基于環(huán)境減災(zāi)衛(wèi)星的遙感技術(shù)在農(nóng)業(yè)統(tǒng)計(jì)中的應(yīng)用
——以北京冬小麥為例

行曉黎，許明魁，唐詩(shī)華，李敬園

(1.桂林理工大學(xué)，廣西桂林 541004； 2.北京天合數(shù)維科技有限公司，北京 100875)

基于環(huán)境減災(zāi)衛(wèi)星的遙感技術(shù)在農(nóng)業(yè)統(tǒng)計(jì)中的應(yīng)用
——以北京冬小麥為例

行曉黎1?，許明魁2，唐詩(shī)華1，李敬園1

(1.桂林理工大學(xué)，廣西桂林 541004； 2.北京天合數(shù)維科技有限公司，北京 100875)

針對(duì)不同時(shí)間段冬小麥光譜信息在遙感影像的不同特點(diǎn)，充分利用小麥物候特點(diǎn)，以具有時(shí)相性強(qiáng)、成本低等特點(diǎn)的環(huán)境減災(zāi)小衛(wèi)星影像為基礎(chǔ)，本文以北京2009年冬小麥為例，采用專(zhuān)業(yè)遙感軟件，利用PCVA和SVM分類(lèi)方法，結(jié)合抽樣調(diào)查反推方法進(jìn)行了實(shí)驗(yàn)，本次測(cè)量結(jié)果基本達(dá)到預(yù)期的目標(biāo)。

遙感影像；PCVA；SVM；抽樣調(diào)查反推

1 前 言

遙感技術(shù)經(jīng)過(guò)近百年的發(fā)展，已經(jīng)具有非常大的優(yōu)勢(shì)。宏觀上側(cè)重于大范圍、大尺度地獲取地面以及一定深度的自然資源和生態(tài)環(huán)境的信息。獲得的信息，真實(shí)地反映了客體的本來(lái)面目。遙感技術(shù)能反復(fù)獲得地面信息，人們可隨時(shí)利用攝像機(jī)或照相機(jī)記下農(nóng)作物的生長(zhǎng)信息，航空遙感可以隨時(shí)拍攝某地區(qū)的航空像片和人工方式相比，利用遙感衛(wèi)星收集農(nóng)業(yè)資源信息是相當(dāng)廉價(jià)的，而且能夠快速、準(zhǔn)確、客觀地監(jiān)測(cè)農(nóng)作物生產(chǎn)變化狀況，獲取糧食作物種植面積信息及其空間分布狀況[1]。

2 理論基礎(chǔ)

支持向量機(jī)SVM(Support Vector Machines)是由Vapnik和他的合作者提出來(lái)的一種新的學(xué)習(xí)方法[2]，是基于Vapnik的統(tǒng)計(jì)學(xué)習(xí)理論(Statistical Learning Theory，SLT)的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，根據(jù)有限樣本信息在模型復(fù)雜性(即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無(wú)錯(cuò)誤地識(shí)別任意樣本的能力)之間尋求最佳折中，以期獲得最好的推廣能力。在遙感圖像的分類(lèi)研究中，應(yīng)用SVM最大的優(yōu)點(diǎn)是進(jìn)行分類(lèi)時(shí)無(wú)須進(jìn)行數(shù)據(jù)降維，并且在算法的收斂性、訓(xùn)練速度、分類(lèi)精度等方面都具有較高的性能[3]。

3 研究實(shí)踐流程

3.1 數(shù)據(jù)的選取以及優(yōu)缺點(diǎn)

(1)遙感數(shù)據(jù)

在北京地區(qū)2009年冬小麥返青期面積測(cè)量中，使用了環(huán)境減災(zāi)小衛(wèi)星遙感數(shù)據(jù)，主要用于冬小麥預(yù)分類(lèi)，為分層抽樣提供分層標(biāo)志，為總量控制提供地塊基準(zhǔn)值，其主要參數(shù)如表1所示。

北京市冬小麥測(cè)量遙感數(shù)據(jù)列表 表1

(2)基礎(chǔ)地理數(shù)據(jù)

在北京地區(qū)2009年冬小麥返青期面積測(cè)量中，共使用了耕地地塊本底數(shù)據(jù)、行政邊界兩種基礎(chǔ)地理數(shù)據(jù)，其主要參數(shù)與用途如表2所示。

