基于高分一号宽幅时序影像的冬小麦分布识别研究

来源：职称驿站所属分类：农业经济科学论文
发布时间：2020-12-29浏览：20次

　　摘要及时、准确地获取农作物空间分布范围和面积数据，对于制定农业政策和指导农业生产具有重要的参考意义。以河南省中牟县为研究区，利用国产高分一号时序影像开展冬小麦提取研究，利用冬小麦物候特征，结合先验知识和高分影像，提取了2018年夏收冬小麦的空间分布范围。结果表明，结合冬小麦物候信息和时序影像建立冬小麦提取模型，可以快速准确获取冬小麦的种植范围，总体精度达到90.1%，为县域冬小麦的快速提取提供方法参考。

　　关键词物候特征;高分一号;时序影像;冬小麦识别

　　中图分类号 S 127文献标识码 A文章编号 0517-6611(2020)23-0256-04

　　doi：10.3969/j.issn.0517-6611.2020.23.067

　　《湖北农业科学》创刊于1955年，以学术性、科学性和实用性为特色，主要报道国内外农业最新科技成果和科研动态，传播科技信息。

　　Extraction of Winter Wheat Distribution Based on GF-1 Time Series Imagery

　　WAN Cong1，LIANG Zhi-hua2，ZHANG Jin-shui2

　　(1.Data Management Center， National Bureau of Statistics of the Peoples Republic of China， Beijing 100826;2.Institute of Remote Sensing Science and Engineering，Faculty of Geographical Science，Beijing Normal University，Beijing 100875)

　　Abstract Timely and accurately obtaining data of crops distribution and planting area is important for establishing agriculture policy and guiding agricultural production. In this paper，we choose Zhongmu County in Henan Province as the study area， based on Gaofen 1 satellite time series images and the phonological information， we extracted the distribution of the winter wheat by constructed classification model. The result showed that the model which synthesize phonological and time series images can extract information of planting area of winter wheat，the total accuracy is 90.1%，the method can support analysis on planting area of winter wheat in county scale.

　　Key words Phonological characters;Gaofen 1 satellite;Time series image;Winter wheat identification

　　农作物空间分布数据是开展作物长势监测、估产及灾害预警评估的数据基础[1]，对于掌握农业基本情况、指导调控农业生产、优化农作物种植结构和制定农业产业政策具有重要参考价值。常规的统计调查需投入较大的人力和物力，且数据获取周期较长，而遥感技术具有现势性强、覆盖范围大、信息准确等特点，已被广泛应用于各类资源调查、地表覆盖监测、土地利用变化检测等领域[2]，并被越来越多应用于农作物种植范围提取[3]、作物长势监测[4]、估产[5]等方面。

　　利用遥感影像进行冬小麦种植范围提取常用的方法为选择冬小麦关键物候期的遥感影像进行最大似然法、神经网络法、线性混合像元分解、光谱角制图等算法进行影像分类[6-8]。而种植结构复杂、同期多类作物共生的地区由于可能存在的“同物异谱、异物同谱”现象，不同作物在同期遥感影像上可能表现出相近的光谱、纹理特征，因此仅依靠单一时期遥感影像进行作物识别存在难度或精度较低的问题。

　　由于不同农作物具有各自独特的物候特征，其差异可以作为作物类型识别的重要依据，而遥感影像上作物的光谱特征与农作物的生理参数相关，能够反映出作物生长的季节变化。利用遥感技术重复观测的优势获取作物生长周期内的时序影像，可以结合物候特征实现作物提取。目前利用时序遥感影像进行作物提取的方法有基于时序光谱特征或植被指数的线性光谱混合像元分解法[9]、非监督分类[10]、面向对象分类等方法[11]，该类方法需要对时序数据进行滤波平滑等操作，识别过程较复杂。相较于其他时序影像分类方法，阈值法具有规则简单、运算过程容易的特点。

