基于多時(shí)相植被指數(shù)的云南高原山地冬小麥識(shí)別與研究

楊永明， 牛昱杰， 安衛(wèi)國(guó)， 郭 鈺， 顏定飛

（1.滇西應(yīng)用技術(shù)大學(xué)地球科學(xué)與工程學(xué)院，云南 大理 671000； 2.昆明理工大學(xué)國(guó)土資源工程學(xué)院，云南 昆明650031； 3.云南省高校山地實(shí)景點(diǎn)云數(shù)據(jù)處理及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，云南 大理 671006； 4.滇西應(yīng)用技術(shù)大學(xué)多源數(shù)據(jù)融合實(shí)景三維構(gòu)建研究科技創(chuàng)新團(tuán)隊(duì)，云南 大理 671006； 5.海南大學(xué)土木建筑工程學(xué)院，海南 ?？?570228）

0 引言

糧食的安全保障是國(guó)家的基礎(chǔ)，冬小麥?zhǔn)俏覈?guó)重要的糧食作物之一[1-2]。云南省位于我國(guó)西南冬麥區(qū)，其農(nóng)業(yè)特色是以壩子農(nóng)業(yè)為主。對(duì)云南省冬小麥種植面積的快速預(yù)測(cè)，是準(zhǔn)確預(yù)測(cè)糧食產(chǎn)量的基礎(chǔ)。此外，云南省高原山地冬小麥的空間分布對(duì)糧食政策的制定具有重要作用。傳統(tǒng)農(nóng)作物種植面積和空間分布信息需要人工現(xiàn)場(chǎng)實(shí)地考察等方式獲取，不但耗費(fèi)大量人力、物力，同時(shí)無(wú)法及時(shí)快速地更新有關(guān)信息[3]。而隨著中高分辨率遙感衛(wèi)星技術(shù)的發(fā)展，利用多時(shí)相遙感數(shù)據(jù)便可以對(duì)地形復(fù)雜、植被茂密的云南省高原山地農(nóng)作物的相關(guān)信息進(jìn)行快速地獲取，從而優(yōu)化工作流程，因此利用遙感數(shù)據(jù)對(duì)云南省高原山地農(nóng)作物種植面積的提取具有重要意義[4]。

隨著衛(wèi)星遙感影像技術(shù)的發(fā)展，光學(xué)衛(wèi)星影像作為數(shù)據(jù)源被廣泛應(yīng)用在耕地信息提取的各個(gè)領(lǐng)域[5-6]。MODIS 數(shù)據(jù)具有重返周期短、光譜范圍廣、更新頻率高、數(shù)據(jù)易接受和相對(duì)完善的處理產(chǎn)品等特點(diǎn)，近年來(lái)在作物耕地信息提取研究中時(shí)序數(shù)據(jù)被廣泛應(yīng)用，但受限于MODIS 的250 m 空間分辨率而無(wú)法對(duì)耕地作物精細(xì)化提取[7-9]。Landsat 8 衛(wèi)星數(shù)據(jù)（30 m）重返周期為16 d，相較于前者有較高空間分辨率，有研究指出利用Landsat 8 OLI 數(shù)據(jù)獲取的多特征信息，通過(guò)隨機(jī)森林分類(lèi)方式能夠有效地對(duì)耕地信息進(jìn)行提取[10]。GF 系列光學(xué)衛(wèi)星數(shù)據(jù)可利用其較高的空間分辨率，降低影像中像元的混合比例，在對(duì)耕地信息精細(xì)化的提取研究中被廣泛使用[11]。2017—2022 年，歐空局開(kāi)始提供較高空間分辨率、波段信息豐富、雙星互補(bǔ)重返周期為5 d 的哨兵2 號(hào)（Sentinel-2）衛(wèi)星數(shù)據(jù)，相較于上述衛(wèi)星數(shù)據(jù)具有高空間分辨率、重復(fù)周期短等優(yōu)勢(shì)，在對(duì)河北省的冬小麥精確提取研究中，利用歸一化差異植被指數(shù)（Normalize Difference Vegetation Index，以下簡(jiǎn)稱(chēng)植被NDVI）長(zhǎng)時(shí)序影像提取的總體精度高達(dá)92.8%，Kappa系數(shù)在0.855 8 以上，試驗(yàn)表明，Sentinel-2 為農(nóng)作物耕地信息精準(zhǔn)提取提供了數(shù)據(jù)支撐[4]。