冬小麥測(cè)量基礎(chǔ)地理數(shù)據(jù)表 表2

本次試驗(yàn)中采用的環(huán)境減災(zāi)小衛(wèi)星遙感數(shù)據(jù)可以在短時(shí)間內(nèi)獲得及時(shí)的圖像，因而可以方便的得到多時(shí)相的圖像，而且費(fèi)用比其他類(lèi)影像低很多，這在商業(yè)用途中具有很大的實(shí)用價(jià)值，便于在農(nóng)業(yè)調(diào)查中普遍推廣。其不足在于分辨率比較低，影像質(zhì)量相對(duì)較差，對(duì)影像信息提取精度有一定的影響。

3.2 數(shù)據(jù)的處理

(1)誤差的來(lái)源

①數(shù)據(jù)源誤差:衛(wèi)星數(shù)據(jù)獲取時(shí)的傳感器姿態(tài)參數(shù)、地形的起伏狀況、光學(xué)影像成像時(shí)的天氣狀況，尤其是云的含量多少，都將影響最終的變化圖斑提取精度，被云覆蓋部分的作物信息將無(wú)法獲取。此外，在農(nóng)作物自動(dòng)分類(lèi)中始終存在著兩個(gè)常見(jiàn)的分類(lèi)問(wèn)題，影響了農(nóng)作物種植面積的測(cè)量精度。第一，農(nóng)田中的植被冠層反射率常常由于環(huán)境濕度、生長(zhǎng)狀況、營(yíng)養(yǎng)條件或者病蟲(chóng)害等因素的影響而產(chǎn)生光譜變異，使得同一作物種植塊中出現(xiàn)某些部分的光譜屬性與其余的大部分不同，或同類(lèi)型作物種植塊內(nèi)光譜變頻高的“同物異譜”現(xiàn)象，致使在像元分類(lèi)過(guò)程中將光譜變異的像元根據(jù)其光譜距離錯(cuò)判為其他類(lèi)型。第二，兩類(lèi)不同作物的田塊交界處由于相鄰像元之間能量的傳遞作用存在較多的混合像元，在很多情況下這樣的混合像元往往會(huì)依其混合光譜值而被漏分至混合類(lèi)型以外的第三種類(lèi)型。

②幾何糾正誤差:遙感影像幾何校正的精確與否直接關(guān)系到應(yīng)用遙感信息獲取地表農(nóng)作物的地理位置，而面積的精確度，是通過(guò)對(duì)遙感影像的識(shí)別、分類(lèi)、解譯處理實(shí)現(xiàn)農(nóng)作物種植面積測(cè)量的基礎(chǔ)。地面控制點(diǎn)的數(shù)量、分布和精度直接影響幾何糾正的效果。地面控制點(diǎn)應(yīng)當(dāng)均勻分布在整幅圖內(nèi)，且要有一定的數(shù)量保證。控制點(diǎn)的精度和選取的難易程度與圖像的質(zhì)量、地物的特征及圖像的空間分辨率密切相關(guān)。

③行政邊界誤差:行政邊界誤差主要來(lái)源于行政矢量數(shù)據(jù)的比例尺、邊界的準(zhǔn)確性。由于受比例尺的限制，行政邊界數(shù)據(jù)往往與實(shí)際邊界存在空間誤差，進(jìn)而導(dǎo)致以行政邊界為基礎(chǔ)的農(nóng)作物統(tǒng)計(jì)存在誤差。雖然行政邊界比較穩(wěn)定，但難免存在與行政組織不相符的情況，導(dǎo)致農(nóng)作物種植面積統(tǒng)計(jì)結(jié)果未能反映真實(shí)的測(cè)量結(jié)果。此外，不同行政單元的統(tǒng)計(jì)口徑會(huì)給農(nóng)作物面積測(cè)量帶來(lái)誤差，如以行政村、鄉(xiāng)鎮(zhèn)、區(qū)縣統(tǒng)計(jì)的農(nóng)作物種植面積總量會(huì)存在一定的偏差。