　　高分一号卫星是我国高分辨率对地观测系统重大专项天基系统中的第一颗卫星，为我国提供了新的高分辨率对地遙感观测数据源。由于高分一号卫星具有高时间分辨率和空间分辨率的优势，已经广泛应用于专题信息获取、土地利用监测、农业遥感观测等领域，如叶面积指数反演、水体提取、土地利用监测等[12-14]。

　　中牟县是河南省首批农业标准化示范县之一，近年来大力发展特色农业和都市型现代农业。中牟县农作物种植类型多样，大蒜、西瓜、水稻、花生等种植比例均较大，种植结构复杂、地块破碎。尤其是冬小麦与大蒜种植面积均较大，且生长物候期较接近，准确获取农作物种植范围和面积存在一定的困难。

　　针对中牟县种植结构较复杂的情况，尤其是处于拔节期的冬小麦与大蒜在遥感影像上的光谱和纹理特征均比较相近，笔者综合利用2018年夏收冬小麦生长周期内的时序高分一号影像，构建冬小麦提取模型，进行冬小麦分布范围识别，以期消除大蒜等同期作物的影响，为同类种植情况的地区提取冬小麦空间分布提供试验基础。

　　1 数据来源与研究方法

　　1.1 研究区概况

　　中牟县位于中国粮食大省河南省中部地区(34°26′～34°56′N、113°46′～114°12′E)，东南与尉氏县相邻，西南与新郑市相接，西部与郑州市城区接壤，北与原阳县交界。研究区位置如图1所示，土地总面积为1 416.6 km2。气候类型属于比较典型的中纬度暖温带大陆性季风气候，主要表现为气候温和，四季分明，雨热同期。该地自然条件有利于多种植物生长，近年来逐步将传统农业转变为“生态高效、现代物流、休闲观光”的复合型都市生态农业和特色农业。同时由于农作物复种，区域内种植的农作物类型多样，且部分农作物类型生长周期较接近，因此准确获取农作物空间分布和面积对于掌握农业基本信息、服务农业标准化示范县具有重要参考价值。

　　1.2 数据与预处理

　　根据研究区遥感影像实际覆盖情况，该研究数据源主要包含以下几类数据：①覆盖冬小麦生长周期的高分一号WFV影像及高分二号PMS影像，如表1所示;②中牟县冬小麦、大蒜物候特征，如表1所示;③中牟县行政区划矢量。其中，高分一号影像主要作为时序特征提取冬小麦分布范围的数据源，高分二号作为选取训练样本的参考和精度评价样本的参考依据，物候等信息用于影像筛选和冬小麦识别特征选取的依据，行政区划数据主要用于中牟县区域影像裁剪。

　　由表1可知，中牟县冬小麦播种以及越冬返青时间较接近，4月份冬小麦处于孕穗抽穗的生长旺盛期时，大蒜也处于抽薹期，植株生长状态一致，在遥感影像上表现出相近的光谱和纹理特征。

　　利用获取的该研究高分二号影像和部分野外观测先验知识，共生成200个检验点，其中冬小麦验证点共99个，其他类型验证点为101个，检验点空间分布如图2所示，用于冬小麦识别结果的精度评价。

　　2 研究方法

　　2.1 技术路线

　　该研究技术路线如图3所示，主要包括高分时序影像预处理、结合物候信息与时序特征的冬小麦物候信息定量表达分析、冬小麦识别模型构建与实现以及精度评价等过程。

　　2.2 影像预处理

　　为消除影像成像过程中的气溶胶等因素的影响，获取真实地表反射率以计算植被指数，该研究利用中国资源卫星应用中心公布的高分一号影像辐射定标系数，采用FLAASH模型进行了大气校正。

　　利用分辨率为30 m的DEM数据对反射率数据进行了正射校正，并通过自动校正的方法对时序影像进行了相对配准，以便进行时序分析时，冬小麦及其他类型地物的空间位置能够准确匹配，影像校正结果的相对位置误差小于0.5个像元。

