基于Sentinel-2遙感影像的作物信息提取與需水量分析研究

錢 鑫，李培顯，2，謝宏全，郜薇薇，王 楊，劉付程

（1.江蘇海洋大學(xué)海洋技術(shù)與測繪學(xué)院，江蘇連云港 222005；2.山東金田測繪地理信息有限公司，濟南 250000）

0 引 言

作物種植結(jié)構(gòu)信息是農(nóng)業(yè)灌溉用水預(yù)測、農(nóng)業(yè)產(chǎn)量估算、農(nóng)業(yè)補貼定損和區(qū)域水資源分配的重要參考指標(biāo)。自從18 世紀(jì)開始，英美等國采用田測法與筒測法等原始方法進行預(yù)測農(nóng)作物需水的研究。隨后世界各國開始進行小面積農(nóng)業(yè)試驗田的需水量研究[1]，當(dāng)時認定太陽輻射是影響蒸發(fā)的主要因子。1948年P(guān)enman 基于太陽輻射因子對裸土水面牧草等提出了其蒸發(fā)估算公式[2]，1963年Monieith 將地表阻力作為影響因子，提出了Penman-Monteith(P-M)公式[3]。1970年M.E.Jensen通過觀測對比實際蒸發(fā)蒸騰量與潛在蒸發(fā)蒸騰量之間聯(lián)系，提出了土壤水分修正系數(shù)[4]。1972年P(guān)riestley 和Talylor 首先提出了蒸散發(fā)在濕潤氣候條件下的估算公式[5]。自20世紀(jì)后期以來，隨著計算機技術(shù)的不斷發(fā)展與更新?lián)Q代，GIS、遙感等現(xiàn)代地理技術(shù)進入農(nóng)業(yè)測量領(lǐng)域，大大推動了作物需水量研究的進程[6-9]。Kumar 利用Penman-Monteith 公式以及印度比哈爾邦Sabour 區(qū)和Patna 區(qū)的水稻、玉米、小麥、綠豆的作物系數(shù)估算了各作物在兩區(qū)的需水量，并根據(jù)作物在生育期的有效降雨量估算了不同作物的灌溉用水量[10]。王景雷等將主成分分析（PCA）及地理加權(quán)回歸（GWR）方法結(jié)合一起對華北地區(qū)的冬小麥作物需水量空間分布進行了估算，結(jié)果表明該方法可以分析出不同位置不同影響因子對農(nóng)作物需水量的影響[11]。李志新等基于GA-Elman 神經(jīng)網(wǎng)絡(luò)模型在對逐日參考作物需水量預(yù)測時有良好的精度性能及穩(wěn)定性，而且隨機選取進行測試后，其相對誤差絕對值均值為7.24%[12]。隨著空間技術(shù)的不斷發(fā)展，多傳感器、多時間分辨率和多空間分辨率的遙感數(shù)據(jù)已廣泛應(yīng)用于農(nóng)作物種植結(jié)構(gòu)遙感提取，無論是在理論和技術(shù)方法方面，還是在實踐方面都取得了長足的進展[13]。國內(nèi)外學(xué)者發(fā)展了許多不同的方法來提高基于遙感識別農(nóng)作物的精度，為政府相關(guān)部門了解農(nóng)作物種植情況提供了大量的參考與輔助信息[14,15]。由于遙感數(shù)據(jù)繁雜、分類方法多樣、尺度敏感性等問題，使得農(nóng)作物種植結(jié)構(gòu)遙感提取研究尚未系統(tǒng)地梳理，難以開展普適性研究和廣泛應(yīng)用。遙感技術(shù)在農(nóng)業(yè)研究中具有廣闊的前景，與此同時，遙感農(nóng)作物識別方法也存在著一些不足：①相關(guān)研究者在進行遙感影像地物識別分類過程中，根據(jù)研究的重點在實際操作過程中對其數(shù)據(jù)處理的相關(guān)理論和方法不盡相同；使用的源數(shù)據(jù)影像、分類算法模型和處理軟件也是有所區(qū)別；處理結(jié)果的精度也有所差異。②由于誤差因素的存在，在研究過程中對其數(shù)據(jù)誤差與精度評價方面需要系統(tǒng)性分析和進一步的完善。③由于數(shù)據(jù)空間分辨率的限制，部分較小的地塊或者相鄰分布的作物無法區(qū)分，分類精度很難提高。