(2)數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括遙感數(shù)據(jù)的標(biāo)準(zhǔn)化、矢量數(shù)據(jù)的標(biāo)準(zhǔn)化、統(tǒng)計(jì)數(shù)據(jù)空間化等。遙感數(shù)據(jù)標(biāo)準(zhǔn)化包括數(shù)據(jù)類(lèi)型轉(zhuǎn)換(均采用img格式)、幾何糾正(誤差控制在半個(gè)像元內(nèi))、投影轉(zhuǎn)換(統(tǒng)一為beijing＿city投影)、分幅拼接等。矢量數(shù)據(jù)標(biāo)準(zhǔn)化包括類(lèi)型轉(zhuǎn)換(統(tǒng)一為shp格式)、投影轉(zhuǎn)換、邊界修正等。統(tǒng)計(jì)數(shù)據(jù)空間化包括數(shù)據(jù)錄入、與矢量圖層關(guān)聯(lián)、合并修正等。利用ERDAS軟件，完成投影和像素的添加。第一步設(shè)置好的投影是通用的投影但不是工作所需要的投影，需要轉(zhuǎn)成工作所需要的自定義投影。

幾何糾正大體方法:以道路框矢量圖層為基準(zhǔn)數(shù)據(jù)，采用二階多項(xiàng)式法對(duì)2009年4月3日環(huán)境小衛(wèi)星影像進(jìn)行幾何精糾正。為了保證配準(zhǔn)精度，在各圖像上都均勻選擇了40個(gè)以上的地面控制點(diǎn)，每個(gè)地面控制點(diǎn)RMS與RMS累積均小于1，得到4月3日標(biāo)準(zhǔn)的遙感數(shù)據(jù)。之后以4月3日為標(biāo)準(zhǔn)分別對(duì)2008年10月11日和2008年10月25日進(jìn)行幾何糾正。

3.3 具體方法的實(shí)施

(1)總體流程

本試驗(yàn)在總結(jié)多年多小麥種植面積測(cè)量方法的基礎(chǔ)上，結(jié)合北京地區(qū)冬小麥種植結(jié)構(gòu)特征，構(gòu)建多源、多時(shí)相遙感數(shù)據(jù)保障體系，制定嚴(yán)格的遙感數(shù)據(jù)預(yù)處理標(biāo)準(zhǔn)規(guī)范，進(jìn)行幾何糾正等預(yù)處理。利用冬小麥的物候特征提高預(yù)分類(lèi)的可靠性，建立以遙感影像和耕地地塊為基礎(chǔ)的對(duì)地抽樣體系，反推獲得北京地區(qū)冬小麥種植面積總量，然后通過(guò)總量控制模型對(duì)每個(gè)耕地地塊的冬小麥分布進(jìn)行優(yōu)化分配，獲取北京地區(qū)冬小麥空間分布狀況。圖1是冬小麥測(cè)量的流程圖。

圖1 北京地區(qū)2009年冬小麥返青期面積測(cè)量總體技術(shù)流程圖

(2)空間對(duì)地抽樣

基于統(tǒng)計(jì)與遙感相結(jié)合的對(duì)地抽樣是在統(tǒng)計(jì)學(xué)抽樣原理的指導(dǎo)下，結(jié)合影像強(qiáng)大的空間表現(xiàn)能力，通過(guò)遙感影像上各種作物的特征研究，從抽樣設(shè)計(jì)(包括入樣總體，抽樣方法，抽樣推算，抽樣框，抽樣單位，樣本調(diào)查)等各個(gè)環(huán)節(jié)對(duì)原有統(tǒng)計(jì)局的目錄抽樣進(jìn)行革新和改進(jìn)，使得該套抽樣方法具有更強(qiáng)的適應(yīng)能力和更高的精度。

以包含冬小麥的耕地地塊為樣本總量，以耕地地塊內(nèi)的預(yù)分類(lèi)冬小麥百分比為分層指標(biāo)，建立最優(yōu)分層對(duì)地抽樣模型，設(shè)計(jì)入樣總體、抽樣網(wǎng)格、抽樣方法、抽樣推算、抽樣框、抽樣單位、樣本調(diào)查等環(huán)節(jié)，按1%的抽樣比例抽取樣本地塊，再在地塊內(nèi)隨機(jī)設(shè)置調(diào)查樣本；通過(guò)野外實(shí)際調(diào)查或航片目視解譯的方式，獲取調(diào)查樣本內(nèi)的冬小麥種植面積；通過(guò)分層抽樣總量反推模型計(jì)算北京地區(qū)冬小麥種植面積總量。

圖2 2009年北京市冬小麥返青期測(cè)量空間分布圖

3.4 精度評(píng)價(jià)與測(cè)量結(jié)果總結(jié)

