基于GF-1時間序列影像的引黃灌區(qū)農(nóng)作物種植結(jié)構(gòu)監(jiān)測

高浩 符瑜

（1 國家衛(wèi)星氣象中心，北京 100081；2 中國科學(xué)院大氣物理研究所碳中和中心，北京 100029）

0 引言

衛(wèi)星遙感技術(shù)因其具有覆蓋范圍廣、時效性強(qiáng)、成本低等優(yōu)勢特點(diǎn)，取代傳統(tǒng)的實(shí)地采集的方法，成為農(nóng)作物種植結(jié)構(gòu)監(jiān)測的重要手段[1-2]。中低分辨率衛(wèi)星影像數(shù)據(jù)，因其更新快、易獲取、覆蓋范圍廣等優(yōu)勢，被廣泛應(yīng)用于大范圍農(nóng)作物空間分布監(jiān)測、農(nóng)作物估產(chǎn)、農(nóng)情和預(yù)報(bào)等方面[3-8]。但中低分辨率數(shù)據(jù)混合像元現(xiàn)象嚴(yán)重，光譜識別度有限，制約了農(nóng)作物識別和面積估算精度的提高。

2013年我國第一顆高分系列衛(wèi)星（GF-1）發(fā)射成功后，面向農(nóng)業(yè)應(yīng)用的高時間、高空間及高光譜分辨率的數(shù)據(jù)得到應(yīng)用。國內(nèi)學(xué)者基于GF-1號衛(wèi)星數(shù)據(jù)開展了農(nóng)業(yè)種植結(jié)構(gòu)監(jiān)測應(yīng)用的研究，并取得了重要進(jìn)展[9-16]?？偟膩碚f，盡管不同的衛(wèi)星應(yīng)用技術(shù)方案具有通用性，但由于不同空間分辨率、時間分辨率、軌道特點(diǎn)等差異，導(dǎo)致衛(wèi)星應(yīng)用的具體實(shí)施技術(shù)可移植性較差，基于GF-1衛(wèi)星數(shù)據(jù)的農(nóng)作物識別、種植面積估算方法的適應(yīng)性和應(yīng)用精度還有待進(jìn)一步評估和驗(yàn)證。

本研究綜合考慮農(nóng)作物種植結(jié)構(gòu)監(jiān)測的空間覆蓋、時效性和精細(xì)化等需求特點(diǎn)，利用2018年寧夏引黃灌區(qū)主要農(nóng)作物生長期的GF-1/WFV高空間分辨率寬幅衛(wèi)星影像數(shù)據(jù)，經(jīng)時間序列諧波分析法（HANTS）去除云和水汽等因素引起的噪聲，重新構(gòu)建了高質(zhì)量的歸一化植被指數(shù)（NDVI）時間序列數(shù)據(jù)，結(jié)合實(shí)地考察獲取的主要農(nóng)作物地面樣本數(shù)據(jù)，進(jìn)行研究區(qū)主要農(nóng)作物關(guān)鍵生育期的特征統(tǒng)計(jì)分析，構(gòu)建農(nóng)作物決策分類模型，開展寧夏引黃灌區(qū)主要農(nóng)作物種植面積、空間分布等種植結(jié)構(gòu)的監(jiān)測分析，從而提高研究區(qū)農(nóng)情信息監(jiān)測精度，提升高分衛(wèi)星在西北旱區(qū)農(nóng)業(yè)領(lǐng)域的精準(zhǔn)精細(xì)化服務(wù)能力，為農(nóng)業(yè)生產(chǎn)、管理和決策服務(wù)提供信息支持。

1 研究區(qū)概況和數(shù)據(jù)

1.1 研究區(qū)概況

寧夏引黃灌區(qū)位于黃河上游下河沿和石嘴山水文站之間，地貌類型為黃河沖擊平原，地勢平坦，屬于溫帶大陸性干旱氣候，日照充足、溫差較大、干旱少雨、蒸發(fā)強(qiáng)烈。年平均溫度為8～9 ℃，年降水量為180～200 mm，年蒸發(fā)量為1100～1600 mm。灌區(qū)涉及范圍包括銀川市、石嘴山市、吳忠市和中衛(wèi)市的12個縣（市），土地面積為6573 km2，其中耕地面積2213 km2，主要農(nóng)作物有春小麥（3—7月）；玉米（4—9月）；水稻（3—10月）等。

1.2 遙感影像數(shù)據(jù)

