基于TM數據耕地面積提取方法研究

王國芳

（山西農業大學資源與環境學院，山西太谷030801）

近年來，農業種植結構的面積、產量因市場變化而逐年波動較大。客觀形勢要求及時準確地獲取區域作物種植面積信息及其空間分布狀況，對于準確估計和預測作物產量、加強作物生產管理、優化作物種植空間格局、確保中國糧食安全具有重要意義[1]。掌握糧食播種信息，為國民經濟宏觀決策提供科學依據。

傳統的作物面積、產量估算主要是采用統計方法或常規的地面調查方法，不僅費時費力且受人為因素影響較大，難以適應現勢性信息的需求。隨著遙感技術的發展應用，遙感信息具有覆蓋面積大、探測周期短、資料豐富、現勢性強、費用低等特點，為作物種植面積的提取提供了新的技術手段[2]。

1 研究區概況

本研究區選擇山西省昔陽縣，該縣位于山西省東部，太行山脈西麓，地處東經113°19′～114°08′，北緯 37°20′～37°43′，全縣東西長約70 km，南北寬約38 km，國土總面積195 600 hm2。昔陽縣境內整個地勢呈西高東低、南高北低，東南山坡較陡，西北山坡較緩，屬于半干旱大陸性氣候。全縣地形多樣，自然條件復雜，植物種類繁多，形成的土壤類型特征各異、形態不一，以夏玉米種植為主。

2 數據源選擇與資料收集

2.1 遙感數據

作為提取耕地面積所需的信息源，結合該地的物候特征，本研究選擇了該地6月份的TM影像，6月正處于季春，能較好地體現本研究區的耕地信息。同時，為了更好進行研究區的目視解譯，還選用了研究區SPOT影像作為參考。

2.2 資料數據

收集了研究區1∶50 000地形圖，用于幾何校正。1∶50 000土地利用圖，1∶50 000行政區劃圖，1∶50 000分等基礎信息、分等結果、分等重要參數專題圖，用于輔助解譯。外業調查標準樣地數據共24個，用于分類結果的精度檢驗。專題圖的地理坐標與遙感影像一致，用于與影像數據進行比較，疊加分析。

3 研究方法

農作物種植面積的遙感提取是在收集分析不同農作物光譜特征的基礎上，通過遙感影像記錄地表信息，識別農作物的類型，統計農作物的種植面積。農作物的識別主要是利用綠色植物獨特的波譜反射特征，將植被（農作物）與其他地物區分開[3]。

3.1 光譜分析

為了對耕地進行面積提取，必須對地面不同介質的光譜特征有所認識。土壤的光譜隨著波長的增加，其反射率呈上升趨勢，而綠色植被在可見光波段內具有吸收峰，在近紅外波段內具有強反射。水的光譜在可見光波段內的反射率總體上比較低，隨著波長的增大逐漸降低。不同地物在可見光和近紅外波段的反射率特征正是進行作物光譜識別的理論依據[4]。

農作物生長過程中，不同階段的農作物群體有著不同的光譜特征和色調，對太陽光輻射的吸收和反射有著明顯的光譜差異。而不同種類的農作物由于其形狀和構造不同，光譜反映也各不相同。這是由其葉片具有不同的葉綠素和水分含量直接影響作物對太陽光的吸收和反射所致[5]。

本研究采用的TM數據的7個波段光譜圖像中，一般第5個波段包含的地物信息最豐富。3個可見光波段（即第 1，2，3波段）之間，2個中紅外波段（即第5，7波段）之間相關性很高，表明這些波段的信息中有相當大的重復性或者冗余性。第4，6波段較特殊，尤其是第4波段與其他波段的相關性很低，表明這個波段信息有很大的獨立性。由此可見，由1個可見光波段、1個中紅外波段及第4波段組合而成的彩色合成圖像一般具有最豐富的地物信息，其中又常以4，5，3或4，5，1波段的組合為最佳。按賦色原則，采取4，5，3波段分別賦紅、綠、藍色合成的圖像，色彩反差明顯，層次豐富，而且各類地物的色彩顯示規律與常規合成片相似。為此，在本研究中采用了 4，5，3 波段的組合。在該 4，5，3 波段合成的圖像中，裸地表現為青綠色調，植被表現為黃綠色調，草地表現為淺紅色調，林地表現為紅色調，水體表現為深藍色調，縣中心表現為藍色調。