　　最终利用中牟县行政区划数据进行裁剪，获取了研究区内影像数据，统一为Albers 投影、CGCS 2000坐标系。

　　2.3 时序特征分析冬小麦识别

　　研究区冬小麦和大蒜的生长周期較接近，在冬小麦返青至成熟前，大蒜与冬小麦的影像特征和纹理特征接近，仅利用单一时刻的影像特征难以准确区分作物类型，而因为物候的差异，不同农作物在整个生长过程中会呈现一定的差异，因此可以利用覆盖农作物生长周期的时序影像表现出的变化特征，实现不同农作物类型的区分。

　　中牟县主要以一年两熟的冬小麦—夏玉米轮作方式为主，能够对该地的自然、土地条件进行充分利用。其中冬小麦一般在10月播种，12月下旬开始进入越冬期，次年3月开始进入返青期，4月左右达到生长旺季，6月上、中旬成熟收获，整个生长周期近8个月。

　　遥感应用实践证明，不同类型的植被指数能很好地作为反映植被生长状态的指标之一[15]，该研究分析比较了NDVI、EVI、RVI等植被指数对于冬小麦生长状态的表征能力，最终选择NDVI作为本区域冬小麦识别的特征参数，与反射率数据共同作为构建模型的输入参数。

　　NDVI=(ρnir-ρred)/(ρnir+ρred)(1)

　　式中，ρnir和ρred分别表示近红外和红光波段的地表反射率。

　　结合高分辨率遥感影像和先验知识，选择研究区内冬小麦及其他类型农作物样本点，统计分析冬小麦及其他地物类型在冬小麦处于不同生长期时的NDVI值变化特征(图4)。中牟县冬小麦与大蒜的NDVI变化特征较一致，在生长周期内，冬小麦NDVI值呈现出大于大蒜的特征，而林地、草地等其他类型地物表现出与冬小麦明显差异的变化规律。2017年11月上旬，冬小麦处于播种后出苗阶段的NDVI值较低;而后随着三叶分蘖生长过程的推进，NDVI值逐渐增大;2018年1—2月中旬，冬小麦处于越冬期，NDVI值处于略微降低并稳定的状态;3月份随着越冬期结束，冬小麦开始返青，植株叶片增多，NDVI值持续升高;直至4月份时，冬小麦处于生长旺盛状态，NDVI值增至最大;5月下旬至6月上中旬，冬小麦成熟收割，其NDVI值呈减小的特征。根据以上冬小麦生长周期内的NDVI值变化规律及与其他作物的差异，可以分析得到冬小麦不同生长时期的NDVI阈值范围，该研究建立的阈值条件如表2所示，据此构建冬小麦识别的决策树模型，完成冬小麦空间分布识别。

　　2.4 精度评价

　　混淆矩阵通过将影像识别结果与地表真实情况对比，计算得到遥感影像识别结果的精度，该研究将冬小麦的识别结果与精度评价检验点进行对比分析，通过混淆矩阵计算总体精度(Overall Accuracy，OA)和Kappa系数进行冬小麦识别结果的定量精度评价，见公式(2)、(3)。

　　式中，nrr表示混淆矩阵中第r行第r列样本个数，n+r和nr+分别表示第r行和第r列的样本个数，n为用于精度评价的样本个数。

　　3 结果与分析

　　3.1 精度评价

　　基于高分一号时序影像的中牟冬小麦空间分布识别结果，总体精度为90.50%，Kappa数为0.81，总体精度较高。在实际为冬小麦的99个验证点中，共有7个错分为其他类型，12个实际为其他类型的验证点被错分为冬小麦，其中冬小麦错分为其他类型的的情况主要出现在冬小麦种植地块面积较小、与大蒜种植区域邻近的位置，主要原因为种植面积较小的冬小麦与生长物候期相近的大蒜区域在中分辨率遥感影像上以混合像元的形式存在，光谱特征比较相似，仅利用中分辨率遥感影像难以区分;而在冬小麦大面积种植区域中，部分面积较小的大蒜等其他作物则在中分辨率影像上体现出冬小麦的光谱特征和植被指数变化特征，导致被错分为冬小麦。

