基于高分遙感數(shù)據(jù)的昌吉市棉花面積識別研究

張佳琪++武紅旗

摘 要：本文探討了如何利用高分遙感數(shù)據(jù)大范圍快速提取棉花種植面積。本研究以昌吉市為研究區(qū)，基于高分一號（GF-1）遙感影像，利用實地調(diào)查的2015年昌吉市作物種植信息，選取不同的監(jiān)督分類方法，加入耕地掩膜，分析得出昌吉市棉花識別的最佳識別時相以及最佳識別方法。結(jié)果表明，棉花與其他種植作物分離程度最好月份為7月，棉花種植面積最佳識別月份為7月，支持向量機分類方法總體精度最高，總體精度為95.24%，Kappa系數(shù)0.935。棉花種植面積提取以小于6個像元為最小圖斑時結(jié)果最佳。高分一號遙感影像7月以支持向量機分類法解譯出的2015年昌吉市棉花面積為15 974 hm2，棉花面積提取精度為95.79%。

關(guān)鍵詞：昌吉市；高分遙感數(shù)據(jù)；棉花；面積識別

中圖分類號：S127 文獻標識碼：A DOI 編碼：10.3969/j.issn.1006-6500.2017.10.012

Research on Cotton Area Identification of Changji City based on High-revolution Remote Sensing Data

ZHANG Jiaqi， WU Hongqi

（College of Pratacultural and Environmental Sciences， Xinjiang Agricultural University， Urumqi， Xinjiang 830052， China）

Abstract： This paper aimed to investigate how to use the high-revolution remote sensing data to extract cotton acreage on a large scale. This research selected Changji as the experimental area， and was based on the remote sensing images collected by GF-1. This research used the 2015 field survey of crop planting information， selected different supervised classification methods， and involved mask of arable land， to analyze and obtain the best distinguishing time phase and top identification method. The results showed that the best degree of separation of cotton from other crops was July， cotton acreage of best recognition month was July. Support vector machine method has been the supervise classification method with the highest interpretation accuracy so far， the overall accuracy was 95.24%， Kappa coefficient 0.935. Cotton acreage extraction with results was nicely when the minimum map spot was less than six pixel. GF-1 remote sensing image in July to support vector machine classification method of interpretation in 2015 Changji City， survey area was 15 974 hectares， the extraction precision of cotton area was 95.79%.

Key words： Changji city； high-revolution remote sensing data； cotton； area identification

新疆是中國最大的棉花生產(chǎn)基地，無論在國內(nèi)還是國際都占據(jù)重要地位，每年棉花種植面積及總產(chǎn)量受到全世界的關(guān)注[1-3]。傳統(tǒng)調(diào)查方法需要大量的人力和物力，且交通困難地區(qū)不方便到達、調(diào)查時間長，造成國家補貼分多次兌付且到位較晚，影響了棉農(nóng)還貸和準備次年生產(chǎn)。如何快速、準確地獲取棉花種植面積是解決農(nóng)業(yè)種植計劃的關(guān)鍵。隨著研究的不斷發(fā)展，國外Mathur[4]等人指出監(jiān)督分類的準確性在很大程度上取決于所使用的訓練樣本數(shù)據(jù)。同時在數(shù)據(jù)源方面，不同遙感數(shù)據(jù)源在農(nóng)作物遙感識別方面的研究應用廣泛，Landsat TM[5]、MODIS[6]、QuickBird[7]等影像數(shù)據(jù)在農(nóng)作物空間分布提取中發(fā)揮了重要作用。近年來，我國在作物遙感識別方面也開展了大量研究工作，包括單一影像的作物遙感識別、基于時間序列影像的作物遙感識別以及遙感數(shù)據(jù)與非遙感數(shù)據(jù)結(jié)合的作物遙感識別等方面[8-11]。作物遙感識別和種植面積提取的影像數(shù)據(jù)大部分來源于Landsat系列衛(wèi)星、ERS-1衛(wèi)星和SPOT系列衛(wèi)星，基于我國研發(fā)的高分一號衛(wèi)星的遙感識別研究還有待深入探索研究。本研究從面向?qū)ο笊a(chǎn)實踐角度出發(fā)，結(jié)合實地調(diào)查的2015年作物種植信息，以昌吉市為研究區(qū)，加入耕地掩膜，探討基于高分遙感數(shù)據(jù)的最佳識別月份、最佳識別方法，以期能大范圍快速提取棉花種植面積。

