基于多時相遙感數據和HSV變換的 越冬前冬小麥面積提取

趙 葉，李存軍，周靜平，競 霞，荊偉斌

（1. 北京農業信息技術研究中心，北京100097；2. 西安科技大學，陜西西安710054）

0 引言

冬小麥是我國主要糧食作物之一，冬小麥種植面積監測是國家和政府部門十分關心的問題，監測冬小麥種植面積不僅對我國小麥產業的發展有著重要意義，也是保障國家糧食安全的關鍵環節［1-3］。傳統地面調查速度慢、精度低、耗費大量人力物力財力，且受人為因素影響大，難以滿足政府部門宏觀指導和科學決策的需求。遙感技術可以在短期內連續獲取大范圍的地面信息［4］，實現農業信息的快速收集和定量分析，是目前對地觀測和信息獲取的有效手段［5］。

已有的農作物種植面積提取方法通常是利用小麥生長后期或全生育期時間序列影像，通過選定關鍵物候期的植被指數閾值建立識別模型，提取作物分布面積。張喜旺等［6］通過2010年河南省冬小麥全生育期MODIS時間序列特征結合冬小麥季相節律信息提取了當地冬小麥面積及空間分布信息；劉劍鋒等［7］利用2010—2011年MODIS數據，根據地面調查樣點提取冬小麥NDVI時間序列曲線，構建識別模型并提取了開封市2010—2011年冬小麥面積信息；姜濤等［8］利用2014—2015年MODIS數據構建冬小麥全生育期時間序列曲線，在物候分析基礎上選擇冬小麥識別特征，構建了一種抗時序數據噪聲的冬小麥識別方法。但是利用全年時間序列影像的方法對時間序列數據質量要求較高，由于受大氣環境等因素的影響，有時無法保證全年數據都具有較高質量，且該方法在小麥生長后期（孕穗期）才能達到精度要求，無法滿足生產部門冬季小麥生長管理及提前估產的需求。作物面積監測具有較強的時效性，盡早監測評估是目前亟待解決的 問題。

針對小麥生長前期長勢稀疏，光譜信息易受土壤背景影響的問題，文章借鑒Pekel等［9］利用MIR、NIR、RED波段提取轉換荒漠稀疏植被的方法，提出一種將MIR、NIR、RED波段轉換成HSV閾值劃分方法。將MIR波段作為NIR和RED波段的補充，MIR波段對土壤與植被中的含水量反應更為靈敏［10］，能提高植被與裸土可區分性，獲得更加可靠的稀疏植被提取。該方法基于長勢較弱的稀疏小麥與其他地物在“H-NDVI空間”上的差異建立稀疏小麥閾值提取規則，以期實現冬小麥面積的早期檢測。

1 數據與方法

1.1 研究區概況

該文以河北省中南部小麥主產區為研究區域（圖1），包括石家莊市、邢臺市和邯鄲市的正定縣、欒城區、高邑縣等26個縣區，位于北緯36°05′～42°40′，東經113°27′～119°50′。河北省是全國三大小麥集中產區之一，河北省小麥總產量一般占到全省糧食產量的1/3以上。地處我國第二大平原華北平原腹地，地勢低平，土層深厚，土壤肥沃，大部分地區適宜小麥生長。河北省西北區域地勢高，不適合種植冬小麥；中南部區域地勢平坦，水肥等自然條件良好，更適宜冬小麥種植。研究區內冬小麥通常每年的9月底至11月播種，次年6月收獲。

圖1 研究區概況Fig.1 Overview of the study area

1.2 數據源

該文采用的數據包括Landsat8 OLI影像、2017年河北省土地利用類型分布數據、地面小麥種植田塊調查數據和河北省各縣小麥種植面積統計年鑒數據。

冬小麥在生長發育階段會表現不同的物候特征，在遙感影像上呈現光譜差異，該文選擇30 m空間分辨率的Landsat8 OLI影像作為數據源，根據研究區冬小麥的物候特征，在USGS網站［11］下載2017年11月21日（分蘗期）和2017年12月24日兩景影像。

