基于Sentinel-2破碎化地塊灌區(qū)作物種植結(jié)構(gòu)的提取

吳 迪，楊鵬，周黎勇，李芳松，李凌鋒，張旭東*

基于Sentinel-2破碎化地塊灌區(qū)作物種植結(jié)構(gòu)的提取

吳 迪1，楊鵬2，周黎勇3，李芳松3，李凌鋒3，張旭東2*

（1.中國灌溉排水發(fā)展中心，北京 100054；2.沈陽農(nóng)業(yè)大學(xué) 水利學(xué)院，沈陽 110866；3.新疆水利水電科學(xué)研究院，烏魯木齊 830049）

【目的】探究基于Sentinel-2遙感影像的決策樹分類模型提取破碎化地塊灌區(qū)作物種植結(jié)構(gòu)的適用性。【方法】選取新疆阿拉溝灌區(qū)為研究區(qū)，以2021年覆蓋作物全生育期的Sentinel-2遙感影像為數(shù)據(jù)源，結(jié)合田間調(diào)查和Google高清影像目視解譯采樣，基于主要作物物候信息、時序特征等分析確定作物識別的關(guān)鍵期閾值，構(gòu)建決策樹模型進行灌區(qū)主要作物分類，并對分類結(jié)果精度驗證?！窘Y(jié)果】基于Sentinel-2提取的灌區(qū)種植結(jié)構(gòu)分布圖地塊紋理清晰，能夠滿足灌區(qū)用水管理需要；構(gòu)建的決策樹分類模型可在灌區(qū)尺度實現(xiàn)作物分類，方法簡便易行，總體精度達到81.56%，系數(shù)為0.716 6?！窘Y(jié)論】采用Sentinel-2遙感影像和決策樹分類方法識別破碎化地塊灌區(qū)復(fù)雜作物分類是可行的，可為灌區(qū)輸配水決策和農(nóng)業(yè)用水精細(xì)化管理提供基礎(chǔ)信息。

Sentinel-2；灌區(qū)作物分類；時間序列；決策樹；破碎化地塊

0 引言

【研究意義】新疆地域廣闊、水資源問題突出，灌區(qū)類型多樣，其作物種植信息獲取對灌區(qū)乃至區(qū)域水資源優(yōu)化配置尤為重要。當(dāng)前，灌區(qū)作物種類、種植面積等信息主要依靠統(tǒng)計和抽樣調(diào)查獲取，無法獲取其空間分布，難以反映灌區(qū)實際情況，不能很好地滿足用水管理需求。遙感技術(shù)作為灌區(qū)基礎(chǔ)信息采集的一種有效手段，可彌補傳統(tǒng)方法中數(shù)據(jù)獲取客觀性、時效性、經(jīng)濟性等方面不足，為灌區(qū)配水計劃制定、水權(quán)分配、用水總量控制和定額管理等提供有力支撐[1]?！狙芯窟M展】基于光譜的影像分類可分為監(jiān)督與非監(jiān)督兩類，目前監(jiān)督分類方法較多，如決策樹（Decision Tree，DT）、最大似然（Maximum Likelihood，ML）、神經(jīng)網(wǎng)絡(luò)（Neural Network, NN）、支持向量機（Support Vector Machine, SVM）等[2-5]。在眾多分類方法中，決策樹憑借其簡單高效、邏輯性強，且能用于無規(guī)則、無次序的樣本數(shù)據(jù)集等優(yōu)點而成為一種較為常用的分類方法。目前常用的決策樹算法有ID3、CART、C4.5、C5.0、隨機森林等，它們的學(xué)習(xí)和容錯能力不同，對數(shù)據(jù)源及區(qū)域的適用性也存在差異[6]。李鑫川等[7]使用決策樹、支持向量機和最大似然分類法提取了黑龍江友誼農(nóng)場大豆、玉米和水稻的種植信息，結(jié)果表明決策樹分類效果優(yōu)于支持向量機和最大似然分類法。劉淑琴等[8]使用面向?qū)ο蟮腃5.0決策樹算法提取江西南昌縣土地利用類型信息，結(jié)果表明采用C5.0決策樹算法在提取分類精度上明顯優(yōu)于最大似然法和CART決策樹方法。在數(shù)據(jù)源方面，國內(nèi)外常用的有AVHRR、SPOT、MODIS、MERIS、Landsat、WorldView-2、HJ、GF、Sentinel等，其時空分辨率、光譜波段信息、原始影像預(yù)處理、獲取難易程度等各不相同，已應(yīng)用于不同尺度和區(qū)域的作物面積提取研究中[9]。由于作物分布提取模型通常基于單個像元的光譜特征對像元所屬作物類型進行分類，分類模型未考慮同一地塊內(nèi)鄰近像元的關(guān)聯(lián)關(guān)系，也未考慮遙感像元與實際地物間的對應(yīng)關(guān)系[10]，盡管有些中低分辨率影像（AVHRR、SPOT、MODIS和MERIS等）時間分辨率較高，但受到空間分辨率的限制，中低分辨率遙感數(shù)據(jù)的混合像元問題在地塊邊界尤為突出，給分類結(jié)果驗證、種植面積核算帶來較大不確定性，導(dǎo)致中低分辨率像元尺度的作物分布制圖產(chǎn)品難以滿足破碎化地塊灌區(qū)用水管理實際需求。為解決目前衛(wèi)星傳感器不能同時獲取高時間、高空間分辨率影像的缺陷，集成不同時空分辨率的多源遙感數(shù)據(jù)能夠增強作物在物候和空間等特征上的差異信息，一定程度上克服了作物分類時“同物異譜，異物同譜”現(xiàn)象發(fā)生，但目前尚無一種普適性的時空融合算法，且模型比較復(fù)雜，不利于推廣應(yīng)用[11]。因此，綜合考慮遙感數(shù)據(jù)時空分辨率、數(shù)據(jù)質(zhì)量、數(shù)據(jù)預(yù)處理和獲取便捷程度等因素，采用免費且時空分辨率較好的Sentinel-2遙感影像作為灌區(qū)尺度種植結(jié)構(gòu)提取的數(shù)據(jù)源是較為理想的選擇?！厩腥朦c】對于沙漠綠洲灌區(qū)破碎化地塊種植結(jié)構(gòu)提取的相關(guān)研究較少且尚未有一種高效、精準(zhǔn)的作物種植結(jié)構(gòu)識別方法，制約著灌區(qū)農(nóng)業(yè)用水的精細(xì)化管理?！緮M解決的關(guān)鍵問題】本研究以阿拉溝灌區(qū)為研究區(qū)，基于Sentinel-2遙感影像的時序植被指數(shù)數(shù)據(jù)集，構(gòu)建決策樹分類模型并提取灌區(qū)種植結(jié)構(gòu)，探究時序植被指數(shù)結(jié)合作物關(guān)鍵生育期特征在破碎化地塊灌區(qū)作物識別中的優(yōu)勢，以期構(gòu)建一種高效、準(zhǔn)確的作物種植結(jié)構(gòu)識別方法，為灌區(qū)輸配水決策和農(nóng)業(yè)用水精細(xì)化管理提供客觀、有效的作物空間分布信息。