1 研究區(qū)概況endprint

昌吉市位于天山北麓、亞歐大陸腹地、準噶爾盆地南緣，地處東經(jīng)86°24′～87°37′，北緯43°06′～45°20′。昌吉市地貌主要由山地、平原、沙漠三部分組成。由南向北，地勢從高到低呈階梯狀，南北高差4 000多m。由于地形條件的影響，由南向北氣候差異較大，南部山區(qū)氣候特征明顯。積溫高，降雨少，夏季降水充沛，年際變化大，并且光熱資源豐富。昌吉市農(nóng)產(chǎn)品資源品質(zhì)較好主要源于獨特的光熱水土條件，非常有利于糧食作物的生長，平原地區(qū)年平均氣溫6.10 ℃，作物主要生長季節(jié)4—6月，日較差14.60 ℃左右，有利于作物干物質(zhì)合成的積累，有效積溫為3 400～3 584 ℃，平均無霜期160 d，平原地區(qū)年降水量180.1 mm，是最適宜種植番茄、葡萄、小麥的地區(qū)之一。

2 研究方法

本文利用提取棉花生長周期的2015年5月至9月高分一號遙感數(shù)據(jù)，所獲得的數(shù)據(jù)通過ENVI 5.3進行輻射定標、大氣校正、幾何校正，并對遙感影像進行鑲嵌、裁剪，得到研究區(qū)經(jīng)過處理的影像；通過野外實際調(diào)查獲得棉花種植信息，并以此類信息建立ROI；選擇不同分類器對影像進行分類，對分類結(jié)果進行分析，從而實現(xiàn)對昌吉市棉花的面積的識別研究。

2.1 研究區(qū)數(shù)據(jù)來源

昌吉市作為研究區(qū)，影像數(shù)據(jù)包括高分一號、高分二號的高分衛(wèi)星遙感數(shù)據(jù)來自新疆衛(wèi)星遙感應用工程中心；用于提取耕地掩膜的土地利用現(xiàn)狀圖數(shù)據(jù)來源于2010年全國第二次土地調(diào)查得到的比例尺為1∶10 000的土地利用現(xiàn)狀圖；積溫數(shù)據(jù)來自國家氣象中心頒布的1961—2010年全國積溫柵格圖。

2.1.1 柵格數(shù)據(jù)介紹 本研究兩種柵格數(shù)據(jù)的數(shù)據(jù)源分別是高分一號（GF-1）和高分二號（GF-2）。高分一號衛(wèi)星搭載了2臺分辨率為2 m全色、8 m多光譜的高分辨率相機（PMS）和4臺分辨率為16 m的多光譜分辨率寬幅相機（WFV），現(xiàn)已下傳有效數(shù)據(jù)上萬景[12]。高分二號衛(wèi)星搭載有兩臺高分辨率1 m全色、4 m多光譜相機，觀測幅寬達到45 km。高分二號衛(wèi)星的發(fā)射標志著中國遙感衛(wèi)星進入亞米級“高分時代”[13]。本次研究所使用的高分一號衛(wèi)星遙感影像數(shù)據(jù)是2015年5月至9月云量為0的影像，范圍是新疆維吾爾自治區(qū)昌吉市，如表1所示。

2.1.2 矢量數(shù)據(jù)介紹 通過實地調(diào)查了解2015年昌吉市的作物種植分布，并結(jié)合同一時期空間分辨率2 m的高分二號數(shù)據(jù)，以2010年第二次全國土地調(diào)查中投影為UTM_WGS_1984的1∶10 000土地利用現(xiàn)狀圖為基礎(chǔ)，更新該區(qū)的農(nóng)田分布圖。并根據(jù)研究區(qū)實地調(diào)查的2015年作物地塊的實際種植情況，獲取研究區(qū)2015年的土地利用現(xiàn)狀圖。根據(jù)昌吉市有效積溫圖，提取有效積溫大于3 000 ℃適宜棉花生長的耕地掩膜參與監(jiān)督分類計算，排除非耕地對監(jiān)督分類精度的影響。在后期監(jiān)督分類處理時加入掩膜，非耕地區(qū)域不參與監(jiān)督分類計算。

