“高分一號”衛星數據在冬小麥種植結構調整實施效果評估中的應用
——以河北省冀州市為例

劉躍辰，王 飛，焦為杰，王海軍，韓 雪

(農業部耕地利用遙感重點實驗室/農業部規劃設計研究院，北京 100125)

·研究報告·

“高分一號”衛星數據在冬小麥種植結構調整實施效果評估中的應用
——以河北省冀州市為例

劉躍辰，王 飛※，焦為杰，王海軍，韓 雪

(農業部耕地利用遙感重點實驗室/農業部規劃設計研究院，北京 100125)

[目的]在農業部“控制農業用水總量”的明確要求下，河北省試點實施了冬小麥種植結構調整，減少冬小麥種植面積。為快速監測與評估結構調整政策的實施效果，解決大尺度冬小麥種植結構變化監測中精度與成本相互制約的問題。[方法]該研究以河北省冀州市為例，利用國產高分一號衛星(以下簡稱“GF-1”)2m全色、8m和16m多光譜衛星數據，對全市冬小麥種植面積及種植結構變化情況進行監測，并結合高分辨率衛星數據(0.5m分辨率Pleiades數據)計算關于GF-1數據監測結果的修正系數，從而提高監測精度。[結果]研究認為，與2m/8m分辨率的GF-1融合數據相比，系數修正后的16m分辨率GF-1數據在冬小麥種植結構監測與評價業務化運行工作中更具優勢。基于16m GF-1數據的監測結果顯示， 2015年冀州市冬小麥種植結構與2014年相比變化明顯，種植面積總體呈增長趨勢。[結論]種植結構空間變化具有異質性，其中，冀州市北部冬小麥種植面積保持基本穩定，中部地區呈集中減少趨勢，南部地區呈集中增加趨勢。冬小麥種植結構變化的主要原因是受到棉花種植面積減少，以及種植習慣、種植模式變化等因素的影響。

遙感 高分一號 冬小麥 種植結構變化監測 修正系數

0 引言

冬小麥是我國華北平原重要的口糧作物，冬小麥的生產季較長，在生育期內的有效降水量遠低于實際需水量，較大灌溉用水量和蒸散發量被認為是華北平原地下水過度開采的主要誘因[1-4]。同時，華北平原也是世界上水資源短缺形勢最為嚴峻的地區之一[5-9]，長期的漫灌造成華北平原地下水位快速下降，形成了世界上最大的復合型地下水降落漏斗區[10-13]。在深層地下水超采嚴重且替代水源緊缺的背景下，農業部提出了“一控、兩減、三基本”的任務目標，其中，“一控”即“控制農業用水總量”。為此，財政部會同農業、水利等多部門，于2014年研究提出在河北省試點開展調整冬小麥種植結構，減少冬小麥種植面積。在實施效果評價層面，快速、準確地監測該地區冬小麥種植面積和空間分布是該項工作的基礎，可為水資源優化管理、地下水資源可持續利用和國家糧食安全等政策制定提供科學依據。

隨著遙感技術的迅速發展，不同尺度的遙感數據在農作物種植面積遙感監測中廣泛應用，遙感技術可客觀、及時地獲取大范圍的地面信息，一定程度上滿足了農業部門對農作物種植面積監測的多層次需求[14-16]。劉克寶等[17]利用高分辨率遙感影像RapidEye結合地面調查，精細提取農作物種植結構，通過計算扣除系數，降低線狀地物和小地物對作物種植結構提取結果的影響。王迪等[18]以SPOT 4影像為基礎數據，通過傳統抽樣方法與遙感技術相結合，優化作物面積空間抽樣框架和抽樣基礎要素，獲得冬小麥種植面積變化情況。陳仲新等[19]根據我國冬小麥生產的特點，采用分層抽樣方法，建立全國冬小麥面積變化遙感監測抽樣外推模型，提出了一種適用于業務化運行的大尺度冬小麥面積變化遙感監測方法。王來剛等[20]利用30m分辨率HJ-1衛星CCD免費數據全面監測河南冬小麥面積變化，消除了抽樣外推過程中產生的誤差。郝慮遠等[21]基于MODIS數據通過優化的N-FINDR算法進行線性混合像元分解，提取了2009年華北平原冬小麥的種植面積，并利用同期多時相的HJ-1衛星分類數據作為參考值，驗證混合象元分解結果，為利用低分辨率遙感數據提取冬小麥種植面積提供了思路。

