纹理特征计算参数。
1.4.2 多尺度分割
影像分割尺度直接影响影像信息提取的精度[19]，多层次分割提取影像信息精度高于单一层次分割提取精度[20]。先设置20、40、60、80、100、120等6个分割尺度参数，通过目视判断，持续修改尺度，得到不同地类最优分割尺度。
1.4.3 影像分类及田坎提取
为了提高提取效率，先对农村道路等线状地物及建筑用地进行人工勾绘，将梯田分为有植被梯田（梯田1）、无植被梯田（梯田2）、田坎三部分。在不同地类最优分割尺度层，分析各地类的特征参数并建立规则集，选用隶属度函数分类器对影像进行分类。依据特征参数建立梯田及田坎提取规则，分别提取各地类及其面积。
1.4.4 田坎系数计算
1.4.5 精度评价
对研究区影像进行目视解译，采用混淆矩阵法对自动分类结果进行精度（准确度）评价，即用Kappa系数衡量分类精度。同时，将自动提取计算的田坎系数与实地测算的田坎系数进行对比，验证自动提取计算田坎系数的精度。
2 结果与分析
2.1 纹理特征参数设置
窗口越大越能反映影像的粗纹理，而窗口越小越能有效突出影像纹理的细节特征[21]。试验表明，处理窗口像元设置为3×3、二阶概率矩阵像元设置为1×1、灰度量化级别设置为16时田坎纹理最清晰，因此按此设置进行田坎的提取。计算出16个波段纹理特征值，分别为ASM（B、G、R、NIR）、Entropy（B、G、R、NIR）、Contrast（B、G、R、NIR）、Correlation（B、G、R、NIR）。
2.2 多尺度分割
将研究区影像及4个波段（B、G、R、NIR，分别为蓝、绿、红、近红外波段）的角二阶矩、熵、对比度、相关性参数导入软件eCognition 9.0中。多尺度分割的B、G、R、NIR波段权重均设为1，其余波段权重设为0，形状指数设为0.1，紧致度设为0.5。改变分割尺度，目视判断各地类分割效果（见图1），各地类多层次最优分割尺度见表1。
2.3 各地类提取规则
在各地类的最优分割层上，根据光谱、纹理、形状三方面的特征参数，即波段平均值（Mean）、亮度平均值（Brightness）、长宽比（Length/Width）、不对称性（Asymmetry）、密度（Density）、形状指数（Shape index）、归一化植被指数（NDVI）等，分析建立各地类提取规则，见表2。
（1）按照表2中的规则，在Level1层提取水体、道路及工业用地。为了提高提取效率，先对道路等线状地物及工业用地进行人工勾绘。水体的近红外波段值小于其他地类的，因此提取水体的规则为NIR<120;道路用地狭长，依据Length/Width>3来提取，但会有部分梯田田坎及农村宅基地被提取成道路，而规则B>350能去除农村宅基地，规则G>300、NDVI<0.12能剔除田坎;工业用地的亮度比梯田2高，提取规则为Brightness>82、NDVI<0，但会误提部分农村宅基地，而规则300<B<400、0.5<ASM_R<0.7可剔除农村宅基地。
（2）在Level2层提取梯田2和田坎。将Level1层确定的地类同步到Level2层，在Level2层从未分类部分提取梯田2和田坎[20]。梯田2的植被覆盖度较低，其提取规则为NDVI<0.06、Contrast_R<0.6、B<390;田坎比较长，提取规则为Length/Width>1.9，为了避免部分梯田1、农村宅基地及乔木林地被作为田坎提取出来，用规则Density<0.89剔除梯田1、用B<300剔除农村宅基地、用NIR<300和NDVI<0.37剔除乔木林地。
（3）在Level3层提取乔木林地、草地及梯田1。将Level2层确定的地类同步至Level3层，然后提取乔木林地、草地及梯田1。乔木林地的NDVI值较高，提取规则为NDVI>0.37、ASM_NIR<0.32、Entropy_NIR>1.34;梯田撂荒生長的杂草与草地的各特征参数很接近，导致二者在提取时较难区分，按规则ASM_R<0.63、Asymmetry>0.88提取草地时会有部分梯田1被作为草地提取，在多次优化特征参数后仍然无法将梯田1区分出来，需要根据实地调查采用目视解译的方法人工修正，将错分的梯田1修正过来;提取梯田1时，用规则Contrast_R<1.6、NDVI>0将其与农村宅基地区分开。 （4）在Level4层提取农村宅基地。同步Level3层确定的地类至Level4层，Level4层未分类部分全部为农村宅基地。