NDVI采用ENVI5.3軟件計算，公式為：

式（1）中，NIR為近紅外波段的反射值，R為紅光波段的反射值。

2017年河北省土地利用類型分布圖在地理國情監測云平臺下載［12］，根據其屬性將土地利用類型分為耕地和非耕地。根據實地調察，河北省中南部冬季作物均為冬小 麥［13］。

1.3 HSV空間色彩變換法

為了提高Landsat影像小麥種植區域的識別效果，用HSV色彩空間替換RGB色彩，HSV是一種直觀的顏色模型［14］，色調H是用角度度量不同顏色，取值范圍為0～360°，從紅色開始按逆時針方向計算，紅色為0°，綠色為120°，藍色為240°；飽和度S表示顏色接近光譜色的程度。任何一種顏色可以看成是某種光譜色與白色混合的結果，其中光譜色所占比例愈大，顏色接近光譜色的程度就愈高，顏色的飽和度也就愈高。明度V表示顏色明亮的程度，對于光源色，明度值與發光體的光亮度有關。對于物體色，該值和物體的透射比或反射比有關，通常取值范圍為0%（黑）～100%（白）。

MIR、NIR和RED波段分別作為RGB通道，采用HSV色彩變換法將Landsat影像MIR、NIR、RED波段從RGB色彩空間轉換至HSV色彩空間，以分離出色調、飽和度和亮度值。

1.4 冬小麥面積提取方法

冬小麥面積提取算法流程如圖2所示。對遙感影像進行預處理，并采用HSV色彩空間變換法將RGB轉換至HSV色彩空間，通過小麥和非小麥地物在H-NDVI空間上的差異，采用HSV閾值法初步識別冬小麥疑似區域，再對疑似區域的色彩飽和度S變化值進行統計分析，去除土壤等易混淆地物，最終得到小麥種植區域。因MIR、NIR、RED波段值為DN值，其取值范圍與RGB圖像不同，所以在進行圖像色彩轉換之前要先將其DN值按比例縮放至RGB圖像像素值范圍（1～255），再進行色彩轉換。

2 結果與分析

2.1 閾值設置

將H波段影像、NDVI影像進行掩膜處理，分離出小麥種植區與非小麥種植區，分別轉換成ASCII格式，并按小麥種植區域與非小麥種植區域分別導入EXCEL中，從中隨機選取部分樣本點建立H-NDVI空間散點云圖（圖3）。

圖2 冬小麥面積提取算法流程Fig.2 Area extraction algorithm flow of winter wheat

根據H值的分布規律將樣本點分為3個區間，非小麥區、小麥區和混淆區。在生長前期，冬小麥苗株稀疏，長勢較弱，在色彩上易與土壤其他地物類型混淆，由圖3可知小麥和非小麥地物類型NDVI普遍較小，非小麥地物NDVI與H沒有明顯關聯，H值在非小麥地物NDVI范圍內波動；而小麥地物隨H值增大，NDVI值有增高趨勢，小麥的H值相對于非小麥地物而言整體偏大，該研究按照H值差別設置初步閾值，但是由于在小麥生長初期，苗株稀疏，長勢微弱，易與土壤等背景混淆，導致單用一景影像無法準確區分開來，H值在45～75°之間既存在小麥種植區也存在土壤背景等非小麥地物，所以僅靠H值尚不能完全區分開。

在冬小麥分蘗期前期利用H值對小麥和非小麥地物進行初步區分，設置H＞75°為小麥種植區域，H＜45°為非小麥區域，45°≤H≤75°為小麥與非小麥混淆區。在ENVI5.3中利用H≥45°建立掩膜，去除非小麥區域，留下小麥種植區和混淆區等待下一步 區分。

