基于Sentinel數(shù)據(jù)的新疆奇臺縣小麥作物識別和秸稈產(chǎn)量估算

潘 競，艾尼玩·艾買爾，阿斯婭·曼力克，阿 仁，田 聰，馬海燕，孫宗玖，鄭逢令*

（1.新疆農(nóng)業(yè)大學(xué)草業(yè)學(xué)院，烏魯木齊 830052；2.新疆畜牧科學(xué)院草業(yè)研究所，烏魯木齊 830057；3.新疆畜牧科學(xué)院天山北坡草地生態(tài)環(huán)境野外定位觀測研究站，烏魯木齊 830057）

小麥?zhǔn)乾F(xiàn)今世界上最主要的經(jīng)濟(jì)作物，在全世界其重要性僅次于稻米，同時也是我國主要的作物之一，在中國糧食生產(chǎn)和保障糧食安全方面占有舉足輕重的地位[1]。因此開展小麥耕地的識別有助于政府有關(guān)部門指導(dǎo)農(nóng)業(yè)生產(chǎn)活動，估計產(chǎn)量，優(yōu)化調(diào)整農(nóng)業(yè)結(jié)構(gòu)，確保糧食安全[2]。對于農(nóng)作物識別及長勢信息采集的傳統(tǒng)農(nóng)業(yè)調(diào)查法缺少精確的作物空間分布信息，調(diào)查數(shù)據(jù)的質(zhì)量往往易受到人為因素的影響[3]，因而缺乏客觀性。遙感能夠在廣泛的地理區(qū)域獲取數(shù)據(jù)，可以為監(jiān)測小麥的種植信息提供快速又準(zhǔn)確的數(shù)據(jù)源。田間秸稈廢棄物是指糧食作物收割后殘留在田里的殘余物料，它對耕地生態(tài)系統(tǒng)具有很大危害。新疆小麥、玉米、棉花等的秸稈廢棄物，都是草食家畜飼草料重要的來源。正確評價可利用秸稈資源量與分布是秸稈雜物資源化綜合利用的基礎(chǔ)。在農(nóng)業(yè)生產(chǎn)規(guī)劃或管理決策過程中，草谷比是估算不同種類、不同地域大田作物秸稈資源量的重要且較快捷可行的方式[4]，遙感等空間技術(shù)有快速在大范圍實現(xiàn)作物分類并估算作物秸稈產(chǎn)量的潛力，但國內(nèi)相關(guān)研究報道較少，國外利用遙感和GIS 等技術(shù)調(diào)查秸稈資源主要是服務(wù)于生物質(zhì)能源的開發(fā)利用[5，6]。

遙感應(yīng)用的各種衛(wèi)星圖像采集和數(shù)據(jù)挖掘方法相對比較成熟，能夠有效地服務(wù)于多種農(nóng)業(yè)應(yīng)用場景，如產(chǎn)量預(yù)測、作物類型識別、雜草分類等[7～9]。近年來高分辨率衛(wèi)星可以在較小的空間尺度上獲得更高的空間和時間分辨率數(shù)據(jù)。遙感數(shù)據(jù)可以通過光學(xué)、雷達(dá)、紅外等各種傳感器采集[10]，使得遙感衛(wèi)星能夠采集的數(shù)據(jù)類型越來越豐富。遙感圖像處理技術(shù)不斷有新突破，分類方法朝著自動化、智能化方向發(fā)展。Gulsen等[11]提出一種線性SVM和支持向量的混合模型可以有效地實現(xiàn)遙感圖像分類。Bruno 等[12]使用Landsat 8 傳感器的多時間光譜信息，提出了一種結(jié)合多分辨率分割和隨機(jī)森林（Random Forests）分類的方法，實現(xiàn)巴西東南部農(nóng)業(yè)地區(qū)的五種作物自動分類。與常規(guī)的地面遙感研究方法比較，谷歌地球引擎（Google Earth Engine，GEE）優(yōu)點(diǎn)更明顯，可以迅速獲得大范圍的高分辨率圖像信號。目前Google Earth Engine云平臺己經(jīng)廣泛應(yīng)用于多個學(xué)科領(lǐng)域，如：植被制圖與監(jiān)測[13]、農(nóng)業(yè)應(yīng)用[14]、土地利用（覆蓋研究）。

