基于高分一號與Landsat 8衛星影像的庫爾勒市香梨種植面積識別研究

楊屹鹍+蔣平安+武紅旗+朱磊

摘要：庫爾勒香梨是一個地域性極強的名優特優品種，是庫爾勒地區乃至全國最優異的地方梨品種之一，利用遙感技術快速、準確獲取庫爾勒市香梨的種植面積、長勢等信息，可為政府管理部門制定各種決策提供數據支持。本研究利用高分一號（GF-1，分辨率2 m和16 m）、Landsat 8（分辨率30 m）2015年4—10月的庫爾勒市遙感影像，依據地面調查建立的感興趣區域（ROI），采用5種不同方法進行監督分類，通過識別精度比較篩選出最佳識別方法，并對庫爾勒市的香梨種植面積進行識別、提取。結果表明，GF-1影像數據的最佳識別月份為8月，最佳識別方法是最大似然法，識別精度為95.94%；Landsat 8影像數據的最佳識別月份為10月，最佳識別方法也是最大似然法，識別精度為94.43%。因此，選擇利用8月份的GF-1影像數據提取庫爾勒市的香梨栽植面積，經最大似然法進行監督分類，最終解譯面積為2.827萬公頃，與實際統計資料相比，識別精度96.45%，說明利用該方法監測庫爾勒市的香梨栽植情況可行。

關鍵詞：庫爾勒市；香梨；面積識別；高分一號；Landsat 8

中圖分類號：S127文獻標識號：A文章編號：1001-4942（2018）01-0153-05

Abstract Korla fragrant pear is a well-known and excellent variety with strong regionalism， and it is one of the most excellent local pear cultivars in Korla and even in China. With the remote sensing technology， we can quickly and exactly gain informations of Korla fragrant pear including planting area and growth vigor， which could provide data support for government administration section making decision. Using the Korlas remote sensing images of GF-1 （resolving power as 2 m and 16 m ） and Landsat 8 （resolving power as 30 m） from April to October of 2015， according to the region of interest （ROI） set by ground survey， adopting 5 different supervised classification methods， the best recognition method was screened out with recognition accuracy， and the Korla fragrant pear planting area was recognized and extracted. The results showed that the best recognition month of GF-1 image was August， and the best recognition method was maximum likelihood method， and its recognition accuracy reached 95.94%； the best recognition month of Landsat 8 image was October， the best recognition method was also maximum likelihood method， and the recognition accuracy reached 94.43%. With the GF-1 image in August，supervised classification by the maximum likelihood method， the final planting area of Korla fragrant pear was extracted as 28.27 thousand hectare， and the recognition accuracy could reach 96.45% compared with the practical statistics， which showed the method was suitable for supervising the planting situation of fragrant pear in Korla.

Keywords Korla； Fragrant pear； Area identification； GF-1； Landsat 8

我國是世界上最大的果樹起源中心之一，果樹資源極為豐富[1]。新疆光熱充足、氣候條件適宜，是優質林果種植生產的主要地區。庫爾勒市地處新疆腹地，從2007年起，香梨成為庫爾勒市農民增收的第一產業，種植面積以每年3 333.3公頃的速度快速增長，因此，了解該區域的香梨分布及種植面積，對于政府部門掌握當地林果業種植信息，及時調整相關生產和銷售策略，實現庫爾勒香梨的規模化種植及生產銷售產業鏈一體化發展具有重要的現實意義。

遙感技術是目前獲取作物種植面積和分布情況最快速、方便、有效的信息手段和技術方式之一。利用不同地物光譜特征不同在衛星遙感影像上的反映不同進行農作物的識別，是當前遙感技術應用領域中比較成熟的一種技術。高分辨率遙感影像因其較高的空間分辨率、豐富的空間結構和紋理信息對地物的準確識別起到了積極作用[2，3]。本研究基于高分一號和Landsat 8影像，通過篩選，確定了適宜庫爾勒香梨種植面積識別的最佳影像數據、月份和監督分類方法，并利用該方法提取出了庫爾勒市的香梨種植面積。這為相關部門了解庫爾勒香梨的種植和分布情況，制定相應政策，實現庫爾勒香梨產業的可持續發展提供了數據支撐。endprint