耕地信息的提取主要基于分類(lèi)算法進(jìn)行研究，隨著更多新算法的出現(xiàn)及算法技術(shù)的改進(jìn)，適宜的算法可以逐漸提高對(duì)作物的識(shí)別效率及精度[5]。有研究表明，基于多源衛(wèi)星數(shù)據(jù)集，利用不同指數(shù)特征信息方法對(duì)我國(guó)北方產(chǎn)糧區(qū)的冬小麥種植面積提取的精度高達(dá)96.31%；在我國(guó)南方地區(qū)，利用分層提取原理對(duì)冬小麥兩個(gè)關(guān)鍵期提取的種植面積精度約90.2%，而利用多源時(shí)序數(shù)據(jù)的多特征組合分析等方法則將提取精度提高至90.6%[12-15]。隨著算法技術(shù)的不斷進(jìn)步，農(nóng)作物耕地面積提取精度也在不斷提高。在空間分辨率2.5 m的SPOTS 遙感數(shù)據(jù)對(duì)耕地信息提取試驗(yàn)中，SEaTH 算法與CART 算法的總體精度均超過(guò)90%，但SEaTH 算法更適合快速提取耕地信息[16]。隨著Sentinel-2衛(wèi)星數(shù)據(jù)對(duì)耕地信息提取研究的廣泛應(yīng)用，有研究表明，通過(guò)結(jié)合10 m 分辨率的Sentinel-2 衛(wèi)星數(shù)據(jù)和其光譜特性、指數(shù)特征等信息，對(duì)比4 種不同分類(lèi)算法對(duì)耕地信息的提取，證明利用RF 算法耕地信息提取結(jié)果最佳精度最高達(dá)到88.52%，有效地優(yōu)化了提取結(jié)果[17]。而在耕地面積稀少、壩子農(nóng)業(yè)特征明顯、植被覆蓋率高及光學(xué)衛(wèi)星影像覆蓋缺失等因素背景下，對(duì)我國(guó)云南省高原山地地區(qū)的農(nóng)作物耕地信息提取的研究較少。近年來(lái)，利用多期影像融合來(lái)提取耕地信息的技術(shù)被逐漸應(yīng)用于耕地信息提取研究中，并獲得高精度耕地信息，利用增強(qiáng)植被指數(shù)（Enhanced Vegetation Index，以下簡(jiǎn)稱(chēng)植被EVI）提取南方冬小麥種植面積總體精度約為87.1%，但利用多時(shí)序影像的不同植被指數(shù)對(duì)比方式提取冬小麥種植面積的研究較少[9,18-20]。

本研究區(qū)位于云南省西部橫斷山系縱谷區(qū)，地形復(fù)雜，植被覆蓋率高，具有我國(guó)西南高原地區(qū)特有的壩子農(nóng)業(yè)，受“異物同譜”“異譜同物”的影響，單期的哨兵遙感影像數(shù)據(jù)無(wú)法對(duì)云南省高原地區(qū)農(nóng)作物種植面積進(jìn)行精確提取[21]?，F(xiàn)有對(duì)耕地信息提取的研究多針對(duì)冬小麥產(chǎn)糧大區(qū)，但針對(duì)西南冬小麥區(qū)的相關(guān)研究較少，或多利用中低分辨率遙感影像對(duì)冬小麥范圍進(jìn)行粗提取，無(wú)法實(shí)現(xiàn)對(duì)西南高原山地冬小麥的精細(xì)化識(shí)別[22-25]。鑒于此本研究提出了利用Sentinel-2數(shù)據(jù)，基于多時(shí)相影像對(duì)2020—2021 年云南省高原山地農(nóng)作物種植面積的預(yù)測(cè)方法進(jìn)行研究，揭示多時(shí)相植被指數(shù)數(shù)據(jù)可以有效反映云南高原山地農(nóng)作物生長(zhǎng)變化的規(guī)律，為當(dāng)?shù)氐霓r(nóng)業(yè)生產(chǎn)提供數(shù)據(jù)支撐，明確了利用多時(shí)相數(shù)據(jù)和多特征信息可有效對(duì)農(nóng)作物耕作面積進(jìn)行預(yù)測(cè)。因此，對(duì)高原山地農(nóng)作物種植面積識(shí)別方法的研究，為西南冬麥區(qū)的識(shí)別與提取提供參考，具有一定的研究?jī)r(jià)值。

