基于GF—1影像的冬小麥面積提取及年際變化動態(tài)監(jiān)測

李峰+謝磊+王昊+秦泉+趙紅

摘要：為探討國產(chǎn)高分一號（GF-1）衛(wèi)星影像在作物面積提取中的適用性，以冬小麥主產(chǎn)區(qū)山東省菏澤市為研究區(qū)域，利用GF-1衛(wèi)星攜帶的多光譜寬幅相機（WFV）16米遙感影像為主要數(shù)據(jù)源，以菏澤市土地利用類型和野外地面調查數(shù)據(jù)作為輔助，采用決策樹分類法和監(jiān)督分類—最大似然分類法相結合的方法，通過分區(qū)解譯方式，分別提取出菏澤市2014和2015年冬小麥種植面積和分布區(qū)域，并利用地面樣方數(shù)據(jù)對分類結果進行精度驗證，同時開展年際變化動態(tài)監(jiān)測分析。結果表明：以GF-1/WFV 16米影像為主要數(shù)據(jù)源，將多源信息引入決策樹和監(jiān)督分類模型，進行種植結構復雜地區(qū)冬小麥種植面積遙感估算的方法是可行的。GF-1/WFV 16米影像在作物面積遙感監(jiān)測業(yè)務運行中具有較大的開發(fā)應用潛力。2014和2015年菏澤市冬小麥位置提取精度分別達到96.5%和96.7%，面積總量提取精度分別達到96.8%和95.0%；遙感提取的兩年冬小麥種植面積均略小于官方提供的統(tǒng)計數(shù)據(jù)，但兩者呈現(xiàn)出的變化趨勢一致，即菏澤市兩年間的冬小麥種植面積呈減少趨勢。

關鍵詞：GF-1/WFV影像；冬小麥；決策樹分類；監(jiān)督分類-最大似然法；菏澤市

中圖分類號：S127 文獻標識號：A 文章編號：1001-4942（2017）08-0139-06

Abstract In order to explore the applicability of Chinese GF-1 satellite images in crop planting area extraction，the winter wheat planting area and distribution in Heze City， which is one of the main production areas of wheat， was extracted and analyzed based on the GF-1 images. The images obtained by the WFV （wide field view） sensor carried on GF-1 satellite with the spatial resolution of 16 m were taken as the main data source， and the land use type of Heze City and the field survey data were taken as auxiliary ones. By using the method of decision tree classification combined with supervised classification-maximum likelihood method， and the partition interpretation mode， the winter wheat area and distribution of Heze region in 2014 and 2015 were extracted.The classification results were verified using the ground sample data， and the annual variation dynamic were analyzed. The results showed that this method was feasible by introducing the multi-source information into decision tree and supervised classification model to estimate the winter wheat area under complex planting structure based on GF-1 /WFV images.GF-1/WFV image has great application potential in the remote sensing monitoring of crop planting area. The extracting accuracy of winter wheat distribution in Heze in 2014 and 2015 reached 96.5% and 96.7% respectively， and that of total planting area reached 96.8% and 95.0% respectively. The winter wheat planting area extracted by remote sensing was slightly lower than that of official statistics in 2014 and 2015， but the change trend was consistent as decreasing during the two years.

Keywords GF-1/WFV image；Winter wheat；Decision tree classification；Supervised classification- maximum likelihood； Heze City

冬小麥是我國最主要的糧食作物之一，及時準確地獲取冬小麥種植面積及空間分布信息，對于準確預測冬小麥產(chǎn)量，加強田間生產(chǎn)管理，優(yōu)化作物種植結構布局，確保國家糧食安全，具有重要意義[1]。

中國官方發(fā)布的農(nóng)作物種植面積數(shù)據(jù)主要是通過抽樣調查和統(tǒng)計部門逐級上報，此類方法不僅耗時耗力而且缺乏空間分布信息[2，3]。衛(wèi)星遙感技術，作為地球信息科學前沿技術，具有空間宏觀性、多分辨率（光譜和空間）、周期性和信息豐富等特點，能夠實現(xiàn)信息的快速收集和定量分析，大幅度減少野外工作量，提高工作效率。目前，不同尺度衛(wèi)星遙感數(shù)據(jù)在農(nóng)作物種植面積遙感監(jiān)測中得到了廣泛應用[4-6]，但各有其優(yōu)缺點：MODIS和FY-3等衛(wèi)星遙感數(shù)據(jù)，由于空間分辨率低，解譯精度難以保證[7-10]；而TM和SPOT等中高分辨率衛(wèi)星遙感數(shù)據(jù)，重訪周期長，掃描幅寬窄，受天氣影響大，獲取作物關鍵生育期的全覆蓋數(shù)據(jù)困難，難以在業(yè)務化中推廣[11]。endprint

