基于遙感影像的縣域冬小麥種植信息提取—以陜西省武功縣為例

王建興,車自力

(咸陽師范學院資源環境與歷史文化學院，陜西 咸陽 712000)

糧食作物產量的穩定是經濟社會發展的基礎[1]，近年來，隨著種植結構的調整，經濟作物的種植面積逐年增加，糧食作物尤其是小麥的種植面積相應減少[2]。在當前單位面積產量穩定的情況下，足量的種植面積是糧食安全的重要保障[3]。相比傳統的調查方法，使用衛星遙感影像監測農作物種植信息具有快速、客觀、省時省力等優勢，可以作為提取冬小麥種植面積和空間位置信息的有效手段[4]。潘耀忠等使用多源遙感影像數據建立基于特征物候期植被指數的冬小麥種植面積估算模型，提高了冬小麥種植面積遙感估算的精度和穩定性[5]。王慶林等選用拔節期和抽穗期的國產環境衛星影像數據，使用NDVI閾值劃分技術提取了2013年大豐市冬小麥種植面積[6]；田海峰等選取與2014年冬小麥分蘗期、越冬期、拔節期共3個生育期對應的3期OLI影像，對當年虞城縣冬小麥種植面積進行估算[7]；王連喜等綜合運用MODIS和Landsat影像數據，使用決策樹分類和混合像元分解等技術提取了2014年江蘇省冬小麥種植面積[8]。

關中地區是陜西省重要的糧食生產區域，其中武功縣作為國家商品糧基地縣，是該地區小麥主產區之一[9]。本研究使用Landsat OLI遙感影像，提取2017年武功縣冬小麥種植面積和空間分布，以期為農業部門掌握農田種植結構信息、指導農業生產提供參考。

1 材料與方法

1.1 研究區概況

武功縣地處關中平原西部，東臨興平，西接扶風縣和楊凌農業高新技術產業示范區，南部與周至縣隔河相望，北部與乾縣接壤。下轄8個鎮，土地面積397.8 km2。地勢平坦而微有起伏，主要由河谷沖積階地、黃土臺塬、河漫灘和山前洪積扇前緣地帶幾種類型構成。屬大陸性季風半濕潤氣候，四季分明，雨熱同期，光照充足。全年總日照數2163小時左右，年平均氣溫12.9℃, 無霜期227天左右, 總降水量552.6～663.9 mm。耕作制度以一年兩熟為主，主要農作物為冬小麥和夏玉米，其中冬小麥常年種植面積為2.15萬hm2。

1.2 數據獲取

本研究選用美國Landsat 8衛星搭載的運營性陸地成像儀(Operational Land Imager，OLI)獲取的影像作為數據源[10]。Landsat 8為近極點太陽軌道衛星，軌道高度705 km，重訪周期16天。OLI影像為9波段多光譜影像，光譜范圍覆蓋430～2 290 nm；空間分辨率在全色影像上為15 m，多光譜影像上為30 m；成像范圍為185 km×185 km。

圖1 武功縣地理位置與行政區劃圖Fig.1 Location and administrative divisions of Wugong County

本研究區冬小麥10月上旬播種，10月中旬出苗，10月下旬至11月中旬分蘗，隨后隨著氣溫的降低停止生長并進入越冬階段，次年3月份隨氣溫上升恢復生長。在冬小麥越冬期間，研究區遙感影像上保持綠色植物的光譜特征的地表主要植被為冬小麥，另外還有少量冬油菜分布，二者不易區分；花期的冬油菜在影像上具有獨特的特征，與其它農作物有著顯著的區別(圖2)。根據這一特點，選擇2017年2月12日、2017年4月17日共2期OLI影像(L1T級)用于冬小麥種植信息提取，2期影像云層覆蓋率均小于1%。

圖2 不同時期影像上的冬小麥與冬油菜Fig.2 Winter wheat and winter rape in different periods

于2017年1月和4月，在研究區境內選取不同蓋度的農田樣區10個，其中小麥田6個，油菜田4個。每個樣區面積大于300 m×300 m，以確保在OLI影像上有足量的像元與之對應。樣區之間間隔在1 km以上。用Garmin eTrex20手持GPS記錄各樣區四角坐標，并根據坐標信息，在ArcGIS 10.2軟件中繪制出各樣區的多邊形矢量圖，得到10個樣區在武功縣境內的分布，如圖3所示。

圖3 調查樣本的空間分布Fig.3 Spatial distribution of the investigated sample

1.3 數據預處理

OLI影像L1T級產品已經過輻射校正和幾何精校正[11]。在遙感影像處理軟件ENVI5.1中，首先使用Radiometric Calibration工具對影像進行輻射定標；再使用FLAASH Atmospheric Correction工具對輻射定標得到的數據進行大氣校正，得到地表反射率數據；然后使用Gram-Schmit Pan Sharpening工具將多光譜反射率數據與全色數據融合，得到15 m×15 m空間分辨率的地表反射率影像；進而使用1∶400萬武功縣行政邊界矢量圖對影像進行裁切得到研究區各時期的影像。