本研究以Google earth engine 為平臺，采用Sentinel-1 雷達(dá)影像、Sentinel-2 多光譜影像為主要數(shù)據(jù)源，使用三種機(jī)器學(xué)習(xí)算法進(jìn)行小麥作物的遙感分類，通過精度評價選擇出最優(yōu)的數(shù)據(jù)源以及機(jī)器學(xué)習(xí)算法。結(jié)合地面的實測產(chǎn)量來估算奇臺縣小麥秸稈資源的存量和分布。利用遙感技術(shù)可以更直觀有效地對農(nóng)作物種植面積和產(chǎn)量進(jìn)行識別和估算，為行業(yè)管理部門監(jiān)督指導(dǎo)農(nóng)業(yè)活動提供基礎(chǔ)數(shù)據(jù)。

1 材料與方法

1.1 研究區(qū)域

奇臺縣地處中國新疆東北部，東西橫間隔約150 km，南北縱線約250 km。由南向北地理環(huán)境特殊，地形地貌錯綜復(fù)雜，地形北部高，中部較低，呈馬鞍狀，屬于中溫帶大陸性半荒漠干旱性氣候，主要栽培農(nóng)作物有小麥、玉米、西瓜、西葫蘆和甜菜。通常在4至5月播種，8至9月收獲[1]，見表1。

表1 奇臺縣主要農(nóng)作物物候期

樣本數(shù)據(jù)采用戶外實地調(diào)查數(shù)據(jù)，采集時間6月、7月與小麥關(guān)鍵物候期接近。野外實測數(shù)據(jù)中分別調(diào)查了小麥、玉米、西葫蘆、西瓜、甜菜等11 種農(nóng)作物田地、林地及裸地，樣地數(shù)據(jù)共1 075 塊。其中小麥的樣本選取有302塊，玉米的樣本選取有356塊，西葫蘆的樣本選取有190塊。本次分類只選取在研究區(qū)中農(nóng)作物種植面積較大的前五種作物作為樣本點(diǎn)。同時在GEE 平臺上使用人工目視的方法在線選取水體、建筑物、道路、撂荒地（戈壁）和林（草）地塊[3]，見表2。在樣地塊中隨機(jī)選擇70%的樣品數(shù)據(jù)作為訓(xùn)練樣本，另外30%為驗證樣本，用以判斷分析及驗證結(jié)論的可靠性。

表2 樣本地塊數(shù)據(jù)統(tǒng)計

1.2 數(shù)據(jù)獲取與預(yù)處理

1.2.1 Sentinel-1數(shù)據(jù)

本研究采用谷歌地球引擎（GEE)系統(tǒng)開展信息收集與管理。通過Sentinel-1工具箱對數(shù)據(jù)進(jìn)行了預(yù)處理。預(yù)處理過程涉及輻射校正、消除熱噪聲以及地形修正。針對本次研究，使用了Sentinel-1中的干涉寬幅模式（IW)的地距多視圖像方式作為數(shù)據(jù)源，該圖像方式包括了VV 極化和VH 偏振的雙極化模式。為了消除Sentinel-1 數(shù)據(jù)集中的斑點(diǎn)噪聲，使用了改進(jìn)的Lee 濾波器[15]來過濾反向散射時間序列。

1.2.2 Sentinel-2數(shù)據(jù)

使用GEE 平臺獲取已經(jīng)經(jīng)過大氣校正的大氣底層反射率的哨兵L2A 級數(shù)據(jù)，其中包括了所有10 m 和20 m 分辨率波段，波段為藍(lán)、綠、紅、紅邊1、紅邊2、紅邊3、紅邊4、近紅外（NIR)、短波紅外1（SWIR1）和短波紅外2（SWIR2）。并在GEE 中構(gòu)建了一個函數(shù)，使用QA60 波段檢測和云掩蔽來獲得云量較少的Sentinel-2 圖像，見表3。

表3 遙感影像參數(shù)

為了防止其它土地覆蓋類型對作物識別造成影響，本研究在進(jìn)行作物分類時，先通過歐空局的ESRI十米年度全球農(nóng)田覆蓋產(chǎn)品數(shù)據(jù)及掩膜耕地信息，得到研究區(qū)的Sentinel-2農(nóng)田圖像。在時間序列范圍內(nèi)，最終共得到2022 年奇臺縣作物生育期內(nèi)云量較低（云量小于20%）的研究區(qū)合成影像共6幅，其中四月到五月1幅、五月到六月1幅、六月到八月2幅、八月2幅。

