基于Sentinel-2A影像的縣域冬小麥種植面積遙感監(jiān)測

王 蓉，馮美臣，楊武德，張美俊

（1.山西農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院，山西 太谷 030801；2.山西農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，山西 太谷 030801）

遙感是獲取作物播種信息的關(guān)鍵技術(shù)，在農(nóng)情監(jiān)測領(lǐng)域具有對(duì)地表信息獲取的覆蓋面廣、信息量大、周期短、受地面條件限制少、調(diào)查成本相對(duì)較低等明顯優(yōu)勢[1]。在農(nóng)作物遙感估產(chǎn)中，農(nóng)作物種植面積的遙感估算是農(nóng)作物產(chǎn)量預(yù)測的基礎(chǔ)和主要內(nèi)容；準(zhǔn)確而及時(shí)的農(nóng)作物類型及其空間分布更新信息是優(yōu)化種植結(jié)構(gòu)的基本依據(jù)，為制定合理、有效的糧食宏觀調(diào)控措施、保證國家糧食安全提供科學(xué)支撐[2]。

農(nóng)作物遙感識(shí)別分類與面積提取的研究主要考慮遙感數(shù)據(jù)源、特征變量和分類算法[3]3 個(gè)方面。到目前為止，適合開展大范圍高空間分辨率農(nóng)作物種植區(qū)域識(shí)別與提取的遙感數(shù)據(jù)源主要有GF-1，Sentinel-2 和Landsat-8。田海峰等[4]使用多景GF-1全色多光譜（Pan Multiple Spectral，PMS）影像，對(duì)河南省滑縣冬小麥種植分布信息進(jìn)行了提取研究，并取得良好效果。BELGIU 等[5]采用Sentinel-2 多光譜傳感器（Multi Spectral Sensor，MSI）數(shù)據(jù)，對(duì)時(shí)間加權(quán)動(dòng)態(tài)時(shí)間規(guī)整（Time-Weighted Dynamic Time Warping，TWDTW）算法在農(nóng)作物分類的應(yīng)用效果進(jìn)行研究。ZHANG 等[6]提出利用 Landsat-8 OLI 時(shí)間序列和物候參數(shù)的融合數(shù)據(jù)，在多云雨地區(qū)提取水稻種植面積。與MODIS 數(shù)據(jù)相比，GF-1，Sentinel-2 和Landsat-8 等影像數(shù)據(jù)具有高空間分辨率和高時(shí)間分辨率的雙重優(yōu)勢，并在一定程度上減少了混合像元對(duì)作物分類結(jié)果的干擾，提高了農(nóng)作物分類制圖精度與效率。

遙感光譜數(shù)據(jù)及其衍生的各種指數(shù)信息、紋理特征、時(shí)間序列閾值和變化信息常被國內(nèi)外學(xué)者用作研究農(nóng)作物遙感分類的特征變量。其中，光譜及其衍生指數(shù)的信息相對(duì)容易獲得也是最常用的[3]。SONOBE 等[7]在研究Sentinel-2A 多光譜傳感器數(shù)據(jù)計(jì)算植被指數(shù)的潛力中發(fā)現(xiàn)，植被指數(shù)在確定特定作物類型方面貢獻(xiàn)最大。史飛飛等[8]采用多源數(shù)據(jù)集進(jìn)行了農(nóng)作物分類信息提取研究，發(fā)現(xiàn)在NDVI 時(shí)間序列數(shù)據(jù)中融入高光譜數(shù)據(jù)可以提高分類精度。紋理信息作為區(qū)分特征，對(duì)高分辨率（米級(jí)或亞米級(jí)以下）影像數(shù)據(jù)的分類效果較好[9]。CHUANG等[10]將主成分、灰度共生矩陣紋理信息作為分類器的輸入變量，解譯出臺(tái)灣中部地區(qū)茶葉種植區(qū)域。