1 研究區(qū)概況與數(shù)據(jù)分析

1.1 研究區(qū)

本研究區(qū)位于南澗彝族自治縣（以下簡(jiǎn)稱(chēng)南澗縣），隸屬于云南省大理白族自治州（100°06′～100°41′E，24°39′～25°10′N(xiāo)），總面積達(dá)1 738.82 km2，地處橫斷山系縱谷區(qū)，地形復(fù)雜，多以山地為主，并且耕地較為零散，種植農(nóng)作物歷史悠久，以冬小麥和玉米為主，南澗縣具有我國(guó)西南冬麥區(qū)典型耕種特征，為大理州冬小麥種植面積較大的縣域。自然生態(tài)資源豐富，種植冬小麥作物歷史悠久，2021 年南澗縣縣域內(nèi)冬小麥種植面積為2 694 hm2，冬小麥生長(zhǎng)期是10 月下旬播種，次年5 月收割，冬小麥物候期如表1 所示[26]。

1.2 數(shù)據(jù)來(lái)源介紹

Sentinel-2 衛(wèi) 星 數(shù) 據(jù) 由 A（ Sentinel-2A） 與B（Sentinel-2B）雙星互補(bǔ)提供，重返周期5 d。本研究區(qū)域由編號(hào)為RPH 一景影像覆蓋，使用影像數(shù)據(jù)來(lái)源于https://scihub.copernicus.eu 平臺(tái)所提供的S2MSI 產(chǎn)品，包含1C 級(jí)數(shù)據(jù)和2A 級(jí)數(shù)據(jù)，其中1C 為經(jīng)過(guò)正射校正、幾何校正的產(chǎn)品，2A 級(jí)數(shù)據(jù)為經(jīng)過(guò)BOA 正射校正的影像。Sentinel-2 衛(wèi)星影像覆蓋有13 個(gè)波段，包含10、20 和60 m 共3 種空間分辨率，選擇的時(shí)相是從2020 年10 月—2021 年6 月，在冬小麥生長(zhǎng)期的每個(gè)階段獲取一景云量<30%研究區(qū)影像，影像時(shí)間間隔盡可能保持一致。Sentinel-2 衛(wèi)星數(shù)據(jù)使用SNAP 軟件處理工具，利用Sen2Cor 插件對(duì)其大氣校正和輻射定標(biāo)并重采樣獲得10 m 影像，通過(guò)構(gòu)建的數(shù)據(jù)集，可對(duì)其中地類(lèi)光譜信息、各種植被指數(shù)等信息進(jìn)行分析。

植被指數(shù)（Vegetation Index，以下簡(jiǎn)稱(chēng)植被VI）通過(guò)植被的光譜特征有效地表現(xiàn)植被的遙感影像特征信息，是云南省高原山地農(nóng)作物夏糧快速識(shí)別的關(guān)鍵，可以反映特定植被變化特征。選擇了光譜特征中與農(nóng)作物密切的藍(lán)色波段、綠色波段、紅色波段和近紅外波段4 個(gè)波段，如表2 所示。

長(zhǎng)時(shí)間序列影像構(gòu)建的植被曲線圖可以有效反映研究區(qū)植被的生長(zhǎng)狀況?；贕EE（Google Earth Engine）平臺(tái)，結(jié)合高清衛(wèi)星影像選擇研究區(qū)地類(lèi)樣本降噪重建，最終構(gòu)建研究區(qū)地類(lèi)的長(zhǎng)時(shí)序曲線圖。

2 研究方法

本研究包括多時(shí)相數(shù)據(jù)集準(zhǔn)備、農(nóng)作物特征識(shí)別與比較、監(jiān)督分類(lèi)模型提取、精度評(píng)定及作物特征可分離性討論。技術(shù)路線如圖1 所示。首先對(duì)多期Sentinel-2 衛(wèi)星數(shù)據(jù)預(yù)處理并提取多種植被指數(shù)，然后將每種植被指數(shù)多期影像進(jìn)行組合，最后使用監(jiān)督分類(lèi)模型對(duì)影像中農(nóng)作物指數(shù)特征分析其可分離性，最終根據(jù)研究結(jié)果討論不同特征信息對(duì)農(nóng)作物識(shí)別的影響及不同植被指數(shù)模型之間的差異。