1 研究區概況

庫爾勒市位于新疆腹地，處在中國最大的沙漠——塔克拉瑪干沙漠的邊緣，天山支脈霍拉山南麓，塔里木盆地東北緣，面積達48.27萬平方千米。地跨東經85°12′～86°27′、北緯 41°11′～42°14′，屬暖溫帶大陸性干旱氣候，降水量稀少，蒸發量大，光熱資源豐富，年均總日照時數3 000 h。主要以種植果樹和棉花為主。

庫爾勒市盛產水果，20世紀80年代其水果產業開始進入快速發展階段。2015年，全市水果種植面積達到了4.47萬公頃，年產量超過了43萬噸，已成為庫爾勒市最重要的一個林業支柱產業[5]，是該地區農民經濟增收的重要渠道。

2 數據來源與研究方法

2.1 數據來源與處理

2.1.1 數據來源 本研究所用影像數據來自新疆衛星應用工程中心，分別選取2015年4—10月高分一號（GF-1，分辨率2 m和16 m）和Landsat 8 （分辨率30 m）的庫爾勒地區遙感影像。具體信息如表1所示。

2.1.2 建立感興趣區域 遙感影像的分辨率不同，其識別方法也不相同。中低分辨率遙感數據的識別是基于不同地物的光譜特征不同，建立NDVI，對目標植物進行識別；而高分辨率遙感影像數據則可通過人工目視解譯對影像色彩、影紋等特征進行識別[6-10]。本研究選用的高分一號與Landsat 8遙感數據均為高分辨率影像數據，可根據梨樹與其他農作物生育時期、植株特點的不同，確定最佳解譯時相，然后根據顏色和紋理差異進行解譯。

在高分辨率遙感影像中，不同時期的香梨樹呈現出不同的顏色與紋理，香梨成年林郁閉度高，呈致密深綠色；中成林也呈深綠色，但郁閉度相對成年林低，呈星點狀分布，樹木基本清晰可見，致密程度明顯低于成年林；幼年林郁閉度較小，呈有規律的小星點狀分布。根據2015年實地調查，將庫爾勒市的作物類型劃分為香梨、棉花、其他農作物三類（表2），結合高分一號和Landsat 8假彩色遙感影像，依據作物紋理建立感興趣區域（region of interest，ROI）。

2.1.3 建立掩膜 根據2015年7月獲取的高分一號衛星2 m遙感影像，通過目視解譯對獲取的庫爾勒市土地利用現狀圖進行更新，然后結合實地調查結果對研究區域內的香梨、棉花、其他農作物進行解譯、識別，同時刪除干擾提取感興趣區域的項，建立研究區域掩膜，以便提高香梨栽植面積的提取精度。

2.2 研究區監督分類及梨樹種植面積計算

根據2015年實地調查數據，建立香梨樹、棉花、其他農作物的訓練樣本和驗證樣本（表2）。利用建立的ROI，分別采用平行六面體法、最大似然法、最小距離法、神經網絡、支持向量機對不同月份的影像進行監督分類，得到監督分類結果的總體精度、Kappa系數和可分離性報告，通過精度驗證，確定研究區梨樹面積提取的最佳識別月份和最佳識別方法，經柵格轉矢量后計算研究區的梨樹面積。

3 結果與分析

3.1 監督分類結果

首先選用最大似然法和最小距離法對高分一號與Landsat 8各月份影像進行分類與驗證，從而選出香梨樹與棉花和其他農作物分類度較高的月份，并用于各類方法的驗證，從而選出分別適于兩種影像數據的最佳驗證方法。

從表3和表4中香梨、棉花以及其他農作物的可分離性來看，GF-1衛星影像數據的值低于Landsat 8衛星影像，這主要是因為GF-1衛星影像的灰度分辨率低于Landsat 8衛星影像，對同一作物細節的分辨能力相對較弱。總體來說各月份訓練樣本之間的可分離性較好，說明本研究選擇的訓練樣本比較合理。

從表5中看出，高分一號數據8月份的分類總精度最好，分別高達95.94%（最大似然法）、93.05%（最小距離法）；Kappa系數分別為0.935（最大似然法）、0.886（最小距離法）。因此，對于高分一號，可利用8月份的影像數據進行不同方法的驗證，以篩選最佳驗證方法。