另外，選擇不同的算法對(duì)農(nóng)作物面積的提取也有著較大的影響。隨機(jī)森林（Random Forest，RF）方法由于2 個(gè)隨機(jī)性（隨機(jī)且有放回地抽樣訓(xùn)練集、隨機(jī)地從樣本特征維度中選取特征子集）的引入，在分類中不易陷入過擬合，具有分類精度高、泛化能力強(qiáng)、數(shù)據(jù)挖掘能力優(yōu)異、抗噪聲能力良好等優(yōu)點(diǎn)，對(duì)處理樣本數(shù)據(jù)分布不平衡等方面表現(xiàn)優(yōu)良，成為當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)[2]。GAO 等[11]研究探討了新型高光譜快照馬賽克相機(jī)在雜草和玉米分類方面的潛力，發(fā)現(xiàn)RF 模型表現(xiàn)總體上優(yōu)于K-最近鄰（K-Nearest Neighbor，K-NN）模型。

以上研究都不同程度提高了作物識(shí)別精度，但綜合數(shù)字高程模型、遙感影像數(shù)據(jù)及其衍生的植被指數(shù)信息、紋理特征，利用單時(shí)相遙感影像進(jìn)行雨養(yǎng)區(qū)冬小麥與灌溉區(qū)冬小麥空間分布信息提取方面的研究少有報(bào)道。

筆者在前人研究的基礎(chǔ)上，利用冬小麥生長關(guān)鍵期的Sentinel-2A 遙感影像數(shù)據(jù)，選擇紅邊歸一化植被指數(shù)、主成分分量與幾何紋理特征作為特征變量，研究基于隨機(jī)森林算法的冬小麥種植面積提取方法，并結(jié)合DEM 數(shù)據(jù)實(shí)現(xiàn)雨養(yǎng)區(qū)和灌溉區(qū)冬小麥的分類，以期為不同灌溉類型冬小麥長勢遙感監(jiān)測以及產(chǎn)量估測提供科學(xué)依據(jù)。

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)位于山西省運(yùn)城市北部的聞喜縣，總面積 1 167.1 km2，地理坐標(biāo)為 110°59′33″～111°37′29″E，35°9′38″～35°34′11″N。聞喜縣地處運(yùn)城盆地與臨汾盆地的交界處，地形多樣，河谷、塬地、丘陵、山地共存。氣候?qū)倥瘻貛Т箨懶约撅L(fēng)氣候，晝夜溫差大，四季分明。農(nóng)作物以冬小麥種植為主，屬南部冬麥區(qū)。

1.2 數(shù)據(jù)來源

1.2.1 Sentinel-2A 影像數(shù)據(jù) Sentinel-2A 的多光譜成像儀含有13 個(gè)通道，主要應(yīng)用于地表覆蓋變化監(jiān)測、資源調(diào)查、近海域污染檢測、災(zāi)害監(jiān)測等，波段信息如表1所示。結(jié)合運(yùn)城地區(qū)冬小麥與其他作物主要生育期，為有效提取冬小麥種植面積[12]，選擇使用2018年3月27日獲取的上層大氣反射的L1C 級(jí)別的Sentinel-2A 數(shù)據(jù)。

表1 Sentinel-2A 波段信息

1.2.2 地面調(diào)查 為獲取山西省運(yùn)城市聞喜縣冬小麥的分布情況，2018年3月進(jìn)行了實(shí)地調(diào)查。野外調(diào)查時(shí)采用手持GPS 獲取冬小麥的經(jīng)緯度信息，調(diào)查路線覆蓋聞喜縣絕大部分鄉(xiāng)鎮(zhèn)（石門鄉(xiāng)除外）。在野外調(diào)查GPS 數(shù)據(jù)基礎(chǔ)上，結(jié)合目視解譯方法，確定訓(xùn)練樣本數(shù)據(jù)集和驗(yàn)證樣本數(shù)據(jù)集。

1.3 研究方法

1.3.1 數(shù)據(jù)預(yù)處理 數(shù)據(jù)下載自歐洲航空局的數(shù)據(jù)共享網(wǎng)站（http://scihub.copernicus.du/s2/#/home）。原始數(shù)據(jù)已進(jìn)行過幾何校正處理，由于處理前各波段分辨率不同，因此，使用三次卷積內(nèi)插法對(duì)各波段（不包括 Band1，Band8，Band9，Band10）進(jìn)行重采樣，經(jīng)處理后的各波段分辨率為20 m。