本文研究的空間尺度較大、時間跨度較長，如果使用高空間分辨率影像和高光譜分辨率影像作為遙感數(shù)據(jù)源，可以獲取整個流域種植信息較豐富的鑲嵌影像；同時黑河流域耕地地塊破碎、農(nóng)作物種植結(jié)構(gòu)復(fù)雜，如果以MODIS、SPOT 等影像作為遙感數(shù)據(jù)源，其伴隨的混合像元現(xiàn)象會嚴(yán)重影響分類精度。因此，根據(jù)本研究的特點，最后選定的高分辨遙感數(shù)據(jù)源如哨兵數(shù)據(jù)（Sentinel）。針對這些問題，本文基于遙感多光譜影像利用多種分類方法相結(jié)合的思路，利用Google Earth Engine（GEE）對黑河流域的農(nóng)作物識別利用多種分類方法，克服混合像元的影響，確保分類精度，探究適合該區(qū)域的分類方法，加入TEM 數(shù)據(jù)與日照時序數(shù)據(jù)，更好的分析影像分類結(jié)果，對祁連山內(nèi)陸河中的黑河流域農(nóng)作物信息進行遙感識別及需水量預(yù)測分析。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

黑河流域是我國境內(nèi)深居西北地區(qū)的第二大內(nèi)陸河流域，其經(jīng)緯度范圍介于97°30′～102°5′E，37°44′～42°41′N 之間，橫跨青海省、甘肅省及內(nèi)蒙古自治區(qū)以及我國重要的國防科研基地東風(fēng)場區(qū)[16]。黑河流域地處歐亞大陸西北要地，且周圍多高山環(huán)繞，致使附近海域的濕潤氣流長時間無法到達，屬于典型溫帶大陸性干旱氣候[17]。上游祁連山地區(qū)山高林密，降水多，年降水量大致為250～500 mm，大部分的水源都來自于上游。中游河西走廊地區(qū)屬于溫帶干旱區(qū)，全年降水稀少，僅有100～250 mm[18]。下游地區(qū)主要是內(nèi)蒙古的荒漠區(qū)，屬于極端干旱區(qū)，年降水量少之又少，只有不到50 mm[19]。

1.2 數(shù)據(jù)源

(1)Sentinel-2 影像數(shù)據(jù)?！吧诒保⊿entinel）系列衛(wèi)星是歐空局為滿足歐洲安全需求專門為實現(xiàn)哥白尼計劃而設(shè)計的一組衛(wèi)星群。高分辨率的Sentinel-2A/B 雙星搭載多光譜成像裝備，主要監(jiān)測土地環(huán)境。其特點具有覆蓋面積廣、重訪周期短等觀測優(yōu)勢[20]。該衛(wèi)星設(shè)備涵蓋了可見光、近紅外到短波紅外等13 個波譜，其波譜范圍在0.4～2.4μm 之間，且在紅邊范圍處含有3 個波段，分別為B5、B6、B7 波段。此外，哨兵影像還有QA10、QA20、QA603 個質(zhì)量波段，而QA60 波段廣泛應(yīng)用于影像去云[21]。

(2)DEM 數(shù)據(jù)。本文的DEM 數(shù)據(jù)來源于GEE 平臺中30 m空間分辨率的全球數(shù)字高程。該數(shù)據(jù)集是Farr 等依靠航天飛機雷達地形項目而生產(chǎn)制作的數(shù)字高程數(shù)據(jù)[22]。利用GEE 重采樣函數(shù)將其轉(zhuǎn)換成10 m 分辨率的高程數(shù)據(jù)，然后按照黑河流域的邊界進行裁剪獲取數(shù)據(jù)。

(3)其他數(shù)據(jù)。柵格數(shù)據(jù)是2011-2015年黑河流域的作物分類結(jié)果[23,24]。樣本點數(shù)據(jù)是基于高分辨率影像的作物分類情況，目視解譯選取樣本點得到矢量數(shù)據(jù)圖層，其數(shù)量為大麥256 個、小麥200 個、玉米307 個、油菜96 個、林地296 個、草地246個、水體243個、人工建筑物407個、裸地418個。