1.2.3 數(shù)據(jù)特征選取

1.2.3.1光譜波段 選擇了Sentinel-2衛(wèi)星波段（共13個）中的9個，主要涉及用于進(jìn)行土地覆蓋變化觀測、植被調(diào)查、陸表調(diào)查和環(huán)境監(jiān)測的波段，即B2、B3、B4、B5、B6、B7、B8、B8A和B11波段。

1.2.3.2植被指數(shù) 根據(jù)研究區(qū)域植物的生態(tài)環(huán)境與物候特征，可以選擇利用Sentinel-2影像的光譜反射率與相關(guān)植物指標(biāo)來幫助劃分，包含歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI)、增強(qiáng)植被指數(shù)（Enhanced Vegetation Index，EVI)、比值植被指數(shù)（Enhanced Vegetation Index，RVI)、歸一化差異紅邊植被指數(shù)（Normalized difference red edge，NDRE)。其公式如下：

其中，G：增益系數(shù)，2.5；C1：Red波段氣溶膠阻抗系數(shù)，6；C2：Blue波段氣溶膠阻抗系數(shù)，7.5；L：冠層背景調(diào)整因子，1。

1.2.3.3 Sentinel-1 雙極化特征 光學(xué)遙感方法在農(nóng)作物的關(guān)鍵生長期內(nèi)的參數(shù)信息獲取方面依然存在明顯的局限性，如可能受云雨天氣影響，導(dǎo)致光學(xué)遙感產(chǎn)品數(shù)據(jù)源無法保障。與之相比，雷達(dá)遙感不受光照、云雨等天氣條件的影響，合成孔徑雷達(dá)成像的分辨率不受距離影響，通過對多次雷達(dá)回波信號進(jìn)行處理，可生成高分辨率的成像結(jié)果。由于成像分辨率不隨距離變化，因此可以實現(xiàn)在遠(yuǎn)距離下的高精度成像[16]。加入Sentinel-1 數(shù)據(jù)VV、VH 雙極化特征用于對Sentinel-2 影像分類的補(bǔ)充。

1.3 分類方法

首先通過GEE 平臺對遙感影像進(jìn)行篩查，以篩選出不到百分之十云量的合成影像。選擇了歐空局的ESRI十米年度全球農(nóng)田覆蓋產(chǎn)品數(shù)據(jù)，掩膜出只包含農(nóng)田的研究區(qū)域數(shù)據(jù)，然后將五種作物的樣本點(diǎn)導(dǎo)入三種機(jī)器學(xué)習(xí)分類器，通過比較光譜、極化波段和植被特性對作物空間分布提取的影響，篩選出最佳的分類模型，用確定最優(yōu)特征波段組合和機(jī)器學(xué)習(xí)算法來獲取研究區(qū)小麥等作物的分類數(shù)據(jù)。

1.3.1 機(jī)器學(xué)習(xí)監(jiān)督分類方法

決策樹、隨機(jī)森林和支持向量機(jī)是近年來遙感監(jiān)督分類最普遍使用的機(jī)器學(xué)習(xí)方法。

1.3.1.1 決策樹 決策樹（Classification And Regression Tree，CART）的影像分類過程是通過使用專家知識庫、數(shù)學(xué)計算和機(jī)器學(xué)習(xí)算法等方式收集信息并設(shè)定分類規(guī)則，通過這些規(guī)則進(jìn)行的。這些規(guī)則有助于算法對影像進(jìn)行分類，并自動識別出不同的影像類型[17]。每個節(jié)點(diǎn)都是基于樣本屬性的判斷條件，通過這些條件進(jìn)行分支和決策，最終形成葉子節(jié)點(diǎn)代表的類別劃分。

1.3.1.2隨機(jī)森林 隨機(jī)森林分級計算是很有效的一種CART 決策樹機(jī)器教學(xué)方式，其本質(zhì)是對決策樹分級算法的改進(jìn)。該計算可以防止由于單棵決策樹所造成的過模型擬合現(xiàn)象[18]，旨在小樣本容量情況下保證較好的穩(wěn)定性[19]。通過分析發(fā)現(xiàn)，本研究設(shè)置準(zhǔn)確率最高的顆數(shù)樹的數(shù)量為110，其他參數(shù)設(shè)置為默認(rèn)值。