1.3.2 隨機(jī)森林分類算法 其通過對(duì)數(shù)據(jù)及特征變量進(jìn)行隨機(jī)重采樣，構(gòu)建多個(gè)CART 決策樹（不剪枝），最終采用多決策樹投票的方式確定數(shù)據(jù)的類別歸屬。它能夠處理具有高維特征的輸入樣本，又對(duì)過度擬合不敏感[13]，在生成的過程中就可以對(duì)誤差建立一個(gè)無偏估計(jì)。因而，對(duì)于遙感影像農(nóng)作物面積提取具有很好的抗噪性能，在農(nóng)田制圖研究方面取得了有效的分類結(jié)果[14-15]。

1.3.3 特征變量的選擇

1.3.3.1 主成分分析 主成分分析（Principal component analysis，PCA）又稱 K-L 變換，利用波段間的相互關(guān)系，在盡可能不丟失信息的條件下，用幾個(gè)綜合性波段代表多波段的原圖像，使處理的數(shù)據(jù)量減少。

1.3.3.2 植被指數(shù) 本研究選擇窄帶綠度植被指數(shù)（Narrowband greenness）中的紅邊歸一化植被指數(shù)（Red Edge Normalized Difference Vegetation Index，RENDVI）[16]。其計(jì)算公式如下。

式中，ρ705和 ρ750分別對(duì)應(yīng)表2中的 Band5 和Band6 的反射率，RENDVI 值的范圍是 -1～1，一般綠色植被區(qū)的范圍是0.2～0.9。

1.3.3.3 紋理特征 紋理是指圖像色調(diào)作為等級(jí)函數(shù)在空間上的變化[17]。由HARALICK 提出的灰度共生矩陣（GLCM）方法是公認(rèn)的紋理特征提取的有效方法，具有較強(qiáng)的適應(yīng)能力和魯棒性[18]。該方法首先計(jì)算圖像的GLCM，然后由GLCM 導(dǎo)出描述紋理的二階統(tǒng)計(jì)特征[19]。在合適的空間分辨率遙感影像中，農(nóng)作物區(qū)別于其他地物具有更為鮮明的空間紋理特征[20]。因此，加入紋理特征，有利于冬小麥分布區(qū)域的準(zhǔn)確提取。

1.3.4 基于DEM 的地形分析 數(shù)字地面模型（Digiatl Terrain Model，DTM）中地形屬性為高程時(shí)稱為數(shù)字高程模型（Digital Elveatoin Model，DEM）。數(shù)字高程模型是指描述地球表面形態(tài)多種信息空間分布的有序數(shù)值陣列。根據(jù)文獻(xiàn)[21]，本研究采用三次卷積方法對(duì)研究區(qū)DEM 數(shù)據(jù)進(jìn)行重新采樣，以減少精度損失。

1.3.5 精度評(píng)價(jià)方法 基于地面樣點(diǎn)數(shù)據(jù)驗(yàn)證是精度驗(yàn)證的主要手段之一，也是說明分類結(jié)果準(zhǔn)確程度的指標(biāo)之一。本研究以Kappa 系數(shù)、總體精度、制圖精度、用戶精度等4 項(xiàng)指標(biāo)表述基于地面樣點(diǎn)數(shù)據(jù)精度驗(yàn)證結(jié)果[22]。此外，由于區(qū)域冬小麥提取面積在產(chǎn)量估產(chǎn)中具有重要作用，因此，同樣需要評(píng)價(jià)冬小麥面積提取值與實(shí)際冬小麥面積值之間的比值。

2 結(jié)果與分析

2.1 特征變量的選擇

2.1.1 波段數(shù)據(jù)的統(tǒng)計(jì)特征分析 從表2可以看出，B8A 波段標(biāo)準(zhǔn)差（1 247.058 207）為所有波段中最大，其次是B11 波段、B7 波段，標(biāo)準(zhǔn)差分別為1 235.138 932 和1 155.616 279。標(biāo)準(zhǔn)差最大，說明該波段內(nèi)地物的亮度取值距均值的離散程度最大，即地物間的差異可能表現(xiàn)最明顯，信息量最豐富。因此，B8A 波段包含的信息量最豐富，同時(shí)也進(jìn)一步表明原始影像的B8A 波段在植被類型分類中具有顯著作用。