2.1.3 實地調(diào)查數(shù)據(jù) （1）作物物候數(shù)據(jù)。昌吉市種植的作物主要有棉花、小麥、玉米和其他作物，棉花播種時期在4月中下旬，蕾期在6月下旬至7月下旬，花鈴期在7月下旬至8月下旬，吐絮期在9月上旬至10月中旬。小麥從拔節(jié)到成熟是從4月下旬至7月下旬。玉米從播種到成熟是從4月下旬至10月上旬[14]。

（2）野外作物調(diào)查點數(shù)據(jù)。本研究分別于2015年8月、11月兩次實地調(diào)查采集昌吉市作物樣本經(jīng)緯度、調(diào)查時間、種植類型等信息在內(nèi)的共計1 130個野外調(diào)查點。綜合實地調(diào)查2015年昌吉市作物分布樣點信息與對遙感影像的目視解譯，由于不同月份的作物光譜特征不同，在遙感影像上表現(xiàn)出紋理不同，可以建立作物感興趣區(qū)，分別有棉花、小麥、玉米和其他作物四類。選取作物樣本時一部分樣本選取作為訓練樣本，另一部分樣本選取作為驗證樣本，用來檢驗監(jiān)督分類時樣本的精度。選擇的樣本要具有代表性，能夠代表作物的顯著特征。以7月份的影像為參照，每種作物分類選取了100個訓練樣本和50個驗證樣本，共計600個作物樣本。見表2。

2.2 數(shù)據(jù)預處理方法

遙感影像的預處理過程就是糾正遙感成像的過程，也是對影像數(shù)據(jù)糾正與重建的過程[15-16]。受傳感器姿態(tài)、高度、速度等外在因素的影響，使遙感影像在一定程度上產(chǎn)生了幾何變形，很大程度會降低遙感影像的精度，需要對遙感圖像進行預處理工作[17-18]。本文對GF-1影像進行預處理，主要進行幾何校正、輻射定標、大氣校正和圖像裁剪等預處理。

（1）利用ENVI 5.3提供的Radiometric Correction工具箱中的Radiometric Calibration工具完成影像的輻射定標。

（2）以ENVI 5.3中FLASSH Atmospheric Correction對輻射定標后的影像進行大氣校正。

（3）將得到的經(jīng)過大氣校正的影像進行幾何校正，本文使用空間分辨率2 m的GF-2影像為基準圖像，對GF-1影像進行校正，采用二次多項式、雙線性內(nèi)插法重采樣，地圖投影采用UTM_Zone_45_North，地理坐標系為WGS-84。

（4）利用昌吉市行政區(qū)劃矢量數(shù)據(jù)對GF-1影像進行裁剪，裁剪時保持裁剪邊界與影像投影一致，利用ENVI 5.3的裁剪模塊對影像完成裁剪。

3 結(jié)果與分析

3.1 最佳識別月份的確定

對不同月份的影像進行監(jiān)督分類之前需驗證樣本可分離性，根據(jù)昌吉市2015年5—9月高分一號遙感影像數(shù)據(jù)的棉花與其他三類作物可分離性報表可以看出，棉花與其他三類作物可分離性精度合格（分離度>1.8），可以進行監(jiān)督分類可分離性精度（表3）。

根據(jù)研究區(qū)主要的四種作物分類類型分析，選擇2015年5—9月GF-1共5期遙感影像作為監(jiān)督分類的基礎(chǔ)數(shù)據(jù)，基于提取的適宜棉花生長的耕地掩膜運用支持向量機的分類方法（SVM）進行監(jiān)督分類，結(jié)果如表4所示。endprint

選取支持向量機分類方法對GF-1不同時期遙感影像進行監(jiān)督分類精度對比，其中支持向量機分類方法對GF1影像監(jiān)督分類結(jié)果進行精度分類驗證，分類精度為95.24%，Kappa系數(shù)為0.935分類精度最高的是7月影像。

