基于多源遙感數(shù)據(jù)的羅平油菜種植面積提取方法研究

李 杰 劉陳立 汪 紅 張 軍

(1. 云南大學(xué)資源環(huán)境與地球科學(xué)學(xué)院，云南 昆明 650500；2. 西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650224)

農(nóng)作物信息的快速獲取與解析是開展精準(zhǔn)農(nóng)業(yè)實(shí)踐的前提和基礎(chǔ)，是突破制約中國現(xiàn)代農(nóng)業(yè)應(yīng)用發(fā)展瓶頸的關(guān)鍵[1]。我國自20世紀(jì)70年代開始引進(jìn)農(nóng)業(yè)遙感技術(shù)，因該技術(shù)及時(shí)、準(zhǔn)確、客觀等優(yōu)勢，在農(nóng)作物種植面積信息提取方面具有其他方法不可替代的優(yōu)勢，是當(dāng)今農(nóng)作物信息提取和面積估算較為普遍的手段[2]。國內(nèi)學(xué)者王娜、張亞亞、朱爽等在該領(lǐng)域均進(jìn)行了大量研究工作[3-5]，較好地揭示了研究區(qū)農(nóng)作物的種植情況。

油菜 (Brassicacampestris) 作為我國五大油料作物之首，是繼水稻 (Oryzasativa)、小麥 (Triticumaestivum)、玉米 (Zeamays) 和大豆 (Glycinemax) 之后的第五大優(yōu)勢作物，已成為我國主要經(jīng)濟(jì)作物和食用油作物的重要來源[6]。Breckling等[7]，李丹丹等[8]，鐘仕全等[9]基于中高分辨率影像，采用多種提取模型以及數(shù)據(jù)源，對各研究區(qū)的油菜種植進(jìn)行了提取和監(jiān)測。然而，在油菜提取領(lǐng)域的研究多是基于單個(gè)像元的光譜特征來進(jìn)行影像信息的分析和識別，此類方法過于著眼局部而忽略了影像的紋理、形狀、大小及上下文關(guān)系等特征，進(jìn)而制約了信息提取的精度。面向?qū)ο蟮男畔⑻崛》椒ㄡ槍Φ氖菍ο蠖皇莻鹘y(tǒng)意義上的像元，突破了基于像元方法過多關(guān)注地物局部細(xì)節(jié)而難以提取地物的整體結(jié)構(gòu)信息的局陷，可有效地提高中高空間分辨率數(shù)據(jù)的自動識別精度[10]。宋茜[11]、詹福雷[12]、謝國雪等[13]學(xué)者采用面相對象的分類方法，對高分辨率遙感影像進(jìn)行地物信息提取，均取得較高的精度。

目前，羅平縣的菜籽生產(chǎn)業(yè)，油脂加工業(yè)，蜂產(chǎn)品加工業(yè)以及旅游業(yè)等已成為當(dāng)?shù)刂еa(chǎn)業(yè)，找到一種可快速、客觀地提取油菜種植面積的方法對其油菜產(chǎn)業(yè)發(fā)展極為重要。鑒于此，本研究以羅平縣為研究區(qū)，以GF-1 WFV和陸地資源衛(wèi)星Landsat8 OLI為數(shù)據(jù)源，分別采用面向?qū)ο蟮淖钹徑ê突谙裨淖畲笏迫环ㄌ崛×_平縣油菜種植區(qū)信息，通過精度評價(jià)以及與官方面積的相對誤差統(tǒng)計(jì)，比較2種提取方法對2種數(shù)據(jù)的提取效果。研究結(jié)果對于掌握當(dāng)?shù)赜筒朔N植現(xiàn)狀以及進(jìn)一步進(jìn)行長勢監(jiān)測和估產(chǎn)具有重要指導(dǎo)意義，此外，還可為縣域農(nóng)作物種植信息提取提供參考。