2.4 田坎精准提取及系数计算
合并Level4中的梯田1、梯田2为梯田，分别选择梯田田面样本、田坎样本，对比样本各特征参数的区别，建立田坎精准提取规则（见表3），提取Level4中的田坎，命名为田坎1，提取效果见图2（a）。Level4中梯田的分割尺度为55，仍有分割潜力，可以对剩下的梯田进行分割，每隔5个尺度分割一次，目视判断分割后田坎的分割效果，在分割尺度分别为35、25时效果较好，作为Level5、Level6，按照这两种分割尺度选择样本、建立规则（见表3）并提取田坎，分别命名为田坎2（提取效果见图2（b））、田坎3。在田坎提取时，仅对明显错分的田坎进行修正。
合并所有田坎，导出Level6中所有地类为shp格式，再将其导入到ArcGIS 10.5中，统计得出田坎面积为55.49 hm2，梯田田面面积为306.25 hm2，按式（1）计算田坎系数为0.153。
2.5 精度评价
结合实地调查资料对研究区土地利用类型进行目视解译，利用混淆矩阵法对提取结果进行精度评价，梯田提取精度达到82.55%、Kappa系数达到0.75;田坎的提取精度为68.83%、Kappa系数为0.61，见表4。田坎的提取精度较梯田的低，主要原因是部分田坎未被分割出来，提取较困难。
随机选择30块梯田，实地测量梯田的田坎面积与田面面积，按式（1）计算田坎系数为0.151。与此结果相比，自动提取结果仅相差0.002。
3 结 论
基于1 m分辨率的GF-2影像，采用面向对象的技术方法，确定了各地类最优分割尺度和空间、光谱、纹理等特征参数，建立各土地利用类型提取规则并进行自动提取，其中梯田提取精度为82.55%、Kappa系数达到0.75;在提取梯田面积的基础上，采用分层分割提取的方式，实现了田坎面积的自动提取，提取精度为68.83%;进而计算的田坎系数为0.153，比实地测量的田坎系数0.151大0.002。分析认为，阴坡田坎阴影和田坎上林草的投影会导致提取的田坎面积增大，对此可结合后期人工修正，进一步提高精度。
参考文献：
[1] 寇权，王愿昌，吴永红，等.基于高分辨率卫星影像的梯田监测方法研究[J].中国水土保持，2005（12）：24-25.
[2] 党恬敏，穆兴民，孙文义，等.高分辨率遥感影像梯田快速提取方法研究进展[J].人民黄河，2017，39（3）：85-89.
[3] 孙悦.基于eCognition的卫星遥感影像分析技术[J].无线电工程，2014，44（3）：35-39.
[4] 白晓燕，陈晓宏，王兆礼.基于面向对象分类的土地利用信息提取及其时空变化研究[J].遥感技术与应用，2015，30（4）：798-809.
[5] 张雨果，王飞，孙文义，等.基于面向对象的SPOT卫星影像梯田信息提取研究[J].水土保持研究，2016，23（6）：345-351.
[6] 于浩，刘志紅，张晓萍，等.基于傅立叶变换的梯田纹理特征提取[J].国土资源遥感，2008，20（2）：39-42.
[7] 买凯乐，张文辉.黄土丘陵沟壑区遥感影像信息面向对象分类方法提取[J].农业机械学报，2011，42（4）：153-158.
[8] 李梦华，石云，马永强，等.基于面向对象的黄土丘陵沟壑区梯田信息提取研究[J].测绘与空间地理信息，2019，42（5）：50-54.
[9] 赵彦栋，魏春蕾，王桂钢，等.基于高分影像的国土三调田坎系数测算方法探讨[J].矿山测量，2019，47（3）：82-86.
[10] 王杲，梁亮.基于高分辨率遥感影像的田坎系数测算[J].测绘与空间地理信息，2009，32（5）：99-101.
[11] 赵佳琪，陈英.分家析产对耕地田坎系数的影响：以河西走廊地区永昌县为例[J].资源科学，2012，34（8）：1461-1468.