3.2 最佳識別方法的確定

根據(jù)棉花與其他作物分類的可分離性分析（表3）可知，2015年7月GF-1遙感影像各待分地類之間的可分離性最高。研究中選擇2015年7月GF-1遙感影像進行監(jiān)督分類，以提取棉花面積種植信息。如表5所示。

將可分離性最高7月GF-1遙感影像，分別用最大似然法、平行六面體、最小距離法、馬氏距離法、支持向量機這五種分類方法進行分類，從表5可以看出支持向量機分類法總體精度、Kappa系數(shù)均高于其他四類分類方法。

3.3 提取棉花種植面積精度計算及驗證

3.3.1 最小圖斑處理 在計算機上，通常面積大于6個像元的面狀地類、地物在遙感影像圖上可以解譯識別[19-20]。本研究在確定最佳識別月份和最佳識別方法后，對監(jiān)督分類后的結(jié)果先進行碎斑處理，主要目的是去除分類圖中比較均勻的圖斑上散亂分布的孤立像素。本文分別選取將小于3、6、9個像元點合并到其他圖斑，旨在研究合并最小圖斑像元點個數(shù)差異對于面積解譯精度的影響。

3.3.2 野外實地調(diào)查點驗證解譯精度 根據(jù)監(jiān)督分類解譯的矢量數(shù)據(jù)結(jié)果圖與實地野外作物調(diào)查點數(shù)據(jù)疊加，以實地調(diào)查的野外調(diào)查點檢驗分析監(jiān)督分類精度。在ARCGIS 10.2中，通過Intersect工具對監(jiān)督分類結(jié)果矢量圖與1 130個野外調(diào)查點疊加，獲得野外調(diào)查點相對應地塊的解譯類型，根據(jù)屬性表篩選出監(jiān)督分類解譯與野外調(diào)查點信息一致的地塊數(shù)目。以野外調(diào)查點驗證監(jiān)督分類解譯精度（表6）。

由表6可知，根據(jù)野外調(diào)查點進行精度驗證得到作物總體分類精度為75.93%，野外調(diào)查點中共計154個棉花野外調(diào)查點，其中解譯棉花部分的精度評價顯示，解譯結(jié)果與野外調(diào)查點一致的棉花野外調(diào)查點共136個，其中有18個漏分的棉花野外調(diào)查點，由于棉花與玉米生育期重疊時間比較長，其中12個漏分的棉花野外調(diào)查點被劃分為玉米野外調(diào)查點，棉花野外調(diào)查點漏分誤差11.69%。在驗證解譯精度的總體野外調(diào)查點中共有57個包括玉米、小麥、其他作物的野外調(diào)查點被錯分為棉花野外調(diào)查點，棉花錯分誤差29.53%，棉花解譯精度為88.31%。

3.3.3 作物樣本驗證解譯精度 根據(jù)野外調(diào)查樣本數(shù)據(jù)建立的600個地表真實數(shù)據(jù)感興趣區(qū)（ROI）與監(jiān)督分類解譯的矢量數(shù)據(jù)結(jié)果圖疊加，可以獲得作物樣本相對應地塊的解譯類型。以作物樣本檢驗分析監(jiān)督分類精度，根據(jù)屬性表篩選出監(jiān)督分類解譯與作物樣本一致的地塊數(shù)目。以野外調(diào)查點為基礎(chǔ)建立的ROI驗證監(jiān)督分類解譯精度（表7）。

由表7可知，根據(jù)野外調(diào)查點建立的作物樣本進行精度驗證得到作物總體分類精度為94.50%，其中解譯棉花部分的精度評價顯示，作物樣本中共計150個棉花作物樣本，其中解譯結(jié)果與作物樣本一致的棉花樣本共146個，由于棉花與玉米生育期重疊時間比較長，其中有4個漏分的棉花作物樣本，被劃分為玉米作物樣本，棉花作物漏分誤差2.67%。在驗證解譯精度的總體作物樣本中共有5個包括玉米、小麥、其他作物在內(nèi)的作物樣本被錯分為棉花作物樣本，棉花錯分誤差3.31%，棉花解譯精度為97.33%。

