作物耕作節(jié)律與多時(shí)相遙感結(jié)合的山地耕地信息提取方法探索

武英潔，房世波

(中國(guó)氣象科學(xué)研究院，中國(guó)氣象局遙感與氣候信息開放實(shí)驗(yàn)室，北京 100081)

【研究意義】山地是指在陸地表面高度較大，同時(shí)坡度較陡，呈隆起性的地貌，由于山地環(huán)境較為復(fù)雜且異質(zhì)性較大，植被類型復(fù)雜多樣，山地耕地分布比例小、地塊小、破碎度大、斑塊化分布特征明顯。由于地塊破碎，植被類型復(fù)雜多樣，采用20～30 m中分辨率的遙感數(shù)據(jù)進(jìn)行耕地分布和面積提取存在一些困難。而耕地是人類生存必不可少的基本資源，是社會(huì)發(fā)展的基礎(chǔ)，準(zhǔn)確掌握耕地面積及其變化具有重要意義，當(dāng)前中分辨率的Landsat系列、中巴資源衛(wèi)星等由于歷史數(shù)據(jù)豐富和數(shù)據(jù)質(zhì)量穩(wěn)定而被廣泛應(yīng)用到耕地面積及其變化的應(yīng)用中，但如何提高應(yīng)用中分辨率遙感影像提取復(fù)雜山地區(qū)耕地的精度是亟需研究的問(wèn)題。【前人研究進(jìn)展】目前應(yīng)用遙感數(shù)據(jù)進(jìn)行耕地提取的方法大致可以分為兩類[1-7]：一類是應(yīng)用單景遙感影像，以耕地光譜特征為基礎(chǔ)，直接提取耕地信息，這類方法操作簡(jiǎn)單，但由于不同植物的光譜特征相似，在多光譜分類中常存在同譜異物的問(wèn)題，導(dǎo)致分類精度不高，無(wú)法適應(yīng)地塊破碎、植被類型復(fù)雜多樣的復(fù)雜山地的耕地信息提??；另一類是應(yīng)用多時(shí)相遙感影像，基于耕地作物的植被蓋度或植被指數(shù)的時(shí)間變化特征提取耕地信息或作物類型信息，但是復(fù)雜山區(qū)由于高程、坡度和坡向差異造成氣溫和降水空間變異質(zhì)性大，導(dǎo)致氣候類型多樣，植被類型復(fù)雜多樣，且不同高程的作物物候也存在一定差異，加上山區(qū)地塊破碎，這增加了多時(shí)相遙感方法在復(fù)雜山地區(qū)應(yīng)用的難度?！颈狙芯壳腥朦c(diǎn)】作物耕作是基于當(dāng)?shù)貧夂蛱卣鞫嗄陮?shí)踐的結(jié)果，每種農(nóng)作物都有一定的農(nóng)耕季節(jié)和耕作時(shí)間，且這種耕作農(nóng)時(shí)在一定時(shí)期存在每年重復(fù)的特征，即每年差不多在固定的時(shí)令，在裸地上進(jìn)行播種，而播種后每種作物在差不多固定的時(shí)令開花、結(jié)果、成熟和收割，這種規(guī)律性的耕作節(jié)律導(dǎo)致每種作物在植被蓋度和植被指數(shù)上都有自己周期性的曲線，如何將這種作物耕作節(jié)律與多時(shí)相遙感結(jié)合，進(jìn)行復(fù)雜山地區(qū)的耕地信息提取是一個(gè)需要進(jìn)一步研究的問(wèn)題。另外，這種結(jié)合耕作節(jié)律和多時(shí)相遙感的多源信息能在多大程度上提高復(fù)雜山地區(qū)的耕地分布的提取精度，須要通過(guò)實(shí)例來(lái)具體分析?！緮M解決的關(guān)鍵問(wèn)題】本文在前人研究的基礎(chǔ)上，以植被覆蓋率較高的復(fù)雜山區(qū)四川省會(huì)理縣為研究區(qū)，首先分析了該地區(qū)主要作物的耕作節(jié)律特征，然后在此基礎(chǔ)上結(jié)合影像數(shù)據(jù)的云量情況選擇可區(qū)分各類作物的典型時(shí)間的Landsat影像，并分析各時(shí)間的地表覆被情況，最后基于地表覆被NDVI的時(shí)間序列變化特征，采用監(jiān)督分類的方法成功提取了研究區(qū)的耕地信息，并對(duì)分類結(jié)果進(jìn)行了精度評(píng)價(jià)和簡(jiǎn)要分析。