圖1 技術(shù)路線Fig.1 Technical route

為探究不同耕地特征對(duì)云南高原山地農(nóng)作物識(shí)別的影響因素，本研究選取植被指數(shù)、光譜曲線、物候特征、紋理和長(zhǎng)時(shí)序植被指數(shù)曲線特征，構(gòu)建多期植被指數(shù)影像合成模型進(jìn)行農(nóng)作物耕地范圍的識(shí)別與提取。

基于Sentinel-2 時(shí)序遙感影像的高原山地地區(qū)耕地作物監(jiān)測(cè)及信息提取，主要涉及兩個(gè)部分，一是利用哨兵影像對(duì)耕地信息的識(shí)別，二是耕地信息提取方法的選擇。在哨兵影像數(shù)據(jù)10 m 分辨率對(duì)云南高原山地研究區(qū)作物識(shí)別過(guò)程中，受到云、霧等自然條件的影響，通過(guò)單期影像對(duì)冬小麥耕地的識(shí)別具有一定的局限性，因此，需要基于面向?qū)ο蟮姆椒?，結(jié)合冬小麥的物候譜、光譜曲線和長(zhǎng)時(shí)序植被指數(shù)曲線重構(gòu)等多種條件對(duì)冬小麥耕地信息識(shí)別。

2.1 時(shí)序植被指數(shù)合成

時(shí)序植被指數(shù)影像可以有效突出冬小麥的地類(lèi)特征，更好展現(xiàn)出不同地物的可分離性。本研究根據(jù)植被指數(shù)特性，選用3 種植被指數(shù)，包括植被NDVI、植被EVI和植被RECI，以此表現(xiàn)出不同地類(lèi)在時(shí)序指數(shù)影像種的特征。如圖2 和圖3 所示，圖中綠色（中間部分）地類(lèi)表示以冬小麥為主的指數(shù)呈增長(zhǎng)趨勢(shì)的作物。為進(jìn)一步確定冬小麥所對(duì)應(yīng)圖斑的顏色，在選冬小麥樣本的時(shí)候，遵循冬小麥在對(duì)應(yīng)生長(zhǎng)期的光譜波段特定數(shù)值區(qū)間的要求，以及對(duì)照高清影像等對(duì)地類(lèi)樣本進(jìn)行確認(rèn)。

圖2 農(nóng)作物樣本示意Fig.2 Schematic diagram of crop samples

圖3 植被指數(shù)融合影像示意Fig.3 Schematic diagram of vegetation index fusion image

時(shí)序植被指數(shù)模型是指將一定生長(zhǎng)期間隔的植被指數(shù)，通過(guò)波段合成技術(shù)（Layer Stacking）將其融合為一幅影像，從而獲得一張最大程度反映不同地物特征差異的圖像，并對(duì)不同時(shí)段像元地類(lèi)的植被指數(shù)的變化情況進(jìn)行識(shí)別與分析[27]。將融合后模型中的不同地類(lèi)圖斑與多期的原始影像變化特征、高清影像做分析比對(duì)，從而得出不同圖斑地類(lèi)分別代表的地類(lèi)信息。

本研究中涉及的植被NDVI、植被EVI和植被RECI相關(guān)特性：植被NDVI可適用于跟蹤植被發(fā)育狀態(tài)及植被覆蓋率，是一種可反應(yīng)植被空間分布密度的指標(biāo)；植被EVI則是用于植被茂盛地區(qū)的一種指數(shù)，用來(lái)增強(qiáng)對(duì)植被覆蓋區(qū)的敏感性，較好地處理植被NDVI的飽和問(wèn)題；植被RECI是指當(dāng)植被覆蓋度較高的時(shí)候，對(duì)植被異常敏感，并且對(duì)植物中氮含量敏感，可用于植物的生長(zhǎng)發(fā)育期[28-33]。

式中NDVI——植被NDVI值

EVI——植被EVI值

RECI——植被RECI值

ρNIR、ρRED、ρBLUE——近紅外、紅色和藍(lán)色波段的光譜反射率，在Sentinel-2 影像數(shù)據(jù)中，表示波段8（842 nm）、波段4（655 nm）和波段2（490 nm）