國產(chǎn)高分一號衛(wèi)星（GF-1）搭載4臺寬覆蓋多光譜相機(jī)（WFV），掃描幅寬800 km，16 m空間分辨率，重返周期2 d，光譜范圍0.45～0.89 μm，包含4個波段（表1）。根據(jù)研究范圍和主要農(nóng)作物的物候歷，從中國資源衛(wèi)星中心獲取2018年覆蓋主要農(nóng)作物（春小麥、玉米和水稻）生長季（3—10月），云覆蓋度小于5%，共計(jì)184景多時相GF-1（WFV）影像數(shù)據(jù)。對GF-1影像數(shù)據(jù)進(jìn)行幾何粗校正、輻射定標(biāo)、大氣校正、幾何精校正和鑲嵌等預(yù)處理，形成GF-1時間序列影像數(shù)據(jù)，用于農(nóng)作物種植結(jié)構(gòu)的監(jiān)測。

表1 GF-1衛(wèi)星有效載荷技術(shù)指標(biāo)Table 1 Payload technical specifications of GF-1 satellite

1.3 地面樣本點(diǎn)數(shù)據(jù)

2018 年8 月13—17 日，利用手持Garmin-GPSMap60CS和數(shù)碼相機(jī)，采取分層隨機(jī)采樣的方式，到寧夏引黃灌區(qū)進(jìn)行主要農(nóng)作物的地面樣本采集（圖1）。實(shí)地采集地面樣本點(diǎn)470個，其中春小麥樣本50個，玉米樣本195個，水稻樣本164個，其他樣本61個。按7∶3的比例將采集到的樣本分為訓(xùn)練樣本和驗(yàn)證樣本，用于農(nóng)作物的分類和精度驗(yàn)證。

圖1 研究區(qū)主要農(nóng)作物地面樣本點(diǎn)分布Fig.1 Spatial distribution of ground sample points of main crops in the study area

2 研究方法

2.1 技術(shù)路線

基于2018年覆蓋研究區(qū)主要農(nóng)作物生長期的GF-1/WFV衛(wèi)星影像數(shù)據(jù)，進(jìn)行時序數(shù)據(jù)的預(yù)處理，然后進(jìn)行歸一化植被指數(shù)（NDVI）的計(jì)算和高質(zhì)量NDVI時序數(shù)據(jù)的重構(gòu)，通過對主要農(nóng)作物NDVI時序曲線關(guān)鍵生育期特征的統(tǒng)計(jì)分析，構(gòu)建農(nóng)作物決策樹分類模型，實(shí)現(xiàn)基于高分衛(wèi)星的農(nóng)作物種植結(jié)構(gòu)精準(zhǔn)和精細(xì)化的監(jiān)測分析（圖2）。

圖2 高分一號衛(wèi)星農(nóng)作物分類技術(shù)路線Fig.2 The flowchart of crop classification using GF-1 satellite data

2.2 GF-1衛(wèi)星NDVI時間序列數(shù)據(jù)重構(gòu)

基于寧夏引黃灌區(qū)2018年3—10月的184景GF-1/WFV衛(wèi)星影像數(shù)據(jù)，進(jìn)行了3—10月的衛(wèi)星影像的輻射定標(biāo)、大氣校正、正射校正、地理校正、影像鑲嵌等預(yù)處理，通過NDVI計(jì)算和月最大值合成，形成了覆蓋寧夏引黃灌區(qū)的2018年3—10月的NDVI時序數(shù)據(jù)集。NDVI的計(jì)算公式如下：

其中：NDVI是歸一化植被指數(shù)，Rnir和Rred分別為近紅外波段和紅波段的反射率。

研究選取的GF-1/WFV衛(wèi)星影像雖然云覆蓋較低，但是原始數(shù)據(jù)中仍然存在一些噪聲，不宜直接進(jìn)行分析和信息提取。因此，針對建立的NDVI時間序列數(shù)據(jù)，采用HANTS方法去除云、水汽等干擾的噪聲，重新構(gòu)建高質(zhì)量的NDVI時間序列數(shù)據(jù)。HANTS方法進(jìn)行影像重構(gòu)時充分考慮了植被生長周期性和數(shù)據(jù)本身的雙重特點(diǎn)，能夠用代表不同生長周期的植被頻率曲線重新構(gòu)建時序NDVI影像，真實(shí)反映植被的周期性變化規(guī)律，已被廣泛的應(yīng)用到農(nóng)業(yè)遙感領(lǐng)域。

