基于GF-6衛(wèi)星的棉花種植面積提取研究
——以山東省夏津縣為例

馬春瑩

(夏津縣自然資源局,山東 德州 253200)

0 引言

夏津是我國棉花種值大縣,棉花種植面積和產(chǎn)量均穩(wěn)居山東省前三位。近年來,隨著鄉(xiāng)村振興戰(zhàn)略的深入推進,夏津縣高度重視棉花產(chǎn)業(yè)的發(fā)展,政府對棉花種植面積和空間分布的重視程度不斷增強。如何準(zhǔn)確、快速地獲取大區(qū)域尺度下的棉花種植面積是掌握農(nóng)作物基礎(chǔ)信息的必要途徑,同時對于落實棉花種植直補和各項惠農(nóng)補貼、及時了解市場行情發(fā)揮著重要的導(dǎo)向作用[1]。早前,棉花種植面積主要通過人工實地調(diào)查的方式來獲取,這種方法具有勞動強度大、速度慢、成本高等不足,且統(tǒng)計信息受人為因素影響大,在大尺度空間分布調(diào)查時很難得到精準(zhǔn)的種植信息[2]。

隨著遙感技術(shù)的快速發(fā)展,衛(wèi)星影像在現(xiàn)代農(nóng)業(yè)管理中得到了廣泛運用,早期衛(wèi)星的空間分辨率較低,混合像元的存在限制了其在農(nóng)作物面積提取方面的應(yīng)用[3]。國產(chǎn)高分衛(wèi)星6號(以下簡稱GF-6)是國內(nèi)第一顆搭載了能有效辨別作物類型的高空間分辨率遙感衛(wèi)星,其在衛(wèi)星傳感器中首次配置了能有效反映農(nóng)作物特有光譜特性的“紅邊”波段,該波段是反應(yīng)植物生長狀況的敏感性波段,能夠顯著提升作物精準(zhǔn)識別的能力,為高精度、定量化的農(nóng)業(yè)生產(chǎn)過程和農(nóng)業(yè)資源環(huán)境要素監(jiān)測提供了可靠的數(shù)據(jù)支撐。本文選取山東省夏津縣為研究區(qū),以GF-6衛(wèi)星影像為主要數(shù)據(jù)源,哨兵2號(以下簡稱Sentinel-2)衛(wèi)星影像作為參照,采用面向?qū)ο蟮臎Q策樹型分類方法,并選用易康遙感影像分析軟件(以下簡稱eCogniton)進行分類,實現(xiàn)了該縣棉花種植面積的精準(zhǔn)提取。

1 數(shù)據(jù)源與方法

1.1 研究區(qū)概況

夏津縣地處魯西北平原、魯冀兩省交界處,北依德州,南靠聊城,西臨京杭大運河。夏津縣屬暖溫帶半濕潤大陸性季風(fēng)氣候,冷熱、干濕明顯,四季變化明顯,晚秋經(jīng)常出現(xiàn)干旱,干旱對于喜溫好光的棉花影響比其他作物小,這是夏津縣種植棉花歷史悠久的氣候原因。近年來,夏津縣強化要素集聚,科學(xué)劃定棉花保護區(qū),統(tǒng)籌高標(biāo)準(zhǔn)農(nóng)田、小農(nóng)水、土地整理等項目,重點提升棉田基建,助力綠色高質(zhì)高效棉花生產(chǎn)。

1.2 數(shù)據(jù)源

本研究選取GF-6衛(wèi)星影像作為遙感數(shù)據(jù)源,GF-6衛(wèi)星配置2m全色/8m多光譜高分辨率相機、16m多光譜中分辨率寬幅相機,2m全色/8m多光譜相機觀測幅寬90 km,16m多光譜相機觀測幅寬800 km(表1)。為了檢驗GF-6衛(wèi)星棉花種植面積的提取精度,同時選取同時相的Sentinel-2影像數(shù)據(jù)進行提取,對比兩者的解譯精度。采用的其他數(shù)據(jù)如耕地分布圖、向量行政區(qū)域規(guī)劃圖、農(nóng)作物種植面積調(diào)查統(tǒng)計年鑒等資料均來自官方統(tǒng)計數(shù)據(jù)。利用ENVI 5.3軟件對衛(wèi)星影像數(shù)據(jù)進行預(yù)處理,主要包括正射校正、幾何配準(zhǔn)、影像融合、圖像掩膜、輻射校正等步驟[4-5]。