生長(zhǎng)關(guān)鍵期是指農(nóng)作物區(qū)別于其他地類(lèi)在植被指數(shù)變化中特有的時(shí)間段，因此選擇農(nóng)作物生長(zhǎng)期內(nèi)的關(guān)鍵期能夠得到精度較高的分類(lèi)結(jié)果。本研究選取冬小麥、同期作物、林地、水域和不透水層5 種地類(lèi)樣本，獲取并構(gòu)建的3 種植被指數(shù)的時(shí)序曲線，如圖4、圖5 和圖6 所示。研究表明，冬小麥的植被指數(shù)在每年11 月—次年1 月的時(shí)序曲線區(qū)別于其他地物植被指數(shù)在冬小麥?zhǔn)斋@期（次年5 月）前后，植被指數(shù)會(huì)驟降，但在云南省高原地區(qū)每年的5—8 月受到云量增多等因素的影響，導(dǎo)致影像缺失。因此，主要選擇出苗-分蘗時(shí)間段（11 月上旬—次年1 月）為農(nóng)作物生長(zhǎng)關(guān)鍵期對(duì)冬小麥進(jìn)行研究分析。基于GEE 平臺(tái)，獲取Sentinel-2A 數(shù)據(jù)影像，構(gòu)建云南省高原山地各地類(lèi)的不同植被指數(shù)長(zhǎng)時(shí)間序列的變化規(guī)律。

圖4 不同土地利用類(lèi)型植被NDVI 時(shí)序曲線Fig.4 Time series curves of vegetation index of different land use types

圖5 不同土地利用類(lèi)型植被RECI 時(shí)序曲線Fig.5 Time series curves of vegetation index of different land use types

圖6 不同土地利用類(lèi)型植被EVI 時(shí)序曲線Fig.6 Time series curves of vegetation index of different land use types

2.2 物候及光譜曲線特征

農(nóng)作物的物候是反映作物受自然環(huán)境條件的影響產(chǎn)生的周期性的生長(zhǎng)規(guī)律，有研究指出農(nóng)作物的植被指數(shù)會(huì)隨著其所處生長(zhǎng)期的不同而產(chǎn)生一定的數(shù)值變化，通過(guò)對(duì)比不同植被指數(shù)對(duì)農(nóng)作物特征呈現(xiàn)情況，選擇最適宜的植被指數(shù)對(duì)農(nóng)作物進(jìn)行識(shí)別[34]。光譜數(shù)值隨著作物生長(zhǎng)期發(fā)生改變，在對(duì)農(nóng)作物識(shí)別時(shí)通過(guò)對(duì)波段閾值的選擇來(lái)識(shí)別。

在監(jiān)督分類(lèi)過(guò)程中可視化每個(gè)地物的每個(gè)波段的特征，有助于確認(rèn)地物的可分離性，此類(lèi)圖表為光譜特征。分別選取了2020 年11 月20 日、2020 年12 月30 日和2021 年1 月29 日Sentinel-2A 遙感影像，并基于高清影像的判斷及現(xiàn)場(chǎng)識(shí)別等方式，分別選取地物樣本有冬小麥、水域、不透水層、林地和其他作物，獲得各日期的光譜曲線特征，如圖7 所示。

圖7 作物生長(zhǎng)關(guān)鍵期光譜曲線Fig.7 Spectral curve of critical crop growth period

在對(duì)研究區(qū)冬小麥作物的影像光譜特征曲線統(tǒng)計(jì)分析中，農(nóng)作物的生長(zhǎng)關(guān)鍵期冬小麥的光譜曲線數(shù)值在第8 波段（842 nm）上升明顯，并且12 月的數(shù)值為3 500～4 000 nm，而到1 月該數(shù)值則會(huì)超過(guò)4 000 nm；第4 波段（665 nm）在關(guān)鍵期處于水平位，為500～1 000 nm，沒(méi)有明顯變化趨勢(shì)；第2、3 波段（490 nm、560 nm）由11 月—次年1 月先增加后沒(méi)有明顯變化。根據(jù)這一特性，在樣本選取時(shí)，對(duì)應(yīng)的日期及波段值與這一特性相符，可以有效地提高樣本選擇精度。

2.3 紋理特征

圖像的紋理特征可以呈現(xiàn)對(duì)應(yīng)地物的表面性質(zhì)及空間領(lǐng)域灰度值分布情況[35]。而影像的紋理特征是一種結(jié)構(gòu)化的表現(xiàn)形式，在Sentinel-2 遙感影像中可選擇紅色波段、近紅外波段和綠色波段對(duì)農(nóng)作物有效識(shí)別。