對于Landsat 8數據（表6），最大似然法10月份的分類精度最高，高達94.43%，Kappa系數為0.909；最小距離法7月份驗證精度最高，為89.99%，Kappa系數為0.837。因此，對于Landsat 8數據需分別用10月和7月的影像數據進行不同方法的驗證，以篩選最佳驗證方法。

對不同方法的驗證結果（表7、表8）表明，對于GF-1影像數據，最大似然法的驗證精度最高，可利用該方法對其8月份的影像數據進行梨樹種植面積提取。而對于Landsat 8數據，10月份時利用最大似然法的驗證精度最高，因此，可利用最大似然法對10月份的Landsat 8影像數據進行庫爾勒香梨種植面積提取。

3.2 香梨栽植面積提取

通過上述分析，兩種數據的最佳監督分類方法均為最大似然法，但基于高分一號衛星16 m遙感影像的總體精度要高于Landsat 8衛星30 m遙感影像，香梨解譯精度更高，最終選用高分一號衛星16 m遙感影像8月份數據用于庫爾勒市香梨栽植面積的提取。

利用ENVI 5.2對柵格數據進行轉矢量，通過Raster to Polygon工具，將大量的面狀柵格數據轉換為由少量數據表示的點狀、線狀和面狀矢量數據[11-13]。利用ArcGIS對8月的高分一號衛星影像進行庫爾勒市香梨栽植面積的提取和計算，結果顯示，庫爾勒市2015年香梨栽植解譯面積為2.827萬公頃，與實際統計資料（2.730萬公頃）相比，識別精度達96.45%，結果良好。

4 討論

通過對庫爾勒市的作物種植信息進行搜集和整理發現，研究區域內的主要種植作物為香梨和棉花，另有小部分其他作物。梨樹的物候期為3月下旬至4月上旬開花，4月上中旬坐果，6月為生理落果期，7月為果實迅速生長期，7月中下旬至10月為果實成熟期，11月為落葉期，12月至翌年3月為休眠期。其他農作物基本都在9月份收獲完畢，因此，可以利用梨樹與其他農作物的物候期不同對其分類。本研究分別利用GF-1（分辨率16 m）和Landsat 8（分辨率30 m）各月份的影像數據進行香梨栽植面積識別，解譯結果表明GF-1衛星影像數據8月份的總體精度最高，而Landsat 8衛星遙感影像為10月份總體精度最高。根據香梨物候期，8月份為其主要生長期，與其他農作物的光譜差異大，而10月份以后逐漸進入冬眠期。綜合來看，選取8月份的GF-1衛星遙感影像數據進行庫爾勒香梨栽植面積提取更好。endprint

陳晨[14]、邵曉敏[15]、王鶴霖[16] 等都對紋理信息參與分類進行了研究，結果均表明基于紋理特征能夠顯著提高影像的分類精度。李子藝[17]基于高光譜遙感原理，對南疆盆地不同時節的4種果樹進行了分類研究，分類效果良好。雷彤等[18]基于高光譜數據對蘋果果期冠層的光譜特征進行了研究，并建立了回歸模型，實現了蘋果產量的估測。李國清[20]運用ALOS影像對福建省順昌縣的主要樹種進行分類識別，認為利用基于光譜信息、植被指數、紋理特征和地形因子的決策樹分類法提取該山地丘陵地形條件的樹種信息，可以獲得比較好的分類效果。本研究基于GF-1和Landsat 8遙感影像的作物紋理特征建立感興趣區域，采用最大似然法進行監督分類，兩者的分類總精度最高分別為95.94%和94.43%，分類效果均比較好。

5 結論

本研究基于GF-1（分辨率16 m）和Landsat 8（分辨率30 m）在4—10月，采用平行六面體法、最大似然法、最小距離法、神經網絡、支持向量機對庫爾勒市的香梨進行識別分類，結果表明，利用GF-1衛星16 m影像8月的多光譜數據，采用最大似然法進行監督分類，對2015年庫爾勒市的香梨栽植面積進行提取，解譯面積為2.827萬公頃，與庫爾勒市農業局實地調查統計結果2.730萬公頃相比，識別精度為96.45%，說明利用該方法可以比較精確地提取出庫爾勒市的香梨栽植面積。