在以往的研究中，學者們利用多種遙感數據源(如RapidEye、SPOT、TM、HJ-1 CCD、MODIS等)在不同尺度上對冬小麥種植面積進行了監測研究[22-28]。利用低分辨率遙感影像可以有效的提高時間分辨率、減低成本，但低分辨率遙感數據中混合像元數量眾多，光譜識別度有限，影響了農作物種植結構提取精度。相比之下，利用中高分辨率遙感影像提取農作物種植面積，能夠獲得更多的紋理、色調、形狀等特征信息，目標地物的識別度更高，但受重訪周期和客觀天氣影響，可獲得數據量和數據覆蓋范圍受限較大，且數據成本較高，對于農作物種植結構動態監測業務化運行工作的適用性不高。高分一號衛星(以下簡稱“GF-1”)于2013年4月26日發射，GF-1數據設置有藍、綠、紅、近紅外4個波段，在空間分辨率、重訪周期和數據幅寬等方面具有綜合優勢，且農業部作為該衛星的主用戶單位可以免費獲取全部數據，能夠在快速、大范圍獲取數據的同時提高識別度，降低動態監測成本，但由于衛星發射時間較短，其用于監測農作物監測的研究仍鮮見報道。

該研究以河北省冀州市為例，以GF-1數據為基礎提取冬小麥種植結構，利用高分辨率影像數據(Pleiades)計算修正系數，提高監測結果精度，從而解決GF-1數據提取冬小麥種植面積的精度與成本相互制約的問題，快速評估種植結構調整實施效果，為開展大范圍業務化監測運行工作提供科學依據。

圖1 冀州市區域位置

1 研究區域和數據

1.1 研究區域選擇

冀州市處于北半球暖溫帶地區，大陸季風氣候特點顯著，年均降水量510.3mm，年均光照時數為2571.2h； 冀州地勢平坦，耕地面積較大，土壤質地適中，適宜種植糧食、棉花等作物。作物熟制基本屬于一年兩熟和兩年三熟，夏糧、秋糧并重。主要種植小麥和玉米，根據河北省種植結構調整規劃2014年試點調整要求，冀州市調減冬小麥種植面積相對較大，計劃改種低耗水作物和非農替代作物。冀州市區位情況見圖1。

1.2 數據獲取與預處理

1.2.1 遙感數據獲取

GF-1搭載2臺2m分辨率全色/8m分辨率多光譜相機，以及4臺16m分辨率多光譜相機。2m/8m分辨率影像幅寬最大為60km，重訪周期41d； 16m分辨率影像幅寬最大為800km，重訪周期4d。波段的光譜設置與美國LandSat、法國Spot等系列衛星數據的光譜范圍相似。數據光譜特征及其應用領域見表1[29-32]。

表1 GF-1數據光譜特征及應用領域

光譜波段波段光譜范圍(μm)主要應用領域全色0.45～0.90—藍波段0.45～0.52水體綠波段0.52～0.59植被紅波段0.63～0.69葉綠素、水中懸浮泥沙、陸地近紅外波段0.77～0.89植物識別、水陸邊界、土壤濕度

圖2 冀州市GF-1數據覆蓋情況

越冬期冬小麥生物量相對穩定，在衛星影像上顯現的光譜特征明顯，且冬季植被較少，有利于冬小麥種植面積的提取，是遙感監測的最佳時期。根據冀州市冬小麥種植的物候特征，選擇2014年、2015年冬小麥種植季的GF-1數據作為該文的主要數據源。在目視預判冀州市農作物種植情況的基礎上，在種植結構相對復雜的區域覆蓋一定范圍對應時相的高分辨率遙感數據，用于冬小麥面積提取精度驗證和結果修正。遙感數據獲取情況見表2。

表2 遙感數據獲取情況

數據類型空間分辨率(m)數據幅寬(km)數據數量(景)數據時相GF-1(多光譜)1620022013.12.292014.12.25GF-1(全色/多光譜)2/84082013.12.27～2014.6.72014.11.18～2015.1.2PLEIADES0.51012014.3.1