1 研究區(qū)概況

四川省會(huì)理縣(26°5′～27°12′N，101°52′～102°38′E)位處四川省西南，位于四川省涼山彝族自治州最南端，總面積4509 km2。會(huì)理縣境內(nèi)山巒起伏，河流縱橫，溝谷相間，地勢(shì)北高南低，屬中亞熱帶西部半濕潤(rùn)氣候區(qū)，森林覆蓋面積廣，約占總面積的38 %，地形以山地、丘陵、平壩為主，其中山地約占幅員面積的40 %，是復(fù)雜山區(qū)的典型代表。

2 研究方法

2.1 研究區(qū)作物耕作節(jié)律分析

通過(guò)綜合分析2017年四川省西昌、冕寧和昭覺(jué)農(nóng)業(yè)氣象觀測(cè)站站點(diǎn)觀測(cè)的作物發(fā)育期數(shù)據(jù)，可以得到四川省作物生長(zhǎng)發(fā)育的一般規(guī)律。從表1可以看出，四川省主要種植作物為小麥、大麥、玉米、水稻、馬鈴薯、煙草，隨季節(jié)的變化耕地種植作物及其生育期變化顯著。

2.2 多時(shí)相遙感數(shù)據(jù)選擇及其預(yù)處理

根據(jù)上面的作物生長(zhǎng)及其耕作信息的季節(jié)變化和時(shí)間節(jié)律，進(jìn)行遙感數(shù)據(jù)時(shí)相的確定，時(shí)相選擇原則是通過(guò)幾個(gè)時(shí)相的變化差異，可以準(zhǔn)確的區(qū)分耕地和非耕地信息。根據(jù)這一原則，最終確定以Landsat 8多光譜圖像為數(shù)據(jù)源，選用2016年4月3日、6月6日及8月25日3期影像，單景影像平均云量均小于30 %。該數(shù)據(jù)為L(zhǎng)1T標(biāo)準(zhǔn)地形糾正產(chǎn)品，經(jīng)過(guò)系統(tǒng)輻射校正和地面控制點(diǎn)幾何校正，并且通過(guò)DEM進(jìn)行了地形校正，地圖投影為UTM-WGS84 6°分帶投影坐標(biāo)系。此外，本文應(yīng)用了會(huì)理縣行政邊界數(shù)據(jù)及部分研究區(qū)2016年5月8日GF-2衛(wèi)星1A數(shù)據(jù)。對(duì)于選取的Landsat 8多光譜圖像首先采用FLAASH的方法進(jìn)行大氣校正，然后將Landsat 8數(shù)據(jù)和GF-2數(shù)據(jù)進(jìn)行配準(zhǔn)。

表2 地物圖像特征

耕地的遙感圖像特征與種植的農(nóng)作物及其耕作和季節(jié)變化密切相關(guān)，因此耕地遙感圖像隨季節(jié)的變化非常顯著。四川省會(huì)理縣耕地多種植一季稻，部分耕地為冬小麥、大麥-玉米或冬小、大麥-煙草輪作，研究區(qū)內(nèi)除耕地外的主要地物類型有：水體、建筑物、林地和裸巖等低植被覆蓋地。從表2可以看出，耕地與非耕地的差異信息明顯，3個(gè)典型時(shí)相可以多次將多個(gè)類型不同植被覆蓋的地物區(qū)分開，從而提高了分類的精度，減少了誤分的可能。