研究中HANTS方法對NDVI時間序列數(shù)據(jù)進(jìn)行重構(gòu)的有效數(shù)據(jù)范圍（Valid data range）設(shè)置為[-1，1]，擬合誤差（Fitting error tolerance）為0.05，剩余點(diǎn)個數(shù)（DOD）為8，頻率數(shù)（Number of frequencies）為3[9]。對經(jīng)過濾波重新構(gòu)建的NDVI時序數(shù)據(jù)和最大值合成的NDVI時序數(shù)據(jù)對比（圖3），可以看出，經(jīng)過時間序列諧波分析法進(jìn)行平滑處理過的NDVI時間序列數(shù)據(jù)有效地消除了異常波動，減少了噪聲的影響，基本保持了原有曲線的基本趨勢，使得NDVI時間序列能夠比較真實(shí)地反映NDVI植被指數(shù)隨時間的變化，濾波后的NDVI曲線能更準(zhǔn)確地反映作物生長發(fā)育狀況。

圖3 NDVI時序數(shù)據(jù)重構(gòu)前后對比Fig.3 Comparison of NDVI time series data before and after reconstruction

2.3 決策樹分類模型構(gòu)建

根據(jù)寧夏主要農(nóng)作物的種植情況，采用主要農(nóng)作物物候觀測資料歸納典型物候期特征（表2），并結(jié)合HANTS濾波后的NDVI時間序列數(shù)據(jù)獲得各個主要類型農(nóng)作物不同時間段時序曲線。水稻生長前期稻田含有水體特性是區(qū)別于其他植被的最顯著特征[11]，利用歸一化水體指數(shù)（NDWI）可以區(qū)分水稻和其他植被。NDWI由以下公式計(jì)算：

表2 研究區(qū)主要農(nóng)作物生長歷程Table 2 Growth process of main crops in the study area

其中，NDWI是歸一化水體指數(shù)，Rgreen和Rnir分別為綠波段和近紅外波段的反射率。

本研究以農(nóng)作物的NDVI值時序曲線和特征值，以及關(guān)鍵生育期的NDWI特征作為識別主要農(nóng)作物的關(guān)鍵切入點(diǎn)，通過地面樣本和先驗(yàn)物候信息的統(tǒng)計(jì)分析獲得目標(biāo)作物的NDVI標(biāo)準(zhǔn)時序曲線和多時相特征，以及關(guān)鍵生育期的NDVI和NDWI的分割閾值，建立分類決策樹模型（圖4），采用分層決策樹方法逐像元提取出主要農(nóng)作物的空間分布。研究中農(nóng)作物的關(guān)鍵分割閾值基于70%的地面樣本確定，以地面樣本統(tǒng)計(jì)主要農(nóng)作物和下墊面類型逐月的NDVI值，獲得其NDVI時間序列曲線，同時統(tǒng)計(jì)得到不同農(nóng)作物的NDVI的最大值、最小值、方差等統(tǒng)計(jì)特征值，依據(jù)地面樣本的特征統(tǒng)計(jì)信息最終確定識別主要農(nóng)作物的關(guān)鍵閾值。

圖4 基于GF-1/WFV的研究區(qū)主要農(nóng)作物識別流程Fig.4 Identification process of main crops in the study area based on GF-1/WFV

3 結(jié)果與分析

3.1 主要農(nóng)作物分類時序特征

不同地物NDVI時間序列特征顯示（圖5a），春小麥、玉米和水稻的NDVI時序曲線都呈現(xiàn)典型的單峰型結(jié)構(gòu)，植被和非植被的NDVI最大值差別較大。從發(fā)育過程來看，3—5月間春小麥各個生育期較玉米和水稻提前，其NDVI值都明顯高于玉米和水稻，5—6月的拔節(jié)期和孕穗期，其NDVI值逐漸增大，6月NDVI值達(dá)到生育期峰值，隨著灌漿乳熟期的到來，NDVI值逐漸下降，到7月收割后春小麥NDVI值驟降。4—7月玉米的NDVI值迅速增大，7月玉米進(jìn)入抽穗期，其NDVI值達(dá)到整個生育期的高峰，之后玉米停止?fàn)I養(yǎng)生長進(jìn)入生殖生長階段，NDVI值呈現(xiàn)下降趨勢，至9月玉米成熟并收割，NDVI值急劇下降。3—4月水稻未開始發(fā)育，NDVI值較低，5月水稻開始灌水移栽，至拔節(jié)期前水稻具有明顯的水體特點(diǎn)，6月水稻處于生長旺盛期，作物特征明顯，NDVI值逐漸增大，7月底至8月上旬NDVI值達(dá)到生育期最大值，隨后水稻成熟并收割，NDVI值急劇下降。

