基于高分一號寬幅時序影像的冬小麥分布識別研究

萬叢　梁治華　張錦水

摘要 及時、準確地獲取農作物空間分布范圍和面積數(shù)據(jù)，對于制定農業(yè)政策和指導農業(yè)生產具有重要的參考意義。以河南省中牟縣為研究區(qū)，利用國產高分一號時序影像開展冬小麥提取研究，利用冬小麥物候特征，結合先驗知識和高分影像，提取了2018年夏收冬小麥的空間分布范圍。結果表明，結合冬小麥物候信息和時序影像建立冬小麥提取模型，可以快速準確獲取冬小麥的種植范圍，總體精度達到90.1%，為縣域冬小麥的快速提取提供方法參考。

關鍵詞 物候特征;高分一號;時序影像;冬小麥識別

中圖分類號 S 127文獻標識碼 A文章編號 0517-6611（2020）23-0256-04

doi：10.3969/j.issn.0517-6611.2020.23.067

Extraction of Winter Wheat Distribution Based on GF-1 Time Series Imagery

WAN Cong1，LIANG Zhi-hua2，ZHANG Jin-shui2

（1.Data Management Center， National Bureau of Statistics of the Peoples Republic of China， Beijing 100826;2.Institute of Remote Sensing Science and Engineering，F(xiàn)aculty of Geographical Science，Beijing Normal University，Beijing 100875）

Abstract Timely and accurately obtaining data of crops distribution and planting area is important for establishing agriculture policy and guiding agricultural production. In this paper，we choose Zhongmu County in Henan Province as the study area， based on Gaofen 1 satellite time series images and the phonological information， we extracted the distribution of the winter wheat by constructed classification model. The result showed that the model which synthesize phonological and time series images can extract information of planting area of winter wheat，the total accuracy is 90.1%，the method can support analysis on planting area of winter wheat in county scale.

Key words Phonological characters;Gaofen 1 satellite;Time series image;Winter wheat identification

農作物空間分布數(shù)據(jù)是開展作物長勢監(jiān)測、估產及災害預警評估的數(shù)據(jù)基礎[1]，對于掌握農業(yè)基本情況、指導調控農業(yè)生產、優(yōu)化農作物種植結構和制定農業(yè)產業(yè)政策具有重要參考價值。常規(guī)的統(tǒng)計調查需投入較大的人力和物力，且數(shù)據(jù)獲取周期較長，而遙感技術具有現(xiàn)勢性強、覆蓋范圍大、信息準確等特點，已被廣泛應用于各類資源調查、地表覆蓋監(jiān)測、土地利用變化檢測等領域[2]，并被越來越多應用于農作物種植范圍提取[3]、作物長勢監(jiān)測[4]、估產[5]等方面。

利用遙感影像進行冬小麥種植范圍提取常用的方法為選擇冬小麥關鍵物候期的遙感影像進行最大似然法、神經網(wǎng)絡法、線性混合像元分解、光譜角制圖等算法進行影像分類[6-8]。而種植結構復雜、同期多類作物共生的地區(qū)由于可能存在的“同物異譜、異物同譜”現(xiàn)象，不同作物在同期遙感影像上可能表現(xiàn)出相近的光譜、紋理特征，因此僅依靠單一時期遙感影像進行作物識別存在難度或精度較低的問題。

由于不同農作物具有各自獨特的物候特征，其差異可以作為作物類型識別的重要依據(jù)，而遙感影像上作物的光譜特征與農作物的生理參數(shù)相關，能夠反映出作物生長的季節(jié)變化。利用遙感技術重復觀測的優(yōu)勢獲取作物生長周期內的時序影像，可以結合物候特征實現(xiàn)作物提取。目前利用時序遙感影像進行作物提取的方法有基于時序光譜特征或植被指數(shù)的線性光譜混合像元分解法[9]、非監(jiān)督分類[10]、面向對象分類等方法[11]，該類方法需要對時序數(shù)據(jù)進行濾波平滑等操作，識別過程較復雜。相較于其他時序影像分類方法，閾值法具有規(guī)則簡單、運算過程容易的特點。

高分一號衛(wèi)星是我國高分辨率對地觀測系統(tǒng)重大專項天基系統(tǒng)中的第一顆衛(wèi)星，為我國提供了新的高分辨率對地遙感觀測數(shù)據(jù)源。由于高分一號衛(wèi)星具有高時間分辨率和空間分辨率的優(yōu)勢，已經廣泛應用于專題信息獲取、土地利用監(jiān)測、農業(yè)遙感觀測等領域，如葉面積指數(shù)反演、水體提取、土地利用監(jiān)測等[12-14]。