　　3.2 冬小麦识别结果分析

　　基于高分一号时序影像提取得到中牟县冬小麦识别结果(图5)，得出中牟县冬小麦主要分布在北部及东南部，地块面积较大且规整，而中部区域分布的冬小麦面积较小且分散，与其他作物或地物类型间隔分布。基于高分一号中分影像的冬小麦识别结果能够较好地表现出中牟县冬小麦的空间分布范围和特征。

　　4 结论与讨论

　　笔者以河南省中牟县为研究区，针对种植结构复杂、冬小麦与大蒜同期种植的情况，利用冬小麦生长周期内的多期高分一号遥感影像，结合作物的物候特征，构建时间序列的冬小麦识别模型，提取出冬小麦分布，取得了满意的识别精度。形成结论如下：

　　①针对冬小麦关键期的NDVI，设置合理的阈值，组合时间序列特征，能够准确地提取出冬小麦的分布，该方法简单易行，可以为开展常态化冬小麦种植监测提供方法参考。

　　②利用时序遥感数据进行冬小麦识别，能够在一定程度上降低“异物同谱”现象造成的影响，消除同期农作物造成的光譜混淆问题，保证了冬小麦的识别精度。

　　参考文献

　　[1] 娄径，解华明.省域冬小麦种植面积遥感本底调查方法：以安徽省冬小麦遥感本底调查为例[J].安徽农业科学，2016，44(17)：269-271.

　　[2] BROWN J C，KASTENS J H，COUTINHO A C，et al.Classifying multiyear agricultural land use data from Mato Grosso using time-series MODIS vegetation index data[J].Remote sensing of environment，2013，130(4)：39-50.

　　[3] 毛良君，单捷，于堃，等.GF-1卫星数据在水稻长势监测中的应用[J].安徽农业科学，2016，44(18)：256-259.

　　[4] 胡莹瑾，崔海明.基于RS和GIS的农作物估产方法研究进展[J].国土资源遥感，2014，26(4)：1-7.

　　[5] 刘振波，邹娴，葛云健，等.基于高分一号WFV影像的随机森林算法反演水稻LAI[J].遥感技术与应用，2018，33(3)：458-464.

　　[6] 张建国，李宪文，吴延磊.面向对象的冬小麦种植面积遥感估算研究[J].农业工程学报，2008，24(5)：156-160，316.

　　[7] 武永利，赵永强，靳宁.单时相MERSI数据在冬小麦种植面积监测中的应用[J].中国农学通报，2011，27(14)：127-131.

　　[8] 郭燕，武喜红，程永政，等.用高分一号数据提取玉米面积及精度分析[J].遥感信息，2015，30(6)：31-36.

　　[9] 景元书，李根，黄文江.基于相似性分析及线性光谱混合模型的双季稻面积估算[J].农业工程学报，2013，29(2)：177-183，299.

　　[10] 许青云，杨贵军，龙慧灵，等.基于MODIS NDVI多年时序数据的农作物种植识别[J].农业工程学报，2014，30(11)：134-144.

　　[11] 彭光雄，宫阿都，崔伟宏，等.多时相影像的典型区农作物识别分类方法对比研究[J].地球信息科学学报，2009，11(2)：225-230.

　　[12] 谷金英，晏明，张晓娇，等.利用高分一号影像提取水体信息的方法研究[J].农业与技术，2018，38(11)：24-26，109.

　　[13] 江东，陈帅，丁方宇，等.基于面向对象的遥感影像分类研究：以河北省柏乡县为例[J].遥感技术与应用，2018，33(1)：143-150.

　　[14] 田海峰，周伯燕，陈燕芬，等.县域尺度上基于GF-1PMS影像的冬小麦种植面积遥感监测[J].中国农业大学学报，2017，22(10)：139-146.