圖5 研究區(qū)主要地物NDVI時間序列特征（a）和統(tǒng)計(jì)特征（b）Fig.5 NDVI time series characteristics (a) and statistical characteristics (b) of main ground features in the study area

不同地物NDVI的統(tǒng)計(jì)特征表明（圖5b），不同地物類型全年的NDVI方差有較大的差異，荒漠、城市等非植被類型的方差較植被明顯較低，可以通過全年NDVI的方差區(qū)分植被和非植被；林地全年的NDVI平均值、最小值比農(nóng)作物偏大，同時1—3月的林地NDVI值比農(nóng)作物大，可以通過此特征區(qū)分林地和農(nóng)作物；1—5月的春小麥的NDVI值較玉米和水稻都較大，并且6月春小麥NDVI值達(dá)到生育期最大值，7月末春小麥全部收獲，春小麥地塊NDVI值驟降，而此時研究區(qū)玉米處于抽穗期，正值整個生育期NDVI峰值期，可以通過此特征區(qū)分出春小麥和玉米。5月水稻灌水移栽后包含了水體、土壤和水稻信息，NDWI接近0或小于0，而到7月水稻揚(yáng)花期，稻田水體減少后反映不出水體信息，NDWI的變化最大，而其他植被區(qū)變化較少，通過5月和7月兩個關(guān)鍵物候期的NDWI的差值擴(kuò)大水稻與其他植被的差異，再結(jié)合NDVI的增長變化區(qū)分水稻?；诘孛鏄颖緦DVI和NDWI進(jìn)行時序統(tǒng)計(jì)分析，得到的主要作物的NDVI多時相特征和關(guān)鍵生育期NDWI的分割閾值用于農(nóng)作物的決策分類。

3.2 主要農(nóng)作物的分類結(jié)果

基于GF-1/WFV衛(wèi)星利用決策樹分類模型提取的寧夏引黃灌區(qū)春小麥、玉米和水稻空間分布顯示，春小麥、玉米和水稻主要分布在研究區(qū)引黃灌區(qū)的黃河兩岸。其中，春小麥主要散布在研究區(qū)北部的引黃灌區(qū)；玉米廣泛分布在引黃灌區(qū)；水稻集中分布于引黃灌區(qū)黃河兩岸，銀川平原分布較為集中。

各作物的種植面積統(tǒng)計(jì)結(jié)果顯示（圖6），春小麥的分布面積為45451.0 hm2，占引黃灌區(qū)農(nóng)作物面積的9.0%；水稻的分布面積為81472.6 hm2，占引黃灌區(qū)農(nóng)作物面積的16.1%；玉米的分布面積為214703.1 hm2，占引黃灌區(qū)農(nóng)作物面積的42.3%。與2018年寧夏各市縣農(nóng)作物播種面積的對比結(jié)果顯示，水稻面積相對誤差0.5%，玉米相對誤差為1.0%，春小麥相對誤差為6.3%。

圖6 基于GF-1/WFV的研究區(qū)主要農(nóng)作物空間分布（a）春小麥，（b）玉米，（c）水稻Fig.6 Spatial distribution of main crops in the study area based on GF-1/WFV (a) Spring wheat,(b) Corn,(c) Rice

3.3 主要農(nóng)作物分類精度評估

采用2018年8月13—17日在寧夏引黃灌區(qū)采集的主要農(nóng)作物30%的地面樣本，對基于分層決策樹分類的主要農(nóng)作物種植空間分布進(jìn)行精度驗(yàn)證，結(jié)果顯示（表3），研究區(qū)春小麥的制圖精度為76.9%，用戶精度為100%，玉米的制圖精度為88.8%，用戶精度為91.9%，水稻的制圖精度為85.5%，用戶精度為98.3%，研究區(qū)主要農(nóng)作物的總體分類精度為86.5%，Kappa系數(shù)為0.77。結(jié)果表明基于GF-1/WFV多時相影像數(shù)據(jù)的決策樹分類方法能夠獲得較高的精度，具有一定的業(yè)務(wù)監(jiān)測應(yīng)用價值。

表3 基于GF-1/WFV多時相影像的主要農(nóng)作物遙感分類精度Table.3 Classification accuracy of main crops based on GF-1/WFV multi temporal images