1 研究區(qū)概況

云南省曲靖市羅平縣地處滇、黔、桂交界處，位于東經(jīng)103°57′～104°43′，北緯24°31′～25°25′，縣境東西寬75 km，南北長99 km，海拔728～2 461 m，全縣面積約3 025 km2。氣候類型為南亞熱帶氣候和高原季風(fēng)氣候，年平均氣溫約15.1 ℃[14]。地勢“西北高，東南低”，屬喀斯特巖溶地貌，境內(nèi)水能蘊(yùn)藏量極為豐富。主要農(nóng)作物有玉米、水稻、小麥、油菜、姜 (Zingiberofficinale)、煙草 (Nicotianatabacum) 等，其中油菜屬于冬季作物，一般9月底至10月初播種，10月中上旬移栽，11月至12月底為生長期，次年1月為花薹期，2月初至3月底是開花期，花期長達(dá)40 d，4月為落花期，5月為成熟期，生長周期約180 d[15]。

2 材料與方法

2.1 數(shù)據(jù)來源

采用GF-1 WFV和Landsat8 OLI影像數(shù)據(jù)，選擇2—3月的影像進(jìn)行油菜識別。數(shù)據(jù)分別來源于遙感集市 (http://www.rscloudmart.com/) 和美國地質(zhì)勘查局 (http://glovis.usgs.gov/)。鑒于油菜種植隨高程分布差異較為明顯，本研究選取地理空間數(shù)據(jù)云 (http://www.gscloud.cn/) 30 m分辨率的GDEM數(shù)據(jù)作為輔助分類數(shù)據(jù)。另外，選用野外采集的964個(gè)樣本點(diǎn)進(jìn)行分類精度評價(jià)。

2.2 影像預(yù)處理

Landsat8 OLI影像已經(jīng)過系統(tǒng)的幾何校正，故只需對其進(jìn)行大氣校正，再采用NNDiffuse Pan Sharpening法[16]融合多光譜與全色波段；然后以融合后的Landsat8 OLI影像為基本校正影像，利用影像RPC參數(shù)和GDEM數(shù)字高程模型，對2景GF-1 WFV數(shù)據(jù)進(jìn)行正射校正和大氣校正；最后對校正好的影像進(jìn)行拼接，并利用羅平縣的矢量數(shù)據(jù)裁剪出研究區(qū)。

2.3 分類系統(tǒng)

根據(jù)研究對象和國家土地利用分類系統(tǒng)標(biāo)準(zhǔn)[17]，將分類系統(tǒng)確定為油菜、林地、裸地、建設(shè)用地、水域和耕地6類。其中，耕地主要包括有農(nóng)作物覆蓋的地塊，因收割后耕地光譜特性更接近于裸露地表，故將其歸為裸地；開花季節(jié)的油菜和其他作物光譜差異顯著，區(qū)分較為容易。分類系統(tǒng)可歸類為植被區(qū) (油菜、耕地、林地) 和非植被區(qū) (建筑用地、裸地、水域) 兩類體系，利用eCognition建立分類層次，并對每一類地物定義樣本和特征空間作為分類參考依據(jù)。研究選擇影像的光譜特征均值、亮度值和最大偏差值等作為分類依據(jù)，以突出不同地類的特征值。最后，利用eCognition中的sample工具進(jìn)行每類地物訓(xùn)練區(qū)樣本的選擇，盡量使各類地物樣本分布均勻。

2.4 分類方法

2.4.1最大似然分類法

最大似然法是遙感影像監(jiān)督分類最常用的方法之一。該算法通過對遙感數(shù)據(jù)像元統(tǒng)計(jì)分析，假定各類地物均為正態(tài)分布，通過訓(xùn)練樣本，根據(jù)判決準(zhǔn)則構(gòu)建非線性判別函數(shù)，通過判定每個(gè)像元對各類別的歸屬度，把各像元分配到相應(yīng)地物中[18]。

2.4.2最鄰近分類

最鄰近分類法通過選取一系列訓(xùn)練樣本對象，選擇特征空間，在特征空間中計(jì)算待分類影像對象和各類別訓(xùn)練樣本之間的距離，尋找與待分類影像對象距離最近的樣本對象，然后將待分類對象歸屬到最近樣本對象所在的類別[19-21]。