圖3 H-NDVI空間散點圖Fig.3 H-NDVI space scatter diagram

隨著冬小麥生長，其色彩飽和度S逐步增大，而其他地物隨著氣溫降低，飽和度S不變或略有降低，因為S值是一個定性指標，可以獨立于觀測條件等外界因素來識別冬小麥。根據該特征，該研究用掩膜后的2017年12月24日HSV影像S波段減去2017年11月21日掩膜后HSV影像S波段，得到的即為飽和度S的變化值（以下簡稱S-slope），將S-slope進行掩膜處理，分離出小麥種植區與非小麥種植區。

分別從小麥和非小麥地物S-slope值中隨機選取5 500個樣本并統計各個數值出現的頻率直方圖。如圖4所示，頻率值為在特定S-slope值的樣本個數，也就是某個S-slope值出現的次數，根據頻率值建立正態分布曲線，用以觀察小麥和非小麥區域S-slope值分布情況。

圖4 小麥和非小麥地物的S-slope值分布Fig.4 S-slope value distribution of wheat and non-wheat features

由圖4可知，非小麥地物的S-slope值總體偏小，產生該現象的原因為非小麥地物色彩飽和度變化較小甚至不變，而小麥的S-slope值聚集在0.1附近，其原因為S值對顏色的微小變化反應靈敏，小麥生長過程中顏色逐漸加深，飽和度變化明顯，S值發生了較大的變化。根據該特征，設置閾值S-slope＞0.03%作為小麥和非小麥的區分。

2.2 冬小麥面積提取

按照H≥45°的閾值規則掩膜，對2017年12月24日影像（圖5a）進行第一次掩膜處理，去除非小麥地物，留下小麥與混淆地物圖像（圖5b）；按照S-slope＞0.03%的閾值規則進行第二次掩膜，去除混淆區域中非小麥地物，得到最終小麥種植區域（圖5c）。

圖5 冬小麥面積遙感提取Fig.5 Remote sensing extraction of winter wheat area

2.3 結果驗證

利用縣界分縣統計圖5中各縣冬小麥面積，與2018年小麥面積統計年鑒數據對比，制作散點圖（圖6）。圖6中實線代表1∶1線，虛線代表提取面積與統計年鑒數據擬合直線。圖中擬合直線接近1∶1線，且提取面積與統計年鑒數據呈現極顯著相關關系（R2=0.922 5）。表明利用多時相遙感數據冬小麥種植面積，與縣區統計年鑒數據有較高的一致性。

圖6 冬小麥遙感提取面積與統計年鑒數據散點圖Fig.6 Scatter map of remote sensing extraction area of winter wheat and statistical yearbook data

3 結論

該研究采用HSV色彩空間變換法將Landsat8 OLI影像中MIR、NIR、RED波段從RGB轉換至HSV色彩空間。通過分析Landsat8 OLI影像中小麥種植區和非小麥種植區在“H-NDVI”上的空間分布差異，采取閾值法初步排除非小麥區域，進而通過S-slope上的差異排除非小麥區域，最終得到小麥種植區域面積。

（1）傳統植被監測多用NIR和RED波段，該研究加入MIR波段，因其對土壤與植被中的含水量反應更為靈敏，提高了植被與裸土的可區分性。

（2）該研究使用2017年11月21日（分蘗期）和2017年12月24日前后兩景進行小麥種植區提取，在冬小麥分蘗后期可實現冬小麥面積監測，基本實現冬小麥面積早期監測。

（3）利用多時相遙感數據中NDVI、H和S差別提取的試驗區冬小麥種植面積，與地面調查、縣區統計年鑒數據有較高的一致性。

該研究中一些小麥田塊小，影像本身分辨率及質量對面積監測影響較大，未來可以考慮使用分辨率更高的國產影像，得到更為精確的面積數據，并在更多區域對該方法進行實驗和驗證。