表2 原始影像波段基本信息量

2.1.2 主成分分析 從表3可以看出，第1 主成分分量（PC1）的信息占9 個(gè)波段總信息量的97.3%，第2 主成分占總信息量的2.23%，第3 主成分占總信息量的0.38%，前3 個(gè)主成分共占據(jù)了99.91%的信息量，其他成分對(duì)于影像信息只是噪音，所以，前3 個(gè)成分可以代表原始影像的數(shù)據(jù)信息。在構(gòu)成第1 主成分的向量中，B8A 最高（為 0.44），占各波段特征向量和的15.3%。這說明第1 主成分中，B8A波段的貢獻(xiàn)最大，其次是B11（14.6%） 和B7（14.2%），說明在原始影像的9 個(gè)波段中，B8A 波段包含的地物信息量最豐富。

2.1.3 波段間相關(guān)性分析 從表4可以看出，B8A與B7 波段間相關(guān)系數(shù)最高（r＝0.999 4），其次是與B6 波段（r＝0.997 4） 和 B5 波段（r＝0.959 5），與B11 波段的相關(guān)系數(shù)為0.958 2。說明B8A 波段與這些波段數(shù)據(jù)彼此重疊較多。

2.1.4 特征變量選擇結(jié)果 選用B8A 波段作為專門提取紋理特征的波段，經(jīng)多次試驗(yàn)對(duì)比分析，選用3 多3 大小的移動(dòng)窗口，利用灰度共生矩陣計(jì)算該波段的8 種紋理特征：均值、方差、同質(zhì)性、對(duì)比度、差異性、熵（Entropy）、二階矩、相關(guān)性。

綜上所述，本研究提取3 類特征波段：紅邊歸一化植被指數(shù)（RENDVI）、主成分變換前3 個(gè)分量以及原始影像B8A 波段的紋理特征，共計(jì)12 個(gè)變量。各變量具體信息列于表5。

表3 研究區(qū)Sentinel-2A 各波段主成分分析結(jié)果

表4 研究區(qū)Sentinel-2A 各波段數(shù)據(jù)相關(guān)分析結(jié)果

表5 用于分類的特征變量信息

2.2 基于特征波段與隨機(jī)森林的冬小麥種植面積提取結(jié)果

將 2018年3月27日的 Sentinel-2A 影像輸入到隨機(jī)森林分類器[23]中，將前 3 個(gè)主成分（PC1，PC2，PC3）、紅邊歸一化植被指數(shù)（RENDVI）和 B8A 波段紋理特征組合進(jìn)行分類提取，獲得聞喜縣冬小麥種植面積空間分布（圖1）。由圖1可知，冬小麥主要分布在中部地區(qū)，北部有少量種植分布，原因?yàn)槁勏部h地處運(yùn)城盆地與臨汾盆地的交界夾槽處，三面環(huán)山，地勢西北、東南高，中間低，冬小麥適宜生長在地形平坦地區(qū)，林地等非冬小麥植被主要分布在東南山地；另外，由于丘陵塬地遍布縣境，冬小麥在西北部分布較為零散，這與實(shí)地調(diào)查情況相符。

2.2.1 特征波段對(duì)分類精度的影響 由表6可知，未加入特征波段，采用原始影像波段作為隨機(jī)森林分類器的輸入數(shù)據(jù)，分類結(jié)果的總體精度為94.72%，Kappa 系數(shù)為0.92；采用3 項(xiàng)特征波段后，分類結(jié)果的總體精度增加了3.39 百分點(diǎn)，Kappa 系數(shù)增加了0.05，這與分類結(jié)果（圖1）表現(xiàn)一致，說明綜合主成分分析、紅邊歸一化植被指數(shù)以及紋理特征后能提高遙感影像分類總體精度，同時(shí)冬小麥的分類用戶精度由87.91%提升到92.22%，說明引入特征波段有助于提高冬小麥種植面積提取的可信度。