1 材料與方法

1.1 研究區(qū)概況

阿拉溝灌區(qū)位于新疆吐魯番盆地托克遜縣，為自流引水大型灌區(qū)，設(shè)計灌溉面積25 440 hm2，涉及博斯坦鎮(zhèn)、托克遜鎮(zhèn)、夏鎮(zhèn)、郭勒布依鄉(xiāng)、伊拉湖鎮(zhèn)和阿樂惠鎮(zhèn)等6個鄉(xiāng)鎮(zhèn)，如圖1所示。灌區(qū)屬典型的大陸性暖溫帶荒漠氣候，多年平均降水量6.4 mm，且主要集中在夏季，年蒸發(fā)量3 744 mm，年平均氣溫13.8 ℃，年平均日照時間3 043～3 224 h，非常適合喜溫作物生長[12]。阿拉溝灌區(qū)屬于典型的綠洲灌溉農(nóng)業(yè)區(qū)，地塊破碎化較為嚴(yán)重，以經(jīng)濟作物為主且種類豐富，其中葡萄、玉米、高粱、棉花、蔬菜、瓜果等種植面積較大。

注 (a) 新疆；(b) 吐魯番；(c) 灌區(qū)渠系分布

1.2 數(shù)據(jù)來源及預(yù)處理

1.2.1 數(shù)據(jù)來源

影像數(shù)據(jù)為2021年1—10月共31景Sentinel-2影像，下載于歐空局官網(wǎng)（https://scihub.copernicus.eu/）。Sentinel-2是歐空局“全球環(huán)境與安全監(jiān)測”計劃發(fā)射的衛(wèi)星，Sentinel-2系列衛(wèi)星是高分辨率多光譜成像衛(wèi)星，攜帶了多光譜成像儀（Multispectral Imager，MSI），飛行高度786 km，覆蓋13個光譜波段，幅寬達290 km。地面分辨率分別為10、20 m和60 m，1顆衛(wèi)星重訪周期10 d，2顆衛(wèi)星（2A和2B）互補，重訪周期5 d。