[12] 刘军芳.土地开发整理与粮食安全的关系探析[J].山西农业科学，2008（9）：3-6.
[13] 杨利民，孙铁军，刘专，等.面向多对象的耕地田坎系数测算方法探讨[J].测绘科学，2009，34（5）：36-38.
[14] 陈正，周同，桑玲玲.整治田坎新增耕地的潜力分析[J].中国土地，2017（5）：49-51.
[15] 陈登，刘俊，郝小亮.土地调查中田坎系数获取途径探讨[J].地理空间信息，2009，7（增刊1）：54-58.
[16] 刘军芳，杜慧平.高分辨率遥感影像和GIS在田坎系数测算中应用方法的探析[J].山西农业科学，2009，37（10）：35-38.
[17] 李巍.田坎系数测算的新技术与方法研究[D].长沙：中南大学，2009：5-9.
[18] 侯群群.面向对象的遥感影像水土保持措施信息提取研究[D].杨凌：西北农林科技大学，2013：33-34，66-67.
[19] 薛牡丹，张宏鸣，杨江涛，等.无人机影像与地形指数结合的梯田信息提取[J].计算机应用研究，2019，36（8）：2527-2533.
[20] 何少林，徐京华，张帅毅.面向对象的多尺度无人机影像土地利用信息提取[J].国土资源遥感，2013，25（2）：107-112.
[21] 李智峰，朱谷昌，董泰锋.基于灰度共生矩阵的图像纹理特征地物分类应用[J].地质与勘探，2011，47（3）：456-461.
【责任编辑 张智民】
关键词：梯田;田坎系数;GF-2遥感影像;自动提取;提取规则
Abstract：The accuracy of the calculation of the ridge coefficient directly affects the statistics of the total grain output and the accuracy of the calculation of soil erosion in the terraced area. In order to solve the issue that the traditional remote sensing image visual interpretation extraction method for extracting the accuracy of terraces and ridge is not stable enough and takes a long time， based on GF-2 remote sensing image and object-oriented technical methods， the optimal segmentation scale and feature parameters such as space， spectrum， texture， etc. were determined for various types of land and extraction rules for each land use type were established and automatically extracted. Of which， the extraction accuracy of terraces was 82.55%， the Kappa coefficient reached 0.75 and the automatic extraction accuracy of the ridge area was 68.83%. The calculated ridge coefficient was 0.153， which was 0.002 larger than the ridge coefficient that field measured of 0.151. Ridge on shady slopes had shadows. At the same time， the projection surface of the forest and grass growing on the ridge would also increase the area of the extracted ridge. This could be combined with later manual corrections to further improve the accuracy.
Key words： terraces; ridge coefficient; GF-2 remote sensing image; automatic extraction; extraction rules