2 研究方法

2.1 決策特征構(gòu)建

(1)光譜特征。通過前期數(shù)據(jù)準(zhǔn)備及預(yù)處理，得到黑河流域的Sentinel-2 影像，其中包括13 個原始光譜波段信息，在GEE 平臺中利用遙感專題指數(shù)計算的公式編寫代碼，完成陸地表面水分指數(shù)（Land Surface Water Index，LSWI）、歸一化差異水體指數(shù)（Normalized Difference Water Index，NDWI）和歸一化建筑指數(shù)（Normalized Difference Built-up Index，NDBI）。所得的指數(shù)作為獨立的波譜加入原始影像中，與13個原始波段作為特征構(gòu)建中的基礎(chǔ)元素。

(2)紋理特征。由于種植結(jié)構(gòu)和種植密度以及影像同譜異物現(xiàn)象，僅利用光譜特征進行作物分類會造成混分，因此選擇加入遙感影像的紋理特征?；叶裙采仃囀菍D像紋理特征統(tǒng)計使用最頻繁的方法[25,26]，針對圖像中的一些具有某種空間位置關(guān)系的像素亮度值不同組合的概率分布。本文利用Sentinel-2 影像的圖像亮度值通過遙感云計算紋理特征的glcmTexture(size)函數(shù)，得到18個因子[27]。

在紋理特征計算前，需將RGB影像轉(zhuǎn)換成Gray影像。參考彩色轉(zhuǎn)灰度的心理學(xué)公式，本文中所使用得轉(zhuǎn)換公式為：

式中：Gray表示灰度值，值域范圍為0～255；R表示紅光波段；G表示綠光波段；B表示藍光波段。

(3)地形特征。由于不同時空分辨率及多源影像，在遙感分類過程中針對不同數(shù)據(jù)源選擇地形特征作為分類依據(jù)之一，添加地形屬性參數(shù)對作物遙感識別的分類結(jié)果精度的提高有至關(guān)重要的作用。利用GEE 平臺中的ee.Algorithms.Terrain(srtm)函數(shù)獲得海拔高度、坡度、坡向和山體陰影等屬性信息，再對數(shù)據(jù)進行重采樣，輸出地形特征。

2.2 基于CROPWAT模型的作物需水量分析

作物需水量計算原理是基于作物系數(shù)與參考作物蒸散量的乘積進行確定的。而潛在蒸發(fā)量的計算是利用P-M[4]（Penman-Monteith）公式計算得到，其公式為：

式中：ET0表示參考作物蒸散量；G表示土壤熱通量，逐日計算G的取值為0；Rn表示植物的凈輻射；T表示平均氣溫；γ表示溫度表常數(shù)；Δ表示曲線斜率；U2表示高于地表2m 處的風(fēng)速；es表示飽和水氣壓；ea表示實際監(jiān)測的水氣壓。

本文依據(jù)作物不同階段的作物系數(shù)計算需水量，公式為：

式中：ET0表示參考作物蒸散量；Kc表示作物系數(shù)；ETc表示作物需水量。

3 作物分類與分析

3.1 一級土地分類

在GEE 平臺中計算敏感性，基于隨機森林特征優(yōu)選，計算出每個特征的敏感性強度值并完成特征敏感性的排序并獲取前15個特征（圖1）。

圖1 一級分類特征重要性Fig.1 Importance of primary classification features

通過樣本集數(shù)據(jù)訓(xùn)練及驗證，選擇特征重要性最大的15個分類特征作為分類依據(jù)，其中13個光譜特征、1個紋理特征和1個地形特征。利用隨機森林分類器完成對研究區(qū)內(nèi)土地一級地類解譯，獲取得到黑河流域的土地利用情況。

3.2 二級耕地分類

在一級土地分類的基礎(chǔ)上細化耕地，分為玉米、小麥、大麥和油菜4個二級類。通過GEE計算分析的二級分類特征重要性（圖2）?；谀嫘蚺判蚝瘮?shù)篩選出前15 個特征重要性大的特征，其中光譜特征8個、紋理特征6個和地形特征1個。