1.2.2 地面調查數據獲取

利用差分GPS采集監測區內農作物、休閑耕地、苗木等主要地物的解譯標志點，調查監測區內農作物生產情況信息，為該區域的冬小麥種植結構遙感提取和精度驗證提供依據。

1.2.3 數據預處理

對2m/8m GF-1數據進行融合，得到8景2m分辨率GF-1融合數據(以下簡稱“GF-12m”)。對16m分辨率GF-1數據(以下簡稱“GF-116m”)及GF-12m進行了幾何校正、投影轉換、圖像鑲嵌和裁剪； 對PEIADES數據進行校正、投影轉換。GF-1數據源數據覆蓋情況見圖2； Pleiades覆蓋，以及地面解譯標志點采集情況見圖3。

2 研究方法

利用計算機自動分類和人工目視解譯相結合的方法，以實地采集的解譯標志為基礎，分別提取冀州市全覆蓋的2014年、2015年的GF-116m和GF-12m數據，以及高分辨率Pleiades數據(0.5m)中的冬小麥種植面積； 利用Pleiades數據的提取結果，評估GF-1 2種數據的冬小麥面積提取精度； 根據Pleiades數據和GF-1數據計算關于GF-1 2種數據中冬小麥種植面的積修正系數，修正冬小麥種植面積并進行對比分析結果差距，同時，對比分析兩種GF-1數據在冬小麥種植面積變化率上的差距，進而評估數據在業務化運行中應用的可行性； 分析冀州市冬小麥種植結構變化情況及影響其變化的原因。冀州市冬小麥種植結構調整監測技術流程見圖4。

圖3 Pleiades數據和解譯標志點空間分布

圖4 冬小麥種植結構調整監測技術流程

2.1 解譯標志建立

為更準確地從影像中提取冬小麥，在野外調查的基礎上，分析影像色調、輪廓大小、陰影、圖案、紋理、布局等多方面因素，建立GF-1影像和Pleiades影像上冬小麥及其他地物的目視判讀解譯標志，根據解譯標志特征可以確定目標地物的空間分布。GF-1和Pleiades數據的波段組合均設定為4、3、2(近紅外、紅、綠)，在不同的數據類型上，地物顯示的顏色有所不同，如： 2014年和2015年GF-116m影像數據中，冬小麥整體分別呈現橘紅色和深紅色，夾雜淺灰色，塊狀規整度和邊界清晰度較低，質地略顯粗糙； 休閑耕地整體分別呈現淺橘黃色和天藍色； 林地整體分別呈現淺紅棕色和黑紫色。2014年和2015年GF-12m影像數據中，冬小麥整體分別呈現紅色和粉紅色，夾雜暗紅色，地塊規整，邊界清晰，質地較均勻； 休閑耕地整體分別呈現灰藍色和灰綠色； 林地整體分別呈現條狀天藍色與淡紅色相間和紫色與淡粉紅色相間。2014年0.5m分辨率Pleiades影像數據中，冬小麥整體呈現紅色，地塊規整，邊界清晰，質地均勻，色調平滑； 休閑耕地呈現灰藍色，夾雜白色條紋； 林地呈現藍黑色，夾雜灰藍色條紋。冀州市重點地物解譯標志見表3。

表3 冀州市重點地物解譯標志

地物類型2014年GF-116m2015年GF-116m2014年GF-12m2015年GF-12m2014年Pleiades(0.5m)冬小麥休閑耕地林地

2.2 修正系數計算

利用Pleiades數據冬小麥面積解譯結果，以及與Pleiades數據年份相同的GF-116m和GF-12m2種影像數據對應區域的冬小麥解譯結果，分別計算面積修正系數。通過衛星影像數據和實地調查相結合的方法進行預判，同一類型的GF-1影像數據所提取的不同年份的冬小麥種植面積結果，均采用與其數據類型相對應的同一個修正系數(假設1年內同一區域內的道路、溝渠等線性地物未發生變化)，修正系數的計算方法如公式(1)所示。