通過(guò)統(tǒng)計(jì)局提供的2008年冬小麥種植面積和本次測(cè)量結(jié)果的對(duì)比，發(fā)現(xiàn)本次測(cè)量結(jié)果精度很高，基本達(dá)到預(yù)期的目標(biāo)。環(huán)境資源小衛(wèi)星獲得周期短，時(shí)效性強(qiáng)，有利于快速獲得影像，以便快速及時(shí)有效統(tǒng)計(jì)農(nóng)作物面積，但由于影像質(zhì)量分辨率低，人為等因素，影響了提取信息結(jié)果的準(zhǔn)確性。但大體上不會(huì)出現(xiàn)明顯遺漏的部分，比如海淀區(qū)四通橋附近的農(nóng)科院試驗(yàn)田也在測(cè)量中，很準(zhǔn)確地得到具體的位置和面積。由此可見(jiàn)本次測(cè)量的方法既節(jié)省了很多人力和時(shí)間又得到了準(zhǔn)確的結(jié)果。

另外，可部分采用高分辨影像，運(yùn)用外業(yè)調(diào)查及提高作業(yè)人員先驗(yàn)知識(shí)，反推統(tǒng)計(jì)方法提高精度。

4 結(jié) 語(yǔ)

國(guó)外的遙感技術(shù)大多數(shù)首先應(yīng)用于農(nóng)業(yè)，美國(guó)從1974年開(kāi)始大面積估產(chǎn)計(jì)劃，(Large Area Crop Inventory Experiment，LACIE)[5]。國(guó)內(nèi)遙感技術(shù)在上世紀(jì)80年代開(kāi)始興起，我國(guó)早期的農(nóng)業(yè)遙感的重點(diǎn)也是在估產(chǎn)[6]。近年來(lái)，針對(duì)遙感技術(shù)在農(nóng)業(yè)方面的應(yīng)用，各國(guó)學(xué)者和專(zhuān)家集抽樣調(diào)查、多源遙感全覆蓋測(cè)量、統(tǒng)計(jì)和遙感相結(jié)合的綜合測(cè)量方法進(jìn)行了大量的研究和探索，但不同方法有機(jī)結(jié)合的一些關(guān)鍵問(wèn)題，尤其是抽樣調(diào)查和遙感測(cè)量方法的有機(jī)結(jié)合，還有待進(jìn)一步深入研究。

[1] 陸登槐.農(nóng)業(yè)遙感的應(yīng)用效益及在我國(guó)的發(fā)展戰(zhàn)略[J].農(nóng)業(yè)工程學(xué)報(bào)，1998，14(3):64～70

[2] CORTESCVAPNIKV.Support－VectorNetworks[J].MachineLearnin g，1995，20(3):273～297

[3] 陳波，張友靜，陳亮.結(jié)合紋理的SVM遙感影像分類(lèi)研究[J].測(cè)繪工程，2007，16(5):41～45

[4] 邢素麗，張廣錄.我國(guó)農(nóng)業(yè)遙感的應(yīng)用現(xiàn)狀與展望[J].農(nóng)業(yè)工程學(xué)報(bào)，2003，19(6):174～177

[5] 楊邦杰，裴志遠(yuǎn).農(nóng)作物長(zhǎng)勢(shì)的定義與遙感監(jiān)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，1999，15(3):214～218

Based on the Envirenmental Disaster Mitigation Satellite Technology of Remote Sesening in Agricultural Application——Take the Beijing Wheat as an Example

Xing XiaoLi1，Xu MingKui2，Tang ShiHua1，Li JingYuan1
(1.Civil Engineering college of Guilin University of Technology，Guilin 541004，China；2.Beijing tian he shu wei technology limited compony，Beijing 100875，China)

Take the characteristics of winter wheat spectrum information about remote sesening images in different periods into consideration，making the best use of the crop characteristics of wheat and on the basis of the powerful relativity，low cost and other characteristics of envirenmental disaster mitigation satellite images，writer will take 09 Benjing winter wheat as an example，adopt professional remote sesening software，use PCVA and SVM classification and combine the backstepping method of sample survey to carried out experiments，the measurement result achieved the desired goals essentially and the experiment is very practical so that it can facilitate the popularization and application of the National Agricultural Census.

remote sesening images；PCVA；SVM；backstepping method of sample survey

1672－8262(2010)06－76－03

P236

B

2010—03—03

行曉黎(1985—)，女，研究生，研究方向:圖形圖像處理。