但本研究仍存有不足之處，需在今后的研究中加以改進：首先庫爾勒市的林果業較為發達，香梨是主要的果樹，但也有葡萄等其他果樹，因其他果樹的種植面積較小，所以本研究中并未詳細區分香梨與其他果樹，今后需對其進行進一步分離，以便提高解譯精度。其次，本研究只選用了GF-1衛星與Landsat 8衛星兩種數據源，隨著其他資源衛星的發射成功，當前可選擇的遙感衛星較多，在今后的研究中有必要對比多種不同數據源在作物面積識別與長勢監測中的可行性、可靠性。

參 考 文 獻：

[1] 韓秀梅，吳亞維，李金強，等. 中國野生果樹種質資源分布及其開發利用[J]. 安徽農業科學， 2008， 36（31）：13615-13617.

[2] 李曉峰，張樹清，那曉東，等. 利用Contourlet域紋理特征在高分辨率遙感影像上提取林地邊界[J]. 林業科學研究， 2008（z1）： 142-145.

[3] 尹嚴彪，李霞，石瑞花，等. 基于ALOS數據3種插值方法對比分析[J]. 新疆農業大學學報， 2008， 31（6）： 46-49.

[4] 何子順，任紅，阿衣木古麗·馬布力，等. 庫爾勒市庫爾勒香梨產業存在問題分析[J]. 山西果樹， 2010（4）： 44-46.

[5] 程乾，王人潮. 數字高程模型和多時相MODIS數據復合的水稻種植面積遙感估算方法研究[J]. 農業工程學報， 2005， 21（5）： 89-92.

[6] 韓立建，潘耀忠，賈斌，等. 基于多時相 IRS-P6 衛星 AWIFS 影像的水稻種植面積提取方法[J]. 農業工程學報， 2007， 23（5）： 137-143.

[7] 余凌翔，朱勇，魯韋坤，等. 基于HJ-1CCD遙感影像的西雙版納橡膠種植區提取[J]. 中國農業氣象， 2013， 34（4）： 493-497.

[8] 林子晶，李衛國，申雙和，等. HJ星和GF1號數據在水稻種植面積提取中的應用[J]. 江蘇農業學報，2016，32（3）：111-117.

[9] 黃妙芬，牛生麗，孫中平，等. 環境一號衛星CCD相機水體信息采集特性分析[J]. 遙感信息， 2010（4）： 68-75.

[10]Zhang R H， Fang Y. The research and analysis of on-line monitoring environment system based on WebGIS in Guangzhou City [C]//2009 International Conference on Test and Measurement， 2009： 100-102.

[11]趙麗花，李衛國，杜培軍. 基于多時相HJ衛星的冬小麥面積提取[J]. 遙感應用， 2011（2）： 41-46.

[12]王爾美，李衛國，顧曉鶴，等. 基于光譜特征分異的玉米種植面積提取[J]. 江蘇農業學報，2017，33（4）：822-827.

[13]楊婕，岳彩榮，林江南，等. 基于環境衛星影像的水稻種植面積提取方法研究[J]. 江蘇農業學報， 2012， 28（4）：728-732.

[14]陳晨，張友靜.基于多尺度紋理和光譜信息的SVM分類研究[J]. 測繪科學， 2009， 34（1）： 29-31.

[15]邵曉敏，劉勇. 基于紋理的烏蘭布和沙漠地區植被信息提取[J]. 遙感技術與運用， 2010， 25（5）： 687-694.

[16]王鶴霖，范文義，趙妍. 基于紋理信息的森林類型遙感識別技術[J]. 東北林業大學學報， 2013， 41（6）： 50-54.

[17]李子藝. 基于冠層光譜數據的南疆盆地主栽果樹樹種遙感分類研究[D]. 烏魯木齊： 新疆農業大學，2015.

[19]雷彤，趙庚星，朱西存，等.基于高光譜的蘋果果期冠層光譜特征及其果量估測[J].生態學報，2010，30（9）：2276-2285.

[20]李國清. 南方山地丘陵森林主要樹種遙感信息提取研究[D]. 福州：福建農林大學， 2009.endprint