2.5 分類結(jié)果評價(jià)方法

選取生產(chǎn)者精度、用戶精度、Kappa系數(shù)和總體精度等4個(gè)指標(biāo)對分類結(jié)果進(jìn)行評價(jià)。

3 結(jié)果與分析

3.1 分類結(jié)果精度評價(jià)

研究選取實(shí)地采集的964個(gè)樣本點(diǎn)進(jìn)行精度驗(yàn)證。分別在ENVI 5.3和eCognition中構(gòu)建混淆矩陣，精度評價(jià)結(jié)果見表1。其中，基于最大似然法對Landsat8 OLI和GF-1 WFV的地類信息提取總體精度分別為87.41%和84.58%；基于最鄰近法對Landsat8 OLI和GF-1 WFV的地類信息提取總體精度分別為91.11%和89.21%，均超過80%，提取結(jié)果能夠滿足實(shí)際需要。

油菜提取方面，生產(chǎn)者精度和用戶精度都超過85%。根據(jù)實(shí)際調(diào)查，采用最大似然法分類，在部分喀斯特山區(qū)油菜種植區(qū)易被錯分為耕地，導(dǎo)致油菜提取面積比統(tǒng)計(jì)面積少，這說明僅僅依靠影像的光譜信息進(jìn)行計(jì)算機(jī)自動提取并不能很好的識別油菜。對比最大似然法，采用面向?qū)ο蟮奶崛》椒?，提取精度均有了顯著提高，對于Landsat8 OLI和GF-1 WFV 2種數(shù)據(jù)，其生產(chǎn)者精度分別提高了5.00%和5.71%，用戶精度分別提高了5.00%和6.87%，表明提取過程中，增加影像的紋理和光譜特征可以較為有效地解決漏分和錯分問題。

3.2 提取結(jié)果分析

不同方法和空間分辨率遙感影像提取的油菜種植區(qū)空間分布和油菜面積分別見圖1和表2。

3.2.1油菜種植區(qū)空間分布

由圖1可知，羅平縣油菜種植區(qū)主要集中于羅平縣縣城外圍、馬街鎮(zhèn)以及老廠鄉(xiāng)等地區(qū)。這部分地區(qū)油菜種植呈集中連片分布，碎圖斑較少，形成壯觀的油菜花海景觀，形成該分布主要原因可能是該區(qū)域地形相對較平坦，適合油菜的種植。位于縣域北部的富樂鎮(zhèn)、東部的鐘山鄉(xiāng)以及中部的牛街鄉(xiāng)等地，油菜種植區(qū)呈零星狀分布，而縣域西部以及南部等地區(qū)無油菜種植區(qū)。

圖1 提取的油菜空間分布Fig.1 The spatial distribution of the extracted B.campestris

表2 不同方法和空間分辨率遙感影像提取油菜面積結(jié)果比較Table 2 The results of different methods and spatial resolution remote sensing image for extracting rapeseed area

3.2.2基于不同分類方法提取結(jié)果對比分析

提取所得2017年羅平縣油菜種植面積與同年羅平縣農(nóng)業(yè)局統(tǒng)計(jì)面積相比，相對誤差均小于10% (表2)，提取效果較好。其中，采用最鄰近法提取GF-1 WFV影像所得油菜種植面積的相對誤差值最小，為0.74%，而采用最大似然法提取該影像所得油菜種植區(qū)面積的相對誤差值最大，為-7.37%。對比2種分類方法，發(fā)現(xiàn)基于最大似然法提取的油菜面積相對誤差較大且為負(fù)值，漏分現(xiàn)象明顯，結(jié)合圖1及實(shí)地調(diào)查樣本，發(fā)現(xiàn)漏分區(qū)域主要集中在馬街鎮(zhèn)、老長鄉(xiāng)和阿魯鄉(xiāng)附近，該部分區(qū)域海拔較高，地形復(fù)雜，致提取精度較差；而面向?qū)ο蟮淖罱彿ǚ诸惤Y(jié)果相對誤差較小且為正值，錯分和漏分現(xiàn)象較少，相對于最大似然法，該法提取精度更高，這得益于面向?qū)ο蠓椒ǔ浞掷昧硕喙庾V影像的地物光譜特征及紋理特征。