1.4 冬小麥種植信息提取方法

歸一化植被指數(normal difference vegetation index，NDVI)是指示地表綠色植被覆蓋狀況的敏感指標，取值范圍在-1～1之間，NDVI值越接近于1，表明地表植被特征越明顯[12]。本研究內沒有大面積常綠喬灌的分布，果園、林地、草地等地表植被在冬季均呈現出枯黃狀態，失去植被特征，對應影像上的NDVI值與裸地和建筑用地類似，都遠小于1且接近于0值；水體的NDVI表現為負值。同時期地表大面積呈現出綠色植被特征的只有種植冬小麥和冬油菜的地塊，因此可以通過這一時期的NDVI影像提取小麥和油菜的種植區域。在ENVI5.1中使用Band math工具計算2017年2月12日和4月17日2期OLI影像的歸一化植被指數NDVI，計算公式為：NDVI = (b1-b2)/(b1+b2)，其中b1為近紅外波段，b2為紅光波段。

為了得到純冬小麥種植區域，需要將冬油菜從上述提取結果中去除。遙感影像上，油菜在花期與同期其它植被有著顯著的區別。使用ENVI5.1軟件，結合Google earth高分辨率衛星影像和實地調查，通過目視解譯，在4月17日影像上識別油菜、小麥、林地、果園及草地等植被覆蓋區域，并提取對應區域的光譜反射率，如圖4所示。與其它植被相比，冬油菜冠層光譜在花期具有鮮明的特征，主要表現為在562 nm、655 nm和865 nm三個波段上的反射率顯著高于其它植被。根據冬油菜的這一光譜特征，可以使用花期的影像提取出冬油菜種植區域。

1.5 精度檢驗

為了保證結果的準確性和可信度，需要對從遙感影像上提取的冬小麥種植面積數據進行檢驗，本研究使用地面實測冬小麥樣方面積檢驗影像中提取得到的農作物種植面積，計算公式為[13]：

A=(1-|(S0-S)/S|)× 100%

(1)

式中，A為提取精度，S0為影像上提取得到的農作物種植面積，S為地面樣方實測面積。

圖4 4月17日影像上不同植被光譜反射率Fig.4 Spectral reflectance of different vegetation in April 17th

2 結果與分析

2.1 冬小麥種植區域提取

在2月12日影像上，調查樣區位置對應的冬小麥地塊的NDVI值范圍為0.55～0.78，油菜地塊的NDVI值范圍為0.56～0.73，通過目視解譯對影像上植被覆蓋區域的NDVI值進行多次判斷，最終選用0.53作為閾值，區分影像上植被與非植被區域。使用決策樹分類法對2月12日NDVI影像進行監督分類，判定NDVI值大于0.53的區域為冬小麥與冬油菜種植區域。在4月17日影像上，通過目視解譯選取油菜地塊的感興趣區(region of interest，ROI)，使用基于光譜角匹配的目標偵測法(Target Detection)，結合油菜地塊ROI光譜信息提取油菜種植區域，結果如圖5所示，可以看出，武功縣油菜種植十分零散，斑塊單元面積較小，只是在武功鎮東北部和蘇坊鎮局部有小范圍的連片種植區，由ArcGIS 10.2統計得到全縣油菜種植面只有162.63 hm2。使用油菜種植區域圖像作為掩膜，從冬小麥與冬油菜種植區域圖中去除油菜種植區域，最終得到冬小麥種植區域圖，結果如圖6所示，可以看出，冬小麥在武功縣種植面積大，分布廣泛，是該地區的主要農作物，各鄉鎮都有大量種植。

2.2 精度檢驗

在ArcGIS 10.2軟件中分別查詢10個調查樣區多邊形的面積，作為地面樣區的實際面積(S)；將冬小麥種植區域提取結果導入ArcGIS 10.2軟件中，使用區域統計工具計算各調查樣區多邊形內小麥種植區域面積(S0)。

圖5 武功縣2017年油菜種植區域分布圖Fig.5 Distribution map of oil rape planting area inWugong County in 2017

圖6 武功縣2017年冬小麥種植區域分布圖Fig.6 Distribution map of winter wheat planting area inWugong County in 2017

將S和S0代入精度計算公式(1)中計算各調查樣區農作物種植面積的提取精度，結果如表1所示，4個油菜樣區提取精度最高為96.83%，精度最低的為91.26%，平均值為 93.33%；6個小麥樣區提取精度最高的為99.51%，精度最低的為93.26%，平均值為97.32%。精度檢驗結果表明從OLI影像提取得到的冬小麥種植面積與實際面積高度接近，具有很高的精度。