圖2 二級分類特征重要性Fig.2 Importance of secondary classification features

特征優(yōu)選結(jié)束后，分別進行支持向量機（Support Vector Machine，SVM）、隨機森林（Random Forest，RF）和決策樹（Decision Tree，DT）的單一和多種分類器的分類算法。通過對比隨機森林、決策樹與支持向量機對作物分類的敏感性獲取分類精度，從而評價不同分類器的分類效果。

3.3 分類結(jié)果分析

利用GEE 平臺中計算并輸出各種評價指標(biāo)，即不同分類器分類結(jié)果的總體精度、Kappa 系數(shù)、用戶精度和制圖精度結(jié)果（表1）。從表1可以得出：利用RF 分類器對油菜及玉米的識別精度較好，尤其是油菜的制圖精度，其制圖與用戶精度均高于其余分類器，但該算法對大麥與小麥的識別精度不是很高。采用DT 分類器，利用回歸決策樹原理，改變了對大麥小麥的識別效果，使其精度比RF 分類算法高，而且對玉米油菜的識別精度也較高，總體精度在多種分類器對比中也達到了最高。

表1 精度驗證結(jié)果Tab.1 Accuracy verification results

4 需水估算與分析

4.1 數(shù)據(jù)處理

利用搜集到的黑河流域的相關(guān)數(shù)據(jù)估算出當(dāng)?shù)刂饕r(nóng)作物的ET0和CWR。首先，完成第一模塊ET0數(shù)據(jù)的獲取，即氣象數(shù)據(jù)相關(guān)參數(shù)的導(dǎo)入，包括氣象數(shù)據(jù)五大參數(shù)，通過CROPWAT8.0 軟件計算得到凈輻射（Rad）與ET0值，并獲取其平均值。

完成ET0的計算分析后，點開第二模塊Rain，將逐月降雨量數(shù)值依次輸入對應(yīng)月份的降雨量。在Crop 模塊中依次輸入農(nóng)作物名稱、初播日期、作物系數(shù)Kc及各個生長周期天數(shù)等數(shù)據(jù)，其中分為初始生育期、快速發(fā)育期、生育中期、成熟期。通過CROPWAT模型結(jié)合各種數(shù)據(jù)計算分析得出玉米、大麥、小麥、油菜的作物需水量。

4.2 ETc估算

在對ETc分析計算過程中主要考慮氣候條件的影響，因此通過CROPWAT模型計算站點的數(shù)據(jù)，獲得站點的各種作物的需水量。

4.2.1 不同區(qū)域作物的需水量分析

通過CROPWAT 模型計算出的數(shù)據(jù)確定4 個作物生長期的需水量，并分別繪制成圖（圖3），作物主要以小麥為例分析各個站點的ETc變化特征。依據(jù)圖3可知：各站點小麥的需水量差異性不大，生長中期差值最大，約為100 mm；生長初期差值最小，約為3 mm。綜合考慮小麥各階段的ETc大致為：生長初期各站點的值相近，約為21 mm。隨著幼苗長大，在生長發(fā)育期ETc約在85～100 mm 范圍內(nèi)，均值為91.3 mm。作物到達生長中期需水量達到最大，約為343.1 mm。成熟期需水量逐漸減少，約為190.6 mm。

圖3 作物各站點需水量Fig.3 Water demand of crop stations

通過對作物的需水計算，獲得作物不同生育階段的ETc。基于作物生長周期分析了不同作物、不同周期需水量情況，從總體情況分析可知：玉米各個周期內(nèi)的需水量區(qū)別較大，其生長中期的需水量大于其他3個階段總的需水量；小麥和大麥的各階段需水量整體相似，需水量均為生長中期驟增；油菜在周期內(nèi)的需水量差異性較小，對水的需求量平滑過渡。

4.2.2 不同作物的逐月需水量分析

由于每月的氣溫、降雨量不同，致使作物生長周期中的每月需水量分布差異明顯，見表2和圖4。結(jié)合表2和圖4以小麥為例進行分析各個站點的逐月ETc變化特征。

圖4 不同站點作物逐月需水量Fig.4 Monthly water demand of crops at different stations

表2 作物的ETc逐月百分比%Tab.2 Monthly percentage of ETc of crops

小麥三月為播種期，ETc是最低值，在20.1～23.0 mm 之間，平均值為21.4 mm；4月份為苗期，小麥的ETc逐漸增長到85 mm以上；5月份是拔節(jié)期，ETc迅速增長到180 mm；6月份是抽穗期，ETc增長至200 mm 左右，該時段ETc達到最高值；7月份是成熟期，平均值為118.0 mm，ETc需求逐漸下降。因此了解作物的整周期的逐月需水量變化情況，為保證作物的正常生長，在每月農(nóng)田旱情時，加大灌溉力度及次數(shù)。