我國在2013年4月發(fā)射了高分一號衛(wèi)星（以下簡稱GF-1），配置了2臺2米分辨率全色/8米分辨率多光譜相機（PMS）、4臺16米分辨率多光譜寬幅相機（WFV），組合幅寬達到800公里，重訪周期為4天左右，且數(shù)據(jù)通過網(wǎng)站可以免費下載，這些特點使GF-1/WFV成為作物監(jiān)測和分類較好的遙感數(shù)據(jù)源。目前，已有研究利用GF-1/WFV遙感影像進行作物面積提取，并取得較好效果。黃振國等[12]根據(jù)以往中高分辨率數(shù)據(jù)應用的經(jīng)驗，對GF-1/WFV數(shù)據(jù)在作物面積提取方面的應用前景進行了綜述。劉吉凱等[13]利用多時相GF-1/WFV數(shù)據(jù)，采用多時相迭代方法構建甘蔗提取特征向量決策樹模型，提取了廣西江州區(qū)的甘蔗種植面積，經(jīng)野外實地調查驗證，用戶精度為90.13%，生產(chǎn)精度為88.78%。王利民等[14]基于GF-1/WFV 16米數(shù)據(jù)，采用分層決策樹分類的方法對北京市順義區(qū)冬小麥面積進行提取，并利用地面樣方數(shù)據(jù)對分類結果進行精度驗證，分類總體精度達到96.7%。黃健熙等[15]利用GF-1/WFV 16米衛(wèi)星影像，通過計算不同特征波段，構建了多特征水稻和玉米種植區(qū)識別方法，水稻和玉米的用戶精度分別為97.64%和97.89%。賀鵬等[16]利用GF-1/WFV 16米影像，基于分區(qū)和決策樹分類的方法，成功提取出研究區(qū)內主要作物的空間種植信息，總體精度在97%以上。賈玉秋等[17]利用GF-1 16米影像數(shù)據(jù)，結合Landsat 8和RapidEye數(shù)據(jù)，采用支持向量機和光譜角法在許昌進行玉米的識別和面積提取及其精度對比分析，結果表明，GF-1反演的玉米LAI與Landsat 8反演值在趨勢上一致，且更能凸顯LAI分布差異。這些研究成果為本研究提供了豐富的方法、技術借鑒。

但這些研究成果多是應用GF-1衛(wèi)星數(shù)據(jù)在區(qū)、縣等相對較小范圍內開展作物面積提取，而應用GF-1/WFV 16米數(shù)據(jù)在種植結構更復雜的地市一級區(qū)域進行冬小麥面積提取的研究卻少見報道。本研究以山東省冬小麥主產(chǎn)區(qū)菏澤市為研究區(qū)域，探討利用GF-1/WFV 16米影像，采用決策樹分類和監(jiān)督分類—最大似然法相結合的方法，利用菏澤市土地利用類型和野外地面調查數(shù)據(jù)，通過分區(qū)解譯方式，提取菏澤市2014和2015年的冬小麥種植面積信息，并檢驗其精度，同時開展冬小麥種植面積年際變化動態(tài)監(jiān)測研究，為冬小麥種植產(chǎn)業(yè)區(qū)劃、氣象災害監(jiān)測和估產(chǎn)提供參考依據(jù)。

1 研究區(qū)域及數(shù)據(jù)獲取

1.1 研究區(qū)域

菏澤市位于山東省西南部（34°39′～35°53N，114°48′～116°24′E），魯、蘇、豫、皖四省交界地區(qū)。耕地多為黃河沖積平原，地勢平坦，土壤肥沃，旱能澆，澇能排，發(fā)展農(nóng)業(yè)有得天獨厚的條件。屬溫帶季風型大陸性氣候，光照充足，雨熱同季。年平均氣溫13.6℃，年平均日照時數(shù)2 579 h，無霜期212 d左右。年平均降雨量680.8 mm，季節(jié)分配不均，冬季干旱少雨，夏季潮濕多雨。菏澤市冬春季種植的作物主要有冬小麥、大蒜、蔬菜和西瓜等，其中冬小麥在全市各縣區(qū)均有大面積種植。