表1 GF-6衛(wèi)星參數(shù)

1.3 研究方法

1.3.1 提取方案

合理的作物識別方法可以提高作物識別的精度,有利于獲取到準(zhǔn)確的棉花空間分布信息與面積[6]。參照棉花的光譜特征和遙感影像顏色特征,采用構(gòu)建決策樹模型方式進行分析提取,得到基于監(jiān)督分類方法下棉花的像元結(jié)果,按照棉花掩膜規(guī)則生成棉花掩膜后,將其應(yīng)用在夏津縣衛(wèi)星影像上,由于其他作物基本被掩膜遮蔽,棉花光譜和掩膜區(qū)域內(nèi)其他地物的光譜可分性較好,再使用eCogniton軟件進行分類,排除符合掩膜規(guī)則的農(nóng)田以外地物,達到精確提取棉花種植面積的目的[7],具體流程見圖1。

圖1 提取流程圖

1.3.2 精度評價的方法

將估測面積和統(tǒng)計數(shù)據(jù)進行對比,分析提取精度,再采用Kappa系數(shù)對提取方法進行精度評價,Kappa系數(shù)的計算基于混淆矩陣,K值的范圍通常為-1～1之間,一般大于0[8],Kappa系數(shù)計算公式見式(1):

(1)

其中:Po—所有對角線元素之和除以整個矩陣元素之和得到的商值;Pe—每個真實樣本乘以預(yù)測樣本的和再除以樣本個數(shù)的平方的值。

2 棉花種植面積提取

2.1 棉花光譜特征分析

夏津縣的棉花種植規(guī)律為4月份開始播種,此時的植被覆蓋率較低,5～6月份,大多數(shù)的棉花還處于幼苗期,衛(wèi)星影像呈現(xiàn)為淡綠色,此時地面植物的反射光譜特征基本相似,難以進行分類提取。8月初,棉花生長進入第一個花鈴期,此階段的棉花繁殖和發(fā)育最強烈,2～3周后棉花開始進入初開和盛花期,此時的植株長勢達到最高峰,衛(wèi)星圖像呈現(xiàn)出鮮綠色。通過對棉花種植結(jié)構(gòu)特征、遙感影像顏色特征、光譜特征的分析,可知棉花的最佳遙感識別期為8月中下旬,此時地物間植被指數(shù)差異較大,棉花較容易的識別出來(圖2)。

圖2 夏津縣8月份幾種地物的反射波譜曲線圖

2.2 植被指數(shù)分析

參照夏津縣棉花調(diào)查整理數(shù)據(jù),利用其中有準(zhǔn)確經(jīng)緯度、種植作物信息的地面調(diào)查點,建立研究區(qū)作物樣本圖斑,分別建立棉花、玉米、水體、林地的訓(xùn)練樣本和驗證樣本,統(tǒng)計遙感數(shù)據(jù)訓(xùn)練樣本可分離系數(shù)的變化情況。本研究選取衛(wèi)星影像中R、G、B和NIR共4個10 m分辨率的波段圖像進行融合,利用ENV15.6和ArcGIS10.7對融合后影像重新構(gòu)建金字塔,然后提取相對應(yīng)的每個采樣點的光譜波段反射率值,結(jié)合衛(wèi)星遙感指數(shù)已有算法,并利用ENVI5.3平臺的Band Math工具計算出不同土地利用類型的植被指數(shù)[9]。

2.3 提取步驟

本研究利用eCogniton軟件進行分類提取,eCogniton是一款高分辨率遙感影像分析軟件,主要通過面向?qū)ο蟮挠跋穹指罴夹g(shù),來實現(xiàn)影像的分析與數(shù)據(jù)獲取[10],提取步驟如下:

(1)棉花粗提。分類的基本過程中,先選定目標(biāo)地物樣本對象,由軟件系統(tǒng)自動計算該類地物的屬性值,然后建立特征空間結(jié)構(gòu)[11]。以已確定樣本的特點空間結(jié)構(gòu)為核心,通過統(tǒng)計方法分析其余未分類型的攝影對象和該區(qū)位特性空隙之間的差距,那么影像對象離哪個區(qū)位的特性空隙最近,即會被分類在該類別中。8月棉花的平均反射率均高于樹類和其他作物,而水域和灌木因為其獨特的地理特點導(dǎo)致波譜特征幾乎不會有太大明顯變化,其他地類的波譜曲線的形態(tài)都有較大變動[12],由此,參照不同作物的像元可以得到棉花粗提結(jié)果。