修正系數=GF-1解譯的冬小麥面積/Pleiades解譯的冬小麥面積

(1)

其中，GF-1解譯的冬小麥面積是指，與Pleiades數據覆蓋范圍相對應區域內的GF-1解譯結果。當修正系數>1時，說明存在多解譯現象，且修正值越大，對應的GF-1數據解譯精度越低； 當修正系數<1時，說明存在漏解譯現象，且修正系數越接近于0，對應的GF-1數據解譯精度越低； 修正系數越接近于1，GF-1數據的解譯精度越高。

3 冬小麥種植面積監測結果與分析

3.1 種植面積修正系數計算

受影像數據空間分辨率差異的影像，GF-1 2種分辨率數據對于冬小麥種植面積提取結果精確度存在差異。如表4所示，Pleiades數據覆蓋區域內冬小麥面積為3655.95hm2，對應區域內GF-116m和GF-12m2種數據解譯冬小麥面積分別為4623.54hm2和3746.17hm2。修正前，GF-12m提取的冬小麥面積精度約為98%，GF-116m影像數據提取精度約為79%。根據公式(1)計算對應GF-116m和GF-12m2種數據的修正系數分別為1.26和1.02。圖5分別截取了Pleiades、GF-116m和GF-12m相同區域的部分解譯結果。

圖5 Pleiades數據及GF-1數據冬小麥解譯效果對比

從圖5中可以看出，與GF-116m數據相比，GF-12m數據對于冬小麥種植地塊的提取和線性地物的扣除更細致，與高分辨率影像Pleiades的解譯效果更加接近。

表4 冀州市冬小麥種植面積遙感監測結果精度驗證及修正系數計算

年份空間分辨率Pleiades解譯冬小麥面積(hm2)GF-1解譯冬小麥面積(hm2)解譯精度(%)修正系數201416m3655.954623.5479.071.262m3746.1797.591.02

表5 GF-116m 與GF-12m 數據解譯冀州市冬小麥面積結果對比

數據類型冬小麥面積(萬hm2)修正前年度面積變化修正系數修正后小麥面積(萬hm2)修正后年度面積變化修正前16m與2m數據相比的面積解譯準確度(%)修正后16m與2m數據相比的面積解譯準確度(%)修正前16m與2m數據相比面積變化率準確度(%)修正后16m與2m數據相比面積變化率準確度(%)20142015變化量(萬hm2)變化率(%)20142015變化量(萬hm2)變化率(%)201420152014201520142015GF-116m2.9953.4810.48616.231.262.3682.7520.38416.22GF-12m2.5152.9330.41816.621.022.4552.8620.40716.5980.9481.3196.4696.1697.6597.77

3.2 種植面積監測結果對比分析

通過Pleiades數據對GF-1 2種類型的冬小麥解譯結果驗證及解譯效果對比，可以看出2m分辨率數據的冬小麥面積提取能力遠高于16m分辨率數據，為此，采用系數修正的方法對2類數據進行精細化處理，如表5所示，GF-116m數據的冬小麥種植面積提取結果經過系數修正后，其提取結果的準確度大幅度提升近15%，與GF-12m數據冬小麥面積提取結果的修正數接近， 2014年和2015年面積提取的準確度可分別達到96.46%和96.16%。

利用相同數據源，針對年際間的冬小麥種植結構變化情況開展監測，能夠在一定程度上消除面積解譯過程中出現的共同誤差，提高監測精度，在實際應用中比監測作物種植的總面積可信度更高。GF-116m數據與GF-12m數據相比，在冀州市冬小麥種植面積年際變化率監測方面，修正前，監測結果的相近性可達到97.65%； 修正后，監測結果的相近性更高，可達到97.77%。由此可見，在面積變化率監測中采用修正后的GF-116m數據可以滿足監測需求。