1.2 GF-1/WFV影像獲取及預處理

GF-1衛(wèi)星是中國高分辨率對地觀測系統(tǒng)國家科技重大專項的首發(fā)星，為國際同類衛(wèi)星觀測幅寬的最高水平，實現(xiàn)了在同一顆衛(wèi)星上高分辨率和寬幅成像能力的結合，有效地解決了空間分辨率和時間分辨率的矛盾，能夠滿足大尺度冬小麥種植面積業(yè)務化監(jiān)測對衛(wèi)星影像參數(shù)的要求[10]。根據(jù)菏澤市冬小麥種植物候特征及GF-1遙感影像質量，本研究采用的2014和2015年GF-1/WFV 16米影像都選擇4月14日的，從中國資源衛(wèi)星應用中心網(wǎng)站（http：//www.cresda.com/n16/index.html）下載。影像時間選擇在4月中旬，是因為該時期菏澤市的冬小麥處于拔節(jié)期，土壤信息影響非常小，其余綠色植被除大蒜和常綠植被外均處于枯萎或萌芽狀態(tài)，非常適合冬小麥種植面積的提取。

在進行冬小麥種植信息提取前，首先對GF-1/WFV 影像進行正射校正，利用高分影像自帶的RPC（rational polynomial coefficients）信息，結合地面高程數(shù)據(jù)對影像進行傾斜改正和投影差改正，進而消除地形起伏和傳感器誤差引起的像點位移，將影像重采樣為正射影像，校正誤差控制在1個像元以內。然后利用GF-1/WFV傳感器對應的輻射定標參數(shù)和FLASSH大氣校正模型對影像進行輻射定標和大氣校正。最后利用矢量邊界精確裁剪出菏澤市GF-1/WFV影像圖（圖1）。

1.3 地理背景資料

主要包括菏澤市2013年土地利用類型數(shù)據(jù)，由Landsat/TM數(shù)據(jù)分類而得。菏澤市各縣（區(qū)）行政邊界1∶25萬矢量數(shù)據(jù)，來自國家測繪局。

1.4 野外調查數(shù)據(jù)

為了對菏澤市的地形地貌和冬小麥種植結構等情況有全面、真實的了解，研究期間分別于2014年2月、2015年3月和4月攜帶GPS等儀器，赴菏澤9個縣區(qū)開展了野外調查。在選擇樣方時，主要挑選種植連片、面積較大的小麥種植區(qū)域，同時對大蒜、常綠植被等也進行了樣方選取，以用于處理遙感影像時的識別和驗證。

2 結果與分析

2.1 冬小麥種植信息遙感提取分區(qū)

對研究區(qū)域進行分區(qū)的目的主要是提高冬小麥面積解譯精度，菏澤市各地作物種植制度和方式有很大不同，如巨野、成武等地大蒜和冬小麥種植面積都很大，東明麥田套種西瓜現(xiàn)象比較普遍。遙感數(shù)據(jù)的同物異譜與異物同譜現(xiàn)象嚴重，直接影響冬小麥面積的解譯精度。因此在基于GF-1/WFV影像提取冬小麥種植面積時，必須對全市進行精細化分區(qū)處理。根據(jù)菏澤市農(nóng)業(yè)氣候區(qū)劃的結果，綜合考慮作物發(fā)育期、地貌、種植結構等因素，通過實地調查和影像分析等方式，將全市劃為4個區(qū)域，詳見表1。

2.2 冬小麥種植信息遙感提取方法endprint

為了有效排除大蒜和常綠植被等地物對冬小麥面積提取精度的影響，本文基于GF-1/WFV 16米影像圖，利用冬小麥在不同波段與其他地物明顯的光譜差異，采用決策樹分類和監(jiān)督分類—最大似然法相結合的方法，同時以野外調查和菏澤市土地利用類型數(shù)據(jù)作為輔助，通過分區(qū)解譯的方式進行冬小麥種植面積和分布范圍提取，遙感提取技術流程見圖2。

具體步驟為：

（1）在ENVI中，基于GF-1/WFV 16米影像，通過疊加建立的菏澤市土地利用類型——建筑用地掩膜數(shù)據(jù)，首先剔除城區(qū)常綠植被對冬小麥的干擾。