表6 隨機(jī)森林算法條件下原始影像波段與特征波段分類精度對(duì)比

2.2.2 決策樹和特征變量的數(shù)量對(duì)精度的影響考慮到在隨機(jī)森林分類過程中，決策樹和特征變量的數(shù)量可能影響最終分類的精度，需研究決策樹和特征變量的數(shù)量對(duì)分類精度的影響。特征變量的數(shù)量對(duì)分類精度的影響甚微可忽略不計(jì)，即分類精度對(duì)特征變量數(shù)量的設(shè)置并不敏感[24]。因此，本研究僅分析決策樹的數(shù)量對(duì)分類精度的影響。由圖2可知，當(dāng)保持特征變量數(shù)量不變時(shí)，將決策樹的數(shù)量分別設(shè)定為20，40，60，80，100，120，140，160，180進(jìn)行試驗(yàn)，得到的分類精度隨決策樹數(shù)量變化而改變。由圖2可知，在20～100 的范圍內(nèi)，當(dāng)決策樹數(shù)量增加，分類精度隨之增加，并且在決策樹數(shù)量為100 時(shí)分類精度達(dá)到最大值；當(dāng)決策樹數(shù)量超過100 時(shí)，分類精度隨決策樹數(shù)量的增加而出現(xiàn)降低趨勢，且隨著決策樹數(shù)量增加，模型訓(xùn)練時(shí)間也在增加。

2.3 不同分類方法分類結(jié)果對(duì)比

為進(jìn)一步驗(yàn)證本研究所采用的隨機(jī)森林分類方法的有效性，利用實(shí)地調(diào)查點(diǎn)信息將隨機(jī)森林算法分類結(jié)果與支持向量機(jī)算法、最大似然算法進(jìn)行對(duì)比分析（圖3）。

從圖3可以看出，隨機(jī)森林算法（RF）、最大似然算法（ML）和支持向量機(jī)算法（SVM）分類結(jié)果在空間分布上大致趨于一致，但隨機(jī)森林算法分出的冬小麥地塊較為完整，且能分出絕大部分冬小麥種植區(qū)域，其分類總體精度和Kappa 系數(shù)均最高，分別為98.11%和0.97（圖4），其次是支持向量機(jī)算法（總體精度和Kappa 系數(shù)分別為96.3%和0.95），最大似然算法最差。這是由于最大似然算法分類器基于統(tǒng)計(jì)算法，計(jì)算給定像元屬于某一訓(xùn)練樣本的似然度，根據(jù)似然度將像元?dú)w并到似然度最大的一類當(dāng)中，而在3月下旬聞喜縣冬小麥與蔬菜的光譜特征容易混淆，增大了利用似然度劃分地物像元的難度。支持向量機(jī)分類是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，可以自動(dòng)尋找那些對(duì)分類有較大區(qū)分能力的支持向量，由此構(gòu)造出分類器，可以將類與類之間的間隔最大化，因而較最大似然法有更高的分類準(zhǔn)確率，但是蔬菜與冬小麥的混淆光譜仍對(duì)其有一定的影響。而隨機(jī)森林算法通過對(duì)數(shù)據(jù)及特征變量進(jìn)行隨機(jī)重采樣，采用多決策樹投票的方式確定數(shù)據(jù)的類別歸屬，在生成過程中就可以對(duì)誤差進(jìn)行一個(gè)無偏估計(jì)，因此，其可信度最高，為92.22%。黃健熙等[25]使用MODIS 數(shù)據(jù)對(duì)黑龍江省主要農(nóng)作物的種植面積提取進(jìn)行研究，發(fā)現(xiàn)SVM算法分類精度優(yōu)于RF，ML 算法的分類精度，這可能是由于MODIS 數(shù)據(jù)空間分辨率低，混合像元效應(yīng)明顯，導(dǎo)致每棵決策樹的分類能力降低，而森林的分類效果（錯(cuò)誤率）與每棵樹的分類能力有關(guān)；本研究中Sentinel-2A 數(shù)據(jù)空間分辨率明顯優(yōu)于MODIS 數(shù)據(jù)，故RF 算法分類效果最佳。

2.4 雨養(yǎng)區(qū)與灌溉區(qū)冬小麥分類結(jié)果

由于不同灌溉條件下冬小麥有著不同的生育進(jìn)程，因此，在冬小麥長勢監(jiān)測和估產(chǎn)的研究中應(yīng)該進(jìn)行雨養(yǎng)區(qū)冬小麥與灌溉區(qū)冬小麥分類，以提高監(jiān)測精度。在晉南地區(qū)冬小麥種植區(qū)域中，灌溉區(qū)冬小麥一般分布在海拔600 m 以下，坡度小于15°的平川區(qū)域，此區(qū)域有利于土壤水分涵養(yǎng)；反之，則為雨養(yǎng)區(qū)冬小麥分布區(qū)[26]。