表1 哨兵2號遙感影像信息

本研究采用的Sentinel-2影像拍攝時間、傳感器類型和云覆蓋率詳見表1，該影像是UTM/WGS84投影下的100 km×100 km正射影像，其L1C級產(chǎn)品為經(jīng)過正射校正和幾何精校正的大氣表觀反射率產(chǎn)品，并沒有進行大氣校正，因此，本文利用歐空局提供的Sen2cor插件對該產(chǎn)品進行大氣校正和輻射定標(biāo)。經(jīng)處理后L2A產(chǎn)品包含經(jīng)過大氣校正的大氣底層反射率數(shù)據(jù)，主要使用其藍(lán)、綠、紅以及近紅外4個波段，其中藍(lán)、綠、紅波段合成真彩色影像用來檢查研究區(qū)云的覆蓋程度，紅與近紅外波段用來合成歸一化植被指數(shù)（Normalized Difference Vegetation Index,）影像[13]。由表1可知，在31景影像中，單景云覆蓋率小于20%，其中2021年1月21日、6月4日云覆蓋率稍大，分別為17.63%和15.14%，26景影像云覆蓋率均在10%以下。單景影像覆蓋整個灌區(qū)，裁剪后的灌區(qū)部分均為晴空狀態(tài)，遙感影像質(zhì)量滿足作物分類需要。

研究中利用BIGEMAP軟件下載了Google Earth的16級高清影像數(shù)據(jù)，該影像的像元分辨率為2.39 m，用于輔助提取感興趣區(qū)。

1.2.2 地面調(diào)查數(shù)據(jù)

田間作物樣本采集使用手機新知衛(wèi)星地圖進行實地定位并標(biāo)記作物類型。盡可能選擇作物類型一致、長勢均勻的較大地塊（寬度10 m以上）的作物類型作為樣本點，采集地塊中心點坐標(biāo)，灌區(qū)地面調(diào)查樣本點分布見圖2。

圖2 灌區(qū)樣本點分布

根據(jù)采樣結(jié)果，整理10類樣本為復(fù)播（瓜類復(fù)播玉米或高粱）、林果（主要包括棗樹、杏樹和桃樹等喬木類林果）、葡萄、棉花、蔬菜、設(shè)施農(nóng)業(yè)、裸地-村莊、水體、草場、其他（主要為未包含到以上地物類別中的，包括地塊邊緣較窄的道路，小片苜蓿、孜然、正播玉米、花生、芝麻、墓地及曬場等），共計588個樣本，對10類樣本進行可分離度檢驗，屬合格樣本。為了對分類結(jié)果進行精度驗證和評價，將數(shù)量較多的5類樣本（復(fù)播、棉花、林果、葡萄和裸地-村莊）拆分為訓(xùn)練樣本和驗證樣本（由于其余5類樣本數(shù)量相對較少，故不進行拆分），隨機選取訓(xùn)練樣本，采用訓(xùn)練樣本作為掩膜提取驗證樣本，使訓(xùn)練樣本和驗證樣本相互獨立，拆分后的5類主要樣本數(shù)量詳見表2。

表2 訓(xùn)練樣本和驗證樣本

1.3 研究方法

決策樹分類主要基于遙感影像等空間數(shù)據(jù)，通過對其進行邏輯推理、數(shù)理統(tǒng)計、綜合分析和歸納總結(jié)，采用自上而下的遞歸方式，形成分類規(guī)則進行分類。決策樹分類采用一種二分遞歸分割技術(shù)，將當(dāng)前樣本集分為2個子樣本集，使得生成的每個非葉子節(jié)點都有2個分支。決策樹分類一般基于基尼系數(shù)不停地二分，且一個特征可能會參與多次節(jié)點的建立[14]。實現(xiàn)面向?qū)ο鬀Q策樹分類包括分類對象識別、決策樹規(guī)則建立、規(guī)則輸入、運行和精度評價5個步驟，其中最關(guān)鍵環(huán)節(jié)是分類對象識別和決策樹規(guī)則建立。決策樹規(guī)則建立有多種方法，如專家經(jīng)驗總結(jié)、傳統(tǒng)統(tǒng)計方法等[15-17]。

阿拉溝灌區(qū)地塊破碎化程度高、作物類型復(fù)雜，針對這些特點，利用不同作物生長的物候特征，或不同時期的特征參數(shù)之間的差異，通過適宜的分類規(guī)則和閾值設(shè)定，能夠進行作物類型識別，因此采用決策樹進行分類。主要過程為采用多時相的Sentinel-2遙感影像構(gòu)建時序數(shù)據(jù)集，根據(jù)實地調(diào)查作物分布及結(jié)構(gòu)結(jié)合目視解譯選取分類樣本，分析各類樣本的特征及閾值，結(jié)合作物關(guān)鍵期物候特征和解譯人員對地物識別經(jīng)驗制定決策樹規(guī)則，根據(jù)建立的規(guī)則對遙感影像進行分類和精度評價，其流程詳見圖3。