3 結(jié)果與分析

為了尋找一種快速提取云南高原山地農(nóng)作物耕地信息的方法，本研究使用植被指數(shù)、光譜曲線、物候特征和長(zhǎng)時(shí)序植被指數(shù)曲線特征4 類(lèi)特征研究對(duì)比，結(jié)合支持向量機(jī)（Support Vector Machine，SVM）算法進(jìn)行識(shí)別分類(lèi)試驗(yàn)，分析不同特征條件下的影響因素對(duì)多期植被指數(shù)模型的分類(lèi)差異。

3.1 不同植被指數(shù)的種植面積提取結(jié)果

本研究以2020—2021 年的數(shù)據(jù)進(jìn)行數(shù)據(jù)提取，采用Sentinel-2 高分辨率多光譜衛(wèi)星數(shù)據(jù)，進(jìn)行冬小麥信息的目視解譯，使用多期植被合成的方法影像合成，基于規(guī)則在南澗縣內(nèi)選取229 個(gè)樣本。

在對(duì)多期植被指數(shù)模型使用SVM 的監(jiān)督分類(lèi)后得到的分類(lèi)結(jié)果如表3 所示，當(dāng)年冬小麥耕地公布面積約2 694 hm2。

表3 不同植被指數(shù)3 期影像合成冬小麥提取結(jié)果Tab.3 Extraction results of three-stage image synthesis of winter wheat with different vegetation indexes

對(duì)比3 種不同植被指數(shù)的提取結(jié)果，多期植被NDVI模型提取結(jié)果優(yōu)于另兩種植被指數(shù)，對(duì)細(xì)碎的冬小麥分布地區(qū)識(shí)別的用戶精度為93.28%，而植被EVI多時(shí)相融合模型和植被RECI多時(shí)相融合模型提取結(jié)果，無(wú)法滿足實(shí)際要求，在河流和道路邊界處存在錯(cuò)提現(xiàn)象，細(xì)碎地塊的冬小麥?zhǔn)艿街車(chē)h(huán)境及混合像元的干擾無(wú)法識(shí)別提取，圖像像元存在同質(zhì)化現(xiàn)象，因此造成農(nóng)作物漏提現(xiàn)象的產(chǎn)生。對(duì)比3 者提取，結(jié)果表明，使用植被NDVI的多時(shí)相融合模型在SVM 監(jiān)督分類(lèi)下，該模型與云南省高原山地的冬小麥耕地信息有較高相關(guān)性，可以有效地對(duì)冬小麥面積進(jìn)行預(yù)測(cè)。

3.2 不同時(shí)相組合的種植面積提取

表4 列出了基于本研究區(qū)內(nèi)兩種日期組合方式下，多期植被NDVI模型的提取結(jié)果。本研究中對(duì)比植被NDVI在使用2 期指數(shù)模型和3 期指數(shù)模型下分類(lèi)的差異，以及這兩種模型的提取結(jié)果。2021 年南澗縣統(tǒng)計(jì)年鑒給出的冬小麥種植面積為2 694 hm2，3 期植被NDVI實(shí)際預(yù)測(cè)種植面積為2 726.8 hm2，Kappa 系數(shù)為0.91，2 期植被NDVI實(shí)際預(yù)測(cè)種植面積為3 170.1 hm2，Kappa 系數(shù)為0.89[26]。對(duì)比植被NDVI的兩種合成期數(shù)在影像實(shí)際提取結(jié)果可以發(fā)現(xiàn)，3 期影像合成模型對(duì)冬小麥分類(lèi)提取結(jié)果精度更高，2 期植被指數(shù)模型依然會(huì)存在一定的地物錯(cuò)提現(xiàn)象。

表4 不同合成期數(shù)提取結(jié)果Tab.4 Extraction results of different synthesis periods

對(duì)比植被NDVI的2 種日期組合方式下在南澗縣的冬小麥面積預(yù)測(cè)結(jié)果表明，2 種多時(shí)相的組合方式均滿足對(duì)耕地面積的提取，其中3 期的組合結(jié)果更優(yōu)。

3.3 精度驗(yàn)證

在對(duì)冬小麥耕地信息提取結(jié)果的精度進(jìn)行定量評(píng)定時(shí)，根據(jù)統(tǒng)計(jì)年鑒冬小麥種植面積數(shù)據(jù)對(duì)提取結(jié)果檢驗(yàn)，隨機(jī)選取一定比例的冬小麥圖斑利用Google 地圖及World Imagery Wayback 的高清歷史影像來(lái)確認(rèn)提取冬小麥的準(zhǔn)確率，再使用混淆矩陣（Confusion Matrix）來(lái)分析誤差，通過(guò)上述研究可知利用3 期的植被NDVI構(gòu)建的多時(shí)相植被指數(shù)融合模型提取的冬小麥種植面積較為精準(zhǔn)，并且圖斑結(jié)果較為準(zhǔn)確，但存在少量被其他作物與歷史影像對(duì)比后確認(rèn)為被錯(cuò)誤識(shí)別提取，及部分漏提現(xiàn)象的產(chǎn)生如表5 所示。