圖6 2014和2015年度冀州市冬小麥種植結構變化

3.3 冬小麥種植結構變化分析

如表5所示，GF-116m與GF-12m解譯結果顯示，冀州市冬小麥種植面積總體呈增長趨勢，與2014年相比， 2015年分別增加0.384和0.407萬hm2，增幅分別為16.22%和16.59%。根據修正后的GF-116m數據冬小麥種植面積解譯結果，結合野外實地驗證對GF-116m數據的冬小麥種植空間分布結果進行修正，以GF-116m數據的解譯結果為基礎，分析冀州市冬小麥種植結構。如圖6所示，2年間冀州市西北部和東部部分區域冬小麥種植面積保持基本穩定，且種植規模較大； 種植面積減少主要集中在中部地區，北部和南部局部區域減少情況呈零星分布； 南部地區冬小麥種植面積增加明顯，且增加面積較大。

3.4 冀州市冬小麥種植結構變化的驅動力分析

河北省冀州市冬小麥種植結構調整目標為冬小麥種植面積減少0.2萬hm2，但從監測結果來看，冀州市冬小麥種植面積總體呈增加趨勢。從種植結構來看，部分區域出現了集中減少的現象。為此，通過實地調查和走訪農戶對種植結構變化的原因進行了深入了解。其中，冀州市西北部和東部部分區域冬小麥保持大規模穩定種植的主要原因是：小麥、玉米等糧食作物價格相對穩定，在多年種植習慣的影響下，農民不愿輕易改變“冬小麥-夏玉米”的種植模式。冀州市南部地區冬小麥種植面積增長明顯的主要原因是：該區域是傳統的棉花種植區，近年來棉花價格持續走低，種植成本增加，致使棉花種植面積不斷減少； 同時，與棉花種植相比，小麥、玉米的田間管理更加簡單，機械化程度更高，且收儲價格相對穩定，農民多以“冬小麥-夏玉米”的種植模式替代棉花種植。冀州市中部地區是冬小麥種植面積減少相對明顯區域，主要呈現集中減少趨勢，主要原因是受調減冬小麥種植面積政策的影響，農戶大多放棄種植冬小麥，改種果樹、苗木等其他低耗水作物或變為休閑耕地。

從冀州市冬小麥種植結構空間變化情況上看，在距離冀州市城區較近的中部地區，冬小麥種植面積的調減政策發揮作用更為明顯，因此建議在制定行之有效的低耗水作物種植鼓勵政策的同時，加大政策宣傳力度，切實保護農民的利益，從而加快改變農民的種植習慣和種植意向，以期又好又快地完成冬小麥種植面積調減的目標，改變冬小麥種植結構。

4 討論與結論

該研究以GF-1數據為基礎數據獲取河北省冀州市2014年、2015年的冬小麥種植面積，并結合高分辨率衛星影像(Pleiades)計算修正系數，從而提高面積監測精度。GF-12m數據空間分辨率為2m，影像色調、輪廓大小、紋理、布局等相對清晰，提取精度上具有明顯優勢(從系數修正前的種植面積提取結果上看，與GF-116m數據相比，精度相差約20%)。但GF-12m數據的重訪周期較長(41d)，單景影像幅寬較小(60km)，在滿足農業時效性的要求上存在一定不足。

對比分析GF-12m和GF-116m2種數據監測結果發現，GF-116m數據面積提取結果經過修正后，在提取精度方面能夠達到與GF-12m數據相近的效果。同時，GF-116m數據比GF-12m數據的重訪周期更短，覆蓋范圍更大，能夠在有限的農作物生長期內更好的規避受天氣影響所帶來的數據獲取問題，獲取更多數量的影像數據，從而滿足遙感監測業務化運行對于同時獲取高時間分辨率、高空間分辨率，以及覆蓋范圍大的需求。GF-116m數據單景幅寬較大，減少了影像拼接等數據預處理工作內容，且數據空間分辨率的降低大大降低了遙感影像解譯工作強度。

通過分析基于GF-116m數據的冬小麥種植面積結果和冬小麥種植結構空間變化可知，與2014年相比， 2015年冀州市冬小麥種植面積總體呈增加趨勢，中部地區種植面積出現集中減少現象，冬小麥種植結構調減政策在冀州市部分區域發揮了作用。從業務化運行工作角度來看，GF-116m數據監測結果通過一定方法的修正后，能夠更加快速、有效地評價冬小麥種植結構調整政策的實施效果。