圖3 種植結(jié)構(gòu)識別流程

1.3.1 遙感影像預(yù)處理

Sentinel-2的L1C文件經(jīng)Sen2cor大氣校正處理為L2A文件，將L2A文件通過SNAP重采樣為ENVI格式，重采樣分辨率設(shè)置為10 m，經(jīng)過ENVI裁剪、波段合成和波段運算以備后用。

1.3.2 樣本點轉(zhuǎn)換ROI

由于采集的樣本為點矢量，為了能夠統(tǒng)計和提取各類樣本在地塊上的特征，基于Google Earth的16級影像，將作物樣本點展布其上，根據(jù)地塊大小和紋理信息繪制感興趣區(qū)（Region of interest，ROI），將樣本的點矢量轉(zhuǎn)換為面矢量，如圖4所示。

圖4 基于樣本點的感興趣區(qū)

1.3.3計算

可用于檢測植被生長狀態(tài)、植被覆蓋度和提取物候信息等，是目前應(yīng)用最廣泛的植被指數(shù)[18-21]，其計算式為：

=(Nir-Red)/(Nir+Red)， （1）

式中：Nir和Red分別為近紅外波段的反射值與紅光波段的反射值。值介于-1和1之間，負(fù)值表示地面覆蓋為云、水、雪等；當(dāng)Nir和Red近似相等時，近似于0，表示有巖石或裸土等；為正值，表示有植被覆蓋，且隨覆蓋度增大而增大。

1.3.4 分類精度評價方法

混淆矩陣是分類精度評價的一種常用方法，用行列的矩陣形式來表示，為驗證樣本的種類，列表示真實值，行表示預(yù)測值。本文采用的評價指標(biāo)為總體精度（Overall Accuracy,）和系數(shù)[22]。

總體分類精度表征分類的整體準(zhǔn)確率，即分類的結(jié)果與參考數(shù)據(jù)所對應(yīng)區(qū)域的實際類型相一致的概率，計算式為：

系數(shù)表征分類結(jié)果的可信度，用來評定生產(chǎn)者精度和用戶精度的穩(wěn)定性，計算式為：

2 結(jié)果與分析

2.1 NDVI時序特征分析及決策樹構(gòu)建

將裁剪好的灌區(qū)31個時相的波段合成得到一個時間序列數(shù)據(jù)集。采用ENVI對10類樣本ROI不同時相的平均值和均方差進行統(tǒng)計，并繪制時序變化圖，如圖5所示。

圖5 各類樣本NDVI時序變化曲線

由圖5可知，各類樣本時序變化特征比較明顯。其中，復(fù)播時間序列圖呈“雙峰”特征，在2021年6月24日達到第1個峰值0.731 3，在2021年9月7日達到第2個峰值0.778 3，而7月4—19日值均在0.22以下；裸地-村莊值全年均在0～0.2之間；設(shè)施農(nóng)業(yè)值在0.2～0.3之間且呈“單谷”特征，在5月25日和9月17日超過了0.3，而7月4日—8月8日則＜0.2；棉花值呈明顯“單峰”曲線，在8月13日達到峰值0.830 6；林果（含套種）和葡萄的動態(tài)變化整體趨勢比較相似，在3月16日以后迅速上升，且在作物生長季有波動，可能是因為林果和葡萄在生長季節(jié)生長旺盛，田間管理中存在對樹形和枝葉修剪情況，但它們之間仍然存在區(qū)別，林果值在1—3月較葡萄高，葡萄值4—8月較林果高；蔬菜值在6月末達到峰值0.717 4，生長后期在0.43左右波動；草場值在0.25～0.6之間；除此之外，水體值＜0；其他未分類數(shù)據(jù)為未包含到以上地物類別中的地表類型，包括地塊邊緣較窄的道路，苜蓿、孜然、玉米、花生、芝麻、墓地和曬場等。

根據(jù)灌區(qū)主要作物關(guān)鍵期物候和時間序列變化特征，對主要特征時段建立決策樹分類規(guī)則，具體詳見表3。

2.2 主要作物種植面積提取

分類結(jié)果表明，灌區(qū)作物總播種面積33 247 hm2，其中棉花4 913 hm2、復(fù)播2 460 hm2（瓜類與玉米、高粱復(fù)種）、林果6 687 hm2（含果樹套種）、葡萄1 953 hm2、蔬菜1 627 hm2、草場2 620 hm2、設(shè)施農(nóng)業(yè)1 760 hm2、其他面積11 227 hm2（包括油料、苜蓿、孜然、正播玉米等）；同時，結(jié)果顯示灌區(qū)范圍內(nèi)的村莊-裸地14 187 hm2、水面373 hm2（包括永久和臨時性水體）。10 m分辨率灌區(qū)主要作物分布如圖6所示。