中牟縣是河南省首批農業(yè)標準化示范縣之一，近年來大力發(fā)展特色農業(yè)和都市型現(xiàn)代農業(yè)。中牟縣農作物種植類型多樣，大蒜、西瓜、水稻、花生等種植比例均較大，種植結構復雜、地塊破碎。尤其是冬小麥與大蒜種植面積均較大，且生長物候期較接近，準確獲取農作物種植范圍和面積存在一定的困難。

針對中牟縣種植結構較復雜的情況，尤其是處于拔節(jié)期的冬小麥與大蒜在遙感影像上的光譜和紋理特征均比較相近，筆者綜合利用2018年夏收冬小麥生長周期內的時序高分一號影像，構建冬小麥提取模型，進行冬小麥分布范圍識別，以期消除大蒜等同期作物的影響，為同類種植情況的地區(qū)提取冬小麥空間分布提供試驗基礎。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)概況

中牟縣位于中國糧食大省河南省中部地區(qū)（34°26′～34°56′N、113°46′～114°12′E），東南與尉氏縣相鄰，西南與新鄭市相接，西部與鄭州市城區(qū)接壤，北與原陽縣交界。研究區(qū)位置如圖1所示，土地總面積為1 416.6 km2。氣候類型屬于比較典型的中緯度暖溫帶大陸性季風氣候，主要表現(xiàn)為氣候溫和，四季分明，雨熱同期。該地自然條件有利于多種植物生長，近年來逐步將傳統(tǒng)農業(yè)轉變?yōu)椤吧鷳B(tài)高效、現(xiàn)代物流、休閑觀光”的復合型都市生態(tài)農業(yè)和特色農業(yè)。同時由于農作物復種，區(qū)域內種植的農作物類型多樣，且部分農作物類型生長周期較接近，因此準確獲取農作物空間分布和面積對于掌握農業(yè)基本信息、服務農業(yè)標準化示范縣具有重要參考價值。

1.2 數(shù)據(jù)與預處理

根據(jù)研究區(qū)遙感影像實際覆蓋情況，該研究數(shù)據(jù)源主要包含以下幾類數(shù)據(jù)：①覆蓋冬小麥生長周期的高分一號WFV影像及高分二號PMS影像，如表1所示;②中牟縣冬小麥、大蒜物候特征，如表1所示;③中牟縣行政區(qū)劃矢量。其中，高分一號影像主要作為時序特征提取冬小麥分布范圍的數(shù)據(jù)源，高分二號作為選取訓練樣本的參考和精度評價樣本的參考依據(jù)，物候等信息用于影像篩選和冬小麥識別特征選取的依據(jù)，行政區(qū)劃數(shù)據(jù)主要用于中牟縣區(qū)域影像裁剪。

由表1可知，中牟縣冬小麥播種以及越冬返青時間較接近，4月份冬小麥處于孕穗抽穗的生長旺盛期時，大蒜也處于抽薹期，植株生長狀態(tài)一致，在遙感影像上表現(xiàn)出相近的光譜和紋理特征。

利用獲取的該研究高分二號影像和部分野外觀測先驗知識，共生成200個檢驗點，其中冬小麥驗證點共99個，其他類型驗證點為101個，檢驗點空間分布如圖2所示，用于冬小麥識別結果的精度評價。

2 研究方法

2.1 技術路線

該研究技術路線如圖3所示，主要包括高分時序影像預處理、結合物候信息與時序特征的冬小麥物候信息定量表達分析、冬小麥識別模型構建與實現(xiàn)以及精度評價等過程。

2.2 影像預處理

為消除影像成像過程中的氣溶膠等因素的影響，獲取真實地表反射率以計算植被指數(shù)，該研究利用中國資源衛(wèi)星應用中心公布的高分一號影像輻射定標系數(shù)，采用FLAASH模型進行了大氣校正。

利用分辨率為30 m的DEM數(shù)據(jù)對反射率數(shù)據(jù)進行了正射校正，并通過自動校正的方法對時序影像進行了相對配準，以便進行時序分析時，冬小麥及其他類型地物的空間位置能夠準確匹配，影像校正結果的相對位置誤差小于0.5個像元。

最終利用中牟縣行政區(qū)劃數(shù)據(jù)進行裁剪，獲取了研究區(qū)內影像數(shù)據(jù)，統(tǒng)一為Albers 投影、CGCS 2000坐標系。