本研究選取的作物樣本很合理，無論是對于作物總體分類精度還是棉花分類精度，選取的包括訓練樣本和驗證樣本的作物樣本對棉花種植分布進行精度檢驗顯示作物解譯精度和棉花解譯精度很好。

3.3.4 提取棉花種植面積精度計算 在ENVI 5.3中得到的最佳監(jiān)督分類方法解譯出的最佳識別月份的遙感影像數(shù)據(jù)，其監(jiān)督分類結(jié)果數(shù)據(jù)類型為柵格數(shù)據(jù)，然后通過ARCGIS 10.2軟件中Raster to Polygon工具，將處理后的不同月份監(jiān)督分類結(jié)果圖矢量化。通過以上處理分析后，ARCGIS 10.2中，根據(jù)屬性表計算棉花分布區(qū)域的面積，并根據(jù)昌吉市統(tǒng)計局公布的棉花面積與解譯面積計算精度，提取精度=1-[ABS（調(diào)查面積-解譯面積）/調(diào)查面積]，根據(jù)合并不同大小最小圖斑處理結(jié)果，選取棉花最佳識別面積方案。

由表8可以看出，選擇不同像元點個數(shù)最小圖斑合并對解譯面積影響存在較為明顯影響，隨著合并像元圖斑個數(shù)的增加，合并0個像元圖斑對應的解譯面積相比合并3個像元圖斑對應的解譯面積差異較大，相差21 hm2。選擇合并9個像元圖斑對應的解譯面積與合并6個像元圖斑對應的解譯面積差異不顯著，相差1 hm2。選擇合并6個像元圖斑的棉花種植面積提取結(jié)果最準確。

4 結(jié)論與討論

4.1 結(jié) 論

本研究選取2015年5—9月GF-1共5景遙感衛(wèi)星影像，對研究區(qū)昌吉市進行棉花種植面積信息提取研究，得出以下結(jié)論。

（1）作物樣本可分離性最高影像為7月，GF-1支持向量機分類法確定的最佳時相也是7月。7月是識別棉花面積的最佳時相，可分離性高，分類精度高，提取棉花種植面積最為準確。

（2）利用監(jiān)督分類方法中的馬氏距離、最小距離、平行六面體、基于支持向量機、最大似然法分別對GF-1遙感影像數(shù)據(jù)進行監(jiān)督分類，支持向量機分類法為解譯精度最高的監(jiān)督分類方法。

（3）棉花面積解譯識別的最佳方案是，基于GF-1遙感數(shù)據(jù)7月為最佳識別月份的基于支持向量機為最佳識別方法，選取合并小于6個像元的最小圖斑處理為最佳，實現(xiàn)精度最高的棉花面積識別。2015年昌吉市棉花提取面積為15 974 hm2，提取精度為95.79%。

4.2 討 論

通過野外實地調(diào)查并結(jié)合2015年昌吉市作物物候歷可知，7月是棉花生長最旺盛的時期，棉花生物量達到飽和，而玉米處于營養(yǎng)生長期，小麥已收獲，通過影像上的紋理最容易區(qū)分棉花與其他農(nóng)作物。9月玉米還在成熟期，其他作物都已收獲，而棉花還在吐絮期，在此生長期棉花與玉米并不容易區(qū)分。面積提取結(jié)果表明，選取合并小于6個像元的最小圖斑處理為最佳，7月的識別精度最高最易于識別，提取精度高達95.79%，支持向量機是精度最高的監(jiān)督分類方法。endprint

此外，本次研究也存在一些不足之處。主要有以下幾點。

（1）本研究監(jiān)督分類選取空間分辨率為16 m的GF-1遙感影像數(shù)據(jù)，未能與其他數(shù)據(jù)源進行對比研究，不同分辨率的遙感影像數(shù)據(jù)可能會影響監(jiān)督分類精度。

（2）GF-1影像數(shù)據(jù)受時間分辨率影響，可選擇使用的影像時間范圍較小，所獲得的影像時間與作物生長期重合度有待提高。

（3）本研究采用監(jiān)督分類的方法識別棉花種植面積。為更加快速解譯棉花分布范圍并獲得棉花種植面積，可以通過對數(shù)據(jù)的挖掘，獲得基于決策樹的作物分類方法，以提高地面調(diào)查工作量，提高棉花種植面積的提取周期。

參考文獻：

[1]蒙繼華， 杜鑫， 張淼， 等. 物候信息在大范圍作物長勢遙感監(jiān)測中的應用[J]. 遙感技術(shù)與應用， 2014， 29（2）： 278-285.