（2）在ENVI中，對經(jīng)過幾何校正和輻射校正后的GF-1/WFV 16米反射率影像，計算歸一化植被指數(shù)NDVI：

式中，ρ3和ρ4分別為WFV相機第3（紅外）和第4（近紅外）波段的反射率。

根據(jù)野外調查采集的典型地物樣方點信息，從研究區(qū)（以巨野和成武為例）2015年4月14日地物類型的NDVI值來看，居民地、水體、裸地等NDVI值均在0.21以下，因此，利用NDVI值可以直接剔除居民地、水體、裸地等地物的干擾。大蒜的NDVI值域范圍為0.31～0.42，冬小麥的NDVI值域范圍為0.32～0.58，二者存在重疊，利用NDVI值很難進一步區(qū)分。但大蒜和冬小麥在GF-1/WFV影像4個波段上的光譜信息卻有很大差別，冬小麥在1、2、3波段反射率均低于大蒜，4波段的反射率值高于大蒜（圖3）。根據(jù)冬小麥和大蒜的光譜特征分析，選擇第3、2、1波段對應紅、綠和藍色合成覆蓋菏澤市的GF-1/WFV真彩色影像。冬小麥由于第1、2、3波段反射率均低于大蒜，且第2波段的反射率值要高于第1、3波段，所以在圖像上冬小麥表現(xiàn)為墨綠色，大蒜表現(xiàn)為亮綠色。因此利用ENVI，采用監(jiān)督分類中的最大似然法（冬小麥和大蒜的可分離系數(shù)達到1.99）可以剔除大蒜的干擾。最后對影像進行掩膜處理后，得出冬小麥分布范圍。

采用上述分類法分別得到各分區(qū)內的冬小麥分布范圍后，再利用ArcGIS將各分區(qū)的分類圖拼接在一起，最終獲得基于GF-1/WFV 16米影像提取出的菏澤市2014和2015年冬小麥種植空間分布示意圖，圖中綠色為冬小麥（圖4）。

2.3 冬小麥提取精度及年際變化監(jiān)測結果

基于地面樣方數(shù)據(jù)驗證是精度驗證的主要手段之一，通常是通過研究區(qū)樣本像素的分類結果與參照數(shù)據(jù)的比較而實現(xiàn)的。在ArcGIS平臺下（以2015年為例），利用野外調查的300個冬小麥樣方點GPS數(shù)據(jù)與冬小麥解譯結果進行空間疊加分析，96.7%（290個）的定位點位于所解譯的冬小麥區(qū)域里，僅3.3%（10個）未在所解譯的冬小麥區(qū)域里（表3）。利用上述方法得出2014年菏澤市冬小麥提取精度為96.5%。

最后，在ArcGIS平臺下，將冬小麥分類結果與菏澤市矢量數(shù)據(jù)進行疊加處理，得到基于GF-1/WFV 16米影像提取的菏澤市冬小麥種植面積，并與統(tǒng)計局提供數(shù)據(jù)進行比較。結果表明：基于GF-1影像提取出的2014和2015年菏澤市冬小麥種植面積（2014年：56.63萬公頃；2015年：54.49萬公頃）均小于統(tǒng)計局提供的數(shù)據(jù)（2014年：58.51萬公頃；2015年：57.38萬公頃），但兩者呈現(xiàn)出的年際變化趨勢一致，即菏澤市冬小麥種植面積兩年間呈減少趨勢。2014和2015年基于GF-1/WFV 16米影像提取的冬小麥面積總量精度分別為96.8%和95.0%。

3 討論與結論

本研究在綜合考慮冬小麥大尺度面積監(jiān)測業(yè)務運行成本和信息提取精度的前提下，基于GF-1/WFV 16米影像對山東省菏澤市2014年和2015年冬小麥進行了種植面積提取和年際間變化動態(tài)監(jiān)測，主要得到以下結論：

（1）以GF-1/WFV 16米影像為主要數(shù)據(jù)源，利用其幅寬、時間和空間分辨率的優(yōu)勢，同時將土地利用類型和冬小麥地面樣方等多源信息引入決策樹分層分類和監(jiān)督分類模型進行冬小麥種植面積遙感估算業(yè)務運行的方法是可行的，能有效提高我國農(nóng)作物面積遙感監(jiān)測業(yè)務水平。

（2）充分考慮冬小麥發(fā)育期和種植結構等因素對冬小麥光譜信息造成的影響，分區(qū)域進行冬小麥面積提取，能有效提高遙感解譯精度。經(jīng)精度驗證，2014和2015年菏澤市冬小麥提取位置精度分別達到96.5%和96.7%，面積總量精度分別達到96.8%和95.0%。出現(xiàn)誤判的主要原因為誤判點位于冬小麥和大蒜的混種區(qū)域或冬小麥套種比較稀疏的區(qū)域，不具備冬小麥光譜特征或光譜特征不明顯。下一步可以在現(xiàn)有的基礎上融合更高分辨率遙感影像對提取誤差較大的重點區(qū)域進行冬小麥面積提取，進一步提高解譯精度。