該研究利用高分辨率衛星影像(Pleiades)對監測精度進行驗證并計算面積修正系數，受成本投入等因素制約，高分辨率影像覆蓋范圍較小，研究區范圍內能夠選取的覆蓋位置數量有限，一定程度上影響了修正系數的準確性。無人機技術已日漸成熟，且在農業中已有較多應用，在監測區域內均勻布設一定數量的樣地，利用輕便無人機采集樣地內的作物種植信息，提取目標作物種植面積，以加權平均的方法計算關于GF-116m數據的修正系數，能夠在降低成本的同時提高面積監測精度，具有良好的應用前景。

[1] Li J M，Inanaga S，Li Z H，et al.Optimizing irrigation scheduling for winter wheat in the North China Plain.Agricultural Water Management， 2005, 76(1): 8～23

[2] Li H J，Zheng L，Lei Y P，et al.Estimation of water consumption and crop water productivity of winter wheat in North China Plain using remote sensing technology.Agricultural Water Management， 2008, 95(11): 1271～1278

[3] 張兆吉， 費宇紅，陳宗宇.華北平原地下水可持續利用調查評價.北京：地質出版社， 2009： 1～9

[4] Chen J Y，Tang C Y，Shen Y J，et al.Use of water balance calculation and tritium to examine the dropdown of groundwater table in the piedmont of the North China Plain(NCP).Environmental Geology， 2003， 44： 564～571

[5] Sun H Y，Shen Y J，Yu Q，et al.Effect of precipitation change on water balance and WUe of the winter wheat-summer maize rotation in the North China Plain.Agricultural Water Management， 2010, 97(8): 1139～1145

[6] Gleeson T，Wada Y，Bierkens M F，et al.Water balance of global aquifers revealed by groundwater footprint.Nature， 2012，488(7410)： 197～200

[7] 胡春勝， 程一松.中國生態系統定位觀測與研究數據集：農田生態系統卷，河北欒城站(1998- 2008).北京：中國農業出版社，2011： 137～149

[8] 許月卿. 土地利用對地下水位下降的影響：以河北平原為例.地理研究， 2005, 24(2): 222～228

[9] 李春強， 李保國，洪克勤.河北省近35 年農作物需水量變化趨勢分析.中國生態農業學報， 2009, 17(2): 359～363

[10]De Graaf I E M，Van Beek L P H，Wada Y，et al.Dynamic attribution of global water demand to surface water and groundwater resources：Effects of abstractions and return flows on river discharges.Advances in Water Resources， 2014， 64： 21～33

[11]張光輝， 劉中培，費宇紅，等.華北平原區域水資源特征與作物布局結構適應性研究.地球學報， 2010, 31(1): 17～22

[12]程維新. 農田蒸發與作物耗水量研究.北京：氣象出版社， 1994： 82～127

[13]陳超， 于強，王恩利，等.華北平原作物水分生產力區域分異規律模擬.資源科學， 2009, 31(9): 1477～1485

[14]Portmann F T，Siebert S，D?llP.MIRCA2000-Global monthly irrigated and rainfed crop areas around the year 2000：A new high-resolution data set for agricultural and hydrologicalmodeling.GlobalBiogeochemical Cycles， 2010， 24(1)：GB1011

[15]劉海啟， 金敏毓，龔維鵬.美國農業遙感技術應用狀況概述.中國農業資源與區劃， 1999, 20(2): 56～60

[16]許文波， 田亦陳.作物種植面積遙感提取方法的研究進展.云南農業大學學報， 2005, 20(1): 94～98

[17]劉克寶， 劉述彬，陸忠軍,等.利用高空間分辨率遙感數據的農作物種植結構提取.中國農業資源與區劃， 2014， 35(1)： 21～26

[18]王迪， 周清波，劉佳.作物面積空間抽樣框架及抽樣基礎要素優化設計研究.中國農業資源與區劃， 2008, 29(4): 9～15

[19]陳仲新， 劉海啟，周清波，等.全國冬小麥面積變化遙感監測抽樣外推方法的研究.農業工程學報， 2000, 16(5): 12～129

[20]王來剛， 鄭國清，陳懷亮，等.基于HJ-CCD影像的河南省冬小麥種植面積變化全覆蓋監測.中國農業資源與區劃， 2001， 32(2)： 58～62

[21]郝慮遠， 孫睿，謝東輝，等.基于改進 N-FINDR 算法的華北平原冬小麥面積提取.農業工程學報， 2013， 29(15)： 153～161

[22]許青云， 楊貴軍，龍慧靈，等.基于MODIS NDVI多年時序數據的農作物種植識別.農業工程學報， 2014, 30(11): 134～144

[23]BabanSMJ，LukeC.Mapping agricultural land using retrospective ground referenced data，satellites sensor imagery and GIS International Journal of Remote Sensing， 2000， 21(8)： 175～1762