4.3 CWR估算

利用CWR（Crop Water Requirements）模塊結(jié)合各要素對灌溉用水量（圖5）進行估算。圖5展現(xiàn)了針對各個站點其附近不同作物的灌溉需求。依據(jù)中游區(qū)域氣象數(shù)據(jù)估算出的ETc和逐日采集的降雨量獲取灌溉用水量。當(dāng)?shù)剞r(nóng)業(yè)發(fā)展歷史為灌溉農(nóng)業(yè)型，一年中作物的生育所需的水大部分來源于農(nóng)業(yè)灌溉，而大氣降雨屬于輔助補給水源，因此可以認為灌溉用水量為作物需水量與大氣降水量的差值，從而獲取有效降雨量就能得出灌溉用水量。

圖5 灌溉用水量Fig.5 Irrigation water demand

為使作物在生長周期得到應(yīng)有的水分滋養(yǎng)，以10 d 為一個時段。對作物各時段灌溉用水量分析，小麥自3月中旬4月初（假設(shè)3月10日開始）播種算起，到7月底8月初收割（本文假設(shè)定為7月27 為收獲日），共計15 個時段，將4 種作物各時段所需灌溉水量、作物需水量及作物系數(shù)變化情況繪制成圖（圖6）。本文以小麥為例，圖6可以看出小麥整周期分為15 個時段，在8～12 時段，Kc曲線平滑成直線，而灌溉用水量幾乎每個時段達到最多，這是小麥拔節(jié)到灌漿期，ETc也相應(yīng)達到最大值，CWR 大約每時段需要55 mm 左右，因此在此時段加大農(nóng)業(yè)用水灌溉力度，保證其自身的生長發(fā)展。最終基于CROPWAT 分析各個作物CWR，估算作物全周期的用水量。其中大麥、小麥、玉米與油菜的每公頃灌溉用水量為4 500～6 000、4 500～6 750、6 000～7 500、3 000～4 500 m3。

圖6 小麥、玉米、大麥和油菜逐時段灌溉需求Fig.6 Irrigation demand of wheat，corn，barley and rape period by period

4.4 結(jié)果分析

通過估算作物的ETc，分別從作物生長周期及月度需水量進行了分析，發(fā)現(xiàn)不同作物之間，在不同發(fā)育期需水量存在很大的差異性。其表現(xiàn)在整個作物生長過程中，前期水需求量較小，中間階段需水量達到頂峰，后期需水量逐漸減少。生長發(fā)育時期，一般是在作物的需水臨界期間，對水的需求程度較高，事關(guān)作物產(chǎn)量。例如在作物的抽穗期，對田地間的缺水性問題敏感程度最高，特別是拔節(jié)到乳熟階段。若該時段作物很大程度上缺水，對作物的生長極為不利，造成大幅度減產(chǎn)，因此根據(jù)天氣原因，確保水分的供給。

5 結(jié) 論

本文利用遙感云計算平臺對黑河流域的作物進行識別提取，并選用CROPWAT模型完成作物需水量分析，得到的主要研究成果如下：從氣候影響因子、模型等方面總結(jié)了作物需水量分析的研究，表明在我國選用CROPWAT模型對作物需水量進行研究的適用性較強；基于RF、DT 及Ensemble3 種分類算法對作物識別提取，通過對比分析發(fā)現(xiàn)基于DT 分類精度較高；基于CROPWAT模型，依據(jù)降水量估算出大麥、小麥、玉米與油菜的全周期每公頃地灌溉用水量分別為4 500～6 000、4 500～6 750、6 000～7 500、3 000～4 500 m3，依據(jù)當(dāng)?shù)睾登榧肮喔葪l件，為當(dāng)?shù)剞r(nóng)作物需水量提供有效的數(shù)據(jù)支撐。