(2)棉花掩膜。按照掩膜規(guī)則生成棉花掩膜后,將其應(yīng)用在衛(wèi)星影像上,由于其他作物基本被掩膜遮蔽,棉花光譜和掩膜區(qū)域內(nèi)其他地物的光譜可分性較好。通過分割試驗得到研究區(qū)域內(nèi)的影像分割參數(shù),調(diào)整各參數(shù)權(quán)值,包括分割尺寸、圖形緊致度、平滑度和色彩參數(shù)權(quán)重等,得出在多種分割圖層下解析不同地物最適宜的切割尺寸[13-14]。根據(jù)分割結(jié)果來調(diào)整樣本點的疏密,使得遙感影像精度和分割尺度、樣本集相匹配,最終使用的分割尺度參數(shù)為100、形狀參數(shù)為0.3、精致度參數(shù)為0.7。使用支持向量機分類方法進行監(jiān)督分類,排除符合掩膜規(guī)則的農(nóng)田以外地物,達到精確識別棉花種植面積目的。

(3)棉花提取。已經(jīng)分離出的農(nóng)作物圖層中含有農(nóng)田、苗木和少量的不透水地表(池塘等),首先在分割尺寸為100的影像對象層中進行粗提純,再使用光譜特性“Ratiored”和幾何特性“Length/Width”進行初步提純;隨后再將初步提純后的作物類別傳送到分割尺寸為100的影像對象層中再次進行提純。提取過程如圖3所示。

圖3 棉花提取過程

3 結(jié)果與分析

綜合利用遙感數(shù)據(jù)源,采用面向?qū)ο蟮臎Q策樹型分類方法,并基于eCogniton的棉花種植信息分類提取方案,得出夏津縣棉花識別的最佳解譯結(jié)果(圖4、圖5),結(jié)合實地驗證點、作物分類樣本對解譯精度及棉花提取精度進行驗證[15]。

圖4 基于GF-6衛(wèi)星提取的夏津縣棉花分布圖

圖5 基于Sentinel-2衛(wèi)星提取的夏津縣棉花分布圖

3.1 遙感提取面積和官方統(tǒng)計數(shù)據(jù)對比

根據(jù)分類結(jié)果,利用ENVI中的Statistic(統(tǒng)計)工具,計算得出棉花所占的像元總數(shù),然后計算其種植面積(種植面積=像元數(shù)×像元面積)[16],最后得到基于GF-6衛(wèi)星和Sentinel-2衛(wèi)星提取的夏津縣2021年棉花種植面積分別為11369.96 hm2和11109.96 hm2。將估測結(jié)果與官方統(tǒng)計數(shù)據(jù)進行對比(統(tǒng)計結(jié)果見表2)。

表2 提取面積與官方統(tǒng)計面積對比 單位:hm2

從表2數(shù)據(jù)看出,基于GF-6衛(wèi)星遙感提取的面積更加接近官方統(tǒng)計的面積。

3.2 解譯精度檢驗

分別計算基于GF-6衛(wèi)星和Sentinel-2衛(wèi)星的棉花種植信息提取的總體分類精度、Kappa系數(shù)、生產(chǎn)精度和用戶精度,統(tǒng)計數(shù)據(jù)見表3。

表3 作物驗證樣本檢驗解譯精度匯總表

由表3可知,GF-6衛(wèi)星在總體分類精度、生產(chǎn)精度、用戶精度等方面的數(shù)值均高出Sentinel-2衛(wèi)星約2個百分點,證明了其對棉花形狀、紋理、大小等特征均有更高的辨別度,紅邊波段的確能提高作物識別的能力[16],提高作物的解譯精度。

3.3 實地對比分析

為了評估分類的準(zhǔn)確性,在夏津縣棉花分布圖中選取49個驗證點與實地進行對比分析,由于驗證點是隨機選取,且未均勻分布于研究區(qū)域內(nèi),所以本次統(tǒng)計僅計算總體分類精度[17]。經(jīng)實地調(diào)查統(tǒng)計,利用GF-6衛(wèi)星提取的49個驗證點中有46個分類正確,3個分類錯誤,總體精度達到93.88%;利用Sentinel-2衛(wèi)星提取的49個驗證點中有45個分類正確,4個分類錯誤,總體精度達到91.84%。實地調(diào)查分類錯誤的原因,其中2個驗證點周圍種植有大豆和蘆葦,提取結(jié)果將其誤判為棉花;2個驗證點套種有其他作物,提取結(jié)果產(chǎn)生漏分。GF-6衛(wèi)星分類結(jié)果圖斑具有更好的完整性,誤判和漏分的情況要優(yōu)于Sentinel-2衛(wèi)星。