表3 決策樹規(guī)則表

注 其中1，2，…，28分別表示28個時相的值，序號與表1中的序號相同。&表示和運算，|表示與運算。

2.3 精度評價

基于感興趣區(qū)的驗證得到總體分類精度為81.56%，系數(shù)為0.716 6，由圖7可知，主對角線的精度較高，村莊-裸地正確分類達到了99.78%，其次是棉花76.63%，但是林果和葡萄容易錯分，這是因為它們的曲線比較接近，區(qū)別特征不明顯導(dǎo)致；另外，有較多的復(fù)播類別錯分為棉花，說明在決策樹構(gòu)建時，棉花的規(guī)則相對較為松而復(fù)播的規(guī)則比較緊。

圖7 混淆矩陣熱力圖

由表4遙感分類結(jié)果與灌區(qū)年初灌溉用水計劃統(tǒng)計數(shù)據(jù)對比可知，棉花、復(fù)播、草場3類面積二者基本一致，葡萄、蔬菜的遙感結(jié)果比統(tǒng)計分別多620、627 hm2。與統(tǒng)計結(jié)果相差比較大的是“其他”類別，遙感提取比統(tǒng)計多5 627 hm2，主要原因為二者統(tǒng)計口徑不完全一致。本研究中將灌區(qū)范圍內(nèi)除了復(fù)播、棉花、林果、葡萄、蔬菜、人工草場、裸地-村莊、設(shè)施農(nóng)業(yè)、水體以外的土地面積全部歸為其他，包括了線狀道路、渠道和部分不能夠歸類的苜蓿、孜然、玉米、花生、芝麻等小宗作物，因此，遙感提取所得的“其他”明顯大于統(tǒng)計。

表4 灌區(qū)主要作物遙感提取結(jié)果和統(tǒng)計面積對比

為進一步檢驗該方法的可靠性，參考托克遜縣“全國第三次國土調(diào)查”成果知灌區(qū)范圍內(nèi)的水澆地面積為32 693 hm2。鑒于阿拉溝灌區(qū)多年平均降水量只有6.4 mm，作物生長必須依靠灌溉，且灌區(qū)內(nèi)無水田，因此灌區(qū)作物種植面積可認(rèn)定為灌區(qū)范圍內(nèi)的水澆地面積，遙感提取的作物分布面積為33 246 hm2，比全國第三次國土調(diào)查水澆地面積略大1.02%，說明該方法在提取破碎化地塊作物種植結(jié)構(gòu)方面具有較好的可靠性。

3 討論

為探究Sentinel-2遙感影像對于破碎化地塊灌區(qū)復(fù)雜作物類型提取的適用性，本研究嘗試了包括增強型植被指數(shù)（Enhanced Vegetation Index,）、陸表水分指數(shù)（Land Surface Water Index,）、綠度歸一化植被指數(shù)（Green Normalized Difference Index,）、紅邊拐點指數(shù)（Red-Edge Inflection Point Index,）、Sentinel-2 紅邊位置指數(shù)（Sentinel-2 Red-Edge Position Index,）等5種遙感植被指數(shù)基于監(jiān)督分類的效果，其總體精度分別為80.68%、42.08%、41.37%、52.09%和51.47%，系數(shù)分別為0.672 6、0.300 4、0.288 9、0.361 8和0.356 0，均劣于的結(jié)果（總體精度81.56%，系數(shù)0.716 6），并且發(fā)現(xiàn)基于分類效果和真實地塊的紋理較為符合。在構(gòu)建時間序列數(shù)據(jù)庫時，本研究共獲得了2021年1月5日—10月27日的59景時相遙感數(shù)據(jù)，由于質(zhì)量不高等原因剔除了47.46%，僅采用了剩余31景非等間隔時相數(shù)據(jù)。張馨予等[23]分析了30、100、250、500、1 000 m的空間分辨率，發(fā)現(xiàn)中高分辨率的影像經(jīng)過時間濾波后會減小農(nóng)作物的類內(nèi)差異性，進而導(dǎo)致作物分類精度下降，本研究采用的影像空間分辨率為10 m，沒有進行濾波或插值處理仍得到較為滿意的精度，進一步印證了該結(jié)論。

研究中采用植被指數(shù)時序曲線作為區(qū)分作物類別的主要特征，這與Zheng[4]、李鑫川等[7]、張榮群等[17]、汪小欽等[22]和賈博中等[24]所采用的方法和原理類似?？傮w來看，采用高分辨率Sentinel-2遙感影像具有更高的總體精度與系數(shù)，但更高分辨率則意味著較大的遙感影像存儲空間和處理時間，因此，針對區(qū)域多個灌區(qū)大面積作物種植結(jié)構(gòu)提取，如何在滿足精度的前提下減少存儲和計算成本需要進一步探討。

