基于高分1號衛星數據的農作物面積遙感測量

李 杰，譚榮建

(昆明理工大學 國土資源工程學院，云南 昆明 650093)

遙感技術可以在短期內連續獲取大范圍的地面信息，實現農業信息的快速收集和定量分析，是目前最有效的對地觀測技術和信息獲取手段[1-2]。自20世紀70—80年代開始，遙感技術被大量用于農作物長勢監視、種植面積監測，以及產量預測等方面[3-5]。統計抽樣調查法作為另外一種廣泛用于監測農作物面積的傳統方法，具有工作量小、監測范圍廣、精度好的特點。然而，在實際應用中，農作物面積遙感測量和統計抽樣調查方法均存在一定的缺點[6-7]：基于低空間分辨率衛星數據的農作物種植面積提取難以獲得高精度的小區域數據[8-9]；抽樣調查需要耗費大量的人力物力，經濟效益低。將遙感與抽樣技術相結合，估算作物種植面積，是一種行之有效的方法，且已得到廣泛的應用[10-11]。很長一段時間以來，農作物面積監測精度研究常常受到分辨率的限制。國內常用的數據源主要是國外的MODIS、Landsat、SPOT、Geo Eye等中等分辨率衛星數據[12]，數據成本較高，嚴重制約了應用。隨著高分1號(GF-1)衛星的成功發射，農作物遙感監測應用有了較充足穩定的數據源。本文綜合利用遙感技術和統計抽樣調查方法，揚長避短，提出一種農作物面積的測量方法及流程。總結報道如下。

1 研究區概況和數據預處理

1.1 研究區概況

以遼寧省義縣為研究區，地理坐標120°52′～121°44′E，42°17′～41°48′N。研究區東靠北鎮市，北鄰阜新蒙古自治縣，西界北票市，南連凌海市。義縣地處北溫帶的中溫帶，屬大陸性季風型氣候，四季分明，年均氣溫7.8 ℃，年均降水量530 mm[13]。主要的農作物為高粱、玉米、大豆等。

1.2 數據來源和數據處理

1.2.1 數據來源

高分1號衛星是我國2013年4月26日發射的，搭載了2臺2 m分辨率全色/8 m分辨率多光譜相機和4臺16 m分辨率多光譜相機，實現了在同一顆衛星上進行高分辨率和寬幅度成像的結合[14]，提高了國內遙感數據的精度和高分辨率數據自給率。

1.2.2 數據預處理

遙感數據預處理主要包括幾何精糾正、正射校正、全色和多光譜波段融合、影像裁剪，最終得到標準化的遙感數據產品。本研究所采用的數據為多期義縣GF-1衛星16 m分辨率影像，這些影像都經過了數據預處理，并添加區縣行政邊界，得到縣級中分辨率衛星影像，如圖1所示為其中一期的影像。

圖1 義縣2015年8月GF-1衛星的影像

1.3 測量方法

提出的農作物種植面積測量方法是在縣級中分辨率衛星影像農作物分類圖的基礎上進行抽樣單元的設計與構建，以提高抽樣基礎數據的精度和準確度。主要包括4個步驟。

1)基于縣級中分辨率衛星影像底圖，提取耕地圖斑，再在耕地的基礎上進行作物的遙感識別，提取目標作物(本研究中為玉米)。

2)在全縣范圍內，以村為單元，構建含有目標作物的抽樣總體。以遙感分類結果為基礎，結合義縣行政村矢量圖進行分層隨機抽樣，抽選野外調查樣本。

3)在有關部門的支持下，得到義縣野外調查相關數據，同時采集研究區無人機遙感影像光譜信息點輔助遙感分類，結合一定數量的地塊調查結果，輔以人工目視解譯，獲得準確的樣方調查結果。

4)根據遙感識別結果及野外調查結果，采用比估計方法反推義縣測量結果，并進行精度評價。總體技術流程如圖2所示。

圖2 作物(玉米)面積推算的流程

2 結果與分析

2.1 縣級農作物面積遙感提取

不同農作物在同一期遙感影像中所呈現出來的光譜特征差異不明顯，這對縣級目標作物面積遙感提取有不利影響。不同作物的物候歷存在差異，因此主要根據不同農作物在物候歷上的特征差異，選擇農作物識別關鍵期的多時相遙感影像進行作物類型識別[15]。根據遼寧省義縣物候歷，義縣水稻、小麥、玉米的物候差異主要體現在4月、5月和9月：4月時水稻和小麥已經播種，而玉米未到播種期；5月時小麥處于中苗期，水稻處于生長前期，此時玉米剛開始播種；9月時小麥完成收割，而玉米和水稻處于成熟期。據此選取這3個時段的影像數據進行目標作物面積提取。

以縣為單元，按先耕地后作物的步驟進行玉米地識別。首先利用地塊、作物物候信息、作物種植結構等信息，構建縣級遙感識別解譯標志；然后利用多期遙感圖像進行耕地提取，在此基礎上利用高分辨率無人機數據、16 m GF-1衛星數據在耕地范圍內進行作物分類，提取出目標農作物的空間分布信息，并統計出全縣玉米作物面積。如圖3所示。