2.3 時序特征分析冬小麥識別

研究區(qū)冬小麥和大蒜的生長周期較接近，在冬小麥返青至成熟前，大蒜與冬小麥的影像特征和紋理特征接近，僅利用單一時刻的影像特征難以準確區(qū)分作物類型，而因為物候的差異，不同農作物在整個生長過程中會呈現(xiàn)一定的差異，因此可以利用覆蓋農作物生長周期的時序影像表現(xiàn)出的變化特征，實現(xiàn)不同農作物類型的區(qū)分。

中牟縣主要以一年兩熟的冬小麥—夏玉米輪作方式為主，能夠對該地的自然、土地條件進行充分利用。其中冬小麥一般在10月播種，12月下旬開始進入越冬期，次年3月開始進入返青期，4月左右達到生長旺季，6月上、中旬成熟收獲，整個生長周期近8個月。

遙感應用實踐證明，不同類型的植被指數(shù)能很好地作為反映植被生長狀態(tài)的指標之一[15]，該研究分析比較了NDVI、EVI、RVI等植被指數(shù)對于冬小麥生長狀態(tài)的表征能力，最終選擇NDVI作為本區(qū)域冬小麥識別的特征參數(shù)，與反射率數(shù)據(jù)共同作為構建模型的輸入?yún)?shù)。

NDVI=（ρnir-ρred）/（ρnir+ρred）（1）

式中，ρnir和ρred分別表示近紅外和紅光波段的地表反射率。

結合高分辨率遙感影像和先驗知識，選擇研究區(qū)內冬小麥及其他類型農作物樣本點，統(tǒng)計分析冬小麥及其他地物類型在冬小麥處于不同生長期時的NDVI值變化特征（圖4）。中牟縣冬小麥與大蒜的NDVI變化特征較一致，在生長周期內，冬小麥NDVI值呈現(xiàn)出大于大蒜的特征，而林地、草地等其他類型地物表現(xiàn)出與冬小麥明顯差異的變化規(guī)律。2017年11月上旬，冬小麥處于播種后出苗階段的NDVI值較低;而后隨著三葉分蘗生長過程的推進，NDVI值逐漸增大;2018年1—2月中旬，冬小麥處于越冬期，NDVI值處于略微降低并穩(wěn)定的狀態(tài);3月份隨著越冬期結束，冬小麥開始返青，植株葉片增多，NDVI值持續(xù)升高;直至4月份時，冬小麥處于生長旺盛狀態(tài)，NDVI值增至最大;5月下旬至6月上中旬，冬小麥成熟收割，其NDVI值呈減小的特征。根據(jù)以上冬小麥生長周期內的NDVI值變化規(guī)律及與其他作物的差異，可以分析得到冬小麥不同生長時期的NDVI閾值范圍，該研究建立的閾值條件如表2所示，據(jù)此構建冬小麥識別的決策樹模型，完成冬小麥空間分布識別。

2.4 精度評價

混淆矩陣通過將影像識別結果與地表真實情況對比，計算得到遙感影像識別結果的精度，該研究將冬小麥的識別結果與精度評價檢驗點進行對比分析，通過混淆矩陣計算總體精度（Overall Accuracy，OA）和Kappa系數(shù)進行冬小麥識別結果的定量精度評價，見公式（2）、（3）。

式中，nrr表示混淆矩陣中第r行第r列樣本個數(shù)，n+r和nr+分別表示第r行和第r列的樣本個數(shù)，n為用于精度評價的樣本個數(shù)。

3 結果與分析

3.1 精度評價

基于高分一號時序影像的中牟冬小麥空間分布識別結果，總體精度為90.50%，Kappa數(shù)為0.81，總體精度較高。在實際為冬小麥的99個驗證點中，共有7個錯分為其他類型，12個實際為其他類型的驗證點被錯分為冬小麥，其中冬小麥錯分為其他類型的的情況主要出現(xiàn)在冬小麥種植地塊面積較小、與大蒜種植區(qū)域鄰近的位置，主要原因為種植面積較小的冬小麥與生長物候期相近的大蒜區(qū)域在中分辨率遙感影像上以混合像元的形式存在，光譜特征比較相似，僅利用中分辨率遙感影像難以區(qū)分;而在冬小麥大面積種植區(qū)域中，部分面積較小的大蒜等其他作物則在中分辨率影像上體現(xiàn)出冬小麥的光譜特征和植被指數(shù)變化特征，導致被錯分為冬小麥。