[24]徐新剛， 李強子，周萬村，等.應用高分辨率遙感影像提取作物種植面積.遙感技術與應用， 2008, 23(1): 81～86

[25]Cohen Y，Shoshany M.Anational knowledge-based crop recognition in Mediterranean environment.International Journal of Applied Earth Observation and Geo-information， 2002， 4： 75～87

[26]鄒金秋， 陳佑啟，Uchida S，等.利用Terra/MODIS 數據提取冬小麥面積及其精度分析.農業工程學報， 2007， 23(11)： 195～200

[27]熊勤學， 黃敬峰.利用NDVI指數時序特征監測秋收作物種植面積.農業工程學報， 2009, 25(1): 144～148

[28]Xiao X，Boles S，Liu J，et al.Mapping paddy rice agriculture in southern China using multi-temporal MODIS images.Remote Sensing of Environment， 2005， 95： 480～492

[29]劉錕， 付晶瑩，李飛.高分一號衛星4種融合方法評價.遙感技術與應用， 2015, 30(5): 980～986

[30]李粉玲， 常慶瑞，申健，等.基于GF-1衛星數據的冬小麥葉片氮含量遙感估算.農業工程學報， 2016, 3(29): 157～164

[31]湯興， 易維寧，杜麗麗，等.高分一號衛星多光譜遙感圖像鄰近效應校正研究.光學學報， 2016， 36(2)： 0228003-1～0228003-7

[32]白照廣. 高分一號衛星的技術特點.中國航天， 2013， 8： 5～9

APPLICATION OF "GAOFEN-1" SATELLITE DATA IN THE EVALUATION OF EFFECT OF PLANTING PATTERN ADJUSTMENT ON WINTER WHEAT——A CASE IN JIZHOU OF HEBEI PROVINCE

Liu Yuechen，Wang Fei※，Jiao Weijie，Wang Haijun，Han Xue

(Key Laboratory of Cultivated Land Use, Ministry of Agriculture, P. R. China/Chinese Academy of Agricultural Engineering，Beijing 100125， China)

According to the claim of "controlling the total amount of agricultural water" by Ministry of Agriculture, Hebei province carried on a work of adjusting planting pattern of winter wheat to reduce its planting area. Based on the data of "GaoFen-1" 2 m panchromatic, 8 m and 16 m multispectral satellite, this paper monitored the changes of winter wheat planting pattern in Jizhou, Hebei province, and calculated the area correction coefficient of the monitoring results to improve the accuracy. The results showed that: "Gaofen-1" 16 m resolution data was better than the fusion data of 2 m and 8 m resolution in monitoring the changes of winter wheat planting pattern. Compared with 2014, the planting area showed an increasing trend in Jizhou in 2015, but the spatial variation of the planting pattern was different in different areas. The planting area of winter wheat in the northern part of Jizhou remained basically stable, which showed a trend of decrease in the central region, and a trend of increase in the southern region. The factors, such as the decrease of cotton planting area and the change of cropping habit and cropping system, etc., resulted in the change of the planting pattern of winter wheat.

remote sensing; "Gaofen-1" satellite; winter wheat; planting patternmonitoring; correction coefficient

10.7621/cjarrp.1005-9121.20170201

2016-03-16 作者簡介：劉躍辰(1983—)，男，北京人，工程師。研究方向：農業遙感技術研究和推廣應用。※通訊作者：王飛(1973—)，男，山西太原人，高級工程師。研究方向：農業遙感技術研究和推廣應用。Email：wangfei@agri.gov.cn

S512.1+1; S127

A

1005-9121[2017]02001-10