1.3.1.3 支持向量機(jī) 支持向量機(jī)（Support Vector Machine，SVM）由Cortes 和Vapnik 在1995 年提出，基于統(tǒng)計學(xué)方法理論的一種算法模型[20]。SVM 中的軟間隔概念可以應(yīng)用于農(nóng)作物分類中，解決線性不可分的問題，從而能夠有效降低計算量。

1.3.2 精度評價方法

混淆矩陣是一種常用的分類結(jié)果評價方法，其主要作用是將分類結(jié)果與真實信息進(jìn)行比較，并將分類精度展示在矩陣中?；诨煜仃?，其中總體分類精度和Kappa 系數(shù)應(yīng)用最廣泛。計算公式如下：

其中，n 是待劃分的樣本類別數(shù)目；X是混淆矩陣中第i 行第j 列的元素；OA 表示總體精度，k代表Kappa 系數(shù)。

2 結(jié)果與分析

2.1 三種不同機(jī)器學(xué)習(xí)算法的精度評價

為評價不同機(jī)器學(xué)習(xí)算法在復(fù)雜土地結(jié)構(gòu)制圖中的特性，將通過GEE 對奇臺縣遙感圖像光譜波段、極化波段以及對植被特征的九種綜合方案分別作出精度評估。通過表4 可得知，在不同方案下的RF 分類器的總體精度和Kappa 系數(shù)都是最高，總體精度和Kappa 系數(shù)依次是0.98 和0.97。以CART 算法為例，僅采用極化波段的方法總體精度為0.73，明顯低于使用其他波段特征的分類方案，但增加了植被特征之后將分類準(zhǔn)確度提高至0.86。另外，在采用了光譜和植被特征分類方案后，CART 和SVM 分類器的方法總體精度也都有所提高，比僅采用極化波段的方案總體準(zhǔn)確度也提升了0.12。表明在奇臺縣的小麥作物識別中，光譜特征和植被特征都對識別的精度有至關(guān)重要影響。盡管基于極化波段或植被特征方案的識別精度并不高，但它們對于進(jìn)一步提高識別精度也有促進(jìn)作用。

表4 基于不同分類方案的識別精度

將實地采集的地塊數(shù)據(jù)與使用最優(yōu)特征的三種分類器識別出的小麥結(jié)果進(jìn)行直觀對比，如圖1所示，效果最好的是使用RF 分類器的圖1（a)，與圖1（b)、圖1（c)相比RF 分類器識別出的小麥地塊較為完整、邊緣清晰，與實地采集數(shù)據(jù)重合度最高、錯分最少。而使用SVM 分類器的圖1（c)效果最差，錯分最多。使用RF分類器和極化波段、光譜波段以及植被特征組合對小麥識別的效果最好。

圖1 三種不同分類器在相同特征條件下（極化波段+光譜波段+植被指數(shù))的識別結(jié)果

混淆矩陣如圖2 所示，可以看出用于精度驗證的樣本共1 664 個像元，其中被正確分類的有1 636個像元，總體效果較好。因此對于本研究區(qū)的小麥識別，使用RF分類器和極化波段、光譜波段以及植被特征組合的結(jié)果最好。

圖2 最優(yōu)方案分類后的混淆矩陣

2.2 不同生長期的小麥分類結(jié)果

依據(jù)小麥生長特點(diǎn)與五種作物NDVI 曲線（4 月初-8 月末）對比結(jié)果，小麥的關(guān)鍵物候期為四月末、六月初和七月末，分別對應(yīng)小麥出苗、抽穗和灌漿乳熟期，也是對小麥進(jìn)行遙感識別的最佳時期。因此，使用分類精度最高的RF 分類器和分類特征分別對這三個時期的耕地影像進(jìn)行提取，識別小麥的空間分布，是判斷小麥種植面積最佳提取時期的較好方式，見圖3。