梯田具有显著的保水、保土、保肥作用，是黄土高原地区重要的水土保持措施[1]。长期以来，基于遥感影像提取梯田信息的方法主要是目视解译法，其依赖解译人员的经验与判读水平，精确度不够稳定且耗时较长[2-3]。随着遥感技术的发展，高分辨率遥感影像的色彩和纹理越来越清晰，为梯田信息的快速、精确提取提供了条件[4-5]。于浩等[6]利用1 m分辨率的IKONOS遥感影像提取陕北地区梯田信息，精度达到81.3%;买凯乐等[7]以分辨率为2.5 m的ALOS遥感影像为数据源，对黄土丘陵沟壑区第Ⅱ副区的燕沟流域进行梯田信息提取，精度达到74.36%;李梦华等[8]利用0.8 m分辨率的GF-2影像数据，将位于黄土丘陵沟壑区第Ⅱ副区的彭阳县划分为4个生态區，采用面向对象的分类方法，分别对4个生态区自动提取梯田信息，精度在65%～77%之间。
梯田净面积是毛面积按照田坎系数扣除田坎面积之后的面积[9]，梯田田坎系数是指田坎面积与梯田毛面积的比值[10-11]。田坎面积由田坎和地埂面积组成，与田坎高度、坡度和地埂宽度及长度相关，田坎系数越大耕地的实际可耕作面积越小，因此梯田田坎系数测算精度直接影响粮食总产量统计、梯田区土壤侵蚀量测算的准确度[11-16]。田坎系数与地面坡度显著正相关，通过对数字高程模型（DEM）进行分析处理是获取田坎系数的重要方法[17]。笔者以1 m分辨率的GF-2影像为数据源，采用面向对象的技术方法，在提取研究区梯田面积的基础上，探讨了自动提取田坎面积和计算田坎系数的方法。
1 材料与方法
1.1 研究区概况
研究区位于甘肃省庄浪县柳梁乡牛沟村，属黄土丘陵沟壑区，面积为482.20 hm2，海拔1 650～1 950 m，多年平均降水量565.0 mm，年均气温为9.0 ℃，无霜期142 d，年均日照时数为2 179 h。土地利用类型主要有住宅用地、耕地、林地、草地、交通运输用地（道路）等。1998年庄浪县被水利部命名为“中国梯田化模范县”，坡耕地已全部梯田化，主要种植作物有小麦、玉米、马铃薯，果树主要为苹果。梯田田坎稳定，基本没有利用，多数自然生长杂草和稀疏乔灌木。据实地调查，研究区原地形坡度10°～25°，梯田毛宽10～30 m;田坎坡度65°～90°，高度为2～7 m，宽度为1～5 m;地埂宽度为0.5～0.9 m。 1.2 数据源
GF-2影像成像时间为2015年9月4日，分辨率为1 m，为全色影像与多光谱影像融合数据。本研究使用软件主要有ENVI 5.3、eCognition 9.0和ArcGIS 10.5。
1.3 土地利用类型划分
根据国标《土地利用现状分类》（GB/T 21010—2017）和行业规范《水土保持工程可行性研究报告编制规程》（SL 448—2009），将研究区土地利用类型划分为梯田、草地、乔木林地、道路、工业用地、水体、农村宅基地等。
1.4 研究方法
1.4.1 纹理特征计算参数的确定
软件ENVI 5.3的二阶概率统计工具（Co-occurrence measures）能够计算包括角二阶矩（ASM）、熵（Entropy）、对比度（Contrast）、相关性（Correlation）等8种基于二阶矩阵的纹理特征参数。侯群群[18]经过试验，验证了角二阶矩、熵、对比度、相关性4种纹理特征参数之间不相关。
纹理特征计算参数根据如下三方面的设置效果来选择：①处理窗口像元分别按1×1、3×3、5×5、7×7设置;②二阶概率矩阵像元分别按1×1、3×3、5×5、7×7设置;③灰度量化级别分别按16、32、64设置。通过试验，对比不同设置组合的纹理特征识别效果，选择纹理特征最清晰的设置组合来确定纹理特征计算参数。
1.4.2 多尺度分割
影像分割尺度直接影响影像信息提取的精度[19]，多层次分割提取影像信息精度高于单一层次分割提取精度[20]。先设置20、40、60、80、100、120等6个分割尺度参数，通过目视判断，持续修改尺度，得到不同地类最优分割尺度。
1.4.3 影像分类及田坎提取
为了提高提取效率，先对农村道路等线状地物及建筑用地进行人工勾绘，将梯田分为有植被梯田（梯田1）、无植被梯田（梯田2）、田坎三部分。在不同地类最优分割尺度层，分析各地类的特征参数并建立规则集，选用隶属度函数分类器对影像进行分类。依据特征参数建立梯田及田坎提取规则，分别提取各地类及其面积。
1.4.4 田坎系数计算
1.4.5 精度评价
对研究区影像进行目视解译，采用混淆矩阵法对自动分类结果进行精度（准确度）评价，即用Kappa系数衡量分类精度。同时，将自动提取计算的田坎系数与实地测算的田坎系数进行对比，验证自动提取计算田坎系数的精度。
2 结果与分析
2.1 纹理特征参数设置
窗口越大越能反映影像的粗纹理，而窗口越小越能有效突出影像纹理的细节特征[21]。试验表明，处理窗口像元设置为3×3、二阶概率矩阵像元设置为1×1、灰度量化级别设置为16时田坎纹理最清晰，因此按此设置进行田坎的提取。计算出16个波段纹理特征值，分别为ASM（B、G、R、NIR）、Entropy（B、G、R、NIR）、Contrast（B、G、R、NIR）、Correlation（B、G、R、NIR）。
2.2 多尺度分割