3.2 冬小麥識別結果分析

基于高分一號時序影像提取得到中牟縣冬小麥識別結果（圖5），得出中牟縣冬小麥主要分布在北部及東南部，地塊面積較大且規(guī)整，而中部區(qū)域分布的冬小麥面積較小且分散，與其他作物或地物類型間隔分布?；诟叻忠惶栔蟹钟跋竦亩←溩R別結果能夠較好地表現(xiàn)出中牟縣冬小麥的空間分布范圍和特征。

4 結論與討論

筆者以河南省中牟縣為研究區(qū)，針對種植結構復雜、冬小麥與大蒜同期種植的情況，利用冬小麥生長周期內的多期高分一號遙感影像，結合作物的物候特征，構建時間序列的冬小麥識別模型，提取出冬小麥分布，取得了滿意的識別精度。形成結論如下：

①針對冬小麥關鍵期的NDVI，設置合理的閾值，組合時間序列特征，能夠準確地提取出冬小麥的分布，該方法簡單易行，可以為開展常態(tài)化冬小麥種植監(jiān)測提供方法參考。

②利用時序遙感數(shù)據(jù)進行冬小麥識別，能夠在一定程度上降低“異物同譜”現(xiàn)象造成的影響，消除同期農作物造成的光譜混淆問題，保證了冬小麥的識別精度。

參考文獻

[1] 婁徑，解華明.省域冬小麥種植面積遙感本底調查方法：以安徽省冬小麥遙感本底調查為例[J].安徽農業(yè)科學，2016，44（17）：269-271.

[2] BROWN J C，KASTENS J H，COUTINHO A C，et al.Classifying multiyear agricultural land use data from Mato Grosso using time-series MODIS vegetation index data[J].Remote sensing of environment，2013，130（4）：39-50.

[3] 毛良君，單捷，于堃，等.GF-1衛(wèi)星數(shù)據(jù)在水稻長勢監(jiān)測中的應用[J].安徽農業(yè)科學，2016，44（18）：256-259.

[4] 胡瑩瑾，崔海明.基于RS和GIS的農作物估產方法研究進展[J].國土資源遙感，2014，26（4）：1-7.

[5] 劉振波，鄒嫻，葛云健，等.基于高分一號WFV影像的隨機森林算法反演水稻LAI[J].遙感技術與應用，2018，33（3）：458-464.

[6] 張建國，李憲文，吳延磊.面向對象的冬小麥種植面積遙感估算研究[J].農業(yè)工程學報，2008，24（5）：156-160，316.

[7] 武永利，趙永強，靳寧.單時相MERSI數(shù)據(jù)在冬小麥種植面積監(jiān)測中的應用[J].中國農學通報，2011，27（14）：127-131.

[8] 郭燕，武喜紅，程永政，等.用高分一號數(shù)據(jù)提取玉米面積及精度分析[J].遙感信息，2015，30（6）：31-36.

[9] 景元書，李根，黃文江.基于相似性分析及線性光譜混合模型的雙季稻面積估算[J].農業(yè)工程學報，2013，29（2）：177-183，299.

[10] 許青云，楊貴軍，龍慧靈，等.基于MODIS NDVI多年時序數(shù)據(jù)的農作物種植識別[J].農業(yè)工程學報，2014，30（11）：134-144.

[11] 彭光雄，宮阿都，崔偉宏，等.多時相影像的典型區(qū)農作物識別分類方法對比研究[J].地球信息科學學報，2009，11（2）：225-230.

[12] 谷金英，晏明，張曉嬌，等.利用高分一號影像提取水體信息的方法研究[J].農業(yè)與技術，2018，38（11）：24-26，109.

[13] 江東，陳帥，丁方宇，等.基于面向對象的遙感影像分類研究：以河北省柏鄉(xiāng)縣為例[J].遙感技術與應用，2018，33（1）：143-150.

[14] 田海峰，周伯燕，陳燕芬，等.縣域尺度上基于GF-1PMS影像的冬小麥種植面積遙感監(jiān)測[J].中國農業(yè)大學學報，2017，22（10）：139-146.

[15] 喬振民，邢立新，潘軍，等.SPOT-VGT時序數(shù)據(jù)的土地覆蓋應用[J].安徽農業(yè)科學，2011，39（3）：1859-1861.

作者簡介 萬叢（1986—），女，山東泰安人，碩士，從事統(tǒng)計信息化研究。*通信作者，工程師，碩士，從事農業(yè)遙感研究。

收稿日期 2020-06-22