圖3 植被指數(shù)時間序列曲線

為了對小麥3個生長期內(nèi)識別效果進(jìn)行更深入的對比分析，采用指標(biāo)總體精度和Kappa 系數(shù)對此3 種分類結(jié)果進(jìn)行評價。在小麥三個關(guān)鍵生長期中，抽穗期的識別精度最高，總體精度和Kappa系數(shù)分別為0.98 和0.97，比出苗期分別高出0.2 和0.1。灌漿乳熟期分類效果最差，總體精度僅為0.69，Kappa系數(shù)為0.61，見表5。說明在小麥關(guān)鍵物候期條件下，基于RF分類器和波段特征可以在小麥抽穗期有效提取土地覆蓋信息，具有很好的地物分類識別效果。

表5 使用RF分類器對三個生長期小麥的識別精度

2.3 小麥秸稈產(chǎn)量估算

在2022年7月末對已收獲的小麥地塊的秸稈產(chǎn)量進(jìn)行數(shù)據(jù)采集，在全縣分布的4個地塊中進(jìn)行了實測后取平均值得到小麥秸稈每公頃產(chǎn)量（干重）2 700 kg。將研究區(qū)小麥種植地塊識別后的數(shù)據(jù)導(dǎo)入Arcgis，計算小麥作物的種植面積為37 265 hm2，折算出奇臺縣小麥秸稈總產(chǎn)量100 615.5 t。

3 討 論

隨著遙感影像分辨率的不斷提高，對遙感影像處理的需求也在不斷增加，特別是在進(jìn)行大區(qū)域作物分類時，需要對大量的影像數(shù)據(jù)進(jìn)行分析處理，這對本地電腦的硬件和性能提出了更高的要求。因此，越來越多的人選擇在云平臺上進(jìn)行影像數(shù)據(jù)的處理。可以將GEE 平臺中的遙感數(shù)據(jù)上傳至Google 云平臺，利用其數(shù)百萬服務(wù)器進(jìn)行并行處理，從而大幅縮短遙感影像處理所需的時間和數(shù)據(jù)處理成本。這一方式可有效提高遙感數(shù)據(jù)處理的效率，為相關(guān)領(lǐng)域的研究和應(yīng)用提供了更為便捷的支持[21]。本研究基于GEE 云平臺，利用Sentinel1、2 影像通過編程迅速地調(diào)用并管理這些數(shù)據(jù)，從而使原本本地計算平臺需要幾天甚至幾周時間的數(shù)據(jù)處理分析工作能夠在數(shù)小時內(nèi)完成，大大地提高了效率、降低了成本。

在特征選擇方面，本研究主要選擇Sentinel-2光學(xué)影像的光譜波段和植被指數(shù)。而SAR 數(shù)據(jù)與光學(xué)數(shù)據(jù)相比能提供更豐富的農(nóng)作物紋理信息，可以有效解決光學(xué)數(shù)據(jù)中“異物同譜”、“同物異譜”的現(xiàn)象，提高農(nóng)作物識別精度[22]。本研究中可以明顯發(fā)現(xiàn)雷達(dá)數(shù)據(jù)的導(dǎo)入對小麥分類精度有明顯的提升作用。

此外，本研究在對農(nóng)作物進(jìn)行戶外調(diào)查時，盡管獲取的樣本量較大且具備代表性，但實地數(shù)據(jù)空間分布不夠均勻，對植被類型識別結(jié)果存在一定的影響。因此，通過適當(dāng)增加農(nóng)作物樣方數(shù)量和農(nóng)作物樣方分布范圍，會在一定程度上提升農(nóng)作物樣本的多樣性、可靠性和連續(xù)性，同時將多源遙感數(shù)據(jù)融合，可以進(jìn)一步提高農(nóng)作物遙感分類的精確性和有效性。

4 結(jié) 論

本研究以Google earth engine 為平臺，以奇臺縣域內(nèi)主要農(nóng)作物種植區(qū)域為研究對象。采用Sentinel-1 雷達(dá)影像、Sentinel-2 多光譜影像為主要數(shù)據(jù)源，評價三種機(jī)器學(xué)習(xí)分類器的作物分類精度，對比不同特征組合的效果，并使用地面實測數(shù)據(jù)來估算小麥秸稈產(chǎn)量。結(jié)論如下：對于小麥作物分類，使用隨機(jī)森林分類器結(jié)合光譜波段、極化波段和植被特征識別精度最高，總體精度達(dá)到98%。對比小麥出苗期、抽穗期和灌漿乳熟期識別精度，其中以抽穗期的識別效果最佳。通過實地測產(chǎn)方法估算奇臺縣小麥秸稈總產(chǎn)量為100 615.5 t。