2.3 冬小麥種植面積與空間分布

在ArcGIS 10.2軟件中，使用區域統計工具計算武功縣各鄉鎮冬小麥種植面積，結果如表2所示，2017年全縣冬小麥種植面積為21 181.97 hm2，比往年種植面積略低。由圖6和表2可知，武功縣冬小麥種植分布的空間格局是：北部地區種植集中，南部地區種植分散，主要分布于黃土臺塬區。武功縣北部的黃土臺塬地區，地勢高，光照資源豐富，耕地數量大，非常適宜冬小麥種植，該區的冬小麥種植面積占到了全縣總面積的75.68%，南部三鎮土地面積占全縣土地總面積的比例超過了35%，但是冬小麥的種植面積只占全縣總種植面積的24.32%。按冬小麥種植面積分鎮進行排序，貞元鎮冬小麥種植面積最大，達到了5076.56hm2，占全縣總種植面積的23.97%；緊隨其后的是長寧鎮，種植面積為4 017.56 hm2，占全縣總種植面積的18.97%；僅這兩個鎮的冬小麥總面積就占了全縣冬小麥總種植面積的40%以上；北部的武功鎮、游鳳鎮和蘇坊鎮冬小麥種植面積位居第3至第5名，分別達到了2 488.70 hm2、2 354.35 hm2和2 093.29 hm2，共占全縣總面積的32.74%；南部的大莊鎮、普集鎮和小村鎮冬小麥種植面積相對較小，三鎮的冬小麥總種植面積只有5151.51hm2，是全縣種植比例最低的鄉鎮。這主要是因為：(1)南部三鎮位于隴海鐵路和連霍高速兩條交通干線兩側，工業較為發達，建筑用地較多，且隨著工業化進程的推進還在逐年增加，耕地面積占比較少；(2)三鎮的南部為渭河河漫灘和河流階地，具備較好的水熱條件，調查中發現，該區果園、苗木、蔬菜等經濟效益更高的作物種植較多，且種植面積有逐年增加的趨勢，冬小麥種植面積受到擠壓，相應減少。

表1各樣區實測面積與影像提取面積精度檢驗

Table 1 Accuracy of image extraction area in different samples

樣方編號Sample number作物類型Crop type實測面積/m2Measured area影像提取面積/m2Image extraction area精度/%Accuracy1油菜 Oil rape92702.0286092.3692.872油菜 Oil rape91632.5299641.2091.263油菜 Oil rape92186.9989264.6596.834油菜 Oil rape90395.3497319.6392.345小麥 Wheat95123.1698604.6796.346小麥 Wheat94603.9890091.3795.237小麥 Wheat93405.5287717.1193.918小麥 Wheat92570.0798809.2993.269小麥 Wheat91458.7193690.2997.5610小麥 Wheat92813.5792358.7899.51

表2 各鄉鎮冬小麥種植面積統計

3 結論與討論

3.1 結 論

本研究利用兩個時點的Landsat OLI數據提取陜西省武功縣2017年冬小麥種植面積和空間分布信息，取得了良好的效果，主要結論有：

(1)在有多種越冬作物種植的地區，從單期衛星遙感影像上難以精確提取冬小麥種植信息；多生育期影像數據結合能夠排除其它作物干擾，有效提取冬小麥。在本研究區，冬小麥越冬期結合油菜開花期是利用遙感影像提取冬小麥種植信息的最佳時期組合，可以有效排除同時期油菜地塊，得到冬小麥種植區域；

(2)NDVI閾值分割法和決策樹分類結合是從多光譜分辨率衛星影像上提取農作物種植信息的有效方法，應用此方法提取武功縣冬小麥的精度達到93%以上。

(3)從OLI影像上提取到的武功縣2017年小麥種植面積為21 181.97 hm2，與常年播種面積接近。冬小麥種植分布的空間格局是：北部地區種植集中，南部地區種植分散，主要分布于黃土臺塬區。分鄉鎮看，貞元鎮冬小麥種植面積最大，長寧鎮緊隨其后，兩鎮總種植面積占全縣面積的42.94%，南部各鄉鎮冬小麥種植面積較小。

3.2 討 論

Landsat系列影像獲取便利，地面分辨率和重訪周期都適合大面積農作物監測，是縣域尺度農業遙感監測的理想數據源。通過與實地調查情況對比，本研究中冬小麥提取效果較好，對于武功鎮東北部區域連片種植的油菜提取精度也較高；但對于其它區域零星種植的油菜地塊提取效果較差。這主要是由于OLI影像的多光譜分辨率為30m，小片種植的油菜地塊往往在影像上不足一個像元，與周邊其它農作物構成的混合像元無法有效識別。張榮群[14]等人在使用中等分辨率衛星影像提取農作物種植信息的研究中也發現，對連片種植的大宗農作物提取精度較高；而對分散種植，地塊較為破碎的農作物提取精度較低。

使用衛星遙感影像提取農作物種植信息，農作物物候期的選取很重要，往往不能從單期影像直接提取農作物。本研究中同期影像上小麥與油菜易混淆，需要結合油菜花期的影像提取油菜種植區域并進行排除。此外，衛星平臺的遙感傳感器受天氣因素影響較大，不能保證在每個重訪周期內都獲取到所需范圍內地表影像數據，其應用也有一定的局限性，在實際應用中，需要根據農作物的物候特征靈活選取影像和分析方法。劉佳[4]、王慶林[6]、田海峰[7]等人的研究也表明，根據農作物物候期的特點選用多期影像是提取農作物空間信息的有效途徑。