圖3 2015年義縣測量結果的空間分布

2.2 樣本村抽取

在全縣范圍內，以村為單元，以國土耕地空間分布數據及當年現勢或者上一年的主要農作物中分辨率遙感測量結果為基礎構建抽樣框，以歷史統計數據作為構建抽樣框的重要輔助數據，對抽樣樣本的合理性進行輔助判別，以此構建含有目標作物的抽樣總體。結合義縣行政村矢量圖文件，以義縣耕地分類結果為基礎，按行政村耕地面積大小進行分層抽樣。對于分類結果為0的行政村歸為0層；對于分類結果不為0的行政村，按最優分層法分為3層，所有行政村共分為4層。根據經驗值并結合實際測算抽取合適的總樣本數。各層樣本量按各層分類面積占總分類面積的比重進行分配，在各層按照隨機抽樣的原則抽選樣本。根據上述抽樣原則，抽取出義縣15個行政村作為樣本村。義縣分層結果及樣本數量見表1。

2.3 樣方設計及解譯

抽取出樣本行政村以后，基于解譯知識庫對現勢GF-1影像采用目視解譯的方式，對選擇的15個樣本村進行玉米面積的精細測量。對于地表條件較復雜或影像較難獲取的區域，采用無人機航拍的方式獲取影像數據。在每個行政村內采用簡單隨機抽樣方法抽選5個網格作為樣方，每個網格的大小為200 m×200 m。采用無人機與PDA相結合的野外調查方式對解譯結果進行評價，其中無人機調查數據采集后進行解譯，并對前期分類解譯結果進行修正。利用野外無線終端PDA進行調查時，對前期解譯結果有偏差的樣方現場進行更改，并確定最終的樣本區的遙感解譯結果。

2.4 推算及精度評價

采用分層比估計對義縣玉米種植面積進行推算，以中分影像分類統計結果作為總體推斷過程中的輔助變量。全縣玉米種植面積計算公式：

表1 義縣2015年玉米種植面積遙感測量推算成果

3 小結與討論

以高分1號(GF-1)衛星遙感影像為數據基礎，提出一種將遙感技術與統計學方法相結合的農作物面積測量方法。運用該方法對義縣玉米種植面積進行推算，結果可滿足測量需求。本研究所提出的將統計與遙感相結合的測量方式充分利用遙感與計算機科學優勢，結合統計相關知識，在農作物面積測量中具有很大的優勢，在節省成本的前提下，確保了農作物面積調查的精度。在針對作物種植結構和地形復雜的區域進行目標作物種植面積測算時，采用無人機高分辨率航拍影像作為目標解譯的基礎數據，提高了農作物種植面積獲取的精度。但本研究僅在縣級區域進行試驗，該方法是否適用于省級等更大尺度范圍還有待研究。

[1] 李小文.遙感原理與應用[M]. 北京:科學出版社, 2008: 1-8.

[2] 蔣怡. 基于遙感信息技術在農業中的運用方式[J]. 農業與技術, 2013, 33(11):21-22.

[3] 陳水森, 柳欽火, 陳良富,等. 糧食作物播種面積遙感監測研究進展[J]. 農業工程學報, 2005, 21(6):166-171.

[4] 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[J]. 中國農業資源與區劃, 2011, 32(2):58-62.

[5] 黃青, 李丹丹, 陳仲新,等. 基于MODIS數據的冬小麥種植面積快速提取與長勢監測[J]. 農業機械學報, 2012, 43(7):163-167.

[6] 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]. 農業工程學報, 2006, 22(5):105-110.

[7] 朱爽, 張錦水. 面向省級農作物種植面積遙感估算的分層方法[J]. 農業工程學報, 2013, 29(2):184-191.

[8] 趙文亮, 賀振, 賀俊平,等. 基于MODIS-NDVI的河南省冬小麥產量遙感估測[J]. 地理研究, 2012, 31(12):2310-2320.

[9] 歐文浩, 蘇偉, 薛文振,等. 基于HJ-1衛星影像的三大農作物估產最佳時相選擇[J]. 農業工程學報, 2010, 26(11):176-182.

[10] 許文波, 張國平, 范錦龍,等. 利用MODIS遙感數據監測冬小麥種植面積[J]. 農業工程學報, 2007, 23(12):144-149.

[11] 張錦水, 潘耀忠, 胡潭高,等. 冬小麥種植面積空間抽樣效率影響因子分析[J]. 農業工程學報, 2009, 25(8):169-173.

[12] 趙兵兵. 新時代 新民居 新設計:義縣新民居設計研究[J]. 建筑與文化, 2015(1):131-133.

[13] 彭望祿.遙感導論[M].北京：高等教育出版社, 2002:233.

[14] 李方琦. 高分一號首批遙感影像發布,幅寬達國際先進水平[J]. 衛星應用, 2013(5):62-63.

[15] 鄔明權, 楊良闖, 于博,等. 基于遙感與多變量概率抽樣調查的作物種植面積測量[J]. 農業工程學報, 2014, 30(2):146-152.