基于遙感數(shù)據(jù)的決策樹作物分類方法具有建立分類規(guī)則靈活，分類速度快的優(yōu)點。其分類結(jié)果的準(zhǔn)確性取決于決策樹的分類規(guī)則，而規(guī)則來源于分類樣本的特征及其可分性，它同時具備客觀因素和主觀因素，該方法的不足之處在于當(dāng)面對范圍較大且復(fù)雜的研究區(qū)域時，受作物物候期年際變化的影響，決策樹規(guī)則不易固定并進行業(yè)務(wù)化分類。因此，對于地塊破碎化嚴(yán)重，作物種類隨機的灌區(qū)，需規(guī)范田間采樣步驟和流程，積累并形成不同作物的標(biāo)準(zhǔn)樣本庫，提高作物分類精度；同時，平衡構(gòu)建分類規(guī)則過程中的主客觀因素以及探索相同規(guī)則的適用范圍仍需深入研究。

4 結(jié)論

1）以Sentinel-2遙感影像數(shù)據(jù)為基礎(chǔ)提取灌區(qū)種植結(jié)構(gòu)分布圖地塊紋理清晰，可滿足灌區(qū)用水管理的需求，為破碎化地塊灌區(qū)作物種植結(jié)構(gòu)提取提供了可行性。

2）基于Sentinel-2衛(wèi)星的多時相影像數(shù)據(jù)，結(jié)合作物關(guān)鍵物候期特征和時序特征構(gòu)建決策樹分類模型，分類總體精度達81.56%，系數(shù)達0.716 6；遙感分類結(jié)果與灌區(qū)統(tǒng)計結(jié)果和“全國第三次國土調(diào)查”數(shù)據(jù)吻合度較高，提取精度滿足灌區(qū)用水管理需求。

[1] 胡瓊, 吳文斌, 宋茜, 等. 農(nóng)作物種植結(jié)構(gòu)遙感提取研究進展[J]. 中國農(nóng)業(yè)科學(xué), 2015, 48(10): 1 900-1 914.

HU Qiong, WU Wenbin, SONG Qian, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10): 1 900-1 914.

[2] 陳智森, 司炳成. 基于高分辨率影像的河套灌區(qū)鄉(xiāng)鎮(zhèn)尺度作物種植面積監(jiān)測[J]. 灌溉排水學(xué)報, 2018, 37(6): 124-128.

CHEN Zhisen, SI Bingcheng. Monitoring cropland types at village-town scale in Hetao irrigation district using high-resolution satellite images[J]. Journal of Irrigation and Drainage, 2018, 37(6): 124-128.

[3] 朱秀芳, 潘耀忠, 王雙, 等. 訓(xùn)練樣本對TM尺度小麥種植面積測量精度影響研究(Ⅱ)-樣本質(zhì)量對小麥測量精度的影響分析[J]. 測繪科學(xué), 2009, 34(5): 132-135.

ZHU Xiufang, PAN Yaozhong, WANG Shuang, et al. The effects of training samples on the wheat planting area surveying accuracy in TM scale(Ⅱ): The accuracy response of different classifiers to samples quality[J]. Science of Surveying and Mapping, 2009, 34(5): 132-135.

[4] ZHENG B J, MYINT S W, THENKABAIL P S, et al. A support vector machine to identify irrigated crop types using time-series Landsat NDVI data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34: 103-112.

[5] 劉昊. 基于Sentinel-2影像的河套灌區(qū)作物種植結(jié)構(gòu)提取[J]. 干旱區(qū)資源與環(huán)境, 2021, 35(2): 88-95.

LIU Hao. Extraction of crop planting structure in Hetao irrigated area based on Sentinel-2[J]. Journal of Arid Land Resources and Environment, 2021, 35(2): 88-95.

[6] 邊增淦, 王文, 江淵. 黑河流域中游地區(qū)作物種植結(jié)構(gòu)的遙感提取[J].地球信息科學(xué)學(xué)報, 2019, 21(10): 1 629-1 641.

BIAN Zenggan, WANG Wen, JIANG Yuan. Remote sensing of cropping structure in the middle reaches of the Heihe River Basin[J]. Journal of Geo-Information Science, 2019, 21(10): 1 629-1 641.

[7] 李鑫川, 徐新剛, 王紀(jì)華, 等. 基于時間序列環(huán)境衛(wèi)星影像的作物分類識別[J]. 農(nóng)業(yè)工程學(xué)報, 2013, 29(2): 169-176, 298.

LI Xinchuan, XU Xingang, WANG Jihua, et al. Crop classification recognition based on time-series images from HJ satellite[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(2): 169-176, 298.

[8] 劉淑琴. 基于面向?qū)ο驝5.0決策樹算法的南昌縣土地遙感分類研究[D].銀川: 寧夏大學(xué), 2019.