同時,選取某處驗證樣方對棉花種植面積提取的精度進行分析,檢測方法為利用GPS-RTK實地測量驗證樣方內(nèi)的棉花種植面積,與GF-6衛(wèi)星和Sentinel-2衛(wèi)星提取的驗證樣方內(nèi)的棉花種植面積進行對比,統(tǒng)計結(jié)果見表4。從表4統(tǒng)計數(shù)據(jù)可以看出,GF-6衛(wèi)星和Sentinel-2衛(wèi)星提取的棉花種植面積相對誤差均小于10%,說明2種衛(wèi)星提取的面積精度都比較高,GF-6衛(wèi)星的全色分辨率達到2 m,Sentinel-2衛(wèi)星的分辨率為10m,GF-6衛(wèi)星對作物種類及邊界匹配更加準(zhǔn)確,其對驗證樣方中棉花地塊的形狀、紋理、大小等特征上的表現(xiàn)更加突出。

表4 棉花種植面積提取相對誤差統(tǒng)計表

4 結(jié)語

本研究以GF-6衛(wèi)星影像為主要數(shù)據(jù)源,采用面向?qū)ο蟮臎Q策樹型分類方法,并基于eCogniton遙感影像分析軟件成功提取出夏津縣棉花種植面積,該方法在處理高維度、大體積遙感數(shù)據(jù)中展現(xiàn)出天然的優(yōu)勢,其對大區(qū)域尺度的歷史遙感影像處理分析能夠更高效、準(zhǔn)確的獲取區(qū)域種植空間分布信息,通過研究總結(jié)如下:

(1)經(jīng)檢驗,基于GF-6衛(wèi)星的棉花面積提取結(jié)果在精度方面明顯優(yōu)于Sentinel-2衛(wèi)星,證明了GF-6衛(wèi)星新增的紅邊波段能夠顯著增強作物的識別能力,紅邊波段特征與作物生長狀況、植被特征的相關(guān)性更強,其850 km的寬幅數(shù)據(jù)可較好地用于中小區(qū)域尺度的地物提取,使得復(fù)雜地塊作物面積監(jiān)測結(jié)果更加客觀合理,GF-6衛(wèi)星能為遙感解譯提供更加豐富的信息,其在作物面積提取方面具有廣泛的應(yīng)用潛力,極大地推動了衛(wèi)星遙感技術(shù)的國產(chǎn)化應(yīng)用。

(2)隨著對地觀測技術(shù)的不斷發(fā)展,高空間、時間以及光譜分辨率的衛(wèi)星持續(xù)發(fā)射,其載荷類型不斷豐富,空間信息網(wǎng)絡(luò)通信能力不斷提升,在軌數(shù)據(jù)處理能力不斷加強,為農(nóng)業(yè)資源調(diào)查等應(yīng)用提供了更加豐富的數(shù)據(jù)源?？紤]到單一遙感系統(tǒng)觀測往往并不全面,后續(xù)通過多傳感器進行數(shù)據(jù)融合研究能更有效發(fā)揮多平臺互補觀測的優(yōu)勢,即將包含同一目標(biāo)或場景,在空間、時間、光譜上冗余或互補的多源遙感數(shù)據(jù)按照一定規(guī)則(或算法)進行運算處理,獲得比任何單一數(shù)據(jù)更精確、完整、有效的信息,實現(xiàn)更加精準(zhǔn)、全面的作物分類提取。

(3)為提高經(jīng)濟效益,當(dāng)前的棉花田存在很多套種方式,呈現(xiàn)出“花花田”的現(xiàn)象,即在一塊耕地上按照一定的行、株距和占地的寬窄比例種植幾種作物,對棉花種植面積識別與提取造成較大的影響,在后續(xù)研究中,應(yīng)當(dāng)加大對多種作物光譜反射特征的研究,尋找作物之間光譜反射特征的差異,以進一步提高作物識別與提取的能力,為區(qū)域發(fā)展“精準(zhǔn)農(nóng)業(yè)”“智慧農(nóng)業(yè)”建設(shè)提供重要的技術(shù)支撐。