3.2.3基于不同數(shù)據(jù)源的提取結(jié)果對比分析

對比采用相同方法，不同數(shù)據(jù)源的油菜提取結(jié)果，發(fā)現(xiàn)采用最鄰近法時(shí)，對GF-1 WFV數(shù)據(jù)的提取精度相對誤差僅為0.74%，小于Landsat8 OLI數(shù)據(jù)的2.21%。原因可能是GF-1 WFV數(shù)據(jù)具更高的空間分辨率，對油菜的紋理、形狀、大小等特征的表現(xiàn)優(yōu)于Landsat8 OLI數(shù)據(jù)，更適用于面向?qū)ο蟮奶崛》椒?。而采用最大似然法時(shí)，對Landsat8 OLI數(shù)據(jù)的提取效果更好，這是因?yàn)镚F-1數(shù)據(jù)的多光譜文件只有4個(gè)波段，且多為可見光波段，而Landsat8數(shù)據(jù)波段范圍從可見光波段一直到短波紅外波段，光譜信息更為豐富，更適用于基于像元光譜特征來進(jìn)行地物提取的最大似然法。

4 結(jié)論與討論

本研究以GF-1 WFV和Landsat8 OLI遙感影像為數(shù)據(jù)源，采用最鄰近法和最大似然法提取2017年羅平縣油菜種植區(qū)域，結(jié)果如下：

1) 2種分類方法對2種數(shù)據(jù)源的信息提取，總體分類精度均超過80%。提取的油菜生產(chǎn)者精度和用戶精度均達(dá)到了85%以上。對比2種方法的分類精度，發(fā)現(xiàn)采用面向?qū)ο蟮姆诸惙椒ㄔ诳傮w精度、Kappa系數(shù)以及油菜的生產(chǎn)者精度和用戶精度等方面，均優(yōu)于傳統(tǒng)基于像元的分類方法。

2) 面向?qū)ο蠓诸惙ㄔ趶?fù)雜山區(qū)能避免混合像元錯分問題，比最大似然法單純通過似然度判別類別分類精度高，突破了基于像元分類中局部難以提取地物的局陷，有效避免“椒鹽現(xiàn)象”，使分類更加精準(zhǔn)，更適用于喀斯特山區(qū)進(jìn)行分類。

3) 面向?qū)ο蟮男畔⑻崛》椒茌^好地掌握地物的整體結(jié)構(gòu)信息，對紋理、形狀、大小等特征表現(xiàn)更好的GF-1 WFV數(shù)據(jù)提取精度更高。而采用最大似然法提取光譜特征更為豐富的Landsat8 OLI數(shù)據(jù)，其效果好于用該法提取GF-1 WFV數(shù)據(jù)。

油菜作為羅平縣主要經(jīng)濟(jì)作物，生長季節(jié)和其他冬季作物 (小麥) 相同或近似，單一時(shí)相遙感影像的提取精度較低。由于研究區(qū)位于喀斯特山區(qū)，所獲取的數(shù)據(jù)質(zhì)量較差，2種衛(wèi)星影像也存在半個(gè)月的時(shí)間差，這對提取的油菜面積和精度存在影響。另外，在利用面向?qū)ο蟮姆椒ǚ诸愔校跋穹指钚枰啻卧O(shè)置參數(shù) (圖層權(quán)重值、均質(zhì)因子和分割尺度)，最佳分割尺度難以保證。Landsat8 OLI和GF-1 WFV數(shù)據(jù)具有空間分辨率高，易獲取的優(yōu)勢，能夠滿足區(qū)域尺度范圍油菜的提取，但也存在一定局限性。今后的研究中，需要結(jié)合多源遙感數(shù)據(jù)，對于小范圍的油菜提取，可以結(jié)合高分辨率遙感數(shù)據(jù)和多時(shí)相數(shù)據(jù)，這樣能較好的構(gòu)建作物生長季NDVI曲線，反映其變化特征；而對大范圍油菜的提取，可以利用MODIS和GF-4等數(shù)據(jù)，利用其高時(shí)間分辨率優(yōu)勢，結(jié)合氣候或播種時(shí)間差異對油菜進(jìn)行提取與監(jiān)測，將有利于提高分類精度。