2.3 不同地物植被信息在3個(gè)時(shí)相的差異及其特征提取

對(duì)于植被的研究，目前應(yīng)用最廣泛的植被指數(shù)是歸一化植被指數(shù)(NDVI)[8]，它是表征地表植被特征的重要手段，在植被分類、區(qū)域土地覆蓋分類及其變化、作物長(zhǎng)勢(shì)檢測(cè)及物候檢測(cè)、自然災(zāi)害監(jiān)測(cè)等方面都得到了廣泛的應(yīng)用[9]。由于地表地物的植被覆蓋情況在時(shí)間序列上有著明顯的變化規(guī)律，則其對(duì)應(yīng)遙感影像計(jì)算所得的NDVI隨時(shí)間的變化情況也具有明顯的規(guī)律性，圖1為研究區(qū)域分類的主要土地覆蓋類型的NDVI時(shí)間序列示例。根據(jù)地物覆蓋在時(shí)間序列覆蓋的特征規(guī)律，為表2中所展示的每種土地覆蓋地物類型選擇10個(gè)純像素，并根據(jù)GF-2影像驗(yàn)證其土地覆蓋類型。從圖中可以看出不同地物的NDVI時(shí)間變化序列相差較大，整體而言，耕地的NDVI值變化較大，而其他地物變化較平緩。其中，水體的NDVI值為負(fù)值，林地全年的NDVI值都偏高，未利用地和建筑物的NDVI值均在0.3以下。耕地由于不同時(shí)間地表覆蓋地物有所不同，NDVI變化較大。因此可以利用耕地與其他地物之間NDVI變化的差異，采用目視解譯與監(jiān)督分類相結(jié)合的方法提取出研究區(qū)的土地利用類型信息。

圖1 研究區(qū)域分類的主要土地覆蓋類型的NDVI時(shí)間序列示例

圖2 訓(xùn)練集與測(cè)試集分布情況

2.4 耕地信息提取

由于Landsat 8數(shù)據(jù)分辨率比較低，造成了地物識(shí)別的困難，因此通過(guò)目視解譯GF-2數(shù)據(jù)，來(lái)判別地物的類型，提高所構(gòu)選的感興趣區(qū)域的準(zhǔn)確性，進(jìn)而提高分類的精度。本文共勾選樣本84個(gè)，其中耕地的樣本有49個(gè)，各類型地物勾選的樣本均為純凈像元，如圖2所示。利用選取的各類地物的樣本，應(yīng)用支持向量機(jī)的方法監(jiān)督分類4月3日、6月6日及8月25日3個(gè)時(shí)期的NDVI合成圖，從而得到該區(qū)域的土地利用類型信息。

3 結(jié)果與分析

3.1 精度評(píng)價(jià)

通過(guò)目視解譯GF-2影像選擇檢驗(yàn)樣本對(duì)分類結(jié)果進(jìn)行精度評(píng)定，共勾選驗(yàn)證樣本97個(gè)，驗(yàn)證樣本的分布情況如圖2中所示。從表3可知，冬小麥、大麥-煙草輪作耕地的生產(chǎn)者精度最高為95.45 %，種植一季稻的耕地分類結(jié)果的生產(chǎn)者精度最低為79.63 %，種植一季稻的用戶精度最高為87.76 %，部分地區(qū)種植未知作物的耕地用戶精度最低為53.85 %。整體而言，生產(chǎn)者精度大于用戶精度，由此說(shuō)明各類耕地分類基本已被全部分出，但由于受到云等其他因素的影響，致使將其他地物類型錯(cuò)分為耕地。

將提取的耕地同高分二號(hào)影像數(shù)據(jù)進(jìn)行對(duì)比，由圖3可見，耕地集中分布區(qū)域和零散分布區(qū)域提取結(jié)果均較為準(zhǔn)確。但是由于Landsat8數(shù)據(jù)分辨率為30 m，遠(yuǎn)低于高分二號(hào)影像數(shù)據(jù)，所以提取結(jié)果在邊緣處會(huì)存在一些誤差。在耕地集中分布地區(qū)混合像元中耕地所占比例較大，會(huì)將一些居民地錯(cuò)分為耕地，在耕地零散分布區(qū)域，混合像元中耕地所占比例較小，會(huì)漏分部分耕地?？傮w而言，耕地提取結(jié)果與實(shí)際情況基本吻合，分類效果較好。