LIU Shuqin. Study on land remote sensing classification of Nanchang County based on object-oriented C5.0 decision tree[D]. Yinchuan: Ningxia University, 2019.

[9] 靳鏡宇, 白潔, 包安明, 等. 林農(nóng)間作模式下和田綠洲特色林果結(jié)構(gòu)遙感信息提取[J]. 農(nóng)業(yè)工程學(xué)報, 2022, 38(3): 146-154.

JIN Jingyu, BAI Jie, BAO Anming, et al. Extraction of the fruit trees based on satellite imagery under the pattern of forest and crops interplanting in Hotan oasis[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(3): 146-154.

[10] 宋茜, 胡瓊, 陸苗, 等. 農(nóng)作物空間分布遙感制圖發(fā)展方向探討[J]. 中國農(nóng)業(yè)資源與區(qū)劃, 2020, 41(6): 57-65.

SONG Qian, HU Qiong, LU Miao, et al. Prospect of crop mapping[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(6): 57-65.

[11] SHI Chenlie, WANG Xuhong , ZHANG Meng, et al. A comprehensive and automated fusion method: The enhanced flexible spatiotemporal DAta fusion model for monitoring dynamic changes of land surface[J]. Applied Sciences, 2019, 9(18): 3 693.

[12] 趙鵬博, 呂昭, 買尼克·吾買爾, 等. 吐魯番市灌溉水利用系數(shù)測定分析報告[R]. 吐魯番: 吐魯番市水利科學(xué)研究所, 2020.

ZHAO Pengbo, LYU Zhao, MAINIKE·Wumaier, et al. Analysis report on utilization coefficient of irrigation water in Turpan[R]. Turpan: Turpan Institute of Water Science, 2020.

[13] 李中元, 吳炳方, 張淼, 等. 利用物候差異與面向?qū)ο鬀Q策樹提取油菜種植面積[J]. 地球信息科學(xué)學(xué)報, 2019, 21(5): 720-730.

LI Zhongyuan, WU Bingfang, ZHANG Miao, et al. Identifying rapeseed planting area using an object-oriented method and crop phenology[J]. Journal of Geo-Information Science, 2019, 21(5): 720-730.

[14] 謝鑫, 張賢勇, 楊霽琳. 融合信息增益與基尼指數(shù)的決策樹算法[J]. 計算機工程與應(yīng)用, 2022, 58(10): 139-144.

XIE Xin, ZHANG Xianyong, YANG Jilin. Decision tree algorithm fusing information gain and Gini index[J]. Computer Engineering and Applications, 2022, 58(10): 139-144.

[15] 王利軍, 郭燕, 賀佳, 等. 基于決策樹和SVM的Sentinel-2A影像作物提取方法[J]. 農(nóng)業(yè)機械學(xué)報, 2018, 49(9): 146-153.

WANG Lijun, GUO Yan, HE Jia, et al. Classification method by fusion of decision tree and SVM based on sentinel-2A image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(9): 146-153.

[16] 張旭東, 遲道才. 基于異源多時相遙感數(shù)據(jù)決策樹的作物種植面積提取研究[J]. 沈陽農(nóng)業(yè)大學(xué)學(xué)報, 2014, 45(4): 451-456.

ZHANG Xudong, CHI Daocai. Mapping crop fields by using multi-sensor and multi-temporal remote sensing data with decision-tree[J]. Journal of Shenyang Agricultural University, 2014, 45(4): 451-456.

[17] 張榮群, 王盛安, 高萬林, 等. 基于時序植被指數(shù)的縣域作物遙感分類方法研究[J]. 農(nóng)業(yè)機械學(xué)報, 2015, 46(S1): 246-252.

ZHANG Rongqun, WANG Sheng’an, GAO Wanlin, et al. Remote-sensing classification method of County-level agricultural crops using time-series NDVI[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(S1): 246-252.

[18] 賈云飛, 李云飛, 范天程, 等. 基于長時間序列NDVI的黃土高原延河流域及其溝壑區(qū)植被覆蓋變化分析[J]. 水土保持研究, 2022, 29(4): 240-247.

JIA Yunfei, LI Yunfei, FAN Tiancheng, et al. Analysis of vegetation cover change in Yanhe Basin and its gully area on the Chinese loess plateau based on long time series NDVI[J]. Research of Soil and Water Conservation, 2022, 29(4): 240-247.

[19] 孔冬冬, 張強, 黃文琳, 等. 1982—2013年青藏高原植被物候變化及氣象因素影響[J]. 地理學(xué)報, 2017, 72(1): 39-52.

KONG Dongdong, ZHANG Qiang, HUANG Wenlin, et al. Vegetation phenology change in Tibetan Plateau from 1982 to 2013 and its related meteorological factors[J]. Acta Geographica Sinica, 2017, 72(1): 39-52.