從圖5和表7可以看出，灌溉區(qū)冬小麥主要分布在禮元鎮(zhèn)、東鎮(zhèn)鎮(zhèn)、侯村鄉(xiāng)、桐城鎮(zhèn)、郭家莊鎮(zhèn)、裴社鄉(xiāng)、河底鎮(zhèn)以及神柏鄉(xiāng)東南部等各鄉(xiāng)鎮(zhèn)沿涑水河流域的平川區(qū)域，面積為12 773.33 hm2，占總面積的34.92%；而雨養(yǎng)區(qū)冬小麥主要分布在聞喜縣西北部和東南部各鄉(xiāng)鎮(zhèn)丘陵垣臺(tái)區(qū)域，在西北部分布較為零散，在后宮鄉(xiāng)西部分布較為集中，面積為23 806.66 hm2，占聞喜縣冬小麥總面積的65.08%。同山西省統(tǒng)計(jì)年鑒數(shù)據(jù)（38 800 hm2）進(jìn)行對(duì)比分析，聞喜縣冬小麥總提取面積的精度可以達(dá)到94.28%，雨養(yǎng)區(qū)為93.48%，灌溉區(qū)為95.8%。本研究得出的雨養(yǎng)區(qū)和灌溉區(qū)冬小麥提取精度明顯優(yōu)于文獻(xiàn)[26]的研究結(jié)果（86.16%和86.15%），說明Sentinel-2A數(shù)據(jù)可以明顯降低混合像元效應(yīng)，更適合區(qū)域冬小麥種植面積提取研究。

表7 聞喜縣雨養(yǎng)區(qū)、灌溉區(qū)冬小麥分類統(tǒng)計(jì)結(jié)果

3 結(jié)論

本研究以2018年冬小麥拔節(jié)期內(nèi)的Sentinel-2A 數(shù)據(jù)為數(shù)據(jù)源，以山西省運(yùn)城市聞喜縣為研究區(qū)，通過利用遙感影像主成分變換、波段特征提取技術(shù)，將主成分信息、波段空間紋理特征、紅邊歸一化植被指數(shù)以及大量調(diào)查樣本點(diǎn)輸入到隨機(jī)森林分類器中進(jìn)行決策樹構(gòu)建，并基于數(shù)字高程模型提取的坡度、高程信息，提取了2018年聞喜縣冬小麥的灌溉區(qū)與雨養(yǎng)區(qū)的空間分布信息。結(jié)果表明，Sentinel-2A 遙感數(shù)據(jù)適合作為縣域尺度冬小麥監(jiān)測的數(shù)據(jù)源。Sentinel-2A 數(shù)據(jù)重訪周期為10 d，在農(nóng)作物物候時(shí)期內(nèi)更容易獲得質(zhì)量較好地遙感影像，并且該數(shù)據(jù)影像空間分辨率較高，獲取成本低，能夠滿足大面積冬小麥監(jiān)測的要求。采用隨機(jī)森林分類器對(duì)聞喜縣地物進(jìn)行識(shí)別與分類，其分類總體精度達(dá)到98.11%，Kappa 系數(shù)達(dá)到0.97，優(yōu)于同等條件下采用支持向量機(jī)法與最大似然算法。主成分分析、紋理特征和RENDVI 的引入可以提高單時(shí)相遙感影像對(duì)縣域冬小麥分類識(shí)別能力。2018年聞喜縣冬小麥遙感監(jiān)測面積為36 580 hm2，提取精度達(dá)到94.28%。其中，雨養(yǎng)區(qū)冬小麥遙感監(jiān)測面積為23 806.66 hm2，提取精度達(dá)到93.48%，占當(dāng)年總面積的65.08%；灌溉區(qū)冬小麥遙感監(jiān)測面積為12 773.33 hm2，提取精度為95.8%，占當(dāng)年總面積的34.92%。