将研究区影像及4个波段（B、G、R、NIR，分别为蓝、绿、红、近红外波段）的角二阶矩、熵、对比度、相关性参数导入软件eCognition 9.0中。多尺度分割的B、G、R、NIR波段权重均设为1，其余波段权重设为0，形状指数设为0.1，紧致度设为0.5。改变分割尺度，目视判断各地类分割效果（见图1），各地类多层次最优分割尺度见表1。
2.3 各地类提取规则
在各地类的最优分割层上，根据光谱、纹理、形状三方面的特征参数，即波段平均值（Mean）、亮度平均值（Brightness）、长宽比（Length/Width）、不对称性（Asymmetry）、密度（Density）、形状指数（Shape index）、归一化植被指数（NDVI）等，分析建立各地类提取规则，见表2。
（1）按照表2中的规则，在Level1层提取水体、道路及工业用地。为了提高提取效率，先对道路等线状地物及工业用地进行人工勾绘。水体的近红外波段值小于其他地类的，因此提取水体的规则为NIR<120;道路用地狭长，依据Length/Width>3来提取，但会有部分梯田田坎及农村宅基地被提取成道路，而规则B>350能去除农村宅基地，规则G>300、NDVI<0.12能剔除田坎;工业用地的亮度比梯田2高，提取规则为Brightness>82、NDVI<0，但会误提部分农村宅基地，而规则300<B<400、0.5<ASM_R<0.7可剔除农村宅基地。
（2）在Level2层提取梯田2和田坎。将Level1层确定的地类同步到Level2层，在Level2层从未分类部分提取梯田2和田坎[20]。梯田2的植被覆盖度较低，其提取规则为NDVI<0.06、Contrast_R<0.6、B<390;田坎比较长，提取规则为Length/Width>1.9，为了避免部分梯田1、农村宅基地及乔木林地被作为田坎提取出来，用规则Density<0.89剔除梯田1、用B<300剔除农村宅基地、用NIR<300和NDVI<0.37剔除乔木林地。
（3）在Level3层提取乔木林地、草地及梯田1。将Level2层确定的地类同步至Level3层，然后提取乔木林地、草地及梯田1。乔木林地的NDVI值较高，提取规则为NDVI>0.37、ASM_NIR<0.32、Entropy_NIR>1.34;梯田撂荒生長的杂草与草地的各特征参数很接近，导致二者在提取时较难区分，按规则ASM_R<0.63、Asymmetry>0.88提取草地时会有部分梯田1被作为草地提取，在多次优化特征参数后仍然无法将梯田1区分出来，需要根据实地调查采用目视解译的方法人工修正，将错分的梯田1修正过来;提取梯田1时，用规则Contrast_R<1.6、NDVI>0将其与农村宅基地区分开。 （4）在Level4层提取农村宅基地。同步Level3层确定的地类至Level4层，Level4层未分类部分全部为农村宅基地。
2.4 田坎精准提取及系数计算
合并Level4中的梯田1、梯田2为梯田，分别选择梯田田面样本、田坎样本，对比样本各特征参数的区别，建立田坎精准提取规则（见表3），提取Level4中的田坎，命名为田坎1，提取效果见图2（a）。Level4中梯田的分割尺度为55，仍有分割潜力，可以对剩下的梯田进行分割，每隔5个尺度分割一次，目视判断分割后田坎的分割效果，在分割尺度分别为35、25时效果较好，作为Level5、Level6，按照这两种分割尺度选择样本、建立规则（见表3）并提取田坎，分别命名为田坎2（提取效果见图2（b））、田坎3。在田坎提取时，仅对明显错分的田坎进行修正。
合并所有田坎，导出Level6中所有地类为shp格式，再将其导入到ArcGIS 10.5中，统计得出田坎面积为55.49 hm2，梯田田面面积为306.25 hm2，按式（1）计算田坎系数为0.153。
2.5 精度评价
结合实地调查资料对研究区土地利用类型进行目视解译，利用混淆矩阵法对提取结果进行精度评价，梯田提取精度达到82.55%、Kappa系数达到0.75;田坎的提取精度为68.83%、Kappa系数为0.61，见表4。田坎的提取精度较梯田的低，主要原因是部分田坎未被分割出来，提取较困难。
随机选择30块梯田，实地测量梯田的田坎面积与田面面积，按式（1）计算田坎系数为0.151。与此结果相比，自动提取结果仅相差0.002。
3 结 论
基于1 m分辨率的GF-2影像，采用面向对象的技术方法，确定了各地类最优分割尺度和空间、光谱、纹理等特征参数，建立各土地利用类型提取规则并进行自动提取，其中梯田提取精度为82.55%、Kappa系数达到0.75;在提取梯田面积的基础上，采用分层分割提取的方式，实现了田坎面积的自动提取，提取精度为68.83%;进而计算的田坎系数为0.153，比实地测量的田坎系数0.151大0.002。分析认为，阴坡田坎阴影和田坎上林草的投影会导致提取的田坎面积增大，对此可结合后期人工修正，进一步提高精度。
参考文献：
[1] 寇权，王愿昌，吴永红，等.基于高分辨率卫星影像的梯田监测方法研究[J].中国水土保持，2005（12）：24-25.