[20] BUITENWERF R, ROSE L, HIGGINS S I. Three decades of multi-dimensional change in global leaf phenology[J]. Nature Climate Change, 2015, 5(4): 364-368.

[21] 潘霞, 高永, 汪季, 等. 植被指數(shù)遙感演化研究進展[J]. 北方園藝, 2018(20): 162-169.

PAN Xia, GAO Yong, WANG Ji, et al. Review on vegetation index using remote sensing evolution[J]. Northern Horticulture, 2018(20): 162-169.

[22] 汪小欽, 邱鵬勛, 李婭麗, 等. 基于時序Landsat遙感數(shù)據(jù)的新疆開孔河流域農(nóng)作物類型識別[J]. 農(nóng)業(yè)工程學(xué)報, 2019, 35(16): 180-188.

WANG Xiaoqin, QIU Pengxun, LI Yali, et al. Crops identification in Kaikong River Basin of Xinjiang based on time series Landsat remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(16): 180-188.

[23] 張馨予, 蔡志文, 楊靖雅, 等. 時序濾波對農(nóng)作物遙感識別的影響[J].農(nóng)業(yè)工程學(xué)報, 2022, 38(4): 215-224.

ZHANG Xinyu, CAI Zhiwen, YANG Jingya, et al. Impacts of temporal smoothing methods on crop type identification[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(4): 215-224.

[24] 賈博中, 白燕英, 魏占民, 等. 基于MODIS-EVI的內(nèi)蒙古沿黃平原區(qū)作物種植結(jié)構(gòu)分析[J]. 灌溉排水學(xué)報, 2021, 40(4): 114-120.

JIA Bozhong, BAI Yanying, WEI Zhanmin, et al. Using MODIS-EVI to identify cropping structure in Plains along the Yellow River in Inner Mongolia[J]. Journal of Irrigation and Drainage, 2021, 40(4): 114-120.

Using Sentinel-2 Sensing Imagery to Estimate Planting Structure in Fragmented Irrigated Lands

WU Di1,YANG Peng2,ZHOU Liyong3,LI Fangsong3,LI Lingfeng3,ZHANG Xudong2*

(1. China Irrigation and Drainage Development Center, Beijing 100054, China; 2. College of Water Conservancy, Shenyang Agricultural University, Shenyang 110866, China; 3. Xinjiang Institute of Water Resources and Hydropower Research, Urumqi 830049, China)

【Objective】Understanding planting structure and crop growth in a region is important to assess its food supply and security. The objective of this paper is to investigate the feasibility of a decision-tree model derived from the Sentinel-2 remote sensing imagery to map cropping structure in fragmented irrigation regions.【Method】The study site was Alagou irrigation area in Xinjiang. The planting areas of major crops in 2021 were estimated using the Sentinel-2 remote sensing imagery. We then compared these with both field investigation and visual interpretation from the Google HD images. Critical growth stage for identifying each crop was determined based on the phenological information and thetime series, from which we derived a decision tree classification model. Accuracy of the model was verified against ground-truth data.【Result】The planting structure mapped from the Sentinel-2 remote sensing imagery had sharp textures, meeting the requirements for agricultural water management. The decision tree classification model can accurately classify crops at the scale required for irrigation management. The model is simple and feasible. Compared with ground-truth data, its average accuracy is 81.56% and thecoefficient is 0.716 6.【Conclusion】The Sentinel-2 remote sensing imagery and the decision tree classification method derived form it can be used to accurately identify planting structure in fragmented lands. They can provide support information for decision-making in water management, and improve agricultural water usage in irrigation districts.

Sentinel-2; crops classification in irrigated areas;time series; decision tree; fragmented land parcel

2022-06-27

新疆維吾爾自治區(qū)水利科技專項資金項目（XSKJ-2022-12）

吳迪（1978-），男。正高級工程師，主要從事全國大型灌區(qū)規(guī)劃和項目管理、水資源高效利用研究。E-mail: wudisyau075@163.com

張旭東（1979-），男。副教授，博士，主要從事節(jié)水灌溉理論與技術(shù)和農(nóng)業(yè)節(jié)水研究。E-mail: zxxddd@126.com

1672 - 3317（2023）04 - 0074 - 07

TP79

A

10.13522/j.cnki.ggps.2022368

吳迪, 楊鵬, 周黎勇, 等. 基于Sentinel-2破碎化地塊灌區(qū)作物種植結(jié)構(gòu)的提取[J]. 灌溉排水學(xué)報, 2023, 42(4): 74-80.

WU Di, YANG Peng, ZHOU Liyong, et al. Using Sentinel-2 Sensing Imagery to Estimate Planting Structure in Fragmented Irrigated Lands[J]. Journal of Irrigation and Drainage, 2023, 42(4): 74-80.

責(zé)任編輯：趙宇龍