表5 2020—2021 年南澗縣樣本點(diǎn)個(gè)數(shù)及正確分類(lèi)個(gè)數(shù)Tab.5 Number of sample points and correct classification in Nanjian County from 2020 to 2021

分別選取167 個(gè)為冬小麥樣本及33 個(gè)為非冬小麥樣本，經(jīng)檢驗(yàn)其中153 個(gè)樣本點(diǎn)正確，14 個(gè)樣本點(diǎn)錯(cuò)誤，分類(lèi)精度91.6%。分析提取誤差的原因主要是由于Sentinel-2 衛(wèi)星數(shù)據(jù)為10 m 分辨率，在冬小麥區(qū)域邊界地帶存在混合像元，導(dǎo)致選擇樣本存在一定差異。此外，人工在選擇冬小麥樣本的標(biāo)注過(guò)程中，樣本標(biāo)注不準(zhǔn)確也對(duì)結(jié)果存在一定的影響。

4 討論

受到云南省自然環(huán)境的影響，對(duì)高原地區(qū)作物的提取研究多是采用監(jiān)督分類(lèi)算法或植被NDVI加權(quán)指數(shù)（WNDVI）分類(lèi)算法，在通過(guò)多時(shí)相的植被指數(shù)合成模型提取的研究較少[4]。恰當(dāng)?shù)亩鄷r(shí)相植被指數(shù)合成模型特征可以影響農(nóng)作物提取效果及精度，在本研究的模型中涉及的農(nóng)作物特征信息包含有光譜特征、影像紋理特征、空間關(guān)系特征及植被指數(shù)時(shí)序曲線特征參與到農(nóng)作物信息的提取，其中光譜特征是提取農(nóng)作物最主要的，再結(jié)合其他3 種特征可以有效地提高農(nóng)作物提取精度[19]。在比較了3 種植被指數(shù)構(gòu)建模型的影像提取精度，發(fā)現(xiàn)并非所有的植被指數(shù)模型都可以適用于云南省高原山地農(nóng)作物的識(shí)別提取。因此，在選擇多時(shí)相植被指數(shù)合成模型時(shí)候，需要在長(zhǎng)時(shí)間序列下，結(jié)合光譜曲線的變化，以及指數(shù)變化等特征，選擇適用于農(nóng)作物變化規(guī)律的植被指數(shù)構(gòu)建模型進(jìn)行分類(lèi)，以提高作物的識(shí)別精度。

本研究中，使用10 m 空間分辨率的Sentinel-2 衛(wèi)星數(shù)據(jù)，構(gòu)建時(shí)序指數(shù)模型，利用監(jiān)督分類(lèi)（支持向量機(jī)）算法，分別得到了植被NDVI總體分類(lèi)精度93.97%（Kappa=0.91），植被EVI總體分類(lèi)精度79.02%（Kappa=0.74），植被RECI總體分類(lèi)精度84.82%（Kappa=0.73）。通過(guò)對(duì)3 種指數(shù)構(gòu)建的模型對(duì)比高清歷史影像可以發(fā)現(xiàn)，植被NDVI構(gòu)建的模型，對(duì)冬小麥提取效果較好，生產(chǎn)者精度96.39%。植被EVI算法中加入了藍(lán)波段，在觀察冬小麥關(guān)鍵期內(nèi)各波段變化情況可知藍(lán)波段暫無(wú)明顯變化，故而造成其他植被變成干擾影像。植被EVI受植被氮元素影響較明顯，所以對(duì)生長(zhǎng)期的植被都會(huì)敏感，因此錯(cuò)提了很多河流及道路兩旁的其他生長(zhǎng)中的植被。在對(duì)多時(shí)相植被NDVI模型提取結(jié)果進(jìn)行隨機(jī)抽樣200 個(gè)樣本點(diǎn)，其中冬小麥分類(lèi)精度91.6%，滿足對(duì)冬小麥種植面積的提取要求。在模型的實(shí)用性方面，該模型在對(duì)我國(guó)其他冬小麥產(chǎn)糧區(qū)精細(xì)化提取時(shí)，利用多時(shí)相的植被NDVI合成模型可較好地適用于我國(guó)大部分冬小麥產(chǎn)區(qū)的種植面積預(yù)測(cè)。總體來(lái)看，多時(shí)相的植被NDVI合成模型可以符合云南省高原山地農(nóng)作物種植面積的預(yù)測(cè)。