3.2 分類方法的選取

分類方法的選取將直接影響到種植面積提取的精度。目前，種植面積提取方法有：（1）目視解譯。其主要應用于遙感估產的早期，計算機自動處理程度不高的情況。（2）監督分類法。它是計算機自動提取農作物種植面積的起源。（3）多時相分析方法。其主要應用于雷達遙感和高時間分辨率的多光譜遙感影像。另外，還有多源數據結合的方法、神經網絡方法、模糊數學方法等[6-7]。采用多源數據和多種分類方法的綜合分析，會提高農作物種植面積提取的精度。由于數據有限，本文采用結合地面樣點的最大似然法的監督分類方法。

最大似然分類法假設類別在特征空間上的分布服從正態分布，然后通過計算待分像元對各類別的歸屬概率，將待分像元劃歸至屬概率最大的一組類別[8]。可以通過先驗概率來提高最大似然分類法的精度。但由于在分類前無法確切知道各類別占總面積的比例，因此，分類過程中各類別先驗概率都取1。不考慮先驗概率的最大似然分類法的判別函數為：

gi（X）=P（X/ωi）

式中，ωi代表類別i，gi（X）代表ωi類的判別函數，X為待分類的特征向量，P（X/ωi）為ωi類的密度概率函數。

3.3 訓練樣區選取

為了保證分類的精度，除了采用最大似然法的監督分類外，還有很關鍵的一點就是訓練樣區的選取，訓練樣區應在目標地物面積較大的中心選取。采用最大似然法進行分類，還要求各變量正態分布。由于TM數據分辨率的原因，可能會造成同物異譜、同譜異物的現象，從而影響分類精度。為此，選取訓練樣本前，先對TM數據的4，5，3波段合成圖像進行了投影變化、幾何配準、特征變換、光譜增強等處理，并與土地利用現狀圖、行政區劃等專題圖件進行套合，結合空間分布和地理界線，參考高分辨率SPOT影像圖，并結合耕地在TM中的光譜特征進行訓練樣區選取。對于難以確定的地塊，通過野外調查獲取。

4 結果與分析

利用TM數據，采用最大似然分類法提取的昔陽縣耕地面積結果如圖1所示。提取的耕地面積為29 242.1 hm2。根據昔陽縣當年的上報面積（31 316.6 hm2），其精度達到 93.3%。

5 結論

實踐證明，以TM遙感數據為主要信息源，以土地利用現狀圖、行政區劃等專題圖件為輔助信息源，采用GIS技術、圖象處理技術及光譜知識提取耕地面積的方法可行、可靠。

本研究僅對TM遙感影像進行了探討，可以推廣應用到更高或更低分辨率遙感影像，但其結果精度還需要進行驗證分析。

遙感技術在耕地面積的調查方面具有省時省力的特點，使決策者能夠比較準確地掌握耕地面積，以便制定出相應的政策。另外，其可為利用氣象因子、土壤墑情和遙感監測進行作物估產提供較為精確的基礎數據，具有很高的經濟效益和社會效益。

［1］ 杜培林，田麗萍，薛林，等.遙感在作物估產中的應用[J].安徽農業科學，2007，35（3）：936-938.

［2］ 程永政.混種區作物面積遙感監測方法 [J].河南農業科學，2009（6）：147-150.

［3］ 周成虎，駱劍承.遙感影像地學理解與分析[M].北京：科學出版社，1999.

［4］ 侯學曾，肖淑招.小麥反射光譜特性及其估產[J].華北農學報，1986，1（1）：92-96.

［5］ 梅安新，彭望琭.遙感導論[M].北京：高等教育出版社，2001.

［6］ 林艷.NOAA衛星玉米遙感估產方法的研究 [J].華北農學報，1996，11（4）：93-98.

［7］ 王國芳.遙感圖像計算機分類方法的研究 [J].山西農業科學，2009，37（10）：39-41.

［8］ 鄭明國.一種新的土地覆蓋類別面積估計方法及其在最大似然分類法中的應用[J].資源科學，2007，29（3）：214-220.