[2]李郁竹. 農(nóng)作物氣象衛(wèi)星遙感監(jiān)測和估產(chǎn)研究進展及前景探討[J]. 氣象科技， 1997， （3）： 30-36.

[3]江東， 王乃斌， 楊小喚. 我國糧食作物衛(wèi)星遙感估產(chǎn)的研究[J]. 自然雜志， 1999， 21（6）： 351-355.

[4]MATHUR A， FOODY G M.Crop classification by support vector machine with intelligently selected training data for an operational application[J]. International journal of remote sensing， 2008，29（8）： 2227-2240.

[5]ZHONG L， GONG P， BIGING G S. Efficient corn and soybean mapping with temporal extendability： A multi-year experiment using Landsat imagery[J]. Remote sensing of environment， 2014， 140（1）： 1-13.

[6]PAN Y， LI L， ZHANG J， et al. Crop area estimation based on MODIS-EVI time series according to distinct characteristics of key phenology phases： a case study of winter wheat area estimation in small-scale area[J]. Journal of remote sensing， 2011， 15（3）： 578-594.

[7]TURKER M， OZDARICI A. Field-based crop classification using SPOT4， SPOT5， IKONOS and QuickBird imagery for agricultural areas： a comparison study[J]. International journal of remote sensing， 2011， 32（24）： 9735-9768.

[8]王瓊， 王克如， 李少昆， 等. HJ衛(wèi)星數(shù)據(jù)在棉花種植面積提取中的應用研究[J]. 棉花學報， 2012， 23（6）： 503-510.

[9]熊勤學， 黃敬峰. 利用NDVI指數(shù)時序特征監(jiān)測秋收作物種植面積[J]. 農(nóng)業(yè)工程學報，2009，1（24）： 144-148.

[10]彭代亮. 基于統(tǒng)計與MODIS數(shù)據(jù)的水稻遙感估產(chǎn)方法研究[D]. 杭州： 浙江大學， 2009.

[11]劉佳岐. 基于Landsat8遙感影像的扶風縣蘋果園地信息提取研究[D]. 楊凌： 西北農(nóng)林科技大學， 2015.

[12]陳文倩， 丁建麗， 王嬌， 等. 基于高分一號影像的土地覆被分類方法初探[J]. 干旱區(qū)地理， 2016， 39（1）： 182-189.

[13]潘騰， 關(guān)暉， 賀瑋. “高分二號”衛(wèi)星遙感技術(shù)[J]. 航天返回與遙感， 2015， 36（4）： 16-24.

[14]趙良斌， 曹衛(wèi)彬， 唐春華， 等. 新疆棉花遙感識別最佳時相的選擇[J]. 新疆農(nóng)業(yè)科學， 2008， 45（4）： 618-622.

[15]劉排英. 基于光譜面積和IHS變換的水體提取的研究[D]. 長沙： 中南大學， 2010.

[16]何同弟. 高光譜圖像的分類技術(shù)研究[D]. 重慶： 重慶大學， 2014.

[17]YANG G， STWART C， SOFKA M， et al. Registration of challenging image pairs：initialization， estimation， and decision[J]. IEEE transactions on pattern analysis and machine intellingence， 2007， 29（11）： 1973-1989.

[18]王媛， 葉思菁， 岳彥利， 等. 面向高分一號遙感影像的自動幾何配準算法對比[J]. 農(nóng)業(yè)機械學報， 2015， 46（12）： 260-266.

[19]韋燕燕. 高分辨率遙感數(shù)據(jù)最小上圖圖斑面積的研究[D]. 焦作： 河南理工大學， 2012.

[20]陳粲， 張忠啟， 史學正， 等. 不同分類級別土壤矢量圖與最小可分柵格的關(guān)系研究[J]. 土壤學報， 2011， 48（3）： 470-477.endprint