表3 各耕地類型分類精度

圖3 結(jié)果驗(yàn)證對(duì)比

3.2 耕地信息提取結(jié)果

根據(jù)不同地物NDVI的時(shí)序特征，將四川省會(huì)理縣耕地提取出來(lái)，具體分布情況如圖4所示。由于會(huì)理縣地處山區(qū)，耕地分布較為零散，圖4很好的體現(xiàn)這一特點(diǎn)。統(tǒng)計(jì)得出四川省會(huì)理縣耕地各類型用地面積(表4)，該縣耕地總面積為1371.21 km2，約占該縣總面積的30 %。其中，種植一季稻的耕地面積最大，為749.21 km2，占耕地面積的54 %。冬小麥、大麥-玉米和冬小麥、大麥-煙草輪作的耕地面積接近。2016年陳傳華等應(yīng)用Landsat影像采用基于規(guī)則的面向?qū)ο蠓诸惖姆椒ǚ治鼋y(tǒng)計(jì)了2000-2015年會(huì)理縣的地表覆蓋情況，統(tǒng)計(jì)得知2015年會(huì)理縣耕地總面積約為1250 km2 [10]，與本文所得結(jié)果與之接近，由此說(shuō)明了本文耕地信息提取效果良好。

表4 各耕地類型面積統(tǒng)計(jì)

圖4 2016年四川省會(huì)理縣耕地分類

4 結(jié)論與討論

本文根據(jù)耕地與其他地物在植被覆蓋時(shí)間序列變化上的區(qū)別，基于多時(shí)相遙感影像，提出了一種作物耕作節(jié)律與多時(shí)相遙感結(jié)合的耕地信息遙感提取方法。為驗(yàn)證提取精度，本文應(yīng)用該方法，結(jié)合多時(shí)相Landsat 8中分辨率遙感影像和GF-2高分辨率影像，采用監(jiān)督分類的方法，對(duì)四川省會(huì)理縣進(jìn)行分類，成功提取了該地區(qū)的耕地。并對(duì)提取耕地進(jìn)行了面積和空間兩方面的驗(yàn)證，結(jié)果表明耕地提取結(jié)果與實(shí)際情況基本吻合，由此說(shuō)明該方法應(yīng)用于復(fù)雜山區(qū)中耕地的提取是可行的。運(yùn)用作物耕作節(jié)律與多時(shí)相遙感結(jié)合的方法提取耕地信息速度快，且結(jié)果具有一定的現(xiàn)勢(shì)性和較高的準(zhǔn)確性，可以滿足耕地利用及管理中對(duì)耕地信息適時(shí)獲取的要求，可以應(yīng)用于對(duì)歷史耕地矢量數(shù)據(jù)中地塊錯(cuò)分進(jìn)行修正、更新漏分問(wèn)題等。

耕地上的植被覆蓋是一個(gè)變化的過(guò)程，采用單一影像提取耕地的不確定性較大[11]。同時(shí)由于氣候原因，很難獲得完全無(wú)云的遙感圖像數(shù)據(jù)[12]。四川省多云天氣尤為多，這成為獲取適宜遙感數(shù)據(jù)源的瓶頸。本研究以作物耕作節(jié)律為基礎(chǔ)，結(jié)合一年中關(guān)鍵時(shí)期的多幅遙感影像來(lái)提取耕地，在受到云的影響下分類結(jié)果整體精度較高，也存在部分地物錯(cuò)分為耕地的情況，后期可以考慮結(jié)合前后兩年的遙感影像進(jìn)行分析以降低云所產(chǎn)生的影響[13]。北方地區(qū)相對(duì)而言晴朗天氣較多，可以獲取到更多適合時(shí)期的遙感影像，構(gòu)成邏輯性更強(qiáng)的NDVI時(shí)間序列，應(yīng)用本文所提出的方法可以提取得到分類精度更高且更詳細(xì)的耕地分布，為耕地的管理及合理利用提供更大的幫助。