在研究中，由于受到光學(xué)衛(wèi)星分辨率限制，在多期植被指數(shù)合成得到的影像中，地類(lèi)邊界存在像元內(nèi)地物混合現(xiàn)象，進(jìn)而導(dǎo)致在選擇樣本的初期要通過(guò)不斷重復(fù)篩選冬小麥樣本以盡可能地提取準(zhǔn)確的冬小麥樣本，避免錯(cuò)提干擾地物。本研究通過(guò)固定冬小麥的單期植被指數(shù)閾值的方式，利用冬小麥每個(gè)生長(zhǎng)期植被指數(shù)在一個(gè)閾值區(qū)間波段的特性，篩選混合像元內(nèi)以冬小麥為主的樣本，基于上述樣本選取規(guī)則可用于對(duì)冬小麥種植面積的精準(zhǔn)提取。

5 結(jié)束語(yǔ)

利用云南省南澗縣2020—2021 年Sentinel-2 時(shí)序數(shù)據(jù)集，基于ENVI5 平臺(tái)及GEE 平臺(tái)提取植被指數(shù)、光譜曲線、農(nóng)作物物候和長(zhǎng)時(shí)序植被指數(shù)曲線，將其特征規(guī)則錄入多期植被指數(shù)模型中，最后利用SVM 監(jiān)督分類(lèi)模型提取云南高原山地農(nóng)作物耕地信息，獲取研究區(qū)的耕地面積，得出以下研究結(jié)論。

（1）基于Sentinel-2 衛(wèi)星影像的多期植被指數(shù)合成模型，分別對(duì)比植被NDVI、植被EVI和植被RECI構(gòu)建的模型與耕地信息識(shí)別的相關(guān)性，其中多期NDVI指數(shù)融合模型，提取研究區(qū)冬小麥耕地信息的用戶精度達(dá)到93.28%，Kappa 系數(shù)0.91，多期植被EVI合成模型的用戶精度63.8%，Kappa 系數(shù)0.74，多期植被RECI合成模型的用戶精度66.36%，Kappa 系數(shù)0.73。證明多期植被NDVI合成模型與冬小麥耕地信息具有較高正相關(guān)性，結(jié)果滿足對(duì)農(nóng)作物種植面積預(yù)測(cè)的要求。

（2）在不同數(shù)量的日期構(gòu)建的多期植被NDVI合成模型與耕地信息提取結(jié)果的相關(guān)性研究中，分別對(duì)本研究區(qū)域內(nèi)利用3 期（2020 年11 月、2020 年12 月、2021 年1 月）和2 期（2020 年11 月、2021 年1 月）構(gòu)建的植被NDVI合成模型的總精度和Kappa 系數(shù)分別為93.97%、90.42%、0.91、0.89。結(jié)果表明，在對(duì)不同期數(shù)組合下，3 期植被指數(shù)構(gòu)建的模型對(duì)提取結(jié)果改進(jìn)，精度得到提升。此外也驗(yàn)證了，在部分影像缺失地區(qū)，利用2 期植被指數(shù)模型對(duì)耕地信息的提取結(jié)果依然符合要求。

（3）本研究模型對(duì)南澗縣冬小麥耕地識(shí)別與提取，利用高清影像判讀得到的樣本點(diǎn)提取精度進(jìn)行驗(yàn)證，167 個(gè)冬小麥樣本中有153 為正確分類(lèi)，提取的分類(lèi)精度91.6%，提取的冬小麥預(yù)測(cè)面積2 726.8 hm2，本年度冬小麥實(shí)際統(tǒng)計(jì)面積2 694 hm2。通過(guò)對(duì)提取結(jié)果分析可知，受樣本提取規(guī)則、混合像元以及同期作物的影響，多期植被指數(shù)指數(shù)模型對(duì)冬小麥耕地提取中，存在將道路、河流兩側(cè)的綠植錯(cuò)提、漏提細(xì)小地塊。