（3）基于GF-1/WFV 16米影像提取的菏澤市冬小麥面積均小于統(tǒng)計局提供的數(shù)據(jù)，但兩者均呈現(xiàn)出減少的年際變化趨勢，這與菏澤經(jīng)濟發(fā)展形勢及農(nóng)業(yè)種植結構調整的結果相一致，說明該方法具有區(qū)域應用價值。

但本研究在方法上還存在一些有待解決的問題。①不同地區(qū)由于氣候和冬小麥種植時間等差異，會造成冬小麥在GF-1/WFV影像上呈現(xiàn)不同的光譜特征，如果差異較大，應進行更精細化的分區(qū)域提取，不應以行政區(qū)劃作為分區(qū)的唯一標準。②對于發(fā)育期與冬小麥相近的其他干擾作物，也可采用多時相GF-1/WFV遙感影像來進行作物面積提取。③本研究只是針對平原地區(qū)冬小麥面積進行了提取，下一步將繼續(xù)基于GF-1/WFV影像，開展丘陵和山地等種植結構更復雜地區(qū)作物面積提取方法的研究。

參考文獻：

[1]陳仲新，劉海啟，周清波，等.全國冬小麥面積變化遙感監(jiān)測抽樣外推方法的研究[J].農(nóng)業(yè)工程學報，2000，16（5）：126-129.

[2]焦險峰，楊邦杰，裴志遠.基于分層抽樣的中國水稻種植面積遙感調查方法研究[J].農(nóng)業(yè)工程學報，2006，22（5）：105-110.endprint

[3]國家統(tǒng)計局農(nóng)調總隊.多目標復合抽樣方法與實例[R].2003.

[4]馬強，閱小平，徐曉青.衛(wèi)星遙感技術在農(nóng)業(yè)調查中的初步應用[J].中國農(nóng)業(yè)資源與區(qū)劃，2003，24（2）：14-16.

[5]林子晶，李衛(wèi)國，申雙和，等. HJ星和GF1號數(shù)據(jù)在水稻種植面積提取中的應用 [J]. 江蘇農(nóng)業(yè)學報，2016，32（1）：111-117.

[6]張曉憶，李衛(wèi)國，景元書，等. 多種光譜指標構建決策樹的水稻種植面積提取[J]. 江蘇農(nóng)業(yè)學報，2016，32（5）：1066-1072.

[7]王茂新，裴志遠，吳全，等.用NOAA圖像監(jiān)測冬小麥面積的方法研究[J].農(nóng)業(yè)工程學報，1998，14（3）：84-88.

[8]景毅剛.利用EOS/MODIS信息提取陜西冬小麥種植面積研究[J].陜西農(nóng)業(yè)科學，2008，54（2）：95-98.

[9]許文波，張國平，范錦龍，等.利用MODIS遙感數(shù)據(jù)監(jiān)測冬小麥種植面積[J].農(nóng)業(yè)工程學報，2002，23（12）：144-149.

[10]李劍萍，鄭有飛.氣象衛(wèi)星混合像元分解研究綜述[J].中國農(nóng)業(yè)氣象，2000，21（2）：44-47.

[11]鄭長春，王秀珍，黃敬峰.基于特征波段的SPOT-5衛(wèi)星影像水稻面積信息自動提取的方法研究[J].遙感技術與應用，2008，23（3）：294-299.

[12]黃振國，楊君.高分一號衛(wèi)星影像監(jiān)測水稻種植面積研究綜述[J].湖南農(nóng)業(yè)科學，2014（13）：76-78.

[13]劉吉凱，鐘仕全，徐雅，等.基于多時相GF-1 WFV數(shù)據(jù)的南方丘陵地區(qū)甘蔗種植面積提取[J].廣東農(nóng)業(yè)科學，2014（18）：149-154.

[14]王利民，劉佳，楊福剛，等.基于GF-1衛(wèi)星遙感的冬小麥面積早期識別[J].農(nóng)業(yè)工程學報，2016，31（11）：194-201.

[15]黃健熙，賈世靈，武洪峰，等.基于GF-1 WFV影像的作物面積提取方法研究[J].農(nóng)業(yè)機械學報，2015，46（S1）：253-259.

[16]賀鵬，徐新剛，張寶雷，等.基于多時相GF-1遙感影像的作物分類提取[J].河南農(nóng)業(yè)科學，2016，45（1）：152-159.

[17]賈玉秋，李冰，程永政，等.基于GF-1與Landsat8多光譜遙感影像的玉米LAI反演比較[J].農(nóng)業(yè)工程學報，2015，31（9）：173-181.endprint