[2] 党恬敏，穆兴民，孙文义，等.高分辨率遥感影像梯田快速提取方法研究进展[J].人民黄河，2017，39（3）：85-89.
[3] 孙悦.基于eCognition的卫星遥感影像分析技术[J].无线电工程，2014，44（3）：35-39.
[4] 白晓燕，陈晓宏，王兆礼.基于面向对象分类的土地利用信息提取及其时空变化研究[J].遥感技术与应用，2015，30（4）：798-809.
[5] 张雨果，王飞，孙文义，等.基于面向对象的SPOT卫星影像梯田信息提取研究[J].水土保持研究，2016，23（6）：345-351.
[6] 于浩，刘志紅，张晓萍，等.基于傅立叶变换的梯田纹理特征提取[J].国土资源遥感，2008，20（2）：39-42.
[7] 买凯乐，张文辉.黄土丘陵沟壑区遥感影像信息面向对象分类方法提取[J].农业机械学报，2011，42（4）：153-158.
[8] 李梦华，石云，马永强，等.基于面向对象的黄土丘陵沟壑区梯田信息提取研究[J].测绘与空间地理信息，2019，42（5）：50-54.
[9] 赵彦栋，魏春蕾，王桂钢，等.基于高分影像的国土三调田坎系数测算方法探讨[J].矿山测量，2019，47（3）：82-86.
[10] 王杲，梁亮.基于高分辨率遥感影像的田坎系数测算[J].测绘与空间地理信息，2009，32（5）：99-101.
[11] 赵佳琪，陈英.分家析产对耕地田坎系数的影响：以河西走廊地区永昌县为例[J].资源科学，2012，34（8）：1461-1468.
[12] 刘军芳.土地开发整理与粮食安全的关系探析[J].山西农业科学，2008（9）：3-6.
[13] 杨利民，孙铁军，刘专，等.面向多对象的耕地田坎系数测算方法探讨[J].测绘科学，2009，34（5）：36-38.
[14] 陈正，周同，桑玲玲.整治田坎新增耕地的潜力分析[J].中国土地，2017（5）：49-51.
[15] 陈登，刘俊，郝小亮.土地调查中田坎系数获取途径探讨[J].地理空间信息，2009，7（增刊1）：54-58.
[16] 刘军芳，杜慧平.高分辨率遥感影像和GIS在田坎系数测算中应用方法的探析[J].山西农业科学，2009，37（10）：35-38.
[17] 李巍.田坎系数测算的新技术与方法研究[D].长沙：中南大学，2009：5-9.
[18] 侯群群.面向对象的遥感影像水土保持措施信息提取研究[D].杨凌：西北农林科技大学，2013：33-34，66-67.
[19] 薛牡丹，张宏鸣，杨江涛，等.无人机影像与地形指数结合的梯田信息提取[J].计算机应用研究，2019，36（8）：2527-2533.
[20] 何少林，徐京华，张帅毅.面向对象的多尺度无人机影像土地利用信息提取[J].国土资源遥感，2013，25（2）：107-112.
[21] 李智峰，朱谷昌，董泰锋.基于灰度共生矩阵的图像纹理特征地物分类应用[J].地质与勘探，2011，47（3）：456-461.
【责任编辑 张智民】