4 結(jié)論和討論

基于GF-1/WFV衛(wèi)星時間序列影像的農(nóng)作物決策樹分類結(jié)果顯示，研究區(qū)主要農(nóng)作物的分類總體精度為86.5%，Kappa系數(shù)為0.77，其中春小麥、玉米和水稻的分類精度分別為76.9%、88.8%和85.5%。春小麥、玉米和水稻主要分布在引黃灌區(qū)的黃河兩岸，春小麥、玉米和水稻的種植面積分別為45451.0 hm2、214703.1 hm2和81472.6 hm2，分別占引黃灌區(qū)農(nóng)作物面積的9.0%、42.3%和16.1%。與2018年寧夏各市縣農(nóng)作物播種的統(tǒng)計(jì)面積對比，春小麥、玉米和水稻的相對誤差分別為6.3%、1.0%和0.5%。

相對于以往研究中采用MODIS和Landsat數(shù)據(jù)的融合獲得高空間分辨率時序數(shù)據(jù)進(jìn)行農(nóng)作物的分類[17-18]，本研究采用同一高分辨衛(wèi)星的時間序列數(shù)據(jù)，保證了時空數(shù)據(jù)的一致性，可以減小時間序列特征提取上的誤差，獲得更準(zhǔn)確的時間序列特征，從而提高農(nóng)作物分類的準(zhǔn)確性。已有研究多基于光譜特征來進(jìn)行農(nóng)作物的分類，忽視了農(nóng)作物生長過程的關(guān)鍵特征，本研究基于農(nóng)作物時間序列的關(guān)鍵特征進(jìn)行分類，將農(nóng)作物的物候與波譜信息結(jié)合，抓住農(nóng)作物關(guān)鍵期特征區(qū)分農(nóng)作物，避免單景衛(wèi)星影像中同物異譜、同譜異物現(xiàn)象導(dǎo)致的錯分和漏分，從而提高農(nóng)作物分類的準(zhǔn)確性。

本研究雖然通過時間序列影像在主要農(nóng)作物分類中取得了較高的精度，但仍存在一些不足之處。研究區(qū)的農(nóng)作物關(guān)鍵生育期的6—8月，受到高分辨率衛(wèi)星影像幅寬和云的影響，無法合成更高時間分辨率的NDVI時間序列數(shù)據(jù)，對關(guān)鍵生育期的農(nóng)作物特征閾值的確定造成一定的影響。研究區(qū)春小麥和玉米多采用間作種植模式，雖然GF-1衛(wèi)星具有16 m的空間分辨率，但仍無法避免春小麥和玉米的混合像元，其綜合光譜信息影響了作物識別。由于間作模式春小麥和玉米多呈現(xiàn)線狀分布，其對春小麥的分類識別影響更加突出，這也是本研究中春小麥提取相對誤差較大的重要原因。

采用多時相影像分類的關(guān)鍵在于抓住農(nóng)作物的關(guān)鍵生育特征，研究中通過時間序列數(shù)據(jù)分析了研究區(qū)的主要農(nóng)作物物候特征，全年的數(shù)據(jù)應(yīng)用存在一定的冗余，對分類的效率會造成較大的影響。本研究的結(jié)果為研究區(qū)開展主要農(nóng)作物分類提供了最佳時相高分衛(wèi)星影像數(shù)據(jù)選擇的依據(jù)，從而可以通過選取較少量關(guān)鍵生育期的高分衛(wèi)星數(shù)據(jù)，抓住農(nóng)作物關(guān)鍵特征進(jìn)行信息提取，在保證分類精度的同時也兼顧了業(yè)務(wù)應(yīng)用的時效性。

高分一號衛(wèi)星具有4臺16 m分辨率的WFV相機(jī)，使得其幅寬達(dá)到800 km，從而提高了完全覆蓋研究區(qū)的可能性，但4臺相機(jī)紅綠藍(lán)和近紅外波段的中心波長設(shè)置略有差異，從而導(dǎo)致相同時間的NDVI值存在一定的差異，造成分類的特征值的適應(yīng)性不足，有待于在今后研究區(qū)的主要農(nóng)作物信息提取中進(jìn)一步改進(jìn)，提高農(nóng)作物種植結(jié)構(gòu)監(jiān)測的精度。

致謝：感謝中國資源衛(wèi)星應(yīng)用中心（http://www.cresda.com/）提供的高分衛(wèi)星影像數(shù)據(jù)，以及寧夏氣象科學(xué)研究所協(xié)助進(jìn)行農(nóng)作物樣本采集。